SÉRIE: Estatística Multivariada Texto i: INTRODUÇÃO SUMÁRIO

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamanho: px
Começar a partir da página:

Download "SÉRIE: Estatística Multivariada Texto i: INTRODUÇÃO SUMÁRIO"

Transcrição

1

2 SUMÁRIO 1. INTRODUÇÃO O QUE É A ANÁLISE MULTIVARIADA? FERRAMENTAS COMPUTACIONAIS DEFINIÇÃO DE ANÁLISE MULTIVARIADA CONCEITOS BÁSICOS COMBINAÇÃO LINEAR DE VARIÁVEIS (VARIATE) ESCALAS DE MEDIDA Escalas qualitativas Escalas quantitativas ERROS DE MEDIDA E MEDIDA MULTIVARIADA SIGNIFICÂNCIA ESTATÍSTICA VERSUS PODER ESTATÍSTICO TIPOS DE TÉCNICAS MULTIVARIADAS TÉCNICAS DO TIPO REGRESSÃO Regressão Múltipla Análise discriminante Análise de variância multivariada Correlação canônica Modelos lineares de probabilidade (logit) Análise conjunta Modelagem por equações estruturais TÉCNICAS DO TIPO CORRELAÇÃO Análise de fatores Análise de conglomerados Escalonamento multidimensional Análise de correspondência CLASSIFICAÇÃO DAS TÉCNICAS MULTIVARIADAS TÉCNICAS DEPENDENTES TÉCNICAS INTERDEPENDENTES ANÁLISE MULTIVARIADA: INTERPRETAÇÃO ESTABELECER SIGNIFICÂNCIA PRÁTICA E ESTATÍSTICA O TAMANHO DA AMOSTRA AFETA TODOS OS RESULTADOS CONHEÇA OS DADOS MANTENHA UM MODELO SIMPLES TOME CUIDADO COM OS ERROS CONCLUSÃO REFERÊNCIAS...20 Prof. Lorí Viali, Dr. 1

3 1. INTRODUÇÃO 1.1. O QUE É A ANÁLISE MULTIVARIADA? Técnicas analíticas multivariadas estão sendo largamente aplicadas hoje na indústria, no governo e nos centros de pesquisas das universidades. Hoje já não faz mais sentido seguir o que a pouco tempo ainda era comum, considerar os consumidores como um grupo homogêneo e caracterizado por um pequeno grupo de variáveis demográficas. Ao contrário, é necessário desenvolver estratégias que atinjam grupos variados de consumidores com características demográficas e psicográficas em um mercado com múltiplas restrições (legais, econômicas, competitivas, tecnológicas, etc.). É somente através de técnicas multivariadas que as múltiplas relações destes tipos podem ser adequadamente examinadas para se obter um entendimento completo e realista da tomada de decisão FERRAMENTAS COMPUTACIONAIS Todas as técnicas multivariadas foram desenvolvidas antes do aparecimento dos computadores. No entanto, foi só após a utilização dos computadores que estas técnicas começaram a ser conhecidas e usadas por não especialistas. Hoje existe uma quantidade razoável de programas computacionais que permitem a utilização de técnicas multivariadas. Os antigos programas desenvolvidos para mainframes (grandes computadores), agora com versões em micros, como o SPSS, SAS e BMDP e os novos programas especializados. Por exemplo, para a redução multidimensional tem-se o ASCAL, INDSCAL, KYST e PREFMAP. Para equações estruturais ou simultâneas o LISREL e o EQS e para análise conjunta o ACA, o CVA e CBC DEFINIÇÃO DE ANÁLISE MULTIVARIADA A análise multivariada de uma forma bem geral refere-se a todos os métodos estatísticos que analisam simultaneamente múltiplas medidas em cada indivíduo ou objeto sob investigação. Qualquer análise simultânea de mais de duas variáveis pode ser, de certo modo, considerado como análise multivariada. Muitas técnicas multivariadas são simplesmente extensões de análises univariadas (análise da distribuição de uma única variável) e análise bivariada (classificação cruzada, correlação, análise de variância e regressão simples). Por exemplo, a regressão simples (com uma variável preditiva) é estendida para o caso multivariado para incluir várias variáveis preditivas. Da mesma Prof. Lorí Viali, Dr. 1

4 forma, a única variável dependente encontrada na análise de variância é estendida para incluir múltiplas variáveis dependentes na análise de variância multivariada. Em muitos casos, como poderá ser visto, a análise multivariada é um meio de realizar em uma única análise aquilo que exigiria múltiplas análises no caso univariado. Outras técnicas multivariadas, no entanto, foram projetadas para lidar somente com casos multivariados, tal como a análise de fatores, que visa identificar a estrutura subjacente de um grupo de variáveis ou a análise discriminante, para diferenciar entre grupos baseados em um conjunto de variáveis. Uma das razões para a dificuldade de se definir a análise multivariada é que o termo multivariado não é utilizado de forma consistente na literatura. Para alguns pesquisadores, multivariado significa simplesmente examinar o relacionamento entre duas ou mais variáveis. Outros usam o termo somente para problemas onde todas as variáveis assumem por hipótese uma distribuição multivariada. Para ser considerado verdadeiramente multivariada, no entanto, todas as variáveis devem ser aleatórias e interrelacionadas de tal forma que seus diferentes efeitos não podem ser interpretados de maneira significativa separadamente. Outros autores declaram que o propósito da análise multivariada é medir, explicar e predizer o grau de relacionamento entre variates (combinação linear de variáveis). Desta forma, a característica multivariada repousa nas múltiplas combinações de variáveis (variates) e não somente sobre o número de variáveis ou observações. 2. CONCEITOS BÁSICOS 2.1. COMBINAÇÃO LINEAR DE VARIÁVEIS (VARIATE) A análise multivariada tem suas raízes na análise univariada e bivariada e a extensão para o domínio multivariado introduz conceitos adicionais e questões que são particularmente relevantes. Estes conceitos vão desde o entendimento conceitual do bloco estrutural básico da análise multivariada - as variates - até questões específicas que lidam com o tipo de escala de medida utilizada e as questões estatísticas da significância dos testes e intervalos. Cada conceito desempenha um papel importante na aplicação bem sucedida de qualquer técnica multivariada. A variate Como já mencionado, o bloco básico da construção da análise multivariada é a combinação linear de variáveis com pesos empiricamente determinados, ou simplesmente denominada de variate. As variáveis são especificadas pelo pesquisador ou analista enquanto que os pesos são determinados pelo objetivo específico das técnicas multivariadas. Uma variate de n variáveis ponderadas (X 1 até X n ) pode ser escrita da seguinte forma: Valor da variate = w 1 X 1 + w 2 X w n X n, Prof. Lorí Viali, Dr. 2

5 onde X i é a variável observada e w i é o peso obtido pela técnica multivariada. O resultado é um único valor representando a combinação de todo o conjunto de variáveis que melhor atinge o objetivo da técnica multivariada específica. Na regressão múltipla, o resultado (variate) é determinado de forma que melhor se correlacione com a variável sendo prevista (predicted). Na análise discriminante o resultado (variate) é formado de forma a criar escores para cada variável que produzam a máxima diferença entre grupos de observações. E na análise de fatores o resultado (variate) é formado para melhor representar a estrutura subjacente ou dimensionalidade das variáveis como as representadas pelas suas intercorrelações. Em cada instância, o resultado (variate) captura o caráter multivariado da análise. Assim, na discussão de cada técnica, o resultado (variate) é o ponto central da análise em muitos aspectos. Nós devemos entender não apenas o impacto coletivo em satisfazer os objetivos da técnica mas também a contribuição de cada variável sobre o efeito global no resultado (variate) ESCALAS DE MEDIDA A análise de dados envolve a partição, identificação e medição das variações em um conjunto de variáveis, tanto entre elas ou entre a variável dependente e uma ou mais variáveis independentes. A palavra chave é medição, porque o pesquisador não pode identificar uma variação a menos que ela seja capaz de ser medida. A medida é importante para representar de forma acurada o conceito de interesse e seu instrumental na seleção do método de análise multivariada apropriado. Existem dois tipos básicos de dados: qualitativos (não-métricos) e quantitativos (métricos). Dados qualitativos são atributos, características ou categorias que identificam ou descrevem um conteúdo. Eles descrevem a diferença entre tipos e elementos indicando a presença ou ausência de uma característica ou propriedade. Muitas propriedades são discretas no sentido de que se algo tem uma determinada característica então todas as outras estão excluídas. Por exemplo, se alguém é homem então não pode ser mulher. Não existe quantidade de gênero, mas apenas o estado de ser homem ou mulher. Em contraste as escalas métricas são feitas de modo que os conteúdos podem ser identificados como diferindo em quantidade ou grau. Variáveis medidas metricamente refletem quantidades relativas de grau ou distância. Onde se puder fazer declarações de quantidade ou magnitude, tal como o nível de satisfação ou comprometimento com um trabalho, medidas métricas são apropriadas ESCALAS QUALITATIVAS Medidas não-métricas podem ser feitas tanto com uma escala nominal quanto com uma ordinal. Uma medida com escala nominal atribui valores com o objetivo de rotular ou identificar os Prof. Lorí Viali, Dr. 3

6 objetos. Escalas nominais, também conhecidas como escalas categóricas, fornecem o número de ocorrências (freqüências) em cada classe ou categoria da variável sendo estudada. Os símbolos ou números atribuídos a cada categoria não tem um significado quantitativo além o de indicar a presença ou ausência do atributo ou característica sob investigação. Exemplos de escalas nominais são: sexo, religião, preferência política, estado civil, etc. A escala ordinal é o nível seguinte das escalas de medidas. Variáveis podem ser ordenadas através de escalas ordinais com respeito a quantidade do atributo que possuem. Cada subcategoria pode ser comparada com outra em termos das relações "maior que" ou "menos que". Por exemplo níveis diferentes de satisfação do consumidor com alguns produtos novos podem ser ilustrados por uma escala ordinal. Produto A Produto B Produto C Muito satisfeito Não satisfeito Os números utilizados na escala ordinal são não quantitativos, porque eles indicam somente a sua posição relativa numa série ordenada. Não existe uma medida de quanta satisfação o consumidor recebe em termos absolutos e nem o pesquisador sabe a diferença exata entre dois pontos na escala de satisfação. Muitas escalas nas ciências humanas estão enquadradas neste grupo ESCALAS QUANTITATIVAS As escalas métricas incluem a de intervalo e a de razão. Estas escalas permitem uma medida real do atributo sendo mensurado e praticamente todas as operações matemáticas podem ser aplicadas. Estas escalas possuem unidades constantes de medida de modo que as diferenças entre duas categorias são idênticas. A única diferença real entre uma escala de intervalo e uma escala de razão é que as de intervalo possuem um zero arbitrário enquanto que as de razão possuem um ponto zero absoluto. As escalas de intervalo mais conhecidas são as que medem a temperatura como a Celsius e a Fahrenheit. Ambas possuem um ponto zero arbitrário, isto é, não significando uma quantidade zero de temperatura ou ausência completa de temperatura. Da mesma forma não é possível afirmar que um certo valor num escala de intervalo é múltiplo de algum outro na escala. Por exemplo, uma temperatura de 80F numa escala diferente não é o dobro da temperatura de 40F porque 80F na escala Celsius é 26,7C. Do mesmo modo o valor 40F na escala Celsius é 4,4C. Embora 80 seja o dobro de 40, não se pode afirmar que o calor de 80F é o dobro do calor de 40F, porque usando uma escala diferente o calor medido não é o dobro, isto é, 2. 4,4C 8,8C. Prof. Lorí Viali, Dr. 4

7 A escala de razão é o mais alto nível de medida possível, porque ela apresenta as vantagens das demais escalas mais um zero absoluto. Todas as operações matemáticas são permitidas com este tipo de escala. O peso, por exemplo, é medido por uma escala deste tipo. Quando se diz que alguma coisa pesa 10 kg, isto significa exatamente o dobro de algo que pesa 5kg, não importando se for expresso em kg ou outra unidade qualquer. Aqui um peso zero significa ausência total da característica, isto é, peso. Entender os diferentes tipos de escala de medida é importante por duas razões. Primeiro é necessário identificar a escala de medida usada para cada variável para que dados métricos não sejam usados incorretamente como se fossem não-métricos e vice-versa. Segundo, a escala de medida é um fator crítico na determinação do tipo de técnica multivariada que será mais apropriada para os dados levando em consideração as variáveis dependentes e independentes ERROS DE MEDIDA E MEDIDA MULTIVARIADA O uso de múltiplas variáveis e a confiança na sua combinação (a variate) em técnicas multivariadas também chama a atenção para um assunto complementar: o erro de medida. O erro de medida é o grau com que a o valor observado não é representativo dos valores verdadeiros. Erros de medida podem vir de várias fontes, variando de digitação errada (erro nos dados de entrada) até a imprecisão da medida em si. Por exemplo, utilizar uma escala de 7 níveis para medir a satisfação do consumidor quando os mesmos só podem responder com precisão a apenas três. A renda familiar pode ser razoavelmente medida mas raramente é totalmente precisa. Desta forma toda variável utilizada em técnicas multivariadas deve ser assumida como possuindo algum grau de erro de medida. O impacto do erro de medida é adicionar "ruído" às variáveis observadas ou medidas. Desta forma, o valor observado representa tanto o "verdadeiro" valor quanto o "ruído". Quando usado para calcular correlações ou médias, o "verdadeiro" efeito é parcialmente mascarado pelo erro de medida, fazendo com que a correlação seja mais fraca e a média menos precisa. O objetivo de reduzir o erro de medida pode ser alcançado de várias formas. Ao tratar o grau de erro de medida presente em qualquer medida o analista pode tanto tratar da validade quanto da confiabilidade. A validade é o grau com que a medida acuradamente representa aquilo que ela se propõe a representar. Assegurar a validade começa com o entendimento correto do que deve ser medido e então com a determinação da medida tão corretamente e acuradamente quanto possível. No entanto acurácia não assegura validade. Supondo que a medida é válida, isto é, representa aquilo que se propõe a medir, existem ainda considerações sobre a confiabilidade da medida. Confiabilidade é o grau com o qual a variável Prof. Lorí Viali, Dr. 5

8 considerada mede o verdadeiro valor e está livre de erros. Se a mesma medida, por exemplo, é feita várias vezes, medidas confiáveis mostrarão uma consistência mais alta do que medidas menos confiáveis. Um outro procedimento a ser seguido é desenvolver medidas multivariadas, também conhecidas como escalas somadas, onde várias variáveis são agrupadas para representar uma variável composta (por exemplo, escalas de personalidade de itens múltiplos ou classe de um produto). O objetivo é evitar o uso de uma única variável para representar um conceito e ao invés usa-se várias variáveis como indicadores, todas representando diferentes facetas do conceito para obter uma perspectiva mais global. O uso de múltiplos indicadores permite ao pesquisador especificar mais precisamente as respostas desejadas e não colocar total confiança em uma única resposta mas ao invés numa resposta média ou típica de um conjunto relacionado de respostas. A idéia é que respostas múltiplas refletem de forma mais acurada a verdadeira resposta do que uma única. O impacto de erros de medida e uma confiabilidade pobre não podem ser vistos diretamente pois eles estão embutidos nas variáveis observadas. Resultados ruins nem sempre são devidos a erros de medida, mas a presença de erros de medida seguramente distorcerá o relacionamento observado e tornará a técnica multivariada menos poderosa SIGNIFICÂNCIA ESTATÍSTICA VERSUS PODER ESTATÍSTICO Todas as técnicas multivariadas exceto a análise de conglomerados e a redução multidimensional (multidimensional scaling) são baseadas em inferências de valores populacionais ou no relacionamento entre variáveis de uma amostra extraídas ao acaso de uma população. Se fosse feito o censo então a inferência seria desnecessária, porque qualquer diferença ou relacionamento, mesmo que pequeno, é verdadeiro e existe. Mas o censo é raramente feito, então, normalmente se é obrigado a trabalhar com amostras. Interpretar inferências estatísticas requer que o pesquisador especifique os níveis aceitáveis de erro. A abordagem mais comum é especificar o Erro do Tipo I, cuja probabilidade é representada por α (alfa). O erro do Tipo I consiste em rejeitar a hipótese nula quando ela é verdadeira, isto é, quando ela não deveria ser rejeitada. Em outras palavras ele consiste em afirmarmos que os resultados são significativos, no caso, estatisticamente significativos quando, de fato, eles não são. O erro do tipo I é apenas um dos dois tipos de erros possíveis. O erro do tipo I pode ser cometido quando rejeitamos a hipótese nula. No entanto, rejeitar a hipótese é apenas uma das duas decisões possíveis. Se a hipótese nula for aceita então é possível se cometer o Erro do Tipo II, isto é, aceitar a hipótese quando ela não Prof. Lorí Viali, Dr. 6

9 deveria ser aceita. A probabilidade de se cometer o erro do tipo II é representada por β (beta). No entanto, uma probabilidade mais interessante é 1- β, que é a probabilidade de tomar uma decisão correta, isto é, é a probabilidade de se rejeitar a hipótese nula quando ela é falsa. Esta probabilidade é denominada de poder do teste. Os erros do tipo I e II variam inversamente, isto é, quando a probabilidade de se cometer erro do tipo I é diminuída a probabilidade de se cometer erro do tipo II é aumentada. Reduzir o erro do tipo I, reduz também o poder do teste estatístico. Desta forma é necessário fazer um balanço entre o nível de significância (α) e o poder resultante. O poder não é apenas uma função de α, ele é, na realidade, uma resultante de três fatores: 1. Tamanho do efeito. A probabilidade de se obter significância estatística é baseada não somente em considerações estatísticas, mas também na real magnitude do efeito de interesse sendo estudado (por exemplo, a diferença de médias entre dois grupos ou a correlação entre variáveis) na população, denominado de tamanho do efeito. Como seria esperado, um efeito grande é mais provável de ser detectado do que um pequeno e deste forma influenciam no poder do teste. Para avaliar o poder de qualquer teste estatístico o pesquisador deve primeiramente entender o efeito sendo estudado. O tamanho do efeito é definido em termos de desvios padrões para facilitar comparações. Diferenças de médias são estabelecidas em termos de desvios padrões, de modo que um efeito de 0,50 indica que a diferença média é de meio desvio padrão. Para correlações o tamanho do efeito é baseado na correlação real entre as variáveis. 2. Alfa. Como já foi discutido à medida que a probabilidade de se cometer erro do tipo I (alfa) diminui o poder do teste também decresce. Isto significa que se o analista reduz a chance de encontrar um efeito incorreto significativo, a probabilidade de encontrar corretamente o efeito também diminui. Normalmente os níveis utilizados para a significância ficam em 5% e 1%, mas o analista deve considerar o impacto desta decisão no poder do teste antes de tomar uma decisão definitiva. 3. Tamanho da amostra. A um dado nível alfa, aumentar o tamanho da amostra sempre produz aumento no poder do teste. Mas aumentar o tamanho da amostra pode também produzir "muito poder". Isto quer dizer que aumentando o tamanho da amostra efeitos cada vez menores serão detectados como estatisticamente significativos até que para uma amostra muito grande quase todo efeito será significativo. O analista deve estar sempre ciente que o tamanho da amostra pode afetar o teste estatístico tanto tornando-o insensível (para pequenos tamanhos de amostra) ou então extremamente sensível (para amostras realmente grandes). Prof. Lorí Viali, Dr. 7

10 3. TIPOS DE TÉCNICAS MULTIVARIADAS A análise multivariada é um conjunto de técnicas de análise de dados sempre em expansão. A seguir estão tabeladas as mais bem estabelecidas. Elas foram divididas em duas categorias: as do tipo regressão e as do tipo correlação TÉCNICAS DO TIPO REGRESSÃO As técnicas do tipo regressão envolvem a separação das variáveis em dois subgrupos. As variáveis dependentes ou explicadas e as variáveis independentes ou explicativas REGRESSÃO MÚLTIPLA A regressão múltipla é o método de análise apropriado quando o problema envolve uma única variável (métrica) dependente que se presume estar relacionada com uma ou mais (também métricas) variáveis independentes. O objetivo da análise de regressão é prever as mudanças na variável dependente em resposta às mudanças que ocorrem nas várias variáveis independentes. Este objetivo é quase sempre alcançado através do método dos mínimos quadrados. Sempre que um analista estiver interessado em prever a quantidade ou magnitude da variável dependente a regressão múltipla será útil. Por exemplo: despesas mensais com jantares fora de casa podem ser previstas com informações obtidas das variáveis renda familiar, tamanho da família e a idade do líder da família. Da mesma forma é possível prever as vendas mensais de uma companhia com base nas informações de gastos com propaganda, o número de vendedores e o número de pontos de venda de seus produtos ANÁLISE DISCRIMINANTE Se a única variável dependente for dicotômica (por exemplo: homem-mulher) ou categórica (por exemplo: alto, médio, baixo) e desta forma qualitativa, a técnica multivariada apropriada é a análise discriminante. Assim como na regressão múltipla as variáveis independentes são por hipótese quantitativas. A análise discriminante é útil em situações onde a amostra total pode ser dividida em grupos baseados na variável dependente caracterizando várias classes conhecidas. O principal objetivo da análise discriminante é entender diferenças entre grupos e prever a probabilidade de que uma entidade (indivíduo ou objeto) pertença a uma classe em particular ou grupo baseado nas várias variáveis independentes. Por exemplo, a análise discriminante pode ser usada para diferenciar inovadores de não-inovadores de acordo com seus perfis demográficos e psicográficos. Uma outra aplicação inclui distinguir grande consumidores de pequenos consumidores de um determinado Prof. Lorí Viali, Dr. 8

11 produto, homens de mulheres e créditos bons de créditos ruins, etc. Até a receita federal americana utiliza a análise discriminante para comparar o pagamento de impostos de renda de locais selecionados com um contribuinte hipotético e para identificar os retornos mais promissores e as áreas de auditoria ANÁLISE DE VARIÂNCIA MULTIVARIADA Análise de variância multivariada ou MANOVA (Multivariate Analysis of Variance) é uma técnica estatística que pode ser utilizada para explorar simultaneamente o relacionamento entre várias variáveis categóricas independentes (normalmente referenciadas como tratamentos) e duas ou mais variáveis dependentes métricas. Como tal ela representa uma extensão da análise de variância univariada ou ANOVA (Analysis of Variance). A análise multivariada de covariância ou MANCOVA (Multivariate Analysis of Covariance) também pode ser usada em conjunto com a MANOVA para remover, após o experimento, o efeito de qualquer variável independente não controlável sobre as variáveis dependentes. O procedimento é semelhante ao usado na avaliação do coeficiente de correlação parcial bivariado. A MANOVA é útil quando o pesquisador projeta uma situação experimental (manipulação de várias variáveis não-métricas ou tratamentos) para testar hipóteses com respeito a variância em grupos de resposta em duas ou mais variáveis dependentes métricas CORRELAÇÃO CANÔNICA Análise canônica de correlação pode ser vista como uma extensão lógica da análise de regressão múltipla. Lembre-se que análise de regressão múltipla envolve uma única variável dependente métrica e várias variáveis independentes também métricas. Na correlação canônica o objetivo é correlacionar simultaneamente várias variáveis dependentes métricas com várias variáveis independentes também métricas. Enquanto a regressão múltipla envolve uma única variável dependente, a correlação canônica envolve múltiplas variáveis dependentes. O princípio subjacente é desenvolver uma combinação linear de cada conjunto de variáveis (tanto dependentes quanto independentes) para maximizar a correlação entre os dois conjuntos. Em outras palavras, o procedimento envolve obter um conjunto de pesos para as variáveis dependentes e independentes que forneçam a correlação simples máxima entre o conjunto das variáveis dependentes e as independentes MODELOS LINEARES DE PROBABILIDADE (LOGIT) A técnica do modelo linear de probabilidade também conhecida como análise de logit é uma combinação de regressão múltipla e análise discriminante múltipla. Ela é semelhante a análise de regressão múltipla no sentido de que uma ou mais variáveis independentes são utilizadas para prever Prof. Lorí Viali, Dr. 9

12 uma única variável dependente. O que distingue o modelo linear de probabilidade da regressão múltipla é que a variável dependente é não-métrica como na análise discriminante. A escala nãométrica da variável dependente requer uma abordagem diferenciada na estimação e nas hipóteses sobre a distribuição subjacente, mas em muitas outras características é semelhante à regressão múltipla. Desta forma, uma vez que a variável dependente seja corretamente especificada e a técnica de estimação apropriada seja empregada, os fatores básicos considerados na regressão múltipla serão utilizadas aqui da mesma forma. O modelo linear de probabilidade se diferencia da análise discriminante primeiramente porque ele acomoda qualquer tipo de variável independente (tanto métricas quanto não-métricas) e não necessita da hipótese de normalidade multivariada. No entanto, em muitas situações, particularmente com mais de dois níveis na variável dependente a análise discriminante é uma técnica mais apropriada ANÁLISE CONJUNTA A análise conjunta é uma técnica dependente emergente que criou novas formas de avaliação de objetos, tanto se forem produtos quanto se forem serviços ou idéias. A aplicação mais direta é no desenvolvimento de novos produtos e serviços, permitindo a avaliação de produtos complexos enquanto mantém um contexto realístico de decisão para o respondente. O analista de marketing é capaz de avaliar a importância dos atributos bem como dos níveis de cada atributo enquanto que os consumidores avaliam somente uns poucos perfis de produtos, que são combinações de níveis de produtos. Por exemplo, suponha um conceito de produto com três atributos (preço, qualidade e cor), cada um com três possíveis níveis (por exemplo, vermelho, amarelo e azul). Ao invés de precisar avaliar todas as 27 (3.3.3) possíveis combinações, um subconjunto (9 ou mais) pode ser avaliado pela sua atratividade para o consumidor e o analista sabe, não somente quão importante é cada atributo, mas também a importância de cada nível (a atração do vermelho versus amarelo versus azul). Além disso, quando a avaliação do consumidor é completada, os resultados da análise conjunta podem também ser usados em simuladores de projetos de produtos, que mostram a aceitação do consumidor para qualquer número de produtos formulados e ajudam no projeto do produto ótimo MODELAGEM POR EQUAÇÕES ESTRUTURAIS A modelagem por equações estruturais muitas vezes denominada LISREL (que é o nome de um dos pacotes de software mais populares), é uma técnica que permite separar relacionamentos para cada um dos conjuntos de variáveis dependentes. Em termos simples, a técnica fornece um método de Prof. Lorí Viali, Dr. 10

13 estimação apropriado e eficiente para uma série de equações de regressões múltiplas separadas serem estimadas simultaneamente. Ela é caracterizada por duas componentes básicas: (1) O modelo estrutural e (2) O modelo de medida. O modelo estrutural é o caminho que relaciona as variáveis dependentes e independentes. Em tais situações, teoria, experiência prévia e outros indicativos permitem que o analista distingue que variável independente estima que variável dependente. Os modelos vistos anteriormente que acomodam múltiplas variáveis dependentes (análise de variância multivariada e correlação canônica) não são apropriados nesta situação porque eles permitem uma única relação entre as variáveis dependentes e independentes. O modelo de medida permite que o analista uso várias variáveis (indicadores) para uma única variável dependente ou independente. Por exemplo, a variável dependente poderá ser um conceito representado por uma escala agregada tal como auto-estima. No modelo de medida o analista pode avaliar a contribuição de cada item da escala bem como incorporar quão bem a escala mede o conceito (confiabilidade) na estimação do relacionamento entre as variáveis dependentes e independentes. Este procedimento é semelhante a executar a análise de fatores dos itens da escala e usar os escores dos fatores na regressão TÉCNICAS DO TIPO CORRELAÇÃO As técnicas discutidas acima estão centradas em métodos multivariados aplicados a dados que contém tanto variáveis dependentes quanto independentes. No entanto, se o pesquisador esta investigando as interpelações e desta forma a interdependência entre todas as variáveis, sem se preocupar se as variáveis são dependentes ou independentes então, várias outras técnicas multivariadas são apropriadas. Estas técnicas incluem: análise de fatores, de conglomerados, escalonamento multidimensional e análise de correspondência ANÁLISE DE FATORES Análise de fatores, incluindo as variações tais como a análise de componentes e a análise de fatores comuns é uma abordagem estatística que pode ser utilizada para analisar interpelações entre um grande grupo de variáveis e para explicar estas variáveis em termos de fatores subjacentes comuns. O objetivo é encontrar uma forma de condensar a informação contida em um determinado número de variáveis originais em um conjunto menor de variates (fatores) com perda mínima de informação. Prof. Lorí Viali, Dr. 11

14 ANÁLISE DE CONGLOMERADOS A análise de conglomerados é uma técnica analítica para encontrar subgrupos significativos de indivíduos ou objetos. Especificamente, o objetivo é classificar uma amostra de entidades (indivíduos ou objetos) em um número pequeno de grupos mutuamente exclusivos. Na análise de conglomerados, diferentemente da análise discriminante, os grupos não são pré-definidos. Ao invés a técnica é usada para identificar os grupos. A análise de conglomerados normalmente envolve dois passos. O primeiro é a medida de alguma forma de semelhança ou associação entre as entidades para determinar quantos grupos existem, realmente, na amostra. O segundo passo é traçar o perfil das pessoas ou variáveis de modo a determinar sua composição. Este passo pode ser acompanhado da aplicação da análise discriminante aos grupos identificados pela técnica de conglomerados ESCALONAMENTO MULTIDIMENSIONAL Na redução multidimensional o objetivo é transformar julgamentos de semelhança ou preferência (por exemplo, preferência por lojas ou marcas) em distâncias representadas no espaço multidimensional. Se objetos A e B são julgados por respondentes como sendo os mais semelhantes comparados com todos os demais pares de objetos, a técnica posicionará os objetos A e B de forma que a distância entre eles no espaço multidimensional seja menor do que a distância entre quaisquer outros pares de objetos. O mapa perceptivo resultante mostra a posição relativa de todos os objetos, mas análises adicionais serão necessárias para descobrir que atributos foram usados para estabelecer a posição de cada objeto ANÁLISE DE CORRESPONDÊNCIA A análise de correspondência é uma técnica interdependente recentemente desenvolvida para facilitar tanto a redução dimensional da posição em uma escala (por exemplo, produtos, pessoas, etc.) em um conjunto de atributos quanto o mapa perceptível destes objetos relativos a estes atributos. Os analistas estão constantemente enfrentando o problema de "quantificar" os dados qualitativos encontrados em variáveis nominais. A análise de correspondência difere de outras técnicas interdependentes discutidas anteriormente na habilidade para acomodar tanto dados não-métricos quanto relacionamentos não-lineares. Em sua forma básica a análise de correspondência emprega uma tabela de contingência, que é a tabulação cruzada de duas variáveis categóricas. Ela então transforma os dados não-métricos a um nível métrico e executa a redução dimensional (semelhante a análise de fatores) e o mapa perceptível Prof. Lorí Viali, Dr. 12

15 (semelhante a análise multidimensional). Como um exemplo, a preferência de consumidores por marcas pode ser posta em cruzamento com variáveis demográficas (raça, renda, ocupação) pela indicação de quantas pessoas preferindo cada marca podem ser classificadas em cada categoria na variável demográfica. Através da análise de correspondência, a associação ou "correspondência" de marcas e as características distinguindo os que preferem cada marca são mostradas em um mapa de duas ou três dimensões tanto das marcas quanto das características dos respondentes. Marcas percebidas como semelhantes são colocadas próximas umas das outras. Da mesma forma, a principal característica dos respondentes na preferência de cada marca é dada pela proximidade da categoria da variável demográfica da posição da marca. A análise de correspondência fornece uma representação multivariada da interdependência para dados não-métricos que não seria possível com outras técnicas. 4. CLASSIFICAÇÃO DAS TÉCNICAS MULTIVARIADAS Para poder se familiarizar com as técnicas multivariadas específicas é apresentado na figura 4.1 uma classificação dos métodos multivariados. Esta classificação é baseado em três julgamentos que se deve fazer sobre os objetivos da análise e a natureza dos dados: (1) As variáveis podem ser classificadas em independentes e dependentes de acordo com algum critério? (2) Se sim, quantas são tratadas como dependentes em uma única análise? (3) Qual a escala de medida utilizada para avaliar as variáveis? A técnica multivariada selecionada depende das respostas a estas 3 questões. Quando uma técnica multivariada for considerada, a primeira pergunta a ser formulada é: os dados podem ser divididos em classificações dependentes e independentes? A resposta a esta questão indica se uma técnica dependente ou interdependente deve ser utilizada. Observe que na figura 4.1 as técnicas dependentes estão de um lado e as independentes de outro. Uma técnica dependente pode ser definida como aquela em que uma variável ou um conjunto de variáveis são identificadas como variáveis dependentes para serem previstas ou explicadas por outra ou outro conjunto de variáveis conhecidas como independentes. Um exemplo de uma destas técnicas é a análise múltipla de regressão. Em contraste, uma técnica interdependente é aquela em que uma única variável ou um grupo de variáveis são definidas como sendo dependentes ou independentes. Além disso, o procedimento envolve a análise de todas as variáveis no conjunto simultaneamente. A análise de fatores é uma técnica de interdependência. Prof. Lorí Viali, Dr. 13

16 4.1. TÉCNICAS DEPENDENTES Os diferentes métodos que constituem a análise de dependência podem ser categorizadas por duas coisas: (1) o número de variáveis dependentes e (2) o tipo de escala de medida empregado para medir as variáveis. Com respeito ao número de variáveis dependentes estas técnicas podem ser classificadas como tendo uma única variável dependente, várias variáveis dependentes ou mesmo várias relações de dependência ou independência. As técnicas dependentes podem, ainda, ser classificadas como apresentando variáveis métricas (quantitativa/numérica) ou não-métricas (qualitativas/categóricas) dependentes. Se a análise envolve uma única variável dependente que é métrica, a técnica apropriada é tanto análise múltipla de regressão quanto análise conjunta. A análise conjunta é um caso especial. É um procedimento dependente que pode tratar a variável dependente tanto como métrica ou nãométrica, dependendo das circunstâncias. Por outro lado, se a única variável dependente é categórica então a técnica apropriada é a análise discriminante ou modelos lineares de probabilidade. Em contraste, quando o problema envolve várias variáveis dependentes, quatro outras técnicas de análise são apropriadas. Se as várias variáveis dependentes são métricas deve-se então olhar para as variáveis independentes. Se as variáveis independentes são não-métricas a técnica de análise multivariada de variância deve ser selecionada. Se elas forem métricas então análise canônica de correlação é a técnica a ser empregada. Se as várias variáveis dependentes são não-métricas, elas podem ser transformadas através de variáveis dummy codificadas como 0 ou 1 e então a análise canônica pode novamente ser empregada. Finalmente se um conjunto relacionamentos de variáveis dependentes/independentes pode ser assumido então a modelagem por equações estruturais pode ser empregado. Existe uma relação estreita entre os vários procedimentos dependentes e elas podem ser vistas como uma família de técnicas. A tabela 4.1 define as várias técnicas dependentes multivariadas em termos da natureza e do número das variáveis dependentes e independentes. Como pode ser visto, a correlação canônica pode ser considerada como um modelo geral sobre o qual muitas outras técnicas multivariadas estão baseadas, porque ela coloca as mais baixas restrições tanto no tipo quanto no número de variáveis em ambas as variates dependente e independente. As restrições são colocadas nas variates, conclusões mais precisas podem ser alcançadas baseadas na escala específica de medida dos dados. Desta forma, as técnicas multivariadas abrangem desde o método geral de análise canônica até o mais especializado representado pela modelagem de equações. Prof. Lorí Viali, Dr. 14

17 Figura Classificação das técnicas multivariadas Tipo de relação sendo examinada Dependência: Interdependência: Quantas variáveis estão sendo explicadas? A estrutura do relacionamento é entre? Relações múltiplas de variáveis dependentes e independentes? Várias variáveis em uma única relação Uma variável dependente em uma única relação Variáveis Casos/Respondentes Objetos Modelagem por equações estruturais Qual é o tipo de varável dependente? Qual é o tipo de escala da variável dependente? Análise de Fatores Análise de Conglomerados Como os atributos são mensurados? Métrica Não-métrica Métrica Não-métrica Métrica Não-métrica Qual é a escala de medida da variável explicativa? Análise canônica correlação com variáveis dummy Regressão Múltipla Análise Conjunta Análise Discriminante Modelos Lineares de Probabilidade Redução Multidimensional Análise de correspondência Métrica Não-métrica Análise canônica correlação Análise de variância multivariada Prof. Lorí Viali, Dr. 15

18 Tabela As relações entre os métodos dependentes multivariados Correlação canônica Y1 + Y2 + Y Yn = X1 + X2 + X Xn (Qualitativas, Quantitativas ) (Qualitativas, Quantitativas ) Análise multivariada de variância Y 1 + Y 2 + Y Y n = X 1 + X 2 + X X n (Quantitativas ) (Qualitativas) Análise de variância Y = X1 + X2 + X Xn (Quantitativas ) (Qualitativas) Análise discriminante múltipla Y = X1 + X2 + X Xn (Qualitativa) (Quantitativas ) Análise de regressão múltipla Y = X1 + X2 + X Xn (Quantitativa) (Quantitativas, Qualitativas) Análise conjunta Y = X1 + X2 + X Xn (Quantitativa, Qualitativa) (Qualitativas) Modelagem por equações estruturais Y 1 = X 11 + X 12 + X X 1n Y 2 = X 21 + X 22 + X X 2n... Y m = X m1 + X m2 + X m X mn Prof. Lorí Viali, Dr.

19 4.2. TÉCNICAS INTERDEPENDENTES As técnicas interdependentes são mostradas no lado direito da figura 4.1. Deve-se lembrar que neste tipo de técnica as variáveis não são classificadas como dependentes ou independentes. Ao invés, todas as variáveis são analisadas simultaneamente em um esforço para encontrar uma estrutura subjacente para todo o conjunto de variáveis ou elementos. Se a estrutura das variáveis é para ser analisada, então análise de fatores é a técnica apropriada. Se casos ou respondentes devem ser agrupados para representar a estrutura, então a análise de conglomerados é a técnica selecionada. Finalmente, se o interesse reside na estrutura dos objetos, então a técnica da redução multidimensional deve ser aplicada. Assim como nas técnicas dependentes, as propriedades das medidas das técnicas devem ser consideradas. No entanto, dados não-métricos podem ser transformados através de variáveis dummy para uso com análise de fatores e de conglomerados. A abordagem métrica e não-métrica foi desenvolvida para a redução multidimensional. Se a interdependência dos objetos medidos por dados não-métricos deve ser analisada, a análise de correspondência é também uma técnica apropriada. 5. ANÁLISE MULTIVARIADA: INTERPRETAÇÃO A análise multivariada, mesmo quando aplicada corretamente, pelas restrições de se acomodar múltiplas variáveis, cria resultados complexos que podem ser difíceis de se interpretar. As orientações gerais seguintes podem ajudar nesta interpretação. A lista não é uma coleção exaustiva de considerações, mas uma espécie de "filosofia da análise multivariada" ESTABELECER SIGNIFICÂNCIA PRÁTICA E ESTATÍSTICA O analista deve considerar a significância estatística dos resultados, é claro, mas também seu significado prático. A significância prática é obtida respondendo a questão "E agora?". Para qualquer aplicação gerencial, os resultados devem ter um efeito demonstrável que justifique a ação. 5.2 O TAMANHO DA AMOSTRA AFETA TODOS OS RESULTADOS Para pequenas amostras, a sofisticação e complexidade das técnicas de análise multivariada podem facilmente resultar em (1) pouco poder estatístico para o teste para identificar resultados significativos de forma realista; (2) facilmente oferecer um ajustamento adequado dos dados tais que os resultados serão artificialmente bons porque se ajustam muito bem, embora não tenha generalidade. Um impacto semelhante também ocorre para grandes tamanhos de amostras, tornando o teste muito sensível. Toda vez que a amostra exceder a 200 ou 300 unidades, o analista deve examinar todos os Prof. Lorí Viali, Dr.

20 resultados significativos para se assegurar que eles possuem significância prática, devido ao crescimento do poder estatístico em virtude do tamanho da amostra. O tamanho da amostra afeta também os resultados quando a análise envolve grupos de resposta tal como na análise discriminante e MANOVA. Tamanhos desiguais entre grupos influenciam os resultados e requerem interpretações adicionais e/ou análises CONHEÇA OS DADOS A análise multivariada requer um exame preliminar dos dados em virtude da influência de outliers (valores estranhos ao conjunto), violação das hipóteses e a falta de dados (missing data). Para aproveitar todos os benefícios da análise multivariada o analista deve saber "onde olhar", com formulações alternativas do modelo original, tal como relacionamentos não-lineares ou interativos MANTENHA UM MODELO SIMPLES As técnicas multivariadas são projetadas para acomodar múltiplas variáveis na análise. Esta característica, no entanto, não deve substituir o desenvolvimento de um modelo conceitual antes da aplicação da técnica. Enquanto é sempre mais importante evitar a omissão de uma variável preditiva crítica, denominado de erro de especificação, por várias razões o analista também deve evitar o oposto, isto é, inserir variáveis indiscriminadamente e deixar a técnica multivariada tentar identificar as relevantes. Primeiro, porque variáveis irrelevantes normalmente aumentam a habilidade de aderência dos dados ao modelo tornando os resultados menos generalizáveis para a população. Segundo, variáveis irrelevantes não necessariamente distorcem os resultados das relevantes, mas elas podem mascarar os verdadeiros efeitos devidos a multicolinearidade. A multicolinearidade representa o grau com que qualquer variável pode ser prevista pelas outras variáveis na análise. Com o aumento da multicolinearidade diminui a habilidade de detectar o efeito de outras variáveis. Desta forma, incluir variáveis que não são conceitualmente relevantes pode ter efeitos potenciais danosos, mesmo se elas não distorcem diretamente os resultados do modelo TOME CUIDADO COM OS ERROS Mesmo com as técnicas multivariadas, raramente se obtém as melhores previsões na primeira análise. O analista enfrenta então a questão: "o que fazer agora?" A melhor resposta é olhar os erros nas previsões, se eles são residuais da análise de regressão, de má classificação na análise discriminante ou por outliers na análise de conglomerados. Neste caso, o analista deve usar os erros na previsão não como uma medida de falha ou meramente algo a ser eliminado, mas como um ponto de Prof. Lorí Viali, Dr.

21 partida para o diagnóstico da validade dos resultados obtidos e um indicação de relações remanescentes não explicadas. 6. CONCLUSÃO Nesta introdução às técnicas multivariadas o assunto não foi absolutamente esgotado. O que se apresentou aqui de forma introdutória foi o elenco das técnicas já sedimentadas. Técnicas ainda pouco conhecidas ou recém desenvolvidas não foram analisadas. O que se pretendeu foi apresentar um panorama amplo das principais técnicas, suas interelações e um guia para a escolha e a aplicação das mesmas. Novas técnicas que estão rapidamente ganhando importância, com aplicações em quase todas as áreas são as redes neurais (neuronais) e a mineração de dados (data mining). Prof. Lorí Viali, Dr.

22 7. REFERÊNCIAS AAKER, David A., DAY, George S. Marketing Research (3e). New York: John Wiley & Sons, CHURCHILL, A, Jr. Marketing Research:Methodological Foundations (sixth edition). Orlando, FL: Hartcourt Brace & Company, 1995, 1117 pp. DILLON, William R., MADDEN, Thomas J., FIRTLE, Neil H. Marketing Research in a Marketing Environment (Third edition). Boston, Massachusetts: IRWIN, 1987, 760 pp. HAIR, Joseph F., Jr.. ANDERSON, Rolph E., TATHAM, Ronald L., BLACK William C. Multivariate Data Analyis: with readings (fourth edition). Upper Saddle River, New Jersey: Prentice Hall, pp. KACHIGAN, Sam Kash. Statistical Analysis: An Interdisciplinary Introduction to Univariate & Multivariate Methods. New York: Radius Press, 1986, 589 p. MARKLAND, Robert E., SWEIGART, James R. Quantitative Methods: Applications to Managerial Decision Making. New York: John Wiley & Sons, p. MASON, Robert D., DOUGLAS, Lind A. Statistical Techniques in Business And Economics. IRWIN, Boston, NORUŠIS, Marija J., SPSS Inc. SPSS for Windows Professional Statistics, Release 5. Chicago, IL: SPSS Inc., STEVENS, James. Applied Multivariate Statistics For The Social Sciences. Mahwah, New Jersey: LEA Lawrence Erbaum Associates, Publishers Prof. Lorí Viali, Dr.

Correlação Canônica. Outubro / 1998. Versão preliminar. Fabio Vessoni. fabio@mv2.com.br (011) 30642254. MV2 Sistemas de Informação

Correlação Canônica. Outubro / 1998. Versão preliminar. Fabio Vessoni. fabio@mv2.com.br (011) 30642254. MV2 Sistemas de Informação Correlação Canônica Outubro / 998 Versão preliminar Fabio Vessoni fabio@mv.com.br (0) 306454 MV Sistemas de Informação Introdução Existem várias formas de analisar dois conjuntos de dados. Um dos modelos

Leia mais

Análise de Regressão. Tópicos Avançados em Avaliação de Desempenho. Cleber Moura Edson Samuel Jr

Análise de Regressão. Tópicos Avançados em Avaliação de Desempenho. Cleber Moura Edson Samuel Jr Análise de Regressão Tópicos Avançados em Avaliação de Desempenho Cleber Moura Edson Samuel Jr Agenda Introdução Passos para Realização da Análise Modelos para Análise de Regressão Regressão Linear Simples

Leia mais

24/04/2014. Aspectos Introdutórios Sobre Métricas em Ciências Sociais Aplicadas. Questões Introdutórias. Conceitos Básicos em Mensuração

24/04/2014. Aspectos Introdutórios Sobre Métricas em Ciências Sociais Aplicadas. Questões Introdutórias. Conceitos Básicos em Mensuração Aspectos Introdutórios Sobre Métricas em Ciências Sociais Aplicadas CONDUÇÃO: PROF. THIAGO CAVALCANTE NASCIMENTO Questões Introdutórias Como se mensurar fenômenos que, na maioria das vezes, não podem ser

Leia mais

Estatística I Aula 1. Prof.: Patricia Maria Bortolon, D. Sc.

Estatística I Aula 1. Prof.: Patricia Maria Bortolon, D. Sc. Estatística I Aula 1 Prof.: Patricia Maria Bortolon, D. Sc. Estatística Estatística

Leia mais

A ANÁLISE FATORIAL AUXILIANDO A RESOLUÇÃO DE UM PROBLEMA REAL DE PESQUISA DE MARKETING

A ANÁLISE FATORIAL AUXILIANDO A RESOLUÇÃO DE UM PROBLEMA REAL DE PESQUISA DE MARKETING A ANÁLISE FATORIAL AUXILIANDO A RESOLUÇÃO DE UM PROBLEMA REAL DE PESQUISA DE MARKETING Sumaia Abdei Latif Aluna Especial do PPGA/FEA/USP INTRODUÇÃO A teoria diz que determinadas técnicas de análise de

Leia mais

O QUE É E COMO FUNCIONA O CREDIT SCORING PARTE I

O QUE É E COMO FUNCIONA O CREDIT SCORING PARTE I O QUE É E COMO FUNCIONA O CREDIT SCORING PARTE I! A utilização de escores na avaliação de crédito! Como montar um plano de amostragem para o credit scoring?! Como escolher as variáveis no modelo de credit

Leia mais

MESTRADO EM PESQUISA DE MERCADOS 2006 2007

MESTRADO EM PESQUISA DE MERCADOS 2006 2007 MESTRADO EM PESQUISA DE MERCADOS 2006 2007 PROGRAMA DAS DISCIPLINAS 1 1º trimestre PESQUISA DE MERCADOS Objectivos Pretende-se que os alunos: (a) adquiram os conceitos e semântica próprios do tema, (b)

Leia mais

TÉCNICAS EXPERIMENTAIS APLICADAS EM CIÊNCIA DO SOLO

TÉCNICAS EXPERIMENTAIS APLICADAS EM CIÊNCIA DO SOLO 1 TÉCNICAS EXPERIMENTAIS APLICADAS EM CIÊNCIA DO SOLO Mario de Andrade Lira Junior www.lira.pro.br direitos autorais. INTRODUÇÃO À ANÁLISE MULTIVARIADA Apenas uma breve apresentação Para não dizerem que

Leia mais

Revisão de Estatística Básica:

Revisão de Estatística Básica: Revisão de Estatística Básica: Estatística: Um número é denominado uma estatística (singular). Ex.: As vendas de uma empresa no mês constituem uma estatística. Estatísticas: Uma coleção de números ou fatos

Leia mais

Pesquisa experimental

Pesquisa experimental 1 Aula 7 Interação Humano-Computador (com foco em métodos de pesquisa) Prof. Dr. Osvaldo Luiz de Oliveira 2 Pesquisa experimental Wilhelm Wundt (1832-1920), Pai da Psicologia Experimental. Leituras obrigatórias:

Leia mais

Sumário. Parte l. 1. Introdução à pesquisa qualitativa e quantitativa em marketing 1 1.1 Pesquisa qualitativa 1 1.2 Pesquisa quantitativa 3

Sumário. Parte l. 1. Introdução à pesquisa qualitativa e quantitativa em marketing 1 1.1 Pesquisa qualitativa 1 1.2 Pesquisa quantitativa 3 Sumário Parte l 1. Introdução à pesquisa qualitativa e quantitativa em marketing 1 1.1 Pesquisa qualitativa 1 1.2 Pesquisa quantitativa 3 2. Entrevistas 5 2.1 Tipos de entrevistas 8 2.2 Preparação e condução

Leia mais

Após essa disciplina você vai ficar convencido que a estatística tem enorme aplicação em diversas áreas.

Após essa disciplina você vai ficar convencido que a estatística tem enorme aplicação em diversas áreas. UNIVERSIDADE FEDERAL DA PARAÍBA INTRODUÇÃO Departamento de Estatística Luiz Medeiros http://www.de.ufpb.br/~luiz/ CONCEITOS FUNDAMENTAIS DE ESTATÍSTICA O que a Estatística significa para você? Pesquisas

Leia mais

AULAS 13, 14 E 15 Correlação e Regressão

AULAS 13, 14 E 15 Correlação e Regressão 1 AULAS 13, 14 E 15 Correlação e Regressão Ernesto F. L. Amaral 23, 28 e 30 de setembro de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Triola, Mario F. 2008. Introdução à estatística. 10 ª ed. Rio de

Leia mais

AULAS 04 E 05 Estatísticas Descritivas

AULAS 04 E 05 Estatísticas Descritivas 1 AULAS 04 E 05 Estatísticas Descritivas Ernesto F. L. Amaral 19 e 28 de agosto de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Triola, Mario F. 2008. Introdução à estatística. 10 ª ed. Rio de Janeiro:

Leia mais

A Computação e as Classificações da Ciência

A Computação e as Classificações da Ciência A Computação e as Classificações da Ciência Ricardo de Almeida Falbo Metodologia de Pesquisa Departamento de Informática Universidade Federal do Espírito Santo Agenda Classificações da Ciência A Computação

Leia mais

4 Análise de Dados. 4.1 Perfil dos Respondentes

4 Análise de Dados. 4.1 Perfil dos Respondentes 4 Análise de Dados 4.1 Perfil dos Respondentes A taxa de resposta foi de aproximadamente 8% de respostas na amostra de clientes que compram fora da loja (telefone e/ou Internet) e 3% na amostra de clientes

Leia mais

AULAS 08, 09 E 10 Metodologia da avaliação

AULAS 08, 09 E 10 Metodologia da avaliação 1 AULAS 08, 09 E 10 Metodologia da avaliação Ernesto F. L. Amaral 06, 08 e 13 de setembro de 2011 Avaliação de Políticas Públicas (DCP 046) Fonte: Cohen, Ernesto, e Rolando Franco. 2000. Avaliação de Projetos

Leia mais

Modelagem e Simulação Material 02 Projeto de Simulação

Modelagem e Simulação Material 02 Projeto de Simulação Modelagem e Simulação Material 02 Projeto de Simulação Prof. Simão Sirineo Toscani Projeto de Simulação Revisão de conceitos básicos Processo de simulação Etapas de projeto Cuidados nos projetos de simulação

Leia mais

Estratégias de Pesquisa

Estratégias de Pesquisa Estratégias de Pesquisa Ricardo de Almeida Falbo Metodologia de Pesquisa Departamento de Informática Universidade Federal do Espírito Santo Agenda Survey Design e Criação Estudo de Caso Pesquisa Ação Experimento

Leia mais

Palavras-chave: Mortalidade Infantil, Análise Multivariada, Redes Neurais.

Palavras-chave: Mortalidade Infantil, Análise Multivariada, Redes Neurais. UMA ANÁLISE COMPARATIVA DE MODELOS PARA CLASSIFICAÇÃO E PREVISÃO DE SOBREVIVÊNCIA OU ÓBITO DE CRIANÇAS NASCIDAS NO RIO DE JANEIRO EM 2006 NO PRIMEIRO ANO DE VIDA Mariana Pereira Nunes Escola Nacional de

Leia mais

Introdução à Simulação

Introdução à Simulação Introdução à Simulação O que é simulação? Wikipedia: Simulação é a imitação de alguma coisa real ou processo. O ato de simular algo geralmente consiste em representar certas características e/ou comportamentos

Leia mais

TRATAMENTO MULTIVARIADO DE DADOS POR ANÁLISE DE CORRESPONDÊNCIA E ANÁLISE DE AGRUPAMENTOS

TRATAMENTO MULTIVARIADO DE DADOS POR ANÁLISE DE CORRESPONDÊNCIA E ANÁLISE DE AGRUPAMENTOS TRATAMENTO MULTIVARIADO DE DADOS POR ANÁLISE DE CORRESPONDÊNCIA E ANÁLISE DE AGRUPAMENTOS Luciene Bianca Alves ITA Instituto Tecnológico de Aeronáutica Praça Marechal Eduardo Gomes, 50 Vila das Acácias

Leia mais

Noções de Pesquisa e Amostragem. André C. R. Martins

Noções de Pesquisa e Amostragem. André C. R. Martins Noções de Pesquisa e Amostragem André C. R. Martins 1 Bibliografia Silva, N. N., Amostragem probabilística, EDUSP. Freedman, D., Pisani, R. e Purves, R., Statistics, Norton. Tamhane, A. C., Dunlop, D.

Leia mais

Pós-Graduação "Lato Sensu" Especialização em Análise de Dados e Data Mining

Pós-Graduação Lato Sensu Especialização em Análise de Dados e Data Mining Pós-Graduação "Lato Sensu" Especialização em Análise de Dados e Data Mining Inscrições Abertas Início das Aulas: 24/03/2015 Dias e horários das aulas: Terça-Feira 19h00 às 22h45 Semanal Quinta-Feira 19h00

Leia mais

O que é a estatística?

O que é a estatística? Elementos de Estatística Prof. Dr. Clécio da Silva Ferreira Departamento de Estatística - UFJF O que é a estatística? Para muitos, a estatística não passa de conjuntos de tabelas de dados numéricos. Os

Leia mais

O QUE É E COMO FUNCIONA O CREDIT SCORING PARTE II

O QUE É E COMO FUNCIONA O CREDIT SCORING PARTE II O QUE É E COMO FUNCIONA O CREDIT SCORING PARTE II! Como implementar o escore de crédito?! Como avaliar o escore de crédito?! Como calcular a função discriminante usando o Excel?! Como aplicar a função

Leia mais

Modelagem da Venda de Revistas. Mônica Barros. Julho de 1999. info@mbarros.com 1

Modelagem da Venda de Revistas. Mônica Barros. Julho de 1999. info@mbarros.com 1 Modelagem da Venda de Revistas Mônica Barros Julho de 1999 info@mbarros.com 1 Modelagem Matemática e Previsão de Negócios Em todas as empresas, grandes e pequenas, é necessário fazer projeções. Em muitos

Leia mais

Estatística: Conceitos e Organização de Dados. Introdução Conceitos Método Estatístico Dados Estatísticos Tabulação de Dados Gráficos

Estatística: Conceitos e Organização de Dados. Introdução Conceitos Método Estatístico Dados Estatísticos Tabulação de Dados Gráficos Estatística: Conceitos e Organização de Dados Introdução Conceitos Método Estatístico Dados Estatísticos Tabulação de Dados Gráficos Introdução O que é Estatística? É a parte da matemática aplicada que

Leia mais

Análise Exploratória de Dados

Análise Exploratória de Dados Análise Exploratória de Dados Profª Alcione Miranda dos Santos Departamento de Saúde Pública UFMA Programa de Pós-graduação em Saúde Coletiva email: alcione.miranda@gmail.com Introdução O primeiro passo

Leia mais

PÓS GRADUAÇÃO EM CIÊNCIAS DE FLORESTAS TROPICAIS-PG-CFT INSTITUTO NACIONAL DE PESQUISAS DA AMAZÔNIA-INPA. 09/abril de 2014

PÓS GRADUAÇÃO EM CIÊNCIAS DE FLORESTAS TROPICAIS-PG-CFT INSTITUTO NACIONAL DE PESQUISAS DA AMAZÔNIA-INPA. 09/abril de 2014 PÓS GRADUAÇÃO EM CIÊNCIAS DE FLORESTAS TROPICAIS-PG-CFT INSTITUTO NACIONAL DE PESQUISAS DA AMAZÔNIA-INPA 09/abril de 2014 Considerações Estatísticas para Planejamento e Publicação 1 Circularidade do Método

Leia mais

Modelos Logísticos e Hierárquicos

Modelos Logísticos e Hierárquicos 1 Modelos Logísticos e Hierárquicos Ernesto F. L. Amaral Magna M. Inácio 30 de setembro de 2010 Tópicos Especiais em Teoria e Análise Política: Problema de Desenho e Análise Empírica (DCP 859B4) REGRESSÃO

Leia mais

IMES Catanduva. Probabilidades e Estatística. no Excel. Matemática. Bertolo, L.A.

IMES Catanduva. Probabilidades e Estatística. no Excel. Matemática. Bertolo, L.A. IMES Catanduva Probabilidades e Estatística Estatística no Excel Matemática Bertolo, L.A. Aplicada Versão BETA Maio 2010 Bertolo Estatística Aplicada no Excel Capítulo 3 Dados Bivariados São pares de valores

Leia mais

MODELAGEM E SIMULAÇÃO

MODELAGEM E SIMULAÇÃO MODELAGEM E SIMULAÇÃO Professor: Dr. Edwin B. Mitacc Meza edwin@engenharia-puro.com.br www.engenharia-puro.com.br/edwin Como Funciona a Simulação Introdução Assim como qualquer programa de computador,

Leia mais

Correlação e Regressão Linear

Correlação e Regressão Linear Correlação e Regressão Linear A medida de correlação é o tipo de medida que se usa quando se quer saber se duas variáveis possuem algum tipo de relação, de maneira que quando uma varia a outra varia também.

Leia mais

Métodos e técnicas de pesquisa. Alessandra Martins Coelho

Métodos e técnicas de pesquisa. Alessandra Martins Coelho Métodos e técnicas de pesquisa Alessandra Martins Coelho Método de Pesquisa Metodologia é o estudo dos métodos. O método consiste na seqüência de passos necessários para demonstrar que o objetivo proposto

Leia mais

TÉCNICAS DE COLETA E ANÁLISE DE DADOS EM ARQUITETURA. Prof. MSc. Francisco Zacaron Werneck

TÉCNICAS DE COLETA E ANÁLISE DE DADOS EM ARQUITETURA. Prof. MSc. Francisco Zacaron Werneck TÉCNICAS DE COLETA E ANÁLISE DE DADOS EM ARQUITETURA Prof. MSc. Francisco Zacaron Werneck INTRODUÇÃO A escolha das técnicas está condicionada ao Problema de Pesquisa. Três perguntas básicas devem ser respondidas

Leia mais

Projeto Supervisionado

Projeto Supervisionado Projeto Supervisionado Caio Almasan de Moura ra: 095620 Indice 1. Introdução 2. Principal Projeto: Modelo de Score 2.1. Objetivo... pg 3 2.2. Agentes Envolvidos... pg 3 2.3. Contextualização... pg 3 2.4.

Leia mais

a) SEGMENTAÇÃO (1) Introdução

a) SEGMENTAÇÃO (1) Introdução a) SEGMENTAÇÃO (1) Introdução Segmentação de mercado é o processo de dividir mercados em grupos de consumidores potenciais com necessidades e/ou características semelhantes e que provavelmente exibirão

Leia mais

3 Metodologia de Gerenciamento de Riscos

3 Metodologia de Gerenciamento de Riscos 3 Metodologia de Gerenciamento de Riscos Este capítulo tem como objetivo a apresentação das principais ferramentas e metodologias de gerenciamento de riscos em projetos, as etapas do projeto onde o processo

Leia mais

COMENTÁRIO AFRM/RS 2012 ESTATÍSTICA Prof. Sérgio Altenfelder

COMENTÁRIO AFRM/RS 2012 ESTATÍSTICA Prof. Sérgio Altenfelder Comentário Geral: Prova muito difícil, muito fora dos padrões das provas do TCE administração e Economia, praticamente só caiu teoria. Existem três questões (4, 45 e 47) que devem ser anuladas, por tratarem

Leia mais

Módulo 5 Interpretação da norma NBR ISO 19011:2002 requisitos: 7, 7.1, 7.2, 7.3, 7.3.1, 7.3.2, 7.3.3, 7.3.4, 7.4, 7.4.1, 7.4.2, 7.4.3, 7.4.4, 7.

Módulo 5 Interpretação da norma NBR ISO 19011:2002 requisitos: 7, 7.1, 7.2, 7.3, 7.3.1, 7.3.2, 7.3.3, 7.3.4, 7.4, 7.4.1, 7.4.2, 7.4.3, 7.4.4, 7. Módulo 5 Interpretação da norma NBR ISO 19011:2002 requisitos: 7, 7.1, 7.2, 7.3, 7.3.1, 7.3.2, 7.3.3, 7.3.4, 7.4, 7.4.1, 7.4.2, 7.4.3, 7.4.4, 7.5, 7.5.1, 7.5.2, 7.6, 7.6.1, 7.6.2 Exercícios 7 Competência

Leia mais

Modelo de dados do Data Warehouse

Modelo de dados do Data Warehouse Modelo de dados do Data Warehouse Ricardo Andreatto O modelo de dados tem um papel fundamental para o desenvolvimento interativo do data warehouse. Quando os esforços de desenvolvimentos são baseados em

Leia mais

Aula 5 Técnicas para Estimação do Impacto

Aula 5 Técnicas para Estimação do Impacto Aula 5 Técnicas para Estimação do Impacto A econometria é o laboratório dos economistas, que busca reproduzir o funcionamento do mundo de forma experimental, como se faz nas ciências naturais. Os modelos

Leia mais

AULAS 24 E 25 Análise de Regressão Múltipla: Inferência

AULAS 24 E 25 Análise de Regressão Múltipla: Inferência 1 AULAS 24 E 25 Análise de Regressão Múltipla: Inferência Ernesto F. L. Amaral 23 e 25 de novembro de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Wooldridge, Jeffrey M. Introdução à econometria: uma

Leia mais

Capítulo 7 Estudos sobre Causalidade e Etiologia

Capítulo 7 Estudos sobre Causalidade e Etiologia L E I T u R A C R í T I C A D E A R T I G O S C I E N T í F I CO S 105 Capítulo 7 Estudos sobre Causalidade e Etiologia 7.1 Introdução Relembrando o que foi dito no capítulo 1 os estudos randomizados,

Leia mais

26/05 - Convergência de Métodos para Avaliação de Dados: Fatorial, Clusters e Testes Bivariados. 11 02/06 - Regressão Linear Simples e Múltipla

26/05 - Convergência de Métodos para Avaliação de Dados: Fatorial, Clusters e Testes Bivariados. 11 02/06 - Regressão Linear Simples e Múltipla PLANO DE ENSINO Universidade Positivo Curso: MESTRADO EM ADMINISTRAÇÃO Área de concentração: Organizações, Gestão e Sociedade Disciplina: Métodos Quantitativos Administração de Pesquisa Carga horária total:

Leia mais

)HUUDPHQWDV &RPSXWDFLRQDLV SDUD 6LPXODomR

)HUUDPHQWDV &RPSXWDFLRQDLV SDUD 6LPXODomR 6LPXODomR GH6LVWHPDV )HUUDPHQWDV &RPSXWDFLRQDLV SDUD 6LPXODomR #5,6. Simulador voltado para análise de risco financeiro 3RQWRV IRUWHV Fácil de usar. Funciona integrado a ferramentas já bastante conhecidas,

Leia mais

Para construção dos modelos físicos, será estudado o modelo Relacional como originalmente proposto por Codd.

Para construção dos modelos físicos, será estudado o modelo Relacional como originalmente proposto por Codd. Apresentação Este curso tem como objetivo, oferecer uma noção geral sobre a construção de sistemas de banco de dados. Para isto, é necessário estudar modelos para a construção de projetos lógicos de bancos

Leia mais

Estatística Aplicada. Gestão de TI. Evanivaldo Castro Silva Júnior

Estatística Aplicada. Gestão de TI. Evanivaldo Castro Silva Júnior Gestão de TI Evanivaldo Castro Silva Júnior Porque estudar Estatística em um curso de Gestão de TI? TI trabalha com dados Geralmente grandes bases de dados Com grande variabilidade Difícil manipulação,

Leia mais

Simulação Computacional de Sistemas, ou simplesmente Simulação

Simulação Computacional de Sistemas, ou simplesmente Simulação Simulação Computacional de Sistemas, ou simplesmente Simulação Utilização de métodos matemáticos & estatísticos em programas computacionais visando imitar o comportamento de algum processo do mundo real.

Leia mais

INTELIGÊNCIA ARTIFICIAL Data Mining (DM): um pouco de prática. (1) Data Mining Conceitos apresentados por

INTELIGÊNCIA ARTIFICIAL Data Mining (DM): um pouco de prática. (1) Data Mining Conceitos apresentados por INTELIGÊNCIA ARTIFICIAL Data Mining (DM): um pouco de prática (1) Data Mining Conceitos apresentados por 1 2 (2) ANÁLISE DE AGRUPAMENTOS Conceitos apresentados por. 3 LEMBRE-SE que PROBLEMA em IA Uma busca

Leia mais

SAD orientado a MODELO

SAD orientado a MODELO Universidade do Contestado Campus Concórdia Curso de Sistemas de Informação Prof.: Maico Petry SAD orientado a MODELO DISCIPLINA: Sistemas de Apoio a Decisão SAD Orientado a Modelo De acordo com ALTER

Leia mais

Introdução a Avaliação de Desempenho

Introdução a Avaliação de Desempenho Introdução a Avaliação de Desempenho Avaliar é pronunciar-se sobre as características de um certo sistema. Dado um sistema real qualquer, uma avaliação deste sistema pode ser caracterizada por toda e qualquer

Leia mais

CONCURSO PÚBLICO ANALISTA DE SISTEMA ÊNFASE GOVERNANÇA DE TI ANALISTA DE GESTÃO RESPOSTAS ESPERADAS PRELIMINARES

CONCURSO PÚBLICO ANALISTA DE SISTEMA ÊNFASE GOVERNANÇA DE TI ANALISTA DE GESTÃO RESPOSTAS ESPERADAS PRELIMINARES CELG DISTRIBUIÇÃO S.A EDITAL N. 1/2014 CONCURSO PÚBLICO ANALISTA DE GESTÃO ANALISTA DE SISTEMA ÊNFASE GOVERNANÇA DE TI RESPOSTAS ESPERADAS PRELIMINARES O Centro de Seleção da Universidade Federal de Goiás

Leia mais

AVALIAÇÃO DE IMPACTO NA PRÁTICA GLOSSÁRIO

AVALIAÇÃO DE IMPACTO NA PRÁTICA GLOSSÁRIO 1 AVALIAÇÃO DE IMPACTO NA PRÁTICA GLOSSÁRIO Amostra aleatória. Também conhecida como amostra probabilística. A melhor maneira de evitar uma amostra enviesada ou não-representativa é selecionar uma amostra

Leia mais

Extração de Árvores de Decisão com a Ferramenta de Data Mining Weka

Extração de Árvores de Decisão com a Ferramenta de Data Mining Weka Extração de Árvores de Decisão com a Ferramenta de Data Mining Weka 1 Introdução A mineração de dados (data mining) pode ser definida como o processo automático de descoberta de conhecimento em bases de

Leia mais

A FUNÇÃO CONTROLE. Orientação do controle

A FUNÇÃO CONTROLE. Orientação do controle A FUNÇÃO CONTROLE O controle é a ultima função da administração a ser analisadas e diz respeito aos esforços exercidos para gerar e usar informações relativas a execução das atividades nas organizações

Leia mais

MÉTODOS QUANTITATIVOS EM MARKETING. Prof.: Otávio Figueiredo e-mail: otavio@ufrj.br

MÉTODOS QUANTITATIVOS EM MARKETING. Prof.: Otávio Figueiredo e-mail: otavio@ufrj.br MÉTODOS QUANTITATIVOS EM MARKETING Prof.: Otávio Figueiredo e-mail: otavio@ufrj.br ESTATÍSTICA População e Amostra População Amostra Idéia Principal Resumir para entender!!! Algumas Técnicas Pesquisa de

Leia mais

Complemento II Noções Introdutória em Redes Neurais

Complemento II Noções Introdutória em Redes Neurais Complemento II Noções Introdutória em Redes Neurais Esse documento é parte integrante do material fornecido pela WEB para a 2ª edição do livro Data Mining: Conceitos, técnicas, algoritmos, orientações

Leia mais

ISO 9000:2000 Sistemas de Gestão da Qualidade Fundamentos e Vocabulário. As Normas da família ISO 9000. As Normas da família ISO 9000

ISO 9000:2000 Sistemas de Gestão da Qualidade Fundamentos e Vocabulário. As Normas da família ISO 9000. As Normas da família ISO 9000 ISO 9000:2000 Sistemas de Gestão da Qualidade Fundamentos e Vocabulário Gestão da Qualidade 2005 1 As Normas da família ISO 9000 ISO 9000 descreve os fundamentos de sistemas de gestão da qualidade e especifica

Leia mais

PLANO DE ENSINO. Mestrado em Matemática - Área de Concentração em Estatística

PLANO DE ENSINO. Mestrado em Matemática - Área de Concentração em Estatística 1. IDENTIFICAÇÃO PLANO DE ENSINO Disciplina: Estatística Multivariada Código: PGMAT568 Pré-Requisito: No. de Créditos: 4 Número de Aulas Teóricas: 60 Práticas: Semestre: 1º Ano: 2015 Turma(s): 01 Professor(a):

Leia mais

Introdução. Métodos de inferência são usados para tirar conclusões sobre a população usando informações obtidas a partir de uma amostra.

Introdução. Métodos de inferência são usados para tirar conclusões sobre a população usando informações obtidas a partir de uma amostra. Métodos Monte Carlo Introdução Métodos de inferência são usados para tirar conclusões sobre a população usando informações obtidas a partir de uma amostra. Estimativas pontuais e intervalares para os parâmetros;

Leia mais

1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3.

1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3. 1 1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3. Modelo de Resultados Potenciais e Aleatorização (Cap. 2 e 3

Leia mais

Sistemas Distribuídos: Conceitos e Projeto Introdução a Tolerância a Falhas

Sistemas Distribuídos: Conceitos e Projeto Introdução a Tolerância a Falhas Sistemas Distribuídos: Conceitos e Projeto Introdução a Tolerância a Falhas Francisco José da Silva e Silva Laboratório de Sistemas Distribuídos (LSD) Departamento de Informática / UFMA http://www.lsd.ufma.br

Leia mais

Análise de Mercado. Análise da Indústria/Setor. Descrição do Segmento de Mercado. Artigos de PN Como fazer Análise de Mercado. josedornelas.com.

Análise de Mercado. Análise da Indústria/Setor. Descrição do Segmento de Mercado. Artigos de PN Como fazer Análise de Mercado. josedornelas.com. Artigos de PN Como fazer Análise de Mercado Análise de Mercado A análise de mercado é um dos componentes do plano de negócios que está relacionado ao marketing da organização. Ela apresenta o entendimento

Leia mais

ALESSANDRO PEREIRA DOS REIS PAULO CESAR CASTRO DE ALMEIDA ENGENHARIA DE SOFTWARE - CAPABILITY MATURITY MODEL INTEGRATION (CMMI)

ALESSANDRO PEREIRA DOS REIS PAULO CESAR CASTRO DE ALMEIDA ENGENHARIA DE SOFTWARE - CAPABILITY MATURITY MODEL INTEGRATION (CMMI) ALESSANDRO PEREIRA DOS REIS PAULO CESAR CASTRO DE ALMEIDA ENGENHARIA DE SOFTWARE - CAPABILITY MATURITY MODEL INTEGRATION (CMMI) APARECIDA DE GOIÂNIA 2014 LISTA DE TABELAS Tabela 1 Áreas de processo por

Leia mais

TESTES EM AUDITORIA: UMA REVISÃO CONCEITUAL APLICÁVEL NA PRÁTICA.

TESTES EM AUDITORIA: UMA REVISÃO CONCEITUAL APLICÁVEL NA PRÁTICA. TESTES EM AUDITORIA: UMA REVISÃO CONCEITUAL APLICÁVEL NA PRÁTICA. Por: Prof. MSc Cláudio Marcelo Rodrigues Cordeiro 1 INTRODUÇÃO Considerando que a atividade de auditoria não se propõe a verificar a totalidade

Leia mais

3 Metodologia de Previsão de Padrões de Falha

3 Metodologia de Previsão de Padrões de Falha 3 Metodologia de Previsão de Padrões de Falha Antes da ocorrência de uma falha em um equipamento, ele entra em um regime de operação diferente do regime nominal, como descrito em [8-11]. Para detectar

Leia mais

Professor Severino Domingos Júnior Disciplina: Gestão de Compras e Estoques no Varejo

Professor Severino Domingos Júnior Disciplina: Gestão de Compras e Estoques no Varejo Professor Severino Domingos Júnior Disciplina: Gestão de Compras e Estoques no Varejo 1) Definições de Previsão de Demanda 2) Mercados 3) Modelo de Previsão 4) Gestão da Demanda 5) Previsão como Processo

Leia mais

Análise de Componente Principais (PCA) Wagner Oliveira de Araujo

Análise de Componente Principais (PCA) Wagner Oliveira de Araujo Análise de Componente Principais (PCA) Wagner Oliveira de Araujo Technical Report - RT-MSTMA_003-09 - Relatório Técnico May - 2009 - Maio The contents of this document are the sole responsibility of the

Leia mais

As pesquisas podem ser agrupadas de acordo com diferentes critérios e nomenclaturas. Por exemplo, elas podem ser classificadas de acordo com:

As pesquisas podem ser agrupadas de acordo com diferentes critérios e nomenclaturas. Por exemplo, elas podem ser classificadas de acordo com: 1 Metodologia da Pesquisa Científica Aula 4: Tipos de pesquisa Podemos classificar os vários tipos de pesquisa em função das diferentes maneiras pelo qual interpretamos os resultados alcançados. Essa diversidade

Leia mais

FINANÇAS EM PROJETOS DE TI

FINANÇAS EM PROJETOS DE TI FINANÇAS EM PROJETOS DE TI 2012 Material 1 Prof. Luiz Carlos Valeretto Jr. 1 E-mail valeretto@yahoo.com.br Objetivo Objetivos desta disciplina são: reconhecer as bases da administração financeira das empresas,

Leia mais

Monitoramento e Controle de Processo Multivariado

Monitoramento e Controle de Processo Multivariado Monitoramento e Controle de Processo Multivariado Roteiro 1. O Problema do Controle da Qualidade Multivariado 2. Descrição de Dados Multivariados 3. Gráfico de Controle T 2 de Hotelling (Subgrupos) 4.

Leia mais

Operação do Sistema Logístico

Operação do Sistema Logístico Operação do Sistema Logístico Prof. Ph.D. Cláudio F. Rossoni Engenharia Logística II Objetivo Entender que, possuir um excelente planejamento para disponibilizar produtos e serviços para os clientes não

Leia mais

Exercícios Teóricos Resolvidos

Exercícios Teóricos Resolvidos Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Matemática Exercícios Teóricos Resolvidos O propósito deste texto é tentar mostrar aos alunos várias maneiras de raciocinar

Leia mais

7.1 Introdução. Monitoramento e Avaliação 427

7.1 Introdução. Monitoramento e Avaliação 427 7.1 Introdução O processo de monitoramento e avaliação constitui um instrumento para assegurar a interação entre o planejamento e a execução, possibilitando a correção de desvios e a retroalimentação permanente

Leia mais

Um dos objetivos deste tema é orientar as ações sistemáticas na busca satisfazer o consumidor estimulando a demanda e viabilizando o lucro.

Um dos objetivos deste tema é orientar as ações sistemáticas na busca satisfazer o consumidor estimulando a demanda e viabilizando o lucro. PLANO DE MARKETING Andréa Monticelli Um dos objetivos deste tema é orientar as ações sistemáticas na busca satisfazer o consumidor estimulando a demanda e viabilizando o lucro. 1. CONCEITO Marketing é

Leia mais

TESTE QUI - QUADRADO DE UMA AMOSTRA (também chamado TESTE DE ADERÊNCIA ou TESTE DE EFICIÊNCIA DE AJUSTE)

TESTE QUI - QUADRADO DE UMA AMOSTRA (também chamado TESTE DE ADERÊNCIA ou TESTE DE EFICIÊNCIA DE AJUSTE) TESTE QUI - QUADRADO DE UMA AMOSTRA (também chamado TESTE DE ADERÊNCIA ou TESTE DE EFICIÊNCIA DE AJUSTE) O Teste Qui-quadrado de uma amostra é utilizado em pesquisa de marketing para verificar se a distribuição

Leia mais

INE 7001 - Procedimentos de Análise Bidimensional de variáveis QUANTITATIVAS utilizando o Microsoft Excel. Professor Marcelo Menezes Reis

INE 7001 - Procedimentos de Análise Bidimensional de variáveis QUANTITATIVAS utilizando o Microsoft Excel. Professor Marcelo Menezes Reis INE 7001 - Procedimentos de Análise Bidimensional de variáveis QUANTITATIVAS utilizando o Microsoft Excel. Professor Marcelo Menezes Reis O objetivo deste texto é apresentar os principais procedimentos

Leia mais

INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA. Estatística II Prof. Salvatore

INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA. Estatística II Prof. Salvatore INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA Estatística II Prof. Salvatore O que é Estatística? A estatística pode ser considerada a Ciência que se preocupa com a organização, análise e interpretação de dados

Leia mais

Esta aula foi compilada por alunos. Caso encontre erros, favor procurar no email: luisfca@gmail.com ou. landeira@puc-rio.br

Esta aula foi compilada por alunos. Caso encontre erros, favor procurar no email: luisfca@gmail.com ou. landeira@puc-rio.br Prof. Landeira-Fernandez Bioestatística Esta aula foi compilada por alunos. Caso encontre erros, favor procurar no email: luisfca@gmail.com ou Rio de Janeiro, 23 de junho de 2015. landeira@puc-rio.br AULA

Leia mais

REPARTIÇÃO INTERMODAL DO TRÁFEGO

REPARTIÇÃO INTERMODAL DO TRÁFEGO REPARTIÇÃO INTERMODAL DO TRÁFEGO 1.Introdução A divisão modal pode ser definida como a divisão proporcional de total de viagens realizadas pelas pessoas e cargas, entre diferentes modos de viagem. Se refere

Leia mais

ALEXANDRE WILLIAM BARBOSA DUARTE

ALEXANDRE WILLIAM BARBOSA DUARTE SURVEY Método de pesquisa amplamente utilizado em pesquisas de opinião pública, de mercado e, atualmente, em pesquisas sociais que, objetivamente, visam descrever, explicar e/ou explorar características

Leia mais

Engenharia de Software

Engenharia de Software Engenharia de Software Introdução à Melhoria de Processos de Software baseado no MPS.BR Prof. Maxwell Anderson www.maxwellanderson.com.br Agenda Introdução MPS.BR MR-MPS Detalhando o MPS.BR nível G Introdução

Leia mais

INE 5111 Gabarito da Lista de Exercícios de Probabilidade INE 5111 LISTA DE EXERCÍCIOS DE PROBABILIDADE

INE 5111 Gabarito da Lista de Exercícios de Probabilidade INE 5111 LISTA DE EXERCÍCIOS DE PROBABILIDADE INE 5 LISTA DE EERCÍCIOS DE PROBABILIDADE INE 5 Gabarito da Lista de Exercícios de Probabilidade ) Em um sistema de transmissão de dados existe uma probabilidade igual a 5 de um dado ser transmitido erroneamente.

Leia mais

Expanda suas Capacidades Analíticas

Expanda suas Capacidades Analíticas Módulos IBM SPSS Statistics Expanda suas Capacidades Analíticas Um guia resumido dos módulos para o IBM SPSS Statistics Base Destaques Existem vários produtos IBM SPSS para te ajudar em cada fase do projeto

Leia mais

1 Tipos de dados em Análise de Clusters

1 Tipos de dados em Análise de Clusters Curso de Data Mining Sandra de Amo Aula 13 - Análise de Clusters - Introdução Análise de Clusters é o processo de agrupar um conjunto de objetos físicos ou abstratos em classes de objetos similares Um

Leia mais

Aula 5 Metodologias de avaliação de impacto

Aula 5 Metodologias de avaliação de impacto Aula 5 Metodologias de avaliação de impacto Metodologias de Avaliação de Impacto Objetiva quantificar as mudanças que o projeto causou na vida dos beneficiários. Plano de Aula Método experimental: regressão

Leia mais

ANALISANDO UM ESTUDO DE CASO

ANALISANDO UM ESTUDO DE CASO ANALISANDO UM ESTUDO DE CASO (Extraído e traduzido do livro de HILL, Charles; JONES, Gareth. Strategic Management: an integrated approach, Apêndice A3. Boston: Houghton Mifflin Company, 1998.) O propósito

Leia mais

4 Gráficos de controle

4 Gráficos de controle 4 Gráficos de controle O gráfico de controle é uma ferramenta poderosa do Controle Estatístico de Processo (CEP) para examinar a variabilidade em dados orientados no tempo. O CEP é composto por um conjunto

Leia mais

Avaliação da variação do sistema de medição Exemplo 1: Diâmetros de bico injetor de combustível

Avaliação da variação do sistema de medição Exemplo 1: Diâmetros de bico injetor de combustível Avaliação da variação do sistema de medição Exemplo 1: Diâmetros de bico injetor de combustível Problema Um fabricante de bicos injetores de combustível instala um novo sistema digital de medição. Os investigadores

Leia mais

Programa do Curso de Pós-Graduação Lato Sensu MBA em Business Intelligence (BI)

Programa do Curso de Pós-Graduação Lato Sensu MBA em Business Intelligence (BI) Programa do Curso de Pós-Graduação Lato Sensu MBA em Business Intelligence (BI) Apresentação O programa de Pós-graduação Lato Sensu em Business Intelligence Inteligência Competitiva tem por fornecer conhecimento

Leia mais

Análise de Variância com dois ou mais factores - planeamento factorial

Análise de Variância com dois ou mais factores - planeamento factorial Análise de Variância com dois ou mais factores - planeamento factorial Em muitas experiências interessa estudar o efeito de mais do que um factor sobre uma variável de interesse. Quando uma experiência

Leia mais

A Preparação dos Dados

A Preparação dos Dados A Preparação dos Dados Escolhas Básicas Objetos, casos, instâncias Objetos do mundo real: carros, arvores, etc Ponto de vista da mineração: um objeto é descrito por uma coleção de características sobre

Leia mais

QUALITATIVA VARIÁVEL QUANTITATIVA

QUALITATIVA VARIÁVEL QUANTITATIVA NOMINAL ORDINAL QUALITATIVA VARIÁVEL QUANTITATIVA DISCRETA CONTÍNUA - Variável qualitativa nominal = valores que expressam atributos, sem nenhum tipo de ordem. Ex: cor dos olhos, sexo, estado civil, presença

Leia mais

SISTEMÁTICA PARA SELEÇÃO DE TÉCNICAS ESTATÍSTICAS APLICADA AO DESENVOLVIMENTO DE PRODUTOS

SISTEMÁTICA PARA SELEÇÃO DE TÉCNICAS ESTATÍSTICAS APLICADA AO DESENVOLVIMENTO DE PRODUTOS SISTEMÁTICA PARA SELEÇÃO DE TÉCNICAS ESTATÍSTICAS APLICADA AO DESENVOLVIMENTO DE PRODUTOS Creusa Sayuri Tahara Amaral Grupo ei2 NUMA EESC USP São Carlos Agenda Introdução Metodologia Seis sigma Design

Leia mais

SERVIÇO DE ANÁLISE DE REDES DE TELECOMUNICAÇÕES APLICABILIDADE PARA CALL-CENTERS VISÃO DA EMPRESA

SERVIÇO DE ANÁLISE DE REDES DE TELECOMUNICAÇÕES APLICABILIDADE PARA CALL-CENTERS VISÃO DA EMPRESA SERVIÇO DE ANÁLISE DE REDES DE TELECOMUNICAÇÕES APLICABILIDADE PARA CALL-CENTERS VISÃO DA EMPRESA Muitas organizações terceirizam o transporte das chamadas em seus call-centers, dependendo inteiramente

Leia mais

Classificação: Determinístico

Classificação: Determinístico Prof. Lorí Viali, Dr. viali@pucrs.br http://www.pucrs.br/famat/viali/ Da mesma forma que sistemas os modelos de simulação podem ser classificados de várias formas. O mais usual é classificar os modelos

Leia mais

Estatística II Antonio Roque Aula 9. Testes de Hipóteses

Estatística II Antonio Roque Aula 9. Testes de Hipóteses Testes de Hipóteses Os problemas de inferência estatística tratados nas aulas anteriores podem ser enfocados de um ponto de vista um pouco diferente: ao invés de se construir intervalos de confiança para

Leia mais

Prática e Gerenciamento de Projetos

Prática e Gerenciamento de Projetos Universidade de São Paulo Escola de Artes, Ciências e Humanidades Prática e Gerenciamento de Projetos Gerenciamento de Custos do Projeto Equipe: Jhonas P. dos Reis Marcelo Marciano Mário Januário Filho

Leia mais