Métodos de Previsão em Negócios Soluções das Atividades
|
|
- Luca Lisboa Azeredo
- 7 Há anos
- Visualizações:
Transcrição
1 Métodos de Previsão em Negócios Soluções das Atividades Lupércio França Bessegato- Instituto de Educação Continuada/PUCMinas Curso de Especialização em Economia Empresarial Resumo. Solução das atividades extra-classe da disciplina. Keywords: Econometria, modelos de regressão, métodos computacionais, ensino
2 . Distribuição Normal de Probabilidades. Atividade # Ativos: Ativo X N(, ) Ativo Y N(, ) Ativo V N(, 3 ) Ativo W N(,, 5 ) Carteiras: Carteira : P =.W Carteira : P = 5W + 5V Carteira 3: P 3 = 5X + 5Y + 5V + 5W Retornos das Carteiras: Carteira : µ = E(P ) =. = $. Carteira : µ = E(P ) = = $. Carteira 3: µ 3 = E(P 3 ) = = $. Risco (volatilidade) das Carteiras: Supondo os ativos independentes Carteira : σ = V ar(p ) =. =. σ =. = $. Carteira : σ = V ar(p ) = 5, =.3.5 σ =.3.5 = $.5, 69 Carteira 3: σ 3 = V ar(p 3 ) = , 5 = σ 3 = = $943, 73. P {P i >.}: carteira : P {Z >.. }=P {Z. > }=, 8 carteira : P {Z >.. }=P {Z.5,69 >, 3}=, 934 carteira 3: P {Z >.. }=P {Z 943,73 >, }=, 7. P {P i > 5.}: carteira : P {Z > 5.. }=P {Z. > 5} carteira : P {Z > 5.. }=P {Z.5,69 >, 88}=, 998 carteira 3: P {Z > 5.. }=P {Z 943,73 > 3, 8}=, 999. Teste de Hipóteses e Intervalo de Confiança. Atividade #. Estatística descritivas: Variável Média amostral Desvio padrão amostral Idade (x) 38, 933 3, 35 Desemprego (y) 6, 8, 345
3 . Intervalo com 95% de confiança para Idade média: x ± t n ;,5 s n 38, 933 ± 3, 35, [3, 54; 46, 33] 3. Teste de hipóteses para duração média do desemprego: H : µ 4, 6 vs. H : µ > 4, 6 Nível de significância α =, Valor crítico do teste: tc = t 5 ;, =, 6449 Estatística de teste: 6, 8 4, 6 T =, 345/ =, Teste: T =, 84 < t c =, 64 Decisão: não há evidências para se rejeitar H, ou seja, a amostra não fornece evidências para concluir que o índice de desemprego da área de atuação do sindicato seja maior que a média nacional 4. : Coeficiente de correlação: r =, 844 Há um forte grau de associação linear entre as variáveis, mas nada podemos afirmar sobre uma relação causal entre idade e tempo de desemprego
4 Atividade 3 Correlação - Diagrama de Dispersão Scatterplot of Fumo vs Álcool 4,5 Ireland 4, Fumo 3,5 3,,5 4, 4,5 5, Álcool 5,5 6, 6,5 - Padrão do gráfico e desvios importantes: Os pontos do gráfico mostram uma correlação positiva (mais despesa com fumo mais despesa com álcool ou vice-versa). Ireland é um ponto discrepante do comportamento global 3- Correlação: MTB > correlation álcool fumo Correlations: Álcool; Fumo Pearson correlation of Álcool and Fumo =,4 (correlação fraca) P-Value =,59 MTB > correlation álcool fumo; SUBC> exclude; SUBC> rows. Correlations: Álcool; Fumo Excluding specified rows: rows excluded Pearson correlation of Álcool and Fumo =,784 (correlação forte) P-Value =,7 A correlação sem Ireland é mais forte. De maneira diversa às outras regiões, as despesas domésticas com fumo são maiores do que as despesas com álcool (no mesmo nível das maiores)
5 Regressão Linear Simples Atividade 4 Item a: Safra de Milho - Série Temporal 4 Safra de Milho (alqueires/acre) Ano Figura - Safra de Milho vs. Ano A tendência é crescente embora haja anos com safras muito baixas em relação àquelas dos anos próximos. Há uma variabilidade crescente após a década de 7 (série ficou mal-comportada ) Item b: Regression Analysis: milho versus ano The regression equation is milho = ,84 ano Predictor Coef SE Coef T P Constant -3544,6 78,4 -,73, ano,8396,48 3,6, S =,84 R-Sq = 8,8% R-Sq(adj) = 8,3% Regressão Significante Analysis of Variance Source DF SS MS F P Regression ,6, Residual Error Total Unusual Observations Obs ano milho Fit SE Fit Residual St Resid , 3,9,87 -,9 -,9R ,6,49,9-7,89 -,78R ,7,69,84 -,99 -,R R denotes an observation with a large standardized residual.
6 milho = ,8396 ano R = 8,8% Equação de Regressão: (78,4) (,48) σˆ = 6 A produtividade da safra de milho aumenta,84 alqueires/acre por ano Item c: Safra de Soja 4 Safra de Soja (alqueires/acre) Ano Regression Analysis: soja versus ano The regression equation is soja = ,338 ano Figura - Safra de Soja vs. Ano Predictor Coef SE Coef T P Constant -638,9 74,6-8,56, ano,33775,3775 8,95, S =,75576 R-Sq = 67,8% R-Sq(adj) = 67,% Regressão Significante Analysis of Variance Source DF SS MS F P Regression 68, 68, 8,6, Residual Error 38 88,58 7,59 Total ,6 Unusual Observations Obs ano soja Fit SE Fit Residual St Resid 6 98,3 3,498,483-9,98-3,39R , 3,54,65-5,54 -,6R ,4 34,55,79 6,849,59R R denotes an observation with a large standardized residual. Equação de Regressão: soja = 638,9 (74,6) +,33775 ano (,3775) R = 67,8% σˆ = 7,59
7 Testes de Significância para o coeficiente de inclinação: Nível de significância: 5% Estatística T = 8,95 Limite região crítica: t c = t,5; 38 =,439 Teste: T>t c rejeita-se H, ou seja, a regressão é significante A produtividade da safra de soja aumenta,338 alqueires/acre por ano Residual Plots for soja Normal Probability Plot of t he Residuals 99 Residuals Versus the Fitted Values Percent Deleted Residual Deleted Residual Fitted Value Histogram of the Residuals Residuals Versus the Order of the Data Frequency Deleted Residual 3 Figura 3 - Gráfico de ResíduosSafra de Soja Deleted Residual Observation Order Resíduos: Hipóteses violadas: Normalidade Homocedasticidade Correlação Os resíduos devem estar correlacionados por se tratar de série temporal Conclusões: A partir da década de 7, há um aumento significativo na variabilidade; O modelo de regressão linear parece não ser adequado para explicar a produtividade da safra de soja Item d 35 4 Predicted Values for New Observations New Obs Fit SE Fit 95% CI 95% PI 45,6 4,46 (36,57; 54,64) (,9; 68,9)X X denotes a point that is an outlier in the predictors. Values of Predictors for New Observations New Obs ano 6 Obs.: Não é apropriada, pois, trata-se de uma extrapolação
8 Item e: Gráfico simultâneo: Safras de Milho e Soja - Comparação Produtividade da Safra (alqueires/acre) Variable milho soja Ano Figura 4 - Comparação anual das safras de milho e soja Associação entre as duas safras: Relação entre Safras de Soja e Milho 4 35 Soja Milho 3 4 Figura 5 - Associação entre as safras de soja e milho Correlação entre as safras: MTB > correlation milho soja Correlations: milho; soja Pearson correlation of milho and soja =,858 P-Value =, Há indícios de uma forte associação linear entre as safras, mas nada podemos afirmar sobre causalidade.
9 Safra de soja explicada pela safra de milho: Regression Analysis: soja versus milho The regression equation is soja =,8 +,73 milho Predictor Coef SE Coef T P Constant,844,586 8,, milho,795,68,9, S =,49694 R-Sq = 73,6% R-Sq(adj) = 7,9% Analysis of Variance Source DF SS MS F P Regression 659,68 659,68 5,8, Residual Error 38 36,9 6,3 Total ,6 Unusual Observations Obs milho soja Fit SE Fit Residual St Resid 6 3,3 3,4,539 -, -4,56R R denotes an observation with a large standardized residual. Equação da regressão: soja =,884 (,586) +,795milho (,68) R = 73,6% σˆ = 6,3 Testes de Significância para o coeficiente de inclinação: Nível de significância: 5% Estatística T =,9 Limite região crítica: t c = t,5; 38 =,439 Teste: T>t c rejeita-se H, ou seja, a regressão é significante e há correlação entre as safras A safra de milho aumentou,338 alqueires/acre por ano Resíduos da Regressão (soja = f(milho)) vs. tempo:
10 Scatterplot of SRES vs ano SRES ano 99 Figura 6 - Resíduos da regressão vs. ano Há um padrão identificável nos resíduos (positivos no tempos anteriores, negativos no período médio e positivos novamente nos períodos poseriores). É um indício de que o tempo está omitido do modelo. Questão f: Transformação dos dados da safra de milho: Soja vs. log(milho) Regression Analysis: soja versus log(milho) The regression equation is soja = - 35,3 + 4,3 log(milho) Predictor Coef SE Coef T P Constant -35,5 7,5-4,86, log(milho) 4,64,66 8,83, S =,7886 R-Sq = 67,% R-Sq(adj) = 66,4% Analysis of Variance Source DF SS MS F P Regression 6,73 6,73 77,94, Residual Error 38 93,86 7,73 Total ,6 Unusual Observations Obs log(milho) soja Fit SE Fit Residual St Resid 6 4,73,3 3,7,597 -,97-4,R 38 4,93 4,4 35,95,853 6,35,38R R denotes an observation with a large standardized residual.
11 Equação de regressão: Transformada: soja = 35,5 + Original: soja = (7,5),884 (,586) + 4,64 log( milho) (,66),795milho (,68) σˆ R = 67,% σˆ = R = 73,6% = 6,3 7,73 O modelo transformado,embora significante, mostra-se menos adequado que o original Log(milho) vs. tempo: Regression Analysis: log(milho) versus ano The regression equation is log(milho) = - 37,6 +,3 ano Predictor Coef SE Coef T P Constant -37,633 3,35 -,63, ano,36,637 3,, S =,9497 R-Sq = 8,7% R-Sq(adj) = 8,% Analysis of Variance Source DF SS MS F P Regression,496,496 69,45, Residual Error 38,546,43 Total 39,96 Unusual Observations Obs ano log(milho) Fit SE Fit Residual St Resid ,4379 4,74,67 -,86 -,46R R denotes an observation with a large standardized residual. Equação de regressão: Transformada: log( milho) = 37,6 (3,35) Original: milho = (78,4) +,3ano (,637) (,48) σˆ R σˆ,8396 ano R = 8,8% = = 8,7% =,43 6
12 Gráficos dos Resíduos Comparação Pe rcent Normal Probabilit y Plot of the Residuals Residual Plots for log(milho) Residuals Versus the Fitted Values - - 4, 4, 4,4 4,6 4,8 Fitted Value Pe rcent Residual Plots for milho Normal Probability Plot of t he Residuals , -,5,,5 3, Residuals Versus the Fitted Values Fitted Value F re que ncy Hist ogram of the Residuals Residuals Versus the Order of the Dat a Observation O rder 35 4 Frequency, 7,5 5,,5, -3 Hist ogram of the Residuals - - Sta nda rdize d Re sidual Residuals Versus the Order of the Dat a Observation O rder A heterogeneidade diminuiu de intensidade com a transformação A variação explicada continua a mesma, embora a variância do modelo seja grandemente diminuída com a transformação 35 4
13 Regressão Linear Múltipla Preço Carros Seminovos Atividade 5 Item.a: Modelo Modelo de regressão simples Regression Analysis: preço de rev. versus preço novo The regression equation is preço de rev. = 654 +,476 preço novo Predictor Coef SE Coef T P Constant 654, 43, 6,5, preço novo,47568,69,99, S = 778,48 R-Sq = 79,% R-Sq(adj) = 78,9% Analysis of Variance Source DF SS MS F P Regression ,58, Residual Error Total Resultados importantes: Resultados Modelo R.simples R,79 R ajustado,789 ep(β^) 43, ep(β^),69 σ^ Comentários: Cerca de 79% da da variação do preço de revenda pode ser explicada por uma relação linear com o preço do automóvel, os demais % podem ser considerados como a variação provocada por outros fatores não considerados no modelo de regressão; Análise de Variância do modelo (Testes de Significância Conjunta do Modelo) H : o coeficiente de inclinação é igual a zero (não significativo) H : ele é diferente de zero (coeficiente significativo): Nível de significância: 5% Estatística F = 58,58 Graus de liberdade da estatística: Numerador: Denominador: 4 (+) = 4 Limite região crítica: f c = F,5; (, 4) = 3,9874 Teste: F = 58,58 >> f c = 3,9874 rejeita-se H, ou seja, a regressão é significante p-valor. Teste de significância dos coeficientes: Nível de significância: 5% Limite região crítica: t c = t,5; 4 =,9775 Teste: Se T > t c rejeita-se H, ou seja, o coeficiente é significante.
14 Coeficientes Estatística de Teste p-valor Decisão β T = 6,5 > t c =,9775 Rejeita-se H : coeficiente significativo β T =,99 > t c =,9775 Rejeita-se H : coeficiente significativo Interpretação: Cada real de diferença no carro novo, espera-se uma diferença de R$,476 na revenda; Intervalos de 95% de Confiança para os coeficientes: Coeficientes Limite inferior Limite Superior β 8,56 356,67 β,43,5 preço de rev preço de rev. = 654 +,4757 preço novo 5 5 preço novo 3 Fig. Reta de regressão (modelo simples 35 Percent Frequency 9 9, , -4 3 Normal Probabilit y Plot of the Residuals - Hist ogram of the Residuals -3, -,4 -,6 -,8,,8 Residual Plots for preço de rev., Residuals Versus the Fitted Values Fitted Value Observation O rder 75 Residuals Versus the Order of the Dat a Fig. Gráfico de resíduos (modelo simples) Pelo diagrama de dispersão percebe-se que X só assume alguns determinados valores, isto porque os automóveis em estudo são de 7 modelos e, para cada modelo, o preço km é único. O gráfico dos resíduos indica que parece não haver fortes violações nas suposições do modelo de regressão, a não ser a ocorrência maior de valores pequenos com respeito às duas variáveis, o que sugere tentar-se uma transformação logarítmica em X e em Y. Item Modelo Simples considerados os logs dos preços: 3 4 Regression Analysis: log(revenda) versus log(novo) The regression equation is log(revenda) =,8 +,768 log(novo) Predictor Coef SE Coef T P Constant,85,376 4,85, log(novo),76775,3783,3, S =,55398 R-Sq = 74,6% R-Sq(adj) = 74,5% Analysis of Variance Source DF SS MS F P Regression 9,9479 9,9479 4,94, Residual Error 4 3,388,4 Total 4 3,387
15 Percent Normal Probabilit y Plot of the Residuals 9 9, , -4-4 Residual Plots for log(revenda) Residuals Versus the Fitted Values , 9, 9,4 9,6 9,8 Fitted Value Hist ogram of the Residuals Residuals Versus the Order of the Dat a Fre quency , -,4 -,6 -,8,,8, Observation O rder 3 4 Fig. 3 - Gráfico dos resíduos (modelo simples - log) A transformação logarítmica levou uma redução do R. O histograma dos resíduos levou apontou uma distribuição assimétrica, com cauda mais longa à esquerda. Em função destes resultados, prefere-se manter o modelo original (regressão simples) Na realidade, o preço de um carro seminvo depende de vários outros fatores, levando a um modelo de regressão múltipla. Item 3 Modelo de regressão múltipla: Regression Analysis: preço de rev. versus preço novo; tempo de uso; km The regression equation is preço de rev. = 64 +,477 preço novo tempo de uso - 45, km Predictor Coef SE Coef T P Constant 64, 35, 7,7, preço novo,4778,75 37,45, tempo de uso -43,9 36,6-3,7, km -45,4 8,997-5,, S = 87,8 R-Sq = 9,3% R-Sq(adj) = 9,% Analysis of Variance Source DF SS MS F P Regression ,7, Residual Error Total Resultados importantes: Resultados Modelo 3 R.Múltipla R,93 R ajustado,9 ep(β^) 35, ep(β^),75 ep(β^) 36,6 ep(β^3) 8,997 σ^.8.86
16 Comentários: Cerca de 9% da variação do preço de revenda pode ser explicada por uma relação linear que envolve o preço do automóvel do automóvel km (X ), o tempo de uso (X ) e a quilometragem (X 3 ). O resultado é razoavelmente maior do que o obtido quando foi usada apenas X como variável independente; Análise de Variância do modelo (Testes de Significância Conjunta do Modelo) H : todos os coeficientes de inclinação são iguais a zero (não significativos) H : pelo menos um deles é diferente de zero: Nível de significância: 5% Estatística F = 58,58 Graus de liberdade da estatística: Numerador: 3 Denominador: 4 (3+) = 38 Limite região crítica: f c = F,5; (3, 38) =,67 Teste: F = 55,7 >> f c =,67 rejeita-se H, ou seja, as variáveis independentes escolhidas são significativas para explicar a variação de Y ; p-valor. Teste de significância dos coeficientes: Nível de significância: 5% Limite região crítica: t c = t,5; 38 =,9775 Teste: Se T > t c rejeita-se H, ou seja, o coeficiente é significante. Coeficientes Estatística de Teste p-valor Decisão β T = 7,7 > t c =,9773 Rejeita-se H : coeficiente significativo β T = 37,45 > t c =,9773 Rejeita-se H : coeficiente significativo β T = -3,7 > t c =,9773 =, Rejeita-se H : coeficiente significativo β 3 T = -5, > t c =,9773 Rejeita-se H : coeficiente significativo Rejeitam-se as 4 hipóteses nulas, concluindo que nenhuma das variáveis independentes pode ser excluída do modelo. Interpretação: o A cada real de diferença no carro novo, espera-se uma diferença de R$,48 na revenda (mantendo-se constantes o tempo de uso e a quilometragem); o A cada ano de envelhecimento do automável, espera-se R$ 433, a menos na revenda (mantendo-se constantes o valor do carro novo e a quiolometragem); o A cada. km rodados, espera-se R$ 45, a menos na revenda (mantendo-se constantes o valor de novo e o tempo de uso). Intervalos de 95% de Confiança para os coeficientes: Coeficientes Limite inferior Limite Superior β 5543, ,36 β,45,5 β -73, -6,75 β 3-6,9-7,3
17 Per cent Fr equency 9 9, , -4 3 Normal Probabilit y Plot of the Residuals -3 - Sta nda rdized Residua l Hist ogram of the Residuals - - Sta nda rdized Residua l Residual Plots for preço de rev. 4 Standar dized Residual St anda rdized Re sidual Residuals Versus the Fitted Values F it ted Value Obser vation O rder Residuals Versus the Order of the Dat a Fig. 4 - Gráfico de resíduos - regressão múltipla O gráfico dos resíduos mostra um certo padrão. Para valores preditos pequenos, os resíduos tendem a ser positivos, depois eles tendem a ser negativos e, para valores preditos grandes, eles tendem a ser positivos de novo; Além disso, observa-se que dispersão aumenta para os valores preditos maiores; Estas características sugerem a aplicação de uma transformação logarítmica na variável dependente. Pensando em termos de tempo de uso (X ) e o valor do automóvel (Y) é mais natural considerar que a cada ano de uso, o automóvel tenha uma redução percentual do seu valor, reforçando a transformação sugerida pelo gráfico de resíduos. Item 4 Modelo de regressão múltipla com log(y): Item 4 Predição de Preço de revenda: X = R$ 6. X = anos X3 = 5. km 3 4 Resultados Preço de revenda predito IC (média dos preços de revenda de todos os carros com as características) IC (preço de revenda de um carro com as características) Modelo R.simples Modelo R. simples bilog Modelo 3 R.multipla Modelo 3 R.multipla log(y)
18 Item 6 Escolha do Modelo: Resultados R R ajustado β^ ep(β^ ) IC(β^ ) β^ ep(β^ ) IC(β^ ) β^ ep(β^ ) IC (β^ ) β^ 3 ep(β^3 ) IC (β^3 ) σ^ Modelo Modelo R. R.simples simples bilog,79,746,789,745,654, log(β^ ) =,85 43,,376 [.8; 3.57],47568 log(β^ ) =,76775,69,3783 [,45;,5] ,4 Modelo 3 R.multipla,93,9 6,4, 35, [5.544; 6.936],4778,75 [,45;,5] -43,9 36,6 [-73,; -6,75] -45,4 8,997 [-6,9; -7,3].8.86 Modelo 3 R.multipla log(y)
19 Regressão Linear Avaliação Item : Testes de Significância Conjunta do Modelo H : todos os coeficientes de inclinação são iguais a zero (não significativos) H : pelo menos um deles é diferente de zero: Nível de significância: 5% Estatística F = 8, Graus de liberdade da estatística: Numerador: 3 Denominador: 56 (3+) = 5 Limite região crítica: f c = F,5; (3, 5) =,786 Teste: F = 8, >> f c =,786 rejeita-se H, ou seja, a regressão é significante p-valor. Testes de Significância para os coeficientes de inclinação: Sinais: Nível de significância: 5% Limite região crítica: t c = t,5; 5 =,665 Teste: Se T > t c rejeita-se H, ou seja, a regressão é significante Significativas (Levam à rejeição de H ) Intercepto,59 >, qte -5,89 >, Não significativas (Não levam à rejeição de H ) qualidade,57 <, trend -,7 >, Quanto maior a quantidade menor o preço; Quanto maior a qualidade maior o preço O preço decai com o tempo. Entretanto não há evidências para se considerar os coeficientes de qualidade e tempo. Neste caso, o sinal não faz sentido. Item : 5,% da variação d do preço é explicada pela variação na quantidade, qualidade e tempo. Item 3: Testes da relação entre preço e quantidade: H : β = (preço maior para quantidades maiores) H : β < (preço menor para quantidades maiores): Nível de significância: 5% Estatística T = -5,89 Graus de liberdade da estatística: 5 Limite região crítica: t c = t,5; 5) = -,67469
20 Teste: T = -5,89 << t c = -,67469 rejeita-se H, ou seja, há evidências amostrais para concluir que os vendedores aceitam preços mais baixos se puderem vender quantidades maiores. Item 4: Teste de significância de β : H: β = (qualidade não influencia o preço) H: β? (qualidade influencia o preço): p-valor Estatística T = -,57 Graus de liberdade da estatística: 5 Limite região crítica: t c = t,5; 5) = -,665 Teste: T = -,57 > t c = -,665 não se rejeita H, ou seja, não há evidências amostrais para concluir que a qualidade influencia o preço. Item 5: Teste da relação entre preço e tempo: H : β 3 = (preço não decai com o tempo) H : β 3 < (preço decai com o tempo): Nível de significância: 5% Estatística T = -,7 Graus de liberdade da estatística: 5 Limite região crítica: t c = t,5; 5) = -,67469 Teste: T = -,7 < t c = -,67469 rejeita-se H, ou seja, há evidências amostrais para concluir que o preço decai com o tempo. De qualquer maneira, do problema, sugere-se duas situações conflitantes, sendo que deveríamos ter mais informações para decidir-se: Item 6: Por se tratar de um bem exaurível, poderia se esperar que o preço crescesse com o tempo Por haver um aumento na quantidade oferecida, o preço apresentaria queda com o tempo (que é a conclusão que chegamos a partir das evidências amostrais) Os coeficientes da qualidade e trend não são significativo de acordo ao teste de significância individual, assim é razoável estudar o modelo linear simples considerando a quantidade como variável explicativa, já que foi a única variável significante individualmente, no ajuste efetuado no item. Item 7: Verifica-se que a regressão simples é significante neste caso. Resultados Modelo Modelo R.múltipla R.simples R 5,% 48,% R ajustado 48,% 47,% β^ 9,847 87, ep(β^) 8,58 3,69 β^ -,5997 -,573 Ep(β^),8,869
21 β^,6 Ep(β^),33 β^3 -,355 Ep(β^3),386 σ^ 4,3 4 O modelo (regressão simples) têm um erro padrão menor para o coeficiente da quantidade, e levaria a estimativa mais precisa do valor deste coeficiente. A variância residual do modelo (regressão múltipla) é ligeiramente menor, podendo levar a uma precisão ligeiramente melhor para predições de preço. Item 8: IC 95% - Modelo - Regressão Múltipla: [-,5997 ±,665 x,8] IC 95% - Modelo - Regressão Simples: [-,573 ±,665 x,869] Modelo Limite Inferior Limite Superior () R. Múltipla -,84 -,3954 () R. Simples -,733 -,494 O modelo fornece uma estimativa intervalar mais precisa do coeficiente.
Aula Prática: Regressão Linear Simples
Universidade Federal do Rio de Janeiro Faculdade de Medicina Departamento de Medicina Preventiva Núcleo de Estudos de Saúde Coletiva Disciplina: Modelos de Regressão em saúde Aula Prática: Regressão Linear
Leia maisCurso de Análise Estatística Comparação entre variáveis contínuas: correlação e regressão Linear
NÚCLEO DE ESTATÍSTICA E METODOLOGIA APLICADAS Desenvolvendo conhecimento para a excelência dos cuidados em saúde mental UNIVERSIDADE FEDERAL DE SÃO PAULO Curso de Análise Estatística Comparação entre variáveis
Leia maisAnálise de Regressão Linear Simples III
Análise de Regressão Linear Simples III Aula 03 Gujarati e Porter Capítulos 4 e 5 Wooldridge Seção.5 Suposições, Propriedades e Teste t Suposições e Propriedades RLS.1 O modelo de regressão é linear nos
Leia maisCapítulo 5. Inferência no Modelo de Regressão Simples: Estimação de Intervalos, Teste de Hipóteses e Previsão
Capítulo 5 Inferência no Modelo de Regressão Simples: Estimação de Intervalos, Teste de Hipóteses e Previsão Hipóteses do Modelo de Regressão Linear Simples RS1. y x e t 1 t t RS. RS3. RS4. RS5. RS6. Ee
Leia maisPara mais de duas variáveis independentes, em função de uma variável dependente.
MÉTODOS QUANTlTATlVOS APLlCADOS À CONTABlLlDADE Prof. Héber Lavor Moreira Plano de Aula TEMA: REGRESSÃO MÚLTlPLA - Caso Multiplan S/A lntrodução Em muitos casos uma variável pode estar relacionada com
Leia maisAnálise estatística. Aula de Bioestatística. 17/9/2008 (2.ª Parte) Paulo Nogueira
Análise estatística Aula de Bioestatística 17/9/2008 (2.ª Parte) Paulo Nogueira Testes de Hipóteses Hipótese Estatística de teste Distribuição da estatística de teste Decisão H 0 : Não existe efeito vs.
Leia maisRegressão linear múltipla. Prof. Tatiele Lacerda
Regressão linear múltipla Prof Tatiele Lacerda Yi = B + Bx + B3X3 + u Plano de resposta E(Y i ) = 0,00 Y i i 0 (,33;,67) Y i 0 X i Xi X p i, p i 3 Modelo de regressão linear múltipla em termos matriciais,
Leia maisTeste de Hipótese e Intervalo de Confiança. Parte 2
Teste de Hipótese e Intervalo de Confiança Parte 2 Questões para discutirmos em sala: O que é uma hipótese estatística? O que é um teste de hipótese? Quem são as hipóteses nula e alternativa? Quando devemos
Leia maisInferência sobre duas proporções
Teste para duas populações duas populações Amostra :,,,, alor comum para delta 0 Amostra 2:,,,, Tamanho Tamanho Média amostral x Média amostral x Desvio-padrão Desvio-padrão Teste para duas populações
Leia maisEstimação. Como definir um estimador. Como obter estimativas pontuais. Como construir intervalos de confiança
Estimação Como definir um estimador. Como obter estimativas pontuais. Como construir intervalos de confiança Motivação A partir da média de uma a amostra em uma colheita recente, o conselho de qualidade
Leia maisIV Regressão e correlação IV.4. (cont.) Significância Estatística e Regressão Múltipla
IV Regressão e correlação IV.4. (cont.) Significância Estatística e Regressão Múltipla Significância Estatística Existe uma estatítica, o t-estatístico,associado a cada estimativa O t-estatístico mede
Leia maisDiagnóstico do Modelo e Tratamento. Frases. Roteiro
Diagnóstico do Modelo e Tratamento Frases Por serem mais precisos que as palavras, os números são particularmente adequados para transmitir conclusões científicas Pagano e Gauvre, 4 Roteiro. Suposições
Leia maisIntrodução. Ou seja, de certo modo esperamos que haja uma certa
UNIVERSIDADE FEDERAL DA PARAÍBA Teste de Independência Luiz Medeiros de Araujo Lima Filho Departamento de Estatística Introdução Um dos principais objetivos de se construir uma tabela de contingência,
Leia maisBIOESTATÍSTICA. Parte 1 - Estatística descritiva e análise exploratória dos dados
BIOESTATÍSTICA Parte 1 - Estatística descritiva e análise exploratória dos dados Aulas Teóricas de 17/02/2011 a 03/03/2011 1.1. População, amostra e dados estatísticos. Dados qualitativos e quantitativos
Leia maiscuja distribuição é t de Student com n 1 graus de liberdade.
Aula 13 Teste de hipótese sobre a média de uma população normal σ 2 desconhecida Objetivos: Nesta aula você completará seu estudo básico sobre testes de hipóteses, analisando a situação relativa a uma
Leia maisMAE116 - Noções de Estatística
MAE116 - Noções de Estatística Grupo A - 1 semestre de 2015 Gabarito da Lista de exercícios 10 - Introdução à Estatística Descritiva - CASA Exercício 1. (2 pontos) Sabe-se que, historicamente, 18% dos
Leia maisModelos de Probabilidade e Inferência Estatística
Modelos de Probabilidade e Inferência Estatística Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Distribuições Qui-quadrado, t-student e F de Snedecor 04/14
Leia maisAnálise de Regressão. Notas de Aula
Análise de Regressão Notas de Aula 2 Modelos de Regressão Modelos de regressão são modelos matemáticos que relacionam o comportamento de uma variável Y com outra X. Quando a função f que relaciona duas
Leia maisA Significância Estatística do Proger na Redução da Taxa de Desemprego por Haroldo Feitosa Tajra
A Significância Estatística do Proger na Redução da Taxa de Desemprego por Haroldo Feitosa Tajra 1. INTRODUÇÃO O objetivo desta análise é verificar a significância estatística das aplicações do Programa
Leia maisINTRODUÇÃO À INFERÊNCIA ESTATÍSTICA. Prof. Anderson Rodrigo da Silva anderson.silva@ifgoiano.edu.br
INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA Prof. Anderson Rodrigo da Silva anderson.silva@ifgoiano.edu.br Tipos de Pesquisa Censo: é o levantamento de toda população. Aqui não se faz inferência e sim uma descrição
Leia maisMétodos Quantitativos Aplicados
Métodos Quantitativos Aplicados Aula 5 http://www.iseg.utl.pt/~vescaria/mqa/ Tópicos apresentação Análise de dados bivariada: cruzamentos e medidas de associação variáveis nominais e ordinais e variáveis
Leia maisCapítulo 4 Inferência Estatística
Capítulo 4 Inferência Estatística Slide 1 Resenha Intervalo de Confiança para uma proporção Intervalo de Confiança para o valor médio de uma variável aleatória Intervalo de Confiança para a variância de
Leia maisAULA 12 Inferência a Partir de Duas Amostras
1 AULA 12 Inferência a Partir de Duas Amostras Ernesto F. L. Amaral 15 de setembro de 2011 Metodologia de Pesquisa (DCP 854B) Fonte: Triola, Mario F. 2008. Introdução à estatística. 10 ª ed. Rio de Janeiro:
Leia maisPlanejamento e Análise Estatística de Experimentos Fatoriais em blocos completos
Planejamento e Análise Estatística de Experimentos Fatoriais em blocos completos Contexto Já vimos como analisar um experimento em blocos na presença de um único fator de interesse. Podemos ter experimentos
Leia maisMétodos Quantitativos Aplicados a Custos Análise Estatística como um auxiliar valioso nas decisões
Métodos Quantitativos Aplicados a Custos Análise Estatística como um auxiliar valioso nas decisões Que métodos estatísticos podem auxiliar as análises de custos? Qual a relação entre regressão e correlação?
Leia maisCorrelação e Regressão linear simples
Metodologia de Diagnóstico e Elaboração de Relatório FASHT Correlação e Regressão linear simples Prof. Cesaltina Pires cpires@uevora.pt Plano da Apresentação Correlação linear Diagrama de dispersão Covariância
Leia maisPlano da Apresentação. Correlação e Regressão linear simples. Correlação linear. Associação entre hábitos leitura e escolaridade.
Metodologia de Diagnóstico e Elaboração de Relatório FASHT Correlação e Plano da Apresentação Correlação linear Diagrama de dispersão Covariância Coeficiente de correlação de Pearson Teste de correlação
Leia maisAula 11 Teste de hipótese sobre a média de uma população normal - σ 2 conhecida
Aula 11 Teste de hipótese sobre a média de uma população normal - σ 2 conhecida Objetivo: Nesta aula, iremos aplicar os conceitos básicos sobre a teoria de teste de hipótese a uma situação específica.
Leia maisTeorema do Limite Central e Intervalo de Confiança
Probabilidade e Estatística Teorema do Limite Central e Intervalo de Confiança Teorema do Limite Central Teorema do Limite Central Um variável aleatória pode ter uma distribuição qualquer (normal, uniforme,...),
Leia maisTestes de variância e Análise de Variância (ANOVA)
Testes de variância e Análise de Variância (ANOVA) Introdução à Inferência Estatística Introdução à Inferência Estatística TESTE DE VARIÂNCIAS E DISTRIBUIÇÃO F Testes sobre variâncias Problema: queremos
Leia maisAnálise de Regressão Múltipla com informação qualitativa: variáveis binárias (dummy)
Análise de Regressão Múltipla com informação qualitativa: variáveis binárias (dummy) 1 Como descrever informações qualitativas? Fatores qualitativos podem ser incorporados a modelos de regressão. Neste
Leia maisConsideremos os seguintes exemplos de hipóteses cuja veracidade interessa avaliar:
Consideremos os seguintes exemplos de hipóteses cuja veracidade interessa avaliar: o tempo médio de efeito de dois analgésicos não é o mesmo; a popularidade de determinado partido político aumentou; uma
Leia maisCAPÍTULO 8. de Variância - ANOVA ANOVA. Análise
CAPÍTULO 8 Análise de Variância - UFRGS Os testes de hipótese apresentados até aqui limitaram-se à comparação de duas médias ou duas variâncias. Contudo, há situações onde se deseja comparar várias médias,
Leia maisRegressão Linear Múltipla
UNIVERSIDADE FEDERAL DO PARÁ INSTITUTO DE CIÊNCIAS EATAS E NATURAIS FACULDADE DE ESTATÍSTICA DISCIPLINA: Estatística Aplicada PROFESSORES: Heliton Tavares e Regina Madruga ALUNO: Wemenson avier Trabalho
Leia maisSessão Saber profundo Construção de modelos (http://www.midomenech.com.br/artigos.asp)
Sessão Saber profundo Construção de modelos (http://www.midomenech.com.br/artigos.asp) Carlos H. Domenech, Gerusa de Oliveira Rosa, Rusti Federli Em 50 palavras ou menos Planos DOE são muitas vezes construídos
Leia maisREGRESSÃO. Análise de Correlação
REGRESSÃO Linear, Não linear, simples e múltipla Análise de Correlação 2 Correlação Indica a força e a direção do relacionamento linear entre dois atributos Trata-se de uma medida da relação entre dois
Leia maisMedidas de Localização
MATEMÁTICA APLICADA ÀS CIÊNCIAS SOCIAIS RESUMO Estatística 2 Medidas de Localização e Dispersão 10º ano Cláudia Henriques Medidas de Localização Estatísticas Medidas que se calculam a partir dos dados
Leia maisUM ESTUDO COMPARATIVO DO USO DO MINITAB, SPSS E XL-STAT EM REGRESSÕES UTILZIANDO DADOS SOBRE LIBERDADE ECONÔMICA DE 157 PAÍSES NO CENÁRIO MUNDIAL
UM ESTUDO COMPARATIVO DO USO DO MINITAB, SPSS E XL-STAT EM REGRESSÕES UTILZIANDO DADOS SOBRE LIBERDADE ECONÔMICA DE 157 PAÍSES NO CENÁRIO MUNDIAL LOURENÇO AUGUSTO C. GRANATO PONTIFÍCIA UNIVERSIDADE CATÓLICA
Leia maisUnidade 5.2. Teste de hipóteses. Hipótese estatística. (uma população) Formulando as hipóteses. Teste de Hipóteses X Intervalo de Confiança
Hipótese estatística Unidade 5. Teste de Hipóteses (uma população) Hipótese estatística-qualquer afirmação feita sobre um parâmetro populacional desconhecido. Hipótese: Duração média da bateria (µ) > 300
Leia maisContabilometria. Análise Discriminante
Contabilometria Análise Discriminante Fonte: Corrar, L. J.; Theóphilo, C. R. Pesquisa Operacional para Decisão em Contabilidade e Administração, Editora Atlas, São Paulo, 010 Cap. 3 Análise Discriminante
Leia maisANOVA. (Analysis of Variance) Prof. Dr. Guanis de Barros Vilela Junior
ANOVA (Analysis of Variance) Prof. Dr. Guanis de Barros Vilela Junior Para que serve a ANOVA? Para comparar três ou mais variáveis ou amostras. Por exemplo, queremos testar os efeitos cardiorrespiratórios
Leia maisInspeção de Qualidade
Roteiro Inspeção de Qualidade 1. Inspeção para Aceitação 2. Planos de Amostragem Simples 3. Determinação Plano de Amostragem 4. Inspeção Retificadora 5. Plano de Amostragem Dupla 6. Planos de Amostragem
Leia maisANÁLISE ESTATÍSTICA DOS PRINCIPAIS INDICADORES DO MUNICÍPIO DE SÃO PAULO 2004
ANÁLISE ESTATÍSTICA DOS PRINCIPAIS INDICADORES DO MUNICÍPIO DE SÃO PAULO 24 Fátima Alexandre PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO FEA - Faculdade de Economia e Administração Programa de Estudos
Leia maisPONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO FEA - FACULDADE DE ECONOMIA E ADMINISTRAÇÃO PROGRAMA DE ESTUDOS PÓS-GRADUADOS EM ADMINISTRAÇÃO
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE SÃO PAULO FEA - FACULDADE DE ECONOMIA E ADMINISTRAÇÃO PROGRAMA DE ESTUDOS PÓS-GRADUADOS EM ADMINISTRAÇÃO PESQUISA SOCIO-ECONOMICA AO NIVEL MUNICPAL NO BRASIL Focando
Leia maisTópico 9. Teste t-student
Tópico 9 Teste t-student Teste t Teste t pode ser conduzido para Comparar uma amostra com uma população Comparar duas amostras pareadas Mesmos sujeitos em dois momentos distintos Comparar duas amostras
Leia maisComo rodar a regressão no gretl. Usando o Console para calcular elasticidade. Elasticidade. Usando o Console para calcular predição
Como rodar a regressão no gretl Alguns tópicos do gretl Usando o console: Comando: ols y const 3 Estima uma função linear usando o método de Mínimos Quadrados Ordinários. Elasticidade Intuição: resposta
Leia maisAula 12: Correlação e Regressão
Aula 12: Correlação e Regressão Sumário Aula 12: Correlação e Regressão... 1 12.l Correlação... 2 12.2 Diagrama de dispersão... 2 12.3 Correlação linear... 3 12.3.1 Coeficiente de correlação linear...
Leia maisCarta de controle para o desvio-padrão
Carta de controle para o desvio-padrão O desvio padrão é um indicador mais eficiente da variabilidade, principalmente para amostras grandes (a amplitude perde eficiência). Recomenda-se o uso da carta Xb
Leia maisAMOSTRAGEM: DIMENSIONAMENTO DE AMOSTRAS. SELEÇÃO DOS ELEMENTOS DE UMA AMOSTRA. ESTIMATIVA DA CARACTERÍSTICA TOTAL DA POPULAÇÃO INVESTIGADA
AMOSTRAGEM: DIMENSIONAMENTO DE AMOSTRAS. SELEÇÃO DOS ELEMENTOS DE UMA AMOSTRA. ESTIMATIVA DA CARACTERÍSTICA TOTAL DA POPULAÇÃO INVESTIGADA META Dimensionar o tamanho ideal de amostra para cada população.
Leia maisEstatística II Aula 4. Prof.: Patricia Maria Bortolon, D. Sc.
Estatística II Aula 4 Prof.: Patricia Maria Bortolon, D. Sc. Fundamentos do Teste de Hipóteses Teste de Hipóteses - Definições É uma regra de decisão para aceitar, ou rejeitar, uma hipótese estatística
Leia maisCoeficiente de Assimetria e Curtose. Rinaldo Artes. Padronização., tem as seguintes propriedades: Momentos
Coeficiente de Assimetria e Curtose Rinaldo Artes 2014 Padronização Seja X uma variável aleatória com E(X)=µ e Var(X)=σ 2. Então a variável aleatória Z, definida como =, tem as seguintes propriedades:
Leia maisAULA 04 Estimativas e Tamanhos Amostrais
1 AULA 04 Estimativas e Tamanhos Amostrais Ernesto F. L. Amaral 27 de agosto de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario
Leia maisAula 8. Teste Binomial a uma proporção p
Aula 8. Teste Binomial a uma proporção p Métodos Estadísticos 2008 Universidade de Averio Profª Gladys Castillo Jordán Teste Binomial a uma Proporção p Seja p ˆ = X n a proporção de indivíduos com uma
Leia mais3 Modelos de Simulação
43 3 Modelos de Simulação 3.1 Simulação de Monte Carlo O método de Monte Carlo foi concebido com este nome nos anos 40 por John Von Neumann, Stanislaw Ulam e Nicholas Metropolis durante o projeto de pesquisa
Leia maisI-046 ESTUDO DA ASSOCIAÇÃO ENTRE O PIB PER CAPITA E A QUANTIDADE DE RESPIDUOS SÓLIDOS DOMICILIARES COLETADOS EM MANAUS AM: UMA ANÁLISE TRIMESTRAL
I-046 ESTUDO DA ASSOCIAÇÃO ENTRE O PIB PER CAPITA E A QUANTIDADE DE RESPIDUOS SÓLIDOS DOMICILIARES COLETADOS EM MANAUS AM: UMA ANÁLISE TRIMESTRAL Alcemir Ramos de Oliveira Filho (1) Estatístico pela Universidade
Leia maisProbabilidade e Estatística, 2009/2
Probabilidade e Estatística, 2009/2 CCT - UDESC Prof. Fernando Deeke Sasse Problemas Resolvidos - Testes de Hipóteses 1. Uma empresa de manufatura têxtil está testando rolos de fio que o fornecedor afirma
Leia maisTUTORIAL SOBRE ANÁLISE DE REGRESSÃO
TUTORIAL SOBRE ANÁLISE DE REGRESSÃO I. No R: ### Exemplo dados dos alunos: altura x peso ### x = altura e y = peso ############################################ # Entrada de Dados x
Leia maisEstudo do comportamento da Dengue na cidade de Araguari- MG por meio de séries temporais.
Estudo do comportamento da Dengue na cidade de Araguari- MG por meio de séries temporais. 1 Introdução Luiz Carlos Costa Júnior 1 Ednaldo Carvalho Guimarães 2 A dengue é uma doença reemergente, e constitui
Leia maisAS CRISES FINANCEIRAS IMPACTAM NAS VENDAS DE JOIAS? 1
AS CRISES FINANCEIRAS IMPACTAM NAS VENDAS DE JOIAS? 1 Guilherme Batista 2, Daniel Knebel Baggio 3, Bruna Faccin 4. 1 Projeto de pesquisa realizado no curso de Mestrado em Desenvolvimento da Unijuí 2 Aluno
Leia maisPLANO DE ENSINO CONTEÚDO PROGRAMÁTICO. Unidade 1: MEDIDAS E GRANDEZAS. 1.1.- Introdução. 1.2.- Padrões usados para avaliar grandezas físicas
PLANO DE ENSINO FACULDADE: CIÊNCIAS DA SAÚDE DE JUIZ DE FORA CURSO: FARMÁCIA Período: 2º DISCIPLINA: MATEMÁTICA E BIOESTATÍSTICA Ano: 2015 CARGA HORÁRIA: 40 H PRÉ-REQUISITO: - SEMANAL: 02 T TOTAL: 02 AULAS
Leia maisMedidas de dispersão e assimetria
Metodologia de Diagnóstico e Elaboração de Relatório FASHT Medidas de dispersão e assimetria Profª Cesaltina Pires cpires@uevora.pt Plano da Apresentação Medidas de dispersão Variância Desvio padrão Erro
Leia maisModelos de Probabilidade e Inferência Estatística
Modelos de Probabilidade e Inferência Estatística Ronei Marcos de Moraes Análise de Variância e Estatística Nãoparamétrica UFPB Maio/2011 ANOVA - Análise de Variância O caso da comparação de várias médias
Leia mais25 a 30 de novembro de 2013
LSD Introdução à Programa de Pós-Graduação em Estatística e Experimentação Agronômica ESALQ/USP 25 a 30 de novembro de 2013 LSD 1 2 3 LSD 4 Parte 2 - Conteúdo LSD Quando o F da ANOVA está sendo utilizado
Leia maisControle Estátistico de Processo.
Relatório de estudo dos fios. Controle Estátistico de Processo. Indice Item Assunto. Pág. Análise estatística C.E.P. 04 1 Introdução. 04 2 Controle estatístico do processo. 04 2.1 Definição. 04 2.3 Objetivo
Leia maisAULAS 06, 07, 08 E 09 Análise de Regressão Múltipla: Estimação e Inferência
1 AULAS 06, 07, 08 E 09 Análise de Regressão Múltipla: Estimação e Inferência Ernesto F. L. Amaral 18, 23, 25 e 30 de março de 2010 Métodos Quantitativos de Avaliação de Políticas Públicas (DCP 030D) Fonte:
Leia maisPesquisa Mensal de Emprego
Comunicação Social 25 de março de 2004 Pesquisa Mensal de Emprego Taxa de desocupação é de 12% em fevereiro Em fevereiro de 2004, a taxa de desocupação ficou estável tanto em relação ao mês anterior (11,7%)
Leia maisESTATÍSTICA DESCRITIVA:
UNIVERSIDADE FEDERAL DE MATO GROSSO Campus Universitário de Sinop(CUS) ESTATÍSTICA DESCRITIVA: Medidas de forma: Assimetria e Curtose Profº Evaldo Martins Pires SINOP -MT TEMAS TRABALHADOS ATÉ AGORA Aula
Leia maisAULAS 19, 20, 21 E 22 Análise de Regressão Múltipla com Informações Qualitativas
1 AULAS 19, 20, 21 E 22 Análise de Regressão Múltipla com Informações Qualitativas Ernesto F. L. Amaral 13, 18, 20 e 25 de maio de 2010 Métodos Quantitativos de Avaliação de Políticas Públicas (DCP 030D)
Leia maisExemplo de heterocedasticidade. Heterocedasticidade. Gráficos residuais. Gráficos residuais. Gráficos residuais. Gráficos residuais
Heterocedasticidade de heterocedasticidade f(y x) y = β 0 + β x + β x + β k x k + u Outras formas de detectar heterocedasticidade E(y x) = β0 + β x x x x 3 x usq versus yhat (com ajustamento por mínimos
Leia maisAula 1 Assimetria e Curtose
2º Bimestre 1 Estatística e Probabilidade Aula 1 Assimetria e Curtose Professor Luciano Nóbrega Medidas de assimetria As medidas de assimetria e curtose (esta última veremos na próxima aula) são as que
Leia maisCOMO DETERMINAR O IMPACTO DAS VARIAÇÕES PERCENTUAIS
COMO DETERMINAR O IMPACTO DAS VARIAÇÕES! O que é Variação Percentual?! O que é Número Índice?! Como transformar um valor percentual em valor decimal?! Como comparar diferentes taxas percentuais?! Como
Leia maisAumento do emprego contrasta com desindustrialização em SP e RJ
3 set 2007 Nº 35 Aumento do emprego contrasta com desindustrialização em SP e RJ Por Antonio Marcos Ambrozio Economista da SAE Vagas na indústria de transformação foram deslocadas para outras regiões do
Leia maisQuímica Analítica IV ERRO E TRATAMENTO DE DADOS ANALÍTICOS
Química Analítica IV 1 semestre 2012 Profa. Maria Auxiliadora Costa Matos ERRO E TRATAMENTO DE DADOS ANALÍTICOS Todas as medidas físicas possuem um certo grau de incerteza. Quando se faz uma medida, procura-se
Leia maisCIRCULAR TÉCNICA N o 171 NOVEMBRO 1989 TABELAS PARA CLASSIFICAÇÃO DO COEFICIENTE DE VARIAÇÃO
IPEF: FILOSOFIA DE TRABALHO DE UMA ELITE DE EMPRESAS FLORESTAIS BRASILEIRAS ISSN 0100-3453 CIRCULAR TÉCNICA N o 171 NOVEMBRO 1989 TABELAS PARA CLASSIFICAÇÃO DO COEFICIENTE DE VARIAÇÃO INTRODUÇAO Carlos
Leia maisSEEC UNIVERSIDADE DO ESTADO DO RIO GRANDE DO NORTE UERN FACULDADE DE CIÊNCIAS EXATAS E NATURAIS FANAT DEPARTAMENTO DE CIÊNCIAS BIOLÓGICAS DECB
Governo do Estado do Rio Grande do Norte Secretaria de Estado da Educação e da Cultura - SEEC UNVERSDADE DO ESTADO DO RO GRANDE DO NORTE UERN FACULDADE DE CÊNCAS EXATAS E NATURAS FANAT DEPARTAMENTO DE
Leia maisMEDIDAS DE DISPERSÃO. o grau de variabilidade, ou dispersão, dos valores em torno da média.
UNIVERSIDADE FEDERAL DA PARAÍBA MEDIDAS DESCRITIVAS Departamento de Estatística Tarciana Liberal As medidas de posição apresentadas fornecem a informação dos dados apenas a nível pontual, sem ilustrar
Leia maisEstatística Multivariada. Visão Panorâmica. Aplicações: Associação. Classificação. Comparação. Associação. Correlação Bivariada.
Prof. Lorí Viali, Dr. viali@pucrs.br; viali@mat.ufrgs.br; http://www.pucrs.br/famat/viali; http://www.mat.ufrgs.br/~viali/ Embora projetos complexos e métodos sofisticados sejam necessários para responder
Leia maisAula 12 Teste de hipótese sobre proporções amostras grandes
Aula 12 Teste de hipótese sobre proporções amostras grandes Objetivos Na aula anterior, você aprendeu a construir testes de hipóteses sobre a média de uma população normal com variância σ 2 conhecida.
Leia maisUNIDADE 6 TESTES DE HIPÓTESES OBJETIVOS ESPECÍFICOS DE APRENDIZAGEM
Unidade 6 Testes de Hipóteses UNIDADE 6 TESTES DE HIPÓTESES OBJETIVOS ESPECÍFICOS DE APRENDIZAGEM Ao finalizar esta Unidade, você deverá ser capaz de: Escolher o teste de hipótese adequado; Formular um
Leia mais4.1. Variáveis meteorológicas para previsão de carga
4 Curvas de carga A grande aspiração de toda concessionária de energia elétrica é modelar suas curvas de carga para que se possa fazer uma previsão mais próxima do valor real, conseguindo assim um bom
Leia maisLista VII - Técnicas de Projeção e Previsão
Lista VII - Técnicas de Projeção e Previsão 0//0 Professor Salvatore Estatística II Apoio Teórico e Exercícios Fórmulas: b b. ' 0 n. b 0 b.. b. 0 b.. n... i i b ou b n. i ou b r S xy S Explicada ' 0 R
Leia maisUMA PESQUISA DAS RELAÇÕES ENTRE INDICADORES SOCIAS, ECONOMICOS E TECNOLOGICOS DO BANCO MUNDIAL
PONTÍFICIA UNIVERSIDADE CATÓLICA DE SÃO PAULO Faculdade de Economia, Administração, Contabilidade e Atuariais UMA PESQUISA DAS RELAÇÕES ENTRE INDICADORES SOCIAS, ECONOMICOS E TECNOLOGICOS DO BANCO MUNDIAL
Leia maisMODELAGEM ESTATÍSTICA PARA ENSAIOS DE RESISTÊNCIA NA INDÚSTRIA DE CELULOSE E PAPEL
XXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO. MODELAGEM ESTATÍSTICA PARA ENSAIOS DE RESISTÊNCIA NA INDÚSTRIA DE CELULOSE E PAPEL JOHNNY ROCHA JORDAN (UNIPLAC) johnny@jordan.eng.br A Estatística é uma
Leia maisPrograma de Ciências Experimentais 2012-2013
Programa de Ciências Experimentais 2012-2013 I Teoria 1 Introdução 2 Conceitos úteis 2.1 Ordem de grandeza 2.1.1 Introdução 2.1.2 Definição 2.1.3 Representação científica de um número 2.1.4 Ordem de grandeza
Leia maisFUNÇÕES (1) FUNÇÃO DO 1º GRAU E DOMÍNIO DE UMA FUNÇÃO
FUNÇÕES (1) FUNÇÃO DO 1º GRAU E DOMÍNIO DE UMA FUNÇÃO 1. (Epcar (Afa) 016) Para fazer uma instalação elétrica em sua residência, Otávio contatou dois eletricistas. O Sr. Luiz, que cobra uma parte fixa
Leia maisCurso de Especialização em Saúde da Família Modalidade a Distância. Unidade 2 Módulo 3 Taxa ou coeficiente de mortalidade infantil
Curso de Especialização em Saúde da Família Modalidade a Distância Unidade 2 Módulo 3 Taxa ou coeficiente de mortalidade infantil A taxa ou coeficiente de mortalidade infantil é uma estimativa do risco
Leia maisAULA 11 Experimentos Multinomiais e Tabelas de Contingência
1 AULA 11 Experimentos Multinomiais e Tabelas de Contingência Ernesto F. L. Amaral 24 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG)
Leia maisTeste t de Student para o caso de uma amostra (Teste de hipóteses
Teste t de Student para o caso de uma amostra (Teste de hipóteses para a média populacional) Exemplo: Quinze alunos foram inquiridos quanto ao seu grau de satisfação (numa escala de 0 a 00) em relação
Leia maisRetorno e risco de carteiras de investimento. Copyright Pereira, F. I
Retorno e risco de carteiras de investimento OBJETIVOS DA UNIDADE DE ESTUDO Compreender o processo de avaliação do risco de uma carteira. Definir e mensurar a covariancia entre duas variáveis Definir e
Leia maisME613 - Análise de Regressão
3222016 ME613 - Análise de Regressão 3222016 ME613 - Análise de Regressão ME613 - Análise de Regressão Parte 4 Transformações Samara F. Kiihl - IMECC - UNICAMP file:usersimacdocumentsgithubme613-unicampme613-unicamp.github.ioaulasslidesparte04parte04.html
Leia maisMaio 2004. São Paulo. Instituto Brasileiro de Geografia e Estatística - IBGE
Pesquisa Mensal de Emprego Maio 2004 Região Metropolitana de São Paulo Instituto Brasileiro de Geografia e Estatística - IBGE 1 I) INTRODUÇÃO PESQUISA MENSAL DE EMPREGO ESTIMATIVAS PARA O MÊS DE MAIO DE
Leia maisProbabilidade e Estatística - EST0003 Intervalos Estatísticos para uma única Amostra
Probabilidade e Estatística - EST0003 Intervalos Estatísticos para uma única Amostra Fernando Deeke Sasse 14 de maio de 2010 Introdução Quão boa é uma dada estimação de um parâmetro? Suponha que estimamos
Leia maisTeste de hipóteses para médias e proporções amostrais
Teste de hipóteses para médias e proporções amostrais Prof. Marcos Pó Métodos Quantitativos para Ciências Sociais Intervalo de confiança: outro entendimento É o intervalo que contém o parâmetro que queremos
Leia maisElaboração e Análise de Projetos
Elaboração e Análise de Projetos Análise de Mercado Professor: Roberto César ANÁLISE DE MERCADO Além de ser o ponto de partida de qualquer projeto, é um dos aspectos mais importantes para a confecção deste.
Leia maisExperimento. Guia do professor. Séries temporais. Governo Federal. Ministério da Educação. Secretaria de Educação a Distância
Análise de dados e probabilidade Guia do professor Experimento Séries temporais Objetivos da unidade 1. Discutir e propagar, através de uma atividade, alguns conceitos de estatística; 2. Desenvolver a
Leia maisMatemática. A probabilidade pedida é p =
a) Uma urna contém 5 bolinhas numeradas de a 5. Uma bolinha é sorteada, tem observado seu número, e é recolocada na urna. Em seguida, uma segunda bolinha é sorteada e tem observado seu número. Qual a probabilidade
Leia maisMódulo 16- Análise de Regressão
Módulo 6 Análise de Regressão Módulo 6- Análise de Regressão Situação Problema Um grupo de investidores estrangeiros deseja aumentar suas atividades no Brasil. Considerando a conjuntura econômica de moeda
Leia maisMétodos Estatísticos Avançados em Epidemiologia
Métodos Estatísticos Avançados em Epidemiologia Análise de Variância - ANOVA Cap. 12 - Pagano e Gauvreau (2004) - p.254 Enrico A. Colosimo/UFMG Depto. Estatística - ICEx - UFMG 1 / 39 Introdução Existem
Leia maisAula 3 Função do 1º Grau
1 Tecnólogo em Construção de Edifícios Aula 3 Função do 1º Grau Professor Luciano Nóbrega 2 FUNÇÃO POLINOMIAL DO 1º GRAU Uma função polinomial do 1º grau (ou simplesmente, função do 1º grau) é uma relação
Leia mais