Previsão de Tendência do Índice de Inflação Regional por meio de Modelos Estatísticos Multivariados
|
|
- Laura Manuela Mascarenhas Gentil
- 7 Há anos
- Visualizações:
Transcrição
1 Previsão de Tendência do Índice de Inflação Regional por meio de Modelos Estatísticos Multivariados Alexandre Campos Gomes de Souza (UFPR) Resumo O objetivo deste trabalho é comparar a performance de modelos estatísticos multivariados de previsão de tendência do índice de inflação regional, a saber: regressão múltipla, regressão logística e análise discriminante. A variável cuja tendência será objeto de previsão será o IPCA calculado pelo IBGE para a Região Metropolitana de Curitiba(PR). A análise de performance dos modelos foi efetuada a partir das taxas de acerto dos reconhecimentos de cada modelo aos valores observados, resumidamente apresentados em uma Matriz de Classificação. O método com melhor performance foi a regressão logística com 71,4% de acerto, tendo como variáveis preditoras os preços administrados e o IPCA, ambas defasadas em 1 mês. Palavras-chave: Previsão; Inflação; Métodos Estatísticos Multivariados 1.Introdução O objetivo principal deste artigo é o de avaliar ferramentas econométricas que possam colaborar com a análise de conjuntura econômica regional, em especial, na realização de previsões de variáveis chaves. Uma das questões mais elementares concernente ao esforço de realizar previsões econômicas é avaliar, dadas as informações de conjuntura regional, se o índice de inflação local do mês seguinte será maior ou menor ao valor observado do mês corrente. É um exercício de natureza eminentemente prática, muitas vezes realizadas ao sabor de métodos intuitivos e não exatamente científicos, após extensiva e exaustiva análise da conjuntura regional e nacional. Nos esforços aqui despendidos buscamos centrar nossas previsões a partir de variáveis preditoras que compõem o próprio índice de inflação, notadamente seus componentes defasados, todos defasados em 1 período. Foram realizadas diversas simulações onde variáveis preditoras foram alteradas de tal modo a observar a efetividade de cada previsão, assim como a significância dos respectivos modelos.ressaltamos que uma das contribuições do artigo é utilizar e avaliar métodos de previsão de inflação, mas que usualmente são utilizados em outros campos da economia, como previsão de insolvência de empresas. Assim, pelos resultados obtidos concluímos como bastante promissor o uso das técnicas multivariadas utilizadas. 2. Descrição das Técnicas Utilizadas 2.1. Regressão Múltipla 1
2 O modelo de regressão múltipla assume que a variável dependente Yi tem uma função linear com uma série de variáveis independentes Xi mais um termo de erro estocástico, conforme segue: Yi = f (X 1, X 2...X k, ) => Yi = X 2i + 3 X 3i + k X ki + i [1] onde: k, parâmetros a serem estimados Yi e X k variáveis métricas, não qualitativas X k, variáveis independentes ou preditoras, supostas não estocásticas. i, definida como variável estocástica, normalmente distribuída (com média 2 0 e variância constante ) e independentes entre si Diversos métodos são utilizados para estimar os parâmetros do modelo, notadamente os k, sendo o mais conhecido o Método dos Mínimos Quadrados, que busca ajustar a equação [1] aos dados amostrais de tal sorte a minimizar a soma dos quadrados dos erros. O uso do modelo de regressão múltipla para previsões é bem simples: após estimativa dos parâmetros, basta inserir os novos valores de Xk s na equação para obter o valor estimado da variável independente Y. Como esta é uma variável métrica por concepção do modelo, devemos transformá-la para variável binária conforme regra a ser detalhada a seguir Regressão Logística O modelo de regressão logística, também conhecida como modelo Logit, se aplica a situações de pesquisa qualitativa onde a variável dependente Y assume valores binários, ou seja, apenas duas possibilidades de valores podem ocorrer. Em aplicações práticas Y pode ser definida como uma variável dummy representando a ocorrência de um evento ou a escolha entre duas alternativas possíveis. Difere, portanto, da classe de modelos de regressão mínimos quadrados generalizados, onde a variável dependente Y pode assumir qualquer e infinitos valores no conjunto dos números reais, inclusive os dispostos no modelo binário, geralmente 0 e 1. Vale destacar ainda que as variáveis dependentes Xi não são binárias, assim como na regressão múltipla. O modelo Logit é baseado na função de probabilidade logística, muito parecida com a função normal pela simetria, apenas com cauda um pouco mais longa. Sua forma analítica é a que segue: 1 f ( x) = para < x < + [2] 1 x + e Sua função de distribuição acumulada possui imagem no intervalo 0 e 1, de tal sorte que o 2
3 modelo busca de certa forma definir a variável Y como a probabilidade de ocorrência de evento do espaço amostral, definida pelas variáveis independentes X s. Ou seja: 0 < E[Y/X] < 1 [3] A partir da equação [2] chegamos a expressão [4] abaixo: f ( x ) ln 1 f ( x ) = Z i = α + β x [4] Observa-se que a função Logit Zi é linear nos seus parâmetros e. A variável dependente deste modelo de regressão é o logaritmo dos odds (chance), a saber, f(x)/(1 f(x)). Nos casos de pesquisa amostral utiliza-se a freqüência relativa a cada classe de evento em substituição à função de probabilidade da população f(x) desconhecida (PINDYCK&RUBINFELD,1991,260). Como decorrência do fato da variável dependente ser binária, os modelos Logit são nãolineares de tal sorte que não se aplica o método de estimação dos parâmetros pelo método dos mínimos quadrados. Utiliza-se o método de estimação de máxima verossimilhança a partir do uso de métodos numéricos de otimização não lineares iterativos, como o Quase-Newton. O uso do modelo de regressão logística para previsões é bem simples: após estimativa dos parâmetros da função de distribuição logística calculam-se as probabilidades respectivas aos Xk s para obter o valor estimado da variável independente Y. No caso de Yi < 0,5, enquadrase como Yi =0 (i.e, há uma baixa probabilidade da inflação subir); no caso de Yi > 0,5, enquadra-se como Yi =1 (i.e., há uma alta probabilidade da inflação subir); se Yi = 0.5, a solução é indeterminada. 2.3.Análise Discriminante A análise discriminante trata de problemas de alocação de novos objetos em grupos, segmentado a partir de variáveis que os discriminam uns dos outros. A partir de um conjunto multidimensional de variáveis discriminantes estima-se uma função discriminante unidimensional utilizada para alocação de objetos nos grupos de melhor aderência. Conforme Johnson&Wichern (2002,610), a função discriminante de Fischer (ou escore do objeto k) Zk de uma análise multivariada de n dimensões nada mais é que uma combinação linear das variáveis Xn s (ver [5]) que maximiza a razão distância ao quadrado entre as médias amostrais e a variância amostral de Y, resultando no cálculo dos parâmetros wn e assumindo a forma [6] abaixo: Z k = C X [5] 3
4 onde: C = vetor dos pesos discriminantes maximizadores, com dimensão k x 1 X = vetor das variáveis multivariadas, com dimensão k x 1 Zk = dimensão 1 x 1 Z k = w 1. X 1k + w 2. X 2k + + w n. X n k [6] onde: wn = peso discriminante da variável independente Xn A regra de alocação baseada na função de discriminante de Fischer considerando dois grupos 1 e 2 - é a seguinte: aloca-se o objeto k 0 no grupo 1, se Z k0 > m e no grupo 2, se Z k0 < m, onde m o ponto médio entre as duas populações univariadas. A avaliação da precisão preditiva de pertinência do grupo na análise discriminante é realizada a partir da construção de uma Matriz de Classificação, também denominada de Matriz de Confusão. Neste esquema, a partir da amostra de dados considerada para estimativa da função discriminante de Fischer aplicamos a cada uma delas a dita função e verificamos o percentual de acertos/sucessos entre a classificação prevista e a real observada ex-ante. 3. Metodologia e Análise Preliminar dos Dados Como o objetivo do trabalho é prever com 1 mês de antecedência se a inflação do mês seguinte será maior ou menor à inflação do mês corrente, as variáveis independentes ou preditoras devem estar defasadas ao menos em 1 período da variável dependente Y. Modelamos Y como uma variável qualitativa, de tal sorte que se a tendência for positiva (i.e. aumento da inflação) Y assume valor 1; se negativa, Y assume valor 0. Desta forma, sejam: n meses da série de dados de IPCA calculado pelo IBGE para região metropolitana de Curitiba; Y a variável dependente binária definidora da tendência da inflação para o mês seguinte, conforme regra geral abaixo: Yn = 0, se (IPCA t+1 IPCA t ) < 0 [7] (i.e.tendência de redução da inflação em relação ao último mês observado) Yn = 1, se (IPCA t+1 IPCA t ) >= 0 (i.e.tendência de aumento ou igualdade da inflação em relação ao último mês observado) 4
5 No caso específico das regressões logísticas, se aplica a seguinte regra: [8] Yn = 0, se Prob(Y=1) < 0,5 Yn = 1, se Prob(Y=1) > 0,5 No caso da Análise Discriminante, a seguinte regra é aplicada, lembrando que m é o ponto médio entre as duas populações univariadas: [9] Yn = 0, se (Yn - m) >= 0 Yn = 1, se (Yn - m) < 0 M o número de variáveis consideradas para prever o índice de inflação. Utilizamos as seguintes variáveis, todas referentes à Curitiba e defasadas 1 período: o IPCA; os componentes desagregados do IPCA preços administrados, comercializáveis e não comercializáveis. A escolha dessas variáveis decorreu da verificação de ocorrência de um processo auto-regressivo relevante para lag = 1, a partir de análise da função de autocorrelação serial do IPCA. Nossa suposição de dependência do IPCA é descrita de maneira genérica pela expressão abaixo: IPCA t+1 = f(ipca t, Comercializados t, Não Comercializados t, Administrados t ) A performance dos modelos será feita a partir da taxa de acertos na classificação dos dados observados, resumidamente apresentada em uma Matriz de Classificação, a seguir apresentada: Classificação Preditas pelo Modelo Preditas pelo Modelo % de acertos /( ) * /( ) * 100 Fonte: Hair et alli (2005) total ( ) / ( ) * 100 Tabela 1 Modelo de Matriz de Classificação 5
6 Na regressão múltipla, depois de estimados os parâmetros, recuperamos os valores previstos pelo modelo para a variável Y (lembramos que Y é suposta uma variável métrica na no modelo de regressão múltipla). A seguir, aplicamos o critério [7] para transformá-los em dados binários. Na regressão logística, conforme o critério [8], assumimos que as probabilidades de cada dado previsto pelo modelo superiores a 50% define a variável Y como de valor; ao contrário, define-se Y= 0. Usamos o software Statistica para estimativa dos parâmetros tanto da regressão múltipla, quanto da regressão logística. As transformações da variável Y de métrica para binária foram efetuadas em Excel. No modelo Análise Discriminante, inicialmente isolamos os dados em dois grupos a depender do enquadramento dos dados observados de IPCA à variável Y pelo critério [7]. A seguir, estimamos os parâmetros da Função Discriminante de Fischer FDF - a partir do software MATLAB. Em planilha Excel, aplicamos a FDF para cada observação real de Y o alocamos a um dos dois grupos, a partir da regra de alocação descrita critério [9]. 4. Resultados e Avaliação dos Métodos Apresentamos abaixo as simulações realizadas, cada qual com sua Matriz de Classificação Regressão Múltipla I IPCA t+1 = f(ipca t ) - modelo estimado (estatística t entre parênteses) IPCA t+1 = , IPCA t (4.62) (3.820) R 2 = F(1,74) = 14,6 O baixo R 2 sugere que boa parte da variância do IPCA t+1 não é explicada pelo modelo. Frisamos que usaremos a Matriz de Classificação como instrumento de performance do modelo, subsidiariamente ao R 2. A estatística F indica, ao nível de significância de 5%, que o modelo encontrado é válido. Os parâmetros estimados do modelo são significantemente diferentes de zero, ao nível de 5 % ,4 % ,0 % total 68,4 % 4.2. Regressão Múltipla III 1 Foram realizadas outras simulações; as apresentadas aqui foram as de resultados estatísticos relevantes. 6
7 IPCA t+1 = f(comercializados t ) - modelo estimado (estatística t entre parênteses) IPCA t+1 = Comerc t (4.900) (4.113) R 2 = F(1,74) = 16,918 O baixo R 2 sugere que boa parte da variância do IPCA t+1 não é explicada pelo modelo. Frisamos que usaremos a Matriz de Classificação como instrumento de performance do modelo, subsidiariamente ao R 2.No caso em questão, como pode ser verificado logo abaixo, a performance foi a mais baixa das simulações realizadas, com 52,6%, quase próxima a probabilidade de ser escolhido aleatoriamente (50%). A estatística F indica, ao nível de significância de 5%, que o modelo encontrado é válido. Os parâmetros estimados são significativamente diferentes de zero, ao nível de significância de 5 % ,4 % ,6 % total 52,6 % 4.3. Regressão Logística I IPCA t+1 = f(comercializados t, Não Comercializados t, Administrados t ) ln - modelo estimado (estatística t entre parênteses) f ( IPCA t + 1 = 1) = 1 f ( IPCA = 1) t Comerc t NComerc t Admin t (2.967) (-0.639) ( ) ( ) Apenas o parâmetro respectivo à variável Comerc t não é significante a 10%. A avaliação da performance do modelo é avaliada pela matriz de classificação abaixo ,2 % ,0 % total 68,8 % 4.4. Regressão Logística II 7
8 IPCA t+1 = f(ipca t, Administrados t ) - modelo estimado (estatística t entre parênteses) f ( IPCA t + 1 = 1) ln = IPCA t Admin t 1 f ( IPCA = 1) t + 1 (2.742) (-1.736) (-0.942) Apenas o parâmetro respectivo à variável Admin t não é significante a 10%, mas o é ao nível de significância de 30%. A avaliação da performance do modelo é avaliada pela matriz de classificação a seguir ,2 % ,0 % total 71,4% 4.5. Análise Discriminante IPCA t+1 = f(ipca t, Comercializados t, Não Comercializados t, Administrados t ) - Função Discriminante de Fischer IPCA t+1 = IPCA t Comerc t Não Comerc t + m = Admin t A avaliação da performance do modelo é avaliada pela matriz de classificação abaixo ,0 % ,0% total 67,5 % 5.Comentários Finais Apresentamos a seguir um resumo dos resultados das diversas simulações realizadas: 8
9 Item método % acertos % acertos % acertos total 4.1 Regressão Múltipla 59,4 % 75,0 % 68,4 % 4.2 Regressão Múltipla 51,4 % 53,6 % 52,6 % 4.3 Regressão Logística 62,2 % 75,0 % 68,8 % 4.4 Regressão Logística 62,2 % 80,0 % 71,4% 4.5 Análise Discriminante 54,0 % 80,0 % 67,5 % média 58,7% 73,3 % 66,5 % Tabela 2 Resumo dos Resultados das Simulações Observa-se que, sem exceção, os percentuais de acertos para Y =0 foram piores do que os percentuais para, em valores médios 58,7% e 73,3%, respectivamente. Assim, caso a tendência real seja positiva, os modelos teriam em tese maior probabilidade de acertar do que na situação oposta (tendência negativa) O modelo com a melhor performance foi o simulado no item 4.4, referente à Regressão Logística utilizando o IPCA e os Preços Administrados como variáveis preditoras. À exceção da regressão múltipla do item 4.2 com taxa de acerto em torno de 50%, as demais simulações apresentaram taxa de acerto muito próximas, beirando os 70%. Podemos concluir que não há uma distinção relevante entre os três métodos utilizados no que se refere à performance ao objetivo proposto. Também vale observar que não há uma relação evidente entre número de variáveis preditoras e sua performance. Por exemplo, a simulação realizada no item 4.1 teve boa performance utilizando um modelo de regressão simples com uma única variável preditora. Chamamos atenção ainda ao fato de que modelos cujos parâmetros não foram significativamente diferente de zero não houve prejuízo às suas performances. Relevamos às Matrizes de Classificação resultantes das simulações como importantes instrumentos de aferição e comparação da eficácia dos modelos. Muito embora tratar-se de um estudo exploratório ao tema, consideramos o percentual de acerto de 70% relevante em se tratando de estimativas estatísticas. Referências HAIR, J.F. JR;ANDERSON,R.E.;TATHAM;R.L.;BLACK,W.C.. Análise Multivariada de Dados. 5ª Edição. Bookman, JOHNSON, R. A.; WICHERN, D.W. Applied Multivariate Statistical Analysis. Prentice Hall,2002. PINDYCK,R.S.;RUBINFELD,D.L.. Econometric Models and Economic Forecasts. McGraw-Hill,
Disciplina de Modelos Lineares Professora Ariane Ferreira
Disciplina de Modelos Lineares 2012-2 Regressão Logística Professora Ariane Ferreira O modelo de regressão logístico é semelhante ao modelo de regressão linear. No entanto, no modelo logístico a variável
Leia maisvariável dependente natureza dicotômica ou binária independentes, tanto podem ser categóricas ou não estimar a probabilidade associada à ocorrência
REGRESSÃO LOGÍSTICA É uma técnica recomendada para situações em que a variável dependente é de natureza dicotômica ou binária. Quanto às independentes, tanto podem ser categóricas ou não. A regressão logística
Leia maisAnálise Multivariada Aplicada à Contabilidade
Mestrado e Doutorado em Controladoria e Contabilidade Análise Multivariada Aplicada à Contabilidade Prof. Dr. Marcelo Botelho da Costa Moraes www.marcelobotelho.com mbotelho@usp.br Turma: 2º / 2016 1 Agenda
Leia maisAnálise estatística multivariada
Análise estatística multivariada Conjunto de procedimentos para a análise simultânea de duas ou mais medidas de cada caso/observação Os dados coletados p variáveis - de uma amostra de tamanho n podem ser
Leia maisEstatística: Aplicação ao Sensoriamento Remoto SER ANO Avaliação de Classificação
Estatística: Aplicação ao Sensoriamento Remoto SER 204 - ANO 2018 Avaliação de Classificação Camilo Daleles Rennó camilo@dpi.inpe.br http://www.dpi.inpe.br/~camilo/estatistica/ Classificação e Incerteza
Leia maisMétodos Quantitativos para Avaliação de Políticas Públicas
ACH3657 Métodos Quantitativos para Avaliação de Políticas Públicas Aula 11 Análise de Resíduos Alexandre Ribeiro Leichsenring alexandre.leichsenring@usp.br Alexandre Leichsenring ACH3657 Aula 11 1 / 26
Leia maisAnálise e Previsão de Séries Temporais Aula 1: Introdução às séries temporais. Eraylson Galdino
Análise e Previsão de Séries Temporais Aula 1: Introdução às séries temporais egs@cin.ufpe.br Agenda Séries Temporais: Definições Exemplos Modelos simples com média zero: Ruído I.I.D Processo Binário Random
Leia maisRalph S. Silva
ANÁLISE ESTATÍSTICA MULTIVARIADA Ralph S. Silva http://www.im.ufrj.br/ralph/multivariada.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Agradecimentos
Leia maisAnálise Multivariada Aplicada à Contabilidade
Mestrado e Doutorado em Controladoria e Contabilidade Análise Multivariada Aplicada à Contabilidade Prof. Dr. Marcelo Botelho da Costa Moraes www.marcelobotelho.com mbotelho@usp.br Turma: 2º / 2016 1 Agenda
Leia maisCap. 8 - Intervalos Estatísticos para uma Única Amostra
Intervalos Estatísticos para ESQUEMA DO CAPÍTULO 8.1 INTRODUÇÃO 8.2 INTERVALO DE CONFIANÇA PARA A MÉDIA DE UMA DISTRIBUIÇÃO NORMAL, VARIÂNCIA CONHECIDA 8.3 INTERVALO DE CONFIANÇA PARA A MÉDIA DE UMA DISTRIBUIÇÃO
Leia maisAula 2 Uma breve revisão sobre modelos lineares
Aula Uma breve revisão sobre modelos lineares Processo de ajuste de um modelo de regressão O ajuste de modelos de regressão tem como principais objetivos descrever relações entre variáveis, estimar e testar
Leia maisPredição do preço médio anual do frango por intermédio de regressão linear
Predição do preço médio anual do frango por intermédio de regressão linear João Flávio A. Silva 1 Tatiane Gomes Araújo 2 Janser Moura Pereira 3 1 Introdução Visando atender de maneira simultânea e harmônica
Leia maisCorrelação e Regressão Linear
Correlação e Regressão Linear Prof. Marcos Vinicius Pó Métodos Quantitativos para Ciências Sociais CORRELAÇÃO LINEAR Coeficiente de correlação linear r Mede o grau de relacionamento linear entre valores
Leia mais4 Modelos de Regressão Dinâmica
4 Modelos de Regressão Dinâmica Nos modelos de regressão linear (Johnston e Dinardo, 1998) estudados comumente na literatura, supõe-se que os erros gerados pelo modelo possuem algumas características como:
Leia maisRafael Izbicki 1 / 38
Mineração de Dados Aula 7: Classificação Rafael Izbicki 1 / 38 Revisão Um problema de classificação é um problema de predição em que Y é qualitativo. Em um problema de classificação, é comum se usar R(g)
Leia maisPREVISÃO. Prever o que irá. acontecer. boas decisões com impacto no futuro. Informação disponível. -quantitativa: dados.
PREVISÃO O problema: usar a informação disponível para tomar boas decisões com impacto no futuro Informação disponível -qualitativa Prever o que irá acontecer -quantitativa: dados t DEI/FCTUC/PGP/00 1
Leia maisEsse material foi extraído de Barbetta (2007 cap 13)
Esse material foi extraído de Barbetta (2007 cap 13) - Predizer valores de uma variável dependente (Y) em função de uma variável independente (X). - Conhecer o quanto variações de X podem afetar Y. Exemplos
Leia maisModelagem do comportamento da variação do índice IBOVESPA através da metodologia de séries temporais
Modelagem do comportamento da variação do índice IBOVESPA através da metodologia de séries temporais João Eduardo da Silva Pereira (UFSM) jesp@smail.ufsm.br Tânia Maria Frighetto (UFSM) jesp@smail.ufsm.br
Leia maisCONHECIMENTOS ESPECÍFICOS
fonte de graus de soma de quadrado variação liberdade quadrados médio teste F regressão 1 1,4 1,4 46,2 resíduo 28 0,8 0,03 total 2,2 A tabela de análise de variância (ANOVA) ilustrada acima resulta de
Leia maisAULA 09 Regressão. Ernesto F. L. Amaral. 17 de setembro de 2012
1 AULA 09 Regressão Ernesto F. L. Amaral 17 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario F. 2008. Introdução à
Leia mais1 Que é Estatística?, 1. 2 Séries Estatísticas, 9. 3 Medidas Descritivas, 27
Prefácio, xiii 1 Que é Estatística?, 1 1.1 Introdução, 1 1.2 Desenvolvimento da estatística, 1 1.2.1 Estatística descritiva, 2 1.2.2 Estatística inferencial, 2 1.3 Sobre os softwares estatísticos, 2 1.4
Leia mais'HVFULomRH$QiOLVH([SORUDWyULDGRV'DGRV
69 'HVFULomRH$QiOLVH([SORUDWyULDGRV'DGRV O presente capítulo objetiva entender o comportamento das séries de retorno financeiras para as carteiras de investimento elaboradas no capítulo anterior. Tal análise
Leia maisAULA 17 - Variáveis binárias
AULA 17 - Variáveis binárias Susan Schommer Econometria I - IE/UFRJ Variáveis binárias A variável binária (ou dummy) é um simples exemplo de variável aleatória, o qual é chamada de função indicadora de
Leia maisMétodos Quantitativos Aplicados
Métodos Quantitativos Aplicados Mestrados Economia e Gestão de Ciência, Tecnologia e Inovação, Economia e Políticas Públicas, Economia Internacional e Estudos Europeus Aula 1 Docente: Vítor Escária vescaria@iseg.ulisboa.pt
Leia maisAnálise de regressão linear simples. Diagrama de dispersão
Introdução Análise de regressão linear simples Departamento de Matemática Escola Superior de Tecnologia de Viseu A análise de regressão estuda o relacionamento entre uma variável chamada a variável dependente
Leia maisProbabilidade e Estatística. Estimação de Parâmetros Intervalo de Confiança
Probabilidade e Estatística Prof. Dr. Narciso Gonçalves da Silva http://páginapessoal.utfpr.edu.br/ngsilva Estimação de Parâmetros Intervalo de Confiança Introdução A inferência estatística é o processo
Leia mais5 Filtro de Kalman Aplicado ao Modelo de Schwartz e Smith (2000)
5 Filtro de Kalman Aplicado ao Modelo de Schwartz e Smith (2000) A primeira parte deste capítulo, referente à passagem dos modelos estocásticos para as equações do Filtro de Kalman, já foi previamente
Leia maisAnálise de Regressão Linear Simples e
Análise de Regressão Linear Simples e Múltipla Carla Henriques Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução A análise de regressão estuda o relacionamento entre uma variável
Leia maisNotas de Aulas Econometria I ** Eduardo P. Ribeiro, 2010 PARTE II
Notas de Aulas Econometria I ** Eduardo P Ribeiro, 00 PARTE II Autocorrelação Autocorrelação: violação da hipótese: E [ε t ε t-s ] = 0, para s > 0, como por exemplo, ε t = ε t- + υ t, onde υ t é ruído
Leia maisProfessora: Cira Souza Pitombo. Disciplina: Aplicações de técnicas de análise de dados
UNIVERSIDADE FEDERAL DA BAHIA ESCOLA POLITÉCNICA MESTRADO EM ENGENHARIA AMBIENTAL E URBANA Apresentação do Curso Introdução Professora: Cira Souza Pitombo Disciplina: Aplicações de técnicas de análise
Leia maisAjustar Técnica usada na análise dos dados para controlar ou considerar possíveis variáveis de confusão.
Glossário Ajustar Técnica usada na análise dos dados para controlar ou considerar possíveis variáveis de confusão. Análise de co-variância: Procedimento estatístico utilizado para análise de dados que
Leia maisEconometria. Econometria ( ) O modelo de regressão linear múltipla. O modelo de regressão linear múltipla. Aula 2-26/8/2010
Aula - 6/8/010 Econometria Econometria 1. Hipóteses do Modelo de RLM O modelo de regressão linear múltipla Estudar a relação entre uma variável dependente e uma ou mais variáveis independentes. Forma genérica:
Leia maisAULA 07 Inferência a Partir de Duas Amostras
1 AULA 07 Inferência a Partir de Duas Amostras Ernesto F. L. Amaral 10 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola,
Leia maisRalph S. Silva
ANÁLISE ESTATÍSTICA MULTIVARIADA Ralph S Silva http://wwwimufrjbr/ralph/multivariadahtml Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Revisão:
Leia maisCorrelação e Regressão
Correlação e Regressão Vamos começar com um exemplo: Temos abaixo uma amostra do tempo de serviço de 10 funcionários de uma companhia de seguros e o número de clientes que cada um possui. Será que existe
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS Em uma grande escola, 10% dos alunos são comprovadamente fracos. Um teste educacional conseguiu identificar corretamente 80% entre aqueles que são fracos e 85% entre aqueles que
Leia maisPREFERÊNCIA DO CONSUMIDOR: UM ESTUDO DE CASO COM APLICAÇÃO DE ANÁLISE CONJUNTA E MODELOS DE REGRESSÃO
PREFERÊNCIA DO CONSUMIDOR: UM ESTUDO DE CASO COM APLICAÇÃO DE ANÁLISE CONJUNTA E MODELOS DE REGRESSÃO Gustavo Rocha Aquino González 1 Ana Paula Barbosa Sobral 2 Jane Azevedo da Silva 3 Raquel Campanate
Leia mais2 Modelos Não Lineares
Modelos Não Lineares 17 2 Modelos Não Lineares 2.1. Introdução Nos últimos anos, muitos modelos não-lineares para a análise de séries temporais têm sido propostos. Na econometria clássica, os modelos de
Leia maisMAE Introdução à Probabilidade e Estatística II Resolução Lista 5
MAE 229 - Introdução à Probabilidade e Estatística II Resolução Lista 5 Professor: Pedro Morettin e Profa. Chang Chian Exercício 1 (a) De uma forma geral, o desvio padrão é usado para medir a dispersão
Leia maisAnálise Multivariada Aplicada à Contabilidade
Mestrado e Doutorado em Controladoria e Contabilidade Análise Multivariada Aplicada à Contabilidade Prof. Dr. Marcelo Botelho da Costa Moraes www.marcelobotelho.com mbotelho@usp.br Turma: 2º / 2016 1 Agenda
Leia maisEconometria. Econometria MQO MQO. Resíduos. Resíduos MQO. 1. Exemplo da técnica MQO. 2. Hipóteses do Modelo de RLM. 3.
3. Ajuste do Modelo 4. Modelo Restrito Resíduos Resíduos 1 M = I- X(X X) -1 X Hipóteses do modelo Linearidade significa ser linear nos parâmetros. Identificação: Só existe um único conjunto de parâmetros
Leia maisEconometria em Finanças e Atuária
Ralph S. Silva http://www.im.ufrj.br/ralph/especializacao.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Maio-Junho/2013 Modelos condicionalmente
Leia mais5 Avaliação dos estimadores propostos
5 valiação dos estimadores propostos Este capítulo apresenta as medidas estatísticas usuais para avaliar a qualidade de estimadores e as expressões utilizadas para a estimação destas medidas, a partir
Leia maisModelos de Regressão Linear Simples parte I
Modelos de Regressão Linear Simples parte I Erica Castilho Rodrigues 27 de Setembro de 2017 1 2 Objetivos Ao final deste capítulo você deve ser capaz de: Usar modelos de regressão para construir modelos
Leia maisMétodos Numéricos e Estatísticos Parte II-Métodos Estatísticos
Métodos Numéricos e Estatísticos Parte II-Métodos Estatísticos Lic. Eng. Biomédica e Bioengenharia-2009/2010 Modelos de regressão É usual estarmos interessados em estabelecer uma relação entre uma variável
Leia maisTransformação de dados como alternativa a análise variância. univariada
Transformação de dados como alternativa a análise variância 1 Introdução univariada 1 Katia Alves Campos 1 Crysttian Arantes Paixão 2 Augusto Ramalho Morais 3 Normalmente nos experimentos, realizados em
Leia maisA Metodologia de Box & Jenkins
A Metodologia de Box & Jenins Aula 03 Bueno, 0, Capítulo 3 Enders, 009, Capítulo Morettin e Toloi, 006, Capítulos 6 a 8 A Metodologia Box & Jenins Uma abordagem bastante utilizada para a construção de
Leia maisREGRESSÃO E CORRELAÇÃO
REGRESSÃO E CORRELAÇÃO A interpretação moderna da regressão A análise de regressão diz respeito ao estudo da dependência de uma variável, a variável dependente, em relação a uma ou mais variáveis explanatórias,
Leia maisTécnicas computacionais em probabilidade e estatística II
Técnicas computacionais em probabilidade e estatística II Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco AULA 1: Problemas Computacionais em Inferência Estatística.
Leia maisUniversidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica. Regressão. David Menotti.
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Regressão David Menotti www.inf.ufpr.br/menotti/ci171-182 Hoje Regressão Linear ( e Múltipla ) Não-Linear ( Exponencial / Logística
Leia maisCapítulo 3. O Modelo de Regressão Linear Simples: Especificação e Estimação
Capítulo 3 O Modelo de Regressão Linear Simples: Especificação e Estimação Introdução Teoria Econômica Microeconomia: Estudamos modelos de oferta e demanda (quantidades demandadas e oferecidas dependem
Leia maisPrevisão de Insolvência de Cooperativas Agropecuárias por Meio de Modelos Multivariados. Rev. FAE, Curitiba, v.4, n.3, p.65-78, set./dez.
ARTIGO: Previsão de Insolvência de Cooperativas Agropecuárias por Meio de Modelos Multivariados Régio Marcio Toesca Gimenes* *Doutor em Administração de Empresas pela Universidade de León/ Espanha. Professor
Leia maisAULA 05 Teste de Hipótese
1 AULA 05 Teste de Hipótese Ernesto F. L. Amaral 03 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario F. 2008. Introdução
Leia maisA ANÁLISE EXPLORATÓRIA DE DADOS ESPACIAIS: breve introdução José Irineu Rangel Rigotti
A ANÁLISE EXPLORATÓRIA DE DADOS ESPACIAIS: breve introdução José Irineu Rangel Rigotti A análise de dados espaciais pode ser empreendida sempre que as informações estiverem espacialmente localizadas e
Leia maisUso de Algoritmo Genético para a otimização do ponto de corte da probabilidade de sucesso estimada do modelo de Regressão Logística
Uso de Algoritmo Genético para a otimização do ponto de corte da probabilidade de sucesso estimada do modelo de Regressão Logística José Edson Rodrigues Guedes Gondim 1 Joab de Oliveira Lima 2 1 Introdução
Leia maisESTUDO COMPARATIVO DOS ESCORES FATORIAIS E DE COMPONENTES PRINCIPAIS EM DADOS ARQUEOMÉTRICOS.
ESTUDO OMPRTIVO DOS ESORES FTORIIS E DE OMPONENTES PRINIPIS EM DDOS RQUEOMÉTRIOS. P.T.M.S. Oliveira, IME-USP,poliveir@ime.usp.br.. S. Munita, IPEN-NEN/SP, munita@curiango.ipen.br RESUMO: Em estudos arqueométricos
Leia maisUNIVERSIDADE FEDERAL DA FRONTEIRA SUL Campus CERRO LARGO. PROJETO DE EXTENSÃO Software R: de dados utilizando um software livre.
UNIVERSIDADE FEDERAL DA FRONTEIRA SUL Campus CERRO LARGO PROJETO DE EXTENSÃO Software R: Capacitação em análise estatística de dados utilizando um software livre. Fonte: https://www.r-project.org/ Módulo
Leia maisipea O DESEMPENHO DO MERCADO (FOCUS) E DO BACEN NA PREVISÃO DA INFLAÇÃO: COMPARAÇÕES COM MODELOS LINEARES UNIVARIADOS 1. INTRODUÇÃO 2.
O DESEMPENHO DO MERCADO (FOCUS) E DO BACEN NA PREVISÃO DA INFLAÇÃO: COMPARAÇÕES COM MODELOS LINEARES UNIVARIADOS Elcyon Caiado Rocha Lima Brisne J. Vasquez Céspedes 1. INTRODUÇÃO A capacidade do Banco
Leia maisCapítulo 2. Distribuições de Probabilidade Estimativas de parâmetros e tempos-atéfalha. Flávio Fogliatto
Capítulo 2 Distribuições de Probabilidade Estimativas de parâmetros e tempos-atéfalha Flávio Fogliatto 1 Ajustes de distribuições Em estudos de confiabilidade, dados são amostrados a partir de uma população
Leia maisAvaliação Monte Carlo do teste para comparação de duas matrizes de covariâncias normais na presença de correlação
Avaliação Monte Carlo do teste para comparação de duas matrizes de covariâncias normais na presença de correlação Vanessa Siqueira Peres da Silva 1 2 Daniel Furtado Ferreira 1 1 Introdução É comum em determinadas
Leia maisdiferença não aleatória na distribuição dos fatores de risco entre os dois grupos
Confundimento erro devido a uma diferença não aleatória na distribuição dos fatores de risco entre os dois grupos. A variável de confundimento está distribuída desigualmente entre os grupos comparados.
Leia maisÍNDICE. Variáveis, Populações e Amostras. Estatística Descritiva PREFÁCIO 15 NOTA À 3ª EDIÇÃO 17 COMO USAR ESTE LIVRO? 21 CAPÍTULO 1 CAPÍTULO 2
COMO USAR ESTE LIVRO ÍNDICE PREFÁCIO 15 NOTA À 3ª EDIÇÃO 17 COMO USAR ESTE LIVRO? 21 CAPÍTULO 1 Variáveis, Populações e Amostras 1.1. VARIÁVEIS ESTATÍSTICAS E ESCALAS DE MEDIDA 27 1.2. POPULAÇÃO VS. AMOSTRA
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ. Adriane Machado (GRR ), Cinthia Zamin Cavassola(GRR ) e Luiza Hoffelder da Costa(GRR )
UNIVERSIDADE FEDERAL DO PARANÁ Adriane Machado (GRR20149152), Cinthia Zamin Cavassola(GRR20149075) e Luiza Hoffelder da Costa(GRR20149107) AJUSTE DE MODELO DE REGRESSÃO LOGÍSTICA REFERENTE À PRESENÇA DE
Leia maisAula 2 Tópicos em Econometria I. Porque estudar econometria? Causalidade! Modelo de RLM Hipóteses
Aula 2 Tópicos em Econometria I Porque estudar econometria? Causalidade! Modelo de RLM Hipóteses A Questão da Causalidade Estabelecer relações entre variáveis não é suficiente para a análise econômica.
Leia maisPara ajudar a interpretar os resultados, o Cartão de Relatórios do Assistente do teste de % de defeituosos para 1 amostra exibe os seguintes
Este documento é de uma série de papéis que explicam a pesquisa conduzida por estatísticos da Minitab para desenvolver os métodos e as verificações de dados usadas no assistente no software estatístico
Leia mais1. 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 maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Em muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento.
Leia maisESTATÍSTICA RESUMO E EXERCÍCIOS DE PROVAS ANTERIORES * *Resoluções destes exercícios grátis em simplificaaulas.com
ESTATÍSTICA RESUMO E EXERCÍCIOS DE PROVAS ANTERIORES * *Resoluções destes exercícios grátis em Conceitos e Fundamentos População: conjunto de elementos, número de pessoas de uma cidade. Amostra: parte
Leia maisAULA 07 Regressão. Ernesto F. L. Amaral. 05 de outubro de 2013
1 AULA 07 Regressão Ernesto F. L. Amaral 05 de outubro de 2013 Centro de Pesquisas Quantitativas em Ciências Sociais (CPEQS) Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas
Leia maisESTATÍSTICA EXPERIMENTAL. ANOVA. Aula 05
ESTATÍSTICA EXPERIMENTAL ANOVA. Aula 05 Introdução A ANOVA ou Análise de Variância é um procedimento usado para comparar a distribuição de três ou mais grupos em amostras independentes. A análise de variância
Leia maisRoteiro. PCC142 / BCC444 - Mineração de Dados Regressão. Modelos de Regressão. Introdução
Roteiro PCC142 / BCC444 - Mineração de Dados Regressão Introdução Luiz Henrique de Campos Merschmann Departamento de Computação Universidade Federal de Ouro Preto luizhenrique@iceb.ufop.br www.decom.ufop.br/luiz
Leia maisA análise de séries temporais é uma área da estatística dedicada ao estudo de dados orientados no tempo (MONTGOMERY, 2004).
3 Séries temporais A análise de séries temporais é uma área da estatística dedicada ao estudo de dados orientados no tempo (MONTGOMERY, 2004). 3.1. Princípios fundamentais Conforme Box et al. (1994), uma
Leia maisAULA 04 Teste de hipótese
1 AULA 04 Teste de hipótese Ernesto F. L. Amaral 03 de outubro de 2013 Centro de Pesquisas Quantitativas em Ciências Sociais (CPEQS) Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal
Leia maisTécnicas Multivariadas em Saúde
Roteiro Técnicas Multivariadas em Saúde Lupércio França Bessegato Dep. Estatística/UFJF 1. Introdução 2. Distribuições de Probabilidade Multivariadas 3. Representação de Dados Multivariados 4. Testes de
Leia maisMedidas de Dispersão ou variabilidade
Medidas de Dispersão ou variabilidade A média - ainda que considerada como um número que tem a faculdade de representar uma série de valores - não pode, por si mesma, destacar o grau de homogeneidade ou
Leia maisModelo de Regressão Múltipla
Modelo de Regressão Múltipla Modelo de Regressão Linear Simples Última aula: Y = α + βx + i i ε i Y é a variável resposta; X é a variável independente; ε representa o erro. 2 Modelo Clássico de Regressão
Leia maisRegressão linear simples
Regressão linear simples Universidade Estadual de Santa Cruz Ivan Bezerra Allaman Introdução Foi visto na aula anterior que o coeficiente de correlação de Pearson é utilizado para mensurar o grau de associação
Leia maisSumário. CAPÍTULO 1 Conceitos preliminares 1. CAPÍTULO 2 Descrição de dados: análise monovariada 47
CAPÍTULO 1 Conceitos preliminares 1 Introdução........................................................1 O que é estatística?.................................................. 4 Papel dos microcomputadores.........................................
Leia maisUNIVERSIDADE FEDERAL FLUMINENSE. Programa de Mestrado e Doutorado em Engenharia de Produção. Disciplina: Estatística Multivariada
UNIVERSIDADE FEDERAL FLUMINENSE Programa de Mestrado e Doutorado em Engenharia de Produção Disciplina: Estatística Multivariada Aula: Análise Discriminante Professor: Valdecy Pereira, D. Sc. email: valdecy.pereira@gmail.com
Leia maisTeste de % de defeituosos para 1 amostra
DOCUMENTO OFICIAL DO ASSISTENTE DO MINITAB Este documento é de uma série de papéis que explicam a pesquisa conduzida por estatísticos da Minitab para desenvolver os métodos e as verificações de dados usadas
Leia maisRESOLUÇÃO Nº 01/2016
Legislações Complementares: Resolução Nº 02/2016 Colegiado DEst Resolução Nº 03/2016 Colegiado DEst Resolução Nº 01/2017 Colegiado DEst RESOLUÇÃO Nº 01/2016 O Departamento de Estatística, tendo em vista
Leia mais9 Correlação e Regressão. 9-1 Aspectos Gerais 9-2 Correlação 9-3 Regressão 9-4 Intervalos de Variação e Predição 9-5 Regressão Múltipla
9 Correlação e Regressão 9-1 Aspectos Gerais 9-2 Correlação 9-3 Regressão 9-4 Intervalos de Variação e Predição 9-5 Regressão Múltipla 1 9-1 Aspectos Gerais Dados Emparelhados há uma relação? se há, qual
Leia maisEAE0325 Econometria II. Professora: Fabiana Fontes Rocha. Gabarito Primeira Lista Teórica de Exercícios
EAE0325 Econometria II Professora: Fabiana Fontes Rocha Gabarito Primeira Lista Teórica de Exercícios Bloco 1 Assinalar se as afirmativas a seguir são verdadeiras V) ou falsas F) Exercício 1 Sobre o modelo
Leia maisModelos Lineares Generalizados - Estimação em Modelos Lineares Generalizados
Modelos Lineares Generalizados - Estimação em Modelos Lineares Generalizados Erica Castilho Rodrigues 23 de Maio de 207 Introdução 2 3 Vimos como encontrar o EMV usando algoritmos numéricos. Duas possibilidades:
Leia maisRegressões: Simples e MúltiplaM. Prof. Dr. Luiz Paulo Fávero 1
Regressões: Simples e MúltiplaM Prof. Dr. Luiz Paulo FáveroF Prof. Dr. Luiz Paulo Fávero 1 1 Técnicas de Dependência Análise de Objetivos 1. Investigação de dependências entre variáveis. 2. Avaliação da
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS A distribuição dos tempos de permanência dos estudantes nos cursos de graduação de certa universidade é uma distribuição normal com média igual a 6 anos e desvio padrão igual
Leia maisIntrodução ao modelo de Regressão Linear
Introdução ao modelo de Regressão Linear Prof. Gilberto Rodrigues Liska 8 de Novembro de 2017 Material de Apoio e-mail: gilbertoliska@unipampa.edu.br Local: Sala dos professores (junto ao administrativo)
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS 2003 2004 2005 2006 2007 2008 2009 2010 X 39,0 39,5 39,5 39,0 39,5 41,5 42,0 42,0 Y 46,5 65,5 86,0 100,0 121,0 150,5 174,0 203,0 A tabela acima mostra as quantidades, em milhões
Leia maisA UTILIZAÇÃO DE MÉTODOS ESTATÍSTICOS MULTIVARIADOS COMO FERRAMENTA DE ANÁLISE ECONÔMICO-FINANCEIRA DE EMPRESAS PARA CONCESSÃO DE CRÉDITO
A UTILIZAÇÃO DE MÉTODOS ESTATÍSTICOS MULTIVARIADOS COMO FERRAMENTA DE ANÁLISE ECONÔMICO-FINANCEIRA DE EMPRESAS PARA CONCESSÃO DE CRÉDITO Amilton Fernando Cardoso ITA Pça. Mal. Eduardo Gomes, 50; 12228-900
Leia maisMinera c ao de Dados Aula 6: Finaliza c ao de Regress ao e Classifica c ao Rafael Izbicki 1 / 33
Mineração de Dados Aula 6: Finalização de Regressão e Classificação Rafael Izbicki 1 / 33 Como fazer um IC para o risco estimado? Vamos assumir que ( X 1, Ỹ1),..., ( X s, Ỹs) são elementos de um conjunto
Leia maisCapacitação em R e RStudio PROJETO DE EXTENSÃO. Software R: capacitação em análise estatística de dados utilizando um software livre.
UFFS Universidade Federal da Fronteira Sul Campus Cerro Largo PROJETO DE EXTENSÃO Software R: capacitação em análise estatística de dados utilizando um software livre Fonte: https://www.r-project.org/
Leia maisAjuste do modelo de regressão linear: Inferência Bayesiana, aspectos computacionais e seleção de variáveis.
Ajuste do modelo de regressão linear: Inferência Bayesiana, aspectos computacionais e seleção de variáveis. João Daniel Nunes Duarte a, Vinícius Diniz Mayrink b a Estudante de Graduação, e-mail: joaodaniel@ufmg.br
Leia maisRegressão. PRE-01 Probabilidade e Estatística Prof. Marcelo P. Corrêa IRN/Unifei
Regressão PRE-01 Probabilidade e Estatística Prof. Marcelo P. Corrêa IRN/Unifei Regressão Introdução Analisar a relação entre duas variáveis (x,y) através da equação (equação de regressão) e do gráfico
Leia mais3 Modelos Comparativos: Teoria e Metodologia
3 Modelos Comparativos: Teoria e Metodologia Para avaliar o desempenho do modelo STAR-Tree, foram estimados os modelos Naive, ARMAX e Redes Neurais. O ajuste dos modelos ARMAX e das redes neurais foi feito
Leia maisHP UFCG Analytics Abril-Maio Um curso sobre Reconhecimento de Padrões e Redes Neurais. Por Herman Martins Gomes.
HP UFCG Analytics Abril-Maio 2012 Um curso sobre Reconhecimento de Padrões e Redes Neurais Por Herman Martins Gomes hmg@dsc.ufcg.edu.br Programa Visão Geral (2H) Reconhecimento Estatístico de Padrões (3H)
Leia maisINSTRUÇÕES. O tempo disponível para a realização das duas provas e o preenchimento da Folha de Respostas é de 5 (cinco) horas no total.
INSTRUÇÕES Para a realização desta prova, você recebeu este Caderno de Questões. 1. Caderno de Questões Verifique se este Caderno de Questões contém a prova de Conhecimentos Específicos referente ao cargo
Leia maisCoeficiente de determinação R 2 no modelo de regressão linear normal
Coeficiente de determinação R 2 no modelo de regressão linear normal Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 81531 990, Brasil email: lucambio@ufpr.br
Leia mais7 Teste de Hipóteses
7 Teste de Hipóteses 7-1 Aspectos Gerais 7-2 Fundamentos do Teste de Hipóteses 7-3 Teste de uma Afirmação sobre a Média: Grandes Amostras 7-4 Teste de uma Afirmação sobre a Média : Pequenas Amostras 7-5
Leia mais