PREVISÃO DE CUSTO DE HORA-EXTRA COM A UTILIZAÇÃO DO MODELO TOBIT
|
|
- Aurélia Taveira Cordeiro
- 7 Há anos
- Visualizações:
Transcrição
1 PREVISÃO DE CUSTO DE HORA-EXTRA COM A UTILIZAÇÃO DO MODELO TOBIT Anderson de Barros Dantas Doutorando do PPGEP/UFSC/Bolssta CNPq anderson@eps.ufsc.br Robert Wayne Samohyl Prof. PhD do PPGEP/UFSC samohyl@eps.ufsc.br Antono Fernando de O. A. Perera Prof. do Departamento de Cêncas Contábes/UFPE afoap@uol.com.br Abstract: Ths paper descrbes about the use Tobt Model appled to forecast n over tme costs. The use ths type model warrants the dependent varable a control locaton to some lmt. The varable smulated after n the model wll attend the lmt specfed. Ths lmt s known as truncated dstrbuton. Whle over tme costs enter n composton of the total costs, t wll be relevant for makng decson too. Ths form, ther estmaton wll may not take negatves values n ths smulaton. An exercse has run wth HMMS data (Holt et al, 1955) and ther results dsplay the dfferences. Key-words: Over Tme Costs; Tobt Model; Smulaton. 1. Introdução O processo de prevsão é uma das etapas mas mportantes dentro do planejamento agregado. Cente dessa nformação toma-se o cudado em fazer uma boa revsão não só dos város mecansmos de prevsão, como também, e anteror a sso, dos problemas de préestmação dos modelos, os quas garantrão o melhor ajustamento possível dos parâmetros. Quatro palavras-chave são postas em mutos dos lvros de econometra e prevsão, são elas: 1) Não-tendencosdade garante que o valor esperado, ou méda da estmatva, seja gual ao do valor verdadero; 2) Efcênca garante que a estmatva tem varânca mínma se comparada a outras; 3) Consstênca ndca que no lmte a estmatva tende para o valor verdadero; 4) Parcmôna que prefere a utlzação de poucas varáves explcatvas, ao nvés de um modelo muto cheo. Os problemas báscos que devem ser evtados também são bem conhecdos na lteratura. São estes: multcolneardade, autocorrelação seral, heterocedastcdade, heterocedastcdade condconada a autoregressão, forma funconal, não ndependênca dos resíduos, entre outros. Para um melhor esclarecmento, o letor deve se reportar a qualquer um dos autores a segur: Matos (1995), Makrdaks et al. (1998), Kennedy (1992), Madalla (1992). 2. Raz Untára
2 Há um bom tempo, os profssonas de economa começaram a perceber que os seus modelos, quando ajustados com problemas de raízes untáras, poderam ter boas conclusões, porém com resultados nváldos. É que, com raz untára, os testes para a sgnfcânca do(s) parâmetro(s) não são mas confáves e a sére a ser analsada possurá característca explosva. Em termos concetuas, dz-se que um processo é estaconáro quando esse possu méda e varânca constantes ao longo do tempo (MADALLA, 1992). Consdere Xt qualquer uma das séres utlzadas numa análse de regressão, onde: Xt = αxt- 1 + Ut (2. 1) e Ut d (,σ 2 ) Assumndo Xo = e α = 1, tem-se X 1 = U 1 X 2 = U 1 + U 2 X 3 = U 1 + U 2 + U 3. t Xt = Uj (2. 2) Onde, J=1 t Var(Xt) = Var (Uj) J=1 Var(Xt) = t σ 2 (2. 3) Logo em (2. 3) a sére é não estaconára, pos a varação de Xt é crescente com o tempo. Na equação (2. 1) se α < 1, tem-se um camnho aleatóro convergente. Caso contráro, em α >= 1, tem-se um camnho aleatóro explosvo. Três maneras são as mas utlzadas para testar raz untára: plotar o gráfco da sére no tempo e ver o seu comportamento (se possu méda e varânca constante); plotar o gráfco das autocorrelações; e, por fm, o teste estatístco de DF e ADF. Os testes Dckey-Fuller (DF) e Dckey-Fuller Amplado (ADF) servem para dentfcar se uma sére é ou não estaconára. Eles se baseam, respectvamente, nas seguntes regressões(ver Madalla, 1992): DF Xt = βxt 1 + Ut (2. 4) ADF Xt = βxt 1 + λj* Xt-j + Ut (2. 5) Procura-se testar: H : β >= Xt é pelo menos I(1), ou seja, ntegrada de ordem 1, ou anda, nãoestaconára. H 1 : β < Xt é I(), ou seja, ntegrada de ordem zero, ou anda, estaconára. A ordem de ntegração de uma varável sgnfca quantas dferencações foram necessáras para que a sére se tornasse estaconára. Logo, I() dz que a sére é estaconára em nível, I(1) dz que a sére é estaconára com a prmera dferença, e assm por dante. Os testes DF e ADF têm dstrbução próxma à de t-student; entretanto, a dstrbução fo construída por Dckey e Fuller através de smulação de Monte Carlo. A
3 aplcação de OLS (Mínmos Quadrados Ordnáros) em séres que apresentem problemas de raz-untára levarão a resultados nefcentes, embora não tendencosos. 3. Modelo Tobt Algumas varáves estmadas não podem assumr valores negatvos. Esses são os casos encontrados para as funções de custo ou vendas. No momento em que se pretende ncorporar o erro novamente na equação para se computar a parte estocástca, haverá, em alguns casos, a necessdade de se trabalhar com modelos de varáves censoradas ou, como mas conhecdo, modelo Tobt cujo nome se deve a James Tobn, seu crador (Eatwell et al., 199). Sua estrutura é a segunte: Y * = β X + u (3. 1) ' Onde u é d~n(,σ 2 ) Os valores observados de Y são chamados de Y *, ou seja, são condconadas a: * * Y = Y se Y Y * Y = Y se Y < Y (3. 2) Normalmente Y é dexado para ser zero. Grafcamente, tem-se para o caso de Y = e as observações A, B, C e D negatvos. O problema é que o método de mínmos quadrados ordnáros, aplcado à fgura 1, consderando A, B, C e D como zero, va levar a estmadores vesados e nconsstentes (Amemya, 1984). Esse problema é resolvdo estmando a regressão pelo método de máxma verossmlhança (ML), o qual encontrará um estmador não-tendencoso e assntotcamente efcente. Como colocado por Amemya (op. ct.) a função de ML para o modelo Tobt é dada por: ' 1 Y ' L = [ 1 φ( X α)] σ φ[( X α )] (3. 3) σ Y 1 * * * * * * * * * * * * * * * X A C B D Fgura 1: Lnha de Regressão por OLS. Na equação (3. 3) o prmero membro representa a probabldade do evento ser menor que zero e o segundo termo representa a densdade do evento ser observado. Nos dos termos α= β, pos é uma forma convenente de escalar a equação para σ convergênca. Outros crtéros necessáros para a convergênca são: utlzação dos
4 parâmetros estmados por OLS como um chute ncal e que estes parâmetros estejam entre e Resultados A versão de HMMS para o custo de hora extra é: COT t = C 3 (P t - kw t ) 2 + C 4 P t C 5 W t Onde, C 3, C 4 e C 5 são os parâmetros estmados, k é a produtvdade méda, W t é nível de força de trabalho no período t e P t é o nível de produção no período t. Os custos de hora extra para HMMS são, prmeramente, reestmados na busca de uma melhor representação. COT t = 3,19 OT O valor de 3,19 é uma constante encontrada através de alguns cálculos artmétcos nos dados orgnas e algumas suposções. As suposções dzem respeto à carga horára semanal trabalhada na fábrca de tntas - que será consderada de 4 horas semanas e que o custo de hora extra é acrescdo de 5% do valor da hora normal. As 4 horas semanas equvalem a um total de 16 horas mensal. Dado que o custo ndvdual médo da folha de pagamento é $ 34,, o custo de uma únca hora é $ 2,125 (34,/16) que acrescdo dos 5% dará aproxmadamente $ 3,19 (2,125*1,5). Estma-se OT (Over Tme) por duas técncas: uma por OLS e outra por varáves truncadas (Modelo Tobt Eatwell et al. (199)). Como já menconado, a segunda estmatva se deve ao fato de evtar que a hora extra assuma valores negatvos em determnado período da programação, o que vnha acontecendo na smulação estocástca do modelo. A varável de hora extra, quando plotada com algumas varáves que poderam explcá-la, mostra um comportamento não muto lnear (ver fgura 2). Sendo assm, algumas combnações serão testadas até que se encontre uma forma equaconal adequada não lnear. Por exemplo, elevar alguma varável ao quadrado ou ao cubo, multplcar algumas varáves explcatvas, entre outras.
5 Fgura 2: DISPERSÃO DE HORA EXTRA COM PRODUÇÃO (P), TRABALHO (W), PW E P^2. Os testes DF e ADF foram estmados nas séres que podem explcar a hora extra e são apresentados na tabela 1 apenas os que realmente permaneceram na equação fnal. Essas são: Varável DF ADF Lag t-lag t-prob W -2,61 DW -6,8858** PW -4,6182** DPW -1,268** P^2-5,364** DP^2-1,867** OT -6,2145** -2,2981-2,3292* ,6883** ,377** -2,729 TABELA 1: Teste DF e ADF - Hora Extra. 4-1,6295, ,653, ,2555*.288* 1 2,87**,69** *.229* 1 3,2664**,19** 5-1,6152,1126 ** passa ao nível de sgnfcânca de 1%; * passa ao nível de sgnfcânca de 5%. A análse é smples, procura-se por algum lag sgnfcatvo através das duas últmas colunas da tabela 3. Caso exsta, está se avalando a estatístca ADF, daí é só verfcar se o seu valor é estatstcamente sgnfcante na coluna três da mesma tabela. Caso não exsta, está se avalando o DF, e, então, basta verfcar se o valor da segunda coluna, na mesma tabela, é sgnfcante. Sgnfcânca em nível quer dzer estaconardade e sgnfcânca em alguma dferença quer dzer ntegração. Os testes ndcam que trabalho (W), produção x trabalho (PW) e produção elevado ao quadrado (P^2) são ntegradas de ordem 1. Logo, elas devem ser trabalhadas com uma
6 dferença, enquanto hora extra (OT) é ntegrada de ordem zero. Usando a técnca do stepwse, elmna-se varáves não sgnfcantes, uma a uma através da estatístca F e t, para se obter o prncípo da parcmôna. A equação fnal e suas estatístcas estão apresentadas na tabela 2. Varável Coefcente Erro Padrão t-value t-prob R parcal OT t-1,28734,1456 2,748,79,112 OT t-2,53537,1653 5,25,,2928 DW 75,383 35,512 2,123,378,688 DW t-2 73,383 34,121 2,162,346,712 DPW t-2 -,45435,115-4,536,,2523 DPW t-3 -,21542, ,36,245,82 DP^2,38621,8941 4,772,,2718 R^2 =, σ = 789,58 DW = 1,99 TABELA 2: Equação Estmada da Hora Extra por OLS. A equação apresentada na tabela 2 precsa passar por outros testes para que se possa dzer que ela é uma equação muto boa. Sabe-se que uma boa equação por OLS precsa não ter problemas de heterocedastcdade, autocorrelação e multcolneardade. E, espera-se que ela possua erros dstrbuídos normalmente, forma funconal adequada, entre outros testes que são dados de uma únca vez pelo pacote do PcGve 8.. TESTE RESULTADO 1) AR 1-5F(5, 56) = 2,156 (,726) 2) ARCH 5 F(5, 51) =,63564 (,6734) 3) Normaldade Qu-quadrado (2) = 1,2177 (,544) 4) X 2 F(14, 46) = 1,839 (,611) 5) X *X j F(35, 25) = 1,2997 (,2497) 6) RESET F(1, 6) =,1516 (,6989) TABELA 3: Testes para Forma Funconal do Modelo Hora Extra. ** reprovado a 1% de sgnfcânca; * reprovado a 5% de sgnfcânca; Em (1), (2), (4), (5) e (6) a hpótese alternatva é que exstem problemas de ajustamento, enquanto em (3) a hpótese alternatva é que não exste. O teste (1) reprova a exstênca de autoregressão, o (2) ndca que não exste heterocedastca condconada a autoregressão, o (3) ndca que os erros são dstrbuídos normalmente, o (4) ndca que não exste problema de heterocedastcdade e o (5) e (6) ndcam que a forma funconal está correta. O modelo Tobt pode ser programado no PcGve 8. através do edtor de álgebra. Os resultados encontrados para esta equação são apresentados na tabela 4. Varável Coefcente α Erro Padrão t-value t-prob Coefcente β &,32523, ,42,194, &1,52326, ,452,1, &2 1,1784, ,58,124 92,98 &3,48384, ,12, ,178 &4-5,4415 1,3729-3,963,2 -,399
7 &5-1,423 1,1939-1,19,2389 -,1127 &6 8,9938 3,849 2,337,228,7966 &7 1,1886, ,662, Loglk = -22, para 68 observações e 8 parâmetros TABELA 4: Estmação por Máxmoverossmlhança. A estmação por máxmoverossmlhança trabalha com váras terações, buscando de todas as probabldades possíves aquela que mnmze os erros da prevsão. Um valor ncal deve ser dado aos coefcentes. Para a convergênca acontecer com sucesso, os valores utlzados são os da equação estmada por OLS. No Tobt esses valores são dvddos pelo desvo-padrão e &7 é o nverso do desvo-padrão. Por fm, os dados são reescalonados para que fquem entre,1 e 1. Para encontrar os verdaderos valores da equação de Tobt, pegam-se os coefcentes encontrados e os multplque pelo desvo-padrão. Lembre-se que o desvopadrão é o nverso de &7. Dos valores estão com sgnfcânca rejetada (&3 e &5), entretanto, esses valores fazam parte da equação por OLS e, por sso, resolveu-se mantêlos. A últma coluna da tabela 4 já traz os valores dos coefcentes transformados. O valor do novo desvo-padrão depos de retornado a escala normal dos dados é 789,58. Note que é o mesmo do modelo por OLS e os coefcentes estão alguns próxmos e outros não (comparar tabela 4 com a tabela 2). SIMULAÇÃO DO CUSTO DA HORA EXTRA Méda Méda Méda 343, ,13 456,45 COT postvo e negatvo 188,32 18,7 1122,49 COT postvo ou zero DIAGRAMA 1: Custo Médo da Hora Extra Computados os Valores Negatvos ou Não. O dagrama 1 smula 1 vezes o custo da hora extra, pela dstrbução normal em três amostras dferentes, para mostrar a mportânca do uso de uma estmação por regressão truncada ou, como mas conhecdo, modele Tobt. Caso o modelo Tobt não seja consderado, o custo geral (afetado pela hora extra) será menor, não refletndo com exatdão o verdadero peso do custo de hora extra. Esse fato por s só altera qualquer regra de decsão, prncpalmente quando as dferenças são tão sgnfcatvas como no dagrama apresentado. 5. Conclusão Modelos truncados são mas robustos para determnados tpos de prevsão, sso porque eles corrgem os estmadores com objetvo de retornarem valores lógcos para uma determnada stuação. Esse é o caso da prevsão de hora extra (OT) explanado neste artgo. A não utlzação desta ferramenta em stuações em que ela se aplque, poderá nvaldar toda análse de decsão para um determnado estudo. Por exemplo, a mnmzação dos custos totas na fábrca de tntas em HMMS tera um vés quando o problema levasse
8 em conta algumas smulações, consderando o modelo estocástco. Mas precsamente, os custos seram subestmados do verdadero valor. Por fm, depos de tudo que fo dto antes, além de problemas na méda, a varânca computada é maor sem Tobt e os valores computados para a assmetra são bem dferentes também. 6. Referênca Bblográfca AMEMIYA, T. Tobt models: a survey. Journal of Econometrcs Pp. 3-61, v. 24. DANTAS, Anderson de Barros. Uma aplcação de controle ótmo estocástco não lnear ao problema de planejamento agregado da produção. Defesa de Dssertação, PPGEP, Ufsc, Orentada por Robert Wayne Samohyl. DOORNICK, J. A. and HENDRY, D. F. PcGve 8.: an nteractve econometrc modelng system. London: Chapman & Hall, EATWELL, J., MILGATE, M. and NEWMAN, P. Econometrcs. New York: W.W. Norton & Company, 199. HOLT, C., MODIGLIANI, F., SIMON, H. A lnear decson rule for producton and employment schedulng. Management Scence, Pp KENNEDY, Peter. A gude to econometrcs. The MIT Press, MADDALA, G. S. Introducton to econometrcs. New Jersey: Prentce-Hall, MAKRIDAKIS, S., WHEELWRIGHT, S. C. and HYNDMAN, R. J. Forecastng: methods and applcatons. John Wley & Sons, Inc., MATOS, O. C. Econometra básca: teora e aplcações. São Paulo: atlas, 1995.
4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia maisREGRESSÃO NÃO LINEAR 27/06/2017
7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados
Leia maisCapítulo 1. Exercício 5. Capítulo 2 Exercício
UNIVERSIDADE FEDERAL DE GOIÁS CIÊNCIAS ECONÔMICAS ECONOMETRIA (04-II) PRIMEIRA LISTA DE EXERCÍCIOS Exercícos do Gujarat Exercíco 5 Capítulo Capítulo Exercíco 3 4 5 7 0 5 Capítulo 3 As duas prmeras demonstrações
Leia mais1. CORRELAÇÃO E REGRESSÃO LINEAR
1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia mais3 A técnica de computação intensiva Bootstrap
A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.
Leia maisUNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)
UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade
Leia maisMODELOS DE REGRESSÃO PARAMÉTRICOS
MODELOS DE REGRESSÃO PARAMÉTRICOS Às vezes é de nteresse nclur na análse, característcas dos ndvíduos que podem estar relaconadas com o tempo de vda. Estudo de nsufcênca renal: verfcar qual o efeto da
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca
Leia maisGabarito da Lista de Exercícios de Econometria I
Gabarto da sta de Exercícos de Econometra I Professor: Rogéro lva Mattos Montor: eonardo enrque A. lva Questão Y X y x xy x ŷ ˆ ˆ y ŷ (Y - Y ) (X - X ) (Ŷ - Y ) 360 00-76 -00 35.00 40.000 36-4 30.976 3076
Leia maisMétodos Avançados em Epidemiologia
Unversdade Federal de Mnas Geras Insttuto de Cêncas Exatas Departamento de Estatístca Métodos Avançados em Epdemologa Aula 5-1 Regressão Lnear Smples: Estmação e Interpretação da Reta Tabela ANOVA e R
Leia maisRegressão Múltipla. Parte I: Modelo Geral e Estimação
Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisPRESSUPOSTOS DO MODELO DE REGRESSÃO
PREUPOTO DO MODELO DE REGREÃO A aplcação do modelo de regressão lnear múltpla (bem como da smples) pressupõe a verfcação de alguns pressupostos que condensamos segudamente.. Os erros E são varáves aleatóras
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. A análse
Leia maisPROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 2010/2011
Instruções: PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 00/0 Cada uestão respondda corretamente vale (um) ponto. Cada uestão respondda ncorretamente vale - (menos um) ponto. Cada uestão
Leia maisOs modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.
MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,
Leia maisEstatística II Antonio Roque Aula 18. Regressão Linear
Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisRegressão Linear Simples by Estevam Martins
Regressão Lnear Smples by Estevam Martns stvm@uol.com.br "O únco lugar onde o sucesso vem antes do trabalho, é no dconáro" Albert Ensten Introdução Mutos estudos estatístcos têm como objetvo estabelecer
Leia mais5 Métodos de cálculo do limite de retenção em função da ruína e do capital inicial
5 Métodos de cálculo do lmte de retenção em função da ruína e do captal ncal Nesta dssertação serão utlzados dos métodos comparatvos de cálculo de lmte de retenção, onde ambos consderam a necessdade de
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisDIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS
DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS 1 A análse de dagnóstco (ou dagnóstco do ajuste) confgura uma etapa fundamental no ajuste de modelos de regressão. O objetvo prncpal da análse de dagnóstco
Leia maisMOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES
MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES 1. Obtenha os estmadores dos coefcentes lnear e angular de um modelo de regressão lnear smples utlzando o método
Leia maisGráficos de Controle para Processos Autocorrelacionados
Gráfcos de Controle para Processos Autocorrelaconados Gráfco de controle de Shewhart: observações ndependentes e normalmente dstrbuídas. Shewhart ao crar os gráfcos de controle não exgu que os dados fossem
Leia maisAnálise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: traçar dagramas de dspersão, para avalar possíves relações entre as duas varáves; calcular o coefcente de correlação entre as duas
Leia maisUMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EATAS DEPARTAMENTO DE ESTATÍSTICA UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
Leia maisAnálise de Regressão Linear Múltipla VII
Análse de Regressão Lnear Múltpla VII Aula 1 Hej et al., 4 Seções 3. e 3.4 Hpótese Lnear Geral Seja y = + 1 x 1 + x +... + k x k +, = 1,,..., n. um modelo de regressão lnear múltpla, que pode ser escrto
Leia maisTestes não-paramétricos
Testes não-paramétrcos Prof. Lorí Val, Dr. http://www.mat.ufrgs.br/val/ val@mat.ufrgs.br Um teste não paramétrco testa outras stuações que não parâmetros populaconas. Estas stuações podem ser relaconamentos,
Leia maisCORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr
Leia maisAssociação entre duas variáveis quantitativas
Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa
Leia maisAnálise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: obter uma reta que se ajuste aos dados segundo o crtéro de mínmos quadrados; apresentar outros crtéros para a determnação de uma
Leia maisAnálise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA
Análse de Regressão Profa Alcone Mranda dos Santos Departamento de Saúde Públca UFMA Introdução Uma das preocupações estatístcas ao analsar dados, é a de crar modelos que explctem estruturas do fenômeno
Leia maisPrograma do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall
Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação
Leia maisModelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear normal com erros heterocedástcos O método de mínmos quadrados ponderados Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisContabilometria. Aula 8 Regressão Linear Simples
Contalometra Aula 8 Regressão Lnear Smples Orgem hstórca do termo Regressão Le da Regressão Unversal de Galton 1885 Galton verfcou que, apesar da tendênca de que pas altos tvessem flhos altos e pas axos
Leia maisDELINEAMENTOS EXPERIMENTAIS
SUMÁRIO 1 Delneamentos Expermentas 2 1.1 Delneamento Interamente Casualzado..................... 2 1.2 Delneamento Blocos Casualzados (DBC).................... 3 1.3 Delneamento Quadrado Latno (DQL)......................
Leia maisINSTITUTO POLITÉCNICO DE VISEU ESCOLA SUPERIOR DE TECNOLOGIA E GESTÃO
Área Centfca Curso Matemátca Engenhara Electrotécnca º Semestre º 00/0 Fcha nº 9. Um artgo da revsta Wear (99) apresenta dados relatvos à vscosdade do óleo e ao desgaste do aço maco. A relação entre estas
Leia maisRISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16%
Análse de Rsco 1 RISCO Rsco possbldade de perda. Quanto maor a possbldade, maor o rsco. Exemplo: Empresa X va receber $ 1.000 de uros em 30 das com títulos do governo. A empresa Y pode receber entre $
Leia maisSerão abordados nesse capítulo os modelos causais, utilizados como ferramentas para o desenvolvimento e análise desse trabalho.
3. Modelos causas Serão abordados nesse capítulo os modelos causas, utlzados como ferramentas para o desenvolvmento e análse desse trabalho. 3.1. Econometra A base da Econometra é a aplcação de métodos
Leia maisModelo linear clássico com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear clássco com erros heterocedástcos O método de mínmos quadrados ponderados 1 Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisAlgarismos Significativos Propagação de Erros ou Desvios
Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento
Leia maisNOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES
NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES 1 O nosso objetvo é estudar a relação entre duas varáves quanttatvas. Eemplos:. Idade e altura das cranças.. v. Tempo de prátca de esportes e rtmo cardíaco
Leia maisUNIVERSIDADE FEDERALDO PARÁ INSTITUTO DE CIÊNCIAS EXATAS E NATURAIS FACULDADE DE ESTATÍSTICA CURSO DE BACHARELADO EM ESTATÍSTICA
UNIVERSIDADE FEDERALDO PARÁ INSTITUTO DE CIÊNCIAS EATAS E NATURAIS FACULDADE DE ESTATÍSTICA CURSO DE BACHARELADO EM ESTATÍSTICA JEFFERSON PINTO BARBOSA JUNIOR ECONOMETRIA: MULTICOLINEARIDADE E HETEROCEDASTICIDADE
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia maisVariação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.
Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na
Leia maisAnálise de Regressão
Análse de Regressão método estatístco que utlza relação entre duas ou mas varáves de modo que uma varável pode ser estmada (ou predta) a partr da outra ou das outras Neter, J. et al. Appled Lnear Statstcal
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Prncípos de cração de modelos empírcos: Modelos (matemátcos, lógcos, ) são comumente utlzados na
Leia maisFigura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
Leia maisAnálise de Regressão Linear Múltipla IV
Análse de Regressão Lnear Múltpla IV Aula 7 Guarat e Porter, 11 Capítulos 7 e 8 He et al., 4 Capítulo 3 Exemplo Tomando por base o modelo salaro 1educ anosemp exp prev log 3 a senhorta Jole, gerente do
Leia maisCap. 11 Correlação e Regressão
Estatístca para Cursos de Engenhara e Informátca Pedro Alberto Barbetta / Marcelo Menezes Res / Antono Cezar Borna São Paulo: Atlas, 2004 Cap. 11 Correlação e Regressão APOIO: Fundação de Apoo à Pesqusa
Leia maisModelagem do crescimento de clones de Eucalyptus via modelos não lineares
Modelagem do crescmento de clones de Eucalyptus va modelos não lneares Joselme Fernandes Gouvea 2 Davd Venanco da Cruz 3 Máco Augusto de Albuquerque 3 José Antôno Alexo da Slva Introdução Os fenômenos
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-4 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Programa do curso: Semana Conteúdo Apresentação da dscplna. Prncípos de modelos lneares de regressão.
Leia maisREGRESSÃO E CORRELAÇÃO
Relaconamento entre varáves : - requer conhecmento REGRESSÃO E CORRELAÇÃO Y = f ( ) + ε Ex: 1. Y = Lucro de uma Empresa = Investmento em Publcdade Y(v.aleatóra) em função de (v.determnístca), onde Y é
Leia maisNome: Nº: Estatística para Economia e Gestão Licenciaturas em Economia e Gestão. 2.º Semestre de 2008/2009
Estatístca para Economa e Gestão Lcencaturas em Economa e Gestão.º Semestre de 008/009 Exame Fnal (.ª Época) 16 de Junho de 009; 17h30m Duração: 10 mnutos INSTRUÇÕES Escreva o nome e número de aluno em
Leia maisAnálise de Variância. Comparação de duas ou mais médias
Análse de Varânca Comparação de duas ou mas médas Análse de varânca com um fator Exemplo Um expermento fo realzado para se estudar dabetes gestaconal. Desejava-se avalar o comportamento da hemoglobna (HbA)
Leia maisRAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro
UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso de Admnstração em Gestão Públca Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos uns dos
Leia maisAo se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.
Estatístca Dscplna de Estatístca 0/ Curso Superor de tecnólogo em Gestão Ambental Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos
Leia maisDIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS
177 DIFERENCIANDO SÉRIES TEMPORAIS CAÓTICAS DE ALEATÓRIAS ATRAVÉS DAS TREND STRIPS Antôno Carlos da Slva Flho Un-FACEF Introdução Trend Strps (TS) são uma nova técnca de análse da dnâmca de um sstema,
Leia maisEscola Superior de Tecnologia de Viseu. Fundamentos de Estatística 2006/2007 Ficha nº 7
Escola Superor de Tecnologa de Vseu Fundamentos de Estatístca 006/00 Fcha nº. Um artgo da revsta Wear (99) apresenta dados relatvos à vscosdade do óleo e ao desgaste do aço maco. A relação entre estas
Leia maisCAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA
CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de
Leia maisEventos coletivamente exaustivos: A união dos eventos é o espaço amostral.
DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíves resultados de um expermento. Evento é qualquer subconjunto do espaço amostral. Evento combnado: Possu duas ou
Leia mais6 Análises de probabilidade de ruptura de um talude
6 Análses de probabldade de ruptura de um talude 6.. Introdução No presente capítulo, apresentam-se prevsões de probabldades de ruptura para o talude de jusante da Barragem de Benguê mostrada na fgura
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-4 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Programa do curso: Semana Conteúdo Apresentação da dscplna. Prncípos de modelos lneares de regressão.
Leia maisX = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)
Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado
Leia maisCAPÍTULO 9 REGRESSÃO LINEAR PPGEP REGRESSÃO LINEAR SIMPLES REGRESSÃO LINEAR SIMPLES REGRESSÃO LINEAR SIMPLES UFRGS. Regressão Linear Simples
CAPÍTULO 9 REGREÃO LINEAR IMPLE REGREÃO LINEAR IMPLE UFRG Em mutos problemas há duas ou mas varáves que são relaconadas, e pode ser mportante modelar essa relação. Por exemplo, a resstênca à abrasão de
Leia maisFACULDADE DE ECONOMIA DO PORTO. Licenciatura em Economia E C O N O M E T R I A II
FACULDADE DE ECONOMIA DO PORTO Lcencatura em Economa E C O N O M E T R I A II (LEC310) Avalação dstrbuída - Teste global 25 de Junho de 2007 NOTAS PRÉVIAS: 1. A prova tem duração de 2 horas. 2. Apenas
Leia maisAEP FISCAL ESTATÍSTICA
AEP FISCAL ESTATÍSTICA Módulo 11: Varáves Aleatóras (webercampos@gmal.com) VARIÁVEIS ALEATÓRIAS 1. Conceto de Varáves Aleatóras Exemplo: O expermento consste no lançamento de duas moedas: X: nº de caras
Leia maisModelo Logístico. Modelagem multivariável com variáveis quantitativas e qualitativas, com resposta binária.
Modelagem multvarável com varáves quanttatvas e qualtatvas, com resposta bnára. O modelo de regressão não lnear logístco ou modelo logístco é utlzado quando a varável resposta é qualtatva com dos resultados
Leia maisCurso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos
Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,
Leia maisEXERCÍCIO: VIA EXPRESSA CONTROLADA
EXERCÍCIO: VIA EXPRESSA CONTROLADA Engenhara de Tráfego Consdere o segmento de va expressa esquematzado abaxo, que apresenta problemas de congestonamento no pco, e os dados a segur apresentados: Trechos
Leia maisRedução dos Dados. Júlio Osório. Medidas Características da Distribuição. Tendência Central (Localização) Variação (Dispersão) Forma
Redução dos Dados Júlo Osóro Meddas Característcas da Dstrbução Tendênca Central (Localzação) Varação (Dspersão) Forma 1 Meddas Característcas da Dstrbução Meddas Estatístcas Tendênca Central Dspersão
Leia maisALTERNATIVA AO USO DA REGRESSÃO LINEAR SIMPLES PARA GRANDES BASES DE DADOS
XXX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO Maturdade e desafos da Engenhara de Produção: compettvdade das empresas, condções de trabalho, meo ambente. São Carlos, SP, Brasl, 1 a15 de outubro de 010.
Leia maisAplicando o método de mínimos quadrados ordinários, você encontrou o seguinte resultado: 1,2
Econometra - Lsta 3 - Regressão Lnear Múltpla Professores: Hedbert Lopes, Prscla Rbero e Sérgo Martns Montores: Gustavo Amarante e João Marcos Nusdeo QUESTÃO 1. Você trabalha na consultora Fazemos Qualquer
Leia maisUNIVERSIDADE FEDERAL DE VIÇOSA CENTRO DE CIÊNCIAS AGRÁRIAS DEPARTAMENTO DE ECONOMIA RURAL. ERU ECONOMETRIA I Segundo Semestre/2010
UNIVERSIDADE FEDERAL DE VIÇOSA CENTRO DE CIÊNCIAS AGRÁRIAS DEPARTAMENTO DE ECONOMIA RURAL ERU 66 - ECONOMETRIA I Segundo Semestre/010 AULA PRÁTICA N o 3- Dados em Panel Ana Carolna Campana Nascmento Fernanda
Leia mais1.UNIVERSIDADE FEDERAL DE VIÇOSA, VIÇOSA, MG, BRASIL; 2.UNIVERSIDADE FEDERAL DE GOIÁS, GOIANIA, GO, BRASIL.
A FUNÇÃO DE PRODUÇÃO E SUPERMERCADOS NO BRASIL ALEX AIRES CUNHA (1) ; CLEYZER ADRIAN CUNHA (). 1.UNIVERSIDADE FEDERAL DE VIÇOSA, VIÇOSA, MG, BRASIL;.UNIVERSIDADE FEDERAL DE GOIÁS, GOIANIA, GO, BRASIL.
Leia mais2 Incerteza de medição
2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr
Leia maisCorrelações cruzadas em mercadorias brasileiras: um estudo econofísico
VIII ERMAC 8 o Encontro Regonal de Matemátca Aplcada e Computaconal 0- de Novembro de 008 Unversdade Federal do Ro Grande do Norte Natal/RN Correlações cruzadas em mercadoras brasleras: um estudo econofísco
Leia mais3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas
3.6. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas
Leia maisCap. IV Análise estatística de incertezas aleatórias
TLF 010/11 Cap. IV Análse estatístca de ncertezas aleatóras Capítulo IV Análse estatístca de ncertezas aleatóras 4.1. Méda 43 4.. Desvo padrão 44 4.3. Sgnfcado do desvo padrão 46 4.4. Desvo padrão da méda
Leia maisCapítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES
Capítulo. Aproxmações numércas 1D em malhas unformes 9 Capítulo. AROXIMAÇÕS NUMÉRICAS 1D M MALHAS UNIFORMS O prncípo fundamental do método das dferenças fntas (MDF é aproxmar através de expressões algébrcas
Leia maisExame final de Estatística 2ª Época - 24 de Junho de 2004
xame fnal de statístca ª Época - de Junho de Faculdade de conoma José Antóno nhero Unversdade Nova de Lsboa Mara Helena Almeda Note bem:. Resolva grupos dferentes em folhas dferentes;. IDNTIFIQU todas
Leia maisESTUDO DE MODELOS PARA AJUSTE E PREVISÃO DE UMA SÉRIE TEMPORAL
Revsta Matz Onlne ESTUDO DE MODELOS PARA AJUSTE E PREVISÃO DE UMA SÉRIE TEMPORAL Valera Ap. Martns Ferrera Vvane Carla Fortulan Valéra Aparecda Martns. Mestre em Cêncas pela Unversdade de São Paulo- USP.
Leia maisRegressão Linear Múltipla. Frases. Roteiro
Regressão Lnear Múltpla Frases Por serem mas precsos que as palavras, os números são partcularmente adequados para transmtr conclusões centífcas Pagano e Gauvre, 004 Rotero 1. Especfcação do Modelo. Modelo
Leia maisCURSO de ESTATÍSTICA Gabarito
UNIVERSIDADE FEDERAL FLUMINENSE TRANSFERÊNCIA o semestre letvo de 010 e 1 o semestre letvo de 011 CURSO de ESTATÍSTICA Gabarto INSTRUÇÕES AO CANDIDATO Verfque se este caderno contém: PROVA DE REDAÇÃO com
Leia maisEstatística Aplicada II CORRELAÇÃO. AULA 21 07/11/16 Prof a Lilian M. Lima Cunha
09//06 Estatístca Aplcada II CORRELAÇÃO AULA 07//6 Prof a Llan M. Lma Cunha CORRELAÇÃO: Identfcar a estênca ou não de assocação lnear entre varáves: -Preço de um produto em regões; -Frete e Km percorrdo;
Leia maisDEFINIÇÃO - MODELO LINEAR GENERALIZADO
DEFINIÇÃO - MODELO LINEAR GENERALIZADO 1 Um modelo lnear generalzado é defndo pelos seguntes três componentes: Componente aleatóro; Componente sstemátco; Função de lgação; Componente aleatóro: Um conjunto
Leia mais2ª Atividade Formativa UC ECS
I. Explque quando é que a méda conduz a melhores resultados que a medana. Dê um exemplo para a melhor utlzação de cada uma das meddas de localzação (Exame 01/09/2009). II. Suponha que um professor fez
Leia maisAULA EXTRA Análise de Regressão Logística
1 AULA EXTRA Análse de Regressão Logístca Ernesto F. L. Amaral 13 de dezembro de 2012 Metodologa de Pesqusa (DCP 854B) VARIÁVEL DEPENDENTE BINÁRIA 2 O modelo de regressão logístco é utlzado quando a varável
Leia maisProf. Cláudio Serra, Esp. 1. Produção de Leite x índice Pluviométrico y = 0.8x R 2 =
Análse de Regressão Cap.. Introdução Análse de regressão é uma técnca de modelagem utlzada para analsar a relação entre uma varável dependente () e uma ou mas varáves ndependentes,, 3,..., n. O ojetvo
Leia mais4 ANÁLISE DE CONFIABILIDADE COM ANÁLISE LIMITE
4 ANÁLISE DE CONIABILIDADE COM ANÁLISE LIMITE A avalação da segurança das estruturas geotécncas tem sdo sempre um dos objetvos da Engenhara Geotécnca. A forma convenconal de quantfcar a segurança de uma
Leia maisUNIVERSIDADE NOVA DE LISBOA Faculdade de Economia Análise de Dados e Probabilidade 2º Semestre 2008/2009 Exame Final 1ª Época. Grupo I (4 Valores)
UNIVERSIDADE NOVA DE LISBOA Faculdade de Economa Análse de Dados e Probabldade º Semestre 008/009 Exame Fnal ª Época Clara Costa Duarte Data: 8/05/009 Graça Slva Duração: h0 Grupo I (4 Valores) A gelatara
Leia maisEquações Simultâneas
Equações Smultâneas Caracterzação. Os modelos de equações smultâneasenvolvem mas de uma varável dependente, ou endógena, sendo necessáras tantas equações quanto for o número de varáves endógenas 2. Uma
Leia mais5.1 Seleção dos melhores regressores univariados (modelo de Índice de Difusão univariado)
5 Aplcação Neste capítulo será apresentada a parte empírca do estudo no qual serão avalados os prncpas regressores, um Modelo de Índce de Dfusão com o resultado dos melhores regressores (aqu chamado de
Leia maisESTATÍSTICA APLICADA II ANO LECTIVO 2011/2012. Exame Final 26 de Julho de 2012
ETATÍTICA APLICADA II ANO LECTIVO / Exame Fnal 6 de Julho de Duração : H 3 M Nota: Responder um grupo por folha (utlze frente e verso de cada folha) Em todas as questões apresentar os cálculos efectuados
Leia maisEstatística I Licenciatura MAEG 2006/07
Estatístca I Lcencatura MAEG 006/07 AMOSTRAGEM. DISTRIBUIÇÕES POR AMOSTRAGEM.. Em determnada unversdade verfca-se que 30% dos alunos têm carro. Seleccona-se uma amostra casual smples de 0 alunos. a) Qual
Leia mais