MODELO DE ALOCAÇÃO DE RECURSOS ENTRE AS INSTITUIÇÕES FEDERAIS DE ENSINO SUPERIOR: UMA APLICAÇÃO DOS MODELOS LINEARES GENERALIZADOS
|
|
- Vítor Gabriel Dinis Branco
- 7 Há anos
- Visualizações:
Transcrição
1 MODELO DE ALOCAÇÃO DE RECURSOS ENTRE AS INSTITUIÇÕES FEDERAIS DE ENSINO SUPERIOR: UMA APLICAÇÃO DOS MODELOS LINEARES GENERALIZADOS Getúlo José Amorm AMARAL 1 Gauss Moutnho CORDEIRO 2 RESUMO: Neste artgo desenvolve-se um modelo lnear generalzado para explcar o orçamento de custeo e captal (OCC) das nsttuções federas de ensno superor (IFES) do Brasl. Neste modelo, a transformação de Box e Cox (1964) é usada para encontrar a melhor função de varânca e o conceto de quase-verossmlhança permte defnr e estmar o modelo assocado a esta função de varânca. Além dsto, o quase-desvo estenddo é usado para comparar o modelo de quase-verossmlhança escolhdo com uma outra alternatva de nteresse. PALAVRAS-CHAVE: Modelos econométrcos; função de quase-verossmlhança; quase-desvo estenddo. 1 Introdução O Mnstéro da Educação (MEC) tem utlzado um modelo consttuído por três componentes: custos, hstórco e produção, para dstrbur os recursos de orçamento de custeo e captal (OCC) entre as IFES. A prncpal parcela deste modelo é aquela assocada aos custos, que é calculada por um modelo de mínmos quadrados. Especfcamente, a varável resposta deste modelo é defnda por: POCC: Percentuas de alocação de OCC em relação ao total de todas as IFES, e suas varáves explcatvas: ACECB: Alunos matrculados nos cursos das áreas de conhecmento das cêncas exatas e da terra e cêncas bológcas; AENG: Alunos matrculados nos cursos da área de conhecmento de engenhara; ACS: Alunos matrculados nos cursos das área de conhecmento das cêncas da saúde; ACAGR : Alunos matrculados nos cursos das área de conhecmento das cêncas agráras; ACSH: Alunos matrculados nos cursos das áreas de conhecmento das cêncas socas aplcadas e cêncas humanas, letras e artes; 1 Departamento de Estatístca, Centro de Cêncas Exatas e da Natureza, Unversdade Federal de Pernambuco - UFPE, Cdade Unverstára, CEP: , Recfe, Pernambuco, Brasl. E-mal: getulo_amaral@hotmal.com 2 Departamento de Físca e Matemátca, Unversdade Federal Rural de Pernambuco - UFRPE. CEP: , Recfe, Pernambuco, Brasl. E-mal: gausscordero@uol.com.br Rev. Mat. Estat., São Paulo, v.21, n.2, p.55-69,
2 SGRA: Alunos matrculados nos cursos de prmero e segundo graus não técncos; TEC: Alunos matrculados nos cursos de segundo grau técncos; AREA: Área construída atual arredondada para o ntero mas próxmo; CAP: Percentuas relatvos aos gastos de captal, nclundo recursos própros. Todas as varáves são tomadas como a méda dos últmos cnco anos anterores ao ano de mplementação do modelo, com exceção da área construída, que é ncorporada ao modelo com o seu valor atual. Nas varáves ACECB, AENG, ACS, ACAGR e ACSH são ncluídos todos os cursos de graduação, mestrado e doutorado. Os valores destas 10 varáves, para as 52 IFES, relatvos ao ano de 1994, são apresentados na Tabela 1. O índce de custos correspondente a -ésma unversdade é estmado pela equação POCC = B 1 ACECB + B 2 AENG B 9 CAP, onde os coefcentes B 1, B 2,...,B 9 são estmados pelo método dos mínmos quadrados. A pressuposção de varânca constante do método de mínmos quadrados não é adequada aos dados em questão. A déa do método é encontrar estmatvas dos parâmetros B 1, B 2,...,B 9 de modo que o somatóro dos quadrados das dstâncas entre cada ponto observado e seu valor estmado pelo modelo seja mínma. Dessa forma, o método atrbu pesos guas às observações, o que equvale a supor que a varânca da varável POCC é constante. Porém, por outro lado, as unversdades são muto heterogêneas e, portanto, a suposção de varabldade constante para a varável POCC não é adequada. Dessa forma, o objetvo deste artgo é propor um modelo estatístco que substtua adequadamente o modelo de mínmos quadrados usado no componente de custos. 2 Modelos lneares generalzados Os modelos lneares generalzados (MLGs) foram formulados por Nelder e Wedderburn (1972) e representam a unfcação de classes de modelos que eram estudadas separadamente. T Nos MLGs as varáves aleatóras y = ( y 1,..., y n ) são supostas ndependentes e cada y tem uma densdade ou função de probabldade na famíla exponencal ndexada por θ f ( y φ, θ ) = exp[ { yθ b( θ )} a( φ ) + c( y, φ )], ( 1) a, b (.), e (.,.) ; onde (.) suposto conhecdo para cada observação. c são funções conhecdas e o parâmetro de precsão > 0 Tem-se E ( y ) = db( θ ) dθ = µ e Var( y ) a( φ ) V, µ uma função conhecda da méda. φ é = onde V = dµ dθ é 56 Rev. Mat. Estat., São Paulo, v.21, n.2, p.57-71, 2003
3 Tabela 1 - Dados das unversdades N Unversdade Sgla POCC ACECB AENG ACS ACAGR ACSH SGRA TEC CAP AREA 1 Unv. Fed. de Alagoas UFAL 2, , Unv. Fed. Baha UFBA 3, , Unv. Fed. do Ceará UFCE 3, , Unv. Fed. Espírto Santo UFES 2, , Unv. Fed. Goás UFGO 2, , Unv. Fed. Flumnense UFF 4, , Unv. Fed. de Juz De Fora UFJF 1, , Unv. Fed. de Mnas Geras UFMG 4, , Unv. Fed. do Pará UFPA 3, , Unv. Fed. da Paraíba UFPB 3, , Unv. Fed. do Paraná UFPR 3, , Unv. Fed. de Pernambuco UFPE 3, , Unv. Fed. Ro Grande do Norte UFRN 3, , Unv. Fed. do Ro Grande do Sul UFRGS 3, , Unv. Fed. do Ro de Janero UFRJ 6, , Unv. Fed. de Santa Catarna UFSC 3, , Unv. Fed. de Santa Mara UFSM 2, , Unv. Fed. Rural de Pernambuco UFRPE 1, , Unv. Fed. Rural do Ro de Janero UFRRJ 1, , Fund. Unv. Fed. de Rorama FUFRR 0, , Fac. de C. Agraras do Pará FCAPA 0, , Fac. Medcna Trângulo Mnero FMTM 0, , Fac Odontologa de Damantna FAOD 0, , Cefet - Ro de Janero CEFET-RJ 0, , Cefet - Mnas Geras CEFET-MG 0, , Cefet - Paraná CEFET-PR 0, , (Contnua) Rev. Mat. Estat., São Paulo, v.21, n.2, p.55-69,
4 (Contnuação) N Unversdade Sgla POCC ACECB AENG ACS ACAGR ACSH SGRA TEC CAP AREA 27 Centec - Baha CEFET-BA 0, , Esc. Farmáca e Odont. Alfenas EFOA 0, , Esc. Fed. Engenhara de Itajubá EFEI 0, , Esc. Paulsta de Medcna UNIFESP 3, , Esc. Sup. Agrc. de Lavras UFLA 0, , Esc. Sup. de Agrc. de Mossoró ESAM 0, , Fund. Unv. Fed. de Rondôna FUFRO 0, , Fund. Unv. do Ro de Janero UNIRIO 1, , Fund. Unv. do Amazonas FUAM 2, , Fund. Unv. de Brasíla UNB 2, , Fund. Unv. do Maranhão UFMA 1, , Fund. Unv. do Ro Grande FURG 1, , Fund. Unv. Fed. de Uberlânda FUFUB 2, , Fund. Unv. Fed. do Acre FUFAC 0, , Fund. Unv. Fed. de Mato Grosso FUFMT 1, , Fund. Unv. Fed. de Ouro Preto FUOP 0, , Fund. Unv. Fed. de Pelotas FUFPEL 1, , Fund. Unv. Fed. do Pauí UFPI 1, , Fund. Unv. Fed. de São Carlos FUSCAR 1, , Fund. Unv. Fed. de Sergpe UFSE 1, , Fund. Unv. Fed. de Vçosa FUFV 1, , Fund. Unv. Fed. Mato Grosso Sul FUFMS 1, , Fund. Fac. C. Medcas P. A. FFCMPA 0, , Fund. Ens. Sup. S. João Del Re FUNREI 0, , Fund. Unv. Fed. do Amapá FUFAP 0, , Cefet- Maranhão CEFET-MA 0, , Fonte: Assocação Naconal dos Drgentes das Insttuções Federas de Ensno Superor (Andfes) 58 Rev. Mat. Estat., São Paulo, v.21, n.2, p.57-71, 2003
5 Consdera-se que as co-varáves, x, uma estrutura lnear dada por sendo X ( x,, ) 1 x p x onde x ( x, x ),, 1 p j = produzem η = Xβ, ( 2) = uma matrz conhecda e β = ( β,, )T um conjunto de 1 j 1 β p parâmetros desconhecdos. A conexão entre a méda de cada observação com o predtor lnear do modelo é feta pela função de lgação g( µ ) = η, = 1,, n. ( 3 ) O modelo lnear generalzado é defndo pelas componentes ( 1 ), ( 2 ) e ( 3 ). Nesta classe de modelos o vetor de parâmetros β é estmado pelo método da máxma verossmlhança, ou seja, pela maxmzação do logartmo da função de verossmlhança n ( β ) = f ( ; θ, φ ). = 1 A dscrepânca de um ajustamento é medda pela função desvo. Para defnr essa função supondo-se n observações, sejam ( ˆ; µ y) o máxmo da log-verossmlhança para o modelo em estudo com p parâmetros e ( y; y) o modelo saturado com n parâmetros. Usando estas defnções, a função desvo é dada por y D( y; ˆ) µ / a( φ) = 2[ ( ˆ; µ y) ( y; y)]. nj T 3 Modelos de quase-verossmlhança Os MLGs permtem a resolução de város problemas que o modelo clássco de regressão não se aplca. De forma semelhante, os modelos de quase-verossmlhança (QV), desenvolvdos por Wedderburn (1974), podem ser utlzados em algumas stuações nas quas os MLGs não são adequados. Enquanto no MLG é necessáro especfcar a forma da dstrbução, que tem que pertencer à famíla exponencal, nos modelos de QV é necessáro especfcar apenas a relação entre a méda e a varânca da dstrbução. Dependendo da relação especfcada, a função de QV poderá se reduzr a uma log-verossmlhança. A função de QV é defnda por Q y t, µ = dt. ( 4 ) φv ( y ) µ y ( t) Assm, o modelo de QV é defndo pelo sstema ( 4 ), ( 2 ) e ( 3 ). De forma análoga aos MLGs, a função de quase-desvo é defnda por Rev. Mat. Estat., São Paulo, v.21, n.2, p.55-69,
6 onde ( ) θ θ µ D ( y ) θ µ µ ( y t) V ( t) ; = 2 dt, y V µ = e os valores mas comuns de θ são 0, 1, 2 e 3, que estão assocados às dstrbuções normal, Posson, gama e normal nversa. Quando a função de quase-verossmlhança corresponde a uma funcão de verossmlhança, a dferença entre duas funções quase-desvo pode ser utlzada para avalar o ajuste de um modelo. Por outro lado, se esta correspondênca não ocorre, testes do tpo Wald e uma análse dos resíduos de Pearson são os procedmentos recomendados (vde McCullagh e Nelder, 1989). As funções desvo e quase-desvo não permtem comparar dferentes funções de varânca. Por causa dsto, Nelder e Pregbon (1987) apresentaram uma extensão da defnção orgnal de Wedderburn (1974), denomnado-a de quase-verossmlhança estendda, que é defnda por Q ( y; µ ) = log{ 2πφV ( y) } Dθ ( y; µ ) φ. A partr desta função, defne-se o quase-desvo estenddo por D + ( y; ) D ( y ; µ ) + log 2πφV ( y ) θ 1 2 n n 1 = θ { θ }, ( 5) φ µ = 1 = 1 que permte comparar dos modelos com funções de varânca dferentes. Quando a dstrbução de y não é naturalmente dentfcada, uma questão de grande nteresse que surge é: como encontrar a melhor função de varânca para um certo conjunto de dados? Isso pode ser feto a partr da transformação de Box e Cox (1964), que é defnda por y λ ( ) ( y 1) λ = log y λ, λ 0 λ = 0. Para sto, basta notar que a varânca da varável transformada y( λ) Var ( ( y ) = cµ 2 1 λ ), é dada por onde c é uma constante de proporconaldade. Portanto, para determnar a função de varânca mas adequada, é precso apenas encontrar o valor λ pelo método de Box e Cox e substtuí-lo em ( 6 ). Este procedmento é descrto por Francs; Green e Payne (1993). ( 6) 60 Rev. Mat. Estat., São Paulo, v.21, n.2, p.57-71, 2003
7 4 Desenvolvmento de um modelo estatístco para alocação de recursos entre as IFES A análse nca com a aplcação do modelo clássco de regressão aos dados em pauta. Em seguda, uma vez que a análse dos resíduos desse modelo ndca que o modelo não é adequado, outras alternatvas são analsadas. Na Subseção 4.1 é apresentada uma análse de regressão básca. Prmeramente, é feta uma análse a respeto do predtor lnear e são apresentados alguns crtéros para uma escolha que atenda às necessdades dos usuáros fnas do modelos, ou seja, os retores das IFES. Em seguda, é verfcado que o modelo clássco de regressão não é adequado aos dados. Fnalmente, algumas questões concetuas são apresentadas para explcar por que o modelo lnear generalzado com erro gama, que é uma das possvés alternatvas de modelagem conforme sugestão da lteratura, não é adequado ao conjunto de dados em pauta. A análse prossegue com o ajuste de modelos de quase-verossmlhança na Subseção 4.2, onde a metodologa descrta na Seção 3 é utlzada para a escolha da melhor função de varânca. Além dsso, é feta uma comparação, a partr do cálculo do quase-desvo estenddo, desse modelo com uma outra alternatva de nteresse. 4.1 Análse prelmnar Antes de ajustar o modelo clássco de regressão, fo realzada uma análse da estrutura de correlação entre as varáves explcatvas. A matrz de correlação entre as varáves do modelo, que é apresentada na Tabela 2, ndca uma forte correlação entre algumas das varáves explcatvas e uma correlação muto baxa entre as covaráves ACAGR, SGRA e TEC e a varável resposta POCC, evdencando que estas varáves explcatvas podem não ser relevantes para o modelo. Tabela 2 Matrz de correlação entre as varáves do modelo Covaráves POCC ACECB AENG ACS ACAGR ACSH SGRA TEC CAP ACECB 0,854 AENG 0,829 0,771 ACS 0,911 0,744 0,753 ACAGR 0,136 0,181-0,039 0,044 ACSH 0,895 0,881 0,812 0,829 0,017 SGRA 0,206 0,260 0,172 0,165-0,005 0,245 TEC -0,190-0,154 0,016-0,210-0,070-0,207 0,033 CAP 0,767 0,686 0,690 0,783 0,058 0,733 0,122-0,019 AREA 0,792 0,714 0,733 0,730 0,223 0,714 0,127-0,050 0,802 Uma vez que a multcolneardade pode provocar a exclusão do modelo de varáves explcatvas mportantes, alguns crtéros para a exclusão de varáves serão adotados. São consderadas relevantes as varáves explcatvas que representam um grupo específco de nsttuções. Por exemplo, a varável AENG é muto representatva para os Centros Federas Tecnológcos (CEFETs), pos nestes a atvdade de ensno está Rev. Mat. Estat., São Paulo, v.21, n.2, p.55-69,
8 prncpalmente vnculada aos cursos de engenhara. Assm, essa varável não deve ser excluída do modelo, pos prejudcará os CEFETs. Para soluconar o problema supractado foram adotados os seguntes crtéros: a) As varáves explcatvas AREA e CAP podem ser retradas do modelo, pos não prejudcam nenhum grupo específco. Além dsso, como essas varáves estão muto correlaconadas com algumas das outras varáves explcatvas, a perda de nformação resultante, se essas co-varáves forem dentfcadas como não sgnfcatvas, é rrelevante; b) Com o objetvo de não prejudcar nenhum grupo específco de nsttuções, quando as co-varáves que representam o número de alunos de uma determnada área de conhecmento forem excluídas, estas sempre serão redefndas, para que nenhuma dessas seja elmnada da análse. Esses crtéros serão utlzados para determnar o predtor lnear de todos os modelos consderados neste artgo. O ajuste e análse do modelo clássco de regressão, que será chamado de Modelo 1, fornece um resultado muto bom. O predtor lnear fnal deste modelo possu apenas duas varáves explcatvas: ACS e OUTROS, onde a varável OUTROS corresponde a soma dos valores das varáves: ACECB, AENG, ACAGR, ACSH, SGRA e TEC. As estmatvas dos parâmetros e sua nterpretação serão apresentadas no fnal desta seção. O desvo do modelo é gual a 10,4, o que sgnfca que modelo pode ser aceto, pos este valor e bem nferor ao valor crítco de uma dstrbução de qu-quadrado com 49 graus de lberdade. Entretanto, o gráfco dos resíduos do Modelo 1, que é apresentado na Fgura 1, ndca que este não é um modelo adequado ao conjunto de dados em pauta. O gráfco dos valores ajustados e resíduos defndos como a raz quadrada dos desvos apresenta um comportamento sstemátco. Este comportamento ndca que a varânca dos resíduos é dretamente proporconal aos valores ajustados. Assm, a hpotése de varânca constante do Modelo 1 não é adequada. A nterpretação desse resultado é que a varabldade dos custos das grandes unversdades é maor do aquela das pequenas nsttuções de ensno superor. Outra alternatva analsada é o modelo lnear generalzado com erro gama, que não é aproprada do ponto de vsta concetual. As hpóteses desse modelo apresentam alguns problemas devdo ao fato da varável resposta ser uma porcentagem. A dstrbução gama é adequada para dados contínuos e postvos com um ntervalo de varação que pode ser lmtado. Uma vez que a varável resposta é lmtada, o modelo gama não é uma alternatva vável para descrever o comportamento desta varável. O ajuste do modelo gama a este conjunto de dados pode ser mplementado, porém em termos concetuas o modelo gama não é aproprado. Para o modelo gama ser adequado, este devera ter uma forma de ncorporar o lmte superor da varável resposta, que é gual a 1. Problema semelhante também ocorre com o Modelo 1. O conceto de quase-verossmlhança permte soluconar o problema concetual supractado com rgor centífco. Esse tpo de problema concetual fo ncalmente notado na lteratura dos MLGs por Wedderburn (1974). Este pesqusador apresentou, a partr da déa de modelos de quase-verossmlhança, uma justfcatva para procedmentos que eram usados nformalmente. No exemplo em questão, os resultados obtdos com o modelo gama são guas àqueles obtdos com o modelo de quase-verossmlhança, cuja função de varânca é proporconal ao quadrado da méda da varável resposta. Assm, o estatístco tem duas 62 Rev. Mat. Estat., São Paulo, v.21, n.2, p.57-71, 2003
9 opções: ser nformal, ajustando um modelo gama ao conjunto de dados das IFES, ou segur o rgor centífco, usando o modelo de quase-verossmlhança supractado. FIGURA 1 - Análse dos resíduos do Modelo 1. Fsher (1949) fo um dos prmeros a perceber que há stuações em que a dstrbução da varável resposta é dfclmente justfcada, o que fo destacado por Wedderburn (1974). Fsher (1949) utlzou a dstrbução de Posson para modelar uma varável resposta contínua, pos ele notou que a varânca dessa varável era proporconal à méda. Nesse caso, o conceto de quase-verossmlhança é útl para esclarecer as razões que levaram Fsher (1949) a adotar o modelo de Posson. 4.2 Análse dos modelos de quase-verossmlhança Uma vez que o modelo clássco de regressão e o modelo lnear generalzado com erro gama não descrevem o comportamento da varável resposta de forma satsfatóra, faz-se necessáro a utlzação de modelos de quase-verossmlhança. A formulação do modelo de quase-verossmlhança será feta a partr do procedmento descrto por Francs; Green e Payne (1993), que fo revsado na Seção 3. Na Tabela 3 são apresentados os resultados obtdos com a aplcação da metodologa de Box e Cox (1964) para a escolha da melhor transformação. Na mplementação desta metodologa é utlzada a macro BOXCOX, dsponível na bbloteca de macros do programa Generalzed Lnear Interactve Modellng (GLIM) (Baker, 1985). Os resultados obtdos demonstram que entre os valores de λ da Tabela 3, o melhor valor para λ é 0,5, pos esta escolha de λ corresponde ao menor valor do desvo, que é gual a 108,2. Se um outro Rev. Mat. Estat., São Paulo, v.21, n.2, p.55-69,
10 ntervalo de valores para λ for seleconado de modo que a dferença entre estes seja menor e o ponto central seja 0,5, é possível encontrar um valor para λ próxmo a 0,5 e com o desvo menor do que 108,2. Entretanto, o valor seleconado para λ será 0,5, devdo a algumas razões teórcas que serão dscutdas a segur. Tabela 3 - Valores do desvo calculados para o parâmetro da transformação λ λ Desvo -3,0 547,7-2,5 461,5-2,0 379,9-1,5 304,7-1,0 238,0-0,5 181,5 0,0 136,8 0,5 108,2 1,0 109,3 1,5 149,4 2,0 212,7 2,5 283,9 3,0 357,6 Substtundo-se o valor de λ em ( 6 ), conclu-se que a função de varânca mas adequada é V ( µ ) = µ. Dessa forma, a função de QV assocada a esta função de varânca é dêntca a log-verossmlhança da Posson e, portanto, os dos modelos produzem as mesmas estmatvas para os parâmetros. Além dsso, procedmentos-padrão de verfcação do ajuste de modelos lneares generalzados podem ser usados, fato que fo comentado na Seção 3. O modelo de quase-verossmlhança escolhdo é coerente com as propredades do conjunto de dados em estudo. Se o valor do orçamento que cada nsttução recebe fosse um número ntero, a dstrbução da varável resposta sera mutnomal. Como a verossmlhança de respostas multnomas, com uma escolha adequada da função de lgação, é proporconal à verossmlhança de um MLG com respostas ndependentes com dstrbução de Posson, o resultado é coerente, sendo necessáro o uso do conceto de quaseverossmlhança, pos os valores da varável resposta não são nteros. Depos de determnar o componente ( 4 ) do modelo de QV, fo seleconada a função de lgação dentdade, pos esta fo a melhor opção dentre as alternatvas váves. Assm, o modelo de quase-verossmlhança com função de varânca ( V ( µ ) = µ ) e lgação dentdade, que será denomnado de Modelo 2, é ajustado com o uso das macros apresentadas a segur: 64 Rev. Mat. Estat., São Paulo, v.21, n.2, p.57-71, 2003
11 $MAC LIGA $CAL %FV=(%LP) $ENDMAC $MAC DER $CAL %DR=1 $ENDMAC $MAC VAR $CAL %VA=%FV $ENDMAC $MAC DES $CAL %DI=2*(%YV*%LOG(%YV/%FV)-(%YV-%FV)) $ENDMAC $OWN LIGA DER VAR DES $ $CALC %LP=%YV+0.5 $ As quatro prmeras lnhas de comandos do GLIM correspondem a defnção do modelo. Especfcamente, a função de lgação, função de varânca e a função desvo são defndas a partr das macros LIGA, VAR e DES, respectvamente. A macro DR representa a dervada da função de lgação em relação à méda das observações. As duas últmas lnhas do programa dão níco ao ajustamento do modelo defndo pelas macros LIGA, DER, VAR e DES. O Modelo 2 apresenta mutos aspectos postvos. Com um quase-desvo de 5,0, o modelo tem um excelente ajuste, pos esta estatístca é muto nferor ao ponto crítco de ququadrado com 49 graus de lberdade. Como era esperado, devdo à sua menor mportânca, a co-varável OUTROS tem o menor peso. Os alunos da área de saúde, representados por ACS, são os mas caros e possuem um peso que fca em torno de sete vezes do peso da co-varável OUTROS. Na Fgura 2 é apresentado o gráfco dos resíduos defndos como as raízes quadradas das componentes do desvo versus os valores ajustados, onde pode ser vsto que quase todos os pontos estão dentro de uma faxa de valores e, portanto, a função de varânca ( V ( µ ) = µ ) é adequada. Essa heterocedastcdade é coerente com os dados em pauta, pos as grandes unversdades não podem apresentar a mesma varabldade estocástca das pequenas unversdades. Nesta fgura percebe-se uma nsttução com o valor absoluto do resíduo superor aos valores absolutos dos resíduos das demas nsttuções. Porém, este ponto não pode ser consderado um ponto aberrante, pos o valor absoluto do resíduo é menor do que 1,96, o valor crítco de uma normal relatvo ao nível de 5% de confança. De qualquer forma, o valor absoluto elevado desse resíduo sgnfca que a nsttução correspondente, que é a Escola Paulsta de Medcna, recebeu hstorcamente um valor superor ao valor estmado pelo modelo, sto é, o valor estmado em função dos custos de todas as IFES. Além do modelo anteror, o ajuste do modelo com as mesmas co-varáves deste modelo e a função de varânca proporconal ao quadrado da méda, que resulta em uma quase-verossmlhança dêntca a log-verossmlhança do modelo gama, fornece um ajuste muto bom, com o quase-desvo de apenas 3,9027. Como este modelo, que será defndo como Modelo 3, é também uma boa alternatva, é precso fazer uma comparação entre este e o Modelo 2. Na Fgura 3 é apresentada uma lustração gráfca da comparação entre os Modelos 2 e 3. A varável relatva ao exo das ordenadas representa a dferença entre o valor de POCC estmado pelo Modelo 2 e aquele estmado pelo Modelo 3. O outro exo é referente ao valor observado de POCC. Dessa fgura, percebe-se que a escolha entre o Modelo 2 e 3 é uma decsão mportante, pos para algumas nsttuções a dferença entre o percentual estmado do orçamento pelo Modelo 2 e aquele estmado pelo Modelo 3 pode ser grande. Por exemplo, o valor máxmo dessa dferença ocorre para a nona observação, que é a Unversdade Federal Rev. Mat. Estat., São Paulo, v.21, n.2, p.55-69,
12 do Pará, e corresponde a aproxmadamente 30% do valor hstórco do orçamento desta unversdade. FIGURA 2 - Análse dos resíduos do Modelo 2. FIGURA 3 - Comparação dos Modelos 2 e Rev. Mat. Estat., São Paulo, v.21, n.2, p.57-71, 2003
13 Para decdr, formalmente, qual dos dos modelos é melhor, é necessáro usar o quasedesvo estenddo defndo em ( 5 ), pos esses modelos possuem dferentes funções de varânca. Aplcando-se esta medda de dscrepânca aos Modelos 2 e 3 obtêm-se os resultados 42,73 e 46,48, respectvamente. Portanto, o Modelo 2 é o mas adequado para os dados em questão. As estmatvas e os desvos-padrão dos parâmetros dos Modelos 1, 2 e 3 são apresentadas na Tabela 4. Os coefcentes das varáves ACS e OUTROS representam suas respectvas contrbuções em relação ao percentual do orçamento que será destnado a cada uma das IFES. Supondo-se que o Modelo 2 é adotado para dstrbur os recursos entre as IFES, o peso da varável ACS será aproxmadamente sete vezes maor do que aquele da varável OUTROS. Assm, uma nsttução recebe por cada aluno da área de saúde aproxdamente sete vezes mas recursos do que o valor recebdo por cada aluno de outras áreas do conhecmento. Tabela 4 - Estmatvas dos parâmetros dos Modelos 1, 2 e 3 Coefcentes Termo constante ACS ACECB Modelo 1 Modelo 2 Modelo 3 0, , , , , , , , , Desvos-Padrão Modelo 1 0, , , Modelo 2 0, , , Modelo 3 0, , , Apesar dos valores dos parâmetros dos três modelos serem próxmos, os resultados fnas obtdos podem ser muto dferentes, sto é, se ocorrer uma mudança no modelo utlzado, o orçamento recebdo por uma nsttução pode mudar muto. Uma lustração deste fato fo apresentada na análse da Fgura 3, consderando-se o orçamento da Unversdade Federal do Pará. Além desses modelos, fo formulado um modelo a partr da técnca de componentes prncpas, que fo desenvolvdo pela necessdade de usar todas as varáves explcatvas na análse. Essa necessdade deve-se ao fato de que as varáves foram aprovadas em votação pelos retores das 52 IFES e, portanto, é mas convenente modfcar a forma de cálculo do que retrar alguma varável. Mas detalhes sobre este e os outros modelos são apresentados por Amaral (1997). Outra alternatva que também podera ser utlzada para resolver o problema de multcolneardade é a aplcação de transformações nas varáves explcatvas. Entretanto, essa alternatva dfclmente sera aceta pelos retores das IFES, tendo-se em vsta que o ponto de conflto do modelo é a determnação dos pesos da varáves. Uma vez que transformar a varável sera equvalente a mudar seu peso, o crtéro de ponderação não fcara claro. Rev. Mat. Estat., São Paulo, v.21, n.2, p.55-69,
14 5 Comentáros fnas Todos os componentes de um modelo lnear generalzado devem ser cudadosamente verfcados. Assm, além dos testes usuas de ajustamento e de sgnfcânca dos parâmetros, a análse de resíduos e a verfcação das suposções teórcas do modelo são mprescndíves. Um modelo estatístco aplcado a problemas empresaras deve levar em conta as necessdades dos usuáros deste modelo para ser bem-suceddo. Em partcular, na análse apresentada, um modelo que exclu varáves explcatvas relatvas a um determnado tpo de aluno pode ser consderado dscrmnatóro. Portanto, os usáros fnas, que são os membros das unversdades, fcarão nsatsfetos com esse tpo de modelo, o que levará à sua rejeção. Os modelos de verossmlhança não são muto útes em stuações nas quas a suposção de que a varável resposta apresenta uma determnada dstrbução é dfclmente justfcada. Por exemplo, no problema consderado neste artgo, a suposção que uma proporção tem dstrbução gama ou Posson são hpóteses ncorretas. Por outro lado, o conceto de quase-verossmlhança, proposto por Wedderburn (1974), permte justfcar teorcamente alguns procedmentos que antes eram aplcados nformalmente, fato que é comentado no referdo artgo. Esta propredade é lustrada pelo uso do modelo de quase-verossmlhança com função de varânca proporconal ao quadrado da méda da varável resposta ao nvés do modelo lnear generalzado com erro gama. Os resultados obtdos pelos dos modelos são os mesmos, porém o modelo lnear generalzado com erro gama não é adequado do ponto de vsta concetual. Esse mesmo racocíno é aplcado na comparação entre o modelo de Posson e o modelo de quase-verossmlhança cuja função de varânca é proporconal à méda da varável resposta. O conceto de quase-verossmlhança estendda fo muto relevante para a análse realzada neste artgo. Esse conceto permte defnr o quase-desvo estenddo, que fo utlzado para decdr dentre o Modelo 2 e o Modelo 3 aquele que é mas adequado ao conjunto de dados das IFES. A prncpal propredade do quase-desvo estenddo é que este pode ser usado para comparar modelos com funções de varânca dferentes, o que não ocorre com o quase-desvo nem com o desvo. O modelo pode ser faclmente ncorporado à rotna de gerencamento das IFES. Uma vez estabelecdo o orçamento global das IFES, o percentual relatvo a cada nsttução pode ser estmado a partr do Modelo 2 e, posterormente, com base neste percentual, o valor referente a cada IFES pode ser calculado. Agradecmentos. Os autores agradecem a um revsor anônmo pelos seus comentáros, que foram utés na melhora da prmera versão deste artgo em relação à exposção das déas dscutdas. Os autores também agradecem ao suporte fnancero do CNPq. AMARAL, G.J.A., CORDEIRO, G.M. A budget alocaton model for the Brazlan Federal Unverstes: An applcaton of the generalzed lnear models. Rev. Mat. Estat., São Paulo, v.21, n.2, p.55-69, ABSTRACT: In ths paper we develop a generalzed lnear model to explan the budget receved by federal unverstes from the Brazlan government. In ths model, the Box and Cox (1964) transformaton s used to fnd the best varance functon and the concept of quas-lkelhood s 68 Rev. Mat. Estat., São Paulo, v.21, n.2, p.57-71, 2003
15 ntroduced n order to estmate the parameters of the model. In addton, the extended quas-devance s used to compare that model wth another quas-lkelhood model. KEYWORDS: Econometrcs models; extended quas-devance; quas-lkelhood functons. Referêncas AMARAL, G. J. A. Modelo de alocação de recursos entre as nsttuções federas de ensno superor: uma aplcação dos modelos lneares generalzados, f. Dssertação (Mestrado em Estatístca) Departamento de Estatístca, Unversdade Federal de Pernambuco. Recfe, BAKER, R. J. GLIM: Reference gude, numercal algorthms group. Oxford: Oxford, BOX, G. E. P.; COX, D. R. An analyss of transformatons. J. R. Statst. Soc. B, v.26, p , FISHER, R. A. A bologcal assay of tuberculns. Bometrcs, v.5, p , FRANCIS, B.; GREEN, M.; PAYNE, C. The GLIM system generalzed lnear nteractve modellng. New York: Prentce Hall, McCULLAGH, P.; NELDER, J. R. Generalzed lnear models. 2. ed. London: Chapman and Hall, p NELDER, J. A.; PREGIBON, D. An extended quas-lkelhood functon. Bometrka, v.74, p , NELDER, J. A.; WEDDERBURN, R. W. M. Generalzed lnear models. J. R. Statst. Soc. A, v.135, p , WEDDERBURN, R. W. M. Quas-lkelhood functons, Generalzed lnear models and the Gauss Newton method. Bometrka, v.61, p , Recebdo em Aprovado após revsão em Rev. Mat. Estat., São Paulo, v.21, n.2, p.55-69,
O 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 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 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 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 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 mais4 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 maisSELEÇÃO DE MODELOS VOLUMÉTRICOS PARA CLONES DE EUCALYPTUS SPP., NO PÓLO GESSEIRO DO ARARIPE
SELEÇÃO DE MODELOS VOLUMÉTRICOS PARA CLONES DE EUCALYPTUS SPP, NO PÓLO GESSEIRO DO ARARIPE Jáder da Slva Jale Joselme Fernandes Gouvea Alne Santos de Melo Denns Marnho O R Souza Kléber Napoleão Nunes de
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 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 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 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 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 maisAnálise de influência
Análse de nfluênca Dzemos que uma observação é nfluente caso ela altere, de forma substancal, alguma propredade do modelo ajustado (como as estmatvas dos parâmetros, seus erros padrões, valores ajustados...).
Leia maisUNIVERSIDADE DE PERNAMBUCO. Física Experimental. Prof o José Wilson Vieira
UNIVERSIDADE DE PERNAMBUCO ESCOLA POLITÉCNICA DE PERNAMBUCO Físca Expermental Prof o José Wlson Vera wlson.vera@upe.br AULA 01: PROCESSOS DE ANÁLISE GRÁFICA E NUMÉRICA MODELO LINEAR Recfe, agosto de 2015
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 mais3 Algoritmos propostos
Algortmos propostos 3 Algortmos propostos Nesse trabalho foram desenvolvdos dos algortmos que permtem classfcar documentos em categoras de forma automátca, com trenamento feto por usuáros Tas algortmos
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 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 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 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 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 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 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 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 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 maisEstudo quantitativo do processo de tomada de decisão de um projeto de melhoria da qualidade de ensino de graduação.
Estudo quanttatvo do processo de tomada de decsão de um projeto de melhora da qualdade de ensno de graduação. Rogéro de Melo Costa Pnto 1, Rafael Aparecdo Pres Espíndula 2, Arlndo José de Souza Júnor 1,
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 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 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 mais5 Implementação Procedimento de segmentação
5 Implementação O capítulo segunte apresenta uma batera de expermentos prátcos realzados com o objetvo de valdar o método proposto neste trabalho. O método envolve, contudo, alguns passos que podem ser
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 maisAula Características dos sistemas de medição
Aula - Característcas dos sstemas de medção O comportamento funconal de um sstema de medção é descrto pelas suas característcas (parâmetros) operaconas e metrológcas. Aqu é defnda e analsada uma sére destes
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 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 maisANÁLISE DA VARIÂNCIA DA REGRESSÃO
ANÁLISE DA VARIÂNCIA DA REGRESSÃO PROCEDIMENTO GERAL DE REGRESSÃO Em um modelo de análse de varânca, como no DIA, o fator em estudo pode ser quanttatvo ou qualtatvo. FATOR QUANTITATIVO: é aquele cujos
Leia maisUMA VALIDAÇÃO MATEMÁTICA PARA UM ALGORITMO QUE SIMULA MISTURAS DE DISTRIBUIÇÕES
UMA VALIDAÇÃO MATEMÁTICA PARA UM ALGORITMO QUE SIMULA MISTURAS DE DISTRIBUIÇÕES Ana Paula Coelho MADEIRA Lucas Montero CHAVES Devanl Jaques de SOUZA Resumo: Uma valdação matemátca, utlzando o conceto de
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 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 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 mais1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de
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 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 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 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 maisModelagem da proporção de produtos defeituosos usando Modelo de Quase-verossimilhança
XXV Encontro Nac. de Eng. de Produção Porto Alegre, RS, Brasl, 29 out a 01 de nov de 2005 Modelagem da proporção de produtos defetuosos usando Modelo de Quase-verossmlhança Ângelo Márco O. Sant Anna (UFRGS)
Leia maisINTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA
INTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA APLICAÇÃO NO CONTROLE DE QUALIDADE DE FÁRMACOS Prof. Dr. Marcelo Martns de Sena MÓDULO 04 Undade Unverstára de Cêncas Eatas e Tecnológcas UnUCET Anápols 1 MÓDULO 04
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 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 mais5 Análise Conjunta da Média e da Dispersão
5 Análse Conjunta da Méda e da Dspersão Neste capítulo vamos apresentar métodos de dentfcação dos fatores que afetam a méda e a varânca da resposta, em expermentos fatoras não replcados. Na otmzação de
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 maisMETOLOGIA. 1. Histórico
METOLOGIA A Sondagem da Construção Cvl do RS é uma sondagem de opnão empresaral realzada mensalmente e fo crada pela Confederação Naconal da Indústra (CNI) com o apoo da Câmara Braslera da Indústra da
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 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 maisClassificação de Padrões
Classfcação de Padrões Introdução Classfcadores Paramétrcos Classfcadores Sem-paramétrcos Redução da Dmensonaldade Teste de Sgnfcânca 6.345 Sstema de Reconhecmento de Voz Teora Acústca da Produção de Voz
Leia maisPsicologia Conexionista Antonio Roque Aula 8 Modelos Conexionistas com tempo contínuo
Modelos Conexonstas com tempo contínuo Mutos fenômenos de aprendzado assocatvo podem ser explcados por modelos em que o tempo é uma varável dscreta como nos casos vstos nas aulas anterores. Tas modelos
Leia maisUM PROBLEMA ECONOMÉTRICO NO USO DE VARIÁVEIS CLIMÁTICAS EM FUNÇÕES DE PRODUÇÃO AJUSTADAS A DADOS EXPERIMENTAIS
UM PROBLEMA ECONOMÉTRICO NO USO DE VARIÁVEIS CLIMÁTICAS EM FUNÇÕES DE PRODUÇÃO AJUSTADAS A DADOS EXPERIMENTAIS Rodolfo Hoffmann * Vctor Hugo da Fonseca Porto ** SINOPSE Neste trabalho deduz-se qual é o
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 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 maisDados ajustáveis a uma linha recta
Capítulo VI juste dos Mínmos Quadrados Dados ajustáves a uma lnha recta Determnação das constantes e B Incerteza nas meddas de Incerteza na determnação de e B juste dos mínmos quadrados a outras curvas:
Leia mais2 Metodologia de Medição de Riscos para Projetos
2 Metodologa de Medção de Rscos para Projetos Neste capítulo remos aplcar os concetos apresentados na seção 1.1 ao ambente de projetos. Um projeto, por defnção, é um empreendmento com metas de prazo, margem
Leia maisPrograma de Certificação de Medidas de um laboratório
Programa de Certfcação de Meddas de um laboratóro Tratamento de dados Elmnação de dervas Programa de calbração entre laboratóros Programa nterno de calbração justes de meddas a curvas Tratamento dos resultados
Leia maisAvaliação do tamanho da amostra de segmentos regulares para estimar a área plantada com café na região sul de Minas Gerais
Avalação do tamanho da amostra de segmentos regulares para estmar a área plantada com café na regão sul de Mnas Geras Marcos Adam Maurco Alves Morera Bernardo Fredrch Theodor Rudorff Insttuto Naconal de
Leia maisEstatística Espacial: Dados de Área
Estatístca Espacal: Dados de Área Dstrbução do número observado de eventos Padronzação e SMR Mapas de Probabldades Mapas com taxas empírcas bayesanas Padronzação Para permtr comparações entre dferentes
Leia maisMODELAGEM CONJUNTA DE MÉDIA E VARIÂNCIA EM EXPERIMENTOS FRACIONADOS SEM REPETIÇÃO UTILIZANDO GLM
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL ESCOLA DE ENGENHARIA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO MODELAGEM CONJUNTA DE MÉDIA E VARIÂNCIA EM EXPERIMENTOS FRACIONADOS SEM REPETIÇÃO UTILIZANDO
Leia maisTESTE DO QUI-QUADRADO - Ajustamento
Exemplo 3: Avalar se uma moeda ou um dado é honesto; Em 100 lances de moeda, observaram-se 65 coroas e 35 caras. Testar se a moeda é honesta. 1 H 0 : a moeda é honesta; H 1 : a moeda não é honesta; 2 α
Leia maisIdentidade dos parâmetros de modelos segmentados
Identdade dos parâmetros de modelos segmentados Dana Campos de Olvera Antono Polcarpo Souza Carnero Joel Augusto Munz Fabyano Fonseca e Slva 4 Introdução No Brasl, dentre os anmas de médo porte, os ovnos
Leia maisÍNDICE DE CONSISTÊNCIA TEMPORAL: UM NOVO MÉTODO PARA AVALIAÇÃO DA ESTABILIDADE TEMPORAL DE ARMAZENAMENTO DE ÁGUA NO SOLO
Anas Eletrônco ÍNDICE DE CONSISTÊNCIA TEMPORAL: UM NOVO MÉTODO PARA AVALIAÇÃO DA ESTABILIDADE TEMPORAL DE ARMAZENAMENTO DE ÁGUA NO SOLO Anderson Takash Hara, Heraldo Takao Hashgut, Antôno Carlos Andrade
Leia maisCapítulo 2. Modelos de Regressão
Capítulo 2 Modelos de regressão 39 Capítulo 2 Modelos de Regressão Objetvos do Capítulo Todos os modelos são errados, mas alguns são útes George E P Box Algumas vezes fcamos assustados quando vemos engenheros
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 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 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 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 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 maisCÁLCULO DO ALUNO EQUIVALENTE PARA FINS DE ANÁLISE DE CUSTOS DE MANUTENÇÃO DAS IFES
MIISTÉRIO DA EDUCAÇÃO SECRETARIA DE EDUCAÇÃO SUPERIOR DEPARTAMETO DE DESEVOLVIMETO DA EDUCAÇÃO SUPERIOR TECOLOGIA DA IFORMAÇÃO CÁLCULO DO ALUO EQUIVALETE PARA FIS DE AÁLISE DE CUSTOS DE MAUTEÇÃO DAS IFES
Leia maisVariável discreta: X = número de divórcios por indivíduo
5. 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 mais5 Relação entre Análise Limite e Programação Linear 5.1. Modelo Matemático para Análise Limite
5 Relação entre Análse Lmte e Programação Lnear 5.. Modelo Matemátco para Análse Lmte Como fo explcado anterormente, a análse lmte oferece a facldade para o cálculo da carga de ruptura pelo fato de utlzar
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 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 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 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 mais