Investigação Operacional 2º Semestre 2002/2003 Problema Resolvido
|
|
- Clara Natal das Neves
- 6 Há anos
- Visualizações:
Transcrição
1 º Semestre 00/003 Problema Resolvido Resolução do problema 3 Comecemos por traçar o gráfico da série cronológica Yt a) Caracterizar uma série é dizer se ela apresenta tendência (se há um desenvolvimento global, ao longo do tempo, de crescimento ou descrescimento dos valores observados) e/ou sazonalidade (se existe uma flutuação periódica dos valores que sobem ou descem relativamente ao desenvolvimento global da série, mas com periodicidade fixa). Da observação do gráfico, pode verificar-se que, globalmente, a série não cresce nem decresce, pelo que pode dizer-se que, aparentemente, a série não tem tendência. Quanto à sazonalidade, verifica-se que, por exemplo, os valores máximos não se repetem em intervalos de tempo fixos (a partir da observação no instante três Y 3 encontra-se novo máximo ao fim de 4 intervalos de tempo Y 7 -, depois são necessários 3 para Y 10 e sucessivamente outros 3 para Y 13, 3 para Y 16 e para Y 18. Verificação semelhante se poderia fazer para os valores mínimos, em que a periodicidade destes valores também não existe, o que permite concluir que a série não tem sazonalidade. Trata-se, portanto, de uma série que não apresenta tendência nem sazonalidade. b) Uma série cronológica deste tipo é modelável pela expressão Y t = n t + ε t - em que n t é o nível da série e ε t uma variável aleatória incontrolável. Assim, o modelo de previsão a adoptar será Ŷ t+k = n t + e t em que k é o número de passos à frente que se pretende fazer a previsão, n t representa a estimativa que se vai fazer do nível da série e e t o erro de previsão. Para a determinação da estimativa do nível da série foram leccionados dois tipos de modelos com diferentes abordagens sobre o peso a atribuir aos valores conhecidos da série cronológica amortecimento exponencial simples e médias móveis aritméticas. Modelo de amortecimento exponencial simples Neste modelo, o nível da série no instante t é estimado pela seguinte fórmula recursiva n t = α Y t + (1 - α) n t-1 que permite actualizar a estimativa do nível a partir da observação feita no instante t Y t incorporando a estimativa feita até ao instante t-1 - n t-1 através da constante de amortecimento α
2 º Semestre 00/003 Problema Resolvido Neste tipo de modelos, é necessário proceder sempre à sua inicialização, isto é, atribuir um valor ao nível inicial n 1. Um procedimento possível, e frequentemente utilizado, é admitir n 1 = Y 1,.o que concretizando no nosso caso será n 1 = 137 Pode, agora, utilizar-se a fórmula recursiva para calcular os sucessivos valores de n t até n 18 (último instante para o qual se conhece o valor da observação) utilizando, como proposto no enunciado α = n = 0.10*11 + (1 0.10)*137 = n 3 = 0.10*148 + (1 0.10)* = n 4 = 0.10*1 + (1 0.10)*136.1 = n = 0.10*11 + (1 0.10)* = n 6 = 0.10*14 + (1 0.10)* = n 7 = 0.10*146 + (1 0.10)*134.0 = 13.6 n 8 = 0.10*110 + (1 0.10)*13.6 = n 9 = 0.10*11 + (1 0.10)* = n 10 = 0.10*149 + (1 0.10)*131.8 = n 11 = 0.10*108 + (1 0.10)*133.0 = 130. n 1 = 0.10*10 + (1 0.10)*130. = n 13 = 0.10*14 + (1 0.10)*19.49 = n 14 = 0.10*114 + (1 0.10)* = n 1 = 0.10*10 + (1 0.10)*19.34 = n 16 = 0.10*14 + (1 0.10)*16.60 = n 17 = 0.10*133 + (1 0.10)*18.44 = n 18 = 0.10*144 + (1 0.10)*18.90 = No enunciado do problema é pedida a previsão da procura do próximo mês, o mesmo é dizer 1 passo à frente ou seja a Ŷ 19, pelo que a resposta será Ŷ 19 = 130 Nota importante as previsões devem ter sempre o mesmo número de casas decimais que as observações, razão porque a previsão é 130 e não ! É pedido, também, no enunciado que seja determinado o intervalo de confiança a 99%, que (admitindo que o erro de previsão - e t - segue uma distribuição normal com média 0 e uma variância igual ao erro quadrático médio EQM) é definido como Ŷ t ± z α / EQM em que z α /, como habitualmente, é o valor da variável normal padrão tal que P(Z> z α / ) = α/ (sendo 1 - α o nível de confiança definido, no nosso caso 99%, pelo que α = 1%) e o EQM dado pela expressão Σ (Y t - Ŷ t ) /N
3 º Semestre 00/003 Problema Resolvido Consultando as tabelas da normal padrão pode verificar-se que o valor de z α / para o qual P(Z> z α / ) = α/ = 0.00 é de.8. A determinação do EQM tem de ter em atenção o número de passos à frente da previsão que se está a fazer. No nosso caso, como estamos a prever 1 passo à frente, tal significa que o erro de previsão e t = Y t - Ŷ t será dado para cada instante t pela expressão Y t n t-1. Por outro lado, estando a utilizar o modelo de amortecimento exponencial simples, os primeiros níveis n t calculados poderão estar algo destorcidos dado que dependem fortemente do erro, eventualmente cometido, aquando da inicialização. Por isso, é aconselhável só começar a determinar os erros de previsão alguns instantes após a inicialização, mas não exagerando nesta prudência, de modo a que haja, ainda, um número significativo de parcelas para o calculo do EQM. Admita-se, então, para o nosso caso que o primeiro nível que já não é afectado pelo erro de inicialização é n 7, pelo que os erros de previsão que vamos considerar serão: e 8 = Y 8 n 7 = = -.6 e 9 = Y 9 n 8 = = e 10 = Y 10 n 9 = = 17.7 : e 18 = Y 18 n 17 = = 1.10 pelo que (.6) + ( 18.09) + (17.7) + + (1.10) EQM = 11 Assim o intervalo de confiança da previsão será = ±.8* = ± => e No entanto, tendo em atenção a nota importante da página anterior o intervalo de confiança a 99% desta previsão é [8, 179] Apresenta-se a seguir um quadro resumo da resolução apresentada t Y t n t Ŷ t e t t Y t n t Ŷ t e t Modelo de médias móveis aritméticas
4 º Semestre 00/003 Problema Resolvido Neste modelo, o nível da série no instante t é estimado pela seguinteexpressão: Y n t N Yt N + + Y t 1 + Yt t = N em que N é o comprimento da média móvel. Assim, para N =, como indicado no enunciado,será: Y 1 + Y + Y3 + Y4 + Y n = = = n 6 = = n 6 = = : n 18 = = 17.6 Donde, conforme já se explicou, para o modelo anterior, a previsão para a procura no próximo mês será: Ŷ 19 = 18 O cálculo do EQM para este modelo seguirá um processo semelhante ao descrito anteriormente, sem ter que haver, no entanto, a preocupação então havida por causa do eventual erro provocado pela inicialização, que aqui não existe. Então e 6 = Y 6 n 7 = = 16.4 e 7 = Y 7 n 8 = = 1.8 e 8 = Y 8 n 9 = = -6. : e 18 = Y 18 n 17 = = 16. pelo que EQM = (16.4) + (1.8) + ( 6.4) (16.) = 38. Assim o intervalo de confiança da previsão será 17.6 ±.8* 38. = 17.6 ± 0.6 => 77.0 e 178. pelo que, tendo em atenção a nota importante já referida, o intervalo de confiança a 99% desta previsão é [77, 178] Apresenta-se a seguir um quadro resumo da resolução apresentada
5 º Semestre 00/003 Problema Resolvido t Y t n t Ŷ t e t t Y t n t Ŷ t e t Resolução do problema 6 Comecemos por traçar o gráfico da série cronológica Yt a) Da observação do gráfico, pode verificar-se que, globalmente, a série decresce, pelo que pode dizer-se que, a série apresenta tendência linear decrescente. Quanto à sazonalidade, verifica-se que não existe nenhum padrão fixo de flutuações em torno da tendência global de decrescimento da série, o que permite concluir que a série não tem sazonalidade. Trata-se, portanto, de uma série que apresenta tendência linear decrescente e não tem sazonalidade
6 º Semestre 00/003 Problema Resolvido b) Uma série cronológica deste tipo é modelável pela expressão Y t = T t + ε t - em que T t representa a tendêncie e ε t uma variável aleatória incontrolável. Assim, o modelo de previsão a adoptar será Ŷ t = Tˆ t + e t em que Tˆ t representa a estimativa que se vai fazer da tendência da série e e t o erro de previsão. Para estimar a previsão de uma série só com tendência foram leccionados dois tipos de modelos Holt e regressão linear simples. Modelo de Holt Neste modelo, a previsão para o instante t será estimada pela expressão Ŷ t+k = n t +k * b t Em que k representa o número de passos à frente para o qual se vai fazer a previsão, n t é o nível e b t a tendência, valores que se obtêm as partir das seguintes fórmulas recursivas n t = α Y t + (1 - α) (n t-1 + b t-1 ) b t = β(n t n t-1 ) + (1 - β)b t-1 que permitem actualizar as estimativas do nível e da tendência a partir da observação feita no instante t Y t incorporando as estimativas feitas até ao instante t-1 - n t-1 e b t-1 através das constantes de amortecimento α e β. Neste tipo de modelos, é necessário proceder sempre à sua inicialização, isto é, atribuir valores iniciais a n 1, n e b. Um procedimento possível, e frequentemente utilizado, é admitir n 1 = Y 1, n = Y e b = Y Y 1, o que concretizando no nosso caso dará n 1 = 6 n = 49 b = 6 49 = - 7 Podem, agora, utilizarem-se as fórmulas recursivas para calcular os sucessivos valores de n 3 e de b 3 até n 0 e de b 0 (último instante para o qual se conhece o valor da observação) utilizando, como proposto no enunciado α = 0.4 e β = 0.3 n 3 =0.40*40+(1 0.40)*[(49+(-7)] = 41. b 3 = 0.3*(41. 49)+(1 0.3)*(-7) = -7. n 4 =0.40*1+(1 0.40)*[(41.+(-7.)]=40.8 b 4 =0.3*( )+(1 0.3)*(-7.) = -. : : : : n 19 =0.40*0+(1 0.40)*[(1.+(-0.9)]=16.8 b 19 =0.3*( )+(1 0.3)*(-0.9) = n 0 =0.40*1+(1 0.40)*[(16.8+(-0.3)]=14.7 b 0 =0.3*( )+(1 0.3)*(-0.3) = Deste modo, o volume de vendas para a próxima semana cuja previsão é pedida no enunciado (1 passo à frente, portanto) será Ŷ 1 =n 0 +1*b 0 = *(-0.8) = 13.9 => 14 Apresenta-se a seguir um quadro com todos os cálculos já efectuados, bem como os que irão ser necessários para a determinação do intervalo de confiança a 90%, ou seja o cálculo do EQM
7 º Semestre 00/003 Problema Resolvido t Y t n t b t Ŷ t e t t Y t n t b t Ŷ t e t Face ao erro eventualmente cometido com o processo de inicialização (ver o comentário feito aquando da resolução do problema anterior pag 13), admitamos que para o cálculo do EQM só se vão considerar os erros de previsão a partir do instante 7. Assim, pelo que e 7 = Y 7 Ŷ 7 = Y 7 (n 6 + b 6 ) = 34 [ (-4.0)] = = 4.0 e 8 = Y 8 Ŷ 8 = Y 8 (n 7 + b 7 ) = 41 [ (-3.)] = = 10.9 : : e 0 = Y 0 Ŷ 0 = Y 0 (n 19 + b 19 ) = 1 [ (-0.3)] = = -4. (4.0) + (10.9) + + ( 4.) EQM = = Assim o intervalo de confiança da previsão, recordando que para um nível de confiança de 90% o valor de z α/ é 1.64, será 13.9 ± 1.64* = 13.9 ± 1. => 01.7 e 6.1 Como a série cronológica não tem nenhuma casa decimal, a resposta deverá ser: [0, 6] Regressão linear simples Neste modelo, a previsão para o instante t será estimada pela expressão Ŷ t = aˆ + bˆ t em que â e bˆ são, respectivamente, a ordenada na origem e o declive da recta que melhor se ajusta a um conjunto de pontos (t, Y t ) aplicando o critério da minimização da soma do quadrado dos erros.(ou seja Min Σ e t ) As expressões para a determinação destes dois parâmetos são:
8 º Semestre 00/003 Problema Resolvido bˆ = t Y t t aˆ = Yt bˆ t n t Y n t t Para aplicar estas expressões há que, naturalmente, efectuar os cálculos dos somatórios e médias que delas constam: n = 0 (pontos) 1+ 0 Σ t = 10 ( 0 - soma do primeiro mais o último a dividir por, vezes o nº de parcelas) t = 10. ( 10/0 ) Σ t = 870 calculável, expeditamente, pela fórmula ( ) ( 0 + 1) Σ Y t = = 4616 Y t = 30.8 ( 4616/0 ) Σ t Y t = 1* 6 + * *0 + 0*1 = Assim, ˆ b = = â = 30.8 (-.1) * 10. = 3.11 pelo que o modelo de previsão que se vai adoptar, será Ŷ t = *t Logo, teremos para a previsão para o instante 1 Ŷ 1 = * 1 = => 08 Dado que a estimativa feita a partir da regressão linear segue uma distribuição t de Student com n graus de liberdade, a expressão para o cálculo do intervalo de confiança da previsão é. Ŷ t ± t α/,n- σˆ ε 1 + n ( t t ) t n t onde
9 º Semestre 00/003 Problema Resolvido t α/, n- é o valor que resulta da consulta da tabela da distribuição t de Student consoante o nível de confiança (1 - α) e o número de graus de liberdade (n-) σˆ ε é calculado pela expressão e t n No caso concreto deste problema em que o nível de confiança é de 90%, virá t 0.9, 18 = e os erros de previsão e t = Y t - Ŷ t - serão e 1 = 6 (3.11.1*1) = =.0 e = 49 (3.11.1*) = = 0.1 : : e 19 = 0 (3.11.1*19) = = 7.3 e 0 = 1 (3.11.1*0) = = 1.4 pelo que Σ e t = (.0) + (0.1) (7.3) + (1.4) = e, portanto σ ˆ ε = = Podendo obter-se, finalmente, o intervalo de confiança a 90% da previsão feita ± 1.734*6.10* 1 0 ( 1 10.) + = ± 4.91 => 03.6 e *10. ou seja [04, 13] Apresenta-se a seguir um quadro com todos os cálculos efectuados Resolução do problema 13 t Y t Ŷ t e t t Y t Ŷ t e t
10 º Semestre 00/003 Problema Resolvido a) Face ao gráfico representativo da série, naturalmente se conclui tratar-se de uma série com tendência crescente (que vamos assumir como linear) e com sazonalidade de período. Com efeito, a série apresenta, globalmente, um desenvolvimento crescente e a sazonalidade é facilmente reconhecivel dado que de em instantes repete-se o mesmo tipo de flutuação em torno do crescimento global da série (máximos nos instantes, 10 e 1, mínimos nos instantes 3, 8, 13 e 18, etc) ou seja, há um padrão fixo de comportamento. b) Para modelar séries com sazonalidade que tenham (ou não) tendência, foram leccionados dois tipos de métodos Holt-Winters e Decomposição Clássica qualquer deles com modelos aditivo e multiplicativo. Representando por S t a componente sazonal, de um modo geral, pode dizer-se que a uma série com sazonalidade é-lhe aplicável o modelo - aditivo se for do tipo Y t = T t + S t + ε t (se tiver tendência) ou Y t = n t + S t + ε t (se não tiver tendência) e corresponde às séries que graficamente se desenvolvem ao logo de duas linhas paralelas, - multiplicativo se for do tipo Y t = T t * S t + ε t (se tiver tendência) e cuja representação gráfica se desenvolve ao longo de duas linhas divergentes (se a tendência for crescente) ou convergentes (se a tendência for decrescente) Y t = n t * S t + ε t (se não tiver tendência). Se nalgumas séries é claro qual o modelo a aplicar (ver problema 11 onde é evidente a aplicabilidade do modelo multiplicativo), outras há em que a modelação mais correcta só pode ser feita utilizando outros processos (por exemplo, o modelo que tiver menor EQM). No caso vertente do problema 13 de que estamos tratando, vamos admitir que o modelo que se aplica é o aditivo, pelo que o vamos abordar utilizando as duas metodologias
11 º Semestre 00/003 Problema Resolvido Holt-Winters (modelo aditivo) Neste modelo, a previsão para o instante t será estimada pela expressão Ŷ t+k = n t +k * b t + f t+k-s Em que s representa o período sazonal, k o número de passos à frente para o qual se vai fazer a previsão, n t é o nível, b t a tendência e f t o índice sazonal, valores que se obtêm as partir das seguintes fórmulas recursivas n t = α (Y t f t-s ) + (1 - α) (n t-1 + b t-1 ) b t = β(n t n t-1 ) + (1 - β)b t-1 f t = γ (Y t n t ) + (1 - γ) f t-s que permitem actualizar as estimativas do nível, da tendência e dos índices sazonais a partir da observação feita no instante t Y t incorporando as estimativas feitas até ao instante t-1 - n t-1 e b t-1 e do índice sazonal feita um período antes - f t-s - através das constantes de amortecimento α, β e γ. Neste tipo de modelos, é necessário proceder sempre à sua inicialização, isto é, atribuir valores iniciais de n 1 a n s, b, e de f 1 a f s. Um procedimento possível, e frequentemente utilizado, é fazer a regressão dos s primeiros pontos da série (obtendo-se um valor para a ordenada na origem (c) e um declive (d) e atribuir a n s = c + dt com t de 1 a s, b s = d f t = Y t n t com t de 1 a s No nosso caso, após fazer a regressão dos primeiros pontos, obter-se-ia c = 160. e d = 64., donde n 1 = = 13.0 n = 160.+*64.=1389. n 3 = b = 64. n 4 = 118. n = f 1 = = f = =-10. f 3 = =-19.0 f 4 = = -0. f = = Podem, agora, utilizarem-se as fórmulas recursivas para calcular os sucessivos valores de n t, de b t e f t até t =0 (último instante para o qual se conhece o valor da observação) utilizando, como proposto no enunciado α = 0.79, β = 0.10 e γ = n 6 = 0.79*( ) + (1 0.79)*( ) = b 6 = 0.10*( ) + (1 0.10)*64. = f 6 = 0.99*( ) + (1 0.99)*178.0 = n 7 = 0.79*[11 (-10.)] + (1 0.79)*( ) = b 7 = 0.10*( ) + (1 0.10)*49.06 = 7.86 f 7 = 0.99*( ) + (1 0.99)*(-10.) = e sucessivamente até n 0 = 0.79*( ) + (1 0.79)*( ) =
12 º Semestre 00/003 Problema Resolvido b 0 = 0.10*( ) + (1 0.10)*3.4 = 9.97 f 0 = 0.99*( ) + (1 0.99)* = 13.1 Apresenta-se no quadro abaixo os cálculos já feitos, bem como os que irão ser efectuar a seguir quer para as previsões quer para a determinação do intervalo de confiança a 90%. Com o intuito de facilitar a identificação dos instantes que pertencem à mesma familia, introduziu-se uma coluna com essa indicação de I a V. t Y t n t b t f t Ŷ t e t I II III IV V I II III IV V I II III IV V I II III IV V Deste modo, a previsão da produção para os próximos anos será: Ŷ 1 =n 0 +1*b 0 + f 16 = * = 00.9 => 006 Ŷ =n 0 +*b 0 + f 17 = * (-100.9) = => 1866 Ŷ 3 =n 0 +3*b 0 + f 18 = * ( ) = => 1798 Ŷ 4 =n 0 +4*b 0 + f 19 = * = => 031 Ŷ =n 0 +*b 0 + f 0 = * = => 19 Para a definição dos intervalos de confiança, é necessário calcular o EQM, o que implica determinar os erros de previsão dos instantes passados. Face ao erro eventualmente cometido com o processo de inicialização (ver o comentário feito aquando da resolução do problema 3 pag 13), admitamos que para o cálculo do EQM só se vão considerar os erros de previsão a partir do instante 11. De notar que para este tipo de modelo, o resguardo a dar relativamente à inicialização deve ser maior, pois os índices de sazonalidade são actualizados de s em s instantes (no nosso caso s = ). Os erros de previsão seriam (ver quadro):
13 º Semestre 00/003 Problema Resolvido e 11 = Y 11 Ŷ 11 = 1798 ( ) = = e 1 = Y 1 Ŷ 1 = 1611 ( ) = = : : : : e 0 = Y 0 Ŷ 0 = 04 ( ) = = pelo que o erro quadrático médio seria: EQM = ( ) + ( 47.43) (81.31) = Assim, os intervalos de confiança das previsões, recordando que para um nível de confiança de 90% o valor de z α/ é 1.64, será 00.9 ± 1.64* = 00.9 ± => e 170. => [1841, 171] ± 1.64* = ± => e => [1701, 031] ± 1.64* = ± => e => [1633, 1963] ± 1.64* = ± => e 19.6 => [1866, 196] ± 1.64* = ± => 06.7 e 36.6 => [07, 37] Decomposição clássica (modelo aditivo) Neste modelo a previsão para o instante t é dada pela expressão Ŷ t = Tˆ t + Ŷ t = n t + Ŝ t + e t Ŝ t + e t no caso de a série ter tendência no caso de a série não ter tendência Em que Tˆ t ou n t são os estimadores da tendência ou do nível, consoante o caso e os estimadores dos s índices de sazonalidade. Ŝ t representa No método da decomposição clássica, começa-se por tentar eliminar a sazonalidade, para o que se utilizam médias móveis centradas com um comprimento igual (ou múltiplo) ao período de sazonalidade s. Como no nosso caso o período de sazonalidade é, as médias móveis a aplicar serão M t = Y t + Yt 1 + Yt + Yt Yt + (De notar, que a expressão para as médias móveis de comprimento par têm uma fórmula ligeiramente diferente)
14 º Semestre 00/003 Problema Resolvido Assim as médias móveis que temos de calcular serão: M 3 = Y Y + Y3 + Y4 Y = = M 4 = Y + + Y3 + Y4 + Y Y6 = = : : : : M 18 = Y Y17 + Y18 + Y19 Y0 = = É sobre a série cronológica das médias móveis centradas que, teoricamente, isolaram a tendência, (isto é, M t T t ) que vamos aplicar a regressão linear simples para encontrar os estimadores â e bˆ dessa tendência (no caso da série Y t não ter tendência, será o nível n t que tem de ser estimado). O quadro abaixo sistematiza os cálculos até aqui efectuados, como todos os que sequencialmente se irão efectuar. t Y t M t Tˆ S t t S t Ŷ t e t I II III IV V I II III IV V I II III IV V I II III IV V Assim, correlacionando, pela regressão linear simples, os 16 pontos (t, M t ) desde o ponto (3, 144.0) até (18, ), calculando, portanto, os valores de Σt = 168, t = 10., Σt = 104, ΣM t = 7110., M = e de Σt*M t = , obter-se á: t â = 146. e bˆ =.4 o que permite estimar os valores da tendência a partir da expressão valores que no quadro estão indicados na quarta coluna. Tˆ t = *t,
15 º Semestre 00/003 Problema Resolvido Estimada a componente tendência, podem agora calcular-se os valores dos índices de sazonalidade através da diferença Y t - Tˆ t, que são apresentados na quinta coluna do quadro anterior. Exemplificando: S 1 = = 1.3, S = = , até S 0 = = 10.0 (Se o modelo adoptado fosse o multiplicativo, em vez de ser Y t - Tˆ t, seria Y t / Tˆ t ) Sendo o período de sazonalidade igual a, pertencerão à mesma familia os indices separados de instantes, isto é, S 1 (1.3), S 6 (0.6), S 11 (90.8) e S 16 (67.1) são da familia que se denominou de I (vide quadro), do mesmo modo S (-190.3), S 7 (-4.0), S 1 (-11.7), e S 17 ( ) pertencem à familia II, etc. A genese do método da decomposição clássica implica a procura do padrão médio dos índices de sazonalidade, pelo que há que determinar o indice médio de cada uma das familias. S I = S II = S III = S IV = S V = = = = = = Por definição, no modelo aditivo do método da decomposição clássica, a soma dos índices de sazonalidade deve ser igual a zero, pelo que se deve utilizar a seguinte fórmula correctiva (para que a soma seja efectivamente igual a zero) ' k S = S S * k (No modelo multiplicativo, a soma dos índices de sazonalidade tem de ser igual ao período de ' s sazonalidade s - e a fórmula correctiva é S k = S k * ). S k Aplicando ao caso do problema de vimos tratando, dado que virá, S S S j = = S j = = 9.0 ' S I = * ' S II = * ' S III = * ( 71.9) 9.0 = 7.8 ( 71.9) 9.0 = ( 71.9) 9.0 = -18. j j j
16 º Semestre 00/003 Problema Resolvido ' ( 71.9) S IV = * = ' ( 71.9) S V = * = Estamos, finalmente, aptos a definir o modelo de previsão a utilizar ˆ Y t = t se o instante t a prever pertencer à familia I se o instante t a prever pertencer à familia II se o instante t a prever pertencer à familia III se o instante t a prever pertencer à familia IV se o instante t a prever pertencer à familia V Assim, as previsões serão: Ŷ 1 = *1+7.8 = 03.4 => 03 Ŷ = * = => 1877 Ŷ 3 = *3-18. = => 1831 Ŷ 4 = * = 08.3 => 08 Ŷ = *+01. = 66.0 => 66 Para a definição dos intervalos de confiança destas previsões, o procedimento é igual ao que já foi descrito: - Determinação das estimativas para os instantes de 1 a 0, utilizando o modelo de previsão atrás indicado e cujos valores estão indicados na penúltima coluna do quadro da página 4 Exemplo Ŷ 1 = *1+7.8 = Cálculo dos erros de previsão ocorrido em cada instante (vide última coluna do mesmo quadro) Exemplo e 1 = = Cálculo do somatório dos quadrados dos erros de previsão Σe t = (-1.) + (-79.6) +. + (-96.3) = Determinação do EQM = 71933/0 = Relembrando que para um nível de confiança de 90%, z α/ é 1.64, os intervalos de confiança pretendidos serão: 03.4 ± 1.64* = 03.4 ± 98.7 => e => [1937, 134] ± 1.64* = ± 98.7 => e => [1779, 1976] ± 1.64* = ± 98.7 => e => [173, 1930] 08.3 ± 1.64* = 08.3 ± 98.7 => e 17.0 => [1960, 17] 66.0 ± 1.64* = 66.0 ± 98.7 => e => [167, 36]
Análise de dados em Geociências
Análise de dados em Geociências Decomposição de séries temporais Susana Barbosa Mestrado em Ciências Geofísicas 2014-2015 Resumo Motivação Métodos de decomposição de séries temporais Decomposição clássica
Leia maisA análise de séries temporais é uma área da estatística dedicada ao estudo de dados orientados no tempo (MONTGOMERY, 2004).
3 Séries temporais A análise de séries temporais é uma área da estatística dedicada ao estudo de dados orientados no tempo (MONTGOMERY, 2004). 3.1. Princípios fundamentais Conforme Box et al. (1994), uma
Leia maisCapítulo 9 - Regressão Linear Simples (RLS): Notas breves
Capítulo 9 - Regressão Linear Simples RLS: Notas breves Regressão Linear Simples Estrutura formal do modelo de Regressão Linear Simples RLS: Y i = β 0 + β 1 x i + ε i, 1 onde Y i : variável resposta ou
Leia maisCapítulo 9 - Regressão Linear Simples (RLS): Notas breves
Capítulo 9 - Regressão Linear Simples RLS: Notas breves Regressão Linear Simples Estrutura formal do modelo de Regressão Linear Simples RLS: Y i = β 0 + β 1 x i + ε i, 1 onde Y i : variável resposta ou
Leia maisModelação de séries temporais não estacionárias
Modelação de séries temporais não estacionárias Susana Barbosa Mestrado em Ciências Geofísicas 2013-2014 Motivação - exemplo I Motivação - exemplo I Motivação - exemplo II Motivação - exemplo II Decomposição
Leia mais2 FUNDAMENTACÃO TEÓRICA
2 FUNDAMENTACÃO TEÓRICA Este capítulo apresenta os modelos de séries temporais chamados estruturais, nos quais o valor das observações é visto como composto de uma parte sistemática, modelada por uma equação
Leia maisFURG / ICEAC / ADMINISTRAÇÃO. ADMMAT 2009 (3ª semana) Prof. Vanderlei Borba
FURG / ICEAC / ADMINISTRAÇÃO ADMMAT 2009 (3ª semana) Prof. Vanderlei Borba ADMINISTRAÇÃO DE MATERIAIS Métodos Estatísticos ou Matemáticos Métodos de Gestão de Materiais com base estatística 1. Média Aritmética
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Em muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento.
Leia maisDepartamento de Engenharia e Gestão Licenciatura em Engenharia e Gestão Industrial Fundamentos de Investigação Operacional
Departamento de Engenharia e Gestão Licenciatura em Engenharia e Gestão Industrial Fundamentos de Investigação Operacional 2.º Teste Ano lectivo 2011/2012 22 de Maio de 2012 Duração: 1h30m Professor: João
Leia maisPREVISÃO. Prever o que irá. acontecer. boas decisões com impacto no futuro. Informação disponível. -quantitativa: dados.
PREVISÃO O problema: usar a informação disponível para tomar boas decisões com impacto no futuro Informação disponível -qualitativa Prever o que irá acontecer -quantitativa: dados t DEI/FCTUC/PGP/00 1
Leia maisb χ 2 (a 1)(b 1), sob H 0,
ISTITUTO SUPERIOR DE AGROOMIA ESTATÍSTICA E DELIEAMETO 3 de ovembro, 014 PRIMEIRO TESTE 014-15 Uma resolução possível I Tem-se uma tabela de contingências de dimensão 4. 1. O problema colocado corresponde
Leia maisProbabilidades e Estatística MEEC, LEIC-A, LEGM
Departamento de Matemática Probabilidades e Estatística MEEC, LEIC-A, LEGM Exame a Época / o Teste (Grupos III e IV) o semestre 009/00 Duração: 80 / 90 minutos /06/00 9:00 horas Grupo I Exercício 5 valores
Leia maisGestão de Stocks. Estudo realizado por: Dulce Varandas e Lídia Teixeira. Orientação:
Implementação de um Sistema de Gestão Empresarial (ERP) numa empresa do sector metalúrgico Gestão de Stocks Estudo realizado por: Orientação: Dulce Varandas e Lídia Teixeira Prof. Jorge Pinho de Sousa
Leia maisMétodos Numéricos e Estatísticos Parte II-Métodos Estatísticos
Métodos Numéricos e Estatísticos Parte II-Métodos Estatísticos Lic. Eng. Biomédica e Bioengenharia-2009/2010 Modelos de regressão É usual estarmos interessados em estabelecer uma relação entre uma variável
Leia maisEstatística - Análise de Regressão Linear Simples. Professor José Alberto - (11) sosestatistica.com.br
Estatística - Análise de Regressão Linear Simples Professor José Alberto - (11 9.7525-3343 sosestatistica.com.br 1 Estatística - Análise de Regressão Linear Simples 1 MODELO DE REGRESSÃO LINEAR SIMPLES
Leia maisAnálise de Regressão Linear Simples e
Análise de Regressão Linear Simples e Múltipla Carla Henriques Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução A análise de regressão estuda o relacionamento entre uma variável
Leia maisLicenciatura em Engenharia Electrotécnica e de Computadores. 1 a chamada Ou seja,
Licenciatura em Engenharia Electrotécnica e de Computadores Análise Numérica 1 a chamada 00-01-08 Resolução da Parte Prática 1 (a) O valor aproximado de w é obtido a partir dos valores aproximados de x,
Leia mais3 Modelo Matemático Definições Iniciais. Denote-se, em geral, o desvio-padrão do processo por σ = γσ 0, sendo σ 0 o
Modelo Matemático 57 3 Modelo Matemático Este trabalho analisa o efeito da imprecisão na estimativa do desvio-padrão do processo sobre o desempenho do gráfico de S e sobre os índices de capacidade do processo.
Leia maisRegressão linear simples
Regressão linear simples Universidade Estadual de Santa Cruz Ivan Bezerra Allaman Introdução Foi visto na aula anterior que o coeficiente de correlação de Pearson é utilizado para mensurar o grau de associação
Leia maisÉ dada uma tabela de contingências, sendo os factores de classificação as proveniências (a=3 níveis) e os terrenos (b=3 níveis).
ISTITUTO SUPERIOR DE AGROOMIA ESTATÍSTICA E DELIEAMETO 3 de ovembro, 017 PRIMEIRO TESTE 017-18 Uma resolução possível I É dada uma tabela de contingências, sendo os factores de classificação as proveniências
Leia maisSéries Temporais Tendência e sazonalidade.
Séries Temporais Tendência e sazonalidade. Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 81531 990, Brasil email: lucambio.ufpr@gmail.com Agosto de 2015 DECOMPOSIÇÃO
Leia maisPROPOSTA DE RESOLUÇÃO DA PROVA DE MATEMÁTICA A DO ENSINO SECUNDÁRIO (CÓDIGO DA PROVA 635) 2ª FASE 20 DE JULHO 2018 CADERNO 1
PROPOSTA DE RESOLUÇÃO DA PROVA DE MATEMÁTICA A DO ENSINO SECUNDÁRIO (CÓDIGO DA PROVA 635) ª FASE 0 DE JULHO 08 CADERNO... P00/00 Como se trata de uma distribuição normal temos que: ( ) 0,9545. P µ σ
Leia mais1º Mini Teste A. Nº: Nome:
Faculdade de Economia da Universidade ova de Lisboa 1304 Análise de Dados e robabilidade B 1º Semestre 008/009 Fernando Brito Soares Cátia Fernandes Erica Marujo Daniel Monteiro º: ome: Data: 8 de ovembro
Leia mais1º Mini Teste B. Nº: Nome:
Faculdade de Economia da Universidade ova de Lisboa 1304 Análise de Dados e robabilidade B 1º Semestre 008/009 Fernando Brito Soares Cátia Fernandes Erica Marujo Daniel Monteiro º: ome: Data: 8 de ovembro
Leia maisPROPOSTA DE RESOLUÇÃO DA PROVA DE MATEMÁTICA A DO ENSINO SECUNDÁRIO (CÓDIGO DA PROVA 635) 2ª FASE 20 DE JULHO 2018 CADERNO 1
Associação de Professores de Matemática Contactos: Rua Dr. João Couto, n.º 7-A 500-36 Lisboa Tel.: +35 76 36 90 / 7 03 77 Fax: +35 76 64 4 http://www.apm.pt email: geral@apm.pt PROPOSTA DE RESOLUÇÃO DA
Leia maisAula 01/10/2018 José Luiz Padilha 01 de outubro de 2018
Aula 01/10/2018 José Luiz Padilha 01 de outubro de 2018 Previsão Uma das formas de utilização de um modelo ajustado é para fazer previsões de valores futuros. Assim, se t é o período corrente estamos interessados
Leia maisCORRELAÇÃO E REGRESSÃO. Modelos Probabilísticos para a Computação Professora: Andréa Rocha. UNIVERSIDADE FEDERAL DA PARAÍBA Dezembro, 2011
CORRELAÇÃO E REGRESSÃO CORRELAÇÃO E REGRESSÃO Modelos Probabilísticos para a Computação Professora: Andréa Rocha UNIVERSIDADE FEDERAL DA PARAÍBA Dezembro, 2011 CORRELAÇÃO Introdução Quando consideramos
Leia maisAula 2 Uma breve revisão sobre modelos lineares
Aula Uma breve revisão sobre modelos lineares Processo de ajuste de um modelo de regressão O ajuste de modelos de regressão tem como principais objetivos descrever relações entre variáveis, estimar e testar
Leia mais2 A Modelagem Univariada por Holt-Winters
2 A Modelagem Univariada por Holt-Winters 2.1 Considerações iniciais Como um dos objetivos do trabalho é aperfeiçoar os métodos univariados benchmark, a modelagem e a previsão do consumo de carga elétrica
Leia maisMódulo 4 Ajuste de Curvas
Módulo 4 Ajuste de Curvas 4.1 Intr odução Em matemática e estatística aplicada existem muitas situações onde conhecemos uma tabela de pontos (x; y), com y obtido experimentalmente e deseja se obter uma
Leia maisAnálise Multivariada Aplicada à Contabilidade
Mestrado e Doutorado em Controladoria e Contabilidade Análise Multivariada Aplicada à Contabilidade Prof. Dr. Marcelo Botelho da Costa Moraes www.marcelobotelho.com mbotelho@usp.br Turma: 2º / 2016 1 Agenda
Leia maisNessa situação, a média dessa distribuição Normal (X ) é igual à média populacional, ou seja:
Pessoal, trago a vocês a resolução da prova de Estatística do concurso para Auditor Fiscal aplicada pela FCC. Foram 10 questões de estatística! Não identifiquei possibilidade para recursos. Considero a
Leia maisExame 1ª Época. Nº: Nome:
Faculdade de Economia da Universidade ova de Lisboa 1304 Análise de Dados e Probabilidade 1º Semestre 2009/2010 Fernando Brito Soares Graça Silva Erica Marujo António Rua Exame 1ª Época º: ome: Data: 7
Leia maisIntrodução Técnicas Descritivas. Modelos Probabilísticos. Previsão. Exercício 19/11/2012. Recursos Gráficos Decomposição Filtros Lineares
Professores: Paulo Maciel Ricardo Massa Aluno: Anderson Elias - aen@cin.ufpe.br Ayhalla Riceli carlp@cin.ufpe.br Introdução Técnicas Descritivas Recursos Gráficos Decomposição Filtros Lineares Modelos
Leia maisANÁLISE DE SÉRIES TEMPORAIS
1 Definição e representação ANÁLISE DE SÉRIES TEMPORAIS Uma série temporal é um conjunto de observações tomadas em intervalos de tempo comumente iguais (ano a ano, mês a mês, semana a semana, etc.). Exemplos:
Leia maisModelo de Regressão Múltipla
Modelo de Regressão Múltipla Modelo de Regressão Linear Simples Última aula: Y = α + βx + i i ε i Y é a variável resposta; X é a variável independente; ε representa o erro. 2 Modelo Clássico de Regressão
Leia maisMulticolinariedade e Autocorrelação
Multicolinariedade e Autocorrelação Introdução Em regressão múltipla, se não existe relação linear entre as variáveis preditoras, as variáveis são ortogonais. Na maioria das aplicações os regressores não
Leia maisPrevisões da Procura
Previsões da Procura Gestão da Produção II LEM-00/00 Paulo Peças Previsões Estudar e Modelar o Passado para PREVER o Futuro INPUT Efeitos na empresa Confiança e atitude Variação do consumidor aleatória
Leia maisSeja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma:
46 VALOR ESPERADO CONDICIONADO Seja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma: Variável contínua E + ( X Y
Leia maisUNIVERSIDADE DO ALGARVE ESCOLA SUPERIOR DE TECNOLOGIA LICENCIATURA EM ENGENHARIA CIVIL/TOPOGRÁFICA ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA
UNIVERSIDADE DO ALGARVE ESCOLA SUPERIOR DE TECNOLOGIA LICENCIATURA EM ENGENHARIA CIVIL/TOPOGRÁFICA REGIMES DIURNO/NOCTURNO - º SEMESTRE - º ANO - 7 / 8 ÁLGEBRA LINEAR E GEOMETRIA ANALÍTICA EXAME DE ÉPOCA
Leia maisMétodos k-vizinhos aplicados à taxa de suicídio no Distrito Federal. Monique Lohane Xavier Silva
Universidade de Brasília IE - Departamento de Estatística Métodos k-vizinhos aplicados à taxa de suicídio no Distrito Federal Monique Lohane Xavier Silva Projeto apresentado para obtenção do título de
Leia maisEconometria em Finanças e Atuária
Ralph S. Silva http://www.im.ufrj.br/ralph/especializacao.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Maio-Junho/2013 Motivação Motivação Por
Leia maisp( y θ ) depende de um parâmetro desconhecido θ.
55Modelação, Identificação e Controlo Digital 55 Método de Máxima Verosimilhança (Maximum Likelihood) Seja y uma variável aleatória (v. a.) cuja densidade de probabilidade p( y θ ) depende de um parâmetro
Leia mais= Assim, toma-se ˆp= x m =
INSTITUTO SUPERIOR DE AGRONOMIA ESTATÍSTICA E DELINEAMENTO de Outubro, 06 PRIMEIRO TESTE 06-7 Uma resolução possível I Seja X a variável aleatória que conta o número de parcelas onde cada genótipo da casta
Leia maisCapítulo 4 Inferência Estatística
Capítulo 4 Inferência Estatística Slide 1 Resenha Intervalo de Confiança para uma proporção Intervalo de Confiança para o valor médio de uma variável aleatória Intervalo de Confiança para a diferença de
Leia maisRalph S. Silva
ANÁLISE ESTATÍSTICA MULTIVARIADA Ralph S Silva http://wwwimufrjbr/ralph/multivariadahtml Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Revisão:
Leia mais1º Mini Teste B. Nº: Nome:
Faculdade de Economia da Universidade ova de Lisboa 130 Análise de Dados e Probabilidade A 1º Semestre 008/009 Fernando Brito Soares Cátia Fernandes Erica Marujo Daniel Monteiro º: ome: Data: 8 de ovembro
Leia maisNOTA SOBRE ANÁLISE DE DADOS EXPERIMENTAIS
NOTA SOBRE ANÁLISE DE DADOS EXPERIMENTAIS INTRODUÇÃO A obtenção de qualquer resultado experimental pressupõe a realização de pelo menos uma medição de uma ou várias grandezas. Essas grandezas podem ser
Leia maisAdenda nº 1 aos critérios de classificação do Exame de Matemática - código 435-2ª Fase
Adenda nº 1 aos critérios de classificação do Exame de Matemática - código 435-2ª Fase - 2004 1. Esclarecimento de ordem geral Em cada questão, a cotação está fraccionada, sendo atribuída, a cada uma das
Leia maisHomocedasticidade? Exemplo: consumo vs peso de automóveis
REGRESSÃO Análise de resíduos Homocedasticidade? Exemplo: consumo vs peso de automóveis 60 50 Consumo (mpg) 40 30 0 10 0 1500 000 500 3000 3500 4000 4500 Peso 0 Diagrama de resíduos 15 10 Resíduos 5 0-5
Leia mais1º Mini Teste A. Nº: Nome:
Faculdade de Economia da Universidade ova de Lisboa 130 Análise de Dados e Probabilidade A 1º Semestre 008/009 Fernando Brito Soares Cátia Fernandes Erica Marujo Daniel Monteiro º: ome: Data: 8 de ovembro
Leia maisANÁLISE DE REGRESSÃO É O ESTUDO E OBTENÇÃO DE RELAÇÕES ENTRE VARIÁVEIS. PRETENDE-SE SABER QUAL A MELHOR ESTIMATIVA DOS PARÂMETROS DA REGRESSÃO
ANÁLISE DE REGRESSÃO É O ESTUDO E OBTENÇÃO DE RELAÇÕES ENTRE VARIÁVEIS. PRETENDE-SE SABER QUAL A MELHOR ESTIMATIVA DOS PARÂMETROS DA REGRESSÃO SIMPLES - QUANDO UMA VARIÁVEL Y (DEPENDENTE), É FUNÇÃO APENAS
Leia maisLEEC Probabilidades e Estatística 1 a Chamada 13/06/2005. Parte Prática C (C) M 1% 9% 10% (M) 4% 86% 90% 5% 95% 100%
. Definição dos acontecimentos: M T-shirt tem manchas C T-shirt tem costuras defeituosas D T-shirt é defeituosa A Preço da t-shirt é alterado a) PM) = % PC) = 5% PM C) = % LEEC Probabilidades e Estatística
Leia maisSéries Temporais by Estevam Martins
Séries Temporais by Estevam Martins stvm@uol.com.br "O único lugar onde o sucesso vem antes do trabalho, é no dicionário" Albert Einstein Introdução Série Temporal é um conjunto de observações sobre uma
Leia maisANÁLISE DOS RESÍDUOS. Na análise de regressão linear, assumimos que os erros E 1, E 2,, E n satisfazem os seguintes pressupostos:
ANÁLISE DOS RESÍDUOS Na análise de regressão linear, assumimos que os erros E 1, E 2,, E n satisfazem os seguintes pressupostos: seguem uma distribuição normal; têm média zero; têm variância σ 2 constante
Leia maisAnálise de regressão linear simples. Diagrama de dispersão
Introdução Análise de regressão linear simples Departamento de Matemática Escola Superior de Tecnologia de Viseu A análise de regressão estuda o relacionamento entre uma variável chamada a variável dependente
Leia mais( f a ) 2 +16π 2 λ 2 2
Ajuste de uma função pelo Método dos Mínimos-Quadrados O Método dos Mínimos-Quadrados é um método estatístico de tratamento de dados que permite obter os parâmetros de uma função que a aproximam o mais
Leia maisESTATÍSTICA DESCRITIVA E PREVISÃO INDICE
ESTATÍSTICA DESCRITIVA E PREVISÃO INDICE CAPITULO L APRESENTAÇÃO DE DADOS, pag 1 1.1 Introdução, 2 1.2. Quadros ou Tabelas, 3 1.3 Distribuições de Frequência, 4 1.4 Classificação de Dados, 7 1.5 Distribuição
Leia maisAULA 09 Regressão. Ernesto F. L. Amaral. 17 de setembro de 2012
1 AULA 09 Regressão Ernesto F. L. Amaral 17 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario F. 2008. Introdução à
Leia maisMétodos de Previsão Problem Set 2
Métodos de Previsão Problem Set 2 Exercício 1: Indique a Expressão do coeficiente de determinação corrigido ou ajustado R 2 e explique a importância do seu cálculo, comparando-o com o R 2. O R 2 representa
Leia mais4 Modelos de Regressão Dinâmica
4 Modelos de Regressão Dinâmica Nos modelos de regressão linear (Johnston e Dinardo, 1998) estudados comumente na literatura, supõe-se que os erros gerados pelo modelo possuem algumas características como:
Leia maisCorrelação e Regressão
Correlação e Regressão Vamos começar com um exemplo: Temos abaixo uma amostra do tempo de serviço de 10 funcionários de uma companhia de seguros e o número de clientes que cada um possui. Será que existe
Leia mais14 Estimador assintótico
Teoria de Controle (sinopse) 4 J. A. M. Felippe de Souza Neste capítulo continuaremos no estudo de que foi iniciado no capítulo anterior. Estimadores de Estado, A exemplo dos capítulos anteriores será
Leia maisMESTRADO INTEGRADO DE ENGENHARIA CIVIL. Disciplina: TRANSPORTES
MESTRADO INTEGRADO DE ENGENHARIA CIVIL Disciplina: TRANSPORTES Prof. Responsável: José Manuel Viegas Sessão 4: Estudos Simples de Procura de Transportes A Projecções tendenciais e modelos de 2009/2010
Leia maisTÉCNICAS DE AMOSTRAGEM
TÉCNICAS DE AMOSTRAGEM Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Amostragem estratificada Divisão da população em
Leia maisEXAME NACIONAL DO ENSINO SECUNDÁRIO
EXAME NACIONAL DO ENSINO SECUNDÁRIO 10.º/11.º ou 11.º/12.º Anos de Escolaridade (Decreto-Lei n.º 74/2004, de 26 de Março) PROVA 735/C/9 Págs. Duração da prova: 150 minutos 2007 2.ª FASE PROVA ESCRITA DE
Leia maisDelineamento e Análise Experimental Aula 4
Aula 4 Castro Soares de Oliveira ANOVA Significativa Quando a aplicação da análise de variância conduz à rejeição da hipótese nula, temos evidência de que existem diferenças entre as médias populacionais.
Leia maisMA11 - Unidade 4 Representação Decimal dos Reais Semana 11/04 a 17/04
MA11 - Unidade 4 Representação Decimal dos Reais Semana 11/04 a 17/04 Para efetuar cálculos, a forma mais eciente de representar os números reais é por meio de expressões decimais. Vamos falar um pouco
Leia maisRegressões: Simples e MúltiplaM. Prof. Dr. Luiz Paulo Fávero 1
Regressões: Simples e MúltiplaM Prof. Dr. Luiz Paulo FáveroF Prof. Dr. Luiz Paulo Fávero 1 1 Técnicas de Dependência Análise de Objetivos 1. Investigação de dependências entre variáveis. 2. Avaliação da
Leia maisPrimeira Parte. 0, caso contrário.
ESCOLA SUPERIOR DE TECNOLOGIA DE SETÚBAL DEPARTAMENTO DE MATEMÁTICA PROBABILIDADES E ESTATÍSTICA TÓPICOS DE RESOLUÇÃO - Exame de Época Normal 009/00 Primeira Parte [,0]. Considere a varável aleatória X
Leia maisProva Escrita de Matemática Aplicada às Ciências Sociais
EXAME NACIONAL DO ENSINO SECUNDÁRIO Decreto-Lei n.º 74/2004, de 26 de Março Prova Escrita de Matemática Aplicada às Ciências Sociais 10.º e 11.º Anos de Escolaridade Prova 835/2.ª Fase 9 Páginas Duração
Leia maisFundamentos. Capítulo 1
Capítulo 1 Fundamentos 1.1 Introdução Sempre que se pretende tratar algum problema cuja solução toma a forma do cálculo de um valor numérico é habitual ter de considerar não só conceitos de carácter mais
Leia maisResolução da Prova de Matemática Financeira e Estatística do ISS Teresina, aplicada em 28/08/2016.
de Matemática Financeira e Estatística do ISS Teresina, aplicada em 8/08/016. 11 - (ISS Teresina 016 / FCC) Joana aplicou todo seu capital, durante 6 meses, em bancos ( e Y). No Banco, ela aplicou 37,5%
Leia maisESTATÍSTICA APLICADA II ANO LECTIVO 2013/2014. Exame Final 18 de Julho de 2014
ESTTÍSTIC PLICD II O LECTIVO 3/4 Exame Final 8 de Julho de 4 Duração : 3 M ota: Responder um grupo por folha (utilize frente e verso de cada folha) Em todas as questões apresentar os cálculos efectuados
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 12
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 12 Regressão com Variáveis Não-Estacionárias Considere três processos estocásticos definidos pelas seguintes
Leia maisIntervalos Estatísticos para uma única Amostra - parte I
Intervalos Estatísticos para uma única Amostra - parte I Intervalo de confiança para média 14 de Janeiro Objetivos Ao final deste capítulo você deve ser capaz de: Construir intervalos de confiança para
Leia maisAjustamento de Observações
Ajustamento de Observações Teoria dos Erros Prof. Dr. Marcos Aurélio Basso IFSULDEMINAS Campus Incondentes MG Teoria dos Erros - Introdução Observações e erros de observação; Factores que caracterizam
Leia maisAnálise e Previsão de Séries Temporais Aula 2: Introdução às séries temporais. Eraylson Galdino
Análise e Previsão de Séries Temporais Aula 2: Introdução às séries temporais egs@cin.ufpe.br Análise e Previsão de Séries Temporais Aula 1 Agenda Resumo da Aula anterior; Estimação e eliminação dos componentes
Leia maisANÁLISE DE SÉRIES TEMPORAIS
ANÁLISE DE SÉRIES TEMPORAIS Ralph S. Silva http://www.im.ufrj.br/ralph/seriestemporais.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Estimação
Leia maisProf. Dr. Marcone Augusto Leal de Oliveira UFJF CURSO INTRODUTÓRIO DE 12 HORAS OFERECIDO PARA A PÓS-GRADUAÇÃO DA UFABC EM NOVEMBRO DE 2017
Prof. Dr. Marcone Augusto Leal de Oliveira UFJF CURSO INTRODUTÓRIO DE 2 HORAS OFERECIDO PARA A PÓS-GRADUAÇÃO DA UFABC EM NOVEMBRO DE 207 SUMÁRIO - BREVE DESCRIÇÃO, FUNDAMENTOS, CONCEITOS, CARACTERÍSTICAS,
Leia mais= < 5. O segundo menor valor esperado estimado corresponde à célula (3,3), com Ê33 = 29 30
ISTITUTO SUPERIOR DE AGROOMIA ESTATÍSTICA E DELIEAMETO 2 de ovembro, 205 PRIMEIRO TESTE 205-6 Uma resolução possível I Tem-se uma tabela de contingências de dimensão 3 4. Apenas o número total de observações
Leia maisRegressão. PRE-01 Probabilidade e Estatística Prof. Marcelo P. Corrêa IRN/Unifei
Regressão PRE-01 Probabilidade e Estatística Prof. Marcelo P. Corrêa IRN/Unifei Regressão Introdução Analisar a relação entre duas variáveis (x,y) através da equação (equação de regressão) e do gráfico
Leia maisPE-MEEC 1S 09/ Capítulo 7 - Estimação por intervalos. 7.2 Intervalos de. confiança para. média de uma. normal 7.
Capítulo 7 - Estimação por intervalos 7.1 Noções básicas 7.2 Intervalos de confiança para a média de uma população normal 7.3 Intervalos de confiança para a diferença de duas médias de populações normais
Leia maisModelos de Regressão Múltipla - Parte VI
1 Modelos de Regressão Múltipla - Parte VI Erica Castilho Rodrigues 7 de Fevereiro de 2017 2 3 Podemos fazer uma transformação na variável resposta Y e/ou na preditora X para: solucionar problemas de variância
Leia maisAmostragem Aleatória Simples. Exercício Resolvido 4
Exercício Resolvido 4 Amostragem Aleatória Simples Para dimensionar o pavimento de uma infra-estrutura rodoviária é necessário ter em conta para além de outros factores, o tráfego médio diário anual (TMDA)
Leia maisINSTITUTO SUPERIOR TÉCNICO LEFT LEBL LQ LEAM LEMAT Ano Lectivo: 2006/2007 Semestre: 2 o
INSTITUTO SUPERIOR TÉCNICO LEFT LEBL LQ LEAM LEMAT Ano Lectivo: 2006/2007 Semestre: 2 o MATEMÁTICA COMPUTACIONAL Eercícios 1.1. Represente num sistema de ponto flutuante com 4 dígitos na mantissa e arredondamento
Leia mais5 Avaliação dos estimadores propostos
5 valiação dos estimadores propostos Este capítulo apresenta as medidas estatísticas usuais para avaliar a qualidade de estimadores e as expressões utilizadas para a estimação destas medidas, a partir
Leia maisINSTITUTO SUPERIOR TÉCNICO Mestrado em Engenharia Electrotécnica e de Computadores Ano Lectivo: 2007/2008 Semestre: 2 o
INSTITUTO SUPERIOR TÉCNICO Mestrado em Engenharia Electrotécnica e de Computadores Ano Lectivo: 2007/2008 Semestre: 2 o MATEMÁTICA COMPUTACIONAL Eercícios 1 1.1 Represente num sistema de ponto flutuante
Leia maisGrupo I. (a) A função de probabilidade marginal de X, P (X = x), é dada por
Probabilidades e Estatística + Probabilidades e Estatística I Solução do Exame de 2 a chamada 3 de Fevereiro de 2003 LEFT + LMAC Grupo I (a) A função de probabilidade marginal de X, P (X = x), é dada por
Leia maisRelatório do Seminário Data Mining em Séries Temporais
Universidade Federal de Santa Catarina Disciplina: INE5644 - Data Mining Professor: Luiz Otavio Alvares Alunos: Anderson Zapello Giovani Milanez Jean Pacher João Paulo Raittes Relatório do Seminário Data
Leia maisANÁLISE DE RESULTADOS
ANÁLISE DE RESULTADOS Conteúdo 2 1. Planejamento de Experimentos 2. Introdução Medidas de Desempenho Análise Estatística dos Resultados Comparação de Resultados Procedimento para análise de resultados
Leia maisEsse material foi extraído de Barbetta (2007 cap 13)
Esse material foi extraído de Barbetta (2007 cap 13) - Predizer valores de uma variável dependente (Y) em função de uma variável independente (X). - Conhecer o quanto variações de X podem afetar Y. Exemplos
Leia maisCorrelação e Regressão Linear
Correlação e Regressão Linear Prof. Marcos Vinicius Pó Métodos Quantitativos para Ciências Sociais CORRELAÇÃO LINEAR Coeficiente de correlação linear r Mede o grau de relacionamento linear entre valores
Leia maisNoções sobre Regressão
Noções sobre Regressão Nos interessa estudar como uma variável varia em função de outra. Por exemplo, considere a questão de demanda e preço de bens. Quando se estuda a variação de uma variável Y em função
Leia maisVERIFICAÇÃO DA ADEQUAÇÃO DO MODELO DE ANÁLISE DE VARIÂNCIA ANÁLISE DE RESÍDUOS
VERIFICAÇÃO DA ADEQUAÇÃO DO MODELO DE ANÁLISE DE VARIÂNCIA ANÁLISE DE RESÍDUOS Conforme foi apresentado anteriormente, o modelo de análise de variância assume que as observações são independentes e normalmente
Leia maisADMINISTRAÇÃO DE MATERIAIS
2010 PAULO SÉRGIO GONÇALVES Email: professor.pgoncalves@gmail.com Autor: Paulo Sérgio Gonçalves Roteiro para solução de exercícios propostos Índice geral: Introdução:... 3 CAPÍTULO 2... 3 5.- Roteiro da
Leia maisExercícios Selecionados de Econometria para Concursos Públicos
1 Exercícios Selecionados de Econometria para Concursos Públicos 1. Regressão Linear Simples... 2 2. Séries Temporais... 17 GABARITO... 20 2 1. Regressão Linear Simples 01 - (ESAF/Auditor Fiscal da Previdência
Leia maisAssociação entre duas variáveis
Associação entre duas variáveis Questões de interesse: Será que duas variáveis são independentes ou pelo contrário dependentes? E se forem dependentes, qual o tipo e grau de dependência? Existem diversas
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 9
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 9 Data Mining Equação básica: Amostras finitas + muitos modelos = modelo equivocado. Lovell (1983, Review
Leia maisAnálise e Previsão de Séries Temporais Aula 1: Introdução às séries temporais. Eraylson Galdino
Análise e Previsão de Séries Temporais Aula 1: Introdução às séries temporais egs@cin.ufpe.br Agenda Séries Temporais: Definições Exemplos Modelos simples com média zero: Ruído I.I.D Processo Binário Random
Leia mais