PREVISÃO DA DEMANDA MILKA SOUSA DE MEDEIROS
|
|
- Gilberto Tuschinski Neto
- 6 Há anos
- Visualizações:
Transcrição
1 PREVISÃO DA DEMANDA MILKA SOUSA DE MEDEIROS
2 INTRODUÇÃO Existem vários tipos de planejamentos, tratando de diversos assuntos, bem como sob distintos horizontes de tempo. Mas há pelo menos um grande e importante base comum a todo planejamento: a previsão de demanda. É necessário saber quanto a empresa planeja vender, pois essa expectativa é ponto de partida para praticamente todas as decisões. As vendas podem depender de inúmeros fatores, mas uma previsão da demanda (por mais imperfeita que seja) sempre é necessária.
3 O QUE PREVISÃO DA DEMANDA? A previsão de demanda é um processo racional de busca de informações acerca do valor das vendas futuras de um item ou de um conjunto de itens. Tanto quanto possível, a previsão deve fornecer também informações sobre a qualidade e a localização dos produtos no futuro.
4 MÉTODOS DE PREVISÃO: ALGUMAS CARACTERÍSTICAS Para se obter uma previsão existem vários métodos disponíveis, os quais diferem de acordo com certos fatores; entre eles: Disponibilidade de dados, tempo e recursos; Horizonte de tempo. Por outro lado, os métodos de previsão possuem algumas características que são comuns a todos eles: I. Geralmente assumem que as mesmas causas que estiveram presentes no passado continuarão presentes no futuro; II. Os métodos não conduzem a resultados perfeitos, e a chance de erro é tanto maior quanto mais nos aprofundamos no tempo.
5 CLASSIFICAÇÃO DOS MÉTODOS DE PREVISÃO I. Métodos Qualitativos São métodos que repousam basicamente no julgamento de pessoas que tenham condições de opinar sobre a demanda futura; Podem ser conduzidos de maneira sistemática, mas não se apoiam em nenhum modelo específico; São muito úteis quando da ausência de dados ou do lançamento de novos produtos.
6 CLASSIFICAÇÃO DOS MÉTODOS DE PREVISÃO II. Métodos Quantitativos (Matemáticos) São aqueles que utilizam modelos matemáticos para se chegar aos valores previstos; Permitem controle do erro, mas exigem informações quantitativas preliminares. Se subdividem em: Métodos Causais (Regressão Simples ou Múltipla); Séries Temporais (Classes de médias; Modelos de Decomposição)
7 MÉTODOS DE PREVISÃO MODELOS QUALITATIVOS MILKA SOUSA DE MEDEIROS
8 MÉTODOS QUALITATIVOS Os métodos qualitativos são baseados no julgamento e na experiência de pessoas que possam, por suas próprias características e conhecimentos, emitir opiniões sobre eventos futuros de interesse. Opiniões de Executivos Opinião da Força de Vendas Pesquisas Junto a Consumidores O Método Delphi
9 OPINIÕES DE EXECUTIVOS Nesse método um grupo (geralmente pequeno) de altos executivos da empresa reúnem-se para desenvolver em conjuntos uma previsão; O grupo é formado por executivos vindos de áreas diversas (como Marketing, Finanças, Produção etc.); O interesse do grupo está normalmente em decisões de longo prazo; Vantagem: reunião de talentos com diferentes visões do assunto; Desvantagem: o risco de que uma pessoa, por sua forte personalidade, venha a exercer uma influência exagerada sobre o grupo.
10 OPINIÃO DA FORÇA DE VENDAS Desenvolver previsão com base na opinião do pessoal envolvido diretamente com as vendas pode ser uma alternativa atraente; Afinal, esse pessoal tem contato diário tanto com os produtos da empresa como com os consumidores; Porém, por outro lado, alguns problemas podem surgir, por exemplo: Eles não distinguir muito bem entre o que os clientes gostariam de fazer e o que eles realmente farão; Podem ser influenciados por eventos de um passado recente; Previsões usadas para fixar cotas levarem a uma projeção de baixas estimativas.
11 PESQUISA JUNTO A CONSUMIDORES A lógica de se tomar a opinião dos consumidores liga-se ao fato de que no fundo são eles que determinam a demanda; Em geral, o número de consumidores potenciais é muito grande, procedese portanto através de amostragem (pesquisa de mercado); As pesquisas de mercado requerem conhecimentos técnicos especializados e exigem cuidado no seu planejamento. Tomados os devidos cuidados, o método pode e geralmente dá resultados compensadores.
12 O MÉTODO DELPHI HITÓRIA O Método Delphi consiste na reunião de um grupo de pessoas que deve opinar sobre um certo assunto, dentro de regras determinadas para a coleta e aperfeiçoamento das opiniões. Foi usado pela primeira vez em 1948 pela RAND Corporation, para avaliar o impacto potencial de um ataque à bomba atômica sobre os Estados Unidos. O nome Delphi deriva do oráculo de Delfos, na Grécia antiga, que supostamente podia prever eventos futuros. O comitê Delphi é formado inicialmente pelas pessoas que participarão do processo especialistas no assuntos em pauta; Para que uma personalidade não se sobreponha à outra, as opiniões são expressas independentemente;
13 O MÉTODO DELPHI FUNCIONAMENTO
14 O MÉTODO DELPHI VANTAGENS X DESVANTAGENS Vantagem: A principal é que o método permite obter opiniões pessoais se que haja interações dentro do grupo, as quais poderiam distorcer os resultados. Desvantagem: O método é muito sensível à qualidade do instrumento de coleta de opiniões (para evitar ambiguidade nas questões).
15 MÉTODOS DE PREVISÃO MODELOS QUANTITATIVOS MILKA SOUSA DE MEDEIROS
16 MÉTODOS QUANTITATIVOS (MATEMÁTICOS) Métodos Causais (Regressão Simples ou Múltipla) Séries Temporais (Classes de médias; Modelos de Decomposição)
17 MÉTODOS DE PREVISÃO MÉTODOS CAUSAIS MILKA SOUSA DE MEDEIROS
18 MÉTODOS CAUSAIS A regressão é a técnica mais conhecida dentro da classe dos modelos causais. Simbolicamente tem-se a seguinte representação para a regressão simples: Y = f X Onde: Y é a variável dependente (neste caso, a demanda); X é a variável independente ou variável causal;
19 REGRESSÃO SIMPLES Existem várias possibilidades para o formato da função Y = f X, os mais utilizados são: Y = a + b X (regressão linear) Y = a + b x (regressão exponencial) Y = a + b X + c X 2 (regressão parabólica)
20 TIPOS DE CORRELAÇÃO Linear Positiva: se os pontos do diagrama têm como imagem uma reta ascendente; Linear Negativa: se os pontos têm como imagem uma reta descendente; Não-linear: se os pontos têm como imagem uma curva; Se os pontos apresentam-se dispersos, não oferecendo uma imagem definida, conclui-se que não há relação alguma entre as variáveis em estudo.
21 TIPOS DE CORRELAÇÃO
22 COEFICIENTE DE CORRELAÇÃO Esse coeficiente quantifica variáveis. a intensidade da associação entre duas Ou seja, esse coeficiente mede o grau de intensidade da correlação entre X e Y e é denotado por r. Seu intervalo de variação é 1 r +1.
23 COEFICIENTE DE CORRELAÇÃO Quando r está próximo de 0, existe pouca ou nenhuma relação entre X e Y; Um valor de r próximo a +1 indica uma correlação positiva forte; Enquanto que um valor de r próximo a 1 indica uma relação negativa forte.
24 COEFICIENTE DE CORRELAÇÃO Para podermos tirar algumas conclusões significativas sobre o comportamento simultâneo das variáveis analisadas, é necessário que: 0,6 r 1 Se 0,3 r 0,6, há uma correlação relativamente fraca entre as variáveis. Se 0 r 0,3, a correlação é muito fraca e, praticamente, nada podemos concluir sobre a relação entre as variáveis.
25 COEFICIENTE DE CORRELAÇÃO r = n x i y i ( x i )( y i ) [n x i 2 x i 2 ][n y i 2 y i 2 ]
26 EXEMPLO Considerando-se uma amostra aleatória, formada por 10 dos 100 pequenos lotes vendidos numa determinada loja, que referem-se a dois tipos de vestimentas: Camisa de gola polo; Camisa social; Verifique se a correlação na venda dessas duas peças.
27 EXEMPLO COEFICIENTE DE CORRELAÇÃO
28 REGRESSÃO SIMPLES LINEAR Frequentemente tem-se a necessidade de modelar a relação com intenção de predição. Ao se estudar determinada variável em função de outra, realiza-se uma análise de regressão. A análise de regressão tem por objetivo descrever, através de um modelo matemático, a relação entre duas variáveis, partindo de n observações das mesmas.
29 REGRESSÃO SIMPLES LINEAR A variável sobre a qual deseja-se fazer uma estimativa recebe o nome de variável dependente e a outra recebe o nome de variável independente. Assim, sendo X a variável independente e Y a dependente, busca-se determinar o ajustamento de uma reta à relação entre essas variáveis. Y = ax + b
30 AJUSTAMENTO DA RETA a = n x iy i ( x i )( y i ) n x i 2 x i 2 Onde: n é o número de observações; x é a média dos valores x i b = y a x x = x i n ; y é a média dos valores x i y = y i n
31 AJUSTAMENTO DA RETA Como em geral se faz uso de uma amostra para obter os valores dos parâmetros, na realidade o que se constrói é uma estimativa da verdadeira equação de regressão. Y = ax + b Onde Y é oy estimado.
32 EXEMPLO AJUSTAMENTO DA RETA Retomando o exemplo das vendas...
33 ESTIMATIVAS À PARTIR DA RETA Supondo que em um dia fosse vendidas 4 camisas gola polo, pode-se estimar a quantidade vendida correspondente de camisas sociais. Para isso faz-se X = 4 na equação Y = 0,86X + 0,89. Portanto: X = 4 Y = 0, ,89 = 4,33
34 COEFICIENTE DE DETERMINAÇÃO (r 2 ) Dadas as variáveis x e y, o coeficiente de determinação (ou coeficiente de explicação) indica a qualidade do ajustamento; Este retrata o quanto da variação das observações da variável y que é explicado pela reta de regressão encontrada; Ou seja, o coeficiente de determinação representa uma medida da força do relacionamento entre essas variáveis.
35 COEFICIENTE DE DETERMINAÇÃO (r 2 ) O coeficiente de determinação é dado por: r 2 = Variação explicada Variação total = ( y i y) 2 (y i y) 2 Outra maneira de se calcular o valor do coeficiente de determinação é elevar ao quadrado o valor do coeficiente de correlação linear de Pearson (r).
36 EXEMPLO COEFICIENTE DE DETERMINAÇÃO Retomando o exemplo das vendas... r = 0,911 r 2 = 0,8299 = 82,99% Logo, 82,99% da variação das vendas das camisas sociais podem ser explicadas pela variação nas vendas das camisas gola polo e os 17,01% restantes da variação das vendas das camisas sociais não são explicados pela variação das vendas das camisas gola polo, mas sim por outros fatores.
37 MÉTODOS DE PREVISÃO SÉRIES TEMPORAIS MILKA SOUSA DE MEDEIROS
38 SÉRIES TEMPORAIS Uma série temporal trata-se de uma sequência de observações de uma variável ao longo do tempo; Em geral, as observações são espaçadas igualmente (dias, semanas, trimestres, anos etc.); Neste caso, não se irá associar a demanda a qualquer outra variável da qual supostamente possa depender, exceto ao período temporal. A hipótese básica no uso de séries temporais é a de que os valores futuros das séries podem ser estimados com base nos valores passados.
39 SÉRIES TEMPORAIS Série Temporal Representada Graficamente: Demanda x Tempo
40 SÉRIES TEMPORAIS Se o período for suficientemente longo, o padrão de demanda resultante permite distinguir quatro componentes ou efeitos associados à uma série. 1. Efeito detendência Tendência crescente, decrescente ou estacionária. 2. Efeito Sazonal Trata do fato de que a demanda de muitas mercadorias assume comportamentos semelhantes em épocas bem definidas. 3. Ciclo de Negócios Envolvem as flutuações econômicas de ordem geral, de periodicidade variável, devidas a uma multiplicidade de causas ainda em debate. 4. Variações irregulares (acaso) São variações devidas a causas não identificadas (curto ou curtíssimo prazo); não podem ser previstas.
41 SÉRIES TEMPORAIS Modelos de Decomposição Métodos das Médias o Média Móvel Simples (MMS); o Média Móvel Ponderada (MMP); o Média Móvel Exponencialmente Ponderada de 1ª Ordem (MMEP1); o Média Móvel Exponencialmente Ponderada de 2ª Ordem (MMEP2).
42 MODELOS DE DECOMPOSIÇÃO DAS SÉRIES TEMPORAIS MILKA SOUSA DE MEDEIROS
43 MODELOS DE DECOMPOSIÇÃO DAS SÉRIES TEMPORAIS Nos modelos de decomposição as séries são vistas como resultantes de quatro componentes (tendência, sazonalidade, ciclos de negócios e flutuações irregulares). A ideia fundamental desse modelo é tentar isolar os componentes, para que seus efeitos sejam tratados separadamente. Existem dois modelos para explicar como os componentes se combinam em uma série: Modelo Aditivo Modelo Multiplicativo
44 MODELO ADITIVO O modelo aditivo trata a série como composta pela soma dos componentes. Y = valor da série (demanda prevista) T = componente de tendência S = componente de sazonalidade C = componente cíclica i = resíduo devido a flutuações irregulares Y = T + S + C + (i) Neste caso, cada uma das quantidades é expressa por valores em unidades de demandas, que se somam.
45 MODELO MULTIPLICATIVO Na prática, o modelo multiplicativo é mais utilizado, sendo representado por: Y = T. S. C. (i) Neste caso, apenas a tendência é expressa em unidades de demanda, sendo as outras quantidades expressas em porcentagem dessa tendência.
46 MODELO MULTIPLICATIVO Esse modelo pode ser simplificado se admitirmos que: O horizonte de previsão é curto o suficiente para estarmos na mesma fase do ciclo de negócios; Os efeitos sazonais e as variações ao acaso possam ser reunidos aproximadamente num só efeitos. Y = T. S
47 MODELO MULTIPLICATIVO MODELO SIMPLIFICADO Y = T. S Os valores de T são determinados por meio da linha de tendência, ajustada aos valores reais da demanda por meio de uma regressão simples em que a outra variável é o tempo. Os valores de S (índices sazonais) são determinados através da observação do afastamento dos valores reais da demanda e dos valores previstos pela linha de tendência no passado. A previsão Y é, as vezes, chamada de previsão corrigida pelo efeito sazonal.
48 EXEMPLO A Casa das Tintas Ltda. Possui o registro de suas vendas durante os anos de 1986 a 1990, trimestre a trimestre, medido em milhares de galões vendidos, sem distinção do tipo de tinita. Seguem os dados: A Casa das Tintas está planejando uma expansão de suas instalações para Para tanto, necessita projetar a sua demanda para esse ano, trimestre a trimestre.
49 EXEMPLO Portanto, pede-se: a. A linha de tendência das vendas e o valor T (componente de tendência) para os quatro trimestres de b. Os índices sazonais, ou seja, os valores dos índices S que deverão ser aplicados aos valores previstos pela linha de tendência. c. Os valores finais (corrigidos pelo efeito sazonal) das previsões para os quatro trimestres de 1991.
50 EXEMPLO RESOLUÇÃO LETRA A LINHA DE TENDÊNCIA Para determinação da reta, os valores do tempo t devem ser colocados em escala. Ou seja, o primeiro trimestre de 1986 como t = 1, o segundo como t = 2... Sendo a última observação (4º trimestre de 1990) correspondente a t = 20. Em seguida, determina-se a reta de tendência (regressão). Y = 9, ,026t r 2 = 0,565
51 EXEMPLO RESOLUÇÃO LETRA A VALOR T PARA 1991 Para prever os valores correspondentes às tendências dos trimestres de 1991, faz-se uso da reta de tendência encontrada.
52 EXEMPLO RESOLUÇÃO LETRA B ÍNDICES SAZONAIS Como está sendo considerado o ano dividido em trimestres, logo, será calculado o índice sazonal por trimestre (serão definidos 4 índices sazonais). Para tanto, é necessário tomar no passado a relação Valor Real Tk. Para cada trimestre, existem 5 observações do passado ( ),o índice sazonal será, portanto, uma média dos afastamentos verificados entre o valor real e a componente da tendência.
53 EXEMPLO RESOLUÇÃO LETRA B ÍNDICES SAZONAIS
54 EXEMPLO RESOLUÇÃO LETRA C PREVISÕES CORRIGIDAS Para obter a previsão corrigida pelo efeito sazonal aplica-se os índices sazonais ao valor atual da componente de tendência. Previsão corrigida = T k. (S k )
55 MÉTODOS DAS MÉDIAS MILKA SOUSA DE MEDEIROS
56 ALGUMAS PECULIARIDADES A previsão é sempre obtida por meio de algum tipo de média que leva em conta valores reais anteriores a demanda. Ao contrário do que acontece com as regressões, só é possível prever um período à frente, embora seja possível conceber adaptações para se obter um maior número de previsões futuras. As médias são móveis, o que significa que, a cada nova previsão, são abandonados (ou mais fracamente ponderados) os valores mais antigos da demanda real e incorporados os mais novos.
57 MÉTODOS DAS MÉDIAS A forma de cálculo das médias permite a distinção entre vários modelos, sendo os mais importantes: o Média Móvel Simples (MMS); o Média Móvel Ponderada (MMP); o Média Móvel Exponencialmente Ponderada de 1ª Ordem (MMEP1); o Média Móvel Exponencialmente Ponderada de 2ª Ordem (MMEP2).
58 MÉDIA MÓVEL SIMPLES (MMS) MILKA SOUSA DE MEDEIROS
59 MÉDIA MÓVEL SIMPLES (MMS) Regra fundamental desse modelo: A previsão para o período t, imediatamente futuro, é obtida tomando-se a média aritmética dos n valores reais da demanda imediatamente de períodos passados.
60 EXEMPLO Temos a seguir as demandas reais de um produto, em milhares de unidades, de Junho até Setembro. Em termos de tempo, estamos situados exatamente no início de Outubro, mês para o qual queremos estimar a demanda. Antes de mais nada é necessário escolher o valor de n; Suponhamos n = 3; logo, a demanda prevista para qualquer mês será sempre a média aritmética das demandas reais dos três últimos meses. Previsão (Outubro) = ( ) 3 = 13,7
61 OBSERVAÇÕES VANTAGENS É método eficiente quando a demanda é estacionária. DESVANTAGENS Não indicado para demandas crescentes ou decrescentes, pois a previsão fornecida estará sempre em atraso em relação aos valores reais; Não é eficiente para captar as variações sazonais, podendo mesmo acobertá-las quase que completamente (a depender do valor escolhido para n).
62 MÉDIA MÓVEL PONDERADA (MMP) MILKA SOUSA DE MEDEIROS
63 MÉDIA MÓVEL PONDERADA (MMP) A média móvel ponderada possui em comum com a MMS o fato de tomar n valores reais anteriores da demanda para a composição da média; Porém, diferentemente da MMS, os valores recebem pesos diferentes, geralmente refletindo uma maior importância dada aos valores mais recentes da demanda.
64 EXEMPLO Temos a seguir as demandas reais de um produto, em milhares de unidades, de Junho até Setembro. Em termos de tempo, estamos situados exatamente no início de Outubro, mês para o qual queremos estimar a demanda. Neste caso, adotaremos o sistema de pesos 0,2 : 0,3 : 0,5 (n = 3). Previsão de Outubro: 0, , ,5 14 = 13,9
65 OBSERVAÇÕES Note que a soma dos pesos deve ser igual a 1. Tal como na MMS, a escolha do n é arbitrária, bem como as escolhas dos pesos. A vantagem da MMP sobre a MMS é que os valores mais recentes da demanda, que podem estar revelando alguma tendência, recebem uma importância maior. Porém, vale ressaltar aqui também que quanto maior for o valor de n, mais a previsão irá omitir os efeitos sazonais.
66 MÉDIA MÓVEL EXPONENCIALMENTE PONDERADA DE 1ª ORDEM (MMEP1) MILKA SOUSA DE MEDEIROS
67 MÉDIA MÓVEL EXPONENCIALMENTE PONDERADA DE 1ª ORDEM (MMEP1) O modelo da MMEP é mais sofisticado e, consequentemente, muito mais utilizado que os dois anteriores. Tal como na MMS e MMP, a previsão atinge em princípio apenas um período imediatamente à frente; porém, há adaptações possíveis para estender a previsão para períodos à frente. No caso da MMEP1, a previsão para o período t é dada por: Previsão t = Previsão t 1 + Fração do erro (t 1)
68 (MMEP1) Em termos simbólicos, tem-se: D t = D t 1 + α(y t 1 D t 1 ) D t = previsão para o período t D t 1 = previsão para o período (t 1) α = constante de suavização ou de alisamento (fração do erro) Y t 1 = demanda real para o período (t 1) Qualquer que seja o período para o qual se deseja a previsão, é sempre necessária a previsão do período imediatamente anterior (D t 1 ).
69 OBSERVAÇÕES Ao iniciar uma sequência de previsões, o primeiro valor deve ser obtido de alguma outra maneira que não por meio da MMEP1: 1. Se tomar a demanda prevista inicial como sendo idêntica ao primeiro valor real de demanda da série; 2. Tomar como previsão inicial a média aritmética de k valores reais imediatamente passados a demanda (usual: k = 2 α 1). O valor da constante de suavização α também deve ser escolhido (geralmente entre 0 e 1), tendo em vista minimizar o erro total.
70 EXEMPLO Retomemos o mesmo exemplo anterior... Assumindo a demanda prevista de Junho como sendo igual a 10 (coincidente, pois, com o valor real) e adotando α = 0,3, tem-se:
71 OBSERVAÇÕES FINAIS A MMEP1 nada mais do que um caso especial da MMP, com os pesos decrescendo exponencialmente da demanda real mais recente para a mais antiga. Valores maiores de α tendem a acompanhar mais de perto os movimentos bruscos dos dados. A MMEP1 sofre do efeito tendência, que consiste na sua relativa inadequação para acompanhar movimentos de tendência nos dados (sendo, portanto, melhor no caso de séries estacionárias). No entanto, existem vários modelos de MMEP que permitem a correção desse efeito, através da construção de uma série auxiliar (como ex.:mmep2).
72 MÉDIA MÓVEL EXPONENCIALMENTE PONDERADA DE 2ª ORDEM (MMEP2) MILKA SOUSA DE MEDEIROS
73 MÉDIA MÓVEL EXPONENCIALMENTE PONDERADA DE 2ª ORDEM (MMEP2) A MMEP2 corresponde ao que pode-se chamar de dupla suavização ; Trata-se do mesmo modelo utilizando na MMEP1, com a diferença de que agora ele é aplicado sobre a previsão obtida pela MMEP1. D t = D t 1 + β(d t 1 D t 1 ) D t = previsão de 2ª ordem para o período t D t 1 = previsão de 2ª ordem para o período (t 1) β = constante de suavização de 2ª ordem D t 1 = previsão de 1ª ordem para o período (t 1)
74 OBSERVAÇÕES A nova previsão (2ª Ordem) apresenta-se mais suavizada que a anterior, logo, menos sujeita a variações bruscas; Portanto, esta apresenta valores ainda mais afastados em relação aos valores reais da série; Qual é então a sua utilidade? Em um dado instante de tempo, observa-se ser aproximadamente válida a seguinte relação: Y D = D D
75 OBSERVAÇÕES Tal relação fornece uma maneira de corrigir o hiato entre a previsão de 1ª Ordem e a demanda real; Tem-se, então, a correção do efeito tendência ; que fornece uma terceira previsão, em geral muito mais próxima dos valores reais. D c = D + D D = 2D D D c = demanda corrigida pelo efeito de tendência
76 DEMONSTRAÇÃO GRÁFICA Ilustração da aplicação de Correção da Tendência aos dados de vendas da Casa das Tintas Ltda, com α=0,4 e β=0,2, sendo 12 o valor para a demanda inicial prevista (igual ao valor da demanda real do 1º semestre).
77 EXEMPLO Os dados abaixo representam a demanda real ocorrida durante os 12 últimos meses. Deseja-se obter a previsão para o mês seguinte através da demanda corrigida pelo efeito tendência, sendo α=β=0,3. D t = D t 1 + α(y t 1 D t 1 ) D 13 = 30,46 + 0, ,46 = 32,422 D t = D t 1 + β(d t 1 D t 1 ) D 13 = 24,55 + 0,3 30,46 24,55 = 26,323 D c = D + D D D c = 32, ,422 26,323 = 38,521
Por outro lado, os métodos de previsão possuem algumas características que são comuns a todos eles:
Previsão da Demanda. Introducão. Constantemente, todas as áreas estão envolvidas com planejamento, de maneira formal ou informal. Há um grande de decisões que compõem o próprio planejamento ou são dele
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 maisGESTÃO DA TECNOLOGIA DA INFORMAÇÃO DA PRODUÇÃO GTIP
Aula 05 GESTÃO DA TECNOLOGIA DA INFORMAÇÃO DA PRODUÇÃO GTIP Professora Ma. Vanessa da Silva Mata Gestão da demanda Objetivo do Modelo A primeira etapa consiste em definir a razão pela qual necessitamos
Leia maisAdministração. Previsão de Estoques. Professor Rafael Ravazolo.
Administração Previsão de Estoques Professor Rafael Ravazolo www.acasadoconcurseiro.com.br Administração Aula XX PREVISÃO DE ESTOQUES Cada aspecto do gerenciamento de materiais está voltado para fornecer
Leia maisMódulo 2 AVALIAÇÃO DA DEMANDA EM TRANSPORTES
Módulo 2 AVALIAÇÃO DA DEMANDA EM TRANSPORTES Conceitos Iniciais Prever é a arte e a ciência de predizer eventos futuros, utilizandose de dados históricos e sua projeção para o futuro, de fatores subjetivos
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 maisORGANIZAÇÃO INDUSTRIAL PROFESSORA MAUREN POMALIS. ENG. ELÉTRICA - 8 PERÍODO UNIR/Porto Velho 2017/1
ORGANIZAÇÃO INDUSTRIAL PROFESSORA MAUREN POMALIS mauren.pomalis@unir.br ENG. ELÉTRICA - 8 PERÍODO UNIR/Porto Velho 2017/1 Aula 6 Técnicas de Previsão Previsão de demanda Em todas as áreas de atividade
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 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 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 maisAula 2 Regressão e Correlação Linear
1 ESTATÍSTICA E PROBABILIDADE Aula Regressão e Correlação Linear Professor Luciano Nóbrega Regressão e Correlação Quando consideramos a observação de duas ou mais variáveis, surge um novo problema: -as
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 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 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 maisContabilometria. Aula 9 Regressão Linear Inferências e Grau de Ajustamento
Contabilometria Aula 9 Regressão Linear Inferências e Grau de Ajustamento Interpretação do Intercepto e da Inclinação b 0 é o valor estimado da média de Y quando o valor de X é zero b 1 é a mudança estimada
Leia mais9 Correlação e Regressão. 9-1 Aspectos Gerais 9-2 Correlação 9-3 Regressão 9-4 Intervalos de Variação e Predição 9-5 Regressão Múltipla
9 Correlação e Regressão 9-1 Aspectos Gerais 9-2 Correlação 9-3 Regressão 9-4 Intervalos de Variação e Predição 9-5 Regressão Múltipla 1 9-1 Aspectos Gerais Dados Emparelhados há uma relação? se há, qual
Leia maisEscola de Engenharia de Lorena EEL/USP Curso de Engenharia de Produção. Prof. Fabrício Maciel Gomes
Escola de Engenharia de Lorena EEL/USP Curso de Engenharia de Produção Prof. Fabrício Maciel Gomes Previsão de Demanda A previsão da demanda é a base para o planejamento estratégico da produção, vendas
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 maisModelos de Suavização Exponencial Aula - 07
Modelos de Suavização Exponencial Aula - 07 observações passadas contêm informações sobre o padrão de comportamento da séries temporal; Métodos: distinguir o padrão de qualquer ruído que possa estar contido
Leia maisUNIVERSIDADE FEDERAL DO CEARÁ FACULDADE DE ECONOMIA, ADMINISTRAÇÃO, ATUÁRIA, CONTABILIDADE E SECRETARIADO DEPARTAMENTO DE ADMINISTRAÇÃO
UNIVERSIDADE FEDERAL DO CEARÁ FACULDADE DE ECONOMIA, ADMINISTRAÇÃO, ATUÁRIA, CONTABILIDADE E SECRETARIADO DEPARTAMENTO DE ADMINISTRAÇÃO TÉCNICAS BÁSICAS DE PREVISÃO ORÇAMENTÁRIAS Prof. Isidro Abr/2010
Leia maisModelos de Regressão Linear Simples - parte I
Modelos de Regressão Linear Simples - parte I Erica Castilho Rodrigues 19 de Agosto de 2014 Introdução 3 Objetivos Ao final deste capítulo você deve ser capaz de: Usar modelos de regressão para construir
Leia maisProbabilidade e Estatística (Aula Prática - 23/05/16 e 24/05/16)
Probabilidade e Estatística (Aula Prática - 23/05/16 e 24/05/16) Resumo: Veremos nesta aula tabelas, cálculos de porcentagem e gráficos; amostras e tipo de amostragem; Medidas de tendência central e medidas
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 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 maisModelos de Regressão Linear Simples parte I
Modelos de Regressão Linear Simples parte I Erica Castilho Rodrigues 27 de Setembro de 2017 1 2 Objetivos Ao final deste capítulo você deve ser capaz de: Usar modelos de regressão para construir modelos
Leia 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 maisProf. Wendell Léo. Gestão de Estoques Previsão de Estoques.
Prof. Wendell Léo Gestão de Estoques Previsão de Estoques w.castellano@ig.com.br Previsão de Estoques Gráficos de Evolução de Consumo Evolução de Consumo Horizontal 48) O modelo de evolução horizontal
Leia maisDefinição Há correlação entre duas variáveis quando os valores de uma variável estão relacionados, de alguma maneira, com os valores da outra variável
Correlação Definição Há correlação entre duas variáveis quando os valores de uma variável estão relacionados, de alguma maneira, com os valores da outra variável Exemplos Perímetro de um quadrado e o tamanho
Leia maisEstatística Aplicada ao Serviço Social
Estatística Aplicada ao Serviço Social Módulo 7: Correlação e Regressão Linear Simples Introdução Coeficientes de Correlação entre duas Variáveis Coeficiente de Correlação Linear Introdução. Regressão
Leia maisAnálise de Regressão Prof. MSc. Danilo Scorzoni Ré FMU Estatística Aplicada
Aula 2 Regressão Linear Simples Análise de Regressão Prof. MSc. Danilo Scorzoni Ré FMU Estatística Aplicada Conceitos Gerais A análise de regressão é utilizada para explicar ou modelar a relação entre
Leia maisInvestigação Operacional 2º Semestre 2002/2003 Problema Resolvido
º Semestre 00/003 Problema Resolvido Resolução do problema 3 Comecemos por traçar o gráfico da série cronológica 10 140 130 10 Yt 110 100 0 4 6 8 10 1 14 16 18 0 a) Caracterizar uma série é dizer se ela
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 maisIntrodução. São duas técnicas estreitamente relacionadas, que visa estimar uma relação que possa existir entre duas variáveis na população.
UNIVERSIDADE FEDERAL DA PARAÍBA Correlação e Regressão Luiz Medeiros de Araujo Lima Filho Departamento de Estatística Introdução São duas técnicas estreitamente relacionadas, que visa estimar uma relação
Leia maisPlanejamento e Controle da Produção I
Planejamento e Controle da Produção I Previsão de Demanda Prof. M.Sc. Gustavo Meireles 1 Introdução A previsão de demanda é a base para o planejamento da produção, vendas e finanças de qualquer empresa;
Leia maisCORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Permite avaliar se existe relação entre o comportamento de duas ou mais variáveis e em que medida se dá tal interação. Gráfico de Dispersão A relação entre duas variáveis pode ser
Leia maisCORRELAÇÃO E REGRESSÃO
UNIVERSIDADE FEDERAL DA BAHIA ESCOLA POLITÉCNICA DEPARTAMENTO DE TRANSPORTES MEAU- MESTRADO EM ENGENHARIA AMBIENTAL URBANA CORRELAÇÃO E REGRESSÃO Professora: Cira Souza Pitombo Disciplina: ENG C 18 Métodos
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 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 maisANÁLISE ESTATÍSTICA DA RELAÇÃO ENTRE A ATITUDE E O DESEMPENHO DOS ALUNOS
ANÁLISE ESTATÍSTICA DA RELAÇÃO ENTRE A ATITUDE E O DESEMPENHO DOS ALUNOS Nível de significância No processo de tomada de decisão sobre uma das hipóteses levantadas num estudo, deve-se antes de tudo definir
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 maisCaros Alunos, segue a resolução das questões de Estatística aplicadas na prova para o cargo de Auditor Fiscal da Receita Municipal de Teresina.
Caros Alunos, segue a resolução das questões de Estatística aplicadas na prova para o cargo de Auditor Fiscal da Receita Municipal de Teresina. De forma geral, a prova manteve o padrão das questões da
Leia maisMestrado Profissionalizante em Finanças as e Economia Empresarial FGV / EPGE Prof. Eduardo Ribeiro Julho Setembro 2007
Projeções de Séries S Temporais Econometria dos Mercados Financeiros Mestrado Profissionalizante em Finanças as e Economia Empresarial FGV / EPGE Prof. Eduardo Ribeiro Julho Setembro 2007 Objetivo do curso
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 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 maisCorrelação e Regressão
Correlação e Regressão Exemplos: Correlação linear Estudar a relação entre duas variáveis quantitativas Ou seja, a força da relação entre elas, ou grau de associação linear. Idade e altura das crianças
Leia maisSIMULADO (Inédita) Considere o seguinte histórico de consumo de resmas de A4 pelo Órgão X:
SIMULADO 02 1. (Inédita) Considere o seguinte histórico de consumo de resmas de A4 pelo Órgão X: Mês Consumo Novembro 450 Dezembro 420 Janeiro 410 Fevereiro 550 Março 480 A previsão de consumo para abril,
Leia maisUniversidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica. Regressão. David Menotti.
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Regressão David Menotti www.inf.ufpr.br/menotti/ci171-182 Hoje Regressão Linear ( e Múltipla ) Não-Linear ( Exponencial / Logística
Leia maisPrevisão de Séries Temporais utilizando Métodos Estatísticos
Previsão de Séries Temporais utilizando Métodos Estatísticos Elisângela Lopes de Faria (a) Marcelo Portes Albuquerque (a) Jorge Luis González Alfonso (b) Márcio Portes Albuquerque (a) José Thadeu Pinto
Leia maisCapítulo 1. ˆ Observações correlacionadas são mais difíceis de analisar e requerem técnicas
Capítulo 1 Introdução Uma série temporal é uma coleção de observações feitas sequencialmente ao longo do tempo. A característica mais importante deste tipo de dados é que as observações vizinhas são dependentes
Leia maisAnálise de Regressão EST036
Análise de Regressão EST036 Michel Helcias Montoril Instituto de Ciências Exatas Universidade Federal de Juiz de Fora Regressão sem intercepto; Formas alternativas do modelo de regressão Regressão sem
Leia maisSéries Temporais. Fernando Lucambio. Agosto de Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, , Brasil
Séries rais Autocorrelação Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 81531 990, Brasil email: lucambio.ufpr@gmail.com Agosto de 2015 AUTOCORRELAÇÃO Uma importante
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 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 maisAnálise da Regressão. Prof. Dr. Alberto Franke (48)
Análise da Regressão Prof. Dr. Alberto Franke (48) 91471041 O que é Análise da Regressão? Análise da regressão é uma metodologia estatística que utiliza a relação entre duas ou mais variáveis quantitativas
Leia maisAula 14 - Correlação e Regressão Linear
Aula 14 - Correlação e Regressão Linear Objetivos da Aula Fixação dos conceitos para Correlação e Regressão Linear; Apresentar exemplo solucionado com a aplicação dos conceitos; Apresentar exercício que
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 maisREGRESSÃO E CORRELAÇÃO
Vendas (em R$) Disciplina de Estatística 01/ Professora Ms. Valéria Espíndola Lessa REGRESSÃO E CORRELAÇÃO 1. INTRODUÇÃO A regressão e a correlação são duas técnicas estreitamente relacionadas que envolvem
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 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 maisREGRESSÃO E CORRELAÇÃO
REGRESSÃO E CORRELAÇÃO A interpretação moderna da regressão A análise de regressão diz respeito ao estudo da dependência de uma variável, a variável dependente, em relação a uma ou mais variáveis explanatórias,
Leia maisREGRESSÃO LINEAR SIMPLES E MÚLTIPLA
REGRESSÃO LINEAR SIMPLES E MÚLTIPLA Curso: Agronomia Matéria: Metodologia e Estatística Experimental Docente: José Cláudio Faria Discente: Michelle Alcântara e João Nascimento UNIVERSIDADE ESTADUAL DE
Leia maisi j i i Y X X X i j 1 i 2 i i
Mario de Andrade Lira Junior lira.pro.br\wordpress lira.pro.br\wordpress Diferença Regressão - equação ligando duas ou mais variáveis Correlação medida do grau de ligação entre duas variáveis Usos Regressão
Leia maisAnálise de Regressão - parte I
16 de Outubro de 2012 Introdução Objetivos Ao final deste capítulo você deve ser capaz de: Usar modelos de regressão para construir modelos para dados coletados. Entender como método de mínimos é usado
Leia maisi j i i Y X X X i j i i i
Mario de Andrade Lira Junior lira.pro.br\wordpress lira.pro.br\wordpress Diferença Regressão - equação ligando duas ou mais variáveis Correlação medida do grau de ligação entre duas variáveis Usos Regressão
Leia maisDisciplina: PCP II. Rodrigues, Roger Antônio. R696p PCP II / Roger Antônio Rodrigues slides : il. colors.
Disciplina: PCP II Rodrigues, Roger Antônio. R696p PCP II / Roger Antônio Rodrigues. 2015. 22 slides : il. colors. Varginha, Sistema requerido: Adobe Acrobat Reader Modo de Acesso: World Wide Web 1. Administração
Leia maisEspecialização em Engenharia de Processos e de Sistemas de Produção
Especialização em Engenharia de Processos e de Sistemas de Produção Projetos de Experimento e Confiabilidade de Sistemas da Produção Prof. Claudio Luis C. Frankenberg 3ª parte Conforme foi apresentado
Leia maisANÁLISE DE REGRESSÃO
ANÁLISE DE REGRESSÃO Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 09 de janeiro de 2017 Introdução A análise de regressão consiste na obtenção de uma equação
Leia maisEstudos Correlacionais e Estudos Causal Comparativos. Trabalho Elaborado por: Ana Henriques Carla Neves Idália Pesquita
Estudos Correlacionais e Estudos Causal Comparativos Trabalho Elaborado por: Ana Henriques Carla Neves Idália Pesquita Estudos Correlacionais e Estudos Causal Comparativos A compreensão do comportamento
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 maisESTUDOS CORRELACIONAIS E ESTUDOS CAUSAL-COMPARATIVOS. Ana Henriques Carla Neves Idália Pesquita Mestrado em Educação Didáctica da Matemática
1 ESTUDOS CORRELACIONAIS E ESTUDOS CAUSAL-COMPARATIVOS Ana Henriques Carla Neves Idália Pesquita Mestrado em Educação Didáctica da Matemática 1. Introdução A compreensão do comportamento humano tanto a
Leia maisEstatística Computacional (Licenciatura em Matemática) Duração: 2h Exame 14/06/10 NOME:
DEPARTAMENTO DE MATEMÁTICA DA UNIVERSIDADE DE COIMBRA Estatística Computacional (Licenciatura em Matemática) Duração: 2h Exame 14/06/10 NOME: Observação: A resolução completa das perguntas inclui a justificação
Leia maisEstatística CORRELAÇÃO E REGRESSÃO LINEAR. Prof. Walter Sousa
Estatística CORRELAÇÃO E REGRESSÃO LINEAR Prof. Walter Sousa CORRELAÇÃO LINEAR A CORRELAÇÃO mede a força, a intensidade ou grau de relacionamento entre duas ou mais variáveis. Exemplo: Os dados a seguir
Leia maisEficiência do gráfico de controle EWMA em função de diferentes quantidades e posições de causas especiais
Eficiência do gráfico de controle EWMA em função de diferentes quantidades e posições de causas especiais João Marcos Ramos de Moraes (UFV) jaum_55@hotmail.com José Ivo Ribeiro Júnior (UFV) jivo@ufv.br
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 maisAnálise 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 maisHoje vamos analisar duas variáveis quantitativas conjuntamente com o objetivo de verificar se existe alguma relação entre elas.
Correlação e Regressão Hoje vamos analisar duas variáveis quantitativas conjuntamente com o objetivo de verificar se existe alguma relação entre elas. Vamos 1. definir uma medida de associação entre duas
Leia maisExemplo 1. Conjunto de dados de uma amostra de 12 meninas da escola: y i x i
Exemplo 1 Y : peso (kg) de meninas de 7 a 11 anos de uma certa escola de dança X : altura (m) das meninas A partir de 3 valores prefixados de X, foram obtidas, para cada valor de X, 4 observações independentes
Leia maisNa aula do dia 24 de outubro analisamos duas variáveis quantitativas conjuntamente com o objetivo de verificar se existe alguma relação entre elas.
Regressão Múltipla Na aula do dia 24 de outubro analisamos duas variáveis quantitativas conjuntamente com o objetivo de verificar se existe alguma relação entre elas. 1. definimos uma medida de associação
Leia maisUNIVERSIDADE FEDERAL DA FRONTEIRA SUL Campus CERRO LARGO. PROJETO DE EXTENSÃO Software R: de dados utilizando um software livre.
UNIVERSIDADE FEDERAL DA FRONTEIRA SUL Campus CERRO LARGO PROJETO DE EXTENSÃO Software R: Capacitação em análise estatística de dados utilizando um software livre. Fonte: https://www.r-project.org/ Módulo
Leia maisPrevisões. Forecasting
Previsões Forecasting Índice Introdução O sistema de Previsões Idenficar o Problema Compreender o Problema Características do Problema Processos constantes Processos sinusoidais Interpretar e implementar
Leia maisCORRELAÇÃO LINEAR, TIPOS DE CORRELAÇÃO. REGRESSÃO LINEAR PELO ESTUDO DA CORRELAÇÃO E UTILIZANDO OS MÍNIMOS QUADRADOS
CORRELAÇÃO LINEAR, TIPOS DE CORRELAÇÃO. REGRESSÃO LINEAR PELO ESTUDO DA CORRELAÇÃO E UTILIZANDO OS MÍNIMOS QUADRADOS META Avaliar o grau de relacionamento entre variáveis e a tendência das mesmas com base
Leia maisTestes de Aderência, Homogeneidade e Independência
Testes de Aderência, Homogeneidade e Independência Prof. Marcos Vinicius Pó Métodos Quantitativos para Ciências Sociais O que é um teste de hipótese? Queremos saber se a evidência que temos em mãos significa
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 mais2 Análise Bibliográfica
Análise Bibliográfica 20 2 Análise Bibliográfica Adalberto José Rosa e Renato de Souza Carvalho (2002) apresentaram uma revisão completa dos métodos analíticos de previsão de comportamento de reservatórios.
Leia mais4 ABORDAGENS METROLÓGICAS
4 4 ABORDAGENS METROLÓGICAS Neste capitulo são apresentados os termos metrológicos utilizados neste documento. Estes conceitos foram selecionados do Vocabulário Internacional de termos fundamentais e gerais
Leia maisPREVISÃO ORÇAMENTÁRIA
PREVISÃO ORÇAMENTÁRIA O desenvolvimento do orçamento requer uma visão global e razoavelmente detalhada do futuro da empresa Costumamos descartar os outliers e os resultados adversos quando projetamos o
Leia maisESTATÍSTICA EXPERIMENTAL. ANOVA. Aula 05
ESTATÍSTICA EXPERIMENTAL ANOVA. Aula 05 Introdução A ANOVA ou Análise de Variância é um procedimento usado para comparar a distribuição de três ou mais grupos em amostras independentes. A análise de variância
Leia 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 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 maisTeoria da Correlação. Luiz Carlos Terra
Luiz Carlos Terra Você poderá, através de cálculos matemáticos, verificar a forma como a variação de um dado observado pode estar associada às alterações de outra variável. (Luiz Carlos Terra) 1 Objetivo
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 maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS Em uma grande escola, 10% dos alunos são comprovadamente fracos. Um teste educacional conseguiu identificar corretamente 80% entre aqueles que são fracos e 85% entre aqueles que
Leia maisMétodos Quantitativos para Avaliação de Políticas Públicas
ACH3657 Métodos Quantitativos para Avaliação de Políticas Públicas Aula 11 Análise de Resíduos Alexandre Ribeiro Leichsenring alexandre.leichsenring@usp.br Alexandre Leichsenring ACH3657 Aula 11 1 / 26
Leia maisAnálise de Regressão
Análise de Regressão Tópicos em Avaliação de Desempenho de Sistemas Aline Oliveira Camila Araujo Iure Fé Janailda aso2@cin.ufpe.br cga2@cin.ufpe.br isf2@cin.ufpe.br jbs4@cin.ufpe.br Agenda Parte I: Contextualização
Leia maisIntrodução ao modelo de Regressão Linear
Introdução ao modelo de Regressão Linear Prof. Gilberto Rodrigues Liska 8 de Novembro de 2017 Material de Apoio e-mail: gilbertoliska@unipampa.edu.br Local: Sala dos professores (junto ao administrativo)
Leia 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 maisAula Nº 3 Métodos Quantitativos de Previsão de Demanda
Aula Nº 3 Métodos Quantitativos de Previsão de Demanda Objetivos da aula: Você já aprendeu quais são os requisitos básicos para o abastecimento da empresa, bem como os tipos de informação necessários para
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 mais11/05/2012 PREVISÃO DE DEMANDA. Introdução. Gestão da distribuição Prof. Marco A. Arbex
PREVISÃO DE DEMANDA Gestão da distribuição Prof. Marco A. Arbex Introdução Demanda é definida como a procura por um determinado bem ou serviço. Um produto tem demanda quando há necessidade ou desejo por
Leia mais