Um estudo do comportamento da carteira de crédito com o uso de Cluster Analysis
|
|
- Manoel Campos Teixeira
- 6 Há anos
- Visualizações:
Transcrição
1 Um estudo do comportamento da carteira de crédito com o uso de Cluster Analysis Lousanne Cavalcanti Barros (Faculdade Novos Horizontes) lousanne@unihorizontes.br Hudson Fernandes Amaral (CEPEAD/FACE/UFMG) hfamaral@face.ufmg.br Alfredo Alves de Oliveira Melo (Faculdade Novos Horizontes) diretoria@unihorizontes.br Resumo Buscou-se realizar, neste trabalho, um estudo descritivo de caso sobre a realidade da inadimplência da Brasfrigo S/A com o objetivo de contribuir, para construção de uma política que favoreça a redução da inadimplência. Para isso utilizou-se modelo multivariado de agrupamento para o período de 01 de janeiro de 200 a 29 de setembro de 200. Os resultados apontam para dois grandes grupos, um mais geral e outro mais específico. O grupo 1 foi constituído por dívidas, em geral, maiores e de natureza diversificada incluindo clientes com dívidas cobradas judicialmente; esse grupo corresponde cerca de 37% da dívida amostral observada. O grupo 2, é o mais homogêneo e é constituído, basicamente, por notas fiscais de devolução, não exatamente por clientes inadimplentes; esse grupo corresponde a cerca de 8,1% do total da dívida amostral observada. De acordo com o perfil do grupo 1 onde estão reunidos inadimplentes por semelhança de valores, não exatamente pela natureza das dividas, sugere-se que a empresa contrate uma consultoria externa para otimizar o fluxo de inadimplência, por se tratar de um grupo abrangente de inadimplentes. Palavras chave: Inadimplência; Crédito; Cluster 1. Introdução Para McKenna (1993) a credibilidade da empresa é a chave para o posicionamento no mercado e baseia-se em muitos fatores, sendo que um dos mais importantes é o sucesso financeiro. Para uma empresa, esse sucesso pode estar na eficiência na gestão de cobranças e créditos. Uma saída pode ser buscar a otimização do fluxo de cobrança, o aumento da liquidez das dívidas dos clientes inadimplentes, a diminuição do número de cobranças e do tempo até a liquidação das dívidas por parte dos inadimplentes. Partindo dessa premissa, o objetivo geral desse trabalho é conhecer a realidade das dívidas atuais apresentadas no banco de dados do setor de cobranças do departamento financeiro da Brasfrigo S/A. Para isso pretende-se inferir informações e descrever as características que classifiquem os inadimplentes em grupos distintos com respeito ao tipo de inadimplência. Portanto, os objetivos são separar os grupos de tal maneira que todos os elementos classificados dentro de um grupo sejam semelhantes (similares) entre si e distintos dos elementos pertencentes aos demais grupos; e, de posse desses grupos, definir o conjunto adequado de ações no setor de cobrança em relação ao perfil de cada grupo. 2. Revisão da Literatura O objetivo da análise de crédito é o de identificar os riscos nas situações de empréstimos, segundo Schrickel (1997:2), evidenciando conclusões quanto à capacidade de pagamento do tomador do empréstimo. Recomendações quanto à estrutura e tipo de empréstimo também são objeto da análise de crédito, a fim de manter-se o foco na otimização de resultados. Portanto, busca subsidiar a decisão de se conceder ou não o crédito. 1
2 A análise de crédito tradicional é denominada C s do Crédito, devido às variáveis analisadas serem o Caráter, a Capacidade, a Condição, o Capital, e o Colateral. Nesse enfoque tradicional, utilizado pelos bancos e outras instituições, o julgamento subjetivo de profissionais treinados é o responsável pela decisão de crédito. Além da necessidade de investimentos nesse treinamento de pessoal, existe ainda a questão de especialização dessas pessoas, conduzindo-se a uma estrutura de alto custo e de alcance limitado, como expõem Silva (1997:304-30) e Cauoette, Altman & Narayanan (1999: ). Em décadas recentes, inovações alteraram o processo clássico da análise de crédito. Quanto às transações, o desenvolvimento de empréstimos baseados em ativos propiciou o surgimento da securitização e do financiamento estruturado. Já em relação à gestão de crédito, ocorreu o desenvolvimento de modelos de quantificação do risco de crédito. A concessão de crédito tem sido uma das principais preocupações dos administradores, devido a inadimplência que se tornou um problema para a obtenção do crédito. De acordo com (FERREIRA, 1986), inadimplência é a falta de um cumprimento de um contrato ou qualquer de suas condições descumpridas, portanto, o risco do inadimplemento em uma concessão de crédito, sempre será real para as instituições, devendo as mesmas estarem preparadas para evitar que possíveis prejuízos ocorram ou pelo menos minimizá-los. De acordo com (GITMAN, 1997), o risco da inadimplência é a possibilidade de que o emissor da dívida não pague os juros contratados ou o principal, como programado. Para tanto, de acordo com Primo (2003), deve-se criar uma forma de provisão ligada a perda que ainda não foram identificadas e nem incorridas, formando um montante capaz de cobrir as perdas possíveis na carteira de crédito das instituições. Portanto, conforme destaca Yagui (2001), tornou-se indispensável um sistema com informações mais exatas para a tomada de decisões baseadas em expectativas de inadimplência. 3. Procedimentos Metodológicos Este trabalho configura-se como um estudo descritivo de caso sobre a gestão da carteira de clientes da Brasfrigo S/A. Buscou-se, inicialmente, analisar parte da carteira que corresponde aos clientes inadimplentes. Foi utilizado para esta análise o processo estatístico multivariado de agrupamento (cluster analisys). No primeiro momento, foi realizada análise distâncias e medidas de similaridade e em seguida a análise de cluster. A análise estatística baseou-se nas proposições de Johnson e Wichern (1998). Foi utilizada uma amostra aleatória simples de tamanho n = 114 obtida de uma população finita do tamanho N = 876 selecionada a partir do relatório de recebíveis em aberto / contas a receber da Brasfrigo S/A. O sorteio foi feito por meio de geração de números aleatórios em computador dos elementos listados e identificados no relatório do banco de dados do setor de crédito e cobrança do departamento financeiro da Brasfrigo S/A. Para a análise dos dados foram utilizadas informações referentes ao valor, em reais, e a natureza das dívidas dos clientes inadimplentes registrados no banco de dados (relatório de recebíveis em aberto) do setor financeiro da Brasfrigo. Uma medida de similaridade utilizada será a distância entre os elementos do banco de dados (quanto maior é a distância entre os elementos menos similares eles são). De modo geral, quando se tem que medir a similaridade entre dois elementos quaisquer considerando várias variáveis, se consideram os elementos como pontos num espaço euclidiano de p dimensões (uma dimensão para cada variável considerada, neste caso, tem-se p variáveis). A similaridade 2
3 pode ser medida pela distância euclidiana entre os dois pontos (entre os dois elementos do BD, pois, cada ponto representa um único elemento. A distância euclidiana é, portanto, uma medida de similaridade quando se comparam dois elementos considerando várias variáveis simultaneamente. Todavia, para propósitos estatísticos, essa medida é, ainda, insatisfatória, uma vez que, geralmente, as medidas que estão sendo consideradas estão sujeitas a flutuações aleatórias de diferentes magnitudes e escalas de medidas. Isso pode representar um grande inconveniente, pois, essas escalas diferentes podem afetar a medida de similaridade dado que as variáveis muitas vezes são correlacionadas entre si. Neste caso, uma saída é ponderar as medidas (coordenadas) sujeitas a uma variação grande com pesos menores àquelas com variação pequena. Uma alternativa, bastante utilizada, é a distância não euclidiana de Mahalanobis, também conhecida como distância estatística. A distância estatística é uma versão modificada da distância euclidiana em que as coordenadas são ponderadas de forma conveniente de acordo com as variâncias e covariâncias das variáveis aleatórias envolvidas. Quanto menor é a distância de Mahalanobis entre dois elementos maior será a similaridade. Dentre as técnicas para análise de cluster tem-se as técnicas hierárquicas aglomerativas, que partem do princípio que se têm n conglomerados (ou grupos), ou seja, cada elemento da amostra (ou população) é considerado como um grupo isolado. A cada estágio do processo de agrupamento, os elementos vão sendo agrupados formando novos conglomerados até que, ao final do processo, todos os elementos estejam agrupados em um único conglomerado (um único conglomerado contendo n elementos). Em cada etapa do processo, os conglomerados são comparados por meio de alguma medida de similaridade previamente definida (no caso deste trabalho, esta medida foi a média de todas as distâncias não euclidiana de Mahalanobis. Entretanto, no algoritmo aglomerativo é possível perceber que, em cada estágio do processo, é necessário também calcular a similaridade entre dois grupos. Logo, deve-se predefinir qual será a medida de similaridade entre os grupos. Há várias propostas feitas na literatura, neste trabalho foi adotado o método de ligação média (average linkage). O método de ligação média foi escolhido dentre os demais porque ele é um método adequado para variáveis tanto quantitativas quanto qualitativas e produz conglomerado aproximadamente de mesma variância interna além de outras propriedades técnicas interessantes do ponto de vista estatístico. Em geral, produz uma partição melhor em comparação com outros métodos de ligação tais como ligação simples (single linkage) e ligação completa (complete linkage) dois outros métodos muito comuns (também é facilmente encontrado implementado em pacotes computacionais estatísticos disponíveis). É possível apresentar os resultados na forma de um gráfico, denominado dendograma. A escala vertical do gráfico indica o nível de similaridade (ou a distância). No eixo horizontal, são marcados os indivíduos numa ordem conveniente. As linhas verticais que partem dos indivíduos têm altura correspondentes aos níveis em que os indivíduos foram considerados semelhantes. O número final de grupos é uma questão importante, pois, o método não fornece o momento de parada no algoritmo de agrupamento. A solução final é subjetiva, porém, há várias técnicas propostas fornecendo critérios lógicos que auxiliam nesta escolha. Aqui, a cada estágio do processo de agrupamento, a soma de quadrados entre os grupos será calculada e, ao final do processo, será empregado os gráficos do passo de agrupamento versus distância e a análise das somas de quadrados entre os grupos (além do dendograma). 3
4 É importante notar que, quanto maior é R 2 maior será a soma de quadrados entre os grupos em cada passo do algoritmo, isso significa que a maior proporção da variabilidade total corrigida pelo vetor de médias das variáveis encontrada nos grupos é devida a diferença encontrada entre os grupos (os grupos são distintos, ou seja, são dissimilares), portanto, como o gráfico passo do agrupamento versus R 2 é não crescente, após o primeiro grande salto desse gráfico em relação aos demais é sinal que aquele número de grupos é o ideal para finalizar o algoritmo. 4. Apresentação dos resultados Os dados constituem uma amostra aleatória de tamanho n = 114 obtidos do banco de dados da Brasfrigo referentes ao universo de clientes inadimplentes até o mês de setembro de 200. (todas as contas a receber estão contidas neste módulo do sistema de informação da empresa). Esta amostra é constituída de 114 vetores aleatórios bidimensionais X 1, X 2,..., X 114 onde cada vetor representa um elemento do banco de dados, ou seja, representa um cliente inadimplente (por uma questão de sigilo, os dados dos clientes não serão identificados). Cada vetor bidimensional j (j = 1, 2,..., 114), X j = [X 1j X 2j ], é formado por duas características observáveis, X 1j e X 2j (j = 1, 2,..., 114), onde X 1j é a variável componente valor devido (em R$), e X 2j é a variável componente tipo da dívida. X 1j é, portanto, uma variável quantitativa contínua e X 2j é uma variável qualitativa nominal (ou categórica). A variável X 2j pode receber os seguintes valores {0, 1, 2, 3, 4,, 6, 7}, essas categorias descrevem a forma de dívida que consta de seus clientes inadimplentes. O significado de cada categoria é: - 0 (refere-se ao código DV do banco de dados da empresa), se a nota promissória da dívida é, na verdade, uma nota de devolução, ou seja, o cliente devolveu a mercadoria mas não foi registrado, portanto, equivocadamente consta, no banco de dados da empresa, como dívida a ser cobrada; - 1 (refere-se ao código TR do banco de dados da empresa), se a nota promissória da dívida é um valor perdido, perda de transportadora por falha ou roubo, etc (refere-se ao código DF do banco de dados da empresa), se a mercadoria é um objeto sinistrado (acionado o seguro); - 3 (não recebeu código, no campo do relatório reservado para este código está vazio), se não se sabe o que aconteceu com o pedido, é, na verdade, uma falha de registro; - 4 (refere-se ao código EC do banco de dados da empresa), se a nota está encaminhada para cartório (cliente em atraso); - (refere-se ao código PR do banco de dados da empresa), se a nota está em protesto (só é paga em cartório); - 6 (refere-se ao código CB do banco de dados da empresa), se a dívida está encaminhada ao escritório de cobrança (a cobrança é feita pessoalmente); e - 7 (refere-se ao código EX do banco de dados da empresa), se a dívida refere-se a mercadoria de exportação. Como a análise multivariada de agrupamentos não requer que os dados tenham distribuição conhecida nem uma estrutura probabilística para os vetores segue passo a passo as etapas do algoritmo de cluster analisys obtidas do software Minitab. Abaixo apresentam-se os resultados dos grupos encontrados no processo passo-a-passo, gerados pelo software Minitab. 4
5 Number of clusters: 1 Cluster ,000 0,92 8,413 Obs.: O valor em negrito equivale à soma de quadrados totais SS T, logo, R 2 = 0, Number of clusters: 2 Cluster ,268 0,799 2,73 Cluster2 3 12,091 1,891 2,809 Obs.: A soma dos valores em negrito equivale à soma de quadrados dentro dos grupos SS d, logo, R 2 = 0,443. Number of clusters: 3 Cluster ,268 0,799 2,73 Cluster2 2 0,23 0,36 0,36 Cluster3 1 0,000 0,000 0,000 Obs.: A soma dos valores em negrito equivale à soma de quadrados dentro dos grupos SS d, logo, R 2 =0, Number of clusters: 4 Cluster ,803 0,770 1,990 Cluster2 2 0,12 0,06 0,06 Cluster3 2 0,23 0,36 0,36 Cluster4 1 0,000 0,000 0,000 Obs.: A soma dos valores em negrito equivale à soma de quadrados dentro dos grupos SS d, logo, R 2 =0,4173. Number of clusters: Cluster ,938 0,463 1,36 Cluster2 27 4,067 0,27 1,94 Cluster3 2 0,12 0,06 0,06 Cluster4 2 0,23 0,36 0,36 Cluster 1 0,000 0,000 0,000 Obs.: A soma dos valores em negrito equivale à soma de quadrados dentro dos grupos SS d, logo, R 2 =0,8461. Number of clusters: 6 Cluster ,938 0,463 1,36 Cluster2 1 0,000 0,000 0,000 Cluster3 26 1,427 0,174 0,622 Cluster4 2 0,12 0,06 0,06 Cluster 2 0,23 0,36 0,36 Cluster6 1 0,000 0,000 0,000 Obs.: A soma dos valores em negrito equivale à soma de quadrados dentro dos grupos SS d, logo, R 2 =0,8783. Number of clusters: 7 Cluster1 73 9,000 0,261 0,909 Cluster2 1 0,000 0,000 0,000 Cluster3 26 1,427 0,174 0,622 Cluster4 9 1,04 0,286 0,692 Cluster 2 0,12 0,06 0,06 Cluster6 2 0,23 0,36 0,36 Cluster7 1 0,000 0,000 0,000 Obs.: A soma dos valores em negrito equivale à soma de quadrados dentro dos grupos SS d, logo, R 2 =0,948. Na FIG. 1 apresenta-se Passos versus Nível da fusão (o nível da fusão é dado pela distância). Procura-se aquele ponto que primeiro se observa um salto em relação aos demais. Esse ponto indica o momento em que, dali em diante, deve-se verificar por meio do gráfico Passos
6 Vs R 2 (R 2 é a proporção da variação total dos dados devido à soma de quadrados entre os grupos, veja o capítulo 2 para mais detalhes), qual é o número de grupos a ser adotado. Passos Vs Nível da fusão (Distâncias) 6 Nível da fusão Passo Figura 1 Passos versus Nível de fusão Como visto na FIG. 1, no lugar onde foi colocada a seta refere-se ao passo 108 do algoritmo que contém seis grupos, portanto serão analisados, no gráfico 2, os seis últimos passos em relação ao R 2 para se chegar ao número ótimo de grupos a ser considerado. Passos X R(2) R(2) 1,0 0,9 0,8 0,7 0,6 0, 0,4 0,3 0,2 0,1 0, Passo Figura 2 Passos Vs R 2 Analisando a FIG. 2, o primeiro grande salto está apontado com a seta no gráfico e corresponde ao passo 109. No passo 109 estão reunidos os dados em grupos. Nos gráficos 3, 4 e apresentam-se os dendogramas (o dendograma final e os dendogramas parciais por clusters formados no 109º passo do algoritmo grupos finais). 6
7 Distance Dendograma,97 3,98 1,99 0,00 Observations Figura 3 Dendograma (final) Na FIG. 3 do dendograma final gerado no último passo do algoritmo estão marcados com o número todos os cinco grupos retidos no final da análise hierárquica de agrupamentos. Os grupos 3, 4 e formados, respectivamente, pelos elementos {16, 93}, {39, 8} e {1} do banco de dados da empresa, são, na verdade, outliers (valores atípicos e representam menos que % do universo da empresa). O que se pode comentar a respeito desses grupos é que o grupo 3 é formado por dívidas entre R$17.60,00 e R$2.230,00, e correspondem às notas do tipo 3 e 4 (dívidas em atraso), respectivamente. O grupo 4 é constituído por dívidas entre R$36.230,00 e R$40.000,00 e correspondem às notas do tipo 6 e 7 (dívidas impagáveis sendo cobradas pessoalmente pelos escritório de cobrança, dívidas já protestadas judicialmente), respectivamente. Já o grupo é formado por dívidas acima de R$76.10,00 e corresponde à nota do tipo 7. Ou seja, em geral, são alguns clientes com dívidas altas e que não as pagaram e dificilmente irão pagá-las. Os grupos 1 e 2 são grupos com o maior número de elementos. O grupo 2 possui 27 elementos: {3,, 8, 40, 4, 29, 46, 34, 80, 73, 110, 81, 3, 98, 100, 66, 24, 60, 6, 76, 2, 101, 70, 107, 63, 90} do banco de dados da empresa. O grupo 1, o maior de todos, até aquela data, possui 82 elementos. As estatísticas resumo obtidas do software Minitab (V11.2), por variável componente, dos grupos 1 e 2 são apresentadas a seguir: Variable N Mean Median TrMean StDev SE Mean X 1 (Grupo1) X 2 (Grupo1) 82 3,366 3,000 3,297 0,97 0,108 X 1 (Grupo2) X 2 (Grupo2) 27 0,182 0,0000 0,1600 0,398 0,0762 Variable Minimum Maximum Q1 Q3 X 1 (Grupo1) X 2 (Grupo1) 2,000 6,000 3,000 3,20 X 1 (Grupo2) X 2 (Grupo2) 0,0000 1,0000 0,0000 0,0000 Analisando a saída, é possível perceber que a distribuição da principal variável componente X 1j, para ambos os grupos, é bastante assimétrica. Deste modo, a mediana é o melhor representante dessa variável nos grupos 1 e 2. Para o grupo 1, o perfil dos inadimplentes pode ser descrito como: A dívida mediana é de R$ 931,00 e mais de 7% dos clientes inadimplentes da empresa possuem dívidas superior a R$ 108,00 (o máximo observado foi de R$ 9.720,00 e o mínimo de R$ 11,00). A dívida mais freqüente é do tipo 3, cerca de 68% das dívidas (indicando que uma parte significativa das dívidas no sistema é constituída de falhas), 7
8 constando também dívidas do tipo 2, 4 e 6. Em síntese, pode-se interpretar esse grupo como sendo constituído, basicamente, de notas promissórias cuja origem não está clara (é importante notar que esse tipo de ocorrência corresponde a R$ ,00, ou seja, cerca de 37% do total da dívida amostral observada). Para o grupo 2, o perfil dos inadimplentes pode ser descrito como: A dívida mediana é de R$ 134,00 e mais de 7% dos clientes inadimplentes da empresa possuem dívidas inferior a R$ 787,00 (o máximo observado foi de R$ ,00 e o mínimo de R$ 6,00). A dívida mais freqüente é do tipo 0, mais de 80% das dívidas (indicando que uma parte significativa das dívidas no sistema é constituída de notas de devolução), constando também dívidas do tipo 1 em aproximadamente 20% das dívidas. Em síntese, pode-se interpretar esse grupo como sendo constituído, basicamente, de notas promissórias de devolução.. Considerações Finais O objetivo desse estudo foi analisar a inadimplência da empresa Brasfrigo S. A. Para isso utilizou-se modelo multivariado de agrupamento para o período de 01 de janeiro de 200 a 29 de setembro de 200. Pode-se definir dois grandes grupos diante da análise dos resultados, denominados grupos 1 e 2. O grupo 1 é constituídos por dívidas, em geral, maiores e de natureza das dívidas diversificada incluindo clientes com dívidas cobradas judicialmente; esse grupo corresponde cerca de 37% da dívida amostral observada. O grupo 2, é o mais homogêneo e é constituído, basicamente, por notas fiscais de devolução, não exatamente por clientes inadimplentes; esse grupo corresponde a cerca de 8,1% do total da dívida amostral observada. Sugere-se que a empresa invista em consultoria otimizando assim o fluxo de inadimplência da empresa com respeito ao grupo 1 e, com respeito ao grupo 2, sugere-se estabelecer, aos responsáveis pelo transporte das mercadoria, o preenchimento de um formulário, chamando aqui de Histórico da Mercadoria, que trará descrito todo o trajeto da mercadoria desde a saída até a chegada ao cliente ou seu retorno a fábrica. Essa medida simples fará com que a empresa reduza no seu sistema o número de clientes que são tratados como inadimplentes e na realidade não são. De acordo com o perfil do grupo 1 onde estão reunidos inadimplentes por semelhança de valores, não exatamente pela natureza das dividas, sugere-se que a empresa contrate uma consultoria externa para otimizar o fluxo de inadimplência, por se tratar de um grupo abrangente de inadimplentes. De acordo com o perfil do grupo 2, onde foi possível diagnosticar que 80% da inadimplência neste grupo se refere à nota de devoluções, pode-se sugerir que a empresa reúna com os representantes de transportadora afim de que os mesmos anexem, juntamente com a nota fiscal, um formulário que será chamado Histórico da Mercadoria. Este histórico deverá constar a data da saída, trajeto percorrido, local de chegada e, no caso de devolução da mercadoria, o motivo pelo qual a mercadoria foi devolvida. A transportadora deverá entregar esse histórico e a mercadoria devolvida, se for o caso, no prazo máximo de 20 dias. Essa medida refletirá também no setor de crédito, uma vez que os clientes que possuem notas de devolução não mais serão tratados como inadimplentes como está ocorrendo atualmente. 6. REFERÊNCIAS CAOUETTE, John B., ALTMAN, Edward I.,NARAYANAN, Paul. Gestão do risco de crédito: o próximo grande desafio financeiro. Rio de Janeiro: Qualitymark, p. Trad. Allan Hastings. FERREIRA, Aurélio B. H. Novo Dicionário da Língua Portuguesa. 2. ed. Rio de Janeiro: Editora Nova Fronteira S.A
9 SCHRICKEL, Wolfgang Kurt. Análise de crédito: concessão e gerência de empréstimos. 3º ed. São Paulo: Atlas, p. GITMAN, Lawrence J. Princípios de administração financeira. 7. ed. São Paulo: Harbra, JOHNSON, Richard A., WICHERN, Dean W. Applied Multivariate Statistical Analisys. 4 th edition. New York: Pretice Hall, p. HAYKIN, S. Redes Neurais: princípios e prática. Trad. Paulo Martins Engel. 2.ed. Porto Alegre: Bookman MCKENNA, Regis. Marketing de Relacionamento: Estratégias bem-sucedidas para a era do cliente. Rio de Janeiro: Campus, p. SILVA, José Pereira da. Gestão e análise de risco de crédito. São Paulo: Atlas, PRIMO, Uverlan Rodrigues. Relação da Provisão Para Créditos de Liquidação Duvidosa das Instituições Financeiras do Brasil com a Inadimplência de Setor. Disponível em: < Acesso em: 24 ago YAGUI, Mariza Sakae Nakamura. O Custo da Inadimplência do Produto Bancário: Proposta de uma Sistemática para Apuração do Processo de Responsabilidade com a Utilização do ABC. Disponível em: <teses.eps.ufsc.br/defesa/pdf/11.pdf>. Acesso em: 24 ago
2 Processo de Agrupamentos
20 2 Processo de Agrupamentos A análise de agrupamentos pode ser definida como o processo de determinação de k grupos em um conjunto de dados. Para entender o que isso significa, observe-se a Figura. Y
Leia maisRalph S. Silva
ANÁLISE ESTATÍSTICA MULTIVARIADA Ralph S. Silva http://www.im.ufrj.br/ralph/multivariada.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Agradecimentos
Leia maisCoeficiente de Assimetria
Coeficiente de Assimetria Rinaldo Artes Insper Nesta etapa do curso estudaremos medidas associadas à forma de uma distribuição de dados, em particular, os coeficientes de assimetria e curtose. Tais medidas
Leia maisElementos de Estatística. Michel H. Montoril Departamento de Estatística - UFJF
Elementos de Estatística Michel H. Montoril Departamento de Estatística - UFJF O que é a estatística? Para muitos, a estatística não passa de conjuntos de tabelas de dados numéricos. Os estatísticos são
Leia maisSME0822 Análise Multivariada 2 o semestre de Prof. Cibele Russo. Sala 3-113
SME0822 Análise Multivariada 2 o semestre de 2016 Prof. Cibele Russo cibele@icmc.usp.br http://www.icmc.usp.br/~cibele Sala 3-113 2. semestre 2016 1 / 25 Principais objetivos do curso Estudar e desenvolver
Leia maisConceito de Estatística
Conceito de Estatística Estatística Técnicas destinadas ao estudo quantitativo de fenômenos coletivos, observáveis. Unidade Estatística um fenômeno individual é uma unidade no conjunto que irá constituir
Leia maisDescoberta de Conhecimento em Bases de Dados. Pesquisa de Clusters
Universidade Técnica de Lisboa INSTITUTO SUPERIOR DE ECONOMIA E GESTÃO Informática e Sistemas de Informação Aplicados em Economia Descoberta de Conhecimento em Bases de Dados. Pesquisa de Clusters Descoberta
Leia maisRelatório de Gerenciamento de Riscos
Relatório de Gerenciamento de Riscos Introdução Relatório elaborado em concordância com as recomendações do Comitê de Supervisão Bancária de Basiléia e com as determinações do Banco Central do Brasil (Circular
Leia maisVimos que é possível sintetizar os dados sob a forma de distribuições de frequência e gráficos. Pode ser de interesse apresentar esses dados através d
UNIVERSIDADE FEDERAL DA PARAÍBA MEDIDAS DE POSIÇÃO E DISPERSÃO Departamento de Estatística Luiz Medeiros Vimos que é possível sintetizar os dados sob a forma de distribuições de frequência e gráficos.
Leia maisANÁLISE DE CLUSTER APLICADA À LOGÍSTICA: DEFINIÇÃO DE ZONAS DE TRANSPORTE PARA UMA EMPRESA DO SETOR SIDERÚRGICO
ANÁLISE DE CLUSTER APLICADA À LOGÍSTICA: DEFINIÇÃO DE ZONAS DE TRANSPORTE PARA UMA EMPRESA DO SETOR SIDERÚRGICO Alvaro Simões da Conceição Neto (UFMG) alvaro.neto@terra.com.br Juliana Jacob Ferreira (UFMG)
Leia maisAmostragem Aleatória e Descrição de Dados - parte I
Amostragem Aleatória e Descrição de Dados - parte I 2012/02 1 Amostra e População 2 3 4 Objetivos Ao final deste capítulo você deve ser capaz de: Calcular e interpretar as seguintes medidas de uma amostra:
Leia maisProcessos Hidrológicos CST 318 / SER 456. Tema 9 -Métodos estatísticos aplicados à hidrologia ANO 2016
Processos Hidrológicos CST 318 / SER 456 Tema 9 -Métodos estatísticos aplicados à hidrologia ANO 2016 Camilo Daleles Rennó Laura De Simone Borma http://www.dpi.inpe.br/~camilo/prochidr/ Caracterização
Leia maisEstatística Descritiva
Estatística Descritiva ESQUEMA DO CAPÍTULO 6.1 IMPORTÂNCIA DO SUMÁRIO E APRESENTAÇÃO DE DADOS 6.2 DIAGRAMA DE RAMO E FOLHAS 6.3 DISTRIBUIÇÕES DE FREQUÊNCIA E HISTOGRAMAS 6.4 DIAGRAMA DE CAIXA 6.5 GRÁFICOS
Leia maisAULA 5 MEDIDAS DESCRITIVAS DOCENTE: CIRA SOUZA PITOMBO
UNIVERSIDADE FEDERAL DA BAHIA ESCOLA POLITÉCNICA MEAU- MESTRADO EM ENGENHARIA AMBIENTAL URBANA ENG C 18 Métodos de Pesquisa Quantitativos e Qualitativos AULA 5 MEDIDAS DESCRITIVAS DOCENTE: CIRA SOUZA PITOMBO
Leia maisTécnicas Multivariadas em Saúde
Roteiro Técnicas Multivariadas em Saúde Lupércio França Bessegato Dep. Estatística/UFJF 1. Introdução 2. Distribuições de Probabilidade Multivariadas 3. Representação de Dados Multivariados 4. Testes de
Leia maisEstatística I Aula 2. Prof.: Patricia Maria Bortolon, D. Sc.
Estatística I Aula 2 Prof.: Patricia Maria Bortolon, D. Sc. Análise Exploratória de Dados Consiste em resumir e organizar os dados coletados Utiliza-se tabelas, gráficos ou medidas numéricas para resumir
Leia maisEm várias ocasiões há de se proceder à coleta de dados diretamente na origem, isto é, dos sujeitos com quem pretendemos realizar determinado estudo.
UNIVERSIDADE FEDERAL DA PARAÍBA Amostragem Luiz Medeiros de Araujo Lima Filho Departamento de Estatística INTRODUÇÃO Em várias ocasiões há de se proceder à coleta de dados diretamente na origem, isto é,
Leia maisEstatística
Estatística 1 2016.2 Sumário Capítulo 1 Conceitos Básicos... 3 MEDIDAS DE POSIÇÃO... 3 MEDIDAS DE DISPERSÃO... 5 EXERCÍCIOS CAPÍTULO 1... 8 Capítulo 2 Outliers e Padronização... 12 VALOR PADRONIZADO (Z)...
Leia maisAprendizado de Máquina
Aprendizado de Máquina André C. P. L. F. de Carvalho Posdoutorando: Isvani Frias-Blanco ICMC-USP Agrupamento de dados Tópicos Agrupamento de dados Dificuldades em agrupamento Algoritmos de agrupamento
Leia maisT2Ti Tecnologia da Informação Ltda T2Ti.COM CNPJ: / Projeto T2Ti ERP Documento de Visão Contas a Receber Versão 2.
Documento de Visão Contas a Receber Versão 2.0 10/11/2010 Introdução Este documento abordará as questões pertinentes ao desenvolvimento do módulo Contas a Receber para o sistema T2Ti ERP. Breve descrição
Leia maisPRÁTICA 8. A Distância Euclidiana entre dois vetores n-dimensionais x e y é definida como o escalar: d = norm(x y)
PRÁTICA 8 1) Medidas de Distância. A Distância Euclidiana entre dois vetores n-dimensionais e y é definida como o escalar: d 1 2 2 [( y ) + + ( y ) ] 2 e (, y) = y = y = 1 1 L n n esta epressão é a Norma
Leia maisCAPÍTULO 3 POPULAÇÃO E AMOSTRA
DEPARTAMENTO DE GEOCIÊNCIAS GCN 7901 ANÁLISE ESTATÍSTICA EM GEOCIÊNCIAS PROFESSOR: Dr. ALBERTO FRANKE CONTATO: alberto.franke@ufsc.br F: 3721 8595 CAPÍTULO 3 POPULAÇÃO E AMOSTRA As pesquisas de opinião
Leia maisAMOSTRAGEM. É a parte da Teoria Estatística que define os procedimentos para os planejamentos amostrais e as técnicas de estimação utilizadas.
AMOSTRAGEM É a parte da Teoria Estatística que define os procedimentos para os planejamentos amostrais e as técnicas de estimação utilizadas. Nos planejamentos amostrais, a coleta dos dados deve ser realizada
Leia maisTIPOS DE AMOSTRAGEM Amostragem Probabilística e Não-Probabilística. Amostragem PROBABILÍSTICA: Amostragem Aleatória Simples: VANTAGENS:
TIPOS DE AMOSTRAGEM Amostragem Probabilística e Não-Probabilística. Amostragem PROBABILÍSTICA: Técnicas de amostragem em que a seleção é aleatória de tal forma que cada elemento tem igual probabilidade
Leia maisCAP1: Estatística Descritiva para análise da variabilidade uma amostra de dados quantitativos
CAP1: Estatística Descritiva para análise da variabilidade uma amostra de dados quantitativos O aluno deverá utilizar calculadora científica Resumo Numérico dos dados Suponha que os dados sejam representados
Leia maisNíveis descritivos de testes estatísticos de variabilidade como medidas de similaridade entre objetos em análises de agrupamento
Níveis descritivos de testes estatísticos de variabilidade como medidas de similaridade entre objetos em análises de agrupamento Luiz Roberto Martins Pinto 1 Leonardo Evangelista Moraes 2 Priscila Ramos
Leia maisA Estatística é aplicada como auxílio nas tomadas de decisão diante de incertezas para justificar cientificamente as decisões
A IMPORTÂNCIA DA ESTATÍSTICA A Estatística é aplicada como auxílio nas tomadas de decisão diante de incertezas para justificar cientificamente as decisões Governo Indústria Ciências Econômicas, sociais,
Leia maisTécnicas Computacionais em Probabilidade e Estatística I. Aula I
Técnicas Computacionais em Probabilidade e Estatística I Aula I Chang Chiann MAE 5704- IME/USP 1º Sem/2008 1 Análise de Um conjunto de dados objetivo: tratamento de um conjunto de dados. uma amostra de
Leia maisAnálise de agrupamento dos dados sedimentológicos da plataforma e talude continentais da Bahia
Análise de agrupamento dos dados sedimentológicos da plataforma e talude continentais da Bahia ÂNGELA CRISTINA DA FONSECA MIRANTE 1 2 4 JOÃO DOMINGOS SCALON 2 4 TÂNIA MARIA FONSECA ARAÚJO 3 TÂNIA JUSSARA
Leia maisINF 1771 Inteligência Artificial
Edirlei Soares de Lima INF 1771 Inteligência Artificial Aula 18 Aprendizado Não-Supervisionado Formas de Aprendizado Aprendizado Supervisionado Árvores de Decisão. K-Nearest Neighbor
Leia maisMedidas Descritivas de Posição, Tendência Central e Variabilidade
Medidas Descritivas de Posição, Tendência Central e Variabilidade Prof. Gilberto Rodrigues Liska UNIPAMPA 27 de Março de 2017 Material de Apoio e-mail: gilbertoliska@unipampa.edu.br Sumário 1 Introdução
Leia maisIndicadores Econômicos Copyright Boa Vista SCPC 1
Indicadores Econômicos 13.11.2015 2015 Copyright Boa Vista SCPC 1 Sumário 1. Falências Requeridas e Decretadas 2. Recuperações judiciais 3. Títulos protestados 4. Cheques devolvidos 5. Registro de inadimplentes
Leia mais25/08/2016. Estatística. Estatística. Medidas Estatísticas Medidas de Posição. Mariele Bernardes. Mariele Bernardes
s 12/08/2016 As medidas estatísticas resumem as informações obtidas dando uma visão global dos dados. s ou estimadores dados da amostra Parâmetros dados populacionais. de posição de dispersão de posição
Leia maisP. P. G. em Agricultura de Precisão DPADP0803: Geoestatística (Prof. Dr. Elódio Sebem)
Amostragem: Em pesquisas científicas, quando se deseja conhecer características de uma população, é comum se observar apenas uma amostra de seus elementos e, a partir dos resultados dessa amostra, obter
Leia maisMódulo III Medidas de Tendência Central ESTATÍSTICA
Módulo III Medidas de Tendência Central ESTATÍSTICA Objetivos do Módulo III Determinar a média, mediana e moda de uma população e de uma amostra Determinar a média ponderada de um conjunto de dados e a
Leia maisEstatística Descritiva
C E N T R O D E M A T E M Á T I C A, C O M P U T A Ç Ã O E C O G N I Ç Ã O UFABC Estatística Descritiva Centro de Matemática, Computação e Cognição March 17, 2013 Slide 1/52 1 Definições Básicas Estatística
Leia maisBIOESTATÍSTICA. Unidade III - Medidas de Tendência Central e de Dispersão
BIOESTATÍSTICA Unidade III - Medidas de Tendência Central e de Dispersão 0 INTRODUÇÃO Vamos abordar um assunto importante no que diz respeito a transmissão das informações relativas à amostra ou população
Leia maisClóvis de Araújo Peres Cargo: Professor Titular de Estatística da USP UNIFESP Formação: PhD em Estatística pela Universidade WISCONSIN - USA
TÍTULO: ESTUDO ESTATÍSTICO PARA DETERMINAÇÃO DO ERRO DE MICROMEDIÇÃO DAS ÁREAS PILOTO DE CONTROLE E REDUÇÃO DE PERDAS DO SISTEMA DE ABASTECIEMNTO DE ÁGUA DO MUNICÍPIO DE GUARULHOS. TEMA DO TRABALHO: ABASTECIMENTO
Leia maisComparação entre o método Ward e o método K-médias no agrupamento de produtores de leite
Comparação entre o método Ward e o método K-médias no agrupamento de produtores de leite Enio Júnior Seidel,Fernando de Jesus Moreira Júnior, Angela Pelegrin Ansuj, Maria Rosane Coradini Noal Departamento
Leia maisEstatística. Professor Jair Vieira Silva Júnior.
Estatística Professor Jair Vieira Silva Júnior Ementa da Disciplina Estatística descritiva; Interpretação de gráficos e tabelas; Amostras, representação de dados amostrais e medidas descritivas de uma
Leia maisProf. Carlos Barreto. Unidade IV CONTABILIDADE INTERMEDIÁRIA
Prof. Carlos Barreto Unidade IV CONTABILIDADE INTERMEDIÁRIA Capacitar os estudantes a adquirir conhecimentos necessários para o desenvolvimento das seguintes competências: Enfatizar a consciência ética
Leia maisAULA 02 Distribuição de Probabilidade Normal
1 AULA 02 Distribuição de Probabilidade Normal Ernesto F. L. Amaral 20 de agosto de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario
Leia maisA Importância do Desenho Amostral. Donald Pianto Departamento de Estatística UnB
A Importância do Desenho Amostral Donald Pianto Departamento de Estatística UnB Objetivo dessa aula Explicar os tipos básicos de amostragem e a razão pelo uso de cada um Contemplar o uso simultaneo de
Leia maisEstatística: Objetivos e fundamentos
AULA/TEMA Estatística Básica Estatística: Objetivos e fundamentos Profa. Vanessa Ziotti Conteúdo Programático Estatística. O que é? Inferência estatística Estatística descritiva e experimental Termos estatísticos
Leia maisAula 4 Medidas de dispersão
AULA 4 Aula 4 Medidas de dispersão Nesta aula, você estudará as medidas de dispersão de uma distribuição de dados e aprenderá os seguintes conceitos: amplitude desvios em torno da média desvio médio absoluto
Leia mais6 Um estudo de simulação para avaliação dos estimadores associados aos coeficientes de escalonabilidade da TRIN
6 Um estudo de simulação para avaliação dos estimadores associados aos coeficientes de escalonabilidade da TRIN Este capítulo apresenta a descrição de dois estudos de simulação adequados ao contexto da
Leia maisAo termino dos estudos desta disciplina o aluno deverá: Entender os conceitos de finanças; Interpretar o desempenho financeiro do negócio.
Gestão Financeira plano de ensino Área: Formação Profissional Carga horária: 80 horas/aula Ementa Fundamentos da Gestão Financeira, ambiente financeiro e conceitos financeiros. Fontes de Financiamento.
Leia maisDados de identificação do Acadêmico: Nome: Login: CA: Cidade: UF Assinatura: CARTÃO RESPOSTA
ANÁLISE E DESENVOLVIMENTO DE SISTEMAS TURMA 2008 4º PERÍODO 7º MÓDULO AVALIAÇÃO A2 DATA 08/10/2009 ESTATÍSTICA 2009/2 Dados de identificação do Acadêmico: Nome: Login: CA: Cidade: UF Assinatura: CARTÃO
Leia maisEstatística descritiva básica: Medidas de tendência central
Estatística descritiva básica: Medidas de tendência central ACH2021 Tratamento e Análise de Dados e Informações Marcelo de Souza Lauretto marcelolauretto@usp.br www.each.usp.br/lauretto *Parte do conteúdo
Leia maisRACIOCÍNIO LÓGICO-QUANTITATIVO Prova comentada ANAC / ANALISTA / 2016 Professor Josimar Padilha
RACIOCÍNIO LÓGICO-QUANTITATIVO Prova comentada ANAC / ANALISTA / 2016 Professor Josimar Padilha 1. A negação da proposição se choveu, então o voo vai atrasar pode ser logicamente descrita por: a. não choveu
Leia maisAPLICAÇÃO DE ANÁLISE DE CLUSTER EM VALORES NUTRICIONAIS REFERENTES Á TIPOS DE CARNES
APLICAÇÃO DE ANÁLISE DE CLUSTER EM VALORES NUTRICIONAIS REFERENTES Á TIPOS DE CARNES Samara Rilda de S.BEZERRA 1, Edwirde Luiz SILVA 1,Aldreany P.Araújo SILVA 1 1 Departamento de Estatística, Universidade
Leia maisBioestatística Básica
Bioestatística Básica Curso de Pós-Graduação RCA 5804 PROF. DR. ALFREDO J RODRIGUES DEPARTAMENTO DE CIRURGIA E ANATOMIA FACULDADE DE MEDICINA DE RIBEIRÃO PRETO UNIVERSIDADE DE SÃO PAULO alfredo@fmrp.usp.br
Leia maisPROBABILIDADE E ESTATÍSTICA ESTATÍSTICA DESCRITIVA
PROBABILIDADE E ESTATÍSTICA ESTATÍSTICA DESCRITIVA Prof.ª Sheila Regina Oro Projeto Recursos Educacionais Digitais Autores: Bruno Baierle e Maurício Furigo ESTATÍSTICA DESCRITIVA A Estatística Descritiva
Leia maisTécnicas de Amostragem
Técnicas de Amostragem 1 Amostragem é o processo de seleção de uma amostra, que possibilita o estudo das características da população. Quando obtemos informações a partir de amostras e tentamos atingir
Leia maisClassificação e Predição de Dados - Profits Consulting - Consultoria Empresarial - Serviços SAP- CRM Si
Classificação e Predição de Dados - Profits Consulting - Consultoria Empresarial - Serviços SAP- CRM Si Classificação de Dados Os modelos de classificação de dados são preditivos, pois desempenham inferências
Leia maisGestão Financeira. Apresentação de práticas de gestão
Gestão Financeira Apresentação de práticas de gestão Registro financeiro REGIME DE COMPETÊNCIA REGIME DE CAIXA Registro financeiro Objetivos Contábil Fornece dados sobre valor e composição do patrimônio
Leia maisUma nova abordagem para a análise de agrupamento com uma aplicação em agronomia
Uma nova abordagem para a análise de agrupamento com uma aplicação em agronomia Bruno de Athayde Prata ; Sílvia Maria de Freitas. Resumo A Estatística Multivariada, por avaliar múltiplas variáveis em uma
Leia maisUnidade: Risco e Retorno. Unidade I:
Unidade I: 0 Unidade: Risco e Retorno A análise de investimentos está baseada nas estimativas dos fluxos de caixa de um projeto. Nem sempre essas previsões de fluxo de caixa coincidem com os resultados
Leia maisPrograma de Educação Tutorial PET Departamento de Estatística-UFSCar
UMA AVALIAÇÃO DA TAXA DE CONSUMO DE ENERGIA NO ESTADO DE SÃO PAULO Flavia Da Silva Costa Julia Pettan Victor de Andrade Corder Victor José Sanches de Souza Pedro Ferreira Filho Programa de Educação Tutorial
Leia maisConsistência de agrupamentos de acessos de alho via análise discriminante
Consistência de agrupamentos de acessos de alho via análise discriminante 1 Introdução 1 Anderson Rodrigo da Silva 1 Paulo Roberto Cecon 1 Mário Puiatti 2 Moysés Nascimento 1 Fabyano Fonseca e Silva 1
Leia maisCE001 - BIOESTATÍSTICA TESTE DO QUI-QUADRADO
CE001 - BIOESTATÍSTICA TESTE DO QUI-QUADRADO Ana Paula Araujo Correa Eder Queiroz Newton Trevisan DEFINIÇÃO É um teste de hipóteses que se destina a encontrar um valor da dispersão para duas variáveis
Leia maisProf. Dr. Engenharia Ambiental, UNESP
INTRODUÇÃO A ESTATÍSTICA ESPACIAL Análise Exploratória dos Dados Estatística Descritiva Univariada Roberto Wagner Lourenço Roberto Wagner Lourenço Prof. Dr. Engenharia Ambiental, UNESP Estrutura da Apresentação
Leia maisTeste de hipóteses. Testes de Hipóteses. Valor de p ou P-valor. Lógica dos testes de hipótese. Valor de p 31/08/2016 VPS126
3/8/26 Teste de hipóteses Testes de Hipóteses VPS26 Ferramenta estatística para auxiliar no acúmulo de evidências sobre uma questão Média de glicemia de um grupo de animais é diferente do esperado? Qual
Leia maisOs índices de Liquidez como orientadores na tomada de decisões.
1. Resumo Os demonstrativos financeiros elaborados pelas empresas, representam as movimentações financeiras de cada uma em determinado período e fornecem informações de grande utilidade para a administração,
Leia maisExercício Área - SPRING
Exercício Área - SPRING Figura 01 - Visualização dos dados contidos no projeto ativo. Comentários - Nesta etapa foi aberto o banco de dados, neste caso denominado São Paulo e foi definido o projeto, também
Leia maisUnidade I ESTATÍSTICA APLICADA. Prof. Luiz Felix
Unidade I ESTATÍSTICA APLICADA Prof. Luiz Felix O termo estatística Provém da palavra Estado e foi utilizado originalmente para denominar levantamentos de dados, cuja finalidade era orientar o Estado em
Leia maisEstatística Descritiva (I)
Estatística Descritiva (I) O que é Estatística Para muitos, a Estatística não passa de conjuntos de tabelas de dados numéricos. Os estatísticos são as pessoas que coletam esses dados. A Estatística originou-se
Leia mais3 Extração de Regras Simbólicas a partir de Máquinas de Vetores Suporte 3.1 Introdução
3 Extração de Regras Simbólicas a partir de Máquinas de Vetores Suporte 3.1 Introdução Como já mencionado na seção 1.1, as SVMs geram, da mesma forma que redes neurais (RN), um "modelo caixa preta" de
Leia maisRELATÓRIO DE PRESTAÇÃO DE CONTAS (Art. 22, III, p, da Lei /05)
ANEXO I FLUXO DE CAIXA REALIZADO Período: Dezembro/2005 MOVIMENTAÇÃO TOTAL R$ 1,00 VARIAÇÃO (*) % V % H A SALDO INICIAL 134.232.192,60 100,0% 5,4% B ENTRADAS 8.591.413,28 100,0% 4,9% B.1 RECEITAS 8.583.022,12
Leia maisFERRAMENTAS ESTATÍSTICAS PARA ANÁLISE DA CLASSIFICAÇÃO
Objetivos: - QUANTIFICAR OS ERROS COMETIDOS NA CLASSIFICAÇÃO - MEDIR A QUALIDADE DO TRABALHO FINAL - AVALIAR A APLICABILIDADE OPERACIONAL DA CLASSIFICAÇÃO Fontes de erro das classificações temáticas Os
Leia maisAula 03: Dados Profa. Ms. Rosângela da Silva Nunes
Aula 03: Dados Profa. Ms. Rosângela da Silva Nunes 1 de 29 Tipos de Conjuntos de dados Registro Tabela do BD Matriz de dados Document 1 Document 2 team coach pla y ball score game wi n lost timeout 3 0
Leia maisEstatística. Professor Jair Vieira Silva Júnior.
Estatística Professor Jair Vieira Silva Júnior Ementa da Disciplina Estatística descritiva; Interpretação de gráficos e tabelas; Amostras, representação de dados amostrais e medidas descritivas de uma
Leia maisMEDIDAS DE POSIÇÃO E DE DISPERSÃO. Profª Andréa H Dâmaso
MEDIDAS DE POSIÇÃO E DE DISPERSÃO Profª Andréa H Dâmaso Bioestatística e Delineamento Experimental - 2012 Tópicos da aula Medidas de tendência central e dispersão Variáveis contínuas: distribuição normal
Leia maisTeste Anova. Prof. David Prata Novembro de 2016
Teste Anova Prof. David Prata Novembro de 2016 Tipo de Variável Introduzimos o processo geral de teste de hipótese. É hora de aprender a testar a sua própria hipótese. Você sempre terá que interpretar
Leia maisESTATÍSTICA. Objectivo: recolha, compilação, análise e interpretação de dados. ESTATÍSTICA DESCRITIVA INFERÊNCIA ESTATÍSTICA
1 ESTATÍSTICA Objectivo: recolha, compilação, análise e interpretação de dados. ESTATÍSTICA DESCRITIVA INFERÊNCIA ESTATÍSTICA Estatística descritiva : o objectivo é sintetizar e representar de uma forma
Leia maisProva Resolvida Raciocínio Lógico Quantitativo e Estatística (ANAC/2016) Prof. Guilherme Neves
Prova Resolvida Raciocínio Lógico Quantitativo e Estatística (ANAC/2016) 31- (ANAC 2016/ESAF) A negação da proposição se choveu, então o voo vai atrasar pode ser logicamente descrita por a) não choveu
Leia maisMedidas de Tendência Central
ESTATÍSTICA DESCRITIVA Medidas de Tendência Central 3 MEDIDAS DE TENDÊNCIA CENTRAL 3.1 Média Aritmética Uma das mais importantes medidas estatísticas utilizadas é a média. Ela é, por exemplo, utilizada
Leia maisSimulação de Sistemas. Adaptado de material de Júlio Pereira Machado (AULA 17)
Simulação de Sistemas Adaptado de material de Júlio Pereira Machado (AULA 17) Análise dos Dados de Saída Além das tarefas de modelagem e validação, devemos nos preocupar com a análise apropriada dos resultados
Leia maisGilberto Müller Beuren
Gilberto Müller Beuren Coleta dos dados: Processo de obtenção dos dados Validação Interna: O quão bem o instrumento mede o que está proposto a medir Validação Externa: Refere-se às hipóteses do estudo
Leia maisMineração de Dados e Aprendizado de Máquinas. Rodrigo Leite Durães.
Mineração de Dados e Aprendizado de Máquinas. Rodrigo Leite Durães. O que é mineração de dados Mineração de Dados é um passo no processo de KDD que consiste na aplicação de análise de dados e algoritmos
Leia maisAula 8 - Reconhecimento e Interpretação. Prof. Adilson Gonzaga
Aula 8 - Reconhecimento e Interpretação Prof. Adilson Gonzaga Elementos de Visão Computacional: Visão Computacional Processamento de Baio Nível Processamento de Nível Intermediário Processamento de Alto
Leia maisEm várias ocasiões há de se proceder à coleta de dados diretamente na origem, isto é, dos sujeitos com quem pretendemos realizar determinado estudo.
UNIVERSIDADE FEDERAL DA PARAÍBA Amostragem Luiz Medeiros de Araujo Lima Filho Departamento de Estatística INTRODUÇÃO Em várias ocasiões há de se proceder à coleta de dados diretamente na origem, isto é,
Leia maisEstatística e Probabilidade
Aula 3 Cap 02 Estatística Descritiva Nesta aula... estudaremos medidas de tendência central, medidas de variação e medidas de posição. Medidas de tendência central Uma medida de tendência central é um
Leia maisExemplo (tabela um) distribuições marginais enquanto que. Distribuição Conjunta
Distribuição Conjunta Suponha que se queira analisar o comportamento conjunto das variáveis = de Instrução e = Região de procedência. Neste caso, a distribuição de freqüências é apresentada como uma tabela
Leia maisPesquisa Operacional II. Professor: Roberto César
Pesquisa Operacional II Professor: Roberto César POPULAÇÃO E AMOSTRA População: refere-se ao grupo total. Amostra: é toda fração obtida de uma população (independente de seu tamanho). Quando usar Amostragem?
Leia maisANOVA - parte I Conceitos Básicos
ANOVA - parte I Conceitos Básicos Erica Castilho Rodrigues 9 de Agosto de 2011 Referências: Noções de Probabilidade e Estatística - Pedroso e Lima (Capítulo 11). Textos avulsos. Introdução 3 Introdução
Leia maisNilza Nunes da Silva/Regina Bernal 1
CAPÍTULO 1 - MEDIDAS QUANTITATIVAS UMA VARIÁVEL 1.10 MEDIDAS DE POSIÇÃO ( MÉDIA, MEDIANA, MODA) Variáveis Discretas Variáveis contínuas (valores em classes) 1.11 MEDIDAS DE DISPERSÃO (Variância, Desvio
Leia maisV FÓRUM REGIONAL DE ENSINO, PESQUISA E EXTENSÃO EM ADMINISTRAÇÃO ANÁLISE FINANCEIRA DE UMA EMPRESA DE TELECOMUNICAÇÕES
V FÓRUM REGIONAL DE ENSINO, PESQUISA E EXTENSÃO EM ADMINISTRAÇÃO ANÁLISE FINANCEIRA DE UMA EMPRESA DE TELECOMUNICAÇÕES Daniela Kate Castro Graduando em Administração, UniEvangélica, Anápolis GO danykc@hotmail.com
Leia maisSistema AGHU. Manual do Almoxarifado/Suprimentos. Versão 5.1
Sistema AGHU Manual do Almoxarifado/Suprimentos Versão 5.1 Data da última atualização: 21/09/2017 HISTÓRICO DE MODIFICAÇÕES Data da Modificação Alterado por Aprovado por Modificação 24/07/2017 Alterado
Leia maisPesquisa Científica. Pesquisa Científica. Classificação das Pesquisas... Pesquisa Científica... Interpretar resultados. Realizar a pesquisa
Pesquisa Científica Pesquisa Científica! Procedimento reflexivo sistemático, controlado e crítico, que permite descobrir novos fatos ou dados, relações ou leis, em qualquer campo do conhecimento.! É um
Leia maisVariáveis estatísticas ou variáveis: Os atributos (modalidades) ou magnitudes (valores) que se observam nos indivíduos de uma população.
CPAR - UFMS A Estatística: é a ciência que estuda, mediante métodos quantitativos, as populações que se obtém com síntese da observação de unidades estatísticas (Ibarrola et. Al, 2006). População: qualquer
Leia maisPesquisa Operacional aplicada ao Planejamento e Controle da Produção e de Materiais Programação Linear
Pesquisa Operacional aplicada ao Planejamento e Controle da Produção e de Materiais Programação Linear Introdução à Pesquisa Operacional Origens militares Segunda guerra mundial Aplicada na alocação de
Leia maisConteúdo. 1 Introdução. Histograma do Quarto Sorteio da Nota Fiscal Paraná 032/16. Quarto Sorteio Eletrônico da Nota Fiscal Paraná
Quarto Sorteio Eletrônico da Nota Fiscal Paraná Relatório parcial contendo resultados 1 da análise estatística dos bilhetes premiados Conteúdo 1 Introdução Este documento apresenta a análise dos resultados
Leia maisAula 2. ESTATÍSTICA E TEORIA DAS PROBABILIDADES Conceitos Básicos
Aula 2 ESTATÍSTICA E TEORIA DAS PROBABILIDADES Conceitos Básicos 1. DEFINIÇÕES FENÔMENO Toda modificação que se processa nos corpos pela ação de agentes físicos ou químicos. 2. Tudo o que pode ser percebido
Leia maisANÁLISE EXPLORATÓRIA DE DADOS 2ª PARTE
ANÁLISE EXPLORATÓRIA DE DADOS 2ª PARTE 1 Medidas de síntese TERCEIRA maneira de resumir um conjunto de dados referente a uma variável quantitativa. Separatrizes Locação x % x % x % x % Dispersão Forma
Leia maisBioestatística. Aula 3. MEDIDAS SEPARATRIZES Quartis, Decis e percentis. Profa. Alessandra Bussador
Bioestatística Aula 3 MEDIDAS SEPARATRIZES Quartis, Decis e percentis Profa. Alessandra Bussador Quartis dados não agrupados Dividem os dados ordenados em quatro partes: Primeiro Quartil (Q1): valor que
Leia mais4 SISTEMA DE CLASSIFICAÇÃO DE UNIDADES CONSUMIDORAS DE ENERGIA ELÉTRICA
94 4 SISTEMA DE CLASSIFICAÇÃO DE UNIDADES CONSUMIDORAS DE ENERGIA ELÉTRICA 4.1 INTRODUÇÃO Conforme dito no capítulo 1, a diminuição das perdas técnicas e comerciais é uma das principais prioridades das
Leia mais