Aplicação da ferramenta estatística de análise de regressão numa fazenda de cultivo de camarão marinho no estado do Rio Grande do Norte
|
|
- Elias Leveck de Almeida
- 7 Há anos
- Visualizações:
Transcrição
1 Aplicação da ferramenta estatística de análise de regressão numa fazenda de cultivo de camarão marinho no estado do Rio Grande do Norte Itamar França da Silva Júnior (UFRN) Verônica Carneiro de Oliveira (UFRN) Luís Antônio Soares de Araújo (UFRN) Prof. Ph.D. Paulo César Formiga Ramos (UFRN) Resumo Os parâmetros físico-químicos são de suma importância para o cultivo de camarões, pois as variações podem gerar conseqüências negativas tais como diminuição da taxa de crescimento, stress, aumento da taxa de conversão alimentar, maior susceptibilidade a doenças e mortalidade, acarretando com isso perdas na produção. Este trabalho apresenta um estudo de regressão linear que tem como objetivo observar nos ajustes dos modelos de regressão alguma influência dos parâmetros físico-químicos da água dos viveiros com relação ao peso do camarão. Palavra chave: Carcinicultura, Análise de Regressão, Produção. 1. Carcinicultura A produção de camarão marinho é o segmento da aqüicultura mundial que mais cresceu nos últimos vinte anos nos países sub-tropicais e tropicais em desenvolvimento, passando a ser o mais importante setor em termos monetários, sendo o mesmo responsável pelo maior volume financeiro no comércio internacional de frutos do mar. O Brasil possui ótimas condições para o cultivo de camarões marinhos, pois tem um clima favorável e uma extensa costa com aproximadamente Km. A região Nordeste, onde praticamente não há problemas de baixas temperaturas, possui os melhores locais para a implantação das fazendas de camarão. Tal fato se deve à excepcional qualidade da água dos estuários brasileiros em termos de produtividade natural, juntamente com as condições favoráveis de topografia, temperatura, salinidade e luminosidade ao longo do ano, fazendo com que o país crie um potencial de tal grandeza, que possa chegar a ser um dos maiores produtores mundiais de camarão cultivado. Segundo Wainberg (2001), em todos os estados litorâneos do país, principalmente entre a Bahia e o Maranhão existem novas fazendas sendo projetadas, construídas ou já em operação. Além dos investidores nacionais, existem investidores da Argentina, Portugal, Chile, Equador e outros lugares do mundo se estabelecendo no país. A produtividade média nacional é a maior do mundo, devido à intensidade do sistema de cultivo. Muitas fazendas sem aeração suplementar produzem mais de 3000 kg/ha/ano e as fazendas equipadas com aeradores chegam a produzir até kg/ha/ano. Num momento em que a geração de emprego e renda representam os principais desafios para qualquer região brasileira, o cultivo do camarão marinho desponta como atividade chave para a promoção do crescimento e desenvolvimento econômico, em especial para os Estados do Nordeste, ávidos por alternativas sustentáveis de exploração econômica. A região já é responsável por 97% da produção brasileira de camarão marinho, apresentando um dos melhores índices de produtividade do mundo cinco mil toneladas por hectare/ano. Contribui ENEGEP 2004 ABEPRO 1354
2 para esta expressiva produtividade o fato da carcinicultura nordestina estar isenta das doenças que prejudicam a cultura em outras regiões produtoras. Diante de tal fato, a produção de camarão marinho no Rio Grande do Norte vem de um processo de muito tempo em desenvolvimento. Em 1973, com o fechamento de algumas Salinas, o então Governador do Estado criou um projeto de criação de camarão em cativeiro Projeto Camarão que funcionou intensamente até A introdução no Brasil da espécie P. japonicus deu início à atividade do cultivo do camarão marinho no território brasileiro e abriu o caminho para se chegar à realidade que é hoje a carcinicultura nacional. A produção e as exportações de camarão marinho do Rio Grande do Norte superaram em setembro de 2003, todo o desempenho do setor no ano de A média de movimentação de mais de 5,8 mil dólares/mês, somada às exportações de 46,5 milhões de dólares acumulada até agosto de 2003, projetou uma movimentação acima dos 52 milhões de dólares para o mês de setembro deste mesmo ano, criando uma expectativa da atividade superar, em pelo menos, 20 milhões de dólares a performance de Os dados da secretaria estadual de Indústria, Comércio, Ciência e Tecnologia (Sintec) mostraram que o camarão foi novamente, o principal produto da pauta de exportações norterio-grandense ao final do ano de 2003, liderança que conquistou desde o ano de 2002 e que pretende ser conquistada novamente em No resumo dos dados divulgados pelo do Banco do Brasil, estão entre os principais produtos exportados o camarão, como o cabeça da lista, seguido de perto pelo melão, castanha de caju, peixe fresco e congelado, camisetas tipo t-shirt, banana e produtos de confeitaria. Os números, por um lado, reforçam mais do que nunca a importância da atividade para o Estado, como destacam os carcinicultores e reconhece o poder público. E por outro lado, evidenciam a preocupação do Ministério Público com o ordenamento da atividade, até como precaução para não se colocar em risco o meio ambiente. Sob este enfoque, o presente trabalho apresenta um estudo de regressão linear aplicado a dois cultivos de camarão marinho em viveiro de camarão. O objetivo deste estudo é ajustar um modelo de regressão linear e verificar a influência de alguns parâmetros físico-químicos da água dos viveiros com o peso do camarão. Com essas informações, espera-se que os pesquisadores da área e os próprios criadores da espécie possam ter um maior controle visando uma melhoria no processo de cultivo e um melhor aproveitamento da produção, minimizando perdas e elevando o rendimento. 2. Análise de Regressão A habilidade para predizer o futuro é certamente uma habilidade altamente desejável. Pessoas que diziam ver o futuro, reivindicaram ter esta habilidade durante séculos, mas a história mostrou-lhes ser algo bastante falível. Nenhuma técnica estatística pode ser usada para eliminar ou explicar toda incerteza no mundo, mas pode quantificar esta incerteza. Ao contrário dessas pessoas que diziam enxergar o futuro, o uso da análise de regressão pode produzir predições e ao mesmo tempo colocar probabilidades de erros nas mesmas (RYAN, Thomas P., 1996). A análise de regressão é uma das duas mais amplas técnicas estatísticas utilizadas no mundo (a análise de variância é a outra), sendo caracterizada pela relação entre duas ou mais variáveis tomando uma dada variável que se quer prever (variável resposta ou dependente) e observando a sua variação em função de uma ou mais variáveis (variáveis explicativas ou independentes) com as quais se quer explicar o comportamento da primeira. O processo é efetuado identificando-se a reta ou curva matemática que melhor se ajusta aos dados ENEGEP 2004 ABEPRO 1355
3 disponíveis, ou seja, aquela que erra menos quando usada para descrever os achados segundo os dados disponíveis Pressuposições básicas Os modelos de regressão baseiam-se em três pressupostos básicos que precisam ser atendidos para que a análise seja válida: a) A relação entre a variável dependente e a(s) variável(is) independente(s) é determinística, ao invés de estocástica; b) Os erros de medida são aleatórios, com distribuição normal, média zero e variância constante, ou seja, ε i ~ N(0,σ 2 ); c) As variáveis explicativas não apresentam correlação entre si, ou seja, não existe multicolinearidade entre as mesma. Vale salientar que existem vários procedimentos técnicos que auxiliam no ajuste dos dados de tal forma que estes atendam todas as hipóteses do modelo Regressão Linear Mútipla A técnica de regressão múltipla é de fundamental importância para definir modelos em um conjunto de dados onde exista mais de uma variável independente e uma variável dependente. O modelo é do tipo y i = β 0 + β 1 x i1 + β 2 x i β p-1 x ip-1 + ε i, i = 1, 2,..., n em que os y i s são variáveis aleatórias respostas (dependentes), x i1, x i2,..., x i,,p-1 são variáveis pré-fixadas ditas independentes, β 0, β 1, β 2,..., β p-1 são parâmetros desconhecidos e são ε i os erros aleatórios, com E(ε i )=0, Var(ε i ) = σ 2, Cov(ε i ; ε j ) = 0 i j, i = 1, 2,..., n e j = 1, 2,..., n e. Usando-se a suposição de que a distribuição de ε i é N(0, σ 2 ), i [1,n], diz-se que o modelo acima é de regressão linear múltipla, com os erros normalmente distribuídos Algumas propriedades do modelo de regressão linear múltipla No modelo de regressão linear múltiplo tem-se: a) E(y i ) = E(β 0 + β 1 x i1 + β 2 x i β p-1 x ip-1 + ε i ) = β 0 + β 1 x i1 + β 2 x i β p-1 x ip-1, onde E(y i ) é chamada superfície de resposta; b) Var(y i ) = Var(β 0 + β 1 x i1 + β 2 x i β p-1 x ip-1 + ε i ) = Var(ε i ) = σ 2 ; c) Cov(y i, y j ) = 0 i j; d) No modelo de regressão linear geral, o parâmetro β i, i = 1, 2,..., p-1, indica a mudança na superfície resposta E(y i ), para cada unidade acrescida em x i, quando todas outras variáveis independentes permanecem constantes Método stepwise para seleção de variáveis Pode-se dizer que os principais objetivos de uma regressão são, essencialmente, descrição, controle e predição, sendo que, para se alcançar estes objetivos precisa-se de um modelo com um melhor conjunto possível de variáveis independentes (Azevedo, 1995). Quando se tem um número grande de variáveis independentes candidatas a entrarem no modelo, pode-se recorrer a um dos vários métodos que existem de selecionar o melhor conjunto dessas variáveis, sendo que esses levam em conta, além do problema da multicolinearidade, outras questões importantes, como o fato de que a variância de Yˆ cresce com o número de variáveis independentes no modelo (Azevedo, 1995). ENEGEP 2004 ABEPRO 1356
4 O método conhecido como regressão stepwise é caracterizado por utilizar os procedimentos forward e backward, quando, após cada etapa de incorporação de uma variável, tem-se uma etapa em que uma das variáveis já selecionada pode ser descartada (Charnet et al., 1999). Segundo Azevedo (1995), o critério de adicionar ou deletar uma variável pode ser estabelecido, equivalentemente, através da redução da soma de quadrados do erro, do coeficiente de correlação parcial ou da estatística F*. 3. Aplicação Este estudo foi realizado na localidade de Piau, adjacente a Lagoa de Guaraíras no Município de Tibau do Sul, à aproximadamente 80 Km de Natal. O acesso é feito pela BR 101 e RN- 003, na altura de Goianinha. A fazenda possui uma área de 43 hectares, com 8 viveiros de engorda de camarões, cujas dimensões variam de 2,1 a 7,6 hectares e as profundidades variam de 1,60 a 1,80 metros. O método de cultivo é o semi-intensivo, utilizando a espécie exótica de camarão Litopenaeus vannamei, e a produtividade ultrapassa 100 ton/ano. Foi selecionado um viveiro onde foram feitas medições das seguintes variáveis: Oxigênio dissolvido(od): As medições foram realizadas diariamente nos horários das 05:00 e 17:00.h, com o aparelho de marca YSI modelo S50-DO. Temperatura: As medições foram realizadas diariamente nos horários das 05:00 e 17:00.h, com o aparelho da YSI modelo S50-DO. Salinidade: As medições foram realizadas diariamente no horário de 12:00.h, com o refratômetro da marca Vista modelo A366ATC. Turbidez: As medições foram realizadas diariamente no horário de 12:00.h, com um disco de Secchi. Lâmina d água: As medições foram realizadas diariamente nos horários de 05:00, 12:00 e 17:00.h, com o auxílio de grandes réguas, confeccionadas artesanalmente na própria empresa. Pluviosidade: Foram feitas leituras diárias no pluviômetro instalado na própria empresa e em seguida os resultados foram registrados em tabelas para que fosse calculada posteriormente a precipitação mensal. Os dados das médias climatológicas da região do estudo foram cedidos pela EMPARN. Ração consumida: A ração foi inicialmente lançada no viveiro e posteriormente colocada em bandejas e ofertada quatro vezes por dia nos horários de 05:00, 09:00, 13:00 e 17:00 horas, em quantidades que variaram de acordo com o consumo. Biometria: As medições do tamanho e peso dos animais foram realizadas semanalmente. A coleta dos camarões foi feita em torno de todo o viveiro e num mesmo dia, capturando cerca de 100 animais. Estes foram separados e quantificados de acordo com o tamanho, para a identificação do peso médio de cada grupo e do peso médio da população. O período de estudo foi de aproximadamente nove meses e abrangeu dois cultivos. Oxigênio Temperatura Pluviosidade Semanas Salinidade Turbidez Nível Peso Ração Manhã Tarde Manhã Tarde (cm) 26/10/`02 3,95 7,30 27,83 29,92 36,43 62,14 75,33 0, /11/02 4,34 8,43 27,23 29,35 38,57 57,14 84,38 0, /11/02 3,64 7,77 27,56 29,68 38,71 52,14 82,76 0,57 123,2 0 16/11/02 3,34 6,61 28,21 30,27 39,00 45,71 77,24 1,6 129,2 0 ENEGEP 2004 ABEPRO 1357
5 23/11/02 3,84 7,83 28,04 29,97 42,29 46,43 76,00 2,6 554,4 0 30/11/02 3,74 7,18 28,11 30,13 40,57 44,29 86,19 4,1 756,8 5,5 07/12/02 3,38 7,07 28,21 30,17 40,57 45,71 85,00 5,6 774,4 0 14/12/02 3,54 6,99 27,69 29,27 41,43 44,29 87,19 6,9 871,2 0 21/12/02 2,90 6,53 28,04 29,78 41,43 47,14 86,19 8, /12/02 3,31 6,02 28,17 29,93 41,86 48,57 89,29 9,5 1065,4 5 04/01/02 2,96 6,49 27,81 29,68 41,29 45,00 89,86 10, /01/02 2,67 6,30 27,21 29,55 42,00 41,43 66,11 11, ,5 Média 3,47 7,05 27,84 29,81 40,35 48,33 82,13 5,13 610,63 2,17 Produção = kg Fonte: Dados do pesquisador Tabela 01-1º Cultivo (20 de Outubro de 2002 a 11 de janeiro de 2003) Oxigênio Temperatura Semanas Manhã Tarde Manhã Tarde Salinidade Turbidez Nível Peso Ração Pluviosidade (cm) 11/03/00 3,40 8,13 28,73 31,85 22,14 58,57 42,76 0, ,5 18/03/00 3,48 8,06 28,50 31,03 24,71 57,14 48,52 0, /03/00 3,79 7,85 28,50 31,23 26,57 50,00 58,67 1,4 239,4 0 01/04/00 3,30 6,84 28,21 29,87 30,57 42,86 77,00 1,6 974, /04/00 2,83 6,61 28,73 30,70 30,57 45,71 81,05 3,4 1387,7 40,5 15/04/00 2,71 6,97 28,29 30,27 24,57 45,71 81,86 4,1 1717, /04/00 2,31 5,99 28,59 30,20 22,29 45,71 79,38 5,0 1289, /04/00 2,67 7,14 28,81 30,60 19,43 40,00 81,62 6,4 1823,2 58,5 06/05/00 2,81 8,40 27,73 29,75 15,71 42,86 81,29 6,6 1213, /05/00 3,84 10,18 27,94 29,60 17,00 41,43 82,95 6,8 1485,4 40,5 20/05/00 3,64 9,72 27,23 28,50 16,43 39,29 82,76 7,9 1474, /05/00 3,45 10,14 27,46 29,05 17,43 32,14 83,29 9,1 1580,8 5,5 03/06/00 2,00 8,11 27,90 29,12 18,71 34,29 83,38 9,4 1078, /06/00 2,52 8,73 26,73 28,08 21,43 37,86 84,67 9,6 1209,4 57,5 17/06/00 3,27 7,54 25,73 26,69 18,43 37,14 82, , /06/00 3,44 8,60 26,80 28,17 15,14 40,00 84,24 10,4 979, /07/00 3,97 8,74 24,74 25,40 11,86 40,71 83,86 10,9 606,9 325,5 06/07/00 3,97 8,10 23,58 26,44 8,00 30,00 34,80 10, ,5 Média 3,19 8,10 27,46 29,25 20,06 42,30 74,16 6, ,98 71,00 Produção = kg Fonte: Dados do pesquisador Tabela 02-2º Cultivo (05 de março de 2003 a 06 de julho de 2003) 3.1. Ajustes de modelos de regressão linear Serão ajustados dois modelos de regressões múltiplas, ou seja, um modelo de regressão linear para cada cultivo, tendo como variável resposta o Peso do Camarão e como variáveis explicativas (variáveis independentes) todas as variáveis relacionadas no item 4. Vale salientar que todos os cultivos foram realizados num mesmo viveiro de 7,6 hectares num período compreendido entre 20 de outubro de 2002 a 06 de julho de A finalidade do ajuste destes modelos é identificar qual (is) as variáveis que mais influenciam no peso de camarão. O melhor modelo para cada cultivo foi encontrado através do método STEPWISE de seleção de variáveis. Considere: Y = Peso do camarão; X 1 = Oxigênio manhã (OXIM); X 2 = Oxigênio tarde (OXIT); ENEGEP 2004 ABEPRO 1358
6 X 3 = Temperatura manhã (TEMPM); X 4 = Temperatura tarde (TEMPT); X 5 = Salinidade (SAL); X 6 = Turbidez (TURB); X 7 = Lâmina d água (NIV); X 8 = Ração consumida (RAÇ); X 9 = Pluviosidade (PLU). Sendo o modelo inicial da seguinte forma: Y = β 0 + X 1 β 1 + X 2 β 2 + X 3 β 3 + X 4 β 4 + X 5 β 5 + X 6 β 6 + X 7 β 7 + X 8 β 8 + X 9 β 9 + ε. a) 1º Cultivo (20 de Outubro de 2002 a 11 de janeiro de 2003) Considerando o modelo inicial e feitas as devidas análises, conclui-se que o melhor ajuste é: Para o qual: Yˆ = 122,52-2,94 X 2 7,67 X 3 + 4,02 X 4 0,10 X 7 + 0,01 X 8 0,23 X 9. Regression Summary for Dependent Variable: PESO R=, R²=, Adjusted R²=, F(6,5)=530,17 p<,00000 Std.Error of estimate:,24727 Regressão St. Err. St. Err. BETA B Múltipla of BETA of B t(5) p-level Intercpt 122,523 8, ,1727 0, RAÇ 0, , ,010 0, ,4647 0, NIV -0, , ,102 0,0173-5,9126 0, OXIT -0, , ,944 0, ,6701 0, TEMPM -0, , ,673 0, ,5783 0, PLUV -0, , ,227 0,0334-6,8104 0, TEMPT 0, , ,022 0,6786 5,9276 0, Quadro 01 Sumário da Regressão para o 1º cultivo As variáveis que melhor se adequam ao modelo são: Oxigênio tarde, temperatura manhã, temperatura tarde, lâmina d água, ração e pluviosidade. Ou seja, a cada unidade acrescida na variável temperatura tarde considerando as demais variáveis no modelo fixas, estima-se em média um aumento de 4,02g no peso do camarão. Esta análise pode ser feita para as demais variáveis inclusas no modelo seguindo a mesma linha de raciocínio. Além disso, o modelo de regressão apresenta um coeficiente de determinação R 2 = 0,99. Desta forma, permite-se concluir que 99% da variação total do peso do camarão é explicada pela inclusão das variáveis acima mencionadas no modelo e apenas 1% por uma parte aleatória ou fatores desconhecidos. b) 2º Cultivo (05 de março de 2003 a 06 de julho de 2003) Considerando o modelo inicial e feitas as devidas análises, conclui-se que o melhor ajuste é: Para o qual: Ŷ = 70,44 1,22 X 1 1,93 X 4 0,22 X 5 + 0,002 X 8 0,01 X 9. ENEGEP 2004 ABEPRO 1359
7 Regressão Múltipla Regression Summary for Dependent Variable: PESO R=, R²=, Adjusted R²=, F(5,12)=71,360 p<,00000 Std.Error of estimate:,79945 BETA St. Err. of BETA B St. Err. of BETA t(12) p-level Intercpt 70, , , , TEMPT -0, , , , , , RAÇ 0, , , , , , SAL -0, , , , , , PLUV -0, , , , , , OXIM -0, , , , , , Quadro 02 Sumário da Regressão para o 2º cultivo As variáveis que melhor se adequam ao modelo são: Oxigênio manhã, temperatura tarde, salinidade, ração e pluviosidade. Ou seja, a cada unidade acrescida na variável temperatura tarde considerando as demais variáveis no modelo fixas, estima-se em média um decréscimo de 1,93g no peso do camarão. Esta análise pode ser feita para as demais variáveis inclusas no modelo seguindo a mesma linha de raciocínio. O modelo de regressão apresenta um coeficiente de determinação R 2 = 0,97, destarte, permite-se concluir que 97% da variação total do peso do camarão é explicada pela inclusão das variáveis acima mencionadas no modelo e apenas 3% por uma parte aleatória ou fatores desconhecidos. 4. Conclusão Os ajustes dos modelos de regressão evidenciaram que as variáveis oxigênio, temperatura, ração consumida pelo camarão e a pluviosidade da região foram as que mais influenciaram na variável dependente, ou seja, o peso do camarão, sendo portanto recomendado aos pesquisadores uma maior atenção com o controle das mesmas. O controle dessas variáveis se faz necessário pelo fato do camarão ser um animal muito sensível a fatores externos, qualquer variação súbita que haja em algum desses fatores pode causar a perda de toda a produção de um viveiro, acarretando assim um prejuízo enorme para o produtor. Como sugestão de continuação deste trabalho, outro estudo que poderia ser realizado seria a investigação sobre a influência de algumas variáveis no tempo até o camarão alcançar o peso ideal para ser retirado do cultivo, mais ou menos 12 gramas, o que levaria o produtor a ter uma programação mais exata para realização da despesca do camarão. A análise desses dados seria realizada através de métodos de Análise de Sobrevivência cujos resultados seriam de grande utilidade aos produtores de camarão. Enfim, o crescimento e a sobrevivência dos camarões variam de acordo com o número de parâmetros em níveis ótimos, ou seja, quanto maior o número de parâmetros em condições favoráveis, menor o nível de stress, conseqüentemente maior será a sobrevivência e mais rápido o crescimento do animal. 5. Referências JOHNSON, Richard Arnold; BHATTACHARYYA, Gouri K. Statistics: principles and methods. 3 rd ed. New York: John Wiley & Sons, Inc, RYAN, Thomas P. Modern Regression Methods. New York: John Wiley & Sons, Inc, CHARNET, Reinaldo et. al. Análise de modelos de regressão linear com aplicações. Campinas: Editora da Unicamp, ENEGEP 2004 ABEPRO 1360
8 AZEVEDO, Paulo Roberto Medeiros de. Modelos de regressão linear. Natal: Editora da UFRN, UNIVERSIDADE FEDERAL DO PARANÁ. Sistema de Bibliotecas. Citações e notas de rodapé. Curitiba: Ed. da UFPR, UNIVERSIDADE FEDERAL DO PARANÁ. Sistema de Bibliotecas. Referências. Curitiba: Ed. da UFPR, IGARASHI, M. A. Estudo sobre o cultivo de camarões marinhos. Fortaleza: Sebrae, p. WAINBERG A. A. Impactos Sócio-Econômicos, Geração de Emprego, Renda e Dívidas. In: I Seminário Internacional Perspectivas da Carcinicultura Estuarina no Estado de Pernambuco. Recife/PE. nov ASSOCIAÇÃO BRASILEIRA DE CRIADORES DE CAMARÃO (ABCC). Agronegócio do Camarão Cultivado: Uma nova Ordem Econômica-Social para o Litoral do Nordeste. Recife/PE, p. ASSOCIAÇÃO BRASILEIRA DE CRIADORES DE CAMARÃO (ABCC). Carcinicultura Marinha Uma Nova Realidade para o Fortalecimento do Setor Primário do Nordeste Brasileiro. Recife/PE, p. SECRETARIA DE ESTADO DOS RECURSOS HÍDRICOS (SERHID-RN). Plano Estadual de Recursos Hídricos: Natal/RN, p. ENEGEP 2004 ABEPRO 1361
CORRELAÇÃO 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
Predição do preço médio anual do frango por intermédio de regressão linear
Predição do preço médio anual do frango por intermédio de regressão linear João Flávio A. Silva 1 Tatiane Gomes Araújo 2 Janser Moura Pereira 3 1 Introdução Visando atender de maneira simultânea e harmônica
REGRESSÃO 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,
Introdução 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)
Modelos de Regressão Linear Simples - parte III
1 Modelos de Regressão Linear Simples - parte III Erica Castilho Rodrigues 20 de Setembro de 2016 2 3 4 A variável X é um bom preditor da resposta Y? Quanto da variação da variável resposta é explicada
Coeficiente de determinação R 2 no modelo de regressão linear normal
Coeficiente de determinação R 2 no modelo de regressão linear normal Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 81531 990, Brasil email: lucambio@ufpr.br
Regressão 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
Análise 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
Modelos 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
Modelo 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
Módulo 16- Análise de Regressão
Módulo 6 Análise de Regressão Módulo 6- Análise de Regressão Situação Problema Um grupo de investidores estrangeiros deseja aumentar suas atividades no Brasil. Considerando a conjuntura econômica de moeda
Análise 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
Análise 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
Ralph S. Silva
ANÁLISE ESTATÍSTICA MULTIVARIADA Ralph S Silva http://wwwimufrjbr/ralph/multivariadahtml Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Revisão:
Regressão Linear - Parte I
UFPE - Universidade Federal de Pernambuco Curso: Economia Disciplina: ET-406 Estatística Econômica Professor: Waldemar Araújo de S. Cruz Oliveira Júnior Regressão Linear - Parte I 1 Introdução Podemos
Renda x Vulnerabilidade Ambiental
Renda x Vulnerabilidade Ambiental ANEXO D ANÁLISE EXPLORATÓRIA E PREPARAÇÃO DOS DADOS Identificamos tendência linear positiva. A correlação entre as variáveis é significativa, apresentando 99% de confiança.
AVANÇOS DO MPA NA CARCINICULTURA NO BRASIL ( ) E PERSPECTIVAS FUTURAS
AVANÇOS DO MPA NA CARCINICULTURA NO BRASIL (2011-2014) E PERSPECTIVAS FUTURAS Ministro Eduardo Benedito Lopes Ministério da Pesca e Aquicultura A espécie Litopenaeus vannamei vem sendo criada em diversos
UNIVERSIDADE FEDERAL DO PARANÁ. Adriane Machado (GRR ) Cinthia Zamin Cavassola (GRR ) Luiza Hoffelder da Costa (GRR )
UNIVERSIDADE FEDERAL DO PARANÁ Adriane Machado (GRR20149152) Cinthia Zamin Cavassola (GRR20149075) Luiza Hoffelder da Costa (GRR20149107) INFLUÊNCIA DE CARACTERÍSTICAS RELACIONADAS À ESCOLA, DEMOGRÁFICAS
O parâmetro β1 indica a mudança ocorrida na esperança de Y a cada unidade de mudança em X 1 quando X2 é mantida fixa.
Outras informações para ajudar na interpretação das análises de Regressão 1. Interpretação dos parâmetros na ausência de interações Considere o modelo E(Y x) = β0 + β1 x1 + β2 x2. O parâmetro β0 é o intercepto
Modelos de Regressão Linear Simples - parte II
Modelos de Regressão Linear Simples - parte II Erica Castilho Rodrigues 14 de Outubro de 2013 Erros Comuns que Envolvem a Análise de Correlação 3 Erros Comuns que Envolvem a Análise de Correlação Propriedade
Modelos 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
Análise 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
Regressão. PRE-01 Probabilidade e Estatística Prof. Marcelo P. Corrêa IRN/Unifei
Regressão PRE-01 Probabilidade e Estatística Prof. Marcelo P. Corrêa IRN/Unifei Regressão Introdução Analisar a relação entre duas variáveis (x,y) através da equação (equação de regressão) e do gráfico
CARCINICULTURA BRASILEIRA: PROCEDIMENTOS DE MANEJO E DADOS DE PRODUÇÃO
Pe r fil tecnológi co e P espect iv asd a C r ci ni cu lt ura naregião Nordeste A B CARCINICULTURA BRASILEIRA: PROCEDIMENTOS DE MANEJO E DADOS DE PRODUÇÃO Itamar de Paiva Rocha Presidente Rua Maria Carolina,
Análise 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
Correlação 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
Princípios em Planejamento e Análise de Dados Ecológicos. Regressão linear. Camila de Toledo Castanho
Princípios em Planejamento e Análise de Dados Ecológicos Regressão linear Camila de Toledo Castanho 217 Conteúdo da aula 1. Regressão linear simples: quando usar 2. A reta de regressão linear 3. Teste
INTRODUÇÃO A ECONOMETRIA
INTRODUÇÃO A ECONOMETRIA Análise de regressão e uso do Eviews Introdução O modelo de regressão linear se utiliza para estudar a relação que existe entre uma variável dependente e uma ou várias variáveis
aula ANÁLISE DO DESEMPENHO DO MODELO EM REGRESSÕES
ANÁLISE DO DESEMPENHO DO MODELO EM REGRESSÕES 18 aula META Fazer com que o aluno seja capaz de realizar os procedimentos existentes para a avaliação da qualidade dos ajustes aos modelos. OBJETIVOS Ao final
ANÁLISE DA PRODUÇÃO E DO MERCADO INTERNO E EXTERNO DO CAMARÃO CULTIVADO
ANÁLISE DA PRODUÇÃO E DO MERCADO INTERNO E EXTERNO DO CAMARÃO CULTIVADO Itamar de Paiva Rocha (1) Diego Maia Rocha (2) Ao se analisar os números reportados pela Organização das Nações Unidas para a Agricultura
Regressão linear múltipla. Regressão linear múltipla
Regressão linear múltipla 35 R 2 = 61% Maria Virginia P Dutra Eloane G Ramos Vania Matos Fonseca Pós Graduação em Saúde da Mulher e da Criança IFF FIOCRUZ Baseado nas aulas de M. Pagano e Gravreau e Geraldo
ANÁLISE DA PRODUÇÃO E DO MERCADO INTERNO E EXTERNO DO CAMARÃO CULTIVADO
ANÁLISE DA PRODUÇÃO E DO MERCADO INTERNO E EXTERNO DO CAMARÃO CULTIVADO Itamar de Paiva Rocha (1) Diego Maia Rocha (2) Ao se analisar os números reportados pela Organização das Nações Unidas para a Agricultura
Qualidade da Água para a Aquicultura
Qualidade da Água para a Aquicultura Perila Maciel Rebouças Mestranda em Engenharia Agrícola UFC Engenharia de Sistemas Agrícolas - Ambiência Agrícola (Piscicultura) 11/01/2013 Definições Aqui = água e
UNIVERSIDADE FEDERAL DO PARANÁ. Adriane Machado (GRR ), Cinthia Zamin Cavassola(GRR ) e Luiza Hoffelder da Costa(GRR )
UNIVERSIDADE FEDERAL DO PARANÁ Adriane Machado (GRR20149152), Cinthia Zamin Cavassola(GRR20149075) e Luiza Hoffelder da Costa(GRR20149107) AJUSTE DE MODELO DE REGRESSÃO LOGÍSTICA REFERENTE À PRESENÇA DE
Cap. 13 Correlação e Regressão
Estatística Aplicada às Ciências Sociais Sexta Edição Pedro Alberto Barbetta Florianópolis: Editora da UFSC, 2006 Cap. 13 Correlação e Regressão Correlação X e Y variáveis quantitativas X Y Correlação
Alexandre Morales Diaz Eduardo Pereira Lima Vinicius Larangeiras
Análise de Desempenho de Jogadores de Basquete Alexandre Morales Diaz Eduardo Pereira Lima Vinicius Larangeiras Trabalho de Modelos Lineares Generalizados (CE-225), Universidade Federal do Paraná, submetido
Análise 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
UMA INICIATIVA EXITOSA
UMA INICIATIVA EXITOSA DESENVOLVIMENTO SUSTENTÁVEL 2 MUNICÍPIO DE ICAPUÍ 3 ÁREA TERRITORIAL: 329 KM² POPULAÇÃO: 19.685 HABITANTES LOCALIZAÇÃO: EXTREMO LESTE CEARENSE ECONOMIA: PESCA ARTESANAL, TURISMO,
Correlação 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
Universidade Federal de Alfenas Programa de Pós-graduação em Estatística Aplicada e Biometria-PPGEAB Prova de Conhecimentos Específicos
-PPGEAB Dados que podem ser necessários na resolução de algumas questões: I. Dados da Tabela t de Student com ν graus de liberdade. P (t > t α ) = α ν 0,05 0,025 4 2,132 2,776 5 2,015 2,571 6 1,943 2,447
ESTUDO DA VIABILIDADE ECONÔMICA DA PRODUÇÃO E COMERCIALIZAÇÃO DO PIRARUCU EM BOTUCATU-SP
ESTUDO DA VIABILIDADE ECONÔMICA DA PRODUÇÃO E COMERCIALIZAÇÃO DO PIRARUCU EM BOTUCATU-SP Yago Mateus Amaro Rodrigues 1 Edson Aparecido Martins² ¹Discente do Curso de Agronegócio da Faculdade de Tecnologia
Econometria. Econometria ( ) O modelo de regressão linear múltipla. O modelo de regressão linear múltipla. Aula 2-26/8/2010
Aula - 6/8/010 Econometria Econometria 1. Hipóteses do Modelo de RLM O modelo de regressão linear múltipla Estudar a relação entre uma variável dependente e uma ou mais variáveis independentes. Forma genérica:
Análise 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
Seleção de Variáveis e Construindo o Modelo
Seleção de Variáveis e Construindo o Modelo Seleção de modelos candidatos A idéia é selecionar um conjunto menor de variáveis explanatórias de acordo com algum(s) critério(s), e assim selecionar o modelo
NOÇÕES SOBRE EXPERIMENTOS FATORIAIS
3 NOÇÕES SOBRE EXPERIMENTOS FATORIAIS Planejamento de Experimentos Design of Experiments - DOE Em primeiro lugar devemos definir o que é um experimento: Um experimento é um procedimento no qual alterações
REGRESSÃO LINEAR. Introdução a Estatítica Aplicada a Climatologia Programa de Pós Graduação em Geografia Física Universidade de São Paulo
REGRESSÃO LINEAR Introdução a Estatítica Aplicada a Climatologia Programa de Pós Graduação em Geografia Física Universidade de São Paulo REGRESSÃO LINEAR REGRESSÃO LINEAR A correlação linear mostra quanto
4. ANÁLISE DOS RESULTADOS DA PESQUISA
68 4. ANÁLISE DOS RESULTADOS DA PESQUISA Conforme já comentado, este estudo visa analisar a relação entre o EVA e o retorno das ações no mercado acionário brasileiro, através da aplicação de dois modelos
AULA 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
Variáveis bidimensionais
Wagner H. Bonat Fernando P. Mayer Elias T. Krainski Universidade Federal do Paraná Departamento de Estatística Laboratório de Estatística e Geoinformação 19/04/2018 WB, FM, EK ( LEG/DEST/UFPR ) Variáveis
A Competitividade da Aquicultura Brasileira. São Paulo, 30 de Maio de 2011
A Competitividade da Aquicultura Brasileira. São Paulo, 30 de Maio de 2011 Tito Livio Capobianco Jr. Presidente AB TILÁPIA Vice-Presidente SIPESP Sócio e Diretor Comercial GeneSeas Aquacultura 1 I. Panorama
CORRELAÇÃO 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
Esse 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
Produção Integrada VIABILIDADE TECNICA E ECONÔMICA DO CULTIVO DO MELÃO SOB SISTEMA DE PRODUÇÃO INTEGRADA NO VALE DO SÃO FRANCISCO
Produção Integrada VIABILIDADE TECNICA E ECONÔMICA DO CULTIVO DO MELÃO SOB SISTEMA DE PRODUÇÃO INTEGRADA NO VALE DO SÃO FRANCISCO Joston Simão de Assis 1 ; Nivaldo Duarte Costa 2 ; José Maria Pinto 3 1
Claudio Michael Völcker
Claudio Michael Völcker MANEJO NA FASE DE ENGORDA DE Macrobrachium rosenbergii Gerenciamento dos viveiros Escolha da área Construção dos viveiros Preparação dos viveiros Acompanhamento e monitoramento
Fator de Conversão Alimentar 29,3% 29,3%
NOÇÕES SOBRE A ELABORAÇÃO DE TABELAS DE ALIMENTAÇÃO PARA CAMARÕES MARINHOS Alberto J. P. Nunes, Ph.D. LABOMAR - Instituto de Ciências do Mar Universidade Federal do Ceará Avenida da Abolição, 3207 - Meireles
Introdução. Teste e avaliação de modelos. Teste e avaliação de modelos. Teste de modelos. Avaliação de modelos
Universidade Federal do Paraná Programa de Pós-Graduação em Ciências Veterinárias AZ 7 Tópicos em Produção Animal Introdução Qual o interesse em desenvolver modelos? Comparação de valores medidos e simulados
Pesquisador. Planejamento de Experimentos Design of Experiments - DOE NOÇÕES SOBRE EXPERIMENTOS FATORIAIS. 1 - Fixar T e variar P até > Pureza
3 NOÇÕES SOBRE EXPERIMENTOS FATORIAIS Planeamento de Experimentos Design of Experiments - DOE Em primeiro lugar devemos definir o que é um experimento: Um experimento é um procedimento no qual alterações
ANÁLISE 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
Benefícios e Desafios da Intensificação da Carcinicultura em Águas Interiores
Benefícios e Desafios da Intensificação da Carcinicultura em Águas Interiores Clélio Fonseca Eng. de Pesca Consultor Técnico MCR Aquacultura FENACAM 2016 FORTALEZA CE www.mcraquaultura.com.br Fontes de
Aplicação da análise de regressão na contabilidade do custo de produção do milho
Aplicação da análise de regressão na contabilidade do custo de produção do milho Janser Moura Pereira 1 Quintiliano Siqueira Schroden Nomelini 1 Andréa Clélia da Rocha Moura 2 Nathane Eva dos Santos Peixoto
REGRESSÃO 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
PREVISÃO. 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
Prof. 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.
Modelos de Regressão Múltipla - Parte VI
1 Modelos de Regressão Múltipla - Parte VI Erica Castilho Rodrigues 7 de Fevereiro de 2017 2 3 Podemos fazer uma transformação na variável resposta Y e/ou na preditora X para: solucionar problemas de variância
Regressões: 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
Estatística Aplicada
Estatística Aplicada Correlação e Regressão Professor Lucas Schmidt www.acasadoconcurseiro.com.br Estatística Aplicada REGRESSÃO Correlação não implica Causalidade! O coeficiente de correlação não mede
6 Resultados e discussão
6 Resultados e discussão Neste Capítulo são apresentados os resultados que este estudo alcançou por meio de um estudo de caso. Analisa-se o armazenamento, a movimentação espacial e temporal da soja de
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
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
Estimativa da riqueza de Angiospermas em função das famílias mais expressivas na flora brasileira
http://dx.doi.org/1.17/viii.simposfloresta.1.-619 Estimativa da riqueza de Angiospermas em função das famílias mais expressivas na flora brasileira Pedro G. C. Lima 1, Josinaldo A. da Silva 1, Ana L. P.
Hoje 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
Modelos de Regressão Múltipla - Parte VII
1 Modelos de Regressão Múltipla - Parte VII Erica Castilho Rodrigues 26 de Janeiro de 2016 2 3 Vimos como ajustar um modelo não linear fazendo transformações das variáveis, como, por exemplo Y = exp{β
Módulo 16- Análise de Regressão
Módulo 16 Análise de Regressão 1 Módulo 16- Análise de Regressão Situação Problema Um grupo de investidores estrangeiros deseja aumentar suas atividades no Brasil. Considerando a conjuntura econômica de
Aula 2 Uma breve revisão sobre modelos lineares
Aula Uma breve revisão sobre modelos lineares Processo de ajuste de um modelo de regressão O ajuste de modelos de regressão tem como principais objetivos descrever relações entre variáveis, estimar e testar
Panorama da Aqüicultura Nacional Pesquisador João Donato Scorvo Filho
Panorama da Aqüicultura Nacional Pesquisador João Donato Scorvo Filho jdscorvo@sp.gov.br A aqüicultura, em franco desenvolvimento, vem se impondo como atividade pecuária, embora ainda seja considerada
Econometria Lista 1 Regressão Linear Simples
Econometria Lista 1 Regressão Linear Simples Professores: Hedibert Lopes, Priscila Ribeiro e Sérgio Martins Monitores: Gustavo Amarante e João Marcos Nusdeo Exercício 1 (2.9 do Wooldridge 4ed - Modificado)
Aeração e Aquicultura Peixes e Camarões
Aeração e Aquicultura Peixes e Camarões Ar Difuso Apostila 4: Aeração em Tanques Rede e Pequenos Tanque de Cultivo Intensivo Apostila 1: Teoria de Aeração Apostila 2: Desestratificação e Aeração de Lagos
EFEITO DA SALINIDADE SOBRE O CRESCIMENTO EM PLANTAS JOVENS DE MILHO (Zea mays L.)
EFEITO DA SALINIDADE SOBRE O CRESCIMENTO EM PLANTAS JOVENS DE MILHO (Zea mays L.) Rayane Mireli Silva Gomes¹, Maria Clara Gomes de Moraes², Carlos Roberto de Lima³, Levy Paes Barreto 4 Universidade Federal
Métodos Numéricos e Estatísticos Parte II-Métodos Estatísticos
Métodos Numéricos e Estatísticos Parte II-Métodos Estatísticos Lic. Eng. Biomédica e Bioengenharia-2009/2010 Modelos de regressão É usual estarmos interessados em estabelecer uma relação entre uma variável
REGRESSÃO LINEAR Parte I. Flávia F. Feitosa
REGRESSÃO LINEAR Parte I Flávia F. Feitosa BH1350 Métodos e Técnicas de Análise da Informação para o Planejamento Julho de 2015 Onde Estamos Para onde vamos Inferência Esta5s6ca se resumindo a uma equação
Prof. Dr. Marcone Augusto Leal de Oliveira UFJF CURSO INTRODUTÓRIO DE 12 HORAS OFERECIDO PARA A PÓS-GRADUAÇÃO DA UFABC EM NOVEMBRO DE 2017
Prof. Dr. Marcone Augusto Leal de Oliveira UFJF CURSO INTRODUTÓRIO DE 2 HORAS OFERECIDO PARA A PÓS-GRADUAÇÃO DA UFABC EM NOVEMBRO DE 207 SUMÁRIO - BREVE DESCRIÇÃO, FUNDAMENTOS, CONCEITOS, CARACTERÍSTICAS,
Econometria. Econometria MQO MQO. Resíduos. Resíduos MQO. 1. Exemplo da técnica MQO. 2. Hipóteses do Modelo de RLM. 3.
3. Ajuste do Modelo 4. Modelo Restrito Resíduos Resíduos 1 M = I- X(X X) -1 X Hipóteses do modelo Linearidade significa ser linear nos parâmetros. Identificação: Só existe um único conjunto de parâmetros
Produção de peixes nativos: vocação do estado mato-grossense. Darci Carlos Fornari Genetic Fish Rise
Produção de peixes nativos: vocação do estado mato-grossense Darci Carlos Fornari --------------------- Genetic Fish Rise Produção de proteína no mundo: Produto Produção (Mil ton) Exportação** (mil ton)
Aeração e Aquicultura Peixes e Camarões
Aeração e Aquicultura Peixes e Camarões Ar Difuso SNATURAL AMBIENTE Apostila 4: Aeração em Tanques Rede e Pequenos Tanque de Cultivo Intensivo Apostila 1: Teoria de Aeração Apostila 2: Desestratificação
ANÁLISE 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
Análise de Séries Temporais
Análise de Séries Temporais Definições Uma série temporal é qualquer conjunto de observações ordenadas no tempo. Por exemplo: Valores diários de poluição na cidade de São Paulo; Valores mansais de temperatura
Tecnologia. Marcos Câmara. jan abr 2002
34 Tecnologia Tecnologia 35 Fazenda experimental de artêmia aponta potencial das salinas brasileiras Pesquisas encontram solo fértil no Rio Grande do Norte; projeto será unidade piloto para os testes de
Estudar a relação entre duas variáveis quantitativas.
Estudar a relação entre duas variáveis quantitativas. Exemplos: Idade e altura das crianças Tempo de prática de esportes e ritmo cardíaco Tempo de estudo e nota na prova Taxa de desemprego e taxa de criminalidade
Análise de Séries Temporais
Análise de Séries Temporais Análise de Séries Temporais Definições Uma série temporal é qualquer conjunto de observações ordenadas no tempo. Por exemplo: Valores diários de poluição na cidade de São Paulo;
Modelos de Regressão Múltipla - Parte I
Modelos de Regressão Múltipla - Parte I Erica Castilho Rodrigues 4 de Outubro de 2016 2 3 Introdução 4 Quando há apenas uma variável explicativa X, temos um problema de regressão linear simples onde ǫ
Análise de regressão associada ao controle estatístico de processo aplicado na produção de cerâmicas
Análise de regressão associada ao controle estatístico de processo aplicado na produção de cerâmicas Luis Felipe Dias Lopes (UFSM) lflopes@smail.ufsm.br Enio Junior Seidel (UFSM) ejrseidel@hotmail.com
Análise de correlação e regressão da mortalidade por acidentes de transporte e homicídios da cidade do Rio de Janeiro, 1990 a 2002
Análise de correlação e regressão da mortalidade por acidentes de transporte e homicídios da cidade do Rio de Janeiro, 1990 a 2002 V. R. Souza 12, R. V. C. Oliveira 3 L. H. Oliveira 4 Introdução Para entendermos
Mais Informações sobre Itens do Relatório
Mais Informações sobre Itens do Relatório Amostra Tabela contendo os valores amostrados a serem utilizados pelo método comparativo (estatística descritiva ou inferencial) Modelos Pesquisados Tabela contendo
Sobrevivência e Crescimento Inicial de Jurema-Preta (Mimosa tenuiflora) em Plantios Homogêneos
Sobrevivência e Crescimento Inicial de Jurema-Preta (Mimosa tenuiflora) em Plantios Homogêneos Halissa Mayara Anjos Oliveira (1) ; Juliana Lorensi do Canto (2) ; José Augusto da Silva Santana (3) ; Hortência
ESTIMATIVAS DE ADAPATABILIDAE E ESTABILIDADE PARA PRODUÇÃO DE RAÍZES TUBEROSAS EM HÍBRIDOS DE MANDIOCA (Manihot esculenta Crantz) NO ESTADO DE SERGIPE
ESTIMATIVAS DE ADAPATABILIDAE E ESTABILIDADE PARA PRODUÇÃO DE RAÍZES TUBEROSAS EM HÍBRIDOS DE MANDIOCA (Manihot esculenta Crantz) NO ESTADO DE SERGIPE Emiliano Fernandes Nassau Costa 1 ; Hélio Wilson Lemos
Regression and Clinical prediction models
Regression and Clinical prediction models Session 6 Introducing statistical modeling Part 2 (Correlation and Linear regression) Pedro E A A do Brasil pedro.brasil@ini.fiocruz.br 2018 Objetivos Continuar
Equações Estruturais: Uma aplicação a perfis de consumidores de café
Equações Estruturais: Uma aplicação a perfis de consumidores de café Gislene Araujo Pereira 1 Letícia Lima Milani 2 Marcelo Ângelo Cirillo 2 4 1 Introdução O café sempre teve um papel importante para a
Exemplo 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
Piscicultura. Piscicultura
1 de 5 10/17/aaaa 08:38 Nome Produto Informação Tecnológica Data Maio - 2000 Preço - Linha Informações resumidas Resenha sobre a Criação de Peixes José Eduardo Aracena Rasguido Med Vet Autor(es) João Ricardo
PROJETO E ANÁLISES DE EXPERIMENTOS (PAE) EXPERIMENTOS COM DOIS FATORES E O PLANEJAMENTO FATORIAL
PROJETO E ANÁLISES DE EXPERIMENTOS (PAE) EXPERIMENTOS COM DOIS FATORES E O PLANEJAMENTO FATORIAL Dr Sivaldo Leite Correia CONCEITOS E DEFINIÇÕES FUNDAMENTAIS Muitos experimentos são realizados visando
Relatórios de Atividades
Relatórios de Atividades BANCO DE DADOS AGROPEDOCLIMÁTICOS DO NORDESTE E DISPONIBILIZAÇÃO NO AGRITEMPO Projeto componente 6 Plano de ação 1 Atividade 2 Equipe Alexandre Hugo Cezar Barros Embrapa Solos