JOSIANE MAGALHÃES TEIXEIRA USO DO MICROSOFT EXCEL NA ANÁLISE DE REGRESSÃO NÃO-LINEAR

Tamanho: px
Começar a partir da página:

Download "JOSIANE MAGALHÃES TEIXEIRA USO DO MICROSOFT EXCEL NA ANÁLISE DE REGRESSÃO NÃO-LINEAR"

Transcrição

1 JOSIANE MAGALHÃES TEIXEIRA USO DO MICROSOFT EXCEL NA ANÁLISE DE REGRESSÃO NÃO-LINEAR Monografia de final de curso apresentada ao Departamento de Ciência da Computação da Universidade Federal de Lavras como parte das exigências do curso de Ciência da Computação para a obtenção do título de Bacharel em Ciência da Computação Orientador Prof. Paulo César Lima LAVRAS MINAS GERAIS - BRASIL 2002

2 ii

3 JOSIANE MAGALHÃES TEIXEIRA DO MICROSOFT EXCEL NA ANÁLISE DE REGRESSÃO NÃO-LINEAR Monografia de final de curso apresentada ao Departamento de Ciência da Computação da Universidade Federal de Lavras como parte das exigências do curso de Ciência da Computação, para a obtenção do título de Bacharel em Ciência da Computação APROVADA em 10 de Dezembro de Prof. Paulo Cesar Lima Prof. André Luiz Zambalde Prof. Paulo César Lima UFLA (Orientador) LAVRAS MINAS GERAIS - BRASIL ii

4 iii...embora não queira saber nem como, nem onde, você me ensinou que existe uma pergunta que todos nós devemos fazer, sempre que começamos qualquer coisa. A pergunta é a seguinte: Para quê? Para que tenho que fazer isto? Paulo Coelho

5 SUMÁRIO LISTA DE FIGURAS... 6 LISTA DE TABELAS Resumo INTRODUÇÃO REFERENCIAL TEÓRICO Regressão Regressão Linear nos Parâmetros Método dos Mínimos Quadrados Coeficiente de Explicação ou de Determinação Regressão Linear por Transformação Regressão não-linear Regressão não-linear no Excel Regressão não-linear no SAS MATERIAIS E MÉTODOS Exemplo I Exemplo II Exemplo III Exemplo IV RESULTADOS E DISCUSSÕES Exemplo I Exemplo II Exemplo III Exemplo IV CONCLUSÕES REFERÊNCIAS BIBLIOGRÁFICAS Anexos Anexo A Parâmetros do Solver e suas funções Opções do parâmetro Opções do Solver Anexo B Dados completos do Exemplo II Dados completos do Exemplo III Anexo C Relatório de Limites Exemplo I iv

6 Relatório de Limites Exemplo II Relatório de Limites Exemplo III Anexo D Resultados SAS Exemplo I PROC NLIN Resultados SAS Exemplo I PROC MODEL Resultados SAS Exemplo II PROC NLIN Resultados SAS Exemplo II PROC MODEL Resultados SAS Exemplo III PROC NLIN Resultados SAS Exemplo III PROC MODEL v

7 LISTA DE FIGURAS Figura 1 Gráfico dos desvios Figura 2 Parâmetros da Função Solver (Microsoft Excel, 2000) Figura 3 Opções do Solver (Microsoft Excel, 2000) Figura 4 Caixa de Diálogo Resultados do Solver (Microsoft 2000) Figura 5 Parâmetros do Solver para os dados da função de Boltzmann (Microsoft Excel, 2000) vi

8 LISTA DE TABELAS Tabela 1 Planilha do Microsoft Excel após ter sido configurada para uso com a função de Boltzmann Tabela 1 Planilha do Microsoft Excel após ter sido configurada para uso com a função de Boltzmann para os dados do Exemplo II Tabela 3 Planilha do Microsoft Excel após ter sido configurada para uso com a função de Boltzmann para os dados do Exemplo III Tabela 4 Resultados do Solver para os dados do Exemplo I Tabela 5 Comparação dos resultados do SAS e do Solver Exemplo I Tabela 6 Resultados do Solver para os dados do Exemplo II Tabela 7 Comparação dos resultados do SAS e do Solver - Exemplo II Tabela 8 Resultados do Solver para os dados do Exemplo III Tabela 9 Comparação dos resultados do SAS e do Solver Exemplo III.. 49 vii

9 RESUMO Um dos problemas freqüentemente encontrados na prática é descrever e predizer fenômenos observados. Isto pode ser obtido através da construção de um modelo matemático que relacione as variáveis envolvidas no fenômeno, estabelecendo uma relação funcional entre essas variáveis. A análise de regressão é um instrumento de ajuste de um modelo probabilístico relacionando determinadas variáveis conhecidas ou não. Geralmente, os modelos considerados são resumidos em 3 categorias: modelos lineares em relação a seus parâmetros, modelos linearizáveis e modelos não-lineares. Os últimos são utilizados em diversas áreas de pesquisa científica, como a agropecuária, em estudos demográficos, em análises de crescimento biológico e outros. Estes modelos têm a vantagem de sintetizar um grande número de informações em apenas alguns parâmetros que podem ser interpretados biologicamente. Em síntese, regressão não-linear, em um primeiro momento, pode ser visto como uma técnica geral para ajuste de curvas para os dados com os quais se está trabalhando, encontrando os valores dos parâmetros que constituem a curva mais representativa destes. Diferentemente do que ocorre com regressão linear, a técnica de regressão não-linear requer uma aproximação computacional, ou seja, um processo iterativo. Por este motivo, programas computacionais são ferramentas imprescindíveis para a resolução de tal tipo de regressão. Neste ponto é que se encontra a diferença básica entre o modelo linear e o não -linear: o fato de que o primeiro pode facilmente ser resolvido sem a ajuda de programas computacionais, o que, em virtude da complexidade dos cálculos de suas derivadas e do procedimento iterativo, é praticamente impossível para a nãolinear. Palavras-chaves: regressão não-linear, Excel, SAS e Solver 8

10 1 INTRODUÇÃO Um dos problemas freqüentemente encontrados na prática é descrever e predizer fenômenos observados. Isto pode ser obtido através da construção de um modelo matemático que relacione as variáveis envolvidas no fenômeno, estabelecendo uma relação funcional entre essas variáveis. Esta relação é dada por uma função, de forma que se tenha uma boa aproximação entre os valores observados e aqueles fornecidos por esta função. Se fosse possível conhecer e controlar todas as variáveis que interferem no fenômeno, seria também possível estabelecer uma função determinística relacionando essas variáveis e, então, os valores obtidos seriam exatos e não aproximados. Entretanto, freqüentemente não se tem conhecimento de todas as variáveis; assim sendo, o modelo que se estabelece leva em consideração as variáveis que podem ser controladas (estas são relacionadas matematicamente) e aquelas que não podem ser controladas (estas são consideradas como tendo uma variação aleatória) (Guerra & Donaire, 1982). A análise de regressão é um instrumento de ajuste de um modelo probabilístico relacionando determinadas variáveis conhecidas ou não. Existem vários métodos de análise de regressão e, para a aplicação de algum destes é necessário a resolução prévia de determinados problemas, os quais podem comprometer os resultados esperados. Tais problemas podem ser resumidos basicamente em 3: - Especificação: consiste em se determinar a forma matemática da função, definindo a maneira como as variáveis controladas influenciam na realização do fenômeno. Isto pode ser feito de duas formas diferentes, muitas vezes complementares: utilizando o conhecimento que se tem a priori sobre o fenômeno ou através da observação do diagrama de dispersão. 9

11 - Estimação dos parâmetros: após se especificar a forma matemática da função é necessário estimar os valores dos parâmetros do modelo. Esse cálculo é feito a partir dos valores observados na amostra, por processo de estimação. Um dos métodos mais comuns para se fazer estimação destes parâmetros é chamado Método dos Mínimos Quadrados. - Verificação da especificação: consiste em se verificar se a especificação adotada na primeira etapa adapta-se convenientemente aos dados. Esta verificação é feita, após o cálculo das estimativas dos parâmetros, comparando os valores observados com aqueles calculados através da especificação adotada (Guerra & Donaire, 1982). Segundo Barroso et al. (1987), além de considerar o modelo através do qual os sistemas estão representados, deve-se também considerar, os valores associados que uma variável pode assumir, os valores dos erros experimentais e outras variáveis cujos valores se alteram durante o experimento. Geralmente, os modelos considerados são resumidos em 3 categorias: - Modelos lineares em relação a seus parâmetros - Modelos linearizáveis, que podem ser transformados em lineares através de alguma transformação (anamorfose) - Modelos não-lineares No presente estudo daremos ênfase aos modelos de regressão nãolinear. Tais modelos são utilizados em diversas áreas de pesquisa científica, como a agropecuária, em estudos demográficos, em análises de crescimento biológico e outros. Estes modelos têm a vantagem de sintetizar um grande número de informações em apenas alguns parâmetros que podem ser interpretados biologicamente. 10

12 Segundo Ratkowsky (1983), um modelo de regressão não-linear é aquele no qual os parâmetros apresentam-se da seguinte maneira: Y i = X i + e i, onde é o parâmetro a ser estimado, Y i são os valores observados, X i é a variável independente e e i uma variável aleatória não controlável. Segundo Souza (1986), existe uma grande variedade de métodos para a resolução de problemas que utilizam regressão não-linear, e qual deles é o melhor irá depender da aplicação específica. Na realidade, não existe um método que seja superior a todos os outros para todos os problemas, o que se vê é que certos tipos de métodos são mais eficientes para determinados tipos de problemas. Por ser o processo mais simples, a maioria dos livros e softwares de estatística, descrevem o ajuste de modelos lineares nos parâmetros. Estes fornecem as estimativas dos parâmetros que definem a reta que minimiza a soma da distância entre os dados observados e os valores fornecidos pela função. As equações usadas para se chegar a este fim podem ser facilmente derivadas, podendo este processo sem muita dificuldade, ser executado mecanicamente por qualquer um que tenha conhecimentos básicos de cálculo. Mas, muitas relações não seguem um modelo deste tipo. Sendo assim, existem duas opções: - realizar transformações matemáticas a fim de forçar os dados a se relacionarem de maneira linear, usando então o ajuste da regressão linear; - usar modelos de regressão não-linear Em síntese, regressão não-linear, em um primeiro momento, pode ser visto como uma técnica geral para ajuste de curvas para os dados com os quais se está trabalhando, encontrando os valores dos parâmetros que constituem a curva mais representativa destes. Com exceção de alguns casos 11

13 especiais, não é possível derivar diretamente a função que compute os melhores valores ajustados para os dados. Diferentemente do que ocorre com regressão linear, a técnica de regressão não-linear requer uma aproximação computacional, ou seja, um processo iterativo. Por este motivo, programas computacionais são ferramentas imprescindíveis para a resolução de tal tipo de regressão. Neste ponto é que se encontra a diferença básica entre o modelo linear e o não-linear: o fato de que o primeiro pode facilmente ser resolvido sem a ajuda de programas computacionais, o que, em virtude da complexidade dos cálculos de suas derivadas e do procedimento iterativo, é praticamente impossível para a nãolinear. Baseado no fato de que grande maioria dos computadores possui instalado o Microsoft Excel, estudou-se a utilização e viabilidade de tal software para a resolução de problemas de regressão não-linear. 12

14 2 REFERENCIAL TEÓRICO 2.1 Regressão De acordo com Souza (1986), a teoria de Regressão teve origem no século XIX com Galton. Em um de seus trabalhos ele estudou a relação entre a altura dos pais e dos filhos (X i, Y i ), procurando saber como a altura do pai influenciava a altura do filho. Notou que se o pai fosse muito alto ou muito baixo, o filho teria uma altura tendendo à média. Por isso, ele chamou de regressão, ou seja, existe uma tendência de os dados regredirem à média. Segundo Magalhães (2002), a análise de regressão é uma técnica potencialmente útil na análise de dados, tendo grande aplicação nas mais variadas áreas do conhecimento. Tal aplicação a um conjunto de dados é feita quando se pretende estudar o comportamento de uma variável dependente em função de uma ou mais variáveis independentes. Sendo assim, os principais objetivos da aplicação da análise de regressão podem ser resumidos nos seguintes pontos: Predição: uma vez que se espera que uma parte (que se deseja que seja a maior) da variação de Y seja explicada pelas variáveis X, então, podese utilizar o modelo para obter valores de Y correspondentes a valores de X que não estavam entre os dados. Esse processo denomina-se predição e, em geral, são usados valores de X que estão dentro do intervalo de variação estudado. A utilização de valores fora desse intervalo recebe o nome de extrapolação e, deve ser usada com muito cuidado, pois o modelo adotado pode não ser correto fora do intervalo estudado. Este, talvez, seja o uso mais comum dos modelos de regressão. Seleção de variáveis: freqüentemente, não se tem idéia de quais são as variáveis que afetam significativamente a variação de Y. Para responder a esse tipo de questão, conduzem-se estudos onde está presente um grande número de variáveis. A análise de regressão pode auxiliar no processo de 13

15 seleção de variáveis, eliminando aquelas cuja contribuição não seja importante. Estimação de parâmetros: dado um modelo e um conjunto de dados (amostra) referente às variáveis respostas e preditoras, estimar parâmetros, ou ainda, ajustar o modelo aos dados significa obter valores (estimativas) para os parâmetros, por algum processo, tendo por base o modelo e os dados observados. Em alguns casos, o valor do coeficiente tem valor por si só. Inferência: o ajuste de um modelo de regressão tem, em geral, por objetivos básicos, além de estimar os parâmetros, realizar inferências sobre eles, tais como testes de hipóteses e intervalos de confiança. Guerra & Donaire (1982), descrevem um modelo da seguinte maneira: Y = g (X 1, X 2,..., X n ) = g (X 1, X 2,..., X k ) + g (X k+1,..., X n ) onde: Y X 1, X 2, X 3,..., X n g variável que se quer conhecer ou analisar variáveis que influenciam Y função que relaciona as variáveis, e: X 1, X 2, X 3,..., X k X k+1, X k+2,..., X n variáveis controladas. variáveis não controladas, 14

16 Tem-se então que: Y = f (X i ) + U i = 1, 2,..., k onde f (X i ) = g (X 1, X 2, X 3,..., X k ) é chamada parte funcional do modelo e, U = g (X k+1, X k+2, X k+3,..., X n ) é a parte aleatória do modelo. Segundo Toledo & Ovalle (1985), a parte aleatória é responsável pelo fato de que para um mesmo X pode-se não observar necessariamente o mesmo Y. Desta maneira, uma nova relação pode ser escrita como Y = f (X i ) + e na qual f(x i ) continuará sendo uma função matemática e, e será o resíduo (erro). Segundo Bussab (1986), este resíduo é a diferença entre os valores observados (coletados) e os valores ajustados (calculados). Para cada observação i temos associado o resíduo ê i como sendo ê = Y - A finalidade de se estudar o resíduo é verificar se modelos errôneos e de pouca utilidade forma utilizados, acarretando baixa confiabilidade nos seus resultados. 15

17 2.2 Regressão Linear nos Parâmetros Dado um determinado conjunto de valores observados de X e Y, um modelo de regressão linear é construído obtendo-se a partir destes valores, uma reta que melhor represente a verdadeira relação entre as duas variáveis em questão. Segundo Guerra & Donaire (1982), existem vários tipos de regressão linear: a regressão linear simples, a múltipla, a polinomial e a regressão linear por transformação. A regressão linear simples é o caso de regressão em que só é conhecida e se controla a variável que afeta o fenômeno, e, além disso, a parte funcional da regressão é uma reta: Y = f (X) + U = (α + βx) + U A reta obtida é chamada reta de regressão de Y sobre X, β é chamado de coeficiente de regressão, sendo calculado assim como α, pelo método dos mínimos quadrados. A regressão linear múltipla é o caso de regressão em que se sabe como K variáveis contribuem para a realização do fenômeno, e a parte funcional da regressão é uma função linear: Y = f(x 1, X 2,..., Xk) + U onde f(x 1, X 2,..., X K ) = α + β 1 X 1 + β 2 X β K X K A estimativa dessa equação de regressão será dada por: 16

18 = a + b 1 X 1 + b 2 X b K X K onde as estimativas a, b 1, b 2,... b k dos coeficientes α, β 1, β 2,..., β k podem ser calculadas pelo método dos mínimos quadrados, de maneira análoga àquelas adotadas para regressão linear simples. Já a regressão polinomial é o caso em que se conhece a maneira segundo qual uma única variável contribui para a realização do fenômeno. A parte funcional da regressão é uma função polinomial: Y = f (X) + U onde f (x) = α + β 1 X 1 + β 2 X 2 +β 3 X β k X k A estimativa desta equação de regressão será dada por: = a + b 1 X + b 2 X 2 + b 3 X b k X k onde as estimativas a, b 1, b 2, b 3... b K dos coeficientes α, β 1,..., β k podem, também, ser calculadas pelo método dos mínimos quadrados. E por último, a regressão linear por transformação é realizada com a utilização de expressões deduzidas para regressão linear simples, no caso de regressões que não sejam lineares, podendo se tornar mediante transformações simples. 2.3 Método dos Mínimos Quadrados Segundo Guerra & Donaire (1982), o método dos mínimos quadrados é um dos métodos mais utilizados para estimar os parâmetros da 17

19 regressão. A finalidade é calcular as estimativas de forma que as diferenças entre os valores observados e os calculados sejam mínimas. Esta diferença é chamada desvio de cada valor real Y i em relação à sua estimativa i e é dado por Yi i. O gráfico abaixo mostra esta diferença. Y i Y pontos estimados ( i) pontos observados Figura 1: Gráfico dos desvios X i X O método os mínimos quadrados fornece estes valores de a e b tais que (Yi i ) 2 seja mínimo. No caso de regressão linear simples, é desenvolvido da seguinte forma: Seja Y = α + βx a reta de regressão de Y sobre X = a + bx a estimativa da reta de regressão γ função das estimativas (a e b) dos Portanto: parâmetros (α e β) da regressão 18

20 γ (a, b) = min [ Σ (Y i - i) 2 ] = mín [Σ (Y i - a bx i ) 2 ] Para que o somatório dos quadrados dos desvios seja mínimo deve-se garantir a condição de minimização. Tal condição estabelece que as derivadas parciais da função γ em relação às variáveis a e de b sejam igualadas a 0: dy/da = 0 e dy/db = 0 onde dγ / da e dγ / db representam as derivadas parciais da função γ em relação às variáveis a e b, respectivamente. Derivando γ tem-se que: dγ/da = -2Σ (Y i a bx i ) = 0 dγ/db = -2Σ [X i (Y i a bx i )] = 0 Como se tem n observações, é possível escrever as expressões acima da seguinte maneira: -2Σ (Y i a bx i )=0 Σ(Y i a bx i ) = ΣY i na - bσx i = 0-2Σ[X i (Y i a bx i )]=0 Σ(Y i a bx)x i = ΣX i Y i - aσx i - bσx 2 =0 E ainda como: ΣY i = na + bσx i ( I ) ΣX i Y i = aσx i + bσx 2 ( II ) 19

21 Mas, isto ainda não é suficiente, pois o objetivo do método é estimar os parâmetros em questão, a e b. É fácil observar que as duas equações acima constituem um sistema linear com 2 incógnitas e pode ser resolvido por qualquer método conhecido. Seja então a equação ΣY i = na + bσx i isolando a teremos: a = Σ Y i / n bσx i / n Após isto ser feito, basta substitui o valor de a encontrado na equação (II) para se achar o valor de b. 2.4 Coeficiente de Explicação ou de Determinação (R 2 ) Em qualquer tipo de regressão, seja ela linear ou não linear, não basta determinar os valores dos parâmetros em questão. É necessário, também, avaliar a qualidade do ajuste feito, para verificar o quanto o modelo adotado explica a realidade. Segundo Guerra & Donaire (1982) existem alguns indicadores que podem ser usados para tal fim. Um deles é o coeficiente de explicação (R 2 ), que explica a relação entre a variação explicada pela regressão e a variação total. O valor deste fornece a proporção da variação total da variável Y explicada pela variável X através da função ajustada. O valor de R 2 poderá variar entre 0 e 1. Segundo Toledo & Ovalle (1985), quanto mais próximo de 1 estiver o coeficiente, melhor a qualidade do ajuste da função, e quanto mais próximo de 0 menos confiável é o ajuste feito. 20

22 2.5 Regressões Lineares por Transformações Segundo Guerra & Donaire (1982) é possível com as mesmas expressões utilizadas em regressão linear realizar outros tipos de regressões que, embora não sejam lineares, podem se tornar lineares mediante transformações simples. Observe que o modelo Y I = β 0 + β 1 X I + β 2 X 2 + e i tem como formar resultante uma curva, no entanto o espaço caracterizada por seus parâmetros é de natureza linear. Modelos que podem ser linearizados são denominadas de intrinsicamente não lineares. Alguns desses casos são mostrados abaixo. Função Potência W = AR b onde A, b = constantes. Esta função pode ser escrita como logw = loga + blogr. Com isto, a seguinte transformação pode ser feita: logw = Y, loga = a, logr = X. Assim, tem-se que Y = a + bx (linear). Função Hipérbole I W = AR -b onde A, b = constantes. Pode-se escrever esta mesma função como logw = loga - blogr. Com as mesmas transformações realizadas para a função potência tem-se que Y = a bx. Função Hipérbole II 21

23 Y = a + Br -1 onde a, b = constantes. A transformação a ser feita é: R -1 = X. Assim, obtêm-se Y = a + bx (linear). O mesmo processo pode ser realizado para Y = a - Br -1. Função Hipérbole III 1/W = Y. W = (a + bx) -1 onde a, b = constantes. Após a transformação a função é da seguinte forma Y = a + bx, onde Função Exponencial W = AB X onde A, B são constantes. A função pode ser escrita como logw = loga + XlogB. Para realizar a transformação é necessário fazer logw = Y, loga = a e logb = b. Tem-se então a seguinte função linear Y = a + bx. Função Exponencial Múltipla W = AB X1 1 B X2 2 onde A, B 1, B2 são constantes. Esta função pode ser escrita como logw = loga + X 1 logb 1 + X 2 logb 2. Para transforma-la em Y = a + b 1 X 1 + b 2 X 2 que é uma função linear basta realizar a seguinte substituição: logw = Y, loga = a, logb 1 = b 1 e logb 2 = b 2 (Guerra & Donaire, 1982). 2.6 Regressão não-linear 22

24 Modelos lineares nem sempre são adequados para representar algumas situações, mas podem ser mais facilmente resolvidos, em parte devido ao seu fácil ajuste (sem o uso de computadores), do que os modelos não-lineares. Segundo Brown (2001), antes do surgimento dos computadores pessoais e dos programas para ajustes de curvas não lineares, os dados podiam ser transformados para uma forma linear e em seguida analisados por este tipo de regressão (linear). O que ocorre é que estas transformações poderiam trazer resultados imprecisos se realizada com dados transformados como se fosse uma regressão linear, e estes também poderiam distorcer o erro experimental e também alterar a real relação entre os valores de X e de Y. Portanto, é um método que não deve ser utilizado por causa de sua imprecisão. Em vez disto, para dados que não são descritos por uma função linear, deve-se implementar um protocolo que fará o ajuste dos dados com o uso de uma função não linear. Draper & Smith (1998), classificam um modelo não-linear como sendo um modelo que não se enquadra em nenhum dos outros dois casos: não é um modelo linear e também não é possível transformá-lo em um. Considera-se o modelo: Y i = x i + e i onde o erro é dito aditivo e não existe transformação capaz de tornar o modelo linear. Pode-se verificar que a derivada de tão função é também nãolinear i -1 i ) De forma semelhante aos modelos lineares, o processo de estimação do parâmetro pode ser obtido através da minimização da soma de 23

25 quadrados dos resíduos. A diferença é que se obtém um sistema de equações normais não-lineares, o qual não apresenta uma solução explicita para. A solução é obtida por processos iterativos ou cíclicos. Tal processo envolve uma estimativa inicial dos valores dos parâmetros, podem esta ser feita baseada na experiência anterior com os dados ou no conhecimento do responsável pelo processo. A primeira iteração envolve o cálculo da soma dos quadrados baseado no valor inicial do parâmetro. A segunda iteração envolve uma pequena variação no valor do parâmetro com a qual se recalcula a soma dos quadrados. Este processo é repetido algumas vezes para assegurar que a mudança no valor do parâmetro resulta no menor valor possível da soma dos quadrados. Para regressão linear por serem as 2ª e 3ª derivadas iguais a zero apenas um cálculo simples é necessário para gerar um menor valor da soma dos quadrados. Portanto, o algoritmo requer apenas uma iteração simples. Para regressão não linear, estas derivadas são diferentes de zero o que torna o processo iterativo essencial para o cálculo dos valores ótimos dos parâmetros. Vários algoritmos diferentes podem ser usados em regressão nãolinear, tais como: Gauss-Newton, o algoritmo de Marquardt-Levenberg, o método de Steepest Descents e outros. Todos estes algoritmos possuem propriedades similares. Todos necessitam dos valores iniciais dos parâmetros, e o uso destes fornecem uma melhor estimativa dos parâmetros empregados no processo iterativo. Segundo Gallant (1987), o método dos mínimos quadrados é utilizado na estimação dos parâmetros em modelos não-lineares, da mesma maneira que em modelos lineares. Seja uma equação de regressão não-linear Y i = f (X i e i onde i = 1, 2, 3,, n 24

26 A função Y i, pode ser escrita na forma matricial como Y = f( ) + e Onde Y = [Y 1, Y 2,..., Y n ] f( ) = [ f(x 1, ), f(x 2, ),, f(x n, )] e = [ e 1, e 2,..., e n ] A estimativa para quadrados do resíduo, é dada pelo vetor que minimiza a soma de [Y i f(x i 2 Escrevendo-se S( ) na forma matricial, tem-se: S( ) = [Y f( )] [Y f( )] Derivando a S( ) em relação a, tem-se: ds( )/d = d[y f( )] [Y f( )]/d Fazendo df( )/d = F( ) 25

27 tem-se ds( )/d = -2[Y f( )] F( ) Igualando a equação acima a zero, obtém-se -2[Y f( )] F( ) = 0 [Y f( )] F( ) = 0 [Y f( )] F( ) = 0 é chamado de Sistemas de Equações Normais (SEN) não-linear. Substituindo-se F( ) por X, a equação fica X [Y f( )] = 0 X Y X f( ) = 0 ão linear Fazendo-se no SEN, [Y f( )] = ê, tem-se X ê = 0 Como já foi dito, as soluções são obtidas por métodos iterativos pois não existe solução explícita para o SEN não-linear. 2.7 Regressão não-linear no Excel O Microsoft Excel pode ser usado para diversos fins, contendo para isto um vasto número de funções. A análise de regressão não-linear pode ser realizada através da função Solver. 26

28 O Excel é um programa com planilhas de cálculo desenvolvido pela Microsoft para ambiente Wndows, e faz parte de um pacote conhecido como Microsoft Office. As planilhas são usadas para fazer vários tipos de cálculo, (financeiro, estatístico, etc) e gerar gráficos a partir deles e são, sem dúvida alguma, um dos aplicativos mais usados em informática, sendo vasto ambiente computacional, com grande quantidade (e qualidade) de recursos. O preço que o usuário paga por este vasto número de recursos é o enorme gasto de tempo necessário para enfrentar alguns quilogramas de manuais a cada novo programa que decide utilizar, sem ao menos ter certeza de que tudo o que está descrito funciona corretamente para qualquer tipo de dado. Em compensação, a integração de vários softwares tem feito com que vários deles trabalhem com uma única filosofia de interface (a parte do programa que põe seus recursos em contato com o usuário), e o uso de programas "desconhecidos" acaba sendo facilitado, embora com a tendência de subutilização de seus recursos. Dentre estes inúmeros recursos presentes no Microsoft Excel, podese citar a Função Solver, que foi usada neste trabalho para realizar o processo de análise de regressão não-linear. Segundo Dodge (1998), o Solver pode solucionar problemas que envolvam muitas células variáveis e pode ajudar a encontrar combinações de variáveis que maximizam ou minimizam uma célula destino. Além disto, o Solver permite especificar uma ou mais restrições ou condições que precisam ser satisfeitas para que a solução seja válida. Ainda segundo o mesmo autor, o Solver funciona melhor quando os problemas em questão compartilham de três importantes características: - os problemas têm um único objetivo; por exemplo, maximizar os lucros, reduzir o tempo necessário para obtê-los, etc... - os problemas têm limitações que normalmente são consideradas como irregularidades; por exemplo, os materiais utilizados não podem exceder a quantidade em estoque, ou as horas programadas 27

29 para o funcionamento da máquina não podem exceder 24 horas menos o tempo de manutenção. - os problemas têm valores de entrada que direta ou indiretamente afetam as limitações e os valores que estão sendo otimizados. Um dos pontos negativos do Solver é que, com freqüência, é necessário ajustar a planilha ao tipo de modelo mais adequado, e para isto é importante que se tenha um bom entendimento das relações existentes entre as variáveis e fórmulas. A figura abaixo mostra os principais parâmetros da função Solver, no Anexo são descritos com maiores detalhes tais parâmetros. Figura 2: Parâmetros da função Solver (Microsoft Excel, 2000) 28

30 O botão Opções, como o próprio nome já diz, fornece uma nova tela (Figura 3) com os parâmetros que podem ser ajustados, tais com: número de iterações, tolerância, convergência e outros. Maiores detalhes encontram-se em Anexo. Figura 3: Opções do Solver (Microsoft Excel, 2000) Quando o botão Resolver presente na Figura 2 é acionado, um resultado é encontrado uma outra caixa de dialogo (Figura 4), mostrada abaixo, é aberta. 29

31 Figura 4: Caixa de diálogo Resultados do Solver (Microsoft Excel, 2000) Os parâmetros dos Resultados do Solver, e suas respectivas funções, encontram-se detalhados em Anexo. 2.8 Regressão não-linear no SAS Segundo Veiga et al. (2000), o sistema SAS Statistical Analysis System desenvolvido pelo SAS Institute Inc., consiste em um poderoso sistema de análise de dados e linguagem de programação, com amplas aplicações em diversas áreas, principalmente estatística. 30

32 O sistema tem sido um dos mais utilizados no mundo todo em análise de dados em geral, além de ser também muito utilizado por grandes empresas que exploram os recursos de programação. O sucesso do sistema se deve basicamente ao total controle dos dados, à flexibilidade em interfaces para usuários, à integração de ambientes computacionais e ao acesso de um grande pacote de aplicações completas. Quando se usa o SAS para a resolução de regressão não-linear, 2 procedimentos podem ser utilizados: PROC MODEL e PROC NLIN. Tais procedimentos podem fazer uso de diferentes métodos, dependendo do tipo de problema em questão. Tais métodos são: - método Gauss-Newton - método Marquardt - método de Steepest-descent ou método do gradiente - DUD Geralmente, o software utilizado para regressão linear, também, é o SAS, mas deve-se ressaltar que a utilização de tal sistema requer, no seu início, a dedicação de bastante tempo de leitura de manuais e, para um melhor aproveitamento deve-se ter um conhecimento mínimo de linguagem de programação, enquanto que o EXCEL é um software mais comum e difundido. 31

33 3 MATERIAIS E METODOS Testou-se o exemplo encontrado em Brown (2000), Exemplo I, com duas outras seqüências de dados (Exemplos II e III). Isto foi feito com o intuito de exemplificar e posteriormente comparar resultados. Para estes exemplos, foi usada a mesma função (Função de Boltzmann), variando o conjunto de dados e os valores dos parâmetros iniciais. Utilizou-se o Solver para ajustar um conjunto de dados a outra função: Y = Ax b (Exemplo IV). Os dados foram gerados seguindo sempre o mesmo processo (a ser descrito a seguir), e os resultados observados serão discutidos posteriormente. Os valores encontrados, nos exemplos utilizando a Função de Boltzmann, foram então comparados com os resultados obtidos através do SAS com os mesmos conjuntos de dados. Para o Exemplo IV não foi possível realizar esta comparação, pois o Solver não foi capaz de realizar a análise de regressão não-linear. A seguir, é descrito o método utilizado nos exemplos. 3.1 Exemplo I Neste primeiro exemplo foram usados os dados estão em Brown (2000). Os dados são referentes aos valores da Voltagem, aos dados observados (valores de y), aos valores da função e aos limites inferior e superior. A função de Boltzmann pode ser descrita como Y = (1/(1+exp((V- E)/SLOPE))) onde 32

34 Y = variável dependente V e SLOPE = variáveis cujos valores se quer achar (valores ótimos) E = variável dependente (Voltagem) Inicialmente, foi necessário configurar a planilha de maneira que as fórmulas descritas em Brown (2000) fossem quando necessário, adaptadas sem que sua função fosse alterada. Configurou-se a planilha da seguinte forma: - Primeira Coluna (Coluna A): contém a Voltagem (variável independente) - Segunda Coluna (Coluna B): contém os valores da variável dependente (aqui chamado de Dados) - Terceira Coluna (Coluna C): contém os valores calculados para a função de Boltzmann com os valores da Coluna A, de V e do SLOPE (inclinação) - Quarta e Quinta Colunas (Colunas D e E): contém, respectivamente, os valores do limite superior e inferior A planilha contém ainda os valores: - V (é iniciado com o valor de 20) - Slope (iniciado com 10) - Média de Y (calculada pela fórmula básica do Excel MÉDIA(B2:B20)) - GL (graus de liberdade, calculado pela fórmula CONT.NÚM(B2:B20)-CONT.NÚM(H1:H2)) - DP de Y (desvio padrão de Y, calculado pela RAIZ(SOMAXMY2(B2:B20;C2:C20 )/DF) - R 2 (coeficiente de determinação, sendo calculado por 1- SOMAXMY2(B2:B20;C2:C20)/(SOMAQUAD(B2:B20)- (((SOMA(B2:B20)^2))/CONT.NÚM(B2:B20))) - T crítico (calculado pela fórmula INVT(0,05;DF)) 33

35 - CL (necessário para se calcular os limites inferior e superior, sendo calculado por MULT(Ct;DP)) Após ser configurada, a planilha apresenta a seguinte forma, mostrada na tabela abaixo. Tabela 1: Planilha do Microsoft Excel após ter sido configurada para uso com a função de Boltzmann Voltagem Dados Boltzmann Limite Sup. CL Limite Inf. CL V ,018 0,301-0,265 Slope ,029 0,312-0,254 Média de y 0, ,05 0,047 0,330-0,235 df ,08 0,076 0,359-0,207 DP de y 0, ,1 0,119 0,402-0,164 R² 0, ,15 0,182 0,465-0,100 t critico 2, ,18 0,269 0,552-0,014 CI 0, ,2 0,378 0,660 0, ,3 0,500 0,783 0, ,4 0,622 0,905 0, ,5 0,731 1,014 0, ,6 0,818 1,100 0, ,7 0,881 1,164 0, ,8 0,924 1,207 0, ,85 0,953 1,235 0, ,89 0,971 1,254 0, ,9 0,982 1,265 0, ,95 0,989 1,272 0, ,993 1,276 0,710 Neste exemplo, pretende-se ajustar o valor de R 2 de maneira que os valores de V e de Slope sejam os melhores possíveis. A figura a seguir mostra como os parâmetros do Solver foram configurados para os dados em questão. 34

36 Figura 5: Parâmetros do Solver para os dados da função de Boltzmann (Microsoft Excel, 2000) Os resultados obtidos serão descritos mais adiante. Para testar este, e também os outros exemplos que serão relatados, usou-se dois procedimentos: PROC MODEL e PROC NLIN. Foi necessário a utilização de dois procedimentos em razão do PROC NLIN não fornecer o valor de R 2, e como se quer também comparar, além dos valores dos parâmetros, a validade do ajuste realizado isto se tornou indispensável. Abaixo encontra-se o código com os dois procedimentos. 35

37 data exemp; input E Y; datalines; ; proc nlin method=gauss; parms v=-20 s=10; model Y=1/(1+exp((v-E)/s)); der.v= (-exp((v-e)/s))/(((1+exp((v-e)/s))**2)*s) ; der.s= ((v-e)*exp((v-e)/s))/(((1+exp((v-e)/s))**2)*s**2); output out=neia0 predicted=estimado ; run; proc print data=neia0; run; /* proc model ; Y=1/(1+exp((v-E)/s)); parms v=-20 s=10; fit y/outall out=all printall; run;*/ 36

38 3.2 Exemplo II Neste exemplo foi usada a mesma função (Função de Boltzmann), mas os dados foram modificados. O objetivo é testar se a configuração realizada no exemplo acima é válida também quando os dados são obtidos de maneira aleatória. Estes dados foram gerados da seguinte forma: 1º) Uma seqüência de valores (que serão designados para a variável x) foi obtidos, com intervalo de 2 unidades entre eles, obedecendo-se o valor mínimo de 60 e o valor máximo de 30 (mesmo intervalo utilizado no Exemplo I) 2º) Para cada um destes valores foi calculado o valor da Função de Boltzmann (Y = variável dependente), fixando os parâmetros V e SLOPE em 20 e 10. Espera-se chegar a estes valores utilizando os dados aleatórios. 3º) Foi calculada a variância (=VAR B2:B47) deste conjunto de valores de y. Esta variância foi chamada variância do modelo (σ 2 m). 4º) Foi fixado um valor inicial de R 2 = 0,80 (por já ser este um valor aceitável para um processo de regressão). 5º) Com o valor da variância do modelo, pode-se então calcular, da maneira descrita abaixo, o valor da variância do erro que será usado para determinar os valores de, R 2 = σ 2 m / (σ 2 m + σ 2 e) Desenvolvendo-se a fórmula chega-se a 37

39 σ 2 e = σ 2 m *(1 - R 2 )/ R 2 6º) A variância do erro (σ 2 e) foi usada para determinar o valor do desvio padrão (e foi calculado por σ 2 e ^0,5) que será usado para calcular o erro que será utilizado em = Y + e. 7º) Feito isto, foi gerado aleatoriamente, uma amostra de 20 números entre 60 e 30. Para tal processo foi usado a função Geração de Números Aleatórios da Ferramenta Análise de Dados do Excel. Esta amostra será usada para resolver a regressão não-linear no Solver. 8º) A cada um dos valores da amostra está associado um erro. Este será gerado a partir do desvio padrão calculado, utilizando-se, novamente, a função Geração de Números Aleatórios. Considera-se que estes erros são distribuídos normalmente. 9º) Tendo-se a amostra e os valores dos erros aleatórios associados a esta, é necessário calcular o valor da função com seus respectivos desvios. A planilha com os valores do processo descritos acima encontra-se em Anexo. Após este processo ser realizado, é necessário configurar uma nova planilha para a utilização do Solver. Tal planilha é mostrada a seguir. 38

40 Tabela 2: Planilha do Microsoft Excel após ter sido configurada para uso com a função de Boltzmann para os dados do Exemplo II Voltagem Dado Boltzmann Lim. Sup. Lim. Inf. V ,6953 0,101 5,8932E-05 6,3828E-01-6,3816E-01 SLOPE 5-58,4619-0,013 6,1749E-05 6,3828E-01-6,3816E-01 media de y 0, ,0858 0,041 8,1310E-05 6,3830E-01-6,3814E-01 df 18-55,9075 0,01 1,0292E-04 6,3832E-01-6,3812E-01 dp de y 0, ,9387-0,251 2,7796E-04 6,3850E-01-6,3794E-01 R² 0, ,5274-0,068 5,4976E-04 6,3877E-01-6,3767E-01 t crítico 2, ,2284 0,287 8,7040E-04 6,3909E-01-6,3735E-01 CL 0, ,2350 0,158 2,3594E-03 6,4058E-01-6,3586E-01-37,9470 0,302 3,7233E-03 6,4194E-01-6,3450E-01-34,3461 0,098 7,6208E-03 6,4584E-01-6,3060E-01-29,1220 0,046 2,1365E-02 6,5959E-01-6,1685E-01-27,8365 0,616 2,7457E-02 6,6568E-01-6,1076E-01-25,6200 0,453 4,2128E-02 6,8035E-01-5,9609E-01-23,3320 0,374 6,4985E-02 7,0321E-01-5,7323E-01-10,1727 0,824 4,9136E-01 1,1296E+00-1,4686E-01-6,3164 0,507 6,7628E-01 1,3145E+00 3,8058E-02 17,6922 1,252 9,9608E-01 1,6343E+00 3,5786E-01 19,6149 0,621 9,9733E-01 1,6355E+00 3,5911E-01 20,9195 0,903 9,9794E-01 1,6362E+00 3,5972E-01 26,2618 1,641 9,9929E-01 1,6375E+00 3,6107E-01 O código do programa SAS para este exemplo é o seguinte: data exemp; input E Y; datalines;

41 ; proc nlin method=gauss; parms v=-10 s=5; model Y=1/(1+exp((v-E)/s)); der.v= (-exp((v-e)/s))/(((1+exp((v-e)/s))**2)*s) ; der.s= ((v-e)*exp((v-e)/s))/(((1+exp((v-e)/s))**2)*s**2); output out=neia0 predicted=estimado ; run; proc print data=neia0; run; /* proc model ; Y=1/(1+exp((v-E)/s)); parms v=-20 s=10; fit y/outall out=all printall; run;*/ 3.3 Exemplo III Neste exemplo, como nos outros 2, foi usado a função de Boltzmann. Os valores dos dados foram gerados da mesma maneira que no Exemplo II, mas com duas diferenças: os dados iniciais têm agora um intervalo de 1 e os dados da amostra são 30 no total. Após ser aplicado todo o processo descrito anteriormente, configurou-se uma nova planilha para a utilização do Solver. A planilha com os valores do processo descrito, encontra-se em Anexo, e a planilha usada para o Solver encontra-se a seguir. 40

42 Tabela 3: Planilha do Microsoft Excel após ter sido configurada para uso com a função de Boltzmann para os dados do Exemplo III Voltagem Dado Boltzmann Lim. Sup. Lim. Inf. V ,08 0,228 8,1400E-05 4,7669E-01-4,7653E-01 SLOPE 5-56,193-0,187 9,7202E-05 4,7671E-01-4,7651E-01 media de y 0, ,146-0,228 9,8114E-05 4,7671E-01-4,7651E-01 df 28-54,504-0,082 1,3626E-04 4,7675E-01-4,7647E-01 dp de y 0, ,956 0,4092 6,1627E-04 4,7723E-01-4,7599E-01 R² 0, ,524 0,0351 2,7191E-03 4,7933E-01-4,7389E-01 t crítico 2, ,148 0,4741 6,4987E-03 4,8311E-01-4,7011E-01 CL 0, ,921 0,3587 2,2220E-02 4,9883E-01-4,5439E-01-24,535 0,4091 5,1808E-02 5,2842E-01-4,2480E-01-19,432 0,3446 1,3166E-01 6,0827E-01-3,4495E-01-15,271 0,69 2,5844E-01 7,3505E-01-2,1817E-01-10,129 0,6246 4,9356E-01 9,7017E-01 1,6951E-02-8,2748 0,5284 5,8541E-01 1,0620E+00 1,0881E-01-3,2896 0,789 7,9283E-01 1,2694E+00 3,1622E-01-1,4905 0,6359 8,4578E-01 1,3224E+00 3,6917E-01 1,4182 0,8584 9,0751E-01 1,3841E+00 4,3090E-01 1, ,1898 9,1131E-01 1,3879E+00 4,3470E-01 1, ,1213 9,1437E-01 1,3910E+00 4,3776E-01 5, ,9559 9,5989E-01 1,4365E+00 4,8328E-01 7, ,9934 9,6846E-01 1,4451E+00 4,9186E-01 7, ,3077 9,7259E-01 1,4492E+00 4,9598E-01 11,0398 0,9178 9,8534E-01 1,4620E+00 5,0873E-01 11,8363 1,0078 9,8747E-01 1,4641E+00 5,1086E-01 15,0472 1,1501 9,9337E-01 1,4700E+00 5,1676E-01 15,5443 0,9075 9,9399E-01 1,4706E+00 5,1738E-01 21,2079 1,2353 9,9806E-01 1,4747E+00 5,2145E-01 23,647 1,1813 9,9881E-01 1,4754E+00 5,2220E-01 25,6081 1,1148 9,9919E-01 1,4758E+00 5,2258E-01 27,5335 0,7585 9,9945E-01 1,4761E+00 5,2284E-01 29,8709 1,1138 9,9966E-01 1,4763E+00 5,2305E-01 41

43 O código do programa SAS para este exemplo é o mesmo utilizado para os exemplos anteriores, contendo apenas uma modificação: os dados em questão. data exemp; input E Y; datalines; ; /* proc nlin method=gauss; parms v=-10 s=5; model Y=1/(1+exp((v-E)/s)); der.v= (-exp((v-e)/s))/(((1+exp((v-e)/s))**2)*s) ; der.s= ((v-e)*exp((v-e)/s))/(((1+exp((v-e)/s))**2)*s**2); 42

44 output out=neia0 predicted=estimado ; run; proc print data=neia0; run;*/ proc model ; Y=1/(1+exp((v-E)/s)); parms v=-10 s=5; fit y/outall out=all printall; run; Exemplo IV Neste exemplo uma nova função foi usada: Y = Ax b. Para a utilização de tal função gerou-se novos valores a partir do mesmo processo já descrito no Exemplo II. Os parâmetros A e b foram iniciados, respectivamente, com 3 e 5. Espera-se que no final os valores calculados sejam próximos destes. A tabela com os valores deste exemplo será omitida em razão de seu tamanho: foram gerados números com intervalo de 0,1, entre 20 e 50, sendo a amostra determinada a partir destes valores da mesma maneira como foram as amostras dos outros exemplos. Com esta amostra, utilizou-se o SAS para se fazer análise de regressão não-linear, sendo o processo bem sucedido. 43

45 4 RESULTADOS E DISCUSSÕES As tabelas com os resultados das análises de regressão não-linear no Solver são descritas para os três primeiros exemplos.. Os resultados do SAS serão apresentados resumidamente, mas se encontram na íntegra em anexo. 4.1 Exemplo I Após a planilha com os valores iniciais ter sido configurada, os devido parâmetros (restrições, células variáveis e outros) terem sido determinados e a função Solver ter sido utilizada, tem-se os resultados mostrados na tabela seguinte. Tabela 4: Resultados do Solver para os dados do Exemplo I Voltagem Dados Boltzmann Limite Sup. CL Limite Inf. CL V -10, ,017 0,059-0,026 Slope 12, ,025 0,068-0,018 Média de y 0, ,05 0,037 0,080-0,005 df ,08 0,055 0,098 0,012 DP de y 0, ,1 0,081 0,123 0,038 R² 0, ,15 0,117 0,159 0,074 t critico 2, ,18 0,166 0,209 0,123 CI 0, ,2 0,231 0,273 0, ,3 0,311 0,354 0, ,4 0,405 0,448 0, ,5 0,506 0,549 0, ,6 0,607 0,650 0, ,7 0,700 0,742 0, ,8 0,778 0,821 0, ,85 0,841 0,884 0, ,89 0,889 0,931 0, ,9 0,923 0,966 0, ,95 0,948 0,990 0, ,965 1,007 0,922 44

46 Quando o Solver é executados, tem-se a opção de, no final, gerar alguns relatórios. Tais relatórios são chamados relatórios de limites, e encontram-se em Anexo. Os resultados encontrados neste exemplo diferem dos valores encontrados em Brown (2000) apenas na 3ª ou 4ª casa decimal. Os resultados obtidos com o uso do SAS foram, praticamente, idênticos aos entrados com o Solver. Tais resultados, juntamente com os valores encontrados com o uso do Solver, encontram-se na tabela abaixo. Tabela 5: Comparação dos resultados do SAS e do Solver para o Exemplo I Exemplo I Resultados SAS PROC NLIN V Slope R² Valor inicial valor calculado -10, , PROC MODEL V Slope R² Valor inicial valor calculado -10, , ,9969 Resultados Solver V Slope R² Valor inicial ,872 valor calculado -10, , ,997 Com a comparação acima pode-se notar que a análise de regressão não-linear neste exemplo é um processo satisfatório visto que R² é igual a 0,9969 no SAS e 0,997 no Solver, sendo em ambos muito próximo de Exemplo II 45

47 Com os dados da planilha configurados pode-se executar o Solver e verificar se os valores obtidos de V e de SLOPE correspondem a 20 e 10, respectivamente. Os resultados são mostrados na tabela abaixo, e os relatórios de limite encontram-se em Anexo. Tabela 6: Resultados do Solver para os dados do Exemplo II Voltagem Dado Boltzmann Lim. Sup. Lim. Inf. V -19,77-58,6953 0,101 2,7115E-02 5,4090E-01-4,8667E-01 SLOPE 10,871-58,4619-0,013 2,7688E-02 5,4147E-01-4,8609E-01 media de y 0, ,0858 0,041 3,1307E-02 5,4509E-01-4,8247E-01 df 18-55,9075 0,01 3,4766E-02 5,4855E-01-4,7902E-01 dp de y 0, ,9387-0,251 5,3826E-02 5,6761E-01-4,5996E-01 R² 0, ,5274-0,068 7,2233E-02 5,8601E-01-4,4155E-01 t crítico 2, ,2284 0,287 8,7751E-02 6,0153E-01-4,2603E-01 CL 0, ,2350 0,158 1,3215E-01 6,4593E-01-3,8163E-01-37,9470 0,302 1,5821E-01 6,7199E-01-3,5557E-01-34,3461 0,098 2,0745E-01 7,2123E-01-3,0634E-01-29,1220 0,046 2,9737E-01 8,1115E-01-2,1641E-01-27,8365 0,616 3,2265E-01 8,3643E-01-1,9113E-01-25,6200 0,453 3,6872E-01 8,8250E-01-1,4506E-01-23,3320 0,374 4,1891E-01 9,3269E-01-9,4872E-02-10,1727 0,824 7,0749E-01 1,2213E+00 1,9371E-01-6,3164 0,507 7,7520E-01 1,2890E+00 2,6142E-01 17,6922 1,252 9,6912E-01 1,4829E+00 4,5534E-01 19,6149 0,621 9,7400E-01 1,4878E+00 4,6022E-01 20,9195 0,903 9,7687E-01 1,4907E+00 4,6309E-01 26,2618 1,641 9,8572E-01 1,4995E+00 4,7194E-01 Como pode ser observado acima, os valores encontrados de V e de SLOPE se aproximam em muito dos valores originais. A diferença entre eles se deve a presença de um erro aleatório. 46

48 Abaixo, como no Exemplo I, encontra-se uma tabela com os resultados obtidos no SAS em comparação com os resultados obtidos no Solver. Tabela 7: Comparação dos resultados do SAS e do Solver para o Exemplo II Exemplo II Resultados - SAS PROC NLIN V Slope R² valor inicial valor calculado -19, , PROC MODEL V Slope R² valor inicial valor calculado -19, , ,749 Resultados - Solver V Slope R² valor inicial ,6127 valor calculado -19,77 10,871 0,749 Como pode ser visto na tabela com todos os dados usados no exemplo, que se encontra em anexo, os valores encontrado tanto no SAS quanto no Solver são próximos dos valores estimados 20 e 10, para V e Slope respectivamente. A diferença entre estes valores, estimado e calculado, como já foi dito, refere-se a um erro aleatório presente na amostra (devido ao processo como esta foi calculada). O valores de R², igual a 0,749 para ambos os processos é aceitável para a análise de regressão. 4.3 Exemplo III Da mesma maneira como foi feito no Exemplo anterior, após a planilha ter sido configurada pode-se executar o Solver. Os resultados 47

49 obtidos para os valores de V e de SLOPE encontram-se muito próximo de 20 e 10, respectivamente. Os resultados são mostrados abaixo e os relatórios de limites encontram-se em Anexo. Tabela 8: Resultados do Solver para os dados do Exemplo III Voltagem Dado Boltzmann Lim. Sup. Lim. Inf. V ,08 0,228 2,4063E-02 4,1844E-01-3,7032E-01 SLOPE 10,014-56,193-0,187 2,6233E-02 4,2061E-01-3,6815E-01 media de y 0, ,146-0,228 2,6353E-02 4,2073E-01-3,6803E-01 df 28-54,504-0,082 3,0905E-02 4,2529E-01-3,6348E-01 dp de y 0, ,956 0,4092 6,3462E-02 4,5784E-01-3,3092E-01 R² 0, ,524 0,0351 1,2460E-01 5,1898E-01-2,6978E-01 t crítico 2, ,148 0,4741 1,8055E-01 5,7493E-01-2,1384E-01 CL 0, ,921 0,3587 2,9093E-01 6,8531E-01-1,0345E-01-24,535 0,4091 3,8868E-01 7,8306E-01-5,6995E-03-19,432 0,3446 5,1418E-01 9,0856E-01 1,1980E-01-15,271 0,69 6,1592E-01 1,0103E+00 2,2154E-01-10,129 0,6246 7,2824E-01 1,1226E+00 3,3386E-01-8,2748 0,5284 7,6330E-01 1,1577E+00 3,6892E-01-3,2896 0,789 8,4140E-01 1,2358E+00 4,4701E-01-1,4905 0,6359 8,6393E-01 1,2583E+00 4,6955E-01 1,4182 0,8584 8,9461E-01 1,2890E+00 5,0023E-01 1, ,1898 8,9677E-01 1,2911E+00 5,0238E-01 1, ,1213 8,9853E-01 1,2929E+00 5,0415E-01 5, ,9559 9,2982E-01 1,3242E+00 5,3544E-01 7, ,9934 9,3752E-01 1,3319E+00 5,4314E-01 7, ,3077 9,4162E-01 1,3360E+00 5,4723E-01 11,0398 0,9178 9,5687E-01 1,3513E+00 5,6249E-01 11,8363 1,0078 9,6004E-01 1,3544E+00 5,6566E-01 15,0472 1,1501 9,7068E-01 1,3651E+00 5,7630E-01 15,5443 0,9075 9,7206E-01 1,3664E+00 5,7768E-01 21,2079 1,2353 9,8393E-01 1,3783E+00 5,8955E-01 23,647 1,1813 9,8736E-01 1,3817E+00 5,9298E-01 25,6081 1,1148 9,8959E-01 1,3840E+00 5,9521E-01 27,5335 0,7585 9,9139E-01 1,3858E+00 5,9701E-01 29,8709 1,1138 9,9317E-01 1,3876E+00 5,9879E-01 48

Análise Multivariada Aplicada à Contabilidade

Análise Multivariada Aplicada à Contabilidade Mestrado e Doutorado em Controladoria e Contabilidade Análise Multivariada Aplicada à Contabilidade Prof. Dr. Marcelo Botelho da Costa Moraes www.marcelobotelho.com mbotelho@usp.br Turma: 2º / 2016 1 Agenda

Leia mais

Regressão linear simples

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

Leia mais

PROVAS Ciência da Computação. 2 a Prova: 13/02/2014 (Quinta) Reavaliação: 20/02/2014 (Quinta)

PROVAS Ciência da Computação. 2 a Prova: 13/02/2014 (Quinta) Reavaliação: 20/02/2014 (Quinta) PROVAS Ciência da Computação 2 a Prova: 13/02/2014 (Quinta) Reavaliação: 20/02/2014 (Quinta) Ajuste de Curvas Objetivo Ajustar curvas pelo método dos mínimos quadrados 1 - INTRODUÇÃO Em geral, experimentos

Leia mais

étodos uméricos AJUSTE DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA

étodos uméricos AJUSTE DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA étodos uméricos AJUSTE DE FUNÇÕES Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO FEDERAL DE EDUCAÇÃO TECNOLÓGICA

Leia mais

AULA 09 Regressão. Ernesto F. L. Amaral. 17 de setembro de 2012

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

Leia mais

Módulo 4 Ajuste de Curvas

Módulo 4 Ajuste de Curvas Módulo 4 Ajuste de Curvas 4.1 Intr odução Em matemática e estatística aplicada existem muitas situações onde conhecemos uma tabela de pontos (x; y), com y obtido experimentalmente e deseja se obter uma

Leia mais

Cálculo Numérico BCC760

Cálculo Numérico BCC760 Cálculo Numérico BCC760 Resolução de Sistemas de Equações Lineares Simultâneas Departamento de Computação Página da disciplina http://www.decom.ufop.br/bcc760/ 1 Introdução! Definição Uma equação é dita

Leia mais

Análise de Regressão

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

Leia mais

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 9 Correlação e Regressão 9-1 Aspectos Gerais 9-2 Correlação 9-3 Regressão 9-4 Intervalos de Variação e Predição 9-5 Regressão Múltipla 1 9-1 Aspectos Gerais Dados Emparelhados há uma relação? se há, qual

Leia mais

Modelos de Regressão Linear Simples parte I

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

Leia mais

Aula 2 Uma breve revisão sobre modelos lineares

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

Leia mais

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 PRE-01 Probabilidade e Estatística Prof. Marcelo P. Corrêa IRN/Unifei Regressão Introdução Analisar a relação entre duas variáveis (x,y) através da equação (equação de regressão) e do gráfico

Leia mais

CORRELAÇÃO E REGRESSÃO. Modelos Probabilísticos para a Computação Professora: Andréa Rocha. UNIVERSIDADE FEDERAL DA PARAÍBA Dezembro, 2011

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

Leia mais

i j i i Y X X X i j i i i

i j i i Y X X X i j i i i Mario de Andrade Lira Junior lira.pro.br\wordpress lira.pro.br\wordpress Diferença Regressão - equação ligando duas ou mais variáveis Correlação medida do grau de ligação entre duas variáveis Usos Regressão

Leia mais

Prof. Lorí Viali, Dr.

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.

Leia mais

Ajuste de Curvas. Universidade Tecnológica Federal do Paraná Campus Francisco Beltrão. Disciplina: Cálculo Numérico Professor: Jonas Joacir Radtke

Ajuste de Curvas. Universidade Tecnológica Federal do Paraná Campus Francisco Beltrão. Disciplina: Cálculo Numérico Professor: Jonas Joacir Radtke Ajuste de Curvas Campus Francisco Beltrão Disciplina: Professor: Jonas Joacir Radtke Uma forma de se trabalhar com uma função definida por uma tabela de valores é a interpolação. Contudo, a interpolação

Leia mais

Análise de Regressão Linear Simples e

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

Leia mais

3 Aprendizado por reforço

3 Aprendizado por reforço 3 Aprendizado por reforço Aprendizado por reforço é um ramo estudado em estatística, psicologia, neurociência e ciência da computação. Atraiu o interesse de pesquisadores ligados a aprendizado de máquina

Leia mais

Modelos de Regressão Linear Simples - parte I

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

Leia mais

Aula IV. Representação gráfica e regressão linear. Prof. Paulo Vitor de Morais

Aula IV. Representação gráfica e regressão linear. Prof. Paulo Vitor de Morais Aula IV Representação gráfica e regressão linear Prof. Paulo Vitor de Morais Representação gráfica A representação gráfica é uma forma de representar um conjunto de dados de medidas que permite o estudo

Leia mais

CÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano

CÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 4 Ajuste de Curvas AJUSTE DE CURVAS Cálculo Numérico 3/55 Introdução Em geral, experimentos geram uma gama de dados que devem

Leia mais

Observamos no gráfico acima que não passa uma reta por todos os pontos. Com base nisso, podemos fazer as seguintes perguntas:

Observamos no gráfico acima que não passa uma reta por todos os pontos. Com base nisso, podemos fazer as seguintes perguntas: Título : B1 AJUSTE DE CURVAS Conteúdo : Em matemática e estatística aplicada existem muitas situações em que conhecemos uma tabela de pontos (x; y). Nessa tabela os valores de y são obtidos experimentalmente

Leia mais

Esse material foi extraído de Barbetta (2007 cap 13)

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

Leia mais

PUC-GOIÁS - Departamento de Computação

PUC-GOIÁS - Departamento de Computação PUC-GOIÁS - Departamento de Computação Fundamentos IV/Enfase Clarimar J. Coelho Goiânia, 28/05/2014 O que é interpolação polinomial? Ideia básica Permite construir um novo conjunto de dados a partir de

Leia mais

Ajuste de Curvas. Diogo Pinheiro Fernandes Pedrosa. Universidade Federal do Rio Grande do Norte Centro de Tecnologia.

Ajuste de Curvas. Diogo Pinheiro Fernandes Pedrosa. Universidade Federal do Rio Grande do Norte Centro de Tecnologia. Ajuste de Curvas Diogo Pinheiro Fernandes Pedrosa Universidade Federal do Rio Grande do Norte Centro de Tecnologia Departamento de Engenharia de Computação e Automação http://wwwdcaufrnbr/ 1 Introdução

Leia mais

REGRESSÃO E CORRELAÇÃO

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,

Leia mais

Disciplina de Modelos Lineares Professora Ariane Ferreira

Disciplina de Modelos Lineares Professora Ariane Ferreira Disciplina de Modelos Lineares 2012-2 Regressão Logística Professora Ariane Ferreira O modelo de regressão logístico é semelhante ao modelo de regressão linear. No entanto, no modelo logístico a variável

Leia mais

Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica. Regressão. David Menotti.

Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica. Regressão. David Menotti. Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Regressão David Menotti www.inf.ufpr.br/menotti/ci171-182 Hoje Regressão Linear ( e Múltipla ) Não-Linear ( Exponencial / Logística

Leia mais

Mais Informações sobre Itens do Relatório

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

Leia mais

UNIVERSIDADE FEDERAL DE PERNAMBUCO Lista de Exercícios / Cálculo Numérico 1ª Unidade

UNIVERSIDADE FEDERAL DE PERNAMBUCO Lista de Exercícios / Cálculo Numérico 1ª Unidade 1) Analise as alternativas abaixo e marque V para verdadeiro e F para falso. No segundo caso, explique como as tornaria verdadeiras: ( ) O método das secantes é utilizado para solucionar um problema de

Leia mais

Aprendizagem por treinamento de redes de aproximação

Aprendizagem por treinamento de redes de aproximação Aprendizagem por treinamento de redes de Marco H. Terra Departamento de Eng. Elétrica - EESC - USP SEL 0362 - Inteligência Artificial 1 Introdução Neste capítulo, serão apresentados conceitos sobre redes

Leia mais

TÉCNICAS EXPERIMENTAIS APLICADAS EM CIÊNCIA DO SOLO

TÉCNICAS EXPERIMENTAIS APLICADAS EM CIÊNCIA DO SOLO TÉCNICAS EXPERIMENTAIS APLICADAS EM CIÊNCIA DO SOLO Mario de Andrade Lira Junior lira.pro.br\wordpress REGRESSÃO X CORRELAÇÃO Diferença Regressão - equação ligando duas ou mais variáveis Correlação medida

Leia mais

Cálculo Numérico Ponto Fixo

Cálculo Numérico Ponto Fixo Cálculo Numérico Ponto Fixo Método do Ponto Fixo (MPF) Dada uma função f(x) contínua no intervalo [a,b] onde existe uma raiz única, f(x) = 0, é possível transformar tal equação em uma equação equivalente

Leia mais

Análise de regressão linear simples. Diagrama de dispersão

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

Leia mais

Método dos Mínimos Quadrados

Método dos Mínimos Quadrados Método dos Mínimos Quadrados Laura Goulart UESB 4 de Abril de 2019 Laura Goulart (UESB) Método dos Mínimos Quadrados 4 de Abril de 2019 1 / 22 Objetivos O Método dos Mínimos Quadrados (MMQ) é uma técnica

Leia mais

Noções sobre Regressão

Noções sobre Regressão Noções sobre Regressão Nos interessa estudar como uma variável varia em função de outra. Por exemplo, considere a questão de demanda e preço de bens. Quando se estuda a variação de uma variável Y em função

Leia mais

Tratamento Estatístico de dados em Física Experimental

Tratamento Estatístico de dados em Física Experimental Tratamento Estatístico de dados em Física Experimental Prof. Zwinglio Guimarães 2 o semestre de 2017 Tópico 6 - Testes estatísticos (Chi-quadrado, z e t ) O método dos mínimos quadrados (revisão) O método

Leia mais

aula ANÁLISE DO DESEMPENHO DO MODELO EM REGRESSÕES

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

Leia mais

Correlação e Regressão

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

Leia mais

Cálculo Numérico. Aula 6 Método das Secantes e Critérios de Parada /04/2014

Cálculo Numérico. Aula 6 Método das Secantes e Critérios de Parada /04/2014 Cálculo Numérico Aula 6 Método das Secantes e Critérios de Parada 2014.1-22/04/2014 Prof. Rafael mesquita rgm@cin.ufpe.br Adpt. por Prof. Guilherme Amorim gbca@cin.ufpe.br Aula passada? Método Iterativo

Leia mais

SISTEMAS LINEARES PROF. EDÉZIO

SISTEMAS LINEARES PROF. EDÉZIO SOLUÇÕES NUMÉRICAS DE SISTEMAS LINEARES PROF. EDÉZIO Considere o sistema de n equações e n incógnitas: onde E : a x + a x +... + a n x n = b E : a x + a x +... + a n x n = b. =. () E n : a n x + a n x

Leia mais

TE231 Capitulo 2 Zeros de Funções; Prof. Mateus Duarte Teixeira

TE231 Capitulo 2 Zeros de Funções; Prof. Mateus Duarte Teixeira TE231 Capitulo 2 Zeros de Funções; Prof. Mateus Duarte Teixeira Sumário 1. Como obter raízes reais de uma equação qualquer 2. Métodos iterativos para obtenção de raízes 1. Isolamento das raízes 2. Refinamento

Leia mais

Ralph S. Silva

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:

Leia mais

i j i i Y X X X i j 1 i 2 i i

i j i i Y X X X i j 1 i 2 i i Mario de Andrade Lira Junior lira.pro.br\wordpress lira.pro.br\wordpress Diferença Regressão - equação ligando duas ou mais variáveis Correlação medida do grau de ligação entre duas variáveis Usos Regressão

Leia mais

AULA 07 Inferência a Partir de Duas Amostras

AULA 07 Inferência a Partir de Duas Amostras 1 AULA 07 Inferência a Partir de Duas Amostras Ernesto F. L. Amaral 10 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola,

Leia mais

Prof. MSc. David Roza José 1/26

Prof. MSc. David Roza José 1/26 1/26 Mínimos Quadrados Geral e Regressão Não Linear Objetivos: Implementar a regressão polinomial; Implementar regressão múltipla linear; Entender a formulação do modelo linear geral de mínimos quadrados;

Leia mais

Procedimento Complementar para Validação de Métodos Analíticos e Bioanalíticos usando Análise de Regressão Linear

Procedimento Complementar para Validação de Métodos Analíticos e Bioanalíticos usando Análise de Regressão Linear Procedimento Complementar para Validação de Métodos Analíticos e Bioanalíticos usando Análise de Regressão Linear Rogério Antonio de Oliveira 1 Chang Chiann 2 1 Introdução Atualmente, para obter o registro

Leia mais

Regressões: Simples e MúltiplaM. Prof. Dr. Luiz Paulo Fávero 1

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

Leia mais

Cálculo Numérico. Santos Alberto Enriquez-Remigio FAMAT-UFU 2015

Cálculo Numérico. Santos Alberto Enriquez-Remigio FAMAT-UFU 2015 Cálculo Numérico Santos Alberto Enriquez-Remigio FAMAT-UFU 2015 1 Capítulo 1 Solução numérica de equações não-lineares 1.1 Introdução Lembremos que todo problema matemático pode ser expresso na forma de

Leia mais

3 Modelo Matemático Definições Iniciais. Denote-se, em geral, o desvio-padrão do processo por σ = γσ 0, sendo σ 0 o

3 Modelo Matemático Definições Iniciais. Denote-se, em geral, o desvio-padrão do processo por σ = γσ 0, sendo σ 0 o Modelo Matemático 57 3 Modelo Matemático Este trabalho analisa o efeito da imprecisão na estimativa do desvio-padrão do processo sobre o desempenho do gráfico de S e sobre os índices de capacidade do processo.

Leia mais

Redes Neurais e Sistemas Fuzzy

Redes Neurais e Sistemas Fuzzy Redes Neurais e Sistemas Fuzzy O ADALINE e o algoritmo LMS O ADALINE No contexto de classificação, o ADALINE [B. Widrow 1960] pode ser visto como um perceptron com algoritmo de treinamento baseado em minimização

Leia mais

Algoritmos Numéricos 2 a edição

Algoritmos Numéricos 2 a edição Algoritmos Numéricos 2 a edição Capítulo 4: Ajuste de curvas c 2009 FFCf 2 Capítulo 4: Ajuste de curvas 4.1 Regressão linear simples 4.2 Qualidade do ajuste 4.3 Regressão linear múltipla 4.4 Ajuste via

Leia mais

1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3.

1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3. 1 1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3. Modelo de Resultados Potenciais e Aleatorização (Cap. 2 e 3

Leia mais

CONHECIMENTOS ESPECÍFICOS

CONHECIMENTOS ESPECÍFICOS CONHECIMENTOS ESPECÍFICOS Em uma grande escola, 10% dos alunos são comprovadamente fracos. Um teste educacional conseguiu identificar corretamente 80% entre aqueles que são fracos e 85% entre aqueles que

Leia mais

Aula 4: Gráficos lineares

Aula 4: Gráficos lineares Aula 4: Gráficos lineares 1 Introdução Um gráfico é uma curva que mostra a relação entre duas variáveis medidas. Quando, em um fenômeno físico, duas grandezas estão relacionadas entre si o gráfico dá uma

Leia mais

Coeficiente de determinação R 2 no modelo de regressão linear normal

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

Leia mais

Métodos Numéricos - Notas de Aula

Métodos Numéricos - Notas de Aula Métodos Numéricos - Notas de Aula Prof a Olga Regina Bellon Junho 2007 Zeros de equações transcendentes e Tipos de Métodos polinomiais São dois os tipos de métodos para se achar a(s) raízes de uma equação:

Leia mais

Dissecando o Método Comparativo Direto de Custo Utilizado na Engenharia de Custos - Aplicação para o Caso de Termelétricas

Dissecando o Método Comparativo Direto de Custo Utilizado na Engenharia de Custos - Aplicação para o Caso de Termelétricas Dissecando o Método Comparativo Direto de Custo Utilizado na Engenharia de Custos - Aplicação para o Caso de Termelétricas Gilson Pereira de Andrade Lima Resumo: Está sendo previsto na Norma de Avaliação

Leia mais

Introdução aos Métodos Numéricos

Introdução aos Métodos Numéricos Introdução aos Métodos Numéricos Instituto de Computação UFF Departamento de Ciência da Computação Otton Teixeira da Silveira Filho Conteúdo Erros e Aproximações Numéricas Sistemas de Equações Lineares.

Leia mais

Prof. Dr. Lucas Barboza Sarno da Silva

Prof. Dr. Lucas Barboza Sarno da Silva Prof. Dr. Lucas Barboza Sarno da Silva Medidas de grandezas físicas Valor numérico e sua incerteza, unidades apropriadas Exemplos: - Velocidade (10,02 0,04) m/s - Tempo (2,003 0,001) µs - Temperatura (273,3

Leia mais

Estatística - Análise de Regressão Linear Simples. Professor José Alberto - (11) sosestatistica.com.br

Estatística - Análise de Regressão Linear Simples. Professor José Alberto - (11) sosestatistica.com.br Estatística - Análise de Regressão Linear Simples Professor José Alberto - (11 9.7525-3343 sosestatistica.com.br 1 Estatística - Análise de Regressão Linear Simples 1 MODELO DE REGRESSÃO LINEAR SIMPLES

Leia mais

EXERCÍCIOS DE MATEMÁTICA COMPUTACIONAL: PRIMEIRO BIMESTRE: EDGARD JAMHOUR. QUESTÃO 1: Indique as afirmativas verdadeiras.

EXERCÍCIOS DE MATEMÁTICA COMPUTACIONAL: PRIMEIRO BIMESTRE: EDGARD JAMHOUR. QUESTÃO 1: Indique as afirmativas verdadeiras. EXERCÍCIOS DE MATEMÁTICA COMPUTACIONAL: PRIMEIRO BIMESTRE: EDGARD JAMHOUR QUESTÃO 1: Indique as afirmativas verdadeiras. ( ) O número Pi não pode ser representado de forma exata em sistemas numéricos de

Leia mais

Introdução ao modelo de Regressão Linear

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)

Leia mais

Estatística e Modelos Probabilísticos - COE241

Estatística e Modelos Probabilísticos - COE241 Estatística e Modelos Probabilísticos - COE241 Aula passada Intervalo de confiança Método de Replicações Independentes Aula de hoje Para que serve a inferência estatística? Método dos Momentos Maximum

Leia mais

Correlação e Regressão Linear

Correlação e Regressão Linear Correlação e Regressão Linear Prof. Marcos Vinicius Pó Métodos Quantitativos para Ciências Sociais CORRELAÇÃO LINEAR Coeficiente de correlação linear r Mede o grau de relacionamento linear entre valores

Leia mais

REGRESSÃO LINEAR SIMPLES E MÚLTIPLA

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

Leia mais

étodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA

étodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA étodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO

Leia mais

NOÇÕES SOBRE EXPERIMENTOS FATORIAIS

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

Leia mais

AULA 07 Regressão. Ernesto F. L. Amaral. 05 de outubro de 2013

AULA 07 Regressão. Ernesto F. L. Amaral. 05 de outubro de 2013 1 AULA 07 Regressão Ernesto F. L. Amaral 05 de outubro de 2013 Centro de Pesquisas Quantitativas em Ciências Sociais (CPEQS) Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas

Leia mais

CALIBRAÇÃO DE TERMOPARES ATRAVÉS DE SOFTWARE DE REGRESSÃO POLINOMIAL

CALIBRAÇÃO DE TERMOPARES ATRAVÉS DE SOFTWARE DE REGRESSÃO POLINOMIAL CALIBRAÇÃO DE TERMOPARES ATRAVÉS DE SOFTWARE DE REGRESSÃO POLINOMIAL Autores: David Roza JOSÉ 1, Fernando Prando DACAS 2, Lucas BARP 2. 1 Mestre em Engenharia Mecânica, professor do Instituto Federal Catarinense

Leia mais

Seja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma:

Seja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma: 46 VALOR ESPERADO CONDICIONADO Seja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma: Variável contínua E + ( X Y

Leia mais

étodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA

étodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA étodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA CENTRO

Leia mais

Métodos Quantitativos para Ciência da Computação Experimental

Métodos Quantitativos para Ciência da Computação Experimental Métodos Quantitativos para Ciência da Computação Experimental Revisão Virgílio A. F. Almeida Maio de 2008 Departamento de Ciência da Computação Universidade Federal de Minas Gerais FOCO do curso Revisão

Leia mais

Cálculo Numérico. Resumo e Exercícios P1

Cálculo Numérico. Resumo e Exercícios P1 Cálculo Numérico Resumo e Exercícios P1 Fórmulas e Resumo Teórico Parte 1 Aritmética de ponto flutuante Operar com o número de algarismos significativos exigido. Arredondar após cada conta. Método de escalonamento

Leia mais

2 FUNDAMENTACÃO TEÓRICA

2 FUNDAMENTACÃO TEÓRICA 2 FUNDAMENTACÃO TEÓRICA Este capítulo apresenta os modelos de séries temporais chamados estruturais, nos quais o valor das observações é visto como composto de uma parte sistemática, modelada por uma equação

Leia mais

Virgílio A. F. Almeida DCC-UFMG 2005

Virgílio A. F. Almeida DCC-UFMG 2005 Virgílio A. F. Almeida DCC-UFMG 005 O que é um bom modelo? Como estimar os parâmetros do modelo Como alocar variações Intervalos de Confiança para Regressões Inspeção Visual ! "# Para dados correlacionados,

Leia mais

Análise de Regressão. Luiz Carlos Terra

Análise de Regressão. Luiz Carlos Terra Luiz Carlos Terra Em mercadologia é importante conhecer as ferramentas existentes para estimação dos valores de vendas, de preços de produtos ou de custos de produção. A análise de regressão representa

Leia mais

Prof. MSc. David Roza José 1/37

Prof. MSc. David Roza José 1/37 1/37 Métodos Abertos Objetivos: Reconhecer as diferenças entre os métodos intervalados e abertos para a localização de raízes; Compreender o método da iteração de ponto-fixo e avaliar suas características

Leia mais

Aula inaugural do curso Análise de Regressão

Aula inaugural do curso Análise de Regressão Aula inaugural do curso Prof a Silvia Nagib Elian Sala 215 - Bloco A Instituto de Matemática e Estatística Universidade de São Paulo Agenda 1. Exemplo 2. Introdução 3. Modelo de regressão linear simples

Leia mais

ESTATÍSTICA EXPERIMENTAL. ANOVA. Aula 05

ESTATÍSTICA EXPERIMENTAL. ANOVA. Aula 05 ESTATÍSTICA EXPERIMENTAL ANOVA. Aula 05 Introdução A ANOVA ou Análise de Variância é um procedimento usado para comparar a distribuição de três ou mais grupos em amostras independentes. A análise de variância

Leia mais

Escrita correta de resultados em notação

Escrita correta de resultados em notação Notas de Aula Laboratório de Física 1 e A Escrita correta de resultados em notação científica e confecção de gráficos 1 Prof. Alexandre A. C Cotta 1 Departamento de Física, Universidade Federal de Lavras,

Leia mais

Correlação e Regressão

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

Leia mais

Capítulo 2. Distribuições de Probabilidade Estimativas de parâmetros e tempos-atéfalha. Flávio Fogliatto

Capítulo 2. Distribuições de Probabilidade Estimativas de parâmetros e tempos-atéfalha. Flávio Fogliatto Capítulo 2 Distribuições de Probabilidade Estimativas de parâmetros e tempos-atéfalha Flávio Fogliatto 1 Ajustes de distribuições Em estudos de confiabilidade, dados são amostrados a partir de uma população

Leia mais

MÉTODOS QUANTITATIVOS PARA CIÊNCIA DA COMPUTAÇÃO EXPERIMENTAL

MÉTODOS QUANTITATIVOS PARA CIÊNCIA DA COMPUTAÇÃO EXPERIMENTAL MÉTODOS QUANTITATIVOS PARA CIÊNCIA DA COMPUTAÇÃO EXPERIMENTAL Pedro Henrique Bragioni Las Casas Pedro.lascasas@dcc.ufmg.br Apresentação baseada nos slides originais de Jussara Almeida e Virgílio Almeida

Leia mais

ANÁLISE NUMÉRICA DO MÉTODO DE NEWTON PARA OBTENÇÃO DE ZEROS DE FUNÇÕES.

ANÁLISE NUMÉRICA DO MÉTODO DE NEWTON PARA OBTENÇÃO DE ZEROS DE FUNÇÕES. ANÁLISE NUMÉRICA DO MÉTODO DE NEWTON PARA OBTENÇÃO DE ZEROS DE FUNÇÕES. Edevilson Gomes Pereira PUCPR- edevilson.pereira@pucpr.b Viviana Cocco Mariani PUCPR- viviana.mariani@pucpr.br Resumo: Neste artigo

Leia mais

MÉTODOS NEWTON E QUASE-NEWTON PARA OTIMIZAÇÃO IRRESTRITA

MÉTODOS NEWTON E QUASE-NEWTON PARA OTIMIZAÇÃO IRRESTRITA MÉTODOS NEWTON E QUASE-NEWTON PARA OTIMIZAÇÃO IRRESTRITA Marlon Luiz Dal Pasquale Junior, UNESPAR/FECILCAM, jr.marlon@hotmail.com Solange Regina dos Santos (OR), UNESPAR/FECILCAM, solaregina@fecilcam.br

Leia mais

Aula 4 Medidas de dispersão

Aula 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 mais

UNIVERSIDADE FEDERAL DA FRONTEIRA SUL Campus CERRO LARGO. PROJETO DE EXTENSÃO Software R: de dados utilizando um software livre.

UNIVERSIDADE FEDERAL DA FRONTEIRA SUL Campus CERRO LARGO. PROJETO DE EXTENSÃO Software R: de dados utilizando um software livre. UNIVERSIDADE FEDERAL DA FRONTEIRA SUL Campus CERRO LARGO PROJETO DE EXTENSÃO Software R: Capacitação em análise estatística de dados utilizando um software livre. Fonte: https://www.r-project.org/ Módulo

Leia mais

SSC546 -Avaliação de Desempenho de Sistemas

SSC546 -Avaliação de Desempenho de Sistemas Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Departamento de Sistemas de Computação SSC546 -Avaliação de Desempenho de Sistemas Parte 1 -Aula 2 Sarita Mazzini Bruschi Material

Leia mais

Análise de Regressão Prof. MSc. Danilo Scorzoni Ré FMU Estatística Aplicada

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

Leia mais

Os exercícios abaixo podem ser resolvidos sob a forma de algoritmos ou programas Pascal

Os exercícios abaixo podem ser resolvidos sob a forma de algoritmos ou programas Pascal Lista de exercícios Os exercícios abaixo podem ser resolvidos sob a forma de algoritmos ou programas Pascal Parte I Comandos básicos. Ler um arco em graus. Calcular e escrever o seno, o co-seno e a tangente

Leia mais

RESUMO DO CAPÍTULO 3 DO LIVRO DE WOOLDRIDGE ANÁLISE DE REGRESSÃO MÚLTIPLA: ESTIMAÇÃO

RESUMO DO CAPÍTULO 3 DO LIVRO DE WOOLDRIDGE ANÁLISE DE REGRESSÃO MÚLTIPLA: ESTIMAÇÃO RESUMO DO CAPÍTULO 3 DO LIVRO DE WOOLDRIDGE ANÁLISE DE REGRESSÃO MÚLTIPLA: ESTIMAÇÃO Regressão simples: desvantagem de apenas uma variável independente explicando y mantendo ceteris paribus as demais (ou

Leia mais

Contabilometria. Aula 9 Regressão Linear Inferências e Grau de Ajustamento

Contabilometria. Aula 9 Regressão Linear Inferências e Grau de Ajustamento Contabilometria Aula 9 Regressão Linear Inferências e Grau de Ajustamento Interpretação do Intercepto e da Inclinação b 0 é o valor estimado da média de Y quando o valor de X é zero b 1 é a mudança estimada

Leia mais

Aprendizagem por treinamento de redes de aproximação Marco Henrique Terra

Aprendizagem por treinamento de redes de aproximação Marco Henrique Terra Aprendizagem por treinamento de redes de aproimação Marco Henrique Terra Introdução à Inteligência Artificial Introdução Neste capítulo, serão apresentados conceitos sobre redes de aproimação e interpolação.

Leia mais

AULA 11 - Normalidade e Inferência em Regressão Múltipla - Parte 1

AULA 11 - Normalidade e Inferência em Regressão Múltipla - Parte 1 AULA 11 - Normalidade e Inferência em Regressão Múltipla - Parte 1 Susan Schommer Econometria I - IE/UFRJ Distribuições amostrais dos estimadores MQO Nas aulas passadas derivamos o valor esperado e variância

Leia mais

4 Modelos de Regressão Dinâmica

4 Modelos de Regressão Dinâmica 4 Modelos de Regressão Dinâmica Nos modelos de regressão linear (Johnston e Dinardo, 1998) estudados comumente na literatura, supõe-se que os erros gerados pelo modelo possuem algumas características como:

Leia mais

Métodos Numéricos. Professor Tenani - 9 de Agosto de 2015

Métodos Numéricos. Professor Tenani -  9 de Agosto de 2015 Métodos Numéricos Professor Tenani - www.professortenani.com.br 9 de Agosto de 2015 Métodos Numéricos Professor Tenani - www.professortenani.com.br 1 / 51 Índice Métodos Numéricos Professor Tenani - www.professortenani.com.br

Leia mais

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 12 HORAS OFERECIDO PARA A PÓS-GRADUAÇÃO DA UFABC EM NOVEMBRO DE 2017 Prof. Dr. Marcone Augusto Leal de Oliveira UFJF CURSO INTRODUTÓRIO DE 2 HORAS OFERECIDO PARA A PÓS-GRADUAÇÃO DA UFABC EM NOVEMBRO DE 207 SUMÁRIO - BREVE DESCRIÇÃO, FUNDAMENTOS, CONCEITOS, CARACTERÍSTICAS,

Leia mais

Probabilidade e Estatística. Estimação de Parâmetros Intervalo de Confiança

Probabilidade e Estatística. Estimação de Parâmetros Intervalo de Confiança Probabilidade e Estatística Prof. Dr. Narciso Gonçalves da Silva http://páginapessoal.utfpr.edu.br/ngsilva Estimação de Parâmetros Intervalo de Confiança Introdução A inferência estatística é o processo

Leia mais