Baixe o app para aproveitar ainda mais
Esta é uma pré-visualização de arquivo. Entre para ver o arquivo original
* José de Souza Neto, Prof. PhD E-mail: jsneto@pq.cnpq.br jsneto.pro@hotmail.com * * 1. Representação de algum fenomeno 2. Modelo Matematico é uma expressão matematica de algum fenomeno 3. Geralmente descreve relações entre variaveis 4. Tipos Modelos Deterministicos Modelos Probabilisticos * 1. Exato Relacionamento entre variaveis 2. Aplicaveis quando dispensamos o termo aleatorio * 1. 2 Componentes Deterministico Termo Erro ou Aleatorio 2. Exemplo: Volume de vendas é 10 vezes o gasto com propaganda + Erro Y = 10X + Erro pode ser devido a fatores outros que não a propaganda * Process Decision Modelos Probabilisticos Modelos de Correlação Outros Modelos Modelos de Regressão * Process Decision Modelos Probabilisticos Modelos de Correlação Outros Modelos Modelos de Regressão * 1. Procura responder “ qual é a relação entre as variaveis? ” 2. Equação Usada 1 Variavel Dependente (Resposta) Numerica O que é para ser estimado ou predito 1 ou mais Variaveis Numericas ou Categoricas, Variaveis Independente (Explicativas). 3. Usados principalmente para fins de Predição e Estimação * 1. Define Variaveis Conceitual ( Propaganda, Preço, Renda, Lucro, etc) Empirico ( Coleta Preços, Quantidades…) Unidades de medida (R$, Unidades) 2. Estuda a Natureza das relações Efeitos esperados (Sinais dos Coeficientes) Forma Funcional (Linear ou Não-Linear) Interações * 1. Teoria (Sociologia, Economia, Agronomia…) 2. Matematica 3. Pesquisa 4. “Senso Comum” X-Axis Y-Axis Propaganda Vendas X-Axis Y-Axis Text Propaganda Vendas X-Axis Y-Axis Propaganda Vendas X-Axis Y-Axis Text Introductory Stage Growth Stage Maturity Stage Decline Stage Total Market Sales Time Propaganda Vendas * * Modelos de Regressão * Modelos de Regressão Simples 1 Variavel Explicativa * Modelos de Regressão 2 ou + Variaveis Explicativas Simples Multipla 1 Variavel Explicativa * Regressão Modelos de Linear Simples Multipla 1 Variavel Explicativa 2 ou + Variaveis Explicativas * Modelos de Regressão Linear Não- Linear Simples Multipla 1 Variavel Explicativa 2 ou + Variaveis Explicativas * Modelos de Regressão Linear Não- Linear Simples Multipla Linear 1 Variavel Explicativa 2 ou + Variaveis Explicativas * Modelos de Regressão Linear Não- Linear Simples Multipla Linear Não- Linear 1 Variavel Explicativa 2 ou + Variaveis Explicativas * * X-Axis Y-Axis Variação em Y Variação em X b = Inclin. a = Y- intercepto Y Y = a + bX X * Y X i i i 0 1 1. Relação entre variaveis segue uma função linear Variavel Dependente (Resposta) Variavel Independente (Explicativa) Inclinação Y-Intercepto Erro * Valores observados Valores Observados i = Erro X-Axis Y-Axis Y X * * 0 20 40 60 0 20 40 60 X Y 1. Plote todos os pares de pontos (Xi, Yi) 2. Sugira qual o melhor modelo * Como você poderia traçar um reta através dos pontos? Como determinar que reta seria melhor ajustada ? * Como você poderia traçar um reta através dos pontos? Como determinar que reta seria melhor ajustada ? * Como você poderia traçar um reta através dos pontos? Como determinar que reta seria melhor ajustada? * Como você poderia traçar um reta através dos pntos? Como determinar que reta seria melhor ajustada * Como você poderia traçar um reta através dos pontos? Como determinar que reta seria melhor ajustada ? * Como você poderia traçar um reta através dos pontos? Como determinar que reta seria melhor ajustada ? * Como você poderia traçar um reta através dos pontos? Como determinar que reta seria melhor ajustada ? * 1. ‘Melhor Ajustamento’ Significa que esperamos ter diferenças minimas entre os valores observados (Y) e valores preditos (Y ) pelo modelo. Diferenças com valores positivos e negativos MQO minimiza a soma das diferenças dos quadrados (SSE) * X-Axis Y-Axis 2 Y X 1 3 4 ^ ^ ^ ^ * Coeficiente Angular (Inclinação ) Coeficiente Linear (Intercepto) Equação Xi� Yi� Xi2� Yi2� XiYi� � X1� Y1� X12� Y12� X1Y1� � X2� Y2� X22� Y22� X2Y2� � :� :� :� :� :� � Xn� Yn� Xn2� Yn2� XnYn� � SXi� SYi� SXi2� SYi2� SXiYi� � * * 1. Inclinãção (1) Variações em Y devidas a 1 , quando fazemos X variar de uma unidade adicional Se 1 = 2, então Vendas (Y) aumenta por 2 para cada de acrescimo em Propaganda (X), por exemplo. ^ ^ ^ * 1. Inclinação (1) Variações em Y devidas a 1 , quando fazemos X variar de uma unidade adicional Se 1 = 2, então Vendas (Y) aumenta por 2 para cada de acrescimo em Propaganda (X), por exemplo. ^ ^ ^ * 1. Inclinação (1) Variações em Y devidas a 1 , quando fazemos X variar de uma unidade adicional Se 1 = 2, então Vendas (Y) aumenta por 2 para cada de acrescimo em Propaganda (X), por exemplo. ^ ^ ^ * 1. Inclinãção (1) Variações em Y devidas a 1 , quando fazemos X variar de uma unidade adicional 2. Intercepto (0) Valor Médio de Y Quando X = 0 Se 0 = 4, então em média, Venda (Y) é esperada ser 4 quando Propaganda (X) for igual a 0 (zero). ^ ^ ^ ^ Baseado nos dados de Propaganda e Vendas, qual a relação entre os mesmos ? Progaganda (R$) Vendas Quant. 1 1 2 1 3 2 4 2 5 4 * Vendas Propaganda Xi� Yi� Xi2� Yi2� XiYi� � 1� 1� 1� 1� 1� � 2� 1� 4� 1� 2� � 3� 2� 9� 4� 6� � 4� 2� 16� 4� 8� � 5� 4� 25� 16� 20� � 15� 10� 55� 26� 37� � * Qual a equação estimada ? * * 1. Inclinação (Coef Angular) (1) Volume de Vendas (Y) é esperado aumentar de 0,7 unidades para cada unidade R$1 gasto em Propaganda (X) ^ * 1. Inclinação (Coef Angular) (1) Volume de Vendas (Y) é esperado aumentar de 0,7 unidades para cada unidade R$1 gasto em Propaganda (X) 2. Intercepto (Coef. Linear) (0) Volume médio de vandas (Y) é -.10 unidade quando Propaganda (X) for 0 (zero) ^ ^ * Coeficientes Estimados Coeficiente Erro T for H0: Variavel DF Estimado Padrão Coef=0 Prob>|T| INTERCEPTO 1 -0.1000 0.6350 -0.157 0.8849 PROPAG. 1 0.7000 0.1914 3.656 0.0354 0 ^ 1 ^ k ^ Você é um administrador de uma empresa agropecuaria. Você coleta os seguintes dados: Fertilizante (kg.) Produção (kg.) 4 3.0 6 5.5 10 6.5 12 9.0 Qual é a relação entre fertilizante e produção de milho? * Produção (lb.) Fertilizante (kg.) Xi� Yi� Xi2� Yi2� XiYi� � 4� 3.0� 16� 9.00� 12� � 6� 5.5� 36� 30.25� 33� � 10� 6.5� 100� 42.25� 65� � 12� 9.0� 144� 81.00� 108� � 32� 24.0� 296� 162.50� 218� � * * * 1. Inclinação (1) Produção (Y) é esperada aumentar de 0,65 kg. para cada uma unidade (1 kg) de aumento em fertilizante (X) ^ * 1. Inclinação (1) Produção (Y) é esperada aumentar de 0,65 kg. para cada uma unidade (1 kg) de aumento em fertilizante (X) 2. Intercepto (0) Produção Média de Milho (Y) é esperada ser 0.8 kg . quando não for utilizado nada de fertilizante (X) ou seja quando (X = 0) ^ ^ * 1. Soma Total dos Quadrados (SSyy) Medida de variação dos valores observados Yi em torno da média de Y (Y) 2. Variação Explicada (SSR) Variação devida ao relacionamento entre as variaveis X e Y 3. Variação não explicada (SSE) Variação devida a outros fatores * Variação Total (Yi -Y)2 Variação explicada (Yi -Yi)2 ^ Variação não explicada (Yi -Y)2 ^ Yi X-Axis Y-Axis Y Xi Y X * 1. Proporção da Variação Explicada pela Relação entre X e Y. Interprete o coeficiente de determinação de 0.8167. 0 r2 1 r2 = 1 r2 = 1 r2 = .8 r2 = 0 X-Axis Y-Axis Y X X-Axis Y-Axis Y X X-Axis Y-Axis Y X X-Axis Y-Axis Y X * Root MSE 0.60553 R-square 0.8167 Dep Mean 2.00000 Adj R-sq 0.7556 C.V. 30.27650 r2 ajustado para o numero de variaveis independentes (explicativas) e tamanho da amostra. S r2 * Xi Yi Xi2 Yi2 XiYi 1 1 1 1 1 2 1 4 1 2 3 2 9 4 6 4 2 16 4 8 5 4 25 16 20 15 10 55 26 37 * * Parameter Estimates Parameter Standard T for H0: Variable DF Estimate Error Param=0 Prob>|T| INTERCEP 1 -0.1000 0.6350 -0.157 0.8849 PROPAG 1 0.7000 0.1914 3.656 0.0354 t = k / S P-Value S k k k ^ ^ ^ ^ * 1. Responde “como é forte a relação linear entre duas variaveis” 2. Coeficiente de Correlação Valores variam de -1 a +1 Mede o grau de associação entre duas variaveis 3. Usado principalmente para entendimento das relações entre variaveis. * 1. Conhecido como Coeficiente de Correlação de Pearson, r: * -1.0 +1.0 0 -.5 +.5 * -1.0 +1.0 0 -.5 +.5 Nenhuma Correlação * -1.0 +1.0 0 Aumentando o grau de correlação negativa -.5 +.5 Nenhuma Correlação * -1.0 +1.0 0 -.5 +.5 Perfeita CorrelaçãoNegativa Nenhuma Correlação * -1.0 +1.0 0 -.5 +.5 Aumentando o grau de correlação positiva Perfeita CorrelaçãoNegativa Nenhuma Correlação Coeficiente de Correlação - Valores * -1.0 +1.0 0 Perfeita Correlação -.5 +.5 Nenhuma Correlação Perfeita CorrelaçãoNegativa r = 1 r = -1 r = .89 r = 0 * 1. Mostra se existe uma relação linear entre duas variaveis numericas 2. Conclusão a respeito do coeficiente angular (intercepto) 1 3. Hipoteses H0: = 0 (Nenhuma Correlação) Ha: 0 (Correlação) 3 . 7 7 17 With positive linear relationship, sales increases infinitely. Discuss concept of ‘relevant range’. 18 This teleology is based on the number of explanatory variables & nature of relationship between X & Y. 19 This teleology is based on the number of explanatory variables & nature of relationship between X & Y. 20 This teleology is based on the number of explanatory variables & nature of relationship between X & Y. 21 This teleology is based on the number of explanatory variables & nature of relationship between X & Y. 22 This teleology is based on the number of explanatory variables & nature of relationship between X & Y. 23 This teleology is based on the number of explanatory variables & nature of relationship between X & Y. 24 This teleology is based on the number of explanatory variables & nature of relationship between X & Y. 24 This teleology is based on the number of explanatory variables & nature of relationship between X & Y. 26 28 35 40 42 43 44 45 46 47 48 49 52 53 54 57 58 59 62 65 66 67 78 79 80 106 108 ‘Standard Error’ is the estimated standard deviation of the sampling distribution, sbP. 132 134 135 136 137 138 139 141
Compartilhar