INSTITUTO FEDERAL DE EDUCAO, CINCIA E TECNOLOGIA DE GOIS BACHARELADO EM ENGENHARIA ELTRICA

Relatrio de Metodologia Cientfica: Ajuste de curvas e estimativa de dados do setor do agronegcio.

Joo Paulo Marques Tavares

Itumbiara 2013

INSTITUTO FEDERAL DE EDUCAO, CINCIA E TECNOLOGIA DE GOIS BACHARELADO EM ENGENHARIA ELTRICA

Relatrio de Metodologia Cientfica: Ajuste de curvas e estimativa de dados do setor do agronegcio.

Joo Paulo Marques Tavares

Relatrio de ajuste de curvas e estimativa de dados do setor do agronegcio apresentado como requisito de avaliao na disciplina de Metodologia Cientfica no curso de graduao de Engenharia Eltrica do Instituto Federal de Gois, sob a orientao do professor Joaquim Francisco Martins.

Orientador: Prof. M.Sc. Joaquim Francisco Martins

Itumbiara -2013

Relatrio de Metodologia Cientfica: Ajuste de curvas e estimativa de dados do setor do agronegcio.

Joo Paulo Marques Tavares

Relatrio de ajuste de curvas e estimativa de dados do setor do agronegcio apresentado como requisito de avaliao na disciplina de Metodologia Cientfica no curso de graduao de Engenharia Eltrica do Instituto Federal de Gois, sob a orientao do professor Joaquim Francisco Martins.

Prof. Joaquim Francisco Martins, M.Sc.

Itumbiara -2013

SUMRIO
1. 2. INTRODUO ......................................................................................................... 4 DESENVOLVIMENTO ............................................................................................ 5 2.1. 2.2. 3. 4. 5. 6. Anlise de Dados ................................................................................................ 5 Projees ............................................................................................................ 6

CONCLUSO ......................................................................................................... 10 REFERNCIAS BIBLIOGRFICAS .................................................................... 11 ANEXOS ................................................................................................................. 12 APNDICE .............................................................................................................. 15 6.1. Regresso .......................................................................................................... 15 Modelos de Regresso Linear ................................................................... 15 Coeficiente de Determinao .................................................................... 17 6.1.1. 6.1.2.

1.

INTRODUO
O problema de determinar dados futuros baseado em dados obtidos no

passado um problema comum na engenharia, na economia e em outras reas. H inmeras tcnicas que so capazes de resolver este problema, algumas extremamente sofisticadas, como as que envolvem inteligncia artificial, ou ainda tcnicas matemticas como a de Box-Jenkins. Uma tcnica simples e bastante utilizada a regresso. Este relatrio apresenta um problema do setor agrcola em que se deseja obter um modelo matemtico que se ajuste bem aos dados fornecidos e que ainda seja capaz de fornecer dados coerentes por meio de extrapolaes. A ferramenta utilizada para a soluo deste problema foi a regresso linear associada a anlises qualitativas baseadas em medidas indicadoras e nos resultados das projees, que tinha como objetivo escolher o melhor modelo entre os inmeros fornecidos por esse mtodo.

2.

DESENVOLVIMENTO

2.1.

Anlise de Dados
De acordo com as informaes fornecidas, que esto apresentadas na

Tab.(1), observa-se claramente que a produo de soja aumentou entre os anos de 2001 e 2007, em sequncia, entre nos anos de 2008 e 2009, a produo caiu de maneira considervel, aumentando na sequncia. Ano Milhes de Toneladas 2001 5 2002 8 2003 9 2004 15 2005 25 2006 29 2007 31 2008 30 2009 22 2010 25 2011 27 2012 24 Tab.(1): Dados coletados referentes produo de soja. Um diagrama de disperso (Grf.(1)) confirma a breve observao feita anteriormente, e nos permite ainda fazer uma anlise mais detalhada. Entre os anos de 2001 a 2003, o crescimento na produo foi quase linear, com uma taxa de variao mdia de dois milhes de toneladas por ano. Essa baixa variao pode ser uma estratgia adotada pela empresa para evitar possveis prejuzos, visto que nesse perodo a empresa tinha pouco tempo de mercado. Entre os anos de 2003 a 2006, o crescimento tambm quase linear, mas com uma taxa de variao mdia maior, de aproximadamente 6,7 milhes de toneladas por ano, sendo essa taxa amortecida pela baixa variao entre os anos de 2005 e 2006. Esse aumento na taxa de variao mdia pode ser explicado pelo tempo que a empresa j tem de mercado, visto que neste tempo de atuao a empresa j est mais estruturada e os seus gestores j possui experincias para elaborar estratgias que garanta este aumento na produo e um sucesso no mercado. Alm desses fatores, devemos

considerar a influncia do clima, que certamente, aliado com a experincia dos gestores, influenciou positivamente na produo. Entre 2006 e 2008 a taxa de variao media da produo foi muito baixa, em torno de 0,5 milho de toneladas por ano. Uma hiptese para esse fato, que neste perodo a empresa tenha alcanado suas metas em projetos estruturais. Algo que chama a ateno a queda de oito milhes de toneladas na produo entre os anos de 2008 e 2009. Tal queda pode estar relacionada a uma influncia climtica negativa e certamente est relacionada a crise econmica mundial que ocorreu entre 2008 e 2009. Entre 2010 e 2012 nota-se uma pequena recuperao.
Produo (Milhes de Toneladas) 35 30 25 20 15 10 5 0 0 1 2 3 4 5 6 7 8 9 10 11 12 13 Ano

Grf.(1): Digrama de disperso dos dados informados.

2.2.

Projees
A partir destes dados possvel fazer projees baseadas em anlises

quantitativas e qualitativas. Entre os inmeros mtodos utilizados em anlises quantitativas, adotou-se a regresso linear. A escolha do modelo matemtico, neste caso, foi feita baseada em anlises qualitativas e no coeficiente de determinao de cada modelo. De acordo com a Tab.(2), possvel observar que medida que se aumenta o grau do polinmio de regresso, maior o coeficiente de determinao. Isto evidenciado no Grf.(2).

Grau do polinmio 1 2 3 4 5 6 7 8 9 10 11

Coeficiente de Determinao 0.557712 0.854971 0.855495 0.931012 0.938345 0.986337 0.986350 0.986384 0.989917 0.995256 0.999529

Tab.(2): Coeficiente de determinao de cada polinmio de regresso.

1,2 Coeficiente de Determinao 1 0,8 0,6 0,4 0,2 0 0 2 4 6 8 10 12 Grau do Polinmio

Grf.(2): Coeficiente de Determinao em funo do grau do polinmio. Tomando o Coeficiente de Determinao como o nico indicador de deciso, pode se dizer que o polinmio de grau 11 o ideal, j que o seu coeficiente de determinao o maior. No entanto, os polinmios de graus maiores que seis apresenta valores discrepantes para as projees, alguns deles at sem sentido fsico. Conforme os dados da Tab.(2) e (3), pode-se dizer que as melhores curvas para a projeo so as dos polinmios que possuem graus entre dois e cinco. Grau do polinmio Valor de projeo para 2014 (Milhes de Toneladas por Ano )

1 2 3 4 5 6 7 8 9 10 11

35.099068 14.947552 13.247863 56.459402 26.230769 -160.019236 -151.937001 -189.831840 1129.196594 25754.784510 13740.888727

Tab.(3): Valores obtidos por meio do polinmio de regresso para 2014. Analisando os Grf.(4), (5), (6), (7) e (8) (apresentados no anexo), os polinmios que apresentam o melhor ajuste so os de quarto e quinto grau. Levando em conta os valores das Tab.(2) e (3), pode- se adotar o polinmio de regresso de quinto grau para como o modelo matemtico da produo de soja, visto que este um modelo que apresenta um bom ajuste, possui um coeficiente de determinao relativamente alto e sua estimativa coerente. O modelo adotado representado pela equao: ( ) Eq.(1): Modelo da produo de soja (Milhes de Tonelada por ano). A curva produzida pelo modelo apresentada no Grf.(3). possvel observar uma prolongao nesta curva. Esta prolongao apresenta as estimativas de produo para os prximos dois anos. De acordo com estas estimativas, a produo ir apresentar um pequeno aumento em relao ao ano de 2012, sendo que em 2014, conforme foi apresentado na Tab.(3), a produo ser de aproximadamente 26,2 milhes de toneladas.

Produo (Milhes de Toneladas)

35 30 25 20 15 10 5 0 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Ano

Grf.(3): Grfico do modelo adotado com a projeo para o ano de 2014.

10

3.

CONCLUSO
O modelo obtido por meio da regresso satisfatrio, pois apresenta um

bom ajuste e ainda fornece um resultado coerente. Alm disso, o resultado fornecido esperado, visto que a produo no ir aumentar de maneira repentina. No entanto esses resultados s foram obtidos com o modelo adotado, porque foi feito anlises qualitativas associadas a anlise quantitativa (a regresso linear). Deste modo conclui-se que o mtodo adotado muito til e satisfatrio, no entanto, exige outras anlises para que seja mais preciso.

11

4.

REFERNCIAS BIBLIOGRFICAS

CRESPO, A.A. . Estatstica Fcil. So Paulo: Editora Saraiva, 1998. COSTA NETO, P.L.O. . Estatstica. 12. ed. So Paulo: Editora Edgard Blcher MARCONI, M.A.; LAKATOS, E.M. .Metodologia cientfica. 4. Ed. So Paulo: MILESKI JUNIOR, A. . Anlise de mtodos de previso de demanda baseados

Ltda., 1992. Atlas, 2004. em sries temporais em uma empresa do setor de perfumes e cosmticos. Pontifcia Universidade Catlica do Paran, Dissertao de mestrado, 2007. http://pessoal.sercomtel.com.br/matematica/superior/algebra/mmq/mmq.htm#m mq04 (Site acessado no dia 08/10/13 -21:43)

12

5.

ANEXOS

Os grficos apresentados a seguir so das curvas obtidas por meio da regresso linear.
35 Produo (Milhes de Toneladas) 30 25 20 15 10 5 0 0 1 2 3 4 5 6 Ano 7 8 9 10 11 12

Grf.(4): Polinmio de regresso de primeiro grau.

35 Produo (Milhes de Toneladas) 30 25 20 15 10 5 0 0 1 2 3 4 5 6 Ano 7 8 9 10 11 12 13

Grf.(5): Polinmio de regresso de segundo grau.

13

35 Produo (Milhes de Toneladas) 30 25 20 15 10 5 0 0 1 2 3 4 5 6 Ano 7 8 9 10 11 12 13

Grf.(6): Polinmio de regresso de terceiro grau.

35 Produo (Milhes de Toneladas) 30 25 20 15 10 5 0 0 1 2 3 4 5 6 Ano 7 8 9 10 11 12 13

Grf.(7): Polinmio de regresso de quarto grau.

14

35 Produo (Milhes de Toneladas) 30 25 20 15 10 5 0 0 1 2 3 4 5 6 Ano 7 8 9 10 11 12 13

Grf.(8): Polinmio de regresso de quinto grau.

15

6.

APNDICE

6.1.

Regresso
A regresso uma tcnica matemtica, que relaciona o comportamento de

uma varivel dependente de um determinado fenmeno com as suas respectivas variveis independentes, por meio de um modelo matemtico. Um modelo de regresso denominado simples quando o modelo matemtico contm apenas duas variveis: a varivel independente e a varivel dependente. Quando um modelo matemtico obtido por meio desta tcnica apresenta mais de duas variveis, ento se trata de uma regresso mltipla ou multivariada. Por meio da regresso possvel obter modelos matemticos lineares e no lineares. Diferente dos modelos matemticos obtidos por interpolao, os modelos obtidos por est tcnica fornece resultados satisfatrios em extrapolaes. Isto justifica o seu uso na economia, na engenharia e nas demais reas que exigem previses sobre o comportamento de um determinado fenmeno. Os modelos obtidos na regresso nem sempre fornecem valores iguais aos valores da varivel dependente da amostra, isto , os valores fornecidos por estes modelos matemticos apresentam certo desvio em relao aos valores da amostra. Estes desvios podem significar que falta uma varivel independente, ou que as variaes da varivel dependente no so muito bem explicadas pelas variaes das variveis independentes, ou ainda que a amostra obtida apresenta distores considerveis em relao a realidade.

6.1.1. Modelos de Regresso Linear

A regresso linear, basicamente, busca um polinmio y=f(x) em que a soma dos quadrados das distncias entre as variveis dependentes do modelo e as variveis dependentes da amostra seja a mnima possvel. Seja uma amostra composta por N pares ordenados cuja varivel dependente seja Y e a independente seja X, deseja-se obter um polinmio y=f(x) de grau m, tal que a soma dos quadrados das distncias seja mnima. Sendo o erro (ou distncia) determinado por:

16

( ) Eq.(2): Erro entre a varivel dependente da amostra e a estimada. ento deseja-se minimizar a seguinte expresso:

Eq.(3): Soma dos quadrados das distncias. No entanto, sabendo que:

Eq.(4): Valor estimado pelo modelo quando x=Xi . Substituindo a Eq.(4) na Eq.(3), teremos:

Para minimizar essa ltima expresso preciso deriva-la em relao aos coeficientes e igualar o resultado a zero. Ento, para um coeficiente ak, a derivada parcial ser: ( )

Eq.(5): Termo genrico da derivada parcial de Et. Igualando a Eq.(5) a zero, :

Eq.(6): Expresso obtida ao igualar a Eq.(4) a zero. A Eq.(6) uma expresso muito importante, visto que se trata de uma expresso genrica das equaes lineares do sistema cuja soluo fornece os ndices do polinmio de regresso. Sendo o ndice k uma representao genrica dos ndices obtido ser: , o sistema citado obtido aplicando as Eq.(5) e (6) para tais ndices. Feito isso, o sistema

17

Em notao matricial, o sistema assume a seguinte forma: ( ) ( ) ( ) ( ( ( ) ) [ )] ] [ ( ( ( ) ) ) ]

( ) [ ( )

Eq.(7): Equao matricial do sistema obtido na regresso. Sendo que: ( ( ) )

possvel simplificar a Eq.(7) simplesmente mudando notao das matrizes: Eq.(8): Notao alternativa da Eq.(7). Deste modo, fica claro que o vetor de coeficientes do polinmio de regresso determinado por: Eq.(9): Expresso que determina os valores dos coeficientes do polinmio de regresso.

6.1.2. Coeficiente de Determinao

O coeficiente de determinao uma medida utilizada como um indicador de aproximao. Basicamente, esta medida indica o quanto o polinmio de regresso explica o ajuste da reta. O coeficiente de determinao dado pela seguinte expresso: ( ( ( ) ) ) ( ) ( )

Eq.(10): Coeficiente de Determinao