Logística/Técnicas de previsão/Metodologia bootstrap: diferenças entre revisões
| [edição não verificada] | [edição não verificada] |
Conteúdo apagado Conteúdo adicionado
Sem resumo de edição |
Sem resumo de edição |
||
Linha 1:
A metodologia ''bootstrap'' é um sistema pericial que traduz as regras de um [[w:Especialista|perito]] para um modelo quantitativo. Esta tradução é efectuada por regressão das previsões do perito em relação à informação que este usou. Na realidade, esta metodologia infere o modelo do perito através da análise das previsões realizadas pelos mesmos ([[Logística/Referências#refbARMSTRONG|Armstrong, 2001, p. 171]]).
Esta ferramenta torna-se, particularmente, útil quando existem poucos dados históricos ou quando estes têm pouca qualidade e é mais apropriada para situações complexas, nas quais as opiniões dos peritos inspiram pouca confiança. Caso seja necessário elaborar várias previsões, a metodologia torna-se económica.
Alguns estudos mostram que a metodologia ''bootstrap'' melhorou a [[w:Qualidade|qualidade]] das decisões
Na metodologia ''bootstrap'', os peritos efectuam previsões sobre situações reais ou simuladas e são utilizados meios estatísticos para inferir os modelos de previsão. Esta metodologia utiliza as previsões dos peritos como variável dependente e as
<math> \ Y^' = </math> <math> \ a + b_1 X_1 + b_2 X_2 + </math> ... <math> \ + b_n X_n </math>
De maneira a desenvolver uma metodologia ''bootstrap'' é necessário seguir determinados princípios ([[Logística/Referências#refbARMSTRONG|Armstrong, 2001, p. 173-177]]):
* Incluir todas as variáveis que o perito possa usar;
Linha 23:
* Realizar controlo formal.
A metodologia ''bootstrap'' apresenta previsões mais fiáveis do que a opinião simples dos peritos especialmente quando ([[Logística/Referências#refbARMSTRONG|Armstrong, 2001, p. 188]]):
* O problema de previsão é complexo;
Linha 30:
* A alternativa é obter previsões de peritos com pouco experiência.
A metodologia ''bootstrap'' é uma técnica com uma certa utilidade, visto que é simples, tem um baixo custo associado e os resultados são bastante fiáveis.
{{AutoCat}}
| |||