Predio do preo mdio anual do frango por intermdio de

regresso linear
Joo Flvio A. Silva
1
Tatiane Gomes Arajo
2
Janser Moura Pereira
3
1 Introduo
Visando atender de maneira simultnea e harmnica os objetivos financeiros e
mercadolgicos, as empresas utilizam diversas metodologias para realizar a precificao de
produtos. O preo o volume de dinheiro cobrado por um bem ou servio, que pode ser
baseado no valor percebido pelo consumidor, na concorrncia e no custo (KOTLER, 2006).
No preo baseado no custo repassado ao cliente seus custos de produo,
distribuio, comercializao e margens propostas para o produto, alm de ser constantemente
monitorados. A predio do preo do frango com base no preo do milho e da soja, que
representam parte do custo de produo e principais componentes da dieta alimentar do
frango, podem auxiliar na formulao do preo de venda deste.
O Brasil o terceiro maior produtor mundial e maior exportador de frango, segundo a
Unio Brasileira de Avicultura (UBA). No ano de 2012 foram produzidas 12,645 milhes de
toneladas, sendo que destes 69% foram destinados ao consumo interno, totalizando um
consumo per capita de 45 quilos por pessoa. Neste mesmo ano o estado do Paran foi
responsvel por 30,39% da produo (UBA, 2013).
A base da rao do frango composta pelo farelo de soja e o milho, que so
commodities, ou seja, so produtos de origem primria em estado bruto ou pequeno grau de
industrializao, com qualidade quase uniforme e so produzidos e comercializados em
grandes quantidades do ponto de vista global, os quais so transacionados nas bolsas de
mercadorias (BRANCO, 2008).
Tendo uma variao no preo da soja e do milho, ocorre uma influncia no custo de
produo do frango, podendo acarretar um aumento no preo pago pelo consumidor final.
1
FAMAT - Universidade Federal de Uberlndia. Email: joao.1988@hotmail.com
2
FAMAT - Universidade Federal de Uberlndia. Email: tatigomesaraujo@yahoo.com.br
3
FAMAT - Universidade Federal de Uberlndia. Email: janser@famat.ufu.br
689
Portanto, o objetivo deste trabalho apurar a relao entre o preo mdio de venda anual do
quilo do frango resfriado, o preo mdio anual do quilo do milho em gro e o preo mdio
anual do quilo do farelo de soja, no Estado do Paran.
2 Material e mtodos
No presente trabalho buscou-se avaliar a relao do frango em funo do preo do
milho e da soja por meio da anlise de regresso. A anlise de regresso objetiva estudar a
relao entre varivel resposta (dependente) e uma ou mais variveis preditoras
(independentes) a fim de estabelecer um modelo estatstico para prever o valor mdio da
varivel resposta (DRAPER & SMITH, 1998).
Um modelo de regresso dito linear quando a varivel resposta funo linear dos
parmetros, e aos modelos de regresso linear que possuem apenas uma varivel preditora
dado o nome de modelo de regresso linear simples, e chamamos de modelo de regresso
linear mltiplo os casos onde existe mais de uma varivel preditora (DRAPER & SMITH,
1998).
O Modelo de Regresso Linear Mltipla (MRLM) tem definio matricial dada por
(DRAPER & SMITH, 1998):
= +,
em que: o vetor que contm as observaes da varivel resposta, o vetor de
parmetros, a matriz das observaes das variveis preditoras em que o nmero de
colunas igual quantidade de parmetros e as linhas correspondem s observaes da
respectiva varivel preditora de cada coluna, exceto a primeira coluna que uma coluna de
elementos iguais a 1 e o vetor dos erros que so variveis aleatrias independentes com
distribuio normal com mdia zero e varincia dada por

, onde a matriz identidade.

Para construir o MRLM necessrio estimar o vetor de parmetros do modelo. Uma
forma de obter tais estimativas por meio do Mtodo dos Mnimos Quadrados, tcnica que
consiste em minimizar a soma de quadrados dos erros (resduos), ou seja, minimizar a funo:
=

,
690
em que

, com = 1, , , so os erros. Desta forma o mtodo dos mnimos quadrados

consiste em determinar os coeficientes do vetor que produz a menor soma de quadrados dos
erros.
Seja uma funo convexa, para obter um ponto de mnimo, inicialmente
encontramos seus pontos crticos. O ponto crtico da funo calculado igualando o
gradiente de a zero (FRANCO, 2006):

= 0.
Gerando assim um sistema de equaes, substituindo o vetor por

e resolvendo o
sistema obtemos os estimadores de mnimos quadrados

para o modelo em questo.

De acordo com Charnet (1999), quanto maior o nmero de variveis regressoras,
menor a soma de quadrados do erro. Porm, muita das vezes, um grande nmero de
variveis pode ser dispendioso, desta forma precisamos encontrar um modelo estatstico
parcimonioso, ou seja, um modelo que explique os dados com o menor nmero de variveis
possveis sem perda significativa de informao. Um mtodo amplamente utilizado para
seleo de variveis o critrio de Stepwise. Aps cada etapa de incorporao de uma
varivel, temos uma etapa em que uma das variveis j selecionadas pode ser descartada. O
procedimento chega ao final quando nenhuma varivel includa ou descartada. O critrio de
adicionar ou retirar uma varivel pode ser estabelecido equivalentemente por intermdio da
reduo da soma de quadrados do erro, ou do coeficiente de correlao parcial ou da
estatstica F (AZEVEDO, 1997).
No estudo realizado foi proposto um modelo de regresso linear mltiplo em que a
varivel resposta o preo do frango e as variveis preditoras foram preo do milho

e preo da soja

. As pressuposies de normalidade, independncia e homogeneidade

acerca dos resduos do modelo estimado foram verificadas por meio dos testes de Shapiro-
Wilk, Durbin Watson e teste F, respectivamente. Cabe ressaltar que as anlises estatsticas
foram realizadas no software livre R (R Core Team, 2013).
3 Resultados e discusses
Os resultados sobre o ajuste do modelo de regresso a partir do critrio de Stepwise
so apresentados na Tabela 1.
691
Tabela 1. Resultado do ajuste do modelo de regresso, para predio do preo mdio do quilo
do frango, a partir do critrio de Stepwise.
Coeficientes Estimativa Erro padro Estatstica t p-valor
Intercepto 0,2381 0,1204 1,978 0,066635
Milho (

) 4,6731 0,9955 4,694 0,000288

Soja (

) 1,0870 0,4557 2,385 0,030688

A partir dos resultados da Tabela 1, ao nvel de significncia de 5%, temos que todos
os parmetros, com exceo do intercepto, so significativos. No entanto, os autores optaram
por ajustar um modelo com o intercepto. Logo, as variveis milho e soja so significativas
para o modelo, sendo definido da seguinte forma:
= 0,2381 +4,6731

+ 1,087

,
em que corresponde predio do preo mdio de venda anual do quilo do frango resfriado;

o preo mdio anual do quilo do milho em gro;

o preo mdio anual do quilo do

farelo de soja. Preos estes referentes a comercializaes no atacado do estado do Paran.
Tabela 2. Resultado dos testes para pressuposies de normalidade, independncia e
homocedasticidade dos resduos.
Teste Estatstica p-valor
Shapiro-Wilk 0, 9486 0,4039
Durbin-Watson 1,5738 0,1261
F 0,6216 0,5164
Com base nas estatsticas apresentadas na Tabela 2, ao nvel de significncia de 5%,
todas as pressuposies foram atendidas. Sendo a normalidade verificada por meio do teste
Shapiro-Wilk, independncia averiguada por meio do teste Durbin-Watson e homogeneidade
de varincia dos resduos a partir do teste F.
4 Concluses
Por intermdio do modelo de regresso linear mltiplo estimado constatou-se que a
varivel preo mdio de venda anual do quilo do frango resfriado pode ser predita com base
no preo mdio anual do quilo do milho em gro e o preo mdio anual do quilo do farelo de
692
soja, no Estado do Paran. O modelo apresentou excelente ajuste, conseguindo captar 94,36%
da variabilidade total do preo mdio do frango.
Bibliografia
AZEVEDO, P. R. M. Modelos de Regresso Linear. Natal: Ed. da UFRGN, 1997. 211p.
BRANCO, A. L. de O. C. A produo de soja no Brasil: uma anlise economtrica no
perodo de 1994-2008, 54. Monografia Cincias Econmicas, Pontifica Universidade
Catlica de Campinas, 2008.
CHARNET, R.; FREIRE, C. A. L.; CHARNET, E M. R.; BONVINO, H. Anlise de
modelos de regresso linear com aplicaes. Campinas: Ed. da UNICAMP, 1999. 356p.
DRAPER, N.R.; SMITH, H. Applied regression analysis. 3. ed. New York: John Wiley e
Sons, 1998. 706p.
FRANCO, N. B. Clculo Numrico. So Paulo: Prentice-Hall, 2006. 505p.
KOTLER, P.; KELLER, K. L. Administrao de Marketing. 12. ed. So Paulo: Pearson
Prentice Hall, 2006.
R Core Team (2013). R: A language and environment for statistical computing. R
Foundation for Statistical Computing, Vienna, Austria.URL http://www.R-project.org/.
UNIO BRASILEIRA DE AVICULTURA. Relatrio Anual, 2013. Disponvel em
http://www.ubabef.com.br/files/publicacoes/732e67e684103de4a2117dda9ddd280a.pdf
Acesso em 22/02/2014.
693