1 MBA em Gestão de Projetos e Processos Organizacionais Estatística Aplicada Galo Lopez Noriega...
Transcript of 1 MBA em Gestão de Projetos e Processos Organizacionais Estatística Aplicada Galo Lopez Noriega...
1
MBA em Gestão de Projetos e MBA em Gestão de Projetos e Processos OrganizacionaisProcessos Organizacionais
Estatística AplicadaEstatística Aplicada
Galo Lopez NoriegaGalo Lopez [email protected]@insper.org.br
2
Regressão Linear Múltipla
Levine: Capítulos 11 e 12Levine: Capítulos 11 e 12
Anderson: Capítulo 12Anderson: Capítulo 12
3
Alguns Exemplos
Faturamento bruto semanal em função dos gastos em anúncios de TV e Jornal;
Velocidade de um automóvel em função do seu peso e potência do motor;
Número de vendas de ações pelo preço esperado e valor da marca;
Nível de satisfação no trabalho em função do tempo de serviço e do salário.
4
Companhia de Transportes
A maior parte dos negócios de uma empresa de transporte
envolve entregas na região sul da cidade de SP. Para
desenvolver melhores horários de trabalho, os gerentes querem
estimar o tempo total de viagens diárias de seus motoristas.
Inicialmente os gerentes acreditavam que o tempo total de
viagens diárias estaria estritamente relacionado com o número
de quilômetros percorridos para fazer as entregas.
Uma amostra aleatória simples de 10 tarefas de entrega
forneceu os dados da tabela.
5
EntregaTempo de viagem (h)
Quilômetros percorridos
1 9,3 1002 4,8 503 8,9 1004 6,5 1005 4,2 506 6,2 807 7,4 758 6,0 659 7,6 9010 6,1 90
Diagrama de dispersão
0
2
4
6
8
10
40 50 60 70 80 90 100 110
quilômetros percorridos
Desenhando o gráfico scatter plot...
6
RESUMO DOS RESULTADOS
Estatística de regressãoR múltiplo 0,814905707R-Quadrado 0,664071312R-quadrado ajustado 0,622080226Erro padrão 1,001791873Observações 10
ANOVAgl SQ MQ F F de significação
Regressão 1 15,8713 15,8713 15,81457814 0,004080177Resíduo 8 8,028696 1,003587Total 9 23,9
Coeficientes Erro padrão Stat t valor-P 95% inferiores 95% superioresInterseção 1,273913043 1,400745 0,909454 0,389687361 -1,956211712 4,504037799Quilômetros percorridos 0,067826087 0,017056 3,976755 0,004080177 0,028495691 0,107156483
10678,027,1ˆ xy
Análise ANOVA no Excel...
7
Vamos ao nosso problema...
1- Pegamos a estatística t da nossa análise ANOVA:
Statistic t = 3,9767 H0 : 1 = 0
H1 : 1 0
Regra de Rejeição em um Nível de Significância
Nossas hipóteses:
2- Vamos comparar com a tabela t para um nível de significância de 0,05 e 8 graus de liberdade
t0,025 = 2,306
3- Comparando:
3,9767 > 2,306 rejeito a hipótese de H0: 1 = 0.
Isto é, existe uma relação entre x e y.
8
Tabela t-Student
Temos 10 observações. Então n – 2 =
10 – 2 = 8 graus de liberdade
Vamos analisar para um nível de significância de
5%. Isso é = 0,05. Para a nossa
análise, precisamos de /2. Então, /2 = 0,025. Com isso entramos
na tabela
9
Com um coeficiente de determinação (r2) de 0,664, vemos que 66,4% da variabilidade no tempo de viagem pode ser explicado pelo efeito linear do número de quilômetros percorridos.
Esta conclusão é boa, mas os gerentes poderiam considerar a idéia de adicionar uma segunda variávelsegunda variável independente para explicar alguma variabilidade remanescente na variável dependente.
Para pensar...
10
y x1 x2
EntregaTempo de viagem (h)
Quilômetros percorridos
Número de Entregas
1 9,3 100 42 4,8 50 33 8,9 100 44 6,5 100 25 4,2 50 26 6,2 80 27 7,4 75 38 6,0 65 49 7,6 90 310 6,1 90 2
Companhia de Transportes
Nossa tabela contemplando mais uma variável, número de entregasnúmero de entregas:
11
Regressão linear múltiplaModelo
y=0+1x1+2x2+...+pxp+
Modelo com duas variáveis explicativas
y= 0 + 1x1 + 2x2 +
Equação estimada^
22110 xbxbby
12
RESUMO DOS RESULTADOS
Estatística de regressãoR múltiplo 0,950678166R-Quadrado 0,903788975R-quadrado ajustado 0,876300111Erro padrão 0,573142152Observações 10
ANOVAgl SQ MQ F F de significação
Regressão 2 21,60055651 10,80027826 32,87836743 0,00027624Resíduo 7 2,299443486 0,328491927Total 9 23,9
Coeficientes Erro padrão Stat t valor-PInterseção -0,868701467 0,951547725 -0,91293526 0,391634304Quilômetros percorridos x1 0,061134599 0,009888495 6,182396959 0,000452961Número de Entregas x2 0,923425367 0,221113461 4,176251251 0,004156622
Análise ANOVA no Excel
13
1- Para a variável quilômetros percorridos:
Statistic t = 6,1823 H0 : 1 = = 0
H1 : 1 e/ou 0
Vamos fazer novamente a Regra de Rejeição em um Nível de Significância para cada variável
Nossas hipóteses:
2- Vamos comparar com a tabela t para um nível de significância de 0,05 e 7 graus de liberdade
t0,025 = 2,365
3- Comparando:
6,1823 > 2,365 rejeito a hipótese de H0: 1 = 0.
Isto é, existe uma relação entre x1 e y.
14
Tabela t-Student
Temos 10 observações. Então n – 3 =
10 – 3 = 7 graus de liberdade
Vamos analisar para um nível de significância de
5%. Isso é = 0,05. Para a nossa
análise, precisamos de /2. Então, /2 = 0,025. Com isso entramos
na tabela
15
1- Para a variável número de entregas:
Statistic t = 4,1762 H0 : 1 = = 0
H1 : 1 e/ou 0
Vamos fazer novamente a Regra de Rejeição em um Nível de Significância para cada variável
Nossas hipóteses:
2- Vamos comparar com a tabela t para um nível de significância de 0,05 e 7 graus de liberdade
t0,025 = 2,365
3- Comparando:
4,1762 > 2,365 rejeito a hipótese de H0: 1 = 0.
Isto é, existe uma relação entre x2 e y.
16
A porcentagem da variabilidade nos tempos de viagem que é
explicada pela equação de regressão estimada aumentou de
66,4% para 90,4%, adicionando-se o número de entregas
como uma segunda variável independente.
Conclusão
17
Coeficiente de Determinação Ajustado
De uma maneira geral R2 aumenta à medida que aumentamos o
número variáveis independentes. Muitos analistas preferem ajustar
R2 ao número de variáveis independentes para evitar superestimar o
impacto de adicionar uma variável independente na quantia de
variabilidade explicada na equação de regressão estimada; a medida
resultante é denominada coeficiente de determinação ajustado.
1
1)1(1 22
. Pn
nrrajust
r2
18
Cargos e saláriosO Jornal do Brasil costumava publicar, nas suas edições ao
domingos, uma pesquisa de salários para diversos cargos, sendo
informado, no apêndice metodológico, o número de anos de
experiência requerido para cada cargo. Os dados referem-se a
março/92 e abrangem os cargos que exigem curso superior.
Imagine como um gerente de RH através de um modelo de análise
de regressão, poderia utilizar esses dados para avaliar a estrutura da
sua empresa.
y: salário médio de cada cargo
x: anos de experiência
19
Estatística de regressãoR múltiplo 0,9307592R-Quadrado 0,8663127R-quadrado ajustado 0,8609652Erro padrão 748,84885Observações 27
ANOVAgl SQ MQ F F de significação
Regressão 1 90847500,9 90847501 162,0035929 2,01125E-12Resíduo 25 14019365,1 560774,61Total 26 104866866
Coeficientes Erro padrão Stat t valor-P 95% inferiores95% superioresInterseção -2814,378 516,984932 -5,4438289 1,18738E-05 -3879,127158 -1749,628Variável X 1 1168,652 91,8169548 12,728063 2,01125E-12 979,5515787 1357,752
xy 5,116838,2814
Cargos e salários
20
E se adicionássemos mais uma variável... Como
ficaria a nossa análise?
Para pensar...
y : salário médio de cada cargox1: anos de experiência
x2: cargo de gerência
x2: variável simbólica ou muda (dummy),onde sim=1, não=0)
21
RESUMO DOS RESULTADOS
Estatística de regressãoR múltiplo 0,946868639R-Quadrado 0,89656022R-quadrado ajustado 0,887940238Erro padrão 672,2910317Observações 27
ANOVAgl SQ MQ F F de significação
Regressão 2 94019460,4 47009730 104,0095 1,50055E-12Resíduo 24 10847405,6 451975,23Total 26 104866866
Coeficientes Erro padrão Stat t valor-P 95% inferiores95% superioresInterseção -1139,388889 784,339537 -1,452673 0,159265 -2758,185798 479,408Variável X 1 743,9591503 180,263561 4,1270634 0,000382 371,9135235 1116,005Variável X 2 1525,496732 575,843909 2,6491497 0,014047 337,0135616 2713,98
21 5,152596,7434,1139 xxy
Análise ANOVA no Excel
22
Cargo 1: exigência de 7 anos de experiência, sem experiência gerencial
Cargo 2: exigência de 9 anos de experiência, com 1 ano de experiência gerencial
21 5,152596,7434,1139 xxy
4068
5,152596,7434,1139 21
y
xxy
7082
5,152596,7434,1139 21
y
xxy
Análises Salariais:
24
Considerações iniciais
Mercado de sorvete é muito sazonal, 30% das vendas no inverno e 70% no verão, quando ingressam mais concorrentes.
As indústrias que permanecem no inverno e no verão são as que logram ter a liderança do setor e mantêm uma alta imagem de marca.
O consumo per capita é apenas 3,5 litros (período abril-agosto), apresentando potencial de crescimento.
25
Série histórica mensal 1998 a 2004
0
2
4
6
8
10
12
14
jan/
98
abr/9
8
jul/9
8
out/9
8
jan/
99
abr/9
9
jul/9
9
out/9
9
jan/
00
abr/0
0
jul/0
0
out/0
0
jan/
01
abr/0
1
jul/0
1
out/0
1
jan/
02
abr/0
2
jul/0
2
out/0
2
jan/
03
abr/0
3
jul/0
3
out/0
3
jan/
04
abr/0
4
jul/0
4
out/0
4
Con
sum
o
0
5
10
15
20
25
30
35
40
Clim
atol
ogia
Consumo [k Litros] Temperatura média [°C] Precipitação [Dias] Precipitação [cm]
Dados Estatísticos
26
Análise Quantitativa:
Premissas:
O Consumo de Sorvete é influenciado pelas condições sazonais climatológicas, Temperatura Média e Precipitação Pluviométrica (cm ou dias).
Utilizamos os dados da região da Grande São Paulo, por ser este o maior mercado consumidor.
Também influenciam o Consumo de Sorvete as variáveis simbólicas Campanhas e Lançamentos, bem como Racionamento de Energia.
A política de reajustes de preços praticada no setor, segundo a inflação, torna as variáveis explicativas Preços e Inflação, pouco significativas para o objetivo deste nosso trabalho.
A variável explicativa Renda não foi considerada, pois a sua influência na decisão de compra é muito baixa. Apesar de ser um artigo de luxo, o seu valor é significativamente baixo.
27
RESUMO DOS RESULTADOS
Estatística de regressãoR múltiplo 0,783509077R-Quadrado 0,613886474R-quadrado ajustado 0,594336422Erro padrão 1,601234513Observações 84
ANOVAgl SQ MQ F F de significação
Regressão 4 322,0401535 80,51004 31,40076 1,19531E-15Resíduo 79 202,5522052 2,563952
Total 83 524,5923588
Coeficientes Erro padrão Stat t valor-P 95% inferiores 95% superiores
Inferior 95,0%
Superior 95,0%
Interseção -4,86079515 1,830145557 -2,65596 0,009564 -8,503611837 -1,217978464 -8,50361 -1,21798Temperatura média [°C] 0,506402591 0,104786828 4,832693 6,5E-06 0,297829451 0,714975731 0,297829 0,714976Precipitação [Dias] -0,073049748 0,037124445 -1,9677 0,052612 -0,14694417 0,000844674 -0,14694 0,000845Campanhas e Lançamentos 2,786582291 0,404034802 6,896887 1,18E-09 1,982370455 3,590794127 1,98237 3,590794Racionamento de energia -1,265044945 0,597223575 -2,11821 0,037301 -2,45378974 -0,076300151 -2,45379 -0,0763
Análise ANOVA no Excel
28
Conclusão
Para os dados considerados, o melhor modelo de regressão obtido foi:
Consumo de Sorvete = - 3,35 + 0,3857*Temperatura Média + 2,589*Campanhas e Lançamentos - 1,246*Racionamento de Energia
59,5% das variações no Consumo de Sorvete podem ser explicadas, pelo modelo acima.
29
Você teria alguma sugestão de melhoria
para o processo estatístico?
Para pensar...
30
Melhorias para o processo estatístico
Ampliar a coleta dos dados estatísticos utilizados, pois a análise de outros dados climatológicos, além dos dados da Grande São Paulo, podem aumentar a representatividade destas variáveis.
Apesar de não termos evidências estatísticas da colinearidade entre temperatura e chuva, sabemos de relações físicas entre as mesmas, indicando a oportunidade de combinarmos estas variáveis, em uma única.
A utilização da temperatura média não foi adequada, pois uma temperatura média, não provoca metade do consumo.
Comentários..... Este mercado está muito influenciado pelas atividades de Marketing, que ocorrem
principalmente no verão, com o lançamento agressivo de produtos novos, promoções e grandes campanhas de publicidade.
Uma das principais variáveis incontroláveis que afetam o consumo é o clima, tanto em inverno como em verão (temperatura).
Sabe-se que as variáveis distribuição e preços competitivos, também afetam o consumo.
31
Que processo de melhoria você sugere?
Para o desenvolvimento do consumo de sorvete no Brasil é muito importante romper esta sazonalidade. Para isso recomendamos durante o inverno também ter atividades de Marketing que estimulem o consumo como lançamentos e promoções.
Deveria ser feito um Programa de Desenvolvimento de Hábito de Consumo para os próximos 10 anos que seja implementado durante os 12 meses de cada ano, endossado por doutores, nutricionistas, reforçando os valores nutritivos do sorvete.
Sugestão:
32
Estudo de caso: A Mountain States Potato Company
A organização Mountain States Potato Company é um empresa de processamento de batatas do leste de Idaho. Um sub-produto do processo é utilizado para fabricação de ração para gado de engorda. Foi levantada a hipótese que o gado alimentado com esta ração não estava ganhando peso conforme esperado pelos clientes da Mountain States.
Sabe-se historicamente que o market share da Mountain States foi de 11% e atualmente oscila entre 8 e 9%.
A Mountain States deseja retornar aos níveis anteriores de participação no mercado e suspeita que a rejeição de seu produto esteja relacionada ao percentual de sólidos contido na ração produzida, fator que poderia justificar a reclamação dos clientes sobre o fato do gado não mais engordar.
Pretendendo aumentar a satisfação de seus clientes para os níveis históricos, deseja-se identificar as variáveis do processo produtivo que podem influenciar o percentual de sólidos na ração. Espera-se que, após identificada estas variáveis, elas possam ser controladas, aumentando o percentual de sólidos na ração e a satisfação dos clientes tão logo o gado retorne aos padrões anteriores de engorda.
33
Estudo de caso: A Mountain States Potato Company
Este trabalho visa avaliar as razões pela qual ração fabricada pela empresa Potato Company não está engordando o gado conforme esperado.
Devido à essa alteração nas propriedades da ração, a empresa Potato Company perdeu nos últimos meses aproximadamente 3% do market share.
Possíveis causas da perda do mercado é a alteração no teor de sólidos na ração.
Supõe-se que essa alteração no nível de sólidos deva estar atrelada a dois fatores: pH (indica a ação bactericida do corante) e pressão inferior (pressão na linha do vácuo, abaixo da linha de fluido no
cilindro rotativo).
Com a utilização do método de regressão múltipla objetiva-se
a identificação da maior causa de geração de sólidos na ração.
34
Primeira análise seria fazer a regressão
múltipla vinculada aos dois fatores: pH e pressão inferior...
35
Estudo de caso: A Mountain States Potato Company
36
Estudo de caso: A Mountain States Potato Company
21 x28,0x84,282,3y
37
Estudo de caso: A Mountain States Potato Company
Utilize as outras variáveis para as suas análises de regressão...
A regressão está adequada para tomada de decisões?
O que você achaO que você acha
38
Previsão do IBOVESPA, considerando indicadores
financeiros globais
39
Variáveis Consideradas
Bolsas de valoresPaís Cidade Índice
Alemanha Frankfurt DAX
Brasil São Paulo BOVESPA
Espanha Madri IBEX-35
Estados Unidos New York DOW JONES
Estados Unidos New York NASDAQ
Inglaterra Londres FTSE100
Japão Tokyo NIKKEI225
México México MXX
IndicadoresDesempenho das Bolsas de
Valores
Risco País
Índice de Juros dos EUA
Risco País (EMBI - Emerging Markets Bonds Índex)
• Mostra a certeza ou falta de certeza que um país irá honrar seus compromissos;
• Quanto mais alto for este número, maior a possibilidade de calote;
• O banco J. P. Morgan foi o primeiro a fazer essa classificação;
40
Podemos comprovar que existe
relação entre o desempenho de
alguns indicadores globais com
o IBOVESPA ?
41
2003 a 2006 Mesma data para todas variáveis
42
Ótimo – Existe relação entre os indicadores.
Na prática, o modelo se mostra adequado? É possível empregar os
resultados do dia anterior para se prever
o fechamento do dia atual.
43
2003 a 2006 D-1 todas as variáveis
44
Set 2005 – Fev 2006 (D-1 para Todos)
45
Simulação de FechamentosIBOVESPA
Fechamento RealData do
IBOVESPA
Data de Fechamento das Variáveis
Independentes
Valor Previsto de Fechamento do IBOVESPA
Erro Percentual
Intervalo de Confiança (95%)
Intervalo de Predição (95%)
Fechamento Real Contido no
Intervalo de Predição?
37777,00 30/mar/06 29/mar/06 38020 0,643 ( 37651.1; 38388.7) ( 36731.2; 39308.7) Sim37492,00 29/mar/06 28/mar/06 37729 0,631 ( 37344.1; 38112.9) ( 36435.2; 39021.8) Sim36682,00 28/mar/06 27/mar/06 37888 3,288 ( 37399.2; 38376.9) ( 36560.0; 39216.1) Sim37641,00 27/mar/06 24/mar/06 38165 1,391 ( 37557.3; 38772.1) ( 36788.5; 39540.9) Sim37577,00 24/mar/06 23/mar/06 38092 1,370 ( 37477.6; 38706.2) ( 36712.7; 39471.1) Sim37474,00 23/mar/06 22/mar/06 38284 2,161 ( 37534.0; 39033.7) ( 36839.2; 39728.5) Sim37851,00 22/mar/06 20/mar/06 38435 1,543 ( 37853.6; 39016.3) ( 37070.1; 39799.8) Sim38204,00 20/mar/06 17/mar/06 38336 0,345 ( 37739.7; 38932.0) ( 36964.6; 39707.1) Sim38049,00 17/mar/06 16/mar/06 38447 1,046 ( 37857.5; 39036.5) ( 37078.6; 39815.4) Sim38157,00 16/mar/06 15/mar/06 38395 0,624 ( 37967.5; 38822.5) ( 37088.3; 39701.8) Sim38244,00 15/mar/06 14/mar/06 38133 -0,291 ( 37713.1; 38552.6) ( 36828.6; 39437.1) Sim37541,00 14/mar/06 13/mar/06 37837 0,787 ( 37424.6; 38248.4) ( 36534.8; 39138.2) Sim36793,00 13/mar/06 10/mar/06 37472 1,845 ( 37046.5; 37897.2) ( 36165.8; 38777.9) Sim36891,00 10/mar/06 09/mar/06 37306 1,124 ( 36946.2; 37665.3) ( 36019.6; 38591.9) Sim36312,00 09/mar/06 08/mar/06 37578 3,487 ( 37203.8; 37952.4) ( 36287.8; 38868.4) Sim37289,00 08/mar/06 07/mar/06 38056 2,056 ( 37695.1; 38416.1) ( 36769.2; 39342.0) Sim37423,00 07/mar/06 06/mar/06 39191 4,725 ( 38784.6; 39597.8) ( 37891.1; 40491.3) Não38354,00 06/mar/06 03/mar/06 39597 3,240 ( 39088.4; 40105.3) ( 38261.4; 40932.3) Sim39240,00 03/mar/06 02/mar/06 39607 0,935 ( 39150.2; 40063.7) ( 38290.3; 40923.5) Sim39126,00 02/mar/06 01/mar/06 39709 1,490 ( 39241.2; 40176.8) ( 38388.5; 41029.5) Sim39178,00 01/mar/06 24-Feb-06 39076 -0,259 ( 38657.5; 39495.2) ( 37772.4; 40380.3) Sim
Média 1,5%Média 1,5%
Vc compraria o meu modeloVc compraria o meu modelo
46
Carros Esportivos
A seguir são apresentados dados de preço, peso, potência e tempo
para acelerar de zero a 60 mph e a velocidade após ¼ de milha para 16
carros esporte e GT (1998 Road & Track Sports & GT Cars).
a) Desenvolva uma equação de regressão estimada com o preço, peso, cavalos e tempo para acelerar de zero a 60 mph com quatro variáveis independentes para prever a velocidade após ¼ de milha.
b) Use o Teste t para determinar o significado de cada variável independente. Em um nível de significância de 5%, qual é sua conclusão?
c) Remova qualquer variável independente que não seja significativa e forneça a sua recomendação de uma equação de regressão estimada.
47
Carros Esporte e GTPreço
(US$1000)Peso (lbs.) Potência
Zero a 60 (seg.)
Velocidade a 1/4 de
milha (mph)Acura Integra Tipo R 25,035 2577 195 7 90,7Acura NSX-T 93,758 3066 290 5 108BMW Z3 2.8 40,9 2844 189 6,6 93,2Chevrolet Camaro Z28 24,865 3439 305 5,4 103,2Chevrolet Corvette Convertible 50,144 3246 345 5,2 102,1Dodge Viper RT/10 69,742 3319 450 4,4 116,2Ford Mustang GT 23,2 3227 225 6,8 91,7Honda Prelude tipo SH 26,382 3042 195 7,7 89,7Mercedes Benz CLK320 44,988 3240 215 7,2 93Mercedes Benz SLK230 42,762 3025 185 6,6 92,3Mitsubishi 3000GT VR-4 47,518 3737 320 5,7 99Nissan 240SX SE 25,066 2862 155 9,1 84,6Pontiac Firebird Trans Am 27,77 3455 305 5,4 103,2Porsche Boxster 45,56 2822 201 6,1 93,2Toyota Supra Turbo 40,989 3505 320 5,3 105Volvo C70 41,12 3285 236 6,3 97
(a) velocidade=97,6+0,0693(preço)-0,00082(peso)+0,0590(potência)-2,48(zero60)
(b) preço e peso não são significativos;
(c) velocidade=103+0,0558(potência)-3,19(zero60)
48
Yen Chin Lee é a Gerente de Marketing da Country Kitchen Corporation (CKC), companhia de alimentos industrializados e está interessada em fazer previsões sobre as vendas de barras energéticas da Companhia. Baseada na sua intuição de gerente, Yen Chin descobriu que três fatores têm maior influência nas vendas de barras energéticas, são elas: gastos com publicidade (x1), gastos com materiais promocionais (x2) e as vendas dos concorrentes (x3). Yen gostaria de saber as vendas futuras nas regiões dadas na tabela como uma função da publicidade, materiais promocionais e concorrentes.
Obtenha a equação de regressão tendo as vendas da empresa como variável dependentes e as demais sendo variáveis independentes e efetue uma previsão de vendas tendo como cenário:- Gastos com publicidade US$700.000- Gastos com materiais promocionais US$600.000- Vendas da concorrência US$31300.000
Companhia de AlimentosPredizendo vendas de um produto
baseado em vários fatores
49
Região Vendas (y) Publicidade (X1) Promoções (X2) Concorrência (X3)(US$milhões) (US$milhões) (US$milhões) (US$milhões)
Selkirk 101,8 1,3 0,2 20,4Susquehanna 44,4 0,7 0,2 30,5Kittery 108,3 1,4 0,3 24,6Acton 85,1 0,5 0,4 19,6Finger lakes 77,1 0,5 0,6 25,5Berkshire 158,7 1,9 0,4 21,7Central 180,4 1,2 1 6,8Providence 64,2 0,4 0,4 12,6Nashua 74,6 0,6 0,5 31,3Dunster 143,4 1,3 0,6 18,6Endicott 120,6 1,6 0,8 19,9Five-Towns 69,7 1 0,3 25,6Waldeboro 67,8 0,8 0,2 27,4Jackson 106,7 0,6 0,5 24,3Stowe 119,6 1,1 0,3 13,7
Companhia de AlimentosPredizendo vendas de um produto
baseado em vários fatores