3 Precificação de resseguro

Tamanho: px
Começar a partir da página:

Download "3 Precificação de resseguro"

Transcrição

1 Precfcação de Resseguro 35 3 Precfcação de resseguro Este capítulo traz prmeramete uma oção ampla das aplcações das metodologas de precfcação de resseguro para melhor compreesão do mesmo Da seção 3 até a 35 são expostos com as metodologas para precfcá-los Esta estrutura fo adotada depos da aálse das demas possbldades e mostrou-se a mas ddátca, á que em todas as metodologas são aplcáves a todos os tpos de resseguro, e, além dsso, carregam partculardades que merecem ateção coforme proposto aqu Ao fal, a seção 36 complemeta o capítulo com tópcos de suma mportâca que abragem o tratameto adequado dos dados, que através dos austes de íves possblta a modelagem sem ecessdade de aplcação de séres temporas; os dferetes prcípos de prêmo que se aplcam a cada metodologa exstete, sedo que eles são os mesmos prcípos ecotrados a tarfação geral de seguros, coforme Kass (200); e o auste de dstrbução com os testes de aderêca e partculardades dos cotratos de resseguro A precfcação de resseguro tem partculardades que a toram especal e específca A razão prcpal para tato é que exstem dversos tpos de resseguro, coforme abordado o capítulo ateror, com amplas possbldades de cotratação Exstem três métodos geras para a precfcação de resseguro: tarfação por experêca, tarfação por exposção e modelagem o etato, cada cotrato de resseguro a ser precfcado pode solctar tratameto dferecado, devdo ao ramo de seguro, à qualdade da base de dados, ao tempo de experêca, a poto de, em mutos casos, ecesstar de mplemetações coutas dessas téccas Algumas dessas metodologas são utlzadas para tpos específcos de resseguros e ão são aplcadas em outros A dvsão etre precfcação de resseguros proporcoas e precfcação de resseguros ãoproporcoas surge deste fato Uma vsão geral das metodologas é mportate para compreeder o processo de precfcação de resseguro Com este obetvo, as Tabelas 5 e 6 foram elaboradas A prmera destaca as metodologas de precfcação que

2 Precfcação de Resseguro 36 podem ser usadas para cada tpo de resseguro, e a seguda apreseta as hpóteses ecessáras para proeções Tabela 5 Relação das metodologas com os tpos de resseguro Excedete de Resposabldade (Surplus) Aálse de despesas x x Experêca Exposção Excesso de Daos (por Rsco e por Catástrofe) (Excess of loss) x x Excesso de Daos Aual (Stop loss) Modelagem x x Tabela 6 Base de cálculo de prêmo e sstro por tpo de resseguro Prêmo de Resseguro Sstro de Resseguro - S - Cota- Parte (Quotashare) Cota- Parte (Quotashare) % da proeção do prêmo total orgal % da proeção do sstro total Excedete de Resposabldade (Surplus) % por apólce (IS para comparar com reteção) para aplcar o premo aplcar o % por apólce acma o valor dvdual de cada sstro valor dvdual do sstro valor agregado Excesso de Daos (por Rsco e por Catástrofe) (Excess of loss) ão é fução do premo orgal cobrado Cálculo do prêmo será feto sobre experêca ou proeção de sstro acma do ível de reteção Todo ou qualquer sstro acma do ível de reteção Excesso de Daos Aual (Stop loss) ão é fução do premo orgal cobrado Cálculo do prêmo será feto sobre experêca ou proeção de sstro agregado o ao S acma do ível de reteção Todo ou qualquer sstro total aual S acma do ível de reteção a prátca atuaral são cosderados outros fatores além do cálculo de prêmo obtdo através destas metodologas Os sstros e o desevolvmeto dos cotratos e dos rscos são essecas a cotação de um plao de resseguro, o etato, fatores exteros à cartera específca precfcada também fluecam o fechameto de um cotrato de resseguro Detre os fatores exteros, destaca-se: carteras adcoas como prérequsto de acetação da cartera em questão; aqusção de prátca em ovo mercado; dferetes carregametos de despesas; e, prcpalmete, oportudade em egócos adcoas

3 Precfcação de Resseguro 37 3 Cota-parte O resseguro do tpo cota-parte é, por defção, proporcoal Propramete, ão há ecessdade de metodologas para precfcá-lo, pos ele todas as resposabldades são proporcoas, desde prêmos até sstros Com sso, sea ( ) = o prêmo cobrado pela seguradora, etão o prêmo de resseguro é defdo por: Pr êmo Re = ( a) = ( ) o etato, sso se tora aproprado a medda em que o prcípo de prêmo adotado pelo ressegurador for o mesmo da seguradora, como segue: Sea um rsco com fução de dstrbução F e a fução de reteção g a ( ) = a com a (0,), segue que, tem-se ada =,2,,, sedo o úmero total de apólces subscrtas O preço do resseguro para a cartera que cotém os rscos,,, 2 e reteção (0,) Pr êmo Re = = a será: ( a ) E ( Se o prêmo da seguradora é defdo por ( ) = E ) substtução, coclu-se que: Pr êmo Re = ( a) = ( ) ) (, por Cotudo, destaca-se que as despesas e a margem de lucro da seguradora e do ressegurador podem ser dferete, e exatamete por esse motvo que uma aálse das mesmas é ecessára, coforme assalado a Tabela 5 3 Partculardades dos cotratos proporcoas As dfereças dos custos operacoas etre a seguradora e o ressegurador podem exgr uma aálse especal Clark (996) afrma que ressegurar uma seguradora que obtém lucros, ão é garata de lucros para o ressegurador, e por sso exstem fatores austáves As partculardades destacadas por Clark (996) são explcadas a segur

4 Precfcação de Resseguro 38 3 Comssão os lucros A comssão os lucros é um percetual os lucros do ressegurador, o cotrato, que é retorado à seguradora como comssão adcoal Esse tpo de comssão também deve ser cluída o modelo, com dstrbução do ídce de sstraldade Porém, há ambgüdades quato às provsões compesatóras Exemplo: Supoha que o cotrato teha estabelecdo a Comssão de Lucros de 50% Para os resultados abaxo, a comssão de lucros equvale a: Tabela 7 Exemplo comssão os lucros Sstraldade 55% Comssão de Resseguro 25% Margem de Despesas 0% Lucro de Resseguro 0,00% % Comssão os Lucros 50% Comssão de Lucro Fal 5,00% 32 Faxas de sstraldade A aplcação de faxas de sstraldades, do glês, loss corrdors, prevê que a seguradora va reassumr uma parcela da resposabldade do ressegurador se o ídce de sstraldade exceder um determado valor Mas adequadamete modelado usado a dstrbução agregada de sstros Exemplo: Supoha que o cotrato teha estabelecdo 75% a faxa etre 80% e 90% de sstraldade Tem-se, etão: Tabela 8 Exemplo faxas de sstraldade Faxas de Faxas de Sstraldade 75% Sstraldade Sem Loss Corrdors Com Loss Corrdors 0% - 80% 80,00% 80,00% 80% - 90% 0,00% 2,50% >90% 0,00% 0,00% 00,00% 92,50% 33 Comssão escaloada A comssão escaloada é um percetual do prêmo pago pelo ressegurador à cedete, varável com o resultado observado, lmtado a valores

5 Precfcação de Resseguro 39 mímos e máxmos O ídce técco (sstraldade observada + corretagem efetva) vara meos se a comssão for assm cotratada E sso também pode ser abordado como um modelo agregado de dstrbução de sstros Exemplo: Supoha que o cotrato teha estabelecdo a Comssão de Provsão (Ical) de 30%, Comssão Míma de 25% com sstraldade de 65%, após varado de : até 35% com sstraldade de 55%, após varado de 0,5: até 45% com sstraldade de 35% Tem-se, etão, o segute: Tabela 9 Exemplo de comssão escaloada Ídce Técco com Sstraldade Comssão Ídce Técco com Comssão Fxa (30%) Observada Austada Comssão Escaloada < 65% < 35% 45,0% <80% 70% 40% 42,5% 82,5% 80% 50% 37,5% 87,5% 85% 55% 35,0% 90,0% 90% 60% 30,0% 90,0% 95% 65% 25,0% 90,0% Exemplo: Dada a fução de dstrbução de probabldades da Tabela 20 Tabela 20 Exemplo comssão escaloada Faxas de Méda Comssão Probabldade Sstraldade a Faxa Escaloada 0% - 35% 3,50% 0,025 45% 35% - 55% 46,90% 0,3 39% 55% - 65% 59,90% 0,222 30,% >65% 82,20% 0,442 25% Caso exsta cotratação de comssão escaloada, esta deve ser cluída os cálculos de precfcação O problema este método é que se gora o fato de que o cotrato pode ão ser reovado o próxmo ao, sedo que ecessta de tempo para covergr 32 Excedete de resposabldade O resseguro do tpo excedete de resposabldade também é, por defção, proporcoal Da mesma forma, ão há ecessdade de metodologas para precfcá-lo, as resposabldades são proporcoas, desde prêmos até

6 Precfcação de Resseguro 40 sstros Com sso, sea ( ) o prêmo cobrado pela seguradora para a ésma apólce, etão o prêmo de resseguro total é defdo por: Pr êmo Re = = ( ) ( a ) Se o prcípo de prêmo adotado pelo ressegurador for o mesmo da seguradora, sso se tora gualmete aproprado, como segue: Sea um rsco com fução de dstrbução F, =,2,,, sedo o úmero total de apólces subscrtas e ada sea v o valor segurado ou mportâca segurada da ésma apólce, v 0 > 0 é o valor de reteção O preço do resseguro para a cartera que cotém os rscos,,, 2 e reteção a (0,) será: Pr êmo Re = = ( a ) E( Logo, se o prêmo da seguradora é defdo por ( ) = E ) substtução, coclu-se que: Pr êmo Re = = ) ( ) ( a ) (, por A ressalva ateror referete à aálse de despesas e marges da seguradora e do ressegurador cotua válda para esse tpo de cotrato 33 Excesso de dao por rscos Este resseguro, coforme exposto a seção 25, é classfcado como ão proporcoal Daí advém a ecessdade de precfcação com metodologa específca Serão apresetadas as metodologas de precfcação por experêca, por exposção, por modelagem geral e por modelagem sob Pareto 33 Precfcação por experêca ou burg cost A tarfação por experêca, do glês experece ratg, cosdera a sstraldade dos últmos aos, ou sea, basea-se em sstros ocorrdos o passado Através de correções apropradas os sstros são adaptados de forma a lustrarem bem a carga de sstro que ocorrerá o futuro A prcpal

7 Precfcação de Resseguro 4 característca é que a cofaça a base de dados é altíssma Acredta-se, essa metodologa que o passado será replcado o futuro, ou sea, a déa prcpal é que o hstórco de sstro, austado corretamete, é a melhor maera de se prever as expectatvas futuras Coforme á fo apresetado, este tpo de resseguro prevê cobertura de sstro de um rsco a partr da reteção da seguradora Clark (996) deoma esta metodologa como burg cost, e pela ecessdade de adequação da base de dados, sugere que as segutes etapas devem ser segudas: O prmero passo é levatar o hstórco maor possível e fazer avalação etre credbldade e resposabldade da qualdade das formações Cudado especal deve ser tomado com sstros próxmos aos lmtes das faxas, pos ao terem seus valores atualzados pela flação podem mudar de faxa (layer) O passo segute compõe-se dos austes as bases de prêmo com fatores de taxa, preço e flação; assm como auste dos valores dos sstros hstórcos, coforme á mecoado A metodologa deve segur aplcado os fatores de evolução estudados para os sstros, sedo possível estmar uma sstraldade em cada faxa de valor de sstro, ode dscussões a respeto de deslocametos a méda são sempre fudametas Sea k o úmero de períodos de experêca austados por volume de prêmo, flação e íves de tarfa, sea em que ocorreram sstros Sea, respectvamete, =,2,, k um período de experêca u e h a prordade e o lmte de cobertura austados para o ao Sea x, o ésmo sstro ocorrdo o ao, com =,2,, Dessa forma, o preço de resseguro para um período, com a base de dados austada, pela metodologa de experêca ou burg cost será: = = ( x u h u ) k + Pr êmo Re = mí, ; k essa metodologa cada período de experêca recebe o mesmo peso, o que só é possível pelos austes de ível de prêmo e de ível de tarfa, o etato, o cohecmeto a pror, mesmo que subetvo, pode ser adcoado esta precfcação a medda em que exstam evdêcas de que os últmos períodos seam mas sgfcatvos para represetar o futuro

8 Precfcação de Resseguro Precfcação por exposção A tarfação por exposção, do glês exposure ratg, aplca-se quado a base de dados (materal estatístco) ão é sufcete, teta-se ecotrar uma cartera de seguros comparável e com a qual se teha adqurdo sufcete experêca de sstro Deve-se poderar a dfereça etre a cartera a ser tarfada e a aáloga de tal forma que se possa determar a futura carga de sstros ão são mas decsvos os sstros realmete ocorrdos, mas sm aqueles esperados, segudo as característcas da cartera Essa metodologa cosdera, segudo Mata (2005), a carga de sstros esperada em fução do tpo e da composção dos rscos cobertos Para proetar os sstros pode-se utlzar clusve formações de outras fotes a precfcação com base a exposção, o perfl do rsco atual é modelado e ão o que fo descrto, aceto e ocorrdo os aos aterores Para sso surge a curva de exposção que pode ser obtda dos própros dados ou de uma cartera de rscos que possa represetar os rscos assumdos pela seguradora, para o próxmo período A curva de exposção represeta o motate do sstro lmtado a um determado percetual p do valor segurado IS em relação ao valor total do sstro Sedo assm, sea f ( x) é a dstrbução dos motates dos sstros dvduas, a curva de exposção é calculada por P pis [ F ( x) ] dx p) = E ( x) ( 0 Após o cálculo e defção da curva de exposção, a precfcação é composta por três etapas A prmera etapa determar faxas de valores das mportâcas seguradas, com os respectvos valores médos de mportâcas seguradas em cada faxa deotados por ISméda Calcula-se, etão o percetual que é utlzado para determar o valor do fator de exposção Sea u a prordade determada para o cotrato, etão: ISméda % faxa = u Em seguda calcula-se o fator de exposção em cada faxa, deotado por FatExp, que correspode ao valor da curva de exposção, para o percetual ecotrado o cálculo ateror, ou sea, FatExp P( % ) = faxa

9 Precfcação de Resseguro 43 Para a cartera que está sedo precfcada, sabe-se o valor total de prêmo cobrado pela seguradora para cada faxa, assm como se sabe o valor da sstraldade esperada pela seguradora em cada faxa Através da multplcação desses valores em cada faxa, chega-se ao valor das dezações de sstro esperadas em cada faxa de IS, deotadas por E ( S ) Sea o úmero total de faxas de IS, o prêmo de resseguro, segudo o método de exposção, será dado por: = ( ) Pr êmo Re = FatExp * E S 333 Modelagem geral A tarfação com modelagem utlza a teora do rsco assumdo dstrbuções estatístcas para o úmero de sstros e para o valor dos sstros, geralmete separado-os em faxas, do glês layers Ou ada, utlza aproxmações para a soma agregada dos sstros também através de dstrbuções estatístcas cohecdas, coforme Mata (2000) Sea um rsco com fução de dstrbução F e sea t o úmero de sstros ocorrdos o tervalo de tempo t com fução de dstrbução P O processo de modelagem ecessta, gualmete, de austes do ível de prêmo, ível de tarfa e flação a base de dados Icalmete, supõe-se que: () ~ Po( λ ), ou ada, t B(, p, q) Por exemplo, t t ~, sedo que os parâmetros das dstrbuções são determados a partr da base de dados k λ =, ode correspode ao úmero total de t k = sstros ocorrdo o período () l( µ, σ ) ~ k k, ou ada, assume outra dstrbução estatístca cohecda, tas como ormal, ormal Power, Gamma, Gamma Traslada, Pareto, etc, medate realzação de teste de adequação à dstrbução empírca () S ( ) = = é a varável aleatóra sstros agregados

10 Precfcação de Resseguro 44 O processo de auste de dstrbução estatístca aos dados que será descrto a seção 363 cabe este poto da precfcação O passo segute correspode à smulação através do método Mote Carlo (MC), para sso, a referêca com exemplos de aplcação em atuára é Scollk (2000) ecesstase da utlzação deste método para a obteção de toda a dstrbução de probabldade, para, etão fazer ferêcas sobre a cauda da dstrbução São duas etapas que compõe este passo Prmero, deve-se smular o úmero de sstros de cada período futuro e, após, deve-se gerar o valor de cada um dos sstros smulados para cada período futuro Aqu cabera uma dscussão sobre geração de úmeros aleatóros, ou sobre o gerador de úmeros aleatóros, o etato, cosdera-se que o modelador teha cohecmeto dos mesmos, á que esta é uma extesa área da matemátca e da cêca da computação Em geral, pacotes estatístcos cotêm geradores de úmeros aleatóros mplemetados e a bbloteca dos mesmos é sufcete para etedê-los e aalsá-los Além dsso, se o modelador ulgar ecessáro pode optar por fazer a geração de úmeros aleatóros em um pacote estatístco, e trasferr os resultados para o pacote que fará as smulações Uma smulação deverá forecer os segutes resultados: () ; k ;; k 2 k, ode k 2 correspode ao prmero mês se o período escolhdo para tarfação for de ao, e a base de dados estver orgazada mesalmete () s, k ; s 2, k ;; s, k, assm como, s, k ; s 2 2, k ;; s 2 2, k até 2 s, k ; s ;; s k 2 2, k2 2, 2 Com sso tora-se possível fazer o somatóro de recuperações de sstros que seram geradas esse ceáro, a qual correspode a: 2 k ( uk ) Re csm = k= = Esta smulação deve ser repetda um úmero de vezes sufcetemete grade para dar establdade e seguraça ao prêmo de resseguro Sugere-se 000 smulações cas, segudo Scollck (200) Exstem algus testes de covergêca, cotudo, de maera smplfcada verfca-se a covergêca da modelagem através de ovas 000 smulações e comparado-se os valores esperados obtdo através de ambas, ou sea, substtudo-se por valores esperados com referêca dos parâmetros +

11 Precfcação de Resseguro 45 Por fm, tem-se que: Pr êmo Re = m 000 m= RecSm m, observe que essa hpótese o úmero de smulações fetas correspode a um total de 000 Pode-se ecesstar de smulações para alcaçar a establdade, e cabe aplcação de cohecmetos de covergêca computacoal, coforme Scollck (2000) 334 Modelagem sob Pareto Esta metodologa apóa-se em evdêcas de que sstros grades devem ser modelados separadamete dos pequeos, sedo que os pequeos podem ser modelados mas adequadamete através da dstrbução agregada, ou sea, através da soma dos sstros em um período Para separar sstros grades e sstros pequeos esta metodologa usa um lmar, que será deotado por pos o valor do lmar deve ser austado por flação ao período k a bblografa também é deomado, do glês, threshold w k, Sea s, um sstro ocorrdo o período k Defe-se: k () se s, k > wk etão s, k deve ser usado para modelar sstros grades () se s, k wk etão s, k deve ser usado para modelar sstros pequeos Segudo Rytgaard (990), a dstrbução de Pareto é cosderada a mas adequada para smular os sstros grades, sso ocorre porque ela apreseta cauda mas pesada que as demas dstrbuções estatístcas A modelagem, segudo esta metodologa deve ser feta de forma parecda com a ateror o que se refere aos sstros grades Sea um rsco com fução de dstrbução F e sea t o processo de ocorrêca de sstros o tempo t com fução de dstrbução P O processo de modelagem ecessta, gualmete, de austes do ível de prêmo, ível de tarfa e flação a base de dados Icalmete, supõe-se que:

12 Precfcação de Resseguro 46 () t B(, p, q) ~, sedo que os parâmetros da dstrbução são determados a partr da base de dados, pelo método de máxma verossmlhaça () ~ Pareto( c,α ), sedo que os parâmetros desta dstrbução são determados também a partr da base de dados, pelo método de máxma verossmlhaça Os sstros pequeos são modelados pela dstrbução agregada, logo: () S ( ) ~ Gamma( α, β ) u, ode S u k ) represeta a soma total kt de recuperações de sstros para a seguradora, de um subperíodo t detro do período k de gual tamaho ao período que está sedo precfcado; os parâmetros desta dstrbução são determados também a partr da base de dados, pelo método de máxma verossmlhaça O processo de auste de dstrbução estatístca aos dados que será descrto a seção 363 cabe este poto da precfcação O passo segute correspode à smulação e assemelha-se a smulação descrta a seção 333 o que se refere aos sstros grades Os sstros pequeos ão ecesstam de duas etapas, de tal forma que uma smulação deverá forecer os segutes S resultados: S ; k S ;; k S k, ode 2 k correspode a recuperação agregada de sstros pequeos para o período, o exemplo, coloca-se o úmero de subperíodos sea gual a 2 meses Com sso tora-se possível fazer o somatóro de recuperações de sstros que seram geradas esse ceáro, a qual correspode a: 2 = ( t 2 k ( wk ) RecSm = S + k J k= = Esta smulação deve ser repetda um úmero de vezes sufcetemete grade para dar establdade e seguraça ao prêmo de resseguro Sugere-se 000 smulações cas, coforme Scollk (2000) Exstem algus testes de covergêca, cotudo, de maera smplfcada verfca-se a covergêca da modelagem através de ovas 000 smulações e comparado-se os valores esperados obtdo através de ambas, ou sea, substtudo-se por valores esperados com referêca dos parâmetros Por fm, tem-se que: +

13 Precfcação de Resseguro 47 Pr êmo Re = m 000 m= RecSm m, observe que essa hpótese o úmero de smulações fetas correspode a um total de 000 Pode-se ecesstar de smulações para alcaçar a establdade, e cabe aplcação de cohecmetos de covergêca computacoal 34 Excesso de dao por catástrofe Este resseguro, coforme exposto a seção 252 também é classfcado como ão proporcoal As metodologas de precfcação que são utlzadas este tpo são precfcação por experêca e por modelagem As dfereças a precfcação deste tpo de resseguro estão a forma de defr os sstros que devem ser somados, ou sea, agregam-se somete os que foram dezados para a seguradora, em forma de recuperação de resseguro, devdo a um eveto cosderado catástrofe 34 Precfcação por experêca Todos os austes de ível de prêmo, ível de tarfa e flação, mecoados aterormete, também se aplcam esta precfcação costtudo uma pré-etapa Chama-se ateção para a ecessdade de detfcação, a base de dados, dos sstros que se orgaram de um mesmo eveto Os evetos que poderão orgar catástrofe (vedaval, terremoto, etc) á são defdos o cotrato, tal como á são defdos os evetos excluídos Sea k o úmero de períodos de experêca austados por volume de prêmo, flação e íves de tarfa, sea =,2,, k um período de experêca Em um período ocorreram l evetos catastrófcos Sea, respectvamete, e h a prordade e o lmte de cobertura de catástrofe austados para o ao u Sea S, a soma da recuperação de resseguro do l ésmo eveto catastrófco l ocorrdo o ao, com l =,2,,l Dessa forma, o preço de resseguro para um período, com a base de dados austada, pela metodologa de experêca será: l = l= ( S u h u ) k + Pr êmo Re = mí l, ; k

14 Precfcação de Resseguro 48 Ode, = l S l s,, l,, e s, l, correspode ao ésmo sstro ocorrdo, = causado pelo eveto catastrófco l, o período A ressalva referete à poderação dos períodos também se aplca esta metodologa 342 Modelagem A tarfação com modelagem exposta a seção 333 aplca-se a este tpo de resseguro com a dfereça de composção da base de dados A mesma deve coter somete sstros referetes a evetos catastrófcos Sea um rsco com fução de dstrbução F e sea t o úmero de sstros ocorrdos o tervalo de tempo t do eveto catastrófco l com fução de dstrbução P O processo de modelagem ecessta, gualmete, de austes do ível de prêmo, ível de tarfa e flação a base de dados Icalmete, supõe-se que: () ~ Po( λ ), ou ada, l B(, p, q) l l ~, sedo que os parâmetros das dstrbuções são determados a partr da base de dados () l( µ, σ ) ~ l l, ou ada, assume outra dstrbução estatístca cohecda, tas como ormal, ormal Power, Gamma, Gamma Traslada, Pareto, etc, medate realzação de teste de adequação à dstrbução empírca O processo de auste de dstrbução estatístca aos dados abordado a seção 363 cabe este poto da precfcação O passo segute correspode à smulação, a qual é realzada exatamete coforme descrto a seção 333 Uma smulação deverá forecer os segutes resultados: () ;; l; 2 l, ode l correspode ao úmero de sstros ocorrdos o eveto catastrófco l

15 Precfcação de Resseguro 49 () s,; s2,;; s,, assm como, s,2 ; s 2, 2 ;; s, 2 até 2 s, l ; s2, l ;; s, l, ode s, l correspode ao l l l ésmo sstro ocorrdo do eveto catastrófco l Com sso tora-se possível fazer o somatóro de recuperações de sstros que seram geradas esse ceáro, a qual correspode a: l l Re csm = ul = = Esta smulação deve ser repetda um úmero de vezes sufcetemete grade para dar establdade e seguraça ao prêmo de resseguro Por fm, temse que: Pr êmo Re = m 000 m= RecSm m E aqu cabe aplcação de cohecmetos de covergêca computacoal + 35 Excesso de dao aual Este resseguro, coforme exposto a seção 26 é cosderado ãoproporcoal A metodologa de precfcação utlzada é a modelagem 35 Modelagem A tarfação com modelagem para este tpo de resseguro assemelha-se às modelages dos demas tpos de resseguro Dado o processo de smulação dos sstros futuros que costa a seção 333, pode-se obter o prêmo de resseguro para excesso de daos aual por: Pr êmo Re = E k + [ ] = S ( ) ( S ( )) = E ( S ( ) u) u k ( k uk ) Além dsso, algus autores sugerem a utlzação de aproxmações, prcpalmete pelo Teorema Cetral do Lmte, como possbldade de determação do prêmo de resseguro de excesso de daos aual = +

16 Precfcação de Resseguro Cocetos adcoas Esses cocetos e cosderações adcoas devem ser observados ao car a precfcação Sem a devda ateção às partculardades que exstem em uma operação de seguro e de resseguro de ada adata a aplcação da melhor metodologa As operações de seguro e de resseguro pedem mas que boas modelages, exgem também cohecmeto atuaral 36 Tratameto de dados e sequêca geral A etapa cal abrage detalhes de auste e coleta de dados, bem como opções de comssões utlzadas a prátca do mercado, este processo é descrto por Clark (996), uma referêca mudal em precfcação O prmero passo cosste em complar os dados relatvos à experêca do cotrato Etre estes devem costar o hstórco de prêmos emtdos e gahos e o hstórco de sstros ocorrdos, se possível, com cco períodos ou mas Deve-se tomar cudado com rscos cados, ou sea, com as vgêcas, prêmos subscrtos e sstros cobertos Austa-se a experêca a um ível máxmo, ou sea, obtém-se a base mas recete possível, segudo Clark (996) É mportate ressaltar que a proeção de prêmos futuros deve cosderar alterações as taxas e o modelo do paralelogramo, amplamete cohecdo detro da cêca atuaral e ada austa-se a flação em todos os dados Quado há cotratos específcos para sstros de catástrofe, os mesmos devem ser devdamete detfcados O passo prcpal dz respeto à sstraldade 3 e à prevsão dos sstros futuros Exatamete este poto que as dversas metodologas se dferecam O passo segute cosste em estmar o ídce combado 4 com comssões e despesas Deve-se clur a comssão de resseguro, os custos fxos e despesas geras do ressegurador e a corretagem Por fm, a avalação deve levar em cosderação o retoro potecal do vestmeto e o ível de rsco das exposções, para determar se eles atedem ou ão ao obetvo de retoro do ressegurador 3 Sstraldade é a proporção de sstros pagos em relação ao prêmo emtdo 4 O Ídce Combado, segudo Clark (996) será gual a sstraldade resultate somada às comssões de resseguro e despesas

17 Precfcação de Resseguro Prcípo de prêmos A maora dos prêmos calculados as metodologas de resseguro apresetadas aterormete assumu como base de cálculo o valor esperado, ou sea, o prmero prcípo de prêmo apresetado a segur o etato, exstem outros prcípos de prêmo ode o valor dos mesmos é austado após o cálculo do valor esperado em todos os prcípos a segur poderão ser aplcados em todas as metodologas, por exemplo, os casos em que se ecessta da varâca e a mesma ão pode ser calculada Sea um rsco com fução de dstrbução F, e sea ( ) o prêmo cobrado para segurar ou ressegurar o rsco Defe-se, segudo Kass (200) () Prêmo líqudo: ( ) = E[ ] () Prêmo adtvo da esperaça: ( ) = ( + θ ) E[ ], para θ > 0 () Prêmo adtvo da varâca: ( ) = E[ ] + θ * Var[ ] θ > 0 ϑ E (v) Prêmo expoecal: ( ) ( e ) =, para ( e ) < ϑ E ϑ, para (v) Prêmo de esperaça e valor em rsco: ( ) = ae[ ] + ( a) * VaR [ ], ode [ ] ξ VaR ξ correspode ao Value at Rsk cosderado uma medda de rsco que será apresetada a seção 46 desta dssertação (v) Prêmo de valor em rsco: ( ) = VaR [ ], ode [ ] ξ VaR ξ correspode ao Value at Rsk cosderado uma medda de rsco devdamete apresetada a seção 46 desta dssertação 0 (v) Prêmo de rsco austado: ( ) = F dx α, ode α >, ode F correspode a fução de dstrbução acumulada do rsco ceddo Chama-se ateção para o fato de que as metodologas em que ão é possível calcular a varâca também ão é possível aplcar os prcípos de prêmo que a requerem

18 Precfcação de Resseguro Auste de dstrbução O auste da dstrbução aos dados é que tora possível os processos de modelages e é realzado através dos passos a segur O prmero passo, segudo Scallet (2005), cosste em determar a dstrbução empírca para a varável da segute forma: em que ( x) F Fˆ ( x) = ( k x) k= ˆ é a dstrbução acumulada da varável x e o úmero de resultados smulados para essa varável Para possbltar a aálse e a comparação com outros resultados calcula-se a méda µˆ e o desvo padrão σˆ empírcos das varáves, como segue: ˆµ k k = ( x) = 2 ˆ σ ( x) = ( k ˆ µ ) O passo segute é o auste dos dados a uma dstrbução teórca, por exemplo, as mecoadas aterormete, sedo que os parâmetros das dstrbuções propostas são estmados pelo método da máxma verossmlhaça As estatístcas de teste, que serão apresetadas adate, dcam se as dstrbuções austadas são adequadas para descrever os dados Cabe ressaltar que os métodos utlzados para austar as dstrbuções às séres de dados somete são váldos para séres de dados depedetes (o que ão ocorre para uma sére temporal), assm, caso se aplque, é precso fltrar os dados, elmado as depedêcas tertemporas; e detcamete dstrbuídos, e, portato, estacoáros, o que pode ser obtdo com austes de flação, ível de prêmo e ível de tarfa Esta aálse de estacoaredade pode ser vestgada a partr do gráfco da sére o tempo, da fução de auto-correlação (FAC) e dos testes de raz utára, amplamete cohecdos o estudo de séres temporas Para cada uma destas estatístcas, as dstrbuções são ordeadas de acordo com os valores ecotrados para as estatístcas e o meor valor dcará a melhor dstrbução Todas estas possuem as segutes hpóteses: k = H 0 : a dstrbução austada é a correta para os dados H a : caso cotráro

19 Precfcação de Resseguro 53 Estas estatístcas apresetam característcas e efoques dferetes A escolha de qual destas usar depede das peculardades dos dados utlzados para aálse, e que tpo de formação o modelador cosdera a mas mportate 363 Teste do Qu-quadrado A estatístca qu-quadrado tem o obetvo de testar se uma amostra de dados veo de uma população com uma dstrbução específca e pode ser usada para dados cotíuos ou dscretos É precso dvdr os dados em grupos que podem ser determados a partr de crtéros defdos pelo modelador, ou por auste de grupos equprováves O teste sob H 0 tem o segute formato: 2 = k = ( E ) em que k é o úmero de grupos, é o úmero de observações em cada grupo E 2 e E é a freqüêca esperada para o grupo, sob a hpótese de que a dstrbução sob H 0 é a correta Este teste ão é váldo para pequeas amostras e é muto vulerável à determação dos grupos pos se pode ecotrar dferetes resultados para os mesmos dados em fução desta escolha A estatístca qu-quadrado segue, aproxmadamete, uma dstrbução ququadrado, 2 χ, com ( c ) k graus de lberdade, em que c represeta o úmero de parâmetros estmados para a dstrbução Etão, a hpótese de que a amostra veo da população com uma dstrbução específca é reetada se, com o 2 2 ível de sgfcâca α, observa-se: χ ( α, k c ) 3632 Teste Kolmogorov-Smrov A estatístca, ou teste, Kolmogorov-Smrov (K-S) é usada para dados cotíuos e ão requer a dvsão dos dados em grupos, o que o tora meos arbtráro que o teste qu-quadrado O teste K-S, segudo Scallet (2005) é baseado a fução de dstrbução acumulada empírca, e tem a segute forma: D = sup [ F ( x) Fˆ ( x) ]

20 Precfcação de Resseguro 54 em que é o úmero total dos dados potuas, Fˆ ( x) é a fução de dstrbução acumulada austada, F ( x) x = e x é o úmero de x meores que x A vatagem deste procedmeto é que a dstrbução da estatístca ão precsa da fução de dstrbução acumulada que está sedo testada É um teste exato que depede de um tamaho de amostra adequado para que a aproxmação sea válda Porém, este teste somete se aplca em dados com dstrbução cotíua, e tede a ser mas sesível o cetro da dstrbução que as caudas, ou sea, ão detecta de forma adequada dscrepâcas a cauda A hpótese de que a amostra veo da população com uma dstrbução específca é reetada se, com o ível de sgfcâca α, a estatístca maor que o valor crítco obtdo de uma tabela D é 3633 Teste Aderso Darlg A estatístca, ou teste, Aderso Darlg (A-D) pode ser usada para dados cotíuos e também ão requer a dvsão dos dados em classes Trata-se de uma modfcação do teste K-S, que, ao cotráro do teste K-S, efatza as caudas da dstrbução Esta estatístca é uma medda da méda do quadrado dos erros etre a dstrbução empírca e da dstrbução austada, e tem a segute forma: A [ F ( x) Fˆ ( x) ] ( x) fˆ ( x)dx = ψ em que é o total de dados potuas, [ ] ψ =, ( x) Fˆ ( x) Fˆ ( x) fˆ é a fução de desdade austada, Fˆ ( x) é a dstrbução de probabldade acumulada, x F ( x) = e x é o úmero de x meores que x Este teste é ulateral e a hpótese de que a amostra veo da população com uma dstrbução específca é reetada se, com o ível de sgfcâca α, a estatístca 2 A for maor que o valor crítco É possível ecotrar tabelas de valores crítcos para as dstrbuções: ormal, Log-ormal, Expoecal, Webull, valor extremo tpo e dstrbuções logístcas

Perguntas Freqüentes - Bandeiras

Perguntas Freqüentes - Bandeiras Pergutas Freqüetes - Baderas Como devo proceder para prestar as formações de quatdade e valor das trasações com cartões de pagameto, os casos em que o portador opte por lqudar a obrgação de forma parcelada

Leia mais

Faculdade de Economia, Administração e Contabilidade de Ribeirão Preto

Faculdade de Economia, Administração e Contabilidade de Ribeirão Preto Faculdade de Ecooma, Admstração e Cotabldade de Rberão Preto Ecooma Moetára Curso de Ecooma / º. Semestre de 014 Profa. Dra. Rosel da Slva Nota de aula CAPM Itrodução Há dos modelos bastate utlzados para

Leia mais

Análise de Regressão

Análise de Regressão Aálse de Regressão Prof. Paulo Rcardo B. Gumarães. Itrodução Os modelos de regressão são largamete utlzados em dversas áreas do cohecmeto, tas como: computação, admstração, egeharas, bologa, agrooma, saúde,

Leia mais

Capítulo 1: Erros em cálculo numérico

Capítulo 1: Erros em cálculo numérico Capítulo : Erros em cálculo umérco. Itrodução Um método umérco é um método ão aalítco, que tem como objectvo determar um ou mas valores umércos, que são soluções de um certo problema. Ao cotráro das metodologas

Leia mais

MAE116 Noções de Estatística

MAE116 Noções de Estatística Grupo C - º semestre de 004 Exercíco 0 (3,5 potos) Uma pesqusa com usuáros de trasporte coletvo a cdade de São Paulo dagou sobre os dferetes tpos usados as suas locomoções dáras. Detre ôbus, metrô e trem,

Leia mais

Estudo das relações entre peso e altura de estudantes de estatística através da análise de regressão simples.

Estudo das relações entre peso e altura de estudantes de estatística através da análise de regressão simples. Estudo das relações etre peso e altura de estudates de estatístca através da aálse de regressão smples. Waessa Luaa de Brto COSTA 1, Adraa de Souza COSTA 1. Tago Almeda de OLIVEIRA 1 1 Departameto de Estatístca,

Leia mais

CAPÍTULO 9 - Regressão linear e correlação

CAPÍTULO 9 - Regressão linear e correlação INF 6 Prof. Luz Alexadre Peterell CAPÍTULO 9 - Regressão lear e correlação Veremos esse capítulo os segutes assutos essa ordem: Correlação amostral Regressão Lear Smples Regressão Lear Múltpla Correlação

Leia mais

Requisitos metrológicos de instrumentos de pesagem de funcionamento não automático

Requisitos metrológicos de instrumentos de pesagem de funcionamento não automático Requstos metrológcos de strumetos de pesagem de fucoameto ão automátco 1. Geeraldades As balaças estão assocadas de uma forma drecta à produção do betão e ao cotrolo da qualdade do mesmo. Se são as balaças

Leia mais

IND 1115 Inferência Estatística Aula 9

IND 1115 Inferência Estatística Aula 9 Coteúdo IND 5 Iferêca Estatístca Aula 9 Outubro 2004 Môca Barros Dfereça etre Probabldade e Estatístca Amostra Aleatóra Objetvos da Estatístca Dstrbução Amostral Estmação Potual Estmação Bayesaa Clássca

Leia mais

Projeto de rede na cadeia de suprimentos

Projeto de rede na cadeia de suprimentos Projeto de rede a cadea de suprmetos Prof. Ph.D. Cláudo F. Rosso Egehara Logístca II Esboço O papel do projeto de rede a cadea de suprmetos Fatores que fluecam decsões de projeto de rede Modelo para decsões

Leia mais

A REGRESSÃO LINEAR EM EVENTOS HIDROLÓGICOS EXTREMOS: enchentes

A REGRESSÃO LINEAR EM EVENTOS HIDROLÓGICOS EXTREMOS: enchentes Mostra Nacoal de Icação Cetífca e Tecológca Iterdscplar VI MICTI Isttuto Federal Catarese Câmpus Camború 30 a 3 de outubro de 03 A REGRESSÃO LINEAR EM EVENTOS HIDROLÓGICOS EXTREMOS: echetes Ester Hasse

Leia mais

JUROS SIMPLES. i 100 i 100. TAXA PROPORCIONAL: É aquela que aplicada ao mesmo capital, no mesmo prazo, produze o mesmo juros.

JUROS SIMPLES. i 100 i 100. TAXA PROPORCIONAL: É aquela que aplicada ao mesmo capital, no mesmo prazo, produze o mesmo juros. JUROS MONTANTE JUROS SIMPLES J = C 0 * * t 00 M = C * + * t 00 TAXA PROPORCIONAL: É aquela que aplcada ao mesmo captal, o mesmo prazo, produze o mesmo juros. * = * JUROS COMPOSTOS MONTANTE M = C * + 00

Leia mais

Perguntas freqüentes Credenciadores

Perguntas freqüentes Credenciadores Pergutas freqüetes Credecadores Como devo proceder para prestar as formações de quatdade e valor das trasações com cartões de pagameto, os casos em que o portador opte pelo facameto da compra pelo emssor?

Leia mais

CAPÍTULO 2 - Estatística Descritiva

CAPÍTULO 2 - Estatística Descritiva INF 6 Prof. Luz Alexadre Peterell CAPÍTULO - Estatístca Descrtva Podemos dvdr a Estatístca em duas áreas: estatístca dutva (ferêca estatístca) e estatístca descrtva. Estatístca Idutva: (Iferêca Estatístca)

Leia mais

2 Avaliação da segurança dinâmica de sistemas de energia elétrica: Teoria

2 Avaliação da segurança dinâmica de sistemas de energia elétrica: Teoria Avalação da seguraça dâmca de sstemas de eerga elétrca: Teora. Itrodução A avalação da seguraça dâmca é realzada através de estudos de establdade trastóra. Nesses estudos, aalsa-se o comportameto dos geradores

Leia mais

E-mails: damasceno1204@yahoo.com.br damasceno@interjato.com.br damasceno12@hotmail.com http://www. damasceno.info www. damasceno.info damasceno.

E-mails: damasceno1204@yahoo.com.br damasceno@interjato.com.br damasceno12@hotmail.com http://www. damasceno.info www. damasceno.info damasceno. Matemátca Facera 2007.1 Prof.: Luz Gozaga Damasceo 1 E-mals: damasceo1204@yahoo.com.br damasceo@terjato.com.br damasceo12@hotmal.com http://www. damasceo.fo www. damasceo.fo damasceo.fo Obs.: (1 Quado

Leia mais

Monitoramento ou Inventário Florestal Contínuo

Monitoramento ou Inventário Florestal Contínuo C:\Documets ad Settgs\DISCO_F\MEUS-DOCS\LIVRO_EF_44\ef44_PDF\CAP XIV_IFCOTIUO.doc 6 Motorameto ou Ivetáro Florestal Cotíuo Agosto Lopes de Souza. ITRODUÇÃO Parcelas permaetes de vetáro florestal cotíuo

Leia mais

LEASING UMA OBSERVAÇÃO Economista Antonio Pereira da Silva

LEASING UMA OBSERVAÇÃO Economista Antonio Pereira da Silva LEASING UMA OBSERVAÇÃO Ecoomsta Atoo Perera da Slva AMOR POR DINHEIRO TITÃS Composção: Sérgo Brtto e To Bellotto Acma dos homes, a le E acma da le dos homes A le de Deus Acma dos homes, o céu E acma do

Leia mais

Em atendimento à solicitação de V.Sa., apresentamos, na seqüência, os resultados do estudo referenciado.

Em atendimento à solicitação de V.Sa., apresentamos, na seqüência, os resultados do estudo referenciado. 1 Belo Horzote, 14 de abrl de 2007. À UNAFISCO SAÚDE AT.: Glso Bezerra REF: AVALIAÇÃO ATUARIAL Prezado Sehor, Em atedmeto à solctação de V.Sa., apresetamos, a seqüêca, os resultados do estudo referecado.

Leia mais

Unidade II ESTATÍSTICA

Unidade II ESTATÍSTICA ESTATÍSTICA Udade II 3 MEDIDAS OU PARÂMETROS ESTATÍSTICOS 1 O estudo que fzemos aterormete dz respeto ao agrupameto de dados coletados e à represetação gráfca de algus deles. Cumpre agora estudarmos as

Leia mais

Olá, amigos concursandos de todo o Brasil!

Olá, amigos concursandos de todo o Brasil! Matemátca Facera ICMS-RJ/008, com gabarto cometado Prof. Wager Carvalho Olá, amgos cocursados de todo o Brasl! Veremos, hoje, a prova do ICMS-RJ/008, com o gabarto cometado. - O artgo º da Le.948 de 8

Leia mais

1 SISTEMA FRANCÊS DE AMORTIZAÇÃO

1 SISTEMA FRANCÊS DE AMORTIZAÇÃO scpla de Matemátca Facera 212/1 Curso de Admstração em Gestão Públca Professora Ms. Valéra Espídola Lessa EMPRÉSTIMOS Um empréstmo ou facameto pode ser feto a curto, médo ou logo prazo. zemos que um empréstmo

Leia mais

SUMÁRIO GOVERNO DO ESTADO DO CEARÁ. Cid Ferreira Gomes Governador. 1. Introdução... 2. Domingos Gomes de Aguiar Filho Vice Governador

SUMÁRIO GOVERNO DO ESTADO DO CEARÁ. Cid Ferreira Gomes Governador. 1. Introdução... 2. Domingos Gomes de Aguiar Filho Vice Governador INSTITUTO DE PESQUISA E ESTRATÉGIA ECONÔMICA DO CEARÁ - IPECE GOVERNO DO ESTADO DO CEARÁ Cd Ferrera Gomes Goverador Domgos Gomes de Aguar Flho Vce Goverador SECRETARIA DO PLANEJAMENTO E GES- TÃO (SEPLAG)

Leia mais

UERJ CTC IME Departamento de Informática e Ciência da Computação 2 Cálculo Numérico Professora Mariluci Ferreira Portes

UERJ CTC IME Departamento de Informática e Ciência da Computação 2 Cálculo Numérico Professora Mariluci Ferreira Portes UERJ CTC IE Departameto de Iormátca e Cêca da Computação Udade I - Erros as apromações umércas. I. - Cosderações geras. Há váras stuações em dversos campos da cêca em que operações umércas são utlzadas

Leia mais

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental. É o grau de assocação etre duas ou mas varáves. Pode ser: Prof. Lorí Val, Dr. val@pucrs.br http://www.pucrs.br/famat/val www.pucrs.br/famat/val/ correlacoal ou expermetal. Numa relação expermetal os valores

Leia mais

RESUMO DE MATEMÁTICA FINANCEIRA. Juro Bom Investimento C valor aplicado M saldo ao fim da aplicação J rendimento (= M C)

RESUMO DE MATEMÁTICA FINANCEIRA. Juro Bom Investimento C valor aplicado M saldo ao fim da aplicação J rendimento (= M C) RESUMO DE MATEMÁTICA FINANCEIRA I. JUROS SIMPLES ) Elemetos de uma operação de Juros Smples: Captal (C); Motate (M); Juros (J); Taxa (); Tempo (). ) Relação etre Juros, Motate e Captal: J = M C ) Defção

Leia mais

M = C( 1 + i.n ) J = C.i.n. J = C((1+i) n -1) MATEMÁTICA FINANCEIRA. M = C(1 + i) n BANCO DO BRASIL. Prof Pacher

M = C( 1 + i.n ) J = C.i.n. J = C((1+i) n -1) MATEMÁTICA FINANCEIRA. M = C(1 + i) n BANCO DO BRASIL. Prof Pacher MATEMÁTICA 1 JUROS SIMPLES J = C.. M C J J = M - C M = C( 1 +. ) Teste exemplo. ados com valores para facltar a memorzação. Aplcado-se R$ 100,00 a juros smples, à taxa omal de 10% ao ao, o motate em reas

Leia mais

MEDIDAS DE POSIÇÃO: X = soma dos valores observados. Onde: i 72 X = 12

MEDIDAS DE POSIÇÃO: X = soma dos valores observados. Onde: i 72 X = 12 MEDIDAS DE POSIÇÃO: São meddas que possbltam represetar resumdamete um cojuto de dados relatvos à observação de um determado feômeo, pos oretam quato à posção da dstrbução o exo dos, permtdo a comparação

Leia mais

Matemática Financeira

Matemática Financeira Cocetos Báscos de Matemátca Facera Uversdade do Porto Faculdade de Egehara Mestrado Itegrado em Egehara Electrotécca e de Computadores Ecooma e Gestão Na prátca As decsões faceras evolvem frequetemete

Leia mais

2 Estrutura a Termo de Taxa de Juros

2 Estrutura a Termo de Taxa de Juros Estrutura a Termo de Taxa de Juros 20 2 Estrutura a Termo de Taxa de Juros A Estrutura a termo de taxa de juros (também cohecda como Yeld Curve ou Curva de Retabldade) é a relação, em dado mometo, etre

Leia mais

PROCEDIMENTOS DE CÁLCULO DE INCERTEZA DE MEDIÇÃO EM MEDIÇÕES DIRETAS E INDIRETAS

PROCEDIMENTOS DE CÁLCULO DE INCERTEZA DE MEDIÇÃO EM MEDIÇÕES DIRETAS E INDIRETAS PROCEDIMENTOS DE CÁLCULO DE INCERTEZA DE MEDIÇÃO EM MEDIÇÕES DIRETAS E INDIRETAS Prof José Leoardo Noroha M Eg Departameto de Egehara de Prodção Escola Federal de Egehara de Itabá EFEI RESUMO: Neste trabalho

Leia mais

MA12 - Unidade 4 Somatórios e Binômio de Newton Semana de 11/04 a 17/04

MA12 - Unidade 4 Somatórios e Binômio de Newton Semana de 11/04 a 17/04 MA1 - Udade 4 Somatóros e Bômo de Newto Semaa de 11/04 a 17/04 Nesta udade troduzremos a otação de somatóro, mostrado como a sua mapulação pode sstematzar e facltar o cálculo de somas Dada a mportâca de

Leia mais

Distribuições Amostrais. Estatística. 8 - Distribuições Amostrais UNESP FEG DPD

Distribuições Amostrais. Estatística. 8 - Distribuições Amostrais UNESP FEG DPD Dstrbuções Amostras Estatístca 8 - Dstrbuções Amostras 08- Dstrbuções Amostras Dstrbução Amostral de Objetvo: Estudar a dstrbução da população costtuída de todos os valores que se pode obter para, em fução

Leia mais

Em muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento.

Em muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento. Prof. Lorí Val, Dr. val@pucrs.r http://www.pucrs.r/famat/val/ Em mutas stuações duas ou mas varáves estão relacoadas e surge etão a ecessdade de determar a atureza deste relacoameto. A aálse de regressão

Leia mais

MATERIAL DE ESTATÍSTICA II PROF. MÁRIO ROBERTO

MATERIAL DE ESTATÍSTICA II PROF. MÁRIO ROBERTO 1 VARIÁVEIS ALEATÓRIAS O que se etede por varável aleatóra? Até agora ossos estudos estavam pratcamete voltados mas para defrmos osso Espaço Amostral U, sem assocarmos suas respectvas probabldades aos

Leia mais

Elaborado: 2002 Ultima atualização: 23/12/2004

Elaborado: 2002 Ultima atualização: 23/12/2004 Elaborado: 2002 Ultma atualzação: 23/12/2004 Cadero de Fórmulas Apresetação Sstema Nacoal de Atvos E ste Cadero de Fórmulas tem por objetvo esclarecer aos usuáros a metodologa de cálculo e os crtéros de

Leia mais

Cálculo de média a posteriori através de métodos de integração numérica e simulação monte carlo: estudo comparativo

Cálculo de média a posteriori através de métodos de integração numérica e simulação monte carlo: estudo comparativo INGEPRO Iovação, Gestão e Produção Jaero de 010, vol. 0, o. 01 www.gepro.com.br Cálculo de méda a posteror através de métodos de tegração umérca e smulação mote carlo: estudo comparatvo Helto Adre Lopes

Leia mais

Ana Clara P. Campos 1 Denise Nunes Viola 1 Moacyr Cunha Filho 2 Guilherme Vilar 2 Vanessa Van Der Linden 3

Ana Clara P. Campos 1 Denise Nunes Viola 1 Moacyr Cunha Filho 2 Guilherme Vilar 2 Vanessa Van Der Linden 3 Idetfcação da exstêca de padrão espacal aleatóro a dstrbução dos pacetes portadores de doeça geétca rara com defcêca físca da Assocação de Assstêca à Craça Defcete (AACD) de Perambuco Aa Clara P. Campos

Leia mais

Capitulo 8 Resolução de Exercícios

Capitulo 8 Resolução de Exercícios FORMULÁRIO Audades Peródcas, Crescetes e Postecpadas, com Termos em P. A. G 1 1 1 1 G SPAC R R s s 1 1 1 1 1 G G C R a R a 1 1 PAC Audades Gradetes Postecpadas S GP G 1 1 ; C GP G 1 1 1 Audades Gradetes

Leia mais

Capítulo 1 PORCENTAGEM

Capítulo 1 PORCENTAGEM Professor Joselas Satos da Slva Matemátca Facera Capítulo PORCETAGEM. PORCETAGEM A porcetagem ada mas é do que uma otação ( % ) usada para represetar uma parte de cem partes. Isto é, 20% lê-se 20 por ceto,

Leia mais

Interpolação. Exemplo de Interpolação Linear. Exemplo de Interpolação Polinomial de grau superior a 1.

Interpolação. Exemplo de Interpolação Linear. Exemplo de Interpolação Polinomial de grau superior a 1. Iterpolação Iterpolação é um método que permte costrur um ovo cojuto de dados a partr de um cojuto dscreto de dados potuas cohecdos. Em egehara e cêcas, dspõese habtualmete de dados potuas, obtdos a partr

Leia mais

Uma Calculadora Financeira usando métodos numéricos e software livre

Uma Calculadora Financeira usando métodos numéricos e software livre Uma Calculadora Facera usado métos umércos e software lvre Jorge edraza Arpas, Julao Sott, Depto de Cêcas e Egeharas, Uversdade Regoal ItegradaI, URI 98400-000-, Frederco Westphale, RS Resumo.- Neste trabalho

Leia mais

Matemática. Resolução das atividades complementares. M18 Noções de Estatística

Matemática. Resolução das atividades complementares. M18 Noções de Estatística Resolução das atvdades complemetares Matemátca M8 Noções de Estatístca p. 3 (UFRJ) Dos estados do país, um certo ao, produzem os mesmos tpos de grãos. Os grácos de setores lustram a relação etre a produção

Leia mais

1.1 Apresentação. do capítulo

1.1 Apresentação. do capítulo apítulo Matemátca Facera. Apresetação do capítulo A Matemátca Facera trata da comparação de valores moetáros que estão dspersos ao logoo do tempo. Através de seu estudo, podemos aalsar e comparar alteratvas

Leia mais

Curso de An lise de Fluxo de Caixa

Curso de An lise de Fluxo de Caixa Curso de A lse de Fluxo de Caxa SUMÁRIO PROGRESSÕES... 0. FÓRMULAS BÁSICAS... 0.. Progressões artmétcas... 0..2 Progressões geométrcas... 02.2 EXERCÍCIOS SUGERIDOS... 02 2 CONCEITOS DE MATEMÁTICA FINANCEIRA...

Leia mais

Prof. Dr. Marco Antonio Leonel Caetano Projeção de Cenários Aplicados ao Orçamento Empresarial Com revisão das Ferramentas de Estatística

Prof. Dr. Marco Antonio Leonel Caetano Projeção de Cenários Aplicados ao Orçamento Empresarial Com revisão das Ferramentas de Estatística Projeção de Ceáros Aplcados ao Orçameto Empresaral Com revsão das Ferrametas de Estatístca Prof. Dr. Marco Atoo Leoel Caetao TÓPICO Tratameto, Quatfcação e Vsualzação de Dados Faceros. Itrodução Na dvulgação

Leia mais

INTRODUÇÃO ÀS PROBABILIDADES E ESTATÍSTICA

INTRODUÇÃO ÀS PROBABILIDADES E ESTATÍSTICA INTRODUÇÃO ÀS PROBABILIDADES E ESTATÍSTICA 003 Iformações: relembra-se os aluos teressados que a realzação de acções presecas só é possível medate solctação vossa, por escrto, à assstete da cadera. A realzação

Leia mais

Teoria da Amostragem

Teoria da Amostragem Teora da Amostragem I- oções fudametas sobre amostragem. Amostragem é todo o processo de recolha de uma parte, geralmete pequea, dos elemetos que costtuem um dado couto. Da aálse dessa parte pretede obter-se

Leia mais

Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística

Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Val, Dr. http://www.pucrs.br/famat/val/ val@pucrs.br Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Obetvos A Aálse de

Leia mais

Algoritmos de Interseções de Curvas de Bézier com Uma Aplicação à Localização de Raízes de Equações

Algoritmos de Interseções de Curvas de Bézier com Uma Aplicação à Localização de Raízes de Equações Algortmos de Iterseções de Curvas de Bézer com Uma Aplcação à Localzação de Raízes de Equações Rodrgo L.R. Madurera Programa de Pós-Graduação em Iformátca, PPGI, UFRJ 21941-59, Cdade Uverstára, Ilha do

Leia mais

Teoria Elementar da Probabilidade. a) Cada experiência poderá ser repetida indefinidamente sob condições essencialmente inalteradas.

Teoria Elementar da Probabilidade. a) Cada experiência poderá ser repetida indefinidamente sob condições essencialmente inalteradas. Estatístca 47 Estatístca 48 Teora Elemetar da Probabldade SPECTOS PERTINENTES À CRCTERIZÇÃO DE UM EXPERIÊNCI LETÓRI MODELOS MTEMÁTICOS DETERMINÍSTICOS PROBBILÍSTICOS PROCESSO (FENÓMENO) LETÓRIO - Quado

Leia mais

FINANCIAMENTOS UTILIZANDO O EXCEL

FINANCIAMENTOS UTILIZANDO O EXCEL rofessores Ealdo Vergasta, Glóra Márca e Jodála Arlego ENCONTRO RM 0 FINANCIAMENTOS UTILIZANDO O EXCEL INTRODUÇÃO Numa operação de empréstmo, é comum o pagameto ser efetuado em parcelas peródcas, as quas

Leia mais

A Medição e o Erro de Medição

A Medição e o Erro de Medição A Medção e o Erro de Medção Sumáro 1.1 Itrodução 1.2 Defções 1.3 Caracterzação da qualdade de medção 1.4 O erro da medção 1.4.1 Os erros aleatóros 1.4.2 Os erros sstemátcos 1.5 O verdadero valor, o erro

Leia mais

ÍNDICE DE TERMOS: MOTOR DEDICADO, PADRONIZAÇÃO;

ÍNDICE DE TERMOS: MOTOR DEDICADO, PADRONIZAÇÃO; Aplcação de Motores de Méda esão dedcados acoados por versor de frequêca e utlzação de um úco projeto em dferetes solctações de carga. Gleuber Helder Perera Rodrgues Esp. Eg. WEG Brasl gleuber@weg.et Alex

Leia mais

CAPÍTULO 3 MEDIDAS DE TENDÊNCIA CENTRAL E VARIABILIDADE PPGEP Medidas de Tendência Central Média Aritmética para Dados Agrupados

CAPÍTULO 3 MEDIDAS DE TENDÊNCIA CENTRAL E VARIABILIDADE PPGEP Medidas de Tendência Central Média Aritmética para Dados Agrupados 3.1. Meddas de Tedêca Cetral CAPÍTULO 3 MEDIDA DE TENDÊNCIA CENTRAL E VARIABILIDADE UFRG 1 Há váras meddas de tedêca cetral. Etre elas ctamos a méda artmétca, a medaa, a méda harmôca, etc. Cada uma dessas

Leia mais

Apostla Básca de Estatístca Slvo Alves de Souza ÍNDICE Itrodução... 3 Software R... 4 Software SPSS... 5 Dstrbução ormal de probabldade... 6 Testes de Hpótese paramêtrco... Testes Não-Paramétrco...5 Dstrbução

Leia mais

PUCRS FAMAT DEPTº DE ESTATÍSTICA ESTATÍSTICA DESCRITIVA SÉRGIO KATO

PUCRS FAMAT DEPTº DE ESTATÍSTICA ESTATÍSTICA DESCRITIVA SÉRGIO KATO PUCRS FAMAT DEPTº DE ESTATÍSTICA ESTATÍSTICA DESCRITIVA SÉRGIO KATO A expressão dados, será ctada dversas vezes esta dscpla, em lguagem ormal, dados são ormações (úmeros ou ão) sobre um dvíduo (pessoa,

Leia mais

Nota Técnica n o 037/2013-SRG/ANEEL. Em 17 de maio de 2013. Processo: 48500.002907/2010-89

Nota Técnica n o 037/2013-SRG/ANEEL. Em 17 de maio de 2013. Processo: 48500.002907/2010-89 Nota Técca o 037/2013-SRG/ANEEL Em 17 de mao de 2013. Processo: 48500.002907/2010-89 Assuto: Cosoldação de todas as regulametações referetes à apuração de dspobldades de empreedmetos de geração de eerga

Leia mais

Capítulo 1 Matemática Financeira

Capítulo 1 Matemática Financeira apítulo Matemátca Facera. Apresetação do capítulo A matemátca facera trata da comparação de valores moetáros ao logo do tempo. Através de seu estudo, podemos aalsar e comparar alteratvas de vestmeto e

Leia mais

Estatística - exestatmeddisper.doc 25/02/09

Estatística - exestatmeddisper.doc 25/02/09 Estatístca - exestatmeddsper.doc 5/0/09 Meddas de Dspersão Itrodução ão meddas estatístcas utlzadas para avalar o grau de varabldade, ou dspersão, dos valores em toro da méda. ervem para medr a represetatvdade

Leia mais

APLICAÇÕES DE MÉTODOS DE ENERGIA A PROBLEMAS DE INSTABILIDADE DE ESTRUTURAS

APLICAÇÕES DE MÉTODOS DE ENERGIA A PROBLEMAS DE INSTABILIDADE DE ESTRUTURAS PONTIFÍCI UNIVERSIDDE CTÓLIC DO RIO DE JNEIRO DEPRTMENTO DE ENGENHRI CIVIL PLICÇÕES DE MÉTODOS DE ENERGI PROBLEMS DE INSTBILIDDE DE ESTRUTURS Julaa Bragh Ramalho Raul Rosas e Slva lua de graduação do curso

Leia mais

ESTATÍSTICA Aula 7. Prof. Dr. Marco Antonio Leonel Caetano

ESTATÍSTICA Aula 7. Prof. Dr. Marco Antonio Leonel Caetano ESTATÍSTICA Aula 7 Prof. Dr. Marco Atoo Leoel Caetao Dstrbuções de Probabldade DISCRETAS CONTÍNUAS (Números teros) Bomal Posso Geométrca Hper-Geométrca Pascal (Números reas) Normal t-studet F-Sedecor Gama

Leia mais

3. TESTES DE QUALIDADE DE AJUSTAMENTO

3. TESTES DE QUALIDADE DE AJUSTAMENTO Testes da qualdade de ajustameto 3 TESTES DE QULIDDE DE JUSTMENTO 3 Itrodução formação sobre o modelo da população dode se extra uma amostra costtu, frequetemete, um problema estatístco forma da dstrbução

Leia mais

Econometria: 3 - Regressão Múltipla

Econometria: 3 - Regressão Múltipla Ecoometra: 3 - Regressão Múltpla Prof. Marcelo C. Mederos mcm@eco.puc-ro.br Prof. Marco A.F.H. Cavalcat cavalcat@pea.gov.br Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo de regressão

Leia mais

? Isso é, d i= ( x i. . Percebeu que

? Isso é, d i= ( x i. . Percebeu que Estatístca - Desvo Padrão e Varâca Preparado pelo Prof. Atoo Sales,00 Supoha que tehamos acompahado as otas de quatro aluos, com méda 6,0. Aluo A: 4,0; 6,0; 8,0; méda 6,0 Aluo B:,0; 8,0; 8,0; méda 6,0

Leia mais

Cursos de Licenciatura em Ensino de Matemática e de EGI. Teoria de Probabilidade

Cursos de Licenciatura em Ensino de Matemática e de EGI. Teoria de Probabilidade Celso Albo FACULDADE DE CIÊNCIAS NATURAIS E MATEMÁTICA DEPARTAMENTO DE MATEMÁTICA Campus de Lhaguee, Av. de Moçambque, km, Tel: +258 240078, Fax: +258 240082, Maputo Cursos de Lcecatura em Eso de Matemátca

Leia mais

MÉTODO COMPUTACIONAL AUTOMÁTICO TICO PARA PRÉ-PROCESSAMENTO PROCESSAMENTO DE IMAGENS RADIOGRÁFICAS. M. Z. Nascimento, A. F. Frère e L. A.

MÉTODO COMPUTACIONAL AUTOMÁTICO TICO PARA PRÉ-PROCESSAMENTO PROCESSAMENTO DE IMAGENS RADIOGRÁFICAS. M. Z. Nascimento, A. F. Frère e L. A. MÉTODO COMPUTACIONAL AUTOMÁTICO TICO PARA PRÉ-PROCESSAMENTO PROCESSAMENTO DE IMAGENS RADIOGRÁFICAS M. Z. Nascmeto, A. F. Frère e L. A. Neves INTRODUÇÃO O cotraste as radografas vara ao logo do campo de

Leia mais

MEDIDAS DE DISPERSÃO:

MEDIDAS DE DISPERSÃO: MEDID DE DIPERÃO: fução dessas meddas é avalar o quato estão dspersos os valores observados uma dstrbução de freqüêca ou de probabldades, ou seja, o grau de afastameto ou de cocetração etre os valores.

Leia mais

16/03/2014. IV. Juros: taxa efetiva, equivalente e proporcional. IV.1 Taxa efetiva. IV.2 Taxas proporcionais. Definição:

16/03/2014. IV. Juros: taxa efetiva, equivalente e proporcional. IV.1 Taxa efetiva. IV.2 Taxas proporcionais. Definição: 6// IV. Juros: taxa efetva, equvalete e proporcoal Matemátca Facera Aplcada ao Mercado Facero e de Captas Professor Roaldo Távora IV. Taxa efetva Defção: É a taxa de juros em que a udade referecal de seu

Leia mais

Econometria: 4 - Regressão Múltipla em Notação Matricial

Econometria: 4 - Regressão Múltipla em Notação Matricial Ecoometra: 4 - Regressão últpla em Notação atrcal Prof. arcelo C. ederos mcm@eco.puc-ro.br Prof. arco A.F.H. Cavalcat cavalcat@pea.gov.br Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo

Leia mais

Capítulo 6 - Centro de Gravidade de Superfícies Planas

Capítulo 6 - Centro de Gravidade de Superfícies Planas Capítulo 6 - Cetro de ravdade de Superfíces Plaas 6. Itrodução O Cetro de ravdade (C) de um sóldo é um poto localzado o própro sóldo, ou fora dele, pelo qual passa a resultate das forças de gravdade que

Leia mais

Média. Mediana. Ponto Médio. Moda. Itabira MEDIDAS DE CENTRO. Prof. Msc. Emerson José de Paiva 1 BAC011 - ESTATÍSTICA. BAC Estatística

Média. Mediana. Ponto Médio. Moda. Itabira MEDIDAS DE CENTRO. Prof. Msc. Emerson José de Paiva 1 BAC011 - ESTATÍSTICA. BAC Estatística BAC 0 - Estatístca Uversdade Federal de Itajubá - Campus Itabra BAC0 - ESTATÍSTICA ESTATÍSTICA DESCRITIVA MEDIDAS DE CENTRO Méda Medda de cetro ecotrada pela somatóra de todos os valores de um cojuto,

Leia mais

Faculdade de Tecnologia de Catanduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL

Faculdade de Tecnologia de Catanduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL Faculdade de Tecologa de Cataduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL 5. Meddas de Posção cetral ou Meddas de Tedêca Cetral Meddas de posção cetral preocupam-se com a caracterzação e a

Leia mais

AMOSTRAGEM EM DOIS ESTÁGIOS COM UNIDADES PRIMÁRIAS DE TAMANHOS DIFERENTES SUBSAMPLING TO TWO PROBATION WITH PRIMARY UNITS OF UNEQUAL SIZES

AMOSTRAGEM EM DOIS ESTÁGIOS COM UNIDADES PRIMÁRIAS DE TAMANHOS DIFERENTES SUBSAMPLING TO TWO PROBATION WITH PRIMARY UNITS OF UNEQUAL SIZES Cêca Florestal, v.6,., p.47-55 47 ISS 003-9954 AMOSTRAGEM EM DOIS ESTÁGIOS COM UIDADES PRIMÁRIAS DE TAMAHOS DIFERETES SUBSAMPLIG TO TWO PROBATIO WITH PRIMARY UITS OF UEQUAL SIZES Sylvo Péllco etto RESUMO

Leia mais

UNIVERSIDADE FEDERAL FLUMINENSE CENTRO DE ESTUDOS GERAIS INSTITUTO DE MATEMÁTICA DEPARTAMENTO DE ESTATÍSTICA NÚMEROS ÍNDICES

UNIVERSIDADE FEDERAL FLUMINENSE CENTRO DE ESTUDOS GERAIS INSTITUTO DE MATEMÁTICA DEPARTAMENTO DE ESTATÍSTICA NÚMEROS ÍNDICES UNIVERSIDADE FEDERAL FLUMINENSE CENTRO DE ESTUDOS GERAIS INSTITUTO DE MATEMÁTICA DEPARTAMENTO DE ESTATÍSTICA NÚMEROS ÍNDICES Aa Mara Lma de Faras Luz da Costa Laurecel Com a colaboração dos motores Maracajaro

Leia mais

( ) Editora Ferreira - Toque de Mestre. Olá Amigos!

( ) Editora Ferreira - Toque de Mestre. Olá Amigos! Olá Amgos! Hoje coloco à dsposção de vocês aqu a seção Toque de Mestre da Edtora Ferrera (www.edtoraferrera.com.br) as questões de Matemátca Facera cobradas o últmo cocurso da axa Ecoômca Federal (EF),

Leia mais

ANAIS O JOGO DA LOGÍSTICA E SUAS VARIANTES NO PROBLEMA DE LOCALIZAÇÃO DE INSTALAÇÕES

ANAIS O JOGO DA LOGÍSTICA E SUAS VARIANTES NO PROBLEMA DE LOCALIZAÇÃO DE INSTALAÇÕES O JOGO DA LOGÍSTICA E SUAS VARIANTES NO PROBLEMA DE LOCALIZAÇÃO DE INSTALAÇÕES MARCOS RICARDO ROSA GEORGES ( marcos.georges@puc-campas.edu.br, marcos_georges@yahoo.com.br ) PUC-CAMPINAS Resumo Este artgo

Leia mais

5.1 Seleção dos melhores regressores univariados (modelo de Índice de Difusão univariado)

5.1 Seleção dos melhores regressores univariados (modelo de Índice de Difusão univariado) 5 Aplcação Neste capítulo será apresentada a parte empírca do estudo no qual serão avalados os prncpas regressores, um Modelo de Índce de Dfusão com o resultado dos melhores regressores (aqu chamado de

Leia mais

12.2.2 CVT: Coeficiente de Variação de Thorndike...45 12.2.3 CVQ: Coeficiente Quartílico de Variação...45 13 MEDIDAS DE ASSIMETRIA...46 13.

12.2.2 CVT: Coeficiente de Variação de Thorndike...45 12.2.3 CVQ: Coeficiente Quartílico de Variação...45 13 MEDIDAS DE ASSIMETRIA...46 13. SUMARIO 2 MÉTODO ESTATÍSTICO...3 2. A ESTATÍSTICA...3 2.2 FASES DO MÉTODO ESTATÍSTICO...4 3 FERRAMENTAS DE CÁLCULO PARA O ESTUDO DA ESTATÍSTICA...5 3. FRAÇÃO...5 3.. Adção e subtração...5 3..2 Multplcação

Leia mais

15/03/2012. Capítulo 2 Cálculo Financeiro e Aplicações. Capítulo 2 Cálculo Financeiro e Aplicações. Capítulo 2 Cálculo Financeiro e Aplicações

15/03/2012. Capítulo 2 Cálculo Financeiro e Aplicações. Capítulo 2 Cálculo Financeiro e Aplicações. Capítulo 2 Cálculo Financeiro e Aplicações Itrodução.1 Juros Smples Juro: recompesa pelo sacrfíco de poupar o presete, postergado o cosumo para o futuro Maora das taxas de uros aplcadas o mercado facero são referecadas pelo crtéro smples Determa

Leia mais

Controle Estatístico de Qualidade. Capítulo 6 (montgomery)

Controle Estatístico de Qualidade. Capítulo 6 (montgomery) Cotrole Estatístco de Qualdade Capítulo 6 (motgomery) Gráfcos de Cotrole para Atrbutos Itrodução Mutas característcas da qualdade ão podem ser represetadas umercamete. Nestes casos, classfcamos cada tem

Leia mais

CAPÍTULO 1 PROBABILIDADE

CAPÍTULO 1 PROBABILIDADE CAPÍTULO PROBABILIDADE. Coceto O coceto de probabldade está sempre presete em osso da a da: qual é a probabldade de que o meu tme seja campeão? Qual é a probabldade de que eu passe aquela dscpla? Qual

Leia mais

Neste capítulo pretende-se introduzir o conceito de centróide, em especial quando aplicado para o caso de superfícies planas.

Neste capítulo pretende-se introduzir o conceito de centróide, em especial quando aplicado para o caso de superfícies planas. Físca plcada à Egehara vl II aulo Medes ENTRÓIDES Neste capítulo pretede-se troduzr o coceto de cetróde, em especal quado aplcado para o caso de superfíces plaas. Este documeto, costtu apeas um strumeto

Leia mais

CENTRO: GESTÃO ORGANIZACIONAL MATEMÁTICA FINANCEIRA

CENTRO: GESTÃO ORGANIZACIONAL MATEMÁTICA FINANCEIRA CENTRO: GESTÃO ORGANIZACIONAL CÁLCULOS DE FINANÇAS MATEMÁTICA FINANCEIRA Semestre: A/2008 PROFESSOR: IRANI LASSEN CURSO: ALUNO: SUMÁRIO CÁLCULOS DE FINANÇAS INTRODUÇÃO...3. OBJETIVO:...3.2 FLUXO DE CAIXA...4.3

Leia mais

Educação e Pesquisa ISSN: 1517-9702 revedu@usp.br Universidade de São Paulo Brasil

Educação e Pesquisa ISSN: 1517-9702 revedu@usp.br Universidade de São Paulo Brasil Educação e Pesqusa ISS: 1517-972 revedu@usp.br Uversdade de São Paulo Brasl Helee, Otavao Evolução da escolardade esperada o Brasl ao logo do século XX Educação e Pesqusa, vol. 38, úm. 1, marzo, 212, pp.

Leia mais

Oitava Lista de Exercícios

Oitava Lista de Exercícios Uversdade Federal Rural de Perambuco Dscpla: Matemátca Dscreta I Professor: Pablo Azevedo Sampao Semestre: 07 Otava Lsta de Exercícos Lsta sobre defções dutvas (recursvas) e prova por dução Esta lsta fo

Leia mais

Modelos de Precificação e Ruína para Seguros de Curto Prazo

Modelos de Precificação e Ruína para Seguros de Curto Prazo Modelos de Precfcação e Ruía para Seguros de Curto Prazo Paulo Perera Ferrera Modelos de Precfcação e Ruía para Seguros de Curto Prazo ª Edção - 00 ª Rempressão - 00 Ro de Jaero 00 ª edção: outubro 00

Leia mais

AVALIAÇÃO DOS PROGRAMAS DE PÓS-GRADUAÇÃO EM ENGENHARIA DA UFRJ EMPREGANDO UMA VARIANTE DESENVOLVIDA DO MÉTODO UTA

AVALIAÇÃO DOS PROGRAMAS DE PÓS-GRADUAÇÃO EM ENGENHARIA DA UFRJ EMPREGANDO UMA VARIANTE DESENVOLVIDA DO MÉTODO UTA versão mpressa ISSN 00-7438 / versão ole ISSN 678-542 AVALIAÇÃO DOS PROGRAMAS DE PÓS-GRADUAÇÃO EM ENGENHARIA DA UFRJ EMPREGANDO UMA VARIANTE DESENVOLVIDA DO MÉTODO UTA Luís Alberto Duca Ragel UFF-COPPE/PEP/UFRJ

Leia mais

TESTES DE PROPORÇÕES TESTE DE UMA PROPORÇÃO POPULACIONAL

TESTES DE PROPORÇÕES TESTE DE UMA PROPORÇÃO POPULACIONAL TESTES DE PROPORÇÕES TESTE DE UMA PROPORÇÃO POPULACIONAL As hpóteses a serem testadas serão: H 0 : p p 0 H : p p 0 p > p 0 p < p 0 Estatístca do Teste: pˆ p0 z c p ( p ) 0 0 EXEMPLOS. Uma máqua está regulada

Leia mais

Estatística Notas de Aulas ESTATÍSTICA. Notas de Aulas. Professor Inácio Andruski Guimarães, DSc. Professor Inácio Andruski Guimarães, DSc.

Estatística Notas de Aulas ESTATÍSTICA. Notas de Aulas. Professor Inácio Andruski Guimarães, DSc. Professor Inácio Andruski Guimarães, DSc. Estatístca Notas de Aulas ESTATÍSTICA Notas de Aulas Professor Iáco Adrus Gumarães, DSc. Professor Iáco Adrus Gumarães, DSc. Estatístca Notas de Aulas SUMÁRIO CONCEITOS BÁSICOS 5. Estatístca. Estatístca

Leia mais

( k) Tema 02 Risco e Retorno 1. Conceitos Básicos

( k) Tema 02 Risco e Retorno 1. Conceitos Básicos FEA -USP Graduação Cêcas Cotábes EAC05 04_0 Profa. Joaíla Ca. Rsco e Retoro. Cocetos Báscos Rotero BE-cap.6 Tema 0 Rsco e Retoro. Cocetos Báscos I. O que é Retoro? II. Qual é o Rsco de um Atvo Idvdual

Leia mais

ANÁLISE DE CORRELAÇÃO: ABORDAGEM TEÓRICA E DE CONSTRUÇÃO DOS COEFICIENTES COM APLICAÇÕES

ANÁLISE DE CORRELAÇÃO: ABORDAGEM TEÓRICA E DE CONSTRUÇÃO DOS COEFICIENTES COM APLICAÇÕES UNIVERIDADE FEDERAL DO PARANÁ ANÁLIE DE CORRELAÇÃO: ABORDAGEM TEÓRICA E DE CONTRUÇÃO DO COEFICIENTE COM APLICAÇÕE CURITIBA 004 ACHIKO ARAKI LIRA ANÁLIE DE CORRELAÇÃO: ABORDAGEM TEÓRICA E DE CONTRUÇÃO DO

Leia mais

Variância estatística associada a métodos semi-empíricos para estimativa da capacidade de carga de estacas

Variância estatística associada a métodos semi-empíricos para estimativa da capacidade de carga de estacas Teora e Prátca a Egehara vl,.0, p.6-67, ovemro, 0 arâca estatístca assocada a métodos sem-empírcos para estmatva da capacdade de carga de estacas Statstcal varace assocated wth sem-emprcal methods for

Leia mais

Estatística Agosto 2009 Campus do Pontal Prof. MSc. Quintiliano Siqueira Schroden Nomelini

Estatística Agosto 2009 Campus do Pontal Prof. MSc. Quintiliano Siqueira Schroden Nomelini Estatístca Agosto 009 Campus do Potal Prof. MSc. Qutlao Squera Schrode Nomel - ESTATÍSTICA DESCRITIVA. - A NATUREZA DA ESTATÍSTICA COMO SURGIU A ESTATÍSTICA????? A Matemátca surge do covívo socal, da cotagem,

Leia mais

ELECTROTECNIA TEÓRICA MEEC IST

ELECTROTECNIA TEÓRICA MEEC IST ELECTROTECNIA TEÓRICA MEEC IST º Semestre 05/6 3º TRABALHO LABORATORIAL CIRCUITO RLC SÉRIE em Regme Forçado Alterado Susodal Prof. V. Maló Machado Prof. M. Guerrero das Neves Prof.ª Mª Eduarda Pedro Eg.

Leia mais

Estimação pontual, estimação intervalar e tamanho de amostras

Estimação pontual, estimação intervalar e tamanho de amostras Estmação potual, estmação tervalar e tamaho de amostras Iferêca: por meo das amostras, cohecer formações geras da população. Problemas de ferêca, em geral, se dvdem em estmação de parâmetros e testes de

Leia mais

9 Medidas Descritivas

9 Medidas Descritivas 1 9 Meddas Descrtvas Vmos aterormete que um cojuto de dados pode ser resumdo através de uma dstrbução de freqüêcas, e que esta pode ser represetada através de uma tabela ou de um gráfco. Se o cojuto refere-se

Leia mais

TT.405 - ECONOMIA DE ENGENHARIA Material Didático - 2008 Prof. Lúcia R. A. Montanhini

TT.405 - ECONOMIA DE ENGENHARIA Material Didático - 2008 Prof. Lúcia R. A. Montanhini INTRODUÇÃO TT405 - ECONOMIA DE ENGENHARIA Materal Ddátco - 2008 Prof Lúca R A Motah INTRODUÇÃO 2 INDICE INTRODUÇÃO 7 2 O CONCEITO E ORIGEM DA ENGENHARIA ECONÔMICA 8 3 MATEMÁTICA FINANCEIRA 9 3 CONCEITOS

Leia mais

FERRAMENTAS DE ANÁLISE DE RISCOS EM ESTRATÉGIAS EMPRESARIAIS

FERRAMENTAS DE ANÁLISE DE RISCOS EM ESTRATÉGIAS EMPRESARIAIS FERRAMENTAS DE ANÁLISE DE RISCOS EM ESTRATÉGIAS EMRESARIAIS or: Herbert Kmura RAE-eletrôca, Volume, Número 2, jul-dez/2002. http://www.rae.com.br/eletroca/dex.cfm?fuseacto=artgo&id=825&secao=wc&volume=&numero=2&ao=

Leia mais