Modelando a Variância
|
|
- Aparecida Caldeira Pereira
- 8 Há anos
- Visualizações:
Transcrição
1 Capítulo 6 Modelando a Variância 6.1 Introdução Nos modelos vistos até aqui a variância dos erros foi assumida constante ao longo do tempo, i.e. V ar(ɛ t ) = E(ɛ 2 t ) = σɛ 2. Muitas séries temporais no entanto exibem períodos de grande volatilidade seguidos de períodos de relativa tranquilidade. Nestes casos, a suposição de variância constante (homocedasticidade) pode não ser apropriada. Na verdade, embora a variância incondicional dos erros ainda possa ser assumida constante, sua variância condicional pode estar mudando ao longo do tempo. Além disso, em muitas situações práticas tem-se interesse em prever a variância condicional da série além da série propriamente dita. Por exemplo, no mercado de ações o interesse é não apenas prever a taxa de retorno mas também a sua variância ao longo de um certo período. Esta variância condicional é também chamada de volatilidade. Algumas referências para este capítulo são Taylor (1986), Franses (1998), e Tsay (2002). Exemplo 6.1 : Nas Figuras 6.1 e 6.2 os gráficos apresentam indices de preços diários de fechamento de algumas bolsas de valores européias: DAX (Frankfurt), SME (Suíça), CAC (Paris) e FTSE (Londres). Exemplo 6.2 : Na Figura 6.3 os gráficos apresentam as taxas de câmbio diárias do Dólar Australiano, Libra Esterlina, Dolar Canadense, Florim Holandes, Franco Frances, Marco Alemão, Iene Japones e Franco Suiço, em relação ao Dolar Americano, enquanto nos gráficos da Figura 6.4 estão os logaritmos das taxas de variplot(eustockmarkets, xlab=, main= ) Figura 6.1: Indices de preços diários de fechamento de bolsas de valores européias: DAX (Frankfurt), SME (Suíça), CAC (Paris) e FTSE (Londres). 78
2 6.1. INTRODUÇÃO 79 plot(eustockmarkets, xlab=, main=, ylab=, plot.type= single ) Figura 6.2: Indices de preços diários de fechamento de bolsas de valores européias: DAX (Frankfurt), SME (Suíça), CAC (Paris) e FTSE (Londres). ação (retornos diários). O período amostral vai de 31 de dezembro de 1979 a 31 de dezembro de Uma característica comum nestes retornos é que embora as médias pareçam ser aproximadamente constantes as variâncias mudam ao longo do tempo. Na Figura 6.5 estão os histogramas com uma curva normal superposta para os mesmos dados (retornos). Pode-se notar que muitos valores aparecem nas caudas das distribuições. Finalmente, nas Figuras 6.6 e 6.7 temos as autocorrelações amostrais dos retornos e dos retornos ao quadrado. Note como existe bastante aucorrelação entre os retornos ao quadrado. Todas estas características são em geral verificadas em séries reais de retornos e devem ser levadas em conta pelo modelo. Florim Franco Sui Dolar Can Iene Libra Dolar Aus Marco Franco Figura 6.3: Taxas de câmbio diárias em relação ao Dolar Americano do Dólar Australiano, Libra Esterlina, Dolar Canadense, Florim Holandes, Franco Frances, Marco Alemão, Iene Japones e Franco Suiço, entre 31 de dezembro de 1979 e 31 de dezembro de 1998.
3 80 CAPÍTULO 6. MODELANDO A VARIÂNCIA Florim Dolar Can Franco Sui Iene Libra Dolar Aus Marco Franco Figura 6.4: Retornos diários em relação ao Dolar Americano do Dólar Australiano, Libra Esterlina, Dolar Canadense, Florim Holandes, Franco Frances, Marco Alemão, Iene Japones e Franco Suiço, entre 31 de dezembro de 1979 e 31 de dezembro de A idéia aqui é tentar modelar simultaneamente a média e a variância de uma série temporal. Para fixar idéias, suponha que um modelo AR(1), X t = αx t 1 +ɛ t foi estimado e deseja-se fazer previsões 1 passo à frente, ˆx t (1) = E(X t+1 x t ) = αx t. A variância condicional de X t+1 é dada por V ar(x t+1 x t ) = V ar(ɛ t+1 x t ) = E(ɛ 2 t+1 x t ). Até agora assumimos que E(ɛ 2 t+1 x t ) = σ 2 ɛ, mas suponha que a variância condicional não seja constante, i.e. E(ɛ 2 t+1 x t ) = σ 2 t+1. Uma possível causa disto é que os dados se distribuem com caudas muito longas. Para facilitar a notação vamos denotar por I t = {x t, x t 1,..., ɛ t, ɛ t 1,... }, ou seja σ 2 t = V ar(ɛ t I t 1 ).
4 6.2. MODELOS ARCH 81 Dolar Aus Libra Dolar Can Florim Franco Marco Iene Franco Sui Figura 6.5: Histogramas dos retornos diários do Exemplo Modelos ARCH Existem várias formas de especificar como a variância condicional (volatilidade) varia com o tempo. Uma estratégia utilizada para modelar σ 2 t, proposta em Engle (1982), consiste em assumir que ela depende dos quadrados dos erros passados, ɛ t 1, ɛ t 2,... através de uma autoregressão. No caso mais simples, faz-se ɛ t = v t c + αɛ 2 t 1 (6.1) onde {v t } é uma série puramente aleatória com média zero e variância igual a 1 e v t e ɛ t são independentes. Segue que a esperança e a variância condicionais são dadas por, E(ɛ t I t 1 ) = E(v t ) c + αɛ 2 t 1 = 0 E(ɛ 2 t I t 1 ) = σ 2 t = c + αɛ 2 t 1 (6.2)
5 82 CAPÍTULO 6. MODELANDO A VARIÂNCIA Dolar Aus Libra Dolar Can Florim Franco Marco Iene Franco Sui Figura 6.6: Correlogramas dos retornos no Exemplo 6.2. Neste caso dizemos que a variância segue um processo autoregressivo condicionalmente heterocedástico de ordem 1, ARCH(1). Note que é necessário impor as restrições c > 0 e α 0 para que σ 2 t seja sempre positiva. Quando α = 0 a variância condicional é constante e ɛ t é um processo condicionalmente homocedástico. Além disso queremos garantir a estacionariedade da autoregressão de modo que a restrição imposta é 0 < α < 1. Note também que (6.2) não inclui um termo de erro e portanto não é um processo estocástico. A esperança e variância incondicionais podem ser obtidas como, E(ɛ t ) = E[E(ɛ t I t 1 )] = 0 V ar(ɛ t ) = E(ɛ 2 t ) = E[E(ɛ 2 t I t 1 )] = E[c + αɛ 2 t 1] = c + αe(ɛ 2 t 1). Se o processo é estacionário então E(ɛ 2 t ) = E(ɛ 2 t 1) = V ar(ɛ t ) e portanto V ar(ɛ t ) = c 1 α.
6 6.2. MODELOS ARCH 83 Dolar Aus^2 Libra^2 Dolar Can^ Florim^2 Franco^2 Marco^ Iene^2 Franco Sui^ Figura 6.7: Correlogramas dos retornos ao quadrado no Exemplo 6.2. Além disso, Cov(ɛ t, ɛ t+k ) = E(ɛ t ɛ t+k ) = E[E(ɛ t ɛ t+k ) ɛ t+k 1,..., ɛ t 1 ] = E[ɛ t E(v t+k c + αɛ 2 t+k 1 )] = 0, para k > 0. Ou seja, ao postular o modelo ARCH(1) estamos assumindo que os {ɛ t } são não correlacionados. Exemplo 6.3 : Para ilustração a Figura 6.8 apresenta dois processos ARCH de ordem 1 simulados a partir de uma sequência {v t } de 200 números aleatórios i.i.d. gerados de uma distribuição N(0, 1). A sequência {ɛ t } foi construida usando a equação (6.1) com c = 1 e α = 0, 8. Note como a sequência {ɛ t } continua tendo média zero mas parece ter tido um aumento de volatilidade em alguns períodos. Em um modelo AR(1), a forma como esta estrutura nos erros afeta a série original depende do valor do parâmetro autoregressivo e duas possíveis situações são mostradas nos gráficos inferiores da figura. Na Figura 6.9 temos o histograma dos valores {ɛ t } gerados, com uma curva normal superimposta,
7 84 CAPÍTULO 6. MODELANDO A VARIÂNCIA além do gráfico de probabilidades normais (QQ-plot normal). Note como há um excesso de valores nas caudas ocorrendo com uma frequência maior do que seria esperado na distribuição normal. processo aleatório ε(t) = v(t) ε(t 1) x(t) = 0.5x(t 1) + ε(t) x(t) = 0.9x(t 1) + ε(t) Figura 6.8: Processos autoregressivos com erros ARCH(1) simulados. Basicamente a equação (6.2) nos diz que erros grandes (ou pequenos) em valor absoluto tendem a ser seguidos por erros grandes (ou pequenos) em valor absoluto. Portanto o modelo é adequado para descrever séries aonde a volatilidade ocorre em grupos. Além disso, na equação (6.2) somando ɛ 2 t e subtraindo σt 2 de ambos os lados obtemos que ɛ 2 t = c + αɛ 2 t 1 + ν t com ν t = ɛ 2 t σt 2 = σt 2 (vt 2 1). Ou seja, o modelo ARCH(1) pode ser reescrito como um AR(1) estacionário para ɛ 2 t com erros não normais (vt 2 χ 2 1 se v t N(0, 1)) que têm média zero e variância não constante. Portanto, a função de autocorrelação do processo {ɛ 2 t } é dada por ρ(k) = α k e o correlograma amostral deve apresentar um decaimento exponencial para zero. Se o processo ARCH(1) for estacionário não é difícil calcular o seu coeficiente
8 6.2. MODELOS ARCH 85 densidades Q Q plot Normal quantis amostrais quantis teoricos Figura 6.9: Caracteristicas de um processo ARCH(1) simulado. de curtose que é dado por κ = E(ɛ4 t ) [V ar(ɛ t )] 2. Denotando por E(v 4 t ) = λ o quarto momento do erro segue que o quarto momento condicional é dado por E(ɛ 4 t I t 1 ) = E(v 4 t σ 4 t I t 1 ) = λe(σ 4 t I t 1 ) = λ(c + αɛ 2 t 1) 2. (se assumirmos que v t N(0, 1) então λ = 3). Portanto, o quarto momento incondicional fica, E(ɛ 4 t ) = E[E(ɛ 4 t I t 1 )] = λe(c 2 + α 2 ɛ 4 t 1 + 2cαɛ 2 t 1). Se o processo é estacionário de quarta ordem então podemos escrever E(ɛ 4 t ) = E(ɛ 4 t 1) = µ 4 e portanto, ( µ 4 = λ c 2 + α 2 µ 4 + 2cα ) ( ) c 1 + α = λc 2 + λα 2 µ 4 1 α 1 α
9 86 CAPÍTULO 6. MODELANDO A VARIÂNCIA e finalmente, µ 4 = O coeficiente de curtose então fica, λc 2 (1 + α) (1 α)(1 λα 2 ). κ = λc 2 (1 + α) (1 α)(1 λα 2 ) (1 α) 2 c 2 = λ 1 α2 1 λα 2, para λα2 < 1 que é sempre maior do que λ. Ou seja, qualquer que seja a distribuição de v t o coeficiente de curtose será maior do que a curtose de v t (desde que α > 0 e λ > 1). Em particular, processos ARCH(1) têm caudas mais pesadas do que a distribuição normal e são portanto adequados para modelar séries temporais com esta característica. Séries de retornos, como as do Exemplo 6.2, frequentemente apresentam caudas mais pesados do que a normal devido ao excesso de curtose. Previsões da Volatilidade Suponha que uma série temporal X t segue um processo ARCH(1), i.e. X t = v t ht, v t N(0, 1). As previsões da volatilidade, k passos à frente, no tempo t = n são obtidas como, ĥ n (k) = E(h n+k I n ) = c + αe(x 2 n+k 1 I n ). Para k = 1 segue que E(X 2 n+k 1 I n) = X 2 n+k 1 e para k > 1 temos que E(X 2 n+k 1 I n ) = E(h n+k 1 v 2 n+k 1 I n ) = E(h n+k 1 I n )E(v 2 n+k 1 I n ) = E(h n+k 1 I n ) = ĥn(k 1) pois h n+k j e v n+k j são independentes. As previsões então ficam, { c + αx 2 ĥ n (k) = n, k = 1 c + αĥn(k 1), k = 2, 3,... O Modelo ARCH(p) Estas idéias podem ser generalizadas para processos mais gerais ARCH(p) em que a variância condicional depende dos quadrados de p erros passados, i.e. ɛ t = v t c + α 1 ɛ 2 t α p ɛ 2 t p (6.3)
10 6.2. MODELOS ARCH 87 e então a variância condicional é modelada como, σ 2 t = E(ɛ 2 t I t 1 ) = c + α 1 ɛ 2 t α p ɛ 2 t p. Neste caso, para garantir que σt 2 seja sempre positiva é necessário impor a seguintes restrições c > 0 e α 1 0,..., α p 0 e para garantir estacionariedade é necessário também que as raízes de 1 α 1 B α p B p = 0 estejam fora do círculo unitário. Juntando estas restrições equivale a impor a restrição c > 0 e p i=1 α i < 1. Analogamente podemos reescrever o modelo ARCH(p) como um modelo AR(p) para ɛ 2 t definindo os erros ν t como anteriormente, i.e. com ν t = σ 2 t (v 2 t 1). ɛ 2 t = c + α 1 ɛ 2 t α p ɛ 2 t p + ν t. Identificação A característica chave dos modelos ARCH é que a variância condicional dos erros ɛ t se comporta como um processo autoregressivo. Portanto deve-se esperar que os resíduos de um modelo ARMA ajustado a uma série temporal observada também sigam este padrão característico. Em particular, se o modelo ajustado for adequado então a FAC e a FACP dos resíduos devem indicar um processo puramente aleatório, no entanto se a FAC dos quadrados dos resíduos, ˆɛ 2 t, tiver um decaimento característico de uma autoregressão isto é uma indicação de que um modelo ARCH pode ser apropriado. A ordem p do modelo pode ser identificada através da FACP dos quadrados dos resíduos. Previsões da Volatilidade Suponha que uma série temporal X t segue um processo ARCH (p). As previsões da volatilidade, k passos à frente, no tempo t = n são obtidas como, ĥ n (k) = E(h n+k I n ) = c + p α j E(Xn+k j I 2 n ). i=j Para k j segue que E(X 2 n+k j I n) = X 2 n+k j e para k > j temos que E(X 2 n+k j I n ) = E(h n+k j v 2 n+k j I n ) = E(h n+k j I n )E(v 2 n+k j I n ) = E(h n+k j I n ) = ĥn(k j)
11 88 CAPÍTULO 6. MODELANDO A VARIÂNCIA já que h n+k j e v n+k j são independentes. 6.3 Modelos GARCH Uma generalização natural dos modelos ARCH consiste em assumir que a variância condicional se comporta como um processo ARMA, i.e. depende também de seus valores passados. Fazendo ɛ t = v t ht onde h t = c + p q α i ɛ 2 t i + β j h t j i=1 j=1 segue que a esperança condicional de ɛ t é zero e a variância condicional é σt 2 = h t. Este modelo é chamado ARCH generalizado, ou GARCH, de ordem (p, q). Aqui as restrições de positividade e estacionariedade impostas sobre os parâmetros são dadas por c > 0, α i 0, i = 1,..., p, β j 0, j = 1,..., q e p i=1 α i + q j=1 β j < 1. Embora a primeira vista pareça um modelo mais complexo, sua vantagem sobre os modelos ARCH é basicamente a parcimônia. Assim como um modelo ARMA pode ser mais parcimonioso no sentido de apresentar menos parâmetros a serem estimados do que modelos AR ou MA, um modelo GARCH pode ser usado para descrever a volatilidade com menos parâmetros do que modelos ARCH. Em termos de identificação dos valores de p e q as ferramentas básicas são mais uma vez a FAC e a FACP dos quadrados dos resíduos. Assim, se o modelo ajustado for adequado a FAC e a FACP dos resíduos devem indicar um processo puramente aleatório, no entanto quando estas funções são aplicadas aos quadrados dos resíduos elas devem indicar um processo ARMA(p, q). A identificação pode não ser muito fácil em algumas aplicações embora na maioria dos casos um modelo GARCH(1,1) seja suficiente. Na prática recomenda-se também tentar outros modelos de ordem baixa como GARCH(1,2) e GARCH(2,1). As previsões da volatilidade em modelos GARCH são obtidas de forma similar a de um modelo ARMA. Por exemplo, após estimar os parâmetros de um modelo GARCH(1,1) e assumindo-se que ɛ 0 = h 0 = 0 pode-se construir as sequências ɛ 1,..., ɛ t e h 1,..., h t e a previsão 1 passo à frente da volatilidade fica ˆσ 2 t (1) = c + αɛ 2 t + βh t Estimação Para uma série x 1,..., x n observada e um modelo GARCH(p, q), denotando-se o vetor de parâmetros por θ=(c, α 1,..., α p, β 1,..., β q ) e destacando-se a densidade
12 6.3. MODELOS GARCH 89 conjunta das p primeiras realizações segue que p(x 1,..., x n θ) = p(x 1,..., x p θ) Assumindo normalidade segue que e portanto n t=p+1 X t x t 1,..., x t p N(0, h t ) p(x 1,..., x n θ) = p(x 1,..., x p θ) n t=p+1 p(x t x t 1,..., x t p, θ). ( ) (2πh t ) 1/2 exp x2 t. 2h t Em geral o número de observações será grande o suficiente para que o termo p(x 1,..., x p θ) possa ser desprezado. Por exemplo, para um modelo ARCH(1) a função log-verossimilhança fica 0.5 n [ log(2π) + log(c + αx 2 t 1 ) + x 2 t /(c + αx 2 t 1) ]. t=2 Note que algum algoritmo de otimização não linear deverá ser utilizado e nada garante sua convergência para um ótimo global. No R pode-se usar a função garch do pacote tseries para fazer a estimação por máxima verossimilhança Adequação Se um modelo ARCH ou GARCH foi ajustado a uma série X t não correlacionada então os resíduos padronizados são dados por X t = X t ht e formam uma sequência i.i.d. com distribuição normal padrão. Assim, a adequação do modelo pode ser verificada aplicando os testes usuais de normalidade a estes residuos padronizados e os testes de aleatoriedade (Box-Pierce e Ljung-Box) aos quadrados dos resíduos. Exemplo 6.4 : Na parte superior da Figura 6.10 estão os preços diários no fechamento de um indice de mercado da Alemanha (DAX), entre 1991 e O interesse é em analisar os chamados retornos dados por log(x t /x t 1 ) e estes estão no gráfico inferior da Figura Existe evidência na literatura que modelos GARCH(1,1) conseguem captar bem os movimentos característicos dos re-
13 90 CAPÍTULO 6. MODELANDO A VARIÂNCIA tornos. Foi usada a função garch no pacote tseries do R para ajustar um modelo GARCH(1,1). DAX retornos Figura 6.10: Preços diários no fechamento de um indice de mercado da Alemanha (DAX), entre 1991 e 1998 e respectivos retornos. Estimate Std. Error t value Pr(> t ) a a b Tabela 6.1 Assim, o modelo ajustado obtido foi Y t = v t ht, v t N(0, 1) h t = Y 2 t h t 1 sendo todos os coeficientes significativos. O teste de Ljung-Box aplicado nos quadrados dos residuos indicou aleatoriedade (p-valor = 0,71), no entanto o teste
14 6.3. MODELOS GARCH 91 de normalidade de Jarque-Bera aplicado aos residuos rejeitou a hipótese nula (pvalor<0,001). Assim a hipótese de normalidade condicional parece estar sendo violada. Na Figura 6.11 estão os histogramas, gráficos de probabilidades normais dos retornos e resíduos do modelo GARCH(1,1) estimado, além dos correlogramas dos quadrados dos retornos e resíduos. DAX Residuos DAX Residuos residuos Residuos^ Time Figura 6.11: Histogramas e probabilidades normais dos retornos do indice de mercado da Alemanha (DAX) e resíduos do modelos GARCH(1,1) e correlogramas dos seus quadrados. Um fato estilizado presente em séries temporais financeiras é que o mercado tem baixa volatilidade quando está em alta e alta volatilidade quando está em baixa. Tal assimetria não é levada em conta pelos modelos GARCH e para contornar esta limitação outros modelos foram propostos na literatura. Por exemplo, no modelo EGARCH (ou GARCH exponencial) modela-se o logaritmo da volatilidade como, log(σt 2 ) = c + α ɛ t 1 + γ ɛ t 1 + βσ σ t 1. 2 t 1 σ t 1 Em termos de estimação uma vantagem deste modelo é que os parâmetros c, α e
15 92 CAPÍTULO 6. MODELANDO A VARIÂNCIA β são irrestritos já que estamos modelando o logaritmo da volatilidade. A única restrição é γ < 0 pois assim a volatilidade aumenta quando ɛ t 1 < Volatilidade Estocástica As fórmulas para modelar σt 2 vistas até agora foram todas determinísticas, i.e. sem uma componente de erro aleatório. No entanto, pode ser mais razoável assumir que a variância condicional varia estocasticamente ao longo do tempo ao invés de deterministicamente, especialmente se existem mudanças abruptas na volatilidade (e.g. como resultado de greves, guerras, etc.). Assim, uma alternativa aos modelos (G)ARCH consiste em assumir que σ 2 t segue um processo estocástico. Geralmente modela-se o logaritmo de σ 2 t. Em sua forma mais simples um modelo de volatilidade estocástica (VE) é dado por X t = v t exp(h t /2), v t N(0, 1) h t = c + αh t 1 + η t, η t N(0, σ 2 η) com α < 1 e h t = log(σ 2 t ). Note que não há necessidade de restrições de positividade nos parâmetros pois estamos modelando o logaritmo da volatilidade. O modelo pode ser estendido para uma estrutura AR(p) em h t, ou seja X t = v t exp(h t /2), v t N(0, 1) p h t = c + α i h t i + η t, η t N(0, ση) 2 i=1 Estimar modelos de volatilidade estocástica é mais difícil porque a função de verossimilhança é dificil de ser avaliada. Propriedades 1. E(X t ) = E(v t e ht/2 ) = E(e ht/2 )E(v t ) = 0, já que h t e v t são independentes. 2. V ar(x t ) = E(X 2 t ) = E(e h t v 2 t ) = E(e h t )E(v 2 t ) = E(e h t ). Mas, como estamos assumindo que h t é estacionária segue que, E(h t ) = µ = c/(1 α) e V ar(h t ) = σ 2 = σ 2 η/(1 α 2 ) e a distribuição incondicional do log-volatilidade é h t N(µ, σ 2 ). Portanto, e ht segue uma distribuição log-normal com par ˆmetros µ e σ 2 cuja média e
16 6.4. VOLATILIDADE ESTOCÁSTICA 93 variância são dados por E(e h t ) = e µ+σ2 /2 = V ar(x t ) V ar(e h t ) = (e σ2 1)e 2µ+σ2 3. E(X 4 t ) = E(v 4 t e 2h t ) = E(v 4 t )E(e 2h t ). Se ɛ t N(0, 1) então E(v 4 t ) = 3 e E(X 4 t ) = 3E(e 2ht ). Mas E(e 2ht ) = V ar(e ht ) + E 2 (e ht ) = (e σ2 1)e 2µ+σ2 + (e µ+σ2 /2 ) 2 Portanto, a curtose é dada por = e 2µ+σ2 (1 + e σ2 1) = e 2µ+2σ2. κ = 3 e2µ+2σ2 e 2µ+σ2 = 3e σ2 que é sempre maior do que 3 pois e σ2 > 1. Um resultado mais geral é que κ = E(vt 4 )e σ2 ou seja a curtose induzida por este modelo é sempre maior do que a curtose de v t.
17 94 CAPÍTULO 6. MODELANDO A VARIÂNCIA Exercícios 1. Um modelo ARIMA foi identificado e estimado para uma série temporal observada mas há indicação de que a variância condicional deve ser modelada por um processo GARCH(1,1). Explique como se chegou a esta conclusão. 2. Refaça o exemplo da Figura 6.8 e estime um modelo AR(1) para a série X t. Verifique se existe estrutura autoregressiva nos quadrados dos resíduos e identifique um modelo ARCH para os erros. 3. Obtenha as previsões 1, 2 e 3 passos a frente para um modelo GARCH(1,2). 4. Descreva duas vantagens de modelos EGARCH sobre modelos GARCH.
Aula 4 Estatística Conceitos básicos
Aula 4 Estatística Conceitos básicos Plano de Aula Amostra e universo Média Variância / desvio-padrão / erro-padrão Intervalo de confiança Teste de hipótese Amostra e Universo A estatística nos ajuda a
Leia maisDistribuição Gaussiana. Modelo Probabilístico para Variáveis Contínuas
Distribuição Gaussiana Modelo Probabilístico para Variáveis Contínuas Distribuição de Frequências do Peso, em gramas, de 10000 recém-nascidos Frequencia 0 500 1000 1500 2000 2500 3000 3500 1000 2000 3000
Leia maisTestedegeradoresde. Parte X. 38 Testes de Ajuste à Distribuição. 38.1 Teste Chi-Quadrado
Parte X Testedegeradoresde números aleatórios Os usuários de uma simulação devem se certificar de que os números fornecidos pelo gerador de números aleatórios são suficientemente aleatórios. O primeiro
Leia maisCAP5: Amostragem e Distribuição Amostral
CAP5: Amostragem e Distribuição Amostral O que é uma amostra? É um subconjunto de um universo (população). Ex: Amostra de sangue; amostra de pessoas, amostra de objetos, etc O que se espera de uma amostra?
Leia maisAula 4 Conceitos Básicos de Estatística. Aula 4 Conceitos básicos de estatística
Aula 4 Conceitos Básicos de Estatística Aula 4 Conceitos básicos de estatística A Estatística é a ciência de aprendizagem a partir de dados. Trata-se de uma disciplina estratégica, que coleta, analisa
Leia maisO teste de McNemar. A tabela 2x2. Depois
Prof. Lorí Viali, Dr. http://www.pucrs.br/famat/viali/ viali@pucrs.br O teste de McNemar O teste de McNemar para a significância de mudanças é particularmente aplicável aos experimentos do tipo "antes
Leia maisAnálise de Arredondamento em Ponto Flutuante
Capítulo 2 Análise de Arredondamento em Ponto Flutuante 2.1 Introdução Neste capítulo, chamamos atenção para o fato de que o conjunto dos números representáveis em qualquer máquina é finito, e portanto
Leia maisCapítulo 3 Modelos Estatísticos
Capítulo 3 Modelos Estatísticos Slide 1 Resenha Variáveis Aleatórias Distribuição Binomial Distribuição de Poisson Distribuição Normal Distribuição t de Student Distribuição Qui-quadrado Resenha Slide
Leia maisFaculdade Sagrada Família
AULA 12 - AJUSTAMENTO DE CURVAS E O MÉTODO DOS MÍNIMOS QUADRADOS Ajustamento de Curvas Sempre que desejamos estudar determinada variável em função de outra, fazemos uma análise de regressão. Podemos dizer
Leia maisNotas de Cálculo Numérico
Notas de Cálculo Numérico Túlio Carvalho 6 de novembro de 2002 2 Cálculo Numérico Capítulo 1 Elementos sobre erros numéricos Neste primeiro capítulo, vamos falar de uma limitação importante do cálculo
Leia maisEventos independentes
Eventos independentes Adaptado do artigo de Flávio Wagner Rodrigues Neste artigo são discutidos alguns aspectos ligados à noção de independência de dois eventos na Teoria das Probabilidades. Os objetivos
Leia maisO mercado de bens CAPÍTULO 3. Olivier Blanchard Pearson Education. 2006 Pearson Education Macroeconomia, 4/e Olivier Blanchard
O mercado de bens Olivier Blanchard Pearson Education CAPÍTULO 3 3.1 A composição do PIB A composição do PIB Consumo (C) são os bens e serviços adquiridos pelos consumidores. Investimento (I), às vezes
Leia mais4 Resultados. 4.1 Dados Empíricos de Alta Freqüência do IBOVESPA
4 Resultados Neste capítulo, vamos analisar o comportamento dos retornos de preços intradiários do IBOVESPA e obter modelagem para as distribuições baseadas em distribuições q-gaussianas. Lembramos que
Leia maisEquações Diferenciais Ordinárias
Capítulo 8 Equações Diferenciais Ordinárias Vários modelos utilizados nas ciências naturais e exatas envolvem equações diferenciais. Essas equações descrevem a relação entre uma função, o seu argumento
Leia maisExercícios Teóricos Resolvidos
Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Matemática Exercícios Teóricos Resolvidos O propósito deste texto é tentar mostrar aos alunos várias maneiras de raciocinar
Leia maisTestes (Não) Paramétricos
Armando B. Mendes, DM, UAç 09--006 ANOVA: Objectivos Verificar as condições de aplicabilidade de testes de comparação de médias; Utilizar ANOVA a um factor, a dois factores e mais de dois factores e interpretar
Leia maisO comportamento conjunto de duas variáveis quantitativas pode ser observado por meio de um gráfico, denominado diagrama de dispersão.
ESTATÍSTICA INDUTIVA 1. CORRELAÇÃO LINEAR 1.1 Diagrama de dispersão O comportamento conjunto de duas variáveis quantitativas pode ser observado por meio de um gráfico, denominado diagrama de dispersão.
Leia mais2 Extensão do Produto Vetorial Sobre uma Álgebra Exterior
2 Extensão do Produto Vetorial Sobre uma Álgebra Exterior Seja R 3 o espaço euclidiano tridimensional, chamamos de álgebra exterior de R 3 a álgebra Λ(R 3 ) gerada pela base canônica {e 1, e 2, e 3 } satisfazendo
Leia maisProblemas de Valor Inicial para Equações Diferenciais Ordinárias
Problemas de Valor Inicial para Equações Diferenciais Ordinárias Carlos Balsa balsa@ipb.pt Departamento de Matemática Escola Superior de Tecnologia e Gestão de Bragança Matemática Aplicada - Mestrados
Leia maisESPAÇOS MUNIDOS DE PRODUTO INTERNO
ESPAÇOS MUNIDOS DE PRODUTO INTERNO Angelo Fernando Fiori 1 Bruna Larissa Cecco 2 Grazielli Vassoler 3 Resumo: O presente trabalho apresenta um estudo sobre os espaços vetoriais munidos de produto interno.
Leia maisAjuste de Curvas. Ajuste de Curvas
Ajuste de Curvas 2 AJUSTE DE CURVAS Em matemática e estatística aplicada existem muitas situações em que conhecemos uma tabela de pontos (x; y). Nessa tabela os valores de y são obtidos experimentalmente
Leia mais4 Resultados e Discussões
4 Resultados e Discussões 4.1 Resultados e Discussões Para cada um dos modelos descridos no capitulo anterior foram realizadas as estimativas dos seus respectivos parâmetros, bem como o teste necessário
Leia maisCurvas em coordenadas polares
1 Curvas em coordenadas polares As coordenadas polares nos dão uma maneira alternativa de localizar pontos no plano e são especialmente adequadas para expressar certas situações, como veremos a seguir.
Leia mais1. Os métodos Não-Paramétricos podem ser aplicados a uma ampla diversidade de situações, porque não exigem populações distribuídas normalmente.
TESTES NÃO - PARAMÉTRICOS As técnicas da Estatística Não-Paramétrica são, particularmente, adaptáveis aos dados das ciências do comportamento. A aplicação dessas técnicas não exige suposições quanto à
Leia maisEstatística II Antonio Roque Aula 9. Testes de Hipóteses
Testes de Hipóteses Os problemas de inferência estatística tratados nas aulas anteriores podem ser enfocados de um ponto de vista um pouco diferente: ao invés de se construir intervalos de confiança para
Leia maisCapítulo 5: Aplicações da Derivada
Instituto de Ciências Exatas - Departamento de Matemática Cálculo I Profª Maria Julieta Ventura Carvalho de Araujo Capítulo 5: Aplicações da Derivada 5- Acréscimos e Diferenciais - Acréscimos Seja y f
Leia maisProcessos Estocásticos
Processos Estocásticos Terceira Lista de Exercícios 22 de julho de 20 Seja X uma VA contínua com função densidade de probabilidade f dada por Calcule P ( < X < 2. f(x = 2 e x x R. A fdp dada tem o seguinte
Leia maisLista 1 para a P2. Operações com subespaços
Lista 1 para a P2 Observação 1: Estes exercícios são um complemento àqueles apresentados no livro. Eles foram elaborados com o objetivo de oferecer aos alunos exercícios de cunho mais teórico. Nós sugerimos
Leia maisNotas sobre a Fórmula de Taylor e o estudo de extremos
Notas sobre a Fórmula de Taylor e o estudo de etremos O Teorema de Taylor estabelece que sob certas condições) uma função pode ser aproimada na proimidade de algum ponto dado) por um polinómio, de modo
Leia maisLISTA 3 - Prof. Jason Gallas, DF UFPB 10 de Junho de 2013, às 14:26. Jason Alfredo Carlson Gallas, professor titular de física teórica,
Exercícios Resolvidos de Física Básica Jason Alfredo Carlson Gallas, professor titular de física teórica, Doutor em Física pela Universidade udwig Maximilian de Munique, Alemanha Universidade Federal da
Leia maisAULAS 02 E 03 Modelo de Regressão Simples
1 AULAS 02 E 03 Modelo de Regressão Simples Ernesto F. L. Amaral 04 e 09 de março de 2010 Métodos Quantitativos de Avaliação de Políticas Públicas (DCP 030D) Fonte: Wooldridge, Jeffrey M. Introdução à
Leia maisResolução de sistemas lineares
Resolução de sistemas lineares J M Martínez A Friedlander 1 Alguns exemplos Comecemos mostrando alguns exemplos de sistemas lineares: 3x + 2y = 5 x 2y = 1 (1) 045x 1 2x 2 + 6x 3 x 4 = 10 x 2 x 5 = 0 (2)
Leia maisTécnicas Multivariadas em Saúde. Comparações de Médias Multivariadas. Métodos Multivariados em Saúde - 2015. Roteiro. Testes de Significância
Roteiro Técnicas Multivariadas em Saúde Lupércio França Bessegato Dep. Estatística/UFJF 1. Introdução 2. Distribuições de Probabilidade Multivariadas 3. Representação de Dados Multivariados 4. Testes de
Leia maisAnálise de Regressão Linear Simples e Múltipla
Análise de Regressão Linear Simples e Múltipla Carla Henriques Departamento de Matemática Escola Superior de Tecnologia de Viseu Carla Henriques (DepMAT ESTV) Análise de Regres. Linear Simples e Múltipla
Leia maisOs Postulados da Mecânica Quântica
Márcio H. F. Bettega Departamento de Física Universidade Federal do Paraná bettega@fisica.ufpr.br Postulados Introdução Vamos apresentar nestas notas os postulados da mecânica quântica de acordo com o
Leia maisAULAS 14, 15 E 16 Análise de Regressão Múltipla: Problemas Adicionais
1 AULAS 14, 15 E 16 Análise de Regressão Múltipla: Problemas Adicionais Ernesto F. L. Amaral 20 e 22 de abril e 04 de maio de 2010 Métodos Quantitativos de Avaliação de Políticas Públicas (DCP 030D) Fonte:
Leia maisAlém do Modelo de Bohr
Além do Modelo de Bor Como conseqüência do princípio de incerteza de Heisenberg, o conceito de órbita não pode ser mantido numa descrição quântica do átomo. O que podemos calcular é apenas a probabilidade
Leia mais1) Eficiência e Equilíbrio Walrasiano: Uma Empresa
1) Eficiência e Equilíbrio Walrasiano: Uma Empresa Suponha que há dois consumidores, Roberto e Tomás, dois bens abóbora (bem 1) e bananas (bem ), e uma empresa. Suponha que a empresa 1 transforme 1 abóbora
Leia maisLista de Exercícios Tratamento de Incerteza baseado em Probabilidade
Lista de Exercícios Tratamento de Incerteza baseado em Probabilidade 1) Explique o termo probabilidade subjetiva no contexto de um agente que raciocina sobre incerteza baseando em probabilidade. 2) Explique
Leia maisAula 9 Plano tangente, diferencial e gradiente
MÓDULO 1 AULA 9 Aula 9 Plano tangente, diferencial e gradiente Objetivos Aprender o conceito de plano tangente ao gráfico de uma função diferenciável de duas variáveis. Conhecer a notação clássica para
Leia maisDatas Importantes 2013/01
INSTRUMENTAÇÃO CARACTERÍSTICAS DE UM SISTEMA DE MEDIÇÃO PROBABILIDADE PROPAGAÇÃO DE INCERTEZA MÍNIMOS QUADRADOS Instrumentação - Profs. Isaac Silva - Filipi Vianna - Felipe Dalla Vecchia 2013 Datas Importantes
Leia maisExercícios Adicionais
Exercícios Adicionais Observação: Estes exercícios são um complemento àqueles apresentados no livro. Eles foram elaborados com o objetivo de oferecer aos alunos exercícios de cunho mais teórico. Nós recomendamos
Leia maisCódigos Reed-Solomon CAPÍTULO 9
CAPÍTULO 9 Códigos Reed-Solomon Um dos problemas na Teoria de Códigos é determinar a distância mínima de um dado código. Tratando-se de códigos cíclicos, por vezes conseguimos controlar a distância mínima
Leia mais3 Estratégias de Análise Técnica
3 Estratégias de Análise Técnica Como foi visto no Capítulo 2, as estratégias dos investidores do mercado são compostas por dois fatores, a saber: o mecanismo de ativação σ i (t) (Eq. 2-10) e o mecanismo
Leia maisAula 5 Distribuição amostral da média
Aula 5 Distribuição amostral da média Nesta aula você irá aprofundar seus conhecimentos sobre a distribuição amostral da média amostral. Na aula anterior analisamos, por meio de alguns exemplos, o comportamento
Leia maispor séries de potências
Seção 23: Resolução de equações diferenciais por séries de potências Até este ponto, quando resolvemos equações diferenciais ordinárias, nosso objetivo foi sempre encontrar as soluções expressas por meio
Leia maisINSTITUTO TECNOLÓGICO
PAC - PROGRAMA DE APRIMORAMENTO DE CONTEÚDOS. ATIVIDADES DE NIVELAMENTO BÁSICO. DISCIPLINAS: MATEMÁTICA & ESTATÍSTICA. PROFº.: PROF. DR. AUSTER RUZANTE 1ª SEMANA DE ATIVIDADES DOS CURSOS DE TECNOLOGIA
Leia mais1 Propagação de Onda Livre ao Longo de um Guia de Ondas Estreito.
1 I-projeto do campus Programa Sobre Mecânica dos Fluidos Módulos Sobre Ondas em Fluidos T. R. Akylas & C. C. Mei CAPÍTULO SEIS ONDAS DISPERSIVAS FORÇADAS AO LONGO DE UM CANAL ESTREITO As ondas de gravidade
Leia mais5 A Metodologia de Estudo de Eventos
57 5 A Metodologia de Estudo de Eventos 5.1. Principais Conceitos Introduzido em 1969 pelo estudo de Fama, Fisher, Jensen e Roll, o estudo de evento consiste na análise quanto à existência ou não de uma
Leia mais3 Previsão da demanda
42 3 Previsão da demanda Este capítulo estuda o processo de previsão da demanda através de métodos quantitativos, assim como estuda algumas medidas de erro de previsão. Num processo de previsão de demanda,
Leia maisExemplos de Testes de Hipóteses para Médias Populacionais
Exemplos de Testes de Hipóteses para Médias Populacionais Vamos considerar exemplos de testes de hipóteses para a média de uma população para os dois casos mais importantes na prática: O tamanho da amostra
Leia maisContabilometria. Aula 10 Grau de Ajustamento e Verificação das Premissas MQO
Contabilometria Aula 10 Grau de Ajustamento e Verificação das Premissas MQO Ferramentas -------- Análise de Dados -------- Regressão Regressão Linear - Exemplo Usando o Excel Regressão Linear Output do
Leia maisGráfico de Controle por Atributos
Roteiro Gráfico de Controle por Atributos 1. Gráfico de np 2. Gráfico de p 3. Gráfico de C 4. Gráfico de u 5. Referências Gráficos de Controle por Atributos São usados em processos que: Produz itens defeituosos
Leia maisCálculo em Computadores - 2007 - trajectórias 1. Trajectórias Planas. 1 Trajectórias. 4.3 exercícios... 6. 4 Coordenadas polares 5
Cálculo em Computadores - 2007 - trajectórias Trajectórias Planas Índice Trajectórias. exercícios............................................... 2 2 Velocidade, pontos regulares e singulares 2 2. exercícios...............................................
Leia mais5 Cap 8 Análise de Resíduos. Outline. 2 Cap 2 O tempo. 3 Cap 3 Funções de Sobrevida. Carvalho MS (2009) Sobrevida 1 / 22
Outline Cap 8 Análise de Resíduos 1 Cap 1 Introdução 2 Cap 2 O tempo 3 Cap 3 Funções de Sobrevida 4 Cap 4 Não-Paramétrica 5 Cap 8 Análise de Resíduos Carvalho MS (2009) Sobrevida 1 / 22 Objetivos Analisar
Leia maisDistribuição de probabilidades
Luiz Carlos Terra Para que você possa compreender a parte da estatística que trata de estimação de valores, é necessário que tenha uma boa noção sobre o conceito de distribuição de probabilidades e curva
Leia maisFUNÇÃO DE 1º GRAU. = mx + n, sendo m e n números reais. Questão 01 Dadas as funções f de IR em IR, identifique com um X, aquelas que são do 1º grau.
FUNÇÃO DE 1º GRAU Veremos, a partir daqui algumas funções elementares, a primeira delas é a função de 1º grau, que estabelece uma relação de proporcionalidade. Podemos então, definir a função de 1º grau
Leia maisÁlgebra. SeM MiSTéRio
Álgebra SeM MiSTéRio Série SeM MiSTéRio Alemão Sem Mistério Álgebra Sem Mistério Cálculo Sem Mistério Conversação em Alemão Sem Mistério Conversação em Espanhol Sem Mistério Conversação em Francês Sem
Leia maisModelos de Filas de Espera
Departamento de Informática Modelos de Filas de Espera Métodos Quantitativos LEI 2006/2007 Susana Nascimento (snt@di.fct.unl.pt) Advertência Autor João Moura Pires (jmp@di.fct.unl.pt) Este material pode
Leia maisDo neurônio biológico ao neurônio das redes neurais artificiais
Do neurônio biológico ao neurônio das redes neurais artificiais O objetivo desta aula é procurar justificar o modelo de neurônio usado pelas redes neurais artificiais em termos das propriedades essenciais
Leia maisResolução dos Exercícios sobre Derivadas
Resolução dos Eercícios sobre Derivadas Eercício Utilizando a idéia do eemplo anterior, encontre a reta tangente à curva nos pontos onde e Vamos determinar a reta tangente à curva nos pontos de abscissas
Leia maisEstimação bayesiana em modelos lineares generalizados mistos: MCMC versus INLA
Estimação bayesiana em modelos lineares generalizados mistos: MCMC versus INLA Everton Batista da Rocha 1 2 3 Roseli Aparecida Leandro 2 Paulo Justiniano Ribeiro Jr 4 1 Introdução Na experimentação agronômica
Leia mais4. Tangentes e normais; orientabilidade
4. TANGENTES E NORMAIS; ORIENTABILIDADE 91 4. Tangentes e normais; orientabilidade Uma maneira natural de estudar uma superfície S consiste em considerar curvas γ cujas imagens estão contidas em S. Se
Leia maisVariáveis aleatórias contínuas e distribuiçao Normal. Henrique Dantas Neder
Variáveis aleatórias contínuas e distribuiçao Normal Henrique Dantas Neder Definições gerais Até o momento discutimos o caso das variáveis aleatórias discretas. Agora vamos tratar das variáveis aleatórias
Leia maisAnálise de regressão linear simples. Departamento de Matemática Escola Superior de Tecnologia de Viseu
Análise de regressão linear simples Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução A análise de regressão estuda o relacionamento entre uma variável chamada a variável dependente
Leia maisKarine Nayara F. Valle. Métodos Numéricos de Euler e Runge-Kutta
Karine Nayara F. Valle Métodos Numéricos de Euler e Runge-Kutta Professor Orientador: Alberto Berly Sarmiento Vera Belo Horizonte 2012 Karine Nayara F. Valle Métodos Numéricos de Euler e Runge-Kutta Monografia
Leia mais3 Matemática financeira e atuarial
3 Matemática financeira e atuarial A teoria dos juros compostos em conjunto com a teoria da probabilidade associada à questão da sobrevivência e morte de um indivíduo são os fundamentos do presente trabalho.
Leia maisEXPERÊNCIA 4 - MODULAÇÃO EM FREQUÊNCIA
EXPERÊNCIA 4 - MODULAÇÃO EM FREQUÊNCIA Modulação em freqüência ocorre quando uma informação em banda básica modula a freqüência ou alta freqüência de uma portadora com sua amplitude permanecendo constante.
Leia maisA finalidade dos testes de hipóteses paramétrico é avaliar afirmações sobre os valores dos parâmetros populacionais.
Prof. Janete Pereira Amador Introdução Os métodos utilizados para realização de inferências a respeito dos parâmetros pertencem a duas categorias. Pode-se estimar ou prever o valor do parâmetro, através
Leia maisObjetivos. Teoria de Filas. Teoria de Filas
Objetivos Teoria de Filas Michel J. Anzanello, PhD anzanello@producao.ufrgs.br 2 Teoria de Filas Filas estão presentes em toda a parte; Exemplos evidentes de fila podem ser verificados em bancos, lanchonetes,
Leia maisAnálise de Sobrevivência Aplicada à Saúde
Roteiro Análise de Sobrevivência Aplicada à Saúde Lupércio França Bessegato Dep. Estatística/UFJF 1. Conceitos Básicos 2. Técnicas Não Paramétricas 3. Modelos Probabilísticos e Inferência 4. Modelos de
Leia maisConceitos Básicos de Estatística Aula 2
Conceitos Básicos de Estatística Aula 2 ISCTE - IUL, Mestrados de Continuidade Diana Aldea Mendes diana.mendes@iscte.pt 13 de Setembro de 2011 DMQ, ISCTE-IUL (diana.mendes@iscte.pt) Estatística 13 de Setembro
Leia maisJogos vs. Problemas de Procura
Jogos Capítulo 6 Jogos vs. Problemas de Procura Adversário imprevisível" necessidade de tomar em consideração todas os movimentos que podem ser tomados pelo adversário Pontuação com sinais opostos O que
Leia maisTeste de Hipóteses e Intervalos de Confiança
Teste de Hipóteses e Intervalos de Confiança Teste de Hipótese e Intervalo de Confiança para a média Monitor Adan Marcel 1) Deseja-se estudar se uma moléstia que ataca o rim altera o consumo de oxigênio
Leia maisModelos de Equações simultâneas
Modelos de Equações simultâneas y 1 = α 1 y 2 + β 1 z 1 + u 1 y 2 = α 2 y 1 + β 2 z 2 + u 2 Capítulo 16 1 Modelo de equações simultâneas Exemplo de determinação de horas e salário. 2 Modelo de equações
Leia maiso conjunto das coberturas de dominós de uma superfície quadriculada S. Um caminho v 0 v 1...v n
efinições Preliminares Na introdução foi apresentado o conceito de superfície quadriculada bicolorida e balanceada. Os discos com buracos estão mergulhados em R, mas não necessariamente estão no plano
Leia mais36 a Olimpíada Brasileira de Matemática Nível Universitário Primeira Fase
36 a Olimpíada Brasileira de Matemática Nível Universitário Primeira Fase Problema 1 Turbo, o caracol, está participando de uma corrida Nos últimos 1000 mm, Turbo, que está a 1 mm por hora, se motiva e
Leia maisCorrelação. Ivan Bezerra Allaman
Correlação Ivan Bezerra Allaman Introdução Vamos supor que um inspetor de segurança queira determinar se eiste uma relação entre o número de horas de treinamento de um empregado e o número de acidentes
Leia maisEduardo Camponogara. DAS-5103: Cálculo Numérico para Controle e Automação. Departamento de Automação e Sistemas Universidade Federal de Santa Catarina
Eduardo Camponogara Departamento de Automação e Sistemas Universidade Federal de Santa Catarina DAS-5103: Cálculo Numérico para Controle e Automação 1/48 Sumário Arredondamentos Erros 2/48 Sumário Arredondamentos
Leia mais4. Metodologia. Capítulo 4 - Metodologia
Capítulo 4 - Metodologia 4. Metodologia Neste capítulo é apresentada a metodologia utilizada na modelagem, estando dividida em duas seções: uma referente às tábuas de múltiplos decrementos, e outra referente
Leia maisA metodologia ARIMA (Auto-regressivo-Integrado-Média-Móvel),
nfelizmente, o uso de ferramentas tornais de previsão é muito pouco adotado por empresas no Brasil. A opinião geral é que no Brasil é impossível fazer previsão. O ambiente econômico é muito instável, a
Leia maisINE5403 FUNDAMENTOS DE MATEMÁTICA DISCRETA
INE5403 FUNDAMENTOS DE MATEMÁTICA DISCRETA PARA A COMPUTAÇÃO PROF. DANIEL S. FREITAS UFSC - CTC - INE Prof. Daniel S. Freitas - UFSC/CTC/INE/2007 p.1/59 2 - FUNDAMENTOS 2.1) Teoria dos Conjuntos 2.2) Números
Leia maisMatemática para Engenharia
Matemática para Engenharia Profa. Grace S. Deaecto Faculdade de Engenharia Mecânica / UNICAMP 13083-860, Campinas, SP, Brasil. grace@fem.unicamp.br Segundo Semestre de 2013 Profa. Grace S. Deaecto ES401
Leia maisOperações sobre uma variável aleatória
Capítulo 3 Operações sobre uma variável aleatória - Esperança matemática Neste capítulo, introduz-se algumas operações importantes que podem ser realizadas sobre uma variável aleatória. 3.1 Esperança Valor
Leia maisComo erguer um piano sem fazer força
A U A UL LA Como erguer um piano sem fazer força Como vimos na aula sobre as leis de Newton, podemos olhar o movimento das coisas sob o ponto de vista da Dinâmica, ou melhor, olhando os motivos que levam
Leia mais4Distribuição de. freqüência
4Distribuição de freqüência O objetivo desta Unidade é partir dos dados brutos, isto é, desorganizados, para uma apresentação formal. Nesse percurso, seção 1, destacaremos a diferença entre tabela primitiva
Leia maisEste procedimento gera contribuições não só a φ 2 e φ 4, mas também a ordens superiores. O termo por exemplo:
Teoria Quântica de Campos II 168 Este procedimento gera contribuições não só a φ 2 e φ 4, mas também a ordens superiores. O termo por exemplo: Obtemos acoplamentos com derivadas também. Para o diagrama
Leia maisEquações Diferenciais Ordinárias
Equações Diferenciais Ordinárias Uma equação diferencial é uma equação que relaciona uma ou mais funções (desconhecidas com uma ou mais das suas derivadas. Eemplos: ( t dt ( t, u t d u ( cos( ( t d u +
Leia maisEstudaremos métodos numéricos para resolução de sistemas lineares com n equações e n incógnitas. Estes podem ser:
1 UNIVERSIDADE FEDERAL DE VIÇOSA Departamento de Matemática - CCE Cálculo Numérico - MAT 271 Prof.: Valéria Mattos da Rosa As notas de aula que se seguem são uma compilação dos textos relacionados na bibliografia
Leia maisEquações Diferenciais
Equações Diferenciais EQUAÇÕES DIFERENCIAS Em qualquer processo natural, as variáveis envolvidas e suas taxas de variação estão interligadas com uma ou outras por meio de princípios básicos científicos
Leia maisAula 1: Introdução à Probabilidade
Aula 1: Introdução à Probabilidade Prof. Leandro Chaves Rêgo Programa de Pós-Graduação em Engenharia de Produção - UFPE Recife, 07 de Março de 2012 Experimento Aleatório Um experimento é qualquer processo
Leia maisResoluções comentadas de Raciocínio Lógico e Estatística SEFAZ - Analista em Finanças Públicas Prova realizada em 04/12/2011 pelo CEPERJ
Resoluções comentadas de Raciocínio Lógico e Estatística SEFAZ - Analista em Finanças Públicas Prova realizada em 04/1/011 pelo CEPERJ 59. O cartão de crédito que João utiliza cobra 10% de juros ao mês,
Leia maisQUANTIFICADORES. Existem frases declarativas que não há como decidir se são verdadeiras ou falsas. Por exemplo: (a) Ele é um campeão da Fórmula 1.
LIÇÃO 4 QUANTIFICADORES Existem frases declarativas que não há como decidir se são verdadeiras ou falsas. Por exemplo: (a) Ele é um campeão da Fórmula 1. (b) x 2 2x + 1 = 0. (c) x é um país. (d) Ele e
Leia mais6 OS DETERMINANTES DO INVESTIMENTO NO BRASIL
6 OS DETERMINANTES DO INVESTIMENTO NO BRASIL Este capítulo procurará explicar os movimentos do investimento, tanto das contas nacionais quanto das empresas abertas com ações negociadas em bolsa através
Leia maisAritmética de Ponto Flutuante e Noções de Erro. Ana Paula
Aritmética de Ponto Flutuante e Noções de Erro Sumário 1 Introdução 2 Sistemas de Numeração 3 Representação de Números Inteiros no Computador 4 Representação de Números Reais no Computador 5 Operações
Leia maisRevisão: Noções básicas de estatística aplicada a avaliações de imóveis
Curso de Avaliações Prof. Carlos Aurélio Nadal cnadal@ufpr.br 1 AULA 03 Revisão: Noções básicas de estatística aplicada a avaliações de imóveis 2 OBSERVAÇÃO: é o valor obtido durante um processo de medição.
Leia maisANALISE COMBINATORIA Um pouco de probabilidade
ANALISE COMBINATORIA Um pouco de probabilidade Programa Pró-Ciência Fapesp/IME-USP-setembro de 1999 Antônio L. Pereira -IME USP (s. 234A) tel 818 6214 email:alpereir@ime.usp.br 1 Um carro e dois bodes
Leia mais7 - Análise de redes Pesquisa Operacional CAPÍTULO 7 ANÁLISE DE REDES. 4 c. Figura 7.1 - Exemplo de um grafo linear.
CAPÍTULO 7 7 ANÁLISE DE REDES 7.1 Conceitos Básicos em Teoria dos Grafos Diversos problemas de programação linear, inclusive os problemas de transporte, podem ser modelados como problemas de fluxo de redes.
Leia maisMD Sequências e Indução Matemática 1
Sequências Indução Matemática Renato Martins Assunção assuncao@dcc.ufmg.br Antonio Alfredo Ferreira Loureiro loureiro@dcc.ufmg.br MD Sequências e Indução Matemática 1 Introdução Uma das tarefas mais importantes
Leia maisUniversidade Federal de São Carlos Departamento de Matemática 083020 - Curso de Cálculo Numérico - Turma E Resolução da Primeira Prova - 16/04/2008
Universidade Federal de São Carlos Departamento de Matemática 08300 - Curso de Cálculo Numérico - Turma E Resolução da Primeira Prova - 16/0/008 1. (0 pts.) Considere o sistema de ponto flutuante normalizado
Leia mais