Métodos Estatísticos Aplicados à Economia I (GET00117) Números Índices

Tamanho: px
Começar a partir da página:

Download "Métodos Estatísticos Aplicados à Economia I (GET00117) Números Índices"

Transcrição

1 Unversdade Federal Flumnense Insttuto de Matemátca e Estatístca Métodos Estatístcos Aplcados à Economa I (GET7) Números Índces Ana Mara Lma de Faras Departamento de Estatístca Agosto 25

2 Sumáro Índces Smples. Introdução Relatvos Taxa de varação Crtéros de avalação da fórmula de um índce Elos de relatvo e relatvos em cadea Mudança de base Índces agregatvos smples 9 2. Índce agregatvo smples (Bradstreet) Índce da méda artmétca smples (índce de Sauerbeck) Índce da méda harmônca smples Índce da méda geométrca smples Propredades dos índces agregatvos smples Identdade Reversbldade Crculardade Decomposção das causas Resumo das propredades dos índces agregatvos smples Relações entre índces agregatvos smples Índces agregatvos ponderados 7

3 SUMÁRIO 3. Índce de Laspeyres ou índce da época base Índce de Laspeyres de preço Índce de Laspeyres de quantdade Índce de Paasche ou índce da época atual Índce de Paasche de preços Índce de Paasche de quantdade Índce de Fsher Índce de Marshall-Edgeworth Índce de Dvsa Propredades dos índces agregatvos ponderados Identdade Reversbldade Crculardade Decomposção das Causas Relações entre índces Laspeyres e Paasche Fsher, Laspeyres e Paasche Marshall-Edgeworth, Laspeyres e Paasche Mudança de base Método prátco Conjugação de séres de índces Deflaconamento e poder aqustvo Introdução Deflator Poder aqustvo Exercícos propostos 49

4 SUMÁRIO 7 Solução dos exercícos propostos 59

5 Capítulo Índces Smples. Introdução De forma smplfcada, podemos dzer que um índce ou número índce é um quocente que expressa a varação relatva entre os valores de qualquer medda. Mas especfcamente, remos ldar com índces que medem varações verfcadas em uma dada varável ao longo do tempo. Quando ldamos com grandezas smples (um únco tem ou varável), o índce é chamado índce smples; por outro lado, quando pretendemos fazer comparações de um conjunto de produtos ou servços, estamos ldando com o que é chamado índce sntétco ou índce composto. é neste segundo caso que temos a parte mas complexa do problema, uma vez que desejamos uma expressão quanttatva para um conjunto de mensurações ndvduas, para as quas não exste uma medda físca comum. Nestas notas de aula, será dada ênfase aos índces econômcos, que envolvem varações de preços, quantdades e valores ao longo do tempo. Mutos comentáros e observações serão fetos tomando-se o preço como exemplo, mas tas comentáros e observações análogos também serão váldos para quantdades e valores..2 Relatvos Os relatvos, ou índces smples fazem comparação entre duas épocas época atual e época base para um únco produto.. Relatvo de preço Denotando por p e p t os preços na época base e na época atual (de nteresse), defne-se o relatvo de preço - p,t - como: p,t p t p (.) Ragnar Frsch (936). The problem of ndex numbers, Econometrca.

6 2 CAPÍTULO. ÍNDICES SIMPLES 2. Relatvo de quantdade Analogamente, denotando por q e q t as quantdades na época base e na época atual (de nteresse), defne-se o relatvo de quantdade q,t como: 3. Relatvo de valor Vale lembrar que q,t q t q (.2) Valor Preço Quantdade (.3) Denotando por v e v t os valores na época base e na época atual (de nteresse), defne-se o relatvo de valor v,t como: v,t v t v (.4) Das defnções acma, podemos ver que: v,t v t v p tq t p q p t p q t q p,t q,t (.5) O relatvo de preço compara os preços nos dos períodos; como estão sendo comparadas grandezas postvas, os valores possíves dos relatvos estão no ntervalo (, + ). Valores menores que ndcam que o preço atual é menor que o preço base; valores maores que ndcam que preço atual é maor que o preço base e, fnalmente, um relatvo gual a ndca que o preço atual é gual ao preço base. Atente para a notação: p,t faz a comparação entre o preço no mês t com relação ao preço no mês ; defnções análogas para q,t e v,t. Então, o prmero subscrto ndca o período base e o segundo subscrto, o período atual. Essas notações podem varar em dferentes lvros; assm, é mportante prestar atenção nas defnções apresentadas..3 Taxa de varação Podemos avalar, também, a dferença entre os preços nas épocas atual e base, ou seja, a dferença p t p. Essa dferença mede a varação absoluta de preços entre os dos nstantes. Consdere, agora, dos bens cujos preços na época base eram e, respectvamente, e cuja varção absoluta de preços fo de. Isso sgnfca que o prmero produto passou a custar 2 e o segundo,. Ou seja, o prmero dobrou de preço, enquanto o segundo teve um aumento de %. Isso nos leva à necessdade de uma medda de varação relatva. Defnmos, então, a varação relatva ou taxa de varação como p% p t p p (.6) que é normalmente apresentada em forma percentual, ou seja, multplca-se o valor por. Note que no numerador temos a varação absoluta de preços. Defnções análogas valem para quantdade e valor.

7 .3. TAXA DE VARIAÇÃO 3 Podemos escrever, também e sso nos dá a relação entre a taxa de varação e o relatvo. p% p t p p,t (.7) EXEMPLO. Preço de arroz Na tabela a segur temos o preço (em undades monetáras, u.m.) e a quantdade (em kg) de arroz consumda por uma famíla no últmo trmestre de determnado ano: Outubro Novembro Dezembro Preço Quant. Preço Quant. Preço Quant. Arroz (kg) Valor Tomando Outubro como base, temos os seguntes relatvos: p O,N 2 2, q O,N 8 5, 6 p O,D 3 2, 5 q O,D 8 5, 6 Não houve varação de preços entre Novembro e Outubro, sto é, o preço de Novembro é gual ao preço de Outubro, mas o preço de Dezembro é uma vez e mea o preço de Outubro, o que corresponde a um aumento de 5% essa é a taxa de varação dos preços no período em questão, obtda de acordo com a equação (.7): 5% (, 5 ) % Com relação à quantdade, tanto em novembro como em dezembro, houve um aumento de 6% com relação a outubro. Os relatvos são, em geral, apresentados multplcados por. relatvos de preço e quantdade com base Outubro são: Assm, as séres de Relatvos - Out Out Nov Dez Preço 5 Quantdade 6 6 Com relação ao valor, temos que v O,N 6 6,, 6 p O,N q O,N v O,D 24 24, 5, 6 p O,D q O,D

8 4 CAPÍTULO. ÍNDICES SIMPLES Se mudarmos a base para Dezembro, teremos: p D,O p O 2, 6667 p% (, 6667 ) 33, 33% p D 3 p D,N p N 2, 6667 p% (, 6667 ) % 33, 33% p D 3 q D,O q O 5, 625 q% (, 625 ) % 37, 5% q D 8 q D,N q N 8 q% ( ) % % q D 8.4 Crtéros de avalação da fórmula de um índce Os relatvos satsfazem uma sére de propredades, que são propredades desejadas e buscadas quando da construção de fórmulas alternatvas de números índces. Vamos representar por I,t um índce qualquer pode ser um relatvo de preço ou um índce de preços qualquer, por exemplo (nas seções seguntes veremos a defnção de outros índces). As propredades deas báscas são:. Identdade I t,t (.8) Se a data-base concdr com a data atual, o índce é sempre (ou, no caso de se trabalhar com base ). 2. Reversão (ou nversão) no tempo I,t I t, I,t I t, (.9) Invertendo-se os períodos de comparação, os índces são obtdos um como o nverso do outro. 3. Crcular I, I,2 I 2,3 I t,t I,t (.) Se o ntervalo de análse é decomposto em város subntervalos, o índce pode ser obtdo como o produto dos índces nos subntervalos. A propredade crcular é mportante no segunte sentdo: se um índce a satsfaz e se conhecemos os índces nas épocas ntermedáras, o índce de todo o período pode ser calculado sem que haja necessdade de recorrer aos valores que deram orgem aos cálculos ndvduas. Note que, como decorrênca desta propredade, podemos escrever: I,t I,t I t,t (.) Se o índce satsfzer também o prncípo de reversbldade, então (.) é equvalente a I, I,2 I 2,3 I t,t I t,

9 .4. CRITÉRIOS DE AVALIAÇÃO DA FÓRMULA DE UM ÍNDICE 5 4. Decomposção das causas (ou reversão dos fatores) Denotando por I V, I P e I Q os índces de valor, preço e quantdade respectvamente, o crtéro da decomposção das causas requer que 5. Homogenedade Mudanças de undade não alteram o valor do índce. 6. Proporconaldade I V I P I Q (.2) Se todas as varáves envolvdas no índce tverem a mesma varação, então o índce resultante terá a mesma varação. Todas essas propredades são satsfetas pelos relatvos. De fato: dentdade reversbldade crcular p,t p t p p t,t p t p t p t, p p t p t p p t p t p t p t 2 p 2 p p p decomposção das causas p,t q,t p t p q t q p t q t p q v t v Mudanças de undade envolvem multplcação por uma constante (qulo para tonelada, reas para mlhões de reas, etc). Tas operações não alteram o valor do relatvo, uma vez que numerador e denomnador são multplcados pelo mesmo valor. EXEMPLO.2 Preço de arroz contnuação p O,N 2 2, p N,D 3 2, 5 q O,N 8 5, 6 q N,D 8 8, p O,D,, 5, 5 p D p O 3 2 q O,D, 6,, 6 p D p O 8 5

10 6 CAPÍTULO. ÍNDICES SIMPLES.5 Elos de relatvo e relatvos em cadea Na apresentação da propredade crcular, aparecem índces envolvendo épocas adjacentes. No caso de relatvos, tas relatvos são, às vezes, denomnados elos de relatvos, ou seja, os elos relatvos estabelecem comparações bnáras entre épocas adjacentes p t p t q t q t v t v t A mesma propredade crcular envolve a multplcação desses índces; para os relatvos, tal operação é denomnada relatvos em cadea e como a propredade crcular é satsfeta pelos relatvos, tal multplcação resulta no relatvo do período. elos relatvos : p,2 p 2,3 p 3,4... p t,t relatvos em cadea : p,2 p 2,3 p 3,4 p t,t p,t EXEMPLO.3 Na tabela a segur temos dados de preço para 5 anos e calculam-se os elos de relatvos e os relatvos em cadea, ano a ano. Ano Preço Elos relatvos p t /p t Relatvos em cadea /2, 25, 25 p, / 25, 2, 2, 25, 5 p, / 3, 3, 2, 25, 3, 95 p, / 39, 2, 2, 25, 3, 2 2, 34 p,5 o que está em concordânca com: Ano Relatvo de preço Base: Ano 2 25 / % 3 3 / 2 5 5% 4 39 / % / %.6 Mudança de base Consdere a segunte sére de relatvos de preço com base em 2: Ano Relatvo 5 6 8

11 .6. MUDANÇA DE BASE 7 Isso sgnfca que p p, p 2 p, 5 p 3 p, 6 p 4 p, 8 Suponhamos, agora, que queramos colocar essa sére com base em 24, para atualzar o sstema de comparação. Como proceder? Na verdade, o que queremos é p t p 4, t,, 2, 3 Como os relatvos satsfazem as propredades de reversão e crcular, temos que: p p 4 p 4 p p, p,4 p,4 8 p p p p, p, p 4 p p 4 p 4, p,4 8 p 2 p 2 p p,2 p,2 5 p 4 p p 4 p 4, p,4 8 p 3 p 3 p p,3 p,3 6 p 4 p p 4 p 4, p,4 8 p 4 p 4 p p,4 p,4 8 p 4 p p 4 p 4, p,4 8 Logo, a sére de relatvos na nova base é obtda dvdndo-se a sére orgnal pelo valor do relatvo no ano da base desejada. Na Tabela. lustra-se o procedmento geral de mudança de base de uma sére de relatvos.

12 8 CAPÍTULO. ÍNDICES SIMPLES Tabela. Procedmento de mudança de base para sére de relatvos Período Relatvo Base: t Base: t 2 p t, p t2, p t, p t2,t... t p t,t p t2,t p t,t p t2,t p t2,t.. t 2 p t2,t p t2,t 2 p t 2,t p t2,t... T p t,t p t2,t p t,t p t2,t.

13 Capítulo 2 Índces agregatvos smples Consderemos agora a stuação em que temos mas de um produto e estamos nteressados em estudar varações de preços ou quantdade para todos os produtos conjuntamente. Vamos utlzar a segunte notação: p t, q t, v t - preço, quantdade e valor do produto no mês t; p,t, q,t, v,t em t. - relatvos de preço, quantdade e valor do produto no mês t com base Note que o sobrescrto ndca o produto; vamos assumr que temos n produtos. 2. Índce agregatvo smples (Bradstreet) Uma prmera tentatva para resolver o problema de agregação de produtos dferentes fo o índce agregatvo smples, que é a razão entre o preço, quantdade ou valor total na época atual e o preço, quantdade ou valor total na época base. Mas precsamente, PA,t p t + p 2 t + + p n t p + p2 + + pn p t p p t n p n p t p QA,t q t + q 2 t + + q n t q + q2 + + qn q t q q t n q n q t q 9

14 CAPÍTULO 2. ÍNDICES AGREGATIVOS SIMPLES V A,t v t + v 2 t + + v n t v + v v n vt v vt n v n v t v Então, o índce de Bradstreet é um relatvo das médas artmétcas smples. O índce de Bradstreet tem séras lmtações, a prncpal sendo o fato de se estar somando preços ou quantdades expressos em dferentes undades. Tal lmtação faz com que o índce de preço ou quantdade de Bradstreet não seja útl na prátca, sendo apresentado aqu por razões hstórdas e também pelo fato de o índce de valor não apresentar esse problema, uma vez que todos os valores estão expressos na mesma undade monetára. Na verdade, esse é o índce usado para comparar valores em dferentes épocas, ndependente de como se calculam os índces de preço e quantdade, ou seja, o índce de valor é defndo como V,t V t V p tq t p q (2.) Uma solução para resolver a lmtação do índce agregatvo de Bradstreet fo a proposta de se trabalhar com médas dos relatvos de preço e quantdade, que são números admensonas. 2.2 Índce da méda artmétca smples (índce de Sauerbeck) Sauerbeck propôs que se trabalhasse com a méda artmétca dos relatvos, dando orgem aos seguntes índces: p,t - índce de preço baseado na méda artmétca smples dos relatvos p,t p,t + p2,t + + pn,t n p,t n (2.2) q,t - índce de quantdade baseado na méda artmétca smples dos relatvos q,t q,t + q2,t + + qn,t n q,t n (2.3) 2.3 Índce da méda harmônca smples A mesma déa se aplca, trabalhando com a méda harmônca dos relatvos.

15 2.4. ÍNDICE DA MÉDIA GEOMÉTRICA SIMPLES p H,t q H,t - índce de preço baseado na méda harmônca smples dos relatvos p H,t p,t + p 2,t n + + p n,t n p,t n p p t n p t, - índce de quantdade baseado na méda harmônca smples dos relatvos q H,t q,t + q 2,t n + + q n,t n q,t n q q t n q t, (2.4) (2.5) 2.4 Índce da méda geométrca smples Aqu consdera-se a méda geométrca dos relatvos. p G,t q G,t - índce de preço baseado na méda geométrca smples dos relatvos p G,t p n t p p2 t p 2 pn t p n n n p,t (2.6) - índce de quantdade baseado na méda geométrca smples dos relatvos q G,t q n t q q2 t q 2 qn t q n n n q,t (2.7) EXEMPLO 2. Consdere os dados da tabela a segur, em que temos preços (em undades monetáras) e quantdades de três produtos em três nstantes de tempo consecutvos: Produto t t 2 t 3 P Q P Q P Q Carne (kg) 8,5 8,5 2 9, 5 Fejão (kg),2 5,8 6,8 7 Pão (und.), 2,2 22,4 24 Vamos calcular os índces de preço, quantdade e valor, com base t, baseados nas três médas vstas. Os valores gastos com cada produto estão calculados na tabela abaxo. Valor t t 2 t 3 Carne 8, , 5 2 2, Fejão, 2 5 6, 8 6, 8, 8 7 2, 6 Pão, 2 2, , 4, , 6 Total , , 4 39, , , 6 8, 2

16 2 CAPÍTULO 2. ÍNDICES AGREGATIVOS SIMPLES e os índces de valor são V,2 39, 2 V,3 8, 2 25, 4 63, 24 Como os relatvos satsfazem a propredade da dentdade, no período base todos são guas a ou, se estvermos trabalhando com base. Para os demas períodos, os relatvos com base em t são: Relatvos -t Produto t 2 t 3 P Q P Q Carne (kg) 8, 5/8, 5, 2/, 2 9/8, 5, 588 5/, 5 Fejão (kg), 8/, 2, 5 6/5, 2, 8/, 2, 5 7/5, 4 Pão (und,), 2/,, 2 22/2,, 4/,, 4 24/2, 2 e os índces de preço, com base t, baseados nas três médas são:, +, 5 +, 2 p,2 23, 33 3, 588 +, 5 +, 4 p,3 3, 96 3 p H 3,2, +,5 + 2,,2 p H 3,3,588 +,5 + 29,,4 p G,2 3,, 5, 2 2, 64 p G,3 3, 588, 5, 4 3, 52 Para quantdade, temos os seguntes índces: q,2 q,3, 2 +, 2 +, 6, 67 3, 5 +, 4 +, 2 36, 67 3 q H,2 3,2 +,2 +, 6, 47 q H,3 3,5 +,4 +,2 35, 48

17 2.5. PROPRIEDADES DOS ÍNDICES AGREGATIVOS SIMPLES 3 q G,2 3, 2, 2, 6, 57 q G,3 3, 5, 4, 2 36, 8 Já o índce agregatvo de Bradstreet é: PA,2 8, 5 +, 8 +,2 6, 33 8, 5 +, 2 +, PA,3 9, +, 8 +, 4, 63 8, 5 +, 2 +, QA, , QA, , Note que, no índce de quantdade, estamos somando valores expressos em kg e em undades smples e no índce de preço, estamos somandos valores em R$/kg e R$/undade. A partr de agora, não remos mas trabalhar com os índces agregatvos de Bradstreet. Resumndo os outros índces: Preço Quantdade Valor t t 2 t 3 t t 2 t 3 t t 2 t 3 Méda artmétca 23, 33 3, 96 6, 67 36, 67 Méda geométrca 2, 64 3, 52 6, 57 36, 8 Méda harmônca 2, 29, 6, 47 35, 48 Podemos ver que p p G p H uma consequênca dreta da relação entre as médas artmétca, geométrca e harmônca de números postvos. 2.5 Propredades dos índces agregatvos smples 2.5. Identdade A propredade de dentdade é obvamente satsfeta por todos os índces agregatvos smples Reversbldade Vamos mostrar com os dados do Exemplo 2. que os índces das médas artmétca e harmônca smples não satsfazem a propredade de reversbldade. Para sso, vamos calcular

18 4 CAPÍTULO 2. ÍNDICES AGREGATIVOS SIMPLES esses índces com base em t 2. p 2, 8,5 8,5 +,2,8 +,,2 3 83, 33 p,2 8, 8, 2333 p H 2, 3 8,5 8,5 +,8,2 +,2, 8, 8 p H,2 Com relação à méda geométrca smples, temos que 83, 33 2, p G,t n p,t pn,t n p t p pn t p n n p p t pn p n t p G t, ou seja, o índce baseado na méda geométrca smples satsfaz a propredade de reversbldade Crculardade Os índces da méda artmétca e da méda harmônca smples não satsfazem a propredade crcular. Vamos mostrar este resultado através de um contra-exemplo, baseado nos dados do Exemplo 2.. p 2,3 9 8,5 +,8,8 +,4,2 7, 52 3 p,2 p 2,3, 2333, , 6 3, 96 p,3 p H 2,3 3 8,5 9 +,8,8 +,2 7, 8,4 p H,2 ph 2,3, 2, 78 28, , p H,3 Com relação ao índce da méda geométrca, temos que: p p G, pg,2 n p pn p n p n p p 2 p pn p n p n 2 p pn 2 p n pn 2 p n p n 2 p pn 2 p n p G,2 ou seja, o índce baseado na méda geométrca smples satsfaz a propredade de crculardade.

19 2.6. RELAÇÕES ENTRE ÍNDICES AGREGATIVOS SIMPLES Decomposção das causas Vamos analsar agora a propredade da decomposção das causas para esses índces. Esta propredade exge que o produto do índce de preço pelo índce de quantdade seja gual ao índce smples de valor V,t defndo em (2.) Usando os dados do Exemplo 2., temos: p 99, q 99, , 75 V 99, 25, 4 Logo, o índce de méda artmétca smples não satsfaz o crtéro de decomposção das causas. p H 99, qh 99, , 78 V 99, 63, 24 Analogamente, concluímos que o índce de méda harmônca smples também não satsfaz o crtéro de decomposção das causas. p G 99, qg 99, , 69 V 99, 25, 4 p G 99, qg 99, , 8 V 99, 63, 24 Logo, o índce de méda geométrca smples não satsfaz o crtéro de decomposção das causas Resumo das propredades dos índces agregatvos smples A segur temos o resumo das propredades dos índces: Índce agregatvo Crtéro smples Identdade Reversbldade Crculardade Decomposção das causas Méda Artmétca Sm Não Não Não Méda Harmônca Sm Não Não Não Méda Geométrca Sm Sm Sm Não 2.6 Relações entre índces agregatvos smples Note que Logo, p,t p,t + + pn,t n p t, p t, + + pn t, n p,t n p t + + pn p t p n p t + + pn p t p n n p p t + + pn p n t n n + + p p n t, t,

20 6 CAPÍTULO 2. ÍNDICES AGREGATIVOS SIMPLES ou seja, Analogamente, obtemos que p,t p H t, (2.8) p t, p H,t (2.9)

21 Capítulo 3 Índces agregatvos ponderados Uma forte lmtação dos índces baseados em médas smples é o fato de se dar o mesmo peso para todos os produtos. Surgem, então, os índces agregatvos ponderados, em que cada produto tem um peso dferente. A forma mas comum de se defnr os pesos é tomar a partcpação do valor de cada bem no valor total, ou seja, os pesos são defndos como w v v j j pq (3.) p j q j j Como um número índce compara preços e quantdades em dos nstantes de tempo, uma questão relevante aqu é defnr a que momento se referem os preços e quantdades que aparecem na defnção dos pesos. Temos, então, que especfcar a base de ponderação. 3. Índce de Laspeyres ou índce da época base O índce de Laspeyres é defndo como uma méda artmétca ponderada dos relatvos, com os pesos sendo defndos na época base. Então, os pesos são em que V n v j j w v v j j v p q V p j qj j é o valor total na é poca base, um valor constante. Note que (3.2) w v v j j v V V v v v j j V V (3.3) 7

22 8 CAPÍTULO 3. ÍNDICES AGREGATIVOS PONDERADOS 3.. Índce de Laspeyres de preço O índce de preços de Laspeyres é defndo por: L P,t w p,t (3.4) Essa expressão pode ser smplfcada, bastando, para sso, substtur os termos envolvdos pelas respectvas defnções: L P,t V v v j j ( p t p v p t p ) V ( v ) p t V p ( p p q t p ) V q p t. Logo, L P,t q p t q p (3.5) Vamos analsar essa últma expressão: no denomnador temos o valor total no mês base. Já no numerador, temos os valores das quantdades da época base aos preços atuas. Então, comparando esses dos termos, estamos comparando a varação de preços da mesma cesta de produtos, a cesta da época base, nos dos nstantes de tempo. Note que as quantdades ou a cesta de produtos é a cesta da época base e, portanto, fca fxa, enquanto não houver mudança de base. Note também que o fato de os pesos serem fxados na época base não sgnfca que temos um sstema fxo de ponderação, o que só acontece quando os pesos ndependem da base de comparação. No caso do índce de Laspeyres, os pesos mudam quando mudamos a base de comparação Índce de Laspeyres de quantdade O índce de Laspeyres de quantdade é defndo por: L Q,t w q,t (3.6) Como antes, essa expressão pode ser smplfcada, substtundo-se os termos envolvdos

23 3.2. ÍNDICE DE PAASCHE OU ÍNDICE DA ÉPOCA ATUAL 9 pelas respectvas defnções: Logo, L Q,t V v v j j ( L Q,t q t q p q q t q v V q t q ) V p q t p q t (3.7) Como antes, no denomnador temos o valor total no mês base. Já no numerador, temos os valores das quantdades da época atual aos preços da época base. Então, comparando esses dos termos, estamos comparando a varação no valor gasto para aqusção das dferentes quantdades aos mesmos preços da época base. Os preços aqu são os preços da época base, também permanecendo fxos enquanto não houver mudança de base. No índce de preços, a varação no valor gasto é devda à varação de preços (as quantdades estão fxas), enquanto no índce de quantdade, o valor total vara em função da varação nas quantdades (os preços estão fxos). p q 3.2 Índce de Paasche ou índce da época atual O índce de Paasche é uma méda harmônca dos relatvos, ponderada na época atual, sto é, os pesos são defndos como w t v t v j t j v t V t p tq t p j tq j t onde V t n v j t é o valor total da época atual. Como antes, j j wt. (3.8) 3.2. Índce de Paasche de preços O índce de preços de Paasche é defndo como P,t P wt p,t wt p t, (3.9)

24 2 CAPÍTULO 3. ÍNDICES AGREGATIVOS PONDERADOS Note a nversão dos relatvos, uma vez que p,t forma: ou seja, P P,t V t v t v j t j p p t ( vt p ) p t P P,t p t,. A smplfcação é feta da segunte ( ) v t p V t p t V t ( q t p t q t p t q t p p p t ) V t q t p (3.) Nessa fórmula fca clara a comparação sendo feta: estamos analsando a varação de preços da cesta atual. No numerador temos o valor gasto na época atual e no denomnador temos o valor que sera gasto para comprar a cesta atual (quantdade atual) aos preços da época base. Uma séra lmtação no emprego dos índces de Paasche é o fato de as ponderações vararem em cada período; note que os pesos são dados pelo valor da época atual Índce de Paasche de quantdade O índce de quantdades de Paasche é defndo como P Q,t A smplfcação é feta da segunte forma: P Q,t w t q,t v t j v j t q q t wt q t, ( ) v t q V t q t (3.) V t ( v t q q t ) V t ( q t p t q q t )

25 3.3. ÍNDICE DE FISHER 2 ou seja, P Q,t p t q t p t q (3.2) Nesse fórmula fca clara a comparação sendo feta: estamos analsando a varação da quantdade aos preços atuas. No numerador temos o valor gasto na época atual e no denomnador temos o valor que sera gasto para comprar a cesta da época base (quantdade da época base) aos preços atuas. A ponderação é defnda pelos valores atuas, mudando a cada período. 3.3 Índce de Fsher O índce de Fsher é defndo como a méda geométrca dos índces de Laspeyres e Paasche. F P,t L P,t PP,t (3.3) F Q,t L Q,t PQ,t (3.4) 3.4 Índce de Marshall-Edgeworth Com os índces de Laspeyres e Paasche de quantdades, estamos analsando a varação no valor gasto, em função da varação das quantdades, para adqurr os produtos aos preços da época base e da época atual, respectvamente. O índce de Marshall-Edgeworth consdera as médas desses preços e quantdades. Mas precsamente, defne-se o índce de preços de Marshall-Edgeworth como um índce que mede a varação no valor gasto, em função da varação dos preços, para adqurr a quantdade q defnda pela quantdade méda da época base e da época atual: + q t, ou seja, o índce 2 de preços é: M P,t ( q + q t 2 ( q + q t 2 ) p t ) p ( q p t + q tp t) ( q p + q tp ) ( q + q ) t p t ( q + q ) (3.5) t p Para o índce de quantdade, toma-se o preço médo da época base e da época atual

26 22 CAPÍTULO 3. ÍNDICES AGREGATIVOS PONDERADOS p + p t. Logo, 2 M Q,t ( p + p t 2 ( p + p t 2 ) q t ) q ( p q t + p tq t) ( p q + p tq ) ( p + p ) t q t ( p + p ) (3.6) t q 3.5 Índce de Dvsa Esse índce é defndo como uma méda geométrca ponderada dos relatvos, com sstema de pesos fxo na época base. ( ) p D,t P w ( ) t p 2 w 2 ( p t p n p 2 t p n ) w n n ( ) p w t (3.7) p EXEMPLO 3. ( ) D Q q w ( ),t t q 2 w 2 ( q t q n q 2 t q n ) w n n ( ) q w t (3.8) q Vamos consderar os seguntes dados, já trabalhados no capítulo anteror: Produto t t 2 t 3 P Q P Q P Q Arroz (kg) 2,5 3, 2 3,25 5 Fejão (kg),2 5,8 6,8 7 Pão (und.), 2,2 22,4 24 Com base nesses dados, vamos calcular os índces de Laspeyres, Paasche, Fsher, Marshall- Edgeworth e Dvsa, tanto de preços quanto de quantdade. Vamos tomar t como base. Na tabela a segur, temos os valores em forma absoluta e relatva (pesos). Produto t t 2 Valor Peso Valor Peso Arroz (kg) 2, 5 25, 25/5, , 36, /73, 2, 4983 Fejão (kg), 2 5 6, 6/5, 7647, 8 6, 8, 8/73, 2, 4754 Pão (und.), 2 2, 2/5, 39257, , 4 26, 4/73, 2, Soma 5,, 73, 2, Produto t 3 Valor Peso Arroz (kg) 3, , 75 48, 75/94, 95, Fejão (kg), 8 7 2, 6 2, 6/94, 95, 327 Pão (und.), , 6 33, 6/94, 95, Soma 94, 95,

27 3.5. ÍNDICE DE DIVISIA 23 Os relatvos são: Relatvos -t Produto t P Q Arroz (kg) 2, 5/2, 5 / Fejão (kg), 2/, 2 5/5 Pão (und.), /, 2/2 Produto t 2 P Q Arroz (kg) 3/2, 5 2 2/ 2 Fejão (kg), 8/, 2 5 6/5 2 Pão (und.), 2/, 2 22/2 Produto t 3 P Q Arroz (kg) 3, 25/2, 5 3 5/ 5 Fejão (kg), 8/, 2 5 7/5 4 Pão (und.), 4/, 4 24/2 2 Usando ambas as fórmulas (3.4) e (3.5), temos que: L P,2, , , , , 8 + 2, L P,3, , , , , , 8 + 2, 4 5 Usando as fórmulas (3.6) e (3.7), temos que: 32, , 5 5 L Q,2, , , , , 5 2 +, 2 6 +, , , 2 5 L Q,3, , , , , 5 5 +, 2 7 +, , 5 + 8, Analogamente, usando as fórmulas (3.9), (3.), (3.) e (3.2), temos que: 69, 9 5

28 24 CAPÍTULO 3. ÍNDICES AGREGATIVOS PONDERADOS P P,2, , , , , 2 2 2, 5 + 6, , 73, 2 73, , , 2 P P,3, , , , , , 5 + 7, , 94, 95 94, 95 37, 5 + 8, , 9 P Q,2 6, 9476,4983, 4754, , 2 3 +, 8 5 +, , 2 73, P Q,3 36, 6875, 53428, , , 95 3, 25 +, 8 5 +, , 95 94, 95 32, , 5 Note que é mas fácl (e mas precso numercamente) calcular os índces de Laspeyres e Paasche pelas fórmulas (3.5), (3.7), (3.) e (3.2). F P,2 23, , , 5896 F P,3 36, , , F Q,2 6, , , 3444 F Q,3 37, , , M P,2 ( + 2) 3 + (5 + 6), 8 + (2 + 22), 2 ( + 2) 2, 5 + (5 + 6), 2 + (2 + 22), 36, 2 23, , 2 M P,3 ( + 5) 3, 25 + (5 + 7), 8 + (2 + 24), 4 ( + 5) 2, 5 + (5 + 7), 2 + (2 + 24), 64, 45 2, 9 36, 255

29 3.6. PROPRIEDADES DOS ÍNDICES AGREGATIVOS PONDERADOS 25 M Q,2 (3 + 2, 5) 2 + (, 8 +, 2) 6 + (, 2 +, ) 22 (3 + 2, 5) + (, 8 +, 2) 5 + (, 2 +, ) 2 32, 4 6, M Q,3 (3, , 5) 5 + (, 8 +, 2) 7 + (, 4 +, ) 24 64, 85 36, (3, , 5) + (, 8 +, 2) 5 + (, 4 +, ) 2 2, 5 D P,2 (2),4996 (5),7647 (2), , 9977 D P,3 (3),4996 (5),7647 (4), , 57 D Q,2 (2),4996 (2),7647 (), , D Q,3 (5),4996 (4),7647 (2), , 32 8 Como exercíco, você deve calcular esses mesmos índces com base t 2 ; o resultado é dado na tabela abaxo, onde se excluem os resultados para o período base: Índces - t 2 t t 3 P Q P Q Laspeyres L2, P 8, 8743 LQ 2, 86, 656 LP 2,3, 9 LQ 2,3 8, 33 Paasche P2, P 8, 9524 PQ 2, 86, 486 PP 2,3 9, 896 PQ 2,3 7, 84 Fsher F2, P 8, 933 F Q 2, 86, 7 F 2,3 P, 3 F Q 2,3 7, 98 Marshall-Edgeworth M2, P 8, 94 MQ 2, 86, 27 MP 2,3 9, 994 MQ 2,3 7, 93 Dvsa D2, P 8, 6344 DQ 2, 85, 9899 DP 2,3 9, 962 DQ 2,3 7, Propredades dos índces agregatvos ponderados Vamos verfcar agora quas crtéros os índces acma satsfazem Identdade É fácl verfcar que todos os índces vstos satsfazem o prncípo da dentdade.

30 26 CAPÍTULO 3. ÍNDICES AGREGATIVOS PONDERADOS Reversbldade Laspeyres e Paasche Com os dados do exemplo 3., vamos mostrar que esses índces não satsfazem a propredade de reversão. De fato: L P,2 LP 2,, , , P P,2 PP 2,, , 89524, Fsher O índce de Fsher satsfaz o crtéro de reversbldade, como provamos a segur: F P,t F P t, L P,t PP,t L P t, PP t, q p t q p q p t q p t } {{ } q t p t q t p q t p t q tp t }{{} q tp q tp t q tp q t p }{{} q p q p t q p q p } {{ } De forma análoga, prova-se para o índce de quantdade. Marshall-Edgeworth O índce de Marshall-Edgeworth satsfaz o crtéro de reversbldade, como provamos a segur: ( q + q ) t p t ( q + q ) t p M P,t MP t, ( q + q ) t p ( q + q ) t p t ( q + q ) t p t ( q + q ) t p ( q + q ) t p t ( q + q ) t p } {{ } } {{ } Dvsa

31 3.6. PROPRIEDADES DOS ÍNDICES AGREGATIVOS PONDERADOS 27 O mportante a notar aqu é que o sstema de pesos, no índce de Dvsa, é fxo. Sendo assm, o índce de Dvsa satsfaz o crtéro de reversbldade, como provamos a segur: n D,t P DP t, ( ) p w n ( t p ) w p p t n ( p t p ) w p p t Note que temos o mesmo peso, ndependente da base de comparação! Crculardade Laspeyres e Paasche Vamos usar os dados do exemplo 3. para mostrar que esses índces não satsfazem o prncípo da crculardade. Temos que: Fsher L P,2 LP 2,3, , 9 36, 7 36, 2745 LP,3 P P,2 PP 2,3, , , 88 35, 8369 PP,3 Vamos usar os dados do exemplo 3. para mostrar que esse índce também não satsfaz o prncípo da crculardade. Temos que: F P,2 F P 2,3, , , 9, 9896 Marshall-Edgeworth 35, , F P,3 Com os dados do mesmo exemplo, temos: Dvsa M P,2 MP 2,3, , , , 255 MP,3 Como na propredade de reversão, note que os pesos são fxos, ndependente da época de comparação. Assm, o índce de Dvsa satsfaz o prncípo da crculardade, como se mostra a segur: n D, P DP,2 ( p ) w p n ( p ) w 2 p n ( p p ) w p 2 p t n ( p ) w 2 D,2 P p Decomposção das Causas Laspeyres e Paasche Esses índces não satsfazem esse crtéro, conforme se mostra a segur com os dados do exemplo: L2, P LQ 2, 59, 2 73, , , 2 V 2, P P 2, PQ 2, , , 2 V 2,

32 28 CAPÍTULO 3. ÍNDICES AGREGATIVOS PONDERADOS Fsher Esse índce satsfaz o crtéro da decomposção das causas, como se mostra a segur: F P,t F Q,t q p t q p q p t p t q }{{} q t p t q t p q t p t p q p q t q t p }{{} 2 p q t p q p q p q q t p t p t q t p t q q t p t p q } {{ } guas q t p t V,t Marshall-Edgeworth Esse índce não satsfaz o crtéro da decomposção das causas, como mostra o contraexemplo abaxo. M P 99, MQ 99,, , , , , 5294 V 99, Dvsa Esse índce não satsfaz o crtéro da decomposção das causas, conforme mostra o contra-exemplo a segur: D P 99, DQ 99,, , , , , 5294 V 99, No quadro a segur apresentamos o resumo das propredades dos índces: Índce Crtéro Identdade Reversbldade Crculardade Decomposção das causas Laspeyres SIM NÃO NÃO NÃO Paasche SIM NÃO NÃO NÃO Fsher SIM SIM NÃO SIM Marshall-Edgeworth SIM SIM NÃO NÃO Dvsa SIM SIM SIM NÃO

33 3.7. RELAÇÕES ENTRE ÍNDICES Relações entre índces 3.7. Laspeyres e Paasche Relação Vmos, na seção anteror, que os índces de Laspeyres e Paasche não satsfazem o prncípo da decomposção das causas. No entanto, esses índces satsfazem a propredade de decomposção das causas, desde que se mescle os índces. Mas precsamente, L,t P PQ,t LQ,t PP,t V,t (3.9) conforme se mostra a segur: L P,t PQ,t q p t p t q t p t q t V,t q p p t q q p L Q,t PP,t p q t q t p t p t q t V,t p q q t p q p Esse resultado propca uma manera mas elegante de provar o índce de Fsher satsfaz a propredade da decomposção das causas: F P,t F Q,t L L P,t PP,t Q,t PQ,t L,t P PP,t LQ,t PQ,t L,t P PQ,t PP,t LQ,t V,t V,t V,t Relação 2 Vamos, agora, analsar a relação entre os índces de Laspeyres e Paasche. Para sso, recordemos que o estmador do coefcente de correlação para dados agrupados é dado por ( n X X ) ( Y Y ) r xy Cov(X, Y ) σ X σ Y n s x s y (3.2) em que n é a frequênca absoluta e σ x e σ y são, respectvamente, os desvos padrão de X e Y. Sabemos também que a covarânca pode ser reescrta como Cov(X, Y ) ( ) ( f X Y f X f Y ). (3.2) onde f n n é a frequênca relatva (lembre-se: covarânca é a méda dos produtos menos o produto das médas).

34 3 CAPÍTULO 3. ÍNDICES AGREGATIVOS PONDERADOS Para o caso específco dos números índces, consderemos que os X s e Y s sejam, respectvamente, os relatvos de preço e quantdade e as frequencas relatvas sejam os pesos defndos pelos valores na época base. Mas precsamente, X p t p o Y q t q o f p oq o p j oq j o j (3.22) o que sgnfca que estamos nteressados em analsar a covarânca (ou correlação entre os relatvos de preço e quantdade. Substtundo (3.22) em (3.2), obtemos: Cov(X, Y ) p oq o p j oq j o j p t p q t o q o p oq o p j oq j o j p t p o p oq o p j oq j o j q t q o p tq t q op t p oq t p oq o q op o p oq V,t L,t P LQ,t (3.23) o Mas, por 3.9, sabemos que V,t L,t P PQ,t. Substtundo em (3.23), obtemos que Cov(X, Y ) σ x σ y r xy L P,t PQ,t LP,t LQ,t σ x σ y r xy L P,t PQ,t LP,t LQ,t L P,t PQ,t LQ,t P Q,t ou seja, L Q,t P Q,t r xy σ x σ y V,t (3.24) Analsando essa equação, podemos ver que os índces de Laspeyres e Paasche serão dêntcos quando r xy ou σ x ou σ y. As duas últmas condções sgnfcam que, tanto os relatvos de preço, quanto os relatvos de quantdade são constantes (não têm varabldade), uma hpótese bastante rrealsta. A condção r xy sgnfca que os relatvos de preço e de quantdade são não correlaconados, hpótese também bastante mprovável de ocorrer na prátca. Assm, na prátca, os índces de Laspeyres e Paasche serão dferentes. Nesse caso, como σ x >, σ y > e V,t >, a relação entre os índces dependerá de r xy. Se r xy > (relatvos de preço postvamente correlaconados com os relatvos de quantdade, o que acontece quando estamos analsando um problema pelo lado da oferta, por exemplo), o índce de Laspeyres será menor que o de Paasche. Caso contráro, sto é, relatvos de preço negatvamente correlaconados com os relatvos de quantdade (análse pelo lado da demanda), o índce de Laspeyres será maor que o de Paasche.

35 3.7. RELAÇÕES ENTRE ÍNDICES 3 A stuação mas comum, na prátca, é termos r xy < e, portanto, P,t P < LP,t e PQ,t LQ,t. Neste caso, temos que q tp t q P,t P p t LP,t q tp q p ou ou Analogamente, p tq t p tq t p tq P Q,t LQ,t Vemos, assm, que, em geral p q q tp t q tp q tp t q tp p tq t p tq t q p P Q,t PP,t V,t p tq t p q p tq t p tq p tq t p tq p tq p q V,t L P,t LQ,t q p t p q t p q p q p q t p q P Q,t PP,t V,t L P,t LQ,t q p p q t p q ou seja, o índce de Paasche tende a subestmar o valor, enquanto o índce de Laspeyres tende a superestmar Fsher, Laspeyres e Paasche O índce de Fsher é defndo como a méda geométrca dos índces de Laspeyres e Paasche. Então F L P.

36 32 CAPÍTULO 3. ÍNDICES AGREGATIVOS PONDERADOS Pelo resultado anteror, temos que, em geral, os índces de Laspeyres e Paasche são dferentes. Se eles são guas, obvamente temos F L P. Das propredades da função f (x) x segue que x < x < para < x <. Veja a Fgura 3.. Fgura 3. x < x < < x < < L P Suponhamos, ncalmente, que L < P. Então, como L e P são postvos, segue que <. Então L L P < P < P L L P < P P < P L < L P < P ou seja, L < F < P. Se P < L, obtemos, de forma análoga, que P < F < L. Em resumo, se os índces de Laspeyres e Paasche são dferentes, então o índce de Fsher está compreenddo entre eles: L < P L < F < P (3.25) P < L P < F < L L P L F P

37 3.7. RELAÇÕES ENTRE ÍNDICES Marshall-Edgeworth, Laspeyres e Paasche O índce de Marshall-Edgeworth é defndo como ( q t + q ) o p t M P,t ( q t + qo). p o Vamos provar que esse índce se encontra sempre entre os índces de Laspeyres e Paasche. Mas para sso precsamos do segunte resultado. RESULTADO 3. Sejam X, X 2, Y e Y 2 são números postvos. Então Demonstração X X 2 Y Y 2 X X 2 X + Y X 2 + Y 2 Y Y 2. Como os números são postvos, temos que Analogamente, X X 2 Y Y 2 X Y 2 X 2 Y X Y 2 + X X 2 X 2 Y + X X 2 X (X 2 + Y 2 ) X 2 (X + Y ) X X 2 X + Y X 2 + Y 2 X X 2 Y Y 2 X Y 2 X 2 Y X Y 2 + Y Y 2 X 2 Y + Y Y 2 Y 2 (X + Y ) Y (X 2 + Y 2 ) X + Y X 2 + Y 2 Y Y 2 Note que esse resultado não vale quando algum dos números é negatvo. Por exemplo, se fzermos X 2, X 2 3, Y e Y 2 2, então mas X X < Y Y 2 2 X + Y X 2 + Y 2 < X X 2 Para provar a relação entre os índces de Laspeyres, Paasche e Marshall-Edgeworth, basta fazer X q op t Y q tp t X 2 q op o Y 2 q tp o

38 34 CAPÍTULO 3. ÍNDICES AGREGATIVOS PONDERADOS Nesse caso, os índces de Laspeyres e Paasche de preço são: L L p,t X X 2 P P p,t Y Y 2 e se L < P, então X X 2 < Y Y 2 L < q op t + q op o + q tp t q tp o ( q o + q ) t p t ( q o + q < P t) p o ou seja, L < M < P. Se, ao contráro, temos P < L então Y < X q op t + q tp ( t q o + q ) t p t P < Y 2 X 2 q op o + q tp ( o q o + q < L t) p o e, portanto, P < M < L. E se L P, então L P M. Resumndo, o índce de Marshall- Edegeworth está entre os índces de Laspeyres e Paasche: L < P L < M < P (3.26) P < L P < M < L L P P M L

39 Capítulo 4 Mudança de base 4. Método prátco O procedmento de mudança de base, apresentado na Seção.6 para relatvos, será sempre váldo se o índce satsfzer as propredades crcular e de reversão. No entanto, város índces utlzados na prátca não satsfazem tas propredades. Os índces de Laspeyres e Paasche são um exemplo. Para fazer a mudança de base de uma sére de índces de Laspeyres, por exemplo, é necessáro mudar os pesos e sso sgnfca trazer a antga cesta base para a época atual. Esse procedmento, além de caro, nem sempre é vável. Assm, na prátca, a mudança de base é feta como se o índce satsfzesse a propredade crcular, ou seja, obtém-se a sére na nova base dvdndo-se a antga pelo valor do índce no ano da base desejada. Vamos lustrar os procedmentos correto e aproxmado com os dados utlzados anterormente no Exemplo 3.. EXEMPLO 4. Mudança de base para os dados do Exemplo 3. Calcule a sére de índces com base em t 3 pelo método exato e pelo método aproxmado para os dados do Exemplo 3., reapresentados a segur. Produto t t 2 t 3 P Q P Q P Q Arroz (kg) 2,5 3, 2 3,25 5 Fejão (kg),2 5,8 6,8 7 Pão (und.), 2,2 22,4 24 Solução Anterormente, calculamos os índces de Laspeyres com base em t, obtendo, para os 35

40 36 CAPÍTULO 4. MUDANÇA DE BASE preços, a segunte sére: Ano t t t 2 t 3 L,t P 23, ,2745 Vamos, agora, calcular os índces com base em t 3 pelo método exato: L P 3, 5 2, 5 + 7, , 69, 9 73, , , , 4 94, 95 L P 3,2 5 3, + 7, , 2 86, 4 9, , , , 4 94, 95 Logo, pelo método exato a sére de índces com base em t 3 é: Ano t t t 2 t 3 L3,t P 73, 68 9, 995 Pelo método prátco, temos: L3, P 73, 38 36, 2745 L P 3,2 23, , , Conjugação de séres de índces Os nsttutos de pesqusa, como IBGE, FGV, responsáves pela dvulgação de séres de índces, perodcamente precsam atualzar a base das séres de índces de forma a retratar mas felmente a realdade atual. No caso de índces de Lapeyres, essa atualzação envolve, mutas vezes, consderar uma nova cesta de bens e servços. Como resultado desse processo, temos 2 conjuntos de índces: um com a base antga, e outro com a base nova. O procedmento usado para conjugar as duas séres consste em manter as mesmas taxas de varação entre os períodos, ndependente de qual base fo utlzada. Para sso, é necessáro que, para um período, seja feto o cálculo do índce nas duas bases. EXEMPLO 4.2 Conjugação de séres de índces

41 4.2. CONJUGAÇÃO DE SÉRIES DE ÍNDICES 37 Uma sére de índces vnha sendo construída com base em 997. No ano de 999, decdu-se fazer uma mudança de base que resultou nas seguntes séres: Ano Sére antga Sére nova Conjugue as duas séres, usando 997 como base e depos mude a base para o ano de 22. Solução A partr da sére nova, obtemos os seguntes relatvos: I 99, 5, 5 I 99, 5, 5 I 99,2 32, 32 I 99,3 46, 46 I 99,4 55, 55 Aplcando essas varações na sére com base em 997, obtemos: I 97,, 5 6, 55 I 97,, 5 27, 65 I 97,2, 32 46, 52 I 97,3, 46 62, 6 I 97,4, 55 72, 5

42 38 CAPÍTULO 4. MUDANÇA DE BASE Logo, a sére completa com base em 997 é Ano , , , 997, 998 2, 999, 2 6, , , , ,5 Com a sére com base 997 pronta, para calcular com base em 22, basta dvdr todos os índces pelo valor de 22, que é,4652. Ano , /, , , /, , , /, , , /, , , /, , , /, , , 55/, , , 65/, , , 52/, 4652, 23 62, 6/, 4652, , 5/, , 42 No cálculo de índces e taxas é mportante realzar os cálculos ntermedáros com váras casas decmas, para que não se perca muta precsão nos resultados.

43 Capítulo 5 Deflaconamento e poder aqustvo 5. Introdução Suponhamos que, num período t, um qulo de carne custe R$8, e em t ) 2, R$,. Se nos 2 períodos dspusermos da mesma quanta de R$25, para comprar essa carne, em t podemos comprar 25R$ 3, 25 kg 8 R$ / kg e em t 2 25 R$ 25 kg R$ / kg Logo, a relação entre as quantdades é 25, 8 3, 25 que corresponde a uma taxa de varação de ( ) ( ) 25 3, , 25 3, 25 (, 8 ) 2% Então, com esse aumento de preço, mantdo o mesmo valor dsponível, houve uma queda de 2% na quantdade de carne adqurda. Consderemos, agora, uma stuação mas geral, em que o saláro de uma pessoa se mantém fxo em R$2.5, nos anos de 999 e 2, mas a nflação em 2, medda pelo INPC, fo de 5,27%. Como avalar a perda salaral desta pessoa? Prmero, vamos nterpretar o sgnfcado da nflação de 5,27% em 2. Isto sgnfca que o custo (preço) de uma cesta de produtos e servços aumentou 5,27% em 2, comparado com 999, ou seja, o índce de preços de 2 com base em 999 é,527. Por outro lado, como o saláro é o mesmo, o índce de valor (saláro) de 2 com base em 999 é. Usando a relação aproxmada IV IP IQ, resulta que o índce de quantdade de 2 com base em 999 é ( ) IQ, 94994,

44 4 CAPÍTULO 5. DEFLACIONAMENTO E PODER AQUISITIVO ou seja, esta pessoa, com o mesmo saláro em 2, consegue comprar,94994 do que comprava em 999, o que representa uma taxa de (, ) 5, 6. O índce,94994 é chamado índce do saláro real, já que ele representa o que a pessoa pode realmente adqurr em 2, com base em 999. Uma outra forma de olhar este mesmo problema é a segunte: dzer que houve uma varação de preços de 5,27% em 2 é o mesmo que dzer que,527 reas em 2 equvalem, em poder de compra, a real em 999. Então, para determnar quanto valem os 25 reas de 2 a preços de 999, basta aplcarmos a regra de três smples: Logo, R$,527 R$ x 25 R$ x , 85, 527 o que sgnfca que o saláro de 25 reas em 2 equvale a um saláro de 2374,85 reas em 999, o que é ldo como 2374,85 reas a preços de 999. A perda salaral pode ser obtda como 2374, 85, mesmo valor obtdo através do índce do saláro real. Estes exemplos lustram o conceto de deflaconamento de uma sére de valores, que permte equparar valores monetáros de dversas épocas ao valor monetáro de uma época base, ou anda, o deflaconamento permte elmnar uma das causas de varação de uma sére de valores monetáros, qual seja, a varação de preços. 5.2 Deflator Um índce de preços usado para equparar valores monetáros de dversas épocas ao valor monetáro de uma época base é chamado deflator. Como vsto acma, para obter a sére de valores deflaconados ou valores a preços da época base, basta dvdr a sére de valores pelo respectvo índce de preço. Os valores estarão a preços constantes do ano base do índce de preços. Podemos também dvdr a sére de índces de valores pelo respectvo índce de preço para obter o índce do valor real (quantdade) com base no período base do deflator. EXEMPLO 5. Faturamento de uma empresa Consdere a sére do faturamento nomnal de uma empresa e o índce de preço

45 5.2. DEFLATOR 4 aproprado, dados na tabela abaxo. Ano Faturamento nomnal índce de preços (Ml R$) , 2 8 5, , , , ,87 Obtenha o faturamento real a preços de 999. Solução Como vsto anterormente, basta aplcar uma regra de três, tendo em mente a nterpretação do índce de preços: R$ em 999 equvalem a 5,272 R$ em 2, a 5,22 em 2, etc. Por exemplo, para o ano de 22 temos: R$ 32,94 R$ x 28 R$ x 28 28, 99 32, 94 Com o mesmo procedmento para os outros anos, obtemos a sére do faturamento a preços de 999 dada por: Ano Faturamento (Ml R$ de 999) 999 (6/) 6, 2 (8/5, 272) 79, 9 2 (24/5, 22) 283, 22 (28/32, 94) 28, 23 (3/45, 92) 255, 9 24 (32/54, 87) 266, 2 Para obter o índce do faturamento real com base em 999 temos que calcular o índce do faturamento nomnal e dvdí-lo pelo respectvo índce de preços. Para o ano de 22, por exemplo, temos: , Completando para os outros anos obtemos:

46 42 CAPÍTULO 5. DEFLACIONAMENTO E PODER AQUISITIVO Ano 999 índce do faturamento real (quantdade) , , , , , , Note a segunte equvalênca (ano de 22): , , 94 6 O termo no numerador é o faturamento de 22 a preços de 999, enquanto o termo no denomnador é o faturamento de 999 a preços de 999. Ou seja, podemos obter a sére de índces do faturamento real a preços de 999 smplesmente dvdndo a sére de faturamento a preços de 999 pelo faturamento real do ano base:

47 5.2. DEFLATOR 43 Ano 975 índce do faturamento real 999 6, , 9 6 6, , 6 3, , 6 32, , , , , 4 Se no exemplo tvessem sdo dadas as taxas de varação do faturamento e do preço, o deflaconamento sera feto, prmero transformando as taxas em índces. Taxa índce Deflaconamento (taxa nomnal) j j (taxa de nflação) + j EXEMPLO 5.2 Uma pessoa aplcou determnada quanta a uma taxa de juros de 5% ao semestre. A nflação no semestre apresentou uma varação de 7%. Quanto ela perdeu em duzentos reas aplcados no semestre? Solução Ao fnal do semestre, cada real aplcado resulta em,5. Mas como a nflação é de 7%, cada real, ao fnal do semestre, em termos de poder de compra, equvale a,7. Logo, cada real aplcado ao fnal do semestre corresponde a, 5, 9838, 7

48 44 CAPÍTULO 5. DEFLACIONAMENTO E PODER AQUISITIVO Duzentos reas correspondem a 2, , 266, o que equvale a uma perda de 3,7384 reas.! Índces e taxas Um erro comum consste em dvdr as taxas 5%, 7729, um valor 7% totalmente dferente. Lembre-se: não se dvdem nem se multplcam taxas! EXEMPLO 5.3 Saláro real e INPC Na tabela abaxo temos o saláro de um funconáro nos meses de janero a mao de 22 e as respectvas taxas de nflação mensal meddas pelo INPC: Mês Saláro (R$) INPC (%) dez- 3868,8,74 jan-2 46,3,7 fev ,79,3 mar-2 454,89,62 abr ,4,68 ma ,4,9 Calcule o saláro real a preços de dezembro de 2 e também o índce do saláro real com base em dez-. As taxas de nflação medem a varação mensal Solução O prmero passo consste em calcular a sére do INPC com base em dezembro de 2. Em janero de 22 a taxa de nflação fo de,7%, com relação a dezembro de 2, ou seja, Em feverero, temos que e p jan 2, 7 +, 7 p dez p fev 2, 3 +, 3 p jan 2 t t p fev 2 p dez p fev 2 p jan 2 p jan 2 p dez, 7, 3, 383 Para março, temos: p mar 2 p dez p mar 2 p fev 2 p fev 2 p jan 2 p jan 2 p dez, 62, 7, 3, 22

49 5.2. DEFLATOR 45 Para abrl: p abr 2 p dez p abr 2 p mar 2 p mar 2 p fev 2 p fev 2 p jan 2 p jan 2 p dez, 68, 62, 7, 3, 2756 Para mao: p ma 2 p dez p ma 2 p abr 2 p abr 2 p mar 2 p mar 2 p fev 2 p fev 2 p jan 2 p jan 2 p dez, 9, 68, 62, 7, 3, 2798 Obtda a sére do INPC com base em dezembro de 2, para obter o saláro real basta dvdr o saláro nomnal de cada mês pelo respectvo valor do índce: Mês Saláro (R$) INPC Saláro real % dez- a preços de dez- dez- dez- 3868,8,74, 3868, , , 8, 3868, 8 jan-2 46,3,7,7 46, 3, 7 47, 5 47, 5 3, , 8 fev ,79,3, , 79, , , 34 22, , 8 mar-2 454,89,62 2,2 454, 89 2, 2 445, , 33 5, , 8 abr ,4,68 2, , 4 2, , , 26, , 8 ma ,4,9 2, , 4 2, , 4 435, 4, , 8 Ao deflaconarmos esses saláros, estamos colocando todos eles na mesma moeda, ou seja, eles são comparáves para efetos de poder de compra. É como se tvéssemos duas pessoas em dezembro de 2, uma ganhando R$ 3668,8 e a outra, R$ 435,4; com essa comparação fca claro que a segunda pessoa ganha mas que a prmera, ou seja, em termos reas, o saláro de mao de 22 é maor que o saláro de dezembro de 2.

50 46 CAPÍTULO 5. DEFLACIONAMENTO E PODER AQUISITIVO 5.3 Poder aqustvo O poder aqustvo de um determnado volume de undades monetáras, com relação a uma certa época base, é o seu valor deflaconado com referênca a essa época base. Consderemos novamente o exemplo vsto no níco da seção: em t, um qulo de carne custava 8, reas e em t 2, reas. Se nos 2 períodos dspuséssemos da mesma quanta de 25 reas para comprar essa carne, em t poderíamos comprar 25 R$ 3, 25 kg 8 R$ / kg e em t 2 25 R$ 25 kg R$ / kg Logo, a relação entre as quantdades é 25, 8 3, 25 Isso sgnfca que o poder aqustvo (para esse únco produto) cau 2%. Note que: 25 R$ 25 3, R$ R$ / kg 8 R$ / kg 8 8 No denomnador da últma fração temos o relatvo de preço da carne com base em t, ou seja, o poder aqustvo é obtdo tomando-se o nverso do índce de preço escolhdo. EXEMPLO 5.4 Poder aqustvo do real Consdere a sére do IGP dada a segur. Calcule o poder aqustvo de R$ com base no real de 2. Ano IGP Solução Ano IGP - 2 Poder aqustvo de R$ (2) 2 (/). 2 (/), (/4), (/5), (/68), Em 22, R$ tem o mesmo poder aqustvo de,7429 R$ de 2, enquanto em 24, R$ tem o poder aqustvo de,59524 R$ em 2.

INTRODUÇÃO À ESTATÍSTICA ECONÔMICA 2a. Prova 11/7/2006 Profa. Ana Maria Farias Turma A hs

INTRODUÇÃO À ESTATÍSTICA ECONÔMICA 2a. Prova 11/7/2006 Profa. Ana Maria Farias Turma A hs INTRODUÇÃO À ESTATÍSTICA ECONÔMICA 2a. rova /7/2006 rofa. Ana Mara Faras Turma A 4-6 hs. Consdere os dados da tabela abaxo, onde temos preços e uantdades utlzadas de materal de escrtóro. Item Undade reço

Leia mais

Prof. Lorí Viali, Dr.

Prof. Lorí Viali, Dr. Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca

Leia mais

CAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA

CAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de

Leia mais

Algarismos Significativos Propagação de Erros ou Desvios

Algarismos Significativos Propagação de Erros ou Desvios Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento

Leia mais

7 - Distribuição de Freqüências

7 - Distribuição de Freqüências 7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste

Leia mais

Curso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos

Curso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,

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. Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das

Leia mais

Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.

Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média. Estatístca Dscplna de Estatístca 0/ Curso de Admnstração em Gestão Públca Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos uns dos

Leia mais

Capítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES

Capítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES Capítulo. Aproxmações numércas 1D em malhas unformes 9 Capítulo. AROXIMAÇÕS NUMÉRICAS 1D M MALHAS UNIFORMS O prncípo fundamental do método das dferenças fntas (MDF é aproxmar através de expressões algébrcas

Leia mais

Os modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.

Os modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência. MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,

Leia mais

Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.

Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média. Estatístca Dscplna de Estatístca 0/ Curso Superor de tecnólogo em Gestão Ambental Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos

Leia mais

4 Critérios para Avaliação dos Cenários

4 Critérios para Avaliação dos Cenários Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada

Leia mais

Notas Processos estocásticos. Nestor Caticha 23 de abril de 2012

Notas Processos estocásticos. Nestor Caticha 23 de abril de 2012 Notas Processos estocástcos Nestor Catcha 23 de abrl de 2012 notas processos estocástcos 2 O Teorema de Perron Frobenus para matrzes de Markov Consdere um processo estocástco representado por um conunto

Leia mais

Prof. Lorí Viali, Dr.

Prof. Lorí Viali, Dr. Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das

Leia mais

CORRELAÇÃO E REGRESSÃO

CORRELAÇÃO E REGRESSÃO CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr

Leia mais

Introdução às Medidas em Física a Aula

Introdução às Medidas em Física a Aula Introdução às Meddas em Físca 4300152 8 a Aula Objetvos: Experênca Curvas Característcas Meddas de grandezas elétrcas: Estudar curvas característcas de elementos resstvos Utlzação de um multímetro Influênca

Leia mais

NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES

NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES 1 O nosso objetvo é estudar a relação entre duas varáves quanttatvas. Eemplos:. Idade e altura das cranças.. v. Tempo de prátca de esportes e rtmo cardíaco

Leia mais

Experiência V (aulas 08 e 09) Curvas características

Experiência V (aulas 08 e 09) Curvas características Experênca (aulas 08 e 09) Curvas característcas 1. Objetvos 2. Introdução 3. Procedmento expermental 4. Análse de dados 5. Referêncas 1. Objetvos Como no expermento anteror, remos estudar a adequação de

Leia mais

8 - Medidas Descritivas

8 - Medidas Descritivas 8 - Meddas Descrtvas 8. Introdução Ao descrevemos um conjunto de dados por meo de tabelas e gráfcos temos muto mas nformações sobre o comportamento de uma varável do que a própra sére orgnal de dados.

Leia mais

Associação entre duas variáveis quantitativas

Associação entre duas variáveis quantitativas Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa

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. Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~vall/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal http://www.mat.ufrgs.br/~vall/ ou expermental. Numa relação

Leia mais

MAP Cálculo Numérico e Aplicações

MAP Cálculo Numérico e Aplicações MAP0151 - Cálculo Numérco e Aplcações Lsta 5 (Correção Neste ponto, todos já sabemos que todas as questões têm o mesmo valor, totalzando 10.0 pontos. (Questão 1 Fque com vontade de fazer mas do que fo

Leia mais

UNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)

UNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC) UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade

Leia mais

3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo

3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo 3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas

Leia mais

Estatística II Antonio Roque Aula 18. Regressão Linear

Estatística II Antonio Roque Aula 18. Regressão Linear Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão

Leia mais

Covariância na Propagação de Erros

Covariância na Propagação de Erros Técncas Laboratoras de Físca Lc. Físca e Eng. omédca 007/08 Capítulo VII Covarânca e Correlação Covarânca na propagação de erros Coefcente de Correlação Lnear 35 Covarânca na Propagação de Erros Suponhamos

Leia mais

Prof. Lorí Viali, Dr.

Prof. Lorí Viali, Dr. Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRGS Insttuto de Matemátca

Leia mais

3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas

3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas 3.6. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas

Leia mais

X = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)

X = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha) Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado

Leia mais

AULA 4. Segundo Quartil ( Q observações são menores que ele e 50% são maiores.

AULA 4. Segundo Quartil ( Q observações são menores que ele e 50% são maiores. Estatístca Aplcada à Engenhara AULA 4 UNAMA - Unversdade da Amazôna.8 MEDIDA EPARATRIZE ão valores que separam o rol (os dados ordenados) em quatro (quarts), dez (decs) ou em cem (percents) partes guas.

Leia mais

37 [C] Verdadeira. Veja justificativa do item [B]. Moda = 8

37 [C] Verdadeira. Veja justificativa do item [B]. Moda = 8 Resposta da questão 1: [C] Calculando:,5 + 10 + 8 + 9,4 + 8 +,4 + x + 7,4 = 8, 8,5 + 10 + 8 + 9,4 + 8 +,4 + x + 7,4 = 5, x = 9,9 Moda = 8 8+ 8 Medana = = 8,5 + 10 + 8 + 9,4 + 8 +,4 + 7,4 Méda das outras

Leia mais

Resumos Numéricos de Distribuições

Resumos Numéricos de Distribuições Estatístca Aplcada à Educação Antono Roque Aula Resumos umércos de Dstrbuções As representações tabulares e grácas de dados são muto útes, mas mutas vezes é desejável termos meddas numércas quanttatvas

Leia mais

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4 FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas

Leia mais

RISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16%

RISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16% Análse de Rsco 1 RISCO Rsco possbldade de perda. Quanto maor a possbldade, maor o rsco. Exemplo: Empresa X va receber $ 1.000 de uros em 30 das com títulos do governo. A empresa Y pode receber entre $

Leia mais

2 Metodologia de Medição de Riscos para Projetos

2 Metodologia de Medição de Riscos para Projetos 2 Metodologa de Medção de Rscos para Projetos Neste capítulo remos aplcar os concetos apresentados na seção 1.1 ao ambente de projetos. Um projeto, por defnção, é um empreendmento com metas de prazo, margem

Leia mais

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3 FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas

Leia mais

Cap. IV Análise estatística de incertezas aleatórias

Cap. IV Análise estatística de incertezas aleatórias TLF 010/11 Cap. IV Análse estatístca de ncertezas aleatóras Capítulo IV Análse estatístca de ncertezas aleatóras 4.1. Méda 43 4.. Desvo padrão 44 4.3. Sgnfcado do desvo padrão 46 4.4. Desvo padrão da méda

Leia mais

Laboratório de Mecânica Aplicada I Estática: Roldanas e Equilíbrio de Momentos

Laboratório de Mecânica Aplicada I Estática: Roldanas e Equilíbrio de Momentos Laboratóro de Mecânca Aplcada I Estátca: Roldanas e Equlíbro de Momentos 1 Introdução O conhecmento das condções de equlíbro de um corpo é mprescndível em númeras stuações. Por exemplo, o estudo do equlíbro

Leia mais

Probabilidade e Estatística I Antonio Roque Aula 4. Resumos Numéricos de Distribuições

Probabilidade e Estatística I Antonio Roque Aula 4. Resumos Numéricos de Distribuições Probabldade e Estatístca I Antono Roque Aula Resumos umércos de Dstrbuções As representações tabulares e grácas de dados são muto útes, mas mutas vezes é desejável termos meddas numércas quanttatvas para

Leia mais

Resumo de Álgebra Linear - parte II

Resumo de Álgebra Linear - parte II Aula 7 Resumo de Álge Lnear - parte II 7.1 Resumo Nesta aula contnuamos desenvolvendo concetos báscos de álge lnear, aprmorando a famlardade com a notação de Drac. Bblograa: Moysés, 8.7 (em parte), e Cohen-Tannoudj,

Leia mais

Índices de Concentração 1

Índices de Concentração 1 Índces de Concentração Crstane Alkmn Junquera Schmdt arcos André de Lma 3 arço / 00 Este documento expressa as opnões pessoas dos autores e não reflete as posções ofcas da Secretara de Acompanhamento Econômco

Leia mais

CONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO 2 DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogério Rodrigues

CONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO 2 DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogério Rodrigues CONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogéro Rodrgues I) TABELA PRIMITIVA E DISTRIBUIÇÃO DE FREQÜÊNCIA : No processo de amostragem, a forma de regstro mas

Leia mais

Figura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma

Figura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas

Leia mais

Introdução a Combinatória- Aplicações, parte II

Introdução a Combinatória- Aplicações, parte II Introdução a Combnatóra- Aplcações, AULA 7 7.1 Introdução Nesta aula vamos estudar aplcações um pouco dferentes das da aula passada. No caso estudaremos arranjos com repetção, permutações crculares e o

Leia mais

AEP FISCAL ESTATÍSTICA

AEP FISCAL ESTATÍSTICA AEP FISCAL ESTATÍSTICA Módulo 11: Varáves Aleatóras (webercampos@gmal.com) VARIÁVEIS ALEATÓRIAS 1. Conceto de Varáves Aleatóras Exemplo: O expermento consste no lançamento de duas moedas: X: nº de caras

Leia mais

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1 FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 1 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas

Leia mais

1. CORRELAÇÃO E REGRESSÃO LINEAR

1. CORRELAÇÃO E REGRESSÃO LINEAR 1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação

Leia mais

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2

FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2 FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas

Leia mais

Análise Exploratória de Dados

Análise Exploratória de Dados Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: traçar dagramas de dspersão, para avalar possíves relações entre as duas varáves; calcular o coefcente de correlação entre as duas

Leia mais

Termo-Estatística Licenciatura: 4ª Aula (08/03/2013)

Termo-Estatística Licenciatura: 4ª Aula (08/03/2013) Termo-Estatístca Lcencatura: 4ª Aula (08/03/013) Prof. Alvaro Vannucc RELEMBRADO Dstrbução dscreta (hstogramas) x contínua (curvas de dstrbução): Dada uma Função de Dstrbução de Densdade de Probabldade,

Leia mais

U N I V E R S I D A D E D O S A Ç O R E S D E P A R T A M E N T O D E M A T E M Á T I C A ARMANDO B MENDES ÁUREA SOUSA HELENA MELO SOUSA

U N I V E R S I D A D E D O S A Ç O R E S D E P A R T A M E N T O D E M A T E M Á T I C A ARMANDO B MENDES ÁUREA SOUSA HELENA MELO SOUSA U N I V E R S I D A D E D O S A Ç O R E S D E P A R T A M E N T O D E M A T E M Á T I C A CLASSIFICAÇÃO DE MONOGRAFIAS UMA PROPOSTA PARA MAIOR OBJECTIVIDADE ARMANDO B MENDES ÁUREA SOUSA HELENA MELO SOUSA

Leia mais

Variação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.

Variação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro. Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na

Leia mais

ELETROTÉCNICA (ENE078)

ELETROTÉCNICA (ENE078) UNIVERSIDADE FEDERAL DE JUIZ DE FORA Graduação em Engenhara Cvl ELETROTÉCNICA (ENE078) PROF. RICARDO MOTA HENRIQUES E-mal: rcardo.henrques@ufjf.edu.br Aula Número: 19 Importante... Crcutos com a corrente

Leia mais

x Ex: A tabela abaixo refere-se às notas finais de três turmas de estudantes. Calcular a média de cada turma:

x Ex: A tabela abaixo refere-se às notas finais de três turmas de estudantes. Calcular a média de cada turma: Professora Janete Perera Amador 1 8 Meddas Descrtvas Vmos anterormente que um conjunto de dados pode ser resumdo através de uma dstrbução de freqüêncas, e que esta pode ser representada através de uma

Leia mais

Estatística Aplicada II CORRELAÇÃO. AULA 21 07/11/16 Prof a Lilian M. Lima Cunha

Estatística Aplicada II CORRELAÇÃO. AULA 21 07/11/16 Prof a Lilian M. Lima Cunha 09//06 Estatístca Aplcada II CORRELAÇÃO AULA 07//6 Prof a Llan M. Lma Cunha CORRELAÇÃO: Identfcar a estênca ou não de assocação lnear entre varáves: -Preço de um produto em regões; -Frete e Km percorrdo;

Leia mais

Flambagem. Cálculo da carga crítica via MDF

Flambagem. Cálculo da carga crítica via MDF Flambagem Cálculo da carga crítca va MDF ROF. ALEXANDRE A. CURY DEARTAMENTO DE MECÂNICA ALICADA E COMUTACIONAL Flambagem - Cálculo da carga crítca va MDF Nas aulas anterores, vmos como avalar a carga crítca

Leia mais

4.1 Modelagem dos Resultados Considerando Sazonalização

4.1 Modelagem dos Resultados Considerando Sazonalização 30 4 METODOLOGIA 4.1 Modelagem dos Resultados Consderando Sazonalzação A sazonalzação da quantdade de energa assegurada versus a quantdade contratada unforme, em contratos de fornecmento de energa elétrca,

Leia mais

2 Incerteza de medição

2 Incerteza de medição 2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr

Leia mais

Prof. Lorí Viali, Dr.

Prof. Lorí Viali, Dr. Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. A análse

Leia mais

REGRESSÃO NÃO LINEAR 27/06/2017

REGRESSÃO NÃO LINEAR 27/06/2017 7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados

Leia mais

PROVA 2 Cálculo Numérico. Q1. (2.0) (20 min)

PROVA 2 Cálculo Numérico. Q1. (2.0) (20 min) PROVA Cálculo Numérco Q. (.0) (0 mn) Seja f a função dada pelo gráfco abaxo. Para claro entendmento da fgura, foram marcados todos os pontos que são: () raízes; () pontos crítcos; () pontos de nflexão.

Leia mais

RAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro

RAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero

Leia mais

Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu

Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu 1 Programação Não Lnear com Restrções Aula 9: Programação Não-Lnear - Funções de Váras Varáves com Restrções Ponto Regular; Introdução aos Multplcadores de Lagrange; Multplcadores de Lagrange e Condções

Leia mais

Dados ajustáveis a uma linha recta

Dados ajustáveis a uma linha recta Capítulo VI juste dos Mínmos Quadrados Dados ajustáves a uma lnha recta Determnação das constantes e B Incerteza nas meddas de Incerteza na determnação de e B juste dos mínmos quadrados a outras curvas:

Leia mais

Teoria Elementar da Probabilidade

Teoria Elementar da Probabilidade 10 Teora Elementar da Probabldade MODELOS MATEMÁTICOS DETERMINÍSTICOS PROBABILÍSTICOS PROCESSO (FENÓMENO) ALEATÓRIO - Quando o acaso nterfere na ocorrênca de um ou mas dos resultados nos quas tal processo

Leia mais

Gráficos de Controle para Processos Autocorrelacionados

Gráficos de Controle para Processos Autocorrelacionados Gráfcos de Controle para Processos Autocorrelaconados Gráfco de controle de Shewhart: observações ndependentes e normalmente dstrbuídas. Shewhart ao crar os gráfcos de controle não exgu que os dados fossem

Leia mais

Medidas de Tendência Central. Prof.: Ademilson Teixeira

Medidas de Tendência Central. Prof.: Ademilson Teixeira Meddas de Tendênca Central Prof.: Ademlson Texera ademlson.texera@fsc.edu.br 1 Servem para descrever característcas báscas de um estudo com dados quanttatvos e comparar resultados. Meddas de Tendênca Central

Leia mais

EXERCÍCIO: VIA EXPRESSA CONTROLADA

EXERCÍCIO: VIA EXPRESSA CONTROLADA EXERCÍCIO: VIA EXPRESSA CONTROLADA Engenhara de Tráfego Consdere o segmento de va expressa esquematzado abaxo, que apresenta problemas de congestonamento no pco, e os dados a segur apresentados: Trechos

Leia mais

Cap. 6 - Energia Potencial e Conservação da Energia Mecânica

Cap. 6 - Energia Potencial e Conservação da Energia Mecânica Unversdade Federal do Ro de Janero Insttuto de Físca Físca I IGM1 014/1 Cap. 6 - Energa Potencal e Conservação da Energa Mecânca Prof. Elvs Soares 1 Energa Potencal A energa potencal é o nome dado a forma

Leia mais

UNIVERSIDADE DE SÃO PAULO FACULDADE DE ECONOMIA, ADMINISTRAÇÃO E CONTABILIDADE DEPARTAMENTO DE ECONOMIA

UNIVERSIDADE DE SÃO PAULO FACULDADE DE ECONOMIA, ADMINISTRAÇÃO E CONTABILIDADE DEPARTAMENTO DE ECONOMIA UNIVERSIDADE DE SÃO PAULO FACULDADE DE ECONOMIA, ADMINISTRAÇÃO E CONTABILIDADE DEPARTAMENTO DE ECONOMIA EAE 206 Macroeconoma I 1º Semestre de 2016 Professores: Fernando Rugtsky e Glberto Tadeu Lma Gabarto

Leia mais

Testes não-paramétricos

Testes não-paramétricos Testes não-paramétrcos Prof. Lorí Val, Dr. http://www.mat.ufrgs.br/val/ val@mat.ufrgs.br Um teste não paramétrco testa outras stuações que não parâmetros populaconas. Estas stuações podem ser relaconamentos,

Leia mais

8 Soluções Não Ideais

8 Soluções Não Ideais 8 Soluções Não Ideas 8.1 Convenções para o coefcente de atvdade na escala de frações molares Para a solução deal temos ln x onde é função apenas da pressão e temperatura. Fo anterormente mostrado que todas

Leia mais

Programa do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall

Programa do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação

Leia mais

Variável discreta: X = número de divórcios por indivíduo

Variável discreta: X = número de divórcios por indivíduo 5. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas

Leia mais

Implementação Bayesiana

Implementação Bayesiana Implementação Bayesana Defnção 1 O perfl de estratégas s.) = s 1.),..., s I.)) é um equlíbro Nash-Bayesano do mecansmo Γ = S 1,..., S I, g.)) se, para todo e todo θ Θ, u gs θ ), s θ )), θ ) θ Eθ u gŝ,

Leia mais

Análise Descritiva com Dados Agrupados

Análise Descritiva com Dados Agrupados Análse Descrtva com Dados Agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas descrtvas

Leia mais

3 A técnica de computação intensiva Bootstrap

3 A técnica de computação intensiva Bootstrap A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.

Leia mais

Regressão Múltipla. Parte I: Modelo Geral e Estimação

Regressão Múltipla. Parte I: Modelo Geral e Estimação Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses

Leia mais

Página 293. w1 w2 a b i 3 bi a b i 3 bi. 2w é o simétrico do dobro de w. Observemos o exemplo seguinte, em que o afixo de 2w não

Página 293. w1 w2 a b i 3 bi a b i 3 bi. 2w é o simétrico do dobro de w. Observemos o exemplo seguinte, em que o afixo de 2w não Preparar o Exame 0 0 Matemátca A Págna 9. Se 5 5 é o argumento de z, é argumento de z e 5 5. Este ângulo é gual ao ângulo de ampltude 5 é argumento de z.. Resposta: D w w a b b a b b. a b a a b b b bem

Leia mais

UNIVERSIDADE DE PERNAMBUCO. Física Experimental. Prof o José Wilson Vieira

UNIVERSIDADE DE PERNAMBUCO. Física Experimental. Prof o José Wilson Vieira UNIVERSIDADE DE PERNAMBUCO ESCOLA POLITÉCNICA DE PERNAMBUCO Físca Expermental Prof o José Wlson Vera wlson.vera@upe.br AULA 01: PROCESSOS DE ANÁLISE GRÁFICA E NUMÉRICA MODELO LINEAR Recfe, agosto de 2015

Leia mais

TEORIA DE ERROS * ERRO é a diferença entre um valor obtido ao se medir uma grandeza e o valor real ou correto da mesma.

TEORIA DE ERROS * ERRO é a diferença entre um valor obtido ao se medir uma grandeza e o valor real ou correto da mesma. UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO CENTRO DE CIÊNCIAS EXATAS DEPARTAMENTO DE FÍSICA AV. FERNANDO FERRARI, 514 - GOIABEIRAS 29075-910 VITÓRIA - ES PROF. ANDERSON COSER GAUDIO FONE: 4009.7820 FAX: 4009.2823

Leia mais

R X. X(s) Y Y(s) Variáveis aleatórias discretas bidimensionais

R X. X(s) Y Y(s) Variáveis aleatórias discretas bidimensionais 30 Varáves aleatóras bdmensonas Sea ε uma experênca aleatóra e S um espaço amostral assocado a essa experênca. Seam X X(s) e Y Y(s) duas funções cada uma assocando um número real a cada resultado s S.

Leia mais

CURSO A DISTÂNCIA DE GEOESTATÍSTICA

CURSO A DISTÂNCIA DE GEOESTATÍSTICA CURSO A DISTÂNCIA DE GEOESTATÍSTICA Aula 6: Estaconardade e Semvarânca: Estaconardade de a. ordem, Hpótese ntríseca, Hpótese de krgagem unversal, Crtéros para escolha, Verfcação, Representatvdade espacal,

Leia mais

Modelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados

Modelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados Modelo lnear normal com erros heterocedástcos O método de mínmos quadrados ponderados Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal

Leia mais

O problema da superdispersão na análise de dados de contagens

O problema da superdispersão na análise de dados de contagens O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão

Leia mais

ESTUDO DE MODELOS PARA AJUSTE E PREVISÃO DE UMA SÉRIE TEMPORAL

ESTUDO DE MODELOS PARA AJUSTE E PREVISÃO DE UMA SÉRIE TEMPORAL Revsta Matz Onlne ESTUDO DE MODELOS PARA AJUSTE E PREVISÃO DE UMA SÉRIE TEMPORAL Valera Ap. Martns Ferrera Vvane Carla Fortulan Valéra Aparecda Martns. Mestre em Cêncas pela Unversdade de São Paulo- USP.

Leia mais

Análise Complexa Resolução de alguns exercícios do capítulo 1

Análise Complexa Resolução de alguns exercícios do capítulo 1 Análse Complexa Resolução de alguns exercícos do capítulo 1 1. Tem-se:. = (0, 1) = (0, 1) =. 3. Sejam a, b R. Então Exercíco nº1 = (0, 1).(0, 1) = (0.0 1.1, 0.1 + 1.0) = ( 1, 0) = 1. a + b = a b = a +

Leia mais

Eletrotécnica AULA Nº 1 Introdução

Eletrotécnica AULA Nº 1 Introdução Eletrotécnca UL Nº Introdução INTRODUÇÃO PRODUÇÃO DE ENERGI ELÉTRIC GERDOR ESTÇÃO ELEVDOR Lnha de Transmssão ESTÇÃO IXDOR Equpamentos Elétrcos Crcuto Elétrco: camnho percorrdo por uma corrente elétrca

Leia mais

CQ110 : Princípios de FQ

CQ110 : Princípios de FQ CQ 110 Prncípos de Físco Químca Curso: Farmáca Prof. Dr. Marco Vdott mvdott@ufpr.br 1 soluções eletrolítcas Qual a dferença entre uma solução 1,0 mol L -1 de glcose e outra de NaCl de mesma concentração?

Leia mais

O íon lantanídeo no acoplamento Russell-Saunders e a classificação de seus estados segundo os subgrupos do grupo GL(4

O íon lantanídeo no acoplamento Russell-Saunders e a classificação de seus estados segundo os subgrupos do grupo GL(4 O íon lantanídeo no acoplamento Russell-aunders e a classfcação de seus estados segundo os subgrupos do grupo G(4 ) O hamltonano, H, dos íons lantanídeos contém uma parte que corresponde ao campo central,

Leia mais

1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA

1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de

Leia mais

GARANTIA DE EXCELENTE INTERCAMBIALIDADE E REDUÇÃO DE CUSTOS ATRAVÉS DA ANÁLISE ESTATÍSTICA DE TOLERÂNCIAS

GARANTIA DE EXCELENTE INTERCAMBIALIDADE E REDUÇÃO DE CUSTOS ATRAVÉS DA ANÁLISE ESTATÍSTICA DE TOLERÂNCIAS GARANIA DE EXCELENE INERCAMBIALIDADE E REDUÇÃO DE CUSOS ARAVÉS DA ANÁLISE ESAÍSICA DE OLERÂNCIAS Edvaldo Antono Bulba* *Prof. Dr. da Fatec SP FEI e Unversdade São Judas E mal: bulba@fe.edu.br Resumo Numa

Leia mais

2. MEDIDAS DE TENDÊNCIA CENTRAL OU MEDIDAS DE POSIÇÃO

2. MEDIDAS DE TENDÊNCIA CENTRAL OU MEDIDAS DE POSIÇÃO Materal elaborado por Mara Tereznha Marott, Rodrgo Coral e Carla Regna Kuss Ferrera Atualzado por Mlton Procópo de Borba. MEDIDAS DE TENDÊNCIA CENTRAL OU MEDIDAS DE POSIÇÃO Para melhor caracterzar um conjunto

Leia mais

MEDIDAS DE TENDÊNCIA CENTRAL

MEDIDAS DE TENDÊNCIA CENTRAL 3.1- Introdução. ESTATÍSTICA MEDIDAS DE TENDÊNCIA CENTRAL Como na representação tabular e gráfca dos dados a Estatístca Descrtva consste num conjunto de métodos que ensnam a reduzr uma quantdade de dados

Leia mais

CAPÍTULO VI Introdução ao Método de Elementos Finitos (MEF)

CAPÍTULO VI Introdução ao Método de Elementos Finitos (MEF) PMR 40 - Mecânca Computaconal CAPÍTULO VI Introdução ao Método de Elementos Fntos (MEF). Formulação Teórca - MEF em uma dmensão Consderemos a equação abao que representa a dstrbução de temperatura na barra

Leia mais

Radiação Térmica Processos, Propriedades e Troca de Radiação entre Superfícies (Parte 2)

Radiação Térmica Processos, Propriedades e Troca de Radiação entre Superfícies (Parte 2) Radação Térmca Processos, Propredades e Troca de Radação entre Superfíces (Parte ) Obetvo: calcular a troca por radação entre duas ou mas superfíces. Essa troca depende das geometras e orentações das superfíces,

Leia mais

Eventos coletivamente exaustivos: A união dos eventos é o espaço amostral.

Eventos coletivamente exaustivos: A união dos eventos é o espaço amostral. DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíves resultados de um expermento. Evento é qualquer subconjunto do espaço amostral. Evento combnado: Possu duas ou

Leia mais