RRR- 1 A RELAÇÃO RISCO-RETORNO
|
|
|
- Cássio Quintão Santana
- 9 Há anos
- Visualizações:
Transcrição
1 - 1 A ELAÇÃO ISCO-ETONO
2 V -INTODUÇÃO À TEOIA DOS MECADOS DE CAPITAIS -! Algus cocetos de base à teora dos mercados de captas: " edbldade de um vestmeto em acções: edbldade em valor Dvdedos + mas/meos valas " Taxa de etoro: t + 1 Dv t t + 1 Pt ( P P ) P t t Pt - preço da acção o íco do ao ;Dv t+ 1 - Dvdedo pago durate o ao
3 V -INTODUÇÃO À TEOIA DOS MECADOS DE CAPITAIS - 3 Exemplo: Vamos supor que um vestdor compra 100 acções da empresa A o íco do ao, ao preço de 0 Euros por acção. O vestmeto cal va ser de : Co 0* Euros Vamos admtr que ao logo do ao a empresa dstrbuu um dvdedo de 1 Euros por acção, e que o fal do ao esta acção estava cotada o mercado ao preço de,5 Euros. Assm, o retoro obtdo o fal do ao é de: Total do retoro (.5-0)* Euros
4 V -INTODUÇÃO À TEOIA DOS MECADOS DE CAPITAIS - 4 e a taxa de retoro va ser de: 1 0 (.5 0 ) t % com: e, 1 Dvded Yeld 5 % 0 (.5 0 ) Mas Vala %
5 V -INTODUÇÃO À TEOIA DOS MECADOS DE CAPITAIS - 5 " edbldade acumulada: Se t é a redbldade obtda o ao t, o valor obtdo ao fm de T períodos se vestrmos uma udade moetára é de: (1+ 1 )*(1+ )*.*(1+ t )*.*(1+ T ) Exemplo: Se um período de três aos as taxas de redbldade forem de 11%,-5% e 9%, etão ao fm de 3 aos, o valor do vestmeto de 1 U.M va ser de: (1+0.11)*(1-0.05)*(1+0.09) 1.15
6 V -INTODUÇÃO À TEOIA DOS MECADOS DE CAPITAIS - 6 " edbldade Méda: Méda " Taxa de Juro sem rsco: Prémo de sco -f " Meddas de sco ( T ) T Varâca: a varâca va medr o desvo face à méda
7 V -INTODUÇÃO À TEOIA DOS MECADOS DE CAPITAIS - 7 Var σ T 1 ( T - 1 ) " Desvo-padrão: SD σ VA O desvo padrão va-os permtr calcular o desvo da amostra.
8 O sco: " sco operacoal " sco de crédto " sco legal " sco de mercado sco é defdo em faças como a probabldade de receber um retoro de um vestmeto, muto dferete do retoro esperado Damodara, Corporate Face, Theory ad Practce (001)
9 - 9 - edbldade e Varâca de um Actvo: " Valor esperado da redbldade: E() 1 " Varâca: Medda de dspersão das observações face à méda. VA p σ 1 P j * * ( " Desvo Padrão: medda mas utlzada para medr a volatldade do mercado. j em que ) º ceáros SD σ σ
10 - 10 Exemplo: Vamos admtr que os aalstas acredtam que exstem três Estados possíves da ecooma que podem ocorrer com gual probabldade. A redbldade esperada para as empresas A e B e segute: Empresa A Empresa B ecessão -0% 5% Normal 10% 0% Boom 30% -1% E ( A ) 6.(6)% A E ( B ) 4.(3)% 3 B
11 - 11 Para calcular a varâca e desvo-padrão de cada título: (A-E(A)) (A-E(A)) ecessão ( )-0.(6) Normal ( )0.0(3) Boom ( )0.(3) VA A SD A % Da mesma forma podemos obter a Varâca e Desvo Padrão de B: VA B SD B %
12 - 1 " edbldade méda T actvo º T j 1 T obs. j,sedo a redbldade do actvo o da j dada por: j Pj P P j 1 j 1
13 edbldade e Varâca de uma Cartera " edbldade de uma cartera: A redbldade de um portfólo é smplesmete a méda poderada das redbldades esperadas dos títulos que compoem a cartera: p X 1 *
14 - 14 " Covarâca: a covarâca va medr a relação exstete etre a redbldade de dos títulos: Covarâaσ A, B T j 1 ( Aj A )*( T Bj B ) podemos falar em termos do coefcete de correlação: ρ A, B Coef. de correlação COV σ A σ A,B B 1, 1 ρ A B
15 - 15 Se o coefcete de correlação for postvo, dz-se que os títulos estão correlacoados postvamete, se for egatvo estão correlacoados egatvamete. Se o coefcete de correlação for 0, os títulos são depedetes. " Varâca de uma cartera com dos títulos: p j j σ X σ + X σ + X X j σ j
16 - 16 " ou para uma cartera com mas actvos: σ p X σ + J 1 A varâca de um portfólo depede da varâca de cada um dos títulos e da covarâca etre os títulos. 1 j 1 X X j σ, j
17 - 17 " Desvo-padrão de uma cartera: SD σp σp Desde que a correlação etre pares de títulos seja feror a 1,etão o desvo padrão de uma cartera composta por város títulos é feror à méda dos desvos padrões dos város títulos.
18 - 18 " Casos partculares: * σ, j 0 σ p X σ 1 σ, j 0 e X 1 X... X * 1 σ p ( 1 σ )
19 - 19 " Casos Partculares: * σ, j 0 e X 1... X X σ p ( * σ + * σ j É assm possível elmar / dmur parte do rsco da cartera ao troduzr ovos títulos. Exste parte do rsco que é elmável
20 - 0 " Exemplo: Vamos admtr os mesmos dados que o exemplo ateror: X A 60% X B 40% σa,b ρa,b edbldade do portfólo: E(p)0.6*6.(6)% + 0.4*4.(3)%5.73%
21 - 1 Varâca do Portofólo: VA(Portfólo) 0.36* * *0.6*0.4* Desvo-Padrão do Portfólo: SD( Portfólo) % Comparado com a méda dos desvos-padrões: adasd( Portfólo) 0.6* *0. Desvo padrão do portfólo < Méda poderada dos desvos padrões
22 - 4 - sco dversfcável e ão dversfcável Var sco específco sco de mercado A dversfcação pode permtr a redução do rsco específco. Dversfable rsk or usystematc rsk Market rsk or systematc rsk Nº de actvos
23 - 3! Cojuto de carteras compostas por dos actvos: edbldade esperada Xa 60% Xb 40% MVP ρ 1 SD em %
24 - 4 O poto MVP (Mmum Varace Portfolo) represeta o cartera de varâca míma. É o portfólo que possu a meor varâca possível. Um vestdor cosegue atgr qualquer poto da lha represetada alterado a composção da cartera Nehum vestdor va querer deter um portfólo abaxo do MVP. Frotera Efcete Quato mas egatva for a correlação etre os títulos maores serão os gahos com a dversfcação. O efeto da dversfcação aumeta com a redução do coef. Correlação.
25 - 5! Cojuto de carteras compostas por dos actvos: edbldade esperada ρ -1 ρ ρ 0 ρ 0.5 ρ 1 SD em %
26 - 6 " Coclusões: Quato mas perto estver o coefcete de correlação de - 1, maores serão os gahos com a dversfcação. Combações etre dos actvos uca podem ter rsco superor ao ecotrado uma recta que ua os potos dvduas dos actvos. É possível ecotrar um poto a curva dos resultados possíves que apresete rsco mímo de combação etre dos actvos.
27 - 7! Frotera Efcete - Cartera com város actvos edbldade esperada Frotera efcete SD em %
28 - 8 O vestdor tem alteratvas a costrução da frotera efcete: 1. Defe o rsco máxmo que está dsposto a assumr ( em termos de varâca) > Portfolo óptmo será aquele que maxmza a redbldade esperada sujeto a este ível de rsco. Defe a redbldade desejada > Portfolo óptmo será aquele que mmza a varâca sujeto a esta redbldade > Portfolos de Markowtz (efcetes)
29 Maxmzação da redbldade sujeto a determado ível de rsco: E( p sujetoa σ p ) 1 1 j 1 X E( X X j σ j ) < σ det.
30 - 30. Mmzação do rsco sujeto a determado ível de redbldade: σ p p 1 j 1 sujetoa E( ) 1 X X j σ j X E( ) E( )det.
31 The Captal Asset Prcg Model ( CAPM) " Pressupostos: Não exstem custos de trasacção; Todos os actvos são trasaccoáves; Os vestmetos são dvsíves ftesmalmete; Todos os vestdores têm acesso à mesma formação. Não exstem mpostos; Crtéros de escolha: retoro esperado e rsco assocado ao retoro; É possível efectuar empréstmos e depóstos à taxa lvre de rsco Todos os vestdores têm a mesma expectatva sobre o futuro As vedas a descoberto são possíves
32 - 3 Para atgrmos o Captal Asset Prcg Model a partr da frotera efcete de Markowtz, temos que troduzr o actvo sem rsco. Com a trodução do actvo sem rsco, a escolha do portfólo de actvos com rsco va ser detfcado sem ter em cota as preferêcas dvduas do vestdor face ao rsco.
33 - 33 " Exemplo: Um vestdor decde comprar acções da empresa A, sabedo que pode gualmete emprestar ou pedr emprestado à taxa de juro sem rsco f: Acções empresa A Taxa de Juro semrsco etoro esperado 1% 7% Desvo-padrão Vamos admtr que o vestdor va vestr 60% as acções A e 40% o actvo sem rsco: E( p ) 0.6* * %
34 - 34 E o desvo padrão é de: σ p 0.6 * A relação etre a redbldade e o rsco, quado troduzmos o actvo sem rsco, pode ser represetada da segute forma: edbldade esperada a f σa SD em %
35 - 35! Portfólo óptmo: edbldade esperada Pede emprestado M f Empresta Q SD em %
36 - 36 Todos os vestdores rão possur combações de apeas duas carteras : a cartera de mercado M e o actvo sem rsco. Se cosderarmos que todos os vestdores têm expectatvas guas, etão todos os vestdores rão deter a cartera com rsco M. M Market Portfolo
37 - 37! β - Beta - uma medda de rsco O que os teressa medr é o cotrbuto de um título para o rsco global de uma cartera dversfcada: β σ σ, m m em que, β X m β 1 1 O Beta mede a resposta de um título a movmetos do mercado.
38 - 38 O beta de uma empresa é determado por: 1- sco de egóco: uma vez que o beta mede o rsco de uma empresa relatvamete ao ídce do mercado, se o egóco for mas sesível a alterações o mercado, o beta aumeta. - Alavacagem operacoal que va ser medda pelo peso dos custos fxos a estrutura de custos da empresa. 3 - Facameto: se exstr um aumeto do edvdameto o beta va aumetar.
39 - 39! Modelo CAPM - edbldade esperada de um actvo E β ( edbldade esperada f ) σ σ, m m f M + β [ E ( ) ] m f 1 β
40 - 40 " Exemplo: A acção da empresa A tem um Beta de 0.5. A taxa dos Blhetes do Tesouro a três meses é de 5% e o redmeto esperado para o mercado accosta é de 1%. Nestas codções, o redmeto requerdo para a acção deverá ser de: A 5% + 0.5* (1%-5%) 8.5%
41 VII MODELO DE AVALIAÇÃO PO ABITAGEM - 41 Modelo de Avalação por Arbtragem (APT): Alteratva ao CAPM sco sstemátco e rsco tríseco E ( ) + m edbldade actual E() edbldade esperada m rsco de mercado ε rsco específco à empresa + ε
42 VII MODELO DE AVALIAÇÃO PO ABITAGEM - 4 Modelo de Avalação por Arbtragem (APT): sco de mercado tem múltplos factores Mede a sesbldade do vestmeto a cada factor Factores macro-ecoómcos E( ) + + ( βjfj m + ε + β F βf ) + ε β Beta factoral-sesbldade do vestmeto a cada factor Fj Varação do factor j
43 VII MODELO DE AVALIAÇÃO PO ABITAGEM - 43 Modelo de Avalação por Arbtragem (APT): Dversfcação elma o rsco específco à empresa edbldade da cartera soma da méda poderada da redbldade dos actvos e dos factores de mercado p ( wj j + w +... w ) + ( wjβ, j + w β, w β, ) F ( wjβ, j + w β, w β, ) F +..
44 - 44 VII VII MODELO DE AVALIAÇÃO PO ABITAGEM MODELO DE AVALIAÇÃO PO ABITAGEM Modelo de Avalação por Arbtragem (APT): edbldade esperada é fução lear do beta ] ) ( [... ] ) ( [ ] ) ( [ ) ( f f f j j f E E E E β β β ] ) ( [ ) ( f f E E + β
45 VII MODELO DE AVALIAÇÃO PO ABITAGEM - 45 Modelo de Avalação por Arbtragem (APT): CAPM pode ser cosderado um caso partcular do APT, ode todos os factores ecoómcos estão cluídos o factor de mercado E( ) f + βm[ E( m) f ]
46 VII MODELO DE AVALIAÇÃO PO ABITAGEM - 46 Modelo de Avalação por Arbtragem (APT): Modelos factoras 3 puts: 1. Estmatvas para betas factoras. Prémo de rsco dos factores 3. Taxa de juro do actvo sem rsco
47 VII MODELO DE AVALIAÇÃO PO ABITAGEM - 47 Aálse Comparatva dos Modelos baseados a elação etre edbldade e sco: 1º passo: Defção do sco sco de um vestmeto pode ser quatfcado pela varâca da redbldade efectva à volta da redbldade esperada
48 VII MODELO DE AVALIAÇÃO PO ABITAGEM - 48 Aálse Comparatva dos Modelos baseados a elação etre edbldade e sco: º passo: Dstção etre tpos de rsco sco de mercado > Não pode ser elmado através da dversfcação sco específco > Pode ser elmado através da dversfcação. Cada actvo tem um peso pequeo o portfolo. O rsco é elmado etre os actvos do portfolo.
49 VII MODELO DE AVALIAÇÃO PO ABITAGEM - 49 Aálse Comparatva dos Modelos baseados a elação etre edbldade e sco: 3º passo: Medr o rsco de mercado CAPM: Iformação públca e sem custos de trasacção Portfolo óptmo clu todos os actvos trasaccoados > Portfolo de mercado sco de mercado rsco adcoado pelo actvo ao portfolo de mercado
50 VII MODELO DE AVALIAÇÃO PO ABITAGEM - 50 Aálse Comparatva dos Modelos baseados a elação etre edbldade e sco: 3º passo: Medr o rsco de mercado APT: Não há oportudades de arbtragem sco de mercado do actvo defdo pelos betas factoras sco de mercado rsco do actvo aos factores de mercado
51 VII MODELO DE AVALIAÇÃO PO ABITAGEM - 51 Aálse Comparatva dos Modelos baseados a elação etre edbldade e sco: 3º passo: Medr o rsco de mercado Modelos mult-factoras: sco de mercado vem de factores macroecoómcos sco de mercado rsco do actvo aos factores macro ecoómcos
52 VII MODELO DE AVALIAÇÃO PO ABITAGEM - 5 Modelos de sco de Icumprmeto: sco de cumprmeto varáves: Capacdade de gerar cashflows e volatldade dos cashflows Obrgações faceras elação etre rsco de cumprmeto e redbldade Maor rsco > maor custo da dívda (taxa de juro mas alta) Upsde lmtado Dowsde potecal lmtado
53 VII MODELO DE AVALIAÇÃO PO ABITAGEM - 53 Modelos de sco de Icumprmeto: atg agêcas de atg depedetes Ex: Stadard & Poor s e Moody s Determates dos atgs: ácos faceros capacdade de servço da dívda e geração de cashflows estáves Ex: Debt/Equty, Iterest Coverage > Taxa de juro de uma obrgação defda de acordo com o rsco de cumprmeto
Faculdade de Economia, Administração e Contabilidade de Ribeirão Preto
Faculdade de Ecooma, Admstração e Cotabldade de Rberão Preto Ecooma Moetára Curso de Ecooma / º. Semestre de 014 Profa. Dra. Rosel da Slva Nota de aula CAPM Itrodução Há dos modelos bastate utlzados para
É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou. experimental.
É o grau de assocação etre duas ou mas varáves. Pode ser: correlacoal ou Prof. Lorí Val, Dr. [email protected] http://www.mat.ufrgs.r/~val/ expermetal. Numa relação expermetal os valores de uma das varáves
Estatística - exestatmeddisper.doc 25/02/09
Estatístca - exestatmeddsper.doc 5/0/09 Meddas de Dspersão Itrodução ão meddas estatístcas utlzadas para avalar o grau de varabldade, ou dspersão, dos valores em toro da méda. ervem para medr a represetatvdade
UM ESTUDO SOBRE A UTILIZAÇÃO DE DADOS HISTÓRICOS NO MODELO DE MARKOWITZ APLICADO À BOLSA DE VALORES DE SÃO PAULO
III SEMEAD UM ESTUDO SOBRE A UTILIZAÇÃO DE DADOS HISTÓRICOS NO MODELO DE MARKOWITZ ALICADO À BOLSA DE VALORES DE SÃO AULO Akor Heda (*) Adré Luz Oda (**) RESUMO Este artgo dscute a aplcação do modelo de
16/03/2014. IV. Juros: taxa efetiva, equivalente e proporcional. IV.1 Taxa efetiva. IV.2 Taxas proporcionais. Definição:
6// IV. Juros: taxa efetva, equvalete e proporcoal Matemátca Facera Aplcada ao Mercado Facero e de Captas Professor Roaldo Távora IV. Taxa efetva Defção: É a taxa de juros em que a udade referecal de seu
CAPÍTULO 3 MEDIDAS DE TENDÊNCIA CENTRAL E VARIABILIDADE PPGEP Medidas de Tendência Central Média Aritmética para Dados Agrupados
3.1. Meddas de Tedêca Cetral CAPÍTULO 3 MEDIDA DE TENDÊNCIA CENTRAL E VARIABILIDADE UFRG 1 Há váras meddas de tedêca cetral. Etre elas ctamos a méda artmétca, a medaa, a méda harmôca, etc. Cada uma dessas
Em muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento.
Prof. Lorí Val, Dr. [email protected] http://www.pucrs.r/famat/val/ Em mutas stuações duas ou mas varáves estão relacoadas e surge etão a ecessdade de determar a atureza deste relacoameto. A aálse de regressão
7 Análise de covariância (ANCOVA)
Plejameto de Expermetos II - Adlso dos Ajos 74 7 Aálse de covarâca (ANCOVA) 7.1 Itrodução Em algus expermetos, pode ser muto dfícl e até mpossível obter udades expermetas semelhtes. Por exemplo, pode-se
Matemática Financeira
Cocetos Báscos de Matemátca Facera Uversdade do Porto Faculdade de Egehara Mestrado Itegrado em Egehara Electrotécca e de Computadores Ecooma e Gestão Na prátca As decsões faceras evolvem frequetemete
REGRESSÃO LINEAR 05/10/2016 REPRESENTAÇAO MATRICIAL. Y i = X 1i + 2 X 2i k X ni + i Y = X + INTRODUÇÃO SIMPLES MÚLTIPLA
REGRESSÃO LINEAR CUIABÁ, MT 6/ INTRODUÇÃO Relação dos valores da varável depedete (varável resposta) aos valores de regressoras ou exógeas). SIMPLES MÚLTIPLA (varáves depedetes,... =,,, K=,,, k em que:
Média. Mediana. Ponto Médio. Moda. Itabira MEDIDAS DE CENTRO. Prof. Msc. Emerson José de Paiva 1 BAC011 - ESTATÍSTICA. BAC Estatística
BAC 0 - Estatístca Uversdade Federal de Itajubá - Campus Itabra BAC0 - ESTATÍSTICA ESTATÍSTICA DESCRITIVA MEDIDAS DE CENTRO Méda Medda de cetro ecotrada pela somatóra de todos os valores de um cojuto,
MEDIDAS DE TENDÊNCIA CENTRAL I
Núcleo das Cêcas Bológcas e da Saúde Cursos de Bomedca, Ed. Físca, Efermagem, Farmáca, Fsoterapa, Fooaudologa, edca Veterára, uscoterapa, Odotologa, Pscologa EDIDAS DE TENDÊNCIA CENTRAL I 7 7. EDIDAS DE
15/03/2012. Capítulo 2 Cálculo Financeiro e Aplicações. Capítulo 2 Cálculo Financeiro e Aplicações. Capítulo 2 Cálculo Financeiro e Aplicações
Itrodução.1 Juros Smples Juro: recompesa pelo sacrfíco de poupar o presete, postergado o cosumo para o futuro Maora das taxas de uros aplcadas o mercado facero são referecadas pelo crtéro smples Determa
Avaliação de Empresas Profa. Patricia Maria Bortolon
Avalação de Empresas MODELO DE DIVIDENDOS Dvdedos em um estáo DDM Dscouted Dvded Model Muto utlzados a precfcação de uma ação em que o poto de vsta do vestdor é extero à empresa e eralmete esse vestdor
Estatística. 2 - Estatística Descritiva
Estatístca - Estatístca Descrtva UNESP FEG DPD Prof. Edgard - 0 0- ESTATÍSTICA DESCRITIVA Possblta descrever as Varáves: DESCRIÇÃO GRÁFICA MEDIDAS DE POSIÇÃO MEDIDAS DE DISPERSÃO MEDIDAS DE ASSIMETRIA
Construção e Análise de Gráficos
Costrução e Aálse de Gráfcos Por que fazer gráfcos? Facldade de vsualzação de cojutos de dados Faclta a terpretação de dados Exemplos: Egehara Físca Ecooma Bologa Estatístca Y(udade y) 5 15 1 5 Tabela
Econometria: 3 - Regressão Múltipla
Ecoometra: 3 - Regressão Múltpla Prof. Marcelo C. Mederos [email protected] Prof. Marco A.F.H. Cavalcat [email protected] Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo de regressão
ANÁLISE DE REGRESSÃO E CORRELAÇÃO
ANÁLISE DE REGRESSÃO E CORRELAÇÃO Quado se cosderam oservações de ou mas varáves surge um poto ovo: O estudo das relações porvetura estetes etre as varáves. A aálse de regressão e correlação compreedem
Revisão de Estatística X = X n
Revsão de Estatístca MÉDIA É medda de tedêca cetral mas comumete usada ara descrever resumdamete uma dstrbução de freqüêca. MÉDIA ARIMÉTICA SIMPLES São utlzados os valores do cojuto com esos guas. + +...
Medidas Numéricas Descritivas:
Meddas Numércas Descrtvas: Meddas de dspersão Meddas de Varação Varação Ampltude Ampltude Iterquartl Varâca Desvo absoluto Coefcete de Varação Desvo Padrão Ampltude Medda de varação mas smples Dfereça
Professor Mauricio Lutz REGRESSÃO LINEAR SIMPLES. Vamos, então, calcular os valores dos parâmetros a e b com a ajuda das formulas: ö ; ø.
Professor Maurco Lutz 1 EGESSÃO LINEA SIMPLES A correlação lear é uma correlação etre duas varáves, cujo gráfco aproma-se de uma lha. O gráfco cartesao que represeta essa lha é deomado dagrama de dspersão.
MEDIDAS DE POSIÇÃO: X = soma dos valores observados. Onde: i 72 X = 12
MEDIDAS DE POSIÇÃO: São meddas que possbltam represetar resumdamete um cojuto de dados relatvos à observação de um determado feômeo, pos oretam quato à posção da dstrbução o exo dos, permtdo a comparação
Tabela 1 Números de acidentes /mês no Cruzamento X em CG/07. N de acidentes / mês fi f
Lsta de exercícos Gabarto e chave de respostas Estatístca Prof.: Nelse 1) Calcule 1, e para o segute cojuto de valores. A,1,8,0,11,,7,8,6,,9, 1 O úmero que correspode a 5% do rol é o valor. O úmero que
MEDIDAS DE DISPERSÃO:
MEDID DE DIPERÃO: fução dessas meddas é avalar o quato estão dspersos os valores observados uma dstrbução de freqüêca ou de probabldades, ou seja, o grau de afastameto ou de cocetração etre os valores.
Modelo de Regressão Simples
Modelo de Regressão Smples Hstora Hstóra Termo regressão fo troduzdo por Fracs Galto (8-9). Estudo sobre altura de pas e flhos. Karl Pearso coletou mas de ml regstros e verfcou a le de regressão uversal
Estatística Descritiva. Medidas estatísticas: Localização, Dispersão
Estatístca Descrtva Meddas estatístcas: Localzação, Dspersão Meddas estatístcas Localzação Dspersão Meddas estatístcas - localzação Méda artmétca Dados ão agrupados x x Dados dscretos agrupados x f r x
Regressão e Correlação
Regressão e Correlação Júlo Osóro Regressão & Correlação: geeraldades Em mutas stuações de pesqusa cetífca, dspomos de uma amostra aleatóra de pares de dados (x, ), resultates da medda cocomtate de duas
x n = n ESTATÍSTICA STICA DESCRITIVA Conjunto de dados: Organização; Amostra ou Resumo; Apresentação. População
ESTATÍSTICA STICA DESCRITIVA Prof. Lorí Val, Dr. [email protected] http://.ufrgs.br/~val/ Orgazação; Resumo; Apresetação. Cojuto de dados: Amostra ou População Um cojuto de dados é resumdo de acordo com
ESTATÍSTICA APLICADA À ZOOTECNIA
ESTATÍSTICA APLICADA À ZOOTECNIA Eucldes Braga MALHEIROS *. INTRODUÇÃO.a) Somatóras e Produtóros Sejam,, 3,...,, valores umércos. A soma desses valores (somatóra) pode ser represetada por: = = = =. e o
Sumário. Mecânica. Sistemas de partículas
umáro Udade I MECÂNICA 2- Cetro de massa e mometo lear de um sstema de partículas - stemas de partículas e corpo rígdo. - Cetro de massa. - Como determar o cetro de massa dum sstema de partículas. - Vetor
REGESD Prolic Matemática e Realidade- Profª Suzi Samá Pinto e Profº Alessandro da Silva Saadi
REGESD Prolc Matemátca e Realdade- Profª Suz Samá Pto e Profº Alessadro da Slva Saad Meddas de Posção ou Tedêca Cetral As meddas de posção ou meddas de tedêca cetral dcam um valor que melhor represeta
Interpolação. Exemplo de Interpolação Linear. Exemplo de Interpolação Polinomial de grau superior a 1.
Iterpolação Iterpolação é um método que permte costrur um ovo cojuto de dados a partr de um cojuto dscreto de dados potuas cohecdos. Em egehara e cêcas, dspõese habtualmete de dados potuas, obtdos a partr
( Sistema Francês de Amortização )
NA PRÁTICA A TEORIA É A MESMA ( Sstema Fracês de Amortzação ) Em um Cogresso, um Grupo de Professores e Autores composto por Admstradores, Ecoomstas, Cotadores e, todos Pertos Judcas, apresetam os segutes
Cap. 5. Testes de Hipóteses
Cap. 5. Testes de Hpóteses Neste capítulo será estudado o segudo problema da ferêca estatístca: o teste de hpóteses. Um teste de hpóteses cosste em verfcar, a partr das observações de uma amostra, se uma
Faculdade de Tecnologia de Catanduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL
Faculdade de Tecologa de Cataduva CURSO SUPERIOR DE TECNOLOGIA EM AUTOMAÇÃO INDUSTRIAL 5. Meddas de Posção cetral ou Meddas de Tedêca Cetral Meddas de posção cetral preocupam-se com a caracterzação e a
CAPÍTULO 5. Ajuste de curvas pelo Método dos Mínimos Quadrados
CAPÍTULO Ajuste de curvas pelo Método dos Mímos Quadrados Ajuste Lear Smples (ou Regressão Lear); Ajuste Lear Múltplo (ou Regressão Lear Múltpla); Ajuste Polomal; Regressão Não Lear Iterpolação polomal
Projeto de rede na cadeia de suprimentos
Projeto de rede a cadea de suprmetos Prof. Ph.D. Cláudo F. Rosso Egehara Logístca II Esboço O papel do projeto de rede a cadea de suprmetos Fatores que fluecam decsões de projeto de rede Modelo para decsões
O delineamento amostral determina os processos de seleção e de inferência do valor da amostra para o valor populacional.
Curso Aperfeçoameto em Avalação de Programas Socas ª Turma Dscpla: Téccas quattatvas de levatameto de dados: prcpas téccas de amostragem Docete: Claudete Ruas Brasíla, ovembro/005 Pesqusa por amostragem
Parte 3 - Regressão linear simples
Parte 3 - Regressão lear smples Defção do modelo Modelo de regressão empregado para eplcar a relação lear etre duas varáves (ajuste de uma reta). O modelo de regressão lear smples pode ser epresso a forma:
E-mails: [email protected] [email protected] [email protected] http://www. damasceno.info www. damasceno.info damasceno.
Matemátca Facera 2007.1 Prof.: Luz Gozaga Damasceo 1 E-mals: [email protected] [email protected] [email protected] http://www. damasceo.fo www. damasceo.fo damasceo.fo Obs.: (1 Quado
HIDROLOGIA E RECURSOS HÍDRICOS. Análise estatística aplicada à hidrologia
Aálse estatístca aplcada à hdrologa. Séres hdrológcas oções complemetares HIDROLOGIA E RECURSOS HÍDRICOS Aálse estatístca aplcada à hdrologa O Egehero HIDRÁULICO Echerá? Que população pode abastecer e
Distribuições Amostrais. Estatística. 8 - Distribuições Amostrais UNESP FEG DPD
Dstrbuções Amostras Estatístca 8 - Dstrbuções Amostras 08- Dstrbuções Amostras Dstrbução Amostral de Objetvo: Estudar a dstrbução da população costtuída de todos os valores que se pode obter para, em fução
Macroeconometria Aula 3 Revisão de estatística e teste de hipótese
Macroecoometra 008. Aula 3 Revsão de estatístca e teste de hpótese 3.5. Estmação No estudo das probabldades, o objetvo é calcular a probabldade de evetos préespecfcados. De agora em date o objetvo muda.
Números Complexos. 2. (IME) Seja z um número complexo de módulo unitário que satisfaz a condição z 2n 1, onde n é um número inteiro positivo.
Números Complexos. (IME) Cosdere os úmeros complexos Z se α cos α e Z cos α se α ode α é um úmero real. Mostre que se Z Z Z etão R e (Z) e I m (Z) ode R e (Z) e I m (Z) dcam respectvamete as partes real
x Ex: A tabela abaixo refere-se às notas finais de três turmas de estudantes. Calcular a média de cada turma:
Professora Jaete Perera Amador 1 9 Meddas Descrtvas Vmos aterormete que um cojuto de dados pode ser resumdo através de uma dstrbução de freqüêcas, e que esta pode ser represetada através de uma tabela
Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística
Prof. Lorí Val, Dr. http://www.pucrs.br/famat/val/ [email protected] Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Obetvos A Aálse de
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 $
Modelos de regressão linear: abordagem clássica
Modelos de regressão lear: abordagem clássca Prof. Marcelo Rubes [email protected] Depto. Estatístca Aálse de Regressão Objetvo: Determar uma fução matemátca que descreva a relação etre uma varável cotíua
JUROS SIMPLES. i 100 i 100. TAXA PROPORCIONAL: É aquela que aplicada ao mesmo capital, no mesmo prazo, produze o mesmo juros.
JUROS MONTANTE JUROS SIMPLES J = C 0 * * t 00 M = C * + * t 00 TAXA PROPORCIONAL: É aquela que aplcada ao mesmo captal, o mesmo prazo, produze o mesmo juros. * = * JUROS COMPOSTOS MONTANTE M = C * + 00
1) Planejamento da Produção - Modelos de dimensionamento de lotes (lot sizing)
Departameto de Egehara de Produção UFPR 28 1) Plaeameto da Produção - Modelos de dmesoameto de lotes (lot szg) É cohecdo horzote de plaeameto T, dvddo em períodos; demada (geralmete varável) de cada tem
Teoria Elementar da Probabilidade. a) Cada experiência poderá ser repetida indefinidamente sob condições essencialmente inalteradas.
Estatístca 47 Estatístca 48 Teora Elemetar da Probabldade SPECTOS PERTINENTES À CRCTERIZÇÃO DE UM EXPERIÊNCI LETÓRI MODELOS MTEMÁTICOS DETERMINÍSTICOS PROBBILÍSTICOS PROCESSO (FENÓMENO) LETÓRIO - Quado
Forma padrão do modelo de Programação Linear
POGAMAÇÃO LINEA. Forma Padrão do Modelo de Programação Lear 2. elações de Equvalêca 3. Suposções da Programação Lear 4. Eemplos de Modelos de PPL 5. Suposções da Programação Lear 6. Solução Gráfca e Iterpretação
( ) ( IV ) n ( ) Escolha a alternativa correta: A. III, II, I, IV. B. II, III, I, IV. C. IV, III, I, II. D. IV, II, I, III. E. Nenhuma das anteriores.
Prova de Estatístca Epermetal Istruções geras. Esta prova é composta de 0 questões de múltpla escolha a respeto dos cocetos báscos de estatístca epermetal, baseada os lvros BANZATTO, A.D. e KRONKA, S.N.
Capitulo 1 Resolução de Exercícios
S C J S C J J C FORMULÁRIO Regme de Juros Smples 1 1 S C 1 C S 1 1.8 Exercícos Propostos 1 1) Qual o motate de uma aplcação de R$ 0.000,00 aplcados por um prazo de meses, à uma taxa de 2% a.m, os regmes
