Calculo e Instrumentos Financeiros Parte 2
|
|
- Vanessa Camarinho Álvares
- 7 Há anos
- Visualizações:
Transcrição
1 Calculo e Instrumentos Financeiros Parte 2 Faculdade de Economia da Universidade do Porto 2014/ ª Aula 4 Nov 2
2 Risco e sua diversificação 3 Introdução Quando alguém empresta um capital, tem como objectivo receber mais tarde esse capital que emprestou acrescido dos juros Mas existe sempre uma probabilidade de não receber nem uma coisa nem outra (no todo ou em parte). 4
3 Introdução Na análise de um investimento, porque é baseada em previsões quanto ao desempenho futuro do negócio preços dos inputs, preços e quantidades dos outputs, depreciação do capital, falhas e descobertas tecnológicas A medida calculada a priori na avaliação pode, a posteriori, vir a concretizar-se de forma menos favorável. 5 Introdução No sentido de compreendermos o risco, controlá-lo e utilizá-lo na tomada de decisão, vamos neste capítulo apresentar a modelização estatística do risco. 6
4 Introdução Já consideramos um modelo de risco p => Prob. de não receber nada (1-p) => Prob. de receber capital e juros V.(1+r) = 0 x p + V.(1+i).(1-p) i = (1+r) / (1-p) -1 r => taxa de juro sem risco i => taxa de juro com risco 7 Seguro de vida Ex.2.1- Num seguro de vida em que é paga a indemnização na data da morte. A seguradora capitaliza os prémios pagos pelo segurado de forma a ter reservas para pagar a indemnização. A seguradora tem uma margem de 10% Qual o prémio anual por cada 1000 de indemnização? 8
5 Seguro de vida Se a seguradora soubesse a priori quantos anos faltavam para o segurado morrer e a taxa de juro, calculava facilmente o prémio do seguro que lhe permitiria capitalizar a indemnização e ter algum lucro Mas na data de assinatura do contrato essas grandezas não são conhecidas 9 Seguro de vida Se a duração fosse N e a taxa de juro r tínhamos Valor actual da indemnização N I (1 + r) Valor actual da soma de todos os prémios (prestações) pagos pelo segurado (antec.) P r ( N 1 (1 + r) ) (1 + r) 10
6 Seguro de vida Igualando obtemos o prémio que a seguradora precisa cobrar (sem margem) I (1 + P = r) N = P r I r ( N 1 (1 + r) ) ( N ) N (1 + r) (1 + r) (1 + r) 11 Exemplo: seguro de vida Se N=40 e r = 2% resultava: Paga 40 anualidades P = ( ) = Mais os 10%, seriam /ano/1000 = %/ano 12
7 Exemplo: seguro de vida O seguro tem risco porque a seguradora não conhece N nem r =>O risco pode resultar de um fenómeno aleatório, e.g., o euromilhões. => Mas o mais normal é resultar de uma concretização futura, e.g., a ocorrência de uma inovação tecnológica 13 Exemplo: seguro de vida Sem conhecermos N nem r o melhor que pode ser feito é a construção de alguns cenários Dividimos cada variável em cenários Como exemplo, consideramos os cenários Adverso, Médio, favorável M.Mau, Mau, Médio, Bom, M.Bom M.Mau, Mau, Médio-, Médio+, Bom, M.Bom 14
8 Exemplo: seguro de vida Cada cenário é uma combinação de valores possíveis para as variáveis relevantes desconhecidas No caso de variáveis contínuas, esse valor é o representante de um intervalo, e.g., o valor do meio. 15 Seguro de vida 16
9 Exemplo: seguro de vida Seguradora cobrar /ano por cada seguro de 1000, terá prejuizo nos cenários Mau e Mmau e uma margem maior que 10% nos cenários Bom e Mbom. 17 Exemplo: seguro de vida Também podemos usar uma combinação de cenários individuais. Se temos 5 cenários para a taxa de juro e 6 para a longevidade, da combinação resultam 30 cenários Cobrando um prémio anual de 17.86, podemos identificar os cenários em que a seguradora tem prejuizo e lucro 18
10 Exemplo: seguro de vida F5: =$C$1*$E6/((1-(1+$E6)^-F$5)*(1+$E6)^(F$5+1))*(1+$C$2) Área F6:K10 com formatação condicionada (se <17.854) 19 Introdução Os cenários conseguem dar uma ideia dos potenciais perdas e ganhos mas não nos ajudam quantitativamente na decisão Vamos necessitar de alguns conceitos estatísticos que permitam agregar a informação. 20
11 Conceitos estatísticos básicos 21 Conceitos estatísticos básicos A Estatística descreve, organiza e relaciona objectos e fenómenos demasiado difíceis de apreender com as ferramentas conceptuais da matemática clássica (i.e., funções reais de variáveis reais). 22
12 Conceitos estatísticos básicos A estatística reduz a dimensão do fenómeno considerando Poucas variáveis (as mais relevantes) e Conhecimento parcial dessas variáveis 23 Conceitos estatísticos básicos Por exemplo, quando se constrói um avião, é necessário colocar bancos adequados para acomodar Pessoas com Necessidades Especiais (PNE). Cada lugar implica um custo Mas deixar passageiros em terra tem uma penalização Eu não sei quantas pessoas aparecem em cada voo. 24
13 Conceitos estatísticos básicos Dados passado: Olhando para as pessoas que viajaram no passado, 3.0% são PNE. 25 Conceitos estatísticos básicos Partindo desta informação pouco pormenorizada Calculada com os passageiros do passado podemos calcular, com a ajuda da estatística, estimativas para as necessidades das viagens futuras Supomos a estabilidade das características da população 26
14 Conceitos estatísticos básicos Probabilidade 15% 10% 5% 0% PNE Sabendo-se que 3% dos indivíduos são PNE, em x% das viagens futuras (com 200 passageiros) haverá necessidade de N lugares Função distribuição de Poisson 27 Conceitos estatísticos básicos Agora, podemos optimizar uma função objectivo. H1) cada lugar especial dá 50 de prejuizo H2) Deixar um PNE em terra tem 1000 de penalização Podemos minimizar o prejuizo esperado 28
15 Conceitos estatísticos básicos A variável de decisão é N. f ( n, x) = 50n ( x n) se se x x > n n x é o número de PNE que aparecem num voo qualquer n é o número de cadeiras especiais do avião 29 Conceitos estatísticos básicos Prejuizo esperado Número de cadeiras especiais
16 Conceitos estatísticos básicos Para já não interessa saber como a figura anterior foi calculada. Com os 3% de PNE, foi possível construir um modelo de apoio à decisão. O valor óptimo depende da percentagem de PNE (estimativa) 2.0% => 11 lugares 3.0% => 14 lugares 4.0% => 17 lugares 31 Noção de variável estatística 32
17 Noção de variável estatística Na primeira parte da disciplina aprendemos modelos que nos permitem quantificar o impacto da nossa decisão em função das variáveis relevantes (e.g., taxa de juro, taxa de crescimento as vendas) O risco resulta de não conhecermos os valores concretos que as variáveis vão assumir no futuro. 33 Noção de variável estatística Por exemplo, na construção de um automóvel não sei a altura nem o peso do futuro condutor. Será um valor sorteado da população Vou ultrapassar a falta de informação assumindo que será um valor retirado aleatoriamente da população da qual conheço estatísticas e.g., o valor médio e a dispersão 34
18 Noção de variável estatística Numa extracção aleatória os indivíduos são obtidos sem ter em atenção nenhuma das suas características e.g., a extracção de uma bola no Euromilhões não tem em atenção o número. Depois, agrego a população numa função objectivo a optimizar Valor esperado do lucro ponderado pelo risco 35 Probabilidade A cada um dos valores possíveis (i.e., cada cenário) é atribuído uma probabilidade -> Atirando uma moeda ao ar, a probabilidade de sair cara é 50%. -> Retirar o número 33 de um saco com os números 1 a 50 é 1/50. -> A probabilidade de nascer uma rapariga é 49.03% (INE, Jan2013:Jul2013). 36
19 Interpretações de probabilidade Probabilidade de se concretizar o valor x Clássica: é a proporção de vezes em que observo o valor x se repetir a experiência de forma independente e muitas vezes Bayesiana: é uma conjectura construída por peritos sobre o fenómeno ainda desconhecido se concretizar com o valor x Em termos práticos, a perspectiva bayesiana é mais flexível mas não tem tanto suporte teórico 37 Probabilidade A probabilidade não garante qual o valor que se vai obter no concreto e.g., sabe-se que a probabilidade de numa viagem haver 6 PNE é de 16% não diz que vão aparecer 6 pessoas mas contém um certo grau de informação que ajuda a avaliar a importância relativa dos cenários construídos 38
20 Probabilidade Opinião de peritos: Ex.2.4. Foram identificados 8 cenários possíveis quanto ao comportamento do preço do Brent em dólares daqui a 10 anos e inquirida a opinião de 100 peritos sobre a probabilidade de se concretizarem (proporcional à escala de 0 a 10). 39 Probabilidade Com base na soma dos pontos atribuídos por todas as pessoas, determine a probabilidade assumida para que cada um dos cenários possa vir a acontecer. 40
21 B5: =B4/$J4 J4: =Soma(B4:I4) 41 2ª Aula 42
22 Concluindo, 1 - Eu tenho um modelo de cálculo das implicações financeiras da minha decisão onde me falta a informação sobre o cenário concreto que se vai realizar 43 Tenho o modelo que funciona bem quando conheço os valores 44
23 2 Quando não tenho os valores, o melhor que posso fazer é substituir o valor desconhecido por uma variável aleatória de que eu tenho informação quanto à probabilidade de cada cenário se vir a concretizar. Por exemplo, não conheço a duração 45 Substituo o valor desconhecido por uma variável aleatória 46
24 Uso uma variável aleatória como modelo do risco Esta substituição (do cenário futuro desconhecido pela variável aleatória) implica que tenha como resultado não um valor mas também uma variável aleatória (como se fosse toda uma população de resultados). 47 Exemplo Ex.2.5. Conhecida a probabilidade de o individuo durar determinados anos e a taxa de juro ser determinada retome o Ex.2.1 e calcule a probabilidade da seguradora ter uma margem das vendas abaixo dos 10% pretendidos 48
25 Caracterização da v.e. População dividida em cenários Intervalos Pego nos indivíduos todos da população e calculo a proporção que cai dentro de cada classe e.g., divido a longevidade de uma pessoa nos intervalos [0, 30]; ]30,60]; ]60,90] e ]90, 120] 49 Caracterização da v.e. Não podendo medir toda a população, utilizo uma amostra no cálculo da probabilidade Quando (parte) da população está no futuro, tenho que considerar o presente como uma amostra dessa população do futuro 50
26 Exemplo a probabilidade de cada cenário é determinada com informação passada e pela opinião de um painel de peritos Vamos supor a seguinte informação quanto à probabildaide de ocorrencia de cada cenário: 51 52
27 Exemplo R. Agora que tenho informação quanto à probabilidade de cada um dos cenários poder ocorrer, olhando para o resultado de cada cenário (apresentado no Ex. 2.1) somo a probabilidade dos cenários em que o prémio deveria ser maior que o adoptado (1.785%/ano) São os cenários a vermelho A probabilidade da margem das vendas ficar abaixo dos 10% pretendidos é 57.78%. 53 Exemplo: seguro de vida F5: =$C$1*$E6/((1-(1+$E6)^-F$5)*(1+$E6)^(F$5+1))*(1+$C$2) Área F6:K10 com formatação condicionada (se <17.854) 54
28 Tabelas de sobrevivência As seguradoras têm tabelas que dão a probabilidade de uma pessoa estar viva decorridos x anos desde que nasceu. Quantificado em partes por Por exemplo, o INE estima que a probabilidade de um individuo nascido em 2007 estar vivo em 2040 é 98439/ Tabela de sobrevivência 56
29 Tabelas de sobrevivência A probabilidade de uma pessoa de 20 anos durar apenas 10 anos é de ( )/99267 = 0.586% 57 Exercício Ex.2.6. Uma empresa contrata um financiamento de 10M com 3 anos de diferimento e amortizado nos restantes 7 anos, pagamentos trimestrais postecipados. TAE é a EURIBOR mais 2.5 p.p. Usando um quadro de probabilidades conhecido, determine P(prest>500k ) 58
30 D6: =(A6+B6)/2; E6: =D6+E$1; F6: =(1+E6)^(1/4)-1 G6: =B$3*F6/(1-(1+F6)^-E$2); E3=Soma(C12:C18) 59 Exercício Ex.2.7. Uma família adquire um imóvel a crédito > 150k a 40 anos > Prestação mensal iguais em termos reais > Antecipada Quero saber o esforço financeiro > Prestação/Rendimento 60
31 Exercício Vamos fazer a análise a preços constantes e calcular a prestação anual paga no meio do ano da renda cujo valor actual é 150k : que evita saber a taxa de inflação P = = P r ( 40 1 (1 + r) ) r (1 + ( 40 ) (1 + r) (1 + r) r) Exercício Podíamos fazer mensal rm Pm = (1 + = r)^ (1/12) rm ( (1 + rm) ) (1 + rm) Mas a ideia é visualizar a simplificação de considerar o pagamento a meio do período. 62
32 Exercício Eu não sei qual vai ser a taxa de juro real nem o rendimento futuros. Vou assumir cenários e probabildiades para cada cenário. 63 Dados 64
33 J5: =$B$1*$D5/(1-(1+$D5)^-$B$2)/(1+$D5)^0,5/E$4 O5: =IF(J5>$P$2;E5;0) P3: =SUM(O5:S9) 65 Valor médio Na tomada de decisão é conveniente agregar todos os cenários em apenas algumas medidas. Em termos económicos, o valor esperado (médio) é a medida que contém mais informação é a componente sem risco do fenómeno que estamos a analisar. 66
34 Valor médio Havendo n cenários caracterizado cada um por x n, com determinada probabilidade de ocorrência, p n, o valor médio será µ = = x x 1 1. p1 + x p +. p x 2. p x p p 2. p Porque as probabilidades somam n x n n. p. p n n 67 Valor médio O valor médio já nos permite um critério quantitativo que nos ajuda a decidir numa situação com risco. Mas é muito limitado porque não tem em atenção o risco (a variabilidade) 68
35 Ex.2.8. Um empresa fornece refeições a aviões. Que confecciona durante a noite para responder às solicitações do dia seguinte que são incertas. Por cada refeição que fornecer recebe 15 (com um custo de produção de 5 ) e tem uma penalização de 15 por cada refeição que seja pedida e não possa ser fornecida. As refeições que sobram são destruídas no fim do dia. 69 i) Determine, em média, a rentabilidade do fornecimento em função do número de refeições confeccionadas. ii) Determine o número de refeições que maximiza a rentabilidade média. 70
36 A empresa constrói cenários em que a variável desconhecida é o número de refeições encomendadas Calcula, para cada dia e com base na sua experiência, a probabilidade de cada um dos cenários se verificar. Com essas probabilidades, a empresa determina o resultado médio do dia em função do número de refeições confeccionadas (que é a variável de decisão). 71 E6: =MÍNIMO(C6;$D$1) F6: =C6-E6 G6: =E6*E$4-D$1*D$2+F6*F$4 H6: =D6*G6 H15: =SOMA(H6:H14) 72
37 Alterando o valor da variável de decisão, D1, determino qual o número de refeições que maximiza o resultado médio, H15 73 Optimização O Excel tem a ferramenta Solver que permite maximizar ou minimizar o resultado de um modelo. No Excel 2007: Office Button+ Excel Options + Add-ins category +no Manage clickar em Go, +Solver Add In Depois, aparece no Analysis 74
38 3ª Aula 11 de Nov 75 Desvio padrão Ao agregarmos os cenários no valor médio ficamos sem uma medida de risco o desvio padrão, σ, é uma boa medida do risco de assumirmos o valor médio dos cenários possíveis como o valor do cenário que vai acontecer (e que é desconhecido) 76
39 Desvio padrão Algebricamente é a raiz quadrada da Média dos desvios ao quadrado σ = ( ) 2 x µ. P ( x µ ) 1 1 P P n N 2. P N 77 Desvio padrão Como a soma de todas as probabilidades dá 1 σ = ( ) 2 ( x ) 2 x µ. P n. PN 1 1 µ 78
40 Desvio padrão O desvio padrão é uma expressão derivável e que tem interpretação geométrica. Se, e.g., uma população se agrega no valor médio 25 /dia e desvio padrão 5 /dia, é equivalente a ter metade dos indivíduos em 20 /dia e outra metade em 30 /dia. 79 Desvio padrão Ex Uma empresa pretende internacionalizar-se e traçou vários cenários possíveis Determine o valor médio e o desvio padrão do resultado financeiro que resulta da internacionalização. 80
41 D2: =$B2*C2 D10: =SUM(D2:D9) E2: =(C2-$D$10)^2 F2: =$B2*E2 F10: =SUM(D2:D9) F11: =F10^0,5 81 Desvio padrão Podemos ler este resultado como: Em média o resultado será 28.3k mas em metade dos casos o resultado será 4.3k = e na outra metade será 52.3k =
42 Ex Supondo que nos baralhos de 52 cartas uma figura vale 10 pontos. Determine o valor médio e o desvio padrão dos pontos de uma carta retirada aleatoriamente. Nesta população teórica eu posso calcular os valores da população 83 4 cartas valem 1 ponto, 4 cartas valem 2 pontos. 4 cartas valem 9 pontos 16 cartas valem 10 pontos µ = = = =
43 O desvio padrão será σ = 4 ( ) ( ) 2 = ( ) ( ) 2 = Ex Relativamente ao Ex. 2.8, determine o desvio padrão dos resultados. Determine o número de refeições que maximiza o valor médio do resultado menos o seu desvio padrão. As pessoas preferem não infrentar risco pelo que, quando ele existe, é preciso retirar alguma coisa ao valor médio 86
44 I6: =(G6-$H$15)^2 J6: =I6*D6 J15: =SOMA(J6:J14) J16: =J15^0,5 87 Função de distribuição Quando a variável é contínua podemos partir o domínio em intervalos, cenários, e apontar uma probabilidade de o acontecimento vir a pertencer a cada um dos cenários. Em cada cenário adoptamos como valor representativo o meio do intervalo 88
45 Função de distribuição Apesar de atribuirmos uma probabildaide a cada cenário Se temos 30 cenários, precisamos de 29 números Mas não existe informação para ter rigor nesses números. Temos informação para 1 ou 2 números 89 Função de distribuição É aceitável pensar que os cenários vizinhos têm associadas probabilidade semelhantes. A Estatística propõe o uso de uma função F(x) que quantifica a probabilidade de ser observado um valor menor que ou igual a dado valor x. 90
46 Função de distribuição A função de distribuição é caracterizada por alguns parâmetros No ex.2.1 usei a Função Distribuição de Poisson que se caracteriza por 1 parâmetro (os 3%) Valor médio = Desvio Padrão 91 Distribuição Normal É caracterizada por dois parâmetros O valor médio O desvio padrão (ou a variância) Variância = desvio padrão ao quadrado É importante porque é a distribuição limite da soma de acontecimentos estatisticamente pouco dependentes 92
47 Distribuição Normal A probabilidade de acontecer o cenário ]µ σ; µ + σ] é de 68.3% 2/3; ]µ 2σ; µ +2σ] é de 95.5% 19/20 ]µ 3σ; µ +3σ] é de 99.7% 997/ Distribuição Normal Ex. o QI -coeficiente de inteligência é uma variável aleatória com distribuição normal com média 100 e desvio padrão 15 A probabilidade de encontrar aleatoriamente um indivíduo com QI > 145 é 0.13% (i.e., uma em cada 740 pessoas) =1-DIST.NORM(145;100;15;VERDADEIRO) Inglês: NORMDIST 94
48 Distribuição Normal A Distribuição Normal concentra a maior probabilidade nos cenários em torno do valor médio P(x 20% = k ) 15% 10% 5% 0% -3-2,5-2 -1,5-1 -0,5 0 0,5 1 1,5 2 2,5 3k 95 Exercício Ex Comprei obrigações a 25 anos à taxa de juro nominal fixa de 3%/ano, sem possibilidade de mobilização antecipada. A taxa de inflação média prevê-se seguir distribuição N(0.02, 0.01)/ano Determine o valor real a receber no fim do prazo de aplicar e a probabilidade de esse valor ser menor que a quantia aplicada. 96
49 Exercício 1) Vou dividir o domínio da taxa de inflação em cenários e calcular o valor capitalizado para cada cenário 2) Calculo o valor médio e o desvio padrão do V.F. em termos reais e a probabilidade de vir a ser recebido uma quantia menor que a aplicada. 97 Exercício 98
50 A7: =G1-4,25*G2 B7: =A7+$G$2/2 A8: =B7D7: =(A7+B7)/2 C7: =DIST.NORM(B7;G$1;G$2;true)-DIST.NORM(A7;G$1;G$2;true) E7: =(1+C$1)/(1+D7)-1 F7: =C$2*(1+E7)^C$3 G7: =F7*C7 H7: =(F7-G$25) I7: =H7^2*C7 C24: =SOMA(C7:C23) G25: =SOMA(G7:G22)/C24 I24: =SOMA(I7:I22)/C24I25: =I24^0,5 I26: =DIST.NORM(C2;G25;I25;true) 99 4ª Aula 100
51 Distribuição Uniforme Na F.D. Uniforme os valores no domínio são todos igualmente prováveis. Pode se caracterizada pelos extremos valores mínimo e máximo Pelo valor médio e amplitude Pelo valor médio e desvio padrão 101 Distribuição Uniforme Sendo dados µ = valor médio σ = desvio padrão O Valor mínimo = µ σ O Valor máximo = µ σ 102
52 Distribuição Uniforme Sendo dados Mx = valor máximo Mn = valor mínimo Valor médio = (Mn + Mx)/2 Desv. padrão = (Mx - Mn) 103 Distribuição Uniforme A probabilidade de um cenário é a sua proporção no domínio possível. Ex., com a distribuição uniforme U(Min,Mx) = U(5; 10) A probabilidade do cenário [5;6] é 1/5 104
53 Escolha da F.Distribuição A função distribuição não é conhecida sendo uma proposta da Teoria. No entanto, em termos de decisão económica, a função distribuição não é um factor crítico (ver ex.2.13). e.g., considerar uma função distribuição normal é idêntico a considerar uma função de distribuição uniforme. 105 Distribuição não simétrica No entanto, quando o fenómeno é caracterizado por uma função muito assimétrica, Existe uma probabilidade mais elevada de alguns acontecimentos catastróficos Mede-se com m m é zero nas F.D. simétricas ( ) 3 3 = µ P i x i não posso utilizar uma função simétrica 106
54 Distribuição não simétrica Exemplo de uma distribuição assimétrica é o caudal de um rio É normal ter m / µ > 5 80% dos dias um caudal ao valor médio 1 dia em cada 100 anos haver um caudal 30 vezes superior ao caudal médio 107 Distribuição não simétrica Os caudais muito elevados (e.g., que ocorrem com a probabilidade de 1 dia em 100 anos) têm muito poder destrutivo Os seguros contra danos de cheias têm que quantificar com rigor a probabilidade destes acontecimentos extremos As barragens e pontes têm que ser feitos de forma a resistir a estes caudais extremos. 108
55 Distribuição não simétrica O caudal médio do rio Douro no Porto é 714m 3 /s A ponte de Entre-os-Rios caiu com o caudal no Porto de ~13500m 3 /s A maior cheia conhecida no Porto ocorreu em 23 de Dezembro de 1909 (e 6 Dez. de 1739) com >20000m 3 /s A barragem de Lever-Crestuma está dimensionada para 26000m 3 /s Ribeira, 1962/01/03 10:00, ~17000m 3 /s, 1909 foi > em 68cm 110
56 Operações algébricas com uma variável aleatória 111 Operações algébricas simples Se somarmos uma constante a uma variável aleatória O valor médio vem aumentado O desvio padrão mantêm-se µ ( a + X ) = a + µ ( X ) σ ( a + X ) = σ ( X ) 112
57 113 Operações algébricas simples Ex. A altura das pessoas é N(1.75, 0.15) Supondo-as em cima de uma cadeira com 0.5m, a altura total será N(2.25, 0.15) 114 Operações algébricas simples ) ( ) ( ) ( ) ( X a x p a p x p a p x a p X a n i i i n i i n i i i i n i i i µ µ + = + = + = + = + = = = =
58 115 Operações algébricas simples ( ) ( ) ) ( ) ( )) ( ( ) ( ) ( x X x p X a x a p X a n i i i n i i i σ µ µ σ = = + + = + = = 116 Operações algébricas simples Se multiplicarmos uma constante por uma variável aleatória O valor médio vem multiplicado O desvio padrão vem multiplicado pelo valor absoluto da constante ) ( ) ( ) ( ) ( X a X a X a X a σ σ µ µ = =
59 117 Operações algébricas simples ) ( ) ( ) ( ) ( X a x p a x a p x a p X a n i i i n i i i n i i i µ µ = = = = = = = 118 Operações algébricas simples ( ) ( ) ) ( ) ( )) ( ( ) ( ) ( x a X x p a X a x a p X a n i i i n i i i σ µ µ σ = = = = =
60 Operações algébricas simples Ex Um marceneiro tem 1000 /mês de despesas fixas e tem de margem das vendas, em média, 15 por cada móvel que produz. Supondo que projecta produzir este mês 100 móveis, qual será a sua remuneração em termos médios? R. Atendendo às propriedades, teremos 100 µ 1000 = = Ex.2.15 Um empresário está a avaliar o aluguer de um barco de pesca pelo qual paga 3mil /dia. Demora um dia de viagem para cada lado e pesca, durante 5 dias, 2500kg/dia O preço de venda segue distribuição N(2,1) /kg Quanto será o lucro? Qual a probabilidade de ter prejuízo? 120
61 Ex.2.15 O lucro será N(2; 1) =12500 N(2; 1) = N(25000; 12500) = N(4000; 12500) Em média 4mil com desvio padrão de 12.5mil A probabilidade de ter prejuízo será 37.45%, =NORMDIST(0;4000;12500;TRUE). 121 Exercício Compro os legumes a 0.50 /kg, pago 75 pelo transporte e o preço de venda é desconhecido tendo distribuição N(0.60; 0.15) /kg. i) Determine qual vai ser o meu lucro de intermediar 1000kg de legumes. ii) Determine a probabilidade de eu ter prejuízo. 122
62 Exercício i) Lucro = V.(Pvenda Pcompra) Ctransporte = 1000[N(0.60, 0.15) 0.50] 75 Lucro = N(600, 0.15x1000) 575 = N(25, 150) ii) No Excel teríamos A1: =Dist.Norm(0; 25; 150; Verdadeiro) 43.38% 123 Exercício Ex O empresário A fez uma descoberta que lhe permite desenvolver um negócio cujo q de Tobin é N(1.5, 0.25) e onde é necessário investir 1M. Sendo que o empresário A vendeu ao empresário B metade do negócio por 625k, qual será o q de Tobin de A e de B? 124
63 Exercício R. A investe 375k que terá RECEB. 0.5 q = = N(1.5,0.25) = INVEST N(2,0.333) B investe 625k que terá 0.5 q = N(1.5,0.25) = N (1.2,0.2) 125 Acções - obrigações O Ex.2.16 ilustra porque é vantajoso o empreendedor emitir acções da sua empresa. Uma acção é uma parte do capital próprio da empresa tendo, em termos contabilísticos, um certo valor nominal, normalmente
64 5ª Aula 18 de Nov 127 Acções - obrigações Por exemplo, uma empresa com um capital social de 10M divide-se em 10M de acções com valor nominal de 1 cada. A acção dá direitos de voto na condução dos destinos da empresa e é remunerada com uma parte dos lucros, o dividendo, que é incerto. 128
65 Acções - obrigações As acções têm maior risco que as obrigações porque, em caso de insolvência, os activos da empresa pagam primeiro as obrigações e apenas o que sobrar (i.e., nada) é que é dividido pelas acções. Além disso, no contrato de emissão o resultado das obrigações é conhecido (o cupão e o valor de remissão) enquanto que o lucro da empresa é variável. 129 Acções - obrigações Interessa ao empresário dispersar o capital da empresa porque, normalmente, a empresa emite as acções, numa operação denominada por OPV (mercado primário), a um preço superior ao valor contabilístico. As acções são depois transaccionadas entre investidores (mercado secundário) sendo o seu preço, denominado por cotação, determinado pela expectativa que os agentes económicos têm da evolução futura do negócio (i.e., dos dividendos e da cotação). 130
66 Operações algébricas não simples Se quisermos calcular um prémio de um seguro de vida em que a duração do individuo é uma variável aleatória, as operações algébrica não são simples: L P L V ( 1+ r) = (1 (1 + r) )(1 + r) r P V r) r )(1 + = L L+ 1 (1 (1 + r) 131 Operações algébricas não simples Cálculo expedito. Sendo que temos y = g(x), obtemos um valor aproximado da distribuição usando os dois pontos notáveis x 1 = µ - σ e x 2 = µ + σ Calculamos y 1 = g(µ-σ) e y 2 = g(µ+σ) Valor médio = (y 1 + y 2 )/2 Desv. padrão = y 2 - y 1 /2 132
67 Operações algébricas não simples Nas distribuições simétrica é indiferente usar Valor médio = (g(µ-σ) + g(µ+σ))/2 g(µ) Nas distribuições assimétricas é melhor usar Valor médio = (g(µ-σ) + g(µ+σ))/2 133 Exercício Ex O prémio de um seguro de vida com r = 2%/ano, L ~ N(50, 10) i) Determine qual devem ser as reservas Y/1000 de forma a ter Y = µ(p) + σ(p). ii) Se a seguradora propõe um prémio antecipado de 15 /ano por 1000 seguros, qual será o seu lucro? 134
68 Exercício P L V (1 + i) r L (1 (1 + r) )(1 + r) = 1 P(40) = /ano; P(60) = 8.60 /ano. a seguradora precisará reservas com média ( )/2 = /ano e desvio padrão ( )/2 = 3.82 /ano aconselhando a prudência a que as reservas sejam = /ano. 135 Exercício P(40) = /ano; P(60) = 8.60 /ano. Lucro(40) = = 1.23 /ano; Lucro (60) = = 6.40 /ano. Para uma longevidade genérica, o lucro do seguro terá valor médio = ( )/2 = 2.59 /ano desvio padrão = ( )/2 = 3.82 /ano. 136
69 Operações algébricas não simples Divisão em cenários. Já utilizamos esta abordagem (ex ex.2.11). Divide-se o domínio da variável em cenários sendo conveniente utilizar a folha de cálculo. Ao considerarmos intervalos mais pequenos, estamos a diminuir o erro de cálculo. 137 Operações algébricas não simples 138
70 Operações algébricas não simples C7: =NORMDIST(B7;C$2;C$3;TRUE)- NORMDIST(A7;C$2;C$3;TRUE) D7: =(A7+B7)/2+0,5 E7: =F$1-H$1*F$2/(1-(1+F$2)^-D7)/(1+F$2)^(D7+1) F7: =C7*E7 G7: =E7-F$40 H7: =G7^2*C7 C39: =SUM(C7:C38) F40: =SUM(F7:F38)/$C39 H39: =SUM(H7:H38)/$C39 H40: =H39^0,5 139 Método de Monte Carlo Método de Monte Carlo. 1) Sorteamos vários valores para a variável de acordo com a sua função distribuição. 2) Aplica-se o modelo aos dados e determinase uma população de resultados possíveis. Calcula-se o valor médio, o desvio padrão, fazse um histograma, etc., dos resultados. Tools + Data Analyses + Random Number Generation ** 140
71 Método de Monte Carlo **Excel 2007 Instalamos o Data Analyses Office Button + Excel Options + Add Ins + Excel Add Ins Go Depois, aparece em Data o Data Analysis 141 Método de Monte Carlo 142
72 Método de Monte Carlo Método de Monte Carlo Quando derem o R, verão que o Método de Monte Carlo é de simples implementação É muito flexível e poderoso Permite determinar o erro de cálculo 144
73 Comparação dos métodos O método expedito, por usar apenas dois pontos notáveis, será o de menor grau de confiança A divisão em cenários está dependente do detalhe dos cenários O método de monte carlo está dependente do número de elementos extraídos 145 Comparação dos métodos No caso do Ex
74 Diversificação do risco 147 Diversificação do risco O modelo estatístico ajuda a decidir num problema com risco Podemos diminuir o risco juntando actividades diversificando Em termos estatísticos, são operações de soma de variáveis aleatórias. 148
75 Diversificação do risco Em termos económicos trata-se de construir uma carteira de activos Não pôr os ovos todos no mesmo cesto Uma concretização negativa de um activo será estatisticamente compensada por uma concretização positiva de outro activo 149 Diversificação do risco Por exemplo, na praia podemos vender gelados e gabardines. Quando faz calor, a venda de gabardines dá prejuízo e a de gelados dá lucro Quando chove, a venda de gabardines dá lucro e a de gelados dá prejuízo Vender de ambos diminui o risco 150
76 Diversificação do risco Faz Calor Chove Gelados Gabardines Total do negócio Duas variáveis Divisão das variáveis em cenários Probabilidades cruzadas Já utilizamos no ex.2.5 O método é semelhante à situação em que temos uma variável estatística, mas agora serão cenários que envolvem a concretização de vários contingências. 152
77 Exercício Ex Um pescador precisa decidir se vai pescar ou não. Não sabe a quantidade que vai pescar nem o preço a que vai vender. A intuição permite-lhe construir cenários e atribuir-lhes probabilidades. De, em simultâneo, se verificar uma quantidade pescada (em kg) e um preço (em /kg). 153 Exercício Pesca \ preço [1; 2] /k ]2; 3] /k ]3; 4] /k [0; 100]kg 0% 4% 10% [100; 250]kg 1% 35% 15% ]250; 400]kg 5% 10% 10% ]400; 500]kg 9% 1% 0% 154
78 Exercício O pescador pode agora calcular a receita (em termos médios e desvio padrão) multiplicando a quantidade (do meio do intervalo) pelo preço (do meio do intervalo) e decidir ir pescar se, e.g., a receita média menos o desvio padrão for maior que os custos fixos 155 Exercício 156
79 Exercício B8: =$A2*B$1 F2: =B8*B2 H6: =SUM(F2:H5) F8: =(B8-$H$6)^2*B2 H12: =SUM(F8:H11) H13: =H12^0,5 157 Decisão Depende agora dos custos fixos necessários para poder pescar. Se fossem, por exemplo, 500 ficaria Lucro médio = 61,50 Des.Pa.lucro = 270,76 Se a função objectivo fosse LM-DP = , não ia pescar por ser <0. 158
80 6ª Aula 159 Exercício Ex Uma empresa com 1000 trabalhadores pretende contratar um seguro de trabalho que dura 5 anos O seguro, em caso de morte, paga 60 meses de salário à viúva. Quanto deve ser o prémio mensal, antecipado? 160
81 Exercício R. Temos 3 variáveis desconhecidas, a taxa de juro, a longevidade e o salário Vamos supor que a seguradora assumiu 45 cenários, calculou as probabilidades de cada um e construiu um modelo no Excel. Assume-se que a probabilidade de nos 5 anos o trabalhador morrer é 0,140% 161 Exercício 162
82 Exercício 163 Exercício K3: =I3*$O$2*H3/(1-(1+H3)^-G3)/(1+H3) L3: =K3*J3 M3: =(K3-$L$52)^2*J3 L51: =SOMA(L3:L49) M50: =SOMA(M3:M49) M51: =M50^0,5 164
83 Exercício As reservas médias são de 4.91 pelo que a seguradora tem lucro médio positivo com um prémio baixo, 6 /mês Mas, este negócio tem um risco tão elevado (d.p.= /mês) para a seguradora que é inviável. Apenas será possível se a seguradora conseguir diversificar este seguro. Segurar os 1000 trabalhadores? 165 Associação entre variáveis - FD No caso de termos duas variáveis aleatórias, além da F. Distribuição e dos parâmetros (valor médio e desvio padrão) que caracterizam cada uma das variáveis, haverá um parâmetro para quantificar o grau de associação estatística entre as variáveis. 166
84 Associação entre variáveis - FD Por exemplo, nas calças são importantes a largura da cintura e a altura de perna do cliente que, na hora de fabrico, são desconhecidas. Mas, num cliente aleatório, em média, quanto maior for a sua cintura, maior será a sua altura de perna. As calças de número maior são mais compridas 167 Associação entre variáveis -FD Covariância: é um parâmetro que condensa a associação entre duas variáveis estatísticas. σ ( x, y) N ( x )( y ) i µ x i µ y i= = 1 N 168
85 Associação entre variáveis t1a covariância pode ser negativa, zero ou positiva. É crescente com os desvios padrão das variáveis A variância é um caso particular da covariância 169 Associação entre variáveis Coeficiente de correlação linear de Pearson, ρ(x, y) Retira à covariância o efeito dos desvios padrão ρ( x, y) σ ( x, σ ( x, y) = σ ( x) σ ( y) y) = ρ( x, y) σ ( x) σ ( y) 170
86 Associação entre variáveis Coeficiente de correlação linear está no intervalo [ 1; 1] Se for zero, as variáveis não estão associadas (linearmente). Se for 1 ou 1, estão perfeitamente associados em sentido contrário ou no mesmo sentido, respectivamente. 171 Associação entre variáveis Propriedades da covariância e do coeficiente de correlação linear i) A covariância (e o coeficiente de correlação linear) entre duas constantes ou entre uma variável e uma constante é zero σ (a, b) = 0; σ(a,x) = 0 172
87 Associação entre variáveis ii) Somando uma constante a uma das variáveis, a covariância e o coeficiente de correlação linear mantêm-se: σ (a+x,y) = σ(x,y); ρ(a+x,y) = ρ(x,y) 173 Associação entre variáveis iii) Multiplicando uma das variáveis por uma constante, a covariância vem multiplicada e o coeficiente de correlação linear mantém-se (a menos do sinal e de ser zero): σ (a.x,y) = a.σ(x,y); ρ(a.x,y) = sig(a). ρ(x,y) 174
88 Associação entre variáveis iv) A covariância e o coeficiente de correlação são comutativos: σ (X,Y) = σ(y,x); ρ(x,y) = ρ(y,x) 175 Exercício X~N(10;5), Y~N(-1;3), ρ(x; Y) = 0.7 Determine a) σ (3X; 2Y) e ρ(3x;2y) b) σ (-X; 2Y) e ρ(-x;2y) c) σ (5-5X;-2-Y) e ρ(5-5x;-2-y) 176
89 Exercício σ (X; Y) = 0.7*5*3 = 10.5 a) σ (3X; 2Y)=3*2*10.5 = 63, ρ(3x;2y)=0.7 b) σ (-X; 2Y)= -1*2*10.5 = -21, ρ(-x;2y)=-0.7 c)σ(5-5x;-2-y) = -5*-1*10.5 = 52.5, ρ(5-5x;-2-y) = -1*-1*0.7= Soma de variáveis estatísticas diversificação do risco 178
90 Soma de variáveis estatísticas Até agora apenas somamos constantes com variáveis É muito relevante no contexto da M.F. porque modeliza o comportamento estatístico das carteiras de activos partindo-se das propriedades individuais dos activos que a constituem. 179 Soma de variáveis estatísticas Distribuição da soma de duas V.A. Se as variáveis tiverem distribuição normal, então a soma também terá distribuição normal. Se não tiverem, a soma será mais próxima da distribuição normal que as distribuições das parcelas. A soma de + 30 variáveis aleatórias com distribuição desconhecida que sejam pouco correlacionadas, pode assumir-se que tem distribuição normal. 180
91 Soma de variáveis estatísticas Média da soma. Sendo que existem duas variáveis, X e Y, a soma Z = X + Y terá como valor médio a soma dos valores médios de cada variável estatística. 181 Soma de variáveis estatísticas Variância e desvio padrão da soma. Sendo que existem duas variáveis, X e Y, a soma Z = X + Y terá como variância a soma das variâncias de cada variável mais duas vezes a covariância. 2 2 σ ( z) = σ ( x) + 2σ ( x, y) + σ 2 ( y) 182
92 Exercício t2 Ex Um intermediário de legumes, quando encomenda desconhece o preço de aquisição e de venda dos legumes PC ~ N(0.50 /kg, 0.10 /kg). PV ~ N(0.60 /kg, 0.15 /kg). Tem que pagar 75 pelo transporte. A correlação linear entre o preço de compra e de venda é de 0.5 i) Determine qual vai ser o lucro de intermediar 1000kg de legumes. ii) Determine a probabilidade de ter prejuízo. 183 Exercício Trata-se de operações algébricas com variáveis aleatórias. Lucro = 1000(PV PC) 75. PV PC = N(0.60, 0.15) N(0.50, 0.10) = N(0.10, ( ( 0.5) )) = N(0.10, ) Troca o sinal da correlação porque está a subtrair = *(-1) 184
93 Exercício 1000 N(0.10, 0.132) = N(100, 132.3) N(100, 132.3) 75 = N(25, 132.3) No Excel, =NORMDIST(0; 25; 132.3;TRUE) Tem 42.5% de probabilidade de ter prejuízo 185 Exercício Ex Duas acções, com rentabilidades X ~ N(5%; 5%)/ano e Y ~ N(10%, 7%)/ano e com correlação linear de Determine a rentabilidade de uma carteira com a proporção 0.5 de X e 0.5 de Y. 186
94 Z = 0.5X+0.5Y Exercício µ(z) = µ(0.5x)+ µ(0.5y) = 0.5µ(X)+ 0.5µ(Y) = 0.5x5%+ 0.5x10% = 7.5%/ano 187 Exercício Z = 0.5X + 0.5Y σ 2 (Z) = σ 2 (0.5X) + 2 σ(0.5x, 0.5Y) + σ 2 (0.5Y) = (0.5x5%) 2 + 2x0.25x(0.5x5%)x(0.5x7%) + (0.5x7%) 2 =0, σ(z) = 4.78% 188
95 7ª Aula 25 Nov 189 Extensão à soma de N variáveis Se eu somar três variáveis, posso fazer X+(Y+Z) E retiro que σ 2 (X+Y+Z) = = σ 2 (X)+ σ 2 (Y)+ σ 2 (Z) + 2σ(X,Y)+2σ(X,Z) +2σ(Y,Z) Facilmente estendo para N 190
96 Extensão à soma de N variáveis Ex Uma empresa pretende lançar o seu produto em novos mercados. Moscovo tem custo Cm N(3, 0.5) e resultado actualizado das vendas Vm N(7, 1) São Petersburgo tem custo Csp N(2, 0.6) e resultado actualizado das vendas Vsp N(6, 2). O lucro resulta de subtrair os custos ao resultado actualizado das vendas, 191 Extensão à soma de N variáveis Os coeficiente de correlação linear são ρ Cm Csp Vm Vsp Cm Csp Vm Vsp
97 Extensão à soma de N variáveis i) Determine o lucro da representação de Moscovo e de São Petersburgo (separadas). ii) Determine o lucro de abertura das duas representações (em conjunto). 193 Extensão à soma de N variáveis i) Lucro da representação (separadas). Lm = Vm Cm = N(7; 1) N(3; 0.5) = N(4, ( (-0.5) )) = N(4, 0.866) Lsp = Vsp Csp = N(6; 2) N(2; 0.6) = N(4, ( (-0.5) )) = N(4, 1.778) 194
98 Extensão à soma de N variáveis i) Lucro das representações juntas. Lm = Vm Cm + Vsp Csp = N(7; 1) N(3; 0.5) + N(6; 2) N(2; 0.6) = N(8, ( )) = N(8, 2.59) Para simplificar, só tenho 3 correlações diferentes de zero. 195 Exercício Ex Um seguro de trabalho cobra um prémio de 6 /ano e obriga a seguradora a constituir como reservas F(4.91; ) /ano. i) Supondo que os acidentes não estão correlacionados, determine o lucro por trabalhador de segurar 1, 100 trabalhadores e 1000trabalhadores. 196
99 Exercício L 1 = P-R = 6- F(4.91; ) = F(1.09; ) /ano L 100 /100 = (L 1 +L L 1 )/100 = = N(109; (100* ))/100 = N(1.09;16,67) /ano L 1000 /100 = (L 1 +L L 1 )/1000 = = N(1090; (1000* ))/1000 = N(1.09;5,27) /ano 197 Exercício ii) Supondo que quando há um acidente é provável que morra mais que um trabalhador. Assim, recalcule o lucro por trabalhador com a correlação entre as fatalidades assumida como
100 L 100 = = N 109; = N Exercício ( F(1.09;166.65) F(1.09;166.65) ) ( 1.09; 55.02) / /100 2 L 1000 = N = N ( ) ; *999*0,1*166,65 ( 1.09;16.74 ) / Exercício Quanto menos correlacionados estiverem os acontecimentos e maior número de acontecimentos misturarmos, maior será a diminuição do risco e mais a função distribuição resultante se aproxima da função distribuição normal. 200
101 Exercício Ex O Seguro de Invalidez, ex.2.21, obriga a F(7.27, ) /mês de reservas por cada 500 /mês de indemnização. O prémio será o valor médio das reservas mais o desvio padrão. Supondo que a invalidez dos trabalhadores não está correlacionada, determine o prémio em função do tamanho da carteira de seguros. 201 Re = Exercício F( n 7.27; n = N(7.27; / n) P = / n n = 100 P = /mês; n = 1000 P = /mês; n = P=10.79 /mês. 2 ) / n 202
102 Segundo Teste até aqui 203 8ª Aula 27/28 de Nov Dúvidas 204
7.Noção de investimentos
1 2 Sumário (18ª aula) 7.Noção de investimentos 7.2. Valor Actual de um investimento 7.3. Taxa Interna de Rentabilidade 7.4. Break Even Point 7.5 Rendas/prestações fixas Obrigações 30 Nov. 2004 Um investimento
Leia maisAnálise de investimentos
Análise de investimentos Pedro Cosme Costa Vieira Faculdade de Economia da Universidade do Porto 2011 1 Análise de investimentos 2 Análise de investimentos um investimento é uma entrega de recursos em
Leia maisValor Esperado. Valor Esperado. Valor Esperado. Valor Esperado. Valor Esperado
1 2 Sumário (7ª aula), pp. 32-48 1. Conceitos básicos de estatística descritiva 1.8 Noção de valor esperado Fim da estatística descritiva 2. Noção de valor e de preço/cotação 2.1 Noção de preço relativo
Leia maisEsta renda tem uma TIR de 17,3%.
Matemática Financeira e Instrumentos de Gestão Análise fundamental Mercado Secundário 9 Dez 004 ª Aula 0 3 4 5 Vendas 400,00 480,00 576,00 69,0 89,44 C. Vendas 400,00 464,00 540,80 63,96 743,55 R. Vendas
Leia maisCapitulo 6 Viabilidade Econômica em Situação de Incerteza
1 Capitulo 6 Viabilidade Econômica em Situação de Incerteza Nos capítulos anteriores, ao construir o fluxo de caixa de um projeto de investimento, supusemos que os valores eram conhecidos com certeza.
Leia mais3 3. Variáveis Aleatórias
ÍNDICE 3. VARIÁVEIS ALEATÓRIAS...49 3.. VARIÁVEIS ALEATÓRIAS UNIDIMENSIONAIS...49 3.2. VARIÁVEIS DISCRETAS FUNÇÃO DE PROBABILIDADE E FUNÇÃO DISTRIBUIÇÃO DE PROBABILIDADE...50 3.2.. Função de probabilidade...50
Leia maisFísica Geral - Laboratório. Aula 2: Organização e descrição de dados e parâmetros de dispersão e correlação
Física Geral - Laboratório Aula 2: Organização e descrição de dados e parâmetros de dispersão e correlação 1 Física Geral - Objetivos Ao final do período, o aluno deverá ser capaz de compreender as principais
Leia maisPRINCIPAIS DISTRIBUIÇÕES DISCRETAS DE PROBABILIDADE
PRINCIPAIS DISTRIBUIÇÕES DISCRETAS DE PROBABILIDADE 3.1 INTRODUÇÃO Muitas variáveis aleatórias associadas a experimentos aleatórios têm propriedades similares e, portanto, podem ser descritas através de
Leia maisEstatística
Estatística 1 2016.2 Sumário Capítulo 1 Conceitos Básicos... 3 MEDIDAS DE POSIÇÃO... 3 MEDIDAS DE DISPERSÃO... 5 EXERCÍCIOS CAPÍTULO 1... 8 Capítulo 2 Outliers e Padronização... 12 VALOR PADRONIZADO (Z)...
Leia maisYield-to-maturity (YTM) Taxa de rendimento realizado (TRR) Comparação entre YTM e TRR. Investimentos. António M. R. G. Barbosa.
Investimentos António M. R. G. Barbosa Dia 10: 01/Mar/12 António Barbosa (IBS) Investimentos Dia 10: 01/Mar/12 1 / 26 Sumário 1 Yield-to-maturity (YTM) 2 Taxa de rendimento realizado (TRR) 3 Comparação
Leia maisProbabilidade e Estatística
Probabilidade e Estatística Aula 5 Probabilidade: Distribuições de Discretas Parte 1 Leitura obrigatória: Devore, 3.1, 3.2 e 3.3 Chap 5-1 Objetivos Nesta parte, vamos aprender: Como representar a distribuição
Leia maisUNIVERSIDADE FEDERAL DA PARAÍBA. Variáveis Aleatórias. Departamento de Estatística Luiz Medeiros
UNIVERSIDADE FEDERAL DA PARAÍBA Variáveis Aleatórias Departamento de Estatística Luiz Medeiros Introdução Como sabemos, características de interesse em diversas áreas estão sujeitas à variação; Essa variabilidade
Leia maisEstatística Descritiva
C E N T R O D E M A T E M Á T I C A, C O M P U T A Ç Ã O E C O G N I Ç Ã O UFABC Estatística Descritiva Centro de Matemática, Computação e Cognição March 17, 2013 Slide 1/52 1 Definições Básicas Estatística
Leia maisTeoria do produtor. Sumário 27. Teoria do produtor. Teoria do produtor. Teoria do produtor. Teoria do produtor. Um produtor é um agente económico que
Sumário 27 Factores de produção Conjunto das possibilidades de produção Função de produção Alteração dos factores de produção em período curto e em período longo Um produtor é um agente económico que Transforma
Leia maisRisco x Retorno. Fundamentos de Risco e Retorno: Fundamentos de Risco e Retorno. Risco de um Ativo Individual. Risco de uma Carteira de Ativos.
Risco x Retorno Fundamentos de Risco e Retorno. Risco de um Ativo Individual. Risco de uma Carteira de Ativos. Fundamentos de Risco e Retorno: Em administração e finanças, risco é a possibilidade de perda
Leia maisDA PARAÍBA. Variáveis Aleatórias. Departamento de Estatística Luiz Medeiros
UNIVERSIDADE FEDERAL DA PARAÍBA Variáveis Aleatórias Departamento de Estatística Luiz Medeiros Introdução Como sabemos, características de interesse em diversas áreas estão sujeitas à variação Essa variabilidade
Leia maisUnidade I ESTATÍSTICA APLICADA. Prof. Mauricio Fanno
Unidade I ESTATÍSTICA APLICADA Prof. Mauricio Fanno Estatística indutiva Estatística descritiva Dados no passado ou no presente e em pequena quantidade, portanto, reais e coletáveis. Campo de trabalho:
Leia maisEstatística Aplicada I. } Análise Bidimensional
Estatística Aplicada I } Análise Bidimensional 1 Aula de hoje } Temas } Associação entre variáveis } Qualitativas e Quantitativas } Covariância: conceitos e propriedades } Coeficiente de correlação } Observações
Leia maisVariáveis bidimensionais
Wagner H. Bonat Fernando P. Mayer Elias T. Krainski Universidade Federal do Paraná Departamento de Estatística Laboratório de Estatística e Geoinformação 19/04/2018 WB, FM, EK ( LEG/DEST/UFPR ) Variáveis
Leia maisLista de Exercícios #2 Assunto: Variáveis Aleatórias Discretas
1. ANPEC 2018 Questão 3 Considere um indivíduo procurando emprego. Para cada entrevista de emprego (X) esse indivíduo tem um custo linear (C) de 10,00 Reais. Suponha que a probabilidade de sucesso em uma
Leia maisVariáveis Aleatórias - VA
Variáveis Aleatórias - VA cc ck kc kk 0 1 2 1/4 1/2 Prof. Adriano Mendonça Souza, Dr. Departamento de Estatística - PPGEMQ / PPGEP - UFSM - Introdução Se entende por VA ou V. indicadoras uma lista de valores
Leia maisDecisões de Financiamentos e Estrutura de Capital. Professor: Francisco Tavares
Decisões de Financiamentos e Estrutura de Capital Professor: Francisco Tavares RISCO E RETORNO Definição de risco Em administração e finanças, risco é a possibilidade de perda financeira. Os ativos (reais
Leia maisVariáveis aleatórias. Universidade Estadual de Santa Cruz. Ivan Bezerra Allaman
Variáveis aleatórias Universidade Estadual de Santa Cruz Ivan Bezerra Allaman DEFINIÇÃO É uma função que associa cada evento do espaço amostral a um número real. 3/37 Aplicação 1. Seja E um experimento
Leia maisMódulo 1 FUNDAMENTOS DE ESTATÍSTICA
Módulo 1 FUNDAMENTOS DE ESTATÍSTICA Medidas de posição central Média As medidas de posição central buscam representar uma série de dados. Por exemplo: em média na Suiça cada pessoa come 9Kg de chocolate
Leia maisANÁLISE ESTATÍSTICA DA RELAÇÃO ENTRE A ATITUDE E O DESEMPENHO DOS ALUNOS
ANÁLISE ESTATÍSTICA DA RELAÇÃO ENTRE A ATITUDE E O DESEMPENHO DOS ALUNOS Nível de significância No processo de tomada de decisão sobre uma das hipóteses levantadas num estudo, deve-se antes de tudo definir
Leia maisFísica Geral - Laboratório. Aula 2: Organização e descrição de dados e parâmetros de dispersão e correlação
Física Geral - Laboratório Aula 2: Organização e descrição de dados e parâmetros de dispersão e correlação 1 Física Geral - Objetivos Ao final do período, o aluno deverá ser capaz de compreender as principais
Leia maisMétodos Empíricos de Pesquisa I. } Análise Bidimensional
Métodos Empíricos de Pesquisa I } Análise Bidimensional 1 Aula de hoje } Temas } Associação entre variáveis } Qualitativas e Quantitativas } Covariância: conceitos e propriedades } Coeficiente de correlação
Leia mais2. EXERCÍCIOS PROPOSTOS SOBRE V.A. E DISTRIB.PROBAB.
2. EXERCÍCIOS PROPOSTOS SOBRE V.A. E DISTRIB.PROBAB. 1) Classifique as seguintes variáveis aleatórias como discretas ou contínuas. X : o número de acidentes de automóvel por ano na rodovia BR 116. Y :
Leia maisFísica Geral - Laboratório. Aula 2: Organização e descrição de dados e parâmetros de dispersão e correlação
Física Geral - Laboratório Aula 2: Organização e descrição de dados e parâmetros de dispersão e correlação 1 Física Geral - Objetivos Ao final do período, o aluno deverá ser capaz de compreender as principais
Leia maisUniversidade Católica Portuguesa. Faculdade de Ciências Económicas e Empresariais. Tel.: Fax:
Situações com incerteza Fernando Branco Ano lectivo 2003-2004 Trimestre de Inverno Sessão 11 A maioria das escolhas são feitas em contexto de incerteza: Qual a produtividade de um trabalhador? Qual a penetração
Leia maisPreparatório CEA. Módulo 6 Fundamentos de Estatística
Preparatório CEA Módulo 6 Fundamentos de Estatística Medidas de posição central Média As medidas de posição central buscam representar uma série de dados. Por exemplo: em média na Suiça cada pessoa come
Leia maisAvaliação de Empresas Profa. Patricia Maria Bortolon
Avaliação de Empresas BETA E CAPM Aula 3 Comparando Dispersões aula passada Situação do mercado Ativo 1 (ret %) Ativo 2 (ret %) Ativo 3 (ret %) Ativo 5 (ret %) Precipitação Pluviométrica Retorno do ativo
Leia maisEstatística. Capítulo 3 - Parte 1: Variáveis Aleatórias Discretas. Professor Fernando Porto
Estatística Capítulo 3 - Parte 1: Variáveis Aleatórias Discretas Professor Fernando Porto Lançam-se 3 moedas. Seja X o número de ocorrências da face cara. O espaço amostral do experimento é: W = {(c,c,c),(c,c,r),(c,r,c),(c,r,r),(r,c,c),(r,c,r),(r,r,c),(r,r,r)}
Leia maisCálculo das Probabilidades e Estatística I
Cálculo das Probabilidades e Estatística I Prof a. Juliana Freitas Pires Departamento de Estatística Universidade Federal da Paraíba - UFPB juliana@de.ufpb.br Variáveis Aleatórias Ao descrever um espaço
Leia maisEstatística Aplicada I
Estatística Aplicada I ESPERANCA MATEMATICA AULA 1 25/04/17 Prof a Lilian M. Lima Cunha Abril de 2017 EXPERIMENTO RESULTADOS EXPERIMENTAIS VARIÁVEL ALEATÓRIA X = variável aleatória = descrição numérica
Leia maisFundamentos de Gestão de Carteiras
Fundamentos de Gestão de Carteiras Tópicos de Resolução dos Exercícios Raquel M. Gaspar Janeiro 2017 Estas soluções não são isentas de erros e/ou typos. Agradece-se aos alunos que durante o estudo identifiquem
Leia maisPARTE 2. Profª. Drª. Alessandra de Ávila Montini
PARTE 2 Profª. Drª. Alessandra de Ávila Montini Conteúdo Introdução a Probabilidade Conceito de Experimento Conceito de Espaço Amostral Conceito de Variável Aleatória Principais Distribuições de Probabilidade
Leia maisFísica Geral - Laboratório. Aula 3: Estimativas e erros em medidas diretas (I)
Física Geral - Laboratório Aula 3: Estimativas e erros em medidas diretas (I) 1 Experimentos: medidas diretas Experimento de medidas diretas de uma grandeza: Aquisição de um conjunto de dados através de
Leia maisProva Escrita de MATEMÁTICA A - 12o Ano a Fase
Prova Escrita de MATEMÁTICA A - o Ano 0 - a Fase Proposta de resolução GRUPO I. Temos que P A B) P A) + P B) P A B) P A B) P A) + P B) P A B) Como A e B são independentes, então P A) P B) P A B), pelo
Leia maisECONOMIA DOS RECURSOS NATURAIS. Avaliação económica do meio ambiente. Análise Custo-Benefício
ECONOMIA DOS RECURSOS NATURAIS Avaliação económica do meio ambiente Análise Custo-Benefício Conceito de Valor Segundo os Economistas: Valor de um objecto, produto ou serviço é aquilo que estamos dispostos
Leia maisNessa situação, a média dessa distribuição Normal (X ) é igual à média populacional, ou seja:
Pessoal, trago a vocês a resolução da prova de Estatística do concurso para Auditor Fiscal aplicada pela FCC. Foram 10 questões de estatística! Não identifiquei possibilidade para recursos. Considero a
Leia maisRiscos de posição. Secção A. Cálculo das posições. Subsecção I. Introdução
Anexo ao Aviso nº 7/96 Riscos de posição Secção A Cálculo das posições Subsecção I Introdução l - A posição líquida em cada um dos diferentes instrumentos é constituída pelo excedente das posições longas
Leia maisFundamentos de Risco e Retorno. Risco de um Ativo Individual. Risco de uma Carteira de Ativos. Fundamentos de Risco e Retorno:
Risco x Retorno Fundamentos de Risco e Retorno. Risco de um Ativo Individual. Risco de uma Carteira de Ativos. Fundamentos de Risco e Retorno: Em administração e finanças, risco é a possibilidade de perda
Leia maisMatemática Financeira. Parte I. Professor: Rafael D Andréa
Matemática Financeira Parte I Professor: Rafael D Andréa O Valor do Dinheiro no Tempo A matemática financeira trata do estudo do valor do dinheiro ao longo do tempo. Conceito de Investimento Sacrificiozinho
Leia mais05/06/2017. Representar graficamente uma análise econômica de investimentos;
As decisões de investimento em alternativas e projetos de economia e uso eficiente da energia passam, necessariamente, por uma análise de viabilidade econômica. Estas análises, em geral, utilizam-se de
Leia maisDisciplina: Prof. a Dr. a Simone Daniela Sartorio. DTAiSeR-Ar
Disciplina: 1171 b) Variáveis Aleatórias Contínuas Prof. a Dr. a Simone Daniela Sartorio DTAiSeR-Ar 1 Uma variável aleatória é contínua (v.a.c.) se seu conjunto de valores é qualquer intervalo dos números
Leia maisDistribuições por Amostragem
Distribuições por Amostragem Departamento de Matemática Escola Superior de Tecnologia de Viseu (DepMAT ESTV) Distribuições por Amostragem 2007/2008 1 / 27 Introdução: População, amostra e inferência estatística
Leia maisb) 5 6 d) 1 6 e) 7 6
CONHECIMENTOS ESPECÍFICOS 21. Em estatística, duas medidas são de grande importância na análise de dados, medidas de tendência central e de dispersão. Dentre as medidas indicadas abaixo, são, respectivamente,
Leia maisb) Variáveis Aleatórias Contínuas
Disciplina: 1171 b) Variáveis Aleatórias Contínuas Prof. a Dr. a Simone Daniela Sartorio de Medeiros DTAiSeR-Ar 1 Uma variável aleatória é contínua (v.a.c.) se seu conjunto de valores é qualquer intervalo
Leia maisi i i i i i n - 1 n
Aula Capítulo 6 SÉRIE UNIFORME PRESTAÇÕES IGUAIS Série uniforme de valores monetários (pagamentos ou recebimentos) juros compostos MODELO PRICE no qual todas as prestações tem o mesmo valor Fluxo de Caixa
Leia maisEstatística Descritiva e Exploratória
Gledson Luiz Picharski e Wanderson Rodrigo Rocha 9 de Maio de 2008 Estatística Descritiva e exploratória 1 Váriaveis Aleatórias Discretas 2 Variáveis bidimensionais 3 Váriaveis Aleatórias Continuas Introdução
Leia maisDelineamento e Análise Experimental Aula 4
Aula 4 Castro Soares de Oliveira ANOVA Significativa Quando a aplicação da análise de variância conduz à rejeição da hipótese nula, temos evidência de que existem diferenças entre as médias populacionais.
Leia maisInferência Estatistica
Inferência Estatistica Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Modelos e Inferência Um modelo é uma simplificação da realidade (e alguns
Leia maisAnálise de Regressão Linear Simples e
Análise de Regressão Linear Simples e Múltipla Carla Henriques Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução A análise de regressão estuda o relacionamento entre uma variável
Leia maisFísica Geral LABORATÓRIO. Primeiro Semestre de 2019 Turma 4
Física Geral LABORATÓRIO Primeiro Semestre de 2019 Turma 4 1 Prof.: Helio Nogima Departamento de Física Nuclear e Altas Energias Sala 3030A Email: nogima@uerj.br Envie uma mensagem Assunto: Física Geral
Leia maisApontamentos de Introdução às Probabilidades e à Estatística
i Índice 1. Introdução 1 1.1. Enquadramento e objectivos 2 1.2. Organização 5 1.3. Noções base da Estatística 7 1.3.1. Distinção entre população e amostra 8 1.3.2. Amostragem 10 1.3.3. Unidade estatística
Leia maisExercícios. Finanças Benjamin M. Tabak
Exercícios Finanças Benjamin M. Tabak ESAF BACEN - 2002 Uma carteira de ações é formada pelos seguintes ativos: Ações Retorno esperado Desvio Padrão Beta A 18% 16% 1,10 B 22% 15% 0,90 Também se sabe que
Leia maisAULAS 6 e 7. ESPERANÇA, MOMENTOS E DISTRIBUIÇÕES DE PROBABILIDADES de VARIÁVEIS DISCRETAS 05/05/2017
AULAS 6 e 7 ESPERANÇA, MOMENTOS E DISTRIBUIÇÕES DE PROBABILIDADES de VARIÁVEIS DISCRETAS 05/05/2017 Em aulas passadas vimos as funções de probabilidade de variáveis discretas e contínuas agora vamos ver
Leia maisEstatística para Cursos de Engenharia e Informática
Estatística para Cursos de Engenharia e Informática BARBETTA, Pedro Alberto REIS, Marcelo Menezes BORNIA, Antonio Cezar MUDANÇAS E CORREÇOES DA ª EDIÇÃO p. 03, após expressão 4.9: P( A B) = P( B A) p.
Leia maisResolução da Prova de Matemática Financeira e Estatística do ISS Teresina, aplicada em 28/08/2016.
de Matemática Financeira e Estatística do ISS Teresina, aplicada em 8/08/016. 11 - (ISS Teresina 016 / FCC) Joana aplicou todo seu capital, durante 6 meses, em bancos ( e Y). No Banco, ela aplicou 37,5%
Leia maisIntervalos Estatísticos para uma única Amostra - parte I
Intervalos Estatísticos para uma única Amostra - parte I Intervalo de confiança para média 14 de Janeiro Objetivos Ao final deste capítulo você deve ser capaz de: Construir intervalos de confiança para
Leia mais4. Distribuições de probabilidade e
4. Distribuições de probabilidade e características Valor esperado de uma variável aleatória. Definição 4.1: Dada uma v.a. discreta (contínua) X com f.m.p. (f.d.p.) f X (), o valor esperado (ou valor médio
Leia maisEstatística. O que é Estatística? Estatística pode ser: Estatística Descritiva. Ivonete Melo de Carvalho. Conteúdo
Estatística Estatística Descritiva Ivonete Melo de Carvalho Conteúdo Definições; Tabelas e Gráficos; Medidas de tendência central; Medidas de dispersão. Objetivos Diferenciar população e amostra. Elaborar
Leia maisMAE Introdução à Probabilidade e Estatística II Resolução Lista 5
MAE 229 - Introdução à Probabilidade e Estatística II Resolução Lista 5 Professor: Pedro Morettin e Profa. Chang Chian Exercício 1 (a) De uma forma geral, o desvio padrão é usado para medir a dispersão
Leia maisInvestimentos. António M. R. G. Barbosa. Dia 25: 17/Abr/12. António Barbosa (IBS) Investimentos Dia 25: 17/Abr/12 1 / 22
Investimentos António M. R. G. Barbosa Dia 25: 17/Abr/12 António Barbosa (IBS) Investimentos Dia 25: 17/Abr/12 1 / 22 Sumário 1 Efeito de diversificação entre 2 activos 2 António Barbosa (IBS) Investimentos
Leia maisBIOESTATISTICA. Unidade IV - Probabilidades
BIOESTATISTICA Unidade IV - Probabilidades 0 PROBABILIDADE E DISTRIBUIÇÃO DE FREQUÊNCIAS COMO ESTIMATIVA DA PROBABILIDADE Noções de Probabilidade Após realizar a descrição dos eventos utilizando gráficos,
Leia maisTécnicas Atuariais II 7. Reservas Matemáticas 1 / 25
Técnicas Atuariais II 7. Reservas Matemáticas Thaís Paiva thaispaiva@est.ufmg.br Departamento de Estatística Universidade Federal de Minas Gerais Técnicas Atuariais II 7. Reservas Matemáticas 1 / 25 Programa
Leia maisUnidade: Risco e Retorno. Unidade I:
Unidade I: 0 Unidade: Risco e Retorno A análise de investimentos está baseada nas estimativas dos fluxos de caixa de um projeto. Nem sempre essas previsões de fluxo de caixa coincidem com os resultados
Leia maisMAB-515 Avaliação e Desempenho (DCC/UFRJ)
MAB-515 Avaliação e Desempenho (DCC/UFRJ) Aula 7: Intervalos de Confiança 13 de novembro de 2012 1 2 3 4 Percentil 100p%-percentil O ponto t 0 tal que t 0 = F 1 X (p) = min{t : F X (t) p}, 0 < p < 1 é
Leia maisFísica Geral - Laboratório (2013/1) Aula 2: Organização e descrição de dados e parâmetros de dispersão e correlação
Física Geral - Laboratório (2013/1) Aula 2: Organização e descrição de dados e parâmetros de dispersão e correlação 1 Lembrando: Bibliografia Estimativas e Erros em Experimentos de Física (EdUERJ) 2 Resumo:
Leia maisVariáveis Aleatórias. Esperança e Variância. Prof. Luiz Medeiros Departamento de Estatística - UFPB
Variáveis Aleatórias Esperança e Variância Prof. Luiz Medeiros Departamento de Estatística - UFPB ESPERANÇA E VARIÂNCIA Nos modelos matemáticos aleatórios parâmetros podem ser empregados para caracterizar
Leia mais1 Noções de Probabilidade
Noções de Probabilidade Já vimos que para se obter informações sobre alguma característica da população, podemos utilizar uma amostra. Estudaremos agora a probabilidade, que é uma ferramenta usada e necessária
Leia maisDistribuição de Probabilidade. Prof. Ademilson
Distribuição de Probabilidade Prof. Ademilson Distribuição de Probabilidade Em Estatística, uma distribuição de probabilidade descreve a chance que uma variável pode assumir ao longo de um espaço de valores.
Leia maisaula DISTRIBUIÇÃO NORMAL - PARTE I META OBJETIVOS PRÉ-REQUISITOS Apresentar o conteúdo de distribuição normal
DISTRIBUIÇÃO NORMAL - PARTE I 4 aula META Apresentar o conteúdo de distribuição normal OBJETIVOS Ao final desta aula, o aluno deverá: determinar a média e a variância para uma função contínua; padronizar
Leia maisDado que há um número ímpar de elementos, a mediana será o elemento que coincide com o seguinte:
Olá pessoal! Vamos às questões! A banca foi a FGV. Exercício 1 A seguinte amostra de idades foi obtida: 19; 25; 39; 20; 16; 27; 40; 38; 28; 32; 30. Assinale a opção que indica a mediana dessas idades.
Leia maisb) Variáveis Aleatórias Contínuas
Disciplina: 221171 b) Variáveis Aleatórias Contínuas Prof. a Dr. a Simone Daniela Sartorio de Medeiros DTAiSeR-Ar 1 Uma variável aleatória é contínua (v.a.c.) se seu conjunto de valores é qualquer intervalo
Leia mais2. Estatística Descritiva
2. Estatística Descritiva ESTATÍSTICA Conjunto de técnicas e ferramentas que descreve, organiza, resume e interpreta as informações a partir dos dados coletados Estatística descritiva Conjunto de técnicas
Leia maisPreços e inflacção Pedro Cosme Costa Vieira. Faculdade de Economia da Universidade do Porto 2012
Preços e inflacção Pedro Cosme Costa Vieira Faculdade de Economia da Universidade do Porto 2012 1 2 A inflação (i.e., a subida generalizada dos preços dos bens e serviços) não tem efeito na afectação dos
Leia mais308 CAPfTU LO 11 - ESTIMAÇÃO Observe que o primeiro intervalo tem amplitude menor que o segundo. Outra observação importante é que por ( 11.40) e um r
308 CAPfTU LO 11 - ESTIMAÇÃO Observe que o primeiro intervalo tem amplitude menor que o segundo. Outra observação importante é que por ( 11.40) e um r fixo, os intervalos que podemos obter para amostras
Leia maisConceitos Iniciais de Estatística Módulo 6 : PROBABILIDADE VARIÁVEL ALEATÓRIA CONTÍNUA Prof. Rogério Rodrigues
Conceitos Iniciais de Estatística Módulo 6 : PROBABILIDADE VARIÁVEL ALEATÓRIA CONTÍNUA Prof. Rogério Rodrigues 0 1 CONCEITOS INICIAIS DE ESTATÍSTICA: PROBABILIDADE / VARIÁVEL ALEATÓRIA CONTÍNUA CURSO :
Leia maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 09
Teoria das Filas aplicadas a Sistemas Computacionais Aula 09 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia maisMercado de Capitais Mercado Cambial Taxas juro. Investimentos. António M. R. G. Barbosa. Dia 3: 07/Fev/12
Investimentos António M. R. G. Barbosa Dia 3: 07/Fev/12 António Barbosa (IBS) Investimentos Dia 3: 07/Fev/12 1 / 26 Sumário 1 Mercado de Capitais Mercados de Obrigações Mercados de Acções Mercados de Derivados
Leia maisMODELO DE DECISÃO PARA ESCOLHA DE PORTFOLIO DE INVESTIMENTOS
MODELO DE DECISÃO PARA ESCOLHA DE PORTFOLIO DE INVESTIMENTOS Rodrigo José Pires Ferreira UFPE Cx. Postal 7462, Recife PE, 50.630-970 rodrigo@ufpe.br Adiel Teixeira de Almeida Filho UFPE Cx. Postal 7462,
Leia maisExame de Gestão Financeira
INSTITUTO SUPERIOR DE CONTABILIDADE E ADMINISTRAÇÃO Instituto Politécnico de Coimbra 2º Teste de Avaliação Duração: 2 horas Semestre: 4º Exame de Gestão Financeira Licenciatura em Contabilidade e Auditoria
Leia maisVariáveis bidimensionais
Wagner H. Bonat Fernando P. Mayer Elias T. Krainski Universidade Federal do Paraná Departamento de Estatística Laboratório de Estatística e Geoinformação LEG/DEST/UFPR 1 / 48 Sumário 1 Distribuições conjuntas
Leia maisDecisão Decidir Análise / Teoria da Decisão
Decisão Decidir é o acto de seleccionar uma linha de acção preferida entre várias alternativas existentes. Existem diversos instrumentos que podem contribuir para a tomada de decisões, dependentes do ambiente
Leia maisBioestatística. October 28, UFOP October 28, / 57
Bioestatística October 28, 2013 UFOP October 28, 2013 1 / 57 NOME 1 Medidas de Tendência Central Média aritmética Mediana Moda Separatrizes 2 Medidas de Dispersão Amplitude Total Variância e Desvio-padrão
Leia mais6.3 Valor Médio de uma Variável Aleatória
6. 3 V A L O R M É D I O D E U M A V A R I Á V E L A L E A T Ó R I A 135 1. Considere uma urna contendo três bolas vermelhas e cinco pretas. Retire três bolas, sem reposição, e defina a v.a. X igual ao
Leia maisINTRODUÇÃO ÀS FINANÇAS
INTRODUÇÃO ÀS FINANÇAS Tipo de Prova: Mini -Teste I Data de realização: 16 de março de 2013 Duração: 90 minutos Nome: Nº de aluno: Turma: CLASSIFICAÇÃO GRUPO 1 GRUPO 2 TOTAL Atente nas seguintes indicações:
Leia maisAula de hoje. administração. São Paulo: Ática, 2007, Cap. 3. ! Tópicos. ! Referências. ! Distribuição de probabilidades! Variáveis aleatórias
Aula de hoje! Tópicos! Distribuição de probabilidades! Variáveis aleatórias! Variáveis discretas! Variáveis contínuas! Distribuição binomial! Distribuição normal! Referências! Barrow, M. Estatística para
Leia maisESCOLA SUPERIOR DE TECNOLOGIA E GESTÃO
Área Científica Matemática Probabilidades e Estatística Curso Engenharia do Ambiente º Semestre º Ficha n.º: Probabilidades e Variáveis Aleatórias. Lançam-se ao acaso moedas. a) Escreva o espaço de resultados
Leia maisE [ ] É o problema que ocorre quando uma empresa identifica baixa rentabilidade em relação ao que foi projetado.
1 ª. Questão Com base na Administração Financeira, é incorreto afirmar que: A [ ] Os administradores devem gerir ativamente os assuntos financeiros de qualquer tipo de empresa, exceto se a empresa for
Leia maisCapítulo 3: Elementos de Estatística e Probabilidades aplicados à Hidrologia
Departamento de Engenharia Civil Prof. Dr. Doalcey Antunes Ramos Capítulo 3: Elementos de Estatística e Probabilidades aplicados à Hidrologia 3.1 - Objetivos Séries de variáveis hidrológicas como precipitações,
Leia maisProbabilidade e Estatística
Probabilidade e Estatística Aula 6 Distribuições Contínuas (Parte 02) Leitura obrigatória: Devore, Capítulo 4 Chap 6-1 Distribuições de Probabilidade Distribuições de Probabilidade Distribuições de Probabilidade
Leia mais1.É preferível consumir hoje a consumir no futuro Sendo que tudo o resto se mantém constante (ceteris
1 2 Sumário (15ª aula) 5. Noção de taxa de juro conclusão 5.2 Juro real e juro nominal conclusão 6. Capitalização 6.1. Capitalização composta 18 Nov. 2004 4.1 Progressão aritmética (variação absoluta constante)
Leia maisTópicos em Gestão da Informação II
Tópicos em Gestão da Informação II Aula 07 Inferência Estatística - Estimação Prof. Dalton Martins dmartins@gmail.com Gestão da Informação Faculdade de Informação e Comunicação Universidade Federal de
Leia maisAvaliação Financeira de Empresas e Empreendimentos Imobiliários
Curso de Especialização em Gerenciamento da Construção Civil Avaliação Financeira de Empresas e Empreendimentos Imobiliários Prof. MSC Miguel Adriano Gonçalves 1- Funções da administração financeira Setor
Leia maisCAPÍTULO 5: VARIÁVEIS ALEATÓRIAS BIDIMENSIONAIS Todas as coisas aparecem e desaparecem por causa da concorrência de causas e condições. Nada nunca existe inteiramente só, tudo está em relação com todo
Leia maisDistribuições de Probabilidade
Distribuições de Probabilidade Carla Henriques, Nuno Bastos e Cristina Lucas Departamento de Matemática Escola Superior de Tecnologia de Viseu. Henriques, N. Bastos e C. Lucas (DepMAT) Distribuições de
Leia mais