Cálculo do VAR Através de Simulação Monte Carlo: Uma Avaliação de Uso de Métodos Amostrais Mais Eficientes

Tamanho: px
Começar a partir da página:

Download "Cálculo do VAR Através de Simulação Monte Carlo: Uma Avaliação de Uso de Métodos Amostrais Mais Eficientes"

Transcrição

1 Cálculo do VAR Através de Simulação Monte Carlo: Uma Avaliação de Uso de Métodos Amostrais Mais Eficientes Autoria: Eduardo Saliby e Marcos Moura Silva Araújo Resumo O VAR (Value At Risk) transformou-se em uma importante ferramenta na área de gerenciamento de riscos. Dentre as várias formas de cálculo do VAR, a simulação de Monte Carlo é tida como um dos métodos mais robustos, já que vários aspectos relacionados aos mercados financeiros podem ser modelados com maior realismo. Entretanto, para se obter medidas confiáveis, é necessário realizar um número muito grande de simulações, o que pode inviabilizar o seu uso caso não se disponha de computadores e softwares sofisticados. Com o objetivo de aumentar a precisão do método de simulação, foram desenvolvidas novas técnicas de amostragem visando um melhor controle do processo de geração dos valores aleatórios e, conseqüentemente, uma redução do esforço computacional envolvido. O presente trabalho apresenta resultados referentes ao uso de uma destas técnicas, a Amostragem Descritiva, na obtenção da medida do VAR através da simulação de Monte Carlo. Palavras-chave: VAR, Risco, Simulação 1. INTRODUÇÃO O VAR (value-at-risk) é uma medida de risco financeiro, definida como a perda máxima em valor que uma carteira de ativos (portfolio) pode atingir, dadas suas posições em aberto, em um determinado horizonte de tempo e com um nível de confiança pré-estabelecido. Sendo P o valor do portfolio atual, seus possíveis valores futuros P F, para um período de tempo pré-definido, são descritos por uma distribuição de probabilidades. O VAR é definido como a diferença entre P e um particular percentil (5% ou 1%) da distribuição de valores futuros P F. São 3 (três) as principais metodologias para cálculo do VAR i : ii 1. Método Histórico - verifica-se as variações ocorridas nos fatores de mercado em período histórico definido e aplica-se essas variações no portfolio atual levando em consideração o horizonte de tempo escolhido.. Métodos por Simulação de Monte Carlo - ao invés de verificar as variações ocorridas nos fatores de mercado em período histórico, define-se as distribuições e seus respectivos parâmetros para as variações dos fatores de mercado. Define-se, também, a correlação existente entre esses fatores, normalmente tirada de dados históricos. Em seguida, simulam-se várias observações das possíveis variações dos fatores de mercado, verificando seus impactos no valor do portfolio atual. 3. Métodos Analíticos - utiliza métodos estatísticos padronizados para calcular as variações no valor do portfolio atual. Para isso, necessita considerar várias premissas para os fatores de mercado. Os parâmetros dos modelos são retirados de dados históricos. Todas as metodologias têm vantagens e desvantagens e seus usos são indicados, principalmente, em função dos ativos que compõem o portfolio. Os métodos analíticos são de fácil implementação e o seu cálculo é bem rápido. Porém, os resultados são bastante imprecisos caso o portfolio contenha quantidades significativas de ativos não lineares, como por exemplo, opções. Assim, costuma-se não recomendar o uso desse método nesse tipo de 1

2 portfolio. O método histórico necessita de modelos de precificação para certos instrumentos financeiros, tornando sua implementação e cálculo um pouco mais difícil. Porém, é mais preciso nos resultados mesmo utilizando ativos não lineares como derivativos. Entre suas principais desvantagens está a premissa de que o comportamento dos fatores de mercado irá se repetir no futuro da mesma forma que no período histórico considerado. Além disso, não permite a realização de análises de sensibilidade. Os métodos por simulação de Monte Carlo não se prendem tão fortemente à premissa acima de que o comportamento futuro irá repetir o passado, são precisos iii e permitem a realização de análises de sensibilidade. Porém, seus cálculos são mais lentos já que necessitam simular milhares de observações até chegar aos resultados. Por serem métodos computacionalmente intensivos, suas implementações são mais difíceis e caras. Além disso, pode-se usar modelos estocásticos para prever o comportamento dos fatores de mercado, tornando sua implementação ainda mais difícil. Apesar disso, os métodos por simulação de Monte Carlo são considerados os mais robustos e os mais poderosos para o cálculo do value-at-risk, pois contemplam uma grande iv variedade de riscos financeiros. Todas as variáveis dos modelos podem ser tratadas como probabilísticas caso isto venha a ser de interesse. O objetivo desse trabalho é o de avaliar as consequências do uso de métodos de amostragem mais controlados para o cálculo do VAR por Simulação de Monte Carlo. Para isso, comparou-se o uso da abordagem padrão, a amostragem aleatória simples, com o da amostragem descritiva v.. A AMOSTRAGEM DESCRITIVA A amostragem aleatória simples (AAS), método tradicionalmente utilizado em simulação, conduz a estimativas pouco precisas. Como alternativa, sugere-se utilizar métodos amostrais mais controlados, como é o caso de muitas das técnicas de redução de variância, como o método das variáveis antitéticas e o uso de common ramdom numbers vi. A quase totalidade das técnicas de redução de variância propõem um controle do processo de amostragem entre diferentes corridas de simulação, sem interferir porém neste processo dentro de uma mesma corrida. Já a amostragem descritiva propõe um maior controle do processo de amostragem, exercendo tal controle dentro da própria corrida. Do ponto de vista operacional, a diferença entre o uso da amostragem aleatória simples e o da amostragem descritiva reside no processo de seleção dos valores amostrais. Em ambos os casos, a seqüência de valores é aleatória. Para a utilização da amostragem descritiva deve-se, inicialmente, definir o tamanho da amostra de entrada. Feito isso, tem-se as seguintes etapas: 1. Geração dos conjuntos dos valores descritivos.. Geração de uma permutação aleatória. Para gerar o conjunto dos valores descritivos, faz-se uso da expressão: 1 xd i = F [( i 0.5) / n], i = 1,.., n onde, xd i = valor que compõe a amostra descritiva. n = tamanho da amostra. 1 F = inversa da função de distribuição acumulada.

3 3. CALCULANDO O VAR ATRAVÉS DA SIMULAÇÃO POR MONTE CARLO A metodologia básica do cálculo do VAR por simulação de Monte Carlo envolve os seguintes passos: 1. Estimar as volatilidades e correlações para os ativos que compõem o portfolio e os fatores que influenciam seu valor.. Utilizar um modelo estocástico para simular os possíveis preços futuros de cada ativo ou fator de risco do portfolio. 3. Havendo derivativos no portfolio, utilizar um modelo de precificação para avaliar seus preços em função das variações nos ativos-objetos. 4. Computar o valor do portfolio para o cenário gerado. 5. Repetir os passos a 4 até se obter um amostra suficientemente grande para que se possa gerar a distribuição do valor do portfolio. A partir dessa distribuição, mede-se o percentil referente ao nível de confiança (NC) que se deseja calcular o VAR. Por exemplo: se o NC desejado é de 95%, calcula-se o percentil 5% (1-95%). O VAR será, finalmente, o valor encontrado menos o valor atual do portfolio. 3.1 Experimento 1: Dois ativos não correlacionados Esse experimento calcula o VAR por Simulação de Monte Carlo em um portfolio com ativos não correlacionados (denominados Ativo A e Ativo B) e avalia a eficiência vii obtida com a utilização da técnica da Amostragem Descritiva em relação à Amostragem Aleatória Simples. O VAR será calculado com nível de confiança de 95% e holding period de 1 dia útil. Estudaremos o efeito na eficiência da variação de dois parâmetros: proporção (peso) de cada um dos ativos, volatilidade de cada ativo. O modelo estocástico utilizado para geração de preços futuros será o Geometric Brownian Motion, descrito por: σ ( µ ) T + σ T Z PT = P0 e onde: P T : preço futuro do ativo no instante T. P 0 : preço do ativo no instante 0. T: intervalo de tempo (Holding Period). µ: retorno médio do ativo medido em taxa contínua. σ: desvio-padrão (volatilidade) do ativo medido em taxa contínua. Z: variável aleatória distribuída segundo uma normal padronizada. O modelo acima tem como base as seguintes premissas: 1. Os preços e os retornos dos ativos seguem uma distribuição lognormal.. A média µ e a volatilidade σ mantêm-se constantes durante o período considerado. 3. As variações logarítmicas de preço são independentes, ou seja, não há correlação entre elas. Em nosso experimento, a média µ foi fixada em zero e as volatilidades definidas de forma arbitrária, pois nosso objetivo restringiu-se em avaliar o efeito das diferentes técnicas de amostragem para portfolios com diferentes relações de volatilidades e diferentes proporções entre os ativos. 3

4 O experimento foi realizado em três etapas viii : 1. Definiu-se o ativo A com volatilidade igual a 60% aa, o ativo B com volatilidade igual a 5% aa e a correlação entre eles igual a 0 (zero). Definiu-se, também, que o portfolio teria 90 % do ativo A e 10 % do ativo B (como o portfolio possui somente dois ativos, o peso do ativo B será sempre o complemento do ativo A). Calculou-se o VAR pela AAS utilizando uma corrida de 1000 simulações. De forma a se ter uma idéia da variabilidade dessa medida, repetiu-se cada corrida 100 vezes. Calculou-se, então, a média e o desvio padrão dessas 100 medidas.. Em seguida, repetiu-se o procedimento acima com diferentes pesos para o Ativo A (80%, 70%,..., 10%). 3. Finalmente, repetiu-se as etapas 1 e variando-se a volatilidade do Ativo B para 30% e para 60% aa, mantendo-se a volatilidade do Ativo A em 60% aa e a correlação entre os ativos igual a zero. Todo este experimento foi posteriormente replicado utilizando-se a Amostragem Descritiva em lugar da Amostragem Aleatória Simples. Para a comparação dos dois métodos de amostragem, após verificar que produzem estimativas de igual média, foi calculado um índice de eficiência estatística, definido pela razão dos desvios-padrões entre a AD e AAS. Em princípio, espera-se que este índice varie entre 0 e 1; quanto mais próximo de zero for este índice, maior é o ganho de eficiência com a AD, enquanto que valores próximos de 1 indicam situações de pouco ou nenhum ganho com a AD. Para uma melhor interpretação dos resultados do experimento, apresentamos os valores obtidos para este índice de eficiência no Gráfico % 90.00% 80.00% Índice de Eficiência 70.00% 60.00% 50.00% 40.00% 30.00% 0.00% 10.00% 60 / 5 60 / / % 10% 0% 30% 40% 50% 60% 70% 80% 90% Proporção do ativo A Gráfico 1 Índices de eficiência para diferentes proporções do ativo A, considerando três relações de volatilidade entre os dois ativos. O Gráfico 1 nos mostra que a eficiência da AD em relação a AAS depende da relação de volatilidades entre os ativos e da proporção de cada ativo no portfolio. Uma primeira análise do gráfico nos mostra que o ponto de melhor eficiência (menor índice!) 4

5 refere-se ao portfolio composto de 90% do ativo A, tendo este ponto 60% de volatilidade enquanto o ativo B possui 5%. Por outro lado, o portfolio com 50% do ativo A enquanto ambas as volatilidades são iguais a 60%, tem uma das menores eficiências. Para melhor entender o motivo desse comportamento, é interessante observar as características da variabilidade da medida do VAR tanto na Amostragem Descritiva quanto na AAS. O Gráfico, abaixo, apresenta os resultados de cada conjunto de 100 corridas com a AAS, tendo no eixo das abscissas a média do VAR e no eixo das ordenadas o respectivo desvio padrão. Desvio Padrão x Value at Risk DP 0,1 0,18 0,15 0,1 0,09 0,06 0,03 0,00 0,00,00 4,00 6,00 Value at Risk Gráfico Desvio padrão do VAR x Média(VAR) para cada portfolio calculado usando-se a AAS. A correlação linear da Média do VAR e o respectivo desvio padrão é de Verifica-se, pois, que a variabilidade do VAR depende apenas de sua magnitude, não sendo influenciada pelas características do portfolio: os pesos e as volatilidades dos ativos. Este resultado é previsto pela teoria estatística pois, segundo Kendall (1994), o desvio padrão de um determinado quantil para uma distribuição qualquer, usando-se AAS e no caso de grandes amostras, é dado por: 1 c(1 c) se( qˆ) = f ( q) T Onde: se(q) = desvio padrão do quantil c. f(q) = função densidade no quantil c. c = probabilidade referente ao quantil. T = tamanho da amostra. Iremos, agora, apresentar gráfico semelhante ao anterior com todos os pontos calculados pela AD para que possamos entender melhor o desvio padrão do VAR quando do uso da AD. 5

6 Desvio Padrão x Value at Risk 0.5% 0.0% Desvio Padrão 0.15% 0.10% 60/5 60/30 60/60 AAS 0.05% 0.00% 0.00% 1.00%.00% 3.00% 4.00% 5.00% 6.00% Value at Risk Gráfico 3 Desvio padrão x Média do VAR para cada portfolio calculado usando-se a AD. Também apresenta alguns dos pontos já plotados no Gráfico (AAS) para fins de comparação. Vê-se que os pontos que representam a variabilidade do VAR pela AD apresentam-se mais espalhados no gráfico, não mais variando em torno de uma reta. Neste gráfico, os pontos com desvios padrões mais baixos são aqueles em que a proporção do ativo A é extrema (10% ou 90%), independente da relação de volatilidades entre os ativos. Além disso, esses desvios têm valores similares. À medida em que se aumenta o peso dos dois ativos no portfolio, os desvios também aumentam, mantendo a similaridade entre os valores. Com isso, pode-se concluir que, dentro de uma mesma relação de volatilidades, o desvio padrão depende apenas do peso de um determinado ativo no portfolio, independentemente da volatilidade desse ativo. No caso em que o ativo A possui 60% de volatilidade e o ativo B possui 30%, o desvio padrão é o mesmo quando o peso de A igual a 90% ou 10%. Vê-se que o VAR é diferente, logicamente, pois um portfolio com 90% de um ativo com 60% de volatilidade possui mais risco do que um portfolio com 90% de um ativo com 30% de volatilidade. Esse comportamento difere da AAS onde há proporcionalidade do desvio padrão e do VAR (estimado pela respectiva média). A eficiência pode ser vista graficamente pela distância entre os pontos da AD e os pontos em círculos representando a AAS. Nos portfolios em que as relações de volatilidade são diferentes, observa-se que a eficiência será mais alta quando a proporção do ativo de maior volatilidade for a mais alta possível. Outra constatação importante a partir do gráfico é que, para uma proporção do ativo de maior volatilidade alta, por exemplo 90%, o VAR é inteiramente dominado pelo ativo A. Contudo, o desvio padrão aumenta quanto maior for a volatilidade do ativo B. Uma primeira conclusão que se pode tirar desse experimento, é que a AD se mostra mais eficiente quando a dimensionalidade é baixa, ou seja, quando há poucas variáveis influenciando o resultado final. A AD mostrou-se mais eficiente quando um determinado ativo representava 90% do portfolio e a volatilidade de um deles era bem maior que a do 6

7 outro. Esse comportamento também sugere a redução da eficiência da AD quando se aumenta a dimensionalidade do problema. Nota-se que a variabilidade do VAR é menor quando o ativo B representa apenas 10% do portfolio e possui volatilidade correspondente a 8% da volatilidade do ativo A, ou seja, sua presença é insignificante frente ao ativo A, deixando o problema com praticamente uma dimensão. Ao se aumentar a volatilidade do ativo B, deixando-a, por exemplo, igual a do ativo A, vê-se que a variabilidade do VAR aumenta bastante. 4. EXPERIMENTO : DOIS ATIVOS CORRELACIONADOS Iremos, agora, estudar a variabilidade do VAR para ambos os métodos amostrais, no caso de dois ativos correlacionados. 4.1 Geração de valores correlacionados Para se gerar valores correlacionados para os dois ativos do Portfolio de Teste, utilizou-se a decomposição dos fatores de Cholesky ix, que segue os seguintes passos: Gera-se as variáveis de forma independente. Aplica-se uma transformação a essas variáveis de forma que as novas variáveis assim criadas venham a ter a estrutura de correlação desejada. Exemplo: para gerar dois conjuntos de variáveis ε 1 e ε com correlação ρ, inicialmente gera-se conjuntos independentes η 1 e η. A partir daí, transforma-se cada par gerado através das fórmulas: ε 1 = η 1 ε = ρη 1 + (1-ρ ) 1/ η Os conjuntos ε 1 e ε possuem a correlação desejada ρ. Para se chegar à transformação necessária, os passos são os seguintes: 1. Para uma determinada estrutura de correlação desejada, define-se a matriz de covariância R. Decompõe-se essa matriz em R = P*P T, onde P é a matriz triangular baixa, ou seja, os valores acima da diagonal são iguais a zero e P T é sua matriz transposta.. Define-se um vetor η, composto de variáveis independentes e variância unitária. Esse vetor terá sua matriz de covariância igual a matriz identidade I. 3. Ao multiplicar-se a matriz P pelo vetor η, encontra-se o vetor ε (ε = P*η), o vetor transformado, cuja matriz de covariância é a matriz R. Este resultado é facilmente provado. De fato: Var(ε) = E(ε*ε T ) = E(Pηη T P T ) = PE(ηη T )P T = PIP T = PP T = R. onde Var( ) e E( ) representam a variância e o valor esperado de um vetor. Como ilustração, apresentamos a decomposição de Cholesky no caso de variáveis. Tem-se: R = 1 ρ ρ 1 a a a T P = e P a a = a 1 0 Multiplicando: 7

8 a T R = PP 1 ρ = ρ 1 a Daí, tem-se que: a 11 a a = 1 a = ρ = ρ a = a1 = ρ a a a a a a = a a a a = 1 a = 1 a a = 1 ρ 1 O vetor ε será dado por: 1 a a a1a ε η η ε = η ε = ρ ρ P η = 1 ρη + 1 ρ η Comprova-se, então, a fórmula que gera a transformação de duas variáveis independentes em variáveis correlacionadas apresentada anteriormente. O mesmo procedimento pode ser usado para se gerar qualquer número de variáveis correlacionadas. A decomposição de Cholesky realiza uma transformação das variáveis independentes causando um efeito indesejado: destrói a estratificação gerada pela amostragem descritiva. Mas é exatamente a partir desta propriedade que a AD proporciona suas vantagens! Uma solução para esse problema consiste em utilizar a série transformada pela decomposição de Cholesky para reordenar a série estratificada original. Esse método foi proposto por Iman e Conover (198) no contexto da Amostragem por HiperCubos Latinos, uma metodologia muito próxima à AD (Saliby, 1997); em lugar da correlação paramétrica (de Pearson) entre os valores amostrais ele preserva a correlação ordinal (de Spearman) entre as variáveis originais. Abaixo, descrevemos o método utilizando duas séries correlacionadas como exemplo: 1. Embaralha-se as séries estratificadas normalmente de forma a termos as duas séries independentes.. Aplica-se a decomposição de Cholesky às séries. Conforme vemos na fórmula acima, a primeira série mantém-se inalterada, enquanto a segunda sofre uma transformação e, conseqüentemente, perde sua estratificação. 3. Na série transformada, verifica-se qual a ordem que um determinado valor da série ocupa na própria série. 4. Busca-se na série original o valor equivalente à ordem encontrada no item anterior e substitui-se o valor transformado por esse valor. Assim, obtemos uma correlação ordinal entre as variáveis sem perdermos a estratificação. Para amostras grandes, a correlação ordinal de Spearman e a correlação linear de Pearson tendem a ter praticamente o mesmo valor numérico. 4. Experimento e Resultados O presente experimento tem por objetivo avaliar a variabilidade da medida do VAR, para ambos os métodos amostrais, no caso de dois ativos com correlação diferente de zero. O VAR será calculado da mesma forma que anteriormente. Para induzir a correlação desejada nos preços futuros de cada ativo, usaremos a decomposição de Cholesky para o cálculo através da técnica da Amostragem Aleatória Simples e usaremos o algoritmo proposto por Conover, para induzir a correlação no caso da Amostragem Descritiva. Definiu-se o ativo A com volatilidade igual a 60 % aa e o ativo B com volatilidade igual a 30 % aa. Da mesma forma que no experimento anterior, o VAR (usando AAS) foi 1 8

9 calculado com 100 corridas de 1000 simulações cada, de onde calculou-se a média e o desvio padrão. O VAR foi calculado com correlação igual a 0.7 e 0,7 e variando-se a proporção do ativo A de 10% a 90%. Os resultados podem ser vistos na tabela abaixo, juntamente com os resultados com correlação igual a zero. Os dados acima são melhor interpretados quando visualizados em gráfico, conforme o Gráfico % 90.0% 80.0% 70.0% Índice de Eficiência 60.0% 50.0% 40.0% 30.0% % 10.0% 0.0% 10% 0% 30% 40% 50% 60% 70% 80% 90% Proporção o Ativo A Gráfico 4 - Índice de eficiência para diferentes proporções do ativo A, considerando três correlações diferentes. Podemos observar que na faixa onde a proporção do ativo A varia entre 0% e 50%, a eficiência da AD com correlação entre ativos igual a 0,7, embora ainda produzindo ganhos de precisão em relação a AAS, é menor do que no caso com correlação nula. Essa faixa corresponde aos pontos onde a influência dos dois ativos no VAR e o efeito da correlação são maiores. Esse resultado é importante, pois indica que o desvio padrão da AD reduz numa proporção menor que a AAS quando há correlação negativa entre os ativos. Nota-se, da mesma forma que no experimento anterior, que a Amostragem Descritiva não obedece a relação descrita na equação de Kendall. A presença da correlação impõe uma certa estrutura de relacionamento entre as duas variáveis, no caso o preço dos dois ativos, reduzindo o efeito da variabilidade da função de distribuição do valor do portfolio. De uma certa forma, essa redução da variabilidade pode ser vista como uma diminuição da dimensionalidade do problema, o que explicaria a redução do desvio padrão. Tanto o experimento anterior quanto este sugerem que o que mais influencia a variabilidade do VAR calculada pela técnica da Amostragem Descritiva é a dimensionalidade do problema. 5. TESTE COM MAIS ATIVOS E NÍVEIS DE CONFIANÇA. Iremos investigar, agora, o efeito do número de ativos do portfolio e do nível de confiança em nossa medida de eficiência. Quanto mais ativos possuir o portfolio, maior será a 9

10 dimensionalidade do problema. Espera-se que a eficiência diminua à medida em que o número de ativos aumente. Nesse experimento, iremos admitir que todos os ativos tenham volatilidade igual a 60% aa e pesos iguais. Assim, para um portfolio com n ativos, o peso de cada ativo será 1/n. Iremos calcular o VAR utilizando a Amostragem Aleatória Simples e a Amostragem Descritiva com n variando entre, 4,8, 16, 3 e 64 ativos e com níveis de confiança de 95%, 96%, 97%, 98% e 99%. Admitiu-se correlação nula entre os ativos. Cada VAR foi calculado numa corrida de 1000 simulações. Repetiu-se a corrida 100 vezes para calcular o desvio padrão. Em seguida, repetiu-se essa experiência 100 vezes de forma a termos 100 desvios padrão, de onde tirou-se a média desses desvios. Isso foi realizado utilizando-se a técnica da AAS e AD. A eficiência foi calculada dividindo-se a média dos desvios calculados pela Amostragem Descritiva pela média dos desvios calculados pela Amostragem Aleatória Simples. Devido à enorme quantidade de cálculos necessárias para a realização desse experimento, utilizou-se a linguagem de programação MATLAB, assim como feito na segunda parte do experimento anterior. Os resultados encontram-se na tabela abaixo: Nível de Confiança (%) Qtde. de Ativos no portfolio % 83.1% 85.8% 86.1% 87.8% 87.6% % 85.3% 88.1% 88.7% 90.3% 88.7% % 86.6% 88.8% 90.4% 9.% 91.9% % 89.9% 9.3% 9.7% 93.1% 93.% % 91.3% 93.% 96.1% 97.% 94.8% Tabela 1 Eficiência da AD em relação à AAS. Correlação entre ativos igual a zero. Os dados acima são melhor visualizados num gráfico: Índice de Eficiência % 96% 97% 98% 99% Qtde. de Ativos Gráfico 5 Índice de Eficiência para portfolios com diferentes números de ativos e para diferentes níveis de confiança. 10

11 Observando-se a linha que representa nível de confiança de 95%, confirma-se a suspeita de que o aumento do número de ativos reduz a eficiência da Amostragem Descritiva. Contudo, verifica-se que a taxa marginal da eficiência decresce com o aumento da quantidade de ativos até chegar a zero onde a eficiência estabiliza-se em um valor menor que 100%. Pelo gráfico, a estabilização ocorre quando o número de ativos atinge entre 0 e 3, ponto a partir do qual a eficiência torna-se constante em 88%. O gráfico também mostra que quanto maior nível de confiança usado, menor será a eficiência. Isso indica que o desvio padrão da Amostragem Descritiva aumenta em proporção maior do que o da Amostragem Aleatória Simples ao se utilizar um nível de confiança mais alto. 6. CONCLUSÕES Num primeiro teste mostramos que a eficiência da Amostragem Descritiva em relação à Amostragem Aleatória Simples varia em função da proporção de um ativo em relação ao outro e da relação de volatilidades entre eles. Quanto maior for a proporção de um determinado ativo e, ao mesmo tempo, quanto maior for a sua volatilidade em relação ao outro, maior será a eficiência da Amostragem Descritiva. Isso se deve ao fato do resultado do VAR depender mais de um determinado ativo. Quando um portfolio é dominado por um ativo, pode-se dizer que ele é praticamente unidimensional. Se o resultado do VAR depende igualmente dos dois ativos, o problema torna-se bidimensional, reduzindo a eficiência. Num segundo teste, estudamos a influência da correlação na eficiência da Amostragem Descritiva. Verificamos que a presença de correlação positiva aumenta a eficiência da Amostragem Descritiva e a presença de correlação negativa reduz a eficiência. Esse diferencial é mais notado nos portfolios em que a o VAR depende igualmente dos dois ativos. A presença de correlação é uma forma de reduzir a dimensionalidade do problema, pois a variabilidade dos preços de um determinado ativo está vinculada ao do outro ativo. Assim, o desvio padrão do VAR na Amostragem Descritiva reduz tanto com correlação positiva quanto com correlação negativa. Entretanto, na Amostragem Aleatória Simples, o desvio padrão do VAR é proporcional ao valor do VAR. A correlação positiva aumenta o VAR, aumentando também o desvio padrão. Isso faz com que se haja um ganho na eficiência em comparação com correlação nula. Por outro lado, a correlação negativa diminui o VAR, reduzindo também o seu desvio padrão. O experimento mostrou que a redução do desvio padrão na Amostragem Descritiva é menor do que na Amostragem Aleatória Simples, levando a uma redução dos ganhos na eficiência. No terceiro teste testamos a influência do número de ativos na eficiência da Amostragem Descritiva em portfolios com ativos não correlacionados. Também verificou-se o efeito causado na eficiência utilizando diferentes níveis de confiança no cálculo do VAR. Verificou-se que quanto maior o número de ativos no portfolio, menor é a eficiência da Amostragem Descritiva. A medida da eficiência cresce com taxa marginal negativa estabilizando-se em um valor menor que 100%. Também observou-se que ao aumentar o nível de confiança da medida do VAR, menor será a eficiência. Isso indica que o desvio padrão na Amostragem Descritiva cresce em uma proporção maior do que na Amostragem Aleatória Simples quando se aumenta o nível de confiança. A técnica da Amostragem Descritiva mostrou ser uma melhor opção que a Amostragem Aleatória Simples no cálculo do Value at Risk (VAR) usando a Simulação de Monte Carlo. Obteve-se ganhos de eficiência na grande maioria dos portfolios estudados. A Amostragem Descritiva apresenta melhor eficiência quanto menor for a 11

12 dimensionalidade do problema. Essa constatação está de acordo com vários autores que dizem que técnicas de estratificação perdem eficiência quando se aumenta o número de dimensões. No problema do VAR verificamos redução da dimensionalidade quando um portfolio apresenta maior dominância de um ativo e quanto maior for a correlação entre eles. Exceção é observada em portfolios com correlação negativa, onde, embora também se reduza a dimensionalidade, observa-se queda na eficiência. A eficiência da Amostragem Descritiva no cálculo do VAR é maior quanto menor for o nível de confiança desejado. Referências: Bratley, P.; Fox, B. e Schrage, L., A Guide to Simulation. New York, Springer-Verlag, Iman, Ronald L. e Conover, W.J., A Distribution-Free Approach to Inducing Rank Correlation Among Input Variables, Communications in Statistics, 11(3), , 198. Jorion, P., Value at Risk: the new benchmark for controlling derivatives risk, Irwin, Kendall, M., Kendall s Advanced Theory of Statistics. New York, Halsted Press, Kleijnen, J.P.C. Statistical Techniques in Simulation, part I, New York, M. Dekker, Morgan, B., Elements of Simulation. New York, Chapman and Hall, 1984 Saliby, E., Repensando a Simulação, São Paulo, Atlas, Saliby, E., Descriptive Sampling: an improvement over latin hypercube sampling. In : Proceedings of the 1997 Winter Simulation Conference, p ,1997. Scheuer, E. e Stoller, D., On the Generation of Random Normal Vectors, Technometrics 4, pp: 78-81, 196. Smithson, C. e Minton, L., Value at Risk, Risk, January, i Vide Smithson C. e Minton L. (1996-1). ii Fatores de mercado ou fatores de risco são fatores que afetam o valor de um determinado ativo do portfolio. iii É importante ressaltar que a precisão aqui descrita é devida à possibilidade de relaxamento de várias premissas, o que torna o modelo mais próximo da realidade, e não devido ao processo de obtenção dos resultados que é conhecidamente impreciso. iv Vide Jorion P.(1997) pp. 00. v Vide Saliby E. (1989). vi Vide Kleijnen (1974), Bratley, Fox & Schrage (1983) e Morgan (1984). vii Definimos eficiência como a razão da variabilidade (desvio padrão) da medida do VAR entre as duas técnicas. viii Devido à suaq menor complexidade, este experimento foi realizado com o Excel, utilizando-se recursos de macros escritas em Visual Basic. ix Vide Scheuer e Stoller (196) 1

Autoria: Fábio Henrique de Sousa Coelho, Bruno Vasques Maletta

Autoria: Fábio Henrique de Sousa Coelho, Bruno Vasques Maletta Modelos Baseados em Simulação de Monte Carlo: Soluções para o Cálculo do Value-at-Risk Autoria: Fábio Henrique de Sousa Coelho, Bruno Vasques Maletta Resumo: O Value-at-Risk (VaR) é um dos conceitos mais

Leia mais

Modelagem e Simulação Material 02 Projeto de Simulação

Modelagem e Simulação Material 02 Projeto de Simulação Modelagem e Simulação Material 02 Projeto de Simulação Prof. Simão Sirineo Toscani Projeto de Simulação Revisão de conceitos básicos Processo de simulação Etapas de projeto Cuidados nos projetos de simulação

Leia mais

Introdução. Métodos de inferência são usados para tirar conclusões sobre a população usando informações obtidas a partir de uma amostra.

Introdução. Métodos de inferência são usados para tirar conclusões sobre a população usando informações obtidas a partir de uma amostra. Métodos Monte Carlo Introdução Métodos de inferência são usados para tirar conclusões sobre a população usando informações obtidas a partir de uma amostra. Estimativas pontuais e intervalares para os parâmetros;

Leia mais

Simulação Transiente

Simulação Transiente Tópicos Avançados em Avaliação de Desempenho de Sistemas Professores: Paulo Maciel Ricardo Massa Alunos: Jackson Nunes Marco Eugênio Araújo Dezembro de 2014 1 Sumário O que é Simulação? Áreas de Aplicação

Leia mais

Noções de Pesquisa e Amostragem. André C. R. Martins

Noções de Pesquisa e Amostragem. André C. R. Martins Noções de Pesquisa e Amostragem André C. R. Martins 1 Bibliografia Silva, N. N., Amostragem probabilística, EDUSP. Freedman, D., Pisani, R. e Purves, R., Statistics, Norton. Tamhane, A. C., Dunlop, D.

Leia mais

4 Avaliação Econômica

4 Avaliação Econômica 4 Avaliação Econômica Este capítulo tem o objetivo de descrever a segunda etapa da metodologia, correspondente a avaliação econômica das entidades de reservas. A avaliação econômica é realizada a partir

Leia mais

Modelos de Simulação de Monte Carlo: Aplicações ao Cálculo do Value-at-Risk e à Análise de Opções de Compra Européias sem Dividendos

Modelos de Simulação de Monte Carlo: Aplicações ao Cálculo do Value-at-Risk e à Análise de Opções de Compra Européias sem Dividendos UNIVERSIDADE FEDERAL DO RIO DE JANEIRO ESCOLA POLITÉCNICA Modelos de Simulação de Monte Carlo: Aplicações ao Cálculo do Value-at-Risk e à Análise de Opções de Compra Européias sem Dividendos Helio Cabral

Leia mais

Cálculo de VaR para uma carteira de ações: Sistema informatizado para ações negociadas na Bovespa

Cálculo de VaR para uma carteira de ações: Sistema informatizado para ações negociadas na Bovespa UNIVERSIDADE FEDERAL DO RIO DE JANEIRO INSTITUTO DE ECONOMIA MBA EM FINANÇAS E GESTÃO DE RISCO TRABALHO DE CONCLUSÃO Cálculo de VaR para uma carteira de ações: Sistema informatizado para ações negociadas

Leia mais

CURSO ON-LINE PROFESSOR: VÍTOR MENEZES

CURSO ON-LINE PROFESSOR: VÍTOR MENEZES Caros concurseiros, Como havia prometido, seguem comentários sobre a prova de estatística do ICMS RS. Em cada questão vou fazer breves comentários, bem como indicar eventual possibilidade de recurso. Não

Leia mais

2 Independência e dependência das taxas de juro

2 Independência e dependência das taxas de juro 1 Incerteza e juro aleatório Considere-se o intervalo [0, n], o tempo medido em anos, e a partição [0, 1], (1, 2],..., (n 1, 1] e suponha-se que no início do ano t são aplicadas C t unidades de capital,

Leia mais

Simulação Estocástica

Simulação Estocástica Simulação Estocástica O que é Simulação Estocástica? Simulação: ato ou efeito de simular Disfarce, fingimento,... Experiência ou ensaio realizado com o auxílio de modelos. Aleatório: dependente de circunstâncias

Leia mais

UNIVERSIDADE FEDERAL DE SÃO CARLOS CENTRO DE CIÊNCIAS EXATAS E DE TECNOLOGIA DEPARTAMENTO DE MATEMÁTICA

UNIVERSIDADE FEDERAL DE SÃO CARLOS CENTRO DE CIÊNCIAS EXATAS E DE TECNOLOGIA DEPARTAMENTO DE MATEMÁTICA UNIVERSIDADE FEDERAL DE SÃO CARLOS CENTRO DE CIÊNCIAS EXATAS E DE TECNOLOGIA DEPARTAMENTO DE MATEMÁTICA A GEOMETRIA DO VaR: (Value at risk) Aplicações computacionais AUTOR: RODOLFO VENDRASCO TACIN PROFESSOR

Leia mais

6 Construção de Cenários

6 Construção de Cenários 6 Construção de Cenários Neste capítulo será mostrada a metodologia utilizada para mensuração dos parâmetros estocásticos (ou incertos) e construção dos cenários com respectivas probabilidades de ocorrência.

Leia mais

Autoria: Jaqueline Terra Moura Marins, Josete Florencio dos Santos, Eduardo Saliby

Autoria: Jaqueline Terra Moura Marins, Josete Florencio dos Santos, Eduardo Saliby Precificação de Opções de Compra do Tipo Asiática usando imulação de Monte Carlo: uma Comparação entre Diferentes Métodos Amostrais Autoria: Jaqueline Terra Moura Marins, Josete Florencio dos antos, Eduardo

Leia mais

INE 7001 - Procedimentos de Análise Bidimensional de variáveis QUANTITATIVAS utilizando o Microsoft Excel. Professor Marcelo Menezes Reis

INE 7001 - Procedimentos de Análise Bidimensional de variáveis QUANTITATIVAS utilizando o Microsoft Excel. Professor Marcelo Menezes Reis INE 7001 - Procedimentos de Análise Bidimensional de variáveis QUANTITATIVAS utilizando o Microsoft Excel. Professor Marcelo Menezes Reis O objetivo deste texto é apresentar os principais procedimentos

Leia mais

MODELO DE AVALIAÇÃO EM PROJETOS DE INVESTIMENTO DE CAPITAL

MODELO DE AVALIAÇÃO EM PROJETOS DE INVESTIMENTO DE CAPITAL MODELO DE AVALIAÇÃO EM PROJETOS DE INVESTIMENTO DE CAPITAL Marcelo Maciel Monteiro Universidade Federal Fluminense, Engenharia de Produção Rua Martins Torres 296, Santa Rosa, Niterói, RJ, Cep 24240-700

Leia mais

Análise de componentes principais (PCA)

Análise de componentes principais (PCA) Análise de componentes principais (PCA) Redução de dados Sumarizar os dados que contém muitas variáveis (p) por um conjunto menor de (k) variáveis compostas derivadas a partir do conjunto original. p k

Leia mais

Análise de risco em incorporações imobiliárias: construção de cenários e simulação de Monte Carlo

Análise de risco em incorporações imobiliárias: construção de cenários e simulação de Monte Carlo Análise de risco em incorporações imobiliárias: construção de cenários e simulação de Monte Carlo Pedro Beck Di Bernardi (UFSC) pedrodibernardi@hotmail.com Norberto Hochheim (UFSC) hochheim@ecv.ufsc.br

Leia mais

AULAS 13, 14 E 15 Correlação e Regressão

AULAS 13, 14 E 15 Correlação e Regressão 1 AULAS 13, 14 E 15 Correlação e Regressão Ernesto F. L. Amaral 23, 28 e 30 de setembro de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Triola, Mario F. 2008. Introdução à estatística. 10 ª ed. Rio de

Leia mais

COMO AVALIAR O RISCO DE UM PROJETO ATRAVÉS DA METODOLOGIA DE MONTE CARLO

COMO AVALIAR O RISCO DE UM PROJETO ATRAVÉS DA METODOLOGIA DE MONTE CARLO COMO AVALIAR O RISCO DE UM PROJETO ATRAVÉS DA O que é risco? Quais são os tipos de riscos? Quais são os tipos de análises? Qual a principal função do Excel para gerar simulações aleatórias? O que é distribuição

Leia mais

5 Análise prospectiva dos investimentos das EFPC

5 Análise prospectiva dos investimentos das EFPC 5 Análise prospectiva dos investimentos das EFPC Nesta seção serão apresentados os resultados encontrados para os diversos modelos estimados. No total foram estimados dezessete 1 modelos onde a variável

Leia mais

Opções Reais. Processos Estocásticos. Processos Estocásticos. Modelando Incerteza. Processos Estocásticos

Opções Reais. Processos Estocásticos. Processos Estocásticos. Modelando Incerteza. Processos Estocásticos Modelando Incerteza Opções Reais A incerteza em um projeto pode ter mais do que apenas dois estados. Na prática, o número de incertezas pode ser infinito Prof. Luiz Brandão brandao@iag.puc-rio.br IAG PUC-Rio

Leia mais

Introdução. Existem situações nas quais há interesse em estudar o comportamento conjunto de uma ou mais variáveis;

Introdução. Existem situações nas quais há interesse em estudar o comportamento conjunto de uma ou mais variáveis; UNIVERSIDADE FEDERAL DA PARAÍBA Correlação e Regressão Luiz Medeiros de Araujo Lima Filho Departamento de Estatística Introdução Eistem situações nas quais há interesse em estudar o comportamento conjunto

Leia mais

Correlação e Regressão Linear

Correlação e Regressão Linear Correlação e Regressão Linear A medida de correlação é o tipo de medida que se usa quando se quer saber se duas variáveis possuem algum tipo de relação, de maneira que quando uma varia a outra varia também.

Leia mais

2. Método de Monte Carlo

2. Método de Monte Carlo 2. Método de Monte Carlo O método de Monte Carlo é uma denominação genérica tendo em comum o uso de variáveis aleatórias para resolver, via simulação numérica, uma variada gama de problemas matemáticos.

Leia mais

Uma Comparação entre o Desempenho de Metodologias de Cálculo do Valor em Risco Aplicadas à Carteiras Lineares e Opções de Compra

Uma Comparação entre o Desempenho de Metodologias de Cálculo do Valor em Risco Aplicadas à Carteiras Lineares e Opções de Compra Uma Comparação entre o Desempenho de Metodologias de Cálculo do Valor em Risco Aplicadas à Carteiras Lineares e Opções de Compra Autoria: Patrícia Barros Ramos, Josete Florencio dos Santos, Eduardo Luiz

Leia mais

Cálculo de amostra para monitoria de qualidade em Call Center

Cálculo de amostra para monitoria de qualidade em Call Center Cálculo de amostra para monitoria de qualidade em Call Center Esta metodologia tem como objetivo definir o tamanho mínimo ideal da amostra, garantindo a representatividade da população de chamadas em um

Leia mais

Metodologia de Gerenciamento de Risco de Mercado

Metodologia de Gerenciamento de Risco de Mercado Metodologia de Gerenciamento de Risco de Mercado O Gerenciamento de Risco de Mercado das Carteiras geridas pela Rio Verde Investimentos é efetuado pela Administradora dos Fundos, no caso BNY Mellon Serviços

Leia mais

A INTEGRAÇÃO ENTRE ESTATÍSTICA E METROLOGIA

A INTEGRAÇÃO ENTRE ESTATÍSTICA E METROLOGIA A INTEGRAÇÃO ENTRE ESTATÍSTICA E METROLOGIA João Cirilo da Silva Neto jcirilo@araxa.cefetmg.br. CEFET-MG-Centro Federal de Educação Tecnológica de Minas Gerais-Campus IV, Araxá Av. Ministro Olavo Drumonnd,

Leia mais

2. Otimização de Portfolio

2. Otimização de Portfolio 2. Otimização de Portfolio 2.1. Análise de Média-Variância Portfolio (carteira, em português) é uma combinação de ativos, tais como investimentos, ações, obrigações, commodities, imóveis, entre outros.

Leia mais

MODELAGEM E SIMULAÇÃO

MODELAGEM E SIMULAÇÃO MODELAGEM E SIMULAÇÃO Professor: Dr. Edwin B. Mitacc Meza edwin@engenharia-puro.com.br www.engenharia-puro.com.br/edwin Como Funciona a Simulação Introdução Assim como qualquer programa de computador,

Leia mais

TEORIA DO RISCO. LUIZ SANTOS / MAICKEL BATISTA economia.prof.luiz@hotmail.com maickel_ewerson@hotmail.com

TEORIA DO RISCO. LUIZ SANTOS / MAICKEL BATISTA economia.prof.luiz@hotmail.com maickel_ewerson@hotmail.com TEORIA DO RISCO LUIZ SANTOS / MAICKEL BATISTA economia.prof.luiz@hotmail.com maickel_ewerson@hotmail.com 1 TARIFAÇÃO (FERREIRA, 2002) Diversos conceitos e metodologias envolvidos no cálculo do preço pago

Leia mais

MODIFICAÇÃO DO TESTE DE NORMALIDADE DE SHAPIRO-WILK MULTIVARIADO DO SOFTWARE ESTATÍSTICO R

MODIFICAÇÃO DO TESTE DE NORMALIDADE DE SHAPIRO-WILK MULTIVARIADO DO SOFTWARE ESTATÍSTICO R MODIFICAÇÃO DO TESTE DE NORMALIDADE DE SHAPIRO-WILK MULTIVARIADO DO SOFTWARE ESTATÍSTICO R Roberta Bessa Veloso 1, Daniel Furtado Ferreira 2, Eric Batista Ferreira 3 INTRODUÇÃO A inferência estatística

Leia mais

Aula 04 Método de Monte Carlo aplicado a análise de incertezas. Aula 04 Prof. Valner Brusamarello

Aula 04 Método de Monte Carlo aplicado a análise de incertezas. Aula 04 Prof. Valner Brusamarello Aula 04 Método de Monte Carlo aplicado a análise de incertezas Aula 04 Prof. Valner Brusamarello Incerteza - GUM O Guia para a Expressão da Incerteza de Medição (GUM) estabelece regras gerais para avaliar

Leia mais

Descobrimos que os testes 1, 2 e 7 foram os mais úteis para avaliação da estabilidade do gráfico Xbar na carta I:

Descobrimos que os testes 1, 2 e 7 foram os mais úteis para avaliação da estabilidade do gráfico Xbar na carta I: Este artigo é parte de uma série de artigos que explicam a pesquisa conduzida pelos estatísticos do Minitab para desenvolver os métodos e verificações de dados usados no Assistente no Software Estatístico

Leia mais

Gerenciamento de Risco em Custos

Gerenciamento de Risco em Custos Gerenciamento de Risco em Custos Edson de Oliveira Pamplona Brasil Universidade Federal de Itajubá Pamplona@unifei.edu.br Palavras-chave: Custos, Risco, Valor em risco Tema: Aplicaciones Matemáticas a

Leia mais

IMES Catanduva. Probabilidades e Estatística. no Excel. Matemática. Bertolo, L.A.

IMES Catanduva. Probabilidades e Estatística. no Excel. Matemática. Bertolo, L.A. IMES Catanduva Probabilidades e Estatística Estatística no Excel Matemática Bertolo, L.A. Aplicada Versão BETA Maio 2010 Bertolo Estatística Aplicada no Excel Capítulo 3 Dados Bivariados São pares de valores

Leia mais

Modelagens e Gerenciamento de riscos (Simulação Monte Carlo)

Modelagens e Gerenciamento de riscos (Simulação Monte Carlo) Modelagens e Gerenciamento de riscos (Simulação Monte Carlo) Prof. Esp. João Carlos Hipólito e-mail: jchbn@hotmail.com Sobre o professor: Contador; Professor da Faculdade de Ciências Aplicadas e Sociais

Leia mais

Modelos baseados em Simulação de Monte Carlo: Soluções para o cálculo do Value-at-Risk. Dissertação de Mestrado

Modelos baseados em Simulação de Monte Carlo: Soluções para o cálculo do Value-at-Risk. Dissertação de Mestrado Bruno Vasques Maletta Modelos baseados em Simulação de Monte Carlo: Soluções para o cálculo do Value-at-Risk Dissertação de Mestrado Orientador: Eduardo Saliby, Ph. D. Universidade Federal do Rio de Janeiro

Leia mais

VOLUME 3. Projeção Demográfica; Projeção de Matrículas, Taxas de Atendimento e Taxas de Transição; Indicadores do Censo Escolar.

VOLUME 3. Projeção Demográfica; Projeção de Matrículas, Taxas de Atendimento e Taxas de Transição; Indicadores do Censo Escolar. VOLUME 3 Projeção Demográfica; Projeção de Matrículas, Taxas de Atendimento e Taxas de Transição; Indicadores do Censo Escolar. 69 PARTE I PROJEÇÃO DEMOGRÁFICA 70 1 Introdução A atualização de projeções

Leia mais

Módulo 13. Regulação em reprodutores contínuos: a eq. logística

Módulo 13. Regulação em reprodutores contínuos: a eq. logística Módulo 13. Regulação em reprodutores contínuos: a eq. logística Objectivos Suponhamos que se dispõe de observações da densidade populacional ( 1, 2, 3,...) duma população de reprodutores contínuos, na

Leia mais

Qual é o risco real do Private Equity?

Qual é o risco real do Private Equity? Opinião Qual é o risco real do Private Equity? POR IVAN HERGER, PH.D.* O debate nos mercados financeiros vem sendo dominado pela crise de crédito e alta volatilidade nos mercados acionários. Embora as

Leia mais

MICROECONOMIA MATERIAL DE ACOMPANHAMENTO DAS AULAS, REFERENTE À 2 A. AVALIAÇÃO.

MICROECONOMIA MATERIAL DE ACOMPANHAMENTO DAS AULAS, REFERENTE À 2 A. AVALIAÇÃO. MICROECONOMIA 4 o. ANO DE ADMINISTRAÇÃO MATERIAL DE ACOMPANHAMENTO DAS AULAS, REFERENTE À 2 A. AVALIAÇÃO. PROFESSOR FIGUEIREDO SÃO PAULO 2007 2 TEORIA DA PRODUÇÃO Função de Produção: é a relação que indica

Leia mais

6 Análise dos resultados

6 Análise dos resultados 6 Análise dos resultados Os cálculos para análise econômica de um projeto E&P, devem considerar que os dados empregados são imprecisos e sem certeza da ocorrência dos resultados esperados, apesar de estarem

Leia mais

Faculdade Sagrada Família

Faculdade Sagrada Família AULA 12 - AJUSTAMENTO DE CURVAS E O MÉTODO DOS MÍNIMOS QUADRADOS Ajustamento de Curvas Sempre que desejamos estudar determinada variável em função de outra, fazemos uma análise de regressão. Podemos dizer

Leia mais

Uma Avaliação do Uso de um Modelo Contínuo na Análise de Dados Discretos de Sobrevivência

Uma Avaliação do Uso de um Modelo Contínuo na Análise de Dados Discretos de Sobrevivência TEMA Tend. Mat. Apl. Comput., 7, No. 1 (2006), 91-100. c Uma Publicação da Sociedade Brasileira de Matemática Aplicada e Computacional. Uma Avaliação do Uso de um Modelo Contínuo na Análise de Dados Discretos

Leia mais

O que é a estatística?

O que é a estatística? Elementos de Estatística Prof. Dr. Clécio da Silva Ferreira Departamento de Estatística - UFJF O que é a estatística? Para muitos, a estatística não passa de conjuntos de tabelas de dados numéricos. Os

Leia mais

Análise de Regressão. Tópicos Avançados em Avaliação de Desempenho. Cleber Moura Edson Samuel Jr

Análise de Regressão. Tópicos Avançados em Avaliação de Desempenho. Cleber Moura Edson Samuel Jr Análise de Regressão Tópicos Avançados em Avaliação de Desempenho Cleber Moura Edson Samuel Jr Agenda Introdução Passos para Realização da Análise Modelos para Análise de Regressão Regressão Linear Simples

Leia mais

Análise de Sensibilidade

Análise de Sensibilidade Análise de Risco de Projetos Análise de Risco Prof. Luiz Brandão Métodos de Avaliação de Risco Análise de Cenário Esta metodologia amplia os horizontes do FCD obrigando o analista a pensar em diversos

Leia mais

PÓS GRADUAÇÃO EM CIÊNCIAS DE FLORESTAS TROPICAIS-PG-CFT INSTITUTO NACIONAL DE PESQUISAS DA AMAZÔNIA-INPA. 09/abril de 2014

PÓS GRADUAÇÃO EM CIÊNCIAS DE FLORESTAS TROPICAIS-PG-CFT INSTITUTO NACIONAL DE PESQUISAS DA AMAZÔNIA-INPA. 09/abril de 2014 PÓS GRADUAÇÃO EM CIÊNCIAS DE FLORESTAS TROPICAIS-PG-CFT INSTITUTO NACIONAL DE PESQUISAS DA AMAZÔNIA-INPA 09/abril de 2014 Considerações Estatísticas para Planejamento e Publicação 1 Circularidade do Método

Leia mais

2 Modelo para o Sistema de Controle de Estoque (Q, R)

2 Modelo para o Sistema de Controle de Estoque (Q, R) Modelo para o Sistema de Controle de Estoque (, ) Neste capítulo é apresentado um modelo para o sistema de controle de estoque (,). Considera-se que a revisão dos estoques é continua e uma encomenda de

Leia mais

Curso: Logística e Transportes Disciplina: Estatística Profa. Eliane Cabariti. Distribuição Normal

Curso: Logística e Transportes Disciplina: Estatística Profa. Eliane Cabariti. Distribuição Normal Curso: Logística e Transportes Disciplina: Estatística Profa. Eliane Cabariti Distribuição Normal 1. Introdução O mundo é normal! Acredite se quiser! Muitos dos fenômenos aleatórios que encontramos na

Leia mais

Pesquisa Operacional

Pesquisa Operacional GOVERNO DO ESTADO DO PARÁ UNIVERSIDADE DO ESTADO DO PARÁ CENTRO DE CIÊNCIAS NATURAIS E TECNOLOGIA DEPARTAMENTO DE ENGENHARIA Pesquisa Operacional Tópico 4 Simulação Rosana Cavalcante de Oliveira, Msc rosanacavalcante@gmail.com

Leia mais

Medidas de dispersão: os valores estão próximos entre si ou variam muito?

Medidas de dispersão: os valores estão próximos entre si ou variam muito? NOTAS DE EPIDEMIOLOGIA E ESTATÍSTICA Medidas de dispersão: os valores estão próximos entre si ou variam muito? Measures of dispersion: are all values close to each other or do they vary a lot? JOÃO LUIZ

Leia mais

PLANEJAMENTO DE CAPACIDADE EM INFRA-ESTRUTURAS SUPORTADAS POR SERVIÇOS TERCEIRIZADOS DE REDE DE COMUNICAÇÃO DE DADOS

PLANEJAMENTO DE CAPACIDADE EM INFRA-ESTRUTURAS SUPORTADAS POR SERVIÇOS TERCEIRIZADOS DE REDE DE COMUNICAÇÃO DE DADOS PLANEJAMENTO DE CAPACIDADE EM INFRA-ESTRUTURAS SUPORTADAS POR SERVIÇOS TERCEIRIZADOS DE REDE DE COMUNICAÇÃO DE DADOS Roosevelt Belchior Lima Neste artigo será apresentada uma proposta de acompanhamento

Leia mais

Bacharelado em Ciência e Tecnologia Bacharelado em Ciências e Humanidades. Representação Gráfica de Funções

Bacharelado em Ciência e Tecnologia Bacharelado em Ciências e Humanidades. Representação Gráfica de Funções Bacharelado em Ciência e Tecnologia Bacharelado em Ciências e Humanidades BC 0005 Bases Computacionais da Ciência Representação Gráfica de Funções Prof a Maria das Graças Bruno Marietto graca.marietto@ufabc.edu.br

Leia mais

Aplicação do Controle Estatístico Multivariado no Processo de Extrusão de Tubos de PVC.

Aplicação do Controle Estatístico Multivariado no Processo de Extrusão de Tubos de PVC. Aplicação do Controle Estatístico Multivariado no Processo de Extrusão de Tubos de PVC. Ítalo L. Fernandes, Lidiane J. Michelini, Danilo M. Santos & Emerson Wruck Universidade Estadual de Goiás UEG, CEP

Leia mais

2 A Derivada. 2.1 Velocidade Média e Velocidade Instantânea

2 A Derivada. 2.1 Velocidade Média e Velocidade Instantânea 2 O objetivo geral desse curso de Cálculo será o de estudar dois conceitos básicos: a Derivada e a Integral. No decorrer do curso esses dois conceitos, embora motivados de formas distintas, serão por mais

Leia mais

4. Metodologia. Capítulo 4 - Metodologia

4. Metodologia. Capítulo 4 - Metodologia Capítulo 4 - Metodologia 4. Metodologia Neste capítulo é apresentada a metodologia utilizada na modelagem, estando dividida em duas seções: uma referente às tábuas de múltiplos decrementos, e outra referente

Leia mais

6 Sistemas Terminais e Não-Terminais

6 Sistemas Terminais e Não-Terminais 6 Sistemas Terminais e Não-Terminais 1 A fim de poder realizar uma análise mais precisa dos resultados de simulação, é preciso saber classificar o sistema modelado como sendo terminal ou não-terminal.

Leia mais

Utilizando-se as relações entre as funções básicas é possível obter as demais funções de sobrevivência.

Utilizando-se as relações entre as funções básicas é possível obter as demais funções de sobrevivência. MÉTODOS PARAMÉTRICOS PARA A ANÁLISE DE DADOS DE SOBREVIVÊNCIA Nesta abordagem paramétrica, para estimar as funções básicas da análise de sobrevida, assume-se que o tempo de falha T segue uma distribuição

Leia mais

O QUE É E COMO FUNCIONA O CREDIT SCORING PARTE I

O QUE É E COMO FUNCIONA O CREDIT SCORING PARTE I O QUE É E COMO FUNCIONA O CREDIT SCORING PARTE I! A utilização de escores na avaliação de crédito! Como montar um plano de amostragem para o credit scoring?! Como escolher as variáveis no modelo de credit

Leia mais

Revisão de Estatística Aplicada a Finanças

Revisão de Estatística Aplicada a Finanças Revisão de Estatística Aplicada a Finanças INTRODUÇÃO A revisão que apresentaremos destina-se a examinar conceitos importantes de Estatística, que tornem possível a compreensão do conteúdo do livro de

Leia mais

Introdução à Simulação

Introdução à Simulação Introdução à Simulação O que é simulação? Wikipedia: Simulação é a imitação de alguma coisa real ou processo. O ato de simular algo geralmente consiste em representar certas características e/ou comportamentos

Leia mais

ANÁLISE DE RISCO EM INCORPORAÇÕES IMOBILIÁRIAS: CONSTRUÇÃO DE CENÁRIOS E SIMULAÇÃO DE MONTE CARLO

ANÁLISE DE RISCO EM INCORPORAÇÕES IMOBILIÁRIAS: CONSTRUÇÃO DE CENÁRIOS E SIMULAÇÃO DE MONTE CARLO ANÁLISE DE RISCO EM INCORPORAÇÕES IMOBILIÁRIAS: CONSTRUÇÃO DE CENÁRIOS E SIMULAÇÃO DE MONTE CARLO Pedro Beck Di Bernardi (1); Norberto Hochheim (2) (1) Departamento de Engenharia Civil Centro Tecnológico

Leia mais

Slides de Estatística Descritiva na HP-12C 01/10/2009 ESTATÍSTICAS. Na HP-12C. 01/10/2009 Bertolo 2. O que é Estatística?

Slides de Estatística Descritiva na HP-12C 01/10/2009 ESTATÍSTICAS. Na HP-12C. 01/10/2009 Bertolo 2. O que é Estatística? ESTATÍSTICAS Na HP-12C 01/10/2009 Bertolo 1 O que é Estatística? A estatística pode ser entendida como um conjunto de ferramentas envolvidas no estudo de métodos e procedimentos usados para 1. colecionar,

Leia mais

Geração de Números Aleatórios e Simulação

Geração de Números Aleatórios e Simulação Departamento de Informática Geração de Números Aleatórios e imulação Métodos Quantitativos LEI 26/27 usana Nascimento (snt@di.fct.unl.pt) Advertência Autores João Moura Pires (jmp@di.fct.unl.pt) usana

Leia mais

Resoluções comentadas das questões de Estatística da prova para. ANALISTA DE GERENCIAMENTO DE PROJETOS E METAS da PREFEITURA/RJ

Resoluções comentadas das questões de Estatística da prova para. ANALISTA DE GERENCIAMENTO DE PROJETOS E METAS da PREFEITURA/RJ Resoluções comentadas das questões de Estatística da prova para ANALISTA DE GERENCIAMENTO DE PROJETOS E METAS da PREFEITURA/RJ Realizada pela Fundação João Goulart em 06/10/2013 41. A idade média de todos

Leia mais

3 Métricas para Gerenciamento de Riscos em Empresas Não Financeiras

3 Métricas para Gerenciamento de Riscos em Empresas Não Financeiras 24 3 Métricas para Gerenciamento de Riscos em Empresas Não Financeiras Neste capítulo são apresentadas algumas métricas utilizadas em gerenciamento de riscos em companhias não financeiras, fazendo um resumo

Leia mais

Introdução à Análise Química QUI 094 ERRO E TRATAMENTO DE DADOS ANALÍTICOS

Introdução à Análise Química QUI 094 ERRO E TRATAMENTO DE DADOS ANALÍTICOS Introdução a Analise Química - II sem/2012 Profa Ma Auxiliadora - 1 Introdução à Análise Química QUI 094 1 semestre 2012 Profa. Maria Auxiliadora Costa Matos ERRO E TRATAMENTO DE DADOS ANALÍTICOS Introdução

Leia mais

daniel.desouza@hotmail.com

daniel.desouza@hotmail.com VIII Congreso Regional de ENDE Campana Agosto 2011 Aplicação do estimador maximum likelihood a um teste de vida sequencial truncado utilizando-se uma distribuição eibull Invertida de três parâmetros como

Leia mais

CÁLCULO DE INCERTEZA EM ENSAIO DE TRAÇÃO COM OS MÉTODOS DE GUM CLÁSSICO E DE MONTE CARLO

CÁLCULO DE INCERTEZA EM ENSAIO DE TRAÇÃO COM OS MÉTODOS DE GUM CLÁSSICO E DE MONTE CARLO ENQUALAB-28 Congresso da Qualidade em Metrologia Rede Metrológica do Estado de São Paulo - REMESP 9 a 2 de junho de 28, São Paulo, Brasil CÁLCULO DE INCERTEZA EM ENSAIO DE TRAÇÃO COM OS MÉTODOS DE GUM

Leia mais

http://www.de.ufpb.br/~luiz/

http://www.de.ufpb.br/~luiz/ UNIVERSIDADE FEDERAL DA PARAÍBA MEDIDAS DESCRITIVAS Departamento de Estatística Luiz Medeiros http://www.de.ufpb.br/~luiz/ Vimos que é possível sintetizar os dados sob a forma de distribuições de frequências

Leia mais

Monitoramento e Controle de Processo Multivariado

Monitoramento e Controle de Processo Multivariado Monitoramento e Controle de Processo Multivariado Roteiro 1. O Problema do Controle da Qualidade Multivariado 2. Descrição de Dados Multivariados 3. Gráfico de Controle T 2 de Hotelling (Subgrupos) 4.

Leia mais

CREDITRISK+: Implementação da Modelagem Estatística de Risco de Crédito e Cálculos Alternativos Através da Transformada Rápida de Fourier no R.

CREDITRISK+: Implementação da Modelagem Estatística de Risco de Crédito e Cálculos Alternativos Através da Transformada Rápida de Fourier no R. CREDITRISK+: Implementação da Modelagem Estatística de Risco de Crédito e Cálculos Alternativos Através da Transformada Rápida de Fourier no R. M. A. S. Sanfins a 1 & T. M. Clark a 2 a Universidade Federal

Leia mais

TÉCNICAS DE ANÁLISE DE DADOS

TÉCNICAS DE ANÁLISE DE DADOS observação = previsível + aleatória aleatória obedece algum modelo de probabilidade ferramenta: análise de variância identificar fatores, controláveis, que expliquem o fenômeno ou alterem a característica

Leia mais

1. Introdução. 1.1 Introdução

1. Introdução. 1.1 Introdução 1. Introdução 1.1 Introdução O interesse crescente dos físicos na análise do comportamento do mercado financeiro, e em particular na análise das séries temporais econômicas deu origem a uma nova área de

Leia mais

Probabilidade. Distribuição Normal

Probabilidade. Distribuição Normal Probabilidade Distribuição Normal Distribuição Normal Uma variável aleatória contínua tem uma distribuição normal se sua distribuição é: simétrica apresenta (num gráfico) forma de um sino Função Densidade

Leia mais

ASSOCIAÇÃO ENTRE PRESENÇA DE CÂNCER DE ESÔFAGO COMPARADA COM HÁBITO DE FUMAR E IDADE EM INDIVÍDUOS DA DINAMARCA

ASSOCIAÇÃO ENTRE PRESENÇA DE CÂNCER DE ESÔFAGO COMPARADA COM HÁBITO DE FUMAR E IDADE EM INDIVÍDUOS DA DINAMARCA ASSOCIAÇÃO ENTRE PRESENÇA DE CÂNCER DE ESÔFAGO COMPARADA COM HÁBITO DE FUMAR E IDADE EM INDIVÍDUOS DA DINAMARCA Bárbara Camboim Lopes de FIGUEIRÊDO 1, Gustavo Henrique ESTEVES 2 1 Departamento de Estatística

Leia mais

Avaliando o que foi Aprendido

Avaliando o que foi Aprendido Avaliando o que foi Aprendido Treinamento, teste, validação Predição da performance: Limites de confiança Holdout, cross-validation, bootstrap Comparando algoritmos: o teste-t Predecindo probabilidades:função

Leia mais

Estratégias de Pesquisa

Estratégias de Pesquisa Estratégias de Pesquisa Ricardo de Almeida Falbo Metodologia de Pesquisa Departamento de Informática Universidade Federal do Espírito Santo Agenda Survey Design e Criação Estudo de Caso Pesquisa Ação Experimento

Leia mais

AULAS 04 E 05 Estatísticas Descritivas

AULAS 04 E 05 Estatísticas Descritivas 1 AULAS 04 E 05 Estatísticas Descritivas Ernesto F. L. Amaral 19 e 28 de agosto de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Triola, Mario F. 2008. Introdução à estatística. 10 ª ed. Rio de Janeiro:

Leia mais

Método Monte-Carlo. Alexandre Rosas. 23 de Março de 2009. Departamento de Física Universidade Federal da Paraíba

Método Monte-Carlo. Alexandre Rosas. 23 de Março de 2009. Departamento de Física Universidade Federal da Paraíba Departamento de Física Universidade Federal da Paraíba 23 de Março de 2009 O que são os métodos de Monte-Carlo? Métodos numéricos que utilizam amostragem estatística (em contraposição a métodos determinísticos)

Leia mais

Saúde do Idoso 1ª Pesquisa sobre a Saúde e Condições de Vida do Idoso na Cidade do Rio de Janeiro. Ano 2006 1

Saúde do Idoso 1ª Pesquisa sobre a Saúde e Condições de Vida do Idoso na Cidade do Rio de Janeiro. Ano 2006 1 Saúde do Idoso 1ª Pesquisa sobre a Saúde e Condições de Vida do Idoso na Cidade do Rio de Janeiro. Ano 2006 1 Alcides Carneiro 2 Lucia Santos 3 Palavras Chaves: Metodologia científica; análise estatística;

Leia mais

Seleção e Monitoramento de Fundos de Investimentos

Seleção e Monitoramento de Fundos de Investimentos 2010 Seleção e Monitoramento de Fundos de Investimentos Nota Técnica 02 Diretoria de Investimentos Previ-Rio 09/2010 NOTA TÉCNICA 02 1 - Introdução Esta nota técnica, desenvolvida pela Equipe da, tem por

Leia mais

A Curva de Lorenz e o Índice de Gini

A Curva de Lorenz e o Índice de Gini A Curva de Lorenz e o Índice de Gini Curva de Lorenz Considere n valores para uma variável x i e admita-os ordenados de forma que x x 2... x n. A proporção acumulada da população até a i-ésima pessoa é

Leia mais

Pesquisa em Marketing

Pesquisa em Marketing Pesquisa em Marketing Aula 4 1. Identificar o tamanho da amostral ideal 2. Saber calcular a amostra O Processo de Amostragem TIPOS DE AMOSTRAGEM Amostra não-probabilística Amostra por Conveniência Amostra

Leia mais

Distribuição de Freqüência

Distribuição de Freqüência Distribuição de Freqüência Representação do conjunto de dados Distribuições de freqüência Freqüência relativa Freqüência acumulada Representação Gráfica Histogramas Organização dos dados Os métodos utilizados

Leia mais

CAPÍTULO 1 INTRODUÇÃO 1.1 INTRODUÇÃO

CAPÍTULO 1 INTRODUÇÃO 1.1 INTRODUÇÃO CAPÍTULO 1 INTRODUÇÃO 1.1 INTRODUÇÃO Em quase todas as nossas atividades diárias precisamos enfrentar filas para atender as nossas necessidades. Aguardamos em fila na padaria, nos bancos, quando trafegamos

Leia mais

3 Método de Monte Carlo

3 Método de Monte Carlo 25 3 Método de Monte Carlo 3.1 Definição Em 1946 o matemático Stanislaw Ulam durante um jogo de paciência tentou calcular as probabilidades de sucesso de uma determinada jogada utilizando a tradicional

Leia mais

COMENTÁRIO AFRM/RS 2012 ESTATÍSTICA Prof. Sérgio Altenfelder

COMENTÁRIO AFRM/RS 2012 ESTATÍSTICA Prof. Sérgio Altenfelder Comentário Geral: Prova muito difícil, muito fora dos padrões das provas do TCE administração e Economia, praticamente só caiu teoria. Existem três questões (4, 45 e 47) que devem ser anuladas, por tratarem

Leia mais

Grande parte dos planejadores

Grande parte dos planejadores ARTIGO Fotos: Divulgação Decidindo com o apoio integrado de simulação e otimização Oscar Porto e Marcelo Moretti Fioroni O processo de tomada de decisão Grande parte dos planejadores das empresas ainda

Leia mais

NO ESTUDO DE FUNÇÕES

NO ESTUDO DE FUNÇÕES 1 UNIVERSIDADE FEDERAL DO PARANÁ PROGRAMA INSTITUCIONAL DE BOLSAS DE INICIAÇÃO À DOCÊNCIA SEMANA DA MATEMÁTICA 2014 UTILIZAÇÃO DE SOFTWARES GRÁFICOS NO ESTUDO DE FUNÇÕES PIBID MATEMÁTICA 2009 CURITIBA

Leia mais

Departamento de Matemática - UEL - 2010. Ulysses Sodré. http://www.mat.uel.br/matessencial/ Arquivo: minimaxi.tex - Londrina-PR, 29 de Junho de 2010.

Departamento de Matemática - UEL - 2010. Ulysses Sodré. http://www.mat.uel.br/matessencial/ Arquivo: minimaxi.tex - Londrina-PR, 29 de Junho de 2010. Matemática Essencial Extremos de funções reais Departamento de Matemática - UEL - 2010 Conteúdo Ulysses Sodré http://www.mat.uel.br/matessencial/ Arquivo: minimaxi.tex - Londrina-PR, 29 de Junho de 2010.

Leia mais

Retorno e risco de carteiras de investimento

Retorno e risco de carteiras de investimento Retorno e risco de carteiras de investimento 1 OBJETIVOS DA UNIDADE DE ESTUDO Compreender o processo de avaliação do risco de uma carteira. Definir e mensurar a covariancia entre duas variáveis Definir

Leia mais

Teste de Hipótese para uma Amostra Única

Teste de Hipótese para uma Amostra Única Teste de Hipótese para uma Amostra Única OBJETIVOS DE APRENDIZAGEM Depois de um cuidadoso estudo deste capítulo, você deve ser capaz de: 1.Estruturar problemas de engenharia de tomada de decisão, como

Leia mais

1 Introdução 1.1. Motivação e conceitos básicos

1 Introdução 1.1. Motivação e conceitos básicos 1 Introdução 1.1. Motivação e conceitos básicos Uma seguradora ou companhia de seguros, segundo o Dicionário de Seguros, define-se como uma instituição que tem como objetivo indenizar prejuízos involuntários.

Leia mais

7Testes de hipótese. Prof. Dr. Paulo Picchetti M.Sc. Erick Y. Mizuno. H 0 : 2,5 peças / hora

7Testes de hipótese. Prof. Dr. Paulo Picchetti M.Sc. Erick Y. Mizuno. H 0 : 2,5 peças / hora 7Testes de hipótese Prof. Dr. Paulo Picchetti M.Sc. Erick Y. Mizuno COMENTÁRIOS INICIAIS Uma hipótese estatística é uma afirmativa a respeito de um parâmetro de uma distribuição de probabilidade. Por exemplo,

Leia mais

Universidade Gama Filho Campus Piedade Departamento de Engenharia de Controle e Automação

Universidade Gama Filho Campus Piedade Departamento de Engenharia de Controle e Automação Universidade Gama Filho Campus Piedade Departamento de Engenharia de Controle e Automação Laboratório da Disciplina CTA-147 Controle I Análise da Resposta Transitória (Este laboratório foi uma adaptação

Leia mais