UNIVERSIDADE TÉCNICA DE LISBOA
|
|
- Luís Miranda Faria
- 8 Há anos
- Visualizações:
Transcrição
1 UNIVERSIDADE TÉCNICA DE LISBOA INSTITUTO SUPERIOR DE ECONOMIA E GESTÃO MESTRADO EM: Cêncas Actuaras SISTEMA DE BONUS-MALUS PARA FROTAS DE VEÍCULOS Elsabete da Conceção Pres de Almeda Nora Orentação: Doutor Pedro Alexandre da Rosa Corte Real Júr: Presdente: Doutora Mara de Lourdes Caraças Centeno Vogas: Doutor João Manuel de Sousa Andrade e Slva Doutor Pedro Alexandre da Rosa Corte Real Doutora Isabel Mara Ferraz Cordero Agosto/ 2004
2 GLOSSÁRIO DE TERMOS d f - duração de observação do veículo da frota f m f - dmensão da frota f M n - valor resultante da função de log-verosmlhança - conjunto dos números nteros N f - número de snstros declarados pelo veículo da frota f o(h) - nfntésmo com h de uma função pˆ - estmador de credbldade - conjunto dos números reas R f - heterogenedade resdual na dstrbução do rsco da frota S f - heterogenedade resdual na dstrbução do rsco do veículo U f - heterogenedade resdual na dstrbução do número de snstros x f - componente de regressão relaconada com a frota z f - componente de regressão relaconada com o veículo - parâmetro relaconado com a frota - parâmetro relaconado com o veículo f - frequênca de snstraldade do veículo da frota f - percentagem de turnover - factor de credbldade 2
3 RESUMO Esta dssertação tem como objectvo a construção de um sstema de Bonus-Malus para frotas de veículos, tendo por base o conhecmento da snstraldade hstórca e utlzando os factores ndvduas dos veículos e das empresas a que correspondem as frotas. Os coefcentes de bonus-malus são obtdos através das credbldades específcas do veículo e da frota, tendo em atenção o turnover esperado para os veículos de cada frota. A expressão turnover ndca-nos a percentagem de veículos da frota que, por hpótese, poderão entrar em rotatvdade, sto é, supõe-se a possbldade de exstr entradas e saídas de veículos. As frotas são ndexadas por f = 1,...,F, e os veículos são ndexados por = 1,..., m f, onde m f é a dmensão, ou seja, o número de veículos da frota f. Supondo que o número de snstros f ~ Pλ f f d f x f z f N segue uma dstrbução de Posson, o parâmetro exp será uma função dos factores de avalação observados ao nível da frota (x f ) e do veículo (z f ), onde d f é a duração de observação do veículo da frota f. Obtemos o conjunto de estmadores ˆ e ˆ, utlzando a Pseudo-Máxma Verosmlhança e o método proposto por Mexa/Corte Real, que se basea nos Estmadores Extremas, para um conjunto de dados Portugueses, relatvos ao período de Novembro de 1997 a Janero de Algumas conclusões serão apresentadas, de acordo com os dados analsados. Palavras chave: Bonus-Malus, credbldade, veículo, frota, Pseudo-Máxma Verosmlhança, Estmadores Extremas. 3
4 ABSTRACT The purpose of ths thess s to provde Bonus-Malus System for fleets of vehcles from the hstory of clams, usng the ndvdual characterstcs of both the vehcles and the carrers. Bonus-malus coeffcents are obtaned from vehcle-specfc and fleet-specfc credbltes. Coeffcents take nto account an expected turnover for the vehcles wthn the fleets. The expresson turnover means the percentage of vehcles wthn the fleet that, by assumpton, could take n rotaton, because we suppose that exsts the possblty of gettng n and gong out vehcles n the fleet. Indexng the fleets by f = 1,...,F, and the vehcles by I = 1,..., m f, where m f s the sze, that s, the number of vehcles of the fleet f, f the number of clams N f Pλ f ~ f follows a Posson dstrbuton, we obtan the estmator of the parameter d exp x z, whch wll be a functon of ratng factors observed at the fleet f f f level (x f ) and at the vehcle level (z f ), wth d f the duraton of the observaton perod for the vehcle n the fleet f. We obtan a set of estmators ˆ and ˆ usng the pseudo maxmum-lkelhood and the method proposed by Mexa/Corte Real, whch s based on extremal estmators, for a set of Portuguese data, consderng the perod from November 1997 to January Some conclusons are drawn regardng the data analyzed. Keywords: Bonus-malus, credblty, vehcle, fleet, pseudo maxmum lkelhood, extremal estmators. 4
5 ÍNDICE Prefáco 9 Agradecmentos Sstemas de Bonus-Malus Tarfação a posteror Defnção de um Sstema de Bonus-Malus Snstraldade Modelo de Posson Homogéneo Cartera Homogénea Modelo de Posson Msto Cartera Heterogénea Modelo de Posson com factores aleatóros numa Cartera estratfcada Estmadores Extremas Método de Pseudo-Máxma Verosmlhança Teora da Credbldade Fórmula Básca de Credbldade Modelo de Bühlmann Credbldade no Seguro de Frotas para Veículos Estatístca Descrtva da Cartera Característcas Geras Factores Específcos da Frota Factores Específcos do Veículo Aplcação a uma Cartera Portuguesa Parâmetros Relaconados com a Frota e o Veículo Snstraldade 71 5
6 5.3. Estmadores das Varâncas Coefcentes de Bonus-Malus Sstemas Óptmos Bonus-Malus para veículos, segundo Bühlmann Prémo Puros versus Indemnzações 92 Conclusões 94 Bblografa 98 Anexo 101 6
7 LISTA DE TABELAS 2.1. Exemplo de famílas exponencas lneares Dstrbução da amostra, de acordo com as varáves específcas das frota 4.2. Dstrbução da amostra, de acordo com as varáves específcas dos veículos Estmação dos parâmetros através do Método de Pseudo-Máxma Verosmlhança e do Método Mexa/Corte Real 5.2. Função de Log-Verosmlhança e Soma dos Quadrados dos Resíduos Comparação entre o n.º de snstros observados e os esperados pelo Método de Pseudo-Máxma Verosmlhança e Método Mexa/Corte 72 Real 5.4. Estmadores das varâncas Factor de credbldade médo para frotas e veículos de acordo com as varáves específcas das frotas Desvo padrão dos coefcentes de bonus-malus de acordo com as varáves específcas das frotas Sstema Óptmo Bonus-Malus para frotas de aluguer de curta duração Modelo de Bühlmann Bónus aplcado ao prémo das frotas de aluguer de curta duração, por cada ano sem snstros Agravamento aplcado ao prémo das frotas de aluguer de curta duração, consoante a snstraldade declarada Exemplo de uma dstrbução observada para o número de snstros Sstema Óptmo Bonus-Malus para frotas de transporte de mercadoras Modelo de Bühlmann Sstema Óptmo Bonus-Malus para frotas de transporte de carga Modelo de Bühlmann Sstema Óptmo Bonus-Malus para frotas de transportador ndependente (outros) Modelo de Bühlmann Comparação entre montante de ndemnzações pagas e prémos puros estmados
8 LISTA DE FIGURAS 4.1. Dstrbução dos veículos por marcas Dstrbução da amostra, segundo a dmensão da frota Dstrbução da amostra, segundo os anos da empresa Dstrbução da amostra, segundo o sector de actvdade Dstrbução da amostra, segundo o peso bruto Dstrbução da amostra, segundo o tpo de uso Dstrbução da amostra, segundo o tpo de combustível Dstrbução da amostra, segundo a clndrada Comparação entre o n.º de snstros observados e o n.º de snstros esperados 5.2. Prémo de credbldade, segundo a snstraldade de cada frota
9 PREFÁCIO Os Sstemas de Bonus-Malus foram crados para se poderem ajustar os prémos, a posteror, de acordo com a snstraldade hstórca do condutor, necessdade bem sntetzada numa frase de Centeno (2002), (...) o melhor predctor do número futuro de snstros não é a dade do condutor ou do carro, a sua clndrada ou potênca, mas sm a experênca passada. No cálculo do prémo, as Seguradoras agrupam os rscos em classes mas ou menos homogéneas, de modo a controlar o rsco e a smplfcar o esquema de tarfação. Por exemplo, para os veículos lgeros ndvduas, os factores são agrupados em classes de modo a tentar chegar ao comportamento real dos segurados. Assm, as classes mas comuns tpfcam-se por: clndrada/potênca, dade do condutor, dade da carta, zona de resdênca (na falta de zona de crculação), o tpo de combustível (na falta de qulometragem anual). Estes são factores que nos vão ajudar a tentar compreender qual o tpo de condução e comportamento de cada condutor no seu da-ada. Através da clndrada/potênca podemos tentar perceber qual o tpo de condução efectuada, pos quanto maor for este valor, maor será a velocdade que o veículo pode atngr. Segundo a dade do condutor percebemos a maturdade do mesmo, enquanto que através da dade da carta sabemos se o condutor tem já alguma experênca de condução ou não. Através da zona de resdênca como do tpo de combustível, podemos tentar perceber qual a exposção ao rsco do condutor, pos se a zona de resdênca 9
10 Prefáco concdr com zonas urbanas ou se o veículo for a gasóleo, em prncípo, exste um maor rsco de snstraldade. No entanto, em Portugal não exste, em geral, um Sstema de Bonus-Malus específco para frotas de veículos. Grande parte das Seguradoras o que fazem, habtualmente, é aplcar o sstema de bonus-malus do seguro automóvel ndvdual, analsando veículo a veículo, e desprezando o facto de estarem perante um conjunto de veículos com factores semelhantes, como por exemplo, o sector de actvdade das frotas. A prátca exercda pela Seguradora em estudo é analsar a snstraldade agregada dos veículos pertencentes a cada frota e, a partr daí, renovar o contrato de seguro com novo prémo para a anudade segunte, sem recorrer a qualquer Sstema de Bonus-Malus. Desta forma, as empresas, a que correspondem as frotas, desconhecem completamente qual o agravamento ou bónus que se rá reflectr na anudade segunte, o que pode prejudcar a sede de bónus, sto é, a transferênca de responsabldade de pequenos snstros para o segurado. Não exstndo esta transferênca de responsabldade, além de aumentar o montante das ndemnzações a pagar, a Seguradora rá ter um acréscmo de trabalho na gestão de snstros que, sendo de baxos montantes, têm despesas de gestão proporconalmente elevadas. Feta esta ntrodução, cumpre-nos salentar que o trabalho está dvddo em cnco Capítulos e o seu prncpal objectvo é ajudar a colmatar uma lacuna no mercado segurador, ou seja, construr um Sstema de Bonus-Malus para frotas de veículos. Assm sendo, remos propor um Sstema para cada sector de actvdade das empresas, segundo o modelo proposto por Desjardns, Donne & Pnquet (2001) que tem como prncpal 10
11 Prefáco característca supor que o número de snstros segue uma dstrbução de Posson, em que o parâmetro se escreve em função dos factores de avalação da frota e do veículo. No prmero Capítulo fazemos uma breve ntrodução aos Sstemas de Bonus-Malus, explcando a sua mportânca na tarfação a posteror e apresentando uma defnção geral. O segundo Capítulo apresenta três modelos possíves para explcar a dstrbução do número de snstros, sendo o últmo o que melhor se adapta à nossa abordagem, pos propomos a análse com base numa Cartera estratfcada por frotas. Além dsso, apresentamos dos métodos para obter os estmadores: o método de Pseudo-Máxma Verosmlhança e o método proposto por Mexa & Corte Real (2003). É mportante salentar que nos seguros de frotas de veículos, a Cartera está dvdda em estratos (as frotas), onde a cada frota corresponde uma empresa. Neste tpo de contratos não temos qualquer nformação sobre o condutor habtual, assm a entrada de um novo veículo apenas poderá ser relaconado com a frota a que este pertence. O modelo proposto agrupa os rscos de acordo com os factores ndvduas das frotas e dos veículos, consderando que o número de snstros de cada frota segue uma dstrbução de Posson. No tercero Capítulo é feta uma pequena abordagem à teora da credbldade, fazendose especal referênca ao modelo apresentado por Bühlmann (1967). Por últmo apresentamos os coefcentes de bonus-malus que serão obtdos através dos factores de credbldade específcos da frota e do veículo. Estes coefcentes para o período 11
12 Prefáco segunte rão depender do turnover esperado para os veículos da frota, de acordo com o modelo apresentado pelos autores acma referdos. Este modelo será aplcado a uma base de dados de uma Companha de Seguros Portuguesa. A Cartera de seguros estudada tem frotas, que em méda representa 9 veículos por frota, somando um total de veículos. Toda a análse feta à amostra em estudo será apresentada no Capítulo quatro. A maor parte das frotas pertencem ao sector de actvdade que explora os veículos de aluguer de curta duração. Neste tpo de sector consderámos os veículos que podem ser alugados num curto espaço de tempo (por exemplo, os veículos que os turstas alugam nas féras) e os veículos alugados pelas empresas para desenvolver a actvdade profssonal, negóco esse recente, mas em grande expansão no nosso país, dado que as empresas preferem não nvestr em novos veículos. Este negóco surgu na década de sessenta nos Estados Undos e na Europa Ocdental. Estes contratos de gestão de frotas, ou tecncamente chamados de Aluguer Operaconal de Vaturas, são efectuados por períodos que podem r de dos a cnco anos, onde as empresas podem usufrur de um determnado número de servços, entre eles a senção do pagamento de qualquer tpo de seguro para os veículos, do Imposto Muncpal, e anda benefcam de Assstênca em Vagem (em caso de avara mecânca, acdente, perda de chaves, falta de gasolna, falhas de batera e/ou furto da vatura), manutenção e revsão do veículo, cartão de combustível, etc. Em contrapartda, têm que pagar uma renda mensal pela utlzação do veículo e pelos servços que lhe são fornecdos, mas permte às empresas dedcarem exclusvamente ao seu negóco, sem terem que se preocupar com a gestão de frotas. 12
13 Prefáco No últmo Capítulo, apresentamos todos os resultados necessáros à estmação da snstraldade, por forma a obtermos os coefcentes de bonus-malus. Daremos, anda, alguns exemplos de quas os bónus ou agravamentos que os prémos poderão sofrer e, para fnalzar, propomos Sstemas de Bonus-Malus que poderão ser utlzados consoante o sector de actvdade da empresa a que corresponde a frota, não tendo a preocupação de encontrar o sstema óptmo de acordo com a abordagem. Neste trabalho fcam em aberto algumas questões que poderão ser estudadas futuramente: 1. Perceber qual a varável que melhor caracterza as frotas para encontrar o Sstema de Bonus-Malus óptmo, pos apenas entrámos em consderação com o Sector de Actvdade (varável que mas concentrava os veículos numa só classe); 2. Fazer uma análse de sensbldade aos factores utlzados e tentar perceber se exstem outros que melhor caracterzam tanto veículos como frotas; 3. Determnar os factores com maor relevânca na determnação da snstraldade. 4. Comparar os valores de Bonus-Malus obtdos através da Teora da Credbldade e o Modelo de Bühlmann. 13
14 AGRADECIMENTOS Gostara de começar por agradecer ao Prof. Doutor Pedro Corte Real pela sua orentação, ajuda e ensnamentos centífcos que me transmtu. Para além dsso, agradeço a sua smpata e a força que sempre me deu, pos foram essencas na concretzação desta dssertação. Ao Prof. Doutor João Tago Praça Nunes Mexa pelo nteresse e conselhos ndspensáves a este trabalho, assm como a amzade e dsponbldade com que sempre me atendeu. Ao Dr. João Cordovl e à Dra. Isabel Sarava Gomes a possbldade que me fo concedda de frequentar este Mestrado, assm como a dsponbldade em tempo para conclur esta dssertação. Para além dsso, agradeço a amzade e os conhecmentos técncos que sempre me transmtram. À Companha de Seguros, na pessoa do seu Drector da Área Técnca I por ter autorzado a utlzação da nformação dsponível na empresa na aplcação prátca desta dssertação. Em especal, à actuára deste departamento, pela ajuda precosa na nterpretação da base de dados. Ao Prof. Doutor Walther Neuhaus pelo nteresse demostrado e ajuda fundamental na procura de bblografa na fase ncal deste trabalho. À mnha famíla e amgos que sempre me apoaram e ncentvaram ao longo deste tempo. Um agradecmento muto especal à mnha mãe que toda a vda me apoou nas mnhas decsões. Fnalmente, uma palavra de grande agradecmento à pessoa que mas amo neste mundo, o meu mardo, pela sua nfnta pacênca ao longo de todos estes anos de estudo. Obrgada! 14
15 CAPÍTULO 1 SISTEMAS DE BONUS-MALUS 1.1. Tarfação a posteror A actvdade Seguradora exge, na sua gestão, uma constante busca de equlíbro técnco. As recetas (prémos a pagar pelos segurados) devem equlbrar as despesas (ndemnzações, custos de produção e gestão, resseguro) e gerar lucros. Caso contráro, a manutenção de sucessvos resultados negatvos poderá conduzr a empresa à ruína. A Seguradora elabora então as tarfas de prémos que devem cobrr os rscos a garantr, satsfazendo as despesas nerentes à exploração, utlzando técncas de tarfação a pror e, no ramo automóvel, também a posteror. Consderando o Ramo Automóvel, a tarfação a pror determna o prémo em função de determnadas varáves, tas como a dade do condutor, o tpo de veículo, a zona de crculação, etc., de modo a encontrar classes homogéneas para determnado grau de rsco do segurado/condutor. No entanto, exstem factores, nos segurados/condutores, que não são mensuráves, como por exemplo, a regão preferencal de condução ou a boa/má experênca de condução. Por outro lado, exstem factores possíves de medr, 15
16 Sstemas de Bonus-Malus mas que nem sempre funconam porque mutas vezes o tomador de seguro não é o condutor habtual, sendo este apenas conhecdo pela Seguradora quando ocorre a partcpação de snstro. A tarfação a posteror procede ao ajustamento do prémo, de acordo com a snstraldade, de modo a que este se aproxme do rsco que o segurado/condutor representa para a Seguradora para que assm exsta uma maor equdade na defnção dos prémos. Esta equdade consttu a base do contrato de seguro, sendo que, presentemente, a defnção de contrato pouco dfere da que o português Pedro de Santarém ncluu, em 1552, no seu tratado de seguros Tractatus de Assecuratonbus et Sponsonbus, assm expressa (...) a convenção pela qual, convenconando o preço dum rsco, um toma sobre s o nfortúno de outro. Este tratado pode ser consultado em Santarém (1971). A esta defnção de Pedro de Santarém há que acrescentar os valores da mutualdade que estão nas bases técncas que orentam a actvdade das Seguradoras. Pcard & Besson (1982) dzem no seu tratado que esta técnca de seguros repousa essencalmente sobre a exstênca de uma mutualdade, ou seja, na agregação de rscos com certas característcas de dspersão, de homogenedade e de frequêncas, rscos que a Seguradora deve, nsprando-se na le dos grandes números, relaconar para poder efectuar a repartção e a compensação, segundo os dados estatístcos. Os Sstemas de Bonus-Malus aparecem então como uma ferramenta mportante na tarfação a posteror, agravando ou reduzndo o prémo de acordo com a snstraldade passada. Este sstema tenta também ncentvar os condutores a uma condução mas 16
17 Sstemas de Bonus-Malus cudadosa, podendo mesmo levá-los a não partcpar snstros de pequena gravdade, dando assm orgem ao fenómeno denomnado sede de bónus. Mutos autores já focaram este problema em város trabalhos, como por exemplo Norberg (1976), Borgan, Hoem & Norberg (1981), Lemare (1985), Glde & Sundt (1989), Andrade e Slva (1991) e Centeno & Andrade e Slva (1999). Estes autores procuraram optmzar o Sstema de Bonus-Malus. O modelo apresentado por Norberg (1976) consdera o problema da determnação dos prémos a vgorarem em cada classe, uma vez fxadas as regras de transção do sstema de bónus, utlzando, para o efeto, uma abordagem próxma da Teora da Credbldade. Uma das hpóteses do modelo é que o sstema de bónus seja regdo por um processo de Markov de prmera ordem. Lemare (1985) propõe dversas meddas de avalação e comparação de Sstemas de Bonus-Malus: 1. Nível Médo Relatvo de Estaconardade: denomnado RSAL (Relatve Statonary Average Level), expresso numa escala de zero a um, mede a posção relatva do segurado médo, uma vez atngda a estaconardade. Um valor baxo para RSAL ndca uma grande aglomeração das apólces nas classes com maor desconto, enquanto que um valor mas alto sugere uma melhor dstrbução entre as classes. 2. Coefcente de Varação dos Prémos: defndo como o quocente entre o desvo padrão dos prémos e o prémo médo, ambos calculados em condções de estaconardade, é uma medda da varação dos prémos anuas do conjunto dos segurados da Cartera. 17
18 Sstemas de Bonus-Malus 3. Elastcdade do Prémo Médo: mede a resposta do Sstema de Bonus-Malus, em condções de estaconardade, a uma alteração na frequênca de snstraldade. O deal a longo prazo sera que um aumento da frequênca de snstraldade se traduzsse num mesmo aumento do prémo, o que na realdade não acontece, vsto que a percentagem de aumento ra crar stuações de ruptura com o clente. 4. Elastcdade Transente: mede a sensbldade do valor esperado dos prémos acumulados a varações da frequênca de snstraldade. Esta medda de avalação depende de um factor económco, sendo ntroduzda uma taxa de desconto, a partr da qual se calcula o montante actual a pagar por uma apólce. Borgan, Hoem & Norberg (1981) fazem uma generalzação do modelo apresentado por Norberg (1976), ntroduzndo um sstema de ponderadores não negatvos, n n0,1,2,... w, cuja soma seja a undade. Cada ponderador representa o peso a atrbur ao período n e w 0 representa o peso atrbur à dstrbução estaconára. O modelo de Norberg (1976) é um caso partcular deste, se w 0 =1 e w n =0, n1. Glde & Sundt (1989) lnearzam a escala óptma de prémos. Deste modo garantem que os prémos desta nova escala fcam ordenados de acordo com a gravdade das classes e que evoluem de uma forma regular. A escala de prémos a utlzar é então lnear, em que a dferença entre os prémos de duas classes consecutvas é constante. O modelo apresentado por Andrade e Slva (1991) é dêntco ao modelo anteror, só que em vez de utlzar uma escala lnear, basea-se numa escala geométrca. Assm, nesta escala de prémos é o quocente entre os prémos de duas classes consecutvas que será constante. 18
19 Sstemas de Bonus-Malus Por fm, fazemos referênca ao modelo de Centeno & Andrade e Slva (1999), pos sugerram um modelo dferente dos anterores. Estes autores consderaram uma Cartera aberta, onde cada segurado pode transferr a sua apólce de seguro de uma Seguradora para outra (o que corresponde à realdade no nosso mercado). Estes autores utlzaram cadeas de Markov não homogéneas para modelar o sstema, tendo em atenção as quotas de mercado e assumndo que as novas apólces da Cartera podem ser colocadas em dferentes classes. Será mportante ressalvar que os sstemas de tarfação a posteror baseam-se somente na frequênca de snstraldade, não levando em consderação o montante de cada snstro, como alás este trabalho, o que pode ser um problema para futura análse Defnção de Sstemas de Bonus-Malus Os Sstemas de Bonus-Malus são aplcados em períodos de dêntca duração, sendo normalmente este período de um ano de observação da apólce. Se exstrem snstros o segurado rá sofrer um agravamento no prémo (Malus) nas anudades seguntes e, em caso de ausênca de snstraldade, será benefcado com um Bónus, traduzdo na redução do prémo das anudades seguntes. Importará salentar que, por razões de dfculdade nformátca, hoje ultrapassadas, a aplcação do Sstema de Bonus-Malus assenta numa cadea de Markov (processos sem memóra) estando apenas regstado, no fchero nformátco da apólce, a sua posção no ano anteror na escala de Bonus-Malus. Será também mportante salentar que estas escalas podem apresentar os mesmos graus de agravamento ou de desconto em classes 19
20 Sstemas de Bonus-Malus contíguas, permtndo que apenas hajam reduções de prémos ou agravamentos se se verfcarem snstros ou na sua ausênca em anos. Como já refermos anterormente, na prátca, a penalzação a aplcar ao prémo depende apenas da frequênca de snstraldade e não do valor das ndemnzações atrbuídas a cada snstro. Esta é a flosofa adoptada em Portugal por todas as Companhas de Seguros e na maor parte das Seguradoras Europeas e pressupõe que não exste correlação entre a frequênca e a severdade dos snstros ou, por uma questão de smplcdade, não analsam esta correlação.. Esta suposção é feta pela dfculdade de estudar as correlações que possam efectvamente exstr e, bem assm, pela grande dfculdade de modelzar estatstcamente a severdade dos snstros. No entanto, este é um pressuposto que as Seguradoras e os órgãos de supervsão dos város países assumem como uma boa aproxmação à realdade, sendo este tpo de sstema o mas utlzado. Contudo, na prátca, verfca-se que a correlação exste, como mostra a experênca de snstraldade de condutores do sexo femnno, que permte nferr que, embora exsta uma frequênca de snstraldade mas elevada, os valores de ndemnzação são mas baxos, o que permte estmar prémos nferores para estes condutores. Exemplo dsso é a tarfa da Tranquldade que benefca os condutores do sexo femnno com um desconto de 5% no prémo. Têm, no entanto, surgdo estudos para mplementar a severdade dos snstros nos Sstemas de Bonus-Malus, como por exemplo o trabalho de Pnquet (1997), onde consdera que, no seu modelo, o custo médo de um snstro apresenta uma dstrbução 20
21 Sstemas de Bonus-Malus Gama ou Log-Normal, enquanto que o número de snstros segue uma dstrbução de Posson. Os factores da tarfação, bem como as componentes heterogéneas, são ncluídas no parâmetro de escala da dstrbução. Consderando que a componente heterogénea segue a mesma dstrbução do custo médo, a expressão de credbldade é obtda de forma a encontrar a méda do custo com snstros para o período segunte. Por exemplo, o bonus-malus rá aparecer após o prmero snstro, se o seu custo for nferor ao esperado pelo modelo de tarfação. Mas para que um sstema de tarfação a posteror seja desgnado por Sstema de Bonus-Malus tem que verfcar as seguntes condções: Os períodos de vgênca das apólces são de dêntca duração (geralmente um ano); As apólces são agrupadas num número fnto de classes (C j ) j=1,...,s. Cada apólce permanece na mesma classe ao longo de um período de tempo; A classe do sstema em que um segurado é colocado num determnado período depende da classe a que pertenceu no período anteror e do número de snstros declarados durante esse mesmo período. Além dsso, um sstema é caracterzado por três elementos: A escala de prémos b=(b(1),...,b(s)). Sendo b() o factor multplcatvo a aplcar ao prémo da classe C determnado pelos factores a pror. As regras de transção T entre todas as classes do sstema. Para o par ordenado (,j) temos T j que representa a transção de uma apólce da classe C para a classe C j, no fm do período, após k snstros nesse mesmo período. Neste caso T j =1, caso contráro T j =0. Para que as regras de transção sejam completas e lvres de 21
22 Sstemas de Bonus-Malus contradções é necessáro que para cada par ordenado exsta um e só um j tal que T j =1. A classe de entrada no sstema, C 0, supõe-se ser a mesma para todos os novos segurados, salvo hstoral negatvo. Podemos então representar o Sstema de Bonus-Malus pelo tro S=(C 0, T, b) que fornece uma base de tarfação que consste na classe de bónus de uma apólce no período n, Z S,n, que é determnada pelas regras T e pela classe ncal C 0. O últmo elemento que caracterza um Sstema é a classe de entrada, sendo este elemento muto dscutível, já que, na prátca, a maor parte das Seguradoras colocam os novos segurados em classes com bónus, de modo a obterem prémos mas compettvos. Observa-se anda que há tendênca, por parte dos segurados, em ocultar hstoras negatvos, mudando por vezes o tomador do contrato (por exemplo, de pa para flho) com esta exclusva fnaldade. De realçar que os Sstemas de Bonus-Malus tveram uma grande acetação devdo à fácl aplcação, não necesstando as Companhas de armazenar nformação de anos anterores. Conhecendo a classe em que o segurado se encontra no momento da renovação do contrato e a snstraldade do ano vgente, faclmente se chega à classe para que transtará no próxmo período. Estamos então perante processos sem memóra, ou seja, cadeas de Markov (processo estocástco no qual a evolução futura do sstema, conhecdo o presente, não depende do passado). A optmzação/adequação destas escalas de bonus-malus e das correspondentes matrzes de transção não são matéra de estudo deste trabalho, mas devdo à sua mportânca na 22
23 Sstemas de Bonus-Malus adequação da defnção de um Sstema de Bonus-Malus deve ser salentado, já que o Insttuto de Seguros de Portugal, como organsmo de controlo da Actvdade Seguradora, obrga a que tanto as escalas como as regras de transção estejam devdamente defndas nas condções especas das apólces de cada Seguradora. 23
24 CAPÍTULO 2 SINISTRALIDADE Tal como refermos anterormente, o número de snstros é o únco factor a ter em consderação na tarfação a posteror, na maor parte da Seguradoras, e será este também o crtéro que remos usar na determnação do nosso modelo. Assm sendo, se consderarmos que o custo médo das ndemnzações por snstro é o valor untáro, chegamos ao prémo puro através da frequênca de snstraldade. Neste Capítulo remos abordar três modelos de Posson para ajustar a dstrbução de probabldade ao número de snstros, de acordo com a Cartera de seguros: homogénea, heterogénea e estratfcada. Uma Cartera homogénea é formada por apólces que à partda têm todas o mesmo nível de rsco, enquanto que numa Cartera heterogénea sso não acontece, pelo que temos que tentar encontrar classes onde se verfque um certo grau de homogenedade. Assm, para crar uma tarfa do ramo automóvel devemos ter em consderação as componentes heterogéneas específcas do veículo, que devem reflectr nformação sobre varáves não controladas, como por exemplo a nformação sobre os condutores (dado que um veículo pode ser utlzado por város condutores), de forma a encontrar os tas grupos 24
25 Snstraldade homogéneos. Outra varável não controlada poderá ser a qulometragem anual de um veículo, pos depende apenas das vagens programadas para o veículo e não do(s) condutor(es). A Cartera estratfcada será a utlzada no nosso exemplo prátco, pos o objectvo desta tese é construr um Sstema de Bonus-Malus para frotas de veículos, consderadas como estratos. À partda a Cartera é heterogénea, mas vamos ter em atenção as componentes heterogéneas específcos do veículo e da frota, de modo a que frotas com característcas semelhantes venham a ter o mesmo nível de rsco. No entanto, e dado que a Cartera tem uma dmensão grande, a componente de heterogenedade será retrada do parâmetro da dstrbução de Posson e remos substtur os parâmetros pelos estmadores consstentes Modelo de Posson Homogéneo Cartera Homogénea Se estvermos perante uma Cartera de seguros homogénea sgnfca que todas as apólces têm o mesmo rsco a pror, ou seja, ndependentemente do comportamento do segurado, espera-se que a frequênca de snstraldade seja gual para todos. Segundo este modelo, só através de um Sstema de Bonus-Malus poderemos ajustar os prémos, agravando ou bonfcando-os na anudade segunte, de acordo com o comportamento do segurado relatvamente à snstraldade. Podemos então defnr um Processo de Posson homogéneo: 25
26 Snstraldade Seja N(t) o número de snstros declarados pelo segurado, ocorrdos no ntervalo de tempo ]0,t], com t 0 e N(0)=0. Um processo de contagem {N(t); t 0} dz-se um Processo de Posson, de ntensdade >0, se verfcar as seguntes condções: 1. {N(t); t 0} tem ncrementos ndependentes ; 2. {N(t); t 0} tem ncrementos estaconáros; 3. Para qualquer h 0 +, P(N(h) 1)=h+o(h); 4. Para qualquer h 0 +, P(N(h) 2)=o(h). Nota: o(h) representa um nfntésmo com h de uma função f quando lm h0 h f h 0 Deste modo, consderando um ntervalo de tempo de ampltude t, N(t) segue uma dstrbução de Posson com parâmetro t, t 0, sto é, P N t k e t t k! k, k 0 e O parâmetro desgna-se por ntensdade do processo e representa a frequênca de snstraldade esperada para uma undade de tempo, ou seja, o número médo de snstros declarados por undade de tempo. Para um estudo detalhado sobre processos de Posson homogéneos pode segur-se os trabalhos de Centeno (2002) ou Lemare (1995). 26
27 2.2. Modelo de Posson Msto Cartera Heterogénea Snstraldade Um comportamento não homogéneo dos segurados representa a stuação mas comum numa Cartera de seguros, exstndo factores dentfcatvos mpossíves de quantfcar. Daqu surge a necessdade de encontrar um modelo para o número de snstros que reflcta a heterogenedade dos rscos nerentes ao comportamento de cada segurado. O modo de mnmzar essa heterogenedade será consderar um modelo em que o número de snstros vara de segurado para segurado. Para tal é necessáro crar um modelo que, por exemplo, seja sensível às característcas específcas dos segurados, pos como já vmos anterormente, exstem factores que não são mensuráves. Deste modo, consderemos então um processo de Posson em que é o resultado da observação de uma varável aleatóra,, não negatva. Seja U() = P( ) a função de dstrbução de. A varável aleatóra é desgnada por varável de estrutura e U() por dstrbução de estrutura. O processo de contagem {N(t); t 0} dz-se um Processo de Posson Msto se verfcar as seguntes condções: 1. N(0)=0; 2. P Nt s Ns k P Nt s Ns 0 0 e k du t t k! k du 27
28 Snstraldade Desta gualdade podemos conclur que um processo de Posson msto tem ncrementos estaconáros, embora os ncrementos não sejam ndependentes, pos para t 0 < t 1 < t 2, P 0 0 P P Nt k Nt Nt N t P P 1 0 1, 2 1 k2 Nt Nt k Nt Nt k du 1 0 1, Nt Nt k P Nt Nt k du Nt 1 Nt 0 k1 du P Nt 2 Nt1 0 0 Nt Nt k PNt Nt k k du 2 Portanto, N(t) tem dstrbução de Posson Msta, com dstrbução de estrutura U(), sto é, P N t k 0 e t t k! k du A dstrbução de estrutura reflecte assm o grau de heterogenedade da Cartera e podem ser váras as dstrbuções que servem para modelar o número de snstros. Se o número de snstros segur a dstrbução Bnomal Negatva sgnfca que estamos perante um processo de Posson de ntensdade, onde é o resultado de uma varável aleatóra, com dstrbução Gama de parâmetros e (ambos postvos), dando o nome de Processo de Polya ao modelo Posson-Gama, cuja função densdade é u( ) 1 e ( ) 1, 0. 28
29 Snstraldade Este modelo pode ser consultado com mas detalhe em Centeno (2002) e Lemare (1995). Outra opção será consderar que o número de snstros segue a dstrbução Posson- Inversa Gaussana, tendo como dstrbução de estrutura a Inversa Gaussana. Schel (1971) apresentou esta alternatva e daí resulta o nome Dstrbução de Schel para o modelo Posson-Inversa Gaussana. Neste caso também temos um processo de Posson de ntensdade, onde é o resultado de uma varável aleatóra, com dstrbução Inversa Gaussana de parâmetros g e h, cuja função densdade é u( ) g 3 2h 2 1 exp 2h 2 g. Estamos pos perante uma dstrbução de Posson msta, onde a dstrbução de Posson tem parâmetro e a dstrbução de estrutura segue a dstrbução Posson Inversa Gaussana. Esta dstrbução não é mas do que a dstrbução Bnomal Negatva, truncada na orgem, estendda, onde fxamos = -0,5 e > Modelo de Posson com factores aleatóros numa Cartera estratfcada Como já vmos, o comportamento dos segurados vara de ndvíduo para ndvíduo, daí a necessdade de encontrar um modelo que reflcta essa heterogenedade. Quando tentamos analsar uma Cartera de seguros de frota a dfculdade aumenta, pos a dstrbução do rsco de cada veículo nclu factores específcos do veículo e da frota. 29
30 Snstraldade Assm, a hstóra de um veículo não pode ser utlzada para prever o nível de rsco de outros veículos na frota, pos cada veículo tem as suas própras característcas. Se todos os veículos tvessem o mesmo prémo de rsco a pror estaríamos perante uma Cartera homogénea, e como tal, só a exstênca de um sstema de Bonus-Malus podera dferencar os prémos a posteror. Por outro lado, se utlzarmos apenas a nformação que caracterza as frotas, a frequênca de rsco a pror sera a mesma para todos os veículos, logo ríamos car na stuação anteror. Mas o nosso objectvo é avalar a snstraldade das frotas e, como se sabe, a soma de varáves aleatóras com dstrbução de Posson, mutuamente ndependentes, é anda uma varável aleatóra de Posson, cujo parâmetro é a soma dos parâmetros orgnas. Deste modo esta propredade torna possível que consderemos cada frota como uma classe e a soma dos parâmetros de cada frota rá dar orgem ao parâmetro da Cartera. O modelo que será aqu apresentado é baseado no modelo proposto por Desjardns, Donne & Pnquet (2001), cuja fnaldade é encontrar um método para estmar a snstraldade de cada frota. Seja então m o número de veículos numa dada frota, N o número de snstros declarados pelo veículo e a frequênca de snstraldade, sto é, o número esperado de snstros por undade de tempo. Se consderarmos que os N são ndependentes, temos: N ~ P m u, 1,..., m N ~ Pmu 1 onde u é o factor comum aos veículos da frota (componente heterogénea). 30
31 Snstraldade Cada classe formada por uma frota contém factores comuns, que lhe confere um grau de homogenedade nteror, no entanto, exstem factores que, não são observáves ou são dfíces de quantfcar, o que pode reflectr factores esconddos. Este tpo de factores atrbuem a cada rsco um certo grau de heterogenedade dentro do grupo. Por outro lado, o comportamento das empresas (frotas) pode nfluencar as componentes heterogéneas específcas da frota, desgnadamente quando os propretáros das frotas não obedecem as regras de segurança ou não obrgam os condutores a conduzr com estreta observação ao códgo da estrada. No nosso modelo, a natureza herárquca da Cartera é levada em conta pela dupla ndexação. Seja N f o número de snstros declarados pelo veículo da frota f. Se consderarmos que segue uma dstrbução de Posson, temos então f f u f, f 1,..., F, 1 m f N ~ P,..., sendo as frotas ndexadas por f = 1,...,F, e os veículos por = 1,..., m f, onde m f é a dmensão da frota f. O parâmetro f escreve-se em função dos factores de avalação observados ao nível da frota e ao nível do veículo. Os factores específcos da empresa e do veículo e as componentes heterogéneas dstnguem-se na regressão, admtndo que u f f d r f f s f exp x z f f logo f é proporconal à duração, vectores lnha x f e d f, do período em que o veículo é observado. Os z f são as componentes de regressão relaconados com a frota e o 31
32 Snstraldade veículo, respectvamente. Os parâmetros relaconados com a frota e o veículo são representados pelos vectores coluna e. Iremos utlzar a para ndcar vectores transpostos e, daqu adante, para facltar a notação, vamos exclur a smbologa vectoral, só a rentroduzndo em caso de necessdade para melhor compreensão do texto. Quanto a u f, representa a heterogenedade resdual da dstrbução do número de snstros, sendo composta pelo factor específco da frota r f e pelo factor específco do veículo s f. Estas dstrbuções ndvduas e as varáves N f f 1,..., F; 1,...,m f ndependentes neste modelo. são R f Além dsso, os factores aleatóros f 1,..., F e S f f 1,..., F; 1,...,m f são famílas de varáves aleatóras, ndependentes e dentcamente dstrbuídos, supondo-se anda que as famílas são mutuamente ndependentes. As dstrbuções nos modelos com factores aleatóros são msturas de dstrbuções de Posson, e referem-se a dstrbuções ndvduas genércas, que representam a classe de dstrbuções ndvduas reas com os mesmos factores observáves (ver Pnquet (2000)). O factor aleatóro S f reflecte a heterogenedade resdual na dstrbução do rsco do veículo e R f a heterogenedade resdual na dstrbução do rsco da frota. Usando R e S para representar as dstrbuções das varáves aleatóras das famílas, R f respectvamente, f F 1,..., e S f f 1,..., F; 1,...,m f, supomos anda que exstem momentos de segunda ordem, sto é, E(R) = E(S) = 1 32
33 Snstraldade V(R) = V RR V(S) = V SS De modo a facltar a escrta e a letura, e dado que estamos a segur a notação dos autores, as varâncas aparecem com nova notação. Com esta aproxmação semparamétrca, as dstrbuções com factores aleatóros rão ser apenas especfcadas pelas varâncas. Se U=RS, e atendendo a que R e S são ndependentes, tem-se que E(U) = E(R)E(S) = 1 V(U) = V UU = E(R 2 )E(S 2 ) - 1 = V RR + V SS + V RR V SS Com as fórmulas da varânca, covarânca e a ndependênca assumda no modelo com factores aleatóros para as famílas R f f 1,..., F e S f f 1,..., F; 1,...,m f, obtém-se V 2 2 N f f fvu f f fvuu N f, N fj f fjcovu f, U fj f fjvrr j Cov com f=1,...,f e =j=1,...,m f. (2.1.) Sendo a Cartera de dmensão grande, podemos substtur os parâmetros pelos estmadores consstentes, na descrção dos dados. Consderando um modelo de tarfação a pror que segue a dstrbução Posson, sto é, N f λ f f,. ~ P assume-se que ˆ f d f exp x f ˆ z f ˆ 33
34 Snstraldade sendo a frequênca calculada num modelo de tarfação a pror, onde ˆ e ˆ são os estmadores de máxma verosmlhança. Atendendo a que, no modelo com factores aleatóros, temos E N f EE N f U f E fu f f EU f f fca medato que a ntrodução destes factores não modfca o valor esperado para a snstraldade. Assm, o estmador de máxma verosmlhança do parâmetro f, no modelo sem factores aleatóros, é consstente para o parâmetro correspondente no modelo com factores aleatóros. Alás, esta conclusão será válda para qualquer sucessão constante de estmadores de f, permtndo assm dzer que os prémos calculados com base na frequênca de snstraldade, recorrendo ao modelo de tarfação a pror, convergem, em probabldade, para a snstraldade esperada de um veículo específco, consderado no modelo com efetos aleatóros. Para representar a convergênca em probabldade, vamos usar a notação ˆ P f, n f, onde ˆ f, n condções acma ndcadas. P, vndo representa uma sucessão constante de estmadores, nas A demonstração do resultado aqu nvocado pode ser encontrada em Gouréroux, Monfort & Trognon (1984), Pseudo Maxmum Lkelhood Methods: Applcatons to Posson Models, onde são apresentadas algumas aplcações do modelo de Posson de teora desenvolvda em Gouréroux, Monfort & Trognon (1984), Pseudo Maxmum Lkelhood Methods: Theory. 34
35 Snstraldade Sempre que nada for dto em contráro, consdera-se que as convergêncas ndcadas ocorrem quando n +. Também de modo a facltar e a algerar a notação, vamos representar os termos da sucessão de estmadores ˆ f, n : n por ˆ f, suprmndo o sub-índce n. Deste modo, dos momentos encontrados em (2.1.) e pela consstênca da sucessão ˆ, obtêm-se os seguntes lmtes estocástcos: Vˆ RR f 1 ; jm f ; j n f ˆ f n fj ˆ fj ˆ ˆ f fj f 1 ; jm f ; j P V RR f Vˆ UU f, n ˆ 2 f f f f, ˆ 2 f n P V UU Desta forma os estmadores consstentes de V(U) e V(R) são obtdos através dos estmadores dervados do modelo a pror. Como V UU = V RR + V SS + V RR V SS, temos que Vˆ SS Vˆ UUV ˆ 1Vˆ RR RR é um estmador consstente de V SS. Assm, o estmador Vˆ RR avala o contágo de snstraldade, observado entre os dferentes veículos numa mesma frota. Se Vˆ RR é bastante maor que zero, sgnfca que a hstóra de um veículo pode revelar factores esconddos na dstrbução do rsco dos veículos duma mesma frota. No entanto, se Vˆ RR for pequeno ou mesmo menor que 35
36 Snstraldade zero, sgnfca que estamos perante classes homogéneas, logo não necesstamos de ntroduzr, no modelo, as componentes heterogéneas. Como já fo dto, este modelo fo desenvolvdo por Desjardns, Donne & Pnquet (2001) e, no artgo publcado pelos autores, podemos encontrar mas detalhes sobre os estmadores das varâncas Estmadores Extremas Os Métodos dos Mínmos Quadrados e da Máxma Verosmlhança enquadram-se na Teora dos Estmadores Extremas. Nesta teora, o estmador é um extremo da função k n g n (, y ) defnda no produto cartesano dos espaços paramétrco e amostral. Para garantr a convergênca dos estmadores obtdos, convém ntroduzr condções de regulardade. No que segue admtremos que: k n n g n (, y ) converge unforme e estocastcamente para uma função lmte g( ), sto é, que >0 P k k k sup gn, y g 1 n o verdadero valor do parâmetro pertence a um compacto. Por outro lado, Gouréroux, Monfort & Trognon (1984) mostrou que se podem obter bons estmadores, atrbundo às observações dstrbuções sufcentemente regulares e maxmzando as pseudo verosmlhanças resultantes. Fo este o camnho que segumos, atrbundo às observações dstrbuções de Posson. 36
37 Snstraldade Em vez de calcularmos o máxmo da pseudo verosmlhança, optámos, segundo Mexa & Corte Real (2003), por obter o centro de gravdade do conjunto dos pontos (vectores de parâmetros), em que a pseudo verosmlhança exceda M n + 8/(n^0,48). O respectvo máxmo, M n, é o valor resultante da função de log-verosmlhança (segundo cada conjunto de estmadores obtdo) a dvdr pelo número total de pontos aleatóros n, tendo-se optado por valores de 8 e de 0,48, escolhdos emprcamente, para a fracção do segundo termo. De acordo com o artgo de Mexa & Corte Real (2003), a potênca de n terá de pertencer ao ntervalo 0,1/2. O ponto de partda deste método é a escolha dum conjunto de estmadores ncal qualquer. Se por acaso partrmos de um conjunto de estmadores que não se encontre na vznhança do centro de gravdade, o método não funcona, pos não consegumos encontrar nenhum conjunto em que a pseudo verosmlhança exceda o valor acma ndcado. De seguda, smulamos, para n grande, pontos aleatóros na vznhança dos estmadores ncas. O novo conjunto de estmadores será a méda dos smulados. Este racocíno é repetdo enquanto encontrarmos conjuntos de estmadores em que a pseudo verosmlhança exceda M n + 8/(n^0,48). Deste modo, o número de pontos aleatóros va aumentando gradualmente e o ntervalo para chegar ao centro de gravdade (ao conjunto de estmadores fnal) va dmnundo. Este método parece ser muto complcado à prmera vsta, mas comparando-o com o método da Pseudo-Máxma Verosmlhança, que remos apresentar na próxma secção, podemos conclur que as prncpas vantagens são: a facldade em aplcar o método e a possbldade de encontrar uma regão de confança, o que não acontece nos métodos 37
38 Snstraldade clásscos. Assm sendo, podemos afrmar que o método Mexa/Corte Real permte pôr em evdênca o fenómeno de planalto, ou seja, numa dada regão podem exstr város conjuntos de estmadores que maxmzem a função de log-verosmlhança. Este método é muto fácl de aplcar, pos resume-se a cálculos de médas dos estmadores, enquanto que o método da Pseudo-Máxma Verosmlhança recorre à resolução de um sstema de equações com tantas ncógntas quanto o número de factores de avalação para frotas e veículos que escolhermos. A prncpal desvantagem deste método é o tempo que o programa elaborado, recorrendo ao Mathematca, demora a obter o conjunto de estmadores fnal. Dado que o método va aumentando o número total de pontos aleatóros gradualmente, podemos demorar algumas horas a obter o conjunto de estmadores, enquanto que com o Método de Pseudo-Máxma Verosmlhança ou Mínmos Quadrados Generalzados chegamos em poucos mnutos. De notar que ambos os métodos de cálculo foram desenvolvdos apenas no programa Mathematca 5.0., sendo possível que noutro tpo de software se chegue a valores mas rapdamente. Relatvamente a este método, sera anda nteressante tentar perceber qual a melhor escolha para o conjunto de estmadores ncas, pos, partndo de conjuntos dferentes, podemos obter estmadores em que snstraldade pode tomar valores superores ou nferores aos observados, como remos ver na aplcação prátca. 38
39 Snstraldade Neste trabalho escolhemos, emprcamente, os valores de 8 e de 0,48 para a fracção do segundo termo deste método. Fca por analsar o mpacto da alteração destes valores, nos resultados fnas da snstraldade Método de Pseudo-Máxma Verosmlhança Como já vmos anterormente, para determnarmos a frequênca de snstraldade para cada veículo da frota, precsamos de obter os estmadores ˆ e ˆ. Esta secção será desenvolvda com base no artgo de Gouréroux, Monfort & Trognon (1984). Os estmadores obtdos através da maxmzação de uma função de verosmlhança, onde a famíla de dstrbuções de probabldade não pertence necessaramente à famíla escolhda para a função de verosmlhança, são calculados através do Método de Pseudo-Máxma Verosmlhança. Esta técnca é aplcada a modelos de Posson que podem ser: báscos, cujo parâmetro pode ser escrto na forma onde x á a varável exógena assocada à -ésma observação e b é o parâmetro desconhecdo. específcos, em que exp x b exp x b e onde e é o erro específco, sendo uma varável aleatóra que não é observável. Deste modo são determnadas as famílas de funções de pseudo verosmlhança que orgnam estmadores consstentes e assmptotcamente normas dos parâmetros 39
40 Snstraldade envolvdos na verdadera dstrbução. Estmadores deste tpo podem ser obtdos através de dstrbuções que pertencem à famíla exponencal lnear. Relatvamente a estas dstrbuções pode ser consultado, por exemplo, Murtera(1990). Defnção: Dz-se que uma varável aleatóra X em G, ndexada pelo parâmetro m G tem dstrbução pertencente à famíla exponencal lnear se: a) a sua função densdade de probabldade se puder escrever na forma f onde x, m exp Am Bx Cm Am e x x, x, B são escalares e Cm é um vector de dmensão G; b) m é o vector da méda da dstrbução cuja densdade é gual a f x m G,. Faclmente se prova que, por exemplo, a dstrbução Posson pertence à famíla exponencal lnear. Esquecendo a notação vectoral, a função densdade da Posson é a segunte: m x e m f ( x, m), x 0,1,... x! que pode ser escrta em termos da famíla de dspersão exponencal, ou seja, f x, m exp m xlnm ln x! e portanto, A(m) = - m; B(x) = - ln x!; C(m)x = x ln m Mutas das famílas clásscas de meddas de probabldade são exponencas lneares. Alguns exemplos de tas famílas são apresentados na Tabela
41 Snstraldade Bnomal (n dado) Tabela 2.1. Exemplo de famílas exponencas lneares Famíla Função Densdade n 1 x 1 n x 1 m n x m 1 n n x Posson Bnomal Negatva (a dado) Gama (a dado) Normal ( dado) a a e m x! m x x 1 x a1 a x m a e xa m a m a x x m exp m 1 a a x Dado estarmos a segur o modelo de Posson, estamos nas perfetas condções para poder utlzar o método de Pseudo-Máxma Verosmlhança, cujo parâmetro é gual a f d exp x z f f f Por sua vez a méda e a varânca são guas, f, e a função densdade de N f é e f n f f n f!, n 0 Logo a função de log-verosmlhança vem F m f, f f ln f ln f! L n n F m f f 1 1 f 1 1 d exp x z n lnd x z ln n! f f f f f f f f m f k1 k2 k1 k2 F d f exp x f, j 1 j z 1 f, j ln 2 j n 2 f d f x f, j 1 j z 1 f, j ln! 2 j n 2 f f 1 1 j11 j21 j11 j21 41
42 Snstraldade onde k 1 corresponde ao número de factores específcos da frota e k 2 ao número de factores específcos do veículo. Dado ln(n f!) ser uma constante, vamos obter as funções objectvo que resultam das dervadas parcas de prmera ordem, relatvamente aos parâmetros: L j1 F m f f 1 1 x f f, j1 n f x f, j1, j 1,..., k 1 1 L j2 F m f f 1 1 z f f, j2 n f z f, j2, j 1,..., k 2 2 Assm, as equações de verosmlhança neste modelo são F m f f 1 1 F m f f 1 1 n ˆ f f x f, j 0, j1 1,..., k1 1 n ˆ f f z f, j 0, j2 1,..., k2 2 Dado que este método pode ser utlzado para qualquer dstrbução que pertença à famíla exponencal lnear, se segurmos o mesmo racocíno para a dstrbução Normal vamos obter as seguntes equações de verosmlhança: F f 1 1 F m f m f f 1 1 x z f, j1 f, j2 n ˆ ˆ f f f 0, j1 1,..., k1 n ˆ ˆ f f f 0, j2 1,..., k2 Estas equações reflectem uma relação de ortogonaldade entre o número de resíduos e as componentes de regressão. 42
TEORIA DE ERROS * ERRO é a diferença entre um valor obtido ao se medir uma grandeza e o valor real ou correto da mesma.
UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO CENTRO DE CIÊNCIAS EXATAS DEPARTAMENTO DE FÍSICA AV. FERNANDO FERRARI, 514 - GOIABEIRAS 29075-910 VITÓRIA - ES PROF. ANDERSON COSER GAUDIO FONE: 4009.7820 FAX: 4009.2823
Leia maisAnálise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA
Análse de Regressão Profa Alcone Mranda dos Santos Departamento de Saúde Públca UFMA Introdução Uma das preocupações estatístcas ao analsar dados, é a de crar modelos que explctem estruturas do fenômeno
Leia maisNOTA II TABELAS E GRÁFICOS
Depto de Físca/UFMG Laboratóro de Fundamentos de Físca NOTA II TABELAS E GRÁFICOS II.1 - TABELAS A manera mas adequada na apresentação de uma sére de meddas de um certo epermento é através de tabelas.
Leia maisSistemas de Filas: Aula 5. Amedeo R. Odoni 22 de outubro de 2001
Sstemas de Flas: Aula 5 Amedeo R. Odon 22 de outubro de 2001 Teste 1: 29 de outubro Com consulta, 85 mnutos (níco 10:30) Tópcos abordados: capítulo 4, tens 4.1 a 4.7; tem 4.9 (uma olhada rápda no tem 4.9.4)
Leia maisESTATÍSTICA MULTIVARIADA 2º SEMESTRE 2010 / 11. EXERCÍCIOS PRÁTICOS - CADERNO 1 Revisões de Estatística
ESTATÍSTICA MULTIVARIADA º SEMESTRE 010 / 11 EXERCÍCIOS PRÁTICOS - CADERNO 1 Revsões de Estatístca -0-11 1.1 1.1. (Varáves aleatóras: função de densdade e de dstrbução; Méda e Varânca enquanto expectatvas
Leia maisCovariância e Correlação Linear
TLF 00/ Cap. X Covarânca e correlação lnear Capítulo X Covarânca e Correlação Lnear 0.. Valor médo da grandeza (,) 0 0.. Covarânca na propagação de erros 03 0.3. Coecente de correlação lnear 05 Departamento
Leia maisIntrodução e Organização de Dados Estatísticos
II INTRODUÇÃO E ORGANIZAÇÃO DE DADOS ESTATÍSTICOS 2.1 Defnção de Estatístca Uma coleção de métodos para planejar expermentos, obter dados e organzá-los, resum-los, analsá-los, nterpretá-los e deles extrar
Leia mais7. Resolução Numérica de Equações Diferenciais Ordinárias
7. Resolução Numérca de Equações Dferencas Ordnáras Fenômenos físcos em dversas áreas, tas como: mecânca dos fludos, fluo de calor, vbrações, crcutos elétrcos, reações químcas, dentre váras outras, podem
Leia maisObjetivos da aula. Essa aula objetiva fornecer algumas ferramentas descritivas úteis para
Objetvos da aula Essa aula objetva fornecer algumas ferramentas descrtvas útes para escolha de uma forma funconal adequada. Por exemplo, qual sera a forma funconal adequada para estudar a relação entre
Leia maisCONSTRUÇÃO DE UM SISTEMA DE BONUS-MALUS NA PRESENÇA DE OUTRAS VARIÁVEIS TARIFÁRIAS. Henda Mondlane Ferreira da Silva
MESTRADO EM: Cêncas Actuaras CONSTRUÇÃO DE UM SISTEMA DE BONUS-MALUS NA PRESENÇA DE OUTRAS VARIÁVEIS TARIFÁRIAS Henda Mondlane Ferrera da Slva Orentação: Doutor João Manuel de Sousa Andrade e Slva Júr:
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia maisIntrodução à Análise de Dados nas medidas de grandezas físicas
Introdução à Análse de Dados nas meddas de grandezas físcas www.chem.wts.ac.za/chem0/ http://uregna.ca/~peresnep/ www.ph.ed.ac.uk/~td/p3lab/analss/ otas baseadas nos apontamentos Análse de Dados do Prof.
Leia maisUNIVERSIDADE PRESBITERIANA MACKENZIE CCSA - Centro de Ciências Sociais e Aplicadas Curso de Economia
CCSA - Centro de Cêncas Socas e Aplcadas Curso de Economa ECONOMIA REGIONAL E URBANA Prof. ladmr Fernandes Macel LISTA DE ESTUDO. Explque a lógca da teora da base econômca. A déa que sustenta a teora da
Leia maisRegressão e Correlação Linear
Probabldade e Estatístca I Antono Roque Aula 5 Regressão e Correlação Lnear Até o momento, vmos técncas estatístcas em que se estuda uma varável de cada vez, estabelecendo-se sua dstrbução de freqüêncas,
Leia maisY X Baixo Alto Total Baixo 1 (0,025) 7 (0,175) 8 (0,20) Alto 19 (0,475) 13 (0,325) 32 (0,80) Total 20 (0,50) 20 (0,50) 40 (1,00)
Bussab&Morettn Estatístca Básca Capítulo 4 Problema. (b) Grau de Instrução Procedênca º grau º grau Superor Total Interor 3 (,83) 7 (,94) (,) (,33) Captal 4 (,) (,39) (,) (,3) Outra (,39) (,7) (,) 3 (,3)
Leia maisCURSO ON-LINE PROFESSOR: VÍTOR MENEZES
O Danel Slvera pedu para eu resolver mas questões do concurso da CEF. Vou usar como base a numeração do caderno foxtrot Vamos lá: 9) Se, ao descontar uma promssóra com valor de face de R$ 5.000,00, seu
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisProfessor Mauricio Lutz CORRELAÇÃO
Professor Maurco Lutz 1 CORRELAÇÃO Em mutas stuações, torna-se nteressante e útl estabelecer uma relação entre duas ou mas varáves. A matemátca estabelece város tpos de relações entre varáves, por eemplo,
Leia maisEstatística I Licenciatura MAEG 2006/07
Estatístca I Lcencatura MAEG 006/07 AMOSTRAGEM. DISTRIBUIÇÕES POR AMOSTRAGEM.. Em determnada unversdade verfca-se que 30% dos alunos têm carro. Seleccona-se uma amostra casual smples de 0 alunos. a) Qual
Leia maisOs modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.
MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,
Leia maisCAPÍTULO VI Introdução ao Método de Elementos Finitos (MEF)
PMR 40 - Mecânca Computaconal CAPÍTULO VI Introdução ao Método de Elementos Fntos (MEF). Formulação Teórca - MEF em uma dmensão Consderemos a equação abao que representa a dstrbução de temperatura na barra
Leia mais5.1 Seleção dos melhores regressores univariados (modelo de Índice de Difusão univariado)
5 Aplcação Neste capítulo será apresentada a parte empírca do estudo no qual serão avalados os prncpas regressores, um Modelo de Índce de Dfusão com o resultado dos melhores regressores (aqu chamado de
Leia maisMinistério da Educação. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Cálculo do Conceito Preliminar de Cursos de Graduação
Mnstéro da Educação Insttuto Naconal de Estudos e Pesqusas Educaconas Aníso Texera Cálculo do Conceto Prelmnar de Cursos de Graduação Nota Técnca Nesta nota técnca são descrtos os procedmentos utlzados
Leia maiswww.obconcursos.com.br/portal/v1/carreirafiscal
www.obconcursos.com.br/portal/v1/carrerafscal Moda Exercíco: Determne o valor modal em cada um dos conjuntos de dados a segur: X: { 3, 4,, 8, 8, 8, 9, 10, 11, 1, 13 } Mo 8 Y: { 10, 11, 11, 13, 13, 13,
Leia maisProbabilidade e Estatística. Correlação e Regressão Linear
Probabldade e Estatístca Correlação e Regressão Lnear Correlação Este uma correlação entre duas varáves quando uma delas está, de alguma forma, relaconada com a outra. Gráfco ou Dagrama de Dspersão é o
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia maisAplicando o método de mínimos quadrados ordinários, você encontrou o seguinte resultado: 1,2
Econometra - Lsta 3 - Regressão Lnear Múltpla Professores: Hedbert Lopes, Prscla Rbero e Sérgo Martns Montores: Gustavo Amarante e João Marcos Nusdeo QUESTÃO 1. Você trabalha na consultora Fazemos Qualquer
Leia maisEscolha do Consumidor sob condições de Risco e de Incerteza
9/04/06 Escolha do Consumdor sob condções de Rsco e de Incerteza (Capítulo 7 Snyder/Ncholson e Capítulo Varan) Turma do Prof. Déco Kadota Dstnção entre Rsco e Incerteza Na lteratura econômca, a prmera
Leia maisEstatística stica Descritiva
AULA1-AULA5 AULA5 Estatístca stca Descrtva Prof. Vctor Hugo Lachos Davla oo que é a estatístca? Para mutos, a estatístca não passa de conjuntos de tabelas de dados numércos. Os estatístcos são pessoas
Leia maisCaderno de Exercícios Resolvidos
Estatístca Descrtva Exercíco 1. Caderno de Exercícos Resolvdos A fgura segunte representa, através de um polígono ntegral, a dstrbução do rendmento nas famílas dos alunos de duas turmas. 1,,75 Turma B
Leia maisSistemas Robóticos. Sumário. Introdução. Introdução. Navegação. Introdução Onde estou? Para onde vou? Como vou lá chegar?
Sumáro Sstemas Robótcos Navegação Introdução Onde estou? Para onde vou? Como vou lá chegar? Carlos Carreto Curso de Engenhara Informátca Ano lectvo 2003/2004 Escola Superor de Tecnologa e Gestão da Guarda
Leia maisIV - Descrição e Apresentação dos Dados. Prof. Herondino
IV - Descrção e Apresentação dos Dados Prof. Herondno Dados A palavra "dados" é um termo relatvo, tratamento de dados comumente ocorre por etapas, e os "dados processados" a partr de uma etapa podem ser
Leia maisCENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnilesteMG
1 CENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnlesteMG Dscplna: Introdução à Intelgênca Artfcal Professor: Luz Carlos Fgueredo GUIA DE LABORATÓRIO LF. 01 Assunto: Lógca Fuzzy Objetvo: Apresentar o
Leia maisDespacho Econômico de. Sistemas Termoelétricos e. Hidrotérmicos
Despacho Econômco de Sstemas Termoelétrcos e Hdrotérmcos Apresentação Introdução Despacho econômco de sstemas termoelétrcos Despacho econômco de sstemas hdrotérmcos Despacho do sstema braslero Conclusões
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisAula 7: Circuitos. Curso de Física Geral III F-328 1º semestre, 2014
Aula 7: Crcutos Curso de Físca Geral III F-38 º semestre, 04 Ponto essencal Para resolver um crcuto de corrente contínua, é precso entender se as cargas estão ganhando ou perdendo energa potencal elétrca
Leia mais3 A técnica de computação intensiva Bootstrap
A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.
Leia maisAnálise de Projectos ESAPL / IPVC. Taxas Equivalentes Rendas
Análse de Projectos ESAPL / IPVC Taxas Equvalentes Rendas Taxas Equvalentes Duas taxas e, referentes a períodos dferentes, dzem-se equvalentes se, aplcadas a um mesmo captal, produzrem durante o mesmo
Leia maisCálculo do Conceito ENADE
Insttuto aconal de Estudos e Pesqusas Educaconas Aníso Texera IEP Mnstéro da Educação ME álculo do onceto EADE Para descrever o cálculo do onceto Enade, prmeramente é mportante defnr a undade de observação
Leia maisPROJEÇÕES POPULACIONAIS PARA OS MUNICÍPIOS E DISTRITOS DO CEARÁ
GOVERNO DO ESTADO DO CEARÁ SECRETARIA DO PLANEJAMENTO E GESTÃO - SEPLAG INSTITUTO DE PESQUISA E ESTRATÉGIA ECONÔMICA DO CEARÁ - IPECE NOTA TÉCNICA Nº 29 PROJEÇÕES POPULACIONAIS PARA OS MUNICÍPIOS E DISTRITOS
Leia maisNota Técnica Médias do ENEM 2009 por Escola
Nota Técnca Médas do ENEM 2009 por Escola Crado em 1998, o Exame Naconal do Ensno Médo (ENEM) tem o objetvo de avalar o desempenho do estudante ao fm da escolardade básca. O Exame destna-se aos alunos
Leia maisAssociação entre duas variáveis quantitativas
Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa
Leia mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia maisVariação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.
Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na
Leia maisAssociação de resistores em série
Assocação de resstores em sére Fg.... Na Fg.. está representada uma assocação de resstores. Chamemos de I, B, C e D. as correntes que, num mesmo nstante, passam, respectvamente pelos pontos A, B, C e D.
Leia maisControle Estatístico de Qualidade. Capítulo 8 (montgomery)
Controle Estatístco de Qualdade Capítulo 8 (montgomery) Gráfco CUSUM e da Méda Móvel Exponencalmente Ponderada Introdução Cartas de Controle Shewhart Usa apenas a nformação contda no últmo ponto plotado
Leia maisPARTE 1. 1. Apresente as equações que descrevem o comportamento do preço de venda dos imóveis.
EXERCICIOS AVALIATIVOS Dscplna: ECONOMETRIA Data lmte para entrega: da da 3ª prova Valor: 7 pontos INSTRUÇÕES: O trabalho é ndvdual. A dscussão das questões pode ser feta em grupo, mas cada aluno deve
Leia maisCQ110 : Princípios de FQ
CQ110 : Prncípos de FQ CQ 110 Prncípos de Físco Químca Curso: Farmáca Prof. Dr. Marco Vdott mvdott@ufpr.br Potencal químco, m potencal químco CQ110 : Prncípos de FQ Propredades termodnâmcas das soluções
Leia maisTeoria Elementar da Probabilidade
10 Teora Elementar da Probabldade MODELOS MATEMÁTICOS DETERMINÍSTICOS PROBABILÍSTICOS PROCESSO (FENÓMENO) ALEATÓRIO - Quando o acaso nterfere na ocorrênca de um ou mas dos resultados nos quas tal processo
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia mais3ª AULA: ESTATÍSTICA DESCRITIVA Medidas Numéricas
PROGRAMA DE PÓS-GRADUAÇÃO EM EGEHARIA DE TRASPORTES E GESTÃO TERRITORIAL PPGTG DEPARTAMETO DE EGEHARIA CIVIL ECV DISCIPLIA: TGT41006 FUDAMETOS DE ESTATÍSTICA 3ª AULA: ESTATÍSTICA DESCRITIVA Meddas umércas
Leia maisControlo Metrológico de Contadores de Gás
Controlo Metrológco de Contadores de Gás José Mendonça Das (jad@fct.unl.pt), Zulema Lopes Perera (zlp@fct.unl.pt) Departamento de Engenhara Mecânca e Industral, Faculdade de Cêncas e Tecnologa da Unversdade
Leia mais1 a Lei de Kirchhoff ou Lei dos Nós: Num nó, a soma das intensidades de correntes que chegam é igual à soma das intensidades de correntes que saem.
Les de Krchhoff Até aqu você aprendeu técncas para resolver crcutos não muto complexos. Bascamente todos os métodos foram baseados na 1 a Le de Ohm. Agora você va aprender as Les de Krchhoff. As Les de
Leia maisUniversidade Salvador UNIFACS Cursos de Engenharia Cálculo IV Profa: Ilka Rebouças Freire. Integrais Múltiplas
Unversdade Salvador UNIFACS Cursos de Engenhara Cálculo IV Profa: Ilka ebouças Frere Integras Múltplas Texto 3: A Integral Dupla em Coordenadas Polares Coordenadas Polares Introduzremos agora um novo sstema
Leia maisSinais Luminosos 2- CONCEITOS BÁSICOS PARA DIMENSIONAMENTO DE SINAIS LUMINOSOS.
Snas Lumnosos 1-Os prmeros snas lumnosos Os snas lumnosos em cruzamentos surgem pela prmera vez em Londres (Westmnster), no ano de 1868, com um comando manual e com os semáforos a funconarem a gás. Só
Leia mais3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas
3.6. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas
Leia mais5 Métodos de cálculo do limite de retenção em função da ruína e do capital inicial
5 Métodos de cálculo do lmte de retenção em função da ruína e do captal ncal Nesta dssertação serão utlzados dos métodos comparatvos de cálculo de lmte de retenção, onde ambos consderam a necessdade de
Leia maisCAP RATES, YIELDS E AVALIAÇÃO DE IMÓVEIS pelo método do rendimento
CAP RATES, YIELDS E AALIAÇÃO DE IMÓEIS pelo étodo do rendento Publcado no Confdencal Iobláro, Março de 2007 AMARO NAES LAIA Drector da Pós-Graduação de Gestão e Avalação Ioblára do ISEG. Docente das caderas
Leia maisEventos coletivamente exaustivos: A união dos eventos é o espaço amostral.
DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíves resultados de um expermento. Evento é qualquer subconjunto do espaço amostral. Evento combnado: Possu duas ou
Leia maisUNIVERSIDADE DO ESTADO DA BAHIA - UNEB DEPARTAMENTO DE CIÊNCIAS EXATAS E DA TERRA COLEGIADO DO CURSO DE DESENHO INDUSTRIAL CAMPUS I - SALVADOR
Matéra / Dscplna: Introdução à Informátca Sstema de Numeração Defnção Um sstema de numeração pode ser defndo como o conjunto dos dígtos utlzados para representar quantdades e as regras que defnem a forma
Leia maisProf. Benjamin Cesar. Onde a(n, i) é o fator de valor atual de uma série de pagamentos. M: montante da renda na data do último depósito.
Matemátca Fnancera Rendas Certas Prof. Benjamn Cesar Sére de Pagamentos Unforme e Peródca. Rendas Certas Anudades. É uma sequênca de n pagamentos de mesmo valor P, espaçados de um mesmo ntervalo de tempo
Leia maisApostila de Estatística Curso de Matemática. Volume II 2008. Probabilidades, Distribuição Binomial, Distribuição Normal. Prof. Dr. Celso Eduardo Tuna
Apostla de Estatístca Curso de Matemátca Volume II 008 Probabldades, Dstrbução Bnomal, Dstrbução Normal. Prof. Dr. Celso Eduardo Tuna 1 Capítulo 8 - Probabldade 8.1 Conceto Intutvamente pode-se defnr probabldade
Leia maisMODELOS DE REGRESSÃO PARAMÉTRICOS
MODELOS DE REGRESSÃO PARAMÉTRICOS Às vezes é de nteresse nclur na análse, característcas dos ndvíduos que podem estar relaconadas com o tempo de vda. Estudo de nsufcênca renal: verfcar qual o efeto da
Leia maisDistribuição de Massa Molar
Químca de Polímeros Prof a. Dr a. Carla Dalmoln carla.dalmoln@udesc.br Dstrbução de Massa Molar Materas Polmércos Polímero = 1 macromolécula com undades químcas repetdas ou Materal composto por númeras
Leia mais3.1. Conceitos de força e massa
CAPÍTULO 3 Les de Newton 3.1. Concetos de força e massa Uma força representa a acção de um corpo sobre outro,.e. a nteracção físca entre dos corpos. Como grandeza vectoral que é, só fca caracterzada pelo
Leia maisDIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS
DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS 1 A análse de dagnóstco (ou dagnóstco do ajuste) confgura uma etapa fundamental no ajuste de modelos de regressão. O objetvo prncpal da análse de dagnóstco
Leia maisREGRESSÃO LOGÍSTICA. Seja Y uma variável aleatória dummy definida como:
REGRESSÃO LOGÍSTCA. ntrodução Defnmos varáves categórcas como aquelas varáves que podem ser mensurados usando apenas um número lmtado de valores ou categoras. Esta defnção dstngue varáves categórcas de
Leia maisCurso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos
Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,
Leia maisAnálise Econômica da Aplicação de Motores de Alto Rendimento
Análse Econômca da Aplcação de Motores de Alto Rendmento 1. Introdução Nesta apostla são abordados os prncpas aspectos relaconados com a análse econômca da aplcação de motores de alto rendmento. Incalmente
Leia maisUNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)
UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade
Leia maisCAPÍTULO 1 Exercícios Propostos
CAPÍTULO 1 Exercícos Propostos Atenção: Na resolução dos exercícos consderar, salvo menção em contráro, ano comercal de das. 1. Qual é a taxa anual de juros smples obtda em uma aplcação de $1.0 que produz,
Leia maisINTRODUÇÃO AO CÁLCULO DE ERROS NAS MEDIDAS DE GRANDEZAS FÍSICAS
Físca Laboratoral Ano Lectvo 003/04 ITRODUÇÃO AO CÁLCULO DE ERROS AS MEDIDAS DE GRADEAS FÍSICAS. Introdução.... Erros de observação: erros sstemátcos e erros fortutos ou acdentas... 3. Precsão e rgor...3
Leia mais1 Princípios da entropia e da energia
1 Prncípos da entropa e da energa Das dscussões anterores vmos como o conceto de entropa fo dervado do conceto de temperatura. E esta últma uma conseqüênca da le zero da termodnâmca. Dentro da nossa descrção
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. A análse
Leia maisElaboração: Fevereiro/2008
Elaboração: Feverero/2008 Últma atualzação: 19/02/2008 E ste Caderno de Fórmulas tem por objetvo esclarecer aos usuáros a metodologa de cálculo e os crtéros de precsão utlzados na atualzação das Letras
Leia maisREGRESSÃO NÃO LINEAR 27/06/2017
7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 4 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia maisSempre que surgir uma dúvida quanto à utilização de um instrumento ou componente, o aluno deverá consultar o professor para esclarecimentos.
Insttuto de Físca de São Carlos Laboratóro de Eletrcdade e Magnetsmo: Transferênca de Potênca em Crcutos de Transferênca de Potênca em Crcutos de Nesse prátca, estudaremos a potênca dsspada numa resstênca
Leia maisCapítulo 1. Exercício 5. Capítulo 2 Exercício
UNIVERSIDADE FEDERAL DE GOIÁS CIÊNCIAS ECONÔMICAS ECONOMETRIA (04-II) PRIMEIRA LISTA DE EXERCÍCIOS Exercícos do Gujarat Exercíco 5 Capítulo Capítulo Exercíco 3 4 5 7 0 5 Capítulo 3 As duas prmeras demonstrações
Leia maisRISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16%
Análse de Rsco 1 RISCO Rsco possbldade de perda. Quanto maor a possbldade, maor o rsco. Exemplo: Empresa X va receber $ 1.000 de uros em 30 das com títulos do governo. A empresa Y pode receber entre $
Leia maisMETROLOGIA E ENSAIOS
METROLOGIA E ENSAIOS Incerteza de Medção Prof. Aleandre Pedott pedott@producao.ufrgs.br Freqüênca de ocorrênca Incerteza da Medção Dstrbução de freqüênca das meddas Erro Sstemátco (Tendênca) Erro de Repettvdade
Leia maisComo aposentadorias e pensões afetam a educação e o trabalho de jovens do domicílio 1
Como aposentadoras e pensões afetam a educação e o trabalo de jovens do domcílo 1 Rodolfo Hoffmann 2 Resumo A questão central é saber como o valor da parcela do rendmento domclar formada por aposentadoras
Leia maisControle de Ponto Eletrônico. Belo Horizonte
Controle de Ponto Eletrônco da Câmara Muncpal de Belo Horzonte Instrutor: André Mafa Latn DIVPES agosto de 2010 Objetvo Informar sobre o preenchmento da folha de frequênca; Facltar o trabalho das chefas;
Leia maisCapítulo 1. O plano complexo. 1.1. Introdução. Os números complexos começaram por ser introduzidos para dar sentido à 2
Capítulo O plano compleo Introdução Os números compleos começaram por ser ntrodudos para dar sentdo à resolução de equações polnomas do tpo Como os quadrados de números reas são sempre maores ou guas a
Leia maisESTATÍSTICAS E INDICADORES DE COMÉRCIO EXTERNO
ESTATÍSTICAS E INDICADORES DE COÉRCIO ETERNO Nota préva: O texto que se segue tem por únco obectvo servr de apoo às aulas das dscplnas de Economa Internaconal na Faculdade de Economa da Unversdade do Porto.
Leia mais1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de
Leia maisAula Características dos sistemas de medição
Aula - Característcas dos sstemas de medção O comportamento funconal de um sstema de medção é descrto pelas suas característcas (parâmetros) operaconas e metrológcas. Aqu é defnda e analsada uma sére destes
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 2 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia maisEquipas Educativas Para uma nova organização da escola. João Formosinho Joaquim Machado
Equpas Educatvas Para uma nova organzação da escola João Formosnho Joaqum Machado TRANSFORMAÇÕES NA ESCOLA BÁSICA TRANSFORMAÇÕES NA ESCOLA BÁSICA A expansão escolar e a mplementação das polítcas de nclusão
Leia maisAnálise de Variância. Comparação de duas ou mais médias
Análse de Varânca Comparação de duas ou mas médas Análse de varânca com um fator Exemplo Um expermento fo realzado para se estudar dabetes gestaconal. Desejava-se avalar o comportamento da hemoglobna (HbA)
Leia maisEFEITO SOBRE A EQUIDADE DE UM AUMENTO DO IMPOSTO SOBRE O VALOR ACRESCENTADO*
Artgos Prmavera 2007 EFEITO SOBRE A EQUIDADE DE UM AUMENTO DO IMPOSTO SOBRE O VALOR ACRESCENTADO* Isabel Correa**. INTRODUÇÃO Apesar das reformas fscas serem um fenómeno recorrente nas últmas décadas em
Leia maisNome: Nº: Estatística para Economia e Gestão Licenciaturas em Economia e Gestão. 2.º Semestre de 2008/2009
Estatístca para Economa e Gestão Lcencaturas em Economa e Gestão.º Semestre de 008/009 Exame Fnal (.ª Época) 16 de Junho de 009; 17h30m Duração: 10 mnutos INSTRUÇÕES Escreva o nome e número de aluno em
Leia maisCORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr
Leia maisFICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3
FICHA de AVALIAÇÃO de MATEMÁTICA A 10.º Ano Versão 3 Nome Nº Turma: Data: / / Professor 10.º Ano Classfcação Apresente o seu racocíno de forma clara, ndcando todos os cálculos que tver de efetuar e todas
Leia maisRegressão Múltipla. Parte I: Modelo Geral e Estimação
Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses
Leia mais1. CORRELAÇÃO E REGRESSÃO LINEAR
1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação
Leia mais