Cálculo e Instrumentos Financeiros (Parte 2) Pedro Cosme Vieira 1ª Aula

Tamanho: px
Começar a partir da página:

Download "Cálculo e Instrumentos Financeiros (Parte 2) Pedro Cosme Vieira 1ª Aula"

Transcrição

1 Cálculo e Instrumentos Fnanceros (Parte 2) Pedro Cosme Vera 1ª Aula Faculdade de Economa da Unversdade do Porto 2013/ Introdução Rsco e sua dversfcação Quando alguém empresta um captal, tem como objectvo receber mas tarde esse captal que emprestou acrescdo dos juros Mas exste sempre uma probabldade de não receber nem uma cosa nem outra (no todo ou em parte). 3 4

2 Introdução Na análse de um nvestmento, porque é baseada em prevsões quanto ao desempenho futuro do negóco preços dos nputs, preços e quantdades dos outputs, deprecação do captal, falhas e descobertas tecnológcas A medda calculada a pror na avalação pode, a posteror, vr a concretzar-se de forma menos favorável. 5 Introdução No sentdo de compreendermos o rsco, controlá-lo e utlzá-lo na tomada de decsão, vamos neste capítulo apresentar a modelzação estatístca do rsco. 6 Introdução Já consderamos um modelo de rsco p > Prob. de não receber nada (1-p) > Prob. de receber captal e juros V.(1+r) 0 x p + V.(1+).(1-p) (1+r) / (1-p) -1 r > taxa de juro sem rsco > taxa de juro com rsco Seguro de vda Ex.2.1- Num seguro de vda em que é paga a ndemnzação na data da morte. A seguradora captalza os prémos pagos pelo segurado de forma a ter reservas para pagar a ndemnzação. A seguradora tem uma margem de 10% Qual o prémo anual por cada 1000 de ndemnzação? 7 8

3 Seguro de vda Se a seguradora soubesse a pror quantos anos faltavam para o segurado morrer e a taxa de juro, calculava faclmente o prémo do seguro que lhe permtra captalzar a ndemnzação e ter algum lucro Mas na data de assnatura do contrato essas grandezas não são conhecdas 9 Seguro de vda Se a duração fosse N e a taxa de juro r tínhamos Valor actual da ndemnzação N I (1 + r) Valor actual da soma de todos os prémos (prestações) pagos pelo segurado (antec.) P r N ( 1 (1 + r) ) (1 + r) 10 Seguro de vda Igualando obtemos o prémo que a seguradora precsa cobrar (sem margem) I (1 + r) P N P r I r N ( 1 (1 + r) ) N N + 1 ( 1 (1 + r) ) (1 + r) (1 + r) Exemplo: seguro de vda Se N40 e r 2% resultava: Paga 40 anualdades P ( ) Mas os 10%, seram /ano/ %/ano

4 Exemplo: seguro de vda O seguro tem rsco porque a seguradora não conhece N nem r >O rsco pode resultar de um fenómeno aleatóro, e.g., o euromlhões. > Mas o mas normal é resultar de uma concretzação futura, e.g., a ocorrênca de uma novação tecnológca Exemplo: seguro de vda Sem conhecermos N nem r o melhor que pode ser feto é a construção de alguns cenáros Dvdmos cada varável em cenáros Como exemplo, consderamos os cenáros Adverso, Médo, favorável M.Mau, Mau, Médo, Bom, M.Bom M.Mau, Mau, Médo-, Médo+, Bom, M.Bom Exemplo: seguro de vda Seguro de vda Cada cenáro é uma combnação de valores possíves para as varáves relevantes desconhecdas No caso de varáves contínuas, esse valor é o representante de um ntervalo, e.g., o valor do meo

5 Exemplo: seguro de vda Seguradora cobrar /ano por cada seguro de 1000, terá prejuzo nos cenáros Mau e Mmau e uma margem maor que 10% nos cenáros Bom e Mbom. Exemplo: seguro de vda Também podemos usar uma combnação de cenáros ndvduas. Se temos 5 cenáros para a taxa de juro e 6 para a longevdade, da combnação resultam 30 cenáros Cobrando um prémo anual de 17.86, podemos dentfcar os cenáros em que a seguradora tem prejuzo e lucro Exemplo: seguro de vda Introdução Os cenáros conseguem dar uma dea dos potencas perdas e ganhos mas não nos ajudam quanttatvamente na decsão F5: $C$1*$E6/((1-(1+$E6)^-F$5)*(1+$E6)^(F$5+1))*(1+$C$2) Vamos necesstar de alguns concetos estatístcos que permtam agregar a nformação. Área F6:K10 com formatação condconada (se <17.854) 19 20

6 Concetos estatístcos báscos Concetos estatístcos báscos A Estatístca descreve, organza e relacona objectos e fenómenos demasado dfíces de apreender com as ferramentas conceptuas da matemátca clássca (.e., funções reas de varáves reas) Concetos estatístcos báscos A estatístca reduz a dmensão do fenómeno consderando Poucas varáves (as mas relevantes) e Conhecmento parcal dessas varáves Concetos estatístcos báscos Por exemplo, quando se constró um avão, é necessáro colocar bancos adequados para acomodar Pessoas com Necessdades Especas (PNE). Cada lugar mplca um custo Mas dexar passageros em terra tem uma penalzação Eu não se quantas pessoas aparecem em cada voo

7 Concetos estatístcos báscos Dados passado: Olhando para as pessoas que vajaram no passado, 3.0% são PNE. Concetos estatístcos báscos Partndo desta nformação pouco pormenorzada Calculada com os passageros do passado podemos calcular, com a ajuda da estatístca, estmatvas para as necessdades das vagens futuras Supomos a establdade das característcas da população Concetos estatístcos báscos Concetos estatístcos báscos Probabldade 15% 10% 5% 0% PNE Sabendo-se que 3% dos ndvíduos são PNE, em x% das vagens futuras (com 200 passageros) haverá necessdade de N lugares Agora, podemos optmzar uma função objectvo. H1) cada lugar especal dá 50 de prejuzo H2) Dexar um PNE em terra tem 1000 de penalzação Podemos mnmzar o prejuzo esperado Função dstrbução de Posson 27 28

8 Concetos estatístcos báscos Concetos estatístcos báscos A varável de decsão é N. 0 f ( n, x) 50n 1000( x n) se x n se x > n x é o número de PNE que aparecem num voo qualquer n é o número de caderas especas do avão Prejuzo esperado Número de caderas especas Concetos estatístcos báscos Para já não nteressa saber como a fgura anteror fo calculada. Com os 3% de PNE, fo possível construr um modelo de apoo à decsão. O valor óptmo depende da percentagem de PNE (estmatva) 2.0% > 11 lugares 3.0% > 14 lugares 4.0% > 17 lugares 31 Noção de varável estatístca 32

9 Noção de varável estatístca Noção de varável estatístca Na prmera parte da dscplna aprendemos modelos que nos permtem quantfcar o mpacto da nossa decsão em função das varáves relevantes (e.g., taxa de juro, taxa de crescmento as vendas) O rsco resulta de não conhecermos os valores concretos que as varáves vão assumr no futuro. 33 Por exemplo, na construção de um automóvel não se a altura nem o peso do futuro condutor. Será um valor sorteado da população Vou ultrapassar a falta de nformação assumndo que será um valor retrado aleatoramente da população da qual conheço estatístcas e.g., o valor médo e a dspersão 34 Noção de varável estatístca Numa extracção aleatóra os ndvíduos são obtdos sem ter em atenção nenhuma das suas característcas e.g., a extracção de uma bola no Euromlhões não tem em atenção o número. Depos, agrego a população numa função objectvo a optmzar Valor esperado do lucro ponderado pelo rsco Probabldade A cada um dos valores possíves (.e., cada cenáro) é atrbuído uma probabldade -> Atrando uma moeda ao ar, a probabldade de sar cara é 50%. -> Retrar o número 33 de um saco com os números 1 a 50 é 1/50. -> A probabldade de nascer uma raparga é 49.03% (INE, Jan2013:Jul2013)

10 Interpretações de probabldade Probabldade de se concretzar o valor x Clássca: é a proporção de vezes em que observo o valor x se repetr a experênca de forma ndependente e mutas vezes Bayesana: é uma conjectura construída por pertos sobre o fenómeno anda desconhecdo se concretzar com o valor x Em termos prátcos, a perspectva bayesana é mas flexível mas não tem tanto suporte teórco Probabldade A probabldade não garante qual o valor que se va obter no concreto e.g., sabe-se que a probabldade de numa vagem haver 6 PNE é de 16% não dz que vão aparecer 6 pessoas mas contém um certo grau de nformação que ajuda a avalar a mportânca relatva dos cenáros construídos Probabldade Opnão de pertos: Ex.2.4. Foram dentfcados 8 cenáros possíves quanto ao comportamento do preço do Brent em dólares daqu a 10 anos e nqurda a opnão de 100 pertos sobre a probabldade de se concretzarem (proporconal à escala de 0 a 10). Probabldade Com base na soma dos pontos atrbuídos por todas as pessoas, determne a probabldade assumda para que cada um dos cenáros possa vr a acontecer

11 2ª Aula B5: B4/$J4 J4: Soma(B4:I4) Conclundo, 1 - Eu tenho um modelo de cálculo das mplcações fnanceras da mnha decsão onde me falta a nformação sobre o cenáro concreto que se va realzar Tenho o modelo que funcona bem quando conheço os valores 43 44

12 Substtuo o valor desconhecdo por uma varável aleatóra 2 Quando não tenho os valores, o melhor que posso fazer é substtur o valor desconhecdo por uma varável aleatóra de que eu tenho nformação quanto à probabldade de cada cenáro se vr a concretzar. Por exemplo, não conheço a duração Uso uma varável aleatóra como modelo do rsco Esta substtução (do cenáro futuro desconhecdo pela varável aleatóra) mplca que tenha como resultado não um valor mas também uma varável aleatóra (como se fosse toda uma população de resultados). Exemplo Ex.2.5. Conhecda a probabldade de o ndvduo durar determnados anos e a taxa de juro ser determnada retome o Ex.2.1 e calcule a probabldade da seguradora ter uma margem das vendas abaxo dos 10% pretenddos 47 48

13 Caracterzação da v.e. População dvdda em cenáros Intervalos Pego nos ndvíduos todos da população e calculo a proporção que ca dentro de cada classe e.g., dvdo a longevdade de uma pessoa nos ntervalos [0, 30]; ]30,60]; ]60,90] e ]90, 120] Caracterzação da v.e. Não podendo medr toda a população, utlzo uma amostra no cálculo da probabldade Quando (parte) da população está no futuro, tenho que consderar o presente como uma amostra dessa população do futuro Exemplo a probabldade de cada cenáro é determnada com nformação passada e pela opnão de um panel de pertos Vamos supor a segunte nformação quanto à probabldade de ocorrenca de cada cenáro: 51 52

14 Exemplo R. Agora que tenho nformação quanto à probabldade de cada um dos cenáros poder ocorrer, olhando para o resultado de cada cenáro (apresentado no Ex. 2.1) somo a probabldade dos cenáros em que o prémo devera ser maor que o adoptado (1.785%/ano) São os cenáros a vermelho A probabldade da margem das vendas fcar abaxo dos 10% pretenddos é 57.78%. Exemplo: seguro de vda F5: $C$1*$E6/((1-(1+$E6)^-F$5)*(1+$E6)^(F$5+1))*(1+$C$2) Área F6:K10 com formatação condconada (se <17.854) Tabelas de sobrevvênca Tabela de sobrevvênca As seguradoras têm tabelas que dão a probabldade de uma pessoa estar vva decorrdos x anos desde que nasceu. Quantfcado em partes por Por exemplo, o INE estma que a probabldade de um ndvduo nascdo em 2007 estar vvo em 2040 é 98439/

15 Tabelas de sobrevvênca A probabldade de uma pessoa de 20 anos durar apenas 10 anos é de ( )/ % Exercíco Ex.2.6. Uma empresa contrata um fnancamento de 10M com 3 anos de dfermento e amortzado nos restantes 7 anos, pagamentos trmestras postecpados. TAE é a EURIBOR mas 2.5 p.p. Usando um quadro de probabldades conhecdo, determne P(prest>500k ) Exercíco D6: (A6+B6)/2; E6: D6+E$1; F6: (1+E6)^(1/4)-1 Ex.2.7. Uma famíla adqure um móvel a crédto > 150k a 40 anos > Prestação mensal guas em termos reas > Antecpada Quero saber o esforço fnancero > Prestação/Rendmento G6: B$3*F6/(1-(1+F6)^-E$2); E3Soma(C12:C18) 59 60

16 Exercíco Vamos fazer a análse a preços constantes e calcular a prestação anual paga no meo do ano da renda cujo valor actual é 150k : que evta saber a taxa de nflação P P r 40 ( 1 (1 + r) ) r ( 1 (1 + r) ) (1 + r) (1 + r) Exercíco Podíamos fazer mensal rm (1 + r)^ (1/12) 1 Pm rm 480 ( 1 (1 + rm) ) (1 + rm) Mas a dea é vsualzar a smplfcação de consderar o pagamento a meo do período. 62 Exercíco Dados Eu não se qual va ser a taxa de juro real nem o rendmento futuros. Vou assumr cenáros e probabldades para cada cenáro

17 Valor médo J5: $B$1*$D5/(1-(1+$D5)^-$B$2)/(1+$D5)^0,5/E$4 O5: IF(J5>$P$2;E5;0) P3: SUM(O5:S9) Na tomada de decsão é convenente agregar todos os cenáros em apenas algumas meddas. Em termos económcos, o valor esperado (médo) é a medda que contém mas nformação é a componente sem rsco do fenómeno que estamos a analsar Valor médo Havendo n cenáros caracterzado cada um por x n, com determnada probabldade de ocorrênca, p n, o valor médo será µ x1. p1 + x p + x. p x. p x p p 2 2. p Porque as probabldades somam n x n n. p. p n n 67 Valor médo O valor médo já nos permte um crtéro quanttatvo que nos ajuda a decdr numa stuação com rsco. Mas é muto lmtado porque não tem em atenção o rsco (a varabldade) 68

18 Ex.2.8. Um empresa fornece refeções a avões. Que confeccona durante a note para responder às solctações do da segunte que são ncertas. Por cada refeção que fornecer recebe 15 (com um custo de produção de 5 ) e tem uma penalzação de 15 por cada refeção que seja pedda e não possa ser fornecda. As refeções que sobram são destruídas no fm do da. ) Determne, em méda, a rentabldade do fornecmento em função do número de refeções confecconadas. ) Determne o número de refeções que maxmza a rentabldade méda A empresa constró cenáros em que a varável desconhecda é o número de refeções encomendadas Calcula, para cada da e com base na sua experênca, a probabldade de cada um dos cenáros se verfcar. Com essas probabldades, a empresa determna o resultado médo do da em função do número de refeções confecconadas (que é a varável de decsão). 71 E6: MÍNIMO(C6;$D$1) F6: C6-E6 G6: E6*E$4-D$1*D$2+F6*F$4 H6: D6*G6 H15: SOMA(H6:H14) 72

19 Alterando o valor da varável de decsão, D1, determno qual o número de refeções que maxmza o resultado médo, H15 Optmzação O Excel tem a ferramenta Solver que permte maxmzar ou mnmzar o resultado de um modelo. No Excel 2007: Offce Button+ Excel Optons + Add-ns category +no Manage clckar em Go, +Solver Add In Depos, aparece no Analyss Desvo padrão 3ª Aula Ao agregarmos os cenáros no valor médo fcamos sem uma medda de rsco o desvo padrão, σ, é uma boa medda do rsco de assumrmos o valor médo dos cenáros possíves como o valor do cenáro que va acontecer (e que é desconhecdo) 75 76

20 Desvo padrão Algebrcamente é a raz quadrada da Méda dos desvos ao quadrado Desvo padrão Como a soma de todas as probabldades dá 1 σ 2 ( x µ ). P ( x µ ) 1 1 P P 1 n N 2. P N σ 2 2 ( x 1 µ ). P ( x n µ ). PN Desvo padrão O desvo padrão é uma expressão dervável e que tem nterpretação geométrca. Se, e.g., uma população se agrega no valor médo 25 /da e desvo padrão 5 /da, é equvalente a ter metade dos ndvíduos em 20 /da e outra metade em 30 /da. Desvo padrão Ex Uma empresa pretende nternaconalzar-se e traçou város cenáros possíves Determne o valor médo e o desvo padrão do resultado fnancero que resulta da nternaconalzação

21 Desvo padrão D2: $B2*C2 D10: SUM(D2:D9) E2: (C2-$D$10)^2 F2: $B2*E2 F10: SUM(D2:D9) F11: F10^0,5 Podemos ler este resultado como: Em méda o resultado será 28.3k mas em metade dos casos o resultado será 4.3k e na outra metade será 52.3k Ex Supondo que nos baralhos de 52 cartas uma fgura vale 10 pontos. Determne o valor médo e o desvo padrão dos pontos de uma carta retrada aleatoramente. Nesta população teórca eu posso calcular os valores da população 83 4 cartas valem 1 ponto, 4 cartas valem 2 pontos. 4 cartas valem 9 pontos 16 cartas valem 10 pontos µ

22 O desvo padrão será σ 4 ( ) ( ) ( ) ( ) Ex Relatvamente ao Ex. 2.8, determne o desvo padrão dos resultados. Determne o número de refeções que maxmza o valor médo do resultado menos o seu desvo padrão. As pessoas preferem não nfrentar rsco pelo que, quando ele exste, é precso retrar alguma cosa ao valor médo Função de dstrbução I6: (G6-$H$15)^2 J6: I6*D6 Quando a varável é contínua podemos partr o domíno em ntervalos, cenáros, e apontar uma probabldade de o acontecmento vr a pertencer a cada um dos cenáros. Em cada cenáro adoptamos como valor representatvo o meo do ntervalo J15: SOMA(J6:J14) J16: J15^0,

23 Função de dstrbução Apesar de atrburmos uma probabldade a cada cenáro Se temos 30 cenáros, precsamos de 29 números Mas não exste nformação para ter rgor nesses números. Temos nformação para 1 ou 2 números Função de dstrbução É acetável pensar que os cenáros vznhos têm assocadas probabldade semelhantes. A Estatístca propõe o uso de uma função F(x) que quantfca a probabldade de ser observado um valor menor que ou gual a dado valor x Função de dstrbução A função de dstrbução é caracterzada por alguns parâmetros No ex.2.1 use a Função Dstrbução de Posson que se caracterza por 1 parâmetro (os 3%) Valor médo Desvo Padrão Dstrbução Normal É caracterzada por dos parâmetros O valor médo O desvo padrão (ou a varânca) Varânca desvo padrão ao quadrado É mportante porque é a dstrbução lmte da soma de acontecmentos estatstcamente pouco dependentes 91 92

24 Dstrbução Normal A probabldade de acontecer o cenáro ]µ σ; µ + σ] é de 68.3% 2/3; ]µ 2σ; µ +2σ] é de 95.5% 19/20 ]µ 3σ; µ +3σ] é de 99.7% 997/1000. Dstrbução Normal Ex. o QI -coefcente de ntelgênca é uma varável aleatóra com dstrbução normal com méda 100 e desvo padrão 15 A probabldade de encontrar aleatoramente um ndvíduo com QI > 145 é 0.13% (.e., uma em cada 740 pessoas) 1-DIST.NORM(145;100;15;VERDADEIRO) Inglês: NORMDIST Dstrbução Normal A Dstrbução Normal concentra a maor probabldade nos cenáros em torno do valor médo P(x 20% k ) 15% 10% 5% 0% -3-2,5-2 -1,5-1 -0,5 0 0,5 1 1,5 2 2,5 3k Exercíco Ex Compre obrgações a 25 anos à taxa de juro nomnal fxa de 3%/ano, sem possbldade de moblzação antecpada. A taxa de nflação méda prevê-se segur dstrbução N(0.02, 0.01)/ano Determne o valor real a receber no fm do prazo de aplcar e a probabldade de esse valor ser menor que a quanta aplcada

25 Exercíco Exercíco 1) Vou dvdr o domíno da taxa de nflação em cenáros e calcular o valor captalzado para cada cenáro 2) Calculo o valor médo e o desvo padrão do V.F. em termos reas e a probabldade de vr a ser recebdo uma quanta menor que a aplcada ª Aula A7: G1-4,25*G2 B7: A7+$G$2/2 A8: B7D7: (A7+B7)/2 C7: DIST.NORM(B7;G$1;G$2;true)-DIST.NORM(A7;G$1;G$2;true) E7: (1+C$1)/(1+D7)-1 F7: C$2*(1+E7)^C$3 G7: F7*C7 H7: (F7-G$25) I7: H7^2*C7 C24: SOMA(C7:C23) G25: SOMA(G7:G22)/C24 I24: SOMA(I7:I22)/C24I25: I24^0,5 I26: DIST.NORM(C2;G25;I25;true)

26 Dstrbução Unforme Na F.D. Unforme os valores no domíno são todos gualmente prováves. Pode se caracterzada pelos extremos valores mínmo e máxmo Pelo valor médo e ampltude Pelo valor médo e desvo padrão Dstrbução Unforme Sendo dados µ valor médo σ desvo padrão O Valor mínmo µ σ O Valor máxmo µ σ Dstrbução Unforme Sendo dados Mx valor máxmo Mn valor mínmo Valor médo (Mn + Mx)/2 Desv. padrão (Mx - Mn) Dstrbução Unforme A probabldade de um cenáro é a sua proporção no domíno possível. Ex., com a dstrbução unforme U(Mn,Mx) U(5; 10) A probabldade do cenáro [5;6] é 1/

27 Escolha da F.Dstrbução A função dstrbução não é conhecda sendo uma proposta da Teora. No entanto, em termos de decsão económca, a função dstrbução não é um factor crítco (ver ex.2.13). e.g., consderar uma função dstrbução normal é dêntco a consderar uma função de dstrbução unforme. Dstrbução não smétrca No entanto, quando o fenómeno é caracterzado por uma função muto assmétrca, Exste uma probabldade mas elevada de alguns acontecmentos catastrófcos Mede-se com 3 m ( ) 3 µ P x m é zero nas F.D. smétrcas não posso utlzar uma função smétrca Dstrbução não smétrca Exemplo de uma dstrbução assmétrca é o caudal de um ro É normal ter m / µ > 5 80% dos das um caudal ao valor médo 1 da em cada 100 anos haver um caudal 30 vezes superor ao caudal médo Dstrbução não smétrca Os caudas muto elevados (e.g., que ocorrem com a probabldade de 1 da em 100 anos) têm muto poder destrutvo Os seguros contra danos de cheas têm que quantfcar com rgor a probabldade destes acontecmentos extremos As barragens e pontes têm que ser fetos de forma a resstr a estes caudas extremos

28 Dstrbução não smétrca Rbera, 1962/01/03 10:00, ~17000m 3 /s, 1909 fo > em 68cm O caudal médo do ro Douro no Porto é 714m 3 /s A ponte de Entre-os-Ros cau com o caudal no Porto de ~13500m 3 /s A maor chea conhecda no Porto ocorreu em 23 de Dezembro de 1909 (e 6 Dez. de 1739) com >20000m 3 /s A barragem de Lever-Crestuma está dmensonada para 26000m 3 /s Operações algébrcas smples Operações algébrcas com uma varável aleatóra Se somarmos uma constante a uma varável aleatóra O valor médo vem aumentado O desvo padrão mantêm-se µ ( a + X ) a + µ ( X ) σ ( a + X ) σ ( X )

29 113 Operações algébrcas smples Ex. A altura das pessoas é N(1.75, 0.15) Supondo-as em cma de uma cadera com 0.5m, a altura total será N(2.25, 0.15) 114 Operações algébrcas smples ) ( ) ( ) ( ) ( X a x p a p x p a p x a p X a n n n n µ µ Operações algébrcas smples ( ) ( ) ) ( ) ( )) ( ( ) ( ) ( x X x p X a x a p X a n n σ µ µ σ Operações algébrcas smples Se multplcarmos uma constante por uma varável aleatóra O valor médo vem multplcado O desvo padrão vem multplcado pelo valor absoluto da constante ) ( ) ( ) ( ) ( X a X a X a X a σ σ µ µ

30 117 Operações algébrcas smples ) ( ) ( ) ( ) ( X a x p a x a p x a p X a n n n µ µ 118 Operações algébrcas smples ( ) ( ) ) ( ) ( )) ( ( ) ( ) ( x a X x p a X a x a p X a n n σ µ µ σ 119 Operações algébrcas smples Ex Um marcenero tem 1000 /mês de despesas fxas e tem de margem das vendas, em méda, 15 por cada móvel que produz. Supondo que projecta produzr este mês 100 móves, qual será a sua remuneração em termos médos? R. Atendendo às propredades, teremos 100 µ Ex.2.15 Um empresáro está a avalar o aluguer de um barco de pesca pelo qual paga 3ml /da. Demora um da de vagem para cada lado e pesca, durante 5 das, 2500kg/da O preço de venda segue dstrbução N(2,1) /kg Quanto será o lucro? Qual a probabldade de ter prejuízo?

31 Ex.2.15 O lucro será N(2; 1) N(2; 1) N(25000; 12500) N(4000; 12500) Em méda 4ml com desvo padrão de 12.5ml Exercíco Compro os legumes a 0.50 /kg, pago 75 pelo transporte e o preço de venda é desconhecdo tendo dstrbução N(0.60; 0.15) /kg. ) Determne qual va ser o meu lucro de ntermedar 1000kg de legumes. ) Determne a probabldade de eu ter prejuízo. A probabldade de ter prejuízo será 37.45%, NORMDIST(0;4000;12500;TRUE) Exercíco ) Lucro V.(Pvenda Pcompra) Ctransporte 1000[N(0.60, 0.15) 0.50] 75 Lucro N(600, 0.15x1000) 575 N(25, 150) ) No Excel teríamos A1: Dst.Norm(0; 25; 150; Verdadero) 43.38% Exercíco Ex O empresáro A fez uma descoberta que lhe permte desenvolver um negóco cujo q de Tobn é N(1.5, 0.25) e onde é necessáro nvestr 1M. Sendo que o empresáro A vendeu ao empresáro B metade do negóco por 625k, qual será o q de Tobn de A e de B?

32 Exercíco R. A nveste 375k que terá RECEB. 0.5 q N(1.5,0.25) INVEST N(2,0.333) Acções - obrgações O Ex.2.16 lustra porque é vantajoso o empreendedor emtr acções da sua empresa. Uma acção é uma parte do captal própro da empresa tendo, em termos contablístcos, um certo valor nomnal, normalmente 1. B nveste 625k que terá 0.5 q N(1.5,0.25) N (1.2,0.2) Acções - obrgações 5ª Aula Por exemplo, uma empresa com um captal socal de 10M dvde-se em 10M de acções com valor nomnal de 1 cada. A acção dá dretos de voto na condução dos destnos da empresa e é remunerada com uma parte dos lucros, o dvdendo, que é ncerto

33 Acções - obrgações As acções têm maor rsco que as obrgações porque, em caso de nsolvênca, os actvos da empresa pagam prmero as obrgações e apenas o que sobrar (.e., nada) é que é dvddo pelas acções. Além dsso, no contrato de emssão o resultado das obrgações é conhecdo (o cupão e o valor de remssão) enquanto que o lucro da empresa é varável. 129 Acções - obrgações Interessa ao empresáro dspersar o captal da empresa porque, normalmente, a empresa emte as acções, numa operação denomnada por OPV (mercado prmáro), a um preço superor ao valor contablístco. As acções são depos transacconadas entre nvestdores (mercado secundáro) sendo o seu preço, denomnado por cotação, determnado pela expectatva que os agentes económcos têm da evolução futura do negóco (.e., dos dvdendos e da cotação). 130 Operações algébrcas não smples Se qusermos calcular um prémo de um seguro de vda em que a duração do ndvduo é uma varável aleatóra, as operações algébrca não são smples: L P L V ( 1+ r) (1 (1 + r) )(1 + r) r P V r (1 (1 + r) )(1 + r) L L Operações algébrcas não smples Cálculo expedto. Sendo que temos y g(x), obtemos um valor aproxmado da dstrbução usando os dos pontos notáves x 1 µ - σ e x 2 µ + σ Calculamos y 1 g(µ-σ) e y 2 g(µ+σ) Valor médo (y 1 + y 2 )/2 Desv. padrão y 2 - y 1 /2 132

34 Operações algébrcas não smples Nas dstrbuções smétrca é ndferente usar Valor médo (g(µ-σ) + g(µ+σ))/2 g(µ) Nas dstrbuções assmétrcas é melhor usar Valor médo (g(µ-σ) + g(µ+σ))/2 Exercíco Ex O prémo de um seguro de vda com r 2%/ano, L ~ N(50, 10) ) Determne qual devem ser as reservas Y/1000 de forma a ter Y µ(p) + σ(p). ) Se a seguradora propõe um prémo antecpado de 15 /ano por 1000 seguros, qual será o seu lucro? P Exercíco L V (1 + ) r L (1 (1 + r) )(1 + r) P(40) /ano; P(60) 8.60 /ano. a seguradora precsará reservas com méda ( )/ /ano e desvo padrão ( )/ /ano aconselhando a prudênca a que as reservas sejam /ano. 1 Exercíco P(40) /ano; P(60) 8.60 /ano. Lucro(40) /ano; Lucro (60) /ano. Para uma longevdade genérca, o lucro do seguro terá valor médo ( )/ /ano desvo padrão ( )/ /ano

35 Operações algébrcas não smples Dvsão em cenáros. Já utlzamos esta abordagem (ex ex.2.11). Operações algébrcas não smples Dvde-se o domíno da varável em cenáros sendo convenente utlzar a folha de cálculo. Ao consderarmos ntervalos mas pequenos, estamos a dmnur o erro de cálculo Operações algébrcas não smples C7: NORMDIST(B7;C$2;C$3;TRUE)- NORMDIST(A7;C$2;C$3;TRUE) D7: (A7+B7)/2+0,5 E7: F$1-H$1*F$2/(1-(1+F$2)^-D7)/(1+F$2)^(D7+1) F7: C7*E7 G7: E7-F$40 H7: G7^2*C7 C39: SUM(C7:C38) F40: SUM(F7:F38)/$C39 H39: SUM(H7:H38)/$C39 H40: H39^0,5 Método de Monte Carlo Método de Monte Carlo. 1) Sorteamos város valores para a varável de acordo com a sua função dstrbução. 2) Aplca-se o modelo aos dados e determnase uma população de resultados possíves. Calcula-se o valor médo, o desvo padrão, fazse um hstograma, etc., dos resultados. Tools + Data Analyses + Random Number Generaton **

36 Método de Monte Carlo Método de Monte Carlo **Excel 2007 Instalamos o Data Analyses Offce Button + Excel Optons + Add Ins + Excel Add Ins Go Depos, aparece em Data o Data Analyss Método de Monte Carlo Método de Monte Carlo Quando derem o R, verão que o Método de Monte Carlo é de smples mplementação É muto flexível e poderoso Permte determnar o erro de cálculo

37 Comparação dos métodos O método expedto, por usar apenas dos pontos notáves, será o de menor grau de confança A dvsão em cenáros está dependente do detalhe dos cenáros O método de monte carlo está dependente do número de elementos extraídos Comparação dos métodos No caso do Ex Dversfcação do rsco Dversfcação do rsco O modelo estatístco ajuda a decdr num problema com rsco Podemos dmnur o rsco juntando actvdades dversfcando Em termos estatístcos, são operações de soma de varáves aleatóras

38 Dversfcação do rsco Em termos económcos trata-se de construr uma cartera de actvos Não pôr os ovos todos no mesmo cesto Uma concretzação negatva de um actvo será estatstcamente compensada por uma concretzação postva de outro actvo Dversfcação do rsco Por exemplo, na praa podemos vender gelados e gabardnes. Quando faz calor, a venda de gabardnes dá prejuízo e a de gelados dá lucro Quando chove, a venda de gabardnes dá lucro e a de gelados dá prejuízo Vender de ambos dmnu o rsco Dversfcação do rsco Faz Calor Chove Gelados Gabardnes Total do negóco Duas varáves Dvsão das varáves em cenáros Probabldades cruzadas Já utlzamos no ex.2.5 O método é semelhante à stuação em que temos uma varável estatístca, mas agora serão cenáros que envolvem a concretzação de város contngêncas. 152

39 Exercíco Ex Um pescador precsa decdr se va pescar ou não. Não sabe a quantdade que va pescar nem o preço a que va vender. A ntução permte-lhe construr cenáros e atrbur-lhes probabldades. De, em smultâneo, se verfcar uma quantdade pescada (em kg) e um preço (em /kg). 153 Exercíco Pesca \ preço [1; 2] /k ]2; 3] /k ]3; 4] /k [0; 100]kg 0% 4% 10% [100; 250]kg 1% 35% 15% ]250; 400]kg 5% 10% 10% ]400; 500]kg 9% 1% 0% 154 Exercíco Exercíco O pescador pode agora calcular a receta (em termos médos e desvo padrão) multplcando a quantdade (do meo do ntervalo) pelo preço (do meo do ntervalo) e decdr r pescar se, e.g., a receta méda menos o desvo padrão for maor que os custos fxos

40 Exercíco B8: $A2*B$1 F2: B8*B2 H6: SUM(F2:H5) F8: (B8-$H$6)^2*B2 H12: SUM(F8:H11) H13: H12^0,5 Decsão Depende agora dos custos fxos necessáros para poder pescar. Se fossem, por exemplo, 500 fcara Lucro médo 61,50 Des.Pa.lucro 270,76 Se a função objectvo fosse LM-DP , não a pescar por ser < Exercíco 6ª Aula Ex Uma empresa com 1000 trabalhadores pretende contratar um seguro de trabalho que dura 5 anos O seguro, em caso de morte, paga 60 meses de saláro à vúva. Quanto deve ser o prémo mensal, antecpado?

41 Exercíco Exercíco R. Temos 3 varáves desconhecdas, a taxa de juro, a longevdade e o saláro Vamos supor que a seguradora assumu 45 cenáros, calculou as probabldades de cada um e construu um modelo no Excel. Assume-se que a probabldade de nos 5 anos o trabalhador morrer é 0,140% Exercíco Exercíco K3: I3*$O$2*H3/(1-(1+H3)^-G3)/(1+H3) L3: K3*J3 M3: (K3-$L$52)^2*J3 L51: SOMA(L3:L49) M50: SOMA(M3:M49) M51: M50^0,

CURSO ON-LINE PROFESSOR: VÍTOR MENEZES

CURSO 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 mais

Análise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA

Análise 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 mais

ESTATÍSTICA MULTIVARIADA 2º SEMESTRE 2010 / 11. EXERCÍCIOS PRÁTICOS - CADERNO 1 Revisões de Estatística

ESTATÍSTICA 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 mais

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

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

Leia mais

Introdução e Organização de Dados Estatísticos

Introdução 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 mais

Y 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)

Y 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 mais

Escolha do Consumidor sob condições de Risco e de Incerteza

Escolha 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 mais

Covariância e Correlação Linear

Covariância 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 mais

NOTA II TABELAS E GRÁFICOS

NOTA 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 mais

Professor Mauricio Lutz CORRELAÇÃO

Professor 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 mais

Introdução à Análise de Dados nas medidas de grandezas físicas

Introdução 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 mais

Estatística stica Descritiva

Estatística 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 mais

Aplicando o método de mínimos quadrados ordinários, você encontrou o seguinte resultado: 1,2

Aplicando 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 mais

Regressão e Correlação Linear

Regressão 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 mais

Caderno de Exercícios Resolvidos

Caderno 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 mais

Objetivos da aula. Essa aula objetiva fornecer algumas ferramentas descritivas úteis para

Objetivos 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 mais

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

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

Leia mais

Microeconomia II. Cursos de Economia e de Matemática Aplicada à Economia e Gestão AULA 4.3. Decisão Intertemporal do Consumidor O Mercado de Capital

Microeconomia II. Cursos de Economia e de Matemática Aplicada à Economia e Gestão AULA 4.3. Decisão Intertemporal do Consumidor O Mercado de Capital Mcroeconoma II Cursos de Economa e de Matemátca Aplcada à Economa e Gestão AULA 4.3 Decsão Intertemporal do Consumdor O Mercado de Captal Isabel Mendes 2007-2008 4/17/2008 Isabel Mendes/MICRO II 1 3. EQUILÍBRIO

Leia mais

5.1 Seleção dos melhores regressores univariados (modelo de Índice de Difusão univariado)

5.1 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 mais

Estatística I Licenciatura MAEG 2006/07

Estatística 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 mais

UNIVERSIDADE PRESBITERIANA MACKENZIE CCSA - Centro de Ciências Sociais e Aplicadas Curso de Economia

UNIVERSIDADE 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 mais

Curso de especialização em Finanças e Economia Disciplina: Incerteza e Risco Prof: Sabino da Silva Porto Júnior Sabino@ppge.ufrgs.

Curso de especialização em Finanças e Economia Disciplina: Incerteza e Risco Prof: Sabino da Silva Porto Júnior Sabino@ppge.ufrgs. Incerteza: o básco Curso de especalzação em Fnanças e Economa Dscplna: Incerteza e Rsco Prof: Sabno da Slva Porto Júnor Sabno@ppge.ufrgs.br Introdução Até agora: conseqüêncas das escolhas dos consumdores

Leia mais

Apostila de Estatística Curso de Matemática. Volume II 2008. Probabilidades, Distribuição Binomial, Distribuição Normal. Prof. Dr. Celso Eduardo Tuna

Apostila 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 mais

Probabilidade e Estatística. Correlação e Regressão Linear

Probabilidade 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 mais

www.obconcursos.com.br/portal/v1/carreirafiscal

www.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 mais

PARTE 1. 1. Apresente as equações que descrevem o comportamento do preço de venda dos imóveis.

PARTE 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 mais

As tabelas resumem as informações obtidas da amostra ou da população. Essas tabelas podem ser construídas sem ou com perda de informações.

As tabelas resumem as informações obtidas da amostra ou da população. Essas tabelas podem ser construídas sem ou com perda de informações. 1. TABELA DE DISTRIBUIÇÃO DE FREQÜÊNCIA As tabelas resumem as normações obtdas da amostra ou da população. Essas tabelas podem ser construídas sem ou com perda de normações. As tabelas sem perda de normação

Leia mais

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

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

Leia mais

IV - Descrição e Apresentação dos Dados. Prof. Herondino

IV - 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 mais

MACROECONOMIA I LEC 201

MACROECONOMIA I LEC 201 ACROECONOIA I LEC 20 3.2. odelo IS-L Outubro 2007, sandras@fep.up.pt nesdrum@fep.up.pt 3.2. odelo IS-L odelo Keynesano smples (KS): equlíbro macroeconómco equlíbro no mercado de bens e servços (BS). odelo

Leia mais

1. Conceitos básicos de estatística descritiva. A ciência descobre relações de causa efeito entre fenómenos. Há fenómenos que são muito complexos

1. Conceitos básicos de estatística descritiva. A ciência descobre relações de causa efeito entre fenómenos. Há fenómenos que são muito complexos 2 Matemátca Fnancera e Instrumentos de Gestão Sumáro 1. Concetos báscos de estatístca descrtva 1.1. 2ª Aula 1.2. 1.2.1. Frequênca relatva 1.2.2. Frequênca relatva acumulada 3 4 A cênca descobre relações

Leia mais

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

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

Leia mais

Prof. 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.

Prof. 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 mais

Software. Guia do professor. Como comprar sua moto. Secretaria de Educação a Distância. Ministério da Ciência e Tecnologia. Ministério da Educação

Software. Guia do professor. Como comprar sua moto. Secretaria de Educação a Distância. Ministério da Ciência e Tecnologia. Ministério da Educação números e funções Gua do professor Software Como comprar sua moto Objetvos da undade 1. Aplcar o conceto de juros compostos; 2. Introduzr o conceto de empréstmo sob juros; 3. Mostrar aplcações de progressão

Leia mais

Despacho Econômico de. Sistemas Termoelétricos e. Hidrotérmicos

Despacho 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 mais

CAPÍTULO 1 Exercícios Propostos

CAPÍTULO 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 mais

Sistemas Robóticos. Sumário. Introdução. Introdução. Navegação. Introdução Onde estou? Para onde vou? Como vou lá chegar?

Sistemas 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 mais

Sistemas de Filas: Aula 5. Amedeo R. Odoni 22 de outubro de 2001

Sistemas 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 mais

CENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnilesteMG

CENTRO 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 mais

1 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.

1 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 mais

CAPÍTULO VI Introdução ao Método de Elementos Finitos (MEF)

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

Leia mais

INTRODUÇÃO AO CÁLCULO DE ERROS NAS MEDIDAS DE GRANDEZAS FÍSICAS

INTRODUÇÃO 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 mais

GST0045 MATEMÁTICA FINANCEIRA

GST0045 MATEMÁTICA FINANCEIRA GST0045 MATEMÁTICA FINANCEIRA Concetos Báscos e Smbologa HP-12C Prof. Antono Sérgo A. do Nascmento asergo@lve.estaco.br GST0045 Matemátca Fnancera 2 Valor do dnhero no tempo q O dnhero cresce no tempo

Leia mais

Análise de Projectos ESAPL / IPVC. Taxas Equivalentes Rendas

Análise 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 mais

METROLOGIA E ENSAIOS

METROLOGIA 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 mais

AEP FISCAL ESTATÍSTICA

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

Leia mais

CAPÍTULO 4 - Variáveis aleatórias e distribuições de probabilidade

CAPÍTULO 4 - Variáveis aleatórias e distribuições de probabilidade CAPÍTULO 4 - Varáves aleatóras e dstrbuções de probabldade Conceto de varável aleatóra Uma função cujo valor é um número real determnado por cada elemento em um espaço amostral é chamado uma varável aleatóra

Leia mais

1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA

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

Leia mais

Ministério da Educação. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Cálculo do Conceito Preliminar de Cursos de Graduação

Ministério 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 mais

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

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

Leia mais

Camila Spinassé INTRODUÇÃO À MATEMÁTICA FINANCEIRA PARA ALUNOS NA EDUCAÇÃO DE JOVENS E ADULTOS

Camila Spinassé INTRODUÇÃO À MATEMÁTICA FINANCEIRA PARA ALUNOS NA EDUCAÇÃO DE JOVENS E ADULTOS Camla Spnassé INTRODUÇÃO À MATEMÁTICA FINANCEIRA PARA ALUNOS NA EDUCAÇÃO DE JOVENS E ADULTOS Vtóra Agosto de 2013 Camla Spnassé INTRODUÇÃO À MATEMÁTICA FINANCEIRA PARA ALUNOS NA EDUCAÇÃO DE JOVENS E ADULTOS

Leia mais

TABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS

TABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS TABELAS E GRÁFICOS PARA VARIÁVEIS ALEATÓRIAS QUANTITATIVAS CONTÍNUAS Varável Qualquer característca assocada a uma população Classfcação de varáves Qualtatva { Nomnal sexo, cor dos olhos Ordnal Classe

Leia mais

UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL ESCOLA DE ADMINISTRAÇÃO PROGRAMA DE PÓS-GRADUAÇÃO EM ADMINISTRAÇÃO ESPECIALIZAÇÃO EM MERCADO DE CAPITAIS

UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL ESCOLA DE ADMINISTRAÇÃO PROGRAMA DE PÓS-GRADUAÇÃO EM ADMINISTRAÇÃO ESPECIALIZAÇÃO EM MERCADO DE CAPITAIS UNIVESIDADE FEDEAL DO IO GANDE DO SUL ESCOLA DE ADMINISTAÇÃO OGAMA DE ÓS-GADUAÇÃO EM ADMINISTAÇÃO ESECIALIZAÇÃO EM MECADO DE CAITAIS MODENA TEOIA DE CATEIAS: DESENVOLVIMENTO E ANÁLISE DE UM MODELO DE SELEÇÃO

Leia mais

Associação de resistores em série

Associação 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 mais

CAP RATES, YIELDS E AVALIAÇÃO DE IMÓVEIS pelo método do rendimento

CAP 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 mais

CAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA

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

Leia mais

LQA - LEFQ - EQ -Química Analítica Complemantos Teóricos 04-05

LQA - LEFQ - EQ -Química Analítica Complemantos Teóricos 04-05 LQA - LEFQ - EQ -Químca Analítca Complemantos Teórcos 04-05 CONCEITO DE ERRO ALGARISMOS SIGNIFICATIVOS Embora uma análse detalhada do erro em Químca Analítca esteja fora do âmbto desta cadera, sendo abordada

Leia mais

3ª AULA: ESTATÍSTICA DESCRITIVA Medidas Numéricas

3ª 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 mais

Calculo e Instrumentos Financeiros Parte 2

Calculo e Instrumentos Financeiros Parte 2 Calculo e Instrumentos Financeiros Parte 2 Faculdade de Economia da Universidade do Porto 2014/2015 1 1ª Aula 4 Nov 2 Risco e sua diversificação 3 Introdução Quando alguém empresta um capital, tem como

Leia mais

CAPÍTULO 2 - Estatística Descritiva

CAPÍTULO 2 - Estatística Descritiva INF 16 Prof. Luz Alexandre Peternell CAPÍTULO - Estatístca Descrtva Exercícos Propostos 1) Consderando os dados amostras abaxo, calcular: méda artmétca, varânca, desvo padrão, erro padrão da méda e coefcente

Leia mais

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

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

Leia mais

CQ110 : Princípios de FQ

CQ110 : 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 mais

7. Resolução Numérica de Equações Diferenciais Ordinárias

7. 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 mais

FAAP APRESENTAÇÃO (1)

FAAP APRESENTAÇÃO (1) ARESENTAÇÃO A Estatístca é uma cênca que organza, resume e smplfca nformações, além de analsá-las e nterpretá-las. odemos dvdr a Estatístca em três grandes campos:. Estatístca Descrtva- organza, resume,

Leia mais

Lista de Exercícios de Recuperação do 2 Bimestre. Lista de exercícios de Recuperação de Matemática 3º E.M.

Lista de Exercícios de Recuperação do 2 Bimestre. Lista de exercícios de Recuperação de Matemática 3º E.M. Lsta de Exercícos de Recuperação do Bmestre Instruções geras: Resolver os exercícos à caneta e em folha de papel almaço ou monobloco (folha de fcháro). Copar os enuncados das questões. Entregar a lsta

Leia mais

Análise Econômica da Aplicação de Motores de Alto Rendimento

Análise 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 mais

Distribuição de Massa Molar

Distribuição 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 mais

2 Incerteza de medição

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

Leia mais

CORRELAÇÃO E REGRESSÃO

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

Leia mais

Elementos de Estatística e Probabilidades II

Elementos de Estatística e Probabilidades II Elementos de Estatístca e Probabldades II Varáves e Vetores Aleatóros dscretos Inês Das 203 O prncpal objetvo da deste documento é fornecer conhecmentos báscos de varáves aleatóras dscretas e pares aleatóros

Leia mais

7 - Distribuição de Freqüências

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

Leia mais

Termodinâmica e Termoquímica

Termodinâmica e Termoquímica Termodnâmca e Termoquímca Introdução A cênca que trata da energa e suas transformações é conhecda como termodnâmca. A termodnâmca fo a mola mestra para a revolução ndustral, portanto o estudo e compreensão

Leia mais

Universidade Salvador UNIFACS Cursos de Engenharia Cálculo IV Profa: Ilka Rebouças Freire. Integrais Múltiplas

Universidade 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 mais

Elaboração: Fevereiro/2008

Elaboração: 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 mais

Sinais Luminosos 2- CONCEITOS BÁSICOS PARA DIMENSIONAMENTO DE SINAIS LUMINOSOS.

Sinais 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 mais

DECISÃO SOB INCERTEZA

DECISÃO SOB INCERTEZA PPGE/UFRGS - Prof. Sabno Porto Junor 19/10/2005 Incerteza: o básco Curso de especalzação em Fnanças e Economa Dscplna: Incerteza e Rsco Prof: Sabno da Slva Porto Júnor Sabno@ppge.ufrgs.br 1 Introdução

Leia mais

1 Princípios da entropia e da energia

1 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 mais

Universidade do Estado do Rio de Janeiro Instituto de Matemática e Estatística Econometria

Universidade do Estado do Rio de Janeiro Instituto de Matemática e Estatística Econometria Unversdade do Estado do Ro de Janero Insttuto de Matemátca e Estatístca Econometra Revsão de modelos de regressão lnear Prof. José Francsco Morera Pessanha professorjfmp@hotmal.com Regressão Objetvo: Estabelecer

Leia mais

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

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

Leia mais

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

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

Leia mais

ANÁLISE DE RISCO E EFEITOS DA INCERTEZA NA CARTEIRA DE INVESTIMENTOS

ANÁLISE DE RISCO E EFEITOS DA INCERTEZA NA CARTEIRA DE INVESTIMENTOS ANÁLISE DE RISCO E EFEITOS DA INCERTEZA NA CARTEIRA DE INVESTIMENTOS Dogo Raael de Arruda RESUMO Constam, neste trabalho, concetos relaconados aos rscos e as ncertezas exstentes nas carteras de nvestmento

Leia mais

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

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

Leia mais

3.1. Conceitos de força e massa

3.1. 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 mais

INTRODUÇÃO À PROBABILIDADE. A probabilidade é uma medida da incerteza dos fenômenos. Traduz-se por um número real compreendido de 0 ( zero) e 1 ( um).

INTRODUÇÃO À PROBABILIDADE. A probabilidade é uma medida da incerteza dos fenômenos. Traduz-se por um número real compreendido de 0 ( zero) e 1 ( um). INTRODUÇÃO À PROILIDDE teora das probabldade nada mas é do que o bom senso transformado em cálculo probabldade é o suporte para os estudos de estatístca e expermentação. Exemplos: O problema da concdênca

Leia mais

A Matemática Financeira nos Financiamentos Habitacionais

A Matemática Financeira nos Financiamentos Habitacionais 2013: Trabalho de Conclusão de Curso do Mestrado Profssonal em Matemátca - PROFMAT Unversdade Federal de São João del-re - UFSJ Socedade Braslera de Matemátca - SBM A Matemátca Fnancera nos Fnancamentos

Leia mais

EFEITO SOBRE A EQUIDADE DE UM AUMENTO DO IMPOSTO SOBRE O VALOR ACRESCENTADO*

EFEITO 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 mais

Capítulo 1. Exercício 5. Capítulo 2 Exercício

Capítulo 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 mais

1.UNIVERSIDADE FEDERAL DE VIÇOSA, VIÇOSA, MG, BRASIL; 2.UNIVERSIDADE FEDERAL DE GOIÁS, GOIANIA, GO, BRASIL.

1.UNIVERSIDADE FEDERAL DE VIÇOSA, VIÇOSA, MG, BRASIL; 2.UNIVERSIDADE FEDERAL DE GOIÁS, GOIANIA, GO, BRASIL. A FUNÇÃO DE PRODUÇÃO E SUPERMERCADOS NO BRASIL ALEX AIRES CUNHA (1) ; CLEYZER ADRIAN CUNHA (). 1.UNIVERSIDADE FEDERAL DE VIÇOSA, VIÇOSA, MG, BRASIL;.UNIVERSIDADE FEDERAL DE GOIÁS, GOIANIA, GO, BRASIL.

Leia mais

Motores síncronos. São motores com velocidade de rotação fixa velocidade de sincronismo.

Motores síncronos. São motores com velocidade de rotação fixa velocidade de sincronismo. Motores síncronos Prncípo de funconamento ão motores com velocdade de rotação fxa velocdade de sncronsmo. O seu prncípo de funconamento está esquematzado na fgura 1.1 um motor com 2 pólos. Uma corrente

Leia mais

Sempre que surgir uma dúvida quanto à utilização de um instrumento ou componente, o aluno deverá consultar o professor para esclarecimentos.

Sempre 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 mais

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

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

Leia mais

Variabilidade Espacial do Teor de Água de um Argissolo sob Plantio Convencional de Feijão Irrigado

Variabilidade Espacial do Teor de Água de um Argissolo sob Plantio Convencional de Feijão Irrigado Varabldade Espacal do Teor de Água de um Argssolo sob Planto Convenconal de Fejão Irrgado Elder Sânzo Aguar Cerquera 1 Nerlson Terra Santos 2 Cásso Pnho dos Res 3 1 Introdução O uso da água na rrgação

Leia mais

Custo de Capital. O enfoque principal refere-se ao capital de longo prazo, pois este dá suporte aos investimentos nos ativos permanentes da empresa.

Custo de Capital. O enfoque principal refere-se ao capital de longo prazo, pois este dá suporte aos investimentos nos ativos permanentes da empresa. Custo e Captal 1 Custo e Captal Seguno Gtman (2010, p. 432) o custo e Captal é a taxa e retorno que uma empresa precsa obter sobre seus nvestmentos para manter o valor a ação nalterao. Ele também poe ser

Leia mais

Hoje não tem vitamina, o liquidificador quebrou!

Hoje não tem vitamina, o liquidificador quebrou! A U A UL LA Hoje não tem vtamna, o lqudfcador quebrou! Essa fo a notíca dramátca dada por Crstana no café da manhã, lgeramente amenzada pela promessa de uma breve solução. - Seu pa dsse que arruma à note!

Leia mais

Princípios do Cálculo de Incertezas O Método GUM

Princípios do Cálculo de Incertezas O Método GUM Prncípos do Cálculo de Incertezas O Método GUM João Alves e Sousa Laboratóro Regonal de Engenhara Cvl - LREC Rua Agostnho Perera de Olvera, 9000-64 Funchal, Portugal. E-mal: jasousa@lrec.pt Resumo Em anos

Leia mais

Universidade Federal da Bahia Instituto de Física Departamento de Física da Terra e do Meio Ambiente TEXTOS DE LABORATÓRIO T E O R I A D E E R R O S

Universidade Federal da Bahia Instituto de Física Departamento de Física da Terra e do Meio Ambiente TEXTOS DE LABORATÓRIO T E O R I A D E E R R O S Unversdade Federal da Baha Insttuto de Físca Departamento de Físca da Terra e do Meo Ambente TEXTOS DE LABORATÓRIO T E O R I A D E E R R O S Físca I SALVADOR, BAHIA 013 1 Prefáco Esta apostla é destnada

Leia mais

Medidas de Dispersão e Assimetria Desvio Médio Variância Desvio Padrão Medidas de Assimetria Coeficiente de Assimetria Exemplos.

Medidas de Dispersão e Assimetria Desvio Médio Variância Desvio Padrão Medidas de Assimetria Coeficiente de Assimetria Exemplos. Meddas de Dspersão e Assmetra Desvo Médo Varânca Desvo Padrão Meddas de Assmetra Coefcente de Assmetra Exemplos lde 1 de 16 Meddas de Dspersão - Méda ervem para verfcação e representatvdade das meddas

Leia mais

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

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

Leia mais

Análise Descritiva com Dados Agrupados

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

Leia mais

Método de Monte Carlo Aplicado às Finanças 1. Introdução 2. O Método de Monte Carlo 3. Inversão da Função de Distribuição 4. Algumas Aplicações 5.

Método de Monte Carlo Aplicado às Finanças 1. Introdução 2. O Método de Monte Carlo 3. Inversão da Função de Distribuição 4. Algumas Aplicações 5. Método de Monte Carlo Aplcado às Fnanças 1. Introdução. O Método de Monte Carlo 3. Inversão da Função de Dstrbução 4. Algumas Aplcações 5. Prncípos Báscos do Método de Monte Carlo 5.1 Introdução 5. Formulação

Leia mais