Teste de Modelos Estatísticos para a Estrutura a Termo no Brasil
|
|
- Giovanni de Lacerda Terra
- 6 Há anos
- Visualizações:
Transcrição
1 Teste de Modelos Estatístcos para a Estrutura a Termo no Brasl Autora: Gyorgy Varga Apresentamos os prncpas modelos de auste estatístco da estrutura a termo da taxa de uros e testamos alguns deles para dados do mercado fnancero braslero. Entre esses modelos, o conhecdo modelo de Nelson e Segel se destaca como o melhor. Para nossa surpresa, esses modelos são procedmentos adotados nternaconalmente por pratcantes e autordades monetáras mas desconhecdos na lteratura local. Também dscutamos a convenênca e as falhas da nterpolação de taxas de uros com taxas a termo constantes conhecdo como flat forward. Esse procedmento largamente utlzado no Brasl tem pouco sentdo econômco e pode nclusve gerar oportundades de arbtragem. Como resultado dos testes, concluímos que o modelo de Nelson e Segel é o que melhor austa a estrutura a termo braslera entre todos os modelos testados. Sugermos fortemente a adoção de tas modelos nas avalações de polítca monetára e mesmo a marcação a mercado de títulos. A ET costuma ser representada por um conunto de pontos no espaço taxa uros versus prazo. Cada ponto é obtdo com base em algum título negocado no mercado, e esse conunto raramente é completo e o que se tem são pontos esparsos. Ocorre que a avalação de títulos (marcação a mercado) demanda esse conunto completo e faz-se um auste de uma curva com base nos pontos dsponíves de modo a se ter o conunto completo. Exstem dos grupos de modelos usados para austar a estrutura a termo das taxas de uros (ET). O prmero, relatvamente smples, busca austar o conunto de taxas dsponíves por alguma função, em geral, um polnômo. O segundo trata a evolução de varáves fundamentas à explcação das taxas de uros e com argumentos de equlíbro ou arbtragem chega-se à ET. Neste trabalho, tratamos apenas do prmero grupo que é amplamente utlzado por autordades e pratcantes do mercado fnancero na avalação dos preços de títulos e na gestão de rscos. Os modelos estátcos buscam austar uma curva a um conunto de pontos no espaço de taxas versus prazos que defne a ET. Eles podem ter, como varável obeto, a taxa de uros spot, a taxa a termo ou o preço dos títulos, uma vez que todas essas varáves estão dretamente relaconadas e são retradas dos mesmos atvos fnanceros. Deve-se avalar qual a varável mas aproprada para fns do modelo e, obvamente, qual o melhor modelo. Na busca do melhor modelo város problemas devem ser superados:. trbutação dferente, exstente sobre o ganho de captal e uros; 2. dferença de rsco de lqudez; 3. dferença de rsco de crédto; 4. não-sncronsmo nos dados; 5. efeto clentela. O problema () faz com que títulos com os mesmos rscos de mercado, crédto e lqudez tenham preços dferentes, mas esse é um problema nexstente no Brasl, pos a trbutação é a mesma. O (2) é de dfícl avalação e trata do dferente grau de lqudez. O (3) é superado fazendo-se a análse para títulos com mesma qualdade de crédto. O (4) depende de uma boa coleta de nformações. O (5) trata da demanda especfca por títulos de certo prazo. A ET bem defnda é fundamental para o cálculo dos preços dos títulos em mercado e, pratcamente, qualquer estudo que envolva o mercado fnancero. Modelos smplfcados de auste da ET vêm sendo usados desde a década de 30 do século passado, mas, apenas com o trabalho de McCulloch (97), as técncas mas sofstcadas passaram a serem empregadas no desenho da ET. Uma descrção detalhada dos métodos e aplcações recentes para a modelagem da ET pode ser encontrada em Anderson et al. (996).. Modelos estatístcos O obetvo geral dos modelos estatístcos da ET é o de crar uma função que lgue todos os pontos dsponíves de modo que se tenha uma taxa spot para cada prazo possível. O problema do ponto de vsta matemátco é mapear um conunto de números reas (prazos) em um conunto de números também reas, representados pelas taxas de uros spot. De qualquer curso de análse numérca (Burden e Fares 996), sabemos que a classe de polnômos algébrcos do tpo
2 P n n ( x) = a x a x a x a0 n n n L (), em que n é um ntero não-negatvo e a 0,..., a n são constantes, permte mapear os pontos dsponíves tão próxmo quanto for deseável. Um dos mas smples polnômos é o que gera uma nterpolação lnear. Defnmos ( x) a b x P =. Com apenas dos pontos e a equação acma, temos um sstema de duas equações e duas ncógntas do qual retramos os parâmetros a e b. Como é óbvo, trata-se de uma nterpolação muto pobre que só atende bem as relações lneares entre as varáves. Podemos adconar mas graus à função de nterpolação até chegar a um auste tão bom quanto deseável. Exemplo. Tomando um conunto com quatro pontos: x f(x),00 0,20 2,00 0,30 3,00 0,8 4,00 0,32 Interpolamos, com base em um polnômo de grau (auste lnear), 2 (auste quadrátco) e 3 (auste cúbco), com os resultados no gráfco abaxo. Para calcular os parâmetros dos polnômos, precsamos escolher dos pontos, para o quadrátco três e para o cúbco quatro. 0,40 0,35 0,30 0,25 0,20 0,5 f(x) Lnear Quadrátco Cúbco 0,0 0,05 -,0,4,8 2, 2,5 2,9 3,3 3,6 4,0 Gráfco. Interpolação lnear, quadrátca e cúbca exata. O polnômo cúbco passa por todos os quatro pontos. Se tvermos um número maor de pontos, gerados por uma função contínua, também podemos obter um polnômo que passe por todos eles. O teorema da aproxmação de Weerstrass mostra que, para uma função contínua f, defnda em um conunto fechado [a,b] e qualquer ε > 0, exste um polnômo P(x) que satsfaz f ( x) P( x) <, x em [ a, b] ε. (2) Além de tornar possível a obtenção de uma função que passa por todos os pontos, as dervadas e ntegras dos polnômos também são fáces de calcular, o que torna anda mas atraente seu uso. Por sso os polnômos são muto empregados na nterpolação. Alguns métodos permtem gerar os polnômos, são 2
3 eles os seguntes: aproxmação de Taylor, nterpolação com polnômo de Lagrange, dferenças dvddas e nterpolação de Hermte, entre outras. A natureza osclatóra dos polnômos de alto grau e as altas flutuações eventualmente geradas restrnge o seu uso. Uma abordagem alternatva é a aproxmação polnomal secconada (pecewse) também chamado de splne, que consste em dvdr o domíno em ntervalos e construr uma aproxmação polnomal para cada um deles. Com sso, chega-se a um auste com város polnômos de ordem relatvamente baxa e, conseqüentemente, pouca flutuação na curva, além de permtr curvaturas bem dferentes em cada regão da ET. O mas smples deles é a nterpolação lnear secconada, que consste em untar todos os pontos [( x, f ( x )), ( x2, f ( x2 )), K,( xn, f ( x n ))] por uma sére de lnhas retas. Nesse caso o polnômo pode ser descrto por P ( x) a b ( x x ) = para cada =,...,n-. (3) A obtenção dos parâmetros a e b é feta gualando os extremos da função (3) dentro de cada ntervalo aos valores f(x), para os quas se austar a função. A sua desvantagem, em geral, é não haver dferencabldade nos vértces (ou nós), de modo que a função aproxmada não evolu suavemente. Adconando um grau à aproxmação lnear secconada, temos uma aproxmação polnomal secconada quadrátca: P ( x) a b ( x x ) c ( x x ) 2 =. (4) Para obter os parâmetros a, b e c para cada ntervalo ncado em, temos duas restrções dadas pelo nco e pelo fm do ntervalo. Podemos adconar uma tercera, obrgando que a prmera dervada sea contínua na passagem de um ntervalo para outro. Nesse caso, consegumos a contnudade da prmera dervada, mas anda não da segunda dervada, que é mportante nas aplcações fnanceras. Com mas um grau, temos a aproxmação polnomal secconada cúbca: P ( x) a b ( x x ) c ( x x ) d ( x x ) 3 2 =. (5) Esse é um dos procedmentos de nterpolação mas comuns, pos permte chegar à contnudade também da segunda dervada. Nesse sentdo, buscamos um polnômo do tpo (5), que satsfaça as seguntes condções: 5a. P( x ) = f ( x ) para cada =,..., n, 5b. P ( x ) = P ( x ) para cada =,..., n 2, 5c. P' ( x ) = P' ( x ) para cada =,..., n 2, 5d. P ( x ) P" ( x ) para cada =,..., 2, " = n 5e. Um dos seguntes conuntos de condções deve ser satsfeto: e. P "( x ) = P" ( xn ) = 0 ou e2. P ( x ) = f '( x ) e P' ( x ) = f '( x ). ' n n A condção e caracterza o chamado splne cúbco natural, usado quando não se conhecem as dervadas segundas nos pontos ncal e fnal. Exemplo 2. Tomando os mesmos dados do exemplo ncal dessa seção, mostramos, no gráfco abaxo, a nterpolação secconada lnear, quadrátca e cúbca. Nas últmas aproxmações, usamos, arbtraramente, a condção e para solução do sstema necessáro ao cálculo dos parâmetros. 3
4 0,40 0,35 0,30 0,25 0,20 0,5 f(x) Lnear Quadrátco Cúbco 0,0 0,05 -,0,4,8 2, 2,5 2,9 3,3 3,6 4,0 Gráfco 2. Interpolada lnear, quadrátca e cúbca exata. A obtenção dos parâmetros das equações (3), (4) e (5) vem da solução de um sstema de equações smultâneas gerados pelas condções de contorno do tpo 5a-5e. Para o cálculo dos parâmetros do splne cúbco dos exemplos apresentados, aqu usamos o algortmo apresentado em Burden e Fares (pg 30). Nos casos acma, o auste sempre fo exato no sentdo de untar todos os pontos dsponíves. Um outro camnho é buscar a curva (representada, por exemplo, por um polnômo) que melhor descreve um conunto de pontos, agora sem a exgênca de que a curva passe por todos os pontos. O crtéro pode ser a mnmzação dos erros quadrátcos, em que o erro é a dferença entre o valor gerado pelo polnômo e o valor observado. Os coefcentes são gerados de modo a mnmzar a soma dos resíduos. O polnômo pode ser secconado ou não e o número de observações (pontos) deve ser maor do que o número de vértces. Uma descrção detalhada desse método pode ser vsta em Porer (973). Mas á frente, mostramos a aplcação desse método com base em polnômos secconados quadrátcos e cúbcos. O prmero passo para a aplcação desses procedmentos na avalação da ET é defnr se o obeto da nterpolação é a taxa spot, a taxa a termo ou o preço dos títulos, uma vez que estão todas nterrelaconadas. Em geral, os modelos estatístcos têm como obeto o preço dos títulos por se tratar de uma função bem comportada, porquanto é monótona decrescente e evolu suavemente com o prazo. O segundo passo é defnr os vértces relevantes que podem ou não concdr com as taxas dsponíves. Se concdrem exatamente com as taxas dsponíves, temos uma nterpolação exata, senão algum método de busca do melhor auste deve ser aplcado. A utlzação desses procedmentos de nterpolação no tratamento da ET se ncou com o trabalho de McCulloch (97), que fez uma nterpolação por regressão quadrátca secconada. Ele defnu vértces e buscou um conunto de polnômos quadrátcos que gerassem o melhor auste entre os vértces, segundo o crtéro dos mínmos quadrados ordnáros (MQO). A aplcação é feta sobre a função valor atual (δ) e não dretamente sobre a taxa: ( m) = a f ( m) δ, (6) = buscamos os parâmetros a de funções base f pré-defndas. O preço de mercado de cada título é escrto como: n P = c δ l= () l F δ ( n), (7) em c é o cupom de uros pago na data l, e n é a data de vencmento do título. Substtundo (6) em (7), chegamos ás equações de regressão: 4
5 y = = a x, (8) em que y = P nc F n x = c f l= () l F f ( n). A função base f é determnada pelo polnômo a ser usado e por condções do tpo 5a-e. Na sua prmera aplcação, McCulloch (97) usou o polnômo quadrátco, mas um problema dentfcado nessa aplcação é o de que a sua segunda dervada é descontínua levando a taxas a termo, com prmera dervada descontínua que equvale a uma evolução pouco suave das taxas a termo. Para superar tal problema, McCulloch (975) usou uma nterpolação cúbca secconada com auste por MQO, em que os vértces são undos de forma que as taxas a termo evoluam suavemente. Em ambos os casos, McCulloch defnu os vértces colocando um número gual de títulos entre eles e tomou o preço dos títulos como varável obeto da nterpolação. Uma aplcação da nterpolação cúbca exata pode ser vsta em Varga (2003). Mostramos, a segur, a nterpolação por splne cúbco, secconado exato e por regressão. Exemplo 3. Tomando um conunto de prazos e taxas de uros spot e com base nos algortmos mostrados em Burden e Fares (pg 30) e em McCulloch (975), comparamos a aplcação da nterpolação cúbca secconada exata e por regressão. O prmero passo é transformar as taxas de mercado em preços para se fazer a regressão de (8). As funções f estão em McCulloch (97), (975), para os casos de polnômo secconado quadrátco e cúbco respectvamente. Prazo Taxa de mercado Preço Varável dependente Dependentes f Modelo cúbco y f f 2 f 3 f 4 f 5 Preço Taxa 0,2 6,70% 0,9696 (0,0304) 0,0067 0, ,2000 0,9696 6,7% 0,4 7,00% 0,939 (0,0609) 0,0453 0, ,4000 0,9392 6,97% 0,6 7,30% 0,9087 (0,093) 0,60 0, ,6000 0,909 7,2% 0,8 7,40% 0,8796 (0,204) 0,207 0, ,8000 0,8795 7,4%,0 7,50% 0,85 (0,489) 0,323 0, ,0000 0,8504 7,59%,2 7,70% 0,8224 (0,776) 0,6000 0,667 0,0000 -,2000 0,8225 7,69%,4 7,77% 0,7953 (0,2047) 0,6000 0,2853 0,003 -,4000 0,7949 7,82%,6 7,90% 0,7684 (0,236) 0,6000 0,4360 0,007 -,6000 0,7682 7,92%,8 8,05% 0,748 (0,2582) 0,6000 0,607 0,0360 -,8000 0,7423 8,00% 2,0 8,5% 0,764 (0,2836) 0,6000 0,803 0,0853-2,0000 0,772 8,08% 2,2 8,20% 0,6922 (0,3078) 0,6000,0000 0,667 0,0000 2,2000 0,6928 8,6% 2,4 8,25% 0,6688 (0,332) 0,6000,2000 0,2853 0,003 2,4000 0,6690 8,24% 2,6 8,30% 0,6460 (0,3540) 0,6000,4000 0,4360 0,007 2,6000 0,6458 8,3% 2,8 8,32% 0,6244 (0,3756) 0,6000,6000 0,607 0,0360 2,8000 0,6235 8,38% 3,0 8,35% 0,6032 (0,3968) 0,6000,8000 0,803 0,0853 3,0000 0,6020 8,43% 3,2 8,40% 0,5825 (0,475) 0,6000 2,0000,0000 0,667 3,2000 0,583 8,47% 3,4 8,45% 0,5623 (0,4377) 0,6000 2,2000,2000 0,2853 3,4000 0,566 8,49% 3,6 8,50% 0,5428 (0,4572) 0,6000 2,4000,4000 0,4360 3,6000 0,5427 8,50% 3,8 8,55% 0,5238 (0,4762) 0,6000 2,6000,6000 0,607 3,8000 0,5243 8,52% 4,0 8,60% 0,5054 (0,4946) 0,6000 2,8000,8000 0,803 4,0000 0,5064 8,54% 4,2 8,70% 0,4868 (0,532) 0,6000 3,0000 2,0000,0000 4,2000 0,4886 8,59% 4,4 8,80% 0,4686 (0,534) 0,6000 3,2000 2,2000,2000 4,4000 0,4709 8,67% 4,6 8,82% 0,4524 (0,5476) 0,6000 3,4000 2,4000,4000 4,6000 0,453 8,78% 4,8 8,90% 0,4356 (0,5644) 0,6000 3,6000 2,6000,6000 4,8000 0,4354 8,9% 5,0 8,90% 0,4208 (0,5792) 0,6000 3,8000 2,8000,8000 5,0000 0,476 9,08% No gráfco 3, colocamos os resultados da regressão cúbca e da nterpolação exata. Também ncluímos as taxas de mercado de modo a se ter uma noção da dspersão e qualdade do auste gerado. 5
6 9,5% 9,0% 8,5% 8,0% 7,5% 7,0% Regressão cubca Taxa de mercado Splne cubco exato Vértces 6,5% 0,0 0,4 0,8,2,6 2,0 2,4 2,8 3,2 3,6 4,0 4,4 4,8 Gráfco 3. ET nterpolada por regressão cúbca e splne cúbco exato. O splne exato passa por todos os vértces seleconados sem levar em conta qualquer taxa de outro prazo. A regressão cúbca busca mnmzar o erro entre todas as taxas observadas e as geradas por um splne cúbco secconado com os mesmos vértces seleconados. Um crtéro para estabelecer o melhor método é a suavdade da evolução das taxas a termo geradas pelo método de auste. Conforme mostram Langeteg e Smoot (989), eventuas saltos nas taxas a termo nterpoladas contraram a noção de efcênca de mercado por permtr oportundades de arbtragem entre as taxas a termo em vértces adacentes. Em geral, qualquer descontnudade ou salto tende a ser rapdamente elmnada por arbtradores. Outros métodos estatístcos conhecdos são o () exponencal splne; (2) B-splnes; (3) métodos de suavzação máxma e (4) splne exponencal com a taxa a termo. No () exponencal splne secconado aplcado ncalmente por Vasce e Fong (982), cada ntervalo é tratado por uma função exponencal aplcada sobre o preço do título: P αm 2αm 3αm ( m) a b e c e d e =. (9) Segundo Vasce e Fong, tal forma funconal expressa mas felmente a natureza exponencal da função preço (valor atual) e, por conta dsso, devera gerar uma melhor aproxmação para a ET. Entretanto Shea (985) mostra que tal suposção não vale emprcamente e que o resultado gerado é tão bom quanto o da aproxmação polnomal. O método (2) B-splne (Shea 984, Langeteg e Smoot 989) busca bases ortogonas com o obetvo de superar um problema de colneardade, que leva a estmatvas nacuradas na aplcação do MQO para os métodos anterores. O método (3), aplcado ncalmente por Fsher et al. (995) austa a ET, regulando o grau de suavdade das taxas a termo. O grau de suavdade é regulado pelo número de parâmetros utlzados. Alguns problemas emergem da utlzação dos splnes: eventualmente levam a taxas a termo com formas totalmente rreas, podendo subr ou descer ndefndamente, levando nclusve as taxas a termo negatvas; nos austes por regressão também se verfcam fortes dstorções nas partes ncal e fnal da curva e têm parâmetros muto sensíves à localzação e à quantdade de vértces. Uma quantdade muto pequena de vértces pode gerar curvas rreas no sentdo de dexar mutos pontos de fora, mas a nclusão de mutos, ou de todos os pontos dsponíves no desenho da ET (caso do splne exato), possvelmente nclu pontos que deveram estar fora da curva por motvos de lqudez, crédto ou não-sncronsmo. A quantdade e a localzação dos vértces vem sendo tratada de váras maneras. McCulloch (975) defne o número de vértces como gual à raz do número de títulos (pontos) utlzados. Outros autores fxam certos prazos mas negocados, como os vértces. O método (4) trata a taxa a termo como uma função exponencal e ntegra-a para chegar a taxa spot, fazendo com que ela sea uma méda das taxas a termo. Trata-se de um modelo parcmonoso, vsto que a curva é gerada com poucos parâmetros e ndepende de vértces predefndos fo apresentado por 6
7 Nelson e Segel (987)- NS e, posterormente, estenddo por Svensson (995)- NSS. A varável-obeto do modelo NS é a taxa a termo f, que depende exponencalmente do prazo segundo: ( m) ( m ) ( ) ( m ) τ τ β m e τ = β 0 βe, (0) f 2 em que β 0, β, β 2, τ são parâmetros. Com essa especfcação, a ET das taxas a termo pode ter formatos que são muto comuns no mercado fnancero, tas como o monotoncamente crescente, o decrescente e o com corcova. O parâmetro β 0, defne a taxa a termo de longo prazo. O segundo termo é um componente monotoncamente crescente (β negatvo) ou decrescente (β postvo). O tercero permte gerar uma corcova com barrga para baxo, quando β 2 é negatvo ou, para cma, quando postvo. Quando o prazo se aproxma do nfnto, a taxa a termo se aproxma de β 0, quando o prazo é zero, essa taxa é de β 0 β. Para chegar à taxa spot, ntegramos entre a data ncal e data x para a qual queremos obter a taxa spot e temos a segunte fórmula para a taxa spot: r ( m) ( m ) ( m ) τ τ e e ( m ) τ = β 0 β β 2 e. () ( m ) ( m ) τ τ Um únca função explca toda a ET usando apenas os parâmetros β 0, β, β 2 e τ. O modelo pode ser estmado de forma semelhante a (8). mnmzando-se o erro entre o preço de mercado e o do modelo ou, dretamente, pela mnmzação dos erros entre as taxas do modelo (9) e as taxas pratcadas no mercado. Pode-se usar máxma verossmlhança, método generalzado dos momentos ou mínmos quadrados não-lneares. Deve ser tomado algum cudado com a homocedastcdade. Esses parâmetros se relaconam de forma não-lnear mas, segundo Nelson e Segel (987), podem ser obtdos por algum procedmento de mínmos quadrados lneares. Fazendo-se um grd de valores para τ, buscamos por MQO o conunto de {β 0, β, β 2 } que melhor austa as taxas spot dsponíves. Exemplo 4. Para o mesmo conunto de taxas do exemplo 3, aplcamos o modelo NS e chagamos ao resultado apresentado no gráfco 3. 9,5% 9,0% 8,5% 8,0% Taxa modelo NS 7,5% Taxa de mercado 7,0% Splne exato Vértces 6,5% 0,0 0,6,2,8 2,4 3,0 3,6 4,2 4,8 Gráfco 3. ET nterpolada por regressão cúbca e splne cúbco exato. Os valores ótmos obtdos foram os que seguem: τ,200 β 0 7,785% 7
8 β -2,486% β 2-0,08% R2 99% Como esperado, o resultado sobre as taxas de uros a termo são mas suaves quando se utlza o modelo NS. Taxas a Termo 23% 22% 2% 20% 9% 8% 7% 6% Modelo NS Mercado Splne exato Regresão Cúbca 0,2 0,8,4 2,0 2,6 3,2 3,8 4,4 5,0 Gráfco 4. Auste da ET pelos modelos de Nelson e Segel e C-splne exato. No modelo NSS, um novo termo (mas dos parâmetros β 3 e τ 2 ) é adconado à curva de taxas a termo para chegar a uma descrção mas flexível da ET, por meo de uma nova corcova. Segundo Svensson (994), essa forma permte uma descrção melhor da ET especalmente para fns de análse da polítca monetára. A fórmula para a taxa spot é m m m τ τ τ 2 e e e ( ) m = m τ τ 2 r m β 0 β β 2 e β 3 e (2). m m m τ τ τ 2 Outra extensão do modelo NS (Blss 996) consste em mnmzar o erro ponderado pela duração quando se tratar do erro meddo pela dferença entre preços. No Brasl, um método de nterpolação muto usado e conhecdo como flat forward, fxa vértces em taxas conhecdas e busca um auste exato por meo da decomposção da taxa entre os vértces por da útl, segundo o crtéro de uro composto dscreto. Essas taxas a termo dáras são supostas constantes e captalzadas, de modo a se chegar às taxas spot entre os vértces. Formalmente a taxa de qualquer da é a segunte: ( t ) ( ) x ( x ) t t xt =, (3) t xt ( ) t 8
9 em que: t é a taxa do período t (vértce t) e anual, ( 0 < < ) defne o período ntermedáro para o qual se quer calcular uma taxa. Em termos de preço dos títulos (P), tal decomposção pode ser escrta como a que segue: Pt Pt Pt =, que é uma méda geométrca dos preços adacentes ao preço que se quer nterpolar. Em termos de taxas a termo (na forma contínua), essa decomposção equvale a supor que a taxa a termo é constante entre os vértces e se faz um splne exponencal para estmar a função preço em cada ntervalo: P = P e f t t t, t = t t t t. em que f x Ln( ) x Ln( ) Tal procedmento á fo apresentado na lteratura por Coleman et al. (992), mas, conforme dscutdo acma e em Varga (2003), sso gera oportundade de arbtragens devdo aos saltos que ocorrem nas taxas a termo. Apesar dsso, esse procedmento é amplamente utlzado no Brasl, sea por acadêmcos (PPE xxxxx), sea pelas autordades monetáras (Banco Central do Brasl (2000)). Aparentemente, fo herdado do período de alta nflação até unho de 994, em que o BCB fxava as taxas dáras dentro de cada mês, de modo que a taxa de uros acumulada em cada mês fosse gual a nflação do mês mas um ganho real, em geral, de valor fxo. Segundo Anderson e Sleath (200), Bolder e Gusba (2002) e mutos outros, os bancos centras vêm aplcando as técncas estatístcas acma nas suas avalações da ET. Outro procedmento smples adotado por pratcantes é o de fazer uma nterpolação lnear smples sobre as taxas spot: = ( ). (4) t t Em termos de taxas a termos, tal procedmento não garante que as taxas a termo seam sempre postvas. Uma questão prátca mportante é a da extrapolação das taxas além dos prazos de que se tem nformação. Dos modelos acma, é fácl avalar os procedmentos que, certamente, não permtem fazer uma extrapolação razoável e o motvo é que levam a taxas ndefndamente crescentes ou negatvas. Em ambos os casos, são taxas que têm sentdo econômco. Como pode ser verfcado acma, modelos de splne cúbco (), exponencal (2) e nterpolação lnear smples sobre a taxa têm essa característca, portanto não são adequados para extrapolação. Já os modelos de suavzação de taxas a termo (3) e (4) e mesmo o flat forward não levam a taxas spot ndefndamente grandes ou negatvas. Além do crtéro da suavdade das taxas a termo, a defnção do melhor modelo depende também da sua aplcação. Para fns de análse macroeconômca, modelos parcmonosos como NS e NSS são extremamente atraentes pela facldade de aplcação. A obtenção das taxas a termo é muto mportante na avalação da polítca monetára (Svensson 994). Para fns de avalar o preço dos títulos em mercado, um modelo que nclua mas nformações pode ser mas aproprado. Portanto a escolha do modelo tem uma componente subetva vnda do ulgamento do usuáro do modelo. O que a análse acma mostra são lmtes na aplcação de dversos modelos. 2. Mercado de títulos O mercado de títulos de renda fxa no Brasl tem uma varedade de títulos ndexados. As técncas aqu apresentadas podem ser aplcadas a qualquer desses títulos, mas, por smplcdade, utlzamos como obeto dos testes desse estudo apenas o conunto de títulos com taxas de uros prefxadas. O título de renda sem rsco de crédto mas conhecdo é a Letra do Tesouro Naconal LTN. Tratase de um título sem pagamento de uros ntermedáros (cupom), com emssão pelo Tesouro Naconal, prazos relatvamente curtos (dos anos no máxmo) e poucos vencmentos smultaneamente negocados. Outro mercado com rsco de crédto, gualmente baxo e com negocação de taxa de uros prefxado, são os contratos futuros de uros DI da BM&F e os SWAPs Pré x DI, também negocados na BM&F (Vea 9
10 Varga (2004)). Essas são as prncpas fontes de nformação de taxa de uros prefxada com o menor rsco de crédto que vão nos permtr desenhar a ET prefxada. 3. Metodologa de teste Conforme Blss (996), utlzamos város testes para detectar a especfcação ncorreta da ET tendo, como base, a aleatoredade dos erros dos preços austados. A ET obtda deve capturar a nformação sstemátca proporconada por cada ponto conhecdo da ET a dferença restante é tratada como ruído. Parte desse ruído tem fonte conhecda, tal como está descrto na ntrodução (não-sncronsmo, dferença no rsco de crédto e lqudez, efeto clentela etc.). Na busca de explcar toda a relação sstemátca, Blss faz uma sére de três testes:. examna a matrz de transção dos erros do auste de um período para outro em cada título usado no desenho da ET. Se os erros são de fato ruídos, eles devem ser guas aos erros de toda a população; 2. testa se a ndependênca dos erros da sére de tempo são específcos do método de estmação por meo da comparação da matrz de transção dos erros dos dferentes métodos; 3. regrde os erros contra as váras fontes de ruído sugerdas na lteratura. Isso permte avalar a fonte do erro e verfcar se está relaconado, ou não, com o método escolhdo. Para proceder no teste dos modelos, prmeramente há que se escolherem os modelos a ser testados. Segundo Blss, os modelos de suavzação máxma não geram um bom resultado por serem muto nstáves. O modelo splne exato descrto na seção não deve ser obeto de teste, pos, por defnção, não gera nenhum erro. Os modelos B-splne são muto semelhantes ao auste de regressão por splne cúbco (McCulloch 975). Então, testamos apenas este últmo modelo e o modelo de Nelson e Segel por característcas realmente dstntas. A seleção dos vértces, quantdade e localzação é outra questão mportante e também obeto do teste. Testamos duas alternatvas: vértces gualmente espaçados(ee) e vértces localzados apenas em prazos com negocação volumosa (EF). Por fm, utlzamos o método de máxma verossmlhança para realzar a estmação dos modelos. Os erros (ε) a serem avalados são defndos como [ r( m) ] ε P = g. (5) Tomamos uma amostra dára das taxas de fechamento dos contratos futuros de DI dos anos de 2002 e 2003 e calculamos a méda dos erros dáros gerados por cada um dos três modelos. Os resultados estão na tabela e sugerem a superordade do modelo de Nelson-Segel, sendo o modelo de regressão cúbca com vértces EFÓS de maores erros absolutos Total C-Splne EE 0,043 0,037 0,040 C-Splne EF 0,267 0,56 0,2 Nelson-Segel 0,023 0,00 0,07 Tabela. Erros absolutos médos, gerados por cada modelagem. As observações são separadas por período; na segunda coluna é apresentado o resultado para o prmero ano ; na tercera, o resultado para o segundo ano e, na quarta, para todo o período dsponível amostra. Para testar se o modelo é correto e os erros são realmente aleatóros, testamos se não há relação entre o erro de períodos adacentes. A tabela 2 mostra que há forte autocorrelação postva entre os erros, de tamanho próxmo para todos os três modelos testados, ndcando que tal erro é ndependente do modelo. Frequenca Frequenca condconal ncondconal ε t > 0 ε t < C-Splne EE ε t > 0 53% 77% 23% ε t < 47% 26% 74% C-Splne EF ε t > 0 52% 77% 23% ε t < 48% 25% 75% Nelson-Segel ε t > 0 53% 72% 28% ε t < 49% 27% 73% 0
11 Tabela 3. Matrz de transção para prmero ano, segundo ano e toda a amostra. Para testar se os erros são relaconados entre os métodos adotados, medmos a probabldade de uma observação, com erro postvo (negatvo), gerado pelo fato de um método também gerar um erro postvo (negatvo) em outro método. Frequenca condconal Frequenca C-Splne EF Nelson-Segel ncondconal ε t > 0 ε t < ε t > 0 ε t < C-Splne EE ε t > 0 48% 53% 47% 59% 4% ε t < 52% 54% 46% 40% 60% C-Splne EE Nelson-Segel ε t > 0 ε t < ε t > 0 ε t < C-Splne EF ε t > 0 53% 52% 48% 49% 5% ε t < 47% 53% 47% 52% 48% C-Splne EE C-Splne EF ε t > 0 ε t < ε t > 0 ε t < Nelson-Segel ε t > 0 50% 52% 48% 62% 38% ε t < 50% 55% 45% 43% 57% Tabela 4. Concdênca dos erros. Conforme sugere a tabela menconada os erros são ndependentes entre os modelos, levando a conclur que cada modelo tem erro de especfcação com uma orgem dferente. Para examnarmos a relação entre os erros gerados por cada modelo e as váras característcas que podem explcar tas erros, fazemos uma regressão, tomando essas característcas como varável explcatva. A falta de nformação permte testar apenas o efeto lqudez e o uso como proxy para a lqudez o volume negocado em relação ao volume total. 4. Resultados Mostramos dversas alternatvas de auste da estrutura a termo das taxas de uros, anda não tratados na lteratura braslera, embora, seam resultados de forte mpacto em problemas prátcos de cálculo do valor dos atvos fnanceros, gerênca de rscos de mercado e análse da polítca monetára. Para nossa surpresa, são procedmentos adotados nternaconalmente por pratcantes e autordades monetáras mas desconhecdos na lteratura local. O procedmento largamente utlzado no Brasl, conhecdo como flat forward tem pouco sentdo econômco e pode, nclusve, gerar oportundades de arbtragem. Como resultado dos testes, concluímos que o modelo de Nelson e Segel é o que melhor austa a estrutura a termo braslera entre todos os modelos testados. Sugermos fortemente a adoção de tas modelos nas avalações de polítca monetára e mesmo marcação a mercado de títulos. Referêncas ADAMS, K. and DEVENTER, D. Van. (994) Fttng Yeld Curves and Forward Rate Curves wth Maxmum Smoothness, Journal of Fxed Income, June, ANDERSON, N.; BREEDON, F.; DEACON, M., DERRY, A. and MURPHY, G. (996) Estmatng and nterpretng the yeld curve John Wley & Sons.FALTAM DADOS AQUI: É LIVRO? É ARTIGO, QUAL O JORNAL/REVISTA?
12 ANDERSON,, N. and SLEATH, J. (200) New estmates of the UK real and nomnal yeld curves, Ban of England, mmeo. ANDIMA. Resenha dára com preços de títulos públcos, dsponível na Internet em Ro de Janero. BANCO CENTRAL DO BRASILE (2000) Nota técnca da crcular 2972 em BLISS, R. (997) Testng Term Structure Estmaton Methods, Advances n Futures and Optons Research 9, BOLDER, D. and GUSBA, S. (2002) Exponentals, Polynomals, and Fourer Seres: More Yeld Curve Modellng at the Ban of Canada, Worng papers no. 29, Ban of Canada. BURDEN, and FAIRES (999) "Numercal Analyss," 7. edton, ITP. Traduzdo por CHAMBERS, D.; CARLETON, W. and WALDMAN, D (984). Journal of Fnancal and Quanttatve Analyss, 9 no. 3, DUARTE Jr., A. and WERLANG, S. (995) A Model to Estmate the US Term Structure of Interest Rates, Revsta de Econometra. Eom, Subrahmanyam e Uno (998) Journal of Fxed Income, 8, FISCHER, M.; NYCHKA, D., and ZERVOS, D. (995) Fttng the term structure of nterest rates wth smoothng splnes. Federal Reserve Ban, Fnance and Economc Dscusson Paper 95-, January. LANGETIEG, T. and SMOOT, J. (989) Estmaton of the term structure of nterest rate,.in G. G. Kaufman (ed.) Research n Fnancal Servces: Prvate and Publc Polcy, Vol.. JAI Press, Autumn, pg MCCULLOCH J. (97) Measurng The Term Structure of Interest Rates, Journal of Busness 44, 9-3. MCCULLOCH, J. (975) "An Estmate of the Lqudty Premum,'" Journal of Poltcal Economy, MCCULLOCH, J. (975) The Tax-Adusted Yeld Curve, Journal of Fnance, 30, NELSON, C. and SIEGEL, A. (987) Parsmonous Modelng of Yeld Curves, Journal of Busness, vol 60 no. 4, POIRIER, D. (973) Pecewse regresson usng cubc splne, Journal of the Amercan Statstcal Assocaton, 68, no. 343, SARIG, Oded and WARGA, Arthur (989) "Bond Prce Data and Bond Maret Lqudty," Journal of Fnancal and Quanttatve Analyss, September, SHEA, G. (984) Ptfalls n Smoothng Interest Rate Term Structure Data: Equlbrum Models and Splne Aproxmatons, Journal of Fnancal and Quanttatve Analyss, 9, SHEA, G. (985) Interest Rate Term Structure Estmaton wth Exponencal Splnes: A Note, Journal of Fnance 40, SVENSSON, L. (994) Estmatng and nterpretng forward nterest rates: Sweden 992:94, worng paper n0. 487, NBER. VARGA, G. (2003) "Interpolação por Cubc Splne para a Estrutura a Termo Braslera ". In: Gestão de Rscos no Brasl.. VARGA, Gyorgy e DUARTE JR, Antono Marcos. ( Orgs.) Fnancal Consultora Edtora. VARGA, G. (2004) Preço e estratégas com futuro de DI e FRA. Resenha mensal da BM&F, no. 58. VASICEK, O. A. and FONG, H. G. (982) Term Structure Modelng Usng Exponencal Splnes, Journal of Fnance 37,
3 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 maisFigura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
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 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 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 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 maisUMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EATAS DEPARTAMENTO DE ESTATÍSTICA UMA ABORDAGEM ALTERNATIVA PARA O ENSINO DO MÉTODO DOS MÍNIMOS QUADRADOS NO NÍVEL MÉDIO E INÍCIO DO CURSO SUPERIOR
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 maisCálculo Numérico BCC760 Interpolação Polinomial
Cálculo Numérco BCC76 Interpolação Polnomal Departamento de Computação Págna da dscplna http://www.decom.ufop.br/bcc76/ 1 Interpolação Polnomal Conteúdo 1. Introdução 2. Objetvo 3. Estênca e uncdade 4.
Leia maisEstatística II Antonio Roque Aula 18. Regressão Linear
Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão
Leia maisFaculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu
1 Programação Não Lnear com Restrções Aula 9: Programação Não-Lnear - Funções de Váras Varáves com Restrções Ponto Regular; Introdução aos Multplcadores de Lagrange; Multplcadores de Lagrange e Condções
Leia maisNotas Processos estocásticos. Nestor Caticha 23 de abril de 2012
Notas Processos estocástcos Nestor Catcha 23 de abrl de 2012 notas processos estocástcos 2 O Teorema de Perron Frobenus para matrzes de Markov Consdere um processo estocástco representado por um conunto
Leia maisIdentidade dos parâmetros de modelos segmentados
Identdade dos parâmetros de modelos segmentados Dana Campos de Olvera Antono Polcarpo Souza Carnero Joel Augusto Munz Fabyano Fonseca e Slva 4 Introdução No Brasl, dentre os anmas de médo porte, os ovnos
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 mais3 Método Numérico. 3.1 Discretização da Equação Diferencial
3 Método Numérco O presente capítulo apresenta a dscretação da equação dferencal para o campo de pressão e a ntegração numérca da expressão obtda anterormente para a Vscosdade Newtonana Equvalente possbltando
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 maisInterpolação Segmentada
Interpolação Segmentada Uma splne é uma função segmentada e consste na junção de váras funções defndas num ntervalo, de tal forma que as partes que estão lgadas umas às outras de uma manera contínua e
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 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 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 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 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 maisRAD1507 Estatística Aplicada à Administração I Prof. Dr. Evandro Marcos Saidel Ribeiro
UNIVERIDADE DE ÃO PAULO FACULDADE DE ECONOMIA, ADMINITRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO DEPARTAMENTO DE ADMINITRAÇÃO RAD1507 Estatístca Aplcada à Admnstração I Prof. Dr. Evandro Marcos adel Rbero
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 maisPrograma do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall
Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação
Leia maisCapítulo 2. APROXIMAÇÕES NUMÉRICAS 1D EM MALHAS UNIFORMES
Capítulo. Aproxmações numércas 1D em malhas unformes 9 Capítulo. AROXIMAÇÕS NUMÉRICAS 1D M MALHAS UNIFORMS O prncípo fundamental do método das dferenças fntas (MDF é aproxmar através de expressões algébrcas
Leia maisAnálise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: traçar dagramas de dspersão, para avalar possíves relações entre as duas varáves; calcular o coefcente de correlação entre as duas
Leia mais2 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 maisRepresentação e Descrição de Regiões
Depos de uma magem ter sdo segmentada em regões é necessáro representar e descrever cada regão para posteror processamento A escolha da representação de uma regão envolve a escolha dos elementos que são
Leia maisNOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES
NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES 1 O nosso objetvo é estudar a relação entre duas varáves quanttatvas. Eemplos:. Idade e altura das cranças.. v. Tempo de prátca de esportes e rtmo cardíaco
Leia maisCAPÍTULO 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 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 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 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 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 Linear Simples by Estevam Martins
Regressão Lnear Smples by Estevam Martns stvm@uol.com.br "O únco lugar onde o sucesso vem antes do trabalho, é no dconáro" Albert Ensten Introdução Mutos estudos estatístcos têm como objetvo estabelecer
Leia maisAnálise de Regressão
Análse de Regressão método estatístco que utlza relação entre duas ou mas varáves de modo que uma varável pode ser estmada (ou predta) a partr da outra ou das outras Neter, J. et al. Appled Lnear Statstcal
Leia maisContabilometria. Aula 8 Regressão Linear Simples
Contalometra Aula 8 Regressão Lnear Smples Orgem hstórca do termo Regressão Le da Regressão Unversal de Galton 1885 Galton verfcou que, apesar da tendênca de que pas altos tvessem flhos altos e pas axos
Leia maisREGRESSÃO E CORRELAÇÃO
Relaconamento entre varáves : - requer conhecmento REGRESSÃO E CORRELAÇÃO Y = f ( ) + ε Ex: 1. Y = Lucro de uma Empresa = Investmento em Publcdade Y(v.aleatóra) em função de (v.determnístca), onde Y é
Leia mais2 Aproximação por curvas impĺıcitas e partição da unidade
Aproxmação por curvas mpĺıctas e partção da undade Este capítulo expõe alguns concetos báscos necessáros para o entendmento deste trabalho 1 Curvas Algébrcas Um subconjunto O R é chamado de uma curva mplícta
Leia mais3 Animação de fluidos com SPH
3 Anmação de fludos com SPH O SPH (Smoothed Partcle Hydrodynamcs) é um método Lagrangeano baseado em partículas, proposto orgnalmente para smulação de problemas astrofíscos por Gngold e Monaghan (1977)
Leia maisEXERCÍCIO: VIA EXPRESSA CONTROLADA
EXERCÍCIO: VIA EXPRESSA CONTROLADA Engenhara de Tráfego Consdere o segmento de va expressa esquematzado abaxo, que apresenta problemas de congestonamento no pco, e os dados a segur apresentados: Trechos
Leia maisModelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear normal com erros heterocedástcos O método de mínmos quadrados ponderados Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisMétodos Avançados em Epidemiologia
Unversdade Federal de Mnas Geras Insttuto de Cêncas Exatas Departamento de Estatístca Métodos Avançados em Epdemologa Aula 5-1 Regressão Lnear Smples: Estmação e Interpretação da Reta Tabela ANOVA e R
Leia maisReconhecimento Estatístico de Padrões
Reconhecmento Estatístco de Padrões X 3 O paradgma pode ser sumarzado da segunte forma: Cada padrão é representado por um vector de característcas x = x1 x2 x N (,,, ) x x1 x... x d 2 = X 1 X 2 Espaço
Leia maisTestes não-paramétricos
Testes não-paramétrcos Prof. Lorí Val, Dr. http://www.mat.ufrgs.br/val/ val@mat.ufrgs.br Um teste não paramétrco testa outras stuações que não parâmetros populaconas. Estas stuações podem ser relaconamentos,
Leia maisDEFINIÇÃO - MODELO LINEAR GENERALIZADO
DEFINIÇÃO - MODELO LINEAR GENERALIZADO 1 Um modelo lnear generalzado é defndo pelos seguntes três componentes: Componente aleatóro; Componente sstemátco; Função de lgação; Componente aleatóro: Um conjunto
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 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 maisModelo linear clássico com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear clássco com erros heterocedástcos O método de mínmos quadrados ponderados 1 Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisFICHA 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 mais2 Análise de Campos Modais em Guias de Onda Arbitrários
Análse de Campos Modas em Guas de Onda Arbtráros Neste capítulo serão analsados os campos modas em guas de onda de seção arbtrára. A seção transversal do gua é apromada por um polígono conveo descrto por
Leia maisAEP 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 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 maisUNIVERSIDADE DE PERNAMBUCO. Física Experimental. Prof o José Wilson Vieira
UNIVERSIDADE DE PERNAMBUCO ESCOLA POLITÉCNICA DE PERNAMBUCO Físca Expermental Prof o José Wlson Vera wlson.vera@upe.br AULA 01: PROCESSOS DE ANÁLISE GRÁFICA E NUMÉRICA MODELO LINEAR Recfe, agosto de 2015
Leia mais4.1 Modelagem dos Resultados Considerando Sazonalização
30 4 METODOLOGIA 4.1 Modelagem dos Resultados Consderando Sazonalzação A sazonalzação da quantdade de energa assegurada versus a quantdade contratada unforme, em contratos de fornecmento de energa elétrca,
Leia mais5 Relação entre Análise Limite e Programação Linear 5.1. Modelo Matemático para Análise Limite
5 Relação entre Análse Lmte e Programação Lnear 5.. Modelo Matemátco para Análse Lmte Como fo explcado anterormente, a análse lmte oferece a facldade para o cálculo da carga de ruptura pelo fato de utlzar
Leia maisPrograma de Certificação de Medidas de um laboratório
Programa de Certfcação de Meddas de um laboratóro Tratamento de dados Elmnação de dervas Programa de calbração entre laboratóros Programa nterno de calbração justes de meddas a curvas Tratamento dos resultados
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 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 maisCARTA-CIRCULAR N.º 273. Ref.: Alterações decorrentes do Projeto de Padronização de Taxas
CARTA-CIRCULAR N.º 273 Aos Partcpantes de Todos os Sstemas Ref.: Alterações decorrentes do Projeto de Padronzação de Taxas A Central de Custóda e de Lqudação Fnancera de Títulos - CETIP comunca que a partr
Leia mais4 Discretização e Linearização
4 Dscretzação e Lnearzação Uma vez defndas as equações dferencas do problema, o passo segunte consste no processo de dscretzação e lnearzação das mesmas para que seja montado um sstema de equações algébrcas
Leia maisGráficos de Controle para Processos Autocorrelacionados
Gráfcos de Controle para Processos Autocorrelaconados Gráfco de controle de Shewhart: observações ndependentes e normalmente dstrbuídas. Shewhart ao crar os gráfcos de controle não exgu que os dados fossem
Leia maisExperiência V (aulas 08 e 09) Curvas características
Experênca (aulas 08 e 09) Curvas característcas 1. Objetvos 2. Introdução 3. Procedmento expermental 4. Análse de dados 5. Referêncas 1. Objetvos Como no expermento anteror, remos estudar a adequação de
Leia maisAnálise Exploratória de Dados
Análse Exploratóra de Dados Objetvos Análse de duas varáves quanttatvas: obter uma reta que se ajuste aos dados segundo o crtéro de mínmos quadrados; apresentar outros crtéros para a determnação de uma
Leia maisCovariância na Propagação de Erros
Técncas Laboratoras de Físca Lc. Físca e Eng. omédca 007/08 Capítulo VII Covarânca e Correlação Covarânca na propagação de erros Coefcente de Correlação Lnear 35 Covarânca na Propagação de Erros Suponhamos
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 mais2 Referencial Teórico
Referencal Teórco O obetvo deste capítulo é apresentar os concetos de rsco, correlação e dversfcação no contexto da Teora oderna de Carteras e os últmos estudos a respeto das correlações entre mercados
Leia maisProgramação Linear 1
Programação Lnear 1 Programação Lnear Mutos dos problemas algortmcos são problemas de otmzação: encontrar o menor camnho, o maor fluxo a árvore geradora de menor custo Programação lnear rovê um framework
Leia maisCURSO de ESTATÍSTICA Gabarito
UNIVERSIDADE FEDERAL FLUMINENSE TRANSFERÊNCIA o semestre letvo de 010 e 1 o semestre letvo de 011 CURSO de ESTATÍSTICA Gabarto INSTRUÇÕES AO CANDIDATO Verfque se este caderno contém: PROVA DE REDAÇÃO com
Leia mais7 Tratamento dos Dados
7 Tratamento dos Dados 7.. Coefcentes de Troca de Calor O úmero de usselt local é dado por h( r )d u ( r ) (7-) k onde h(r), o coefcente local de troca de calor é h( r ) q''- perdas T q''- perdas (T( r
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 mais5 Formulação para Problemas de Potencial
48 Formulação para Problemas de Potencal O prncpal objetvo do presente capítulo é valdar a função de tensão do tpo Westergaard obtda para uma trnca com abertura polnomal (como mostrado na Fgura 9a) quando
Leia maisANÁLISE DA VARIÂNCIA DA REGRESSÃO
ANÁLISE DA VARIÂNCIA DA REGRESSÃO PROCEDIMENTO GERAL DE REGRESSÃO Em um modelo de análse de varânca, como no DIA, o fator em estudo pode ser quanttatvo ou qualtatvo. FATOR QUANTITATIVO: é aquele cujos
Leia maisDELINEAMENTOS EXPERIMENTAIS
SUMÁRIO 1 Delneamentos Expermentas 2 1.1 Delneamento Interamente Casualzado..................... 2 1.2 Delneamento Blocos Casualzados (DBC).................... 3 1.3 Delneamento Quadrado Latno (DQL)......................
Leia mais3. Estatística descritiva bidimensional
3. Estatístca descrtva bdmensonal (Tabelas, Gráfcos e números) Análse bvarada (ou bdmensonal): avala o comportamento de uma varável em função da outra, por exemplo: Quantas TV Phlps são venddas na regão
Leia mais2 Metodologia de Medição de Riscos para Projetos
2 Metodologa de Medção de Rscos para Projetos Neste capítulo remos aplcar os concetos apresentados na seção 1.1 ao ambente de projetos. Um projeto, por defnção, é um empreendmento com metas de prazo, margem
Leia maisDiferença entre a classificação do PIB per capita e a classificação do IDH
Curso Bem Estar Socal Marcelo Ner - www.fgv.br/cps Metas Socas Entre as mutas questões decorrentes da déa de se mplementar uma proposta de metas socas temos: Qual a justfcatva econômca para a exstênca
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 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 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 maisAnálise de Regressão Linear Múltipla VII
Análse de Regressão Lnear Múltpla VII Aula 1 Hej et al., 4 Seções 3. e 3.4 Hpótese Lnear Geral Seja y = + 1 x 1 + x +... + k x k +, = 1,,..., n. um modelo de regressão lnear múltpla, que pode ser escrto
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-4 PROJETO e ANÁLISE de EPERIMENTOS Professor: Rodrgo A. Scarpel rodrgo@ta.br www.mec.ta.br/~rodrgo Programa do curso: Semana Conteúdo Apresentação da dscplna. Prncípos de modelos lneares de regressão.
Leia maisR 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 maisPRESSUPOSTOS DO MODELO DE REGRESSÃO
PREUPOTO DO MODELO DE REGREÃO A aplcação do modelo de regressão lnear múltpla (bem como da smples) pressupõe a verfcação de alguns pressupostos que condensamos segudamente.. Os erros E são varáves aleatóras
Leia mais3 Algoritmos propostos
Algortmos propostos 3 Algortmos propostos Nesse trabalho foram desenvolvdos dos algortmos que permtem classfcar documentos em categoras de forma automátca, com trenamento feto por usuáros Tas algortmos
Leia maisCaderno de Fórmulas. Notas Comerciais Cetip21
Notas Comercas Cetp21 Últma Atualzação: 22/12/2015 E ste Caderno tem por objetvo nformar aos usuáros a metodologa e os crtéros de precsão dos cálculos de valorzação de Notas Comercas. É acatado regstro
Leia maisPrioridades com Teste de Escalonabilidade
rordades + Teste de Escalonabldade Sstemas de Tempo Real: rordades com Teste de Escalonabldade Rômulo Slva de Olvera Departamento de Automação e Sstemas DAS UFSC Cada tarefa recebe uma prordade Escalonamento
Leia maisÂngulo de Inclinação (rad) [α min α max ] 1 a Camada [360,0 520,0] 2000 X:[-0,2065 0,2065] Velocidade da Onda P (m/s)
4 Estudo de Caso O estudo de caso, para avalar o método de estmação de parâmetros trdmensonal fo realzado em um modelo de referênca de três camadas, e foram realzados os seguntes passos: Descrção do modelo
Leia maisAULA EXTRA Análise de Regressão Logística
1 AULA EXTRA Análse de Regressão Logístca Ernesto F. L. Amaral 13 de dezembro de 2012 Metodologa de Pesqusa (DCP 854B) VARIÁVEL DEPENDENTE BINÁRIA 2 O modelo de regressão logístco é utlzado quando a varável
Leia maisModelo de Programação Estocástica
Modelo de Programação Estocástca 23 2 Modelo de Programação Estocástca 2.. Concetos báscos A programação estocástca (PE) é defnda como um modelo de otmzação que apresenta um ou mas parâmetros estocástcos
Leia maisModelo Logístico. Modelagem multivariável com variáveis quantitativas e qualitativas, com resposta binária.
Modelagem multvarável com varáves quanttatvas e qualtatvas, com resposta bnára. O modelo de regressão não lnear logístco ou modelo logístco é utlzado quando a varável resposta é qualtatva com dos resultados
Leia maisDados ajustáveis a uma linha recta
Capítulo VI juste dos Mínmos Quadrados Dados ajustáves a uma lnha recta Determnação das constantes e B Incerteza nas meddas de Incerteza na determnação de e B juste dos mínmos quadrados a outras curvas:
Leia maisIntrodução às Medidas em Física a Aula
Introdução às Meddas em Físca 4300152 8 a Aula Objetvos: Experênca Curvas Característcas Meddas de grandezas elétrcas: Estudar curvas característcas de elementos resstvos Utlzação de um multímetro Influênca
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 maisCÁLCULO DO RETORNO ESPERADO DA CARTEIRA DE MERCADO E DO RETORNO DO ATIVO LIVRE DE RISCO PARA O BRASIL
ESCOLA FEDERAL DE ENGENHARIA DE ITAJUBÁ INSTITUTO DE ENGENHARIA MECÂNICA DEPARTAMENTO DE PRODUÇÃO CÁLCULO DO RETORNO ESPERADO DA CARTEIRA DE MERCADO E DO RETORNO DO ATIVO LIVRE DE RISCO PARA O BRASIL Dego
Leia mais3 Elementos de modelagem para o problema de controle de potência
3 Elementos de modelagem para o problema de controle de potênca Neste trabalho assume-se que a rede de comuncações é composta por uma coleção de enlaces consttuídos por um par de undades-rádo ndvdualmente
Leia mais