Capítulo 7 - Comparação de alternativas mutuamente excludentes, em situação de incerteza

Tamanho: px
Começar a partir da página:

Download "Capítulo 7 - Comparação de alternativas mutuamente excludentes, em situação de incerteza"

Transcrição

1 1 Capítulo 7 - Comparação de alternativas mutuamente excludentes, em situação de incerteza 7.1 Considerações Gerais. Como foi mostrado no capítulo 4, somente é possível comparar alternativas de mesmo horizonte, mas podemos deixar implícitas as alterações do modelo para igualar os horizontes mediante a escolha da variável de decisão adequada a cada modelo. Continuam válidas as considerações sobre o risco do capitulo 6, isto é, os fluxos de caixa são os resultantes de nossas respostas de eliminação, transferencia e mitigação dos riscos. Inicialmente devemos analisar a viabilidade de cada uma das alternativas, eliminando as inviáveis. Vamos usar o mesmo exemplo dos projetos A, B, e C, do Capítulo 4, introduzindo em cada um a avaliação da distribuição de probabilidade dos valores do fluxo de caixa, e sempre supondo os investimentos independentes das receitas. A k A Projeto A A 0 a =900 b =1000 c = 1100 Normal µ = 1000 σ =( ) / 6 = 33,33 A k a =750 b =900 c = 1050 Normal µ = 900 σ =( ) / 6 = 50,00 VAL A (0,15) = A 0 + A 1 / A 2 / 1, A 3 / 1,15 3 VAL A (0,15) é Normal de média µ = (1 / 1,15 + 1/ 1, / ) = 1054,90 Se os A k forem independentes, a variância será σ 2 = 33, ,00 2 (1 / 1, / 1, / ) = 8857,09 σ = 94,11 Probabilidade de ser viável z =(0-1054,90) / 94,11 = P(VAL A (0,15) > 0 ) = 1,00 Se os A k forem perfeitamente correlacionados, a variância será: σ 2 = 33, ,00 2 (1 / 1,15 + 1/ 1, / ) 2 = 14141,33 σ = 118,92 z =(0-1054,90) /118,92 = P(VAL A (0,15) > 0 ) = 1,00 O projeto A é certamente viável. B 0 Projeto B B k B 0 a =1000 b =1100 c = 1200 Normal µ = 1100 σ =( )/ 6 = 33, B k a =600 b =800 c = 1000 Normal µ = 800 σ =( ) / 6 = 66,67 VAL B (0,15) = B 0 + B 1 / B 2 / 1, B 3 / 1, B 4 / 1,15 4 VAL B (0,15) é Normal de média µ = 1183,98 Se os B k forem independentes, a variância será: σ 2 = 10387,23 σ = 101,92 z =(0-1183,98) / 101,92 = P(VAL B (0,15) > 0 ) = 1,00 Se os B k forem perfeitamente correlacionados, a variância será: σ 2 = 37337,89 σ = 193,23

2 2 z =(0-1183,98) / 192,23 = -6,16 P(VAL B (0,15) > 0 ) = 1,00 O projeto B é certamente viável. C k Projeto C C 0 a =810 b =900 c = 990 Normal µ = 900 σ =( ) / 6 = 30, C k a = 400 b = 500 c = 600 C 0 Normal µ = 500 σ =( ) / 6 = 33,33 VAL C (0,15) = C 0 + C 1 / C 2 / 1, C 5 / 1, C 6 / 1,15 6 VAL B (0,15) é Normal de média µ = 992,24 Se os C k forem independentes, a variância será: σ 2 = 3701,35 σ = 60,84 z =(0-992,24) / 60,84 = -16,31 P(VAL C( (0,15) > 0 ) = 1,00 Se os C k forem perfeitamente correlacionados, a variância será: σ 2 = 16813,68 σ = 129,67 z =(0-992,24) / 129,67 = -7,65 P(VAL C (0,15) > 0 ) = 1,00 O projeto C é certamente viável Modelo I ou de atividade permanente Neste caso devemos usar o BUE para poder deixar implícita a repetição. Como n (1+ i) i BUE(i) = VAL(i) n (1 + i) 1 temos: BUE A = Normal, µ = 1054,90*(1,15 3 *0,15)/ (1,15 3-1) = 462,02 Se os A k indep. σ 2 =8857,09((1,15 3 *0,15)/ (1,15 3-1)) 2 = 1698,92 Se os A k correl. σ 2 =14141,33((1,15 3 *0,15)/ (1,15 3-1)) 2 = 2712,77 BUE B = Normal, µ = 1183,98*(1,15 4 *0,15)/ (1,15 4-1) = 414,71 Se os B k indep. σ 2 =10387,23((1,15 4 *0,15)/ (1,15 4-1)) 2 = 1274,37 Se os B k correl. σ 2 =37337,89((1,15 4 *0,15)/ (1,15 4-1)) 2 = 4580,83 BUE C = Normal, µ = 992,24*(1,15 6 *0,15)/ (1,15 6-1) = 262,19 Se os C k indep. σ 2 =3701,35((1,15 6 *0,15)/ (1,15 6-1)) 2 = 258,44 Se os C k correl. σ 2 =16813,68((1,15 6 *0,15)/ (1,15 6-1)) 2 = 1173,99 Vamos usar a analise incremental, comparando inicialmente A e B Como A e B são independentes, temos: BUE A-B é Normal, µ = 462,02-414,71 = 47,31 Valores indep. σ 2 = 1698, ,37 = 2973,29 σ = 54,53 Valores correl. σ 2 = 2712, ,83 = 7293,60 σ = 85,40 z = (0-47,31) / 54,53 = - 0,87 Prob(BUE A > BUE B ) = 0,80 z = (0-47,31) / 85,40 = - 0,55 Prob(BUE A > BUE B ) = 0,71 Com probabilidade maior que 71%, A é melhor do que B. Comparamos agora A e C: BUE A-C é Normal, µ = 462,02-262,19 = 199,83 Valores indep. σ 2 = 1698, ,44 = 1957,37 σ = 44,24 Valores correl. σ 2 = 2712, ,99 = 3886,76 σ = 62,34 z = (0-199,83) / 44,24 = - 4,51 Prob(BUE A > BUE C ) = 1,00

3 3 z = (0-199,83) / 62,34 = - 3,21 Prob(BUE A > BUE C ) = 1,00 A é, com certeza, melhor do que C. Logo, se as atividades forem permanentes, dos três projetos A é o melhor. 7.3 Modelo II ou das atividades que terminam. Neste caso a variável de decisão conveniente é o valor atual. Vamos usar a analise incremental, comparando inicialmente A e B Como A e B são independentes, temos: VAL B-A é Normal, µ = 1183, ,90 =129,08 Valores indep. σ 2 = 10387, ,09 = 19244,32 σ = 138,72 z = (0-129,08) / 138,72 = - 0,93 Prob(VAL B > VAL A ) = 0,82 Valores correl. σ 2 = 37337, ,33 = 51479,22 σ = 226,89 z = (0-129,08) / 226,89 = - 0,57 Prob(VAL B > VAL A ) = 0,72 Com probabilidade maior que 72%, B é melhor do que A Comparamos agora B e C: VAL B-C é Normal, µ = 1183,98 992,24 = 191,74 Valores indep. σ 2 = 10387, ,35 = σ = 118,70 z = (0-191,74) / 118,70 = - 1,62 Prob(VAL B > VAL C ) = 0,94 Valores correl. σ 2 = 37337, ,68 =51191,57 σ = 226,26 z = (0-191,74) / 226,26 = - 0,85 Prob(VAL B > VAL C ) = 0,80 Com probabilidade maior que 80%, B é melhor do que C. Logo, se as atividades forem terminais, dos três projetos B é o melhor, Árvore de Decisão Árvore de decisão é um diagrama seqüencial que mostra as interações entre as decisões e os eventos aleatórios associados a elas, como são entendidos pelo tomador de decisão. As decisões são mutuamente exclusivas e os eventos associados são exaustivos, isto é, consideram todas as possibilidades, e, portanto, a soma das probabilidades em cada n a- leatório tem de ser igual a 1. Os nós da árvore envolvendo decisões são geralmente representados por um quadrado e os referentes a eventos aleatórios por um circulo. Entretanto, para facilitar o uso da planilha para desenhar a arvore e fazer os cálculos, indicaremos os nós de decisão em células com borda dupla e os nós aleatórios em células com borda simples. Os valores monetário serão colocados na célula imediatamente acima e em negrito; as probabilidades serão indicadas na célula imediatamente abaixo. Os resultados serão especificados no final dos ramos correspondentes. Vamos estudar o assunto através de um exemplo, adaptado de Magee (1964) Exemplo: Uma empresa deve decidir se constrói uma fábrica pequena (investimento =$1,3 milhões ) ou uma grande ( investimento = $3 milhões ), para produzir um novo produto com vida prevista de 10 anos. A procura possivelmente será alta nos 2 primeiros anos, mas depois, conforme a satisfação do consumidor, pode cair para um nível baixo (probabilidade = 0,10) ou manter-se alta (probabilidade = 0,60 ). Se a procura inicial for baixa ela se manterá baixa, isto é, fica excluída a possibilidade de procura baixa seguida de procura alta.

4 4 Se optar pela fábrica pequena a diretoria tem a opção de expandi-la após 2 anos, se a procura for alta no período inicial, com um investimento adicional de $2,2 milhões ) Com estas informações, a probabilidade da procura ser alta inicialmente é 70% ( ) e de se manter alta nos 8 anos seguintes é 85,7% ( 60 / 70). A fabrica grande, com alto volume de produção rende $ por ano; se o volume de produção for baixo rende apenas $ por ano. A fabrica pequena, com procura baixa, rende anualmente $ Se a procura for alta ela pode render $ por ano, mas a receita líquida cai para $ depois dos 2 anos iniciais, devido à concorrência. Se a fabrica for expandida para atender à procura alta, não será tão eficiente como a fabrica grande original, e rende $ por ano. Se a procura for baixa a receita líquida será de apenas $ por ano A taxa atrativa mínima é 10 % ao ano. A Figura mostra a árvore de decisão com os fluxos de caixa correspondentes a cada caminho. FabGrand Dec.1 FabPeq Dec.2 Expandir Não Exp. 1,00 1,00 3,00 1,00 0,10 3,00 0,10 0,10 3,00 0,45 0,70 1,30 2,20 0,45 0,05 1,30 2,20 0,45 0,30 1,30 2,20 0,45 0,40 1,30 2,20 0,40 0,40 1,30 2,20 Figura Arvore de decisão A figura mostra as probabilidades associadas a cada ramo, devendo-se notar que a soma das probabilidades dos ramos que saem de um nó aleatório tem de ser igual a 1. Também substituímos os fluxos de caixa pelo seu VAL(0,10) na data da decisão i- nicial.

5 5 0, , FabGrand 0, ,300 1, Dec1 0,857 Expandir FabPeq ,143 Dec2 0, ,857 Não Exp , ,300 1,000 Figura Árvore de decisão Probabilidades Percorrendo a árvore do fim para o começo, a cada nó de evento associamos um valor monetário esperado igual à soma dos valores esperados ( produto do valor pela probabilidade) de todos os nós a ele ligados. O valor monetário de cada nó de decisão corresponde ao mais favorável dos valores esperados dos nós a ele ligados. A Figura mostra o valor monetário esperado de cada nó.

6 ,857 0, FabGrand 0, ,300 1, Dec ,857 Expandir ,143 Dec , , Não Exp. FabPeq , ,300 1,000 Figura Árvore de decisão Valor monetário esperado Com a informação disponível a melhor decisão seria investir na fábrica grande (VME = $1,088 milhões, contra $0,954 da pequena ) Valor da informação perfeita Se tivesse certeza de que a procura seria alta, a administração optaria certamente pela fábrica grande; se soubesse que a procura a longo prazo seria baixa decidiria pela fabrica pequena. Procura Melhor Decisão VAL ( milhões) Prob. Estimada VAL x Prob. alta - alta fábrica grande $3,145 0,60 $1,887 alta baixa fábrica pequena $1,245 0,10 $0,125 baixa baixa fábrica pequena $1,158 0,30 $0,347 Total 1,00 $2,359 Valor da informação perfeita: $2,359 - $1,088 = $1,271 milhões, que é quanto aumentaria o lucro esperado se conhecêssemos o futuro Pesquisa de mercado. A empresa está estudando uma proposta de pesquisa de mercado, que poderia diminuir as incertezas, mas custa $ A administração tem confiança na pesquisa de mercado, embora a julgue conservadora, e estima que: se a procura for alta todo o tempo, a probabilidade da pesquisa ser favorável (alta - alta) é 70%.

7 7 se a procura for alta inicialmente e depois baixar, a pesquisa pode se enganar, e a probabilidade de indicar alta-alta é 50%. se a procura for baixa, a probabilidade da pesquisa indicar alta-alta é 5%. Destas estimativas podemos calcular as probabilidades: Procura Probabilidade Probabilidade pesquisa favorável Probabilidade pesquisa contrária Probabilidade de ocorrer com pesquisa favorável Probabilidade de ocorrer com pesquisa contrária Alta-alta 0,60 0, 70 0,30 0,866 0,350 Alta baixa 0,10 0,50 0,50 0,103 0,097 Baixa baixa 0,30 0,05 0,95 0,031 0,553 Somas 1,00 1,000 1,000 P(F)=P(F AA)P(AA)+P(F AB)P(AB)+P(F BB)P(BB) P(F) = 0,70*0,60+0,50*0,10+0,05*0,30 = 0,485 P(C)=P(C AA)P(AA)+P(C AB)P(AB)+P(C BB)P(BB) P(C) = 0,30*0,60+0,50*0,10+0,95*0,30 = 0,515 P(F AA) P(AA) P(AA F) = P(F AA) * P(AA) + P(F AB) P(AB) + P(F BB) P(BB) 0,70x0,60 0,420 P(AA F) = = = 0,866 0,70x0,60 + 0,50x0,10 + 0,05x0,30 0,485 0,50x0,10 P(AB F) = = 0,485 0,05x0,30 P(BB F) = = 0,485 0,050 = 0,103 0,485 0,015 = 0,031 0,485 0,30x0,60 0,50x0,10 + 0,95x0,30 P(AA C) = = 0,30x0,60 + 0,50x0,10 P(AB C) = = 0,515 0,050 0,515 = 0,097 0,180 0,515 P(BB C) = 1 P(AA C) P(AB C) = 0,553 P(A* F) = P(AA F) + P(AB F) = 0,969 P(B* F) = 0,031 P(A* C) = P(AA C) + P(AB C) = 0,447 P(B* C) = 0,553 P(*A A* F) = P(AA F) / P(A* F) = 0,866 / 0,969 = 0,894 P(*B A* F) = P(AB F) / P(A* F) = 0,103 / 0,969 = 0,106 P(*A A* C) = P(AA C) / P(A* C) = 0,350 / 0,447 = 0,783 = 0,350

8 8 As figuras a mostram a nova árvore de decisão, com a alternativa de contratar a pesquisa de mercado. FabGrand FabGrand PFavoravel Dec3 Expandir Dec4 FabPeq Não Exp Dec1 FazerPesq FabGrand PContrária Dec5 Expandir Dec6 FabPeq Não Exp FabPeq 1058 Figura Árvore de decisão com pesquisa de mercado.

9 ,894 0, FabGrand 0, ,031 1, PFavoravel 345 0,894 0,485 Expandir ,106 Dec , , Não Exp. FabPeq , ,031 1,000 Figura Árvore de decisão II- Pesquisa de mercado favorável FabGrand 0, ,553 1, Pcontrária 27 0,783 0,515 Expandir ,217 Dec , , Não Exp. FabPeq , ,553 1,000 Figura Árvore de decisão II Pesquisa de mercado contrária

10 Fabrica Grande 2466 PFavoravel ,485 Decisão 1 Fazer Pesquisa 943 Pcontrária 954 0,515 Fábrica Pequena Figura Árvore de decisão II Avaliação final A melhor decisão é fazer a pesquisa de mercado, que aumenta o valor monetário esperado de = 593 mil. Os fluxos de caixa foram considerados como certos, para não complicar o entendimento da árvore de decisão, mas podemos facilmente introduzir a incerteza deles através de uma simulação Monte-Carlo, já vista no Capítulo 6.

Capitulo 6 Viabilidade Econômica em Situação de Incerteza

Capitulo 6 Viabilidade Econômica em Situação de Incerteza 1 Capitulo 6 Viabilidade Econômica em Situação de Incerteza Nos capítulos anteriores, ao construir o fluxo de caixa de um projeto de investimento, supusemos que os valores eram conhecidos com certeza.

Leia mais

Qualidade na Tomada de Decisão com ênfase em custos

Qualidade na Tomada de Decisão com ênfase em custos Qualidade na Tomada de Decisão com ênfase em custos Qualidade em planejamento de Custos 1º Estimativa de três pontos (PERT): custo médio considerando os riscos de falhas na estimativa. Onde temos: Custo

Leia mais

Métodos Quantitativos. aula 1

Métodos Quantitativos. aula 1 Métodos Quantitativos aula 1 Prof. Dr. Marco Antonio Leonel Caetano Insper Ibmec São Paulo PROBABILIDADE CONDICIONAL - Informação Adicional Ter o privilégio do conhecimento prévio em relação ao mercado

Leia mais

Unidade: Risco e Retorno. Unidade I:

Unidade: Risco e Retorno. Unidade I: Unidade I: 0 Unidade: Risco e Retorno A análise de investimentos está baseada nas estimativas dos fluxos de caixa de um projeto. Nem sempre essas previsões de fluxo de caixa coincidem com os resultados

Leia mais

Gestão de Riscos e Investimentos

Gestão de Riscos e Investimentos Introdução ao Risco de Crédito 2 Riscos de mercado vs. risco de crédito Até agora, estudamos o VAR e a mensuração de riscos no contexto dos riscos de mercado Decorrentes de movimentos potencialmente adversos

Leia mais

MODELOS DE APOIO À DECISÃO Licenciatura em Engenharia e Gestão Industrial Departamento de Engenharia e Gestão, Instituto Superior Técnico

MODELOS DE APOIO À DECISÃO Licenciatura em Engenharia e Gestão Industrial Departamento de Engenharia e Gestão, Instituto Superior Técnico NOME: No. MECANOGRÁFICO: MODELOS DE APOIO À DECISÃO Licenciatura em Engenharia e Gestão Industrial Departamento de Engenharia e Gestão, Instituto Superior Técnico Ano académico 2008/2009 2º Semestre Exame

Leia mais

Probabilidade e Estatística. Estimação de Parâmetros Intervalo de Confiança

Probabilidade e Estatística. Estimação de Parâmetros Intervalo de Confiança Probabilidade e Estatística Prof. Dr. Narciso Gonçalves da Silva http://páginapessoal.utfpr.edu.br/ngsilva Estimação de Parâmetros Intervalo de Confiança Introdução A inferência estatística é o processo

Leia mais

Métodos para Avaliar Flexibilidade

Métodos para Avaliar Flexibilidade Métodos para Avaliar Flexibilidade Métodos superiores ao DCF porque captam explicitamente o valor das flexibilidades Árvores de Decisão Opções Reais 1 Métodos para Avaliar Flexibilidade Baixa Alta Análise

Leia mais

QuickTime and atiff (Uncompressed) decompressorare needed to see this picture. Análise de Decisão. Métodos Quantitativos 2004/2005.

QuickTime and atiff (Uncompressed) decompressorare needed to see this picture. Análise de Decisão. Métodos Quantitativos 2004/2005. QuickTime and atiff (Uncompressed) decompressorare needed to see this picture. Análise de Decisão Métodos Quantitativos 2004/2005 João Moura Pires Sumário Introdução Tomada de decisão sem experimentação

Leia mais

Lista de Exercícios 2. Exercício 1*: Considere as informações sobre um projeto de minério contidas na tabela abaixo.

Lista de Exercícios 2. Exercício 1*: Considere as informações sobre um projeto de minério contidas na tabela abaixo. FGV-MFEE Prof. Edson Gonçalves Avaliação de Empresas Monitor: Diogo Saraiva Lista de Exercícios 2 Os exercícios marcados com * deverão ser entregues e terão participação na nota final. Exercício 1*: Considere

Leia mais

4 ABORDAGENS METROLÓGICAS

4 ABORDAGENS METROLÓGICAS 4 4 ABORDAGENS METROLÓGICAS Neste capitulo são apresentados os termos metrológicos utilizados neste documento. Estes conceitos foram selecionados do Vocabulário Internacional de termos fundamentais e gerais

Leia mais

Capítulo 15 Métodos de Avaliação Econômica de Investimentos

Capítulo 15 Métodos de Avaliação Econômica de Investimentos ANÁLISE Financeira Capítulo 15 Métodos de Avaliação Econômica de Investimentos Introdução Os métodos de análise de investimentos dividem-se em dois grandes segmentos: 1 Modelos quantitativos de análise

Leia mais

Decisão Decidir Análise / Teoria da Decisão

Decisão Decidir Análise / Teoria da Decisão Decisão Decidir é o acto de seleccionar uma linha de acção preferida entre várias alternativas existentes. Existem diversos instrumentos que podem contribuir para a tomada de decisões, dependentes do ambiente

Leia mais

Análise de Viabilidade Econômica de Projetos de Investimento

Análise de Viabilidade Econômica de Projetos de Investimento Análise de Viabilidade Econômica de Projetos de Investimento ANÁLISE DE CENÁRIOS Prof. Luciel Henrique de Oliveira - luciel@fae.br UNIFAE - São João da Boa Vista http://gp2unifae.wikispaces.com Análise

Leia mais

Capitulo 4 - Comparação de Alternativas Mutuamente Excludentes, em Situação de Certeza.

Capitulo 4 - Comparação de Alternativas Mutuamente Excludentes, em Situação de Certeza. 1 Capitulo 4 - Comparação de Alternativas Mutuamente Excludentes, em Situação de Certeza. Na Engenharia Econômica as alternativas são mutuamente excludentes, pois visam ao mesmo objetivo técnico, e portanto

Leia mais

Estratégias empresariais no uso da TI. Aula 1 Decisão sob incerteza Prof. E. A. Schmitz

Estratégias empresariais no uso da TI. Aula 1 Decisão sob incerteza Prof. E. A. Schmitz Estratégias empresariais no uso da TI Aula 1 Decisão sob incerteza Prof. E. A. Schmitz Teoria da decisão Investimentos envolvem tomada de decisões Decidir qual a melhor alternativa: Usando a informação

Leia mais

Análise de regressão linear simples. Diagrama de dispersão

Análise de regressão linear simples. Diagrama de dispersão Introdução Análise de regressão linear simples Departamento de Matemática Escola Superior de Tecnologia de Viseu A análise de regressão estuda o relacionamento entre uma variável chamada a variável dependente

Leia mais

VERIFICAÇÃO DOS RECURSOS NECESSÁRIOS. Capítulo 1 VARIÁVEIS E AMOSTRAS 1

VERIFICAÇÃO DOS RECURSOS NECESSÁRIOS. Capítulo 1 VARIÁVEIS E AMOSTRAS 1 PREFÁCIO VERIFICAÇÃO DOS RECURSOS NECESSÁRIOS xiii DO EXCEL... xv Capítulo 1 VARIÁVEIS E AMOSTRAS 1 VARIÁ VEIS 4 NÚMERO DE VARIÁVEIS 5 CLASSIFICAÇÃO DAS VARIÁVEIS 6 ESCALA DE MEDIÇÃO DAS VARIÁVEIS 7 POPULAÇÃO

Leia mais

Princípios de Bioestatística Inferência e Intervalo de Confiança

Princípios de Bioestatística Inferência e Intervalo de Confiança 1/24 Princípios de Bioestatística Inferência e Intervalo de Confiança Enrico A. Colosimo/UFMG http://www.est.ufmg.br/ enricoc/ Depto. Estatística - ICEx - UFMG Tabela Normal Padrão 2/24 3/24 Inferência

Leia mais

Teste de Comparações Múltiplas

Teste de Comparações Múltiplas Teste de Comparações Múltiplas Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ 24 de outubro de 2018 Londrina 1 / 9 Pela análise de variância realizada no Exemplo 1 da aula

Leia mais

CONHECIMENTOS ESPECÍFICOS

CONHECIMENTOS ESPECÍFICOS fonte de graus de soma de quadrado variação liberdade quadrados médio teste F regressão 1 1,4 1,4 46,2 resíduo 28 0,8 0,03 total 2,2 A tabela de análise de variância (ANOVA) ilustrada acima resulta de

Leia mais

Universidade Federal de Itajubá

Universidade Federal de Itajubá Universidade Federal de Itajubá Engenharia Econômica Valor Presente Líquido Exemplo III.3 Numa análise realizada em determinada empresa, foram detectados custos operacionais excessivamente elevados numa

Leia mais

UNIVERSIDADE DE SÃO PAULO ESCOLA DE ENGENHARIA DE LORENA. ENGENHARIA ECONÔMICA Exercícios Propostos Prof. Dr. Francisco Chaves

UNIVERSIDADE DE SÃO PAULO ESCOLA DE ENGENHARIA DE LORENA. ENGENHARIA ECONÔMICA Exercícios Propostos Prof. Dr. Francisco Chaves UNIVERSIDADE DE SÃO PAULO ESCOLA DE ENGENHARIA DE LORENA ENGENHARIA ECONÔMICA Exercícios Propostos Prof. Dr. Francisco Chaves 1. (P1) Surgiu a oportunidade de se investir em uma pequena fábrica de carne

Leia mais

Capítulo II. ANÁLISE DE ALTERNATIVAS DE INVESTIMENTOS

Capítulo II. ANÁLISE DE ALTERNATIVAS DE INVESTIMENTOS Capítulo II. ANÁLISE DE ALTERNATIVAS DE INVESTIMENTOS IV) Método da Taxa Interna de Retorno (TIR) Por definição, a taxa interna de retorno de um projeto é a taxa de juros para a qual o valor presente das

Leia mais

Universidade Federal de Itajubá

Universidade Federal de Itajubá Universidade Federal de Itajubá Análise de Viabilidade Econômica de Empreendimentos Análise de Alternativas de Investimentos Análise de Alternativas de Investimentos Critérios para Análise: Pay - Back

Leia mais

Análise de Aderência e de Associação

Análise de Aderência e de Associação Análise de Aderência e de Associação Capítulo 14, Estatística Básica (Bussab & Morettin, 8a Edição) Capítulo 8, Introdução Computacional à Probabilidade e Estatística (Pedrosa & Gama, Porto Editora) 8a

Leia mais

Capitulo 5 - Substituição e Reposição de Equipamento

Capitulo 5 - Substituição e Reposição de Equipamento 1 Capitulo 5 - Substituição e Reposição de Equipamento 5.1 - Vida útil e Vida econômica Definimos vida útil de um equipamento como sendo o período de tempo em que ele continua desempenhando satisfatoriamente

Leia mais

UNIVERSIDADE DE SÃO PAULO ESCOLA DE ENGENHARIA DE LORENA. ENGENHARIA ECONÔMICA Exercícios Propostos Prof. Dr. Francisco Chaves

UNIVERSIDADE DE SÃO PAULO ESCOLA DE ENGENHARIA DE LORENA. ENGENHARIA ECONÔMICA Exercícios Propostos Prof. Dr. Francisco Chaves ENGENHARIA ECONÔMICA Exercícios Propostos Prof. Dr. Francisco Chaves 1. (P1) Surgiu a oportunidade de se investir em uma pequena fábrica de carne e crustáceos. O volume máximo de produção anual é estimado

Leia mais

CAPÍTULO 4 PROBABILIDADE PROBABILIDADE PPGEP Espaço Amostral e Eventos Espaço Amostral e Eventos UFRGS. Probabilidade.

CAPÍTULO 4 PROBABILIDADE PROBABILIDADE PPGEP Espaço Amostral e Eventos Espaço Amostral e Eventos UFRGS. Probabilidade. PROBABILIDADE CAPÍTULO 4 PROBABILIDADE UFRGS A Teoria das s estuda os fenômenos aleatórios. Fenômeno Aleatório: são os fenômenos cujo resultado não pode ser previsto exatamente. Se o fenômeno se repetir,

Leia mais

Teoria das Probabilidades

Teoria das Probabilidades Experiência aleatória Observação de uma acção cujos resultados não são conhecidos a priori (conhecendo-se no entanto quais as possibilidades) Características: Possibilidade de repetição da experiência

Leia mais

Análise econômica de projetos

Análise econômica de projetos Análise econômica de projetos (Analista dos correios, economista, correios, Cespe, 2011) Com relação aos fundamentos de análise de projetos, julgue os itens subsequentes. Entre dois projetos mutuamente

Leia mais

Finanças Corporativas. Análise de Sensibilidade. Métodos de Avaliação de Risco. Motochoque Ltda. Análise de Risco

Finanças Corporativas. Análise de Sensibilidade. Métodos de Avaliação de Risco. Motochoque Ltda. Análise de Risco Finanças Corporativas Análise de Risco Prof. Luiz Brandão brandao@iag.puc-rio.br IAG PUC-Rio Métodos de Avaliação de Risco Análise de Cenário Esta metodologia amplia os horizontes do FCD obrigando o analista

Leia mais

Probabilidade ESQUEMA DO CAPÍTULO. UFMG-ICEx-EST Cap. 2- Probabilidade 1

Probabilidade ESQUEMA DO CAPÍTULO. UFMG-ICEx-EST Cap. 2- Probabilidade 1 Probabilidade ESQUEMA DO CAPÍTULO 2.1 ESPAÇOS AMOSTRAIS E EVENTOS 2.2 INTERPRETAÇÕES DE PROBABILIADE 2.3 REGRAS DE ADIÇÃO 2.4 PROBABILIDADE CONDICIONAL 2.5 REGRAS DA MULTIPLICAÇÃO E DA PROBABILIDADE TOTAL

Leia mais

Estatística. O que é Estatística? Estatística pode ser: Estatística Descritiva. Ivonete Melo de Carvalho. Conteúdo

Estatística. O que é Estatística? Estatística pode ser: Estatística Descritiva. Ivonete Melo de Carvalho. Conteúdo Estatística Estatística Descritiva Ivonete Melo de Carvalho Conteúdo Definições; Tabelas e Gráficos; Medidas de tendência central; Medidas de dispersão. Objetivos Diferenciar população e amostra. Elaborar

Leia mais

Exercícios de programação

Exercícios de programação Exercícios de programação Estes exercícios serão propostos durante as aulas sobre o Mathematica. Caso você use outra linguagem para os exercícios e problemas do curso de estatística, resolva estes problemas,

Leia mais

Probabilidade. Objetivos de Aprendizagem. UFMG-ICEx-EST. Cap. 2 - Probabilidade Espaços Amostrais e Eventos. 2.1.

Probabilidade. Objetivos de Aprendizagem. UFMG-ICEx-EST. Cap. 2 - Probabilidade Espaços Amostrais e Eventos. 2.1. 2 ESQUEMA DO CAPÍTULO 2.1 ESPAÇOS AMOSTRAIS E EVENTOS 2.2 INTERPRETAÇÕES E AXIOMAS DE PROBABILIADE 2.3 REGRAS DE ADIÇÃO 2.4 PROBABILIDADE CONDICIONAL 2.5 REGRAS DA MULTIPLICAÇÃO E DA PROBABILIDADE TOTAL

Leia mais

27/03/2009 INCERTEZA DE APLICADA AO USO DO GÁS NATURAL. Esp.Henrique Diniz. Objetivos. Abordar os aspectos práticos sobre Incerteza de Medição

27/03/2009 INCERTEZA DE APLICADA AO USO DO GÁS NATURAL. Esp.Henrique Diniz. Objetivos. Abordar os aspectos práticos sobre Incerteza de Medição INCERTEZA DE APLICADA AO USO DO GÁS NATURAL Esp.Henrique Diniz Objetivos Abordar os aspectos práticos sobre Incerteza de Medição 1 Bibliografia para Consulta Guia para Expressão da Incerteza nas Medições

Leia mais

Probabilidade Parte 1. Camyla Moreno

Probabilidade Parte 1. Camyla Moreno Probabilidade Parte 1 Camyla Moreno Probabilidade A teoria das probabilidades é um ramo da Matemática que cria, elabora e pesquisa modelos para estudar experimentos ou fenômenos aleatórios. Principais

Leia mais

MA12 - Unidade 17 Probabilidade

MA12 - Unidade 17 Probabilidade MA12 - Unidade 17 Probabilidade Paulo Cezar Pinto Carvalho PROFMAT - SBM 17 de Maio de 2013 Teoria da Probabilidade Teoria da Probabilidade: modelo matemático para incerteza. Objeto de estudo: experimentos

Leia mais

9DOXHDW5LVNHUHWRUQRGHXPLQYHVWLPHQWR

9DOXHDW5LVNHUHWRUQRGHXPLQYHVWLPHQWR 9DOXHDWLVNHUHWRUQRGHXPLQYHVWLPHQWR O Value at Risk (VaR) é um método de mensuração de risco de mercado que utiliza técnicas estatísticas amplamente difundidas. De outra forma o VaR mede a pior perda esperada

Leia mais

UNIVERSIDADE DE SÃO PAULO ESCOLA SUPERIOR DE AGRICULTURA LUIZ DE QUEIROZ DEPARTAMENTO DE CIÊNCIAS EXATAS

UNIVERSIDADE DE SÃO PAULO ESCOLA SUPERIOR DE AGRICULTURA LUIZ DE QUEIROZ DEPARTAMENTO DE CIÊNCIAS EXATAS 1 1) Um Engenheiro Florestal fez um estudo com árvores de uma espécie dos cerrados brasileiros, tendo anotado a altura (X) e o volume (Y) de madeira de árvores de três idades (t) diferentes. Os dados estão

Leia mais

Processo de Amostragem

Processo de Amostragem Processo de Amostragem População versus Amostra População: conjunto de unidades com uma ou mais característica em comum N é a dimensão da população Amostra: Subconjunto da população N é a dimensão da amostra

Leia mais

Probabilidades e Estatística MEEC, LEIC-A, LEGM

Probabilidades e Estatística MEEC, LEIC-A, LEGM Departamento de Matemática Probabilidades e Estatística MEEC, LEIC-A, LEGM Exame a Época / o Teste (Grupos III e IV) o semestre 009/00 Duração: 80 / 90 minutos /06/00 9:00 horas Grupo I Exercício 5 valores

Leia mais

Universidade Federal de Itajubá

Universidade Federal de Itajubá Universidade Federal de Itajubá Engenharia Econômica Critérios para Análise: Pay - Back CUI DA DO Valor Presente Líquido (VPL) Valor Anual (VA) Taxa Interna de Retorno (TIR) E X A T O S 19/02/2013 Prof.

Leia mais

RESPOSTAS - PROVA ESTATÍSTICA AGENTE PF 2018

RESPOSTAS - PROVA ESTATÍSTICA AGENTE PF 2018 RESPOSTAS - PROVA ESTATÍSTICA AGENTE PF 018 Determinado órgão governamental estimou que a probabilidade p de um ex-condenado voltar a ser condenado por algum crime no prazo de 5 anos, contados a partir

Leia mais

PERT PERT PERT PERT PERT PERT. O CPM assume que as estimativas de tempo para um projeto são certas (determinísticas);

PERT PERT PERT PERT PERT PERT. O CPM assume que as estimativas de tempo para um projeto são certas (determinísticas); O CPM assume que as estimativas de tempo para um projeto são certas (determinísticas); A duração de cada atividade na prática, contudo, pode ser diferente daquela prevista no projeto; Existem muitos fatores

Leia mais

Uma estatística é uma característica da amostra. Ou seja, se

Uma estatística é uma característica da amostra. Ou seja, se Estatística Uma estatística é uma característica da amostra. Ou seja, se X 1,..., X n é uma amostra, T = função(x 1,..., X n é uma estatística. Exemplos X n = 1 n n i=1 X i = X 1+...+X n : a média amostral

Leia mais

Estatística. Probabilidade. Conteúdo. Objetivos. Definições. Probabilidade: regras e aplicações. Distribuição Discreta e Distribuição Normal.

Estatística. Probabilidade. Conteúdo. Objetivos. Definições. Probabilidade: regras e aplicações. Distribuição Discreta e Distribuição Normal. Estatística Probabilidade Profa. Ivonete Melo de Carvalho Conteúdo Definições. Probabilidade: regras e aplicações. Distribuição Discreta e Distribuição Normal. Objetivos Utilizar a probabilidade como estimador

Leia mais

Modelar a incerteza: Árvores de decisão e diagramas de influência. Carlos A. Bana e Costa

Modelar a incerteza: Árvores de decisão e diagramas de influência. Carlos A. Bana e Costa Modelar a incerteza: Árvores de decisão e diagramas de influência Carlos A. Bana e Costa Referências: Clemen, R. (1996), Making Hard Decisions: An Introduction to Decision Analysis (2 nd Edition). Duxbury.

Leia mais

Fundamentos de Finanças Curso de Ciências Econonômicas Universidade Federal de Pelotas (UFPel)

Fundamentos de Finanças Curso de Ciências Econonômicas Universidade Federal de Pelotas (UFPel) Fundamentos de Finanças Curso de Ciências Econonômicas Universidade Federal de Pelotas (UFPel) Prof. Regis A. Ely Departamento de Economia Universidade Federal de Pelotas (UFPel) Regis A. Ely Matemática

Leia mais

Processamento de erros grosseiros - Identiمحcaچcﷺao

Processamento de erros grosseiros - Identiمحcaچcﷺao Processamento de erros grosseiros - Identiمحcaچcﷺao Método ˆb Base: variável ˆβ interpretada como uma estimativa do erro associado à medida; verificação da magnitude do erro com relação a faixa esperada

Leia mais

Estatística Aplicada

Estatística Aplicada Estatística Aplicada Distribuição Normal Professor Lucas Schmidt www.acasadoconcurseiro.com.br Estatística Aplicada DISTRIBUIÇÕES NORMAL Distribuição Normal É uma distribuição teórica de frequências onde

Leia mais

Esse material foi extraído de Barbetta (2007 cap 13)

Esse material foi extraído de Barbetta (2007 cap 13) Esse material foi extraído de Barbetta (2007 cap 13) - Predizer valores de uma variável dependente (Y) em função de uma variável independente (X). - Conhecer o quanto variações de X podem afetar Y. Exemplos

Leia mais

MODELOS E APLICAÇÕES EM ANÁLISE DE DECISÃO Regras para o trabalho individual

MODELOS E APLICAÇÕES EM ANÁLISE DE DECISÃO Regras para o trabalho individual MODELOS E APLICAÇÕES EM ANÁLISE DE DECISÃO 2011 Regras para o trabalho individual Conteúdo Este trabalho consiste na resolução de 3 exercícios usando, sempre que apropriado, ferramentas de software que

Leia mais

Física Geral - Laboratório 2016/2. Estimativas e erros em medidas diretas (II) Níveis de confiança, compatibilidade e combinação

Física Geral - Laboratório 2016/2. Estimativas e erros em medidas diretas (II) Níveis de confiança, compatibilidade e combinação Física Geral - Laboratório 206/2 Estimativas e erros em medidas diretas (II) Níveis de confiança, compatibilidade e combinação Resumo aula II: Medidas diretas Resultado = estimativa do valor esperado ±

Leia mais

PRINCIPAIS DISTRIBUIÇÕES DISCRETAS DE PROBABILIDADE

PRINCIPAIS DISTRIBUIÇÕES DISCRETAS DE PROBABILIDADE PRINCIPAIS DISTRIBUIÇÕES DISCRETAS DE PROBABILIDADE 3.1 INTRODUÇÃO Muitas variáveis aleatórias associadas a experimentos aleatórios têm propriedades similares e, portanto, podem ser descritas através de

Leia mais

Módulo 1 FUNDAMENTOS DE ESTATÍSTICA

Módulo 1 FUNDAMENTOS DE ESTATÍSTICA Módulo 1 FUNDAMENTOS DE ESTATÍSTICA Medidas de posição central Média As medidas de posição central buscam representar uma série de dados. Por exemplo: em média na Suiça cada pessoa come 9Kg de chocolate

Leia mais

Estatística e Modelos Probabilísticos - COE241

Estatística e Modelos Probabilísticos - COE241 Estatística e Modelos Probabilísticos - COE241 Aula passada Algoritmo para simular uma fila Medidas de interesse Média amostral Aula de hoje Teorema do Limite Central Intervalo de Confiança Variância amostral

Leia mais

VERIFICAÇÃO DA ADEQUAÇÃO DO MODELO DE ANÁLISE DE VARIÂNCIA ANÁLISE DE RESÍDUOS

VERIFICAÇÃO DA ADEQUAÇÃO DO MODELO DE ANÁLISE DE VARIÂNCIA ANÁLISE DE RESÍDUOS VERIFICAÇÃO DA ADEQUAÇÃO DO MODELO DE ANÁLISE DE VARIÂNCIA ANÁLISE DE RESÍDUOS Conforme foi apresentado anteriormente, o modelo de análise de variância assume que as observações são independentes e normalmente

Leia mais

EXPERIMENTAÇÃO ZOOTÉCNICA. Profa. Dra. Amanda Liz Pacífico Manfrim Perticarrari

EXPERIMENTAÇÃO ZOOTÉCNICA. Profa. Dra. Amanda Liz Pacífico Manfrim Perticarrari EXPERIMENTAÇÃO ZOOTÉCNICA Profa. Dra. Amanda Liz Pacífico Manfrim Perticarrari amanda.perticarrari@unesp.br INTRODUÇÃO Um dos principais objetivos da estatística é a tomada de decisões a respeito da população,

Leia mais

4 Modelagem em Árvore

4 Modelagem em Árvore MODELAGEM EM ÁRVORE 39 4 Modelagem em Árvore 4.1 Introdução A modelagem por árvore de cenários é uma forma usual de representação de incertezas em problemas estocásticos multi-período [9, 14, 28, 42, 43].

Leia mais

Preparatório CEA. Módulo 6 Fundamentos de Estatística

Preparatório CEA. Módulo 6 Fundamentos de Estatística Preparatório CEA Módulo 6 Fundamentos de Estatística Medidas de posição central Média As medidas de posição central buscam representar uma série de dados. Por exemplo: em média na Suiça cada pessoa come

Leia mais

Distribuição T - Student. Prof. Herondino S. F.

Distribuição T - Student. Prof. Herondino S. F. Distribuição T - Student Prof. Herondino S. F. Distribuição T-Student A distribuição T de Student é uma distribuição de probabilidade estatística, publicada por um autor que se chamou de Student, pseudônimo

Leia mais

Tópicos em Gestão da Informação II

Tópicos em Gestão da Informação II Tópicos em Gestão da Informação II Aula 07 Inferência Estatística - Estimação Prof. Dalton Martins dmartins@gmail.com Gestão da Informação Faculdade de Informação e Comunicação Universidade Federal de

Leia mais

Análise de Sensibilidade

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

Leia mais

6 Avaliação por opções reais

6 Avaliação por opções reais 6 Avaliação por opções reais Para considerar as flexibilidades e incertezas do projeto que não são consideradas na Teoria Tradicional do VPL, uma nova análise do projeto deverá ser feita, complementar

Leia mais

EXPERIMENTAÇÃO ZOOTÉCNICA. Profa. Dra. Amanda Liz Pacífico Manfrim Perticarrari

EXPERIMENTAÇÃO ZOOTÉCNICA. Profa. Dra. Amanda Liz Pacífico Manfrim Perticarrari EXPERIMENTAÇÃO ZOOTÉCNICA Profa. Dra. Amanda Liz Pacífico Manfrim Perticarrari amanda@fcav.unesp.br INTRODUÇÃO Um dos principais objetivos da estatística é a tomada de decisões a respeito da população,

Leia mais

Árvores de Decisão. Uma árvore de decisão é composta pelos seguintes elementos (veja figura 1):

Árvores de Decisão. Uma árvore de decisão é composta pelos seguintes elementos (veja figura 1): Árvores de Decisão Árvores de decisão fornecem uma representação gráfica para um processo de decisão. Elas permitem mostrar quais são as possíveis consequências e os resultados esperados a partir de uma

Leia mais

FICHA DE REVISÕES Micro 1

FICHA DE REVISÕES Micro 1 FIH DE REVISÕES Micro 1 1) Monopólio Num determinado mercado, servido só por uma empresa, a procura de mercado desse bem é dada por Q D = 100 P +, em que P é o preço do bem e os gastos em publicidade efectuados

Leia mais

Métodos Computacionais em Física

Métodos Computacionais em Física Métodos Computacionais em Física Tatiana G. Rappoport tgrappoport@if.ufrj.br 2014-1 Integração usando o método da rejeição Queremos calcular a integral Definimos um retângulo de altura H que contenha a

Leia mais

Probabilidade. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo

Probabilidade. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Probabilidade Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução Experimento aleatório Definição Qualquer experimento cujo resultado

Leia mais

Passeios Aleatórios. 1 Introdução. 2 Passeio aleatório em uma dimensão. Paulo Matias. 11 de outubro de 2011

Passeios Aleatórios. 1 Introdução. 2 Passeio aleatório em uma dimensão. Paulo Matias. 11 de outubro de 2011 Passeios Aleatórios Paulo Matias 11 de outubro de 11 Resumo O passeio aleatório é um modelo muito conhecido em Mecânica Estatística, comumente identicável em diversos fenômenos da natureza. Este trabalho

Leia mais

INE 5118 Exercícios variáveis aleatórias Exemplo 1 - Uma fábrica produz recipientes de vidro. Existe uma probabilidade igual a 0,2 de produzir um

INE 5118 Exercícios variáveis aleatórias Exemplo 1 - Uma fábrica produz recipientes de vidro. Existe uma probabilidade igual a 0,2 de produzir um Exemplo 1 - Uma fábrica produz recipientes de vidro. Existe uma probabilidade igual a 0, de produzir um recipiente defeituoso. Antes que esses recipientes sejam estocados, eles são inspecionados e os defeituosos

Leia mais

Prof.Letícia Garcia Polac. 26 de setembro de 2017

Prof.Letícia Garcia Polac. 26 de setembro de 2017 Bioestatística Prof.Letícia Garcia Polac Universidade Federal de Uberlândia UFU-MG 26 de setembro de 2017 Sumário 1 2 Probabilidade Condicional e Independência Introdução Neste capítulo serão abordados

Leia mais

Prof. Adriano Mendonça Souza, Dr. Departamento de Estatística PPGEMQ / PPGEP - UFSM

Prof. Adriano Mendonça Souza, Dr. Departamento de Estatística PPGEMQ / PPGEP - UFSM Prof. Adriano Mendonça Souza, Dr. Departamento de Estatística PPGEMQ / PPGEP - UFSM Noções básicasb de Inferência Estatística descritiva inferencial População - Parâmetros desconhecidos (reais) Amostra

Leia mais

TESTE DE COMPARAÇÕES MÚLTIPLAS

TESTE DE COMPARAÇÕES MÚLTIPLAS TESTE DE COMPARAÇÕES MÚLTIPLAS Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 13 de dezembro de 2017 Pela análise de variância realizada no Exemplo 1 da aula

Leia mais

EXPERIMENTAÇÃO ZOOTÉCNICA. Profa. Dra. Amanda Liz Pacífico Manfrim Perticarrari

EXPERIMENTAÇÃO ZOOTÉCNICA. Profa. Dra. Amanda Liz Pacífico Manfrim Perticarrari EXPERIMENTAÇÃO ZOOTÉCNICA Profa. Dra. Amanda Liz Pacífico Manfrim Perticarrari amanda@fcav.unesp.br TESTES PARA COMPARAÇÃO DE MÉDIAS O teste F permite tirar conclusões muito gerais relacionadas com os

Leia mais

Prova Final de Matemática Prova 92 Época Especial 3.º Ciclo do Ensino Básico Critérios de Classificação. 9 Páginas

Prova Final de Matemática Prova 92 Época Especial 3.º Ciclo do Ensino Básico Critérios de Classificação. 9 Páginas Prova Final de Matemática Prova 9 Época Especial 3.º Ciclo do Ensino Básico 07 Decreto-Lei n.º 39/0, de 5 de julho Critérios de Classificação 9 Páginas Prova 9/E. Especial CC Página / 9 critérios gerais

Leia mais

Estratégia e análise no uso do VPL

Estratégia e análise no uso do VPL Estratégia e análise no uso do VPL Roberto Guena de Oliveira 19 de outubro de 2014 Roberto Guena de Oliveira VPL Estratégia e análise 19 de outubro de 2014 1 / 24 Potenciais fontes de VPL positivo (entre

Leia mais

Estratégia e análise no uso do VPL

Estratégia e análise no uso do VPL Estratégia e análise no uso do VPL Roberto Guena de Oliveira 19 de outubro de 2014 Roberto Guena de Oliveira VPL Estratégia e análise 19 de outubro de 2014 1 / 24 Potenciais fontes de VPL positivo (entre

Leia mais

Probabilidade. Definição de Probabilidade Principais Teoremas Probabilidades dos Espaços Amostrais Espaços Amostrais Equiprováveis.

Probabilidade. Definição de Probabilidade Principais Teoremas Probabilidades dos Espaços Amostrais Espaços Amostrais Equiprováveis. Probabilidade Definição de Probabilidade Principais Teoremas Probabilidades dos Espaços Amostrais Espaços Amostrais Equiprováveis Renata Souza Probabilidade É um conceito matemático que permite a quantificação

Leia mais

Estatística e Modelos Probabilísticos - COE241

Estatística e Modelos Probabilísticos - COE241 Estatística e Modelos Probabilísticos - COE241 Aula passada Para que serve a inferência estatística? Método dos Momentos Maximum Likehood Estimator (MLE) Teste de hipótese: definições Aula de hoje Teste

Leia mais

Prof.: Joni Fusinato

Prof.: Joni Fusinato Probabilidade Condicional Prof.: Joni Fusinato joni.fusinato@ifsc.edu.br jfusinato@gmail.com Probabilidade Condicional É a probabilidade de ocorrer um evento A sabendo-se que já ocorreu um evento B. Assim,

Leia mais

Coeficiente de determinação R 2 no modelo de regressão linear normal

Coeficiente de determinação R 2 no modelo de regressão linear normal Coeficiente de determinação R 2 no modelo de regressão linear normal Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 81531 990, Brasil email: lucambio@ufpr.br

Leia mais

Distribuição Amostral e Estimação Pontual de Parâmetros

Distribuição Amostral e Estimação Pontual de Parâmetros Roteiro Distribuição Amostral e Estimação Pontual de Parâmetros 1. Introdução 2. Teorema Central do Limite 3. Conceitos de Estimação Pontual 4. Métodos de Estimação Pontual 5. Referências Estatística Aplicada

Leia mais

GET00116 Fundamentos de Estatística Aplicada Lista de Exercícios de Revisão para a P1 Profa. Ana Maria Farias

GET00116 Fundamentos de Estatística Aplicada Lista de Exercícios de Revisão para a P1 Profa. Ana Maria Farias GET00116 Fundamentos de Estatística Aplicada Lista de Exercícios de Revisão para a P1 Profa. Ana Maria Farias CONTEXTO PARA AS QUESTÕES 1 a 3 Em um estudo sobre a pontualidade de empresas aéreas, coletaram-se

Leia mais

Decisões Sequenciais Árvores de Decisão

Decisões Sequenciais Árvores de Decisão Teoria da Decisão Decisão Uni-Objectivo Decisões Sequenciais Árvores de Decisão Árvores de Decisão Uma Árvore de Decisão é uma forma gráfica que se utiliza para representar um conjunto de decisões sequenciais,

Leia mais

CONHECIMENTOS ESPECÍFICOS

CONHECIMENTOS ESPECÍFICOS CONHECIMENTOS ESPECÍFICOS 2003 2004 2005 2006 2007 2008 2009 2010 X 39,0 39,5 39,5 39,0 39,5 41,5 42,0 42,0 Y 46,5 65,5 86,0 100,0 121,0 150,5 174,0 203,0 A tabela acima mostra as quantidades, em milhões

Leia mais

4.Aplicação. 4.1.O Projeto

4.Aplicação. 4.1.O Projeto 62 4.Aplicação 4.1.O Projeto O projeto em questão envolve uma empresa fabricante de soluções inovadoras de adesivos e selantes, que está oferecendo participação para um fundo de venture capital. Atualmente,

Leia mais

7 Estudo de Casos: Obtenção de uma Regra de Decisão Ótima por Aproximação com Algoritmos Genéticos

7 Estudo de Casos: Obtenção de uma Regra de Decisão Ótima por Aproximação com Algoritmos Genéticos 7 Estudo de Casos: Obtenção de uma Regra de Decisão Ótima por Aproximação com Algoritmos Genéticos 7.. Introdução Este capítulo analisa o problema de decisão de investimento num projeto sujeito a incertezas

Leia mais

Probabilidade. Experiências aleatórias

Probabilidade. Experiências aleatórias Probabilidade Experiências aleatórias 1 Experiências aleatórias Acontecimento: Qualquer colecção de resultados de uma experiência. Acontecimento elementar: Um resultado que não pode ser simplificado ou

Leia mais

Inferência Estatistica

Inferência Estatistica Inferência Estatistica Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Modelos e Inferência Um modelo é uma simplificação da realidade (e alguns

Leia mais

MATEMÁTICA MÓDULO 4 PROBABILIDADE

MATEMÁTICA MÓDULO 4 PROBABILIDADE PROBABILIDADE Consideremos um experimento com resultados imprevisíveis e mutuamente exclusivos, ou seja, cada repetição desse experimento é impossível prever com certeza qual o resultado que será obtido,

Leia mais

Exemplo (*) i SUBSISTEMA RESPONSÁVEL CÓDIGO DO PRODUTO DESCRIÇÃO DO PRODUTO. ETE - CSE-208 Classe: L.F.Perondi

Exemplo (*) i SUBSISTEMA RESPONSÁVEL CÓDIGO DO PRODUTO DESCRIÇÃO DO PRODUTO. ETE - CSE-208 Classe: L.F.Perondi Exemplo (*) i Suponha um contrato de R$5,55 milhões para construir um equipamento espacial. O contrato estipula as seguintes condições: - prazo: 40 semanas - multas por atraso: 40 < t

Leia mais

A Project is Not A Black Box

A Project is Not A Black Box A Project is Not A Black Box Análise de Projetos: Incerteza Análise de Sensibilidade Análise dos efeitos de mudanças em vendas, custos etc. no projeto. Análise de Cenários Análise de diferentes combinações

Leia mais

Valor presente líquido e orçamento de capital. Roberto Guena de Oliveira 5 de outubro de 2015

Valor presente líquido e orçamento de capital. Roberto Guena de Oliveira 5 de outubro de 2015 Valor presente líquido e orçamento de capital Roberto Guena de Oliveira 5 de outubro de 2015 Fluxos de caixa incrementais Fluxos de caixa incrementais Ao avaliar a viabilidade de um projeto, a empresa

Leia mais

PARTE TEÓRICA Perguntas de escolha múltipla

PARTE TEÓRICA Perguntas de escolha múltipla PROBABILIDADES E ESTATÍSTICA MIEEC/FEUP PARTE TEÓRICA Perguntas de escolha múltipla 1 Dada a experiência aleatória ε define-se espaço amostral associado a ε como sendo: A O espaço físico onde se realiza

Leia mais

Prova de Estatística

Prova de Estatística UNIVERSIDADE FEDERAL DO PARÁ CURSO DE MESTRADO EM ECONOMIA PROCESSO SELETIVO 2010 Prova de Estatística INSTRUÇÕES PARA A PROVA Leia atentamente as questões. A interpretação das questões faz parte da prova;

Leia mais