OTIMIZAÇÃO DE ATIVOS FINANCEIROS
|
|
- Juliana Dreer Caires
- 6 Há anos
- Visualizações:
Transcrição
1 OTIMIZAÇÃO DE ATIVOS FINANCEIROS Aluno: Tomás Gutierrez Orientador: Davi Valladão Introdução A Teoria Moderna do Portfólio surgiu diante da necessidade de métodos mais sofisticados para a mensuração do risco e otimização de carteiras de ativos, até então dominadas pela Teoria do Portfólio, apresentada originalmente por Harry Markowitz (1952). Esta fundamenta-se sobretudo na relação entre desvios do retorno do ativo e seu respectivo risco, baseando-se sobretudo em dois critérios: média e desvio-padrão. Todavia, tais métricas oferecem limitações na medição de risco, motivando o aparecimento de técnicas mais modernas. Diante da ineficácia do uso do desvio-padrão, por este ser uma medida de desvio da média, e não propriamente de risco, foi desenvolvida uma primeira métrica do risco de cauda, denominada V@R (Value-at-Risk), até hoje amplamente difundida e utilizada no mercado. Com a evolução dos estudos e pesquisas sobre o tema, uma nova métrica foi apresentada posteriormente, buscando reduzir as limitações impostas no V@R. Surge então uma evolução da primeira, tornando-se conhecida como CV@R (Conditional Value-at-Risk). Com a proposição das novas teorias de risco, uma consequência direta se refere ao mecanismo de resolução. Se antes, na Teoria do Portfólio, soluções analíticas eram utilizadas, as novas metodologias, V@R e CV@R, requerem solução numérica, mediante representação e solução por programação linear. Como consequência direta, o uso intensivo do computador se faz presente, com o desenvolvimento de linguagens de programação, softwares e pacotes voltados justamente para a análise quantitativa financeira. Atualmente, o tema de estudo sobre risco financeiro se mostra cada vez mais relevante no contexto global. Diante de crises, anomalias de mercado e outros fenômenos, a mensuração apropriada do risco de um ativo financeiro se mostra cada vez mais essencial na boa gestão de portfolios e carteiras. Objetivos Estudar e implementar modelos de seleção de carteira. A partir da utilização e análise, estabelecer novas intuições sobre a alocação de ativos no mercado financeiro brasileiro. Tal trabalho propõe, também, uma demonstração dos resultados de um modelo de otimização aplicado, seus limites e seus benefícios. Metodologia De forma simplificada, o problema proposto é: alocação de uma quantidade finita de recursos em ativos financeiros de forma a maximizar o retorno, minimizando seu risco financeiro associado. Para os fins de análise aqui realizados, limitamos também o conjunto de ativos financeiros passíveis de alocação de recursos. Uma das primeiras tentativas de resolução deste tipo de problema é associada aos estudos de Harry Markowitz que, em 1952, propôs um método de resolução baseado na relação entre a média e a variância dos ativos de um portfólio. Talvez o maior benefício de seu estudo, além de inaugurar um novo campo de estudo de forma mais concisa, foi a demonstração do conceito de diversificação do risco. Em seu artigo, Markowitz mostrou ser possível reduzir o risco
2 envolvido em uma carteira para valores inferiores aos riscos isolados de cada ativo em si. A partir daí, muitos pesquisadores se dedicaram e se dedicam ao tema da minimização do risco de uma carteira dado o nível de retorno requerido, ou, equivalentemente, maximização do retorno sujeito ao nível de risco tolerado. Além disso, Markowitz apresentou outro conceito fundamental para a análise de risco de um portfólio, a fronteira eficiente. Tal fronteira representa os pontos ótimos de alocação dado o nível de risco e de retornos obtidos. Em outras palavras, é o lugar geométrico de pontos ótimos no tocante ao retorno esperado (maximizado) sujeito ao risco estabelecido (minimizado). Na figura abaixo, a fronteira eficiente é a curva em negrito. Figura 1 Na figura acima, os pontos A e M são considerados pontos ótimos, pois dado o nível de risco, maximizam o retorno esperado. O ponto 1 não pode ser considerado um ponto ótimo pois para o mesmo nível de retorno observado, o ponto M oferece menor desvio padrão (métrica de risco considerada). Contudo, logo observou-se uma restrição na proposição de Markowitz; o uso isolado do desvio padrão como métrica de risco se mostra ineficiente. Diferentemente de uma medida de risco, o desvio padrão é uma medida de dispersão em relação à média de uma variável. Assim, novas abordagens foram apresentadas com o desenrolar dos anos. Antes de apresentar-se tais modelagens mais sofisticadas, faz-se necessária uma apresentação de conceitos úteis para o melhor entendimento do conteúdo abordado: Um funcional ρ: X R é denominada medida de risco monetária se satisfaz as seguintes propriedades para todo X, Y X: Monotonicidade: Se X Y, então ρ(x) ρ(y) Invariância por translação: Se m R, então ρ(x+m) =ρ(x) m. Normalização: ρ 0 = 0.
3 Além disso, uma medida de risco ρ. é coerente se, somente se possui as seguintes propriedades: Considerando duas loterias X e Y: Subaditividade: ρ X + Y ρ X + ρ Y Homogeneidade positiva Se α > 0, então ρ αx = αρ X Proposto originalmente pela empresa do ramo financeiro J.P. Morgan, o Value-at-Risk busca quantificar o risco de cauda de uma carteira a partir do seguinte modelo matemático: V@R α (X) = inf z {z R P(X + z < 0) 1-α}, ou V@R α (X) = inf z {z R P(-X z) α} Para distribuições contínuas: V@R α (X)= Fx <= (1 α) De maneira intuitiva, pode ser interpretado como o menor aporte z tal que a probabilidade de prejuízo do projeto X, mais o aporte z, seja menor ou igual a 1 α, em que α (0, 1), é conhecido como nível de confiança, como valores típicos de 0.9, 0.95 e A seguir, as imagens apresentam uma visualização gráfica do V@R para um α qualquer em uma função F x (x) acumulada e, em seguida, para uma distribuição de probabilidade hipotética (contínua) com nível de confiança de 5%. Figura 2
4 Figura 3 É comum, porém, em casos práticos, que o fluxo financeiro associado a alguma opção de investimento seja considerado discreto, isto é, um número discreto de estados da natureza ou realizações do fluxo financeiro são considerados. Como consequência, a Função Distribuição Acumulada é discreta e, portanto, certo cuidado deve ser tomado para calcularmos o Value-at- Risk nesta situação. É possível que, para determinados valores do (1 α), a obtenção do VaRα gere confusão. Por isso, há um exemplo a seguir: Exemplo 1: Considere um investimento financeiro X em que existe 80% de probabilidade de um ganho de R$ 100 mil, 10% de probabilidade de uma perda de R$ 70 mil e 10% de probabilidade de perdas de R$ 100 mil. A árvore de decisão abaixo ilustra o contexto. Figura 14 A seguir, apresentaremos um procedimento para obter o Value-at-Risk associado a um fluxo financeiro discreto. Pela definição, basicamente, devemos concentrar os estados da natureza até obtermos um acúmulo de probabilidade estritamente maior que o Nível de Significância desejado. Assim, como exemplo, para (1 α) = 15%, temos que:
5 Tabela 1 Por conseguinte, o VaR 85% (X) = X(ω2) = R$ 70 mil. Note que o acúmulo de probabilidade deve ser feito adicionando o estado que gera o menor próximo valor para o fluxo financeiro. Desta forma, se invertermos a ordenação fazendo X(ω1) = R$ 70 mil e X(ω2) = R$100 mil, então, temos que a terceira linha da tabela acima terá o estado ω1 e não ω2 como apresentado. Novamente, vamos calcular o VaR 80%. Temos, então, Tabela 2 Analogamente, VaR 80% (X) = X(ω1) = R$100 mil. De maneira geral, a tabela abaixo faz uma relação entre o nível de significância (1 α) e o VaRα(X). Tabela 3 Seja (Ω,F,P) um espaço de probabilidade e X o conjunto de opções de investimentos representados por Variáveis Aleatórias. Para qualquer α (0, 1), ρ = VaRα é uma Métrica de Risco. Prova: Para demonstrarmos esta proposição, vamos verificar se a definição de Value at Risk satisfaz as condições de medidas de risco. 1. Monotonicidade: Se X Y, então ρ(x) ρ(y). Note que se X Y então FX FY Consequentemente, para um Nível de Significância fixo (1 α), VaRα(X) VaRα(Y). Assim, ρ(x) ρ(y). A figura a seguir ilustra este resultado.
6 Figura 2 2.Invariância a Translação: Para m R, então ρ(x + m) = ρ(x) m. Pela definição, temos que VaRα(X) VaRα(X + m) = m. Portanto, VaRα(X + m) = VaRα(X) m. A figura a seguir ilustra este resultado. Figura 3 3. Normalização: Para 0 X, ρ(0) = 0. Aplicando a definição, temos que: V@Rα(0) = min{z R P({ω Ω 0(ω) + z < 0}) 1 α} = min{z R P({ω Ω 0 + z < 0}) 1 α} = 0
7 O é uma medida de risco bastante difundida no mercado financeiro. Todavia é necessário ter atenção com as suas limitações: Em casos de ativos e/ou portfólio de ativos cuja distribuição possua caudas largas, o V@R demonstra-se inadequado. Em resumo, o V@R quantifica o menor valor tal que a probabilidade de prejuízo seja inferior ao nível de significância, mas nada nos informa sobre o quão ruim é o investimento nos piores casos, como pode ser verificado na figura abaixo: Figura 4 Outro problema associado à métrica de Value-at-Risk é a possível violação de um dos conceitos básicos da análise de investimento, apresentado por Markowitz, a diversificação. Em diversos casos, o Value-at-Risk de uma carteira de ativos é superior à soma do Value-at-Risk dos ativos individuais, isto é, o risco da carteira é maior que o acúmulo do risco individual. Esta violação vai de encontro ao conhecido Efeito Portfólio largamente estudado na literatura, citado anteriormente. Exemplo 2: Suponha dois possíveis investimentos X 1 e X 2 tais que suas realizações sejam independentes. O fluxo financeiro destes investimentos é: Equação 1 Obtendo o Value-at-Risk para um Nível de Significância (1 α) = 50%, em ambas as opções de investimento, temos que VaR 50% (X 1 ) = 1 e VaR 50% (X 2 ) = 5. Supõe-se agora uma carteira X com uma alocação igualitária. Assim, o fluxo financeiro da carteira pode ser escrito como: Equação 2
8 Portanto, o VaR 50% (X) = 4. Assim, temos que VaR 50% (X) = VaR 50% (X 1 + X 2 ) = 4 > 1 5 = VaR 50% (X1) + VaR 50% (X2). Assim, VaR 50% (X 1 +X 2 ) > VaR 50% (X2) + VaR 50% (X1), implicando que o risco da carteira é maior que o risco individual dos investimentos. Assim, apesar de portfólios diversificados possuírem vantagens sob portfólios não diversificados, o correspondente Value-at-Risk não reflete esta vantagem, sendo, portanto, um ponto negativo desta métrica. Outro ponto negativo do Value-at-Risk é o fato de esta métrica ser muito sensível à escolha do nível de significância, especialmente quando estamos em um contexto discreto. Exemplo 3: Suponha um investimento X com o seguinte fluxo financeiro: Equação 3 O Value-at-Risk a um Nível de Significância de 50% é 1. Contudo, para um nível de significância de 49,9%, o Value-at-Risk é 1. O fato de esta métrica ser descontínua com relação ao nível de significância implica que uma leve alteração neste nível pode resultar em uma significante alteração na quantificação de risco do investimento. Uma crítica final feita à métrica Value-at-Risk está associada à sua formulação como um problema de otimização. A formulação de problemas de decisão baseados na minimização desta métrica (quanto menor o risco, melhor!) é realizada sob o contexto de programação matemática não linear e costumam ser bastante complexos. Consequentemente, não há registros na literatura de algoritmos eficientes para resolver estes problemas para um caso geral, sendo a formulação de boas metodologias de solução dependentes caso-a-caso. Como pode ser verificado, a métrica Value-at-Risk possui um conjunto de ineficiências. Diante de tais limitações, novas propostas de medidas foram apresentadas na literatura, com destaque para o Conditional Value-at-Risk, escolhido como referência no trabalho aqui apresentado. A métrica Conditional Value-at-Risk é um funcional CVaR N : X R definido como: CVaR N (X) = (z E[(z X)+ ] ), 1 α onde (x) V = máx{x, 0}, z = VaRα(X) e α (0, 1), assim como definido para o Value-at-Risk. Para o caso de distribuições contínuas, o Conditional Value-at-Risk pode ser definido como: CVaRα(X) = E[X X VaRα(X)], ou seja, o Conditional Value-at-Risk representa o Valor Esperado dos fluxos que são inferiores ao VaRα, isto é, inferiores ao quantil de (1-α) %. Na figura a seguir, há a representação da relação entre o Value-at-Risk e o Conditional Value-at-Risk para uma distribuição de probabilidade (contínua) hipotética e um Nível de Confiança (1-α) =5%.
9 Figura 7 Exemplo 4: Utilizando o mesmo exemplo dado para o cálculo do V@R pode-se extrair o CV@R conforme será demonstrado abaixo. Novamente analisa-se um investimento financeiro X tal que existe 80% de probabilidade de um ganho de 100 mil R$, 10% de probabilidade de uma perda de 70 mil R$ e 10% de probabilidade de perdas de 100 mil R$ cuja árvore de decisão está representada a seguir. Figura 5 Já se chegou a conclusão de que para α = 85%, o VaR 85%( X) = 70 mil R$. A partir deste valor e da primeira definição dada de CVaR, é possível calcular o CVaR 85% (X) e encontrar a seguinte tabela: Tabela 4 A partir desta tabela, podemos calcular o Conditional Value-at-Risk a um Nível de Significância de (1 α) = 15%. CVaR85%(X) = ( VaR85%(X) E VaR85% X)V ) 1 α = ( 70 p q=,qr,qs ( 70 X(ω)) V P({ω}) ) 0.15
10 = ( = 90 ) Para um nível de significância de (1-α) = 20%, recalcula-se: VaR wx% X = 100 mil R$ (resultado obtido através do exemplo 1) Tabela 5 Assim, CVaR wx% X = ( VaR wx% X E[( VaR wx%(x) X) V ] 1 α ) = (100 = ( 100 ω {ω1,ω2,ω3 } (100 X(ω) ) + P({ω}) = ) Ao contrário do Value-at-Risk, o Conditional Value-at-Risk não é descontínuo com relação a pequenas variações do nível de significância (1 α). Na figura a seguir, foi plotado a curva do CVaRα (X) e o VaRα(X) em função de α. Figura 6 Observe que, de fato, o CVaRα (X) não possui saltos como verificou-se no VaRα (X).
11 Esta propriedade é bastante interessante para mesurar risco, uma vez que uma leve alteração no nível de significância (1 α) não gera uma significante alteração na métrica de risco como acontecia com o VaRα. Além disso, o CVaRα (X) está sempre acima do VaRα (X). Resultados numéricos e análise Munido de tal base teórica, desenvolveu-se o estudo da alocação ótima no mercado financeiro brasileiro, com o uso de ferramentas computacionais de suporte. A partir de uma seleção de ativos específicos, e seus respectivos históricos em anos recentes (Jan/2005 a Jan/2015), implementou-se um modelo de programação estocástica de dois estágios buscando a maximização do retorno e minimização do risco, mensurado pelo CV@R. Tal modelo, exposto na imagem ao lado, requer como input apenas o risco tolerado, o retorno requerido e uma matriz de base de dados representando uma aproximação da distribuição de probabilidades do ativo. Como output, temos o percentual de alocação em cada ativo para o alcance do objetivo. No modelo, Z corresponde ao Value-at-Risk (V@R) no ótimo, y s = variável auxiliar para cada cenário que no ótimo é igual a (z Ri(s)*xi) +, x i = percentual ótimo alocado em cada empresa, R i = retorno em cada cenário, p s = probabilidade de cada cenário e γ= retorno requerido. Baseados em uma fonte de dados com os retornos mensais de 10 anos (01/01/2005 a 01/01/2015), aplicou-se o modelo seguidamente em uma estrutura de backtest (teste com dados passados). Como dados de entrada do modelo, temos a base de dados para uma janela temporal especificada, o nível de significância requerido, o retorno desejado e a riqueza disponível para a alocação. Tal riqueza, começando com o valor 1 (= 100%) era, então, reaplicada seguidamente ao modelo, atualizando a janela temporal, simulando o crescimento de uma carteira de investimentos orientada por tais equações, ao longo do tempo. Tal crescimento foi, então, comparado ao rendimento do índice Ibovespa, representativo do mercado financeiro brasileiro, para os períodos equivalentes. Faz-se importante ressaltar que o tamanho da janela utilizada como aproximação da distribuição de probabilidades influencia no tempo de rendimento do índice de comparação utilizado como referência. Por exemplo, ao usar um tamanho de janela igual a 12 observações, reduziu-se a base de dados em 1 ano para o backtest, sendo realizado então, nos 9 anos seguintes. Para um tamanho igual a 24, os 2 primeiros anos foram suprimidos e 8 utilizados em sequencia, e assim em diante, dado que a observação é mensal e 12 meses equivalem a 1 ano. A seleção de ativos se restringiu às ações das seguintes empresas (em parênteses, a respectiva identificação na listagem em bolsa): Vale ( VALE5.SA ), AmBev ( ABEV3.SA ), Petrobrás ( PETR4.SA ), Eletrobrás ( ELET3.SA ), Banco Bradesco ( BBDC3.SA ), Companhia Siderúrgica Nacional ( CSNA3.SA ), Embraer ( EMBR3.SA ), Gerdau ( GOAU4.SA ) e Banco do Brasil ( BBAS3.SA ). A frequência utilizada na coleta de dados foi mensal. Ao longo dos testes, variou-se o valor do parâmetro α (nível de significância), o valor do retorno requerido γ e do tamanho da janela temporal a ser considerada como base dos retornos. Mais detalhes sobre os valores utilizados e os respectivos resultados são fornecidos nas tabelas a seguir. Em cada tabela, está exposto o valor do retorno total obtido com o uso do modelo, para os parâmetros especificados. Em cada tabela, o uso de cores segue a seguinte lógica: quanto
12 mais intensa a cor verde (vermelha), maior (menor) o retorno, tomando como referência (cor branca) o retorno do Ibovespa para o mesmo período. Após tais tabelas, foi feito ainda um levantamento de algumas informações relevantes, agrupadas novamente de acordo com o tamanho da janela temporal considerada. Tamanho da janela: 12 observações; Ibovespa = 22.21% γ \" % % 22.01% 22.01% % % 30.09% 30.09% % % 40.87% 40.87% % % 49.55% 49.55% Tabela 6 Tamanho da janela: 24 observações; Ibovespa = 5.08% γ \" % % % % % % % % % % % -9.84% % % % 35.26% Tabela 7 Tamanho da janela: 36 observações; Ibovespa = % γ \" % % % 10.76% % 34.03% 50.12% 16.88% % % % 66.21% % % % % Tabela 8 Tamanho da janela: 48 observações; Ibovespa = 19.36% γ \" % 8.78% -9.25% 15.03% % % % % % % % % % % % % Tabela 9
13 Tamanho da janela: 12 observações Período 1/1/06 1/1/15 IBOVESPA Maior retorno Menor retorno Retornos >= IBOVESPA Retornos < IBOVESPA Média dos retornos 22.21% 49.55% % % Tabela 10 Tabela 11 Tamanho da janela: 24 observações Período 1/1/07 1/1/15 IBOVESPA Maior retorno Menor retorno Retornos >= IBOVESPA Retornos < IBOVESPA Média dos retornos 5.08% 35.26% % % Tamanho da janela: 36 observações Período 1/1/08 1/1/15 IBOVESPA % Maior retorno Menor retorno Retornos >= IBOVESPA Retornos < IBOVESPA Média dos retornos % % % Tabela 12 Tabela 13 Tamanho da janela: 48 observações Período 1/1/09 1/1/15 IBOVESPA 19.36% Maior retorno Menor retorno Retornos >= IBOVESPA Retornos < IBOVESPA Média dos retornos % % % Com base nos dados expostos, algumas suposições puderam ser levantadas. Mas antes, algumas considerações sobre eventuais fatores externos que podem ter influenciado o modelo: Os dados da janela de 48 observações não levam em conta a crise de 2008 no cálculo do retorno da Ibovespa, resultando em um retorno mais alto se comparado aos dados com menos observações (24 e 36 observações). É necessário, porém, ressaltar que a economia brasileira ainda se recupera de tamanho encolhimento, como pode ser evidenciado pelos dados imediatamente após o início da mesma (retorno negativo entre 2008 e 2015, exposto na janela de 36 observações). Já o primeiro período utilizado, de 2006 a 2015 não apresenta um retorno maior dado o período de alta entre 2005 e 2007, que, junto à estabilização pós-08 superpõe a queda acentuada no auge da crise. Com respeito ao modelo em si, algumas observações podem ser levantadas. Em geral, ao requerermos maior retorno, o modelo se torna mais seletivo, e propicia resultados melhores, embora nem sempre suficientes para se equiparar ao benchmark (taxa de referência). Já em relação ao parâmetro do nível de significância, nada pode ser dito, pois embora a maior parte dos dados aponte para uma relação inversa entre α e o retorno obtido, os dados com 48 observações contrariam essa hipótese. Ainda sobre o modelo, percebe-se resultados melhores à medida que a janela utilizada aumenta. Isso ocorre possivelmente porque com mais dados para a distribuição de probabilidade aproximada, melhor o resultado obtido. Dessa forma, expõe-se a melhoria no funcionamento do modelo com maior fonte de dados utilizada. Novamente sobre a fonte de dados, algumas considerações adicionais. A coleta de observações aqui realizada foi de caráter mensal, o que torna a base de dados menor. Retornos semanais, diários ou até mesmo intradiários possibilitariam o uso de uma janela temporal maior, e ao mesmo tempo, forneceriam uma aproximação mais fidedigna da distribuição de probabilidade dos ativos utilizados. Técnicas de aumento da frequência, conhecidas como high frequency possivelmente melhorariam a performance. Além disso, o uso dos retornos dos ativos de forma pura, sem nenhuma análise estatística prévia (séries temporais, etc.) piora a qualidade da previsão, por deixar de capturar possíveis tendências nos dados, por exemplo.
14 Dada a motivação do trabalho condicionada apenas à performance do modelo de otimização em dados puros, tal análise não foi feita. Pode-se observar, finalmente, a diversidade de resultados obtidos com a variação dos parâmetros. Desde excelentes respostas até péssimas condições finais, o modelo possuiu amplo alcance de cenários finais. E justamente a capacidade de prover excelentes resultados indica uma possível adaptação da metodologia para aprimorá-la. Conclusões O estudo possibilitou uma melhor compreensão dos modelos de otimização aplicados ao estudo de finanças. A métrica CV@R, mais avançada, se mostrou também mais consistente. Diante da simplicidade de implementação do modelo, uma atenção especial deve ser direcionada à matriz de retornos utilizada como input. O fornecimento de dados históricos simples não reflete eventuais tendências nos valores dos ativos. Uma alternativa que se mostra mais apropriada é o uso de modelagem dos dados a partir de estruturas de séries temporais, resultando em alocações mais eficientes dos ativos. Em especial, o uso de modelos que atribuem maior peso às observações mais recentes possibilita resultados melhores, por levarem em consideração a possível estrutura de tendência que o preço dos ativos está seguindo. Notadamente, o modelo utilizado requer ajustes como os sugeridos acima. O grau de dispersão de seus resultados é muito acentuado, e alguns cenários gerados implicam valores inconcebíveis na formulação de um modelo de gestão financeira. De forma geral, o modelo pode ser aplicado não só no mercado financeiro brasileiro, mas em qualquer outro, ressaltando a generalidade e aplicabilidade do estudo na área. Assim, o avanço teórico no campo de otimização e finanças se mostra essencial para o contínuo aprimoramento de modelos de seleção de carteira e alocação eficiente de recursos. Referências 1 JORION, Philippe Value at risk, Irwin Chicago, Pflug, G., Some results on Value-At-Risk and Conditional-Value-at-Risk in S. Uryasev Ed., Probabilistic Constrained Optimization: Methodology and Applications, Kluwer Academic, Norwell, MA, ARTZNER, Ph., F. Delbaen, J. M. Eber, e D. Heath, Coherent Measures of Risk, Mathematical Finance, 9, , 1999
5 MEDIDAS DE RISCO 5.1 INTRODUÇÃO
5 MEDIDAS DE RISCO 5.1 INTRODUÇÃO Neste capítulo, são apresentadas as medidas de risco usadas no setor elétrico e em finanças, analisando as propriedades da definição de medida de risco coerente [30].
Leia maisPESQUISA OPERACIONAL APLICADA A LOGÍSTICA
PESQUISA OPERACIONAL APLICADA A LOGÍSTICA Pós-Graduação em Logística e Supply Chain Valdick Sales 1 APRESENTAÇÃO Valdick sales Graduado em Ciência da Computação pela UFPE. Pós-Graduado em Redes e Banco
Leia maisPesquisa Operacional aplicada ao Planejamento e Controle da Produção e de Materiais Programação Linear
Pesquisa Operacional aplicada ao Planejamento e Controle da Produção e de Materiais Programação Linear Introdução à Pesquisa Operacional Origens militares Segunda guerra mundial Aplicada na alocação de
Leia maisModelagem do comportamento da variação do índice IBOVESPA através da metodologia de séries temporais
Modelagem do comportamento da variação do índice IBOVESPA através da metodologia de séries temporais João Eduardo da Silva Pereira (UFSM) jesp@smail.ufsm.br Tânia Maria Frighetto (UFSM) jesp@smail.ufsm.br
Leia mais3 Aprendizado por reforço
3 Aprendizado por reforço Aprendizado por reforço é um ramo estudado em estatística, psicologia, neurociência e ciência da computação. Atraiu o interesse de pesquisadores ligados a aprendizado de máquina
Leia maisPesquisa Operacional. Evanivaldo Castro Silva Júnior
Evanivaldo Castro Silva Júnior Conteúdo Fundamentos da Pesquisa Operacional. Modelos Lineares. Métodos de solução gráfica e algoritmo simplex. Aplicações de Programação Linear. Análise de Sensibilidade.
Leia maisNoções de Simulação. Ciências Contábeis - FEA - Noturno. 2 o Semestre MAE0219 (IME-USP) Noções de Simulação 2 o Semestre / 23
Noções de Simulação Ciências Contábeis - FEA - Noturno 2 o Semestre 2013 MAE0219 (IME-USP) Noções de Simulação 2 o Semestre 2013 1 / 23 Objetivos da Aula Sumário 1 Objetivos da Aula 2 Motivação 3 Geração
Leia maisVARIÁVEIS ALEATÓRIAS
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA VARIÁVEIS ALEATÓRIAS Joaquim H Vianna Neto Relatório Técnico RTE-03/013 Relatório Técnico Série Ensino Variáveis
Leia maisIntrodução Introdução
Introdução 15 1 Introdução O mercado de renda-fixa no Brasil tem apresentado um crescimento sem precedentes nos últimos anos. Parte desse movimento se deve a um ambiente econômico de relativa estabilidade,
Leia maisRESENHA DO ARTIGO TEORIA DE PORTFÓLIO: COMPOSIÇÃO ÓTIMA DE UMA CARTEIRA DE INVESTIMENTO.
RESENHA DO ARTIGO TEORIA DE PORTFÓLIO: COMPOSIÇÃO ÓTIMA DE UMA CARTEIRA DE INVESTIMENTO. RESUMO Natalia de Cassia Moreira Graduanda em Engenharia de Produção Faculdade de Ciências Sociais Aplicadas de
Leia maisModelos e Modelagem. Roteiro
Modelos e Modelagem Lupércio F. Bessegato PUC Minas IEC 2007 Roteiro 1. O processo de modelagem 2. Tipos de modelos 3. Modelos determinísticos e probabilísticos 4. Modelos interativos: 5. Modelagem e tomada
Leia maisGerenciamento de Risco
2010 Gerenciamento de Risco Nota Técnica 03 Diretoria de Investimentos Previ-Rio 09/2010 Nota técnica 03 Gerenciamento de Risco O gerenciamento de risco é um instrumento essencial para a otimização do
Leia mais1 O esquema de Alamouti: Diversidade na transmissão
1 O esquema de Alamouti: Diversidade na transmissão 1.1 O Caso de uma antena receptora A Figura?? mostra a representação em banda básica do esquema de Alamouti com diversidade na transmissão. O esquema
Leia maisCurso Profissional de Nível Secundário
Curso Profissional de Nível Secundário Técnico Auxiliar de Saúde 2 TAS Ano Letivo: 2014/2015 Matemática (200 horas) 11º Ano PLANIFICAÇÃO A LONGO PRAZO A7 Probabilidades Fenómenos aleatórios. 2 aulas Argumento
Leia mais7 Avaliação de Opções Reais Através do Método LSM
Avaliação de Opções Reais Através do Método LSM 88 7 Avaliação de Opções Reais Através do Método LSM Neste capítulo, iremos aplicar o método desenvolvido por Longstaff & Schwartz para a avaliação de opções
Leia maisUnidade III ESTATÍSTICA. Prof. Fernando Rodrigues
Unidade III ESTATÍSTICA Prof. Fernando Rodrigues Medidas de dispersão Estudamos na unidade anterior as medidas de tendência central, que fornecem importantes informações sobre uma sequência numérica. Entretanto,
Leia maisPrincípios de Modelagem Matemática Aula 09
Princípios de Modelagem Matemática Aula 09 Prof. José Geraldo DFM CEFET/MG 12 de maio de 2014 1 Modelos estatísticos e estimação de parâmetros A verificação de um modelo matemático demanda a realização
Leia maisMAT 461 Tópicos de Matemática II Aula 5: Resumo de Probabilidade
MAT 461 Tópicos de Matemática II Aula 5: Resumo de Probabilidade Edson de Faria Departamento de Matemática IME-USP 26 de Agosto, 2013 Probabilidade: uma Introdução / Aula 5 1 Variáveis aleatórias Definição
Leia maisAULA 01 Principais Conceitos em Econometria
1 AULA 01 Principais Conceitos em Econometria Ernesto F. L. Amaral 02 de março de 2010 Métodos Quantitativos de Avaliação de Políticas Públicas (DCP 030D) Fonte: Wooldridge, Jeffrey M. Introdução à econometria:
Leia maisRepresentação de Aversão a Risco no Planejamento da Operação e Formação do PLD. São Paulo Junho de 2016
Representação de Aversão a Risco no Planejamento da Operação e Formação do PLD São Paulo Junho de 2016 Agenda 1) Contextualização 2) Teoria e Conceitos Técnicas de Representação da Aversão a Risco (Mercado
Leia maisESTATÍSTICA Medidas de Síntese
2.3 - Medidas de Síntese Além das tabelas e gráficos um conjunto de dados referente a uma variável QUANTITATIVA pode ser resumido (apresentado) através de Medidas de Síntese, também chamadas de Medidas
Leia mais1. Process Portfolio Management
1. Process Portfolio Management Fevereiro, 2009 Artigo Principal Gestão de Portfólio de Processos Michael Rosemann Traduzido por Carlos Eduardo Fucci Em uma conversa recente, o gerente de BPM de uma das
Leia maisCálculo das Probabilidades e Estatística I
Cálculo das Probabilidades e Estatística I Prof a. Juliana Freitas Pires Departamento de Estatística Universidade Federal da Paraíba - UFPB juliana@de.ufpb.br Variáveis Aleatórias Ao descrever um espaço
Leia maisAlém disso, o modelo apresenta significativa correlação entre as variáveis independentes, o que pode ter contribuído para aumentar artificialmente o
82 5. CONCLUSÃO EVA é uma medida que avalia o desempenho das empresas em termos de geração de valor para os acionistas. Segundo O Byrne (1999), o objetivo básico do EVA é criar uma medida periódica de
Leia maisESCOLA SECUNDÁRIA DE LOUSADA
ESCOLA SECUNDÁRIA DE LOUSADA 2012 2013 PLANIFICAÇÃO DA DISCIPLINA DE MATEMÁTICA Curso Profissional de Técnico de Multimédia ELENCO MODULAR A7 Probabilidades 28 A6 Taxa de variação 36 A9 Funções de crescimento
Leia maisTP052-PESQUISA OPERACIONAL I Introdução. Prof. Volmir Wilhelm Curitiba, Paraná, Brasil
TP052-PESQUISA OPERACIONAL I Introdução Prof. Volmir Wilhelm Curitiba, Paraná, Brasil TP052-PESQUISA OPERACIONAL I Ementa Revisão de Álgebra Linear. Modelos de Programação Linear. O Método Simplex. O Problema
Leia maisProgramação Linear. MÉTODOS QUANTITATIVOS: ESTATÍSTICA E MATEMÁTICA APLICADAS De 30 de setembro a 13 de novembro de 2011 prof. Lori Viali, Dr.
Programação Linear São problemas complexos, muitas vezes de difícil solução e que envolvem significativas reduções de custos, melhorias de tempos de processos, ou uma melhor alocação de recursos em atividades.
Leia maisCE Estatística I
CE 002 - Estatística I Agronomia - Turma B Professor Walmes Marques Zeviani Laboratório de Estatística e Geoinformação Departamento de Estatística Universidade Federal do Paraná 1º semestre de 2012 Zeviani,
Leia maisINSTITUTO DE PREVIDÊNCIA DOS SERVIDORES MUNICIPAIS DE NANUQUE Fevereiro/2014 RELATÓRIO DE DESEMPENHO MENSAL Em atendimento a Resolução CMN 3.922/10 de acordo com os artigos: Art. 4º. Os responsáveis
Leia maisPor fim, deve-se mencionar o problema da geometria 2D complexa. Segundo a MFLE, as taxas de propagação das trincas por fadiga dependem
1 Introdução Este trabalho trata da simulação numérica, com verificação experimental, do processo de trincamento de componentes estruturais bi-dimensionais (2D) por fadiga sob cargas de amplitude variável.
Leia maisDesvendando o futuro: Matemática Computacional
Desvendando o futuro: Matemática Computacional L. Felipe Bueno lfelipebueno@gmail.com Universidade Federal de São Paulo (UNIFESP) São José dos Campos 11/03/15 Resumo O que é Matemática Computacional Habilidades
Leia maisVariáveis Aleatórias. Prof. Tarciana Liberal Departamento de Estatística - UFPB
Variáveis Aleatórias Prof. Tarciana Liberal Departamento de Estatística - UFPB Introdução Ao descrever o espaço amostral de um experimento aleatório, não especificamos que um resultado individual seja
Leia maisMAT 461 Tópicos de Matemática II Aula 8: Resumo de Probabilidade
MAT 461 Tópicos de Matemática II Aula 8: Resumo de Probabilidade Edson de Faria Departamento de Matemática IME-USP 28 de Agosto, 2013 Probabilidade: uma Introdução / Aula 8 1 Desigualdades de Markov e
Leia maisTeoria do consumidor. Propriedades do Conjunto Consumo,
Teoria do consumidor 1 Pedro Rafael Lopes Fernandes Qualquer modelo que vise explicar a escolha do consumidor é sustentado por quatro pilares. Estes são o conjunto consumo, o conjunto factível, a relação
Leia maisPESQUISA OPERACIONAL. UNIDADE 1 Introdução à Pesquisa Operacional. Prof. Me. Carlos Guimarães
PESQUISA OPERACIONAL UNIDADE 1 Introdução à Pesquisa Operacional Prof. Me. Carlos Guimarães Objetivo Introduzir o tema Pesquisa Operacional por meio da apresentação: Da sua origem; Das sociedades profissionais
Leia maisAmostragem Aleatória e Descrição de Dados - parte II
Amostragem Aleatória e Descrição de Dados - parte II 2012/02 1 Diagrama de Ramo e Folhas 2 3 4 5 Objetivos Ao final deste capítulo você deve ser capaz de: Construir e interpretar disposições gráficas dos
Leia maisMOQ-12: PROBABILIDADES E PROCESSOS ESTOCÁSTICOS. VA s e Distribuições
Motivação: MOQ-2: PROBABILIDADES E PROCESSOS ESTOCÁSTICOS VA s e Distribuições Definimos anteriormente Espaço de Probabilidades como sendo a tripla (W,, P(.)), em que, dado um eperimento, W representa
Leia maisMedidas de Dispersão ou variabilidade
Medidas de Dispersão ou variabilidade A média - ainda que considerada como um número que tem a faculdade de representar uma série de valores - não pode, por si mesma, destacar o grau de homogeneidade ou
Leia maisTeste de hipóteses para uma média populacional com variância conhecida e desconhecida
Teste de hipóteses para uma média populacional com variância conhecida e desconhecida Teste de hipóteses para uma média populacional com variância conhecida Tomando-se como exemplo os dados de recém-nascidos
Leia maisPROJETO E ANÁLISES DE EXPERIMENTOS (PAE) INTRODUÇÃO AOS MÉTODOS ESTATÍSTICOS EM ENGENHARIA
PROJETO E ANÁLISES DE EXPERIMENTOS (PAE) INTRODUÇÃO AOS MÉTODOS ESTATÍSTICOS EM ENGENHARIA VARIABILIDADE NA MEDIDA DE DADOS CIENTÍFICOS Se numa pesquisa, desenvolvimento de um processo ou produto, o valor
Leia maisPrincípios de Modelagem Matemática Aula 10
Princípios de Modelagem Matemática Aula 10 Prof. José Geraldo DFM CEFET/MG 19 de maio de 2014 1 Alguns resultados importantes em estatística A distribuição normal tem importante papel em estatística pois
Leia maisResolução de problemas com apenas restrições lineares de igualdade
Resolução de problemas com apenas restrições lineares de igualdade Marina Andretta ICMC-USP 14 de outubro de 2014 Marina Andretta (ICMC-USP) sme0212 - Otimização não-linear 14 de outubro de 2014 1 / 22
Leia maisEstudo heurístico de performance de estratégias de investimento simples baseadas na média móvel e desvio padrão no mercado ForEx
Estudo heurístico de performance de estratégias de investimento simples baseadas na média móvel e desvio padrão no mercado ForEx Lucas Roberto da Silva Centro de Automação, Gestão e Pesquisa em finanças
Leia maisétodos uméricos SOLUÇÃO NUMÉRICA DE EQUAÇÕES DIFERENCIAIS ORDINÁRIOAS Prof. Erivelton Geraldo Nepomuceno
étodos uméricos SOLUÇÃO NUMÉRICA DE EQUAÇÕES DIFERENCIAIS ORDINÁRIOAS Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA UNIVERSIDADE DE JOÃO DEL-REI PRÓ-REITORIA DE PESQUISA
Leia maisTítulo do Projeto: ANÁLISE DA RENTABILIDADE DE UMA CARTEIRA DO SEGMENTO IMOBILIÁRIO, APLICANDO AS TEORIAS DE MARKOWITZ E SHARPE (2010 A 2016)
Título do Projeto: ANÁLISE DA RENTABILIDADE DE UMA CARTEIRA DO SEGMENTO IMOBILIÁRIO, APLICANDO AS TEORIAS DE MARKOWITZ E SHARPE (2010 A 2016) Área de Conhecimento - Grande área: Ciências Sociais Aplicadas
Leia maisAdilson Cunha Rusteiko
Janeiro, 2015 Estatística , A Estatística Estatística: É a parte da matemática aplicada que fornece métodos para coleta, organização, descrição, análise e interpretação
Leia maisAlgoritmos Genéticos. Estéfane G. M. de Lacerda DCA/UFRN Outubro/2008
Estéfane G. M. de Lacerda DCA/UFRN Outubro/2008 Introdução São técnicas de busca e otimização. É a metáfora da teoria da evolução das espécies iniciada pelo Fisiologista e Naturalista inglês Charles Darwin.
Leia maisFACULDADE DE TECNOLOGIA DE GUARATINGUETÁ
FACULDADE DE TECNOLOGIA DE GUARATINGUETÁ ESTATÍSTICA II Nota de aula 1 Prof. MSc. Herivelto T Marcondes dos Santos Fevereiro /2009 1 Modelos de probabilidade 1.1 Variável aleatória Definição: Sejam ε um
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Esperança e Variância Variáveis Contínuas 10/13 1 / 1 Esperança Definição 2.1:(Valor Esperado
Leia maisUnidade I ESTATÍSTICA. Prof. Celso Ribeiro Campos
Unidade I ESTATÍSTICA Prof. Celso Ribeiro Campos Visão geral da estatística Estatística: Conjunto de métodos e processos destinados a permitir o entendimento de um universo submetido a certas condições
Leia maisAnálise de séries temporais financeiras
Séries Temporais Financeiras Aula -1 Análise de séries temporais financeiras Em princípio, não haveria diferenças entre a análise de séries temporais financeiras e aquelas ocorrendo em outras áreas, como
Leia maisVariáveis Aleatórias. Prof. Luiz Medeiros Departamento de Estatística - UFPB
Variáveis Aleatórias Prof. Luiz Medeiros Departamento de Estatística - UFPB Introdução Ao descrever o espaço amostral de um experimento aleatório, não especificamos que um resultado individual seja um
Leia maisMODELOS ECONOMÉTRICOS PARA DADOS DE ALTA- FREQUENCIA: TEORIA E APLICAÇÕES
MODELOS ECONOMÉTRICOS PARA DADOS DE ALTA- FREQUENCIA: TEORIA E APLICAÇÕES Aluno: Thiago Portugal Frotté Orientador: Marcelo Cunha Medeiros Introdução Atualmente a previsão de eventos econômicos está em
Leia maisForecasting e ti O i Otim Oti ização de ã d Carteiras com Matlab AULA 3
Forecasting e Otimização i de Carteiras com Matlab AULA 3 Guia de Estudo para Aula 03 Modelos Discretos Exercícios - Formulação de um modelo - Programação de modelos com for - A simulação de um modelo
Leia maisCAPÍTULO 3 POPULAÇÃO E AMOSTRA
DEPARTAMENTO DE GEOCIÊNCIAS GCN 7901 ANÁLISE ESTATÍSTICA EM GEOCIÊNCIAS PROFESSOR: Dr. ALBERTO FRANKE CONTATO: alberto.franke@ufsc.br F: 3721 8595 CAPÍTULO 3 POPULAÇÃO E AMOSTRA As pesquisas de opinião
Leia maisDaniel Queiroz VARIÁVEIS ALEATÓRIAS DISCRETAS
Daniel Queiroz VARIÁVEIS ALEATÓRIAS DISCRETAS INTRODUÇÃO O que é uma variável aleatória? Um tipo de variável que depende do resultado aleatório de um experimento aleatório. Diz-se que um experimento é
Leia mais5 Modelagem da previsão de atenuação por chuvas em enlaces LEO
Modelagem da previsão de atenuação por chuvas em enlaces LEO Neste capítulo são apresentadas as aplicações das modelagens realizadas nos capítulos anteriores a previsão da atenuação por chuvas em enlaces
Leia maisEstatística e Matemática Aplicadas a Data Science. Diógenes Justo BM&FBOVESPA & Professor FIAP
Estatística e Matemática Aplicadas a Data Science Diógenes Justo BM&FBOVESPA & Professor FIAP Agenda Modelagem para Data Science (Matemática e Estatística) Detecção de Fraudes Forecast (financeiro) Conclusões
Leia maisLista de Exercícios 4
Introdução à Teoria de Probabilidade. Informática Biomédica. Departamento de Física e Matemática. USP-RP. Prof. Rafael A. Rosales 30 de maio de 2007. Lista de Exercícios 4 são difíceis, são bem mais difíceis.
Leia maisMétodos Estatísticos em Física Experimental
Métodos Estatísticos em Física Experimental Compilação de termos e definições gerais de metrologia. Os termos e definições apresentadas a seguir foram extraídos da 1ª edição brasileira do Guia para Expressão
Leia maisMODELO DE PROGRAMAÇÃO LINEAR INTEIRA MISTA PARA MINIMIZAÇÃO DOS ADIANTAMENTOS E ATRASOS EM FLOW SHOP COM SETUP DEPENDENDE DA SEQUÊNCIA
MODELO DE PROGRAMAÇÃO LINEAR INTEIRA MISTA PARA MINIMIZAÇÃO DOS ADIANTAMENTOS E ATRASOS EM FLOW SHOP COM SETUP DEPENDENDE DA SEQUÊNCIA Cristiano Marinho Vaz, cmv02@hotmail.com Vinícius Ferreira da Silva
Leia mais6.3 Valor Médio de uma Variável Aleatória
6. 3 V A L O R M É D I O D E U M A V A R I Á V E L A L E A T Ó R I A 135 1. Considere uma urna contendo três bolas vermelhas e cinco pretas. Retire três bolas, sem reposição, e defina a v.a. X igual ao
Leia maisPesquisa Operacional. Definição. Sumário 2/23/2016
Pesquisa Operacional Prof. Adriano Maranhão Apresentação (Professor) Site: www.resenhadevalor.com.br Graduado em Ciências da Computação UVA/2009 Pós-graduado em Engenharia de Software INTA/2010 DTI/Sobral
Leia mais1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3.
1 1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3. Modelo de Resultados Potenciais e Aleatorização (Cap. 2 e 3
Leia maisVariáveis Aleatórias Discretas e Distribuição de Probabilidade
Variáveis Aleatórias Discretas e Distribuição de Probabilidades - parte IV 2012/02 1 Distribuição Poisson Objetivos Ao final deste capítulo você deve ser capaz de: Ententer suposições para cada uma das
Leia maisUNIVERSIDADE FEDERAL DA PARAÍBA. Variáveis Aleatórias. Departamento de Estatística Luiz Medeiros
UNIVERSIDADE FEDERAL DA PARAÍBA Variáveis Aleatórias Departamento de Estatística Luiz Medeiros Introdução Como sabemos, características de interesse em diversas áreas estão sujeitas à variação; Essa variabilidade
Leia maisAjuste de mínimos quadrados
Capítulo 5 Ajuste de mínimos quadrados 5 Ajuste de mínimos quadrados polinomial No capítulo anterior estudamos como encontrar um polinômio de grau m que interpola um conjunto de n pontos {{x i, f i }}
Leia maisANÁLISE DOS RESÍDUOS. Na análise de regressão linear, assumimos que os erros E 1, E 2,, E n satisfazem os seguintes pressupostos:
ANÁLISE DOS RESÍDUOS Na análise de regressão linear, assumimos que os erros E 1, E 2,, E n satisfazem os seguintes pressupostos: seguem uma distribuição normal; têm média zero; têm variância σ 2 constante
Leia maisTratamento estatístico de observações
Tratamento estatístico de observações Prof. Dr. Carlos Aurélio Nadal OBSERVAÇÃO: é o valor obtido durante um processo de medição. DADO: é o resultado do tratamento de uma observação (por aplicação de uma
Leia maisVariáveis Aleatórias. Departamento de Matemática Escola Superior de Tecnologia de Viseu
Variáveis Aleatórias Departamento de Matemática Escola Superior de Tecnologia de Viseu Exemplo No lançamento de duas moedas ao ar, os resultados possíveis são: FF, FC, CF ou CC. No entanto, o nosso interesse
Leia maisPlanificação a médio e longo prazo. Matemática B. 11º Ano de escolaridade. Total de aulas previstas: 193. Ano letivo 2015/2016
Planificação a médio e longo prazo Matemática B 11º Ano de escolaridade. Total de aulas previstas: 193 Ano letivo 2015/2016 Professor responsável: Paulo Sousa I O programa Matemática B do 11º Ano - Página
Leia mais2. METODOLOGIA DE PESQUISA
2. METODOLOGIA DE PESQUISA O presente capítulo apresenta a metodologia de pesquisa proposta e procura-se dar uma visão geral do que será feito para atingir os objetivos. Está dividido em seis partes: i)
Leia maisSeja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma:
46 VALOR ESPERADO CONDICIONADO Seja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma: Variável contínua E + ( X Y
Leia mais4 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 maisMODELO DE GESTÃO DE ATIVOS E PASSIVOS PARA UM FUNDO DE PENSÃO
MODELO DE GESTÃO DE ATIVOS E PASSIVOS PARA UM FUNDO DE PENSÃO Aluno: Julia Romboli Tardin Costa Orientador: Davi Michel Valladão Introdução Este trabalho propõe uma metodologia para a gestão de ativos
Leia maisVariáveis Aleatórias Discretas e Distribuição de Probabilidade
Variáveis Aleatórias Discretas e Distribuição de Probabilidades - parte II 29 de Março de 2011 Distribuição Uniforme Discreta Média Propriedade da falta de memória Objetivos Ao final deste capítulo você
Leia maisRisco de Portfólios em Múltiplas Frequências
Risco de Portfólios em Múltiplas Frequências Joana Ramos FCUP 25 de Janeiro de 2013 Joana Ramos (FCUP) Risco de Portfólios em Múltiplas Frequências 25 de Janeiro de 2013 1 / 26 Abstract Portfolio risk
Leia maisAvaliação Quantitativa de Sistemas
Avaliação Quantitativa de Sistemas Contexto A Avaliação Quantitativa de Sistemas permite a avaliação de sistemas antes mesmo da sua implementação física. Dessa forma, é possível avaliar um sistema projetado
Leia maisSIMULAÇÃO DINÂMICA DE UM TREM COM TRÊS VAGÕES RESUMO
Mostra Nacional de Iniciação Científica e Tecnológica Interdisciplinar III MICTI Fórum Nacional de Iniciação Científica no Ensino Médio e Técnico - I FONAIC-EMT Camboriú, SC, 22, 23 e 24 de abril de 2009
Leia maisVariáveis Aleatórias. Esperança e Variância. Prof. Luiz Medeiros Departamento de Estatística - UFPB
Variáveis Aleatórias Esperança e Variância Prof. Luiz Medeiros Departamento de Estatística - UFPB ESPERANÇA E VARIÂNCIA Nos modelos matemáticos aleatórios parâmetros podem ser empregados para caracterizar
Leia maisRisco x Retorno. Fundamentos de Risco e Retorno: Fundamentos de Risco e Retorno. Risco de um Ativo Individual. Risco de uma Carteira de Ativos.
Risco x Retorno Fundamentos de Risco e Retorno. Risco de um Ativo Individual. Risco de uma Carteira de Ativos. Fundamentos de Risco e Retorno: Em administração e finanças, risco é a possibilidade de perda
Leia maisFunções Geradoras de Variáveis Aleatórias. Simulação Discreta de Sistemas - Prof. Paulo Freitas - UFSC/CTC/INE
Funções Geradoras de Variáveis Aleatórias 1 Funções Geradoras de Variáveis Aleatórias Nos programas de simulação existe um GNA e inúmeras outras funções matemáticas descritas como Funções Geradoras de
Leia maisMatriz de Referência da área de Matemática Ensino Fundamental
Matemática EF Matriz de Referência da área de Matemática Ensino Fundamental C1 Utilizar o conhecimento numérico para operar e construir argumentos ao interpretar situações que envolvam informações quantitativas.
Leia maisINTRODUÇÃO A ESTATISTICA PROF. RANILDO LOPES
INTRODUÇÃO A ESTATISTICA PROF. RANILDO LOPES DESCRIÇÃO DOS DADOS CONTÍNUOS Trazem informações que expressam a tendência central e a dispersão dos dados. Tendência Central: Média ( x ), Mediana ( Md ),
Leia maisUm modelo estocástico para o fluxo de caixa de um plano de previdência de um indivíduo 15
2 Simulação estocástica A simulação computacional consiste em empregar técnicas matemáticas em computadores com o propósito de gerar ensaios que tentam reproduzir de maneira análoga um processo ou operação
Leia maisObservamos no gráfico acima que não passa uma reta por todos os pontos. Com base nisso, podemos fazer as seguintes perguntas:
Título : B1 AJUSTE DE CURVAS Conteúdo : Em matemática e estatística aplicada existem muitas situações em que conhecemos uma tabela de pontos (x; y). Nessa tabela os valores de y são obtidos experimentalmente
Leia maisCoeficiente de Assimetria
Coeficiente de Assimetria Rinaldo Artes Insper Nesta etapa do curso estudaremos medidas associadas à forma de uma distribuição de dados, em particular, os coeficientes de assimetria e curtose. Tais medidas
Leia maisP. P. G. em Agricultura de Precisão DPADP0803: Geoestatística (Prof. Dr. Elódio Sebem)
Amostragem: Em pesquisas científicas, quando se deseja conhecer características de uma população, é comum se observar apenas uma amostra de seus elementos e, a partir dos resultados dessa amostra, obter
Leia mais4 Modelo da mistura de carvões
4 Modelo da mistura de carvões É imprescindível que se conheça com profundidade o problema a ser resolvido ou estudado e que se saiba com precisão quais são as variáveis, quais são os parâmetros e restrições
Leia maisTeoria dos Jogos Algorítmica Maximização de Lucros no Design de Mecanismos
Teoria dos Jogos Algorítmica Maximização de Lucros no Design de Mecanismos Luis Gustavo Rocha Vianna. Instituto de Matemática e Estatística IME Universidade de São Paulo USP Maximização de Lucros Design
Leia maisBolsas BIC CMAT Ano Lista das propostas
Bolsas BIC CMAT Ano 2017 Lista das propostas PROPOSTA BIC2017-A Modelos de regressão linear para evolução da função renal Orientador(es) Inês Sousa - isousa@math.uminho.pt Resumo Os modelos de regressão
Leia maisQuinta-feira, 11 de abril
15.053 Quinta-feira, 11 de abril Mais alguns exemplos de programação inteira Técnicas de planos de corte para obter melhores limitações Entregar: Observações de Aula 1 Exemplo: Localização do corpo de
Leia maisMétodos Estatísticos Básicos
Aula 1 - Conceitos introdutórios Departamento de Economia Universidade Federal de Pelotas (UFPel) Março de 2014 Importância da estatística na economia A economia, em geral, é uma ciência não-experimental.
Leia maisIntrodução. JOHN LINDAUER, Macroeconomics
Introdução A meta mais importante de um sistema econômico, que é a de produzir uma quantidade suficiente de bens e serviços, capaz de satisfazer integralmente às aspirações diversificadas e por vezes conflitantes
Leia maisAULAS 14 E 15 Modelo de regressão simples
1 AULAS 14 E 15 Modelo de regressão simples Ernesto F. L. Amaral 18 e 23 de outubro de 2012 Avaliação de Políticas Públicas (DCP 046) Fonte: Wooldridge, Jeffrey M. Introdução à econometria: uma abordagem
Leia maisAMOSTRAGEM. É a parte da Teoria Estatística que define os procedimentos para os planejamentos amostrais e as técnicas de estimação utilizadas.
AMOSTRAGEM É a parte da Teoria Estatística que define os procedimentos para os planejamentos amostrais e as técnicas de estimação utilizadas. Nos planejamentos amostrais, a coleta dos dados deve ser realizada
Leia maisMODELO DE DECISÃO PARA ESCOLHA DE PORTFOLIO DE INVESTIMENTOS
MODELO DE DECISÃO PARA ESCOLHA DE PORTFOLIO DE INVESTIMENTOS Rodrigo José Pires Ferreira UFPE Cx. Postal 7462, Recife PE, 50.630-970 rodrigo@ufpe.br Adiel Teixeira de Almeida Filho UFPE Cx. Postal 7462,
Leia maisMAE Introdução à Probabilidade e Estatística II Resolução Lista 5
MAE 229 - Introdução à Probabilidade e Estatística II Resolução Lista 5 Professor: Pedro Morettin e Profa. Chang Chian Exercício 1 (a) De uma forma geral, o desvio padrão é usado para medir a dispersão
Leia maisRisco de Carteira. O Desvio Padrão de uma carteira constituída por dois ativos (X e Y) pode ser obtido a partir de:
1 Risco de Carteira O risco de uma carteira depende não somente do risco de cada elemento que a compõe e de sua participação no investimento total, mas também da forma como seus componentes se relacionam
Leia mais