MODELOS DE ESCOLHA BINÁRIA
|
|
- Vanessa Bonilha Farias
- 8 Há anos
- Visualizações:
Transcrição
1 Econometria II, Lic. em Economia Luís Filipe Martins Dpt. de Métodos Quantitativos ISCTE - EG luis.martins@iscte.pt lfsm Lisboa, 24/0/2005 MODELOS DE ESCOLHA BINÁRIA Wooldridge 7.5,7 0. Introdução Ateoriaeconómica por vezes formaliza modelos que procuram explicar uma variável dependente que não é contínua e na qual pode existir truncagem no seu domínio. À custa de um conjunto de regressores, pode haver interesse em modelizar y i, variável contínua ou discreta, na qual o espaço probabilistico dominio em que a variável tem probabilidade não nula) é restrito ou truncado. Um exemplo é os gastos mensais na aquisição de viaturas em que se observa um conjunto de zeros para os individuos que não adquiriram um novo carro, y i {0} 0, ). Em outros modelos, a variável é discreta finita ou infinita) como por exemplo o número de carros que passam em n vias num dado periodo de tempo, y i {0,, 2,...}. Noutros casos, procura-se modelizar uma variável escolhanaqualaordemé importante. Por exemplo, y i =quandoosalário está entre0, 00], y i =2para00, 200],..., e assim sucessivamente. De entre muitas) outras tipologias salienta-se apenas mais uma: quando a variável dependente é de natureza qualitativa, não mensurável, e onde podem existir 2 ou mais atributos ou escolhas) diferentes - Modelos multinomiais ou de escolha múltipla. Nestes apontamentos, vamo-nos centrar na modelização de variáveis dependentes de natureza qualitativa, não mensurável, onde existem duas possibilidades e que é normalmente representada por uma variável Dummy, ou de escolha binária {0, }. Emvezdesertratadacomoregressor, suponha-se que se procura modelizar uma variável do tipo Dummy. Example y i = β + β 2 x i2 + β 3 x i3 + β 4 x i4 + u i, onde, se i revela interesse em comprar/mudar casa y i = 0, se i não revela interesse em comprar/mudar casa ; x i2 éorendimentoanual;x i3 é o estado marital e x i4 éonúmero de filhos. Osoutrosfactores/caracteristicas não observáveis estão no erro u i.
2 Example 2 y i = x0 i β + u i, onde o que se observa é, se i decide trabalhar trabalho) y i = 0, se i decide não trabalhar lazer) =, se a utilidade do trabalho y i énão negativa 0, se a utilidade do trabalho y i énegativa ; x i2 éonúmero de horas de trabalho oferecidas; x i3 éosalário oferecido ao individuo i;.... Note-se que, àcustadafunção indicador ), y i pode ser escrito em função da variável latente que não é observada) yi des)utilidade do trabalho, y i =yi 0) = x 0 + u i 0), ) onde yi = UtilT i Utili L, em que UtilT i é a utilidade que resulta da decisão de trabalhar e Utili L de lazer. Desta forma, e supondo que Utili T = x 0 i βt +u T i e Utili L = x 0 i βl +u L i, omodelooriginal yi = x0 i β + u i resulta de β = β T β L e u i = u T i u L i. Example 3 y i = x0 i β + u i, onde o que se observa para um dado banco) é y i = y i, se o individuo i contraiu um empréstimo 0, se o individuo i não contraiu um empréstimo ; yi é o montante de empréstimo contraídopeloindividuoi; x i2 é uma medida da capacidade de financiamento junto do banco; x i3 éaduração do empréstimo;.... Como se observa, y i nunca toma valores negativos: alguns são positivos e há umasérie de zeros. Para os individuos que não contrairam empréstimo supõe-se que não há informação yi pode ser interpretado como não observado para estes casos). Para o outro grupo de individuos observados), yi = y i. Por esta especificidade dos dados, este é um exemplo de censura censoring) àesquerdadezero na amostra. Neste tipo de regressões, o modelo édevariável dependente limitada. Éfácil de verificar que neste modelo, yi = x0 i β + u i y i =max0,yi )=y i,i=,...,n. 2) 0)y i Estes três exemplos ajudam a compreender a especificação geral de alguns) dos modelos de escolha binária e que serão alvo de estudo em seguida. 0.2 O Modelo Probabilistico Linear Tendo como base o MRLM com termo independente, o modelo probabilistico linear MPL) assume que y i = β + β 2 x i β k x ik + u i = x 0 + u i,i=,...,n y = Xβ + u, 3) 2
3 , se i A onde y i D i =,Aé um certo atributo que éobservável para a i ésima 0, se i/ A observação. Sob a hipótesedeexogeneidade, E y i x i )=x 0,i=,..., n E y X) =Xβ. 4) Porque a variável dependente y i apenas assume dois valores diferentes com probabilidade positiva, y i {0, }, o valor esperado condicional recta de regressão) tem uma interpretação muito próprianompl.defina-se P y i = x i )=p x i ) p i ; P y i =0 x i )= p i, 5) onde p depende dos regressores x, implicitamente, e a amostra éaleatória independente) e obtida da população de interesse. Então, E y i x i )=x 0 i β =.Py i = x i )+0.P y i =0 x i )=P y i = x i )=p i, 6) isto é, no MPL e nos modelos de escolha binária, em geral), o valor esperado condicional corresponde à probabilidade condicional a x) davariável dependente Dummy ser um atributo A). No exemplo, E y i x i )=β + β 2 x i2 + β 3 x i3 + β 4 x i4 é a probabilidade condicional a x i2,x i3,x i4 ) do individuo i revelar interesse em comprar/mudar casa. Como o MPL énaessência um MRLM, a análisedeinterpretação, estimação, inferência e previsão no MPL pode ser reportada à que foi feita quando se estudou o MRLM. Não pretendendo ser exaustiva, salientamos agora os aspectos mais importantes em termos destas questões. Devido a 6), β é a probabilidade de i ter o atributo A quando condicional a) todos os regressores têm o valor de zero. Por outro lado, β j,j =2,..., k, éavariação da probabilidade de i ter o atributo A quando o regressor x ij aumenta numa unidade, mantendo os outros regressores fixos ceteribus paribus). Em termos de previsão pontual, a análiseresultaimediatamentede6). Em termos de estimação e inferência a análise tambémé extremamentesimples. Paraalém de exogeneidade e independencia na amostra o que implica não autocorrelação dos erros) suponhase que não existe multicolinearidade perfeita no modelo 4). Aparte da questão da distribuição doserrosqueé fundamental nos outros modelos nestes apontamentos) porque se assume que existem muitas observações n grande - invocar os F)CLT e U)LLN), falta discutir a variância condicional dos erros ou de y). Deumaformasemelhantea6), sabe-se que V y i x i )=Ey 2 i x) [E y i x)] 2 = p i p 2 i = p i p i ), 7) que depende de x. Portanto, o MPL tem erros heterocedásticos e, como vimos no capítulo de heterocedasticidade, o OLS para 4) é consistente mas a inferência éerrónea e não éblue. QuerseuseoOLScomamatrizrobustadeWhiteouseuseoWLS,necessitamosapenasdep i se for conhecido ou de uma estimativa para p i se este não fôr conhecido ver a expressão 7)). Neste último caso, e como 6), pode-se usar bp i = by i = d E y i x i )=x 0 i b β,i=,..., n 8) 3
4 onde β b éoestimadorols. Apesar da sua simplicidade e de não impôr uma distribuição para os erros, o MPL tem inconvenientes em dois níveis. Primeiro, não é garantido que para todo x i,ey i x i )=P y i = x i ) [0, ]. Como o modelo é linear e mesmo que os declives parciais sejam baixos, para x i muito grande positivo ou negativo) P y i = x i )é negativa ou maior do que um! Por exemplo, a probabilidade do individuo i revelar interesse em comprar/mudar casa pode ser negativa para um rendimento anual nulo. Uma solução será truncaroespaço dos x 0 is no qual P y i = x i ) / [0, ] : Fixar como zero quando P y i = x i )=E y i x i ) < 0énegativoe como um quando P y i = x i )=E y i x i ) >. Em segundo lugar, no MPL assume-se que os declives parciais variações nas probabilidades) são os mesmos constantes) para diferentes x 0 i s : p i = Ey i x ij ) = β j, para todo x ij. Ora, é possível conceber um modelo na qual a variação da probabilidade de i ter o atributo A altera-se consoante o valor do regressor em causa. Por exemplo, a variação da probabilidade do individuo i revelar interesse em comprar/mudar casa pode ser maior para rendimentos altos do que para rendimentos baixos. Associado a estas duas questões, está ofactodequeavariação das probabilidades condicionais p i podersermaiordo que ou de! Devido a estes problemas, tem-se procurado utilizar especificações alternativas, nomeadamente os modelos Probit e Logit, para os quais se assume uma dada lei probabilistica para os erros. A ideia é a seguinte: Especificar E y i x i )=x 0 i β = P y i = x i )à custa de uma função que esteja limitada ao espaço [0, ] para todo x i e que não seja necessáriamente linear. A solução mais óbvia édefinir E y i x i )=P y i = x i )=F x 0, 9) em que F ) é uma função distribuição cdf monótona não decrescente e F : x 0 [0, ]). A diferença entre os modelos Probit e Logit é na função F ) : No Probit, F ) é a função distribuição da normal standard; no Logit é a logistica standard. 0.3 O Modelo Probit A função distribuição de uma variável aleatória normal standard N 0, ) é dada por F z) =Φ z) = Z z φ t) dt = Z z em que Φ z) é monótona crescente, declive não constante e Portanto, o modelo Probit em que 2π e 2 t2 dt, 0) Φ ) =0, Φ 0) = 0.5, Φ.96) = 0.975, Φ + ) =. ) y i = E y i x i )+u i,i=,..., n, 2) 4
5 onde a variável dependente y i é Dummy de escolha binária e observável, satisfaz Z 0 x E y i x i )=P y i = x i )=Φ x 0 i β = e 2 t2 dt. 3) 2π No modelo Probit, com variável latente não observável, em que se assume que os erros são distribuidos N 0, ), y i = x 0 i β + u i y i =yi 0),u i x i i.i.d.n 0, ) ; i =,..., n, 4) também temos que E y i x i )=P y i = x i )=Φ x 0. 5) Aexplicação é que, sendo o modelo estimável dado por se conclui que y i =x 0 + u i 0),u i x i i.i.d.n 0, ) ; i =,..., n, 6) P y i = x i )=P yi 0 x i )=P u i x 0 i β x i)= P u i x 0 i β x i) 7) = Φ x β 0 i = Φ x β 0 i. 8) Ao contrário do MPL, no modelo Probit e Logit) as variações das probabilidades não são iguais constante β j ) para todos os níveis dos regressores. No modelo Probit 5), P y i = x i,...,x ij..., x ik ) = E y i x i ) = β x j φ x 0 ; j =2,...,k 9) ij não é constante existe o termo φ) etemomesmosinaldeβ j. No modelo com termo independente, β, a interpretação para o mesmo é trivial. Note-se que para que os parâmetros do modelo 5) sejam identificados temos de impôr que a variância dos erros éconhecidaeiguala um e não um parâmetro µ adicional 2 para µ estimar). Isto porque se V u i )= 2, desconhecido, x 0 i então 5) era Φ β x 0 i que é igual a Φ cβ c,c>0 2. Neste caso, o modelo era o mesmo para qualquer combinação cβ,c),c>0. Claramente, o modelo 5) não é linear nos regressores e portanto não pode ser estimado por OLS/F)GLS. O método NLLS minimos quadrados não linear) ou GMM) pode ser utilizado mas não étão simples quanto o métododamáxima verosimilhança MLE). A função Identificação significa a possibilidade de estimar todos os parâmetros de uma forma independente uns dos outros. 2 Por definição, V u i) > 0eporissoc não pode ser negativo ou zero. 5
6 log-verosimilhança de y,..., y n ) 3, condicional a x,...,x n ), no modelo Probit é `n eβ = logl n eβ = = nx i= i= =logf Y,...,Y n y,...,y n ; β e =logπ n i=f Yi y i ; β e = µ log P y i x i ; β) e y i P y i x i ; β) e yi = nx i= nx y i log Φ x 0 e h + y i )log Φ x 0 e i. µ log Φ x 0 e yi h nx i= Φ log f Yi y i ; β e 20) x 0 e i yi O estimador de máxima verosimilhança MLE) é, por isso, bβ MLE =argmax`n eβ =argmax eβ eβ oscoreparaai ésima observação é `i,n eβ y i φ x 0 e β e = x 0 i Φ x 0 e x 0 i e a hessiana é eβ 0 `i,n `i,n eβ H i = β e β e = x i x 0 i Φ x 0 e 2 φ x 0 e h Φ nx i= = x i x 0 i x 0 i e β y i log Φ x 0 e h + y i )log Φ x 0 e i ; 2) y i ) φ Φ i V x 0 e φ x 0 e h = x 0 y i Φ x 0 e i i Φ x 0 e h Φ x 0 e i ; 22) x 0 i e β φ x 0 e Φ x 0 e h eu 2 i y i x i ; e β 2 Φ x 0 i e β Portanto, pode-se demostrar que à µ n bβmle β d N 0, E x x 0 φ 2 Φ Φ ) i h y i Φ x 0 e i 2 Φ x 0 e h Φ x 0 e i 23). 24)!, 25) onde φ = φ x β 0, Φ = Φ x β 0 eaondeavariância assimptótica pode ser consistentemente estimada por nx bφ 2 x i x 0 i i, 26) n bφ i bφ i i= onde φ b i = φ x 0 b MLE, bφ i = Φ x 0 b MLE. Ainferência no método MLE basea-se sobretudo também se pode fazer rácios-t e testes FeWaldcombaseem25)) naestatística LR likelihood ratio) que resulta da comparação 3 Com dados i.i.d.. 6
7 das verosimilhanças 20) entre dois modelos, o restrito sob H 0 )eonão restrito modelo original). Para uma dada hipótese nula, com q restrições, a estatística de teste e a sua distribuição assimptótica são h LR =2 `n bβur `n bβr i d χ 2 q. 27) O estimador MLE é naturalmente inconsistente se a distribuição dos erros não fôr a normal standard. O estudo de estimadores semiparamétricos) robustos à distribuição no modelo Probit; oestudoquandoerroseregressoresnão são independentes versus endogeneidade); ou quando os erros são heterocedásticos não são discutidos nestes apontamentos. 0.4 O Modelo Logit O modelo Logit assume uma expressão mais simples para a função distribuição dos erros. A cdf da logistica é muito semelhante àdanormalstandardetemaforma F z) = ez Λ z) = = +e z +e z ; 28) Λ ) = 0, Φ 0) = 0.5, Φ + ) =. 29) TantoparaomodeloLogitemqueavariável dependente y i é Dummy de escolha binária e observável como para o Logit com variável latente não observável, em que se assume que os erros são i.i.d. 0, ) standard logistica, Λz) z, Portanto, o que implica que E y i x i )=P y i = x i )=Λ x 0 = +e. 30) x0 i β P y i =0 x i )= P y i = x i )= 3) +e x0 i β µ P y i = x i ) P y i =0 x i ) = 0 ex i β x 0 P i β =log yi = x i ) P y i =0 x i ) é o logaritmo do rácio das probabilidades. Consequentemente, β =log µ P yi = x i2 =... = x ik =0) log ; β P y i =0 x i2 =... = x ik =0) j = P yi = x i ) P y i =0 x i ) 32),j =2,..., k. 33) Aanálise e estimação do modelo Logit 30) émuitosemelhanteàdomodeloprobitdasecção anterior. Aliás, na prática, as diferenças entre os resultados obtidos com os dois modelos são relativamente pequenas. Salienta-se que, no modelo Logit, P y i = x i,..., x ij..., x ik ) = E y i x i ) Λ z) = β j ; j =2,..., k 34) z 7
8 e que para o MLE, bβ MLE = argmax eβ nx i= y i log Λ x 0 e h + y i )log Λ x 0 e i, 35) Λz) 2 n bβmle β d N 0, E x x 0 z Λ Λ ). 36) 0.5 O Modelo Tobit Existem também modelos ver exemplo 3) para os quais a variável a modelizar yi não é necessáriamente observável para todo o conjunto da amostra. Por exemplo, o dominio da variável rendimentos - yi -podenão ser conhecido. Até um montante elevado por exemplo, 00), o nível de rendimentos é conhecido e registado mas para valores superiores a 00 não existe controlo informação) no seu registo e por isso todas essas observações são avaliadas como 00. Na amostra, num grupo de observações existe informação disponivel mas para uma parte da amostra esta assume um único valor limite. Se, por exemplo, o valor limite ézeroeacensura censoring) na amostra está àesquerdadezero,então existe uma fracção da amostra na qual todasasobservações são zero e a outra fracção são valores distintos) maiores que zero. O modelo Tobit, de variável dependente limitada e com variável latente yi, tem a especificação yi = x0 i β + u i y i =max0,yi )=y i,i=,...,n. 37) 0)y i Como se observa, a função densidade de y émista:emy =0é discreta e discontinua e para y>0é continua. A estimação MLE de 37) requer a imposição de uma distribuição para os erros u i. Supondo que estes são normalmente distribuidos, o modelo estimável é y i =x 0 + u i 0). x 0 + u i,u i x i i.i.d.n 0, 2 ; i =,..., n, 38) onde, ao contrário do Probit e Logit, E y i x i ) 6= P y i = x i )paratodox i, eemquesepode demonstrar que Ã! Ã! E y i x i )=E x 0 + u i.u i x 0 ) x i = x 0 x 0 i Φ β x 0 i + φ β x 0, 39) oqueimplicaqueoolsay i = x 0 i β + u i é inconsistente. A estimação MLE ou NLLS) é semelhante à apresentada para os modelos Probit e Logit mas a derivação das fórmulas é mais complicada, e por isso omitida nestes apontamentos. Endogeneidade e heterocedasticidade também não serão discutidas nestas páginas tal como nos Probit e Logit). A estimação MLE de 37) baseia-se na função log-verosimilhança à " à nx `n eβ, x e 0 = y i =0)log Φ e!# " à +y i > 0) log e e φ y i x 0 e!#! 40) e i= 8
9 porque 4 Ã! Ã! x 0 i P y i = 0 x i )= Φ β x 0 i ; P y i > 0 x i )=Φ β ; 4) Ã! f yi x i y i y i > 0,x i ) = φ u i )= φ y i x 0 i β. 42) Como E y i x i ) 6= P y i = x i ), não se pode interpretar e comparar com os Probit e Logit o valor de P y i= x i,...,x ij...,x ik ) 6= Ey i x i )! Sabe-se, no entanto, que para j =2,..., k, Ã Ã! Ã!! Ã! E y i x i ) x 0 i = β x j Φ β + x 0i ij β φ x 0 i β + φz) x 0 i = β z j Φ β ; 43) Ã P y i =0 x i,..., x ij..., x ik ) = β x j ij φ x 0 i β Ã! P y i > 0 x i,..., x ij..., x ik ) = β j φ x 0 i β! ; 44) ; 45) f yi x i y i y i > 0,x i,..., x ij..., x ik ) = β j 2 φz) z. 46) Note-se que β j é o efeito de x ij em yi enão em y i. Aestimação consistente destes termos pode ser feita àcustadeβ b MLE, b MLE desde que estes sejam estimados consistentemente. 0.6 Truncagem na Amostra por completar!) Missing observations: Por exemplo E y i y i > 0,x i ). Sample selection.... Aplicações...) Exercícios. Prove queµ se V u i )= 2, desconhecido, entãoomodeloprobité E y i x i )=P y i = x i )=Φ. x 0 i β 4 f yi x i y i y i > 0,x i )= f y i x i y i x i ) P y i >0 x i ) 9
10 2. Que modelo é mais adequado para explicar o tempo que um individuo demora até encontrar um emprego. Defina a amostra para este caso. Nota: Para algumas observações, o periodo da amostra termina antes de se encontrar um novo emprego!
COMENTÁRIO AFRM/RS 2012 ESTATÍSTICA Prof. Sérgio Altenfelder
Comentário Geral: Prova muito difícil, muito fora dos padrões das provas do TCE administração e Economia, praticamente só caiu teoria. Existem três questões (4, 45 e 47) que devem ser anuladas, por tratarem
Leia maisRegressão logística na identificação de factores de risco em acidentes automóveis e fraude de seguros.
Regressão logística na identificação de factores de risco em acidentes automóveis e fraude de seguros. José Luís Mourão Faculdade de Ciências Universidade do Porto 28 de Janeiro de 2013 José Luís Mourão
Leia maisECONOMETRIA EXERCÍCIOS DO CAPÍTULO 2
ECONOMETRIA EXERCÍCIOS DO CAPÍTULO 2 1. Exercício C7.8 de W (4th edition), apenas as alíneas i) a iv). 2. Exercício 7.7 de W. 3. Exercício C8.7 de W, com excepção da questão sobre WLS em ii). 4. Exercício
Leia maisAULAS 02 E 03 Modelo de Regressão Simples
1 AULAS 02 E 03 Modelo de Regressão Simples Ernesto F. L. Amaral 04 e 09 de março de 2010 Métodos Quantitativos de Avaliação de Políticas Públicas (DCP 030D) Fonte: Wooldridge, Jeffrey M. Introdução à
Leia maisCRM e Prospecção de Dados
CRM e Prospecção de Dados Marília Antunes aula de 11 de Maio 09 6 Modelos de regressão 6.1 Introdução No capítulo anterior foram apresentados alguns modelos preditivos em que a variável resposta (a variável
Leia maisAnálise de Regressão Linear Simples e Múltipla
Análise de Regressão Linear Simples e Múltipla Carla Henriques Departamento de Matemática Escola Superior de Tecnologia de Viseu Carla Henriques (DepMAT ESTV) Análise de Regres. Linear Simples e Múltipla
Leia maisCláudio Tadeu Cristino 1. Julho, 2014
Inferência Estatística Estimação Cláudio Tadeu Cristino 1 1 Universidade Federal de Pernambuco, Recife, Brasil Mestrado em Nutrição, Atividade Física e Plasticidade Fenotípica Julho, 2014 C.T.Cristino
Leia mais6 Construção de Cenários
6 Construção de Cenários Neste capítulo será mostrada a metodologia utilizada para mensuração dos parâmetros estocásticos (ou incertos) e construção dos cenários com respectivas probabilidades de ocorrência.
Leia maisCURSO ON-LINE PROFESSOR: VÍTOR MENEZES
Caríssimos. Recebi muitos e-mails pedindo ajuda com eventuais recursos para as provas do BACEN. Em raciocínio lógico, eu não vi possibilidade de recursos, apesar de achar que algumas questões tiveram o
Leia maisInstituto Superior de Economia e Gestão Universidade Técnica de Lisboa Econometria Época Normal 9/01/2013 Duração 2 horas
Instituto Superior de Economia e Gestão Universidade Técnica de Lisboa Econometria Época Normal 9/01/2013 Duração 2 horas NOME: Turma: Processo Espaço Reservado para Classificações A utilização do telemóvel
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 maisLogo, para estar entre os 1% mais caros, o preço do carro deve ser IGUAL OU SUPERIOR A:
MQI 00 ESTATÍSTICA PARA METROLOGIA - SEMESTRE 008.0 Teste 6/05/008 GABARITO PROBLEMA O preço de um certo carro usado é uma variável Normal com média R$ 5 mil e desvio padrão R$ 400,00. a) Você está interessado
Leia maisÍndice. 1. A educação e a teoria do capital humano...3. Grupo 7.2 - Módulo 7
GRUPO 7.2 MÓDULO 7 Índice 1. A educação e a teoria do capital humano...3 2 1. A EDUCAÇÃO E A TEORIA DO CAPITAL HUMANO Para Becker (1993), quando se emprega o termo capital, em geral, o associa à ideia
Leia maisIntrodução à análise de dados discretos
Exemplo 1: comparação de métodos de detecção de cárie Suponha que um pesquisador lhe apresente a seguinte tabela de contingência, resumindo os dados coletados por ele, oriundos de um determinado experimento:
Leia maisPÓS GRADUAÇÃO EM CIÊNCIAS DE FLORESTAS TROPICAIS-PG-CFT INSTITUTO NACIONAL DE PESQUISAS DA AMAZÔNIA-INPA. 09/abril de 2014
PÓS GRADUAÇÃO EM CIÊNCIAS DE FLORESTAS TROPICAIS-PG-CFT INSTITUTO NACIONAL DE PESQUISAS DA AMAZÔNIA-INPA 09/abril de 2014 Considerações Estatísticas para Planejamento e Publicação 1 Circularidade do Método
Leia maisUniversidade Nova de Lisboa FACULDADE DE ECONOMIA
Universidade Nova de Lisboa FACULDADE DE ECONOMIA Nome: Exame de Econometria I 1998/1999 (150 minutos) 5 de Fevereiro de 1999 Na folha existem espaços para apresentar as suas respostas. Defina todos os
Leia mais(b) Qual a probabilidade de ter sido transmitido um zero, sabendo que foi recebido um (1.0) zero?
Grupo I 5.0 valores 1. Um sistema de comunicação binária transmite zeros e uns com probabilidade 0.5 em qualquer dos casos. Devido ao ruído existente no canal de comunicação há erros na recepção: transmitido
Leia maisComplementos de Econometria. Licenciatura em Economia. ISCTE-IUL, Dep. de Economia MODELOS EM TIME SERIES (PARTE 2) Luís Filipe Martins
Complementos de Econometria Licenciatura em Economia ISCTE-IUL, Dep. de Economia MODELOS EM TIME SERIES (PARTE 2) Luís Filipe Martins luis.martins@iscte.pt http://iscte.pt/~lfsm Departamento de Métodos
Leia maisAnálise de regressão linear simples. Departamento de Matemática Escola Superior de Tecnologia de Viseu
Análise de regressão linear simples Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução A análise de regressão estuda o relacionamento entre uma variável chamada a variável dependente
Leia maisNotas sobre a Fórmula de Taylor e o estudo de extremos
Notas sobre a Fórmula de Taylor e o estudo de etremos O Teorema de Taylor estabelece que sob certas condições) uma função pode ser aproimada na proimidade de algum ponto dado) por um polinómio, de modo
Leia maisPisa 2012: O que os dados dizem sobre o Brasil
Pisa 2012: O que os dados dizem sobre o Brasil A OCDE (Organização para Cooperação e Desenvolvimento Econômico) divulgou nesta terça-feira os resultados do Programa Internacional de Avaliação de Alunos,
Leia maisAULAS 13, 14 E 15 Correlação e Regressão
1 AULAS 13, 14 E 15 Correlação e Regressão Ernesto F. L. Amaral 23, 28 e 30 de setembro de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Triola, Mario F. 2008. Introdução à estatística. 10 ª ed. Rio de
Leia maisUtilização do SOLVER do EXCEL
Utilização do SOLVER do EXCEL 1 Utilização do SOLVER do EXCEL José Fernando Oliveira DEEC FACULDADE DE ENGENHARIA DA UNIVERSIDADE DO PORTO MAIO 1998 Para ilustrar a utilização do Solver na resolução de
Leia maisMódulo 2 Custos de Oportunidade e Curva de Possibilidades de Produção
Módulo 2 Custos de Oportunidade e Curva de Possibilidades de Produção 2.1. Custo de Oportunidade Conforme vínhamos analisando, os recursos produtivos são escassos e as necessidades humanas ilimitadas,
Leia maisMacroeconometria 2. Mestrado em Economia Monetária e Financeira Mestrado em Economia. ISCTE-IUL, Dep. de Economia
1 Macroeconometria 2 Mestrado em Economia Monetária e Financeira Mestrado em Economia ISCTE-IUL, Dep. de Economia MODELOS DE HETEROCEDASTICIDADE CONDICIONADA Luís Filipe Martins luis.martins@iscte.pt http://iscte.pt/~lfsm
Leia maisExercícios Teóricos Resolvidos
Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Matemática Exercícios Teóricos Resolvidos O propósito deste texto é tentar mostrar aos alunos várias maneiras de raciocinar
Leia maisUM CONCEITO FUNDAMENTAL: PATRIMÔNIO LÍQUIDO FINANCEIRO. Prof. Alvaro Guimarães de Oliveira Rio, 07/09/2014.
UM CONCEITO FUNDAMENTAL: PATRIMÔNIO LÍQUIDO FINANCEIRO Prof. Alvaro Guimarães de Oliveira Rio, 07/09/2014. Tanto as pessoas físicas quanto as jurídicas têm patrimônio, que nada mais é do que o conjunto
Leia maisIntrodução ao estudo de equações diferenciais
Matemática (AP) - 2008/09 - Introdução ao estudo de equações diferenciais 77 Introdução ao estudo de equações diferenciais Introdução e de nição de equação diferencial Existe uma grande variedade de situações
Leia maisÍndice de Desenvolvimento Humano e desafios para Moçambique Carlos Nuno Castel-Branco carlos.castel-branco@iese.ac.mz
Índice de Desenvolvimento Humano e desafios para Moçambique Carlos Nuno Castel-Branco carlos.castel-branco@iese.ac.mz Departamento de Sociologia Faculdade de Letras e Ciências Sociais Universidade Eduardo
Leia mais7Testes de hipótese. Prof. Dr. Paulo Picchetti M.Sc. Erick Y. Mizuno. H 0 : 2,5 peças / hora
7Testes de hipótese Prof. Dr. Paulo Picchetti M.Sc. Erick Y. Mizuno COMENTÁRIOS INICIAIS Uma hipótese estatística é uma afirmativa a respeito de um parâmetro de uma distribuição de probabilidade. Por exemplo,
Leia maisI.3 Indução de Árvores de Decisão
I.3 Indução de Árvores de Decisão Nesta seção serão apresentados alguns conceitos básicos da técnica de indução de árvores de decisão a partir de um exemplo sobre o efeito dos raios solares sobre algumas
Leia maisAPLICAÇÕES DA DERIVADA
Notas de Aula: Aplicações das Derivadas APLICAÇÕES DA DERIVADA Vimos, na seção anterior, que a derivada de uma função pode ser interpretada como o coeficiente angular da reta tangente ao seu gráfico. Nesta,
Leia maisMétodos Matemáticos para Gestão da Informação
Métodos Matemáticos para Gestão da Informação Aula 05 Taxas de variação e função lineares III Dalton Martins dmartins@gmail.com Bacharelado em Gestão da Informação Faculdade de Informação e Comunicação
Leia maisAula 5 Técnicas para Estimação do Impacto
Aula 5 Técnicas para Estimação do Impacto A econometria é o laboratório dos economistas, que busca reproduzir o funcionamento do mundo de forma experimental, como se faz nas ciências naturais. Os modelos
Leia mais5 Análise prospectiva dos investimentos das EFPC
5 Análise prospectiva dos investimentos das EFPC Nesta seção serão apresentados os resultados encontrados para os diversos modelos estimados. No total foram estimados dezessete 1 modelos onde a variável
Leia maisSisDEA Home Windows Versão 1
ROTEIRO PARA CRIAÇÃO E ANÁLISE MODELO REGRESSÃO 1. COMO CRIAR UM MODELO NO SISDEA Ao iniciar o SisDEA Home, será apresentada a tela inicial de Bem Vindo ao SisDEA Windows. Selecione a opção Criar Novo
Leia maisModelos Logísticos e Hierárquicos
1 Modelos Logísticos e Hierárquicos Ernesto F. L. Amaral Magna M. Inácio 30 de setembro de 2010 Tópicos Especiais em Teoria e Análise Política: Problema de Desenho e Análise Empírica (DCP 859B4) REGRESSÃO
Leia maisa 1 x 1 +... + a n x n = b,
Sistemas Lineares Equações Lineares Vários problemas nas áreas científica, tecnológica e econômica são modelados por sistemas de equações lineares e requerem a solução destes no menor tempo possível Definição
Leia mais6 O Papel do BNDES e o Crédito Externo 6.1. O BNDES
6 O Papel do BNDES e o Crédito Externo 6.1. O BNDES Uma vez confiantes nos resultados encontrados em relação à influência dos juros sobre o investimento na economia, partimos para uma segunda fase do estudo.
Leia maisErros. Número Aproximado. Erros Absolutos erelativos. Erro Absoluto
Erros Nenhum resultado obtido através de cálculos eletrônicos ou métodos numéricos tem valor se não tivermos conhecimento e controle sobre os possíveis erros envolvidos no processo. A análise dos resultados
Leia maisModelos de gestão: eficiência, acessibilidade e clinical governance. Pedro Pita Barros
Modelos de gestão: eficiência, acessibilidade e clinical governance Pedro Pita Barros Agenda Introdução Desafios à gestão hospitalar Um aspecto concreto: acordos de partilha de risco com a indústria farmacêutica
Leia maisInvestimento Directo Estrangeiro e Salários em Portugal Pedro Silva Martins*
Investimento Directo Estrangeiro e Salários em Portugal Pedro Silva Martins* Os fluxos de Investimento Directo Estrangeiro (IDE) para Portugal tornaram-se uma componente importante da economia portuguesa
Leia mais2. Representação Numérica
2. Representação Numérica 2.1 Introdução A fim se realizarmos de maneira prática qualquer operação com números, nós precisamos representa-los em uma determinada base numérica. O que isso significa? Vamos
Leia maisRegressão Logística. Daniel Araújo Melo - dam2@cin.ufpe.br. Graduação
Regressão Logística Daniel Araújo Melo - dam2@cin.ufpe.br Graduação 1 Introdução Objetivo Encontrar o melhor modelo para descrever a relação entre variável de saída (variável dependente) e variáveis independentes
Leia maisO estudo de um indicador de comportamento do segurado brasileiro Francisco Galiza, Mestre em Economia (FGV)
O estudo de um indicador de comportamento do segurado brasileiro Francisco Galiza, Mestre em Economia (FGV) Este artigo tem por objetivo analisar as taxas de aversão ao risco em alguns ramos do mercado
Leia maisQualidade Custo/Bene?cio em Medicina Interna
Qualidade Custo/Bene?cio em Medicina Interna Pedro Pita Barros Faculdade de Economia Universidade Nova de Lisboa Qualidade Existem muitas definições de qualidade, cobrindo qualidade clínica e sapsfação
Leia mais5 CONCLUSÃO. 5.1. Resumo
70 5 CONCLUSÃO 5.1. Resumo Conforme visto no capítulo anterior, por meio das análises dos resultados da pesquisa de campo, realizadas no software SPSS 17.0 versão Windows, foram obtidas as funções de utilidade;
Leia mais4 Aplicação: Modelo LOGIT para Avaliar o Risco de Crédito
4 Aplicação: Modelo LOGIT para Avaliar o Risco de Crédito 4.1 Preparação de Dados Foi utilizada uma base de dados de 156 clientes que tiveram o vencimento de seus títulos compreendidos no período de abril
Leia maisipea A ESCOLARIDADE DOS PAIS E OS RETORNOS À EDUCAÇÃO NO MERCADO DE TRABALHO 1 INTRODUÇÃO 2 DADOS
A ESCOLARIDADE DOS PAIS E OS RETORNOS À EDUCAÇÃO NO MERCADO DE TRABALHO Lauro Ramos* Maurício Cortez Reis** 1 INTRODUÇÃO O conjunto de evidências empíricas apresentadas por Ferreira e Veloso (23) mostra
Leia maisProblemas de Valor Inicial para Equações Diferenciais Ordinárias
Problemas de Valor Inicial para Equações Diferenciais Ordinárias Carlos Balsa balsa@ipb.pt Departamento de Matemática Escola Superior de Tecnologia e Gestão de Bragança Matemática Aplicada - Mestrados
Leia maisVariáveis Instrumentais (auto-seleção em não-observáveis)
Variáveis Instrumentais (auto-seleção em não-observáveis) Como estimar o AT E quando Pr [T = 1jY (1) ; Y (0) ; X] 6= Pr [T = 1jX] = p (X) Na literatura econométrica, tem-se um problema equivalente: Y i
Leia maisContabilidade Básica
Contabilidade Básica 2. Por Humberto Lucena 2.1 Conceito O Patrimônio, sendo o objeto da Contabilidade, define-se como o conjunto formado pelos bens, pelos direitos e pelas obrigações pertencentes a uma
Leia maisMatemática Aplicada às Ciências Sociais
Prova de Exame Nacional de Matemática Aplicada às Ciências Sociais Prova 835 2011 10.º e 11.º Anos de Escolaridade Decreto-Lei n.º 74/2004, de 26 de Março Para: Direcção-Geral de Inovação e de Desenvolvimento
Leia maisPLANEJAMENTO EXPERIMENTAL
PLANEJAMENTO EXPERIMENTAL Técnicas de Pesquisas Experimentais LUIS HENRIQUE STOCCO MARCIO TENÓRIO SANDRA MARCHI Introdução O Planejamento de Experimentos (Design of Experiments, DoE), técnica utilizada
Leia maisO QUE É E COMO FUNCIONA O CREDIT SCORING PARTE I
O QUE É E COMO FUNCIONA O CREDIT SCORING PARTE I! A utilização de escores na avaliação de crédito! Como montar um plano de amostragem para o credit scoring?! Como escolher as variáveis no modelo de credit
Leia maisAula 4 Estatística Conceitos básicos
Aula 4 Estatística Conceitos básicos Plano de Aula Amostra e universo Média Variância / desvio-padrão / erro-padrão Intervalo de confiança Teste de hipótese Amostra e Universo A estatística nos ajuda a
Leia mais1. Os métodos Não-Paramétricos podem ser aplicados a uma ampla diversidade de situações, porque não exigem populações distribuídas normalmente.
TESTES NÃO - PARAMÉTRICOS As técnicas da Estatística Não-Paramétrica são, particularmente, adaptáveis aos dados das ciências do comportamento. A aplicação dessas técnicas não exige suposições quanto à
Leia maisUNIVERSIDADE LUSÍADA DE LISBOA. Programa da Unidade Curricular ECONOMETRIA Ano Lectivo 2015/2016
Programa da Unidade Curricular ECONOMETRIA Ano Lectivo 2015/2016 1. Unidade Orgânica Ciências da Economia e da Empresa (1º Ciclo) 2. Curso Economia 3. Ciclo de Estudos 1º 4. Unidade Curricular ECONOMETRIA
Leia maisUNIVERSIDADE FEDERAL DO PIAUÍ (UFPI) ENG. DE PRODUÇÃO PROBABILIDADE E ESTATÍSTICA 2
UNIVERSIDADE FEDERAL DO PIAUÍ (UFPI) ENG. DE PRODUÇÃO PROBABILIDADE E ESTATÍSTICA 2 LISTA N O 2 Prof.: William Morán Sem. I - 2011 1) Considere a seguinte função distribuição conjunta: 1 2 Y 0 0,7 0,0
Leia maisCRM e Prospecção de Dados
CRM e Prospecção de Dados Marília Antunes aula de 18 de Maio 09 6 Modelos de regressão (continuação) 6.1 Interpretação do modelo ajustado Os coeficientes do modelo de regressão múltipla podem ser interpretados
Leia maisINE 5111 Gabarito da Lista de Exercícios de Probabilidade INE 5111 LISTA DE EXERCÍCIOS DE PROBABILIDADE
INE 5 LISTA DE EERCÍCIOS DE PROBABILIDADE INE 5 Gabarito da Lista de Exercícios de Probabilidade ) Em um sistema de transmissão de dados existe uma probabilidade igual a 5 de um dado ser transmitido erroneamente.
Leia maisProjeções para a economia portuguesa: 2014-2016
Projeções para a Economia Portuguesa: 2014-2016 1 Projeções para a economia portuguesa: 2014-2016 As projeções para a economia portuguesa apontam para uma recuperação gradual da atividade ao longo do horizonte.
Leia mais2 Independência e dependência das taxas de juro
1 Incerteza e juro aleatório Considere-se o intervalo [0, n], o tempo medido em anos, e a partição [0, 1], (1, 2],..., (n 1, 1] e suponha-se que no início do ano t são aplicadas C t unidades de capital,
Leia maisCADEX. Consultoria em Logística Interna. Layout de armazém. Objectivos. Popularidade. Semelhança. Tamanho. Características
CADEX Consultoria em Logística Interna Layout de armazém fonte: Wikipédia O layout de armazém é a forma como as áreas de armazenagem de um armazém estão organizadas, de forma a utilizar todo o espaço existente
Leia maisδ kt X kt β αp kt +ωfies kt +λfies kt p kt +ǫ kt (7-1) U ikt = δ kt +ε ikt (7-2)
7 Forma Estrutural Nas seções anteriores, utilizamos uma abordagem em forma reduzida para investigar a existência de uma relação causal entre relaxamento de crédito estudantil e encargos escolares. Os
Leia maisEstabelecendo Prioridades para Advocacia
Estabelecendo Prioridades para Advocacia Tomando em consideração os limites de tempo e recursos dos implementadores, as ferramentas da série Straight to the Point (Directo ao Ponto), da Pathfinder International,
Leia maisTecido 1 2 3 4 5 6 7 A 36 26 31 38 28 20 37 B 39 27 35 42 31 39 22
Teste para diferença de médias Exemplo Dois tipos diferentes de tecido devem ser comparados. Uma máquina de testes Martindale pode comparar duas amostras ao mesmo tempo. O peso (em miligramas) para sete
Leia maisAnálise de Arredondamento em Ponto Flutuante
Capítulo 2 Análise de Arredondamento em Ponto Flutuante 2.1 Introdução Neste capítulo, chamamos atenção para o fato de que o conjunto dos números representáveis em qualquer máquina é finito, e portanto
Leia maisCAPÍTULO 11. Poupança, acumulação de capital e produto. Olivier Blanchard Pearson Education
Olivier Blanchard Pearson Education Poupança, acumulação de capital e CAPÍTULO 11 2006 Pearson Education Macroeconomics, 4/e Olivier Blanchard Poupança, Os efeitos da taxa de poupança a razão entre a poupança
Leia maisCAP. I ERROS EM CÁLCULO NUMÉRICO
CAP. I ERROS EM CÁLCULO NUMÉRICO 0. Introdução Por método numérico entende-se um método para calcular a solução de um problema realizando apenas uma sequência finita de operações aritméticas. A obtenção
Leia maisMódulo 1 Questões Básicas da Economia. 1.1. Conceito de Economia
Módulo 1 Questões Básicas da Economia 1.1. Conceito de Economia Todos nós temos uma série de necessidades. Precisamos comer, precisamos nos vestir, precisamos estudar, precisamos nos locomover, etc. Estas
Leia maisIntrodução a Avaliação de Desempenho
Introdução a Avaliação de Desempenho Avaliar é pronunciar-se sobre as características de um certo sistema. Dado um sistema real qualquer, uma avaliação deste sistema pode ser caracterizada por toda e qualquer
Leia maisUWU CONSULTING - SABE QUAL A MARGEM DE LUCRO DA SUA EMPRESA? 2
UWU CONSULTING - SABE QUAL A MARGEM DE LUCRO DA SUA EMPRESA? 2 Introdução SABE COM EXATIDÃO QUAL A MARGEM DE LUCRO DO SEU NEGÓCIO? Seja na fase de lançamento de um novo negócio, seja numa empresa já em
Leia maisAULAS 14, 15 E 16 Análise de Regressão Múltipla: Problemas Adicionais
1 AULAS 14, 15 E 16 Análise de Regressão Múltipla: Problemas Adicionais Ernesto F. L. Amaral 20 e 22 de abril e 04 de maio de 2010 Métodos Quantitativos de Avaliação de Políticas Públicas (DCP 030D) Fonte:
Leia maisProbabilidade. Distribuição Normal
Probabilidade Distribuição Normal Distribuição Normal Uma variável aleatória contínua tem uma distribuição normal se sua distribuição é: simétrica apresenta (num gráfico) forma de um sino Função Densidade
Leia mais29/Abril/2015 Aula 17
4/Abril/015 Aula 16 Princípio de Incerteza de Heisenberg. Probabilidade de encontrar uma partícula numa certa região. Posição média de uma partícula. Partícula numa caixa de potencial: funções de onda
Leia maisO que é a estatística?
Elementos de Estatística Prof. Dr. Clécio da Silva Ferreira Departamento de Estatística - UFJF O que é a estatística? Para muitos, a estatística não passa de conjuntos de tabelas de dados numéricos. Os
Leia maisCOMO CALCULAR A PERFORMANCE DOS FUNDOS DE INVESTIMENTOS - PARTE II
COMO CALCULAR A PERFORMANCE DOS FUNDOS DE INVESTIMENTOS - PARTE II O que é o Índice de Treynor? Índice de Treynor x Índice de Sharpe Restrições para as análises de Sharpe e Trynor A utilização do risco
Leia maisUNIVERSIDADE DE SÃO PAULO. Faculdade de Arquitetura e Urbanismo
UNIVERSIDADE DE SÃO PAULO Faculdade de Arquitetura e Urbanismo DISTRIBUIÇÃO AMOSTRAL ESTIMAÇÃO AUT 516 Estatística Aplicada a Arquitetura e Urbanismo 2 DISTRIBUIÇÃO AMOSTRAL Na aula anterior analisamos
Leia maisAula 5 - Matemática (Gestão e Marketing)
ISCTE, Escola de Gestão Aula 5 - Matemática (Gestão e Marketing) Diana Aldea Mendes 29 de Outubro de 2008 Espaços Vectoriais Definição (vector): Chama-se vector edesigna-sepor v um objecto matemático caracterizado
Leia maisCURSO ON-LINE PROFESSOR: VÍTOR MENEZES
Caros concurseiros, Como havia prometido, seguem comentários sobre a prova de estatística do ICMS RS. Em cada questão vou fazer breves comentários, bem como indicar eventual possibilidade de recurso. Não
Leia maisTAXA INTERNA DE RETORNO - IRR
TAXA INTERNA DE RETORNO - IRR A taxa interna de retorno é a taxa de juros (desconto) que iguala, em determinado momento do tempo, o valor presente das entradas (recebimentos) com o das saídas (pagamentos)
Leia mais1 - Conceituação e importância do estudo da matemática financeira
1 - Conceituação e importância do estudo da matemática financeira É o ramo da matemática que tem como objeto de estudo o comportamento do dinheiro ao longo do tempo. Avalia-se a maneira como este dinheiro
Leia maisIA: Problemas de Satisfação de Restrições. Prof. Msc. Ricardo Britto DIE-UFPI rbritto@ufpi.edu.br
IA: Problemas de Satisfação de Restrições Prof. Msc. Ricardo Britto DIE-UFPI rbritto@ufpi.edu.br Introdução Um PSR é definido por um conjunto de variáveis X 1, X 2,..., X n, e por um conjunto de restrições,
Leia maisEngenharia de Software II: Desenvolvendo o Orçamento do Projeto. Prof. Msc Ricardo Britto DIE-UFPI rbritto@ufpi.edu.br
Engenharia de Software II: Desenvolvendo o Orçamento do Projeto Prof. Msc Ricardo Britto DIE-UFPI rbritto@ufpi.edu.br Sumário Criação do Plano de Gerenciamento de Custos do Projeto Estimar os Custos Determinar
Leia maisESCOLA SECUNDÁRIA DE S. PEDRO DA COVA
ESCOLA SECUNDÁRIA DE S. PEDRO DA COVA INFORMAÇÃO PROVA DE EQUIVALÊNCIA À FREQUÊNCIA DE GEOGRAFIA PROVA 18/ 2015 -------------------------------------------------------------------------------------------------------------------
Leia maisDesempenho dos Aprovados no Vestibular da UFPA antes e após a Política de Cotas: Uma Aplicação de Regressão Quantílica
Desempenho dos Aprovados no Vestibular da UFPA antes e após a Política de Cotas: Uma Aplicação de Regressão Quantílica 1. Introdução Diogo Braga Mendes¹ Charlene de Carvalho Silva² Marinalva Cardoso Maciel³
Leia maisEC330 Tratamento da Informação
EC330 Tratamento da Informação Prof. Dr. Maurício U. Kleinke PECIM PPG em Ensino de Ciências e Matemática Grupo de Ensino e Avaliação DFA/IFGW/Unicamp Visão além do alcance: uma introdução à análise fatorial
Leia maisCURSO ON-LINE PROFESSOR GUILHERME NEVES
Olá pessoal! Neste ponto resolverei a prova de Matemática Financeira e Estatística para APOFP/SEFAZ-SP/FCC/2010 realizada no último final de semana. A prova foi enviada por um aluno e o tipo é 005. Os
Leia maisCorrelação e Regressão Linear
Correlação e Regressão Linear A medida de correlação é o tipo de medida que se usa quando se quer saber se duas variáveis possuem algum tipo de relação, de maneira que quando uma varia a outra varia também.
Leia maisRESULTADOS DE OUTUBRO DE 2013
1 RESULTADOS DE OUTUBRO DE 2013 Pesquisa realizada pelo Uni-FACEF em parceria com a Fe-Comércio mede o ICC (Índice de confiança do consumidor) e PEIC (Pesquisa de endividamento e inadimplência do consumidor)
Leia maisCurso CPA-10 Certificação ANBID Módulo 4 - Princípios de Investimento
Pág: 1/18 Curso CPA-10 Certificação ANBID Módulo 4 - Princípios de Investimento Pág: 2/18 Módulo 4 - Princípios de Investimento Neste módulo são apresentados os principais fatores para a análise de investimentos,
Leia maisAula 4 Conceitos Básicos de Estatística. Aula 4 Conceitos básicos de estatística
Aula 4 Conceitos Básicos de Estatística Aula 4 Conceitos básicos de estatística A Estatística é a ciência de aprendizagem a partir de dados. Trata-se de uma disciplina estratégica, que coleta, analisa
Leia maisAVALIAÇÃO DE IMPACTO NA PRÁTICA GLOSSÁRIO
1 AVALIAÇÃO DE IMPACTO NA PRÁTICA GLOSSÁRIO Amostra aleatória. Também conhecida como amostra probabilística. A melhor maneira de evitar uma amostra enviesada ou não-representativa é selecionar uma amostra
Leia maisCurso: Técnico de Informática Disciplina: Redes de Computadores. 1- Apresentação Binária
1- Apresentação Binária Os computadores funcionam e armazenam dados mediante a utilização de chaves eletrônicas que são LIGADAS ou DESLIGADAS. Os computadores só entendem e utilizam dados existentes neste
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 maisOlá pessoal! Sem mais delongas, vamos às questões.
Olá pessoal! Resolverei neste ponto a prova para AFRE/SC 2010 realizada pela FEPESE no último final de semana. Nosso curso teve um resultado muito positivo visto que das 15 questões, vimos 14 praticamente
Leia maisAritmética Binária e. Bernardo Nunes Gonçalves
Aritmética Binária e Complemento a Base Bernardo Nunes Gonçalves Sumário Soma e multiplicação binária Subtração e divisão binária Representação com sinal Sinal e magnitude Complemento a base. Adição binária
Leia maisRoteiro SENAC. Análise de Riscos. Planejamento do Gerenciamento de Riscos. Planejamento do Gerenciamento de Riscos
SENAC Pós-Graduação em Segurança da Informação: Análise de Riscos Parte 2 Leandro Loss, Dr. Eng. loss@gsigma.ufsc.br http://www.gsigma.ufsc.br/~loss Roteiro Introdução Conceitos básicos Riscos Tipos de
Leia maisO modelo ANOVA a dois factores, hierarquizados
O modelo ANOVA a dois factores, hierarquizados Juntando os pressupostos necessários à inferência, Modelo ANOVA a dois factores, hierarquizados Seja A o Factor dominante e B o Factor subordinado. Existem
Leia mais