( ) Estimação do valor em risco (VaR) de uma carteira de ativos através de método bayesiano. α, é definido como:
|
|
- Luzia Azevedo Domingues
- 6 Há anos
- Visualizações:
Transcrição
1 Estimação do valor em risco (VaR) de uma carteira de ativos através de método bayesiano Orlando V. Sampaio Jr. (POLI-USP) Celma de Oliveira Ribeiro (POLI-USP) André C. R. Martins (EACH-USP) Bruno C. Bergamasco (POLI-USP) Resumo: O trabalho propõe um modelo de análise do impacto da incerteza dos estimadores no cálculo do Valor em Risco paramétrico padrão através de técnicas de inferência bayesiana. A medida de risco estudada, o Valor em Risco, é bastante utilizada na prática de gestão financeira como um sinalizador para tomada de decisão, porém, por se tratar de uma medida de risco de mercado que depende de técnicas estatísticas de estimação que introduzem incertezas em seu cálculo, o tomador de decisão deve avaliar qual o impacto dessas incertezas no seu número de Valor em Risco. Palavras-chave: Valor em risco; Risco de mercado; Estimação bayesiana. 1. Introdução Intensamente na última década, uma fértil área de pesquisa tratando do problema de mensuração e controle de risco financeiro tem-se desenvolvido. O desafio dos pesquisadores e tomadores de decisão é encontrar medidas de risco capazes de quantificar apropriadamente o risco de determinada carteira de investimentos. Motivado por diversos desastres envolvendo derivativos, o Valor em Risco (VaR) surge no final dos anos noventa como alternativa de medida de risco. Em linguagem formal, o VaR pode ser definido como a pior perda esperada ao longo de determinado intervalo de tempo, sob condições normais de mercado e dentro de determinado nível de confiança. Ou seja, o VaR é um quantil da distribuição de probabilidade das perdas, sendo a função de perda dada pelo oposto do retorno da carteira (JORION, 1997). Conceitualmente, sua obtenção é simples, porém o VaR é um método de mensuração de risco, cuja determinação depende de técnicas estatísticas de estimação, o que introduz incertezas em seu cálculo. Dentro deste escopo, a proposta do trabalho é analisar o impacto da incerteza nos estimadores do VaR, através de estimativa bayesiana, visando avaliar a precisão do VaR paramétrico padrão. O foco do trabalho é o emprego de técnicas de inferência Bayesiana para a estimativa do Valor em Risco. 2. Valor em risco O Valor em Risco (VaR) foi definido por Acerbi e Tasche (2002) da seguinte forma. Sendo P uma medida de probabilidade associada a uma variável aleatória R que determina o retorno logarítmico de um ativo, o VaR, ao nível de confiança 1 α, é definido como: 1 α VaR R = Q ( R) em que, ( ) α { α} Q ( R) = inf w R P( R w) >. α 1
2 Com base estatística, o VaR fornece, em um único número, uma medida concisa do risco de mercado. O cálculo do VaR pode ser realizado por diferentes abordagens. O método da série histórica consiste no uso de estatísticas de ordem. O método paramétrico assume uma distribuição de probabilidade para o retorno dos ativos e calcula o VaR através desta distribuição. Já os métodos que utilizam técnicas computacionais intensivas, como bootstrapping e simulação de Monte Carlo, são baseados em séries históricas e pressupõem que o passado reflete de maneira adequada o que deverá ocorrer no futuro. Neste estudo será utilizado apenas o método paramétrico, já que é o que se utiliza mais intensivamente da estimação dos parâmetros das distribuições de probabilidades. 2.1 Método paramétrico No método paramétrico, assume-se que a variável aleatória R (retorno logarítmico do valor de um ativo) possui uma distribuição de probabilidades D( θ1, θ2,..., θ m ) onde θ1, θ2,..., θ m são parâmetros da distribuição. Os parâmetros da distribuição podem ser estimados através do conjunto de * observações R = { r... 1 r T }. Se D for aproximada por uma distribuição normal, os parâmetros a serem estimados são a média µ e a variância σ 2. Para o caso onde se está tratando com uma carteira de ativos, pode-se considerar que todos os ativos da carteira possuem distribuição normal. Neste caso, a variância da carteira é dada pela variância da soma de uma série de variáveis aleatórias com distribuição normal. 1 α Como o VaR, ao nível de confiança 1 α VaR R = Q ( R) e o retorno de uma carteira constituído por n ativos dado por VaR da carteira de ativos como α VaR R p ( ) =Φ ( α ) 1 1 é definido como ( ) R T a Σa, n = ar, pode-se escrever o p i i i= 1 assumindo que para horizontes de tempo pequenos a média dos retornos seja igual a zero, onde o vetor coluna a é a participação percentual de cada ativo na carteira, Σ é o matriz de covariâncias dos ativos e Φ -1 é a função densidade de probabilidade inversa da distribuição normal. α 3. Estimação de parâmetros Os parâmetros da distribuição dos retornos logarítmicos do valor de um ativo podem ser estimados através de diversos métodos, tanto da estatística clássica como da bayesiana. Como para o VaR assume-se a média da distribuição como zero, o parâmetro a ser estimado é somente a variância do ativo ou seu desvio-padrão e, para o caso de carteiras de ativos, a covariância ou correlação entre os ativos. 3.1 Estimadores clássicos Os estimadores clássicos para variância, desvio-padrão, covariância e correlação são amplamente conhecidos e utilizados para a caracterização de distribuições de probabilidade. Porém estes estimadores podem não funcionar muito bem para séries temporais. Mesmo 2
3 assim são amplamente utilizados no mercado financeiro com o objetivo de estimar os parâmetros de séries temporais. Outra classe de estimadores, com aplicação específica em séries temporais, são os * modelos de suavização exponencial. Dadas as observações R = { r... 1 r t} que constituem uma série temporal e α que é o fator multiplicativo, o estimador pelo modelo de suavização exponencial simples (SES ou EWMA Exponentially Weighted Moving Average) para a variância no instante t é dado por ˆ σ 2 ˆ 2 ( ) 2 t = ασt 1+ 1 α r t 1 (MORETTIN, 2004). O estimador da covariância entre dois ativos A e B é ˆ σ = ασˆ ˆ σ + 1 α r r. ( ) AB A, t 1 B, t 1 A, t 1 B, t Estimadores bayesianos Os estimadores bayesianos fornecem, a partir da informação previamente conhecida e dos dados disponíveis, uma distribuição de probabilidades para o valor dos parâmetros de uma distribuição. Desta forma, o parâmetro não possui um valor único, como no caso clássico, mas uma distribuição de probabilidades associada a ele. Sendo assim, para cada parâmetro tem-se um intervalo onde o parâmetro pode estar localizado, dado um grau de credibilidade. Para a distribuição de um ativo, normal, assume-se que a sua variância possui uma distribuição qui-quadrada inversa (LEE, 2004). No caso de uma carteira de ativos, deve-se estimar a matriz de covariâncias dos ativos. Assume-se que esta matriz possui uma distribuição de Wishart (ANDERSON, 1958). A estimação dos parâmetros de cada distribuição pode ser realizada de forma analítica para os casos de distribuições mais simples, como a qui-quadrada inversa ou de forma numérica para os casos de distribuições mais complexas. 4. Cálculo do VaR de uma carteira de dólar americano e índice Bovespa Para comparar o cálculo do VaR com os parâmetros das distribuições dos ativos pelo método bayesiano com os métodos clássicos foi escolhida uma carteira com dois ativos, o dólar americano à vista e o índice Bovespa à vista. A realização de operações com o índice Bovespa à vista não é possível, porém pode-se criar uma carteira de ações que replique este índice. O índice Bovespa foi utilizado como representativo do mercado acionário como um todo. A série histórica do dólar foi obtida no site do Banco Central do Brasil. Foi utilizado o valor do preço de venda médio, conhecido como PTAX. A série do índice Bovespa, para o qual utilizou-se o preço de fechamento, foi obtida no site da Bovespa. Foram coletados dados para o período de 1 ano, mais especificamente 2 de janeiro de 2005 a 30 de dezembro de Estimação dos parâmetros Os parâmetros das distribuições foram estimados utilizando-se as últimas 63 observações anteriores à data de cálculo do VaR da carteira, que foi 30 de dezembro de A utilização de um prazo relativamente curto em relação à serie de preços disponível tem como objetivo desprezar os fatos antigos do mercado, já que os preços refletem com mais intensidade os fatos mais recentes. 3
4 No caso do método EWMA, a importância dos fatos mais recentes já está representada no fator de suavização alfa (α). Por este motivo, poder-se-ia ter utilizado uma série mais longa para a estimação, porém foi utilizado o mesmo número de observações para equalizar a quantidade de informação disponível. Pode-se observar também que, caso fosse utilizada uma série mais longa, o peso de todos os dados anteriores representaria apenas 2,03% de informação suplementar. A estimação dos parâmetros pelos métodos clássicos foi realizada analiticamente. No caso da estimação bayesiana, os parâmetros foram estimados utilizando o programa WinBugs, que realiza a análise de modelos estatísticos através do método de Monte Carlo de cadeias de Markov (MCMC Markov Chain Monte Carlo) e fornece informações sobre os parâmetros desses modelos. Nos casos de estimação bayesiano procurou-se utilizar uma distribuição a priori não informativa, indicando a falta de informação anterior sobre os parâmetros ou a não-influência da informação anterior sobre a estimação. 4.2 Cálculo do VaR O VaR dos ativos no caso univariado, e da carteira no caso multivariado, foram calculados através da aplicação da expressão analítica de quantis para a distribuição normal, para os casos de estimação clássicos. Para os casos bayesianos, foi realizada a simulação através do método de Monte Carlo. Para a simulação do caso bayesiano multivariado foram geradas matrizes de covariância, distribuídas de acordo com as distribuições definidas para cada um dos casos. Utilizando-se cada matriz de covariância, foi gerado um valor de retorno para a carteira de acordo com uma distribuição multinormal. Foram gerados valores de retornos e o quantil de ordem 99% foi determinado pelo 9.900º valor em ordem decrescente. Todos os cálculos foram realizados para uma carteira contendo R$ em dólares americanos e a mesma quantia em índice Bovespa em 30 de dezembro de O valor do VaR tem um horizonte temporal de 1 dia útil, que é o horizonte mais utilizado para investimentos de alta liquidez, como os apresentados aqui. 4.3 Resultados Caso univariado As tabelas abaixo resumem os dados obtidos para o caso univariado. Tabela 1 Desvio padrão estimado por cada método Ativo Clássico EWMA Bayesiano USD % % % Ibovespa % % % Tabela 2 Valor em Risco calculado para cada método (R$) Ativo Clássico EWMA Bayesiano USD Ibovespa Pode-se observar que o VaR bayesiano possui um valor muito próximo ao clássico. Porém, a estimação bayesiana fornece não apenas valor para os parâmetros, mas uma 4
5 distribuição de probabilidades destes valores. Assim, o valor do VaR não é um número único, podendo cair dentro de uma faixa de valores. A tabela abaixo apresenta a análise realizada pelo programa WinBugs para os retornos dos ativos considerados. A coluna mean é a média da distribuição e os valores val2.5pc e val97.5pc são os quantis de ordem 2,5% e 97,5%. Isto significa que existe 95% de chance dos parâmetros estarem entre estes valores. Tabela 3 Resultado da estimação da variância realizada pelo WinBugs mean Sd MC_error Val2.5pc Median val97.5pc start sample sigma[1,1] 7.743E E E E E E sigma[2,2] 2.221E E E E E E Os parâmetros para o dólar e para o índice Bovespa individualmente são dados pelas linhas sigma[1,1] e sigma[2,2], respectivamente. Realizando o cálculo para o VaR máximo e mínimo no intervalo de credibilidade de 95%, chegamos a valores mínimo e máximo de R$ e R$ para o dólar e de R$ e R$ para o índice Bovespa. Estes resultados ocorrem porque a estimação geralmente é realizada para a esperança do parâmetro. Levando-se em conta a distribuição dos valores possíveis para este parâmetro, o VaR pode atingir valores bem mais elevados Caso multivariado No caso multivariado, existem outros parâmetros que devem ser estimado, que são as covariâncias entre os ativos. A tabela abaixo apresenta os valores estimados para as covariâncias, correlações e o VaR calculado para a carteira considerada. Tabela 4 Parâmetros estimados para a carteira USD x Ibovespa Dado Clássico EWMA Bayesiano (média) Covariância E E E-05 Correlação % % % VaR (R$) Pode-se observar que para um valor de investimento da carteira igual ao dobro do valor de investimento em cada ativo individualmente, o valor do VaR é bem inferior à soma do VaR individual dos ativos. Este efeito é devido à correlação entre os dois ativos ser negativa. Isto faz com que as variações negativas de um dos ativos sejam compensadas pelas variações positivas no outro, diminuindo o risco. No caso bayesiano na tabela acima, se está levando em conta apenas a média das distribuições dos parâmetros e não a distribuição como um todo. Porém, conforme apontado acima, os valores estimados para os parâmetros são a sua esperança. A tabela abaixo fornece os valores calculados pelo WinBugs para o intervalo de credibilidade de 95% da correlação entre os ativos. Tabela 5 Resultado da estimação da correlação realizada pelo WinBugs mean Sd MC_error val2.5pc median val97.5pc Start sample Ro[1,2] Pode-se observar pelos valores apontados nas colunas val2.5pc e val97.5pc que o intervalo de confiabilidade da correlação entre os ativos está entre % e %. Estes valores mostram que tanto se pode ter uma correlação negativa relativamente alta como uma muito baixa, próxima a zero. 5
6 O impacto dos intervalos de probabilidade tanto para a variância dos ativos como para a correlação entre eles foi avaliado através de um exercício de simulação através de técnicas de Monte Carlo, conforme explicado anteriormente. O valor encontrado para o quantil de ordem 99%, possível de ser comparado com os dados obtidos anteriormente, foi de R$ Na tabela abaixo o valor encontrado para a estimação bayesiana total é comparado com os métodos clássicos e com o valor utilizando a média bayesiana. Tabela 6 Comparação entre o VaR total bayesiano e outros métodos Método de Estimação VaR (R$) % Clássico % EWMA Clássico ,21% EWMA ,13% - Bayesiano (média) ,53% +23,29% Bayesiano (total) ,05% +84,12% Verifica-se que este valor é 47,05% superior ao VaR calculado pela estimação clássica e 84,12% superior ao estimado pelo EWMA, ficando próximo à soma dos valores individuais do VaR para cada ativo. Isto não indica, porém, que não exista correlação. Este resultado é causado tão somente pelo erro na estimação dos parâmetros das distribuições dos preços dos ativos. 5. Conclusão Os valores do VaR de carteiras encontrados pelos métodos clássicos fornecem números que representam a perda possível com um certo nível de confiança. Porém estes métodos consideram que os valores estimados para os parâmetros das distribuições dos retornos das carteiras são determinísticos, consistindo de um número exato. Foi mostrado através de estimação bayesiana que as perdas prováveis podem estar sendo subvalorizadas, já que os parâmetros estimados são valores médios de variáveis aleatórias que possuem uma determinada distribuição de probabilidades. Logo, um cálculo mais apurado do VaR deve levar em conta a distribuição de probabilidades dos parâmetros para que não hajam surpresas indesejáveis nas variações diárias dos investimentos. 6. Referências Bibliográficas ACERBI, C. & TASCHE, D. On the coherence of expected shortfall. Journal of Nanking and Finance, v. 26, n.7, p , ANDERSON, T.W. An Introduction to Multivariate Satatistical Analysis. New York: John Wiley & Sons, JORION, P. Value at Risk: the new benchmark for controlling derivatives risk. New York: McGraw Hill, LEE, P. M. Bayesian Statistics an introduction. 3 rd ed. London: Hodder Arnold, MORETTIN, P.A.; TOLOI, C.M.C. Análise de Séries Temporais. São Paulo, Edgard Blücher,
H11 GESTÃO DE RECURSOS LTDA.
H11 GESTÃO DE RECURSOS LTDA. Empresa: Documento: H11 Gestão de Recursos Ltda. Versão anterior: 30/09/2015 Atualização: 18/02/2016 Data Emissão / Revisão n.º revisão: 18/02/2016 ver. 2 Página: 2 Introdução:
Leia maisExercícios de programação
Exercícios de programação Estes exercícios serão propostos durante as aulas sobre o Mathematica. Caso você use outra linguagem para os exercícios e problemas do curso de estatística, resolva estes problemas,
Leia mais5 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 maisMetodologia de gestão de Risco de Mercado
Metodologia de gestão de Risco de Mercado Data Criação: Ago/11 Data última revisão: Jun/13 1 Sumário 1. Introdução... 3 2. Risco de mercado... 3 3. Métodos de gerenciamento de risco... 3 4. Controle de
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 maisProbabilidade e Estatística. Estimação de Parâmetros Intervalo de Confiança
Probabilidade e Estatística Prof. Dr. Narciso Gonçalves da Silva http://páginapessoal.utfpr.edu.br/ngsilva Estimação de Parâmetros Intervalo de Confiança Introdução A inferência estatística é o processo
Leia maisIntrodução ao Planejamento e Análise Estatística de Experimentos 1º Semestre de 2013 Capítulo 3 Introdução à Probabilidade e à Inferência Estatística
Introdução ao Planejamento e Análise Estatística de Experimentos Capítulo 3 Introdução à Probabilidade e à Inferência Estatística Introdução ao Planejamento e Análise Estatística de Experimentos Agora,
Leia maisA Metodologia de Box & Jenkins
A Metodologia de Box & Jenins Aula 03 Bueno, 0, Capítulo 3 Enders, 009, Capítulo Morettin e Toloi, 006, Capítulos 6 a 8 A Metodologia Box & Jenins Uma abordagem bastante utilizada para a construção de
Leia maisEstimação e Testes de Hipóteses
Estimação e Testes de Hipóteses 1 Estatísticas sticas e parâmetros Valores calculados por expressões matemáticas que resumem dados relativos a uma característica mensurável: Parâmetros: medidas numéricas
Leia maisDistribuição T - Student. Prof. Herondino S. F.
Distribuição T - Student Prof. Herondino S. F. Distribuição T-Student A distribuição T de Student é uma distribuição de probabilidade estatística, publicada por um autor que se chamou de Student, pseudônimo
Leia maisAula 2. ESTATÍSTICA E TEORIA DAS PROBABILIDADES Conceitos Básicos
Aula 2 ESTATÍSTICA E TEORIA DAS PROBABILIDADES Conceitos Básicos 1. DEFINIÇÕES FENÔMENO Toda modificação que se processa nos corpos pela ação de agentes físicos ou químicos. 2. Tudo o que pode ser percebido
Leia maisSumário. CAPÍTULO 1 Conceitos preliminares 1. CAPÍTULO 2 Descrição de dados: análise monovariada 47
CAPÍTULO 1 Conceitos preliminares 1 Introdução........................................................1 O que é estatística?.................................................. 4 Papel dos microcomputadores.........................................
Leia maisInferência Estatística:
Inferência Estatística: Amostragem Estatística Descritiva Cálculo de Probabilidade Inferência Estatística Estimação Teste de Hipótese Pontual Por Intervalo Conceitos básicos Estimação É um processo que
Leia maisIntrodução aos Proc. Estocásticos - ENG 430
Introdução aos Proc. Estocásticos - ENG 430 Fabrício Simões IFBA 16 de novembro de 2015 Fabrício Simões (IFBA) Introdução aos Proc. Estocásticos - ENG 430 16 de novembro de 2015 1 / 34 1 Motivação 2 Conceitos
Leia maisConceitos Básicos Teste t Teste F. Teste de Hipóteses. Joel M. Corrêa da Rosa
2011 O 1. Formular duas hipóteses sobre um valor que é desconhecido na população. 2. Fixar um nível de significância 3. Escolher a Estatística do Teste 4. Calcular o p-valor 5. Tomar a decisão mediante
Leia maisFernando Nogueira Simulação 1
Simulação a Eventos Discretos Fernando Nogueira Simulação Introdução Simulação não é uma técnica de otimização: estima-se medidas de performance de um sistema modelado. Modelos Contínuos X Modelos Discretos
Leia maisInferência Estatística: DEEST/UFOP Prof.: Spencer Barbosa da Silva
Inferência Estatística: Prof.: Spencer Barbosa da Silva Amostragem Estatística Descritiva Cálculo de Probabilidade Inferência Estatística Estimação Teste de Hipótese Pontual Por Intervalo Conceitos básicos
Leia maisMétodos Quantitativos para Ciência da Computação Experimental
Métodos Quantitativos para Ciência da Computação Experimental Revisão Virgílio A. F. Almeida Maio de 2008 Departamento de Ciência da Computação Universidade Federal de Minas Gerais FOCO do curso Revisão
Leia maisFilho, não é um bicho: chama-se Estatística!
Paulo Jorge Silveira Ferreira Filho, não é um bicho: chama-se Estatística! Estatística aplicada uma abordagem prática FICHA TÉCNICA EDIÇÃO: Paulo Ferreira TÍTULO: Filho, não é um bicho: chama-se Estatística!
Leia maisMOQ-13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ-13 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 e 16 Introdução à probabilidade (eventos,
Leia maisPrevisão da inflação do indicador IGP-M através de um modelo ARIMA
Previsão da inflação do indicador IGP-M através de um modelo ARIMA Mauricio Mattos Junho de 2014 Resumo Esse trabalho visa identificar um modelo ARIMA que seja efetivo na descrição e predição dos valores
Leia maisProcedimento Complementar para Validação de Métodos Analíticos e Bioanalíticos usando Análise de Regressão Linear
Procedimento Complementar para Validação de Métodos Analíticos e Bioanalíticos usando Análise de Regressão Linear Rogério Antonio de Oliveira 1 Chang Chiann 2 1 Introdução Atualmente, para obter o registro
Leia maisESTUDO DE CONFIABILIDADE DE MOTORES DIESEL DE CAMINHÕES FORA DE ESTRADA
ESTUDO DE CONFIABILIDADE DE MOTORES DIESEL DE CAMINHÕES FORA DE ESTRADA Adriano Gonçalves dos Santos Ribeiro 1 Gean Carlo Feliciano de Almeida 1 1 Introdução Uma grande empresa do ramo de exploração de
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 maisINTRODUÇÃO À INFERÊNCIA ESTATÍSTICA
UFPE - Universidade Federal de Pernambuco Departamento de Estatística Disciplina: ET-406 Estatística Econômica Professor: Waldemar A. de Santa Cruz Oliveira Júnior INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA Podemos
Leia maisEstimação parâmetros e teste de hipóteses. Prof. Dr. Alberto Franke (48)
Estimação parâmetros e teste de hipóteses Prof. Dr. Alberto Franke (48) 91471041 Intervalo de confiança para média É um intervalo em que haja probabilidade do verdadeiro valor desconhecido do parâmetro
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 maisESTATÍSTICA BAYESIANA
UNIVERSIDADE FEDERAL DE MINAS GERAIS INSTITUTO DE CIÊNCIAS EXATAS PET MATEMÁTICA Orientadora: Rosângela Helena Loschi ESTATÍSTICA BAYESIANA Marina Muniz de Queiroz INTRODUÇÃO A estatística clássica associa
Leia maisTécnicas Computacionais em Probabilidade e Estatística I. Aula I
Técnicas Computacionais em Probabilidade e Estatística I Aula I Chang Chiann MAE 5704- IME/USP 1º Sem/2008 1 Análise de Um conjunto de dados objetivo: tratamento de um conjunto de dados. uma amostra de
Leia maisModelo de regressão estável aplicado a econometria
Modelo de regressão estável aplicado a econometria financeira Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 81531 990, Brasil email: lucambio@ufpr.br 1 Objetivos
Leia maisDeterminação de medidas de posição a partir de dados agrupados
Determinação de medidas de posição a partir de dados agrupados Rinaldo Artes Em algumas situações, o acesso aos microdados de uma pesquisa é restrito ou tecnicamente difícil. Em seu lugar, são divulgados
Leia maisSUMÁRIO. Prefácio, Espaço amostrai, Definição de probabilidade, Probabilidades finitas dos espaços amostrais fin itos, 20
SUMÁRIO Prefácio, 1 3 1 CÁLCULO DAS PROBABILIDADES, 15 1.1 Introdução, 15 1.2 Caracterização de um experimento aleatório, 15 1.3 Espaço amostrai, 16 1.4 Evento, 17 1.5 Eventos mutuamente exclusivos, 17
Leia maisIntrodução ao Planejamento e Análise Estatística de Experimentos 1º Semestre de 2013 Capítulo 3 Introdução à Probabilidade e à Inferência Estatística
Introdução ao Planejamento e Análise Estatística de Capítulo 3 Introdução à Probabilidade e à Inferência Estatística INTERVALOS DE CONFIANÇA: Diferentes pesquisadores, selecionando amostras de uma mesma
Leia maisPrevisão de Séries Temporais utilizando Métodos Estatísticos
Previsão de Séries Temporais utilizando Métodos Estatísticos Elisângela Lopes de Faria (a) Marcelo Portes Albuquerque (a) Jorge Luis González Alfonso (b) Márcio Portes Albuquerque (a) José Thadeu Pinto
Leia maisAULA 02 Distribuição de Probabilidade Normal
1 AULA 02 Distribuição de Probabilidade Normal Ernesto F. L. Amaral 20 de agosto de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario
Leia maisMetodologia de simulação
Metodologia de simulação OBJETIVOS E DEFINIÇÃO DO SISTEMA FORMULAÇÃO DO MODELO ANÁLISE E REDEFINIÇÃO MODELO ABSTRATO RESULTADOS EXPERIMENTAIS (Capítulo 6) MODELO CONCEITUAL (Capítulo 3) REPRESENTAÇÃO DO
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 maisEstatística Indutiva
Estatística Indutiva MÓDULO 7: INTERVALOS DE CONFIANÇA 7.1 Conceitos básicos 7.1.1 Parâmetro e estatística Parâmetro é a descrição numérica de uma característica da população. Estatística é a descrição
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 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 maisAula 7 Intervalos de confiança
Aula 7 Intervalos de confiança Nesta aula você aprenderá um método muito importante de estimação de parâmetros. Na aula anterior, você viu que a média amostral X é um bom estimador da média populacional
Leia maisModelos: Verificação, Validação e Experimentação
UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO Modelos: Verificação, Validação e Experimentação Prof. Luís César da Silva (UFES/CCA) ESA 01 Engenharia de Sistemas Modelos Validados e Confiáveis Fundamentos: (Naylor
Leia mais2 Medida de Incertezas: Fundamentos
2 Medida de Incertezas: Fundamentos 2. Introdução O resultado de um processo de medição fornece uma determinada informação que usualmente é chamada de conhecimento. A fim de quantificar quão completo é
Leia maisContabilometria. Aula 9 Regressão Linear Inferências e Grau de Ajustamento
Contabilometria Aula 9 Regressão Linear Inferências e Grau de Ajustamento Interpretação do Intercepto e da Inclinação b 0 é o valor estimado da média de Y quando o valor de X é zero b 1 é a mudança estimada
Leia maisEstatística 1. Resumo Teórico
Estatística 1 Resumo Teórico Conceitos do Curso 1. Tipos de Variáveis e Representações Gráficas a. Tipos de Variáveis b. Distribuição de Frequências c. Histograma 2. Estatística Descritiva Medidas Estatísticas
Leia maisPERT PERT PERT PERT PERT PERT. O CPM assume que as estimativas de tempo para um projeto são certas (determinísticas);
O CPM assume que as estimativas de tempo para um projeto são certas (determinísticas); A duração de cada atividade na prática, contudo, pode ser diferente daquela prevista no projeto; Existem muitos fatores
Leia maisDE ESPECIALIZAÇÃO EM ESTATÍSTICA APLICADA)
1. Sabe-se que o nível de significância é a probabilidade de cometermos um determinado tipo de erro quando da realização de um teste de hipóteses. Então: a) A escolha ideal seria um nível de significância
Leia maisDefinição. Os valores assumidos pelos estimadores denomina-se estimativas pontuais ou simplesmente estimativas.
1. Inferência Estatística Inferência Estatística é o uso da informção (ou experiência ou história) para a redução da incerteza sobre o objeto em estudo. A informação pode ou não ser proveniente de um experimento
Leia maisMEDIDAS E INCERTEZAS
MEDIDAS E INCERTEZAS O Que é Medição? É um processo empírico que objetiva a designação de números a propriedades de objetos ou a eventos do mundo real de forma a descrevêlos quantitativamente. Outra forma
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 maisAULA 09 Regressão. Ernesto F. L. Amaral. 17 de setembro de 2012
1 AULA 09 Regressão Ernesto F. L. Amaral 17 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario F. 2008. Introdução à
Leia mais)XQGDPHQWRVGHSUREDELOLGDGHHHVWDWtVWLFD
)XQGDPHQWRVGHUREDELOLGDGHHHVWDWtVWLFD,QWURGXomR A história da estatística pode ser dividida em três fases. De acordo com PEANHA (00), a estatística inicialmente não mantinha nenhuma relação com a probabilidade,
Leia maisMEEMF-2010 Aula 01. Noções de inferência estatística: Diferença entre máxima verossimilhança e abordagem bayesiana
MEEMF-2010 Aula 01 Noções de inferência estatística: Diferença entre máxima verossimilhança e abordagem bayesiana O que é inferência estatística? Inferência estatística é o importante ramo da Estatística
Leia maisUSO DE PLANEJAMENTO COMPOSTO CENTRAL NA AVALIAÇÃO DAS VARIÁVEIS TEMPERAURA E CONCENTRAÇÃO DE SOLVENTES NO ESTUDO DA SOLUBILIDADE DA UREIA
USO DE PLANEJAMENTO COMPOSTO CENTRAL NA AVALIAÇÃO DAS VARIÁVEIS TEMPERAURA E CONCENTRAÇÃO DE SOLVENTES NO ESTUDO DA SOLUBILIDADE DA UREIA F. M. A. S. COSTA 1, A. P. SILVA 1, M. R. FRANCO JÚNIOR 1 e R.
Leia maisIntervalos Estatísticos para uma única Amostra - parte I
Intervalos Estatísticos para uma única Amostra - parte I Intervalo de confiança para média 14 de Janeiro Objetivos Ao final deste capítulo você deve ser capaz de: Construir intervalos de confiança para
Leia maisEstimativas e Tamanhos de Amostras
Estimativas e Tamanhos de Amostras 1 Aspectos Gerais 2 Estimativa de uma Média Populacional: Grandes Amostras 3 Estimativa de uma Média Populacional: Pequenas Amostras 4 Tamanho Amostral Necessário para
Leia maisCONTROLE ESTATÍSTICO DE QUALIDADE
CONTROLE ESTATÍSTICO DE QUALIDADE Ralph S. Silva http://www.im.ufrj.br/ralph/ceq.html Departamento Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Março-Julho/2012 Sumário
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 maisANOVA - parte I Conceitos Básicos
ANOVA - parte I Conceitos Básicos Erica Castilho Rodrigues 9 de Agosto de 2011 Referências: Noções de Probabilidade e Estatística - Pedroso e Lima (Capítulo 11). Textos avulsos. Introdução 3 Introdução
Leia maisCapítulo 3. O Modelo de Regressão Linear Simples: Especificação e Estimação
Capítulo 3 O Modelo de Regressão Linear Simples: Especificação e Estimação Introdução Teoria Econômica Microeconomia: Estudamos modelos de oferta e demanda (quantidades demandadas e oferecidas dependem
Leia maisEstatística
Estatística 1 2016.2 Sumário Capítulo 1 Conceitos Básicos... 3 MEDIDAS DE POSIÇÃO... 3 MEDIDAS DE DISPERSÃO... 5 EXERCÍCIOS CAPÍTULO 1... 8 Capítulo 2 Outliers e Padronização... 12 VALOR PADRONIZADO (Z)...
Leia maisExercícios. Finanças Benjamin M. Tabak
Exercícios Finanças Benjamin M. Tabak ESAF BACEN - 2002 Uma carteira de ações é formada pelos seguintes ativos: Ações Retorno esperado Desvio Padrão Beta A 18% 16% 1,10 B 22% 15% 0,90 Também se sabe que
Leia maisCapítulo 3: Elementos de Estatística e Probabilidades aplicados à Hidrologia
Departamento de Engenharia Civil Prof. Dr. Doalcey Antunes Ramos Capítulo 3: Elementos de Estatística e Probabilidades aplicados à Hidrologia 3.1 - Objetivos Séries de variáveis hidrológicas como precipitações,
Leia maisIntervalos de Confiança
Intervalos de Confiança INTERVALOS DE CONFIANÇA.1 Conceitos básicos.1.1 Parâmetro e estatística Parâmetro é a descrição numérica de uma característica da população. Estatística é a descrição numérica de
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 mais3 Modelos Comparativos: Teoria e Metodologia
3 Modelos Comparativos: Teoria e Metodologia Para avaliar o desempenho do modelo STAR-Tree, foram estimados os modelos Naive, ARMAX e Redes Neurais. O ajuste dos modelos ARMAX e das redes neurais foi feito
Leia maisColeta e Modelagem dos Dados de Entrada
Slide 1 Módulo 02 Coleta e Modelagem dos Dados de Entrada Prof. Afonso C. Medina Prof. Leonardo Chwif Três Etapas Coleta Tratamento Inferência Coleta dos Dados 1. Escolha adequada da variável de estudo
Leia mais3 INTERVALOS DE CONFIANÇA
3 INTEVALOS DE CONFIANÇA 3.1 Introdução A estimativa de intervalos de confiança é utilizada para se obter medidas de incerteza dos dados analisados. A análise da incerteza de uma previsão, por exemplo,
Leia maisIntervalos de Confiança
Intervalos de Confiança Carla Henriques e Nuno Bastos Departamento de Matemática Escola Superior de Tecnologia de Viseu Carla Henriques e Nuno Bastos (DepMAT) Intervalos de Confiança 2010/2011 1 / 33 Introdução
Leia maisTeste de hipóteses. Testes de Hipóteses. Valor de p ou P-valor. Lógica dos testes de hipótese. Valor de p 31/08/2016 VPS126
3/8/26 Teste de hipóteses Testes de Hipóteses VPS26 Ferramenta estatística para auxiliar no acúmulo de evidências sobre uma questão Média de glicemia de um grupo de animais é diferente do esperado? Qual
Leia maisDistribuição t de Student
Distribuição t de Student Introdução Quando o desvio padrão da população não é conhecido (o que é o caso, geralmente), usase o desvio padrão da amostra como estimativa, substituindo-se σ x por S x nas
Leia maisModelos de Regressão Linear Simples - Análise de Resíduos
Modelos de Regressão Linear Simples - Análise de Resíduos Erica Castilho Rodrigues 1 de Setembro de 2014 3 O modelo de regressão linear é dado por Y i = β 0 + β 1 x i + ɛ i onde ɛ i iid N(0,σ 2 ). O erro
Leia maisSimulação de Sistemas. Adaptado de material de Júlio Pereira Machado (AULA 17)
Simulação de Sistemas Adaptado de material de Júlio Pereira Machado (AULA 17) Análise dos Dados de Saída Além das tarefas de modelagem e validação, devemos nos preocupar com a análise apropriada dos resultados
Leia maisInstrumentação Industrial. Fundamentos de Instrumentação Industrial: Introdução a Metrologia Incerteza na Medição
Instrumentação Industrial Fundamentos de Instrumentação Industrial: Introdução a Metrologia Incerteza na Medição Introdução a Metrologia O que significa dizer: O comprimento desta régua é 30cm. A temperatura
Leia maisInferência Estatística: Conceitos Básicos II
Inferência Estatística: Conceitos Básicos II Distribuição Amostral e Teorema do Limite Central Análise Exploratória de dados no SPSS Flávia F. Feitosa BH1350 Métodos e Técnicas de Análise da Informação
Leia mais3 Avaliando os Dados Históricos
3 Avaliando os Dados Históricos Com respeito ao equity premium, a confiança que pode ser depositada na hipótese de que o futuro será como o passado depende de duas características dos dados históricos:
Leia maisAULA 07 Inferência a Partir de Duas Amostras
1 AULA 07 Inferência a Partir de Duas Amostras Ernesto F. L. Amaral 10 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola,
Leia maisUniversidade Federal de Alfenas Programa de Pós-graduação em Estatística Aplicada e Biometria-PPGEAB Prova de Conhecimentos Específicos
-PPGEAB Dados que podem ser necessários na resolução de algumas questões: Quantis de distribuições P (t > t α ) = α P (F > F 0,05 ) = 0, 05 ν 1 ν 0,05 0,025 ν 2 42 43 56 57 89 1,66 1,99 42 1,67 1,67 1,63
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 maisAnálise da série temporal do desemprego em regiões metropolitanas do Brasil
Análise da série temporal do desemprego em regiões metropolitanas do Brasil Érica Fernanda da Cruz 1 3 Tamara Aparecida Nogueira dos Anjos 2 Thelma Sáfadi 2 1 Introdução O desemprego no Brasil é uma constante
Leia maisMedidas de Dispersão. Introdução Amplitude Variância Desvio Padrão Coeficiente de Variação
Medidas de Dispersão Introdução Amplitude Variância Desvio Padrão Coeficiente de Variação Introdução Estudo de medidas que mostram a dispersão dos dados em torno da tendência central Analisaremos as seguintes
Leia maisAvaliação de Sistemas de Medição
Monitoramento de um processo: medição de uma característica da qualidade X por meio de um sistema de medição. Sistema de medição ideal: produz somente resultados corretos, ou seja, que coincidem com o
Leia maisPROJETO E ANÁLISES DE EXPERIMENTOS (PAE) EXPERIMENTOS COM DOIS FATORES E O PLANEJAMENTO FATORIAL
PROJETO E ANÁLISES DE EXPERIMENTOS (PAE) EXPERIMENTOS COM DOIS FATORES E O PLANEJAMENTO FATORIAL Dr Sivaldo Leite Correia CONCEITOS E DEFINIÇÕES FUNDAMENTAIS Muitos experimentos são realizados visando
Leia maisEstatística Descritiva
C E N T R O D E M A T E M Á T I C A, C O M P U T A Ç Ã O E C O G N I Ç Ã O UFABC Estatística Descritiva Centro de Matemática, Computação e Cognição March 17, 2013 Slide 1/52 1 Definições Básicas Estatística
Leia mais7 Teste de Hipóteses
7 Teste de Hipóteses 7-1 Aspectos Gerais 7-2 Fundamentos do Teste de Hipóteses 7-3 Teste de uma Afirmação sobre a Média: Grandes Amostras 7-4 Teste de uma Afirmação sobre a Média : Pequenas Amostras 7-5
Leia maisTeste de % de defeituosos para 1 amostra
DOCUMENTO OFICIAL DO ASSISTENTE DO MINITAB Este documento é de uma série de papéis que explicam a pesquisa conduzida por estatísticos da Minitab para desenvolver os métodos e as verificações de dados usadas
Leia maisTÉCNICAS DE AMOSTRAGEM
TÉCNICAS DE AMOSTRAGEM Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Definições e Notação Estimação Amostra Aleatória
Leia maisPROPAGAÇÃO DE ERROS Conceitos básicos. Limitação das medições experimentais: há sempre uma incerteza associada.
Erro: Existência Será possível obter o valor verdadeiro pela medição? Não Limitação das medições experimentais: há sempre uma incerteza associada. Qualquer processo experimental está sujeito a erros com
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 maisGestão de Riscos e Investimentos
Existem duas abordagens gerais para calcular o VAR 1. Avaliação Local (local valuation) Métodos que vimos até agora São procedimentos em geral analíticos Baseiam-se no valor inicial do instrumento ou carteira
Leia maisProf. Adriano Mendonça Souza, Dr. Departamento de Estatística PPGEMQ / PPGEP - UFSM
Prof. Adriano Mendonça Souza, Dr. Departamento de Estatística PPGEMQ / PPGEP - UFSM Noções básicasb de Inferência Estatística descritiva inferencial População - Parâmetros desconhecidos (reais) Amostra
Leia maisUnidade: Risco e Retorno. Unidade I:
Unidade I: 0 Unidade: Risco e Retorno A análise de investimentos está baseada nas estimativas dos fluxos de caixa de um projeto. Nem sempre essas previsões de fluxo de caixa coincidem com os resultados
Leia 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 maisInstrumentação Industrial. Fundamentos de Instrumentação Industrial: Caracterização Estática
Instrumentação Industrial Fundamentos de Instrumentação Industrial: Caracterização Estática Caracterização Estática de Instrumentos Definição: determinação da relação entre a entrada e a saída do instrumento,
Leia maisResolução da Prova de Matemática Financeira e Estatística do ISS Teresina, aplicada em 28/08/2016.
de Matemática Financeira e Estatística do ISS Teresina, aplicada em 8/08/016. 11 - (ISS Teresina 016 / FCC) Joana aplicou todo seu capital, durante 6 meses, em bancos ( e Y). No Banco, ela aplicou 37,5%
Leia maisControle Estatístico de Qualidade. Capítulo 7 (montgomery)
Controle Estatístico de Qualidade Capítulo 7 (montgomery) Capacidade do Processo Introdução Cartas de Controle Instrumento de monitoramento e detecção de desvios na estabilidade do processo Considerando
Leia maisEstatística I Aula 2. Prof.: Patricia Maria Bortolon, D. Sc.
Estatística I Aula 2 Prof.: Patricia Maria Bortolon, D. Sc. Análise Exploratória de Dados Consiste em resumir e organizar os dados coletados Utiliza-se tabelas, gráficos ou medidas numéricas para resumir
Leia maisNessa situação, a média dessa distribuição Normal (X ) é igual à média populacional, ou seja:
Pessoal, trago a vocês a resolução da prova de Estatística do concurso para Auditor Fiscal aplicada pela FCC. Foram 10 questões de estatística! Não identifiquei possibilidade para recursos. Considero a
Leia maisEstatística Computacional (Licenciatura em Matemática) Duração: 2h Exame 14/06/10 NOME:
DEPARTAMENTO DE MATEMÁTICA DA UNIVERSIDADE DE COIMBRA Estatística Computacional (Licenciatura em Matemática) Duração: 2h Exame 14/06/10 NOME: Observação: A resolução completa das perguntas inclui a justificação
Leia maisDISTRIBUIÇÃO DOS RETORNOS DE UM ÍNDICE DE AÇÕES COM VOLATILIDADE ESTOCÁSTICA
DISTRIBUIÇÃO DOS RETORNOS DE UM ÍNDICE DE AÇÕES COM VOLATILIDADE ESTOCÁSTICA Isabel Cristina Ribeiro (BIC/CNPq-UEPG) e-mail: icribeiro1989@gmail.com José Tadeu Teles Lunardi (Orientador) e-mail: jttlunardi@uepg.br
Leia mais