CONSTRUÇÃO DE UM SISTEMA DE BONUS-MALUS NA PRESENÇA DE OUTRAS VARIÁVEIS TARIFÁRIAS. Henda Mondlane Ferreira da Silva
|
|
- Leandro Salvado Fragoso
- 8 Há anos
- Visualizações:
Transcrição
1 MESTRADO EM: Cêncas Actuaras CONSTRUÇÃO DE UM SISTEMA DE BONUS-MALUS NA PRESENÇA DE OUTRAS VARIÁVEIS TARIFÁRIAS Henda Mondlane Ferrera da Slva Orentação: Doutor João Manuel de Sousa Andrade e Slva Júr: Presdente: Doutora Mara de Lourdes Centeno Vogas: Doutor João Manuel de Sousa Andrade e Slva Doutora Isabel Mara Ferraz Cordero Julho/2006 2
2 GLOSSÁRIO DE TERMOS Y - número de snstros declarados pelo segurado λt - frequênca de snstraldade esperada para o segurado durante o período t ^ λ t - estmador de credbldade para λ t Θ - heterogenedade resdual referente ao segurado N conjunto dos números nteros + R - conjunto dos números reas postvos b( j) - prémo relatvo assocado ao nível j p ( ) - probabldade de um segurado com frequênca méda λ transtar do nível j 1 j1, j λ 2 para o nível j 2 ( v) p j j ( λ) - probabldade de um segurado com frequênca méda λ transtar do nível j 1 1, 2 para o nível j 2 em v passos M (λ) - matrz de probabldade de transção a um passo M ( v) ( λ) - matrz de probabldade de transção em v passos π j (λ) - probabldade estaconára para um segurado com frequênca méda λ de estar no nível j λk - frequênca de snstraldade esperada da k-ésma classe de rsco wk - peso da k-ésma classe de rsco,.e., probabldade de um segurado retrado aleatoramente da cartera estar na k-ésma classe de rsco 3
3 RESUMO Esta dssertação tem como objectvo a construção de um sstema de bonus-malus, para o seguro de responsabldade cvl automóvel, consderando a tarfação a pror, ou seja, o sstema de bonus-malus é sobreposto a um sstema de prémos envolvendo um determnado número de factores tarfáros. A dea chave é de que tanto a classfcação a pror como as correcções a posteror crem células tarfáras tão homogéneas quanto possível. Assm, as escalas de bonusmalus são determnados de manera a evtar a sobre penalzação dos maus rscos a pror e a sobre benefcação dos bons rscos a pror que se verfca nas escalas de bonus-malus tradconas. Desta manera propõe-se uma alternatva aos modelos de tarfação clásscos. São desenvolvdos dos modelos. O prmero modelo é uma técnca lgada à teora da credbldade que conduz à obtenção de tabelas (estruturas) de prémos como função do tempo, do número de acdentes declarados e dos factores tarfáros sgnfcantes ncluídos no modelo de regressão. O segundo modelo basea-se na construção de uma escala de bonus-malus de forma smétrca a que habtualmente tem sdo feta adaptando o sstema de bonus à tarfa a pror. A metodologa adoptada consste, numa prmera fase, em estmar modelos de regressão de manera a dentfcar os factores tarfáros sgnfcantes, determnar as classes tarfáras e calcular os prémos (modelo a pror). Numa segunda fase constró-se o sstema de bonus-malus tendo em conta os resultados obtdos na fase anteror (modelo a posteror). Fnalmente comparam-se os resultados obtdos e tram-se algumas conclusões. 4
4 Palavras-chave: Sstema de bonus-malus, tarfação a pror, modelo de Posson, modelo bnomal negatvo, componente de regressão, credbldade. ABSTRACT The man objectve of ths thess s the determnaton of a bonus-malus scale for motor thrd part lablty when a pror rsk classfcaton s used,.e, the bonus-malus system s supermposed on a premum system nvolvng a number of other ratng varables. The key dea s that both a pror classfcaton and a posteror correctons am to create tarff cells as homogeneous as possble. In ths way the bonus-malus scales are determned n order to avod the over penalzaton for bad rsks and over benefts for good rsks that we see n classcs bonus-malus scales. So t can be seen as an extenson of well known models of tarfcaton. For ths purpose two models are presented: The frst model s a credblty technque that allows us to calculate premums tables as functon of tme, past accdents and ratng factors. In the second model a new bonus-malus system s derved. In a frst stage a regresson model s estmate n order to dentfy sgnfcant rsk classfcaton factors, determne tarff class and calculate premums (a pror model). Gven the results of the regresson model, a bonus-malus system s estmated (a posteror model). Fnally, n a last chapter, we compare the results and take some conclusons. Keywords: Bonus-malus system, a pror ratemakng, Posson model, negatve bnomal model, regresson component, credblty. 5
5 ÍNDICE Pág. Lsta de Quadros 7 Lsta de Gráfcos 8 Prefáco 9 Agradecmentos Tarfação a pror e a posteror. Uma vsão Clássca Estmação da Tarfa a pror Modelos Lneares Generalzados Aplcação dos Modelos Lneares Generalzados na estmação 28 da Tarfa 1.2 Avalação a posteror Sstemas de Bonus-Malus Integração entre a Tarfação a pror e a posteror Uma Solução Alternatva ao Método de Construção de Tarfas tradconal Modelo de Donne e Vanasse O Modelo de Ptrebos et al A Cartera em Estudo Os Dados Obtdos 46 6
6 3.2 Análse dos Dferentes Factores Modelzação da Estrutura Tarfára Avalação a posteror Escalas Óptmas Número de Snstros e dstrbução Estrutural Obtenção de Escalas Óptmas Estmação da frequênca esperada de snstraldade A tarfa a pror com a escala de bónus como restrção Estmação conjunta das tarfações a pror e a posteror Estmação da Estrutura Tarfára com base nos modelos alternatvos propostos Modelo de Donne e Vanasse O Modelo de Ptrebos et al Aplcações Numércas Comparação entre os modelos de tarfação Conclusões 98 Bblografa 101 Anexos 104 7
7 LISTA DE QUADROS Idade do Segurado Tpo de Utlzador do veículo Idade da carta de condução Experênca Zona de crculação habtual do veículo Tpo de Combustível Outras característcas técncas Cruzamento entre os factores Outras característcas técncas e Tpo de combustível Tpo de propredade do veículo Cruzamento entre os factores Tpo de propredade e Zona de crculação Cruzamento entre os factores Tpo de propredade e Outras característcas técncas Idade do veículo Montante do captal seguro em RC Plano de Pagamento do prémo Agregação da varável dade da apólce Agregação do factor bonus 64 8
8 4.1 -Matrz de probabldades de transção do sstema Dstrbução estaconára e escalas óptmas Tarfa a pror Escala de bonus como restrção Estmatva dos coefcentes da varável bonus Estmação Conjunta e Escala de Norberg normalzada Tarfa a pror Estmação Conjunta Modelo de regressão bnomal negatvo Modelo de regressão de Posson - Estmatvas resultantes Classes do sstema de bonus-malus: Modelo sem tarfação a pror e Modelo com tarfação a pror Modelo bnomal negatvo com componente de regressão: tabela Modelo bnomal negatvo com componente de regressão: tabela Modelo bnomal negatvo com componente de regressão: tabela 3 92 LISTA DE GRÁFICOS Evolução da frequênca de snstraldade em função da dade da apólce Evolução da frequênca de snstraldade e custo médo em função das classes de bonus Evolução do prémo puro: 1º caso, trajectóra Evolução do prémo puro: 1º caso, trajectóra Evolução do prémo puro: 2º caso Evolução do prémo puro: 3º caso 95 9
9 PREFÁCIO A natureza da actvdade seguradora é caracterzada pela acetação de dversos rscos que se supõem mas ou menos homogéneos para que, baseando-se na le dos grandes números, a empresa seguradora assuma o conjunto das responsabldades recebendo em troca um determnado montante a que se convenconou chamar de prémo. Assm, o prémo consttu um dos elementos essencas do seguro. Sendo o prémo uma contrapartda da assumpção de um rsco pela Seguradora, deve ser remunerador para esta, mas também justo e equtatvo para o segurado. Contudo, grandes dvergêncas se levantam no sentdo de saber se o prémo deve ser determnado apenas em função das característcas do rsco a segurar, ou se por motvos relaconados com a concorrênca no mercado Segurador. Desde há muto tempo que o prémo tem sdo defndo medante a avalação do rsco subjacente (vsão actuaral). No entanto uma outra abordagem defende que os prémos devem ser estabelecdos em função dos mecansmos do mercado. Contudo, qualquer que seja a abordagem defendda, o prémo não pode afastar-se do equlíbro, sob pena de desajustamentos ndesejáves que poderam proporconar a quebra de soldez e afectar a segurança que caracterza a actvdade Seguradora. 10
10 Assm, em termos actuaras, convenconou-se decompor o prémo em três componentes ncorporadas durante o processo da sua fxação: O prémo puro que corresponde à esperança matemátca do rsco; A margem de segurança, destnada a fazer face à aleatoredade do rsco; Os encargos destnados a cobrr os gastos admnstratvos e cargas fscas. As metodologas de construção de tarfas para o seguro automóvel têm conhecdo uma grande evolução com mposções fetas pelas autordades supervsoras em relação a determnados parâmetros que as seguradoras devem cumprr, proporconando assm aos segurados maor protecção face às apetêncas ao lucro exagerado. Tal evolução tem sdo acompanhada com o rápdo desenvolvmento tecnológco, permtndo que actualmente se possa manusear grandes quantdades de nformação de forma mas efcente. De forma paralela o parque automóvel tem crescdo sgnfcatvamente nas últmas décadas, orgnando um aumento da frequênca de snstraldade, o que tem dado mportânca crescente ao seguro automóvel no quadro da actvdade seguradora. O processo de construção de uma tarfa começa pela defnção dos objectvos que se pretendem atngr com a mesma, que geralmente resdem na melhor adequação entre o prémo e o grau de rsco exstente nas undades de exposção ao rsco (as apólces para o seguro de responsabldade cvl automóvel). Segue-se então a modelzação da estrutura a mplementar, que abrange a escolha da varável que será objecto de análse (quer seja a 11
11 frequênca ou os custos assocados as ndemnzações), dentfcação e posteror selecção dos factores (varáves exógenas) a nclur no modelo. Para dstrbur os snstros entre os segurados, o actuáro geralmente reparte as apólces em classes tão homogéneas quanto possível de tal modo que todos os segurados pertencentes à mesma classe paguem o mesmo prémo. As varáves de classfcação que se ntroduzem de manera a separar os rscos em células são desgnadas varáves a pror (uma vez que os seus valores podem ser determnados antes de o segurado começar a conduzr). Nos Seguros de Responsabldade Cvl Automóvel, tas varáves ncluem, entre outras, a dade, sexo e ocupação dos segurados, o tpo de carro, local de resdênca e, por vezes, o número de carros na resdênca ou o estado cvl. Contudo, alguns factores mportantes podem não ser tdos em consderação a este nível, como por exemplo, a agressvdade ao volante ou no conhecmento do códgo de estrada. Consequentemente, as classes de rsco contnuam heterogéneas apesar do uso de mutas varáves de classfcação a pror. Os sstemas de tarfação que penalzam os segurados responsáves por um ou mas acdentes agravando os prémos (malus), e bonfcam os segurados que não apresentem snstros concedendo descontos (bonus) estão, mas do que nunca, a ser usados. Trata-se de uma tarfação a posteror, e é uma manera bastante efcente de classfcar os segurados de acordo com os seus respectvos rscos, corrgndo assm as lmtações dos sstemas a pror. Encorajando os segurados a conduzr cudadosamente, sto é, de manera a contrarar o rsco moral (moral hazard), tenta-se melhorar a tarfação dos rscos ndvduas. Tal sstema é desgnado por No clam dscounts na sua versão mas smples ou sstema de bonus-malus quando o sstema se torna mas complexo. 12
12 Objectvo O problema a que se propõe abordar neste trabalho é a determnação do prémo relatvo de cada classe de uma escala de bonus-malus quando a classfcação a pror é usada pela companha, ou seja, adaptar o sstema de bonus-malus à tarfa a pror. Esta abordagem, apresentada ncalmente em Taylor (1997) e mas recentemente em Ptrebos, Denut & Walhn (2003) será comparada quer com a abordagem tradconal, utlzada na generaldade das seguradoras, quer com a proposta de Donne e Vanasse (1989) que desenvolveram uma metodologa alternatva. Metodologa Apresenta-se assm uma metodologa para construr escalas de bonus-malus no seguro automóvel, na qual as varáves explcatvas são consderadas para a determnação do prémo relatvo de cada classe do sstema, resultando assm num novo esquema de tarfação ntegrado, dferente do sstema clássco. A severdade das correcções a posteror vara de acordo com as característcas observáves dos segurados. A dea chave é de que tanto a classfcação a pror como as correcções a posteror crem células tarfáras tão homogéneas quanto possível. Assnale-se que, dado o objectvo do trabalho se centrar nos sstemas de bonus-malus dependentes apenas da frequênca de snstraldade, não se rá modelzar os custos assocados aos snstros. 13
13 Estrutura da Dssertação Para cumprr os objectvos defndos, dvdu-se o trabalho em ses capítulos organzados da segunte forma: O prmero capítulo tem por objectvo prncpal ntroduzr a metodologa usada para proceder a construção de tarfas segundo a vsão clássca ou tradconal. Falar-se-á então dos modelos lneares generalzados como sendo um método estatístco que dá resposta aos objectvos enuncados. No segundo capítulo abordam-se as alternatvas propostas para o processo de construção de tarfas, nomeadamente os contrbutos de Donne e Vanasse (1989) e de Ptrebos, Denut & Walhn (2003). Segudamente, no capítulo 3, procede-se à descrção formalzada da nformação a que se teve acesso bem como à selecção dos dados a serem utlzados. O essencal do estudo realzado desenvolve-se ao longo dos capítulos 4 e 5. Começa-se por efectuar a estmação da tarfa nos moldes habtuas (vsão clássca) para de seguda, voltar a estmar a tarfa mas consderando as alternatvas propostas (capítulo 5). Fnalmente, no sexto capítulo, sntetzam-se as conclusões prncpas, sugerndose também algumas alternatvas para futuras nvestgações. 14
14 AGRADECIMENTOS Agradeço prmeramente ao Professor Doutor João Andrade e Slva pela sua orentação. Agradecer também o seu apoo, empenho e dsponbldade que sempre demonstrou. Um muto obrgado. Não poda dexar de agradecer a Dra. Fernanda Fretas, Drectora dos Ramos Pessoas e Vda da Empresa de Seguros de Angola (ENSA-S.A.R.L), que confou em mm e deu-me a oportundade de frequentar o mestrado. À Companha de Seguros que forneceu os dados necessáros à elaboração desta tese. À Dense Flomena e ao Telmo Danlo por tudo o que representam na mnha vda. Por últmo agradecer a mnha famíla, especalmente aos meus pas e rmãos pelo apoo prestado durante o decorrer deste trabalho. 15
15 Capítulo 1 Tarfação a pror e a posteror. Uma vsão clássca A tarfa consste no conjunto de regras que permtem defnr o prémo a pagar por cada apólce. Ela surge como um nstrumento que contempla as taxas ou prémos, bem como as regras orentadoras para a realzação de contratos de seguro de um determnado ramo ou modaldade, e que defne o prémo a pagar. Na actvdade seguradora os actuáros precsam de construr estruturas tarfáras que rão dstrbur de forma justa o rsco entre os segurados. Uma estrutura tarfára consste num conjunto de descontos e agravamentos que os prémos das váras apólces apresentam ( em função das sua característcas específcas), em relação à um valor padrão, desgnado como prémo padrão. O prémo dado por uma tarfa resulta assm do multplcar do prémo padrão pelo valor obtdo na estrutura tarfára; a função da estrutura tarfára é assm dferencar o prémo a pagar por cada apólce em função das suas característcas. A dscrmnação dos rscos na cartera é feta de acordo com crtéros socalmente acetes (uma vez que determnados crtéros não são legalmente permtdos), e com crtéros concorrencas. Quando a tarfa nclu todos os elementos sgnfcatvos de que se dspõe, a stuação será transparente uma vez que, com a nformação dsponível, o prémo estará de acordo com a avalação que se faz do rsco. 16
16 Se, pelo contráro, não for ncluída toda a nformação sgnfcatva na tarfa, estar-se-a a agrupar num mesmo escalão tarfáro, rscos que se sabe à partda serem de gravdade dferente o que orgnara dstorções na tarfa. É mportante também realçar a necessdade de uma letura cudada dos resultados, ndependentemente da metodologa estatístca usada, antes de mplementar uma estrutura tarfára. Destacam-se alguns requstos que esta deverá satsfazer: establdade a curto/médo prazo no que se refere aos factores selecconados, e às bonfcações/penalzações a aplcar; smplcdade na sua aplcação, tendo em conta não só que ela deve ser compreendda pelos segurados como também os dversos mecansmos de comercalzação do produto; questões relaconadas com o período em análse. A melhor opção nem sempre é escolher um período remoto, uma vez que poderá faltar alguma nformação consderada relevante, nem optar por um período recente, uma vez que a nformação dsponível poderá estar ncompleta. Por exemplo, no seguro automóvel, as ndemnzações de snstros que envolvam danos corporas ou outros que envolvam stuações ltgosas, só serão conhecdas passados mutos anos tornando necessáro trabalhar com estmatvas; 17
17 Esta stuação deve levar a certas cautelas na determnação dos factores a exclur e a nclur de forma a evtar possíves dstorções. Note-se que as razões para nclusão ou exclusão de determnados elementos podem varar no tempo, ou seja, podem ser pacífcas numa determnada altura e dexar de sê-lo mas tarde. Assm sendo, o fundamental é encontrar um conjunto de característcas, desgnado por factores tarfáros, que caracterzem cada apólce e que a coloquem em determnada classe de tarfação face ao nível de rsco que representa. Um prmero conjunto de característcas que fazem parte da tarfa de qualquer seguradora, são os desgnados factores mensuráves a pror e que podem nclur: Dados relatvos ao condutor do veículo (por vezes assume-se que o segurado e o condutor habtual do veículo concdem), dos quas se destacam a dade, o género, a experênca de condução (número de anos de carta), o estado cvl; Dados relatvos ao tpo de veículo, nomeadamente, a potênca, a clndrada, a marca, a dade, etc. A regão de crculação habtual do veículo; A qulometragem anualmente percorrda pelo veículo, quando esta se encontre acessível. Tas factores são geralmente consderados em termos qualtatvos e traduzem-se em termos estatístcos por um conjunto de varáves artfcas que correspondem ao desdobramento dos dferentes níves que cada varável qualtatva assume. A cartera 18
18 pode então ser concebda como um conjunto de células caracterzadas pelo cruzamento de dferentes níves dos factores tarfáros. A cada célula rá corresponder um grupo relatvamente homogéneo que pagará o mesmo prémo. Uma vez que a dstrbução dos rscos em termos dos factores tarfáros não é unforme, o sstema assm crado será caracterzado pelo facto de que uma percentagem muto pequena de células engloba a esmagadora maora das apólces o que pode afectar a qualdade dos estmadores a utlzar. O ramo automóvel possu anda partculardades que fazem com que a escolha dos dferentes factores tarfáros nem sempre seja muto pacífca. Exstem dversas varáves que, apesar de apresentarem uma correlação bastante elevada com a snstraldade não podem ser ncluídas porque não se consegue ter uma medda objectva das mesmas. Por vezes é possível encontrar outras varáves explcatvas que, por estarem correlaconadas com aquelas, permtem, embora de forma ndrecta suprr esta lmtação. Assm, para tomar em consderação estes efetos esconddos e que podem ser os que mas ajudam a explcar a snstraldade, defne-se a estrutura tarfára com base numa dupla avalação: por um lado, a partr dos factores tarfáros conhecdos e utlzáves, constró-se um modelo para estmar o prémo puro, processo que se desgna como tarfação a pror e, por outro lado, utlza-se a snstraldade passada de uma apólce para estmar o seu comportamento futuro, processo que se desgna por tarfação a posteror. Salente-se que a avalação a posteror será feta apenas para a frequênca. Embora alguns autores (Holtan (1994) ou Lemare (1995) por exemplo) procurem também 19
19 abranger os custos, tal não é prátca corrente e o presente trabalho também va apenas consderar a avalação a posteror para a frequênca. Nas secções seguntes abordar-se-ão os aspectos fundamentas referentes à tarfação a pror e a posteror. Segundo o método tradconal de construção de tarfas, estes processos serão abordados de forma ndvdual e proceder-se-á de seguda à sua ntegração. 1.1 Estmação da Tarfa a pror A modelzação das estruturas tarfáras em termos dos factores drectamente mensuráves, também desgnada como tarfação a pror, é feta com base nos modelos lneares generalzados que permtem estmar o mpacto dos factores de tarfação sobre o valor esperado da frequênca de snstraldade. As estruturas tarfáras baseam-se numa estrutura adtva ou multplcatva. A prncpal dferença entre ambas deve-se ao facto de na estrutura multplcatva, exstrem agravamentos sobre agravamentos (ou descontos sobre descontos) enquanto que na estrutura adtva tal não acontece. Em qualquer dos casos a modelzação é feta, geralmente, de forma separada para o número de snstros e para o montante das ndemnzações. Consdere-se assm o valor total das ndemnzações geradas por um rsco numa determnada anudade, W, que tem orgem num processo composto, 20
20 N = W X j j= 0 (1.1) onde N representa o número de partcpações na anudade e X j o valor das ndemnzações referentes à j-esma partcpação, com X 0 0. Assumndo que, para cada rsco, as ndemnzações são ndependentes do número de snstros ou partcpações e consttuem uma sucessão de varáves aleatóras ndependentes e dentcamente dstrbuídas, ter-se-á [ W] E[ N ] E[ X ] E = (1.2) sendo X é uma varável aleatóra com a dstrbução comum a todas as varáves { } X. j Consderando a cartera como sendo composta por um conjunto de rscos que podem ser caracterzados por um parâmetro (un ou mult dmensonal) θ, admtndo que os { X j } condconados por θ são ndependentes de N e consttuem uma sucessão de varáves ndependentes e dentcamente dstrbuídas e supondo-se também que exste establdade e ndependênca condconal entre as anudades, tem-se, para cada anudade E ( W θ ) = E( Nθ ) E( Xθ ) (1.3) em que X é uma varável aleatóra com a mesma dstrbução que os { X }, = 1,2,,N. O parâmetro θ tem duas componentes: as característcas observáves 21
21 referentes a cada rsco, e uma componente não observável, que adante será tratada como sendo a realzação de uma varável aleatóra com dstrbução conhecda. Consdere-se agora que o parâmetro θ pode ser decomposto num conjunto de k factores tarfáros que correspondem a característcas objectvamente avaladas das apólces. O objectvo é a modelzação de E W X, X, Λ, X ) para = 1,2, Λ, n, sendo n o número de apólces na cartera. ( 1 2 k De acordo com a expressão (1.3) modela-se de forma separada o número esperado de snstros e o custo médo de um snstro dados os factores tarfáros, utlzando-se para tal o modelo E ( Y X 1, X 2,..., X k ) representando Y o número de snstros ou o seu montante conforme a stuação. 22
22 1.1.1 Modelos Lneares Generalzados Os modelos lneares generalzados (GLM) consttuem uma generalzação do modelo habtual de regressão lnear múltpla, alargando as hpóteses sobre a dstrbução da varável endógena da le normal para a famíla exponencal (normal, Posson, bnomal, gama, etc.). Nesta secção abordar-se-á de forma genérca estes modelos. Para uma vsão mas alargada sobre os mesmos veja-se McCulagh & Nelder [1989] ou Turkman & Slva [2000]. Consdere-se que se dspõe de n observações ndependentes da varável endógena Y, = 1,2, Λ, n, de méda µ, e das k varáves exógenas que lhe estão assocadas. Um modelo lnear generalzado será defndo por 3 característcas: A dstrbução de Y pertence a famíla de dspersão exponencal, sto é yθ b( θ ) f ( y, θ, φ) = exp + c( y, φ) (1.4) a ( φ) sendo a (.), b (.) e c (.,.) funções conhecdas, adequadas a cada caso partcular, e a (.) da forma φ ω com ω conhecdo, e φ desgnado por parâmetro de escala não depende de. A função f (). representa a função densdade ou a função probabldade da varável Y. Admte-se também que b (.) é duas vezes 23
23 dferencável e que o suporte da dstrbução não depende de θ. Os parâmetros do modelo são assm θ e φ, embora para certas dstrbuções como a Posson o parâmetro φ tenha um valor pré-determnado. Sabendo que l E = 0 e θ l E θ 2 2 l = E θ 2 (1.5) onde l é o logartmo da função de verosmlhança de Y, concluí-se que db( θ ) E [ Y] = = µ dθ dµ Y = b a = (1.6) dθ e var[ ] ( θ ) ( φ) a ( φ) defnndo-se assm a chamada função varânca V b dµ ( µ ) = ( θ ) = (1.7) dθ A exstênca de um predctor lnear η defndo como combnação lnear das varáves explcatvas, ou seja k η = j= 1 X β, = 1,2, Λ, n, ou, em termos j j matrcas η = Xβ. Sendo a matrz X conhecda e β um vector de parâmetros desconhecdos a estmar. Geralmente tem-se X = 1 1,, ou seja, o modelo tem um termo ndependente. Exste uma função de lgação g, monótona e dferencável, que relacona µ com η através de η = g ( µ ), = 1,2, Λ, n. Como caso partcular mas 24
24 sgnfcatvo defne-se a função canónca de lgação quando η = θ, para = 1,2, Λ, n. Os parâmetros de localzação dados pelo vector β, são estmados pela máxma verosmlhança através de um processo teratvo, onde em cada teração se constró uma matrz dagonal de ponderadores e se procede a uma estmação pelos mínmos quadrados ponderados. Quando a dstrbução de Y não envolve o parâmetro de dspersão φ (caso da Posson), não haverá necessdade da sua estmação. Nos outros casos recorre-se a uma estmatva de máxma verosmlhança, fora do âmbto dos modelos lneares generalzados, ou opta-se por um método de estmação alternatvo, sendo mportante garantr que o estmador utlzado é consstente. McCullagh & Nelder [1989] propõem o recurso a um estmador centrado e consstente com base na estatístca do qu-quadrado generalzada, sto é, ~ χ 2 φ = (1.8) n k onde ^ n 2 ( Y µ ) χ = ω é a estatístca do qu-quadrado de Pearson. ^ = 1 V ( µ ) 25
25 26 Na estmação das estruturas tarfáras como em qualquer processo de modelação, pretende-se um modelo que realce os aspectos prncpas do fenómeno em estudo, reduzndo o número de parâmetros envolvdos. Nos modelos lneares generalzados, a medda de ajustamento por excelênca, a devance D, é obtda por comparação do modelo em estudo com o modelo saturado 1. Defne-se a devance à escala * D como sendo φ ω φ θ θ θ θ D b b Y l l D n s e = = = =1 ^ ~ ^ ~ * ) ( ) ( ) ( 2 ) ( 2 (1.9) onde o modelo em estudo é representado pelo índce e e as suas estmatvas assnaladas com o símbolo ^, e o modelo saturado pelo índce s e as correspondentes estmatvas assnaladas com ~, l representa o logartmo da função de verosmlhança. Defne-se então a devance por = = ) ( ) ( ) ( 2 ^ ~ ^ ~ 1 n b b Y D θ θ θ θ ω (1.10) 1 entende-se por modelo saturado aquele em que exstem tantas varáves quantas observações de forma a obter um ajustamento perfeto, o que corresponde a y = µ.
26 O modelo M 2, com k 2 parâmetros de localzação, dz-se encaxado no modelo M 1, com k 1 parâmetros de localzação, quando este pode ser obtdo por meo de um conjunto de k1 - k 2 restrções lneares. Quando o parâmetro de dspersão φ tem valor conhecdo, o teste destas restrções lneares é feto utlzando o resultado E D D = ~ χ ( k k ) φ 1 2 (1.11) onde D representa devance do modelo, = 1,2. Pode-se assm testar a nuldade dos parâmetros do modelo 2 não ncluídos no modelo 1, através dum teste de aba dreta da 2 dstrbução χ ( k ) para um nível de sgnfcânca pré-defndo. 1 k 2 Quando φ não tem um valor pré-defndo, Dobson [1990] propõe que se utlze a estatístca F ( D D ) 2 1 ( k1 k 2 ) = ~ F( k 1 k2 ; n k1 ) (1.12) D1 ( n k 1 ) tratando-se também de um teste de aba dreta. De forma alternatva, ao comparar o modelo em estudo com o modelo mínmo (onde o valor esperado condconado apenas envolve o termo ndependente) passa-se a aprecar a 27
27 qualdade global do modelo por comparação com uma stuação de plena homogenedade da cartera. Como o modelo mínmo está encaxado em todos os modelos que tenham termo ndependente, pode-se utlzar as estatístcas E ou F, para testar a nuldade de todos os coefcentes, com excepção do termo ndependente. Por outras palavras está-se a testar se os factores tarfáros são ou não relevantes para a explcação do valor esperado condconado. Para valdação estatístca do modelo estmado pode-se também recorrer à análse dos resíduos e testes da função de lgação, como se pode ver em McCulagh & Nelder [1989] ou em Turkman & Slva [2000]. 28
28 1.1.2 Aplcação dos Modelos Lneares Generalzados na estmação da Tarfa A snstraldade em seguros de responsabldade cvl automóvel pode ser avalada de duas formas: em termos do número de snstros provocados ou em termos do montante de ndemnzações que envolveram. Assumndo que as varáves explcatvas podem ter mpactos dferentes sobre o custo médo e a taxa de frequênca, procede-se ao estudo separado das mesmas. Assm assumndo a ndependênca entre o número de snstros e os custos a eles assocados, para obter o valor esperado do custo de cada apólce procede-se à multplcação das estmatvas da taxa de frequênca e do custo médo. Para modelar o número esperado de snstros, recorre-se a dstrbução de Posson ou da quase Posson, estmando-se o parâmetro φ com base em (1.8). A modelação parte de um grande número de observações. A varável endógena N corresponde ao número de partcpações da apólce na anudade (exstem alternatvas que permtem consderar, no âmbto da Posson, uma agregação da nformação por células ou a consderação de apólces que não tenham estado na cartera durante toda a anudade em análse). Quando se modela o custo esperado de uma ndemnzação as dstrbuções escolhdas costumam ser a famíla gama ou a lognormal, escolhendo-se a função de lgação adequada de forma a obter uma estrutura multplcatva. 29
29 1.2 Avalação a posteror Dversos factores mportantes não podem ser tdos em conta a pror; pense-se por exemplo na rapdez dos reflexos, agressvdade ao volante, ou no conhecmento do códgo de estrada. Por este motvo as sub-carteras exstentes nas dversas células tarfáras contnuam a apresentar um certo grau de heterogenedade apesar do uso de mutas varáves de classfcação. Em termos globas, verfca-se que os dados relaconados prncpalmente com o número de snstros não podem ser adequadamente explcados por modelos de Posson dado que apresentam uma varabldade bastante elevada. Contudo, é razoável acredtar que as característcas não observáves são, em parte, reveladas pelo número de snstros partcpados pelos segurados no decorrer dos város anos de vgênca da apólce. Portanto, o prémo é ajustado a cada ano de acordo com a experênca dos snstros ndvduas de modo a resttur uma certa justça entre os segurados. Neste caso a correlação é aparente e resulta dos factores desconhecdos nas característcas do rsco. A dea é utlzar o comportamento passado de um rsco para determnar o seu prémo na anudade segunte. No seguro automóvel de responsabldade cvl, a ntegração da snstraldade passada (a consderação dos efetos não observáves) é feta por meo dos modelos de credbldade ou recorrendo a sstemas de bonus-malus. 30
30 1.3 Sstemas de Bonus-Malus As escalas de bonus são caracterzadas por possuírem um determnado número de níves, s+1 por exemplo, numerados de 0 à s. Quando um segurado entra na cartera é-lhe atrbuído um nível pré-fxado do sstema. Dentro dos sstemas exstentes, apenas se rá consderar os sstemas Markovanos de 1ª espéce na termnologa de Lemare [1995] por corresponderem à stuação mas frequente e porque o sstema que se rá utlzar se nscreve nesta famíla. Uma característca destes sstemas é o facto de que para determnar o nível para onde o segurado deverá transtar apenas se precsa de saber o nível actual e o número de snstros partcpados na presente anudade. Isto assegura que o sstema possa ser representado por uma cadea de Markov: o futuro (a classe para o ano t+1), conhecdo o presente (a classe para o ano t e o número de snstros partcpados durante o ano t), não depende do passado (o hstoral completo de snstraldade e os níves ocupados durante os anos 1,2,, t-1). O prémo relatvo assocado ao nível j é denotado por b(j) geralmente expresso em percentagem; o seu sgnfcado é de que um segurado que ocupe o nível j paga um prémo gual à b(j)% do prémo a pror determnado com base nas suas característcas observáves. 31
31 Seja p ( ) a probabldade de um segurado com frequênca médaλ transtar do nível j λ 1 j2 j 1 para o nível j 2. Seja também M (λ) a matrz de transção a um passo, sto é, M { p ( )}, j, j = 0,1, s ( ) = j j λ 1 2 Λ, 1 2 λ. (1.17) Determnando a v- ésma potênca da matrz M (λ) obtém-se a matrz de transção à v v j λ 1 j2 passos, cujo elemento (j 1,j 2 ), denotado por p ( ), é a probabldade de se transtar do nível j 1 para o nível j 2 em v passos. Na generaldade dos sstemas de bónus, as matrzes de transção assocadas são regulares, 0 sto é, exste um ntero ξ 0 1 tal que os elementos de ( λ) M são estrtamente postvos. Consequentemente, a cadea de Markov que descreve a trajectóra de um segurado com frequênca de snstraldade esperada λ é ergódca e possu uma π ( λ) π 0 ( λ), π 1 ( λ), Λ, π s ( λ) dstrbução estaconára ( ) T = ; π j (λ) é a probabldade estaconára para um segurado com frequênca de snstraldade méda λ de estar no nível j, sto é, π v λ) = lm p j j ( ) (1.18) ( 1 λ 2 2 j v Note-se que π (λ) não depende da classe de entrada. O vector π (λ) é solução do sstema ξ T T π ( λ) = π ( λ) M ( λ) T π ( λ) e= 1 (1.19) 32
32 onde e é um vector coluna com todos os elementos guas à 1. Seja agora E a matrz de dmensão (s+1)x(s+1) cujas entradas são guas à 1, sto é, consste de s+1 vectores e. Então T 1 π ( λ) = e T ( I M ( λ) + E) (1.20) Para uma abordagem mas pormenorzada sobre sstemas de bonus-malus veja-se Centeno (2003), Lemare (1995) ou Norberg (1976). 1.4 Integração entre a Tarfação a pror e a posteror O processo de ntegração é geralmente feto no decorrer da estmação, pelos modelos lneares generalzados, da estrutura a pror, consderando-se o sstema de bónus como uma restrção ou como uma varável endógena. O método mas comum consste em ntroduzr o sstema de bónus que se estudou de forma ndependente e estmar a estrutura tarfára a pror, dado o sstema de bónus. Fxando, como é habtual, o valor da classe de entrada em 1, tem-se b( j) c ( j) =, j = 1,2, Λ, s (1.21) b( e) onde e representa agora a classe de entrada no sstema. Quando se está a proceder à estmação da tarfa, o segurado estará numa determnada classe do sstema, j*, no período em estudo e defne-se então o seu coefcente como 33
33 c = c( j*). Pretende-se que os factores a pror contrbuam para estmar µ ao nvés de c µ uma vez que o sstema de bónus é fxado exogenamente. No quadro dos modelos lneares generalzados consderando uma função de lgação µ logarítmca, tem-se η = ln, ou seja, c k µ = c exp( η ) = c exp( X β ) = exp(ln c + X β ) (1.22) j= 1 j j Assm, ao estmar o modelo, consdera-se lnc como uma varável adconal com coefcente pré-fxado no valor em 1. k j= 1 j j Uma segunda alternatva consste em utlzar a classe do sstema de bonus, fxando-se os coefcentes apenas nesta fase, sto é, smultaneamente com aqueles que se vão aplcar aos restantes factores tarfáros. Neste caso, o sstema é desdobrado em s-1 varáves artfcas e estmam-se, admtndo-se uma estrutura multplcatva, os parâmetros correspondentes. Escolhe-se como padrão para o factor do sstema a classe de entrada e. Os restantes coefcentes são estmados de forma dêntca aos parâmetros que afectam as outras varáves. Caso se tenha optado por uma escala de bónus geométrca exste anda uma alternatva possível. Consdere-se a apólce stuada na classe r do sstema de bónus cujo coefcente é dado por c r ( ab ) e ( ab ) r e = = b. 34
34 Assm, ter-se-á k k r e b + = + X jβ j ) exp(( r e) ln b j= 1 j= 1 µ = exp(ln X β ) (1.23) sendo o parâmetro lnb estmado como qualquer β j na componente lnear e a expressão r e passa a consttur uma varável exógena do modelo. j j Nas três stuações acma descrtas, consdera-se geralmente o sstema de bónus no que dz respeto à estmação das componentes do número de um snstro e não ao custo esperado do mesmo. 35
35 Capítulo 2 Uma Solução Alternatva ao Método de Construção de Tarfas tradconal As escalas de bonus malus tradconas possuem algumas desvantagens quando comparadas com modelos de credbldade baseados na frequênca. A prmera e prncpal dferença, é a progressva concentração de segurados nos níves mas baxos da escala, o que geralmente se deve ao facto de as regras de transção não serem sufcentemente severas. Além dsso, sendo os prémos relatvos dos dferentes níves guas, qualquer que seja a classe de rsco à qual os segurados pertençam, as escalas sobre penalzam os maus rscos a pror e sobre benefcam os bons rscos a pror. Este fenómeno pode ser faclmente explcado. Com o decorrer do tempo, os segurados são dstrbuídos pelos dferentes níves da escala de bonus malus em função do número de snstros que partcpam. Como a trajectóra dos mesmos é função do hstoral de snstros, então os segurados com frequênca de snstraldade a pror baxa rão gravtar nos níves mas baxos da escala, o contráro sucedendo com os segurados que possuam elevada frequênca de snstraldade a pror. Nas secções seguntes apresentar-se-ão dos métodos, o prmero lgado à teora da credbldade e o segundo baseado num sstema de bonus-malus. 36
Análise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA
Análse de Regressão Profa Alcone Mranda dos Santos Departamento de Saúde Públca UFMA Introdução Uma das preocupações estatístcas ao analsar dados, é a de crar modelos que explctem estruturas do fenômeno
Leia maisTEORIA DE ERROS * ERRO é a diferença entre um valor obtido ao se medir uma grandeza e o valor real ou correto da mesma.
UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO CENTRO DE CIÊNCIAS EXATAS DEPARTAMENTO DE FÍSICA AV. FERNANDO FERRARI, 514 - GOIABEIRAS 29075-910 VITÓRIA - ES PROF. ANDERSON COSER GAUDIO FONE: 4009.7820 FAX: 4009.2823
Leia maisNOTA II TABELAS E GRÁFICOS
Depto de Físca/UFMG Laboratóro de Fundamentos de Físca NOTA II TABELAS E GRÁFICOS II.1 - TABELAS A manera mas adequada na apresentação de uma sére de meddas de um certo epermento é através de tabelas.
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisIntrodução à Análise de Dados nas medidas de grandezas físicas
Introdução à Análse de Dados nas meddas de grandezas físcas www.chem.wts.ac.za/chem0/ http://uregna.ca/~peresnep/ www.ph.ed.ac.uk/~td/p3lab/analss/ otas baseadas nos apontamentos Análse de Dados do Prof.
Leia maisO problema da superdispersão na análise de dados de contagens
O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão
Leia maisCAPÍTULO VI Introdução ao Método de Elementos Finitos (MEF)
PMR 40 - Mecânca Computaconal CAPÍTULO VI Introdução ao Método de Elementos Fntos (MEF). Formulação Teórca - MEF em uma dmensão Consderemos a equação abao que representa a dstrbução de temperatura na barra
Leia maisProfessor Mauricio Lutz CORRELAÇÃO
Professor Maurco Lutz 1 CORRELAÇÃO Em mutas stuações, torna-se nteressante e útl estabelecer uma relação entre duas ou mas varáves. A matemátca estabelece város tpos de relações entre varáves, por eemplo,
Leia maisCovariância e Correlação Linear
TLF 00/ Cap. X Covarânca e correlação lnear Capítulo X Covarânca e Correlação Lnear 0.. Valor médo da grandeza (,) 0 0.. Covarânca na propagação de erros 03 0.3. Coecente de correlação lnear 05 Departamento
Leia mais5.1 Seleção dos melhores regressores univariados (modelo de Índice de Difusão univariado)
5 Aplcação Neste capítulo será apresentada a parte empírca do estudo no qual serão avalados os prncpas regressores, um Modelo de Índce de Dfusão com o resultado dos melhores regressores (aqu chamado de
Leia maisPARTE 1. 1. Apresente as equações que descrevem o comportamento do preço de venda dos imóveis.
EXERCICIOS AVALIATIVOS Dscplna: ECONOMETRIA Data lmte para entrega: da da 3ª prova Valor: 7 pontos INSTRUÇÕES: O trabalho é ndvdual. A dscussão das questões pode ser feta em grupo, mas cada aluno deve
Leia maisUNIVERSIDADE TÉCNICA DE LISBOA
UNIVERSIDADE TÉCNICA DE LISBOA INSTITUTO SUPERIOR DE ECONOMIA E GESTÃO MESTRADO EM: Cêncas Actuaras SISTEMA DE BONUS-MALUS PARA FROTAS DE VEÍCULOS Elsabete da Conceção Pres de Almeda Nora Orentação: Doutor
Leia maisObjetivos da aula. Essa aula objetiva fornecer algumas ferramentas descritivas úteis para
Objetvos da aula Essa aula objetva fornecer algumas ferramentas descrtvas útes para escolha de uma forma funconal adequada. Por exemplo, qual sera a forma funconal adequada para estudar a relação entre
Leia maisESTATÍSTICA MULTIVARIADA 2º SEMESTRE 2010 / 11. EXERCÍCIOS PRÁTICOS - CADERNO 1 Revisões de Estatística
ESTATÍSTICA MULTIVARIADA º SEMESTRE 010 / 11 EXERCÍCIOS PRÁTICOS - CADERNO 1 Revsões de Estatístca -0-11 1.1 1.1. (Varáves aleatóras: função de densdade e de dstrbução; Méda e Varânca enquanto expectatvas
Leia maisProbabilidade e Estatística. Correlação e Regressão Linear
Probabldade e Estatístca Correlação e Regressão Lnear Correlação Este uma correlação entre duas varáves quando uma delas está, de alguma forma, relaconada com a outra. Gráfco ou Dagrama de Dspersão é o
Leia maisY X Baixo Alto Total Baixo 1 (0,025) 7 (0,175) 8 (0,20) Alto 19 (0,475) 13 (0,325) 32 (0,80) Total 20 (0,50) 20 (0,50) 40 (1,00)
Bussab&Morettn Estatístca Básca Capítulo 4 Problema. (b) Grau de Instrução Procedênca º grau º grau Superor Total Interor 3 (,83) 7 (,94) (,) (,33) Captal 4 (,) (,39) (,) (,3) Outra (,39) (,7) (,) 3 (,3)
Leia maisAnálise Econômica da Aplicação de Motores de Alto Rendimento
Análse Econômca da Aplcação de Motores de Alto Rendmento 1. Introdução Nesta apostla são abordados os prncpas aspectos relaconados com a análse econômca da aplcação de motores de alto rendmento. Incalmente
Leia maisAplicando o método de mínimos quadrados ordinários, você encontrou o seguinte resultado: 1,2
Econometra - Lsta 3 - Regressão Lnear Múltpla Professores: Hedbert Lopes, Prscla Rbero e Sérgo Martns Montores: Gustavo Amarante e João Marcos Nusdeo QUESTÃO 1. Você trabalha na consultora Fazemos Qualquer
Leia maisEquipas Educativas Para uma nova organização da escola. João Formosinho Joaquim Machado
Equpas Educatvas Para uma nova organzação da escola João Formosnho Joaqum Machado TRANSFORMAÇÕES NA ESCOLA BÁSICA TRANSFORMAÇÕES NA ESCOLA BÁSICA A expansão escolar e a mplementação das polítcas de nclusão
Leia maisMinistério da Educação. Instituto Nacional de Estudos e Pesquisas Educacionais Anísio Teixeira. Cálculo do Conceito Preliminar de Cursos de Graduação
Mnstéro da Educação Insttuto Naconal de Estudos e Pesqusas Educaconas Aníso Texera Cálculo do Conceto Prelmnar de Cursos de Graduação Nota Técnca Nesta nota técnca são descrtos os procedmentos utlzados
Leia maisPROJEÇÕES POPULACIONAIS PARA OS MUNICÍPIOS E DISTRITOS DO CEARÁ
GOVERNO DO ESTADO DO CEARÁ SECRETARIA DO PLANEJAMENTO E GESTÃO - SEPLAG INSTITUTO DE PESQUISA E ESTRATÉGIA ECONÔMICA DO CEARÁ - IPECE NOTA TÉCNICA Nº 29 PROJEÇÕES POPULACIONAIS PARA OS MUNICÍPIOS E DISTRITOS
Leia maisIntrodução e Organização de Dados Estatísticos
II INTRODUÇÃO E ORGANIZAÇÃO DE DADOS ESTATÍSTICOS 2.1 Defnção de Estatístca Uma coleção de métodos para planejar expermentos, obter dados e organzá-los, resum-los, analsá-los, nterpretá-los e deles extrar
Leia maisRegressão Múltipla. Parte I: Modelo Geral e Estimação
Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses
Leia maisSistemas Robóticos. Sumário. Introdução. Introdução. Navegação. Introdução Onde estou? Para onde vou? Como vou lá chegar?
Sumáro Sstemas Robótcos Navegação Introdução Onde estou? Para onde vou? Como vou lá chegar? Carlos Carreto Curso de Engenhara Informátca Ano lectvo 2003/2004 Escola Superor de Tecnologa e Gestão da Guarda
Leia maisAssociação entre duas variáveis quantitativas
Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa
Leia maisMODELOS DE REGRESSÃO PARAMÉTRICOS
MODELOS DE REGRESSÃO PARAMÉTRICOS Às vezes é de nteresse nclur na análse, característcas dos ndvíduos que podem estar relaconadas com o tempo de vda. Estudo de nsufcênca renal: verfcar qual o efeto da
Leia maisDIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS
DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS 1 A análse de dagnóstco (ou dagnóstco do ajuste) confgura uma etapa fundamental no ajuste de modelos de regressão. O objetvo prncpal da análse de dagnóstco
Leia maisREGRESSÃO LOGÍSTICA. Seja Y uma variável aleatória dummy definida como:
REGRESSÃO LOGÍSTCA. ntrodução Defnmos varáves categórcas como aquelas varáves que podem ser mensurados usando apenas um número lmtado de valores ou categoras. Esta defnção dstngue varáves categórcas de
Leia maisFast Multiresolution Image Querying
Fast Multresoluton Image Queryng Baseado no artgo proposto por: Charles E. Jacobs Adan Fnkelsten Davd H. Salesn Propõe um método para busca em um banco de dados de magem utlzando uma magem de consulta
Leia maisOs modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.
MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,
Leia maisSinais Luminosos 2- CONCEITOS BÁSICOS PARA DIMENSIONAMENTO DE SINAIS LUMINOSOS.
Snas Lumnosos 1-Os prmeros snas lumnosos Os snas lumnosos em cruzamentos surgem pela prmera vez em Londres (Westmnster), no ano de 1868, com um comando manual e com os semáforos a funconarem a gás. Só
Leia maiswww.obconcursos.com.br/portal/v1/carreirafiscal
www.obconcursos.com.br/portal/v1/carrerafscal Moda Exercíco: Determne o valor modal em cada um dos conjuntos de dados a segur: X: { 3, 4,, 8, 8, 8, 9, 10, 11, 1, 13 } Mo 8 Y: { 10, 11, 11, 13, 13, 13,
Leia mais7. Resolução Numérica de Equações Diferenciais Ordinárias
7. Resolução Numérca de Equações Dferencas Ordnáras Fenômenos físcos em dversas áreas, tas como: mecânca dos fludos, fluo de calor, vbrações, crcutos elétrcos, reações químcas, dentre váras outras, podem
Leia maisUNIVERSIDADE PRESBITERIANA MACKENZIE CCSA - Centro de Ciências Sociais e Aplicadas Curso de Economia
CCSA - Centro de Cêncas Socas e Aplcadas Curso de Economa ECONOMIA REGIONAL E URBANA Prof. ladmr Fernandes Macel LISTA DE ESTUDO. Explque a lógca da teora da base econômca. A déa que sustenta a teora da
Leia maisSistemas de Filas: Aula 5. Amedeo R. Odoni 22 de outubro de 2001
Sstemas de Flas: Aula 5 Amedeo R. Odon 22 de outubro de 2001 Teste 1: 29 de outubro Com consulta, 85 mnutos (níco 10:30) Tópcos abordados: capítulo 4, tens 4.1 a 4.7; tem 4.9 (uma olhada rápda no tem 4.9.4)
Leia maisINTRODUÇÃO AO CÁLCULO DE ERROS NAS MEDIDAS DE GRANDEZAS FÍSICAS
Físca Laboratoral Ano Lectvo 003/04 ITRODUÇÃO AO CÁLCULO DE ERROS AS MEDIDAS DE GRADEAS FÍSICAS. Introdução.... Erros de observação: erros sstemátcos e erros fortutos ou acdentas... 3. Precsão e rgor...3
Leia maisEstatística I Licenciatura MAEG 2006/07
Estatístca I Lcencatura MAEG 006/07 AMOSTRAGEM. DISTRIBUIÇÕES POR AMOSTRAGEM.. Em determnada unversdade verfca-se que 30% dos alunos têm carro. Seleccona-se uma amostra casual smples de 0 alunos. a) Qual
Leia maisCURSO ON-LINE PROFESSOR: VÍTOR MENEZES
O Danel Slvera pedu para eu resolver mas questões do concurso da CEF. Vou usar como base a numeração do caderno foxtrot Vamos lá: 9) Se, ao descontar uma promssóra com valor de face de R$ 5.000,00, seu
Leia maisEstatística stica Descritiva
AULA1-AULA5 AULA5 Estatístca stca Descrtva Prof. Vctor Hugo Lachos Davla oo que é a estatístca? Para mutos, a estatístca não passa de conjuntos de tabelas de dados numércos. Os estatístcos são pessoas
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ DEPARTAMENTO DE ESTATÍSTICA CE 071 ANÁLISE DE REGRESSÃO LINEAR. Cesar Augusto Taconeli
UNIVERSIDADE FEDERAL DO PARANÁ DEPARTAMENTO DE ESTATÍSTICA CE 7 ANÁLISE DE REGRESSÃO LINEAR Cesar Augusto Taconel Curtba-PR . INTRODUÇÃO Taconel, C.A. Análse de Regressão Lnear Ao se tratar da relação
Leia maisControlo Metrológico de Contadores de Gás
Controlo Metrológco de Contadores de Gás José Mendonça Das (jad@fct.unl.pt), Zulema Lopes Perera (zlp@fct.unl.pt) Departamento de Engenhara Mecânca e Industral, Faculdade de Cêncas e Tecnologa da Unversdade
Leia maisVariabilidade Espacial do Teor de Água de um Argissolo sob Plantio Convencional de Feijão Irrigado
Varabldade Espacal do Teor de Água de um Argssolo sob Planto Convenconal de Fejão Irrgado Elder Sânzo Aguar Cerquera 1 Nerlson Terra Santos 2 Cásso Pnho dos Res 3 1 Introdução O uso da água na rrgação
Leia mais3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo
3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas
Leia maisCapítulo 1. Exercício 5. Capítulo 2 Exercício
UNIVERSIDADE FEDERAL DE GOIÁS CIÊNCIAS ECONÔMICAS ECONOMETRIA (04-II) PRIMEIRA LISTA DE EXERCÍCIOS Exercícos do Gujarat Exercíco 5 Capítulo Capítulo Exercíco 3 4 5 7 0 5 Capítulo 3 As duas prmeras demonstrações
Leia maisCAPÍTULO 1 Exercícios Propostos
CAPÍTULO 1 Exercícos Propostos Atenção: Na resolução dos exercícos consderar, salvo menção em contráro, ano comercal de das. 1. Qual é a taxa anual de juros smples obtda em uma aplcação de $1.0 que produz,
Leia maisREGRESSÃO NÃO LINEAR 27/06/2017
7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados
Leia mais3 A técnica de computação intensiva Bootstrap
A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.
Leia maisCaderno de Exercícios Resolvidos
Estatístca Descrtva Exercíco 1. Caderno de Exercícos Resolvdos A fgura segunte representa, através de um polígono ntegral, a dstrbução do rendmento nas famílas dos alunos de duas turmas. 1,,75 Turma B
Leia maisDespacho Econômico de. Sistemas Termoelétricos e. Hidrotérmicos
Despacho Econômco de Sstemas Termoelétrcos e Hdrotérmcos Apresentação Introdução Despacho econômco de sstemas termoelétrcos Despacho econômco de sstemas hdrotérmcos Despacho do sstema braslero Conclusões
Leia maisModelo linear clássico com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear clássco com erros heterocedástcos O método de mínmos quadrados ponderados 1 Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisEscolha do Consumidor sob condições de Risco e de Incerteza
9/04/06 Escolha do Consumdor sob condções de Rsco e de Incerteza (Capítulo 7 Snyder/Ncholson e Capítulo Varan) Turma do Prof. Déco Kadota Dstnção entre Rsco e Incerteza Na lteratura econômca, a prmera
Leia mais2 Incerteza de medição
2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr
Leia maisCENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnilesteMG
1 CENTRO UNIVERSITÁRIO DO LESTE DE MINAS GERAIS - UnlesteMG Dscplna: Introdução à Intelgênca Artfcal Professor: Luz Carlos Fgueredo GUIA DE LABORATÓRIO LF. 01 Assunto: Lógca Fuzzy Objetvo: Apresentar o
Leia maisLQA - LEFQ - EQ -Química Analítica Complemantos Teóricos 04-05
LQA - LEFQ - EQ -Químca Analítca Complemantos Teórcos 04-05 CONCEITO DE ERRO ALGARISMOS SIGNIFICATIVOS Embora uma análse detalhada do erro em Químca Analítca esteja fora do âmbto desta cadera, sendo abordada
Leia mais2 ANÁLISE ESPACIAL DE EVENTOS
ANÁLISE ESPACIAL DE EVENTOS Glberto Câmara Marla Sá Carvalho.1 INTRODUÇÃO Neste capítulo serão estudados os fenômenos expressos através de ocorrêncas dentfcadas como pontos localzados no espaço, denomnados
Leia maisPrograma do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall
Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação
Leia mais7 - Distribuição de Freqüências
7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste
Leia maisModelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados
Modelo lnear normal com erros heterocedástcos O método de mínmos quadrados ponderados Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal
Leia maisRegressão e Correlação Linear
Probabldade e Estatístca I Antono Roque Aula 5 Regressão e Correlação Lnear Até o momento, vmos técncas estatístcas em que se estuda uma varável de cada vez, estabelecendo-se sua dstrbução de freqüêncas,
Leia maisÉ o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisMétodo de Monte Carlo Aplicado às Finanças 1. Introdução 2. O Método de Monte Carlo 3. Inversão da Função de Distribuição 4. Algumas Aplicações 5.
Método de Monte Carlo Aplcado às Fnanças 1. Introdução. O Método de Monte Carlo 3. Inversão da Função de Dstrbução 4. Algumas Aplcações 5. Prncípos Báscos do Método de Monte Carlo 5.1 Introdução 5. Formulação
Leia maisMETROLOGIA E ENSAIOS
METROLOGIA E ENSAIOS Incerteza de Medção Prof. Aleandre Pedott pedott@producao.ufrgs.br Freqüênca de ocorrênca Incerteza da Medção Dstrbução de freqüênca das meddas Erro Sstemátco (Tendênca) Erro de Repettvdade
Leia maisVariação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.
Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na
Leia maisTestes não-paramétricos
Testes não-paramétrcos Prof. Lorí Val, Dr. http://www.mat.ufrgs.br/val/ val@mat.ufrgs.br Um teste não paramétrco testa outras stuações que não parâmetros populaconas. Estas stuações podem ser relaconamentos,
Leia maisReconhecimento Estatístico de Padrões
Reconhecmento Estatístco de Padrões X 3 O paradgma pode ser sumarzado da segunte forma: Cada padrão é representado por um vector de característcas x = x1 x2 x N (,,, ) x x1 x... x d 2 = X 1 X 2 Espaço
Leia maisNota Técnica Médias do ENEM 2009 por Escola
Nota Técnca Médas do ENEM 2009 por Escola Crado em 1998, o Exame Naconal do Ensno Médo (ENEM) tem o objetvo de avalar o desempenho do estudante ao fm da escolardade básca. O Exame destna-se aos alunos
Leia maisPROPOSIÇÃO, VALIDAÇÃO E ANÁLISE DOS MODELOS QUE CORRELACIONAM ESTRUTURA QUÍMICA E ATIVIDADE BIOLÓGICA
658 Gaudo & Zandonade Qum. Nova Qum. Nova, Vol. 4, No. 5, 658-671, 001. Dvulgação PROPOSIÇÃO, VALIDAÇÃO E ANÁLISE DOS MODELOS QUE CORRELACIONAM ESTRUTURA QUÍMICA E ATIVIDADE BIOLÓGICA Anderson Coser Gaudo
Leia maisLOGÍSTICA. Capítulo - 8 Armazenamento. Mostrar como o armazenamento é importante no sistema logístico
O Papel da Logístca na Organzação Empresaral e na Economa LOGÍSTICA Capítulo - 8 Objectvos do Capítulo Mostrar como o armazenamento é mportante no sstema logístco Identfcação dos prncpas tpos de armazenamento
Leia maisUTILIZAÇÃO DO MÉTODO DE TAGUCHI NA REDUÇÃO DOS CUSTOS DE PROJETOS. Uma equação simplificada para se determinar o lucro de uma empresa é:
UTILIZAÇÃO DO MÉTODO DE TAGUCHI A REDUÇÃO DOS CUSTOS DE PROJETOS Ademr José Petenate Departamento de Estatístca - Mestrado em Qualdade Unversdade Estadual de Campnas Brasl 1. Introdução Qualdade é hoje
Leia maisApostila de Estatística Curso de Matemática. Volume II 2008. Probabilidades, Distribuição Binomial, Distribuição Normal. Prof. Dr. Celso Eduardo Tuna
Apostla de Estatístca Curso de Matemátca Volume II 008 Probabldades, Dstrbução Bnomal, Dstrbução Normal. Prof. Dr. Celso Eduardo Tuna 1 Capítulo 8 - Probabldade 8.1 Conceto Intutvamente pode-se defnr probabldade
Leia maisCAP RATES, YIELDS E AVALIAÇÃO DE IMÓVEIS pelo método do rendimento
CAP RATES, YIELDS E AALIAÇÃO DE IMÓEIS pelo étodo do rendento Publcado no Confdencal Iobláro, Março de 2007 AMARO NAES LAIA Drector da Pós-Graduação de Gestão e Avalação Ioblára do ISEG. Docente das caderas
Leia maisFigura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma
Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas
Leia maisCORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr
Leia maisElaboração: Fevereiro/2008
Elaboração: Feverero/2008 Últma atualzação: 19/02/2008 E ste Caderno de Fórmulas tem por objetvo esclarecer aos usuáros a metodologa de cálculo e os crtéros de precsão utlzados na atualzação das Letras
Leia maisRastreando Algoritmos
Rastreando lgortmos José ugusto aranauskas epartamento de Físca e Matemátca FFCLRP-USP Sala loco P Fone () - Uma vez desenvolvdo um algortmo, como saber se ele faz o que se supõe que faça? esta aula veremos
Leia mais4 Critérios para Avaliação dos Cenários
Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada
Leia maisAnálise de Projectos ESAPL / IPVC. Taxas Equivalentes Rendas
Análse de Projectos ESAPL / IPVC Taxas Equvalentes Rendas Taxas Equvalentes Duas taxas e, referentes a períodos dferentes, dzem-se equvalentes se, aplcadas a um mesmo captal, produzrem durante o mesmo
Leia maisNOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES
NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES 1 O nosso objetvo é estudar a relação entre duas varáves quanttatvas. Eemplos:. Idade e altura das cranças.. v. Tempo de prátca de esportes e rtmo cardíaco
Leia mais3 Algoritmos propostos
Algortmos propostos 3 Algortmos propostos Nesse trabalho foram desenvolvdos dos algortmos que permtem classfcar documentos em categoras de forma automátca, com trenamento feto por usuáros Tas algortmos
Leia maisCQ110 : Princípios de FQ
CQ110 : Prncípos de FQ CQ 110 Prncípos de Físco Químca Curso: Farmáca Prof. Dr. Marco Vdott mvdott@ufpr.br Potencal químco, m potencal químco CQ110 : Prncípos de FQ Propredades termodnâmcas das soluções
Leia maisAULA Espaços Vectoriais Estruturas Algébricas.
Note bem: a letura destes apontamentos não dspensa de modo algum a letura atenta da bblografa prncpal da cadera Chama-se a atenção para a mportânca do trabalho pessoal a realzar pelo aluno resolvendo os
Leia maisPLANILHAS EXCEL/VBA PARA PROBLEMAS ENVOLVENDO EQUILÍBRIO LÍQUIDO-VAPOR EM SISTEMAS BINÁRIOS
PLANILHAS EXCEL/VBA PARA PROBLEMAS ENVOLVENDO EQUILÍBRIO LÍQUIDO-VAPOR EM SISTEMAS BINÁRIOS L. G. Olvera, J. K. S. Negreros, S. P. Nascmento, J. A. Cavalcante, N. A. Costa Unversdade Federal da Paraíba,
Leia maisCurso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos
Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,
Leia mais3ª AULA: ESTATÍSTICA DESCRITIVA Medidas Numéricas
PROGRAMA DE PÓS-GRADUAÇÃO EM EGEHARIA DE TRASPORTES E GESTÃO TERRITORIAL PPGTG DEPARTAMETO DE EGEHARIA CIVIL ECV DISCIPLIA: TGT41006 FUDAMETOS DE ESTATÍSTICA 3ª AULA: ESTATÍSTICA DESCRITIVA Meddas umércas
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das
Leia maisVariáveis dummy: especificações de modelos com parâmetros variáveis
Varáves dummy: especfcações de modelos com parâmetros varáves Fabríco Msso, Lucane Flores Jacob Curso de Cêncas Econômcas/Unversdade Estadual de Mato Grosso do Sul E-mal: fabrcomsso@gmal.com Departamento
Leia maisJOANNE MEDEIROS FERREIRA ANÁLISE DE SOBREVIVÊNCIA: UMA VISÃO DE RISCO COMPORTAMENTAL NA UTILIZAÇÃO DE CARTÃO DE CRÉDITO.
JOANNE MEDEIROS FERREIRA ANÁLISE DE SOBREVIVÊNCIA: UMA VISÃO DE RISCO COMPORTAMENTAL NA UTILIZAÇÃO DE CARTÃO DE CRÉDITO. RECIFE-PE, 007 UNIVERSIDADE FEDERAL RURAL DE PERNAMBUCO PRÓ-REITORIA DE PESQUISA
Leia maisCarlos Sérgio Araújo dos Santos José Antonio Aleixo da Silva Gauss Moutinho Cordeiro Joseilme Fernandes Gouveia Alisson de Oliveira Silva
Modelos Smétrcos Transformados não lneares com aplcação na estmatva volumétrca em Híbrdo de Eucalyptus teretcorns no Pólo Gessero do Ararpe - PE Carlos Sérgo Araújo dos Santos José Antono Alexo da Slva
Leia maisExpressão da Incerteza de Medição para a Grandeza Energia Elétrica
1 a 5 de Agosto de 006 Belo Horzonte - MG Expressão da ncerteza de Medção para a Grandeza Energa Elétrca Eng. Carlos Alberto Montero Letão CEMG Dstrbução S.A caletao@cemg.com.br Eng. Sérgo Antôno dos Santos
Leia maisO COMPORTAMENTO DOS BANCOS DOMÉSTICOS E NÃO DOMÉSTICOS NA CONCESSÃO DE CRÉDITO À HABITAÇÃO: UMA ANÁLISE COM BASE EM DADOS MICROECONÓMICOS*
O COMPORTAMENTO DOS BANCOS DOMÉSTICOS E NÃO DOMÉSTICOS NA CONCESSÃO DE CRÉDITO À HABITAÇÃO: UMA ANÁLISE COM BASE EM DADOS MICROECONÓMICOS* Sóna Costa** Luísa Farnha** 173 Artgos Resumo As nsttuções fnanceras
Leia maisEstimativa da Incerteza de Medição da Viscosidade Cinemática pelo Método Manual em Biodiesel
Estmatva da Incerteza de Medção da Vscosdade Cnemátca pelo Método Manual em Bodesel Roberta Quntno Frnhan Chmn 1, Gesamanda Pedrn Brandão 2, Eustáquo Vncus Rbero de Castro 3 1 LabPetro-DQUI-UFES, Vtóra-ES,
Leia maisUNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)
UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade
Leia mais1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA
1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de
Leia mais1. CORRELAÇÃO E REGRESSÃO LINEAR
1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação
Leia maisINTRODUÇÃO À ANÁLISE DE DADOS NAS MEDIDAS DE GRANDEZAS FÍSICAS
Físca Laboratoral Ano Lectvo 003/04 ITRODUÇÃO À AÁLISE DE DADOS AS MEDIDAS DE GRADEZAS FÍSICAS. Introdução.... Erros de observação: erros sstemátcos e erros fortutos ou acdentas... 3. Precsão e rgor...4
Leia maisTeoria Elementar da Probabilidade
10 Teora Elementar da Probabldade MODELOS MATEMÁTICOS DETERMINÍSTICOS PROBABILÍSTICOS PROCESSO (FENÓMENO) ALEATÓRIO - Quando o acaso nterfere na ocorrênca de um ou mas dos resultados nos quas tal processo
Leia mais1 a Lei de Kirchhoff ou Lei dos Nós: Num nó, a soma das intensidades de correntes que chegam é igual à soma das intensidades de correntes que saem.
Les de Krchhoff Até aqu você aprendeu técncas para resolver crcutos não muto complexos. Bascamente todos os métodos foram baseados na 1 a Le de Ohm. Agora você va aprender as Les de Krchhoff. As Les de
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca
Leia maisEquações Simultâneas
Equações Smultâneas Caracterzação. Os modelos de equações smultâneasenvolvem mas de uma varável dependente, ou endógena, sendo necessáras tantas equações quanto for o número de varáves endógenas 2. Uma
Leia mais