Value-at-Risk: Overview. Análise de Risco (1) R.Vicente mpmmf
|
|
- Matheus Bardini Caetano
- 6 Há anos
- Visualizações:
Transcrição
1 Value-at-Risk: Overview Análise de Risco () R.Vicente mpmmf
2 Resumo Objetivos Definição Esquema Geral Dinâmica de Preços Passeio Aleatório Discreto Somas de Variáveis Aleatórias Teorema Central do Limite Estatística dos Retornos Auto-Correlação Volatilidade Matrizes de Correlação Bibliografia 2
3 Objetivos. Medida de exposição por transação, unidade de negócios ou agregada; 2. Alocação de capital apropriada ao valor de mercado e risco; 3. Estabelecimento de limites de exposição; 4. Disclosure para acionistas, mercado e órgãos regulatórios; 5. Avaliação de traders e/ou unidades de negócio. 3
4 Definição Dado um horizonte de tempo T e um nível de confiança p, o VaR é a perda no valor de mercado no horizonte T que pode ser excedida com probabilidade -p. BIS: p=0,99 e T = 0 dias JPM: p=0,95 e T = dia O VaR é apenas um benchmark para decisões comparativas. Em situações adversas podem ocorrer problemas de liquidez que podem ampliar significativamente perdas potenciais. 4
5 Esquema Geral Simulação de mudanças nos preços e taxas. (modelos estatísticos paramétricos ou bootstrap) Base de dados com carteiras Cálculo do valor de mercado de cada instrumento para cada cenário de preços e taxas. (aproximações de a (delta) ou 2a (delta-gama) ordem, full valuation) 5
6 O que é necessário?. Modelo para as mudanças aleatórios nos preços; 2. Modelo para preços e sensibilidades de derivativos 6
7 Dinâmica de Preços R = μ + σ ε t t t t μ t = ERI t t σ var t = Rt It E ε I = 0 var ε I = t t t t μσ, Plain vanilla model : constantes. ε iid N(0,) 7
8 Passeio Aleatório Discreto S = S + σε n n n εn ~ p( ε) = δε ( s) + δε ( + s) iid n = 0 n = s n j = s nj ε ε ε ε δ
9 Passeio Aleatório Discreto S N = N j= ε j S 000 S N N = ε = j= j 0 S N N = ε j = Ns j= 9
10 Convolução Qual é a distribuição de SN = ε j? N j= X = X + X x ~ p ( x ) 2 p( x) = dx p ( x ) p ( x x ) 2 p= p p 2 j j j 0
11 Convolução N j= X = X x ~ p ( x ) j= px ( ) = dx j p( x ) pn ( x N ) pn( x x x ' N ) 2 Qual é a distribuição de Sn = ε? j N N j j j j p= p p p j= N ( ) = () ε () ε () ε = () ε p SN p p p p N termos N
12 Convolução no Espaço de Fourier N j= pˆ( z) = dx exp( izx ± izx ± izx ) ' ' N dx p ( x ) p ( x ) p ( x x x ) j N N N ' N N pz ˆ( ) = pˆ ( z) j= j Como conseqüência os cumulantes se somam: N N ln pˆ( z) = ln pˆ ( ) ln ˆ j z = pj( z) j= j= l N l ln pˆ (0) c = i = c ( ) ln, l l, j z j= 2
13 Se as variáveis são i.i.d. os cumulantes de uma soma de N variáveis são: Os cumulantes normalizados são: λ ln, Cumulantes c ln, l, c = = l ln, l, 2 N l c 2 2, 2, N ( c ) = Nc c Em uma soma de N variáveis i.i.d. a assimetria (skewness), a curtose e os cumulantes superiores decaem como: λ3 κ λl l 2 λ3, N = κn = λl, N =, β = β N N N 2 3
14 Teorema Central do Limite { } N X = Seja uma seqüência de variáveis aleatórias i.i.d. k k com distribuição comum. Suponha que estejam definidos os dois primeiros cumulantes. μ = X = k c σ = k k = X X c 2 S N Seja, então, para fixo: N = X β k= k SN Nμ P σ N < β N 2π β dxe x 2 2 4
15 Teorema Central do Limite 5
16 Distribuições Estáveis Se a distribuição de SN = Xk tiver a mesma forma funcional, da distribuição de, a distribuição de é dita estável. N k= X k X k Portanto, uma distribuição é estável se, no espaço de Fourier, sua função característica for [ ˆ ] pˆ ( z) = p( z) n n pˆ ( ) ˆ ( ) n z e p z tal que tenham a mesma forma funcional. 6
17 Distribuições Estáveis Exemplo: A distribuição Lorentziana (Cauchy) é estável: No espaço de Fourier: px ( ) = ixz γ e pz ˆ( ) = dx = e 2 2 πγ + x Retornando ao espaço original: γ πγ γ z + x 2 2 n pˆ ( z) = e γ n z ixz nγ z nγ pn( x) = dz e e = 2 π π ( nγ) + x 2 2 7
18 Distribuições Estáveis A classe completa de distribuições estáveis é descrita pela seguinte família de funções características (Lévy e Khintchine): μ z π iλz a z μ iβ tan μ, μ z 2 ln pz ˆ( ) = z 2 iλz aμ z iβ ln z, μ= z π 0< μ 2 a > 0 λ β [, + ] μ 8
19 Exponencial Distribuições Estáveis LÉVY Lorentziana Lévy-Smirnoff ( β = ) Uniforme NORMAL μ 2 μ = μ =/2 μ 0 9
20 Passeio Aleatório Contínuo S ε n n n n = S + σε ~ p( ε) iid n = 0 n = s n j = s nj ε ε ε ε δ n Δt 0 com nδt t s = = Δ t S () t ns t 20
21 Definindo Passeio Aleatório Contínuo: S 2 () t = Dt Constante de difusão 2 s = DΔt Difusão p( x, t) = exp 2πDt ( x x ) 2 0 2Dt Equação de Difusão t x 2 x 2 p p D p = x
22 Caudas Pesadas 22
23 Caudas Pesadas 23
24 Caudas Pesadas 24
25 Estatística dos Retornos: IBOV IBOVESPA jul-94 jan-95 jul-95 jan-96 jul-96 jan-97 jul-97 jan-98 jul-98 jan-99 jul-99 jan-00 jul-00 jan-0 jul-0 jan-02 jul-02 0,4 0,3 0,2 0, 0-0, -0,2 S S S S = ln S S S Δ t + t t + t t t jul-94 jan-95 jul-95 jan-96 jul-96 jan-97 jul-97 jan-98 jul-98 jan-99 jul-99 jan-00 jul-00 jan-0 jul-0 jan-02 jul-02 25
26 Estatística dos Retornos: Leptocurtose no IBOV Média -0,002 IBOVESPA x t S ln t+ = S t Assimetria -0,5 Curtose 3,87 Um teste de Kolmoroff-Smirnoff rejeita a normalidade da amostra com p- value de 0,038 para um nível de significância de 5%. 26
27 Auto-correlação CL ( ) = xt+ Lxt xt+ L xt IBOVESPA 99% de confiança 27
28 Leptocurtose e Heterocedasticidade Retornos independentes e gaussianos mas com a volatilidade mudando com o tempo geram distribuições de retornos agregados leptocúrticas. [ px ( )] = dσ p( σ) exp 2 2πσ σ [ σ ] [ ] [ σ ] [ σ ] [ κ] = x 2σ 2 28
29 Leptocurtose e Jump Diffusion Retornos independentes e gaussianos mas com picos eventuais de volatilidade também geram distribuições de retornos agregados leptocúrticas. 29
30 Leptocurtose e Mistura de Normais Qualquer curtose pode ser gerada via uma mistura de distribuições normais Normal : probabilidade p Normal 2: probabilidade -p X X 2 2 = αz = βz var( X) = pα + ( p) β = σ β = σ pα p EX κ = = 3 pα + ( p) β 4 σ ( 4 4 ) 30
31 Volatilidades As volatilidades são bem descritas por um modelo GARCH e são altamente heterocedasticas. 3
32 Auto-correlação das Volatilidades As volatilidades são bem descritas por um modelo GARCH e são altamente heterocedasticas e auto-correlacionadas. 32
33 Matriz de Correlações Espectro de Autovalores MARKET RANDOM 33
34 Bibliografia Duffie e Pan, An Overview of Value at Risk Bouchaud e Potters, Theory of Financial Risk; Mantegna R.N. e Stanley E., An Introduction to Econophysics; Feller W., An Introduction to Probability Theory and Applications; Leitura Complementar Sornette e Andersen, Increments of Uncorralated Time Series Can Be Predicted With a Universal 75% Probability of Success; 34
Noções de Simulação. Ciências Contábeis - FEA - Noturno. 2 o Semestre MAE0219 (IME-USP) Noções de Simulação 2 o Semestre / 23
Noções de Simulação Ciências Contábeis - FEA - Noturno 2 o Semestre 2013 MAE0219 (IME-USP) Noções de Simulação 2 o Semestre 2013 1 / 23 Objetivos da Aula Sumário 1 Objetivos da Aula 2 Motivação 3 Geração
Leia maisDistribuições de Probabilidade Contínuas 1/19
all Distribuições de Probabilidade Contínuas Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário Norte
Leia maisPrincípios de Modelagem Matemática Aula 10
Princípios de Modelagem Matemática Aula 10 Prof. José Geraldo DFM CEFET/MG 19 de maio de 2014 1 Alguns resultados importantes em estatística A distribuição normal tem importante papel em estatística pois
Leia maisPARTE TEÓRICA Perguntas de escolha múltipla
PROBABILIDADES E ESTATÍSTICA MIEEC/FEUP PARTE TEÓRICA Perguntas de escolha múltipla 1 Dada a experiência aleatória ε define-se espaço amostral associado a ε como sendo: A O espaço físico onde se realiza
Leia maisProcessos estocásticos
36341 - Introdução aos Processos Estocásticos Curso de Pós-Graduação em Engenharia Elétrica Departamento de Engenharia Elétrica Universidade de Brasília Processos estocásticos Geovany A. Borges gaborges@ene.unb.br
Leia maisAnálise de Dados e Simulação
Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco Simulação de Variáveis Aleatórias Contínuas. O método da Transformada Inversa Teorema Seja U U (0,1). Para qualquer
Leia maisObjetivos. fim de servir de entrada na simulação de um modelo.
Geração de variáveis aleatórias Objetivos Geração de amostras para uma distribuição em específico a fim de servir de entrada na simulação de um modelo. Ilustrar algumas técnicas usadas para geração de
Leia mais4 Processos Estocásticos e Simulação de Monte Carlo
33 4 Processos Estocásticos e Simulação de Monte Carlo O processo estocástico faz a descrição de uma variável com comportamento ao menos em parte de maneira aleatória através do tempo, onde se assume valores
Leia maisPROCESSOS ESTOCÁSTICOS
PROCESSOS ESTOCÁSTICOS Definições, Principais Tipos, Aplicações em Confiabilidade de Sistemas e Sinais CLARKE, A. B., DISNEY, R. L. Probabilidade e Processos Estocásticos, Rio de Janeiro: Livros Técnicos
Leia maisVaR via Simulação. Análise de Risco (5) R.Vicente
VaR via Simulação Análise de Risco (5) R.Vicente 1 Resumo Monte Carlo para Avaliação Risco Carteiras com Derivativos Múltiplos Fatores de Risco Números Pseudo-aleatórios Cenários de Stress: Estudo de Caso
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 maisMAT 461 Tópicos de Matemática II Aula 8: Resumo de Probabilidade
MAT 461 Tópicos de Matemática II Aula 8: Resumo de Probabilidade Edson de Faria Departamento de Matemática IME-USP 28 de Agosto, 2013 Probabilidade: uma Introdução / Aula 8 1 Desigualdades de Markov e
Leia maisIND 1115 Inferência Estatística Aula 6
Conteúdo IND 5 Inferência Estatística Aula 6 Setembro de 004 A distribuição Lognormal A distribuição Beta e sua relação com a Uniforme(0,) Mônica Barros mbarros.com mbarros.com A distribuição Lognormal
Leia maisVariáveis Aleatórias Contínuas e Distribuição de Probabilidad
Variáveis Aleatórias Contínuas e Distribuição de Probabilidades - parte III 23 de Abril de 2012 Introdução Objetivos Ao final deste capítulo você deve ser capaz de: Calcular probabilidades aproximadas
Leia maisFunções Geradoras de Variáveis Aleatórias. Simulação Discreta de Sistemas - Prof. Paulo Freitas - UFSC/CTC/INE
Funções Geradoras de Variáveis Aleatórias 1 Funções Geradoras de Variáveis Aleatórias Nos programas de simulação existe um GNA e inúmeras outras funções matemáticas descritas como Funções Geradoras de
Leia maisEconometria em Finanças e Atuária
Ralph S. Silva http://www.im.ufrj.br/ralph/especializacao.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Maio-Junho/2013 Tópicos Tópicos Séries
Leia maisFAMÍLIA EXPONENCIAL DE DISTRIBUIÇÕES
FAMÍLIA EXPONENCIAL DE DISTRIBUIÇÕES 1 Os modelos lineares generalizados, propostos originalmente em Nelder e Wedderburn (1972), configuram etensões dos modelos lineares clássicos e permitem analisar a
Leia maisModelos ARCH e GARCH Aula 8. Morettin e Toloi, 2006, Capítulo 1 e 14 Morettin, 2011, Capítulo 1 e 5 Bueno, 2011, Capítulo 8
Modelos ARCH e GARCH Aula 8 Morettin e Toloi, 2006, Capítulo 1 e 14 Morettin, 2011, Capítulo 1 e 5 Bueno, 2011, Capítulo 8 Motivação Pesquisadores que se dedicam a prever séries temporais, tais como preços
Leia maisPRE29006 LISTA DE EXERCÍCIOS #
INSTITUTO FEDERAL DE SANTA CATARINA CAMPUS SÃO JOSÉ COORDENADORIA DE ÁREA DE TELECOMUNICAÇÕES ENGENHARIA DE TELECOMUNICAÇÕES PRE9006 LISTA DE EXERCÍCIOS #3 06. Exercícios. [, Exercício 7.] Seja A uma variável
Leia maisProcessos de Poisson
Processos de Poisson Mauro C. M. Campos 1 SUMÁRIO I Alguns fatos sobre a distribuição exponencial 1 II Alguns fatos sobre a distribuição de Poisson 2 III Processos estocásticos em tempo contínuo 2 IV Processos
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 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 maisCálculo das Probabilidades I
Cálculo das Probabilidades I Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Função Geradora de Momentos 10/13 1 / 19 Calculamos algumas características da
Leia maisAnexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos
1 Anexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos Documento auxiliar à disciplina de Modelação, Identificação e Controlo Digital Alexandre Bernardino 003/005 IST-Secção de Sistemas
Leia maisSIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a 11 de novembro de 2002, Rio de Janeiro/RJ A PESQUISA OPERACIONAL E AS CIDADES
VOLATILIDADE E VALOR EM RISCO: MODELAGEM POR MÉDIAS MÓVEIS E POR EGARCH COM PARÂMETROS VARIÁVEIS Paulo Henrique Soto Costa UFF - EEIMVR - Departamento de Ciência dos Materiais Av. dos Trabalhadores 42
Leia maisRisco de Portfólios em Múltiplas Frequências
Risco de Portfólios em Múltiplas Frequências Joana Ramos FCUP 25 de Janeiro de 2013 Joana Ramos (FCUP) Risco de Portfólios em Múltiplas Frequências 25 de Janeiro de 2013 1 / 26 Abstract Portfolio risk
Leia mais4. O algoritmo LMS e variantes
Apontamentos de Processamento Adaptativo de Sinais 4. O algoritmo LMS e variantes Família de algoritmos do gradiente Na prática usam-se estimativas do gradiente, ˆ (n), em vez do verdadeiro gradiente (n),
Leia maisForecasting e ti O i Otim Oti ização de ã d Carteiras com Matlab AULA 3
Forecasting e Otimização i de Carteiras com Matlab AULA 3 Guia de Estudo para Aula 03 Modelos Discretos Exercícios - Formulação de um modelo - Programação de modelos com for - A simulação de um modelo
Leia 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 maisDistribuições derivadas da distribuição Normal. Distribuição Normal., x real.
Distribuições derivadas da distribuição Normal Distribuição Normal Uma variável aleatória X tem distribuição normal com parâmetros µ e σ, quando sua densidade de probabilidade é f ( x) π σ e ( x µ ) σ,
Leia maisMódulo IV: Processos Aleatórios Estacionários, Cicloestaionaridade e Análise de Continuidade de Processos Aleatórios
Módulo IV: Processos Aleatórios Estacionários, Cicloestaionaridade e Análise de Continuidade de Processos Aleatórios Wamberto J. L. Queiroz Universidade Federal de Campina Grande-UFCG Departamento de Engenharia
Leia maisRevisão de distribuições de probabilidades contínuas (Capítulo 6 Levine)
Revisão de distribuições de probabilidades contínuas (Capítulo 6 Levine) Statistics for Managers Using Microsoft Excel, 5e 2008 Pearson Prentice-Hall, Inc. Chap 6-1 Objetivos: Neste capítulo, você aprenderá:
Leia maisEstatística I Aula 8. Prof.: Patricia Maria Bortolon, D. Sc.
Estatística I Aula 8 Prof.: Patricia Maria Bortolon, D. Sc. MODELOS PROBABILÍSTICOS MAIS COMUNS VARIÁVEIS ALEATÓRIAS CONTÍNUAS Lembram o que vimos sobre V.A. contínua na Aula 6? Definição: uma variável
Leia mais28 de dezembro de 2007
Curso de UFRPE e UFPE 28 de dezembro de 2007 1 2 3 4 5 6 Seja f (y) uma função densidade conhecida, cujos cumulantes são dados por κ 1, κ 2,.... O interesse reside em usar f (y) para aproximar uma função
Leia maisDistribuições Truncadas e Aplicações
Distribuições Truncadas e Aplicações Raydonal Ospina Departamento de Estatística - CCEN/UFPE Gustavo H. Esteves Departamento de Estatística - CCT/UEPB 58ª RBRAS - 15º SEAGRO Campina Grande - Paraíba -
Leia maisVariáveis Aleatórias Contínuas e Distribuição de Probabilidad
Variáveis Aleatórias Contínuas e Distribuição de Probabilidades - parte II 26 de Novembro de 2013 Distribuição Contínua Uniforme Média e Variância Objetivos Ao final deste capítulo você deve ser capaz
Leia maisOpções Reais. Modelagem do Ativo Básico. Processos Estocásticos. Modelando Incerteza. Processos Estocásticos. IAG PUC-Rio
Opções Reais Modelagem do Ativo Básico Prof. Luiz Brandão brandao@iag.puc-rio.br IAG PUC-Rio Processos Estocásticos Modelando Incerteza Processos Estocásticos A incerteza em um projeto pode ter mais do
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 maisUniversidade Federal de Viçosa Departamento de Estatística
Universidade Federal de Viçosa Departamento de Estatística Prova Seletiva para o Programa de Pós-Graduação em Estatística Aplicada e Biometria. Nível Doutorado - 22/nov/2013 Nome: Assinatura:. Número do
Leia maisModelos discretos e contínuos
Modelos discretos e contínuos Joaquim Neto joaquim.neto@ufjf.edu.br Departamento de Estatística - ICE Universidade Federal de Juiz de Fora (UFJF) Versão 3.0 Joaquim Neto (UFJF) ICE - UFJF Versão 3.0 1
Leia maisConceitos e aplicações de Estatística em pesquisa cientíca utilizando o R
Conceitos e aplicações de Estatística em pesquisa cientíca utilizando o R Resumo da Parte Teórica Silvio Rodrigues de Faria Junior Departamento de Estatística - IME-USP Eventos e Probabilidade. Experimento
Leia maisPROBABILIDADE E ESTATÍSTICA DISTRIBUIÇÕES DE PROBABILIDADES
PROBABILIDADE E ESTATÍSTICA DISTRIBUIÇÕES DE PROBABILIDADES Bruno Baierle Maurício Furigo Prof.ª Sheila Regina Oro (orientadora) Edital 06/2013 - Produção de Recursos Educacionais Digitais Variável Aleatória
Leia maisMétodos Estatísticos
Métodos Estatísticos Cristina Maria Martins Maria da Graça Temido Departamento de Matemática Universidade de Coimbra Hidrologia Urbana Módulo I Conceitos básicos Probabilidade Experiência aleatória Acontecimentos
Leia maisProbabilidade e Modelos Probabilísticos
Probabilidade e Modelos Probabilísticos 2ª Parte: modelos probabilísticos para variáveis aleatórias contínuas, modelo uniforme, modelo exponencial, modelo normal 1 Distribuição de Probabilidades A distribuição
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 4
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 4 O Processo Média-Móvel Muitas vezes, a estrutura auto-regressiva não é suficiente para descrever totalmente
Leia maisAnálise de Sensibilidade
Análise de Risco de Projetos Análise de Risco Prof. Luiz Métodos de Avaliação de Risco Análise de Cenário Esta metodologia amplia os horizontes do FCD obrigando o analista a pensar em diversos futuros
Leia maisPRINCÍPIOS DE COMUNICAÇÃO
PRINCÍPIOS DE COMUNICAÇÃO RUÍDO EM MODULAÇÕES ANALÓGICAS Evelio M. G. Fernández - 2011 Processo Aleatório (ou Estocástico): Função aleatória do tempo para modelar formas de onda desconhecidas. Processos
Leia maisCapítulo 3. Introdução à Probabilidade E à Inferência Estatística
Capítulo 3 Introdução à Probabilidade E à Inferência Estatística definições e propriedades: Propriedade 5: A probabilidade condicional reflete como a probabilidade de um evento pode mudar se soubermos
Leia maisCC-226 Aula 05 - Teoria da Decisão Bayesiana
CC-226 Aula 05 - Teoria da Decisão Bayesiana Carlos Henrique Q. Forster - Instituto Tecnológico de Aeronáutica 2008 Classificador Bayesiano Considerando M classes C 1... C M. N observações x j. L atributos
Leia maisNoções de Processos Estocásticos e Cadeias de Markov
Noções de Processos Estocásticos e Cadeias de Markov Processo Estocástico Definição: Processo Estocástico é uma coleção de variáveis aleatórias indexadas por um parâmetro t R (entendido como tempo). X={
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 maisUm conceito importante em Probabilidades e Estatística é o de
Variáveis Aleatórias Um conceito importante em Probabilidades e Estatística é o de Variável Aleatória. Variável Aleatória Seja (Ω, A) um espaço de acontecimentos. À função X : Ω IR chamamos variável aleatória.
Leia maisUm modelo estocástico para o fluxo de caixa de um plano de previdência de um indivíduo 15
2 Simulação estocástica A simulação computacional consiste em empregar técnicas matemáticas em computadores com o propósito de gerar ensaios que tentam reproduzir de maneira análoga um processo ou operação
Leia maisEstatística para Cursos de Engenharia e Informática
Estatística para Cursos de Engenharia e Informática BARBETTA, Pedro Alberto REIS, Marcelo Menezes BORNIA, Antonio Cezar MUDANÇAS E CORREÇOES DA ª EDIÇÃO p. 03, após expressão 4.9: P( A B) = P( B A) p.
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 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 maisModelos Lineares Distribuições de Probabilidades Distribuição Normal Teorema Central do Limite. Professora Ariane Ferreira
Distribuições de Probabilidades Distribuição Normal Teorema Central do Limite Professora Ariane Ferreira Modelos Probabilísticos de v.a. continuas Distribuição de Probabilidades 2 IPRJ UERJ Ariane Ferreira
Leia maisModelos básicos de distribuição de probabilidade
Capítulo 6 Modelos básicos de distribuição de probabilidade Muitas variáveis aleatórias, discretas e contínuas, podem ser descritas por modelos de probabilidade já conhecidos. Tais modelos permitem não
Leia maisdepende apenas da variável y então a função ṽ(y) = e R R(y) dy
Formulario Equações Diferenciais Ordinárias de 1 a Ordem Equações Exactas. Factor Integrante. Dada uma equação diferencial não exacta M(x, y) dx + N(x, y) dy = 0. ( ) 1. Se R = 1 M N y N x depende apenas
Leia maisDistribuição Amostral e Estimação Pontual de Parâmetros
Roteiro Distribuição Amostral e Estimação Pontual de Parâmetros 1. Introdução 2. Teorema Central do Limite 3. Conceitos de Estimação Pontual 4. Métodos de Estimação Pontual 5. Referências População e Amostra
Leia maisPrincípios de Bioestatística Teste de Hipóteses
1/36 Princípios de Bioestatística Teste de Hipóteses Enrico A. Colosimo/UFMG http://www.est.ufmg.br/ enricoc/ Depto. Estatística - ICEx - UFMG Tabela 2/36 3/36 Exemplo A concentração de certa substância
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 02 / Processos Aleatórios
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 02 / Processos Aleatórios Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE Universidade
Leia maisCapítulo 7 Transformadas de Fourier. definimos a sua transformada de Fourier
Capítulo 7 Transformadas de Fourier Dada uma função definimos a sua transformada de Fourier A constante multiplicativa em (1),, é um valor arbitrário. Há autores que escolhem. Mas é muito importante lembrar
Leia maisVetor de Variáveis Aleatórias
Vetor de Variáveis Aleatórias Luis Henrique Assumpção Lolis 25 de junho de 2013 Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 1 Conteúdo 1 Vetor de Variáveis Aleatórias 2 Função de Várias
Leia maisTestes de hipóteses Paramétricos
Testes de hipóteses Paramétricos Modelos de análise de variância com um factor Teste de Bartlett Teste de comparações múltiplas de Scheffé Rita Brandão (Univ. Açores) Testes de hipóteses Paramétricos 1
Leia maisDISTRIBUIÇÕES DE PROBABILIDADE CONJUNTAS DISTRIBUIÇÕES CONJUNTAS ROTEIRO DISTRIBUIÇÃO CONJUNTA. Estatística Aplicada à Engenharia
ROTEIRO DISTRIBUIÇÕES DE PROBABILIDADE CONJUNTAS 1. Distribuições conjuntas 2. Independência 3. Confiabilidade 4. Combinações lineares de variáveis aleatórias 5. Referências Estatística Aplicada à Engenharia
Leia maisPedro Alberto Barbetta / Marcelo Menezes Reis / Antonio Cezar Bornia São Paulo: Atlas, 2004
Estatística para Cursos de Engenharia e Informática Pedro Alberto Barbetta / Marcelo Menezes Reis / Antonio Cezar Bornia São Paulo: Atlas, 2004 Cap. 8 Testes de hipóteses APOIO: Fundação de Ciência e Tecnologia
Leia maisComparação do desempenho de diferentes níveis aleatórios na metodologia PORT
Comparação do desempenho de diferentes níveis aleatórios na metodologia PORT Paulo Araújo Santos Instituto Politécnico de Santarém, ESGS paulo.santos@esgs.pt Isabel Fraga Alves Universidade de Lisboa,
Leia maisMétodos Estatísticos Aplicados à Economia II (GET00118) Inferência Estatística
Universidade Federal Fluminense Instituto de Matemática e Estatística Métodos Estatísticos Aplicados à Economia II (GET00118) Inferência Estatística Ana Maria Lima de Farias Departamento de Estatística
Leia maisModelagem de um sistema por cadeias de Markov
Modelagem de um sistema por cadeias de Markov Sistemas sem memória : somente o estado imediatamente anterior influencia o estado futuro. rocesso estacionário: probabilidades de transição de um estado para
Leia mais1 x. = π 2. pois. Probabilidade: um curso introdutório - Mônica Barros - Capítulo 7 - Soluções
Soluções - Capítulo 7 Lista semestre 000.0:, 3, 5 a, 5, 6, 7,, 4, 5 Problema Ache a mediana das densidades Qui-quadrado com e graus de liberdade. A densidade Qui-quadrado com n graus de liberdade é dada
Leia maisp.1/48 Eduardo Mendes Departamento de Engenharia Eletrônica Universidade Federal de Minas Gerais Av. Antônio Carlos 6627, Belo Horizonte, MG, Brasil
p1/48 Capítulo 4 - Métodos ão Paramétricos Eduardo Mendes Departamento de Engenharia Eletrônica Universidade Federal de Minas Gerais Av Antônio Carlos 27, elo Horizonte, MG, rasil p2/48 Introdução Os métodos
Leia maisModelagem do comportamento da variação do índice IBOVESPA através da metodologia de séries temporais
Modelagem do comportamento da variação do índice IBOVESPA através da metodologia de séries temporais João Eduardo da Silva Pereira (UFSM) jesp@smail.ufsm.br Tânia Maria Frighetto (UFSM) jesp@smail.ufsm.br
Leia 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 maisExercícios de Teoria da Probabilidade e Processos Estocásticos Parte I
Exercícios de Teoria da Probabilidade e Processos Estocásticos Parte I 2014/2015 Os exercícios assinalados com (*) têm um nível de dificuldade superior. Exercício 1. Seja (X, F) um espaço mensurável. Mostre
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 mais2. EXERCÍCIOS PROPOSTOS SOBRE V.A. E DISTRIB.PROBAB.
2. EXERCÍCIOS PROPOSTOS SOBRE V.A. E DISTRIB.PROBAB. 1) Classifique as seguintes variáveis aleatórias como discretas ou contínuas. X : o número de acidentes de automóvel por ano na rodovia BR 116. Y :
Leia mais3 Análise Empírica do IBOVESPA
3 Análise Empírica do IBOVESPA Hoje a BM&F/Bovespa representa uma das maiores bolsas do mundo. Portanto, espera-se que seu comportamento acompanhe o de outros índices importantes. Como um benchmark do
Leia maisAnálise de Desempenho de Sistemas de Comunicações Digitais
Análise de Desempenho de Sistemas de Comunicações Digitais Edmar José do Nascimento (Princípios de Comunicações) Universidade Federal do Vale do São Francisco Roteiro 1 Detecção Binária 2 Modulações Digitais
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 maisPOPULAÇÃO X AMOSTRA INTRODUÇÃO À BIOESTATÍSTICA TIPOS DE VARIÁVEIS CLASSIFICAÇÃO DAS VARIÁVEIS CLASSIFICAÇÃO DAS VARIÁVEIS 1) TIPOS DE VARIÁVEIS
POPULAÇÃO X AMOSTRA INTRODUÇÃO À BIOESTATÍSTICA População (N) representa o conjunto de todas as unidades experimentais que apresentam características em comum Amostra (n) representa uma parte do todo.
Leia maisRestauração de Imagens. Tsang Ing Ren - UFPE - Universidade Federal de Pernambuco CIn - Centro de Informática
Restauração de Imagens Tsang Ing Ren - tir@cin.ufpe.br UFPE - Universidade Federal de Pernambuco CIn - Centro de Informática 1 Tópicos! Introdução! Modelo de degradação/restauração! Modelo de ruído! Restauração
Leia maisEstudo e análise estatística no mercado de ações brasileiro
Estudo e análise estatística no mercado de ações brasileiro Jonis Jecks Nervis Mestre em Engenharia de Produção Faculdade de Engenharia Unesp Bauru Departamento de Matemática, Universidade Estadual do
Leia maisDistribuições de Probabilidade
Distribuições de Probabilidade 1 Aspectos Gerais 2 Variáveis Aleatórias 3 Distribuições de Probabilidade Binomiais 4 Média e Variância da Distribuição Binomial 5 Distribuição de Poisson 1 1 Aspectos Gerais
Leia maisMÉTODOS ESTATÍSTICOS PARA ANÁLISE DE DADOS
MÉTODOS ESTATÍSTICOS PARA ANÁLISE DE DADOS LEANDRO DE PAULA UFRJ Escola de Inverno do IFGW A Física de Partículas do Novo Século julho de 2014 PROGRAMA DO CURSO Introdução à Probabilidade e Estatística
Leia maisPolítica de Gerenciamento de Risco de Mercado BAHIA AM RENDA VARIÁVEL LTDA
Política de Gerenciamento de Risco de Mercado BAHIA AM RENDA VARIÁVEL LTDA 1. OBJETIVO:... 2 2. CONCEITUAÇÃO / DEFINIÇÃO:... 2 3. ABRANGÊNCIA / ÁREAS ENVOLVIDAS:... 2 4. RESPONSABILIDADES:... 2 04.01.
Leia maisTeste Mann-Whitney. Contrapartida não-paramétrica para. Teste-t para amostras independentes
Teste Mann-Whitney Contrapartida não-paramétrica para Teste-t para amostras independentes Teste Mann-Whitney pequenas amostras independentes 1. Testes para Duas Populações, X e Y, Independentes. Corresponde
Leia maisUNESP UNIVERSIDADE ESTADUAL PAULISTA JÚLIO DE MESQUITA FILHO FACULDADE DE ENGENHARIA CAMPUS DE BAURU DEPARTAMENTO DE ENGENHARIA DE PRODUÇÃO
UNESP UNIVERSIDADE ESTADUAL PAULISTA JÚLIO DE MESQUITA FILHO FACULDADE DE ENGENHARIA CAMPUS DE BAURU DEPARTAMENTO DE ENGENHARIA DE PRODUÇÃO JONIS JECKS NERVIS VERIFICAÇÃO E ANÁLISE DOS FATOS ESTILIZADOS
Leia mais6. Amostragem e estimação pontual
6. Amostragem e estimação pontual Definição 6.1: População é um conjunto cujos elementos possuem qualquer característica em comum. Definição 6.2: Amostra é um subconjunto da população. Exemplo 6.1: Um
Leia maisPOLÍTICA DE GESTÃO DE RISCOS AWARE GESTÃO DE RECURSOS LTDA. ( Sociedade )
POLÍTICA DE GESTÃO DE RISCOS AWARE GESTÃO DE RECURSOS LTDA. ( Sociedade ) Versão: Outubro/016 Objetivo: o presente instrumento tem por objetivo formalizar a metodologia de monitoramento e gerenciamento
Leia maisIntrodução ao Processamento Digital de Imagens. Aula 9 Restauração de Imagens. Prof. Dr. Marcelo Andrade da Costa Vieira
Introdução ao Processamento Digital de Imagens Aula 9 Restauração de Imagens Prof. Dr. Marcelo Andrade da Costa Vieira mvieira@sc.usp.br Realce x Restauração Realce: Processar a Imagem para obter um resultado
Leia maisRedes Complexas Aula 7
Redes Complexas Aula 7 Aula retrasada Lei de potência Distribuição Zeta Propriedades Distribuição Zipf Exemplo Wikipedia Aula de hoje Distribuição de Pareto Medindo lei de potência Estimando expoente Exemplos
Leia maisModelos Probabilísticos Teóricos Discretos e Contínuos. Bernoulli, Binomial, Poisson, Uniforme, Exponencial, Normal
Modelos Probabilísticos Teóricos Discretos e Contínuos Bernoulli, Binomial, Poisson, Uniforme, Exponencial, Normal Distribuição de Probabilidades A distribuição de probabilidades de uma variável aleatória:
Leia maisExercícios de Teoria da Probabilidade e Processos Estocásticos Parte II
Exercícios de Teoria da Probabilidade e Processos Estocásticos Parte II 13 de Dezembro de 2013 Exercício 1. Descreva o espaço de probabilidade associado às seguintes experiências aleatórias: 1. Uma moeda
Leia maisSeja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma:
46 VALOR ESPERADO CONDICIONADO Seja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma: Variável contínua E + ( X Y
Leia maisCap. 11 Testes de comparação entre duas amostras
Estatística Aplicada às Ciências Sociais Sexta Edição Pedro Alberto Barbetta Florianópolis: Editora da UFSC, 006 Cap. 11 Testes de comparação entre duas amostras Planejamento da pesquisa e análise estatística
Leia maismat.ufrgs..ufrgs.br br/~viali/ mat.ufrgs..ufrgs.br
Prof. Lorí Viali, Dr. http://www. ://www.mat mat.ufrgs..ufrgs.br br/~viali/ viali@mat mat.ufrgs..ufrgs.br Média Uma amostra Proporção Variância Dependentes Diferença de médias m Duas amostras Independentes
Leia maisEduardo G. Altmann orientador: Prof. Dr. Iberê L. Caldas
TEMPO DE RETORNO EM SISTEMAS DINÂMICOS Eduardo G. Altmann orientador: Prof. Dr. Iberê L. Caldas altmann@if.usp.br Apresentação da Dissertação de Mestrado: Instituto de Física da Universidade de São Paulo
Leia maisAnálise de Fourier. Imagens no Domínio da Freqüência
Análise de Fourier Imagens no Domínio da Freqüência Todas as imagens deste trabalho foram obtidas de R. C. Gonzalez and R. E. Woods - Digital Image Processing, Addison Wesley Pub. Co. 1993 - ISBN 0-201-60078-1
Leia mais