2 Modelo Log-periódico

Tamanho: px
Começar a partir da página:

Download "2 Modelo Log-periódico"

Transcrição

1 2 Modelo Log-periódio Neste apítulo serão apresetados o desevolvimeto feomeológio do modelo log-periódio e a dedução da equação fudametal que desreve o resimeto dos preços o tempo a fase pré-rash Itrodução A hipótese básia do modelo log-periódio é de que o rash fiaeiro pode ser ausado por uma tedêia resete de imitação etre os agetes do merado, levado ao surgimeto de uma bolha fiaeira. Caso esta tedêia evoluísse até um erto valor rítio, uma grade proporção de agetes assumiriam a mesma posição de veda, resultado o rash. A equação fudametal que desreve o resimeto dos preços o tempo este modelo, a fase pré-rash, é dada por uma lei de potêia pura om uma orreção log-periódia: β p( = A + B( t {1 + C os[ wlog( t + φ]} (1) ode p( represeta o ídie de preço de um ativo o istate t; t é o tempo rítio; β e w são parâmetros araterístios do merado; φ é a fase; A, B e C são ostates de ajuste. O omportameto log-periódio é gerado pelo osseo do logaritmo da distâia temporal de t até t. A equação (1) desreve uma sigularidade observável em t que represeta o poto rítio do sistema. O valor de t é iterpretado omo o istate o qual o rash tem a maior probabilidade de oorrer. Portato, o rash fiaeiro ão é osiderado um eveto erto, mas é araterizado por uma distribuição de probabilidade de oorrêia ao logo do tempo. Assim, segudo a teoria das expetativas raioais, é raioal para o agete fiaeiro otiuar ivestido, já que o riso do rash oorrer é ompesado pelo retoro positivo gerado pela bolha fiaeira e porque existe uma probabilidade pequea da bolha se esvaeer suavemete, sem a oorrêia do rash.

2 Modelo Log-periódio Diâmia do Preço Johase et al., 2000 [2] osideram um merado ideal em um eário puramete espeulativo, que ão paga dividedos. Por simpliidade, são igoradas as taxas de juros, a aversão ao riso e as odições de liquidez do merado. Neste eário, existe pelo meos um agete raioal, eutro ao riso e om expetativas raioais. Dada esta hipótese, o preço p( do ativo fiaeiro deve seguir um proesso estoástio martigal: E t [ p( t')] = p(, t ' > t (2) ode Et[.] represeta o valor esperado odiioal sobre toda iformação dispoível até o tempo t. 4 Na odição de equilíbrio de merado, ode os agetes se omportam de forma ótima, de aordo om suas preferêias, a eq. (2) é odição eessária de ão arbitragem. Se E t [ p( t')] > p(, um agete eutro ao riso osiderará lurativo mater uma ifiita quatidade de ativos. Coseqüetemete, agetes raioais aumetarão o preço em t até a eq. (2) ser satisfeita. Da mesma forma, se E t [ p( t')] < p(, agetes raioais osiderarão lurativo veder uma ifiita quatidade de ativos. Como a quatidade de ativos é fiita, ehuma das duas possibilidades é osistete om o equilíbrio de merado. Em um merado ode os preços ão flutuam devido ao impato de ruído, para t ' = t + 1, a eq.(2) se traduzirá a seguite equação de difereças: p t+1 = p t (3) uja solução é uma ostate: p( = p(t 0 ), ode t 0 represeta um valor iiial qualquer. Cosiderado que existe uma probabilidade ão ula do rash oorrer, formalmete, podemos defiir um otador para a oorrêia do rash, dado por uma fução degrau j = Θ( t t ) ujo valor é zero ates do rash e um após a ( oorrêia do rash em um tempo t. Como t é desoheido, ele é desrito por uma variável estoástia sujeita a uma fução desidade de probabilidade q( e a uma fução de distribuição umulativa t Q ( = q( t') dt'. 4 Em [3], mostra-se que esta modelagem é robusta em relação à itrodução de uma formulação geral de aversão ao riso.

3 Modelo Log-periódio 18 Defie-se a hazard rate (taxa de perigo) h( omo sedo a probabilidade por uidade de tempo do rash oorrer o próximo istate, dado que ele aida ão oorreu. Logo, pode-se esrever (ver apêdie A): q( h( = (4) 1 Q( Assumido por simpliidade que, a oorrêia do rash, o preço ai om um peretual fixo k (0,1), a diâmia do preço do ativo é dada por (desprezado-se flutuações estoástias): dp = µ ( p( dt k p( dj (5) ode dj = 1 ou 0 segudo a oorrêia ou ão do rash o itervalo dt e E t [ dj] = h( dt. 5 O fator de tedêia µ ( é obtido a fim de que o proesso do preço satisfaça a odição martigal (2). A odição de ão-arbitragem jutamete om a expetativa raioal implia que o retoro esperado em qualquer istate é exatamete zero: Daí segue que: E t [ dp] = µ ( p( dt k p( h( dt = 0 (6) µ ( t ) = k h( (7) Logo, µ ( é proporioal à probabilidade do rash oorrer, dado que ele aida ão oorreu, ou seja, se o rash hazard rate aumetar, µ ( também rese. O fator µ ( represeta assim o retoro peretual por uidade de tempo, odiioado à ão-oorrêia aterior do rash. Substituido a eq.(7) a eq.(5), obtém-se a equação difereial ates da oorrêia do rash dada por (sedo dj = 0): d (log p( ) = kh( (8) uja solução para a evolução temporal dos preços é dada por: t p( = p( t 0 )exp k h( t') dt' (9) t0 Como oseqüêia da eq.(7) e da eq.(9), tem-se um importate resultado: quato maior a probabilidade de oorrêia do rash (odiioal ao fato de que a quebra aida ão oorreu), mais rápido deve ser o resimeto do preço. Ituitivamete, os ivestidores devem ser ompesados om 5 E[ dj] = P( dj = 0) ( dj = 0) + P( dj = 1) ( dj = 1) = 0 + h( dt 1 = h( dt

4 Modelo Log-periódio 19 oportuidade de altas taxas de retoro pelo aumeto do riso de quebra de seus ativos. O desvio sigifiativo dos preços em relação ao seu valor fudametal ao logo de grades períodos de tempo é uma questão aida em debate a literatura fiaeira e em partiular foi aalisada por Blahard, 1979, om a itrodução de um modelo de bolhas de expetativa raioal. Este efeito ão é partiular da diâmia desrita pela eq.(5). Se assumirmos alterativamete que durate o rash o preço ai um peretual fixo k (0,1) do aumeto (espeulativo) do preço em relação à um valor de referêia p*, etão a diâmia do preço ates da oorrêia do rash é dada por: dp = µ ( p( dt k[ p( p*] dj (10) A odição martigal agora implia que: µ ( p( = k[ p( p*] h( (11) Da mesma forma que em (7), se a hazard rate h( aumeta, o retoro µ( aumeta para ompesar os agetes do riso resete. Substituido (11) em (10), osiderado-se p( p(t 0 ) < p(t 0 ) p*, obtémse a equação difereial ates da oorrêia do rash dada por (sedo dj = 0): dp = k[ p( t0 ) p*] h( dt (12) uja solução para evolução temporal dos preços é dada por: t 0 0 p ( p( t ) + k[ p( t ) p*] h( t' ) dt' (13) O modelo portato ão impõe qualquer víulo quato à amplitude do rash. Se assumirmos que ele é proporioal ao valor do preço orrete, etão a variável atural é, segudo a eq.(8), o logaritmo atural dos preços. Se assumirmos que a amplitude do rash é uma fração do gaho observado ao logo da bolha de preços, etão a variável atural é, segudo a eq.(12), o próprio preço. Em ambos os asos, odiioalmete a permaeer a bolha (ehum rash aida oorreu), o preço do ativo, aterior ao rash, deve reser raioalmete para ompesar os ompradores por terem assumido o riso de que o merado tem de quebrar. Nesta dissertação será adotada a diâmia de preços desrita pelas equações (10) (13). O modelo distigue aida etre o fim da bolha e a data de oorrêia do rash. A odição de expetativa raioal implia que a data do rash tem um grau de ierteza. t0

5 Modelo Log-periódio 20 O tempo rítio t sializa o esvaeimeto teório da bolha espeulativa. Deve-se estar laro que t ão represeta a previsão do mometo exato do rash, porque o rash pode oorrer em qualquer istate aterior a t, embora isto ão seja muito provável. Na verdade, t represeta o istate de maior probabilidade de oorrêia do rash. pequea Por outro lado, a partir do istate presete t existe uma probabilidade t 1 h ( dt > 0 (14) t do sistema hegar ao fial da bolha espeulativa sem a oorrêia do rash. Esta probabilidade residual é ruial para oerêia deste modelo, porque, aso otrário, os agetes ateipariam o rash e ão se materiam o merado. Em resumo, o modelo apresetado osidera que o rash é um eveto estoástio uja probabilidade de oorrêia é raioalmete refletida o preço do ativo. Segudo (9) ou (13), a evolução temporal dos preços a fase da bolha espeulativa depede da probabilidade h(. A determiação de h(, que será apresetada a próxima seção, será obtida a partir da desrição do merado fiaeiro através de modelos proveietes da Físia Estatístia O Modelo de Imitação Raioal Vimos a seção aterior que a gradeza relevate para obteção do omportameto dos preços, a fase pré-rash, é a hazard rate h(, isto é, a probabilidade por uidade de tempo de o rash oorrer, dado que ele aida ão oorreu. Nesta seção, será apresetada uma modelagem para h( em dois íveis: marosópio e mirosópio. Os elemetos priipais desta modelagem, também hamada de modelo da imitação raioal, são: 1) Um sistema de agetes que são iflueiados por seus vizihos em uma rede de iformação; 2) Imitações loais, que se propagam espotaeamete até atigir o efeito de ooperação global; 3) Cooperação global etre os agetes gerado omportameto oletivo, podedo levar ao rash;

6 Modelo Log-periódio 21 4) Comportameto temporal dos preços relaioados às propriedades e aos parâmetros deste sistema. A rash hazard rate h( quatifia a probabilidade de um grade úmero de agetes assumir simultaeamete a mesma posição de veda à qual o merado ão osegue ateder sem reduzir os preços substaialmete. Deve - se ressaltar que os agetes fiaeiros este sistema ormalmete disordam etre si e emitem tatas ordes de veda quatas ordes de ompra (isto orrespode aos períodos ormais os quais ão oorre o rash). O modelo da imitação raioal busa desrever quais são os meaismos que levam os agetes fiaeiros a se orgaizarem de forma oordeada, assumido de repete a mesma posição: a de veda. Os agetes fiaeiros estão ostatemete troado iformações a fim de medir o posiioameto do merado. Este modelo osidera que todos os agetes fiaeiros o mudo estão orgaizados em uma rede de iformações (de amigos, familiares, olegas de trabalho, et.) e que são iflueiados etre si, loalmete, através desta rede. Por exemplo, um agete está ostatemete ao telefoe troado iformações e opiiões om um grupo seleto de olegas. Além disso, existem iterações idiretas através de, por exemplo, a mídia. Espeifiamete, se o agete A está diretamete oetado om k outros agetes (seus vizihos mais próximos a rede), etão existem dois tipos de forças que podem iflueiar a opiião de A (ver figura 5): (a) a opiião dos k agetes vizihos, que represetam uma amostra do posiioameto do merado; (b) um sial idiossirátio represetado outras ifluêias reebidas por A, idepedetemete das deisões de seus vizihos. Sial E B F G A Resultado D Sial C Sial Sial Figura 5 Coexões etre um bloo de agetes. Os siais são os ruídos idiossirátios reebidos idepedetemete por ada agete. Cada agete evia também um sial ao seu viziho. Um dado agete (por exemplo, A) toma sua deisão baseada os siais reebidos dos seus vizihos e em sua própria iformação loal.

7 Modelo Log-periódio 22 De aordo om este modelo, a ausêia de iformação do tipo (b) sial idiossirátio, a melhor estratégia é imitar o omportameto de seus vizihos. A hipótese de que os agetes fiaeiros tedem a imitar as opiiões de seus vizihos a rede está baseada em um modelo realista de omo os agetes formam suas opiiões através de um proesso de ostate iteração. 6 A força do tipo (a) orrespode a um meaismo que tede a riar ordem de posiioameto em grupos de agetes, equato a força do tipo (b) represeta o efeito de desordem devido à heterogeeidade dos agetes e de iformações loais. Um rash oorre quado predomia a ordem (todos assumem a mesma posição de veda) equato que durate a situação ormal do merado predomia a desordem (ompradores e vededores disordam etre si, matedo um posiioameto aproximadamete equilibrado). Deve-se otar que esta araterização é exatamete o oposto do seso omum, o qual o rash é etedido omo um mometo de aos. Na verdade, desordem, ou um balaeado e variado espetro de opiiões, é o que matém a liquidez do merado durate os períodos de ormalidade. Deve-se ressaltar que esta modelagem, uma resposta oletiva forte, omo é o aso do rash, ão é eessariamete oseqüêia de um meaismo itero de oordeação global elaborado, podedo surgir a partir das miro-iterações loais imitativas que se trasmitem pelo sistema resultado em um efeito marosópio Modelagem Marosópia Baseado-se a teoria de ampo médio da Meâia Estatístia [4], a maeira mais simples de se desrever um proesso imitativo é assumido que a hazard rate h( evolui segudo a equação: dh δ, 1 dt h δ > (15) A teoria do ampo médio desreve as diversas ações dos agetes de forma agregada, represetado-as por um omportameto médio, úio, de 6 Aqui ão está sedo questioado o porquê dos agetes serem iflueiados por seus vizihos detro da rede. Este é um fato amplamete doumetado (ver Boissevai & Mithell, 1973, Network Aalysis: Studies i Huma Iteratio) e está sedo tomado omo premissa básia. Justifiativas para a tedêia de imitação podem ser eotradas a teoria de psiologia evoluioária.

8 Modelo Log-periódio 23 efetiva represetatividade do todo. h( represeta assim o resultado oletivo das ações oordeadas etre os agetes do merado, omo oseqüêia da iteração efetiva etre eles. Este oseso geral do merado, gerado edogeamete, reforça esta iteração efetiva. O termo δ h da eq.(15) modela a forma pela qual a hazard rate reserá, araterizado este proesso de retroalimetação. O expoete δ > 1 quatifia o úmero efetivo de agetes oetados iformaioalmete a rede que otribuem para a amplifiação do omportameto imitativo. Itegrado a eq. (15), obtém-se: ode α 1 = δ 1. h( h 0 α = ( ) (16) t t A partir da eq.(16), verifia-se que a odição δ > 1, oseqüetemete α > 0, é ruial para se obter um resimeto de h( à medida que t t. do ativo: A apliação da a eq.(16) a eq.(13), resulta a seguite lei para o preço ode B é uma ostate, kb p( t β β p ( t ) (ates do rash) (17) β = 1 α e p é o preço do ativo o tempo rítio t. Para o preço ão divergir em t, é eessário que β > 0, logo α < 1. Com a odição aterior α > 0, obtém-se que α (0,1) e β (0,1). Usado eq.(16), esta odição se traduz em 2 < δ < +, isto é, um agete típio deve estar oetado a pelo meos dois agetes, omo era de se esperar para a trasmissão em uma rede de iformação. De aordo om eq.(17), o preço aterior ao eveto do rash se omporta segudo uma lei de potêia, om um limite superior fiito p. No etato, o retoro esperado do preço do ativo por uidade de tempo, dado por: dp dt ( β 1 kb( t (18) om β 1 ( 1,0), se tora ilimitado ao se aproximar do tempo rítio t. Cosistetemete om a eq.(13), isto oorre para ompesar a hazard rate dada pela eq.(9) que, para α > 0, é ilimitada próximo a t.

9 Modelo Log-periódio Modelagem Mirosópia Sorette, 2002 [1] propõe uma modelagem, baseada em oeitos da Físia Estatístia, a fim de justifiar a estratégia de imitação utilizada o modelo da imitação raioal apresetado a seção 2.3. Cosidere I agetes em uma rede, ujas oexões represetam os aais de omuiação através dos quais os agetes troam iformações. Cada agete é idexado por um iteiro i = 1,...,I e N(i) represeta o úmero de agetes que estão oetados diretamete ao agete i a rede (ver fig.(5), omo exemplo de uma estrutura de iformação). Por simpliidade, defie-se que ada agete i pode assumir somete um de dois possíveis estados: s i Є {-1;+1}. Estes estados podem ser iterpretados omo omprar, s i = +1, e veder, s i = -1. O estado do agete i é determiado por: s = sig( J i s j j N ( i) ode a fução sig(x) é defiida omo: + σε ) positiva e ε i é um ruído i.i.d., ormal padrão. i (19) + 1, x > 0 sig ( x) =. K é uma ostate 1, x < 0 Neste modelo, a tedêia para imitação é goverada pelo parâmetro J, que represeta a força de imitação, isto é, o ível de ifluêia etre os agetes. Cada agete i sofre ifluêia sigifiativa de um úmero N(i) de vizihos. A tedêia a um omportameto idiossirátio (ou ruidoso) é goverada pela amplitude σ do ruído. A eq.(19) estabelee que a melhor deisão de ivestimeto de um agete i é seguir a deisão da maioria dos seus vizihos, até um erto grau de ierteza, que aptura a possibilidade de que a maioria pode estar gerado previsões iorretas para o omportameto global do merado. Será demostrado, mais detalhadamete as seções seguites que, segudo esta modelagem, h( é uma fução de J, da distribuição de ε i e da estrutura da rede. Defie-se o estado médio do sistema omo I s i i= 1 M = ( 1/ I ). Nos sistemas físios magétios, o estado s = ± 1 orrespode às duas orietações i possíveis do mometo magétio de uma partíula e M orrespode à magetização total média por partíula. No otexto de alihameto de

10 Modelo Log-periódio 25 mometos magétios loalizados, gerado uma magetização resultate, o modelo, eq.(19), é idêtio ao modelo de Isig. 7 A eq.(19) somete desreve o estado de um agete em um dado istate t o tempo. No istate seguite, t+1, ovos ε i `s são gerados, ovas ifluêias se propagam etre os vizihos e os agetes podem mudar seus estados (ações, respostas). Cosideraremos para ilustração a rede bidimesioal quadrada, ode ada agete possui quatro vizihos mais próximos: um ao Norte, um ao Sul, um a Oeste e outro a Leste. Cosiderado que é o valor de J, relativo ao de σ, que determia a ompetição etre ordem e desordem, levado evetualmete à oorrêia do rash, o parâmetro relevate a ser avaliado é imitação relativa à tedêia ao omportameto idiossirátio. J K =, que mede a tedêia à σ Em aalogia om o modelo de Isig, existe um poto ritio K, que determia a separação etre fases ou regimes do sistema. Quado K < K (ver fig. (6)), a desordem reia: a sesibilidade a uma pequea ifluêia global é baixa, o tamaho dos grupos de agetes, om o mesmo posiioameto, é pequeo e a tedêia de imitação se propaga somete etre os agetes mais próximos. Existem diversos grupos, om opiiões diferetes, reagido às iformações exteras de forma ioerete e desta forma matedo um equilíbrio etre o úmero de agetes distribuídos etre os estados do sistema (etre as posições de ompra ou de veda). 7 O modelo de Isig bi-dimesioal foi desevolvido expliitamete por Osager (1944), ode o parâmetro de desordem é represetado pela temperatura do sistema.

11 Modelo Log-periódio 26 Figura 6 K < K : ofiguração das ordes de ompra (élulas braas) e das ordes de veda (élulas pretas) em uma rede plaar bi-dimesioal de 256 X 256 agetes iteragido om seus quatro vizihos mais próximos. Existe aproximadamete o mesmo úmero de élulas braas e pretas, isto é, ão existe um oseso o merado. (Fote: Sorette, 2002, Why Stok Markets Crash?). Por outro lado, quado a força de imitação K rese, se aproximado de K (ver fig. (7)), hega-se ao limiar do apareimeto da ordem. Obtém-se uma hierarquia de grupos de agetes, formados espotaeamete, atuado oletivamete, e em partiular formam-se algus grupos grades de agetes om o mesmo posiioameto. O sistema tora-se assim extremamete sesível a pequeas perturbações globais devido à tedêia de imitação poder se propagar por amihos logos a rede. Nas Ciêias Naturais, estas são as araterístias do hamado feômeo rítio. Figura 7 A mesma desrição da fig.6, porém para K próximo a K. Aida existe aproximadamete o mesmo úmero de élulas braas e pretas. No etato, o tamaho

12 Modelo Log-periódio 27 do maior grupo de agetes iteroetados reseu a poto de se torar omparável om tamaho total do sistema, Além disso, agrupametos de todos os tamahos podem ser observados. (Fote: Sorette, 2002, Why Stok Markets Crash?). Fialmete, para uma força de imitação aida maior, K > K, a tedêia de imitação é tão itesa que existe um forte predomíio de um tipo de posiioameto dos agetes (ver fig. (8)). Figura 8 A mesma desrição da fig.6, porém para K > K. O omportameto de imitação é tão forte que a rede de agetes espotaeamete iterrompe a simetria etre as duas deisões (ompra e veda) e uma delas predomia. Aqui, omo exemplo, demostra-se o aso ode o estado de ompra foi seleioado. (Fote: Sorette, 2002, Why Stok Markets Crash?). As gradezas físias que represetam o grau de sesibilidade de um sistema a uma perturbação extera são hamadas de fuções-respostas, sedo uma delas a suseptibilidade do sistema. Esta gradeza desreve a possibilidade de um grade grupo de agetes assumir o mesmo estado, ou seja, foreer as mesmas respostas, osiderado as ifluêias exteras existetes a rede. Para defiir formalmete a suseptibilidade, assume-se a existêia de um termo G, de ifluêia global, adiioado a eq. (19): si = sig( J s j + σε i + G) (20) j N ( i) Este termo de ifluêia global tederá a favoreer o estado +1 (estado - 1) se G>0 (se G<0). No aso dos sistemas físios magétios, o ampo G é represetado por um ampo magétio extero uiforme apliado ao sistema. No aso do sistema fiaeiro, este termo orrespode a uma mesma iformação ompartilhada por todo o merado.

13 Modelo Log-periódio 28 Na ausêia de ifluêia global, a partir da eq.(19) é fáil demostrar que, por simetria, E[M] = 0: os agetes estão equilibradamete distribuídos etre os dois estados. Na preseça de uma ifluêia global positiva (egativa), a partir da eq.(20), agetes o estado positivo (egativo) sobressairão aos demais, ou seja, E [ M ] G 0. Segudo esta otação, a suseptibilidade do sistema é defiida omo: d( E[ M ]) χ = (21) dg G= 0 A suseptibilidade mede a variação, ou a sesibilidade, do estado médio do sistema para a uma pequea mudaça de iformação ou ifluêia global. Outra iterpretação relaioada a esta gradeza é a medida do grau de orrelação do sistema, isto é, o grau de iterifluêia dos agetes. Por exemplo, osiderado dois agetes e forçado o primeiro a assumir um erto estado, o impato desta iterveção o segudo será em média proporioal a χ. Assim, quato maior for o grau de orrelação das respostas dos agetes, maior será a resposta global do sistema frete a perturbações, pois a iformação se propagará por fração maior do sistema. De aordo om as ilustrações as figuras 6 e 7, a suseptibilidade rese à medida que K K. A suseptibilidade magétia os sistemas físios foree a taxa de magetização iduzida o sistema devido a pequeos ampos exteros. No poto rítio de trasição de fase paramagétia-ferromagétia, a suseptibilidade diverge, sigifiado que o sistema se ordea marosopiamete ( M 0 ) quado sujeito a qualquer perturbação extera, ou seja, o sistema produz resposta oletiva grade devido ao alto grau de orrelação etre os mometos magétios do sistema. No aso do sistema fiaeiro, a suseptibilidade foree uma medida da habilidade do sistema de agetes a assumir uma mesma posição devido a pequeas perturbações exteras. De aordo om a eq.(21), portato, o termo G de ifluêia global, que represeta as ausas exógeas, atua somete omo o gatilho para a desestabilização do sistema.

14 Modelo Log-periódio Comportameto Crítio A priipal araterístia das gradezas de um sistema que se eotram próximas a um estado rítio é a lei de potêia que as desrevem. Quado K ~ K (fig. (7)), a suseptibilidade χ do sistema diverge segudo a seguite lei de potêia (ver fig(9)): χ ) γ A( K C K, om K K (22) ode A é uma ostate positiva e γ > 0 é o expoete ritio da suseptibilidade (igual a 7/4 para o modelo de Isig 2-d). O parâmetro rítio K depede das propriedades do sistema, em partiular do grau de oetividade da rede. Figura 9 - Comportameto em lei de potêia da suseptibilidade χ em fução da força de imitação relativa K. Com K tededo a K, χ diverge. Uma suseptibilidade grade idia um sistema istável, isto é, uma pequea perturbação extera pode deseadear uma reação oletiva etre os agetes, os quais podem drastiamete revisar sua deisão, podedo desequilibrar abruptamete a relação de oferta/demada (s i = -1/s i = +1), e levado evetualmete ao rash. A hazard rate, oforme itroduzido o modelo (ver eq.(9) ou eq.(13)), govera a taxa de resimeto dos preços om o tempo, que se tora arbitrariamete alta o tempo rítio, aalogamete à suseptibilidade magétia. Além disso, é exatamete a asesão de uma siroização global, a partir de imitações loais, que pode ulmiar o eveto do rash. Desta forma, propõe-se que a hazard rate deve seguir um omportameto similar ao da suseptibilidade dos sistemas físios.

15 Modelo Log-periódio 30 O sistema fiaeiro está ostatemete se modifiado e se reestruturado. A fim de traduzir os resultados obtidos até aqui para uma fução real o tempo assume-se que o parâmetro K de imitação relativa do merado fiaeiro evolui letamete o tempo. Assim, tomado K( omo uma fução o tempo, obtém-se a expasão de Taylor de 1ª ordem em toro do poto rítio (ver fig.(10) omo exemplo). 8 O tempo rítio t é defiido omo o primeiro poto o qual K(t ) = K. Em um istate imediatamete aterior a t, aplia-se a aproximação liear: K K( t ) + A( t t ), (23) ( C Daí se obtém, K C K( A( t t ) (24) Figura 10 Uma típia evolução da força de imitação relativa K( omo fução do tempo t: leta e suave. Ao redor de t, K( é aproximadamete liear. Em aalogia om os feômeos rítios, este modelo assume-se que o sistema de agetes está submetido a uma trasição de estado oletivo quado a força de imitação relativa K atige um valor rítio, ou seja, a sesibilidade da reação do merado em resposta às iformações e ifluêias exteras rese de forma aelerada ao se aproximar desta trasição. Cosiderado este meaismo, propõe-se que a rash hazard rate se omporte de forma similar à suseptibilidade a vizihaça do poto rítio (ver 8 Não é eessário que a evolução temporal de K seja determiístia, podedo ser estoástia, otato que evolua de forma sufiietemete leta o tempo, de tal maeira que seja possível apliar em K( a aproximação liear de 1ª ordem em toro de t.

16 Modelo Log-periódio 31 fig. (11)). Utilizado a eq.(22) e a eq.(24), obtém-se a seguite expressão para h(: α h( D( t t ) (25) ode D é uma ostate positiva e o expoete α (0,1), omo modelado a seção Figura 11 Crash hazard rate : lei de potêia o tempo, divergete quado t t. Apliado a eq.(25) a eq.(13), resulta a seguite lei para o preço do ativo: kd p( t β β p ( t ) ates do rash (26) ode β = 1 α (0,1) e p é o preço em t. Este resultado também foi obtido ateriormete a seção e mostra que a modelagem marosópia pode ser ostruída a partir das justifiativas que ompõem o modelo mirosópio, ou seja, a oordeação em um ível global pode surgir a partir das miro-iterações imitativas etre os agetes do merado Resumo das Modelages Em resumo, a modelagem do sistema fiaeiro, através da teoria de Sorette, assume-se que (ver seções 2.2 e 2.3.2): Um rash pode ser ausado pela imitação loal retro-alimetada etre os agetes. Este proesso de retro-alimetação imitativa é resposável por provoar o surgimeto da bolha espeulativa.

17 Modelo Log-periódio 32 Se a tedêia de imitação etre os agetes aumetar até um determiado valor, hamado de valor rítio, muitos agetes podem assumir, ao mesmo tempo, a mesma posição (de veda), ulmiado o rash. A ompetição etre a progressiva força de imitação e o ruído oipresete requer uma desrição estoástia: um rash ão é um eveto erto, mas é araterizado pela sua hazard rate h(. Como o fim da bolha espeulativa ão é um eveto determiístio, os agetes fiaeiros osideram que é raioal otiuar ivestido o merado, já que existe uma probabilidade pequea da bolha se esvaeer suavemete, sem a oorrêia do rash. A taxa de retoro do merado é proporioal a rash hazard rate h(. Quato maior o riso de oorrêia de um rash, maior o retoro sobre o preço do ativo, ou seja, os ivestidores devem ser reompesados om uma taxa de retoro (ou taxa de resimeto da bolha) maior por assumirem o riso de mater um ativo que pode quebrar. Na modelagem marosópia do sistema fiaeiro (ver seção 2.3.1): h( represeta o resultado oletivo da troa de iformações etre os agetes. O efeito de retro-alimetação do sistema, que implia o resimeto de h( om o tempo, depede do úmero efetivo de agetes oetados iformaioalmete a rede. Por outro lado, a modelagem mirosópia do sistema fiaeiro, assume-se que (ver seções e 2.4): A tedêia de imitação etre os agetes é parametrizada por uma força de imitação relativa K. Existe um valor rítio K o qual o sistema pode exibir um omportameto ooperativo. K depede das propriedades do sistema, em partiular do grau de oetividade da rede. Quado K ~ K : grupos de ivestidores de diversos tamahos ompartilham a mesma opiião e podem agir de maeira oordeada. A estrutura dos tamahos dos grupos tora-se auto-similar, om uma hierarquia otíua represetada pelo meor grupo (um ivestidor idividualmete) até o maior (da ordem do tamaho do sistema).

18 Modelo Log-periódio 33 Quado K ~ K : Existe um grupo, ujo úmero de ivestidores oetados é grade o sufiiete para desestabilizar o merado. Quado assumem oletivamete a posição de veda o resultado é o rash. No sistema fiaeiro, o valor araterístio K evolui suavemete o tempo: K K( A( t t ). C A suseptibilidade χ é a gradeza que mede o grau de orrelação do sistema ou o quato o sistema está iteroetado iformaioalmete. A suseptibilidade é utilizada omo uma medida da habilidade do grupo de ivestidores assumir uma mesma posição, dada uma iformação perturbativa (eq.(21)). Em aalogia om a suseptibilidade dos sistemas magétios, a rash hazard rate quatifia a probabilidade de um grade grupo de ivestidores assumir simultaeamete a mesma posição de veda, desequilibrado abruptamete a relação de ofertaxdemada, a qual o merado ão osegue ateder sem reduzir os preços substaialmete. (ver seção 2.3) Em resumo, as modelages marosópia e mirosópia do sistema fiaeiro, o riso, por uidade de tempo, de oorrer um rash, dado que o mesmo aida ão oorreu, rese abruptamete para t ~ t em forma de lei de potêia. Neste regime, as iterações etre os ivestidores toram-se sufiietemete fortes de forma a gerar grupos de agetes de todos os tamahos, atuado oletivamete, em uma rede oetada e orgaizada Estrutura Hierárquia Uma araterístia importate do modelo desrito pela eq.(19) é a oetividade da rede de agetes devido ao termo otedo o somatório pelos N(i) vizihos de ada agete. Esta estrutura subjaete determia os amihos possíveis de trasmissão de iformação através do sistema e oseqüetemete, a resposta global do sistema, medida através da suseptibilidade. O merado fiaeiro é ostituído por um ojuto de ivestidores iteragetes, que diferem substaialmete em tamaho, ido desde os ivestidores idividuais até os grades fudos de pesão. Além disso, existem estruturas em íveis superiores, omo exemplo a esfera de ifluêia das

19 Modelo Log-periódio 34 moedas (US$, EURO, YEN, et...), que om a globalização e a desregulametação do merado, atigem uma esala de ifluêia a ível mudial. Além disso, todos os ivestidores o mudo estão orgaizados detro de uma rede (de família, amigos, trabalho...), iflueiado us aos outros loalmete detro desta rede. O modelo de Isig bi-dimesioal osidera que os ivestidores estão iteroetados de maeira uiforme. No etato, o merado real, algus agetes podem estar mais oetados do que outros. Todas estas observações aima idiam que a represetação do merado fiaeiro através da rede bi-dimesioal é exessivamete simplifiada. Uma represetação mais adequada para a estrutura do merado fiaeiro é aquela dos sistemas hierárquios, om agetes em todos os íveis do merado, om grupos de ivestidores mais oetados do que outros. Apesar da grade variedade de estruturas topológias hierárquias, a aálise qualitativa da existêia de um poto de trasição etre a fase ordeada e desordeada, oforme apresetada a subseção 2.3.2, é a mesma Modelo de Estrutura Hierárquia do Diamate Johase et al. [2] osideram uma estrutura de rede, deomiada estrutura hierárquia do diamate, e em seguida, desevolvem o modelo da imitação raioal segudo esta estrutura. Esta rede hierárquia pode ser um modelo mais realista, para a ompliada rede de omuiação etre os agetes fiaeiros, do que a rede bidimesioal de Isig. A ostrução desta rede está represetada a fig. (12) - este modelo os ós represetam os agetes e as arestas as oexões etre eles: Passo 0: Iiia om uma aresta e 2 agetes, um em ada extremo. Passo 1: Substitui esta aresta por 4 ovas, formado um diamate, ode os 2 agetes origiais oupam os vérties diametralmete opostos, e ode os dois outros vérties são oupados por 2 ovos agetes. Passo 2: Para ada uma destas 4 arestas, substitua-as por 4 ovas, formado um diamate da mesma forma omo o passo 1. Repetido esta operação um úmero arbitrário de vezes, obtém-se a rede hierárquia do diamate.

20 Modelo Log-periódio p = Figura 12 Os quatro primeiros passos da ostrução reursiva da rede hierárquia do diamate. Observe que, para p = 3, somete a amada esquerda do diamate foi ilustrada. A amada da direita possui igual estrutura. No fial de 3 iterações, por exemplo, tora-se evidete que os agetes o ível iiial possuem um úmero de oexões maior do que os agetes em íveis posteriores. 2 p Além disso, após p iterações, existem N = (2 + 4 ) agetes e L = 3 p 4 arestas etre eles. A maior parte dos agetes (agetes gerados a última iteração de reorrêia) terá somete dois vizihos, algus pouos (os agetes

21 Modelo Log-periódio 36 iiiais) terão etre estes dois extremos. p 2 vizihos, os demais terão um úmero de vizihos itermediário Cosidere, agora, que esta rede hierárquia os agetes estão iteragido om seus vizihos mais próximos segudo um proesso imitativo de aordo om a eq. (19). Uma versão deste modelo foi soluioada por Derrida et. al. (1983). As propriedades básias, para esta estrutura de rede, são similares às desritas o modelo da imitação raioal usado a rede bi-dimesioal, o plao Eulideao. Assim, existe um poto rítio K, tal que, quado K < K a suseptibilidade é fiita e quado K rese, atigido K, a suseptibilidade diverge. A úia difereça, porém ruial, é que o expoete rítio γ da suseptibilidade (eq.(22)) pode ser um úmero omplexo. Desta forma, a solução geral para a suseptibilidade é o somatório de termos similares aos da eq.(22), mas om expoetes omplexos. Já ateipado o resultado que será demostrado adiate em detalhes, a expasão de primeira ordem da solução geral é dada por: γ γ + iw ( K K ) + A ( K K )...] χ Re[ A ode A 0, A' 1, w são úmeros reais e Re[.] represeta a parte real do úmero omplexo. χ também pode ser represetada por: γ ' γ ( K K ) + A ( K K ) os[ wl( K K) + Ψ]... χ A (27) ' 0 '1 + ' ' ode A 0, A'1, w e Ψ são úmeros reais. Perebe-se que a lei de potêia, agora, é orrigida por osilações hamadas de log-periódias, pois são periódias o logaritmo da variável (K K), sedo w a sua log-freqüêia. 2π Fazedo-se a mesma aalogia desevolvida a seção 2.4, olui-se que a hazard rate de um rash, osiderado um modelo de rede hierárquia para o merado fiaeiro, possui o seguite omportameto: h( B ( t + B ( t os[ wl( t + α α ' 0 1 Ψ ] (28) Da mesma forma que em (25), h( tem omportameto sigular quado se aproxima do tempo ritio, porém, agora, apresetado osilações logperiódias (ver fig (13)).

22 Modelo Log-periódio 37 Figura 13 Crash hazard rate para a rede hierárquia do diamate: lei de potêia superposta por osilações log-periódias, divergido quado K tede a K. Este omportameto da hazard rate idia que o riso de um rash, por uidade de tempo, sabedo-se que ele aida ão oorreu, aumeta drastiamete quado as iterações etre os ivestidores se toram sufiietemete fortes. No etato, esta aeleração é iterrompida e superposta por uma seqüêia aelerada de fases as quais o riso derese, represetada pelos vales das osilações log-periódias Ivariâia Disreta de Esala Origem da Log-periodiidade em Sistemas Hierárquios Demostrou-se que o modelo da imitação raioal a rash hazard rate é desrita por uma lei de potêia a vizihaça de um determiado tempo rítio, om expoete rítio real (rede bi-dimesioal) ou expoete rítio omplexo (rede hierárquia), ode a lei de potêia está superposta por um omportameto osilatório aelerado. O fator omum etre estes modelos é que a probabilidade de oorrêia de um rash é maior à medida que o sistema, em proesso imitativo, tede a um poto rítio. Coforme ilustrado a seção para o modelo de Isig, a Físia, a existêia de potos rítios é osiderada omo uma das priipais araterístias dos sistemas marosópios. Um sistema tede a um poto rítio quado ifluêias loais se propagam através de logas distâias e o

23 Modelo Log-periódio 38 estado médio do sistema tora-se altamete sesível a pequeas perturbações, ou seja, partes diferetes do sistema eotram-se fortemete orrelaioadas. Uma propriedade importate dos sistemas físios em estado rítio é a auto-similaridade por trasformação de esala. A auto-similaridade se refere à propriedade de uma figura geométria ou uma gradeza se mater ivariate, ou seja, oservar suas araterístias, após uma trasformação de dilatação do sistema (ver fig. (14)). Figura 14 Modelo de Allègre: dilatação de um ubo, iiialmete formado pela uião de oito barras om parafusos em ada ato do ubo. No próximo ível, oito barras maiores formam um ubo maior e os oito ubos meores, do ível aterior, são utilizados omo jução para uir as barras. Este proesso é repetido reursivamete até esalas maiores. Como visto ateriormete, a seção 2.3.2, o modelo de imitação raioal, quado K ~ K, grupos de ivestidores de variados tamahos ompartilham a mesma opiião e podem agir de maeira oordeada. A geometria dos grupos tora-se auto-similar, om uma hierarquia represetada pelo meor grupo (um ivestidor idividualmete) até o maior (da ordem do tamaho do sistema). A auto-similaridade por esala de um sistema em estado rítio sigifia que as imitações loais asateiam através de todas as esalas do sistema até a esala global. Devido à propriedade de ivariâia por esala, o omportameto de um sistema próximo ao poto rítio deve ser represetado por uma lei de potêia (om expoete rítio real ou omplexo), por ser esta a úia família de fuções

24 Modelo Log-periódio 39 que são homogêeas, ou seja, que ão se modifiam após re-esaloameto [5]. que Cosidere uma fução f(x) e uma mudaça de esala em x pelo fator λ, tal x x' = λx. A ivariâia por esala e o omportameto rítio estão itimamete assoiados à seguite equação: f ( x) = µ f ( λx) (29) ode f(x) represeta a gradeza de iteresse (este aso a suseptibilidade), x é a variável ou o parâmetro do sistema e µ é uma ostate positiva que desreve omo esta gradeza é amplifiada quado o sistema é re-esaloado por um fator λ. A solução da eq. (29) é dada por uma lei de potêia: Cosidere: Obtém-se que: f = α ( x) Cx (30) f = Esta igualdade é válida para α α ( λx) Cλ x (31) α f ( λ x) = λ f ( x) (32) λ, idepedetemete do valor de x, ou seja, a forma fuioal f(x) em lei de potêia é ivariate por mudaça de esala de x, sedo apeas modifiada por um fator ostate. Comparado-se 1 α as eqs.(29) e (32), verifia-se que µ = λ. Potos rítios assoiados à trasição de fase em sistemas físios exibem ivariâia de esala otíua, ou seja, f(x) é ivariate por mudaça de esala para todo fator λ. Por outro lado, em sistemas hierárquios, omo a rede do diamate apresetada a sub-seção aterior, a ivariâia por esala ão é obedeida para qualquer fator λ. Um sistema hierárquio é etão desrito por uma ivariâia de esala disreta, osiderado um re-esaloameto em x, tal que x x' = λ x, om λ = λ0, ou seja, om um fator λ disreto, sedo λ 0 espeífio de ada sistema (o aso da rede do diamate, o fator λ 0 = 4). Uma importate oseqüêia da ivariâia de esala disreta é que o expoete rítio pode ser um úmero omplexo, omo será mostrado a seguir. Cosiderado omo aso (1) a ivariâia de esala otíua e omo aso (2) a ivariâia de esala disreta, a eq.(29) para a trasformação de esala x x' = λ x gera as seguites soluções:

25 Modelo Log-periódio 40 Caso (1): Cosiderado f = α ( x) Cx, substituido-se em (32), obtém-se: α α α Cx = µ Cλ x, logo λ α µ = 1, ou seja l µ α = (33) l λ ode α é o expoete rítio da gradeza represetada por f(x). Caso (2): Cosiderado o expoete rítio omo um úmero omplexo e seguido o mesmo raioíio que o aso (1), a expressão λ α µ = 1pode ser reesrita omo λ α µ = exp( 2πi), ou seja l µ 2π i α = + = 0, ± 1, ± 2K (34) l λ l λ ode α é o expoete rítio. Cosiderado a expressão para a rash hazard rate omo: h t B t t α ( ) ( ), obtém-se para: l µ Caso (1): α real, dado porα =, logo: l λ l µ l λ h( B( t (35) Caso (2): α omplexo, dado por α h( Usado-se que: l µ 2πi =, logo: l λ l λ + l µ 2πi α l λ l λ B( t = B ( t ( t (36) ( t 2πi l λ = e 2πi l( t l λ t ). (37) + = A solução geral do aso (2) é dada por: ( t α = ( t l µ + l λ = e 2π l( t t ) i l λ que equivale a uma expasão em série de Fourier omplexa. Cosiderado somete as soluções reais em (38), a expressão geral para h( é dada por: (38) α0 ( ) ( ) [1 + + h t B t t os( w l( t + Ψ)] = 1 (39)

26 Modelo Log-periódio 41 2π ode w = e α 0 l λ l µ =. l λ Comparado-se as equações (28) e (39), olui-se que a eq.(28) proposta para h( é, a verdade, ostituída pelos termos de ordem 0 e de ordem 1 da solução mais geral dada pela eq.(39) Propriedades do Modelo Log-periódio de Preços O modelo para o omportameto do preço do ativo fiaeiro, aterior a oorrêia do rash, leva em osideração os seguites potos (os quais foram todos detalhados as seções ateriores): 1- o massivo e imprevisível posiioameto de veda etre os ivestidores durate um rash fiaeiro é o resultado de um omportameto imitativo o ível de miro-iterações loais, que se propagam através das esalas do sistema até a ooperação global, quado o sistema se aproxima do seu poto rítio; 2- os rashes fiaeiros são modelados omo uma trasição de fase em um sistema hierárquio araterizado por uma ivariâia de esala disreta; 3- o rash é um eveto estoástio om hazard rate h( tedo valor máximo em data t. De aordo om a diâmia de preços desrita pelas equações (10) (13), para a hazard rate desrita pela eq.(28), a evolução do preço do ativo fiaeiro, aterior à oorrêia do rash é dada por: β p( = A + B( t {1 + C os[ w l( t + φ]} (40) ode p( represeta o ídie de preço de um ativo; t o tempo rítio; w é a freqüêia log-periódia; φ a fase; A, B e C são ostates de ajuste. A freqüêia w é dada por 2π w = (ver eq.(39)), o que resulta em: l λ 2π w λ = e (41) ode λ é o fator de ivariâia por esala araterístio da rede hierárquia do merado, orrespodete ao fator de amplifiação etre íveis hierárquios oseutivos.

27 Modelo Log-periódio 42 A existêia de diferetes valores para λ implia a existêia de merados om estruturas hierárquias diferetes. Sorette, 2001 [6], eotrou em suas aálises diferetes valores de λ para diversos merados: λ = 2.5 ± 0.3 para grades merados, λ = 2.8 ± 1.1 para merados emergetes. Nota-se que a barra de erro para os merados emergetes é maior do que para os grades merados. Sorette, 2001 [6], espeula que esta difereça oorre pelo fato dos merados emergetes represetarem merados meores, ode o úmero de iterações reursivas a desrição da rede hierárquia é pequeo, ão se oseguido obter om preisão araterístias de logo alae. A este fato se deomia efeito de tamaho fiito. A assoiação do omportameto log-periódio às bolhas pré-rash foree uma ferrameta para sua araterização e deteção. Observado o gráfio da fig.(15), que represeta a eq.(40), eotram-se valores de tempo t orrespodetes aos máximos loais suessivos da urva de p(. Por outro lado, a orreção log-periódia implia a existêia de uma hierarquia de itervalos de tempo araterístios t + 1 t t t t t. Pode-se mostrar que = λ, ou seja, os máximos loais da fução p( distam de t por itervalos de tempo que tedem a zero seguido uma progressão geométria, tal que, a razão dos itervalos de tempo oseutivos é uma ostate igual ao fator araterístio do merado λ (ver Apêdie B). Portato, os itervalos de tempo merado. t t ão são uiversais, mas depedem espeifiamete de ada

28 Modelo Log-periódio 43 p( t -t +1 t -t t t +1 t t Figura 15 A razão das distâias, etre dois máximos oseutivos e t, segue uma progressão geométria uja razão é igual ao fator λ araterístio do merado. Este resultado é muito útil do poto de vista empírio, pois as osilações são de fáil deteção. As osilações log-periódias também podem ser iterpretadas omo padrões preursores para iferir a data mais provável do rash, t, que seria o poto de aumulação dessas osilações. Assim, este modelo, o merado ateipa o rash, revelado araterístias preursoras observáveis a série de preços, ou seja, os preços otêm iformações sobre o rash imiete. Uma das araterístias de toda modelagem é poder iferir omportametos. Embora a modelagem de Sorette teha omo objetivo priipal uma desrição quatitativa da fase pré-rash, ela possui poder preditivo om relação à data mais provável de oorrêia do rash.

Biofísica II FFCLRP USP Prof. Antônio Roque Aula 3

Biofísica II FFCLRP USP Prof. Antônio Roque Aula 3 5910187 Biofísia II FFCLRP USP Prof. Atôio Roque Aula 3 Proessos de Difusão Vamos agora disutir algus proessos de difusão que são diretamete relevates para a difusão em élulas e através de membraas elulares.

Leia mais

INFERÊNCIA ESTATÍSTICA: TESTE DE HIPÓTESES

INFERÊNCIA ESTATÍSTICA: TESTE DE HIPÓTESES INFERÊNCIA ESTATÍSTICA: TESTE DE IPÓTESES 2 Teste de hipóteses Exemplo. Uma idústria adquire de um erto fabriate pios uja resistêia média à ruptura é espeifiada em 6 uid. (valor omial da espeifiação).

Leia mais

DESIGUALDADES, LEIS LIMITE E TEOREMA DO LIMITE CENTRAL. todas as repetições). Então, para todo o número positivo ξ, teremos:

DESIGUALDADES, LEIS LIMITE E TEOREMA DO LIMITE CENTRAL. todas as repetições). Então, para todo o número positivo ξ, teremos: 48 DESIGUALDADES, LEIS LIMITE E TEOREMA DO LIMITE CENTRAL LEI DOS GRANDES NÚMEROS Pretede-se estudar o seguite problema: À medida que o úmero de repetições de uma experiêcia cresce, a frequêcia relativa

Leia mais

MATEMÁTICA QUESTÃO 1. Resolução. Resolução Primeira solução:

MATEMÁTICA QUESTÃO 1. Resolução. Resolução Primeira solução: (9) 35-0 www.eliteampias.om.br O ELITE RESOLVE IME 007 MATEMÁTICA - DISCURSIVAS MATEMÁTICA QUESTÃO 3 0 Cosidere as matrizes A= e B =, e seja P uma matriz 3 0 iversível tal que B = P - AP. Sedo um úmero

Leia mais

Aula 5 Teorema central do limite & Aplicações

Aula 5 Teorema central do limite & Aplicações Diâmica Estocástica Aula 5 Teorema cetral do limite & Aplicações Teorema cetral do limite Se x é tal que: x 0 e ( xv é fiita,,..., x x, x,...,, 3 x variáveis aleatórias idepedetes com a mesma distribuição

Leia mais

binomial seria quase simétrica. Nestas condições será também melhor a aproximação pela distribuição normal.

binomial seria quase simétrica. Nestas condições será também melhor a aproximação pela distribuição normal. biomial seria quase simétrica. Nestas codições será também melhor a aproximação pela distribuição ormal. Na prática, quado e p > 7, a distribuição ormal com parâmetros: µ p 99 σ p ( p) costitui uma boa

Leia mais

DERIVADAS DE FUNÇÕES11

DERIVADAS DE FUNÇÕES11 DERIVADAS DE FUNÇÕES11 Gil da Costa Marques Fudametos de Matemática I 11.1 O cálculo diferecial 11. Difereças 11.3 Taxa de variação média 11.4 Taxa de variação istatâea e potual 11.5 Primeiros exemplos

Leia mais

BÁRBARA DENICOL DO AMARAL RODRIGUEZ CINTHYA MARIA SCHNEIDER MENEGHETTI CRISTIANA ANDRADE POFFAL SEQUÊNCIAS NUMÉRICAS. 1 a Edição

BÁRBARA DENICOL DO AMARAL RODRIGUEZ CINTHYA MARIA SCHNEIDER MENEGHETTI CRISTIANA ANDRADE POFFAL SEQUÊNCIAS NUMÉRICAS. 1 a Edição BÁRBARA DENICOL DO AMARAL RODRIGUEZ CINTHYA MARIA SCHNEIDER MENEGHETTI CRISTIANA ANDRADE POFFAL SEQUÊNCIAS NUMÉRICAS 1 a Edição Rio Grade 2017 Uiversidade Federal do Rio Grade - FURG NOTAS DE AULA DE CÁLCULO

Leia mais

Capítulo 5. CASO 5: EQUAÇÃO DE POISSON 5.1 MODELO MATEMÁTICO E SOLUÇÃO ANALÍTICA

Capítulo 5. CASO 5: EQUAÇÃO DE POISSON 5.1 MODELO MATEMÁTICO E SOLUÇÃO ANALÍTICA Capítulo 5. CASO 5: EQUAÇÃO DE POISSON No presete capítulo, é abordado um problema difusivo uidimesioal com absorção de calor (Icropera e DeWitt, 199, o que resulta uma equação de Poisso, que é uma equação

Leia mais

n ) uma amostra aleatória da variável aleatória X.

n ) uma amostra aleatória da variável aleatória X. - Distribuições amostrais Cosidere uma população de objetos dos quais estamos iteressados em estudar uma determiada característica. Quado dizemos que a população tem distribuição FX ( x ), queremos dizer

Leia mais

4 Teoria da Probabilidade

4 Teoria da Probabilidade 48 4 Teoria da Probabilidade Apresetam-se este capítulo coceitos de probabilidade e de estimação de fuções desidade de probabilidade ecessários ao desevolvimeto e compreesão do modelo proposto (capítulo

Leia mais

1 Distribuições Amostrais

1 Distribuições Amostrais 1 Distribuições Amostrais Ao retirarmos uma amostra aleatória de uma população e calcularmos a partir desta amostra qualquer quatidade, ecotramos a estatística, ou seja, chamaremos os valores calculados

Leia mais

UNIVERSIDADE FEDERAL DO PARANÁ SETOR DE CIÊNCIAS EXATAS DEPTO. DE ESTATÍSTICA 1ª LISTA DE EXERCICIOS CE068 CÁLCULO DE PROBABILIDADES A

UNIVERSIDADE FEDERAL DO PARANÁ SETOR DE CIÊNCIAS EXATAS DEPTO. DE ESTATÍSTICA 1ª LISTA DE EXERCICIOS CE068 CÁLCULO DE PROBABILIDADES A UNIVERSIDADE FEDERAL DO PARANÁ SETOR DE CIÊNCIAS EXATAS DEPTO. DE ESTATÍSTICA ª LISTA DE EXERCICIOS CE068 CÁLCULO DE PROBABILIDADES A Prof. Beito Olivares Aguilera 2 o Sem./09. Uma fábria produz um determiado

Leia mais

Avaliação da Rotação de Constelações 4-QAM e 16-QAM em Canais com Desvanecimento Rice 1

Avaliação da Rotação de Constelações 4-QAM e 16-QAM em Canais com Desvanecimento Rice 1 Avaliação da Rotação de Costelações 4-QAM e 16-QAM em Caais om Desvaeimeto Rie 1 Mariaa F. Mota, Carlos D. M. Regis 3, Rafael F. Lopes 4 e Marelo. Alear 5 1 Parte do projeto de pesquisa PIBICT. Istituto

Leia mais

Cap. 4 - Estimação por Intervalo

Cap. 4 - Estimação por Intervalo Cap. 4 - Estimação por Itervalo Amostragem e iferêcia estatística População: cosiste a totalidade das observações em que estamos iteressados. Nº de observações a população é deomiado tamaho=n. Amostra:

Leia mais

2. Teoria das Filas. 2.1. Características estruturais dos sistemas de fila

2. Teoria das Filas. 2.1. Características estruturais dos sistemas de fila 2. Teoria das Filas Segudo Fogliatti (2007), a teoria das filas osiste a modelagem aalítia de proessos ou sistemas que resultam em espera e tem omo objetivo determiar e avaliar quatidades, deomiadas medidas

Leia mais

Análise da Resposta de Sistemas à Excitação Harmônica. Resposta em Freqüência

Análise da Resposta de Sistemas à Excitação Harmônica. Resposta em Freqüência Aálise da Resposta de Sistemas à Exitação Harmôia. Resposta em Freqüêia 6 Aálise da Resposta de Sistemas à Exitação Harmôia. Resposta em Freqüêia INTRODUÇÃO Estudamos, até agora (Apostilas 4 e 5), a resposta

Leia mais

MATEMÁTICA II. Profa. Dra. Amanda Liz Pacífico Manfrim Perticarrari

MATEMÁTICA II. Profa. Dra. Amanda Liz Pacífico Manfrim Perticarrari MATEMÁTICA II Profa. Dra. Amada Liz Pacífico Mafrim Perticarrari amada@fcav.uesp.br O PROBLEMA DA ÁREA O PROBLEMA DA ÁREA Ecotre a área da região que está sob a curva y = f x de a até b. S = x, y a x b,

Leia mais

Séries e aplicações15

Séries e aplicações15 Séries e aplicações5 Gil da Costa Marques Fudametos de Matemática I 5. Sequêcias 5. Séries 5. Séries especiais 5.4 Arquimedes e a quadratura da parábola 5.5 Sobre a Covergêcia de séries 5.6 Séries de Taylor

Leia mais

CAPÍTULO IV DESENVOLVIMENTOS EM SÉRIE

CAPÍTULO IV DESENVOLVIMENTOS EM SÉRIE CAPÍTUO IV DESENVOVIMENTOS EM SÉRIE Série de Taylor e de Mac-auri Seja f ) uma fução real de variável real com domíio A e seja a um poto iterior desse domíio Supoha-se que a fução admite derivadas fiitas

Leia mais

FICHA DE TRABALHO DE FÍSICA E QUÍMICA A JANEIRO 2010

FICHA DE TRABALHO DE FÍSICA E QUÍMICA A JANEIRO 2010 FICHA DE TRABALHO DE FÍSICA E QUÍMICA A JANEIRO 00 APSA Nº4 º Ao de Esolaridade. Na figura está represetado o omportameto de um feixe lumioso ao iidir sobre três superfíies distitas, A, B e C... Idetifique

Leia mais

Estatística. Estatística II - Administração. Prof. Dr. Marcelo Tavares. Distribuições de amostragem. Estatística Descritiva X Estatística Inferencial

Estatística. Estatística II - Administração. Prof. Dr. Marcelo Tavares. Distribuições de amostragem. Estatística Descritiva X Estatística Inferencial Estatística II - Admiistração Prof. Dr. Marcelo Tavares Distribuições de amostragem Na iferêcia estatística vamos apresetar os argumetos estatísticos para fazer afirmações sobre as características de uma

Leia mais

ESTIMAÇÃO DA PROPORÇÃO POPULACIONAL p

ESTIMAÇÃO DA PROPORÇÃO POPULACIONAL p ESTIMAÇÃO DA PROPORÇÃO POPULACIONAL p Objetivo Estimar uma proporção p (descohecida) de elemetos em uma população, apresetado certa característica de iteresse, a partir da iformação forecida por uma amostra.

Leia mais

ANÁLISE DE ONDAS ESTÁTICAS SOBRE UMA MOLA ESPIRAL TENSIONADA E UMA CORDA TENSIONADA.

ANÁLISE DE ONDAS ESTÁTICAS SOBRE UMA MOLA ESPIRAL TENSIONADA E UMA CORDA TENSIONADA. Meâia Osilações e odas Odas meâias ANÁLISE DE ONDAS ESTÁTICAS SOBRE UMA MOLA ESPIRAL TENSIONADA E UMA CORDA TENSIONADA. Geração de odas logitudiais estátias em uma mola espiral e de odas trasversais estátias

Leia mais

4. MEDIDAS DINÂMICAS CONCEITOS BÁSICOS

4. MEDIDAS DINÂMICAS CONCEITOS BÁSICOS 4. MEDIDAS DINÂMICAS CONCEITOS BÁSICOS Muitas vezes os experimetos requerem medidas de gradezas físicas que variam com o tempo. Para a correta medição destas gradezas, é ecessário cohecer as propriedades

Leia mais

PROJETO E ANÁLISES DE EXPERIMENTOS (PAE) PROJETO FATORIAL 2 k COMPLETO E REPLICADO. Dr. Sivaldo Leite Correia

PROJETO E ANÁLISES DE EXPERIMENTOS (PAE) PROJETO FATORIAL 2 k COMPLETO E REPLICADO. Dr. Sivaldo Leite Correia PROJETO E ANÁLISES DE EXPERIMENTOS (PAE) PROJETO FATORIAL 2 k COMPLETO E REPLICADO Dr. Sivaldo Leite Correia CONCEITOS, LIMITAÇÕES E APLICAÇÕES Nos tópicos ateriores vimos as estratégias geeralizadas para

Leia mais

6 O conceito de verdade em linguagens semanticamente fechadas

6 O conceito de verdade em linguagens semanticamente fechadas 6 O oeito de verdade em liguages sematiamete fehadas Neste apítulo vamos apresetar ossa defiição de verdade. Como os ometários filosófios aera dos diversos aspetos de ossa defiição já foram feitos o apítulo

Leia mais

Lista de Exercícios #4 Assunto: Variáveis Aleatórias Contínuas

Lista de Exercícios #4 Assunto: Variáveis Aleatórias Contínuas . ANPEC 8 - Questão Seja x uma variável aleatória com fução desidade de probabilidade dada por: f(x) = x, para x f(x) =, caso cotrário. Podemos afirmar que: () E[x]=; () A mediaa de x é ; () A variâcia

Leia mais

Capítulo I Séries Numéricas

Capítulo I Séries Numéricas Capítulo I Séries Numéricas Capitulo I Séries. SÉRIES NÚMERICAS DEFINIÇÃO Sedo u, u,..., u,... uma sucessão umérica, chama-se série umérica de termo geral u à epressão que habitualmete se escreve u u...

Leia mais

Estacionariedade e correlação temporal em dados financeiros

Estacionariedade e correlação temporal em dados financeiros Estacioariedade e correlação temporal em dados fiaceiros Hoje em dia há uma quatidade imesa de dados fiaceiros sedo armazeados, egócio a egócio, pelo mudo afora. Gratuitamete, é possível coseguir facilmete

Leia mais

e seja P uma matriz invisível tal que B = P -1 AP. Sendo n um número natural,

e seja P uma matriz invisível tal que B = P -1 AP. Sendo n um número natural, 3 Cosidere as matrizes A 3 alule o determiate da matriz A e 0 B, e seja P uma matriz ivisível tal que B P - AP Sedo um úmero atural, 0 det A det A, tem-se: Como ( ) ( ) ( ) det A 3 3 Cosidere uma seqüêia

Leia mais

Stela Adami Vayego DEST/UFPR

Stela Adami Vayego DEST/UFPR Resumo 3 Resumo dos dados uméricos por meio de úmeros. Medidas de Tedêcia Cetral A tedêcia cetral da distribuição de freqüêcias de uma variável em um cojuto de dados é caracterizada pelo valor típico dessa

Leia mais

Teorema do limite central e es/mação da proporção populacional p

Teorema do limite central e es/mação da proporção populacional p Teorema do limite cetral e es/mação da proporção populacioal p 1 RESULTADO 1: Relembrado resultados importates Seja uma amostra aleatória de tamaho de uma variável aleatória X, com média µ e variâcia σ.temos

Leia mais

1ª Lista de Exercícios. 1. São dados 2n números distintos distribuídos em dois vetores com n elementos A e B ordenados de maneira tal que

1ª Lista de Exercícios. 1. São dados 2n números distintos distribuídos em dois vetores com n elementos A e B ordenados de maneira tal que Uiversidade Federal de Mias Gerais Departameto de Ciêia da Computação Algoritmos e Estruturas de Dados II (Turmas M, N, W, F) 1º Semestre de 01 Profs. Camilo Oliveira, Gisele Pappa, Ítalo Cuha, Loï Cerf,

Leia mais

CONHECIMENTOS ESPECÍFICOS

CONHECIMENTOS ESPECÍFICOS CESPE/UB FUB/0 fa 5 4 CONHECIMENTOS ESPECÍFICOS 60 As distribuições B e C possuem os mesmos valores para os quartis Q e Q, e o quartil superior em B correspode ao quartil cetral (Q ) da distribuição A.

Leia mais

S E Q U Ê N C I A S E L I M I T E S. Prof. Benito Frazão Pires. Uma sequência é uma lista ordenada de números

S E Q U Ê N C I A S E L I M I T E S. Prof. Benito Frazão Pires. Uma sequência é uma lista ordenada de números S E Q U Ê N C I A S E L I M I T E S Prof. Beito Frazão Pires Uma sequêcia é uma lista ordeada de úmeros a, a 2,..., a,... ) deomiados termos da sequêcia: a é o primeiro termo, a 2 é o segudo termo e assim

Leia mais

Amostras Aleatórias e Distribuições Amostrais. Probabilidade e Estatística: afinal, qual é a diferença?

Amostras Aleatórias e Distribuições Amostrais. Probabilidade e Estatística: afinal, qual é a diferença? Amostras Aleatórias e Distribuições Amostrais Probabilidade e Estatística: afial, qual é a difereça? Até agora o que fizemos foi desevolver modelos probabilísticos que se adequavam a situações reais. Por

Leia mais

Lista de Exercícios #6 Assunto: Propriedade dos Estimadores e Métodos de Estimação

Lista de Exercícios #6 Assunto: Propriedade dos Estimadores e Métodos de Estimação Assuto: Propriedade dos Estimadores e Métodos de Estimação. ANPEC 08 - Questão 6 Por regulametação, a cocetração de um produto químico ão pode ultrapassar 0 ppm. Uma fábrica utiliza esse produto e sabe

Leia mais

MAE Introdução à Probabilidade e Estatística II Resolução Lista 2

MAE Introdução à Probabilidade e Estatística II Resolução Lista 2 MAE 9 - Itrodução à Probabilidade e Estatística II Resolução Lista Professor: Pedro Moretti Exercício 1 Deotado por Y a variável aleatória que represeta o comprimeto dos cilidros de aço, temos que Y N3,

Leia mais

. Dessa forma, quanto menor o MSE, mais a imagem

. Dessa forma, quanto menor o MSE, mais a imagem Uiversidade Federal de Perambuco CI / CCEN - Área II 1 o Exercício de Cálculo Numérico ( 18 / 06 / 2014 ) Aluo(a) 1- Questão 1 (2,5 potos) Cosidere uma imagem digital como uma matriz bidimesioal de dimesões

Leia mais

Distribuições Amostrais

Distribuições Amostrais Distribuições Amostrais O problema da iferêcia estatística: fazer uma afirmação sobre os parâmetros da população θ (média, variâcia, etc) através da amostra. Usaremos uma AAS de elemetos sorteados dessa

Leia mais

δ de L. Analogamente, sendo

δ de L. Analogamente, sendo Teoremas fudametais sobre sucessões Teorema das sucessões equadradas Sejam u, v e w sucessões tais que, a partir de certa ordem p, u w v lim u = lim v = L (fiito ou ão), a sucessão w também tem limite,

Leia mais

Estimar uma proporção p (desconhecida) de elementos em uma população, apresentando certa característica de interesse, a partir da informação

Estimar uma proporção p (desconhecida) de elementos em uma população, apresentando certa característica de interesse, a partir da informação ESTIMAÇÃO DA PROPORÇÃO POPULACIONAL p 1 Objetivo Estimar uma proporção p (descohecida) de elemetos em uma população, apresetado certa característica de iteresse, a partir da iformação forecida por uma

Leia mais

2.2. Séries de potências

2.2. Séries de potências Capítulo 2 Séries de Potêcias 2.. Itrodução Série de potêcias é uma série ifiita de termos variáveis. Assim, a teoria desevolvida para séries ifiitas de termos costates pode ser estedida para a aálise

Leia mais

Estimadores de Momentos

Estimadores de Momentos Estimadores de Mometos A média populacioal é um caso particular daquilo que chamamos de mometo. Na realidade, ela é o primeiro mometo. Se X for uma v.a. cotíua, com desidade f(x; θ 1,..., θ r ), depededo

Leia mais

Raízes de equações. O Problema. Equações. Algébricas Transcendentes

Raízes de equações. O Problema. Equações. Algébricas Transcendentes Raízes de equações Algébrias Trasedetes O roblema É frequete em problemas ietífios e de egeharia a eessidade de se determiar o valor para que satisfaça uma dada fução f isto é f. O úmero é hamado de zero

Leia mais

PROVA DE FÍSICA 2º ANO - 1ª MENSAL - 3º TRIMESTRE TIPO A

PROVA DE FÍSICA 2º ANO - 1ª MENSAL - 3º TRIMESTRE TIPO A PROVA DE FÍSICA º ANO - ª MENSAL - º TRIMESTRE TIPO A 0) Aalise o esquema abaio e assiale V pa a(s) verdadeira(s) e F pa a(s) falsa(s) as afirmativas que o seguem. (V) O âgulo de iidêia é 45 ; o de refração,

Leia mais

5 Teoria dos Valores Extremos

5 Teoria dos Valores Extremos Teoria dos Valores Extremos 57 5 Teoria dos Valores Extremos A Teoria dos Valores Extremos vem sedo bastate utilizada em campos ligados a evetos raros. Sua estatística é aplicada a estimação de evetos

Leia mais

Cálculo Diferencial e Integral I Resolução do 2 ō Teste - LEIC

Cálculo Diferencial e Integral I Resolução do 2 ō Teste - LEIC Cálculo Diferecial e Itegral I Resolução do ō Teste - LEIC Departameto de Matemática Secção de Àlgebra e Aálise I.. Determie o valor dos seguites itegrais (i) e x se x dx x + (ii) x (x + ) dx (i) Visto

Leia mais

UMA EXPERIÊNCIA COM MODELAGEM MATEMÁTICA NA LICENCIATURA EM MATEMÁTICA

UMA EXPERIÊNCIA COM MODELAGEM MATEMÁTICA NA LICENCIATURA EM MATEMÁTICA ISBN 978-85-7846-516-2 UMA EXPERIÊNCIA COM MODELAGEM MATEMÁTICA NA LICENCIATURA EM MATEMÁTICA Resumo Alisso Herique dos Satos UEL Email: alisso_hs612@hotmail.com Ferada Felix Silva UEL Email: ferada.f.matematica@gmail.com

Leia mais

Sumário. 2 Índice Remissivo 17

Sumário. 2 Índice Remissivo 17 i Sumário 1 Itrodução à Iferêcia Estatística 1 1.1 Defiições Básicas................................... 1 1.2 Amostragem....................................... 2 1.2.1 Tipos de Amostragem.............................

Leia mais

Cap. VI Histogramas e Curvas de Distribuição

Cap. VI Histogramas e Curvas de Distribuição TLF /11 Capítulo VI Histogramas e curvas de distribuição 6.1. Distribuições e histogramas. 6 6.. Distribuição limite 63 6.3. Sigificado da distribuição limite: frequêcia esperada e probabilidade de um

Leia mais

Análise de Algoritmos. Análise de Algoritmos. Análise de Algoritmos. Análise de Algoritmos. Análise de Algoritmos. Análise de Algoritmos

Análise de Algoritmos. Análise de Algoritmos. Análise de Algoritmos. Análise de Algoritmos. Análise de Algoritmos. Análise de Algoritmos Aálise de Algoritmos Aálise de Algoritmos Prof Dr José Augusto Baraauskas DFM-FFCLRP-USP A Aálise de Algoritmos é um campo da Ciêcia da Computação que tem como objetivo o etedimeto da complexidade dos

Leia mais

Séries e Equações Diferenciais Lista 02 Séries Numéricas

Séries e Equações Diferenciais Lista 02 Séries Numéricas Séries e Equações Difereciais Lista 02 Séries Numéricas Professor: Daiel Herique Silva Defiições Iiciais ) Defia com suas palavras o coceito de série umérica, e explicite difereças etre sequêcia e série.

Leia mais

Instruções gerais sobre a Prova:

Instruções gerais sobre a Prova: DEPARTAMENTO DE ESTATÍSTICA - UFMG PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 2012/2013 Istruções gerais sobre a Prova: (a) Cada questão respodida corretamete vale 1 (um) poto. (b) Cada

Leia mais

CINÉTICA QUÍMICA FATORES DE INFLUÊNCIA - TEORIA

CINÉTICA QUÍMICA FATORES DE INFLUÊNCIA - TEORIA Itrodução CINÉTICA QUÍMICA FATORES DE INFLUÊNCIA - TEORIA A Ciética Química estuda a velocidade com a qual as reações acotecem e os fatores que são capazes de realizar ifluêcia sobre ela. A medida mais

Leia mais

Exercício: Mediu-se os ângulos internos de um quadrilátero e obteve-se 361,4. Qual é o erro de que está afetada esta medida?

Exercício: Mediu-se os ângulos internos de um quadrilátero e obteve-se 361,4. Qual é o erro de que está afetada esta medida? 1. Tratameto estatísticos dos dados 1.1. TEORIA DE ERROS O ato de medir é, em essêcia, um ato de comparar, e essa comparação evolve erros de diversas origes (dos istrumetos, do operador, do processo de

Leia mais

( 1,2,4,8,16,32,... ) PG de razão 2 ( 5,5,5,5,5,5,5,... ) PG de razão 1 ( 100,50,25,... ) PG de razão ½ ( 2, 6,18, 54,162,...

( 1,2,4,8,16,32,... ) PG de razão 2 ( 5,5,5,5,5,5,5,... ) PG de razão 1 ( 100,50,25,... ) PG de razão ½ ( 2, 6,18, 54,162,... Progressões Geométricas Defiição Chama se progressão geométrica PG qualquer seqüêcia de úmeros reais ou complexos, ode cada termo a partir do segudo, é igual ao aterior, multiplicado por uma costate deomiada

Leia mais

FACULDADE DE CIÊNCIAS E TECNOLOGIA. Redes de Telecomunicações (2006/2007)

FACULDADE DE CIÊNCIAS E TECNOLOGIA. Redes de Telecomunicações (2006/2007) FCULDDE DE CIÊCIS E TECOLOGI Redes de Telecomuicações (6/7) Egª de Sistemas e Iformática Trabalho º4 (ª aula) Título: Modelação de tráfego utilizado o modelo de Poisso Fudametos teóricos (cotiuação) 7.

Leia mais

Obtemos, então, uma amostra aleatória de tamanho n de X, que representamos por X 1, X 2,..., X n.

Obtemos, então, uma amostra aleatória de tamanho n de X, que representamos por X 1, X 2,..., X n. Vamos observar elemetos, extraídos ao acaso e com reposição da população; Para cada elemeto selecioado, observamos o valor da variável X de iteresse. Obtemos, etão, uma amostra aleatória de tamaho de X,

Leia mais

2 ESPECIFICAÇÃO DE MOTORES ELÉTRICOS 2.1 POTÊNCIA NOMINAL

2 ESPECIFICAÇÃO DE MOTORES ELÉTRICOS 2.1 POTÊNCIA NOMINAL Módulo omado e roteção ESEIFIAÇÃO DE MOTORES ELÉTRIOS. OTÊIA OMIAL Quado deseja-se esolher um motor para aioar uma determiada arga, é preiso oheer o ojugado requerido pela arga e a rotação que esta arga

Leia mais

DISTRIBUIÇÃO AMOSTRAL E ESTIMAÇÃO PONTUAL INTRODUÇÃO ROTEIRO POPULAÇÃO E AMOSTRA. Estatística Aplicada à Engenharia

DISTRIBUIÇÃO AMOSTRAL E ESTIMAÇÃO PONTUAL INTRODUÇÃO ROTEIRO POPULAÇÃO E AMOSTRA. Estatística Aplicada à Engenharia ROTEIRO DISTRIBUIÇÃO AMOSTRAL E ESTIMAÇÃO PONTUAL 1. Itrodução. Teorema Cetral do Limite 3. Coceitos de estimação potual 4. Métodos de estimação potual 5. Referêcias Estatística Aplicada à Egeharia 1 Estatística

Leia mais

O teste de McNemar. A tabela 2x2. Depois - Antes

O teste de McNemar. A tabela 2x2. Depois - Antes Prof. Lorí Viali, Dr. http://www.pucrs.br/famat/viali/ viali@pucrs.br O teste de McNemar O teste de McNemar para a sigificâcia de mudaças é particularmete aplicável aos experimetos do tipo "ates e depois"

Leia mais

CONCEITOS BÁSICOS E PRINCÍPIOS DE ESTATÍSTICA

CONCEITOS BÁSICOS E PRINCÍPIOS DE ESTATÍSTICA 1 CONCEITOS BÁSICOS E PRINCÍPIOS DE ESTATÍSTICA 1. Coceitos Básicos de Probabilidade Variável aleatória: é um úmero (ou vetor) determiado por uma resposta, isto é, uma fução defiida em potos do espaço

Leia mais

Probabilidade II Aula 12

Probabilidade II Aula 12 Coteúdo Probabilidade II Aula Juho de 009 Desigualdade de Marov Desigualdade de Jese Lei Fraca dos Grades Números Môica Barros, D.Sc. Itrodução A variâcia de uma variável aleatória mede a dispersão em

Leia mais

CCI-22 CCI-22. 5) Interpolação. Matemática Computacional

CCI-22 CCI-22. 5) Interpolação. Matemática Computacional CCI- CCI- atemátia Computaioal 5 Iterpolação Carlos Alerto Aloso Saes Poliômios iterpoladores, Formas de Lagrage, de Newto e de Newto-Gregory Itrodução Forma de Lagrage Forma de Newto CCI- Forma de Newto-Gregory

Leia mais

3 Método Fast Multipole (FMM)

3 Método Fast Multipole (FMM) 2 3 Método Fast Mutipoe (FMM) Nesse apítuo, apreseta-se o Método Fast Mutipoe (FMM), omo proposto por Greegard e Rokhi (987). O agoritmo foi eeito um dos mehores do séuo XX (Dogarra e Suiva, 2). No CBEM,

Leia mais

Capítulo 5- Introdução à Inferência estatística. (Versão: para o manual a partir de 2016/17)

Capítulo 5- Introdução à Inferência estatística. (Versão: para o manual a partir de 2016/17) Capítulo 5- Itrodução à Iferêcia estatística. (Versão: para o maual a partir de 2016/17) 1.1) Itrodução.(222)(Vídeo 39) Na iferêcia estatística, aalisamos e iterpretamos amostras com o objetivo de tirar

Leia mais

Ajuste de Curvas pelo Método dos Quadrados Mínimos

Ajuste de Curvas pelo Método dos Quadrados Mínimos Notas de aula de Métodos Numéricos. c Departameto de Computação/ICEB/UFOP. Ajuste de Curvas pelo Método dos Quadrados Míimos Marcoe Jamilso Freitas Souza, Departameto de Computação, Istituto de Ciêcias

Leia mais

AMOSTRAGEM ALEATÓRIA DISTRIBUIÇÕES POR AMOSTRAGEM

AMOSTRAGEM ALEATÓRIA DISTRIBUIÇÕES POR AMOSTRAGEM 6 AMOSTRAGEM ALEATÓRIA DISTRIBUIÇÕES POR AMOSTRAGEM Quado se pretede estudar uma determiada população, aalisam-se certas características ou variáveis dessa população. Essas variáveis poderão ser discretas

Leia mais

Aula 5. Aula de hoje. Aula passada. Limitante da união Método do primeiro momento Lei dos grandes números (fraca e forte) Erro e confiança

Aula 5. Aula de hoje. Aula passada. Limitante da união Método do primeiro momento Lei dos grandes números (fraca e forte) Erro e confiança Aula 5 Aula passada Valor esperado codicioal Espaço amostral cotíuo, fução desidade Limitates para probabilidade Desigualdades de Markov, Chebyshev, Cheroff with high probability Aula de hoje Limitate

Leia mais

FILAS PARALELAS COM SERVIDORES HETEROGÊNEOS E JOCKEYING PROBABILÍSTICO

FILAS PARALELAS COM SERVIDORES HETEROGÊNEOS E JOCKEYING PROBABILÍSTICO CAÍTULO FILAS ARALELAS COM SERVIDORES HETEROGÊNEOS E JOCKEYING ROBABILÍSTICO Nesse capítulo mostraremos a ovidade desse trabalho que é a obteção das equações de balaço de um sistema de filas paralelas

Leia mais

Guiamento da luz Guias de ondas metálicos

Guiamento da luz Guias de ondas metálicos Guiameto de luz 81 Guiameto da luz 15 15.1 Guias de odas metálios Neste apítulo vamos abordar, de maeira bastate breve, um dos mais importates ompoetes óptios existetes, o guia de odas eletromagétias.

Leia mais

DFS Série Discreta de Fourier DFT Transformada Discreta de Fourier Convolução Circular

DFS Série Discreta de Fourier DFT Transformada Discreta de Fourier Convolução Circular Sistemas de Processameto Digital Egeharia de Sistemas e Iformática Ficha 4 5/6 4º Ao/ º Semestre DFS Série Discreta de Fourier DFT Trasformada Discreta de Fourier Covolução Circular Para calcular a DFT,

Leia mais

Números primos, números compostos e o Teorema Fundamental da Aritmética

Números primos, números compostos e o Teorema Fundamental da Aritmética Polos Olímpicos de Treiameto Curso de Teoria dos Números - Nível 3 Carlos Gustavo Moreira Aula 4 Números primos, úmeros compostos e o Teorema Fudametal da Aritmética 1 O Teorema Fudametal da Aritmética

Leia mais

Fundamentos de Análise Matemática Profª Ana Paula. Números reais

Fundamentos de Análise Matemática Profª Ana Paula. Números reais Fudametos de Aálise Matemática Profª Aa Paula Números reais 1,, 3, cojuto dos úmeros aturais 0,1,,3, cojuto dos úmeros iteiros p q /p e q cojuto dos úmeros racioais a, a 0 a 1 a a, a e a i 0, 1,, 3, 4,

Leia mais

Estimação da média populacional

Estimação da média populacional Estimação da média populacioal 1 MÉTODO ESTATÍSTICO Aálise Descritiva Teoria das Probabilidades Iferêcia Os dados efetivamete observados parecem mostrar que...? Se a distribuição dos dados seguir uma certa

Leia mais

Virgílio Mendonça da Costa e Silva

Virgílio Mendonça da Costa e Silva UNIVERSIDADE FEDERAL DA PARAÍBA CENTRO DE TECNOLOGIA DEPARTAMENTO DE ENGENHARIA MECÂNICA VIBRAÇÕES DOS SISTEMAS MECÂNICOS VIBRAÇÕES LIVRES COM AMORTECIMENTO DE SISTEMAS DE GL NOTAS DE AULAS Virgílio Medoça

Leia mais

Capítulo 5- Introdução à Inferência estatística.

Capítulo 5- Introdução à Inferência estatística. Capítulo 5- Itrodução à Iferêcia estatística. 1.1) Itrodução.(184) Na iferêcia estatística, aalisamos e iterpretamos amostras com o objetivo de tirar coclusões acerca da população de ode se extraiu a amostra.

Leia mais

Mestrado Integrado em Engenharia Civil. Disciplina: TRANSPORTES. Sessão Prática 4: Amostragem

Mestrado Integrado em Engenharia Civil. Disciplina: TRANSPORTES. Sessão Prática 4: Amostragem Mestrado Itegrado em Egeharia Civil Disciplia: TRNSPORTES Prof. Resposável: José Mauel Viegas Sessão Prática 4: mostragem Istituto Superior Técico / Mestrado Itegrado Egª Civil Trasportes ulas Práticas

Leia mais

Avaliação de Desempenho de Sistemas Discretos

Avaliação de Desempenho de Sistemas Discretos Distribuições Comus Avaliação de Desempeho de Sistemas Discretos Probabilidade e Estatística 2 Uiforme Normal Poisso Hipergeométrica Biomial Studet's Geométrica Logormal Expoecial Beta Gamma Qui-Quadrado

Leia mais

UMA INTRODUÇÃO À TEORIA DE PONTOS CRÍTICOS

UMA INTRODUÇÃO À TEORIA DE PONTOS CRÍTICOS UMA INTRODUÇÃO À TEORIA DE PONTOS CRÍTICOS INTRODUÇÃO Carlos Herique Togo e Atôio Carlos Nogueira Hoje em dia, um dos mais produtivos e atraetes ramos da Matemática é a Teoria de Sigularidades A Teoria

Leia mais

Prova Escrita de MATEMÁTICA A - 12o Ano a Fase

Prova Escrita de MATEMÁTICA A - 12o Ano a Fase Prova Escrita de MATEMÁTICA A - o Ao 08 - a Fase Proposta de resolução Cadero... Como P µ σ < X < µ + σ 0,94, logo como P X < µ σ P X > µ + σ, temos que: P X < µ σ 0,94 E assim, vem que: P X > µ σ P X

Leia mais

MATEMÁTICA II. Profa. Dra. Amanda Liz Pacífico Manfrim Perticarrari

MATEMÁTICA II. Profa. Dra. Amanda Liz Pacífico Manfrim Perticarrari MATEMÁTICA II Profa. Dra. Amada Liz Pacífico Mafrim Perticarrari amada@fcav.uesp.br Ecotre a área da região que está sob a curva y = f x de a até b. S = x, y a x b, 0 y f x Isso sigifica que S, ilustrada

Leia mais

Estimação da média populacional

Estimação da média populacional Estimação da média populacioal 1 MÉTODO ESTATÍSTICO Aálise Descritiva Teoria das Probabilidades Iferêcia Os dados efetivamete observados parecem mostrar que...? Se a distribuição dos dados seguir uma certa

Leia mais

O PARADOXO DE SIMPSON

O PARADOXO DE SIMPSON O PARADOXO DE SIMPSON Valmir R. Silva Adre Toom PIBIC-UFPE-CNPq Itrodução A aálise cietífica de dados através da modelagem matemática é uma atividade idispesável a Teoria de Decisão. O mesmo coceito é

Leia mais

Fundamentos de Análise Matemática Profª Ana Paula. Sequência Infinitas

Fundamentos de Análise Matemática Profª Ana Paula. Sequência Infinitas Fudametos de Aálise Matemática Profª Aa Paula Sequêcia Ifiitas Defiição 1: Uma sequêcia umérica a 1, a 2, a 3,,a,é uma fução, defiida o cojuto dos úmeros aturais : f : f a Notação: O úmero é chamado de

Leia mais

11 Aplicações da Integral

11 Aplicações da Integral Aplicações da Itegral Ao itroduzirmos a Itegral Defiida vimos que ela pode ser usada para calcular áreas sob curvas. Veremos este capítulo que existem outras aplicações. Essas aplicações estedem-se aos

Leia mais

A finalidade de uma equação de regressão seria estimar valores de uma variável, com base em valores conhecidos da outra.

A finalidade de uma equação de regressão seria estimar valores de uma variável, com base em valores conhecidos da outra. Jaete Pereira Amador Itrodução A aálise de regressão tem por objetivo descrever através de um modelo matemático, a relação existete etre duas variáveis, a partir de observações dessas viráveis. A aálise

Leia mais

1.1. Ordem e Precedência dos Cálculos 1) = Capítulo 1

1.1. Ordem e Precedência dos Cálculos 1) = Capítulo 1 Capítulo. Aritmética e Expressões Algébricas O estudo de cálculo exige muito mais que o cohecimeto de limite, derivada e itegral. Para que o apredizado seja satisfatório o domíio de tópicos de aritmética

Leia mais

Representação em espaço de estado de sistemas de enésima ordem. Função de perturbação não envolve termos derivativos.

Representação em espaço de estado de sistemas de enésima ordem. Função de perturbação não envolve termos derivativos. VARIÁVEIS DE ESTADO Defiições MODELAGEM E DINÂMICA DE PROCESSOS Profa. Ofélia de Queiroz Ferades Araújo Estado: O estado de um sistema diâmico é o cojuto míimo de variáveis (chamadas variáveis de estado)

Leia mais

Comparação entre duas populações

Comparação entre duas populações Comparação etre duas populações AMOSTRAS INDEPENDENTES Comparação etre duas médias 3 Itrodução Em aplicações práticas é comum que o iteresse seja comparar as médias de duas diferetes populações (ambas

Leia mais

Introdução. Exemplos. Comparar três lojas quanto ao volume médio de vendas. ...

Introdução. Exemplos. Comparar três lojas quanto ao volume médio de vendas. ... Itrodução Exemplos Para curar uma certa doeça existem quatro tratametos possíveis: A, B, C e D. Pretede-se saber se existem difereças sigificativas os tratametos o que diz respeito ao tempo ecessário para

Leia mais

Taxas e Índices. Ana Maria Lima de Farias Dirce Uesu Pesco

Taxas e Índices. Ana Maria Lima de Farias Dirce Uesu Pesco Taxas e Ídices Aa Maria Lima de Farias Dirce Uesu esco Itrodução Nesse texto apresetaremos coceitos básicos sobre ídices e taxas. Embora existam aplicações em diversos cotextos, essas otas utilizaremos

Leia mais

Lista de Exercícios 5

Lista de Exercícios 5 Itrodução à Teoria de Probabilidade. Iformatica Biomedica. Departameto de Física e Matemática. USP-RP. Prof. Rafael A. Rosales 22 de juho de 2006. Lista de Exercícios 5 1 Modelos Probabilísticos Discretos

Leia mais

5. ANÁLISE DE SISTEMAS DA CONFIABILIADE DE SISTEMAS SÉRIE-PARALELO

5. ANÁLISE DE SISTEMAS DA CONFIABILIADE DE SISTEMAS SÉRIE-PARALELO 5. ANÁLISE DE SISTEMAS DA CONFIABILIADE DE SISTEMAS SÉRIE-PARALELO 5.1 INTRODUÇÃO Um sistema é defiido como todo o cojuto de compoetes itercoectados, previamete determiados, de forma a realizar um cojuto

Leia mais

= o logaritmo natural de x.

= o logaritmo natural de x. VI OLIMPÍ IEROMERIN E MTEMÁTI UNIVERSITÁRI 8 E NOVEMRO E 00 PROLEM [5 potos] Seja f ( x) log x 0 = o logaritmo atural de x efia para todo 0 f+ ( x) = f() t dt = lim f() t dt x 0 ε 0 ε Prove que o limite

Leia mais

AUTO AVALIAÇÃO CAPÍTULO I. 1. Assinale com V as proposições que considere verdadeiras e com F as que considere

AUTO AVALIAÇÃO CAPÍTULO I. 1. Assinale com V as proposições que considere verdadeiras e com F as que considere AUTO AVALIAÇÃO CAPÍTULO I. Assiale com V as proposições que cosidere verdadeiras e com F as que cosidere falsas : a. Sedo A e B cojutos disjutos, ambos majorados, os respectivos supremos ão podem coicidir

Leia mais

6.1 Estimativa de uma média populacional: grandes amostras. Definição: Um estimador é uma característica amostral (como a média amostral

6.1 Estimativa de uma média populacional: grandes amostras. Definição: Um estimador é uma característica amostral (como a média amostral 6 ESTIMAÇÃO 6.1 Estimativa de uma média populacioal: grades amostras Defiição: Um estimador é uma característica amostral (como a média amostral x ) utilizada para obter uma aproximação de um parâmetro

Leia mais

Experimento 1 Estudo da Lei de Hooke

Experimento 1 Estudo da Lei de Hooke Experimeto 1 Estudo da Lei de Hooke 1.1 Objetivos Físicos Verificação experimetal da lei de Hooke para uma mola helicoidal: Medida experimetal do módulo de rigidez do material μ. 1. Objetivos Didáticos

Leia mais