CADERNOS DO IME Série Estatística
|
|
- Denílson Sequeira
- 5 Há anos
- Visualizações:
Transcrição
1 CADERNOS DO IME Série Estatística UMA APLICAÇÃO DA MODELAGEM DE DEPENDÊNCIAS NA ANÁLISE DE RISCO DE PROJETOS Ricardo de Melo e Silva Accioly Instituto de Matemática e Estatística - UERJ ricardo.accioly@gmail.com Resumo Na análise econômica de um projeto de desenvolvimento de um campo de petróleo são levados em consideração diversos elementos. Na parte de receitas o principal elemento é a curva de produção de petróleo. Os desembolsos podem ser divididos em dois grandes grupos: investimentos e custos operacionais. Os custos operacionais podem ser de forma geral divididos em três grandes grupos: custos da plataforma, custos de logística e custos de suporte em terra. Em maior ou menor grau cada um destes custos tem alguma dependência com relação ao nível de produção do sistema. Neste trabalho será apresentada uma técnica que permitirá a modelagem destas dependências através da construção de distribuições bivariadas. A técnica é baseada no conceito de função de dependência ou representação uniforme, no qual a função de dependência faz a ligação das distribuições marginais univariadas com sua representação multivariada. Estes resultados permitirão numa etapa posterior a ampliação da análise de risco destes projetos. Palavras-chave: Custo Operacional, Distribuições Bivariadas, Simulação de Monte Carlo.
2 Uma Aplicação da Modelagem Introdução Os empreendimentos na área de petróleo envolvem diversas vezes investimentos de bilhões de dólares, sendo que o retorno do capital investido é cercado de incertezas. As principais incertezas certamente são os preços do barril de petróleo durante toda a fase de produção e a curva de produção de petróleo. Na Bacia de Campos, localizada no litoral do Estado do Rio de Janeiro, a fase de produção, em geral, compreende cerca de vinte e cinco anos. Considerando que a etapa de planejamento e desenvolvimento de um campo está em torno de cinco anos, fica muito claro a importância de se ter uma modelagem adequada da fase de produção. A representação esquemática do ciclo de vida de um projeto de Exploração e Produção pode ser visto na Figura 1. Entre a descoberta de um campo de petróleo até a decisão de desenvolvê-lo pode ter transcorrido diversos anos. A análise econômica de um projeto de produção de um campo de petróleo é uma tarefa com elevado grau de complexidade. Existem diversos elementos envolvidos, cada um com grau de incertezas diferenciado, sendo que estas incertezas variam com a fase do empreendimento. É possível dividir de uma forma simplificada os componentes desta análise econômica. As receitas são basicamente relativas a produção de petróleo, os desembolsos podem ser divididos em dois grupos: investimentos de capital e custos operacionais. Figura1: Ciclo de vida de um projeto de Exploração e Produção. Gerenciamento do Ativo & portfolio Pré-licença Poço Exploratório Poços de Avaliação Incertezas Planejamento do desenvolvimento Desenvolvimento do campo Produção e Operação Produção marginal e Abandono Fonte: Petrobras,
3 Accioly Os investimentos são em sua maior parte relacionados à construção da plataforma de produção e dos poços de petróleo. Eles ocorrem na fase inicial, ou seja, na fase de desenvolvimento do campo. Os custos operacionais, que são o foco deste trabalho, ocorrem durante toda a fase de produção correspondendo a maior faixa de tempo a ser modelada na análise econômica. Os custos operacionais podem ser divididos em três grandes grupos: Custos da plataforma; Custos de logística; Custo do suporte de terra Estes custos em maior ou menor grau estão ligados aos níveis de produção de cada sistema. É muito comum a modelagem destes custos através de modelos lineares, pois isto simplifica muito a análise econômica. O uso de modelos lineares, ou mesmo linearizados através de transformações de variáveis, envolve suposições a respeito do comportamento das distribuições das variáveis envolvidas. Seja o modelo de regressão linear simples dado por y 1 = β 0 + β x + ε, é conhecimento comum que certas suposições básicas são inerentes a este tipo de modelo, tais como: O termo correspondendo ao erro, ε, é uma variável aleatória normalmente distribuída. A variável resposta, y, é a soma de uma componente constante e uma variável aleatória normal, logo sua distribuição também é normal ao longo da regressão em valores de x. 2 σ O erro tem valor esperado zero e variância e. Isto implica que a distribuição dos y ao longo da regressão tem sempre a mesma variância, independente do valor de x. Estas duas suposições dificilmente são respeitadas quando estamos analisando dados reais. No caso dos custos operacionais de plataformas, estes têm, em geral, comportamento bastante assimétrico e sua variação aumenta à medida que aumentam os volumes produzidos. Através de transformações de variáveis poderíamos corrigir parcialmente ou totalmente este problema. No entanto ao utilizar estas transformações estamos afetando diretamente a correlação entre as duas variáveis como podemos ver 3
4 Uma Aplicação da Modelagem... em Dunlap et al. (1995). Ao alterar as correlações entre as variáveis indiretamente podemos estar introduzindo tendências não esperadas nos resultados. Neste trabalho será apresentada uma solução diferente para modelagem da dependência entre duas variáveis. A construção de modelos multivariados é uma área de pesquisa que vem tomando impulso nos últimos anos com a crescente utilização de uma teoria que teve seu desenvolvimento inicial a partir da década de 40, conforme pode ser visto em Nelsen (1999). 2. Funções de dependência O conceito da função de dependência pode ser compreendido pela representação dada por Nelsen (1999). Seja um par de variáveis aleatórias X e Y, com funções distribuições de probabilidade acumuladas F(x) = P[X x] e G(y) = P[Y y] respectivamente. Seja H(x,y) = P[X x, Y y] a função de distribuição de probabilidade acumulada conjunta destas duas variáveis. É possível dizer que para cada par (x, y) temos associados três valores que estão no intervalo [0, 1]: F(x), G(y) e H(x,y). Isto significa que cada par (x, y) de números reais está vinculado a um ponto (F(x), G(y)) está situado num quadrado unitário [0, 1] x [0, 1], sendo que este par ordenado corresponde a um número H(x, y) no intervalo [0, 1]. Será mostrado a seguir que esta correspondência que atribui um valor à função conjunta para cada par ordenado, é feita através de uma função, denominada de função copula. O teorema fundamental que originou o estudo das copulas é (Sklar, 1959): Seja H uma distribuição de probabilidade conjunta com distribuições marginais F e G. Então existe uma função C tal que para todo x, y em [-,+ ], H ( x, y) = C( F( x), G( y)) Se F e G são contínuas então C é única; senão, C é unicamente determinada na Amplitude F x Amplitude G. Uma interpretação importante a ser tirada do teorema de Sklar (1959) é que o problema de se obter uma distribuição bivariada (ou multivariada) foi separado em duas partes. A função de dependência se tornou independente das distribuições marginais, sendo que a função é que contem toda a estrutura de dependência da distribuição 4
5 Accioly conjunta. Outro ponto importante é que as distribuições marginais podem ser definidas de maneira independente não sendo necessário, por exemplo, impor que sejam idênticas. A medida de dependência mais freqüentemente usada é o coeficiente de correlação de Pearson que é intrinsecamente ligado com a dependência linear e a distribuição normal. Quando estamos analisando dados cuja distribuição é normal, as médias e a variância-covariância podem ser modeladas separadamente e a dependência é caracterizada unicamente pelo coeficiente de correlação. Para outros tipos de dados, em geral, isto não é válido. A abordagem através das copulas representa a flexibilidade necessária quando modelando dados não-normais. 3. Estudo de caso Vamos modelar a dependência entre o custo de suporte de terra e o volume de produção de um sistema. O custo de suporte de terra compreende todos os custos do ativo de produção devido ao pessoal técnico e administrativo, além dos custos corporativos tais como: recursos humanos, saúde, treinamento entre outros. Estes custos serão usados em conjunto com os ganhos da produção gerando um VPL simplificado do projeto. A amostra utilizada para modelar os custos foi obtida de plataformas da Bacia Campos, ela continha trinta e nove custos de suporte de terra e as respectivas produções da plataforma. Para comparar os resultados obtidos a partir da construção de uma distribuição bivariada, foi também construído um modelo de regressão linear simples entre os custos e as produções. Figura 2: Gráfico de dispersão da Produção da Plataforma e os Custos de Suporte de Terra Custo de Suporte de Terra (M US$) Produção (bbl/dia) 5
6 Uma Aplicação da Modelagem... É visível a existência de um padrão semelhante de comportamento entre os níveis de produção e cada um dos custos, sendo isto mais evidente nos relacionamentos com custos de logística e custo de suporte em terra. A Tabela 1 apresenta os coeficientes de correlação de Pearson e o coeficiente de concordância de Kendall para a relação entre a produção de óleo e as demais variáveis. Tabela 1: Comparação dos coeficientes de correlação de Pearson e concordância de Kendall. Produção (bbl/dia) x Custo de Suporte (M US$) Coef. de Pearson 0,566 Coef. de Kendall 0,557 Podemos perceber que o coeficiente de Kendall está indicando dependências levemente mais fracas que o coeficiente de Pearson. Entretanto o coeficiente de Kendall não é afetado por transformações das variáveis. Se for utilizada uma transformação logarítmica o valor coeficiente de Pearson passa a ser 0,706, enquanto que o de Kendall permanece inalterado. Na Tabela 2 são apresentadas algumas de funções de dependência, seguindo a numeração de Nelsen (1999), que serão usadas para selecionar o melhor modelo. Para maiores referências sobre cada uma destas famílias consultar Nelsen (1999) páginas Outra fonte de referência para estas e outras funções pode ser obtida no capítulo 5 de Joe (1997). Para obter a estimativa dos parâmetros de cada uma das famílias foi usado o método apresentado por Genest et al. (1995). O primeiro passo foi à obtenção de uma função distribuição acumulada empírica aproximada através do método das B-Splines (KOOPEBERG & STONE, 1992). Na fase seguinte foram utilizados algoritmos de otimização, em um ambiente de programação de um pacote estatístico, para obter as estimativas dos parâmetros. Os resultados são apresentados na Tabela 3 em conjunto com as diferenças de AIC e os pesos de Akaike (BURNHAM & ANDERSON, 2002). 6
7 Accioly Tabela 2: Famílias de funções de dependência Arquimedianas com um parâmetro de dependência Número/Nome C ( u, v) ϕ (t) N.1 - Clayton 1 1 ( u + v 1) ( 1) t [-1, + ] \ {0} N.4 - Gumbel exp( [( lnu) 1 + ( ln v) ] ( ln t) [1, + ] 1 ( e N.5 - Frank ln 1 + u 1)( e e v 1 1) N.13 exp( 1 [(1 ln ) + (1 ln v) 1] 1 ) e t 1 (-,+ ) \ ln e 1 {0} u ( 1 lnt ) 1 (0, + ) N ( ) 1+ [( u 1) + ( v 1) ] 1 ( t t) [1, + ) Tabela 3: Estimativas de MV do parâmetro de dependência, diferenças de AIC e pesos de Akaike. Modelo L() Clayton 2,293 20, ,53 N.13 5,461 19,025 1,01 0,32 N.14 1,345 16,595 3,44 0,09 Frank 6,758 15,694 4,34 0,06 N.6 1,864 5,154 14,88 0,00 Gumbel 1,300 3,808 16,23 0,00 i w i Escolhendo o modelo de Clayton que apresentou o maior peso de Akaike foram simulados custos de suporte de terra para as produções da Tabela 4. Os custos gerados foram trazidos a valor presente e comparados com os resultados obtidos através da regressão linear. Ano Tabela 4: Dados de produção para simulação. Vazão média esperada (bbl/dia) Limite inferior da vazão média (bbl/dia) Limite superior da vazão média (bbl/dia) Ano Ano Ano Ano , , ,70 Ano , , ,56 Ano , , ,85 Ano , , ,29 Ano , , ,77 Ano , , ,59 Ano , , ,85 7
8 Uma Aplicação da Modelagem... Ano , , ,97 Ano , , ,86 Ano , , ,40 Ano , , ,52 Ano , , ,50 Ano , , ,35 Ano , , ,12 Ano , , ,33 Ano , , ,80 Ano , , ,44 Ano , , ,63 Ano , , ,57 Ano , , ,38 Ano , , ,81 Ano , , ,96 Ano , , ,30 Ano , , ,76 A regressão entre os custos de suporte de terra e os volumes de produção está representada no modelo linear abaixo: Custo de Suporte de Terra (US$000) = 2085,70 + 0,0460 vazão de óleo (bbl/dia) A partir deste modelo linear forma obtidos os custos de suporte de terra para cada ano de produção. Figura 3 Gráfico da distribuição acumulada do VPL do projeto VPL do Projeto 1,00 0,90 0,80 0,70 0,60 0,50 0,40 0,30 0,20 0,10 0, , , , , , , ,00 8
9 Accioly A Figura 3 apresenta os resultados da simulação da distribuição do VPL com a função de dependência de Clayton e também com a representação dos resultados da regressão (setas). Pela representação fica claro que a análise de sensibilidade obtida através do modelo de regressão tem pouco significado. O limite superior (US$ ,00) e o inferior (US$ ,00) estão fora da distribuição de VPL obtido pelo modelo bivariado. O valor obtido através da curva de produção esperada, US$ ,00, está dentro da distribuição estando num valor de probabilidade de 67%. 5. Conclusões Neste trabalho foi apresentada uma técnica que permite a construção de distribuições bivariadas, que podem ser muito úteis em estudos de simulação. A função de dependência representa uma alternativa viável de modelagem de variáveis aleatórias não normais, permitindo obter modelos adequados aos padrões de dependência existentes entre as variáveis. Os ganhos potenciais de seu uso em análises econômicas de projetos de Exploração e Produção ainda precisam ser avaliados num modelo completo, buscando a comparação com os procedimentos usuais. Referências Burnham, K. P., Anderson, D. R., Model Selection and Multimodel Inference A Practical Information-Theoretic Approach. 2ed. Springer, New York, Dunlap, W. P., Burke, M. J., Greer, T., The Effect of Skew on the Magnitude of Product-Moment Correlations, The Journal of General Psychology, 122(4), , Genest, C., Ghoudi, K., Rivest, Louis-Paul, A Semiparametric Estimation procedure of Dependence Parameters in Multivariate Families of Distributions. Biometrika, Volume 82, Issue 3, pp , Joe, H. Multivariate Models and Dependence Concepts, Monographs on Statistics and Applied Probability 73, Chapman & Hall/CRC, Koopeberg, C., Stone, C., Logspline Density Estimation, Journal of Computational and Graphical Statistics, 1, , Nelsen, R. B., An Introduction to Copulas, Lecture Notes in Statistics 139, Springer, Sklar, A, Fonctions de repárticion à n dimensions et leurs marges, Publ. Inst. Statist. Unive. Paris 8, ,
10 Uma Aplicação da Modelagem... AN APPLICATION OF DEPENDENCY MODEL IN PROJECT RISK ANALYSIS Abstract When analyzing economic aspects of an upstream development project, some drivers are taken into account. Related with the revenues aspects, the main point is the oil production curve. Related with expenses we have two major groups: investments and operational costs. Operation costs, in general, can be classified in three major subgroups: platform costs, logistics costs and onshore support costs. All these elements have some kind of dependence related to the system production level. This article presents a technique that allows modeling these dependencies through the construction of bivariate distributions. This technique is based on the dependency function or uniform representation, in which the dependence function links the univariate margins with their full multivariate distribution. These results will allow, in a next step, the enhancement of risk analysis for this sort of projects. Key-words: Operational Cost, Bivariate Distribution, Monte Carlo Simulation. 10
Universidade Federal de Lavras Departamento de Ciências Exatas
Universidade Federal de Lavras Departamento de Ciências Exatas Dependência via Cópulas Devanil Jaques de Souza Lucas Monteiro Chaves 27/11/2009 Variável aleatória bi-dimensional ( XY, ) ~ FXY, ( x, y)
4 Metodologia Proposta 4.1. Introdução
4 Metodologia Proposta 4.1. Introdução A metodologia proposta para a valoração da flexibilidade decorrente da existência de uma sonda dedicada para intervenção numa plataforma de petróleo consiste no cálculo
Comparação de estratégias de construção de poços marítimos incorporando incertezas
1 Mariana Monteiro Martins Comparação de estratégias de construção de poços marítimos incorporando incertezas Dissertação de Mestrado Dissertação apresentada como requisito parcial para obtenção do grau
Exercícios de programação
Exercícios de programação Estes exercícios serão propostos durante as aulas sobre o Mathematica. Caso você use outra linguagem para os exercícios e problemas do curso de estatística, resolva estes problemas,
MÉTODOS QUANTITATIVOS APLICADOS. Prof. Danilo Monte-Mor
MÉTODOS QUANTITATIVOS APLICADOS Prof. Danilo Monte-Mor Métodos Quantitativos Aulas 1 e 2 Análise Exploratória de Dados 2 Danilo Soares Monte Mor Currículum Vitae Prof. Dr. e especialista em Métodos Quantitativos
Geração de cenários de energia renovável correlacionados com hidrologia: uma abordagem bayesiana multivariada.
Geração de cenários de energia renovável correlacionados com hidrologia: uma abordagem bayesiana multivariada [alessandro@psr-inc.com] Conteúdo Introdução Estimação não paramétrica (Kernel density) Transformação
Sumário. CAPÍTULO 1 Conceitos preliminares 1. CAPÍTULO 2 Descrição de dados: análise monovariada 47
CAPÍTULO 1 Conceitos preliminares 1 Introdução........................................................1 O que é estatística?.................................................. 4 Papel dos microcomputadores.........................................
)XQGDPHQWRVGHSUREDELOLGDGHHHVWDWtVWLFD
)XQGDPHQWRVGHUREDELOLGDGHHHVWDWtVWLFD,QWURGXomR A história da estatística pode ser dividida em três fases. De acordo com PEANHA (00), a estatística inicialmente não mantinha nenhuma relação com a probabilidade,
MODELO DE DECISÃO PARA ESCOLHA DE PORTFOLIO DE INVESTIMENTOS
MODELO DE DECISÃO PARA ESCOLHA DE PORTFOLIO DE INVESTIMENTOS Rodrigo José Pires Ferreira UFPE Cx. Postal 7462, Recife PE, 50.630-970 rodrigo@ufpe.br Adiel Teixeira de Almeida Filho UFPE Cx. Postal 7462,
Modelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2018
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2018 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:
Avaliação Monte Carlo do teste para comparação de duas matrizes de covariâncias normais na presença de correlação
Avaliação Monte Carlo do teste para comparação de duas matrizes de covariâncias normais na presença de correlação Vanessa Siqueira Peres da Silva 1 2 Daniel Furtado Ferreira 1 1 Introdução É comum em determinadas
CONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS 2003 2004 2005 2006 2007 2008 2009 2010 X 39,0 39,5 39,5 39,0 39,5 41,5 42,0 42,0 Y 46,5 65,5 86,0 100,0 121,0 150,5 174,0 203,0 A tabela acima mostra as quantidades, em milhões
Correlação e Regressão
Correlação e Regressão Vamos começar com um exemplo: Temos abaixo uma amostra do tempo de serviço de 10 funcionários de uma companhia de seguros e o número de clientes que cada um possui. Será que existe
Análise de Dados Longitudinais Aula
1/35 Análise de Dados Longitudinais Aula 08.08.2018 José Luiz Padilha da Silva - UFPR www.docs.ufpr.br/ jlpadilha 2/35 Sumário 1 Revisão para dados transversais 2 Como analisar dados longitudinais 3 Perspectiva
i j i i Y X X X i j i i i
Mario de Andrade Lira Junior lira.pro.br\wordpress lira.pro.br\wordpress Diferença Regressão - equação ligando duas ou mais variáveis Correlação medida do grau de ligação entre duas variáveis Usos Regressão
Análise Multivariada Aplicada à Contabilidade
Mestrado e Doutorado em Controladoria e Contabilidade Análise Multivariada Aplicada à Contabilidade Prof. Dr. Marcelo Botelho da Costa Moraes www.marcelobotelho.com mbotelho@usp.br Turma: 2º / 2016 1 Agenda
Redes de Computadores sem Fio
Redes de Computadores sem Fio Prof. Marcelo Gonçalves Rubinstein Programa de Pós-Graduação em Engenharia Eletrônica Faculdade de Engenharia Universidade do Estado do Rio de Janeiro Programa Introdução
Cópula Gaussiana Aplicada a uma Nova Modelagem da Dependência em Risco Operacional
Cópula Gaussiana Aplicada a uma Nova Modelagem da Dependência em Risco Operacional Guaraci Requena 1 Débora Delbem 2 Carlos Diniz 3 Resumo O Acordo de Basileia II recomenda que os bancos reservem um capital
Comparação entre intervalos de confiança calculados com métodos bootstrap e intervalos assintóticos
Comparação entre intervalos de confiança calculados com métodos strap e intervalos assintóticos Selene Loibel Depto. de Estatística, Matemática Aplicada e Computação, IGCE, UNESP, Rio Claro, SP E-mail:sloibel@rc.unesp.br,
CONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS Em uma grande escola, 10% dos alunos são comprovadamente fracos. Um teste educacional conseguiu identificar corretamente 80% entre aqueles que são fracos e 85% entre aqueles que
Uma investigação de métodos para o estudo da influência da incerteza em dados experimentais de vida acelerada
Uma investigação de métodos para o estudo da influência da incerteza em dados experimentais de vida acelerada Autores Maria Celia de Oliveira Papa Orientador Alvaro Jose Abackerli 1. Introdução Uma das
IND 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
Modelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2014
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2014 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:
Avaliação Probabilística de Reservas de Óleo e Gás Considerando o Efeito da Variação do Preço do Óleo
Livia Hastenreiter Avaliação Probabilística de Reservas de Óleo e Gás Considerando o Efeito da Variação do Preço do Óleo Dissertação de Mestrado Dissertação apresentada como requisito parcial para obtenção
Modelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2017
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2017 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:
Nome do Autor. Título do Livro
Nome do Autor Título do Livro É expressamente proibido reproduzir, no todo ou em parte, sob qualquer forma ou meio, nomeadamente fotocópia, esta obra. As transgressões serão passíveis das penalizações
A figura 5.1 ilustra a densidade da curva normal, que é simétrica em torno da média (µ).
Capítulo 5 Distribuição Normal Muitas variáveis aleatórias contínuas, tais como altura, comprimento, peso, entre outras, podem ser descritas pelo modelo Normal de probabilidades. Este modelo é, sem dúvida,
Sexta Lista: Geração de Números Pseudo-Aleatórios e Método de Monte Carlo
Sexta Lista: Geração de Números Pseudo-Aleatórios e Método de Monte Carlo Antônio Carlos Roque da Silva Filho e Cristiano R. F. Granzotti 26 de junho de 2017 Os exercícios desta lista devem ser resolvidos
Capítulo 3: Elementos de Estatística e Probabilidades aplicados à Hidrologia
Departamento de Engenharia Civil Prof. Dr. Doalcey Antunes Ramos Capítulo 3: Elementos de Estatística e Probabilidades aplicados à Hidrologia 3.1 - Objetivos Séries de variáveis hidrológicas como precipitações,
Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Proceeding Series of the Brazilian Society of pplied and Computational Mathematics, Vol., N., 0. Trabalho apresentado no XXXV CNMC, Natal-RN, 0. Modelagem para previsão/estimação: uma aplicação Neuro-Fuzzy
Incerteza, exatidão, precisão e desvio-padrão
1 Incerteza, exatidão, precisão e desvio-padrão Incerteza ( uncertainty or margin of error ) A incerteza, segundo a Directiva Comunitária 2007/589/CE, é: parâmetro associado ao resultado da determinação
Apontamentos de Introdução às Probabilidades e à Estatística
i Índice 1. Introdução 1 1.1. Enquadramento e objectivos 2 1.2. Organização 5 1.3. Noções base da Estatística 7 1.3.1. Distinção entre população e amostra 8 1.3.2. Amostragem 10 1.3.3. Unidade estatística
Uma Introdução à Lógica da Modelagem Estatística
BIE5781 Aula 1 Uma Introdução à Lógica da Modelagem Estatística Inferência clássica x modelagem Testes de Significância Zar (1999) Biostatistical Analysis t de Student t = X Ȳ s exy William Gosset (1876-1937)
Análise Exploratória de dados bivariados
Análise Exploratória de dados bivariados Consideremos realizações de pares ordenados: (x,y ),...,(x,y ). As variáveis X e Y ocorrem emparelhadas (e.g. X=Temp. mínima do dia, Y=Precipitação acumulada no
Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Geração de Números Aleatórios Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 61 Simulando de Distribuições Discretas Assume-se que um
Modelo 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
Técnicas Multivariadas em Saúde. Vetores Aleatórios. Métodos Multivariados em Saúde Roteiro. Definições Principais. Vetores aleatórios:
Roteiro Técnicas Multivariadas em Saúde Lupércio França Bessegato Dep. Estatística/UFJF 1. Introdução 2. Distribuições de Probabilidade Multivariadas 3. Representação de Dados Multivariados 4. Testes de
MINISTÉRIO DA EDUCAÇÃO UNIVERSIDADE FEDERAL DE LAVRAS
MINISTÉRIO DA EDUCAÇÃO UNIVERSIDADE FEDERAL DE LAVRAS PRÓ-REITORIA DE GRADUAÇÃO EMENTA E CONTEÚDO PROGRAMÁTICO Carga horária Código Denominação Créditos ( ) Teórica Prática Total GEX112 Estatística 04
Alexandre Roberto Rentería ESTIMAÇÃO DE PROBABILIDADE FUZZY A PARTIR DE DADOS IMPRECISOS. Tese de Doutorado
1 Alexandre Roberto Rentería ESTIMAÇÃO DE PROBABILIDADE FUZZY A PARTIR DE DADOS IMPRECISOS Tese de Doutorado Tese apresentada ao Programa de Pós-graduação em Engenharia Elétrica da PUC-Rio como requisito
Opções 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
MOQ-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,
Filho, 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!
Transformações e Ponderação para corrigir violações do modelo
Transformações e Ponderação para corrigir violações do modelo Diagnóstico na análise de regressão Relembrando suposições Os erros do modelo tem média zero e variância constante. Os erros do modelo tem
Introdução ao modelo de Regressão Linear
Introdução ao modelo de Regressão Linear Prof. Gilberto Rodrigues Liska 8 de Novembro de 2017 Material de Apoio e-mail: gilbertoliska@unipampa.edu.br Local: Sala dos professores (junto ao administrativo)
CONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS A distribuição dos tempos de permanência dos estudantes nos cursos de graduação de certa universidade é uma distribuição normal com média igual a 6 anos e desvio padrão igual
VERIFICAÇÃO DA ADEQUAÇÃO DO MODELO DE ANÁLISE DE VARIÂNCIA ANÁLISE DE RESÍDUOS
VERIFICAÇÃO DA ADEQUAÇÃO DO MODELO DE ANÁLISE DE VARIÂNCIA ANÁLISE DE RESÍDUOS Conforme foi apresentado anteriormente, o modelo de análise de variância assume que as observações são independentes e normalmente
( ) Estimação do valor em risco (VaR) de uma carteira de ativos através de método bayesiano. α, é definido como:
Estimação do valor em risco (VaR) de uma carteira de ativos através de método bayesiano Orlando V. Sampaio Jr. (POLI-USP) orlando.sampaio@gmail.com Celma de Oliveira Ribeiro (POLI-USP) celma@usp.br André
Coeficiente de Assimetria
Coeficiente de Assimetria Rinaldo Artes Insper Nesta etapa do curso estudaremos medidas associadas à forma de uma distribuição de dados, em particular, os coeficientes de assimetria e curtose. Tais medidas
Modelos 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
Modelos de Regressão Linear Simples - Análise de Resíduos
1 Modelos de Regressão Linear Simples - Análise de Resíduos Erica Castilho Rodrigues 27 de Setembro de 2016 2 3 O modelo de regressão linear é dado por 3 O modelo de regressão linear é dado por Y i = β
Estatística Descritiva e Exploratória
Gledson Luiz Picharski e Wanderson Rodrigo Rocha 9 de Maio de 2008 Estatística Descritiva e exploratória 1 Váriaveis Aleatórias Discretas 2 Variáveis bidimensionais 3 Váriaveis Aleatórias Continuas Introdução
Redes 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
Estudos de bioequivalência: avaliação estatística de fatores que podem afetar as conclusões
Estudos de bioequivalência: avaliação estatística de fatores que podem afetar as conclusões 1 Introdução 1 Arminda Lucia Siqueira 1 Paula Rocha Chellini 2 Rodolfo Rodrigo Pereira Santos 3 Estudos de bioequivalência
Uma Metodologia para Estimação do Capital Econômico: Incorporação de Dependência Entre riscos Via Cópulas
Petrusca Arrieiro Cardoso Uma Metodologia para Estimação do Capital Econômico: Incorporação de Dependência Entre riscos Via Cópulas Dissertação de Mestrado Dissertação apresentada como requisito parcial
Inferência Bayesiana
Inferência Bayesiana Joaquim Neto joaquim.neto@ufjf.edu.br www.ufjf.br/joaquim_neto Departamento de Estatística - ICE Universidade Federal de Juiz de Fora (UFJF) Versão 3.0 Joaquim Neto (UFJF) ICE - UFJF
Ajustar Técnica usada na análise dos dados para controlar ou considerar possíveis variáveis de confusão.
Glossário Ajustar Técnica usada na análise dos dados para controlar ou considerar possíveis variáveis de confusão. Análise de co-variância: Procedimento estatístico utilizado para análise de dados que
3 Dependência homogênea e heterogênea de cauda
3 Dependência homogênea e heterogênea de cauda Neste trabalho, usaremos o conceito de dependência homogênea de cauda, introduzido na década de 60, em conjunto com o conceito de dependência heterogênea
ão, Regressão & Simulação
ITA - Laboratório rio de Guerra Eletrônica EENEM 2008 Estatística stica e Probabilidade Aula 09: Correlação ão, Regressão & Simulação 1/43 Pode-se pesar um urso com fita métrica? Como os ursos, em sua
Princípios 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
CONHECIMENTOS ESPECÍFICOS
CESPE/UnB FUB/03 fa 5 4 3 CONHECIMENTOS ESPECÍFICOS 60 As distribuições B e C possuem os mesmos valores para os quartis Q e Q, e o quartil superior em B corresponde ao quartil central (Q ) da distribuição
Estatística Básica MEDIDAS RESUMO
Estatística Básica MEDIDAS RESUMO Renato Dourado Maia Instituto de Ciências Agrárias Universidade Federal de Minas Gerais Motivação Básica Se você estivesse num ponto de ônibus e alguém perguntasse sobre
Modelagem 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
CONHECIMENTOS ESPECÍFICOS
fonte de graus de soma de quadrado variação liberdade quadrados médio teste F regressão 1 1,4 1,4 46,2 resíduo 28 0,8 0,03 total 2,2 A tabela de análise de variância (ANOVA) ilustrada acima resulta de
Quantis residuais. Luziane Franciscon Acadêmica de Estatística Universidade Federal do Paraná
Quantis residuais Luziane Franciscon Acadêmica de Estatística Universidade Federal do Paraná Orientador: Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Resumo Uma etapa importante
10. Aplicação das Técnicas de Probabilidade e Estatística em Hidrologia
10.1. Determinação do valor de projeto Em favor da segurança, geralmente as obras de recursos hídricos são dimensionadas para valores extremos ou característicos que garantam ao mesmo tempo a segurança
Análise e Previsão de Séries Temporais Aula 1: Introdução às séries temporais. Eraylson Galdino
Análise e Previsão de Séries Temporais Aula 1: Introdução às séries temporais egs@cin.ufpe.br Agenda Séries Temporais: Definições Exemplos Modelos simples com média zero: Ruído I.I.D Processo Binário Random
A dependência entre a inflação cabo-verdiana e a portuguesa: uma abordagem de copulas.
A dependência entre a inflação cabo-verdiana e a portuguesa: uma abordagem de copulas. Jailson da Conceição Teixeira Oliveira 1 Murilo Massaru da Silva 2 Robson Oliveira Lima 3 Resumo: Cabo Verde é um
UNIVERSIDADE FEDERAL DE LAVRAS DISCIPLINA
UNIVERSIDADE FEDERAL DE LAVRAS PRÓ-REITORIA DE PÓS-GRADUAÇÃO COORDENADORIA DE PÓS-GRADUAÇÃO STRICTO SENSU DISCIPLINA Carga horária Código Denominação Créditos ( ) Teórica Prática Total PEX502 Estatística
CORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Permite avaliar se existe relação entre o comportamento de duas ou mais variáveis e em que medida se dá tal interação. Gráfico de Dispersão A relação entre duas variáveis pode ser
AGA Análise de Dados em Astronomia I 7. Modelagem dos Dados com Máxima Verossimilhança: Modelos Lineares
1 / 0 AGA 0505- Análise de Dados em Astronomia I 7. Modelagem dos Dados com Máxima Verossimilhança: Modelos Lineares Laerte Sodré Jr. 1o. semestre, 018 modelos modelagem dos dados dado um conjunto de dados,
i j i i Y X X X i j 1 i 2 i i
Mario de Andrade Lira Junior lira.pro.br\wordpress lira.pro.br\wordpress Diferença Regressão - equação ligando duas ou mais variáveis Correlação medida do grau de ligação entre duas variáveis Usos Regressão
ANÁLISE ESTATÍSTICA DA RELAÇÃO ENTRE A ATITUDE E O DESEMPENHO DOS ALUNOS
ANÁLISE ESTATÍSTICA DA RELAÇÃO ENTRE A ATITUDE E O DESEMPENHO DOS ALUNOS Nível de significância No processo de tomada de decisão sobre uma das hipóteses levantadas num estudo, deve-se antes de tudo definir
Finanças Corporativas. Análise de Sensibilidade. Métodos de Avaliação de Risco. Motochoque Ltda. Análise de Risco
Finanças Corporativas Análise de Risco Prof. Luiz Brandão brandao@iag.puc-rio.br IAG PUC-Rio Métodos de Avaliação de Risco Análise de Cenário Esta metodologia amplia os horizontes do FCD obrigando o analista
Uma breve introdução a probabilidade
Uma breve introdução a probabilidade Modelo Probabilístico Espaço amostral (S): conjunto de todos os resultados que podem ocorrer a partir de um experimento aleatório Probabilidade de eventos (P): quantificação
Inferência em Modelos Lineares Assimétricos
UNIVERSIDADE FEDERAL DE JUIZ DE FORA INSTITUTO DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA Inferência em Modelos Lineares Assimétricos Bárbara da Costa Campos Dias Orientador: Clécio da Silva Ferreira
2. METODOLOGIA DE PESQUISA
2. METODOLOGIA DE PESQUISA O presente capítulo apresenta a metodologia de pesquisa proposta e procura-se dar uma visão geral do que será feito para atingir os objetivos. Está dividido em seis partes: i)
Dimensionamento de amostras para regressão logística
Dimensionamento de amostras para regressão logística Arminda Lucia Siqueira 1 Flávia Komatsuzaki 1 Introdução Regressão logística é hoje padrão de análise para muitos estudos da área da saúde cuja variável
Regressão linear simples
Regressão linear simples Universidade Estadual de Santa Cruz Ivan Bezerra Allaman Introdução Foi visto na aula anterior que o coeficiente de correlação de Pearson é utilizado para mensurar o grau de associação
Técnicas computacionais em probabilidade e estatística II
Técnicas computacionais em probabilidade e estatística II Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco AULA 1: Problemas Computacionais em Inferência Estatística.
SCC0173 Mineração de Dados Biológicos
SCC073 Mineração de Dados Biológicos Análise Exploratória de Dados Parte A: Revisão de Estatística Descritiva Elementar Prof. Ricardo J. G. B. Campello SCC / ICMC / USP Tópicos Análise Exploratória de
Prof. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Em muitas situações duas ou mais variáveis estão relacionadas e surge então a necessidade de determinar a natureza deste relacionamento.
Eng a. Morgana Pizzolato, Dr a. Aula 02 Revisão de Estatística DPS1037 SISTEMAS DA QUALIDADE II ENGENHARIA DE PRODUÇÃO CT/UFSM
Eng a. Morgana Pizzolato, Dr a. Aula 02 Revisão de Estatística DPS1037 SISTEMAS DA QUALIDADE II ENGENHARIA DE PRODUÇÃO CT/UFSM TÓPICOS DESTA AULA Revisão de Estatística Coleta de dados Análise de dados
PREVISÃO. Prever o que irá. acontecer. boas decisões com impacto no futuro. Informação disponível. -quantitativa: dados.
PREVISÃO O problema: usar a informação disponível para tomar boas decisões com impacto no futuro Informação disponível -qualitativa Prever o que irá acontecer -quantitativa: dados t DEI/FCTUC/PGP/00 1
Motivação. VA n-dimensional. Distribuições Multivariadas VADB. Em muitas situações precisamos
Motivação Em muitas situações precisamos Prof. Lorí Viali, Dr. viali@pucrs.br lidar com duas ou mais variáveis aleatórias ao mesmo tempo. Por exemplo o comprimento e a largura de uma determinada peça.
3 PREVISÃO DE RESERVAS
3 PREVISÃO DE RESERVAS Diferente dos métodos de estimativa que buscam apenas determinar a quantidade original de hidrocarbonetos de um reservatório e verificar seu comportamento durante todo o processo
Introdução à Regressão Logística Quantílica
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL INSTITUTO DE MATEMÁTICA E ESTATÍSTICA DEPARTAMENTO DE ESTATÍSTICA Introdução à Regressão Logística Quantílica Autor: Tiago Buchweitz Correa Orientador: Professor
AULA 09 Regressão. Ernesto F. L. Amaral. 17 de setembro de 2012
1 AULA 09 Regressão Ernesto F. L. Amaral 17 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario F. 2008. Introdução à
Econometria 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 Motivação Motivação Por
Probabilidade II. Departamento de Estatística. Universidade Federal da Paraíba. Prof. Tarciana Liberal (UFPB) Aula Desigualdades 02/14 1 / 31
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Desigualdades 02/14 1 / 31 Um teorema de grande importância e bastante utilidade em probabilidade
Mario de Andrade Lira Junior
Mario de Andrade Lira Junior http:\\lira.pro.br\wordpress 1 Item da avaliação 2010-1 Média avaliações semanais 2 Condução e análise do trabalho prático 2 Apresentação e artigo do trabalho prático 3 Prova
Teoria das Filas aplicadas a Sistemas Computacionais. Aula 08
Teoria das Filas aplicadas a Sistemas Computacionais Aula 08 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Modelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2016
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2016 Simulação de Sistemas Simulação é a técnica de solução de um problema pela análise de
COMPARAÇÃO DE MODELOS MISTOS VISANDO À ESTIMAÇÃO DO COEFICIENTE DE HERDABILIDADE PARA DADOS DE PROPORÇÕES
COMPARAÇÃO DE MODELOS MISTOS VISANDO À ESTIMAÇÃO DO COEFICIENTE DE HERDABILIDADE PARA DADOS DE PROPORÇÕES Telde Natel CUSTÓDIO 1 Décio BARBIN RESUMO: O objetivo deste trabalho foi apresentar um procedimento
Modelos de Regressão Linear Simples parte I
Modelos de Regressão Linear Simples parte I Erica Castilho Rodrigues 27 de Setembro de 2017 1 2 Objetivos Ao final deste capítulo você deve ser capaz de: Usar modelos de regressão para construir modelos
Momentos: Esperança e Variância. Introdução
Momentos: Esperança e Variância. Introdução Em uma relação determinística pode-se ter a seguinte relação: " + " = 0 Assim, m =, é a declividade e a e b são parâmetros. Sabendo os valores dos parâmetros
Medidas Estatísticas ASSOCIAÇÃO: COVARIÂNCIA E CORRELAÇÃO LINEAR SIMPLES 1
Medidas Estatísticas ASSOCIAÇÃO: COVARIÂNCIA E CORRELAÇÃO LINEAR SIMPLES 1 Análise de Correlação e medidas de associação C E T 0 8 3 P R O B A B I L I D A D E E E S TAT Í S T I C A P R O F E S S O R J
Modelos de regressão para dados correlacionados. Cibele Russo
Modelos de regressão para dados correlacionados Cibele Russo cibele@icmc.usp.br ICMC USP Mini-curso oferecido no Workshop on Probabilistic and Statistical Methods 28 a 30 de janeiro de 2013 Cibele Russo