Value-at-Risk: Overview, Parte 2. Análise de Risco (2) R.Vicente
|
|
- Ana Clara da Costa Minho
- 6 Há anos
- Visualizações:
Transcrição
1 Value-at-Risk: Overview, Parte Análise de Risco () R.Vicente
2 Resumo PARTE : MEDINDO VaR Fatores de Risco Valor em Risco (VaR) Profit & Loss (P&L) VaR Paramétrico Calculando o VaR PARTE : ESTIMANDO VOLATILIDADES E CORRELAÇÕES Exponentially Weighted Moving Averages (EWMA) Estimando Correlações GARCH PARTE 3: VaR DE ATIVOS NÃO-LINEARES Letras Gregas Aproximação Delta Aproximação Linear (Delta-Rô-Vega-Teta) Aproximação Delta-Gama Aproximação de Cornish-Fisher Transformações de Johnson Bibliografia
3 Parte Medindo VaR 3
4 Fatores de Risco Valor de Mercado de uma carteira depende de uma série de fatores de mercado: Estes fatores podem ser : Preços de mercado; Taxas de juro; Spreads de crédito; V( S, S,..., S N ) A Gestão de Risco consiste em monitorar possíveis alterações futuras no valor de mercado de uma carteira em uma janela de tempo definida: Δ V( S, S,..., S ) = V( S( t+δ t),..., S ( t+δt)) V( S( t),..., S ( t)) N N N Profit & Loss 4
5 Value at Risk x% VaR x P( Δ V < VaR ) = dv p( v) = x % FATOR x% Nível de confiança x FATOR Janela de Tempo VaR α Mark-to-market σ 5
6 Benchmark Value at Risk Retorno Esperado Livre de Risco B-VaR x Δ BV = V t+δt V t e () ( ) ( ( )) ( ( )) r t Δ S S S t 6
7 P&L como Combinação Linear dos Fatores de Risco Equivalente Delta V( S( t+δt)) V( S( t) +ΔS) N V V( S+ΔS) V( S) + ΔS S j= N V ΔS j ΔV S j j= S j Sj j j δ V ΔS N j j Sj Rj ΔV δjrj Sj Sj j= 7
8 P&L como Combinação Linear dos Fatores de Risco: Exemplo P&L em Reais de Ação negociada em Dólar: δ V( S, S ) = S S A FX A FX ΔV δ R + δ R A A FX FX V S = S S = V A A A FX S A δ V S = S S = V FX FX FX A SFX ΔV V R + R ( ) A FX 8
9 P&L com Benchmark Δ V V( S+ΔS) V( S) e B Δ V V( S) + δ R V( S)( + rδt) B j j j= N N Δ V δ R VrΔt B j j j= rδt 9
10 VaR Paramétrico Suposição I: Fatores de Risco seguem um movimento Browniano geométrico: ds () t St () = μ dt + σ dw () t onde dw(t) é um processo de Wiener com dw () t = ε dt ε ~ N(0,) Os log-retornos portanto apresentam o seguinte comportamento: t σ RΔ t = μ Δ t+ σε Δt t, 0
11 VaR Paramétrico Suposição II: Para janelas de tempo suficientemente pequenas os retornos têm valor esperado nulo: R Δ t = σε Δ t Δt O P&L futuro na janela de tempo para um ativo com um único fator de risco é, portanto uma variável aleatória da seguinte forma: ΔS Sσε Δt ε ~ N(0,)
12 VaR Paramétrico Δ t = Utilizando volatilidade diária e obtemos o P&L potencial para dia como: ΔS Sσε Empregando a definição de VaR: P() ε ε = ασ ε = 0 VaR Confiança = ασs α 95%,645 97,5%,960 99%,36 (-x) %
13 VaR Paramétrico com Benchmark A perda potencial considerando o benchmark é: ΔS ασs Sr Empregando a definição de VaR: VaR = ( ασ + r) S 3
14 VaR de uma Carteira Seja uma carteira cujo valor possa ser decomposto em N fatores de Risco: Os N fatores de risco acima são amostras de uma distribuição normal multidimensional: Temos que: p( R) = exp R C R πdet( C) R = 0 R R = C j j k jk 4
15 VaR de uma Carteira O VaR da carteira é: VaR Port = ασ Port V σ Port ( V) V = Δ Δ = δδ j k RR j k δj R j jk j = δδc j k jk onde C jk é a matriz de covariância. jk 5
16 VaR de uma Carteira Alternativamente podemos escrever: VaR Port = = αv ασ Port jk V δ δ C j k jk C = ( ) jk αvσ δ ( αvσ δ ) j j k k jk σσ j k = jk VaR ρ VaR j jk k = VaR ρvar Matriz de Correlação 6
17 Parte Estimando Volatilidades e Correlações 7
18 Estimando Volatilidades Média Móvel σ T MA() t = R ( t j) T j= EWMA(Exponentially Weighted Moving Average) T j EWMA() t = ( ) R ( t j) j= σ λ λ 8
19 9 MA ( d.u.) -0% -8% -6% -4% -% 0% % 4% 6% 8% 0% fev-0 mar-0 abr-0 mai-0 jun-0 jul-0 ago-0 set-0 out-0 nov-0 dez-0 jan-0 fev-0 mar-0 abr-0 mai-0 jun-0 jul-0 ago-0 EWMA (fator de decaimento=0,97) -% -0% -8% -6% -4% -% 0% % 4% 6% 8% 0% % fev-0 mar-0 abr-0 mai-0 jun-0 jul-0 ago-0 set-0 out-0 nov-0 dez-0 jan-0 fev-0 mar-0 abr-0 mai-0 jun-0 jul-0 ago-0 Estimando Volatilidades falhas 0 falhas Intervalo c/ 98%
20 Estimando Volatilidades EWMA (fator de decaimento=0,97) % 0% 8% 6% 4% % 0% -% -4% -6% -8% -0% -% falhas 0 fev-0 mar-0 abr-0 mai-0 jun-0 jul-0 ago-0 set-0 out-0 nov-0 dez-0 jan-0 fev-0 mar-0 abr-0 mai-0 jun-0 jul-0 ago-0 EWMA (fator de decaimento = 0,70) % 0% 8% 6% 4% % -% 0% -4% -6% -8% -0% -% falhas fev-0 mar-0 abr-0 mai-0 jun-0 jul-0 ago-0 set-0 out-0 nov-0 dez-0 jan-0 fev-0 mar-0 abr-0 mai-0 jun-0 jul-0 ago-0
21 EWMA: Exponentially Weighted Moving Average O estimador EWMA para volatilidades é definido como: T = τ λ ( Rt τ R) τ= T τ λ τ= < λ< σˆ, 0 t Observando que o fator de normalização é por uma progressão geométrica: T τ= λ τ λ = λ T +
22 EWMA: Exponentially Weighted Moving Average Assim: T τ ( λ) λ ( Rt τ R) τ= ˆ t = T +, 0< λ< σ λ Utilizando janelas infinitas teremos: σˆ t = ( λ) λ ( R R) τ= τ t τ
23 EWMA:Forma Recorrente O estimador pode ser obtido como uma equação de recorrência: τ t = Rt τ τ= σˆ ( λ) λ = ( λ)( R + λr + λ R + ) t t t 3 = ( λ) R + λ( λ)( R + λr + λ R + ) t t t 3 t 4 τ t R( t ) τ τ= = ( λ) R + λ( λ) λ = ( λ) R + λσˆ t t 3
24 EWMA: Janela Efetiva O estimador EWMA atribui pesos maiores a retornos mais recentes. A massa total de retornos ocorridos a mais de K dias passados é: Ω = ( λ) K τ= K λ τ = = K K λ ( λ)( λ λ ) λ Se fixarmos esta massa em um valor de confiança (e.g. 99%, 99,5%) podemos calcular a janela efetiva utilizada: K = = % ln( ϒ ) lnλ ϒ % 4
25 EWMA: Janela Efetiva Nível de Confiança Lambda 95,0% 98,0% 99,0% 99,5% 0, , , , , , , , , , , , , , ,
26 EWMA: Otimização de λ Definimos o erro na predição da variância como: ε = R σˆ t+ t t+ t+ t O parâmetro ótimo é aquele que minimiza a raiz do erro quadrado total em uma janela de T dias: T ( ) = ( ) t+ t t= E λ ε λ 6
27 EWMA: Correlações O EWMA pode ser generalizado para covariâncias: jk, t = τ λ λ τ= j, t τ k, t τ C ˆ ( ) R R A versão recorrente é: Cˆ = λcˆ + ( λ) R R jk, t jkt, j, t kt, 7
28 EWMA: Matrizes Positivas Semi-definidas O método EWMA produz matrizes que são positivas semi-definidas. Cˆ = λcˆ + ( λ) R R ˆ t C jk, t jkt, j, t kt, Suponha que seja positiva semi-definida, então: uc ˆ u 0 u t Analisando o segundo termo teremos: jk, u ( ) j Rj, t Rk, t uk = ujr j, t j 0 8
29 EWMA: Matrizes Positivas Semi-definidas Combinações lineares de matrizes positivas semi-definidas são positivas semidefinidas: ( ) ucˆ u = λ ucˆ u + ( λ) u R R u 0 j jk, t k j jk, t k j j, t k, t k jk jk jk Assim: ˆ ( uc ) ( ) t u 0 u ucu t 0 u ˆ Basta então garantirmos que Ĉ seja positiva semi-definida escolhendo : C ˆ, R jk j,0 R k,0 9
30 EWMA: Matrizes de Correlação As correlações são obtidas a partir das covariâncias: ρ = jk C jj jk CC kk 30
31 EWMA: Otimização de para Covariância λ Para garantirmos a produção de matrizes positivas semi-definidas é necessário que λ seja único. Definimos o erro na predição da covariância como: ε = R jk, t t jt, + Rkt, + C + jk, t+ t O parâmetro ótimo para o par jk é aquele que minimiza a raiz do erro quadrado total em uma janela de T dias: ˆ T jk ( ) = ( ) jk, t+ t t= E λ ε λ 3
32 EWMA: Otimização de para Covariância λ A prescrição RiskMetrics para o parâmetro único é ponderar λ jk com o inverso do erro mínimo: Onde: θ jk λ = θ λ * * jk jk j k * Ejk ( λjk ) = * jk Ejk ( λjk ) 3
33 GARCH Um modelo GARCH(p,q) é definido como: p q t = 0 + jrt j+ j t j j= j= σ α α β σ A versão mais simples é o GARCH(,): σ = α + αr + βσ t 0 t t 33
34 GARCH A versão mais simples é o GARCH(,): σ = α + αr + βσ t 0 t t A variância não-condicional é um ponto fixo da equação acima assumindo que R σ : = t α σ = α + ασ + βσ σ = 0 0 α β Para que a volatilidade faça sentido é necessário que: α+ β< 34
35 GARCH A curtose não-condicional é dada por: 6α κ = 3α αβ β, ou seja, leptocúrtica como as distribuições reais. 35
36 GARCH : Determinando Parâmetros O processo GARCH gera retornos independentes com distribuição condicional normal: Assumindo a dinâmica: R =εσ ε t t t t R prσ ( t t) = exp πσ σ ~ N(0,) T { R t } t = t t t σ = α + αr + βσ t 0 t t Dada a trajetória empírica defini-se uma função erro: T T R E( α, α, β) = ln ( σ ) = + ln πσ t ( p R ) t t t t= t= σt 0 A função erro pode ser minimizada utilizando um algoritmo standard de otimização (e.g. Gradiente Escalonado). 36
37 GARCH Volatilidade 0,40 0,0 0,00 0,080 0,060 0,040 0,00 0,
38 Parte 3 Risco de Ativos Não-Lineares 38
39 Gregas O P&L de uma opção é função de variações do ativo objeto, do prazo, da volatilidade implícita e da taxa de juros: ΔV( S, τσ,, r) Uma expansão em série de Taylor nos fornece: ΔV( S, τσ,, r) I I V V V ( ) S S r V V V τ Δ S+ Δ S + Δr ( r) σi r σi + Δ + Δ Δt 39
40 Gregas V Δ = S DELTA V Γ = S GAMA V ρ= [ ρ] = $ T r RÔ V Λ = [ Λ ] = $ σ VEGA I V ρ = [ ρ ] = $ r V Θ = [ Θ ] = $ T t TETA T Convexidade RÔ 40
41 P&L em função de Retornos Observando o retorno de preços com carregamento: ( τ Δt) rt+δ t( τ Δt) e RP = ln = ( ) ( ) [ rt( τ) rt( Δt) r ] Δt τδr τ t τ rt Δt Δt e e Δr R τ P ρ ΔV( S, τσ,, r) R SΔ R S Γ R τ ρ ( R ) τ I S + S P P σir σ +Θ t + +Λ Δ 4
42 Aproximação Delta ΔV( S, τσ,, r) R SΔ R S I = εσ Δt S ε ~ N(0;) S VaR Delta = ασ S Δ S contrato de opção = Δ unidades de ativo objeto 4
43 Aproximação Delta 43
44 Aproximação Linear ρ ΔV( S, τσ,, r) R SΔ R σ R σ +Θ τ I S P + Λ I Δt R R R = εσ Δt S S S = εσ Δt P P P σ = εσ Δt I I ε ε ε S P I ~ N(0, C) Variânciacovariância 44
45 Aproximação Linear VaR = α W CW ΘΔt Linear T W S Δ ρ = τ σ IΛ 45
46 Aproximação Delta-Gama Δ V= SΔ RS+ S ΓR S x Cumulantes e Todos Cumulantes 46
47 Aproximação Delta-Gama 47
48 Aproximação Delta-Gama 48
49 Aproximação Delta-Gama Truncada var var var cov, 4 4 ( ) ( ) ( ) 3 ( Δ V = S Δ R + S Γ R +ΔΓR S R R ) S S S S S R ( ) dr 3 S cov RS, RS = R e σ = 0 πσs var ( R ) S = var ( RS) VaR α var ( Δ V ) = α S Δ σ + S Γ σ 4 4 S S Truncamento até Segundo Cumulante 49
50 Aproximação Delta-Gama Δ V = V( x+δx) V( x) n n n V V Δ x + Δx Δx j j k j= xj j= k= xj xk n n n = δ r + Γ r r j j jk j k j= j= k= δ V = x Γ = x x j j jk j k xj xj xk V 50
51 Aproximação Delta-Gama n n n Δ V = δ r + Γ r r j j jk j k j= j= k= r ~ N(0, C) ΔV ϕ ln ˆ,, c, c,..., c 3 4 n ϕ ϕ μ σ Função Geratriz Cumulantes 5
52 Cumulantes ixw ϕˆ( w) = dxe ϕ( x) c n = ( i) n n ln ϕˆ ( w) w n w= 0 5
53 Cumulantes r ~ N(0, C) 4 μ = Δ V = Tr( ΓC) σ = ( ΔV μ) = δ Cδ+ Tr( ΓC) 3 T ( ) ( ) 3 T 3 c = ΔV μ = 3 δ CΓ Cδ+ Tr( ΓC) 4 T 4 4 c = ΔV μ = δ C( Γ C) δ+ 3 Tr( Γ C) + 3σ cn = ( ΔV ) = n Tr ( C) n C C Γ + Γ n n T n μ ( )!! δ ( ) δ 53
54 Aproximação de Cornish-Fisher Densidade arbitrária ϕ. O VaR é definido como: x Φ ( x) = du ϕ( u) VaR VaR du ϕ( u) = p ou = Φ ( p) 54
55 Aproximação de Cornish-Fisher z F( z) = du f( u) Seja uma distribuição com forma F ( p) analítica e quantis conhecidos (por ex: distribuição gaussiana). Cornish-Fisher Φ ( p) como função de F ( p) 55
56 Aproximação de Cornish-Fisher Os quatro primeiros termos da expansão de Cornish-Fisher para p percentil ΔV μ σ de é : ( ) c c c α p αp+ αp + 3 ( αp 3αp) 3 4 ( αp 5αp) 3 6 σ 4 σ 36 σ O VaR pode então ser calculado como: VaR = ασ + μ p 56
57 Transformação de Johnson f ( X ) X ~ N(0,) e tem distribuição similar a ΔV VaR f ( α ) p Função monotônica 57
58 Transformação de Johnson Transformação com limite inferior: X γ f( X) = exp + ξ f( X) ξ δ Transformação com limite superior: X γ exp ( ξ + λ ) + ξ δ f( X) = ξ f( X) ξ+ λ X γ + exp δ 58
59 Transformação de Johnson Transformação sem limites: f( X) sinh X γ = λ + ξ δ Os parâmetros das distribuições de Johnson podem ser obtido a partir dos quatro primeiros cumulantes. 59
60 Bibliografia Jorion P., Value at Risk, Irwin, 997. RiskMetrics Technical Document ( Duffie e Pan, An Overview of Value at Risk Bouchaud e Potters, Theory of Financial Risk; Mantegna R.N. e Stanley E., An Introduction to Econophysics; Leituras Complementares Jashke, S.R., The Cornish-Fisher-Expansion in the Context of Delta-Gamma- Normal Approximations Mina, J. e Ulmer, A., Delta-Gamma Four Ways 60
VaR via Simulação. Análise de Risco (5) R.Vicente
VaR via Simulação Análise de Risco (5) R.Vicente 1 Resumo Monte Carlo para Avaliação Risco Carteiras com Derivativos Múltiplos Fatores de Risco Números Pseudo-aleatórios Cenários de Stress: Estudo de Caso
5 MEDIDAS DE RISCO 5.1 INTRODUÇÃO
5 MEDIDAS DE RISCO 5.1 INTRODUÇÃO Neste capítulo, são apresentadas as medidas de risco usadas no setor elétrico e em finanças, analisando as propriedades da definição de medida de risco coerente [30].
Gerenciamento de Risco
2010 Gerenciamento de Risco Nota Técnica 03 Diretoria de Investimentos Previ-Rio 09/2010 Nota técnica 03 Gerenciamento de Risco O gerenciamento de risco é um instrumento essencial para a otimização do
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.........................................
Metodologia de gestão de Risco de Mercado
Metodologia de gestão de Risco de Mercado Data Criação: Ago/11 Data última revisão: Jun/13 1 Sumário 1. Introdução... 3 2. Risco de mercado... 3 3. Métodos de gerenciamento de risco... 3 4. Controle de
DEMONSTRATIVO DE CÁLCULO DE APOSENTADORIA - FORMAÇÃO DE CAPITAL E ESGOTAMENTO DAS CONTRIBUIÇÕES
Página 1 de 28 Atualização: da poupança jun/81 1 133.540,00 15,78 10,00% 13.354,00 10,00% 13.354,00 26.708,00-0,000% - 26.708,00 26.708,00 26.708,00 jul/81 2 133.540,00 15,78 10,00% 13.354,00 10,00% 13.354,00
H11 GESTÃO DE RECURSOS LTDA.
H11 GESTÃO DE RECURSOS LTDA. Empresa: Documento: H11 Gestão de Recursos Ltda. Versão anterior: 30/09/2015 Atualização: 18/02/2016 Data Emissão / Revisão n.º revisão: 18/02/2016 ver. 2 Página: 2 Introdução:
PRÓ-TRANSPORTE - MOBILIDADE URBANA - PAC COPA 2014 - CT 318.931-88/10
AMPLIAÇÃO DA CENTRAL DE Simpl Acum Simpl Acum jul/10 a jun/11 jul/11 12 13 (%) (%) (%) (%) 1.72.380,00 0,00 0,00 0,00 361.00,00 22,96 22,96 1/11 AMPLIAÇÃO DA CENTRAL DE ago/11 Simpl Acum Simpl Acum Simpl
PRÓ-TRANSPORTE - MOBILIDADE URBANA - PAC COPA 2014 - CT 318.931-88/10
AMPLIAÇÃO DA CENTRAL DE Simpl Acum Simpl Acum jul/10 a jun/11 jul/11 12 13 (%) (%) (%) (%) 0,00 0,00 0,00 0,00 0,00 0,00 1/11 AMPLIAÇÃO DA CENTRAL DE ago/11 Simpl Acum Simpl Acum Simpl Acum 14 set/11 15
Séries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 7
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 7 O Modelo Estrutural Identificação Seja z t = (z 1t,...,z mt ) R m um vetor composto das variáveis de interesse.
Anexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos
1 Anexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos Documento auxiliar à disciplina de Modelação, Identificação e Controlo Digital Alexandre Bernardino 003/005 IST-Secção de Sistemas
26 de dezembro de 2007
Curso de UFRPE e UFPE 26 de dezembro de 2007 1 2 3 4 Seja l(θ) a log-verossimilhança. A esperança e a covariância da função escore são dadas por: e Cov(U) = E respectivamente. ( UT θ E(U) = 0 (1.1) ) (
Seja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma:
46 VALOR ESPERADO CONDICIONADO Seja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma: Variável contínua E + ( X Y
Análise de Dados e Simulação
Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco Simulação de Variáveis Aleatórias Contínuas. O método da Transformada Inversa Teorema Seja U U (0,1). Para qualquer
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,
PARTE TEÓRICA Perguntas de escolha múltipla
PROBABILIDADES E ESTATÍSTICA MIEEC/FEUP PARTE TEÓRICA Perguntas de escolha múltipla 1 Dada a experiência aleatória ε define-se espaço amostral associado a ε como sendo: A O espaço físico onde se realiza
Processos estocásticos
36341 - Introdução aos Processos Estocásticos Curso de Pós-Graduação em Engenharia Elétrica Departamento de Engenharia Elétrica Universidade de Brasília Processos estocásticos Geovany A. Borges gaborges@ene.unb.br
Anexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos
1 Anexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos Documento auxiliar à disciplina de Modelação, Identificação e Controlo Digital Alexandre Bernardino IST-Secção de Sistemas e Controlo
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
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
UNIVERSIDADE FEDERAL DO RIO DE JANEIRO CENTRO DE CIÊNCIAS JURÍDICAS E ECONÔMICAS INSTITUTO DE PÓS-GRADUAÇÃO E PESQUISA EM ADMINISTRAÇÃO COPPEAD
UNIVERSIDADE FEDERAL DO RIO DE JANEIRO CENTRO DE CIÊNCIAS JURÍDICAS E ECONÔMICAS INSTITUTO DE PÓS-GRADUAÇÃO E PESQUISA EM ADMINISTRAÇÃO COPPEAD ACORDO DA BASILÉIA E VALOR EM RISCO : Análise da Utilização
28 de dezembro de 2007
Curso de UFRPE e UFPE 28 de dezembro de 2007 1 2 3 4 5 6 Seja f (y) uma função densidade conhecida, cujos cumulantes são dados por κ 1, κ 2,.... O interesse reside em usar f (y) para aproximar uma função
Forecasting e ti O i Otim Oti ização de ã d Carteiras com Matlab AULA 3
Forecasting e Otimização i de Carteiras com Matlab AULA 3 Guia de Estudo para Aula 03 Modelos Discretos Exercícios - Formulação de um modelo - Programação de modelos com for - A simulação de um modelo
MORE INVEST GESTORA DE RECURSOS Manual de Risco de Mercado. Versão: Setembro de 2015
MORE INVEST GESTORA DE RECURSOS Manual de Risco de Mercado Versão: Setembro de 2015 Sumário Objetivo... 3 Estrutura... 3 Risco de Mercado... 4 Política de Risco de Mercado... 4 Rotina Diária... 4 Metodologias
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
DATA DIA DIAS DO FRAÇÃO DATA DATA HORA DA INÍCIO DO ANO JULIANA SIDERAL T.U. SEMANA DO ANO TRÓPICO 2450000+ 2460000+
CALENDÁRIO, 2015 7 A JAN. 0 QUARTA -1-0.0018 7022.5 3750.3 1 QUINTA 0 +0.0009 7023.5 3751.3 2 SEXTA 1 +0.0037 7024.5 3752.3 3 SÁBADO 2 +0.0064 7025.5 3753.3 4 DOMINGO 3 +0.0091 7026.5 3754.3 5 SEGUNDA
POLÍTICA INSTITUCIONAL DE GERENCIAMENTO DE RISCO DE MERCADO
POLÍTICA INSTITUCIONAL DE GERENCIAMENTO DE RISCO DE MERCADO BNY MELLON {Policy Number}: Posting Date: 31 Mar 2016 Aplicabilidade: BNY Mellon Brasil Conglomerado Financeiro Versão 1.1 Table of Contents
MANUAL DE APREÇAMENTO CONTRATOS DE OPÇÕES
MAUAL DE APREÇAMETO COTRATOS DE OPÇÕES Informação 01/03/2017 Pública 1/3/2017 ÍDICE ITRODUÇÃO... 3 1 REDA VARIÁVEL... 4 1.1 Contratos de opções sobre ações, ETFs e índices... 4 1.2 Cálculo da volatilidade
Data Moeda Valor Vista Descrição Taxa US$ 07-Jul-00 Real 0,5816 Sem frete - PIS/COFINS (3,65%) NPR 1,81 14-Jul-00 Real 0,5938 Sem frete - PIS/COFINS
Data Moeda Valor Vista Descrição Taxa US$ 07-Jul-00 Real 0,5816 Sem frete - PIS/COFINS (3,65%) NPR 1,81 14-Jul-00 Real 0,5938 Sem frete - PIS/COFINS (3,65%) NPR 1,8 21-Jul-00 Real 0,6493 Sem frete - PIS/COFINS
Energia potencial elétrica
Energia potencial elétrica Foi descoberto empiricamente que a força elétrica é uma força conservativa, portanto é possível associar a ela uma energia potencial. Quando uma força eletrostática age sobre
Modelos ARCH e GARCH Aula 8. Morettin e Toloi, 2006, Capítulo 1 e 14 Morettin, 2011, Capítulo 1 e 5 Bueno, 2011, Capítulo 8
Modelos ARCH e GARCH Aula 8 Morettin e Toloi, 2006, Capítulo 1 e 14 Morettin, 2011, Capítulo 1 e 5 Bueno, 2011, Capítulo 8 Motivação Pesquisadores que se dedicam a prever séries temporais, tais como preços
Lista de Exercícios de Cálculo 3 Sexta Semana
Lista de Exercícios de Cálculo 3 Sexta Semana Parte A 1. (i) Encontre o gradiente das funções abaixo; (ii) Determine o gradiente no ponto P dado; (iii) Determine a taxa de variação da função no ponto P
FAMÍLIA EXPONENCIAL DE DISTRIBUIÇÕES
FAMÍLIA EXPONENCIAL DE DISTRIBUIÇÕES 1 Os modelos lineares generalizados, propostos originalmente em Nelder e Wedderburn (1972), configuram etensões dos modelos lineares clássicos e permitem analisar a
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 Tópicos Tópicos Séries
Série 34 E 35 Relatório de Acompanhamento do CRI 31-jan-14
31-jan-14 a - Juros 6.691.919,50 a - Juros 1.672.979,81 b - Amortização 3.757.333,97 b - Amortização 939.333,65 a - Saldo atual dos CRI Seniors (984.936.461,48) b - Saldo atual dos CRI Junior (246.234.105,79)
)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,
DO RISCO DE MERCADO PARA UMA CARTEIRA DE AÇÕES
Bradesco RISK MANAGEMENT Corretora São Paulo, 10 de Junho de 1999 BERNARDO ALONSO S. GARCIA + 55.11.35.9631 5900.analise@bradesco.com.br INTRODUÇÃO Este trabalho tem por objetivo analisar o cálculo do
4 Modelos de Mensuração de Risco de Mercado
Modelos de Mensuração de Risco de Mercado 39 4 Modelos de Mensuração de Risco de Mercado 4.1. Maturity A Maturity ou Maturidade é definida como o prazo para o vencimento de uma operação, independente do
Probabilidade Lista 6 - Variáveis Aleatórias Contínuas e Vetores Aleatórios
Probabilidade Lista - Variáveis Aleatórias Contínuas e Vetores Aleatórios Exercício. Uma v.a. X tem distribuição triangular no intervalo [0, ] se sua densidade for dada por 0, x < 0 cx, 0 x /2 c( x), /2
Dinâmica da Atmosfera
Dinâmica da Atmosfera Forças atuantes sobre corpos sobre a superfície terrestre: fricção, coriolis, gravitacional, etc. Efeitos de temperatura Efeitos geográficos Pêndulo de Focault Trajetória do Pêndulo
Risco de Portfólios em Múltiplas Frequências
Risco de Portfólios em Múltiplas Frequências Joana Ramos FCUP 25 de Janeiro de 2013 Joana Ramos (FCUP) Risco de Portfólios em Múltiplas Frequências 25 de Janeiro de 2013 1 / 26 Abstract Portfolio risk
Distribuições Contínuas. Estatística. 7 - Distribuição de Probabilidade de Variáveis Aleatórias Contínuas UNESP FEG DPD
Estatística 7 - Distribuição de Probabilidade de Variáveis Aleatórias Contínuas 7- Distribuição Uniforme A variável aleatória contínua pode ser qualquer valor no intervalo [a,b] A probabilidade da variável
Departamento de Matemática da Universidade de Coimbra. Licenciatura em Matemática. e B =
Departamento de Matemática da Universidade de Coimbra Optimização Numérica Licenciatura em Matemática Ano lectivo 2006/2007 Folha 1 1. Considere as matrizes A = [ 1 1 1 2 ] e B = [ 1 3 1 2 (a) Verifique
PRINCIPAIS MODELOS CONTÍNUOS
RINCIAIS MODELOS CONTÍNUOS 0 5.. Modelo uniforme Uma v.a. contínua tem distribuição uniforme com parâmetros α e β α β se sua função densidade de probabilidade é dada por, f β α 0, Notação: ~ Uα, β. 0,
Universidade Federal de Alfenas Programa de Pós-graduação em Estatística Aplicada e Biometria-PPGEAB Prova de Conhecimentos Específicos
-PPGEAB Dados que podem ser necessários na resolução de algumas questões: Quantis de distribuições P (t > t α ) = α P (F > F 0,05 ) = 0, 05 ν 1 ν 0,05 0,025 ν 2 42 43 56 57 89 1,66 1,99 42 1,67 1,67 1,63
Parte A FÓRMULAS Spiegel_II_01-06.indd 11 Spiegel_II_01-06.indd :17: :17:08
Parte A FÓRMULAS Seção I: Constantes, Produtos e Fórmulas Elementares Alfabeto Grego e Constantes Especiais 1 Alfabeto grego Nome Letras Gregas Grego Minúsculas Maiúsculas Alfa Α Beta Β Gama Γ Delta Δ
INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA
UFPE - Universidade Federal de Pernambuco Departamento de Estatística Disciplina: ET-406 Estatística Econômica Professor: Waldemar A. de Santa Cruz Oliveira Júnior INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA Podemos
Funções Geradoras de Variáveis Aleatórias. Simulação Discreta de Sistemas - Prof. Paulo Freitas - UFSC/CTC/INE
Funções Geradoras de Variáveis Aleatórias 1 Funções Geradoras de Variáveis Aleatórias Nos programas de simulação existe um GNA e inúmeras outras funções matemáticas descritas como Funções Geradoras de
Exercícios de Teoria da Probabilidade e Processos Estocásticos Parte II
Exercícios de Teoria da Probabilidade e Processos Estocásticos Parte II 13 de Dezembro de 2013 Exercício 1. Descreva o espaço de probabilidade associado às seguintes experiências aleatórias: 1. Uma moeda
4 Distribuição normal assimétrica
4 Distribuição normal assimétrica A grande motivação para a definição da distribuição normal assimétrica é obter uma classe de distribuições paramétricas que apresente uma transição contínua da normalidade
3 Técnicas de Otimização de Carteiras
3 Técnicas de Otimização de Carteiras Nesse capítulo apresentamos o modelo de Markowitz para seleção de carteiras e algumas outras alternativas propostas na literatura. 3.1 Modelo de Média-Variância Em
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,
Introdução Introdução
Introdução 15 1 Introdução O mercado de renda-fixa no Brasil tem apresentado um crescimento sem precedentes nos últimos anos. Parte desse movimento se deve a um ambiente econômico de relativa estabilidade,
4 Processos Estocásticos e Simulação de Monte Carlo
33 4 Processos Estocásticos e Simulação de Monte Carlo O processo estocástico faz a descrição de uma variável com comportamento ao menos em parte de maneira aleatória através do tempo, onde se assume valores
TABELA PRÁTICA PARA CÁLCULO DOS JUROS DE MORA ICMS ANEXA AO COMUNICADO DA-87/12
JANEIRO 2,8451 2,7133 2,4903 2,3303 2,1669 1,9859 1,7813 1,6288 1,4527 1,3148 1,1940 1,0684 FEVEREIRO 2,8351 2,6895 2,4758 2,3201 2,1544 1,9676 1,7705 1,6166 1,4412 1,3048 1,1840 1,0584 MARÇO 2,8251 2,6562
1 x. = π 2. pois. Probabilidade: um curso introdutório - Mônica Barros - Capítulo 7 - Soluções
Soluções - Capítulo 7 Lista semestre 000.0:, 3, 5 a, 5, 6, 7,, 4, 5 Problema Ache a mediana das densidades Qui-quadrado com e graus de liberdade. A densidade Qui-quadrado com n graus de liberdade é dada
Tema: Estimar um modelo para medir o risco sistemático das carteiras no mercado brasileiro utilizando o fator mercado e medidas de liquidez.
Aluno: Rafael Milanesi Caldeira Professor Orientador: Adriana Bruscato Bortoluzzo Tema: Estimar um modelo para medir o risco sistemático das carteiras no mercado brasileiro utilizando o fator mercado e
DISTRIBUIÇÃO DOS RETORNOS DE UM ÍNDICE DE AÇÕES COM VOLATILIDADE ESTOCÁSTICA
DISTRIBUIÇÃO DOS RETORNOS DE UM ÍNDICE DE AÇÕES COM VOLATILIDADE ESTOCÁSTICA Isabel Cristina Ribeiro (BIC/CNPq-UEPG) e-mail: icribeiro1989@gmail.com José Tadeu Teles Lunardi (Orientador) e-mail: jttlunardi@uepg.br
Módulo IV: Processos Aleatórios Estacionários, Cicloestaionaridade e Análise de Continuidade de Processos Aleatórios
Módulo IV: Processos Aleatórios Estacionários, Cicloestaionaridade e Análise de Continuidade de Processos Aleatórios Wamberto J. L. Queiroz Universidade Federal de Campina Grande-UFCG Departamento de Engenharia
Conteúdo Teórico: 04 Esperança
ACH2053 Introdução à Estatística Conteúdo Teórico: 04 Esperança Marcelo de Souza Lauretto Sistemas de Informação EACH www.each.usp.br/lauretto Referência: Morris DeGroot, Mark Schervish. Probability and
Vetor de Variáveis Aleatórias
Vetor de Variáveis Aleatórias Luis Henrique Assumpção Lolis 25 de junho de 2013 Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 1 Conteúdo 1 Vetor de Variáveis Aleatórias 2 Função de Várias
MAE Introdução à Probabilidade e Estatística II Resolução Lista 5
MAE 229 - Introdução à Probabilidade e Estatística II Resolução Lista 5 Professor: Pedro Morettin e Profa. Chang Chian Exercício 1 (a) De uma forma geral, o desvio padrão é usado para medir a dispersão
Definição. Os valores assumidos pelos estimadores denomina-se estimativas pontuais ou simplesmente estimativas.
1. Inferência Estatística Inferência Estatística é o uso da informção (ou experiência ou história) para a redução da incerteza sobre o objeto em estudo. A informação pode ou não ser proveniente de um experimento
MAP CÁLCULO NUMÉRICO (POLI) Lista de Exercícios sobre Zeros de Funções
MAP 2121 - CÁLCULO NUMÉRICO (POLI) Lista de Exercícios sobre Zeros de Funções 1: Mostre que a função f(x) = x 2 4x + cos x possui exatamente duas raízes: α 1 [0, 1.8] e α 2 [3, 5]. Considere as funções:
CONTROLE ESTATÍSTICO DE QUALIDADE
CONTROLE ESTATÍSTICO DE QUALIDADE Ralph S. Silva http://www.im.ufrj.br/ralph/ceq.html Departamento Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Março-Julho/2012 Sumário
6-1. Capitulo 6- Método de Priestley-Taylor para evapotranspiração de referência ETo
de referência ETo 6.1 Introdução O Método de Priestley-Taylor é uma simplificação das equações de Penman e de Penman-Monteith. Apresenta a vantagem de se exigir menos dados. Este método é também citado
4 Modelos estocásticos de volatilidade 4.1 Modelos de Reversão à média
76 4 Modelos estocásticos de volatilidade 4.1 Modelos de Reversão à média Em nossa análise, a volatilidade, assim como o retorno, é descrita por um processo estocástico. O tipo de equação mais adequada
POLÍTICA DE GESTÃO DE RISCOS AWARE GESTÃO DE RECURSOS LTDA. ( Sociedade )
POLÍTICA DE GESTÃO DE RISCOS AWARE GESTÃO DE RECURSOS LTDA. ( Sociedade ) Versão: Outubro/016 Objetivo: o presente instrumento tem por objetivo formalizar a metodologia de monitoramento e gerenciamento
Safra 2016/2017. Safra 2015/2016
Valores de ATR e Preço da Tonelada de Cana-de-açúcar - Consecana do Estado do Paraná Safra 2016/2017 Mar/16 0,6048 0,6048 0,6048 66,04 73,77 Abr 0,6232 0,6232 0,5927 64,72 72,29 Mai 0,5585 0,5878 0,5868
1.3 Comprimento de arco
0 CAPÍTULO. CURVAS NO E ENOE 3.3 Comprimento de arco Seja γ :[a, b] V uma curva não necessariamente regular. Consideremos P ([a, b]) o conjunto de todas as partições de [a, b]. Uma partição P = a = t 0
Estudo de desempenho de testes de hipóteses multivariados no caso de dados de duas populações independentes
UNIVERSIDADE FEDERAL DE MINAS GERAIS INSTITUTO DE CIÊNCIAS EXATAS ICEX PROGRAMA DE PÓS GRADUAÇÃO EM ESTATÍSTICA ABRIL DE Estudo de desempenho de testes de hipóteses multivariados no caso de dados de duas
MÉTODOS ESTATÍSTICOS PARA ANÁLISE DE DADOS
MÉTODOS ESTATÍSTICOS PARA ANÁLISE DE DADOS LEANDRO DE PAULA UFRJ Escola de Inverno do IFGW A Física de Partículas do Novo Século julho de 2014 PROGRAMA DO CURSO Introdução à Probabilidade e Estatística
Modelos de Avaliação de Risco de Crédito: Paradigmas para a Realidade do Brasil
Modelos de Avaliação de Risco de Crédito: Paradigmas para a Realidade do Brasil 9 de Março de 006 Programa:. Metodologias de Cálculo de Risco de Crédito. Modelos Estruturais 3. Modelos baseados em Marcação-a-Mercado
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
Estabilidade. Conhecimentos Básicos
Estabilidade Conhecimentos Básicos Unidades NOME SÍMBOLO FATOR MULTIPLICADOR (UND) Exa E 10 18 1 000 000 000 000 000 000 Peta P 10 15 1 000 000 000 000 000 Terá T 10 12 1 000 000 000 000 Giga G 10 9 1
ANEXO 2 EXEMPLOS DE CARTEIRAS
.viii. ANEXO 2 EXEPLOS DE CARTEIRAS Neste anexo, demonstra-se como são realizados o mapeamento dos fatores de risco, as variações dentro de um cenário e o cálculo da margem de garantia, tomando-se por
Métodos Estatísticos
Métodos Estatísticos Cristina Maria Martins Maria da Graça Temido Departamento de Matemática Universidade de Coimbra Hidrologia Urbana Módulo I Conceitos básicos Probabilidade Experiência aleatória Acontecimentos
Eduardo G. Altmann orientador: Prof. Dr. Iberê L. Caldas
TEMPO DE RETORNO EM SISTEMAS DINÂMICOS Eduardo G. Altmann orientador: Prof. Dr. Iberê L. Caldas altmann@if.usp.br Apresentação da Dissertação de Mestrado: Instituto de Física da Universidade de São Paulo
Introdução ao Processamento Digital de Imagens. Aula 9 Restauração de Imagens. Prof. Dr. Marcelo Andrade da Costa Vieira
Introdução ao Processamento Digital de Imagens Aula 9 Restauração de Imagens Prof. Dr. Marcelo Andrade da Costa Vieira mvieira@sc.usp.br Realce x Restauração Realce: Processar a Imagem para obter um resultado
Cálculo das Probabilidades I
Cálculo das Probabilidades I Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Função Geradora de Momentos 10/13 1 / 19 Calculamos algumas características da
Eventos coletivamente exaustivos: A união dos eventos é o espaço amostral.
DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíveis resultados de um experimento. Evento é qualquer subconjunto do espaço amostral. Evento combinado: Possui duas
(tabelas, gráficos e sumários estatísticos, de posição e de dispersão)
ESTATÍSTICA DESCRITIVA a) Conceito: Apresentação numérica, tabular e/ou gráfica com o propósito resumir ou sumarizar as informações contidas num conjunto de dados observados (estatística: tabelas, gráficos
Ralph S. Silva
ANÁLISE ESTATÍSTICA MULTIVARIADA Ralph S. Silva http://www.im.ufrj.br/ralph/multivariada.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Agradecimentos
II. Funções de uma única variável
II. Funções de uma única variável 1 II.1. Conceitos básicos A otimização de de funções de de uma única variável consiste no no tipo mais elementar de de otimização. Importância: Tipo de problema encontrado
x exp( t 2 )dt f(x) =
INTERPOLAÇÃO POLINOMIAL 1 As notas de aula que se seguem são uma compilação dos textos relacionados na bibliografia e não têm a intenção de substituir o livro-texto, nem qualquer outra bibliografia Aproximação
Estimadores de MáximaVerossimilhança Corrigidosem Modelos de Regressão Não-Lineares Heteroscedásticos p. 1/35
Estimadores de MáximaVerossimilhança Corrigidosem Modelos de Regressão Não-Lineares Heteroscedásticos p. 1/35 Estimadores de Máxima Verossimilhança Corrigidos em Modelos de Regressão Não-Lineares Heteroscedásticos
Séries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 4
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 4 O Processo Média-Móvel Muitas vezes, a estrutura auto-regressiva não é suficiente para descrever totalmente
EXPLORITAS ADMINISTRAÇÃO FINANCEIRA LTDA MANUAL DE GERENCIAMENTO DE RISCO DE MERCADO
EXPLORITAS ADMINISTRAÇÃO FINANCEIRA LTDA MANUAL DE GERENCIAMENTO DE RISCO DE MERCADO Janeiro 2013 Revisões Revisão Data Alteração Responsáveis 00 01/15/2013 Criação do Documento Gustavo P Gato 2 Índice
Análise de Desempenho de Sistemas de Comunicações Digitais
Análise de Desempenho de Sistemas de Comunicações Digitais Edmar José do Nascimento (Princípios de Comunicações) Universidade Federal do Vale do São Francisco Roteiro 1 Detecção Binária 2 Modulações Digitais
Um modelo estocástico para o fluxo de caixa de um plano de previdência de um indivíduo 15
2 Simulação estocástica A simulação computacional consiste em empregar técnicas matemáticas em computadores com o propósito de gerar ensaios que tentam reproduzir de maneira análoga um processo ou operação
Aula de Processamento de Sinais I.B De Paula. Tipos de sinal:
Tipos de sinal: Tipos de sinal: Determinístico:Sinais determinísticos são aqueles que podem ser perfeitamente reproduzidos caso sejam aplicadas as mesmas condições utilizadas sua geração. Periódico Transiente
1 O canal de comunicação radiomóvel
1 O canal de comunicação radiomóvel O projeto de sistemas de comunicações sem fio confiáveis e de alta taxa de transmissão continua sendo um grande desafio em função das próprias características do canal
, cosh (x) = ex + e x. , tanh (x) = ex e x 2
Exercícios Adicionais 1. Podemos definir as funções seno, cosseno e tangente hiperbólicos como: sinh (x) = ex e x, cosh (x) = ex + e x, tanh (x) = ex e x e x + e x Escreva três funções no Scilab que implementem
Risco de Carteira. O Desvio Padrão de uma carteira constituída por dois ativos (X e Y) pode ser obtido a partir de:
1 Risco de Carteira O risco de uma carteira depende não somente do risco de cada elemento que a compõe e de sua participação no investimento total, mas também da forma como seus componentes se relacionam
CC-226 Aula 05 - Teoria da Decisão Bayesiana
CC-226 Aula 05 - Teoria da Decisão Bayesiana Carlos Henrique Q. Forster - Instituto Tecnológico de Aeronáutica 2008 Classificador Bayesiano Considerando M classes C 1... C M. N observações x j. L atributos
Módulo III: Processos de Poisson, Gaussiano e Wiener
Módulo III: Processos de Poisson, Gaussiano e Wiener Wamberto J. L. Queiroz Universidade Federal de Campina Grande-UFCG Departamento de Engenharia Elétrica Processos Estocásticos Campina Grande - PB Módulo
Parte II Teoria da Firma
Parte II Teoria da Firma Custos Roberto Guena de Oliveira 8 de maio de 2017 USP 1 Sumário 1 Conceitos básicos 2 A função de custo O caso de um único fator variável Custos com um mais de um fator variável
Eletromagnetismo Aplicado Propagação de Ondas Eletromagnéticas
Eletromagnetismo Aplicado Propagação de Ondas Eletromagnéticas (Revisão) Heric Dênis Farias hericdf@gmail.com PROPAGAÇÃO DE ONDAS ELETROMAGNÉTICAS Ondas Eletromagnéticas são uma forma de transportar energia
4 Aplicação ao Carro Flex Fuel
58 4 Aplicação ao Carro Flex Fuel 4.1. Introdução Como visto no início da dissertação, o conceito do automóvel flex fuel tem como origem a possibilidade do carro utilizar como combustível álcool, gasolina
1 o Ano. a, b, c, d, e, f, g, h, i, j, k, l, m, n, o, p, q, r, s, t, u, v, w, y, z,
Metas Curriculares, 1 o ciclo Números e Operações (NO) 1 o Ano 1. Considere as letras do alfaeto latino, a,, c, d, e, f, g, h, i, j, k, l, m, n, o, p, q, r, s, t, u, v, w, y, z, e as letras do alfaeto