Autores: Herbert Bento Faria, Sérgio de Melo e Souza e Eduardo Saliby RESUMO
|
|
- Lorenzo Cruz Medina
- 6 Há anos
- Visualizações:
Transcrição
1 1 Análise de Risco: uma comparação de diferentes métodos de amostragem Autores: Herbert Bento Faria, Sérgio de Melo e Souza e Eduardo Saliby RESUMO A análise de risco busca avaliar o impacto de incertezas sobre as decisões de investimento. Tradicionalmente, esta análise utiliza a simulação por Monte Carlo para gerar os valores de entrada, resultando em uma acentuada variabilidade das estimativas obtidas. Neste trabalho, compara-se a abordagem por Monte Carlo com dois métodos alternativos mais recentes: a Amostragem por Hipercubos Latinos e a Amostragem Descritiva. Ambas as abordagens atuam de forma similar, proporcionando um maior controle das amostras geradas. Um estudo empírico nos mostra que, para um mesmo esforço computacional, estes métodos alternativos podem reduzir significativamente a variância das estimativas, sendo a Amostragem Descritiva a melhor escolha. 1. Introdução a análise de risco A análise de alternativas de investimento é muito importante na tomada de decisão de qualquer administrador. Os métodos de análise são bastante conhecidos, sendo os mais comuns a análise de valor presente líquido (VPL) e a taxa interna de retorno (TIR). A idéia do VPL é descontar todos os fluxos futuros do investimento a uma taxa, denominada custo de oportunidade, adeqüada ao perfil de risco do projeto que está sendo analisado. Já o método da TIR calcula, a partir dos fluxos futuros, a taxa que transforma o VPL em zero. Esta taxa é denominada TIR, que deveria ser comparada com o custo de oportunidade a fim de se decidir pela seleção ou não de um projeto. As duas abordagens seriam análogas, a não ser pela questão do reinvestimento. O problema é que a TIR considera que os fluxos obtidos serão reinvestidos pela taxa de retorno, hipótese pouco realista em alguns casos, e que não se verifica com o VPL. Esta seria uma vantagem deste método. Além disto, a TIR pode levar a análises incorretas quando se deve escolher uma entre várias opções de investimento. Outra importante deficiência de análises deste tipo, surge pelo fato do output freqüentemente depender de vários inputs que são incertos na prática. O que usualmente se faz é introduzir no problema os valores mais prováveis destas variáveis aleatórias, o que é uma simplificação da realidade. O que ocorre é que muitas vezes a combinação destes valores mais prováveis é, por si só, improvável, e esta simplificação pode conduzir a uma análise inadeqüada. Compare, por exemplo, as distribuições de probabilidades de possíveis valores de VPL para dois projetos fictícios, conforme ilustrado pela Figura 1: Figura 1 - O efeito da distribuição do VPL para a análise de risco
2 2 Projeto A Probabilidade 60% 40% 20% 0% (1,000,000) 1,200,000 VPL Projeto B Probabilidade 60% 40% 20% 0% 0 200,000 VPL Observa-se que o valor esperado do VPL em ambos os projetos é igual a , mas o primeiro possui um desvio-padrão bem mais alto e, conseqüentemente, aceitando-se o desvio-padrão como medida de risco, um risco também muito maior. Indo ainda mais além, é possível que, observando-se apenas o valor esperado do VPL para se tomar uma decisão em relação ao Projeto A se resolvesse adotá-lo, ao passo que, conhecendo-se a distribuição dos possíveis valores, é bem provável que o projeto fosse rejeitado. É neste contexto que percebe-se a importância da análise de risco, que busca, através da modelagem dos inputs (como receitas, custos e vida-útil), chegar a distribuições dos possíveis valores de outputs (VPL ou TIR), ao contrário da análise tradicional, que busca chegar ao valor esperado do output. A base desta análise está na combinação de incertezas através de simulação, realizando diversos experimentos computacionais e observando os resultados obtidos. A análise de risco é uma ferramenta de apoio fundamental para os tomadores de decisão nas empresas. Através dela, leva-se em conta as incertezas associadas a um projeto, avaliando o seu efeito no resultado econômico-financeiro no médio e longo prazos (Hertz, 1964). A proposta original da análise de risco baseia-se na abordagem tradicional da simulação por Monte Carlo, também conhecida como amostragem aleatória simples (AAS). Sabe-se, porém, que esta abordagem conduz a estimativas de grande variabilidade, exigindo, como contrapartida, um grande esforço computacional para se atingir um nível de precisão adeqüado. Como alternativa à AAS, o uso de dois diferentes métodos de amostragem são estudados neste trabalho: a amostragem descritiva (AD) e a amostragem por hipercubos latinos (AHL). Apresentam-se aqui os resultados da aplicação destes três métodos de amostragem a um problema de análise de risco. Mostra-se que tanto a AHL como a AD, quando comparados com a AAS, proporcionam uma redução na variância das estimativas de magnitude similar. Embora a AHL e a AD venham sendo utilizados em aplicações de simulação em outras áreas de conhecimento, seu uso em análise de risco pode ser ainda considerado como incipiente na literatura de finanças.
3 3 Após esta introdução, a Seção 2 apresenta uma breve descrição dos três métodos de amostragem utilizados no problema exemplo, que é descrito na Seção 3. Na Seção 4 apresenta-se a metodologia adotada, analisando-se os resultados obtidos na Seção 5. Confirmando a teoria da amostragem descritiva, o Modelo Linear de Resposta (Saliby, 1989) permite explicar as reduções de variância obtidas em relação à AAS, o que é feito na Seção 6. Finalizando, apresentam-se as conclusões do estudo e sugestões para novos trabalhos. 2. Métodos de amostragem Nesta Seção apresenta-se, brevemente, as três técnicas de amostragem aqui utilizadas. 2.1 Amostragem Aleatória Simples É a técnica tradicionalmente utilizada em simulação probabilística e, como uma de suas aplicações, na análise de risco. Baseia-se na utilização de números pseudo-aleatórios ou randômicos que, através de transformações apropriadas, originam valores para as mais variadas distribuições de probabilidades. A amostragem por Monte Carlo procura reproduzir um processo aleatório numa simulação e, como tal, está sujeita à geração de amostras atípicas e, portanto, pouco representativas. Valores aleatórios para uma distribuição de probabilidades são comumente gerados através do método da transformada inversa da função de distribuição acumulada, dada por: X = F X F F R 1 ( R) onde é um valor aleatório a ser gerado com distribuição acumulada definida por ( X ) = Pr( X x) 1( R),, tal que é a inversa desta função. é um valor aleatório, com distribuição uniforme no intervalo unitário, definido por um número pseudo - aleatório. Por exemplo, no caso de uma variável com distribuição exponencial com média unitária, este método resulta na transformação: ( 1 R), para 0 < 1 X = ln R Assim, o método consiste na geração de um valor pseudo-aleatório uniforme no intervalo (0, 1), e na obtenção do valor X correspondente, definido pela transformação acima. Na Tabela 1 é apresentado um conjunto de cinco valores gerados aleatoriamente com distribuição uniforme padrão e os respectivos valores decorrentes de sua transformação inversa para uma distribuição exponencial com média unitária. Tabela 1 - Exemplo de valores aleatórios obtidos pela AAS Observação Valor uniforme Valor exponencial Amostragem por Hipercubos Latinos O método da AHL foi proposto com o objetivo de gerar amostras que descrevam, de maneira mais precisa, uma distribuição de probabilidades (McKAY, CONOVER,
4 4 BECKMAN 1979). Essencialmente, a AHL consiste numa estratificação completa da distribuição apresentada, em n estratos equiprováveis, e na seleção aleatória de um valor para cada estrato. A seleção dos valores amostrais continua sendo feita através da transformação inversa da função que se deseja simular. Para garantir uma independência entre os valores gerados para as diferentes variáveis aleatórias de entrada, é feita uma permutação aleatória de cada conjunto de valores gerados. Utilizando a AHL, garante-se que cada parte da distribuição de probabilidades estará presente na amostra, levando assim a uma rápida convergência da amostra em relação à distribuição representada. Como consequência os resultados serão mais precisos. Em princípio, a geração de valores amostrais com a AHL é feita de forma independente para cada variável aleatória de entrada. Os passos seguidos são: a) definição do tamanho da amostra a ser gerada (n); b) estratificação da distribuição acumulada em n estratos equiprováveis; c) seleção, utilizando amostragem aleatória sem reposição, de um dos estratos definidos no item b; d) geração aleatória de um valor amostral para o estrato selecionado. O método da transformação inversa é utilizado para este fim: 1 X i = F [( i 1+ Ri )/ n], onde R i ~ U(0,1), i = 1,...,n; e) repetição dos itens c e d até se completar o número de valores a serem gerados, ou seja, n observações. Na tabela 2 é apresentado um exemplo de geração de valores para uma distribuição exponencial com média unitária, através do método AHL. Tabela 2 - Exemplo de valores obtidos usando-se a AHL Observação Classes Valor uniforme Valor exponencial 1 0,4-0, ,8-1, ,0-0, ,2-0, ,6-0, Observa-se que os valores uniformes são gerados um a um dentro de intervalos equiprováveis, resultando num maior controle do processo de amostragem. 2.3 Amostragem Descritiva Ao utilizar a AAS, a aleatoriedade do processo é o resultado de dois componentes: o conjunto de valores e a sequência destes valores. Segundo Saliby (1989), a alta variabilidade associada ao uso da AAS é, em grande parte, decorrente dos diferentes conjuntos de valores de entrada gerados a cada corrida. Ainda segundo Saliby (1989), esta parcela de variação é desnecessária, podendo ser eliminada utilizando-se o método da amostragem descritiva (AD), proposto pelo mesmo autor. Ao contrário da AAS e da AHL, a AD baseia-se numa seleção totalmente determinística e controlada dos valores de entrada, sendo aleatória apenas a sua sequência de utilização. Confirmando sua utilidade, mostraremos que a AD representa um importante avanço na análise de risco, com benefícios ainda superiores que aqueles proporcionados pela AHL. Conceitualmente, a AD representa uma profunda mudança de paradigma na simulação, uma vez que afirma que a geração aleatória dos valores de entrada não é necessária para representar um comportamento aleatório (Saliby, 1997). Ao contrário, a seleção totalmente determinística destas variáveis é mais apropriada, pois além de garantir a
5 5 aleatoriedade necessária à técnica de simulação, traz o benefício de diminuir sua variabilidade. Embora a AD e a AHL tenham sido desenvolvidas de forma totalmente independente, observou-se que a AD pode ser interpretada como um caso limite da AHL (Saliby, 1997) em que, após a estratificação da distribuição de probabilidades em n estratos equiprováveis, cada estrato é representado pela sua mediana, em lugar de se utilizar um valor aleatório em seu lugar. Tal como nos dois outros métodos amostrais, os valores descritivos são também gerados pela transformação inversa da função de distribuição acumulada. Utilizando-se a AD, garante-se também, tal como a AHL, que todos os pedaços da distribuição de probabilidades estarão presentes na amostra. Além disso, ao se tomar a mediana de cada estrato, reduz-se ao mínimo as discrepâncias entre a amostra e a distribuição representada. Como conseqüência, a qualidade dos resultados obtidos é ainda melhor, reduzindo-se ao mínimo a variabilidade das estimativas. Desta forma, a geração dos valores amostrais com a AD segue passos similares à AHL, a saber: a) definição do tamanho da amostra a ser gerada: n; b) obtenção de um conjunto de valores descritivos definido por: 1 X i = F [( i 0.5) / n], i = 1, K, n, sendo assim utilizadas as medianas de cada estrato; c) seleção, utilizando amostragem aleatória sem reposição, de um valor descritivo definido no item b; d) o item c é repetido n vezes até se completar o número de valores a serem gerados. Ao término deste processo, o conjunto descritivo estará aleatoriamente permutado. Como nos casos anteriores, será apresentado um exemplo de aplicação da AD para a geração de valores para uma distribuição exponencial com média unitária, com base na mesma permutação usada na Tabela 2, no exemplo para a AHL. Tabela 3 - Exemplo de valores aleatórios obtidos usando-se a AD Observação Classes Valor uniforme Valor exponencial 1 0,4-0, ,8-1, ,0-0, ,2-0, ,6-0, Observa-se que não há mais aleatoriedade associada ao conjunto de valores de entrada, ficando esta aleatoriedade restrita apenas à permutação destes valores. Apresentados os métodos de amostragem a serem aqui comparados, descreve-se, na seção seguinte, o problema tomado como exemplo. 3. Descrição do Problema Uma empresa, entre suas opções de investimento, está considerando a possibilidade de lançamento de um novo produto na área de mercado em que atua. O investimento inicial será de 7 milhões de reais. O produto tem vida útil estimada em 15 anos. O custo de oportunidade da empresa para projetos de mesmo risco é de 5% ao ano. O custo unitário segue uma distribuição uniforme no intervalo (3, 4). O preço do produto é de 5 reais por unidade. As vendas do novo produto também variam de forma aleatória, segundo a distribuição apresentada na Tabela 4, onde cada intervalo é considerado equiprovável, com distribuição uniforme dentro de cada intervalo.
6 6 Tabela 4 - Distribuição de probabilidades das vendas anuais Intervalo Vendas em unidades 1 70 a a a a a 900 Utilizaremos, como já mencionado, a metodologia do VPL para a análise do empreendimento. Consideramos que as vendas são pontuais e que os resultados financeiros são apurados ao final de cada período. 4. Metodologia No modelo apresentado, as variáveis aleatórias de entrada são: custo unitário e vendas (em unidades). Para simular este empreendimento utilizando AAS e AHL utilizamos diretamente o desenvolvido pela Paralise Corporation, que já incorpora rotinas para estes dois procedimentos. No caso da AD, foi também possível implementar sua geração através como uma aplicação disfarçada da AHL. Isto foi feito com base na propriedade de equivalência entre a AD e a AHL, para distribuições discretas de probabilidades, uma vez satisfeitas algumas condições de caráter bastante geral. Para isso, no caso da AD, aproximamos as variáveis contínuas de entrada (custos e vendas) por variáveis uniformes discretas, com n possíveis valores equiprováveis e iguais aos respectivos valores descritivos. Como exemplo, vejamos o caso da variável custo. Conforme mencionado anteriormente, esta variável segue uma distruibuição uniforme contínua no intervalo (3, 4). Com base no tamanho das corridas (n=100, por exemplo), subdividimos este intervalo em 100 sub-intervalos; o primeiro sub-intervalo indo de 3.00 a 3.01; o segundo, de 3.01 a 3.02; e assim por diante, até o último sub-intervalo, de 3.99 a Cada intervalo foi então discretizado, reduzindo-o à sua mediana. Esta série de valores discretos foi então utilizada para definir uma distribuição discreta uniforme, usada como input Assim, utilizando-se a AHL gera-se na verdade uma permutação aleatória destes valores, o que corresponde então à AD. De fato, este método baseia-se na propriedade, anteriormente mencionada, de que a AD equivale ao caso limite da AHL centrada na mediana. O mesmo procedimento foi utilizado para gerar os valores das vendas, podendo ser também utilizado para qualquer outra distribuição de probabilidades. Usando os três diferentes métodos de amostragem aqui descritos (AAS, AHL e AD), foram realizadas 100 corridas de simulação, cada uma delas composta de 200 tentativas. Para cada corrida foram calculadas as seguintes estimativas relativas à distribuição do VPL: média, desvio padrão, mediana e probabilidade de prejuízo (percentual de valores de VPL menores que zero). Em seguida, calculou-se a média e o desvio padrão de cada estimativa para cada um dos métodos utilizadas. 5. Análise dos Resultados Um resumo dos resultados do experimento encontra-se na Tabela 5. Tabela 5 Estatísticas das estimativas para a distribuição do VPL para cada método de amostragem Média Desvio padrão Mediana Probabilidade de prejuízo
7 7 AAS AHL AD AAS AHL AD AAS AHL AD AAS AHL AD MÉDIA ,63% 33,70% 33,78% DP ,29% 2,22% 2,17% Consideremos, inicialmente, a estimativa da média do VPL. No caso da AAS, a média das estimativas da média do VPL foi de R$ Conforme esperado, esta média variou com o método amostral, diferença esta que não se mostrou estatisticamente significativa em relação à AAS (ver Tabela 6). Podemos notar que o mesmo também vale para as estimativas do desvio padrão do VPL, da sua mediana e da probabilidade de prejuízo: as médias das estimativas foram aproximadamente iguais para os diferentes métodos. Este fato é perfeitamente consistente, pois diferentes métodos de amostragem não deveriam gerar estimativas com médias diferentes. Já os desvios padrões das estimativas da média, da mediana e da probabilidade de prejuízo tiveram uma sensível redução ao utilizarmos a AHL ou a AD em lugar da AAS. A única exceção ficou por conta da estimativa do desvio padrão do VPL, cuja variância praticamente não se alterou. Estes resultados, em conjunto com outros anteriormente obtidos, permitem-nos afirmar que tanto a AHL como a AD produzem, em geral, estimativas de menor variabilidade do que a AAS, ou, em último caso, estimativas de igual variância, porém nunca maiores. Testamos a hipótese de igualdade de médias das estimativas através do teste t, fornecendo na tabela 6 o nível de significância observado ( p-value ) para cada diferença testada. No caso, valores mais altos do p-value (tipicamente acima de 5%) indicam diferenças não significativas. No entanto, como se trata de uma situação em que múltiplas comparações são realizadas (8 no total), devemos tolerar eventuais exceções, desde que restritas a poucos casos e desde que os limites de tolerância não sejam em muito ultrapassados. Este foi o caso da média dos desvios padrões das estimativas. Logo, a hipótese de que diferentes métodos de amostragem levam a diferentes médias das estimativas pode ser rejeitada. Tabela 6 Testes t para a diferença de médias das estimativas e testes F para as variâncias Comparando AAS e AHL Comparando AHL e AD Média Desvio padrão Mediana Prob. de prejuízo Média Desvio padrão Mediana Prob. de prejuízo Teste t: p-value Teste F: p-value Obs: os valores apresentados são as probabilidades das médias (teste t) ou variâncias (teste F) serem iguais. Já o teste F, comparando as variâncias das estimativas, permite-nos concluir por uma significativa redução em relação à AAS, tanto para a AHL como para a AD, para as estimativas da média, mediana e probabilidade de prejuízo. No caso da estimativa do desvio padrão, a diferença não se mostrou significativa, ou seja, a variância não se alterou. Cabe ainda ressaltar que todas as diferenças (média e variância) entre a AHL e a AD não se mostraram significativas, confirmando a proximidade entre ambos os métodos. 6. Explicação da Redução da Variância Outra forma de se avaliar o ganho ao substituirmos a AAS pela AD é através análise do Modelo Linear de Resposta (MLR), conforme descrito em Saliby (1989). Para a aplicação deste modelo, são feitas regressões múltiplas tendo como variáveis dependentes as estimativas de cada corrida (média, desvio padrão, mediana e probabilidade de prejuízo), e, como variáveis independentes, as estatísticas (média, desvio padrão,...) das diversas variáveis de
8 8 entrada (venda e custo para cada um dos quinze anos). É demonstrado (Saliby, 1989) que o R 2 desta regressão corresponde à redução de variância esperada quando se troca a AAS pela AD. A tabela 7 apresenta os resultados obtidos por esta análise, onde a redução de variância estimada é a obtida através do R 2 da regressão, enquanto que a observada corresponde à redução de variância de fato obtida com a AD (tabela 5). Tabela 7 - Resultados do Modelo Linear de Resposta Variável dependente Média Desvio padrão Mediana Prob. de prej. Redução na variância estimada Redução na variância observada Observa-se portanto que os valores obtidos estão bastante próximos aos teóricos. A única exceção ocorreu com o desvio padrão, no qual houve um pequeno aumento de variância quando se passou da AAS para a AD. Embora não esperado, trata-se de um fato perfeitamente possível no caso de estimativas cuja precisão não é influenciada pelo efeito de conjunto, o que aparenemente é o caso do desvio padrão do VPL. 7. Conclusões O objetivo deste trabalho foi aplicar diferentes métodos de amostragem a um problema da análise de risco, comparando os resultados obtidos através de cada método. Embora a Amostragem Aleatória Simples seja a abordagem padrão em simulação, procurou-se mostrar a vantagem da Amostragem Descritiva, resultando em uma menor variabilidade das estimativas. A origem desta menor variabilidade está na seleção totalmente determinística e intencional dos valores de entrada, mas que são permutados aleatoriamente. Apesar de simples, esta sugestão representa uma profunda mudança conceitual em relação a um dos fundamentos da simulação. Os resultados apresentados mostram que existe ganho em termos de redução da variabilidade das estimativas (desvio padrão) quando utilizamos a Amostragem Descritiva, se comparada a Amostragem Aleatória Simples. O teste do Modelo Linear de Resposta comprova esta hipótese. Não existe diferença significativa entre os desvios padrões calculados pela Amostragem Descritiva e pela Amostragem por Hipercubos Latinos, confirmando a quase equivalência em termos práticos destes dois métodos. No entanto, a fundamentação teórica da AD, explicando inclusive o funcionamento da AHL, bem como sua maior simplicidade computacional fazem deste método a melhor escolha em análise de risco assim com em outras aplicações de simulação.
9 9 Referências bibliográficas HERTZ, D. Risk analysis in capital investments. Harvard Business Review, v. 42, n. 1, p , Jan./Feb MCKAY, M. D., CONOVER, W. J., BECKMAN, R. J. A comparison of three methods for selecting values of input variables in the analysis of output from a computer code. Technometrics, v. 21, p , SALIBY, E. Aplicação da amostragem descritiva na análise de risco. Revista de Administração, v.22, n.4, p , out./dez SALIBY, E. Descriptive Sampling: an improvement over latin hypercube sampling. In : Proceedings of the 1997 Winter Simulation Conference, p SALIBY, E. Repensando a simulação: A amostragem descritiva. São Paulo : Atlas, Rio de Janeiro : Editora da UFRJ, 1989
, logo, para se obter uma boa precisão seria necessário aumentar, e muito, o número de
2. Simulação de Monte Carlo A Simulação de Monte Carlo (SMC) é um método numérico que utiliza um gerador de números aleatórios para simular possíveis valores da variável de interesse e assim obter a estimativa
Leia maisMétodos de Estimação. Roteiro. 1. Three-point Estimation 2. Julgamento de Especialistas 3. Referências. Three-Point Estimation
Métodos de Estimação Roteiro 1. Three-point Estimation. Julgamento de Especialistas 3. Referências Three-Point Estimation 1 Three-Point Estimation Pert original: A duração da atividade segue uma distribuição
Leia maisMÉTODOS QUANTITATIVOS PARA CIÊNCIA DA COMPUTAÇÃO EXPERIMENTAL
MÉTODOS QUANTITATIVOS PARA CIÊNCIA DA COMPUTAÇÃO EXPERIMENTAL Pedro Henrique Bragioni Las Casas Pedro.lascasas@dcc.ufmg.br Apresentação baseada nos slides originais de Jussara Almeida e Virgílio Almeida
Leia maisEstimação parâmetros e teste de hipóteses. Prof. Dr. Alberto Franke (48)
Estimação parâmetros e teste de hipóteses Prof. Dr. Alberto Franke (48) 91471041 Intervalo de confiança para média É um intervalo em que haja probabilidade do verdadeiro valor desconhecido do parâmetro
Leia maisCONHECIMENTOS 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
Leia mais6 Simulação de Monte Carlo - Visão Geral
6 imulação de Monte Carlo - Visão Geral 6.1 Introdução Com a evolução da tecnologia, os métodos numéricos tornaram-se uma importante ferramenta na resolução de problemas nas diversas áreas de conhecimento,
Leia maisMais Informações sobre Itens do Relatório
Mais Informações sobre Itens do Relatório Amostra Tabela contendo os valores amostrados a serem utilizados pelo método comparativo (estatística descritiva ou inferencial) Modelos Pesquisados Tabela contendo
Leia maisModelagem 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
Leia maisFunções Geradoras de Variáveis Aleatórias. Simulação Discreta de Sistemas - Prof. Paulo Freitas - UFSC/CTC/INE
Funções Geradoras de Variáveis Aleatórias 1 Funções Geradoras de Variáveis Aleatórias Nos programas de simulação existe um GNA e inúmeras outras funções matemáticas descritas como Funções Geradoras de
Leia maisModelos Bayesianos. Ernesto F. L. Amaral Magna M. Inácio
1 Modelos Bayesianos Ernesto F. L. Amaral Magna M. Inácio 09 de dezembro de 2010 Tópicos Especiais em Teoria e Análise Política: Problema de Desenho e Análise Empírica (DCP 859B4) Objetivos 2 Apresentar
Leia maisUnidade: Risco e Retorno. Unidade I:
Unidade I: 0 Unidade: Risco e Retorno A análise de investimentos está baseada nas estimativas dos fluxos de caixa de um projeto. Nem sempre essas previsões de fluxo de caixa coincidem com os resultados
Leia mais7 Avaliação de Opções Reais Através do Método LSM
Avaliação de Opções Reais Através do Método LSM 88 7 Avaliação de Opções Reais Através do Método LSM Neste capítulo, iremos aplicar o método desenvolvido por Longstaff & Schwartz para a avaliação de opções
Leia maisMOQ-13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ-13 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 e 16 Introdução à probabilidade (eventos,
Leia maisCapitulo 6 Viabilidade Econômica em Situação de Incerteza
1 Capitulo 6 Viabilidade Econômica em Situação de Incerteza Nos capítulos anteriores, ao construir o fluxo de caixa de um projeto de investimento, supusemos que os valores eram conhecidos com certeza.
Leia mais6 Estudo de Casos: Valor da Opção de Investimento em Informação por Aproximação com Números Fuzzy 6.1. Introdução
6 Estudo de Casos: Valor da Opção de Investimento em Informação por Aproximação com Números Fuzzy 6.1. Introdução Este capítulo apresenta o segundo estudo de casos, no qual também são empregados números
Leia maisModelagem do comportamento da variação do índice IBOVESPA através da metodologia de séries temporais
Modelagem do comportamento da variação do índice IBOVESPA através da metodologia de séries temporais João Eduardo da Silva Pereira (UFSM) jesp@smail.ufsm.br Tânia Maria Frighetto (UFSM) jesp@smail.ufsm.br
Leia mais8 Conclusões e Sugestões para Trabalhos Futuros
8 Conclusões e Sugestões para Trabalhos Futuros No presente trabalho foi proposta uma metodologia capaz de estimar o valor incremental do mercado de carbono nos projetos que utilizam as fontes renováveis
Leia maisIntrodução ao Planejamento e Análise Estatística de Experimentos 1º Semestre de 2013 Capítulo 3 Introdução à Probabilidade e à Inferência Estatística
Introdução ao Planejamento e Análise Estatística de Experimentos Capítulo 3 Introdução à Probabilidade e à Inferência Estatística Introdução ao Planejamento e Análise Estatística de Experimentos Agora,
Leia maisVERIFICAÇÃO 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
Leia maisExemplo 1: Sabemos que a média do nível sérico de colesterol para a população de homens de 20 a 74 anos é 211 mg/100ml.
Exemplo 1: Sabemos que a média do nível sérico de colesterol para a população de homens de 20 a 74 anos é 211 mg/100ml. O nível médio de colesterol da subpopulação de homens que são fumantes hipertensos
Leia maisPROJETO E ANÁLISES DE EXPERIMENTOS (PAE) INTRODUÇÃO AOS MÉTODOS ESTATÍSTICOS EM ENGENHARIA
PROJETO E ANÁLISES DE EXPERIMENTOS (PAE) INTRODUÇÃO AOS MÉTODOS ESTATÍSTICOS EM ENGENHARIA VARIABILIDADE NA MEDIDA DE DADOS CIENTÍFICOS Se numa pesquisa, desenvolvimento de um processo ou produto, o valor
Leia maisEstimação e Testes de Hipóteses
Estimação e Testes de Hipóteses 1 Estatísticas sticas e parâmetros Valores calculados por expressões matemáticas que resumem dados relativos a uma característica mensurável: Parâmetros: medidas numéricas
Leia mais9DOXHDW5LVNHUHWRUQRGHXPLQYHVWLPHQWR
9DOXHDWLVNHUHWRUQRGHXPLQYHVWLPHQWR O Value at Risk (VaR) é um método de mensuração de risco de mercado que utiliza técnicas estatísticas amplamente difundidas. De outra forma o VaR mede a pior perda esperada
Leia maisREGRESSÃO E CORRELAÇÃO
REGRESSÃO E CORRELAÇÃO A interpretação moderna da regressão A análise de regressão diz respeito ao estudo da dependência de uma variável, a variável dependente, em relação a uma ou mais variáveis explanatórias,
Leia maisEstatística. Probabilidade. Conteúdo. Objetivos. Definições. Probabilidade: regras e aplicações. Distribuição Discreta e Distribuição Normal.
Estatística Probabilidade Profa. Ivonete Melo de Carvalho Conteúdo Definições. Probabilidade: regras e aplicações. Distribuição Discreta e Distribuição Normal. Objetivos Utilizar a probabilidade como estimador
Leia maisAMOSTRAGEM. É a parte da Teoria Estatística que define os procedimentos para os planejamentos amostrais e as técnicas de estimação utilizadas.
AMOSTRAGEM É a parte da Teoria Estatística que define os procedimentos para os planejamentos amostrais e as técnicas de estimação utilizadas. Nos planejamentos amostrais, a coleta dos dados deve ser realizada
Leia maisModelagem 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:
Leia maisFinanças 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
Leia maisMomentos: 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
Leia maisENTENDENDO OS CONCEITOS DE RISCO E RETORNO - (Parte II)
ENTENDENDO OS CONCEITOS DE RISCO E RETORNO - (Parte II)! Como calcular o retorno usando dados históricos?! Como calcular a variância e o desvio padrão?! A análise do retorno através da projeção de retornos
Leia maisEspecialização em Engenharia de Processos e de Sistemas de Produção
Especialização em Engenharia de Processos e de Sistemas de Produção Projetos de Experimento e Confiabilidade de Sistemas da Produção Prof. Claudio Luis C. Frankenberg 3ª parte Conforme foi apresentado
Leia mais6 Um estudo de simulação para avaliação dos estimadores associados aos coeficientes de escalonabilidade da TRIN
6 Um estudo de simulação para avaliação dos estimadores associados aos coeficientes de escalonabilidade da TRIN Este capítulo apresenta a descrição de dois estudos de simulação adequados ao contexto da
Leia maisPesquisas Eleitorais e as Amostras por Cota
Rio de Janeiro, 10 de Abril de 2016. Pesquisas Eleitorais e as Amostras por Cota Nota Nº 2 (Continuação da Nota Nº 1) 3ª Parte Parâmetros da margem com alternativas de Viés. Luiz Carlos da Rocha O objetivo
Leia maisTécnicas de Amostragem
Técnicas de Amostragem 1 Amostragem é o processo de seleção de uma amostra, que possibilita o estudo das características da população. Quando obtemos informações a partir de amostras e tentamos atingir
Leia maisESTATÍSTICA. x(s) W Domínio. Contradomínio
Variáveis Aleatórias Variáveis Aleatórias são funções matemáticas que associam números reais aos resultados de um Espaço Amostral. Uma variável quantitativa geralmente agrega mais informação que uma qualitativa.
Leia maisSUMÁRIO. Prefácio, Espaço amostrai, Definição de probabilidade, Probabilidades finitas dos espaços amostrais fin itos, 20
SUMÁRIO Prefácio, 1 3 1 CÁLCULO DAS PROBABILIDADES, 15 1.1 Introdução, 15 1.2 Caracterização de um experimento aleatório, 15 1.3 Espaço amostrai, 16 1.4 Evento, 17 1.5 Eventos mutuamente exclusivos, 17
Leia mais7 Testes de Robustez. 7.1 Efeito sobre os alunos não beneficiados
7 Testes de Robustez Como os resultados anteriores não foram obtidos a partir de um experimento controlado, eles devem ser interpretados com bastante cautela. Esta seção submete estes resultados a uma
Leia maisUma Avaliação do Erro Tipo II no Uso do Teste t-student
Uma Avaliação do Erro Tipo II no Uso do Teste t-student Cleber Giugioli Carrasco Thiago Santana Lemes 1 Unidade Universitária de Ciências Exatas e Tecnológicas, Universidade Estadual de Goiás, UnUCET/UEG,
Leia maisAula 2. ESTATÍSTICA E TEORIA DAS PROBABILIDADES Conceitos Básicos
Aula 2 ESTATÍSTICA E TEORIA DAS PROBABILIDADES Conceitos Básicos 1. DEFINIÇÕES FENÔMENO Toda modificação que se processa nos corpos pela ação de agentes físicos ou químicos. 2. Tudo o que pode ser percebido
Leia maisINTRODUÇÃO À INFERÊNCIA ESTATÍSTICA. Prof. Anderson Rodrigo da Silva
INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA Prof. Anderson Rodrigo da Silva anderson.silva@ifgoiano.edu.br Tipos de Pesquisa Censo: é o levantamento de toda população. Aqui não se faz inferência e sim uma descrição
Leia maisEduardo Saliby * * Corresponding author / autor para quem as correspondências devem ser encaminhadas. Resumo
versão impressa ISSN 0101-7438 / versão online ISSN 1678-5142 AMOSTRAGEM DESCRITIVA NO APREÇAMENTO DE OPÇÕES EUROPÉIAS ATRAVÉS DE SIMULAÇÃO MONTE CARLO: O EFEITO DA DIMENSIONALIDADE E DA PROBABILIDADE
Leia mais9 Relações para redução das velocidades de propagação de chama turbulentas no motor em velocidades de chama laminares dos combustíveis
9 Relações para redução das velocidades de propagação de chama turbulentas no motor em velocidades de chama laminares dos combustíveis Neste capítulo serão apresentadas as relações desenvolvidas, conforme
Leia mais3 Planejamento da Operação de Médio Prazo
3 Planejamento da Operação de Médio Prazo 3.1. Considerações Iniciais Diversos métodos têm sido propostos para a solução do problema de planejamento energético de médio prazo de sistemas hidrotérmicos
Leia maisConceito de Estatística
Conceito de Estatística Estatística Técnicas destinadas ao estudo quantitativo de fenômenos coletivos, observáveis. Unidade Estatística um fenômeno individual é uma unidade no conjunto que irá constituir
Leia maisINSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E tecnologia PARAÍBA. Ministério da Educação
INSTITUTO FEDERAL DE EDUCAÇÃO, CIÊNCIA E tecnologia PARAÍBA Ministério da Educação Instituto Federal de Educação, Ciência e Tecnologia da Paraíba - Campus Cajazeiras Diretoria de Ensino / Coord. do Curso
Leia maisAmostragem e distribuições por amostragem
Amostragem e distribuições por amostragem Carla Henriques e Nuno Bastos Departamento de Matemática Escola Superior de Tecnologia de Viseu Contabilidade e Administração População, amostra e inferência estatística
Leia maisTécnicas Computacionais em Probabilidade e Estatística I. Aula I
Técnicas Computacionais em Probabilidade e Estatística I Aula I Chang Chiann MAE 5704- IME/USP 1º Sem/2008 1 Análise de Um conjunto de dados objetivo: tratamento de um conjunto de dados. uma amostra de
Leia maisAmostragem Objetivos - Identificar as situações em que se deve optar pela amostragem e pelo censo. - Compreender e relacionar AMOSTRA e POPULAÇÃO.
Amostragem Objetivos - Identificar as situações em que se deve optar pela amostragem e pelo censo. - Compreender e relacionar AMOSTRA e POPULAÇÃO. - Que é Amostragem Aleatória Simples. - Métodos para a
Leia mais6 Modelo Gamma-Cetuc (GC)
6 Modelo Gamma-Cetuc (GC) Um modelo de sintetização de séries temporais de atenuação por chuva envolve a geração de dados aleatórios que satisfaçam especificações de estatísticas de primeira e de segunda
Leia maisAULA 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
Leia maisPROBABILIDADE E ESTATÍSTICA. Profa. Dra. Yara de Souza Tadano
PROBABILIDADE E ESTATÍSTICA Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 4 09/2014 Estatística Descritiva Medidas de Variação Probabilidade e Estatística 3/42 Medidas de Variação Vamos
Leia maisAULA 02 Distribuição de Probabilidade Normal
1 AULA 02 Distribuição de Probabilidade Normal Ernesto F. L. Amaral 20 de agosto de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario
Leia maisNoções de Amostragem. Universidade Estadual de Santa Cruz Gustavo Fragoso
Noções de Amostragem Universidade Estadual de Santa Cruz Gustavo Fragoso Motivação Raramente se consegue obter a distribuição exata de alguma variável, ou porque isso é muito dispendioso, ou muito demorado
Leia maisEstatística Descritiva
C E N T R O D E M A T E M Á T I C A, C O M P U T A Ç Ã O E C O G N I Ç Ã O UFABC Estatística Descritiva Centro de Matemática, Computação e Cognição March 17, 2013 Slide 1/52 1 Definições Básicas Estatística
Leia maisInferência Estatística:
Inferência Estatística: Amostragem Estatística Descritiva Cálculo de Probabilidade Inferência Estatística Estimação Teste de Hipótese Pontual Por Intervalo Conceitos básicos Estimação É um processo que
Leia maisProfa. Lidia Rodella UFPE-CAA
Profa. Lidia Rodella UFPE-CAA O que é estatística? É conjunto de técnicas que permite, de forma sistemática, coletar, organizar, descrever, analisar e interpretar dados oriundos de estudos ou experimentos,
Leia maisO ALEATÓRIO EM COMPUTAÇÃO. Por Diogo Anderson Integrante do Grupo PET Computação
O ALEATÓRIO EM COMPUTAÇÃO Por Diogo Anderson (diogo@dsc.ufcg.edu.br) Integrante do Grupo PET Computação AGENDA Introdução Definição Aplicações Números aleatórios Números aleatórios vs pseudo-aleatórios
Leia maisVERSÃO RESPOSTAS PROVA DE MÉTODOS QUANTITATIVOS
UNIVERSIDADE DE SÃO PAULO FACULDADE DE ECONOMIA, ADMINISTRAÇÃO E CONTABILIDADE DE RIBEIRÃO PRETO PROGRAMA DE PÓS-GRADUAÇÃO EM ADMINISTRAÇÃO DE ORGANIZAÇÕES PROCESSO SELETIVO MESTRADO - TURMA 2012 PROVA
Leia mais4 Processos Estocásticos e Simulação de Monte Carlo
33 4 Processos Estocásticos e Simulação de Monte Carlo O processo estocástico faz a descrição de uma variável com comportamento ao menos em parte de maneira aleatória através do tempo, onde se assume valores
Leia maisEstudo heurístico de performance de estratégias de investimento simples baseadas na média móvel e desvio padrão no mercado ForEx
Estudo heurístico de performance de estratégias de investimento simples baseadas na média móvel e desvio padrão no mercado ForEx Lucas Roberto da Silva Centro de Automação, Gestão e Pesquisa em finanças
Leia maisAULAS 04, 05 E 06 AVALIAÇÃO UTILIZANDO EXPERIMENTOS
1 AULAS 04, 05 E 06 AVALIAÇÃO UTILIZANDO EXPERIMENTOS Ernesto F. L. Amaral 14, 19 e 21 de março de 2013 Técnicas Avançadas de Avaliação de Políticas Públicas (DCP 098) Fonte: Curso Técnicas Econométricas
Leia mais1 Que é Estatística?, 1. 2 Séries Estatísticas, 9. 3 Medidas Descritivas, 27
Prefácio, xiii 1 Que é Estatística?, 1 1.1 Introdução, 1 1.2 Desenvolvimento da estatística, 1 1.2.1 Estatística descritiva, 2 1.2.2 Estatística inferencial, 2 1.3 Sobre os softwares estatísticos, 2 1.4
Leia maisSimulação de Sistemas. Adaptado de material de Júlio Pereira Machado (AULA 17)
Simulação de Sistemas Adaptado de material de Júlio Pereira Machado (AULA 17) Análise dos Dados de Saída Além das tarefas de modelagem e validação, devemos nos preocupar com a análise apropriada dos resultados
Leia maisEXPERIMENTAÇÃO ZOOTÉCNICA. Profa. Dra. Amanda Liz Pacífico Manfrim Perticarrari
EXPERIMENTAÇÃO ZOOTÉCNICA Profa. Dra. Amanda Liz Pacífico Manfrim Perticarrari amanda@fcav.unesp.br INTRODUÇÃO Um dos principais objetivos da estatística é a tomada de decisões a respeito da população,
Leia mais3 Aprendizado por reforço
3 Aprendizado por reforço Aprendizado por reforço é um ramo estudado em estatística, psicologia, neurociência e ciência da computação. Atraiu o interesse de pesquisadores ligados a aprendizado de máquina
Leia maisCONHECIMENTOS 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
Leia mais4.1 Conceitos Básicos em Reamostragem
4 Reamostragem O tipo de estatística não-paramétrica que foi ensinado no passado desempenhou um importante papel na análise de dados que não são contínuos e, portanto, não podem empregar a distribuição
Leia maisInferência Estatística: DEEST/UFOP Prof.: Spencer Barbosa da Silva
Inferência Estatística: Prof.: Spencer Barbosa da Silva Amostragem Estatística Descritiva Cálculo de Probabilidade Inferência Estatística Estimação Teste de Hipótese Pontual Por Intervalo Conceitos básicos
Leia maisNessa situação, a média dessa distribuição Normal (X ) é igual à média populacional, ou seja:
Pessoal, trago a vocês a resolução da prova de Estatística do concurso para Auditor Fiscal aplicada pela FCC. Foram 10 questões de estatística! Não identifiquei possibilidade para recursos. Considero a
Leia maisUniversidade Federal de Lavras
Universidade Federal de Lavras Departamento de Estatística Prof. Daniel Furtado Ferreira 6 a Lista de Exercícios Teoria da Estimação pontual e intervalar 1) Marcar como verdadeira ou falsa as seguintes
Leia mais5 Análise dos resultados
5 Análise dos resultados Os dados foram analisados utilizando o software SPSS (Statistical Package for Social Sciences) base 18.0. Para Cooper e Schindler (2003) a análise de dados envolve a redução de
Leia maisDistribuição T - Student. Prof. Herondino S. F.
Distribuição T - Student Prof. Herondino S. F. Distribuição T-Student A distribuição T de Student é uma distribuição de probabilidade estatística, publicada por um autor que se chamou de Student, pseudônimo
Leia maisUm modelo estocástico para o fluxo de caixa de um plano de previdência de um indivíduo 15
2 Simulação estocástica A simulação computacional consiste em empregar técnicas matemáticas em computadores com o propósito de gerar ensaios que tentam reproduzir de maneira análoga um processo ou operação
Leia maisUNIVERSIDADE FEDERAL DA PARAÍBA
UNIVERSIDADE FEDERAL DA PARAÍBA Probabilidade Departamento de Estatística UFPB Luiz Medeiros Introdução Encontramos na natureza dois tipos de fenômenos Determinísticos: Os resultados são sempre os mesmos
Leia maisCoeficiente 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
Leia maisEstimação de valores. Luiz Carlos Terra
Luiz Carlos Terra Nesta aula, você conhecerá a parte mais importante da estatística, que é conhecida como inferência estatística, ou seja, você aprenderá como usar os dados de uma amostra para estimar
Leia maisCap. 11 Testes de comparação entre duas amostras
Estatística Aplicada às Ciências Sociais Sexta Edição Pedro Alberto Barbetta Florianópolis: Editora da UFSC, 006 Cap. 11 Testes de comparação entre duas amostras Planejamento da pesquisa e análise estatística
Leia mais5 Definição da Árvore de Cenários
5 Definição da Árvore de Cenários 5.1. Considerações Iniciais Com o intuito de propor um método para definir a sub-árvore a ser visitada durante o processo do cálculo da estratégia ótima de operação, de
Leia maisDistribuição Amostral e Estimação Pontual de Parâmetros
Roteiro Distribuição Amostral e Estimação Pontual de Parâmetros 1. Introdução 2. Teorema Central do Limite 3. Conceitos de Estimação Pontual 4. Métodos de Estimação Pontual 5. Referências Estatística Aplicada
Leia maisInstituto Nacional de Pesquisas Espaciais - INPE. Divisão de Processamento de Imagens - DPI
1 Sumário 2 Introdução Técnicas de ESDA Matrizes de Proximidade Espacial Média Espacial Móvel (m i ) Indicadores Globais de Autocorrelação Espacial Índices Globais de Moran (I), Geary (C) e Getis e Ord
Leia maisPalavras-chave: Eficiência; finanças públicas; e IPTU.
A EFICIÊNCIA NA ARRECADAÇÃO DE IPTU NOS MUNICÍPIOS DA ZONA DA MATA MINEIRA: UM ESTUDO MULTICASOS EM VIÇOSA, SÃO GERALDO, PORTO FIRME, PIRANGA, ERVÁLIA E VISCONDE DO RIO BRANCO Mariane Carolina do Vale
Leia maisPERT PERT PERT PERT PERT PERT. O CPM assume que as estimativas de tempo para um projeto são certas (determinísticas);
O CPM assume que as estimativas de tempo para um projeto são certas (determinísticas); A duração de cada atividade na prática, contudo, pode ser diferente daquela prevista no projeto; Existem muitos fatores
Leia maisACH Introdução à Estatística Conteúdo Teórico: 12 - Simulação
ACH2053 - Introdução à Estatística Conteúdo Teórico: Marcelo S. Lauretto Referências: Morris DeGroot, Mark Schervish. Probability and Statistics. 4th Ed. - 4o capítulo Ilya M. Sobol. A Primer for the Monte
Leia maisProf. Adriano Mendonça Souza, Dr. Departamento de Estatística PPGEMQ / PPGEP - UFSM
Prof. Adriano Mendonça Souza, Dr. Departamento de Estatística PPGEMQ / PPGEP - UFSM Amostragem É o processo de seleção de amostras de uma população com o objetivo de fazer inferências sobre a população
Leia maisAnálise de regressão linear simples. Diagrama de dispersão
Introdução Análise de regressão linear simples Departamento de Matemática Escola Superior de Tecnologia de Viseu A análise de regressão estuda o relacionamento entre uma variável chamada a variável dependente
Leia maisPrincípios de Modelagem Matemática Aula 10
Princípios de Modelagem Matemática Aula 10 Prof. José Geraldo DFM CEFET/MG 19 de maio de 2014 1 Alguns resultados importantes em estatística A distribuição normal tem importante papel em estatística pois
Leia maisMODELO 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,
Leia mais6EMA Lucas Santana da Cunha 19 de abril de Universidade Estadual de Londrina
ESTATÍSTICA ECONÔMICA 6EMA020-2000 lscunha@uel.br http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 19 de abril de 2017 1 o Bimestre Plano do Curso Cronograma Critério de Avaliação Bibliografia
Leia maisANÁLISE 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
Leia maisMOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS. Professor: Rodrigo A. Scarpel
MOQ-14 PROJETO e ANÁLISE de EXPERIMENTOS Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semana Conteúdo 1 Apresentação da disciplina. Princípios de modelos lineares
Leia maisEstatística: Objetivos e fundamentos
AULA/TEMA Estatística Básica Estatística: Objetivos e fundamentos Profa. Vanessa Ziotti Conteúdo Programático Estatística. O que é? Inferência estatística Estatística descritiva e experimental Termos estatísticos
Leia maisEstatística e Modelos Probabilísticos - COE241
Estatística e Modelos Probabilísticos - COE241 Aula passada Introdução à simulação Geração de números aleatórios Lei dos Grandes Números Aula de hoje Geração de variáveis aleatórias: Transformada Inversa
Leia maisJorge Luiz Moretti de Souza 2, José Antônio Frizzone 3
OPÇÃO DE VENDA TRIMESTRAL DO CAFÉ BENEFICIADO, EM UM MODELO DE SIMULAÇÃO APLICADO AO PLANEJAMENTO DE PROJETOS DE IRRIGAÇÃO PARA A CULTURA DO CAFEEIRO 1 Jorge Luiz Moretti de Souza 2, José Antônio Frizzone
Leia maisAula 5. Como gerar amostras de uma distribuição qualquer a partir de sua CDF e de um gerador de números aleatórios?
Aula 5 Como gerar amostras de uma distribuição qualquer a partir de sua CDF e de um gerador de números aleatórios? Processo de chegada: o Chegadas em grupo ocorrem segundo um processo Poisson com taxa.
Leia maisAnálise da Variância. Prof. Dr. Alberto Franke (48)
Análise da Variância Prof. Dr. Alberto Franke (48) 91471041 Análise da variância Até aqui, a metodologia do teste de hipóteses foi utilizada para tirar conclusões sobre possíveis diferenças entre os parâmetros
Leia maisÚltima Lista de Exercícios
Última Lista de Exercícios 1. Para comparar o peso de um componente fornecido por 4 diferentes fornecedores, uma amostra de cada fornecedor foi colhida e analisada. Os dados colhidos estão ao lado. Ao
Leia mais4 Modelos de Regressão Dinâmica
4 Modelos de Regressão Dinâmica Nos modelos de regressão linear (Johnston e Dinardo, 1998) estudados comumente na literatura, supõe-se que os erros gerados pelo modelo possuem algumas características como:
Leia maisTeste de hipóteses para proporção populacional p
Teste de hipóteses para proporção populacional p 1 Métodos Estatísticos Métodos Estatísticos Estatística Descritiva Inferência Estatística Estimação Teste de Hipóteses 2 TESTE DE HIPÓTESES Eu acredito
Leia maisINSTRUÇÕES. O tempo disponível para a realização das duas provas e o preenchimento da Folha de Respostas é de 5 (cinco) horas no total.
INSTRUÇÕES Para a realização desta prova, você recebeu este Caderno de Questões. 1. Caderno de Questões Verifique se este Caderno de Questões contém a prova de Conhecimentos Específicos referente ao cargo
Leia mais