SlideShare uma empresa Scribd logo
Universidade Federal da Paraíba - Centro de Ciências Sociais Aplicadas - Programa de Pós-Graduação em Ciências Contábeis
Campus I - Cidade Universitária - CEP 58.051-900 - João Pessoa/PB
Telefone: +55 (83) 3216 7285 - http://ccsa.ufpb.br/ppgcc - e-mail: ppgcc@ccsa.ufpb.br
DISTRIBUIÇÕES DE
PROBABILIDADES E OUTLIERS
Felipe Pontes
www.contabilidademq.blogspot.com
1. Revisão do Exercício da aula passada 2. Ditribuições de
probabilidades (revisão de conceitos básicos) 3. Aplicação do
assunto da aula 1 e 2 com uma base de dados real
www.contabilidademq.blogspot.com Felipe Pontes 22
it
k
k
ktk
k
kitk
j
jitjit XCustosIncAD     1
,,2,,10
𝑃𝑡 =
𝜏=1
∞
𝑅𝑓−𝑡
𝐸𝜏 𝑑 𝑡+𝜏
youtube.com/contabilidademq
@felfelipepontes
@contabilidademq
Slideshare.net/felipepontes16
/pontesfelipe Se inscreva em nosso canal e
ative as notificações para não
perder nada!
INTRODUÇÃO
• Na aula passada vimos como descrever um conjunto de variáveis (estatísticas
descritivas). Isso nos permite identificar certos padrões e tendências. Vamos
discutir sobre as suas respostas da aula passada: 1) questões do livro, 2)
explicação rápida sobre as estatísticas descritivas de um artigo e 3) explicação
rápida sobre a análise descritiva dos dados da aula passada.
• ATENÇÃO: hoje faremos alguns exercícios. Façam de forma organizada em
uma planilha do Excel, ou no Word, e me enviem pela “tarefa” do SIGAA.
• Importância do assunto de hoje: o fundamento da tomada de decisões (teste de
hipóteses) é a probabilidade (LEVIN; FOX; FORD, 2012), pois envolve a incerteza.
• Probabilidade teórica (50% de chance de nascer homem) x Probabilidade
empírica (51% de chance de nascer homem com dados de longo prazo)
www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 3
DEFINIÇÃO:
• As variáveis econômicas são, por sua natureza, aleatórias. Não sabemos quais serão seus valores,
até observá-los (“experimentando”).
• Como são aleatórias, a ocorrência de seus valores é incerta. A probabilidade é uma forma de
expressar esta incerteza.
VARIÁVEL ALEATÓRIA X VARIÁVEL DE UMA EQUAÇÃO ALGÉBRICA
• 10 + X = 13 .:. X = 3 X é um valor desconhecido que pode ser calculado
• No processo de jogar 2 dados, a variável X pode ser qualquer valor entre 2 e 12
VARIÁVEIS ALEATÓRIAS
www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 4
EXPERIMENTO CONTROLADO E NÃO CONTROLADO
• Controlado  variável não aleatória
• Não controlado  variável aleatória
VARIÁVEIS ALEATÓRIAS
www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 5
“O Lado B do Insider Trading”: a) empresa sem operações dos insiders e b) empresa com operações dos
insiders (QI e QII)
Tudo é constante, exceto uma “variável”
VARIÁVEIS ALEATÓRIAS
• Sobre a importância dos experimentos, leiam o capítulo 2 do livro
Superprevisores.
• Apesar de não haver perfeição em nossas pesquisas, os experimentos são
melhores do que apenas “sabichões coçando o queixo” e pessoas com
“complexo de deus”.
• Para conhecer um pouco mais sobre o livro, leia a minha review lá no blog:
http://contabilidademq.blogspot.com.br/2017/03/review-superprevisores-
arte-e-ciencia-de-antecipar-o-futuro.html
www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 6
VARIÁVEIS ALEATÓRIAS
• As variáveis aleatórias podem ser contínuas ou discretas. Classifique as
variáveis abaixo em um dos dois grupos.
www.contabilidademq.blogspot.com Felipe Pontes 7
Lançamento
de moedas
Retorno das
ações da bolsa
Quantidade de M&Ms azuis
Lançamento
de dados
Lucro das
empresas da
bolsa
VARIÁVEIS ALEATÓRIAS
• Para trabalhar com variáveis aleatórias e testar hipóteses, precisamos de
uma distribuição de probabilidades (contínuas ou discretas).
www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 8
http://isomorphism.es/post/18913494015/probability-distributions
VARIÁVEIS ALEATÓRIAS
• No mundo real
• http://isomorphism.es/
www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 9
DISTRIBUIÇÃO DE
PROBABILIDADES
www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 10
DISTRIBUIÇÃO DE
PROBABILIDADES
• A é o resultado de um evento qualquer, a partir de um experimento não
controlado. A probabilidade de A, representada por P(A), é a frequência
relativa com que o resultado A ocorre em muitas provas repetidas do
experimento. Para qualquer evento, 0≤P(A)≤1 e Σp(A)= 1.
• Função de probabilidade – quando se relacionam os valores de uma
variável aleatória discreta com sua probabilidade de ocorrência, o
resultado é uma função de probabilidade. No caso de uma variável
continua temos a função densidade de probabilidade (f.d.p ou p.d.f).
www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 11
NORMAL
• É um modelo teórico (ou ideal) muito usado em econometria básica (foco
desta disciplina). Por meio dela o pesquisador pode generalizar seus
resultados de amostras para populações.
CARACTERÍSTICAS BÁSICAS:
1. Formato de sino
2. Simétrica
3. Unimodal (só tem um pico de máxima probabilidade)
4. Média = Moda = Mediana
www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 12
https://www.mathsisfun.com/data/standard-normal-distribution.html
IMPLICAÇÃO: por exemplo, teríamos poucas
empresas com retornos extremos (positivos ou
negativos) – as empresas não devem gerar lucros
“anormais” para sempre.
NORMAL
• Na prática, o que encontramos são coisas assim:
www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 13
0
2
4
6
8
10
12
14
16
18
20
-0.1 0 0.1 0.2 0.3
acc_disc_abs
acc_disc_abs
N(0.036252,0.051882)
Test statistic for normality:
Chi-square(2) = 356.744 [0.0000]
0
5
10
15
20
25
30
0.00 0.05 0.10 0.15 0.20 0.25 0.30
Series: ACC_DISC_ABS
Sample 1 89
Observations 89
Mean 0.036252
Median 0.020848
Maximum 0.334798
Minimum 6.94e-18
Std. Dev. 0.051882
Skewness 3.665601
Kurtosis 18.70847
Jarque-Bera 1114.363
Probability 0.000000
05
101520
0 .1 .2 .3 .4
acc_disc_abs
A assimetria é muito maior do que 0,5.
Regra geral: -0,5 < Skew < 0,5.
A Normal tem curtose = 3.
A partir dessa análise, o que pode ter
gerado nosso “problema”?
No Eviews, GRETL e Stata.
NORMAL
www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 14
0246
Density
0 .2 .4 .6 .8 1
rpegaverage
0
10203040
Frequency
0 5 10 15 20
cob_eps
0
.1.2.3.4
Density
18 20 22 24 26
lnvm
O que é mais próximo da
normalidade?
0
1.0e-112.0e-113.0e-114.0e-11
Density
0 1.000e+11 2.000e+11 3.000e+11 4.000e+11
valor_de_mercado
NORMAL
www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 15
0
.1.2.3.4
Os pontos fora da “caixa” são outliers
(maiores que 0,1 nesse caso)
A linha dentro da caixa é a mediana, como não
está no meio... Evidencia assimetria.
O limite superior da caixa indica o percentil 75%
e o limite inferior representa 25%.
O “bigode” de cima é o limite superior = P75% -
1,5*(P75% - P25%)
O “bigode” de baixo é o limite inferior = P25% -
1,5*(P75% - P25%)
0
.2.4.6.8
1
NORMAL
www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 16
Os pontos fora da “caixa” são outliers
(maiores que 0,4 nesse caso)
A linha dentro da caixa é a mediana, como não
está no meio... Evidencia assimetria.
O limite superior da caixa indica o percentil 75%
e o limite inferior representa 25%.
O “bigode” de cima é o limite superior = P75% -
1,5*(P75% - P25%)
O “bigode” de baixo é o limite inferior = P25% -
1,5*(P75% - P25%)
NORMAL
1820222426
www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 17
O que dizer sobre isso?
05
101520
cob_eps
1820222426
lnvm
Consumer Discretionary Consumer Staples Energy Health Care Industrials Information Technology Materials Telecommunication Services Utilities
NORMAL
Comando: graph box lnvm, over(gics_sector)
www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 18
Quais são os setores
mais homogêneos e
heterogêneos?
Quais são os setores com
mais outliers?
Por causa dessa
heterogeneidade, temos
que controlar esses
fatores (qreg, painel etc).
NORMAL
• Se a distribuição for normal, os pontos ficarão em cima da reta
www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 19
-.1
0
.1.2.3
acc_disc_abs
-.1 -.05 0 .05 .1 .15
Inverse Normal
NORMAL
1820222426
lnvm
18 20 22 24 26
Inverse Normal
www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 20
-5
05
101520
cob_eps
-5 0 5 10 15 20
Inverse Normal
Quem é discreto e quem é contínuo?
NORMAL
• Algumas vezes, transformações resolvem nosso problema: log 10, ln, sqrt
(assimetria à direita), quadrática, cúbica (assimetria à esquerda) etc.
• Plotem o histograma da variável vm (valor de mercado) (histogram vm).
Qual é o tipo de assimetria? Depois compare com o histograma da variável
lnvm.
• O comando para transformar a variável é “generate
NOME_DA_NOVA_VARIÁVEL=TIPO_DE_TRANSF(inserir a variável a
ser transformada)”
• generate lnvm=ln(vm)
www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 21
NORMAL
www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 22
1/cubic 1/(vm^3) . 0.000
1/square 1/(vm^2) . 0.000
inverse 1/vm . 0.000
1/(square root) 1/sqrt(vm) . 0.000
log log(vm) 3.25 0.197
square root sqrt(vm) . 0.000
identity vm . 0.000
square vm^2 . 0.000
cubic vm^3 . 0.000
Transformation formula chi2(2) P(chi2)
. ladder vm
O comando ladder do Stata nos diz qual é a melhor transformação (você não precisa ficar
calculando uma por uma). Faça com a variável vm.
NORMAL
www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 23
1/cubic 1/(lnvm^3) 47.04 0.000
1/square 1/(lnvm^2) 31.10 0.000
inverse 1/lnvm 18.07 0.000
1/(square root) 1/sqrt(lnvm) 12.80 0.002
log log(lnvm) 8.51 0.014
square root sqrt(lnvm) 5.26 0.072
identity lnvm 3.25 0.197
square lnvm^2 5.77 0.056
cubic lnvm^3 15.44 0.000
Transformation formula chi2(2) P(chi2)
. ladder lnvm
NORMAL
0
2.0e-344.0e-346.0e-348.0e-34
0 2.00e+344.00e+346.00e+348.00e+34
cubic
0
1.0e-222.0e-223.0e-224.0e-22
0 5.00e+221.00e+231.50e+232.00e+23
square
0
2.0e-114.0e-116.0e-118.0e-11
0 1.00e+112.00e+113.00e+114.00e+11
identity
0
5.0e-061.0e-051.5e-05
0 200000 400000 600000
sqrt
0
.1.2.3.4.5
18 20 22 24 26
log
0
2.0e+044.0e+046.0e+048.0e+04
-.00015 -.0001 -.00005 0
1/sqrt
0
5.0e+081.0e+091.5e+092.0e+092.5e+09
-2.00e-08-1.50e-08-1.00e-08-5.00e-09 0
inverse
0
5.0e+161.0e+171.5e+172.0e+17
-3.00e-16 -2.00e-16 -1.00e-16 0
1/square
0
5.0e+241.0e+25
-6.00e-24 -4.00e-24 -2.00e-24 0
1/cubic
Density
valor_de_mercado
Histograms by transformation
www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 24
NORMAL
• O gladder projeta os tipos de transformações
www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 25
0
1.0e-042.0e-043.0e-044.0e-04
5000 10000 15000 20000
cubic
0
.002.004.006.008
.01
300 400 500 600 700
square
0
.1.2.3.4.5
18 20 22 24 26
identity
012345
4.2 4.4 4.6 4.8 5 5.2
sqrt
05
10
2.9 3 3.1 3.2 3.3
log
0
20406080
100
-.24 -.23 -.22 -.21 -.2 -.19
1/sqrt
0
50
100150200250
-.055 -.05 -.045 -.04 -.035
inverse
0
100020003000
-.003 -.0025 -.002 -.0015
1/square
0
1.0e+042.0e+043.0e+044.0e+04
-.0002 -.00015 -.0001 -.00005
1/cubic
Density
lnvm
Histograms by transformation
NORMAL
www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 26
1/cubic 1/(cob_eps^3) . .
1/square 1/(cob_eps^2) . .
inverse 1/cob_eps . .
1/(square root) 1/sqrt(cob_eps) . .
log log(cob_eps) . .
square root sqrt(cob_eps) 43.48 0.000
identity cob_eps 63.13 0.000
square cob_eps^2 34.52 0.000
cubic cob_eps^3 42.33 0.000
Transformation formula chi2(2) P(chi2)
. ladder cob_eps Por que será que nenhuma transformação deu jeito? Pense e
confirme o raciocínio no próximo slide
NORMAL
• Dá para perceber a diferença com relação aos gráficos anteriores?
www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 27
0
5.0e-04
.001
.0015
.002
.0025
0 2000 4000 6000
cubic
0
.005
.01
.015
.02
.025
0 100 200 300
square
0
.1.2.3
0 5 10 15 20
identity
0
.5
1
1.5 0 1 2 3 4
sqrt
cob_eps
Histograms by transformation
NORMAL
NO SLIDE ANTERIOR ESTÁVAMOS
TENTANDO ADEQUAR UMA
VARIÁVEL DISCRETA A UMA
DISTRIBUIÇÃO CONTÍNUA!
www.contabilidademq.blogspot.com Felipe Pontes 28
5000
100001500020000
5000 10000 15000 20000
cubic
300400500600700
300 400 500 600 700
square
1820222426
18 20 22 24 26
identity
4.24.44.64.8
5
5.2
4.2 4.4 4.6 4.8 5 5.2
sqrt
2.9
3
3.13.23.3
2.9 3 3.1 3.2 3.3
log
-.24-.23-.22-.21
-.2
-.19
-.23 -.22 -.21 -.2 -.19
1/sqrt
-.055
-.05
-.045
-.04
-.035
-.055 -.05 -.045 -.04 -.035
inverse
-.003
-.0025
-.002
-.0015
-.001
-.003 -.0025 -.002 -.0015 -.001
1/square
-.0002
-.00015
-.0001
-.00005
-.00014-.00012-.0001-.00008-.00006-.00004
1/cubic
lnvm
Quantile-Normal plots by transformation
NORMAL
• Para verificar o gráfico da normal, pode-se utilizar o qladder
www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 29
-2.00e+34
0
2.00e+344.00e+346.00e+34 -1.00e+34-5.00e+33 0 5.00e+331.00e+341.50e+34
cubic
-5.00e+22
0
5.00e+221.00e+231.50e+23
-4.00e+22-2.00e+22 0 2.00e+224.00e+22
square
-1.00e+11
0
1.00e+112.00e+113.00e+114.00e+11
-1.00e+11-5.00e+10 0 5.00e+101.00e+111.50e+11
identity
-200000
0
200000400000600000
-100000 0 100000200000300000
sqrt
1820222426
18 20 22 24 26
log
-.00015
-.0001
-.00005
0
.00005
-.00006 -.00004 -.00002 0 .00002
1/sqrt
-2.00e-08-1.50e-08-1.00e-08-5.00e-09
0
5.00e-09
-4.00e-09-2.00e-09 0 2.00e-094.00e-09
inverse
-3.00e-16-2.00e-16-1.00e-16
0
1.00e-16
-4.00e-17-2.00e-17 0 2.00e-174.00e-17
1/square
-6.00e-24-4.00e-24-2.00e-24
0
2.00e-24
-1.00e-24-5.00e-25 0 5.00e-251.00e-24
1/cubic
valor_de_mercado
Quantile-Normal plots by transformation
www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 30
-2000
0
200040006000
-2000 0 2000 4000 6000
cubic
-100
0
100200300
-100 0 100 200 300
square
-5
05
101520
-5 0 5 10 15 20
identity
0246
0 2 4 6
sqrt
cob_eps
Quantile-Normal plots by transformation
www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 31
NORMAL
• É importante fazer essa análise antes de rodar o modelo final, para
detectar os problemas e tratá-los, se possível ou ter ideia das possíveis
limitações da sua análise: usar outros estimadores que não o OLS, por
exemplo.
• Esses gráficos precisam estar na versão final do artigo? Definitivamente
Não!
www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 32
NORMAL
• Utilize os seguintes comandos com os dados do “sysuse nlsw88, clear”.
Analise a variável wage e tenure.
• Analise brevemente e salve os gráficos em um arquivo do Word, no final
faremos um exercício completo:
• histogram wage, normal
• graph box wage
• qnorm wage
• ladder wage
• gladder wage
• sktest wage
• ** testa a normalidade univariada
• ** Use transformações para testar, a exemplo de:
• g logwage=log(wage) ou lnwage=ln(wage)
www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 33
NORMAL
ESCORE PADRÃO (Z) E A CURVA NORMAL
• O Z-escore nos diz quantos desvios-padrão um valor X está acima ou
abaixo da média.
• Tem algumas utilidades quando trabalhamos com a Normal e também é
utilizado para identificar outliers univariados (geralmente 3 DP da média
– mas fiquem de olho no tamanho da amostra, as pequenas são mais
sensíveis). Também é usada para tratar o efeito do uso de diferentes
escalas na análise multivariada.
• Para identificar outliers com o Z-escore, presume-se a normalidade dos
dados. Quando os dados não são normalmente distribuídos, o box-plot é
uma ferramenta melhor para detectá-los.
www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 34
NORMAL
www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 35
http://resources.esri.com/
NORMAL
ESCORE PADRÃO (Z) E A CURVA NORMAL
• Supondo que os dados são normalmente distribuídos e que têm média 9,5
e desvio-padrão de 17, qual é o Z-Escore de uma observação X = 53?
• Calcule o Z-Escore da variável FCO, na planilha “Pasta 1”, de modo a
encontrar possíveis outliers.
• Quais são os outliers, usando 2 DP da média, por ser uma amostra
pequena?
www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 36
NORMAL
• Como padronizar variáveis no Stata, com o Z-escore (exemplo com Wage):
• sum wage
• ** A média foi 7.766949 e o desvio-padrão foi 5.755523. Aplicamos isso
na fórmula do Z-escore para padronizar a variável, fazendo com que
ela fique com média zero e variância constante
• ** Crio a nova variável
• g Zwage=(wage-7.766949)/5.755523
• ** Verificando:
• sum Zwage
• Para calcular o Z-Escore, existe também a função “padronizar” no Excel.
www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 37
AMOSTRAS E POPULAÇÕES
• A contabilidade é uma ciência social aplicada, isso implica dizer que temos
tempo e recursos escassos (por exemplo não dá para entrevistar todos os
auditores do mundo). Para tirar nossas conclusões, partimos de um grupo
pequeno de indivíduos (amostra) e fazemos inferências sobre o grupo de
todos os indivíduos (população).
• Amostragem aleatória x não aleatória (intencional)
• O resultado obtido na amostragem dificilmente será
igual ao da população, devido ao “erro amostral”.
www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 38
Todos têm a mesma chance de
estar na amostra
Não estamos falando de “erro intencional”: cada amostra terá características
“próprias”, mas não intencionais. Ex.: QIC apenas em empresas do Novo Mercado
AMOSTRAS E POPULAÇÕES
INTERVALO DE CONFIANÇA
• Nós convencionamos usar 95% como nível de confiança (Z = 1,96 para cada lado,
– 47,5% e + 47,5% = 95% - VER NA TABELA NORMAL = 5%/2 = 2,5%).
• Mesmo usando os 95% de nível de confiança, podemos ter a “sorte” de selecionar
uma amostra que gere uma média dentro dos 5% restantes. Exemplo com várias
amostras da idade da turma.
• Calcule a média do FCO e utilize o nível de 95% para estimar um intervalo de
confiança: Média amostral + ou – 1,96*[DP/(N^0,5)]. Considere que o desvio-
padrão da amostra é igual ao da população.
• Considerando que a um nível de significância de 90% o Z é 1,645 (90%/2 = 0,45 
buscando 0,45 na Tabela Normal, temos 1,645 aproximadamente), estime o IC do
FCO.
• Agora considere um nível de 99% (Z = 2,575) para o mesmo FCO.
www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 39
AMOSTRAS E POPULAÇÕES
DISTRIBUIÇÃO t
• Anteriormente consideramos que sabíamos o desvio-padrão da população.
Isso faz pouco sentido!
• Para poder usar o DP amostral, basta utilizar o ajuste nos graus de
liberdade que vimos na aula passada: Média amostral + ou – t*{DP/[(N –
1)^0,5]}.
• Em amostras grandes isso faz pouca diferença. À medida que aumentamos
os GL a t tende à normal.
• A tabela t de Student é um pouco diferente da normal, ela usa os GL (N-1)
e o alfa. Lembrem de dividir por 2, porque estamos falando de duas
caudas.
• Refaça os exercícios do slide anterior, considerando a tabela t.
www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 40
APLICAÇÃO 1
• Vamos usar outras metodologias de detecção de outliers.
• Use a base “dados para aula de normalidade” para detector outliers na
variável “rpegaverage”, comparando com a variável “cob_eps”:
• sum rpegaverage cob_eps
• extremes rpegaverage cob_eps
• scatter rpegaverage cob_eps
www.contabilidademq.blogspot.com Felipe Pontes 41
APLICAÇÃO 2
• Utilize a base de dados da aula de hoje (Plan1) para efetuar uma análise
descritiva (estatísticas descritivas, testes de normalidade, detecção de
outliers etc).
• Escreva um relatório, como se fosse um artigo. Por isso vocês analisaram
as estatísticas descritivas de um artigo na semana passada!
www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 42
Questões para a próxima aula
1. Por que experimentos controlados são importantes?
2. Defina variáveis aleatórias e diferencie as contínuas das discretas.
3. Como calcular o valor esperado de uma variável aleatória?
4. Cite 2 exemplos de experimentos controlados. 1 deles deve ser um artigo
publicado em uma revista A1, A2 ou B1.
5. Cite algumas maneiras de se “induzir” a normalidade dos dados (não se limite
aos slides). A ideia é buscar maneiras de se “corrigir” esse problema.
6. Diferencie amostragem aleatória da não aleatória. Quais são as vantagens e
desvantagens de cada uma delas?
7. O que é amostragem por cotas, por julgamento, aleatória simples, sistemática e
estratificada?
8. Como se pode estimar o tamanho de uma amostra confiável?
www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 43
Para ter acesso a mais conteúdos,
acesse:
• Blogs
www.ContabilidadeMQ.blogspot.com
www.FinancasAplicadasBrasil.blogspot.com
• Facebook:
www.facebook.com/ContabilidadeMQ
• Twitter:
www.twitter.com/ContabilidadeMQ
• YouTube:
www.youtube.com/ContabilidadeMQ
44
www.contabilidademq.blogspot.com Felipe Pontes 4545
it
k
k
ktk
k
kitk
j
jitjit XCustosIncAD     1
,,2,,10
𝑃𝑡 =
𝜏=1
∞
𝑅𝑓−𝑡
𝐸𝜏 𝑑 𝑡+𝜏
youtube.com/contabilidademq
@felfelipepontes
@contabilidademq
Slideshare.net/felipepontes16
/pontesfelipe Se inscreva em nosso canal e
ative as notificações para não
perder nada!

Mais conteúdo relacionado

Mais procurados

Regressão Linear Simples
Regressão Linear SimplesRegressão Linear Simples
Regressão Linear Simples
monica_lima
 
Aula 6 probabilidade condicional
Aula 6   probabilidade condicionalAula 6   probabilidade condicional
Aula 6 probabilidade condicional
Ariel Rennó Chaves
 
Exercícios Resolvidos: Teorema de Rolle
Exercícios Resolvidos: Teorema de RolleExercícios Resolvidos: Teorema de Rolle
Exercícios Resolvidos: Teorema de Rolle
Diego Oliveira
 
Aula 02 Cálculo de limites - Conceitos Básicos
Aula 02   Cálculo de limites - Conceitos BásicosAula 02   Cálculo de limites - Conceitos Básicos
Conjuntos dos números racionais relativos operações de potenciação e radicia...
Conjuntos dos números racionais relativos  operações de potenciação e radicia...Conjuntos dos números racionais relativos  operações de potenciação e radicia...
Conjuntos dos números racionais relativos operações de potenciação e radicia...
WykthorAndroid
 
Exercícios Resolvidos: Frequência relativa, absoluta, acumulada
Exercícios Resolvidos: Frequência relativa, absoluta, acumuladaExercícios Resolvidos: Frequência relativa, absoluta, acumulada
Exercícios Resolvidos: Frequência relativa, absoluta, acumulada
Diego Oliveira
 
Aula de distribuição de probabilidade[1] cópia
Aula de distribuição de probabilidade[1]   cópiaAula de distribuição de probabilidade[1]   cópia
Aula de distribuição de probabilidade[1] cópia
Tuane Paixão
 
Distribuição normal
Distribuição normalDistribuição normal
Distribuição normal
joseagrosa
 
Cap4 - Parte 3 - Distribuição Binomial
Cap4 - Parte 3 - Distribuição BinomialCap4 - Parte 3 - Distribuição Binomial
Cap4 - Parte 3 - Distribuição Binomial
Regis Andrade
 
Distribuição binomial, poisson e hipergeométrica - Estatística I
Distribuição binomial, poisson e hipergeométrica - Estatística IDistribuição binomial, poisson e hipergeométrica - Estatística I
Distribuição binomial, poisson e hipergeométrica - Estatística I
Ricardo Bruno - Universidade Federal do Pará
 
Funcoes trigonometricas.ppt
Funcoes trigonometricas.pptFuncoes trigonometricas.ppt
Funcoes trigonometricas.ppt
Rodrigo Carvalho
 
Mat razao e proporcao resolvidos
Mat razao e proporcao resolvidosMat razao e proporcao resolvidos
Mat razao e proporcao resolvidos
trigono_metrico
 
Caderno de Exercícios – Estatística com solução
Caderno de Exercícios – Estatística com soluçãoCaderno de Exercícios – Estatística com solução
Caderno de Exercícios – Estatística com solução
Outliers Academy
 
Aula 22 probabilidade - parte 1
Aula 22   probabilidade - parte 1Aula 22   probabilidade - parte 1
Cap4 - Parte 6 - Distribuições Discretas Exercicios Resolvidos
Cap4 - Parte 6 - Distribuições Discretas Exercicios ResolvidosCap4 - Parte 6 - Distribuições Discretas Exercicios Resolvidos
Cap4 - Parte 6 - Distribuições Discretas Exercicios Resolvidos
Regis Andrade
 
Função logarítmica definição e propeiedades
Função logarítmica   definição e propeiedadesFunção logarítmica   definição e propeiedades
Função logarítmica definição e propeiedades
Péricles Penuel
 
Diagnósticos do Modelo Clássico de Regressão Linear
Diagnósticos do Modelo Clássico de Regressão LinearDiagnósticos do Modelo Clássico de Regressão Linear
Diagnósticos do Modelo Clássico de Regressão Linear
Felipe Pontes
 
Aula 07 Medidas de Tendencia Central de Dados Não Agrupados
Aula 07   Medidas de Tendencia Central de Dados Não AgrupadosAula 07   Medidas de Tendencia Central de Dados Não Agrupados
Aula 07 Medidas de Tendencia Central de Dados Não Agrupados
João Alessandro da Luz, Secretaria de Estado da Educação do Paraná, Campo Mourão - Pr
 
Estatística básica
Estatística básicaEstatística básica
Estatística básica
Horacimar Cotrim
 
Probabilidade e estatística
Probabilidade e estatísticaProbabilidade e estatística
Probabilidade e estatística
Neilton Pedro
 

Mais procurados (20)

Regressão Linear Simples
Regressão Linear SimplesRegressão Linear Simples
Regressão Linear Simples
 
Aula 6 probabilidade condicional
Aula 6   probabilidade condicionalAula 6   probabilidade condicional
Aula 6 probabilidade condicional
 
Exercícios Resolvidos: Teorema de Rolle
Exercícios Resolvidos: Teorema de RolleExercícios Resolvidos: Teorema de Rolle
Exercícios Resolvidos: Teorema de Rolle
 
Aula 02 Cálculo de limites - Conceitos Básicos
Aula 02   Cálculo de limites - Conceitos BásicosAula 02   Cálculo de limites - Conceitos Básicos
Aula 02 Cálculo de limites - Conceitos Básicos
 
Conjuntos dos números racionais relativos operações de potenciação e radicia...
Conjuntos dos números racionais relativos  operações de potenciação e radicia...Conjuntos dos números racionais relativos  operações de potenciação e radicia...
Conjuntos dos números racionais relativos operações de potenciação e radicia...
 
Exercícios Resolvidos: Frequência relativa, absoluta, acumulada
Exercícios Resolvidos: Frequência relativa, absoluta, acumuladaExercícios Resolvidos: Frequência relativa, absoluta, acumulada
Exercícios Resolvidos: Frequência relativa, absoluta, acumulada
 
Aula de distribuição de probabilidade[1] cópia
Aula de distribuição de probabilidade[1]   cópiaAula de distribuição de probabilidade[1]   cópia
Aula de distribuição de probabilidade[1] cópia
 
Distribuição normal
Distribuição normalDistribuição normal
Distribuição normal
 
Cap4 - Parte 3 - Distribuição Binomial
Cap4 - Parte 3 - Distribuição BinomialCap4 - Parte 3 - Distribuição Binomial
Cap4 - Parte 3 - Distribuição Binomial
 
Distribuição binomial, poisson e hipergeométrica - Estatística I
Distribuição binomial, poisson e hipergeométrica - Estatística IDistribuição binomial, poisson e hipergeométrica - Estatística I
Distribuição binomial, poisson e hipergeométrica - Estatística I
 
Funcoes trigonometricas.ppt
Funcoes trigonometricas.pptFuncoes trigonometricas.ppt
Funcoes trigonometricas.ppt
 
Mat razao e proporcao resolvidos
Mat razao e proporcao resolvidosMat razao e proporcao resolvidos
Mat razao e proporcao resolvidos
 
Caderno de Exercícios – Estatística com solução
Caderno de Exercícios – Estatística com soluçãoCaderno de Exercícios – Estatística com solução
Caderno de Exercícios – Estatística com solução
 
Aula 22 probabilidade - parte 1
Aula 22   probabilidade - parte 1Aula 22   probabilidade - parte 1
Aula 22 probabilidade - parte 1
 
Cap4 - Parte 6 - Distribuições Discretas Exercicios Resolvidos
Cap4 - Parte 6 - Distribuições Discretas Exercicios ResolvidosCap4 - Parte 6 - Distribuições Discretas Exercicios Resolvidos
Cap4 - Parte 6 - Distribuições Discretas Exercicios Resolvidos
 
Função logarítmica definição e propeiedades
Função logarítmica   definição e propeiedadesFunção logarítmica   definição e propeiedades
Função logarítmica definição e propeiedades
 
Diagnósticos do Modelo Clássico de Regressão Linear
Diagnósticos do Modelo Clássico de Regressão LinearDiagnósticos do Modelo Clássico de Regressão Linear
Diagnósticos do Modelo Clássico de Regressão Linear
 
Aula 07 Medidas de Tendencia Central de Dados Não Agrupados
Aula 07   Medidas de Tendencia Central de Dados Não AgrupadosAula 07   Medidas de Tendencia Central de Dados Não Agrupados
Aula 07 Medidas de Tendencia Central de Dados Não Agrupados
 
Estatística básica
Estatística básicaEstatística básica
Estatística básica
 
Probabilidade e estatística
Probabilidade e estatísticaProbabilidade e estatística
Probabilidade e estatística
 

Semelhante a Aula 2 - Distribuição de probabilidade

Distribuição de probabilidades e detecção de outliers
Distribuição de probabilidades e detecção de outliersDistribuição de probabilidades e detecção de outliers
Distribuição de probabilidades e detecção de outliers
Felipe Pontes
 
Introdução ao modelo clássico de regressão linear
Introdução ao modelo clássico de regressão linearIntrodução ao modelo clássico de regressão linear
Introdução ao modelo clássico de regressão linear
Felipe Pontes
 
Treinamento MLOps Databricks 2023
Treinamento MLOps Databricks 2023Treinamento MLOps Databricks 2023
Treinamento MLOps Databricks 2023
Douglas Mendes
 
sld_1 (3).pdf
sld_1 (3).pdfsld_1 (3).pdf
sld_1 (3).pdf
GalbertoGomesOliveir1
 
var_copulas
var_copulasvar_copulas
var_copulas
Rogerio Almeida
 
Regressão Múltipla
Regressão MúltiplaRegressão Múltipla
Regressão Múltipla
Felipe Pontes
 
Aula 4 poe
Aula 4 poeAula 4 poe
Aula PO II - Cadeias de Markov em tempo discreto e com estados finitos.pdf
Aula PO II -  Cadeias de Markov em tempo discreto e com estados finitos.pdfAula PO II -  Cadeias de Markov em tempo discreto e com estados finitos.pdf
Aula PO II - Cadeias de Markov em tempo discreto e com estados finitos.pdf
MatheusPraeiroAndrad
 
Sequencias e-series
Sequencias e-seriesSequencias e-series
Sequencias e-series
jhujha
 
Metricas forecasting
Metricas forecastingMetricas forecasting
Metricas forecasting
Rodrigo Oliveira, Msc, PMP
 
Visualg
VisualgVisualg
Visualg
Pedro Silva
 
4. Controle Estatístico de Processos.pptx
4. Controle Estatístico de Processos.pptx4. Controle Estatístico de Processos.pptx
4. Controle Estatístico de Processos.pptx
RaulOliveira96
 
6capa sigma2714
6capa sigma27146capa sigma2714
Aula_04_-_Cartas_de_Controle-4fc89cd5bda44e139ff0c2f18beca6fe.pptx
Aula_04_-_Cartas_de_Controle-4fc89cd5bda44e139ff0c2f18beca6fe.pptxAula_04_-_Cartas_de_Controle-4fc89cd5bda44e139ff0c2f18beca6fe.pptx
Aula_04_-_Cartas_de_Controle-4fc89cd5bda44e139ff0c2f18beca6fe.pptx
ALVAROCNP4776
 
Estatistica regular 8
Estatistica regular 8Estatistica regular 8
Estatistica regular 8
J M
 
Inferência e testes de hipóteses
Inferência e testes de hipótesesInferência e testes de hipóteses
Inferência e testes de hipóteses
Felipe Pontes
 
Introdução à Engenharia da Qualidade e o Método Taguchi
Introdução à Engenharia da Qualidade e o Método TaguchiIntrodução à Engenharia da Qualidade e o Método Taguchi
Introdução à Engenharia da Qualidade e o Método Taguchi
Carlos Yukimura
 
Estatistica cap 1 2 3 e 4
Estatistica cap 1 2 3 e 4 Estatistica cap 1 2 3 e 4
Estatistica cap 1 2 3 e 4
diegogabandrade
 
ferramentas_da_qualidade-apresentação1.ppt
ferramentas_da_qualidade-apresentação1.pptferramentas_da_qualidade-apresentação1.ppt
ferramentas_da_qualidade-apresentação1.ppt
MarcosFernandoVieira1
 
Introdução à cadeias de markov
Introdução à cadeias de markovIntrodução à cadeias de markov
Introdução à cadeias de markov
Universidade Federal Fluminense
 

Semelhante a Aula 2 - Distribuição de probabilidade (20)

Distribuição de probabilidades e detecção de outliers
Distribuição de probabilidades e detecção de outliersDistribuição de probabilidades e detecção de outliers
Distribuição de probabilidades e detecção de outliers
 
Introdução ao modelo clássico de regressão linear
Introdução ao modelo clássico de regressão linearIntrodução ao modelo clássico de regressão linear
Introdução ao modelo clássico de regressão linear
 
Treinamento MLOps Databricks 2023
Treinamento MLOps Databricks 2023Treinamento MLOps Databricks 2023
Treinamento MLOps Databricks 2023
 
sld_1 (3).pdf
sld_1 (3).pdfsld_1 (3).pdf
sld_1 (3).pdf
 
var_copulas
var_copulasvar_copulas
var_copulas
 
Regressão Múltipla
Regressão MúltiplaRegressão Múltipla
Regressão Múltipla
 
Aula 4 poe
Aula 4 poeAula 4 poe
Aula 4 poe
 
Aula PO II - Cadeias de Markov em tempo discreto e com estados finitos.pdf
Aula PO II -  Cadeias de Markov em tempo discreto e com estados finitos.pdfAula PO II -  Cadeias de Markov em tempo discreto e com estados finitos.pdf
Aula PO II - Cadeias de Markov em tempo discreto e com estados finitos.pdf
 
Sequencias e-series
Sequencias e-seriesSequencias e-series
Sequencias e-series
 
Metricas forecasting
Metricas forecastingMetricas forecasting
Metricas forecasting
 
Visualg
VisualgVisualg
Visualg
 
4. Controle Estatístico de Processos.pptx
4. Controle Estatístico de Processos.pptx4. Controle Estatístico de Processos.pptx
4. Controle Estatístico de Processos.pptx
 
6capa sigma2714
6capa sigma27146capa sigma2714
6capa sigma2714
 
Aula_04_-_Cartas_de_Controle-4fc89cd5bda44e139ff0c2f18beca6fe.pptx
Aula_04_-_Cartas_de_Controle-4fc89cd5bda44e139ff0c2f18beca6fe.pptxAula_04_-_Cartas_de_Controle-4fc89cd5bda44e139ff0c2f18beca6fe.pptx
Aula_04_-_Cartas_de_Controle-4fc89cd5bda44e139ff0c2f18beca6fe.pptx
 
Estatistica regular 8
Estatistica regular 8Estatistica regular 8
Estatistica regular 8
 
Inferência e testes de hipóteses
Inferência e testes de hipótesesInferência e testes de hipóteses
Inferência e testes de hipóteses
 
Introdução à Engenharia da Qualidade e o Método Taguchi
Introdução à Engenharia da Qualidade e o Método TaguchiIntrodução à Engenharia da Qualidade e o Método Taguchi
Introdução à Engenharia da Qualidade e o Método Taguchi
 
Estatistica cap 1 2 3 e 4
Estatistica cap 1 2 3 e 4 Estatistica cap 1 2 3 e 4
Estatistica cap 1 2 3 e 4
 
ferramentas_da_qualidade-apresentação1.ppt
ferramentas_da_qualidade-apresentação1.pptferramentas_da_qualidade-apresentação1.ppt
ferramentas_da_qualidade-apresentação1.ppt
 
Introdução à cadeias de markov
Introdução à cadeias de markovIntrodução à cadeias de markov
Introdução à cadeias de markov
 

Mais de Felipe Pontes

Mitos, (nem tão) verdades (assim) e aplicações de valuation
Mitos, (nem tão) verdades (assim) e aplicações de valuationMitos, (nem tão) verdades (assim) e aplicações de valuation
Mitos, (nem tão) verdades (assim) e aplicações de valuation
Felipe Pontes
 
Ciclo de vida e desempenho das empresas
Ciclo de vida e desempenho das empresasCiclo de vida e desempenho das empresas
Ciclo de vida e desempenho das empresas
Felipe Pontes
 
Fraude e gerenciamento de resultados
Fraude e gerenciamento de resultadosFraude e gerenciamento de resultados
Fraude e gerenciamento de resultados
Felipe Pontes
 
Análise de crédito e previsão de insolvência
Análise de crédito e previsão de insolvênciaAnálise de crédito e previsão de insolvência
Análise de crédito e previsão de insolvência
Felipe Pontes
 
Apresentação do curso de valuation
Apresentação do curso de valuationApresentação do curso de valuation
Apresentação do curso de valuation
Felipe Pontes
 
Mitos sobre investimentos: além da "seguranca" da poupanca e do "risco" da bolsa
Mitos sobre investimentos: além da "seguranca" da poupanca e do "risco" da bolsaMitos sobre investimentos: além da "seguranca" da poupanca e do "risco" da bolsa
Mitos sobre investimentos: além da "seguranca" da poupanca e do "risco" da bolsa
Felipe Pontes
 
Modelagem financeira e demonstrações pro forma
Modelagem financeira e demonstrações pro formaModelagem financeira e demonstrações pro forma
Modelagem financeira e demonstrações pro forma
Felipe Pontes
 
Análise comparativa de empresas
Análise comparativa de empresasAnálise comparativa de empresas
Análise comparativa de empresas
Felipe Pontes
 
Análise crítica dos indicadores contábeis tradicionais parte 2
Análise crítica dos indicadores contábeis tradicionais parte 2Análise crítica dos indicadores contábeis tradicionais parte 2
Análise crítica dos indicadores contábeis tradicionais parte 2
Felipe Pontes
 
Análise por Indicadores Tradicionais - Parte 1
Análise por Indicadores Tradicionais - Parte 1Análise por Indicadores Tradicionais - Parte 1
Análise por Indicadores Tradicionais - Parte 1
Felipe Pontes
 
Objetivos centrais da análise das demonstrações contábeis
Objetivos centrais da análise das demonstrações contábeisObjetivos centrais da análise das demonstrações contábeis
Objetivos centrais da análise das demonstrações contábeis
Felipe Pontes
 
Caso Abdul - Revisão dos Princípios Básicos da Contabilidade
Caso Abdul - Revisão dos Princípios Básicos da ContabilidadeCaso Abdul - Revisão dos Princípios Básicos da Contabilidade
Caso Abdul - Revisão dos Princípios Básicos da Contabilidade
Felipe Pontes
 
Análise do negócio da empresa
Análise do negócio da empresaAnálise do negócio da empresa
Análise do negócio da empresa
Felipe Pontes
 
Onde coletar informações para analisar as empresas
Onde coletar informações para analisar as empresasOnde coletar informações para analisar as empresas
Onde coletar informações para analisar as empresas
Felipe Pontes
 
Análise prévia da contabilidade
Análise prévia da contabilidadeAnálise prévia da contabilidade
Análise prévia da contabilidade
Felipe Pontes
 
Análise do Relatório de Auditoria Antes da Análise das Demonstrações
Análise do Relatório de Auditoria Antes da Análise das DemonstraçõesAnálise do Relatório de Auditoria Antes da Análise das Demonstrações
Análise do Relatório de Auditoria Antes da Análise das Demonstrações
Felipe Pontes
 
Introdução à Análise Avançada das Demonstrações Contábeis UFPB
Introdução à Análise Avançada das Demonstrações Contábeis UFPBIntrodução à Análise Avançada das Demonstrações Contábeis UFPB
Introdução à Análise Avançada das Demonstrações Contábeis UFPB
Felipe Pontes
 
Pesquisa em contabilidade dicas e falhas comuns
Pesquisa em contabilidade dicas e falhas comunsPesquisa em contabilidade dicas e falhas comuns
Pesquisa em contabilidade dicas e falhas comuns
Felipe Pontes
 
PIBIC, Monitoria e Extensão no DFC/UFPB
PIBIC, Monitoria e Extensão no DFC/UFPBPIBIC, Monitoria e Extensão no DFC/UFPB
PIBIC, Monitoria e Extensão no DFC/UFPB
Felipe Pontes
 
Mitos, (nem tao) verdades (assim) e aplicacoes de valuation
Mitos, (nem tao) verdades (assim) e aplicacoes de valuationMitos, (nem tao) verdades (assim) e aplicacoes de valuation
Mitos, (nem tao) verdades (assim) e aplicacoes de valuation
Felipe Pontes
 

Mais de Felipe Pontes (20)

Mitos, (nem tão) verdades (assim) e aplicações de valuation
Mitos, (nem tão) verdades (assim) e aplicações de valuationMitos, (nem tão) verdades (assim) e aplicações de valuation
Mitos, (nem tão) verdades (assim) e aplicações de valuation
 
Ciclo de vida e desempenho das empresas
Ciclo de vida e desempenho das empresasCiclo de vida e desempenho das empresas
Ciclo de vida e desempenho das empresas
 
Fraude e gerenciamento de resultados
Fraude e gerenciamento de resultadosFraude e gerenciamento de resultados
Fraude e gerenciamento de resultados
 
Análise de crédito e previsão de insolvência
Análise de crédito e previsão de insolvênciaAnálise de crédito e previsão de insolvência
Análise de crédito e previsão de insolvência
 
Apresentação do curso de valuation
Apresentação do curso de valuationApresentação do curso de valuation
Apresentação do curso de valuation
 
Mitos sobre investimentos: além da "seguranca" da poupanca e do "risco" da bolsa
Mitos sobre investimentos: além da "seguranca" da poupanca e do "risco" da bolsaMitos sobre investimentos: além da "seguranca" da poupanca e do "risco" da bolsa
Mitos sobre investimentos: além da "seguranca" da poupanca e do "risco" da bolsa
 
Modelagem financeira e demonstrações pro forma
Modelagem financeira e demonstrações pro formaModelagem financeira e demonstrações pro forma
Modelagem financeira e demonstrações pro forma
 
Análise comparativa de empresas
Análise comparativa de empresasAnálise comparativa de empresas
Análise comparativa de empresas
 
Análise crítica dos indicadores contábeis tradicionais parte 2
Análise crítica dos indicadores contábeis tradicionais parte 2Análise crítica dos indicadores contábeis tradicionais parte 2
Análise crítica dos indicadores contábeis tradicionais parte 2
 
Análise por Indicadores Tradicionais - Parte 1
Análise por Indicadores Tradicionais - Parte 1Análise por Indicadores Tradicionais - Parte 1
Análise por Indicadores Tradicionais - Parte 1
 
Objetivos centrais da análise das demonstrações contábeis
Objetivos centrais da análise das demonstrações contábeisObjetivos centrais da análise das demonstrações contábeis
Objetivos centrais da análise das demonstrações contábeis
 
Caso Abdul - Revisão dos Princípios Básicos da Contabilidade
Caso Abdul - Revisão dos Princípios Básicos da ContabilidadeCaso Abdul - Revisão dos Princípios Básicos da Contabilidade
Caso Abdul - Revisão dos Princípios Básicos da Contabilidade
 
Análise do negócio da empresa
Análise do negócio da empresaAnálise do negócio da empresa
Análise do negócio da empresa
 
Onde coletar informações para analisar as empresas
Onde coletar informações para analisar as empresasOnde coletar informações para analisar as empresas
Onde coletar informações para analisar as empresas
 
Análise prévia da contabilidade
Análise prévia da contabilidadeAnálise prévia da contabilidade
Análise prévia da contabilidade
 
Análise do Relatório de Auditoria Antes da Análise das Demonstrações
Análise do Relatório de Auditoria Antes da Análise das DemonstraçõesAnálise do Relatório de Auditoria Antes da Análise das Demonstrações
Análise do Relatório de Auditoria Antes da Análise das Demonstrações
 
Introdução à Análise Avançada das Demonstrações Contábeis UFPB
Introdução à Análise Avançada das Demonstrações Contábeis UFPBIntrodução à Análise Avançada das Demonstrações Contábeis UFPB
Introdução à Análise Avançada das Demonstrações Contábeis UFPB
 
Pesquisa em contabilidade dicas e falhas comuns
Pesquisa em contabilidade dicas e falhas comunsPesquisa em contabilidade dicas e falhas comuns
Pesquisa em contabilidade dicas e falhas comuns
 
PIBIC, Monitoria e Extensão no DFC/UFPB
PIBIC, Monitoria e Extensão no DFC/UFPBPIBIC, Monitoria e Extensão no DFC/UFPB
PIBIC, Monitoria e Extensão no DFC/UFPB
 
Mitos, (nem tao) verdades (assim) e aplicacoes de valuation
Mitos, (nem tao) verdades (assim) e aplicacoes de valuationMitos, (nem tao) verdades (assim) e aplicacoes de valuation
Mitos, (nem tao) verdades (assim) e aplicacoes de valuation
 

Aula 2 - Distribuição de probabilidade

  • 1. Universidade Federal da Paraíba - Centro de Ciências Sociais Aplicadas - Programa de Pós-Graduação em Ciências Contábeis Campus I - Cidade Universitária - CEP 58.051-900 - João Pessoa/PB Telefone: +55 (83) 3216 7285 - http://ccsa.ufpb.br/ppgcc - e-mail: ppgcc@ccsa.ufpb.br DISTRIBUIÇÕES DE PROBABILIDADES E OUTLIERS Felipe Pontes www.contabilidademq.blogspot.com 1. Revisão do Exercício da aula passada 2. Ditribuições de probabilidades (revisão de conceitos básicos) 3. Aplicação do assunto da aula 1 e 2 com uma base de dados real
  • 2. www.contabilidademq.blogspot.com Felipe Pontes 22 it k k ktk k kitk j jitjit XCustosIncAD     1 ,,2,,10 𝑃𝑡 = 𝜏=1 ∞ 𝑅𝑓−𝑡 𝐸𝜏 𝑑 𝑡+𝜏 youtube.com/contabilidademq @felfelipepontes @contabilidademq Slideshare.net/felipepontes16 /pontesfelipe Se inscreva em nosso canal e ative as notificações para não perder nada!
  • 3. INTRODUÇÃO • Na aula passada vimos como descrever um conjunto de variáveis (estatísticas descritivas). Isso nos permite identificar certos padrões e tendências. Vamos discutir sobre as suas respostas da aula passada: 1) questões do livro, 2) explicação rápida sobre as estatísticas descritivas de um artigo e 3) explicação rápida sobre a análise descritiva dos dados da aula passada. • ATENÇÃO: hoje faremos alguns exercícios. Façam de forma organizada em uma planilha do Excel, ou no Word, e me enviem pela “tarefa” do SIGAA. • Importância do assunto de hoje: o fundamento da tomada de decisões (teste de hipóteses) é a probabilidade (LEVIN; FOX; FORD, 2012), pois envolve a incerteza. • Probabilidade teórica (50% de chance de nascer homem) x Probabilidade empírica (51% de chance de nascer homem com dados de longo prazo) www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 3
  • 4. DEFINIÇÃO: • As variáveis econômicas são, por sua natureza, aleatórias. Não sabemos quais serão seus valores, até observá-los (“experimentando”). • Como são aleatórias, a ocorrência de seus valores é incerta. A probabilidade é uma forma de expressar esta incerteza. VARIÁVEL ALEATÓRIA X VARIÁVEL DE UMA EQUAÇÃO ALGÉBRICA • 10 + X = 13 .:. X = 3 X é um valor desconhecido que pode ser calculado • No processo de jogar 2 dados, a variável X pode ser qualquer valor entre 2 e 12 VARIÁVEIS ALEATÓRIAS www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 4
  • 5. EXPERIMENTO CONTROLADO E NÃO CONTROLADO • Controlado  variável não aleatória • Não controlado  variável aleatória VARIÁVEIS ALEATÓRIAS www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 5 “O Lado B do Insider Trading”: a) empresa sem operações dos insiders e b) empresa com operações dos insiders (QI e QII) Tudo é constante, exceto uma “variável”
  • 6. VARIÁVEIS ALEATÓRIAS • Sobre a importância dos experimentos, leiam o capítulo 2 do livro Superprevisores. • Apesar de não haver perfeição em nossas pesquisas, os experimentos são melhores do que apenas “sabichões coçando o queixo” e pessoas com “complexo de deus”. • Para conhecer um pouco mais sobre o livro, leia a minha review lá no blog: http://contabilidademq.blogspot.com.br/2017/03/review-superprevisores- arte-e-ciencia-de-antecipar-o-futuro.html www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 6
  • 7. VARIÁVEIS ALEATÓRIAS • As variáveis aleatórias podem ser contínuas ou discretas. Classifique as variáveis abaixo em um dos dois grupos. www.contabilidademq.blogspot.com Felipe Pontes 7 Lançamento de moedas Retorno das ações da bolsa Quantidade de M&Ms azuis Lançamento de dados Lucro das empresas da bolsa
  • 8. VARIÁVEIS ALEATÓRIAS • Para trabalhar com variáveis aleatórias e testar hipóteses, precisamos de uma distribuição de probabilidades (contínuas ou discretas). www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 8 http://isomorphism.es/post/18913494015/probability-distributions
  • 9. VARIÁVEIS ALEATÓRIAS • No mundo real • http://isomorphism.es/ www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 9
  • 11. DISTRIBUIÇÃO DE PROBABILIDADES • A é o resultado de um evento qualquer, a partir de um experimento não controlado. A probabilidade de A, representada por P(A), é a frequência relativa com que o resultado A ocorre em muitas provas repetidas do experimento. Para qualquer evento, 0≤P(A)≤1 e Σp(A)= 1. • Função de probabilidade – quando se relacionam os valores de uma variável aleatória discreta com sua probabilidade de ocorrência, o resultado é uma função de probabilidade. No caso de uma variável continua temos a função densidade de probabilidade (f.d.p ou p.d.f). www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 11
  • 12. NORMAL • É um modelo teórico (ou ideal) muito usado em econometria básica (foco desta disciplina). Por meio dela o pesquisador pode generalizar seus resultados de amostras para populações. CARACTERÍSTICAS BÁSICAS: 1. Formato de sino 2. Simétrica 3. Unimodal (só tem um pico de máxima probabilidade) 4. Média = Moda = Mediana www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 12 https://www.mathsisfun.com/data/standard-normal-distribution.html IMPLICAÇÃO: por exemplo, teríamos poucas empresas com retornos extremos (positivos ou negativos) – as empresas não devem gerar lucros “anormais” para sempre.
  • 13. NORMAL • Na prática, o que encontramos são coisas assim: www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 13 0 2 4 6 8 10 12 14 16 18 20 -0.1 0 0.1 0.2 0.3 acc_disc_abs acc_disc_abs N(0.036252,0.051882) Test statistic for normality: Chi-square(2) = 356.744 [0.0000] 0 5 10 15 20 25 30 0.00 0.05 0.10 0.15 0.20 0.25 0.30 Series: ACC_DISC_ABS Sample 1 89 Observations 89 Mean 0.036252 Median 0.020848 Maximum 0.334798 Minimum 6.94e-18 Std. Dev. 0.051882 Skewness 3.665601 Kurtosis 18.70847 Jarque-Bera 1114.363 Probability 0.000000 05 101520 0 .1 .2 .3 .4 acc_disc_abs A assimetria é muito maior do que 0,5. Regra geral: -0,5 < Skew < 0,5. A Normal tem curtose = 3. A partir dessa análise, o que pode ter gerado nosso “problema”? No Eviews, GRETL e Stata.
  • 14. NORMAL www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 14 0246 Density 0 .2 .4 .6 .8 1 rpegaverage 0 10203040 Frequency 0 5 10 15 20 cob_eps 0 .1.2.3.4 Density 18 20 22 24 26 lnvm O que é mais próximo da normalidade? 0 1.0e-112.0e-113.0e-114.0e-11 Density 0 1.000e+11 2.000e+11 3.000e+11 4.000e+11 valor_de_mercado
  • 15. NORMAL www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 15 0 .1.2.3.4 Os pontos fora da “caixa” são outliers (maiores que 0,1 nesse caso) A linha dentro da caixa é a mediana, como não está no meio... Evidencia assimetria. O limite superior da caixa indica o percentil 75% e o limite inferior representa 25%. O “bigode” de cima é o limite superior = P75% - 1,5*(P75% - P25%) O “bigode” de baixo é o limite inferior = P25% - 1,5*(P75% - P25%)
  • 16. 0 .2.4.6.8 1 NORMAL www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 16 Os pontos fora da “caixa” são outliers (maiores que 0,4 nesse caso) A linha dentro da caixa é a mediana, como não está no meio... Evidencia assimetria. O limite superior da caixa indica o percentil 75% e o limite inferior representa 25%. O “bigode” de cima é o limite superior = P75% - 1,5*(P75% - P25%) O “bigode” de baixo é o limite inferior = P25% - 1,5*(P75% - P25%)
  • 17. NORMAL 1820222426 www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 17 O que dizer sobre isso? 05 101520 cob_eps
  • 18. 1820222426 lnvm Consumer Discretionary Consumer Staples Energy Health Care Industrials Information Technology Materials Telecommunication Services Utilities NORMAL Comando: graph box lnvm, over(gics_sector) www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 18 Quais são os setores mais homogêneos e heterogêneos? Quais são os setores com mais outliers? Por causa dessa heterogeneidade, temos que controlar esses fatores (qreg, painel etc).
  • 19. NORMAL • Se a distribuição for normal, os pontos ficarão em cima da reta www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 19 -.1 0 .1.2.3 acc_disc_abs -.1 -.05 0 .05 .1 .15 Inverse Normal
  • 20. NORMAL 1820222426 lnvm 18 20 22 24 26 Inverse Normal www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 20 -5 05 101520 cob_eps -5 0 5 10 15 20 Inverse Normal Quem é discreto e quem é contínuo?
  • 21. NORMAL • Algumas vezes, transformações resolvem nosso problema: log 10, ln, sqrt (assimetria à direita), quadrática, cúbica (assimetria à esquerda) etc. • Plotem o histograma da variável vm (valor de mercado) (histogram vm). Qual é o tipo de assimetria? Depois compare com o histograma da variável lnvm. • O comando para transformar a variável é “generate NOME_DA_NOVA_VARIÁVEL=TIPO_DE_TRANSF(inserir a variável a ser transformada)” • generate lnvm=ln(vm) www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 21
  • 22. NORMAL www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 22 1/cubic 1/(vm^3) . 0.000 1/square 1/(vm^2) . 0.000 inverse 1/vm . 0.000 1/(square root) 1/sqrt(vm) . 0.000 log log(vm) 3.25 0.197 square root sqrt(vm) . 0.000 identity vm . 0.000 square vm^2 . 0.000 cubic vm^3 . 0.000 Transformation formula chi2(2) P(chi2) . ladder vm O comando ladder do Stata nos diz qual é a melhor transformação (você não precisa ficar calculando uma por uma). Faça com a variável vm.
  • 23. NORMAL www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 23 1/cubic 1/(lnvm^3) 47.04 0.000 1/square 1/(lnvm^2) 31.10 0.000 inverse 1/lnvm 18.07 0.000 1/(square root) 1/sqrt(lnvm) 12.80 0.002 log log(lnvm) 8.51 0.014 square root sqrt(lnvm) 5.26 0.072 identity lnvm 3.25 0.197 square lnvm^2 5.77 0.056 cubic lnvm^3 15.44 0.000 Transformation formula chi2(2) P(chi2) . ladder lnvm
  • 24. NORMAL 0 2.0e-344.0e-346.0e-348.0e-34 0 2.00e+344.00e+346.00e+348.00e+34 cubic 0 1.0e-222.0e-223.0e-224.0e-22 0 5.00e+221.00e+231.50e+232.00e+23 square 0 2.0e-114.0e-116.0e-118.0e-11 0 1.00e+112.00e+113.00e+114.00e+11 identity 0 5.0e-061.0e-051.5e-05 0 200000 400000 600000 sqrt 0 .1.2.3.4.5 18 20 22 24 26 log 0 2.0e+044.0e+046.0e+048.0e+04 -.00015 -.0001 -.00005 0 1/sqrt 0 5.0e+081.0e+091.5e+092.0e+092.5e+09 -2.00e-08-1.50e-08-1.00e-08-5.00e-09 0 inverse 0 5.0e+161.0e+171.5e+172.0e+17 -3.00e-16 -2.00e-16 -1.00e-16 0 1/square 0 5.0e+241.0e+25 -6.00e-24 -4.00e-24 -2.00e-24 0 1/cubic Density valor_de_mercado Histograms by transformation www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 24
  • 25. NORMAL • O gladder projeta os tipos de transformações www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 25 0 1.0e-042.0e-043.0e-044.0e-04 5000 10000 15000 20000 cubic 0 .002.004.006.008 .01 300 400 500 600 700 square 0 .1.2.3.4.5 18 20 22 24 26 identity 012345 4.2 4.4 4.6 4.8 5 5.2 sqrt 05 10 2.9 3 3.1 3.2 3.3 log 0 20406080 100 -.24 -.23 -.22 -.21 -.2 -.19 1/sqrt 0 50 100150200250 -.055 -.05 -.045 -.04 -.035 inverse 0 100020003000 -.003 -.0025 -.002 -.0015 1/square 0 1.0e+042.0e+043.0e+044.0e+04 -.0002 -.00015 -.0001 -.00005 1/cubic Density lnvm Histograms by transformation
  • 26. NORMAL www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 26 1/cubic 1/(cob_eps^3) . . 1/square 1/(cob_eps^2) . . inverse 1/cob_eps . . 1/(square root) 1/sqrt(cob_eps) . . log log(cob_eps) . . square root sqrt(cob_eps) 43.48 0.000 identity cob_eps 63.13 0.000 square cob_eps^2 34.52 0.000 cubic cob_eps^3 42.33 0.000 Transformation formula chi2(2) P(chi2) . ladder cob_eps Por que será que nenhuma transformação deu jeito? Pense e confirme o raciocínio no próximo slide
  • 27. NORMAL • Dá para perceber a diferença com relação aos gráficos anteriores? www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 27 0 5.0e-04 .001 .0015 .002 .0025 0 2000 4000 6000 cubic 0 .005 .01 .015 .02 .025 0 100 200 300 square 0 .1.2.3 0 5 10 15 20 identity 0 .5 1 1.5 0 1 2 3 4 sqrt cob_eps Histograms by transformation
  • 28. NORMAL NO SLIDE ANTERIOR ESTÁVAMOS TENTANDO ADEQUAR UMA VARIÁVEL DISCRETA A UMA DISTRIBUIÇÃO CONTÍNUA! www.contabilidademq.blogspot.com Felipe Pontes 28
  • 29. 5000 100001500020000 5000 10000 15000 20000 cubic 300400500600700 300 400 500 600 700 square 1820222426 18 20 22 24 26 identity 4.24.44.64.8 5 5.2 4.2 4.4 4.6 4.8 5 5.2 sqrt 2.9 3 3.13.23.3 2.9 3 3.1 3.2 3.3 log -.24-.23-.22-.21 -.2 -.19 -.23 -.22 -.21 -.2 -.19 1/sqrt -.055 -.05 -.045 -.04 -.035 -.055 -.05 -.045 -.04 -.035 inverse -.003 -.0025 -.002 -.0015 -.001 -.003 -.0025 -.002 -.0015 -.001 1/square -.0002 -.00015 -.0001 -.00005 -.00014-.00012-.0001-.00008-.00006-.00004 1/cubic lnvm Quantile-Normal plots by transformation NORMAL • Para verificar o gráfico da normal, pode-se utilizar o qladder www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 29
  • 30. -2.00e+34 0 2.00e+344.00e+346.00e+34 -1.00e+34-5.00e+33 0 5.00e+331.00e+341.50e+34 cubic -5.00e+22 0 5.00e+221.00e+231.50e+23 -4.00e+22-2.00e+22 0 2.00e+224.00e+22 square -1.00e+11 0 1.00e+112.00e+113.00e+114.00e+11 -1.00e+11-5.00e+10 0 5.00e+101.00e+111.50e+11 identity -200000 0 200000400000600000 -100000 0 100000200000300000 sqrt 1820222426 18 20 22 24 26 log -.00015 -.0001 -.00005 0 .00005 -.00006 -.00004 -.00002 0 .00002 1/sqrt -2.00e-08-1.50e-08-1.00e-08-5.00e-09 0 5.00e-09 -4.00e-09-2.00e-09 0 2.00e-094.00e-09 inverse -3.00e-16-2.00e-16-1.00e-16 0 1.00e-16 -4.00e-17-2.00e-17 0 2.00e-174.00e-17 1/square -6.00e-24-4.00e-24-2.00e-24 0 2.00e-24 -1.00e-24-5.00e-25 0 5.00e-251.00e-24 1/cubic valor_de_mercado Quantile-Normal plots by transformation www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 30
  • 31. -2000 0 200040006000 -2000 0 2000 4000 6000 cubic -100 0 100200300 -100 0 100 200 300 square -5 05 101520 -5 0 5 10 15 20 identity 0246 0 2 4 6 sqrt cob_eps Quantile-Normal plots by transformation www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 31
  • 32. NORMAL • É importante fazer essa análise antes de rodar o modelo final, para detectar os problemas e tratá-los, se possível ou ter ideia das possíveis limitações da sua análise: usar outros estimadores que não o OLS, por exemplo. • Esses gráficos precisam estar na versão final do artigo? Definitivamente Não! www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 32
  • 33. NORMAL • Utilize os seguintes comandos com os dados do “sysuse nlsw88, clear”. Analise a variável wage e tenure. • Analise brevemente e salve os gráficos em um arquivo do Word, no final faremos um exercício completo: • histogram wage, normal • graph box wage • qnorm wage • ladder wage • gladder wage • sktest wage • ** testa a normalidade univariada • ** Use transformações para testar, a exemplo de: • g logwage=log(wage) ou lnwage=ln(wage) www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 33
  • 34. NORMAL ESCORE PADRÃO (Z) E A CURVA NORMAL • O Z-escore nos diz quantos desvios-padrão um valor X está acima ou abaixo da média. • Tem algumas utilidades quando trabalhamos com a Normal e também é utilizado para identificar outliers univariados (geralmente 3 DP da média – mas fiquem de olho no tamanho da amostra, as pequenas são mais sensíveis). Também é usada para tratar o efeito do uso de diferentes escalas na análise multivariada. • Para identificar outliers com o Z-escore, presume-se a normalidade dos dados. Quando os dados não são normalmente distribuídos, o box-plot é uma ferramenta melhor para detectá-los. www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 34
  • 36. NORMAL ESCORE PADRÃO (Z) E A CURVA NORMAL • Supondo que os dados são normalmente distribuídos e que têm média 9,5 e desvio-padrão de 17, qual é o Z-Escore de uma observação X = 53? • Calcule o Z-Escore da variável FCO, na planilha “Pasta 1”, de modo a encontrar possíveis outliers. • Quais são os outliers, usando 2 DP da média, por ser uma amostra pequena? www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 36
  • 37. NORMAL • Como padronizar variáveis no Stata, com o Z-escore (exemplo com Wage): • sum wage • ** A média foi 7.766949 e o desvio-padrão foi 5.755523. Aplicamos isso na fórmula do Z-escore para padronizar a variável, fazendo com que ela fique com média zero e variância constante • ** Crio a nova variável • g Zwage=(wage-7.766949)/5.755523 • ** Verificando: • sum Zwage • Para calcular o Z-Escore, existe também a função “padronizar” no Excel. www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 37
  • 38. AMOSTRAS E POPULAÇÕES • A contabilidade é uma ciência social aplicada, isso implica dizer que temos tempo e recursos escassos (por exemplo não dá para entrevistar todos os auditores do mundo). Para tirar nossas conclusões, partimos de um grupo pequeno de indivíduos (amostra) e fazemos inferências sobre o grupo de todos os indivíduos (população). • Amostragem aleatória x não aleatória (intencional) • O resultado obtido na amostragem dificilmente será igual ao da população, devido ao “erro amostral”. www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 38 Todos têm a mesma chance de estar na amostra Não estamos falando de “erro intencional”: cada amostra terá características “próprias”, mas não intencionais. Ex.: QIC apenas em empresas do Novo Mercado
  • 39. AMOSTRAS E POPULAÇÕES INTERVALO DE CONFIANÇA • Nós convencionamos usar 95% como nível de confiança (Z = 1,96 para cada lado, – 47,5% e + 47,5% = 95% - VER NA TABELA NORMAL = 5%/2 = 2,5%). • Mesmo usando os 95% de nível de confiança, podemos ter a “sorte” de selecionar uma amostra que gere uma média dentro dos 5% restantes. Exemplo com várias amostras da idade da turma. • Calcule a média do FCO e utilize o nível de 95% para estimar um intervalo de confiança: Média amostral + ou – 1,96*[DP/(N^0,5)]. Considere que o desvio- padrão da amostra é igual ao da população. • Considerando que a um nível de significância de 90% o Z é 1,645 (90%/2 = 0,45  buscando 0,45 na Tabela Normal, temos 1,645 aproximadamente), estime o IC do FCO. • Agora considere um nível de 99% (Z = 2,575) para o mesmo FCO. www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 39
  • 40. AMOSTRAS E POPULAÇÕES DISTRIBUIÇÃO t • Anteriormente consideramos que sabíamos o desvio-padrão da população. Isso faz pouco sentido! • Para poder usar o DP amostral, basta utilizar o ajuste nos graus de liberdade que vimos na aula passada: Média amostral + ou – t*{DP/[(N – 1)^0,5]}. • Em amostras grandes isso faz pouca diferença. À medida que aumentamos os GL a t tende à normal. • A tabela t de Student é um pouco diferente da normal, ela usa os GL (N-1) e o alfa. Lembrem de dividir por 2, porque estamos falando de duas caudas. • Refaça os exercícios do slide anterior, considerando a tabela t. www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 40
  • 41. APLICAÇÃO 1 • Vamos usar outras metodologias de detecção de outliers. • Use a base “dados para aula de normalidade” para detector outliers na variável “rpegaverage”, comparando com a variável “cob_eps”: • sum rpegaverage cob_eps • extremes rpegaverage cob_eps • scatter rpegaverage cob_eps www.contabilidademq.blogspot.com Felipe Pontes 41
  • 42. APLICAÇÃO 2 • Utilize a base de dados da aula de hoje (Plan1) para efetuar uma análise descritiva (estatísticas descritivas, testes de normalidade, detecção de outliers etc). • Escreva um relatório, como se fosse um artigo. Por isso vocês analisaram as estatísticas descritivas de um artigo na semana passada! www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 42
  • 43. Questões para a próxima aula 1. Por que experimentos controlados são importantes? 2. Defina variáveis aleatórias e diferencie as contínuas das discretas. 3. Como calcular o valor esperado de uma variável aleatória? 4. Cite 2 exemplos de experimentos controlados. 1 deles deve ser um artigo publicado em uma revista A1, A2 ou B1. 5. Cite algumas maneiras de se “induzir” a normalidade dos dados (não se limite aos slides). A ideia é buscar maneiras de se “corrigir” esse problema. 6. Diferencie amostragem aleatória da não aleatória. Quais são as vantagens e desvantagens de cada uma delas? 7. O que é amostragem por cotas, por julgamento, aleatória simples, sistemática e estratificada? 8. Como se pode estimar o tamanho de uma amostra confiável? www.ccsa.ufpb.br/ppgcc ppgcc@ccsa.ufpb.br 43
  • 44. Para ter acesso a mais conteúdos, acesse: • Blogs www.ContabilidadeMQ.blogspot.com www.FinancasAplicadasBrasil.blogspot.com • Facebook: www.facebook.com/ContabilidadeMQ • Twitter: www.twitter.com/ContabilidadeMQ • YouTube: www.youtube.com/ContabilidadeMQ 44
  • 45. www.contabilidademq.blogspot.com Felipe Pontes 4545 it k k ktk k kitk j jitjit XCustosIncAD     1 ,,2,,10 𝑃𝑡 = 𝜏=1 ∞ 𝑅𝑓−𝑡 𝐸𝜏 𝑑 𝑡+𝜏 youtube.com/contabilidademq @felfelipepontes @contabilidademq Slideshare.net/felipepontes16 /pontesfelipe Se inscreva em nosso canal e ative as notificações para não perder nada!