Categoria: Estatística e Probabilidade

Simulação de cenários com distribuição de probabilidades

A análise de cenários mais comum entrega três números, otimista, base e pessimista, sem a probabilidade de cada um. O cenário pessimista ainda costuma combinar todos os valores ruins ao mesmo tempo, uma combinação bem menos provável do que cada valor isolado. No exercício, atribuímos uma distribuição de probabilidade a cada variável de entrada, simulamos milhares de combinações e obtemos a distribuição do resultado, aplicando o método à dívida bruta do governo geral com as expectativas do Focus como fonte de incerteza.

Simulação de Monte Carlo: respondendo perguntas de probabilidade sem fórmula

Qual é a chance de o IPCA acumulado em doze meses ultrapassar o teto da meta? A resposta analítica exigiria a distribuição do produto de doze variações mensais, que não tem expressão simples. A simulação de Monte Carlo resolve o problema gerando milhares de trajetórias possíveis e contando quantas terminam acima do teto. No exercício, vemos os três passos do método, como escolher o número de cenários, como incluir várias fontes de incerteza ao mesmo tempo e os limites da técnica.

Tabelas de contingência e o teste qui-quadrado: analisando duas variáveis qualitativas

Um teste qui-quadrado pode apontar uma associação estatisticamente significante que é fraca demais para sustentar uma conclusão. Isso acontece porque o p-valor mede a chance de o acaso produzir a diferença observada, e em amostras grandes quase qualquer diferença passa no teste. Com dados da PNAD Contínua sobre acesso a curso profissional, montamos uma tabela de contingência, aplicamos o teste, medimos a força da associação com o V de Cramér e usamos os resíduos padronizados para encontrar as categorias em que a diferença se concentra.

Estatísticas robustas: mediana, IQR e MAD quando o outlier manda no resultado

No PIB dos municípios brasileiros, a grande maioria das cidades fica abaixo da média, e o cálculo está correto. Em uma distribuição assimétrica, poucos valores muito altos puxam a média para uma faixa onde quase não há observações. No exercício, vemos as medidas que mudam pouco com valores extremos (mediana, IQR e MAD), o que é o ponto de ruptura de uma medida e um diagnóstico com duas razões para escolher entre as medidas clássicas e as robustas.

Teorema Central do Limite: o que é?

Um instituto de pesquisa entrevista alguns milhares de pessoas e divulga o resultado do país inteiro com uma margem de erro. Essa margem vem do Teorema Central do Limite: à medida que a amostra cresce, a distribuição da média amostral se aproxima de uma normal, qualquer que seja o formato da população. No exercício, partimos de uma população muito assimétrica, comparamos a fórmula do erro-padrão com simulações e vemos por que dobrar a precisão de uma pesquisa exige quadruplicar a amostra.

Categoria: Estatística e Probabilidade

Simulação de cenários com distribuição de probabilidades

Simulação de Monte Carlo: respondendo perguntas de probabilidade sem fórmula

Tabelas de contingência e o teste qui-quadrado: analisando duas variáveis qualitativas

Estatísticas robustas: mediana, IQR e MAD quando o outlier manda no resultado

Teorema Central do Limite: o que é?

Boletim AM

Encontre o seu conteúdo

Categorias

Artigos mais acessados

Poder estatístico

Taxas de variação: mensal, interanual, acumulada no ano e em 12 meses

Número-índice, nível e variação: como ler um indicador econômico

Estoque e fluxo: a diferença que muda a leitura dos indicadores

Testes múltiplos e p-hacking

Viés de sobrevivência e censura na amostra