1,720,956 research outputs found
ANÁLISE DE RISCO E RETORNO DE INVESTIMENTO – USO DAS MEDIDAS DE DISPERSÃO
Get PDFNa tentativa de mostrar as possibilidades de uso das ferramentas da estatística dentro da contabilidade, entro agora na aplicação da estatística na área das finanças. Um modelo muito utilizado na área de administração financeira é o modelo CAPM (Capital Asset Pricing Model), que é utilizado para a avaliação dos riscos e determinação do valor de um ativo em relação ao mercado. Segundo a Wikipédia, “... o CAPM, o custo do capital corresponde à taxa de rentabilidade exigida pelos investidores como compensação pelo risco de mercado que estão expostos.” Uma parte dessa análise tem ligação direta com a avaliação do risco e do retorno dos investimentos. Esse tipo de aplicação utiliza uma combinação entre a probabilidade de determinado evento ocorrer e o grau de variação dos retornos avaliado por uma medida de dispersão. Essas medidas são representadas pelo desvio médio, desvio padrão, variância e coeficiente de variação. Todas elas têm o mesmo sentido de análise que é, quanto maior o resultado do parâmetro calculado, mais dispersa ou heterogênea é a série ou maior seu grau de variação. Isto pode significar várias coisas, dependendo da variável analisada e do objetivo do estudo, mas para fins estatísticos indica maior ou menor grau de variabilidade dos dados. Quando falamos de risco também estamos preocupados com o grau de variação, principalmente no que diz respeito aos retornos percentuais esperados dos investimentos. Colocando-se na pele do contabilista, que detém os dados da empresa, e muitas vezes instado a opinar sobre as opções de investimento que o seu cliente poderia optar, poderia utilizar e indicar as ferramentas necessárias à satisfação das necessidades específicas de seus clientes. O desvio padrão e o coeficiente de variação são os mais utilizados na análise e na tomada de decisão a respeito dessas situações. A fórmula do desvio padrão é a seguinte: Onde xi = o termo da série = média aritmética da série n = número de termos da série O Coeficiente de Variação de Pearson Onde = desvio padrão = média aritmética Nos dias incertos de hoje temos que avaliar muito criteriosamente as decisões que iremos tomar diante dos cenários futuros. A avaliação das expectativas futuras, observadas a corrente otimista e pessimista, resulta na análise de uma situação mais provável ou média. Na leitura atenta da fórmula do desvio padrão devemos observar o seu numerador, que é a diferença entre cada termo e a sua média aritmética simples, ele indica um maior ou menor grau de afastamento dos dados da série com sua média, apresentando um resultado compatível com a maior ou menor dispersão dos dados em relação à média da série. No livro de Megliorini (2013, pág 70) encontramos as tabelas abaixo, que apresenta os cenários de retorno para o Ativo Alfa e Beta. Cenários Ativo Alfa Ativo Beta Otimista 10% 12% Pessimista 4% 2% Mais Provável 7% 7% Para que a análise seja mais efetiva devemos construir uma tabela com a probabilidade de determinado cenário ocorrer, incluindo uma informação útil para os procedimentos a seguir. Essa informação da probabilidade pode ser através do conhecimento ou sentimento do analista ou com base em dados de sites econômicos e financeiros confiáveis. CENÁRIO Ativo Alfa Ativo Beta Expectativa de Retorno (k) Probabilidades (P) Expectativa de Retorno (k) Probabilidades (P) Otimista 10% 20% 12% 22% Pessimista 7% 60% 7% 56% Mais Provável 4% 20% 2% 22% Diante das informações da tabela acima podemos obter o resultado esperado de retorno para cada cenário diferente e calcular o que se chama de Esperança Matemática, que é o resultado da multiplicação da expectativa de retorno pela probabilidade de ocorrência de determinado cenário. CENÁRIO Ativo Alfa Ativo Beta Expectativa de Retorno (k) Probabili-dade (P) Retorno Esperado Expectativa de Retorno (k) Probabili-dade (P) Retorno Esperado Otimista 10% 20% 2% 12% 22% 2,64% Pessimista 7% 60% 4,2% 7% 56% 3,92% Mais Provável 4% 20% 0,8% 2% 22% 0,44% 7% 7% Como podemos perceber na tabela acima, os resultados apresentaram um valor médio esperado para os dois ativos de 7%. Isso torna a decisão ainda mais difícil, pois diante de ativos com expectativas de retorno bem diferentes, para cenários diferentes, temos um valor médio esperado igual. Para solucionar esse problema, podemos utilizar um parâmetro que mede a dispersão entre os dados e identificar aquele que tem o maior grau. Vamos calcular o desvio padrão dos ativos, considerando os cenários e suas expectativas, medidas pelas probabilidades deles ocorrerem. CENÁRIO Ativo Alfa Ativo Beta x P x P Otimista 3,00% 9,00% 1,80% 5,00% 25,00% 5,50% Pessimista 0,00% 0,00% 0,00% 0,00% 0,00% 0,00% Mais Provável -3,00% 9,00% 1,80% -5,00% 25,00% 5,50% 3,60% 11,00% Desvio Padrão 1,90% Desvio Padrão 3,32% O desvio padrão do retorno esperado é 1,90% para o ativo alfa e 3,32% para o ativo beta. Os dois resultados são bem significativos quando se entende que o desvio padrão é uma média dos quadrados das diferenças entre os termos da série, que são os retornos esperados, considerando o efeito da probabilidade daquilo se efetivar. Como informado anteriormente, o resultado do desvio padrão para o ativo Alfa (1,90%) é menor que o desvio padrão do ativo Beta (3,36%), significa que há um maior grau de variação entre os valores de cenários apresentados à situação. Ainda há certa dúvida quando tratamos de analisar as medidas de dispersão. É fácil quando entendemos que quanto maior o resultado, mais dispersos são os dados, ou maior a variação entre os resultados de cada série. Mas isso pode ser interpretado desde que as médias sejam iguais. Caso sejam diferentes, é possível avaliar a variação dos resultados, pelo cálculo do coeficiente de variação. Assim se compararmos o resultado do desvio padrão com a média esperada terá a informação de quanto por cento o desvio padrão (medida de variação) representa do valor da média. Nesse caso como temos médias esperadas iguais, isso só irá confirmar o resultado do desvio padrão. Mesmo assim vamos calcular o coeficiente de variação de cada uma das séries. Coeficiente de Variação Ativo Alfa Coeficiente de Variação Ativo Beta Podemos então concluir que, apesar de apresentar o mesmo retorno médio o Ativo Alfa tem o menor grau de variação entre os resultados esperados, enquanto o Ativo Beta representa maior risco, pelo fato de ter maior grau de variação entre seus resultados esperados. O uso das ferramentas estatísticas pode ser de grande valia para aplicações em diversas áreas do conhecimento. O presente artigo apresentou apenas uma das possibilidades na área de finanças
REGRESSÃO LINEAR – UMA APLICAÇÃO EM CUSTOS
Get PDFDando continuidade às possíveis aplicações da estatística ou métodos quantitativos nas áreas de negócio, especificamente nas áreas que tem relação com a contabilidade. Demonstrarei um exemplo de aplicações de algumas das ferramentas estatísticas em problemas empresariais /contábeis simples. A definição de estatística, segundo o marquês de Laplace, matemático francês do século XVIII é: “ A estatística nada mais é que o bom senso expresso em números”. Segundo TRIOLA, a estatística é uma coleção de métodos para planejar experimentos para obter dados, organizá-los e deles tirar conclusões. Por outro lado, Métodos Quantitativos, representa um conjunto de ferramentas estatísticas, matemáticas e de pesquisa operacional, utilizado na análise, tratamento e apresentação de prováveis soluções a problemas ou esclarecimento acerca do comportamento de séries de dados diversas. Diante dos conceitos acima expostos entendemos que a estatística com as suas ferramentas, pode auxiliar outras ciências na obtenção de resultados, parâmetros e na organização de séries de dados, representações gráficas para auxílio à tomada de decisão ou na obtenção de elementos com características de determinados conjuntos de dados. É possível utilizar essas técnicas estatísticas para aplicar em diversas áreas do conhecimento. Vou me concentrar na área de negócios para apresentar as possíveis aplicações. As vezes deixamos de utilizar as ferramentas que aprendemos na faculdade por não entendermos direito os conceitos básicos dos elementos que estamos aplicando. Para exemplificar um tipo de aplicação vamos considerar que precisamos projetar o custo total de uma determinada indústria em função da quantidade de unidades produzidas. Não temos a separação entre custos fixos e custos variáveis só têm as informações de custo total e da quantidade de unidades produzidas. Vamos utilizar a regressão linear para encontrar uma relação matemática conforme as bases matemáticas e estatísticas que aprendemos no curso de contabilidade. O objetivo da utilização de um modelo de ajuste linear, ou equação linear, é encontrar um modelo matemático que se ajuste à série de dados que temos, com dados obtidos no passado, para então podermos simular e projetar os possíveis cenários do futuro. Conforme comentado anteriormente, os conceitos básicos são fundamentais para a correta utilização das ferramentas estatísticas, bem como da análise dos resultados obtidos após a sua aplicação. O modelo matemático a ser utilizado é y = a + bx, onde o coeficiente linear a representa o ponto em que o gráfico corta o eixo dos x, e o coeficiente angular b, representa a tendência que a relação linear vai seguir, indicando relação diretamente proporcional quando o valor de b for positivo. Isso indica que quando uma variável cresce e a outra também. Já quando o coeficiente b for negativo, a relação é inversamente proporcional, ou seja, quando o x aumento o y diminui, e vice-versa. Em outras palavras, o coeficiente linear a representa a parte fixa da relação linear e o coeficiente b a parte variável. Na tabela abaixo demonstramos os valores de custo total e o número de unidades produzidas. Para que possamos estabelecer uma relação linear entre as variáveis vamos considerar a variável independente x como sendo as quantidades produzidas e y o valor do custo total. Podemos então utilizar as funções de Excel: INTERCEPÇÃO (val_conhecidos de y; val_conhecidos de x) para calcular o coeficiente a e a função INCLINAÇÃO (val_conhecidos de y; val_conhecidos de x) para encontrar o valor de b. Além disso, precisamos calcular o coeficiente de determinação R2 para identificar o grau de ajuste do modelo de dados ao comportamento dos dados. O valor do R2 varia de 0% a 100% sendo quanto maior melhor o grau de ajuste do modelo matemático ou teórico aos dados observados. Vamos então ao conjunto de dados: Observe a tabela abaixo, onde temos o custo total mensal e a quantidade de unidades produzidas naquela unidade fabril. O gestor de custos deseja fazer o planejamento dos custos totais para os primeiros meses de 2.015 usando o modelo de regressão linear obtido pela análise da tabela abaixo: Não temos a separação entre custos fixos e variáveis, mas podemos estabelecer um critério para obter isso. Podemos considerar o valor do coeficiente a como custo fixo e o coeficiente b como variável. O modelo obtido foi y = 43.357, 37 + 7,12 x e o coeficiente de determinação R2 foi de 99,29%, que indica que o modelo encontrada representa uma excelente explicação para a relação existente entre quantidade produzida e custo total da produção. Os resultados significam o seguinte: a = 7,12 valor por unidade produzida (equivalente a custo variável) R2 = 99,29% , numa escala de 0% a 100% trata-se de um ótimo modelo para ser utilizado em simulação de cenários futuros e projeções de resultados de custo total. Há várias maneiras de se fazer as simulações para obtenção de resultados em futuros cenários, mas, a mais simples talvez seja a de substituir o valor de x para obter o total de custo estimado com base no modelo obtido. Se a produção esperada para o mês de janeiro 2015 fosse de 13.500 unidades, basta substituir o valor de x para obtermos o valor esperado de $ 139.477,37. O modelo também serve para projetar valores menores de produção, uma vez que os resultados das unidades produzidas dependem do mercado e da capacidade produtiva da unidade estudada. Nos dias de hoje, onde temos incertezas com relação à situação econômica do país, é bom que possamos ter ferramentas que nos ajudem a simular os possíveis resultados dos cenários, favoráveis ou não, facilitando o planejamento com base em métodos científicos de previsão. Esse foi apenas um exemplo simples de aplicação de um método estatístico de ajustamento linear usando a regressão linear simples. Há possibilidades, dentro desse mesmo tema, de evoluir para análise de modelos não lineares ou então da regressão linear múltipla, que analisa mais variáveis que influencia o custo total, além das unidades produzidas (ocupação de mão de obra, linhas de produção, depreciação não linear, etc...) As aplicações são inúmeras de utilização, com possibilidades de analisar a influência de outras varáveis que interferem no custo de uma organização, facilitando assim a gestão da empresa
A UTILIZAÇÃO DE MÉTODOS QUANTITATIVOS EM CONTABILIDADE
No full textA disciplina de estatística e métodos quantitativos é ensinada no curso de Contabilidade em seu conjunto de disciplinas de formação básica. A ela se juntam as disciplinas de matemática básica e financeira, que apresentam conteúdos de cálculos básicos para o desenvolvimento teórico e prático de algumas disciplinas de conhecimento específico nos demais semestres do curso. A existência e a exigência desse conhecimento não são aleatórias, pois, como o curso de Ciências Contábeis gera um grande número de dados da movimentação física e financeira, gera um enorme banco de dados a ser analisado e explorado pelos profissionais da área contábil e financeira. A pergunta que se faz, não só entre os alunos, mas também entre os professores é: onde poderemos aplicar os conceitos aprendidos nessas disciplinas e em que nível de profundidade? Tenho dito constantemente a quem me pergunta que, se não for fazer algum estudo mais aprofundado ou então se limitar a realizar lançamentos de débito e crédito, fechar o Balanço Patrimonial (BP), a Demonstração de Resultado do Exercício (DRE), não é necessário um conhecimento muito profundo dessas disciplinas. O contraponto desse cenário é o de que, se necessitarmos de um aprofundamento científico de análise, os métodos quantitativos são ferramentas importantes no estudo dos dados gerados pela contabilidade. Outra forma de analisarmos o tema é ampliarmos as ferramentas de análise, utilizando-se dos métodos matemáticos- estatísticos para avaliar os dados gerados na contabilidade. Um termo utilizado para definir a técnica de aplicação dos métodos quantitativos é o uso da contabilometria que, conforme definição encontrada no Wikipédia, é o termo utilizado, pelos contadores, ao método utilizado por esses últimos no tocante aos métodos matemático-estatísticos. Aplica o instrumental quantitativo à análise e solução dos problemas gerencias apontados pelo sistema de informações econômico-financeiras das empresas, ajudando assim no processo de planejamento, execução e controle das decisões. (http://pt.wikipedia.org/wiki/Contabilometria - Acesso em 19/05 - 07:49) A combinação entre os vários conhecimentos amplia e potencializa a sua aplicação nas diversas áreas de pesquisa e aplicação na Contabilidade. Os métodos quantitativos são de grande utilidade na análise de dados, permitindo a realização de estudos, baseados em probabilidade, amostragem, inferência, análise multivariada e outras ferramentas mais avançadas de estatística dedutiva e indutiva. As aplicações desses instrumentos de análise são ainda muito pouco utilizadas e conhecidas da maioria dos profissionais, que não exploram o potencial que esse enorme banco de dados da empresa propicia aos que dispõe dela. Há aquelas áreas em que é fácil a utilização de tais técnicas, por serem mais conhecidas, por exemplo, a análise através de índices apresentada pelo professor Mattarazzo (2003,187 a 242), que dedica dois capítulos de seu livro, na apresentação dos métodos de avaliação e separação de empresas em grupos de índices, com suas participações. Aplica assim os conhecimentos de decis, quartis, mediana e moda, além da utilização dos conhecimentos de distribuição normal. Sugere ainda a utilização do qui-quadrado, e num nível mais avançado, a análise fatorial e discriminante, que são técnicas de estatística multivariada. O autor demonstra, em sua obra, as possibilidades de utilização dos decis como forma de criar cotas ou subdividir o mercado em 10 partes. De outro modo, a utilização dos conceitos de distribuição normal serve de comparação entre os valores da empresa e o valor de mercado, determinado o percentual ou a probabilidade de endividamento de empresas de mesmo ramo, utilizando os conceitos da mediana. Trata-se de uma semente lançada para que façamos uma reflexão da análise dos dados brutos ou combinados, gerados pela Contabilidade. No caso da Auditoria, o livro de BOYNGTON (2002) em seus capítulos 12 e 13 trata do assunto amostragem em testes de controle e substantivo, envolvendo inclusive os conhecimentos de intervalo de confiança para testar se a diferença encontrada na amostra da auditoria encontra-se dentro do intervalo esperado para aceitar ou não o resultado testado pelo método de amostragem. As informações contidas nesse livro são encontradas no manual de Normas de Auditoria Geralmente Aceitas estabelecidas pelo Auditing Standards Board – ASB, que é uma associação profissional dos CPAs (Certified Public Accountants) ou CPCs (Contadores Públicos Certificados) descritas de forma detalhada para a aplicação da auditoria na realização dos testes. O uso das ferramentas de métodos quantitativos, como elemento importante de análise de dados, enfatiza a função gerencial do contabilista e realça a sua importância organização. O quadro abaixo tem o objetivo de apontar alguns exemplos possíveis de aplicações de métodos quantitativos em diversas áreas da Contabilidade. É importante deixar claro que esse é apenas uma seleção dentro de um amplo espectro de aplicações dentro da área contábil. Área Aplicação Técnica Análise de Balanços Comparação entre Índices Padrão da Empresa e do Mercado Comparação de Índices com o Ramo de Atividade Modelos de Avaliação de Índices Conjuntos com Ponderação Comparação entre índices de 2 grupos de empresas Comparação de PCT e LCA Projeção de Contas do Balanço Previsão de Insolvência com o uso de Indicadores Contábeis Quartis, Decis ou Percentis e Mediana Quartis, Decis ou Percentis e Mediana Distribuição Normal Média Aritmética Ponderada ou Regressão Linear Teste t de student ou qui-quadrado Coeficiente de Correlação Regressão Linear Análise Fatorial e Discriminante Média Aritmética Simples e Ponderada, Testes t e z, Probabilidade Simples – Teorema de Bayes e Regressão e Correlação Linear Avaliação dos Estoques Cálculo do valor unitário de itens do estoque pelo método Custo Médio Ponderado Média Aritmética Ponderada Auditoria Amostragem Estatística e não Estatística ou Probabilística e não Probabilística em Testes de Controle ou Substantivos Métodos de Seleção de Amostra e Intervalo de Confiança Determinação do tamanho da amostra para estimar a média e a proporção Contabilidade Atuarial Cálculo de Taxa Pura e Prêmio Puro Cálculo da Probabilidade de Sobrevivência e de Mortalidade no Cálculo de Prêmios de Seguros e de Capitalização Distribuição Normal e Intervalo de Confiança Cálculo das Probabilidades Contabilidade Gerencial Modelo de Precificação de um Ativo com Risco – CAPM (Capital Asset Pricing Model) Lucro Limpo (CSR) Tratamento Econométrico (modelo de Ohlson – 1995) – Relação Lucro Líquido x Patrimônio Líquido em conjunto ou Isolados Relação entre Preço e Retorno sobre Lucros e Valor Patrimonial Contábil Regressão de Retorno Sobre Accruals e Fluxo de Caixa Ações Ordinárias x Preferenciais - Retorno Comparação Covariância, Variância, Correlação, Regressão Linear Probabilidade Estocástica, Regressão Linear Coeficiente de Determinação e Regressão Linear Regressão e Correlação Linear Regressão e Correlação Linear Amostragem, Média, Mediana, Regressão e Correlação Linear, Testes Paramétricos e não Paramétricos Controle Estatístico de Qualidade (6σ) Avaliação da Variação entre Valores dentro de uma determinada conta contábil Verificação de valores com distorção significativa Teoria do Limite Central, Distribuição Normal e de Student Intervalo de Confiança e Teste de Hipótese Contabilidade de Custos Modelos Comparativos (ex: Gastos Publicidade x Vendas) Funções Lineares de Rateio de Custos Indiretos Relação Quantidade x Custos x Receita x Lucro Análise da Curva de Aprendizagem Regressão e Correlação Linear Regressão e Correlação Linear Regressão e Correlação Linear Regressão e Correlação Linear A análise simplificada da tabela acima indica a necessidade do contabilista aprender e aplicar métodos quantitativos durante a sua formação, e também para futura especialização e pesquisa em áreas gerenciais e estratégicas. O uso dos conhecimentos de estatística, pesquisa operacional e matemática financeira podem enriquecer e engrandecer a análise dessa vasta base de dados disponível para cada empresa, com a finalidade de avaliar a organização nas suas mais variadas áreas, fazendo com que o contador contribua de forma profissional e positiva para as decisões estratégicas das organizações para as quais ele presta os seus serviços. O desenvolvimento da pesquisa contábil com o uso ferramentas de análise de dados, do ponto de vista matemático-estatístico-financeiro pode enriquecer o trabalho de avaliação da base de dados gerados pela empresa, fortalecendo a avaliação dos mesmos com maior base e força. O uso desses instrumentos de análise pode ser o diferencial profissional entre os profissionais da área contábil.  
Going Beyond Counting First Authors in Author Co-citation Analysis
Get PDFThe present study examines one of the fundamental aspects of author co-citation analysis (ACA) - the way co-citation
counts are defined. Co-citation counting provides the data on which all subsequent statistical analyses and mappings
are based, and we compare ACA results based on two different types of co-citation counting - the traditional type that
only counts the first one among a cited work's authors on the one hand and a non-traditional type that takes into
account the first 5 authors of a cited work on the other hand. Results indicate that the picture produced through this non-traditional author co-citation counting contains more coherent author groups and is therefore considerably clearer. However, this picture represents fewer specialties in the research field being studied than that produced through the traditional first-author co-citation counting when the same number of top-ranked authors is selected and analyzed. Reasons for these effects are discussed
A UTILIZAÇÃO DE PERCENTIS NA AVALIAÇÃO DE ÍNDICES PADRÃO
No full textO processo de avaliação das empresas, na maioria dos estudos publicados, baseia-se em índices isolados e tem como finalidade avaliar o desempenho da empresa no decorrer do tempo. Esse acompanhamento sem dúvida é uma ferramenta importante, no entanto, pode levar a empresa a verificar tardiamente que para o seu mercado os números são reflexos de uma empresa muito tradicional, e com isso refletir como um modelo com evolução positiva, mas muito pouco agressiva. A comparação com outros participantes no mesmo ramo de atividade é elemento essencial para o autoconhecimento e competitividade da empresa, dentro de seu mercado de atuação. Todas as empresas necessitam de ferramentas flexíveis que permitam fazer análises diferenciadas conforme a situação, o ramo de atividade, o comportamento da concorrência e a meta que a empresa deseja atingir no seu ramo de negócio. Tradicionalmente, na análise através de índices, são usados os quartis ou decis. Segundo MATARAZZO, “quando são usados os decis, tem-se não uma única medida de posição, mas nove, de maneira que se pode dispor de informações que proporcionam ótima ideia da distribuição estatística dos índices tabulados.”. O contraponto para essa afirmação é a de que o percentil é uma medida que proporciona uma flexibilidade muito grande no estabelecimento de faixas de análise, e faz frente às variações que o atual mercado dinâmico e competitivo impõe, permitindo dividir em 100 fatias de 1% com vantagem em relação às quatro fatias de 25% dos quartis, e das dez fatias de 10% cada para os decis. O percentil permite uma segmentação maior do mercado e também uma maior exatidão da posição no seu ramo ou setor de atividade. Existem diversas possibilidades de análise dos índices através dos percentis: 1- Permite estabelecer faixas diferenciadas dos decis tradicionais, como por exemplo: se a análise for retirar 28% das empresas com índice mais baixo e concentrar esforços para superar os índices obtidos pelas 39% melhores empresas de determinado ramo de atividade, os decis e os quartis não permitiriam isso. 2- A utilização de uma análise por índice propicia que a avaliação do desempenho seja independente do porte da empresa, mas sim de seu melhor ou pior desempenho. 3- Permite utilizar a planilha eletrônica Microsoft Excel para resolver e obter rapidamente o percentil desejado, através da utilização de quaisquer dados de uma série. 4- Possibilita criar uma série histórica de percentis, a fim de se analisar com base em um dado relativo, podendo ser representada graficamente, e, dependendo da série histórica que tivermos disponível, aplicar as ferramentas estatísticas de estimação dos índices através, por exemplo, da regressão linear simples e múltipla. Este trabalho pretende apresentar um modo simples, mas objetivo, de subdividir a análise utilizando uma medida de posição mais completa e abrangente. O PERCENTIL Para calcularmos uma medida de posição é fundamental que sigamos algumas operações básicas e necessárias para a obtenção dos percentis da série a ser estudada. A primeira operação é a ordenação em ordem crescente de todos os termos da série estatística de índices. Feito isso, devemos fazer uma associação entre a posição do menor índice cabível e o percentual de 0%, e do maior índice encontrado e o percentual de 100%. Se considerarmos como menor índice a posição 1, ou chamarmos de ordem x =1, essa ordem corresponderá a um valor percentual de 100% ou de p=100%. Poderemos, então, dizer que a ordem x varia de 1 até n (número de termos da série) e o percentual p varia de 0% a 100%. Conforme Lapponi: “A relação entre as ordens dos n dados da amostra ou variável e todos os valores de percentil entre 0% e 100% é regida pela seguinte relação geométrica”: n-1 x-1 ----------- = -------- 100% - 0% p - 0% n é o número total de observações da sériex é a ordem de uma determinada observação ep é o percentil em porcentos dessa observação Partindo dessa relação, poderemos obter duas possíveis relações dessa igualdade: x-1 p = ------- x 100% n - 1 X=(n -1) x p ---- +1 100 Portanto, conhecida a ordem x nós conseguimos obter facilmente o percentual ou percentil em que o índice se encontra, ou estabelecendo o percentual nós conseguimos obter a ordem e, por consequência, o índice correspondente àquela posição diretamente ou através de interpolação entre duas posições em sequência. Com isso, poderemos identificar em um grupo de n empresas qual é a posição, em termos percentuais, que a sua se encontra no que diz respeito a qualquer índice que se trate de análise.A utilização de planilhas eletrônicas e suas funções estatísticas permite-nos ter fácil acesso a esse cálculo, bem como a disponibilidade de usarmos em nosso trabalho, em nossa escola ou em casa. Para calcularmos os percentis, vamos utilizar a função do Microsoft Excel ORDEM. PORCENTUAL (matriz de dados; x; significância). Veja a figura abaixo. Segundo a ajuda da função: Matriz de dados: é a matriz ou intervalo de dados com valores numéricos que define uma posição relativa; X: é o valor cuja posição se deseja saber; Significância: é um valor opcional que identifica o número de dígitos significativos para a porcentagem retornada, três dígitos quando não especificado (0,xxx%). Na lista abaixo, vamos nos concentrar na liquidez corrente, como forma de demonstrar o funcionamento da separatriz, e as possibilidades de análise para as empresas da Indústria Digital. Empresa Liquidez Corrente Ordem Percentil Positivo 1,66 1 =ORDEM.PORCENTUAL(3:12;C3:2) 0,00% ‘=ORDEM.PORCENTUAL(3:12;C3;2)\u27 Totvs 1,71 2 11,00% Dataprev 1,71 3 22,00% Stefanini 1,88 4 33,00% Digibras 1,93 5 44,00% Itautec 2,18 6 55,00% Prodesp 2,29 7 66,00% Technicolor 3,12 8 77,00% Diebold-SP 3,90 9 88,00% Diebold-AM 5,67 10 100,00% Fonte: Revista Exame – Melhores e Maiores - 2012 Observando a tabela anterior podemos verificar alguns pontos que determinam a ordem porcentual ou o percentil de cada posição da empresa, no conjunto de 10 do mesmo ramo de atividade. Essa série de índices permite situar as empresas que compõem esse conjunto, em uma escala de valores, podendo classificá-las de acordo com categorias. Podemos segregar o primeiro grupo com índice de liquidez na posição percentual de 33%, um segundo grupo com classificação até o percentil 66%, e o terceiro acima deste percentual, mas isso implica no fato de conhecermos todos os percentis e nos atermos somente aos conhecidos. Na técnica atual se utilizam os decis ou os quartis. O fato de podermos definir facilmente faixas diferentes das tradicionais confere mais flexibilidade para fazermos a nossa análise com base nas necessidades ou então nas características da empresa ou do mercado em que ela está inserida. O exemplo apresentado neste texto sugere a aplicação da função estatística para a liquidez corrente, mas é possível expandir a sua aplicação para outros índices. Como o percentil representa um percentual acumulado e crescente, deveremos ter cuidado numa situação em que os índices são tipo quanto menor melhor (como a Estrutura de Capital), temos que fazer uma adaptação fazendo a diferença de 100% para colocá-los no mesmo nível de comparação. Por exemplo: para índice quanto menor melhor, o percentil 20% deverá ser recalculado como 100% -20%=80% para que ele esteja no mesmo grau de comparação. Não há a pretensão de afirmar que a análise através de índices padrão seja um método definitivo de análise, visto que o cenário que avaliamos é o balanço patrimonial, que é o retrato de um determinado momento vivenciado pela empresa. Além da avaliação dos índices, há que se analisar as perspectivas do mercado em que elas atuam, a sua concorrência e demais informações que possam enriquecer a análise dos índices. Além disso, a proposta é usar uma das ferramentas da estatística no auxílio da análise do desempenho da empresa através de índices padrão. O uso da estatística discreta (média, mediana, moda, desvio padrão e variância) e mais a inferência estatística são aspectos que são pouco explorados na área contábil. As perspectivas são a de estender a análise dos demais índices, fazendo um perfil completo das empresas em seus mercados com o uso de ferramentas estatísticas de fácil acesso à grande maioria dos estudantes, profissionais da educação e da área da Contabilidade. As possibilidades são muitas e poderão ser utilizadas de forma criativa para o aprofundamento e o aperfeiçoamento das técnicas de análise das demonstrações contábeis das empresas de modo geral.  
Variations on the Author
Get PDF“Variations on the Author” discusses two of Eduardo Coutinho’s recent films (Um Dia na Vida, from 2010, and Últimas Conversas, posthumously released in 2015) and their contribution to the general question of documentary authorship. The director’s filmography is characterized by a consistent yet self-effacing form of authorial self-inscription: Coutinho often features as an interviewer that rather than express opinions propels discourses; an interviewer that is good at listening. This mode of self-inscription characterizes him as an author who is not expressive but who is nonetheless markedly present on the screen. In Um Dia na Vida, however, Coutinho is completely absent form the image, while Últimas Conversas, on the contrary, includes a confessional prologue that moves the director from the margins to the center of his films. This article examines the ways in which these works stand out in the filmography of a director who offers new insights into the notion of cinematic authorship
Appropriate Similarity Measures for Author Cocitation Analysis
Get PDFWe provide a number of new insights into the methodological discussion about author cocitation analysis. We first argue that the use of the Pearson correlation for measuring the similarity between authors’ cocitation profiles is not very satisfactory. We then discuss what kind of similarity measures may be used as an alternative to the Pearson correlation. We consider three similarity measures in particular. One is the well-known cosine. The other two similarity measures have not been used before in the bibliometric literature. Finally, we show by means of an example that our findings have a high practical relevance.information science;Pearson correlation;cosine;similarity measure;author cocitation analysis
Dispelling the Myths Behind First-author Citation Counts
Get PDFWe conducted a full-scale evaluative citation analysis study of scholars in the XML research field to explore just how different from each other author rankings resulting from different citation counting methods actually are, and to demonstrate the capability of emerging data and tools on the Web in supporting more realistic citation counting methods. Our results contest some common arguments for the continued
use of first-author citation counts in the evaluation of scholars, such as high correlations between author rankings by first-author citation counts and other citation
counting methods, and high costs of using more realistic citation counting methods that are not well-supported by the ISI databases. It is argued that increasingly available digital full text research papers make it possible for citation analysis studies to go beyond what the ISI databases have directly supported and to employ more
sophisticated methods
- …
