Atualmente, ao testar hipóteses utiliza-se como convenção um valor fixo (normalmente 0,05) para o Erro Tipo I máximo aceitável (probabilidade de Rejeitar H0 dado que ela é verdadeira) , também conhecido como nível de significância do teste de hipóteses proposto, representado por alpha. Na maioria das vezes nem se chega a calcular o Erro tipo II ou beta (probabilidade de Aceitar H0 dado que ela é falsa). Tampouco costuma-se questionar se o alpha adotado é razoável para o problema analisado ou mesmo para o tamanho amostral apresentado. Este texto visa levar à reflexão destas questões. Inclusive sugere que o nível de significância deve ser função do tamanho amostral. Ao invés de fixar-se um nível de significância único, sugerimos fixar a razão de gravidade entre os erros tipo I e tipo II baseado nas perdas incorridas em cada caso e assim, dado um tamanho amostral, definir o nível de significância ideal que minimiza a combinação linear dos erros de decisão. Mostraremos exemplos de hipóteses simples, compostas e precisas para a comparação de proporções, da forma mais convencionalmente utilizada comparada com a abordagem bayesiana proposta. / Usually the significance level of the hypothesis test is fixed (typically 0.05) for the maximum acceptable Type I error (probability of Reject H0 as it is true), also known as the significance level of the hypothesis test, represented here by alpha. Normally the type II error or beta (probability of Accept H0 as it is false) is not calculed. Nor often wonder whether the alpha adopted is reasonable for the problem or even analyzed for the sample size presented. This text aims to take the reflection of these issues. Even suggests that the significance level should be a function of the sample size. Instead of fix a unique level of significance, we suggest fixing the ratio of gravity between type I and type II errors based on losses incurred in each case and so, given a sample size, set the ideal level of significance that minimizes the linear combination of the decision errors. There are examples of simple, composite and sharp hypotheses for the comparison of proportions, the more conventionally used form compared with the Bayesian approach proposed.

Atualmente, ao testar hipóteses utiliza-se como convenção um valor fixo (normalmente 0,05) para o Erro Tipo I máximo aceitável (probabilidade de Rejeitar H0 dado que ela é verdadeira) , também conhecido como nível de significância do teste de hipóteses proposto, representado por alpha. Na maioria das vezes nem se chega a calcular o Erro tipo II ou beta (probabilidade de Aceitar H0 dado que ela é falsa). Tampouco costuma-se questionar se o alpha adotado é razoável para o problema analisado ou mesmo para o tamanho amostral apresentado. Este texto visa levar à reflexão destas questões. Inclusive sugere que o nível de significância deve ser função do tamanho amostral. Ao invés de fixar-se um nível de significância único, sugerimos fixar a razão de gravidade entre os erros tipo I e tipo II baseado nas perdas incorridas em cada caso e assim, dado um tamanho amostral, definir o nível de significância ideal que minimiza a combinação linear dos erros de decisão. Mostraremos exemplos de hipóteses simples, compostas e precisas para a comparação de proporções, da forma mais convencionalmente utilizada comparada com a abordagem bayesiana proposta. / Usually the significance level of the hypothesis test is fixed (typically 0.05) for the maximum acceptable Type I error (probability of Reject H0 as it is true), also known as the significance level of the hypothesis test, represented here by alpha. Normally the type II error or beta (probability of Accept H0 as it is false) is not calculed. Nor often wonder whether the alpha adopted is reasonable for the problem or even analyzed for the sample size presented. This text aims to take the reflection of these issues. Even suggests that the significance level should be a function of the sample size. Instead of fix a unique level of significance, we suggest fixing the ratio of gravity between type I and type II errors based on losses incurred in each case and so, given a sample size, set the ideal level of significance that minimizes the linear combination of the decision errors. There are examples of simple, composite and sharp hypotheses for the comparison of proportions, the more conventionally used form compared with the Bayesian approach proposed.

No description available.

Submitted by Alexandre Metello (alexandremetello@gmail.com) on 2015-03-06T20:48:35Z No. of bitstreams: 1 Post-Earnings Announcement Drift no Mercado de Ações Brasileiro.pdf: 1083829 bytes, checksum: 0cc672e25b9cd5a1eda673ccb616f70e (MD5) / Approved for entry into archive by GILSON ROCHA MIRANDA (gilson.miranda@fgv.br) on 2015-05-08T16:13:06Z (GMT) No. of bitstreams: 1 Post-Earnings Announcement Drift no Mercado de Ações Brasileiro.pdf: 1083829 bytes, checksum: 0cc672e25b9cd5a1eda673ccb616f70e (MD5) / Approved for entry into archive by GILSON ROCHA MIRANDA (gilson.miranda@fgv.br) on 2015-05-20T15:46:27Z (GMT) No. of bitstreams: 1 Post-Earnings Announcement Drift no Mercado de Ações Brasileiro.pdf: 1083829 bytes, checksum: 0cc672e25b9cd5a1eda673ccb616f70e (MD5) / Made available in DSpace on 2015-05-21T19:31:14Z (GMT). No. of bitstreams: 1 Post-Earnings Announcement Drift no Mercado de Ações Brasileiro.pdf: 1083829 bytes, checksum: 0cc672e25b9cd5a1eda673ccb616f70e (MD5) Previous issue date: 2014-12-23 / This work seeks to test Brazilian stock market efficiency by identifying the existence of postearnings announcement drift, phenomenon already very well studied and reproduced in the US market. According to the existent literature about the subject, information contained in a firm’s earnings announcements is relevant for pricing of its stocks. Moreover, cumulative abnormal returns for stocks of firms that announce earnings with 'positive surprises' have positive tendency for some period after the earnings announcement. On the other hand, cumulative abnormal returns for stocks of firms that announce earnings with 'negative surprises' have negative tendency for some period after the earnings announcement. The identification of post-earnings announcement drift in the Brazilian stock market may be very useful for structuring of arbitrage strategies and portfolio management. After a theoretical review, the result is presented and shows itself partially consistent with the existent literature. / Este trabalho busca testar a eficiência do mercado de ações brasileiro através da identificação da existência de post-earnings announcement drift, fenômeno já bastante estudado e reproduzido no mercado norte-americano. Segundo a literatura existente a respeito do assunto, a informação contida na divulgação de resultados de uma firma é relevante para a formação de preço de suas ações. Além disso, os retornos anormais acumulados de ações de firmas que divulgam resultados com 'surpresas positivas' possuem tendência positiva por algum tempo após a divulgação do resultado. Por outro lado, os retornos anormais acumulados de ações de empresas que divulgam resultados com 'surpresas negativas' possuem tendência negativa por algum tempo após a divulgação do resultado. A identificação de post-earnings announcement drift no mercado acionário brasileiro pode ser de grande utilidade para a estruturação de estratégias de arbitragem e gestão de portfólios. Após uma revisão teórica, o resultado é apresentado e se mostra parcialmente consistente com a literatura existente.