A aproximação da cauda de uma distribuição a partir de sua amostra é um problema que tem suas raízes no fato de que a amostra, por si só, geralmente não fornece uma boa aproximação para a cauda, e são dois os motivos para isso: os poucos pontos que a amostra possui na cauda e a grande distância entre esses pontos. Um dos métodos mais utilizados na melhora desta aproximação chama-se Peaks Over Threshold (POT), que baseia-se na Teoria dos Valores Extremos e usa funções de Pareto para tal aproximação. Na execução do POT há uma parte delicada, que consiste em determinar a região onde a cauda pode ser de fato aproximada por uma função de Pareto. O presente trabalho se ocupa com a apresentação e a experimentação de um novo método para a detrminação desta região, método esse que, implementado computacionalmente, faz uso da teoria das Misturas de Distribuições, do método de Monte Carlo, do Full Bayesian Significance Test e do Teorema de Pickands. Seu desempenho foi testado para dois conjuntos de dados, um artificial, outro referente a um histórico de perdas do índice NASDAQ

not available