Teoria da Probabilidade e Modelos Discretos de Mercados Financeiros Edição de 7 de Fevereiro de 2017
|
|
- Edison Azambuja Teixeira
- 5 Há anos
- Visualizações:
Transcrição
1 QUESTÕES PARA AS AVALIAÇÕES Teoria da Probabilidade e Modelos Discretos de Mercados Financeiros Edição de 7 de Fevereiro de 2017 Nota Prévia Todos os exercícios enunciados nas aulas são considerados para o exame, salvo indicação em contrário. 1. Modelo Binomial Questão 1. Considere-se no quadro do modelo binomial a um período. Defina carteira réplica. Defina direito contingente atingível e mercado completo. Motre que se o modelo binomial for livre de arbitragem então é completo. Questão 2. Considere-se no modelo binomial multiperíodo e onde R é a taxa de juro spot para cada período. (1) Mostre que um mercado nestas condições é livre de arbitragem se e só se (1) d (1 + R) u, sendo d e u a razão a que o preço da acção, respectivamente, desce ou sobe em cada período. (2) Sabendo que as probabilidades de martingala Q = (q u, q d ) são definidas pela relação s = R EQ [S t+1 S t = s], mostre que, no caso de se verificar a condição (1), Q é única e dada por q u = (1 + R) d e q d = u (1 + R). Questão 3. Considere-se no quadro do modelo binomial multiperíodo. Defina direito contingente, carteira réplica, valor da carteira réplica, oportunidade de arbitragem e enuncie o princípio de apreçamento livre de arbitragem. Mostre que se um direito contingente X for atingível com uma dada carteira réplica h, se a um dado instante t for possível comprar X a um preço mais barato que Vt h então existe uma oportunidade de arbitragem. Questão 4 (Modelo Binomial Multi-período). No contexto do modelo binomial multiperíodo e, com as notações utilizadas nas aulas e documentos, considere que T = 3, S 0 = 20, u = 1.1, d = 0.9, R = 1%(0.01). (1) Represente num esquema em árvore, tal como realizou na aula, a evolução dos preços aproximados - com duas casas decimais - do activo com risco e colocando na última coluna o valor do cash flow de uma call option X, com strike price K = 18. Justifique os seus cálculos indicando as fórmulas que utilizou e, quais os sucessivos passos dos cálculos correspondendo a uma sub-árvore a um período. (2) Determine Q = (q u, q d ), a probabilidade neutra face ao risco e construa a árvore binomial de preços aproximados para X - com duas casas decimais - representando-os, numa árvore binomial semelhante à usada na aula prática. Justifique os seus 1
2 2 cálculos indicando as fórmulas que utilizou e, quais os sucessivos passos dos cálculos correspondendo a uma sub-árvore a um período. (3) Indique qual é o preço à data t = 0 de X. (4) Construa a carteira réplica de X à data t = 0 e verifique que se trata efectivamente de uma carteira réplica de X. Justifique os seus cálculos indicando as fórmulas que utilizou e quais os sucessivos passos dos cálculos. Questão 5 (Um outro Direito Contingente). Descreva, justificando a sua descrição com uma análise dos cash-flows gerados nos diferentes casos possíveis, a situação prevista para o mercado e a correspondente atitude de um investidor que considera investir na combinações de direitos contingentes seguinte: Preço do activo Posição longa Posição Curta Denominação 10 Call(9.5) + Put(9.5) Short Strangle Questão 6. Considere-se no quadro do modelo binomial multiperíodo. Mostre que a ausência de arbitragem é equivalente a: d < 1 + r < u. Questão 7. Considere-se no quadro do modelo binomial multiperíodo. Defina carteira autofinanciada. Mostre que a variação de valor de uma carteira autofinanciada decorre apenas da variação dos preços dos activos e não da entrada ou saída de capitais da carteira. Questão 8. Considere-se no quadro do modelo binomial multiperíodo. Suponha que a contingent claim X = Φ(S T ) é atingível com a carteira réplica h. Mostre que: (1) Se no momento t for possível comprar X a um preço inferior ao valor de h em t, Vt h (ou vender a um preço superior a Vt h ) então existe uma oportunidade de arbitragem. (2) Se S t = S 0 u k d t k para k = 0,..., t onde k representa o número de movimentos ascendentes u e V t (k) o valor da carteira no momento t quando existirem k subidas u, então V t (k) = R {q uv t+1 (k + 1) + q d V t+1 (k)} e V T (k) = Φ(S 0 u k d T k ) sendo R a taxa de juro por cada período q u = (1 + R) d (3) A carteira réplica é composta por x t (k) = 1 uv t (k) dv t (k + 1) 1 + R e q d = u (1 + R). e y t (k) = 1 V t (k + 1) dv t (k) S t 1 sendo x t (k) e y t (k) as quantidades, respectivamente, de obrigações e acções que compoem a mesma carteira. 2. Teoria das Probabilidades Questão 9 (Esperança Condicional Exemplo no caso discreto). Sejam X e Y variáveis aleatórias discretas tais que X(Ω) = {x 1,..., x N } e Y (Ω) = {y 1,..., y M }. (1) Defina a esperança condicional E[X Y ].
3 3 (2) Seja Λ uma variável aleatória tal que P [Λ = λ 1 ] = p 1, P [Λ = λ 2 ] = p 2. Considere Π uma variável aleatória tal que: k 0, i = 1, 2 P [Π = k Λ = λ i ] = e λ i λk i k!. Determine P [Π = k, Λ = λ i ] e, seguidamente, E[Π Λ] e E[Λ Π]. Questão 10 (Esperança Condicional Caso Geral). Seja um espaço de probabilidade (Ω, A, P) e seja uma variável aleatória integrável X e F A uma sub-álgebra-σ. Defina E[X F]. Questão 11 (Esperança Condicional Exemplo no caso Contínuo). Seja X N(0, Y 2 ) em que Y E(λ). Determine E[X Y ]. Questão 12 (Aditividade da Esperança Condicional). Seja um espaço de probabilidade (Ω, A, P) e sejam duas variáveis aleatórias integráveis X 1 e X 2 e (F ) A uma sub-álgebraσ. Mostre que E[X 1 + X 2 Y ] = E[X 1 Y ] + E[X 2 Y ]. Questão 13 (Martingalas Passeio Aleatório). Seja um espaço de probabilidade (Ω, A, P) e X = (X n ) n 0 um processo estocástico composto de variáveis aleatórias integráveis e adaptado à filtração F = (F n ) n 0. (1) Sob que condições é que X é uma F martingala. (2) Defina o passeio aleatório. Mostre que o passeio aleatório é uma martingala. 3. Processos Estocásticos Seja (Ω, A, P) um espaço de probabilidade. A definição seguinte diz-nos que um processo estocástico pode ser considerado como extrair uma função ao acaso de R [0,+ [ de forma a obter uma variável aleatória mas, ao invés do que temos considerado até agora, num espaço de funções. Nesta primeira definição intervêm A a álgebra-σ do espaço de probabilidade. Definição 1. Um processo estocástico X = (X t ) t [0,+ [ é uma função definida em Ω [0, + [ e tomando valores em R (ou R d ou C) tal que: (i) Para cada ω 0 Ω, a primeira secção correspondente X ω0 : [0, + [ R é uma função mensurável, isto é, B B(R) X 1 ω 0 (B) B([0, + [) ; (ii) Para cada t 0 [0, + [, a segunda secção correspondente X t0 : Ω R é uma variável aleatória isto é, B B(R) X 1 t 0 (B) A. Um processo estocástico é caracterizado pelas suas distribuições de ordem finita, ou seja, pelas distribuições de um qualquer número finito de variáveis do processo. Para esta caracterização intervêm P a probabilidade do espaço de probabilidade.
4 4 Proposição 1. Seja um processo estocástico X = (X t ) t [0,+ [. A família de leis de probabilidade L (Xt1,X t2,...,x tn ) para N 1 e t 1, t 2,..., t N [0, + [ em que, para quaisquer B 1, B 2,..., B N B(R) L (Xt1,X t2,...x tn )(B 1 B 2 B N ) = P [X t1 B 1, X t2 B 2,..., X tn B N ] caracteriza a o processo estocástico. a Dois processos estocásticos com as mesmas distribuições de ordem finita são versões um do outro. Questão 14 (Condições de compatibilidade das distribuições de ordem finita). Seja um processo estocástico X = (X t ) t [0,+ [. Mostre que: (j) Sendo S N o grupo das permutações de {1, 2,..., N} se tem que para qualquer σ S N, L (Xtσ(1),X tσ(2),...,x tσ(n) )(B σ(1) B σ(2) B σ(n) ) = (jj) Para qualquer N 1, = L (Xt1,X t2,...,x tn )(B 1 B 2 B N ) ; L (Xt1,...,X tj 1,X tj,x tj+1,...,x tn )(B 1 B 2... B j 1 R B j+1 B N ) = = L (Xt1,...,X tj 1,X tj+1,...,x tn )(B 1 B 2... B j 1 B j+1 B N ). Questão 15 (Aplicação do teorema de existência de Kolmogorov). (1) Enuncie o teorema de existência de Kolmogorov. (2) Considere para N 1 t 1 < t 2 < < t N [0, + [ a probabilidade dada por: νt x 1,t 2,...,t N (B 1 B N ) = = p(t 1, x, x 1 )p(t 2 t 1, x 1, x 2 )... p(t N 1 t N, x N 1, x N )dx 1 dx N, B 1 B N em que se tem B 1, B 2,... B N B(R) e p(t, x, y) = 1 2πt e (x y)2 2t. Mostre a a família de probabilidades (ν x t 1,t 2,...t N ) verifica as hipóteses do teorema de Kolmogorov e tire a conclusão adequada. Observação 1. Para verificar a primeira condição do teorema de Kolmogorov considerase o seguinte. Sendo N 1 e t 1, t 2,..., t N [0, + [ quaisquer, seja σ S N tal que t σ(1) < t σ(2) < < t σ(n) ; define-se para B 1, B 2,... B N B(R), (2) ν x t 1,t 2,...,t N (B 1 B N ) := ν x t σ(1),t σ(2),...,t σ(n) (B σ(1) B σ(n) ). Seja agora, τ S N uma outra permutação. Tem-se que σ τ 1 S N e obviamente, pela condição da escolha de σ, (3) t (σ τ 1 )(τ(1)) < t (σ τ 1 )(τ(2)) < < t (σ τ 1 )(τ(n)), tendo-se então, pela extensão da definição na fórmula (2), que: ν x t τ(1),t τ(2),...,t τ(n) (B τ(1) B τ(n) ) = = ν x t (σ τ 1 )(τ(1)),t (σ τ 1 )(τ(2)),...,t (σ τ 1 )(τ(n)) (B (σ τ 1 )(τ(1)) B (σ τ 1 )(τ(n))).
5 5 Mas como (σ τ 1 ) τ = σ tem-se, de novo pelas fórmulas (2) e (3) que ν x t (σ τ 1 )(τ(1)),t (σ τ 1 )(τ(2)),...,t (σ τ 1 )(τ(n)) (B (σ τ 1 )(τ(1)) B (σ τ 1 )(τ(n))) = = ν x t 1,t 2,...,t N (B 1 B N ) ou seja, finalmente que, ν x t τ(1),t τ(2),...,t τ(n) (B τ(1) B τ(n) ) = ν x t 1,t 2,...,t N (B 1 B N ), isto é, a primeira condição de consistência do teorema de Kolmogorov. Questão 16 (O processo Browniano). Seja (1) Mostre que: p(t, x, y) = 1 2πt e (x y)2 2t. + p(t, x, y)dy = 1, isto é que p(t, x, y) é uma densidade de probabilidade. (2) Mostre que existe um processo estocástico (Bt x ) t [0,+ [, o processo Browniano, tal que: isto é tal que B x t N(x, t). z R, P [B x t z] = z p(t, x, y)dy Proposição 2. Seja B x = (B x t ) t [0,+ [ o processo Browniano começado em x [0, + [. Tem-se que: (i) B x 0 0. (ii) B x t N(x, t). (iii) Para s < t, B x t B x s N(0, t s). (iv) Para s < t v < u, B x u B x v B x t B x s. (v) Para ω num conjunto de probabilidade um, a primeira secção B x ω (ver a definição (1) acima) é uma função contínua de [0, + [ em R. As propriedades (i) a (v) caracterizam B x Observação 2. O processo Browniano B x tem, portanto as seguintes propriedades que o caracterizam. (i) O processo começa em x; (ii) As variáveis do processo são Gaussianas; (iii) Os incrementos do processo são Gaussianos e estacionários; (iv) Os incrementos do processo são independentes; (v) As trajectórias do processo são contínuas com probabilidade um. Definição 2. Um processo estocástico X = (X t ) t [0,+ [ é Gaussiano se e só se qualquer combinação linear de variáveis do processo é Gaussiana a. a Ver, também, a definição dada na aula.
6 6 Proposição 3. Um processo estocástico X = (X t ) t [0,+ [ Gaussiano é caracterizado pela suas funções média e covariância dadas, respectivamente, por: e m t = E [X t ], Γ(s, t) = E [(X t m t )(X s m s )]. Observação 3. O resultado enunciado na questão seguinte dá-nos uma outra caracterização do processo Browniano. Questão 17 (Covariância do processo Browniano). Considere o processo Browniano começado em zero (B 0 t ) t [0,+ [ (B t ) t [0,+ [. Mostre que, para s, t [0, + [, E [B t B s ] = min(s, t). Questão 18 (A martingala Browniana). Seja F = (F t ) t 0 a filtração natural associada ao processo Browniano começado em zero (B 0 t ) t [0,+ [ (B t ) t [0,+ [, isto é, tal que: F t = σ ({B s : s t}). Mostre usando as propriedades que caracterizam o processo Browniano (ver a proposição 2) que: s t, E [B t F s ] = B s, e, relembrando a definição de martingala, conclua que (B t ) t [0,+ [ é uma F-martingala.
Exercícios de Teoria da Probabilidade e Processos Estocásticos Parte I
Exercícios de Teoria da Probabilidade e Processos Estocásticos Parte I 2014/2015 Os exercícios assinalados com (*) têm um nível de dificuldade superior. Exercício 1. Seja (X, F) um espaço mensurável. Mostre
Leia maisExercícios de Teoria da Probabilidade e Processos Estocásticos Parte II
Exercícios de Teoria da Probabilidade e Processos Estocásticos Parte II 13 de Dezembro de 2013 Exercício 1. Descreva o espaço de probabilidade associado às seguintes experiências aleatórias: 1. Uma moeda
Leia maisProcessos estocásticos
36341 - Introdução aos Processos Estocásticos Curso de Pós-Graduação em Engenharia Elétrica Departamento de Engenharia Elétrica Universidade de Brasília Processos estocásticos Geovany A. Borges gaborges@ene.unb.br
Leia maist X s db s, I t (X) :=
Chapter 3 Integrais estocásticos Neste capítulo vamos definir integrais estocásticos relativamente ao movimento Browniano e estudar algumas das suas propriedades. Estes integrais também são chamados integrais
Leia maisPrecificação de Opções
Um modelo em tempo-discreto Arthur Mendes Alves Instituto de Matemática, Estatística e Física Universidade Federal do Rio Grande 15 de dezembro de 2014 Sumário 1 Introdução Opções Arbitragem 2 Processos
Leia maisO movimento Browniano
O movimento Browniano R. Vilela Mendes http://label2.ist.utl.pt/vilela/ March 2010 () March 2010 1 / 35 Sumário O movimento Browniano Propriedade Markoviana Probabilidade de transição. Medida de Wiener
Leia maisA Matemática e as Finanças da Matemática Financeira
A Matemática e as Finanças da Matemática Financeira 1 1 Departamento de Matemática Faculdade de Ciências e Tecnologia Universidade de Coimbra Centro de Matemática da Universidade de Coimbra O que é a Matemática
Leia maisA estacionariedade prova-se de maneira semel- hante.
Se por outro lado (U 1, U 2,...) é IID então mostremos que X n U 1 + + U n tem incrementos independentes e estacionários. De facto, dados n > m temos que X n X m U m+1 + + U n. Tome-se quaisquer n 1
Leia maisTeoria da Probabilidade e Processos Estocásticos Mestrado em Matemática Financeira
Teoria da Probabilidade e Processos Estocásticos Mestrado em Matemática Financeira 15 de Janeiro 013 Época Normal - horas Resolva os seguintes exercícios, justificando cuidadosamente as suas respostas.
Leia maisMestrado em Finanças e Economia Empresarial EPGE - FGV. Derivativos
Mestrado em Finanças e Economia Empresarial EPGE - FGV Derivativos Parte 5: Apreçamento de Opções: método binomial Derivativos - Alexandre Lowenkron Pág. Fundamentos de apreçamento: vetor de preços de
Leia mais1 C alculo Estoc astico
Cálculo Estocástico 1 1 Cálculo Estocástico Bibliografia: 1 Cálculo Estocástico Bibliografia: Mikosch, Thomas; 1 Cálculo Estocástico Bibliografia: Mikosch, Thomas; Elementary Sthocastic Calculus, with
Leia maisProcessos de Lévy: Preliminares
Processos de Lévy: Preliminares Pedro A. Morettin Instituto de Matemática e Estatística Universidade de São Paulo pam@ime.usp.br http://www.ime.usp.br/ pam Sumário 1. Introdução 2. Alguns processos em
Leia maisCadeias de Markov em Tempo Continuo
Cadeias de Markov em Tempo Continuo Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Capitulos 6 Taylor & Karlin 1 / 44 Análogo ao processo
Leia maisDemonstração. Ver demonstração em [1]. . Para que i j se tem µ i µ j? Determine a derivada no sentido de Radon-Nikodym em cada caso.
Proposição 2.39 (Propriedades de e.). Sejam µ, λ, λ 1, λ 2 medidas no espaço mensurável (X, F). Então 1. se λ 1 µ e λ 2 µ então (λ 1 + λ 2 ) µ. 2. se λ 1 µ e λ 2 µ então (λ 1 + λ 2 ) µ. 3. se λ 1 µ e λ
Leia maisAnexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos
1 Anexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos Documento auxiliar à disciplina de Modelação, Identificação e Controlo Digital Alexandre Bernardino IST-Secção de Sistemas e Controlo
Leia maisMódulo III: Processos de Poisson, Gaussiano e Wiener
Módulo III: Processos de Poisson, Gaussiano e Wiener Wamberto J. L. Queiroz Universidade Federal de Campina Grande-UFCG Departamento de Engenharia Elétrica Processos Estocásticos Campina Grande - PB Módulo
Leia maisPROCESSOS ESTOCÁSTICOS E APLICAÇÕES
PROCESSOS ESTOCÁSTICOS E APLICAÇÕES JOSÉ PEDRO GAIVÃO Conteúdo 1. Noções Gerais 2 1.1. Relembrar de teoria de probabilidades 2 1.2. Processos estocásticos 3 2. Esperança Condicional 5 2.1. Esperança condicional
Leia maisCURTA REVISÃO SOBRE PROBABILIDADE E PROCESSOS ESTOCÁSTICOS
CURTA REVISÃO SOBRE PROBABILIDADE E PROCESSOS ESTOCÁSTICOS PARTE i Histórico Probabilidade Axiomática de Kolmogorov Variáveis Aleatórias Densidade de Probabilidade Desigualdade de Chebyshev Versão Fraca
Leia maisNome: N. o : f(u) du para todo o x (V) d) Se F (x) tiver pontos de descontinuidade, então X é discreta (F)
ESTATÍSTICA I 2. o Ano/Gestão 1. o Semestre Época Normal Duração: 2 horas 1. a Parte Teórica N. o de Exame: RESOLUÇÃO 09.01.2015 Este exame é composto por duas partes. Esta é a 1 a Parte Teórica (Cotação:
Leia maisIntrodução à analise estocástica e aplicações
Introdução à analise estocástica e aplicações Soluções dos exercícios March 4, 2010 () March 4, 2010 1 / 13 mas p (E1 \ E2 \ E3) = 0 6= p (E1) p (E2) p (E3) = 1 8 () March 4, 2010 2 / 13 1 - Numa caixa
Leia mais(a) Se X Poisson(λ) e Y Poisson(µ), então X + Y Poisson(λ + µ). (b) Se X Binomial(n, p) e Y Binomial(m, p), então (X + Y ) Binomial(n + m, p).
Capítulo 0 Revisões Exercício 0.1 Sejam X e Y variáveis aleatórias independentes. Mostre que: (a) Se X Poisson(λ) e Y Poisson(µ), então X + Y Poisson(λ + µ). (b) Se X Binomial(n, p) e Y Binomial(m, p),
Leia maisIND Análise de Investimentos com Opções Reais
IND 2072 - Análise de Investimentos com Opções Reais PROVA 1 o Semestre de 2006-11/07/2006 Parte I: Demonstração (5 pontos). Seja V o valor do projeto que segue um movimento geométrico Browniano. V tem
Leia maisMétodos Matemáticos em Finanças em Tempo
Métodos Matemáticos em Finanças em Tempo Contínuo J.P.Zubelli (IMPA - Brazil) 9 de março de 2018 Outline O Movimento Browniano e a Integral Estocástica A Integral de Itô Extensão da Integral de Itô para
Leia maisProcessos Estocásticos
Licenciatura em Matemática Aplicada e Computação PROCESSOS ESTOCÁSTICOS 2002/03 Colectânea de Exercícios Capítulo 1 Introdução aos Processos Estocásticos Exercício 1.1 O número de sinais emitidos por uma
Leia maisMODELOS FINITOS PARA MERCADOS FINANCEIROS
MODELOS FINITOS PARA MERCADOS FINANCEIROS MANUEL L. ESQUÍVEL 1. Modelos para mercados finitos 1.1. Introdução e motivação. Suponhamos um contrato que nos dá odireito, mas não a obrigação, de comprar a
Leia maisTiago Viana Flor de Santana
ESTATÍSTICA BÁSICA DISTRIBUIÇÃO NORMAL DE PROBABILIDADE (MODELO NORMAL) Tiago Viana Flor de Santana www.uel.br/pessoal/tiagodesantana/ tiagodesantana@uel.br sala 07 Curso: MATEMÁTICA Universidade Estadual
Leia maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 08
Teoria das Filas aplicadas a Sistemas Computacionais Aula 08 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia maisTeoria Ergódica (9 a aula)
Outubro 2012 Espaços de Sequências Seja (X, d 0 ) um espaço métrico compacto. B Z (X ) = X Z = { x = (x j ) j Z : x j X, j Z } B N (X ) = X N = { x = (x j ) j N : x j X, j N } B(X ) designa indiferentemente
Leia maisMomentos: Esperança e Variância. Introdução
Momentos: Esperança e Variância. Introdução Em uma relação determinística pode-se ter a seguinte relação: " + " = 0 Assim, m =, é a declividade e a e b são parâmetros. Sabendo os valores dos parâmetros
Leia maisOPÇÕES FINANCEIRAS - Exame (resolução)
OPÇÕES FINANCEIRAS - Exame (resolução) 18/4/25 1. (a) Integrando ambos os membros entre [,t]: X t = t + Z t W 2 s dw s. Aplicando valores esperados a ambos os membros, E (X t F )=t, visto que R t W 2 s
Leia maisPROCESSO DE POISSON. Processo Estocástico Prof, Ms. Eliana Carvalho
Processo Estocástico Prof, Ms. Eliana Carvalho Este processo estocástico deve o seu nome ao matemático francês Simion-Denis Poisson (1781-1840). Espaço de estados discreto (cadeia) Variável tempo é contínua
Leia maisAnexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos
1 Anexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos Documento auxiliar à disciplina de Modelação, Identificação e Controlo Digital Alexandre Bernardino 003/005 IST-Secção de Sistemas
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 2
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 2 O Modelo Estrutural Seja z t = (z 1t,...,z mt ) R m um vetor composto das variáveis de interesse. Considere
Leia maisProf. Walter Fetter Lages 4 de outubro de 2004
Universidade Federal do Rio Grande do Sul Escola de Engenharia Departamento de Engenharia Elétrica Programa de Pós-Graduação em Engenharia Elétrica ELE7-Tópicos Especiais em Automação e Controle II Introdução
Leia maisModelos para Séries Temporais Aula 1. Morettin e Toloi, 2006, Capítulo 2 Morettin, 2011, Capítulo 2 Bueno, 2011, Capítulo 2
Modelos para Séries Temporais Aula 1 Morettin e Toloi, 2006, Capítulo 2 Morettin, 2011, Capítulo 2 Bueno, 2011, Capítulo 2 Modelos para Séries Temporais Os modelos utilizados para descrever séries temporais
Leia maisO Triedro de Frenet. MAT Cálculo Diferencial e Integral II Daniel Victor Tausk
O Triedro de Frenet MAT 2454 - Cálculo Diferencial e Integral II Daniel Victor Tausk Seja γ : I IR 3 uma curva de classe C 3 definida num intervalo I IR. Assuma que γ é regular, ou seja, γ (t) 0 para todo
Leia maisFACULDADE DE CIÊNCIAS EXATAS E TECNOLÓGICAS CAMPUS
FACULDADE DE CIÊNCIAS EXATAS E TECNOLÓGICAS CAMPUS UNIVERSITÁRIO DE SINOP CURSO DE ENGENHARIA ELÉTRICA Princípios de Comunicações Slides 5 e 6 Milton Luiz Neri Pereira (UNEMAT/FACET/DEE) 1 2.1 Sinais Um
Leia maisCONHECIMENTOS ESPECÍFICOS
fonte de graus de soma de quadrado variação liberdade quadrados médio teste F regressão 1 1,4 1,4 46,2 resíduo 28 0,8 0,03 total 2,2 A tabela de análise de variância (ANOVA) ilustrada acima resulta de
Leia maisVariáveis Aleatórias Contínuas
Variáveis Aleatórias Contínuas Bacharelado em Administração - FEA - Noturno 2 o Semestre 2017 MAE0219 (IME-USP) Variáveis Aleatórias Contínuas 2 o Semestre 2017 1 / 35 Objetivos da Aula Sumário 1 Objetivos
Leia maisReviso de Teoria da Medida e Elementos Bsicos de Probabilidade
Reviso de Teoria da Medida e Elementos Bsicos de Probabilidade Roberto Imbuzeiro Oliveira 9 de Março de 2009 Resumo Esta lista cobre o básico do básico sobre espaços e distribuições de probabilidade. Pouco
Leia maisROTEIRO DA APRESENTAÇÃO PROCESSOS ESTOCÁSTICOS
ROTEIRO DA APRESENTAÇÃO MODELOS ESTOCÁSTICOS APLICADOS À INDÚSTRIA Prof. Lupércio França Bessegato Departamento de Estatística Universidade Federal de Juiz de Fora lupercio.bessegato@ufjf.edu.br www.ufjf.br/lupercio_bessegato
Leia maisX n em {τ = n} 0 em {τ =+ }.
PARAGEM ÓPTIMA EM TEMPO DISCRETO MLE 1. Paragem óptima Seja (Ω, F, P) umespaço de probabilidade, F =(F n ) n N uma filtração deste espaço de probabilidade, X =(X n ) n N um processo estocástico adaptado
Leia maisTeoria das Filas aplicadas a Sistemas Computacionais. Aula 09
Teoria das Filas aplicadas a Sistemas Computacionais Aula 09 Universidade Federal do Espírito Santo - Departamento de Informática - DI Laboratório de Pesquisas em Redes Multimidia - LPRM Teoria das Filas
Leia mais5. PRINCIPAIS MODELOS CONTÍNUOS
5. RINCIAIS MODELOS CONTÍNUOS 04 5.. Modelo uniforme Uma v.a. contínua tem distribuição uniforme com parâmetros α e β α β se sua função densidade de probabilidade é dada por f, β α 0, Notação: ~ Uα, β.
Leia maisProcessos de ramificação e o grafo de Erdös Rényi
Processos de ramificação e o grafo de Erdös Rényi 1 de Abril de 2014 1 Básico de processos de ramificação Seja P uma distribuição de probabilidade sobre N := {0, 1, 2, 3,... } com primeiro momento finito.
Leia mais3 Definições. 3.1 Processos Estocásticos e Processo de Wiener
25 3 Definições 3.1 Processos Estocásticos e Processo de Wiener Um processo estocástico corresponde a uma variável que evolui no decorrer do tempo de forma incerta ou aleatória. O preço de uma ação negociada
Leia maisTeoria das Desições Financeiras II p.1/22
Teoria das Desições Financeiras II José Fajardo Barbachan IBMEC Business School Rio de Janeiro Teoria das Desições Financeiras II p.1/22 Objetivo Neste curso o aluno aprenderá diversas ferramentas probabílisticas,
Leia maisAula 1. Wilson Correa. June 27, 2017
Aula 1 Definições Básicas Wilson Correa June 27, 2017 Série de Tempo Definição Uma série de tempo é qualquer conjunto de observações ordenadas no tempo. Podem ser: Discretas. Ex: Valores Diários de Poluição,
Leia maisModelagem de um sistema por cadeias de Markov
Modelagem de um sistema por cadeias de Markov Sistemas sem memória : somente o estado imediatamente anterior influencia o estado futuro. rocesso estacionário: probabilidades de transição de um estado para
Leia maisMétodos Estatísticos
Métodos Estatísticos Cristina Maria Martins Maria da Graça Temido Departamento de Matemática Universidade de Coimbra Hidrologia Urbana Módulo I Conceitos básicos Probabilidade Experiência aleatória Acontecimentos
Leia maisEstatística Aplicada II. } Revisão: Probabilidade } Propriedades da Média Amostral
Estatística Aplicada II } Revisão: Probabilidade } Propriedades da Média Amostral 1 Aula de hoje } Tópicos } Revisão: } Distribuição de probabilidade } Variáveis aleatórias } Distribuição normal } Propriedades
Leia maisPar de Variáveis Aleatórias
Par de Variáveis Aleatórias Luis Henrique Assumpção Lolis 7 de abril de 2014 Luis Henrique Assumpção Lolis Par de Variáveis Aleatórias 1 Conteúdo 1 Introdução 2 Par de Variáveis Aleatórias Discretas 3
Leia maisComunicações Digitais Prof. André Noll Barreto. Prova /1 (04/04/2017)
Prova 1 17/1 (4/4/17) Aluno: Matrícula: Instruções A prova consiste de quatro questões discursivas A prova terá a duração de h A prova pode ser feita a lápis ou caneta Não é permitida consulta a notas
Leia maisPROBABILIDADE E ESTATÍSTICA DISTRIBUIÇÕES DE PROBABILIDADES
PROBABILIDADE E ESTATÍSTICA DISTRIBUIÇÕES DE PROBABILIDADES Bruno Baierle Maurício Furigo Prof.ª Sheila Regina Oro (orientadora) Edital 06/2013 - Produção de Recursos Educacionais Digitais Variável Aleatória
Leia maisESPAÇOS LINEARES (ou vetoriais)
Álgebra Linear- 1 o Semestre 2018/19 Cursos: LEIC A Lista 3 (Espaços Lineares) ESPAÇOS LINEARES (ou vetoriais) Notações: Seja A uma matriz e S um conjunto de vetores Núcleo de A: N(A) Espaço das colunas
Leia maisUniversidade Federal de Alfenas Programa de Pós-graduação em Estatística Aplicada e Biometria-PPGEAB Prova de Conhecimentos Específicos
-PPGEAB OBSERVAÇÃO: Dentre as cinco questões, marque na tabela abaixo com X uma para não ser corrigida. Se não for marcada nenhuma, a questão 1 será a desconsiderada. Questão 1 2 3 4 5 Dados que podem
Leia maisFORMULÁRIO PROCESSOS ESTOCÁSTICOS E APLICAÇÕES MAEG-ISEG exp(x) = j=0. j+1 xj ( 1) j=1. ( 1) j x j for 1 < x < 1
FORMULÁRIO PROCESSOS ESTOCÁSTICOS E APLICAÇÕES MAEG-ISEG 008 Desenvolvimentos em série log( + x) = ( + x) = exp(x) = X ( ) = Cadeias de Markov + x X x! for < x X ( ) x for < x < Equações de Chapman-Kolmogorov
Leia maisTeoria da Probabilidade e Processos Estocásticos Mestrado em Matemática Financeira
Teoria da Probabilidade e Processos Estocásticos Mestrado em Matemática Financeira 5 de Janeiro 03 Época Normal - horas Resolva os seguintes exercícios, justificando cuidadosamente as suas respostas..
Leia maisInferência para CS Modelos univariados contínuos
Inferência para CS Modelos univariados contínuos Renato Martins Assunção DCC - UFMG 2014 Renato Martins Assunção (DCC - UFMG) Inferência para CS Modelos univariados contínuos 2014 1 / 42 V.A. Contínua
Leia maisMercados e Investimentos Financeiros. Cesaltina Pacheco Pires
Mercados e Investimentos Financeiros Cesaltina Pacheco Pires Índice geral Prefácio ix 1 Introdução 1 1.1 Activos reais e activos nanceiros........................ 1 1.2 Escolha intertemporal e taxa de
Leia maisCadeias de Markov de Tempo Contínuo (CTMC)
Cadeias de Markov de Tempo Contínuo (CTMC) Cadeia de Markov Contínua (1) A análise de cadeias de Markov contínuas (CTMCs) é bem similar a análise em tempo discreto, com a diferença de que as transições
Leia maisPROBABILIDADE PGE950
PROBABILIDADE PGE950 José J. C. Hernández DE - UFPE October 12, 2017 José J. C. Hernández (DE - UFPE) Estatística I October 12, 2017 1 / 88 1 Introdução à Probabilidade 2 Variavel Aleatória 3 Vetores Aleatórios
Leia maisContinuidade de processos gaussianos
Continuidade de processos gaussianos Roberto Imbuzeiro Oliveira April, 008 Abstract 1 Intrudução Suponha que T é um certo conjunto de índices e c : T T R é uma função dada. Pergunta 1. Existe uma coleção
Leia maisProcessos Estocásticos
Processos Estocásticos Luis Henrique Assumpção Lolis 26 de maio de 2014 Luis Henrique Assumpção Lolis Processos Estocásticos 1 Conteúdo 1 Introdução 2 Definição 3 Especificando um processo aleatório 4
Leia maisPRE29006 LISTA DE EXERCÍCIOS #
INSTITUTO FEDERAL DE SANTA CATARINA CAMPUS SÃO JOSÉ COORDENADORIA DE ÁREA DE TELECOMUNICAÇÕES ENGENHARIA DE TELECOMUNICAÇÕES PRE9006 LISTA DE EXERCÍCIOS #3 06. Exercícios. [, Exercício 7.] Seja A uma variável
Leia maisPROCESSOS ESTOCÁSTICOS. O resultado de muitas experiências aleatórias é função do tempo ou de uma (ou mais) coordenada espacial.
37 PROCESSOS ESTOCÁSTICOS O resultado de muitas experiências aleatórias é função do tempo ou de uma (ou mais) coordenada espacial. Ex: i) O valor da temperatura média diária ou semanal numa cidade. O acontecimento
Leia maisExercícios de Teoria da Probabilidade e Processos Estocásticos Parte I
Exercícios de Teoria da Probabilidade e Processos Estocásticos Parte I 2013/2014 Exercício 1. Seja (, F) um espaço mensurável. Mostre que 1. F. 2. se A i F, i = 1, 2,... então n i=1 A i F. 3. se A i F,
Leia maisIntrodução aos Proc. Estocásticos - ENG 430
Introdução aos Proc. Estocásticos - ENG 430 Fabrício Simões IFBA 16 de novembro de 2015 Fabrício Simões (IFBA) Introdução aos Proc. Estocásticos - ENG 430 16 de novembro de 2015 1 / 35 Fabrício Simões
Leia maisProcessos de Markov a Tempo Contínuo e Sistemas de Partículas Parte 2
Processos de Markov a Tempo Contínuo e Sistemas de Partículas Parte 2 Leandro Cioletti Departamento de Matemática - UnB 70910-900, Brasília, Brazil cioletti@mat.unb.br Ricardo Parreira Departamento de
Leia mais(Ciência de Computadores) 2005/ Diga quais dos conjuntos seguintes satisfazem o Princípio de Boa Ordenação
Álgebra (Ciência de Computadores) 2005/2006 Números inteiros 1. Diga quais dos conjuntos seguintes satisfazem o Princípio de Boa Ordenação (a) {inteiros positivos impares}; (b) {inteiros negativos pares};
Leia maisMétodos Matemáticos em Finanças I
Métodos Matemáticos em Finanças I Jorge P. Zubelli IMPA 5 de Setembro de 2017 MMF I c Zubelli (IMPA) 09.2017 1 / 93 Comportamento Estocástico dos Mercados Exemplo Figura: Dados do IBOVESPA MMF I c Zubelli
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 06 / Classes Especiais de Processos Aleatórios
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 06 / Classes Especiais de Processos Aleatórios Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE
Leia maisProcessos Estocásticos. Variáveis Aleatórias. Variáveis Aleatórias. Luiz Affonso Guedes. Como devemos descrever um experimento aleatório?
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Funções de Uma Variável Aleatória Funções de Várias Momentos e Estatística Condicional Teorema do Limite Central Processos Estocásticos
Leia maisCálculo Diferencial e Integral II Resolução do Exame/Teste de Recuperação 02 de Julho de 2018, 15:00h - versão 2 Duração: Exame (3h), Teste (1h30)
Instituto Superior Técnico Departamento de Matemática Secção de Álgebra e Análise Cálculo Diferencial e Integral II do Exame/Teste de Recuperação 2 de Julho de 218, 15:h - versão 2 Duração: Exame (3h),
Leia maisProcessos de Poisson
Processos de Poisson Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Capitulo 5 Taylor & Karlin 1 / 37 Distribuição de Poisson Seja a variável
Leia maisProbabilidade I. Departamento de Estatística. Universidade Federal da Paraíba. Prof. Tarciana Liberal (UFPB) Aula Distribuição Geométrica 08/14 1 / 13
Probabilidade I Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Distribuição Geométrica 08/14 1 / 13 Distribuição Geométrica Considere novamente uma sequência
Leia mais4 Modelo de Black-Derman-Toy
31 4 Modelo de Black-Derman-Toy O modelo de estrutura a termo desenvolvido em 1990 por Fischer Black, Emanuel Derman e William Toy é um modelo de não-arbitragem unifatorial, isto é, os preços dos títulos
Leia maisTE802 Processos Estocásticos em Engenharia. Processo Aleatório. TE802 Processos Aleatórios. Evelio M. G. Fernández. 18 de outubro de 2017
TE802 Processos Estocásticos em Engenharia Processos Aleatórios 18 de outubro de 2017 Processo Aleatório Processo Aleatório (ou Estocástico), X(t): Função aleatória do tempo para modelar formas de onda
Leia mais(x 1, y 1 ) (x 2, y 2 ) = (x 1 x 2, y 1 y 2 ); e α (x, y) = (x α, y α ), α R.
INSTITUTO DE MATEMÁTICA E ESTATÍSTICA UNIVERSIDADE DE SÃO PAULO MAT-2457 Álgebra Linear para Engenharia I Terceira Lista de Exercícios - Professor: Equipe da Disciplina EXERCÍCIOS 1. Considere as retas
Leia maisg(s, X n s )ds + t f (s, X s ) 2 ds <, P-q.s. t f (s, X s )db s, t 0.
CHAPTER 3. INTEGRAIS ESTOCÁSTICOS 88 2. Quais são as propriedades destas soluções? 3. Como podemos resolver uma dada equação? O método usual para provar a existência de uma solução da equação diferencial
Leia maisCálculo das Probabilidades I
Cálculo das Probabilidades I Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Função Geradora de Momentos 10/13 1 / 19 Calculamos algumas características da
Leia maisIND Análise de Investimentos com Opções Reais
IND 2072 - Análise de Investimentos com Opções Reais PROA P1 1 o Semestre de 2007-10/05/2007 OBS: 1) A prova é SEM CONSULTA. A nota da prova é = mínimo{10; pontuação da P1} 2) Múltipla escolha: responder
Leia maisApreçamento com Ativos Não Negociáveis
Instituto Nacional de Matemática Pura e Aplicada Apreçamento com Ativos Não Negociáveis Uma Abordagem por Indiferença Autor: Tereza Cristina Amorelli Coelho Orientador: Roberto Imbuzeiro Oliveira Rio de
Leia maisProcessos Estocásticos. Variáveis Aleatórias. Variáveis Aleatórias. Variáveis Aleatórias. Variáveis Aleatórias. Luiz Affonso Guedes
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Funções de Uma Variável Aleatória Funções de Várias Momentos e Estatística Condicional Teorema do Limite Central Processos Estocásticos
Leia maisDistribuição Normal. Estatística Aplicada I DISTRIBUIÇÃO NORMAL. Algumas característica importantes. 2πσ
Estatística Aplicada I DISTRIBUIÇÃO NORMAL Prof a Lilian M. Lima Cunha AULA 5 09/05/017 Maio de 017 Distribuição Normal Algumas característica importantes Definida pela média e desvio padrão Media=mediana=moda
Leia maisTeoria da Medida e Integração (MAT505)
Transporte de medidas Teoria da Medida e Integração (MAT505) Transporte de medidas e medidas invariantes. Teorema de Recorrência de Poincaré V. Araújo Instituto de Matemática, Universidade Federal da Bahia
Leia maisProcessos Estocásticos. Luiz Affonso Guedes
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Variáveis Aleatórias Funções de Uma Variável Aleatória Funções de Várias Variáveis Aleatórias Momentos e Estatística Condicional Teorema
Leia maisAULA 17 - Distribuição Uniforme e Normal
AULA 17 - Distribuição Uniforme e Normal Susan Schommer Introdução à Estatística Econômica - IE/UFRJ Distribuições Contínuas Em muitos problemas se torna matematicamente mais simples considerar um espaço
Leia maisMP-208: Filtragem Ótima com Aplicações Aeroespaciais
MP-208: Filtragem Ótima com Aplicações Aeroespaciais Seção 2.6: Vetores Aleatórios Davi Antônio dos Santos Departamento de Mecatrônica Instituto Tecnológico de Aeronáutica davists@ita.br São José dos Campos,
Leia maisProcessamento de Sinal e Imagem Engenharia Electrotécnica e de Computadores
António M. Gonçalves Pinheiro Departamento de Física Covilhã - Portugal pinheiro@ubi.pt Processos Estocásticos - Sinais que variam aleatoriamente no tempo. são regidos por processos estocásticos. 2 1 1
Leia mais5. PRINCIPAIS MODELOS CONTÍNUOS
5. PRINCIPAIS MODELOS CONTÍNUOS 04 5.. Modelo uniforme Uma v.a. contínua X tem distribuição uniforme com parâmetros α e β (α β) se sua função densidade de probabilidade é dada por f ( ) β α 0, Notação:
Leia maisDalang, Morton & Willinger II
Dalang, Morton & Willinger II Walter Mascarenhas Instituto de Matemática e Estatística Universidade de São Paulo www.ime.usp.br/ walterfm 29/05/2012 Walter Mascarenhas (IME-USP) Dalang, Morton & Willinger
Leia maisLucas Santana da Cunha de junho de 2017
VARIÁVEL ALEATÓRIA Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 19 de junho de 2017 Uma função que associa um número real aos resultados
Leia maiscanal para sinais contínuos
Processos estocásticos, Entropia e capacidade de canal para sinais contínuos 24 de setembro de 2013 Processos estocásticos, Entropia e capacidade de canal para1 sin Conteúdo 1 Probabilidade de sinais contínuos
Leia maisDerivativos. Que é um Derivativo. Que é um Derivativo. Prf. José Fajardo Fundação Getulio Vargas. Contrato Duas Partes
Derivativos Prf. José Fajardo Fundação Getulio Vargas Contrato Duas Partes Que é um Derivativo Visando um conjunto de Pagamentos e Retornos Alguns numa direção, alguns na outra Alguns agora, e outros mais
Leia maisSumário. 2 Índice Remissivo 11
i Sumário 1 Principais Distribuições Contínuas 1 1.1 Distribuição Uniforme................................. 1 1.2 A Distribuição Normal................................. 2 1.2.1 Padronização e Tabulação
Leia maisRicardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Geração de Números Aleatórios Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 61 Simulando de Distribuições Discretas Assume-se que um
Leia maiso mesmo jeito, podemos Observação 1.1. (1) As denições acima incluem a possibilidade de I ser
1. Martingais Considere um espaço de probabilidade (Ω, F, P ). Um processo estocástico X é uma família de variáveis aleatórias = (X t ) t I, I R, denidas em (Ω, F). X é L p -limitado se sup t I E[ X t
Leia mais