ECONOMETRIA CLÁSSICA
|
|
- Antônio Cruz da Rocha
- 8 Há anos
- Visualizações:
Transcrição
1 Méodos Quaavos II Mesrado em Ecooma Aplcada Faculdade de Ecooma e Admsração Pro. Rogéro Slva de Maos ECONOMETRIA CLÁSSICA Noas de Aula
2 . INTRODUÇÃO. OBJETIVOS Modelos ecoomércos Mesuração Vercação de eoras Prevsão. VISÕES DA ECONOMETRIA Escola Clássca Escola Iglesa.3 VISÃO ESTATÍSTICA Modelo Populacoal Modelo Gerador dos Dados MGD Modelo Proalísco Modelo Gerador dos Dados MGD
3 . MODELO DE REGRESSÃO MÚLTIPLA. MODELO LINEAR GAUSSIANO versão ásca MGD:,, varável depedee varáves depedees ou eplcavas E ou coecee de sesldade de em relação à E é a méda de e represea um hperplao que cora o espaço eucldao R Hpóeses Báscas. é uma ução lear de,,.,, são varáves ão-esocáscas 3. Cada ão é uma ução lear das demas s,, s,, 4. E 5. Var e E,,, 6. ~ N, ~ N E,. s, Oservações Modelo lear vem da área de plaeameo de epermeos, daí a hpóese que dz que cada ão é varável aleaóra Hpóese 3, mplca que cada ão é comação lear das demas varáves eplcavas Hpóeses 4, 5, e 6 dzem respeo ao ermo de erro aleaóro, que apresea as segues caraceríscas: méda ula hp. 4 homocedásco, pos possu varâca cosae hp. 5 ão auocorrelacoado com os demas hp. 5 dsrução ormal hp. 6, logo amém é ormal com méda E e varâca
4 . REPRESENTAÇÃO MATRICIAL Assumdo oservações para,,..., MGD: ode: E. Hpóeses Báscas Re-escras. Veor é ução lear dos veores coluas da marz. é uma marz ão-esocásca 3. possu poso compleo gual a 4. E, ode é um veor de elemeos ulos 5. Var E I, ode I é uma marz dedade 6. ~ MN, I ~ MN, I Oservações As hpóeses correspodem às aerores para a versão ãomarcal Hpóese 3 mplca que cada colua de ão é uma comação lear eaa das - coluas resaes Hpóeses 4-6 dzem respeo ao veor de erros aleaóros Hpóese 6 dz que veor segue uma dsrução ormal mulvarada com veor de médas e marz de varâcacovarâca I Hpóese 6 amém dz que veor segue uma dsrução ormal mulvarada com veor de médas e marz de varâca-covarâca I
5 .3 ESTIMADOR DE MÍNIMOS QUADRADOS ORDINÁRIOS Coceos Modelo Amosral: Predor Lear: Resíduo: Represeação Marcal Modelo Amosral: Predor Lear: Resíduo: ode: Prolema: A parr de oservações amosras, achar esmadores de oa qualdade para,,,, Solução: Mmzar a soma dos quadrados dos resíduos para, ou sea, mmzar para. Assm, ecora-se o esmador de mímos quadrados ordáros EMQO:
6 Prova Como se em de mmzar uma ução de, usa-se as regras de deermação de valores mímos de uções derecáves de váras varáves. Ou sea, acha-se as dervadas parcas da ução, guala-se esas a zero e resolve-se o ssema resulae. Os passos são os segues:.. Codção de ª. Ordem: 3. EMQO para. 4. Codção de ª. Ordem: deda posva* * Como em poso, segue que a marz quadrada de ordem amém apresea poso e, logo, é ão sgular. Sedo ão sgular, possu versa. Além dsso, é deda posva z z, z vea-se, por eemplo, JD, 988: p Logo, é poo de mímo asoluo para. Noa: Dervação Veoral Sea a um veor de cosaes, A uma marz de cosaes e um veor de varáves. Eão: a a A A a Eemplo: Vedas rmesras de auomóves os EUA 959.I-988.I. ode: MGD: S P 3R 4 CPI S = cosumo pessoal de auomóves ovos em US$ lhões P = reda pessoal em US$ lhões R = aa de uros rmesral de íulo do Tesouro Amercao CPI = ídce de preços ao cosumdor para ovos carros 983= Modelo Empírco: S 35,7,39P,586R, 654CPI
7 .4 MÉDIA E VARIÂNCIA DOS EMQO Resulado R: Prova:. Do que segue que. Méda Vés E E E E. Varâca R: Prova Var Var E[ E I ]
8 .5 PROPRIEDADES DOS EMQO Ecêca Ecêca Resra: dadas as hpóeses -5, o EMQO é o mas ecee ão evesado e com varâca míma dero da classe dos esmadores leares de ou sea, o EMQO é o Melhor Esmador Lear Não Evesado MELNE de. Noa: Um esmador lear é aquele que pode ser escro como uma marz. Prova Teorema de Gauss Marov: ~ M, ode M é A prova só usa hpóeses -5. Seam A e C marzes, amas de ordem. Por R, A, e por R, Var AA. ~ Sea amém A C um esmador lear aleravo de. ~ Eão, pode-se escrever A C A C A C. Para ~ ser ão evesado, ele em de sasazer: ~ E A C C I C. ~ Logo, é precso que C. Supodo C, eão A C ~ ~ de modo que Var ~ E[ ] pode ser desevolvda como: Var ~ E[ A C A C'] A C E A C A C A C Mas, A C A C AA CA AC CC C C CC CC Pos C ' C '. Eão: Var ~ [ CC ] Var CC Noa: Resulados de álgera marcal garaem que C C é semdeda posva. Será ~ C C somee quado C =. Mas, ese caso logo, ão pode haver ouro esmador lear, deree do EMQO, que sea mas ecee ão-evesado e com varâca míma.
9 Ecêca Irresra: Quado vale amém a hpóese 6 erros ormalmee dsruídos, o EMQO é o mas ecee dere odos os esmadores leares e ão-leares. A prova evolve mosrar que o caso de ormaldade dos erros o EMQO é equvalee ao Esmador de Máma Verossmlhaça EMV. Cossêca EMQO é cossee para, ou sea, p lm Prova: Dadas as hpóeses -5 e R, segue que: plm plm plm[ plm ] ' plm Dado que é ão esocásca hp., segue que: p lm E E Logo: p lm Normaldade Assóca Propredade MUITO IMPORTANTE! Quado, / N, Ou sea, em amosras grades, podemos apromar a dsrução de como uma ormal, so é: para grade, ~, N Logo, se a amosra é grade, ão precsamos da hpóese 6. Qualquer que sea a dsrução de, podemos aplcar a eora da ormal para o EMQO e os procedmeos de eses de hpóese
10 .6 QUALIDADE DO AJUSTAMENTO Como avalar se o modelo esá aderdo em aos dados ou ão? Esaíscas descrvas: R, R, Créro de Iormação de Aae AIC e Créro de Schwarz SC R Mede o grau de ausameo do modelo aos dados = + Desvo Toal Desvo Nãoeplcado Desvo Eplcado Elevado ao quadrado e agregado para odas as oservações: = + Varação Toal Varação Nãoeplcada Varação Eplcada Marcalmee: y y y y ode: y y Grau de ausameo R y y y y ou R y y Propredades R [,] Bom ausameo R Fraco ausameo R R ede a aumear sempre com ovas varáves eplcavas R uca dmu com ovas varáves eplcavas
11 R ou R - ausado Corrge lmação do grau de ausameo R Propredades R y y R R se = R R se > R pode dmur se cluo varáves pouco eplcavas R pode ser egavo Créro de Iormação de Aae AIC Propredades AIC log AIC Quao meor AIC, melhor o ausameo AIC pealza em mas que o R a preseça de varáves rrelevaes AIC valorza mas a parcmôa. Créro de Schwarz SC Propredades SC log log SC Quao meor SC, melhor o ausameo SC pealza em mas que o R a preseça de varáves rrelevaes SC amém valorza mas a parcmôa do que o AIC, pealzado mas ada o úmero de parâmeros/varáves o modelo.
12 .7 VARIÂNCIA RESIDUAL DA REGRESSÃO Var amém é um parâmero descohecdo do MGD Camho aural de esmá-lo sera: Prolema: é um esmador evesado de Solução: usa-se um correor de vés que reduda em: S S é a chamada varâca resdual e será usada em város coeos, por eemplo, o R - ausado pode ser escro como: R S S, ode: S S amém é usada para se esmar a marz de varâca-covarâca dos EMQO: S S
13 Eemplo: Cosumo Aual Brasl 96-4 MGD: CO 3GR 4I 5 NE Saída Compacada do Evews Depede Varale: CO Mehod: Leas Squares Dae: 6/4/5 Tme: : Sample: 96 4 Icluded oservaos: 45 Varale Coece Sd. Error Cosae GR I NE R-squared Mea depede var 8.9E+8 Adused R-squared S.D. depede var 3.8E+8 S.E. o regresso 439 Aae o crero Sum squared resd.38e+6 Schwarz crero Noa: Dados auas reerees ao Brasl CO = cosumo das amílas = reda dspoível das amílas GR = gasos do govero I = vesmeo dreo NE = Eporações líqudas Oservações A colua correspodee a Sd. Error reere-se a: s dag S O modelo empírco é dado por: CO ,837,789GR,738I, 765 NE
14 .8 RESULTADOS IMPORTANTES Supodo que valem odas as hpóeses, clusve a 6, de ormaldade dos erros : R3. / ~ R4. S / ~ R5. ~ N, V, ode V é o -ésmo elemeo da dagoal prcpal de R6. S / e são depedees R7. De R4-R6, segue que: ~ S V Prova: De R5, segue que / V ~ N,. Agora compuado: V S, emos uma VA N, dvdda pela raíz quadrada de uma VA dvdda, por sua vez, por, amas depedees, o que resula uma VA -. Fazedo as smplcações ecessáras, oém-se o resulado R7.
15 .9 ESTIMAÇÃO INTERVALAR Oevo: achar ervalos de coaça para Em geral, usa-se ervalos laeras Créro: H L P L, = lme eror H, = lme superor = ível de coaça Solução: L s, /, H s, /, Prova: Dea V S s. Eão, usado R7, podemos escrever:, /, / s P, /, / s s P Mulplcado odos os compoees da rpla desgualdade por -:, /, / s s P e somado aos rês compoees:, /, / s s P
16 . TESTES DE SIGNIFICÂNCIA DE PARÂMETROS E VARIÁVEIS MGD: Eemplos de hpóeses de eresse: H : = E aravessa a orgem do espaço R H : E ão aravessa a orgem do espaço R H : = varações em ão eplcam varações em H : varações em eplcam varações em H : 3 = varações em 3 produzem varações dêcas em H : 3 varações em 3 ão produzem vars. dêcas em Coceos e deções = ível de sgcâca = PErro Tpo I = PReear H H é V = PErro Tpo II = PNão Reear H H é F Poder do ese = - Represeação Geral H : = H : Caso ípco em ecoomera: = Por R7, segue que, S ~ ou S ~ caso = Procedmeos do ese ípco. Eucado das hpóeses: H : = H :. Escolha de = ível de sgcâca 3. Cálculo de S 4. Aplcação da regra de decsão pelo valor de prova p-value: Se P T Não reeo H Se P T Reeo H
17 Eemplo: Cosumo Aual Brasl 96-4 MGD: CO 3GR 4I 5 NE Saída Compacada do EVews Depede Varale: CO Mehod: Leas Squares Dae: 6/4/5 Tme: : Sample: 96 4 Icluded oservaos: 45 Varale Coece Sd. Error -Sasc Pro. C GR I NE R-squared Mea depede var 8.9E+8 Adused R-squared S.D. depede var 3.8E+8 S.E. o regresso 439 Aae o crero Sum squared resd.38e+6 Schwarz crero 37.65
18 . TESTE F SIGNIFICÂNCIA GERAL DA REGRESSÃO H : ehuma eplca varações em 3 H : pelo meos um pelo meos uma eplca varações em =...,- Supoha váldas as hpóeses a 6 e cosdere H verdadera: R8. y y * * * * ~, ode * * * é a marz em orma de desvos em relação à méda com a prmera colua reeree à cosae ecluída. Prova: Ver [VA: pp. 59-6] y y / R9. ~ F, / Prova Comado R3 com R8: y y S y y / S ~ F, Esaísca de Tese: F y y / / Varação Eplcada / Varação Não Eplcada / Regra de decsão pelo valor de prova: o Dado uma escolha de : Se P F, F Não reeo H Se P F, F Reeo H
19 .3 MULTICOLINEARIDADE Caso : Modelo com var. depedee e vars. depedees: 3 3 É ácl vercar que o EMQO ese caso sera: y y y y 3 3 Coleardade Perea Coecee de correlação lear ere e 3 : r Se 3, com volação da hpóese : o Os umeradores de e 3 são guas a o 3 r 3 3 Logo, com 3, é mpossível compuar os EMQO 3,,.
20 Ala mas ão perea coleardade É possível compuar EMQO, pos hp. ão é volada Seam as varâcas esmadas dos EMQO, odas como os úlmos elemeos da dagoal prcpal de S S : S S r 3 S 3 3 S r 3 Sea r, mas cosdere que: 3 Logo: r 3 S e S 3 r e 3 3 Coseqüêcas da Mulcoleardade Esaíscas podem car arcalmee muo aas Iclusve, é possível acoecer R com e, o que é coradóro 3 Soluções Aleravas Rera-se uma das varáves do modelo Traalha-se com varáves em dereças: o Eemplo: Modelo de eresse: C 3W Se e W muo correlacoadas, usa-se: C C W W 3
21 Caso : Modelo com var. depedee e - vars. depedees: Mulcoleardade Perea Nese caso, ão pode acoecer por eemplo: 3 3 Ou sea, uma varável eplcava ão pode ser learmee depedee das demas. Ala mas ão perea Mulcoleardade Por eemplo, pode acoecer: 3 3 Uma varável eplcava é quase learmee depedee das demas.
22 .4 ESTIMAÇÃO POR MÁIMA VEROSSIMILHANÇA EMV Pela hpóese 6:, ~ E N Fução desdade: ep Fução de verossmlhaça: ep,,, L Em orma marcal: ep, L Log-verosssmlhaça: l l,
23 Mamzado a log-verossmlhaça Codção de ª. Ordem: ~ ~ ~ ~ ~ 4 ~ ~ ~ ~ ode: ~ ~ Codção de ª. Ordem: garae que o EVM de e gloal ver JD: p. 46. é mámo Logo, o EMV de ~ é o mesmo que o EMQO e o EMV de ~ dere do usado aes para S apeas o deomador Propredades do EMV para pequeas amosras ~ é ão evesado para ~ é evesado para A varâca de ~ age o lme mímo de Cramer-Rao, logo ~ é amém ecee Propredades do EMV para grades amosras ~ e ~ são cossees ~ apresea ormaldade assóca Coclusão So hpóese 6 de ormaldade dos erros, EMQO e EMV são equvalees e porao cosuem o melhor esmador de dere os esmadores leares e os ão-leares.
24 .5 PREVISÃO Oevo: acerar um valor de codcoal a valores parculares de,, Prevsão Poual Sea ], eão: [ o Prevsão dero da amosra: [ ],, o Prevsão ora da amosra: [ ] o Pelo T. Gauss-Marov: o é o melhor esmador lear de o Logo, Ŷ é um predor ómo de Erro de prevsão: e o Noe que: E E E o Logo: E e E E E o Ou sea Ŷ é um prevsor ão evesado de.
25 Varâca do erro de prevsão: Var e Var Var Var Var E[ ] Var [ ] Esmação da Varâca do erro de prevsão: S S Resulados de eresse Seam váldas hps. -6. Cosdere os segues resulados: R. e ~ N, R. ~ S R. e S são depedees R3. ~ S Prova Por R, R e R, segue que a razão: S S ~, Fazedo-se as smplcações ecessáras, emos o resulado R3.
26 Prevsão Iervalar Oevo: Achar ervalo de coaça para créro P L H de acordo com o Solução: L H /, /, S S Prova Usado R3, vercamos que: P /, /, S De ode é medao que, após mapulações algércas smples: P /, S /, S Iso é: P L H Eemplo: Prevsão do Cosumo Aual Brasl 5- Modelo Ecoomérco: CO ,789,686GR,66I, 78 NE ANO CÔ L CÔ CÔ H G I NE Noa: Valores em R$ lhões
27 3. USOS E ETENSÕES DO MODELO DE REGRESSÃO MÚLTIPLA 3. COEFICIENTES PADRONIZADOS Os coecees do MGD lear ão podem ser comparados ere s Suas magudes depedem da escala de medda das varáves eplcavas Solução: modelo com as varáves padrozadas, so é: S * S Relação ere coecees orgas e padrozados: * S e S * =,...,. S Coecees padrozados são a-dmesoas, so é, ão possuem uma udade parcular de medda A comparação ere coecees padrozados é possível porque agora odas as varáves apreseam a mesma méda e varâca 3. ELASTICIDADES Muo usada em mcroecooma, a elascdade mede a varação relava a varável depedee dada uma varação relava uma varável depedee com as demas cosaes E E E E No modelo lear, a elascdade esmada é oda como: E Elascdades o poo médo: E No caso do modelo log-log odas as varáves são meddas em logarmos, a elascdade é cosae para odo =,...,.
28 3.3 MODELOS NÃO-LINEARES Modelo Lear: Modelo Não-Lear: qualquer modelo que ão é lear. F,,, Modelos ão-leares rsecamee leares MNLIL: o São leares os parâmeros ou o Podem ser rasormados em leares os parâmeros Modelos ão-leares rsecamee ão-leares MNLINL: o ão podem ser rasormados em leares os parâmeros. Modelos rsecamee leares Modelo polomal: 3 * Modelo mulplcavo: Modelo log-log: l l l o Noe-se que o modelo log-log derva do modelo mulplcavo, porque: l * l Modelo epoecal: Modelo log-l: Modelo recíproco: ep l o Que pode ser rasormado em: Modelo l-log: Modelo eravo: l 3 l l 3 4 3
29 3.4 TESTE F PARA SIGNIFICÂNCIA DE BLOCOS DE VARIÁVEIS Cosdere o MGD: Tese de Hpóese: o H : e 5 ão são sgcavas o H : 4 e/ou 5 4 e/ou 5 é/são sgcavas Deções: o Modelo rresro IR: o Modelo resror: o SQT = Soma dos Quadrados Toas = y y o SQE = Soma dos Quadrados Eplcados: o SQR = Soma dos Quadrados dos Resíduos: y y Esaísca de Tese: SQE SQE / IR R IR R F ~ F IR R, SQRIR IR IR Regra de decsão pelo valor de prova: o Dado uma escolha de : Se P F IR R, IR F Não reeo H Se P F, F Reeo H IR R IR
30 Eemplo: Modelo cosumo vs reda e edêca quadráca MGD: C 3 4 H : ermo de edêca ão é sgcavo 3 4 H : 3 e/ou ermo de edêca é sgcavo 4 Implemeação do ese com = 5% Usado-se = 5 oservações auas, esmou-se: Modelo rresro: C,,77,,3 o SQE , IR o SQR 77, 7 IR o IR 4 Modelo resro: F 6,56 6,35 C,3,77 7,3 o SQE , 4 R o R 65965, 65898,4 /4 77, ,49 4,765 P F, 4,765,33 Reeamos H a 5% de sgcâca,59,43
31 Caso Geral do Tese F para loco de varáves MGD: Dvda o couo {,..., } em grupos, sedo um deles ormado por q < varáves a serem esadas Agrupe as varáves a serem esadas o al do MGD, reescrevedo-o como segue: q q, q q, H : q q,, são ão-sgcavas H : pelo meos um s pelo meos uma s, s = q +,...,, é sgcava Escolha um valor para Esme os modelos rresro e resro Compue: SQEIR SQER / IR R F SQR IR IR Aplque a regra de decsão: o Se P F IR R, IR F Não reeo H o Se P F, F Reeo H IR R IR Noa: moderos sowares ecoomércos, como o Evews, mplemeam auomacamee esse procedmeo, sedo ecessáro ormar apeas o grupo de q varáves a serem esadas em loco
32 3.5 VARIÁVEIS DUMM Varáves qualavas: que releem esado, suação, classe, ec., ou sea, eveos qualavos que ão podem ser meddos umercamee Varável dummy: varável ára assume valor ou usada para represear, um modelo quaavo/maemáco como o MGD, as luêcas de eveos qualavos Varáves dummy podem ser usadas o papel de depedee ou depedee um modelo ecoomérco. Veremos por ora só o caso de varáves dummy depedees Regressão com uma varável dummy MGD: D é uma varável quaava D é uma varável dummy qualava que assume só valores ou Eemplo: Esudo amercao em escola secudára = proessores pesqusados = reda do ésmo proessor D = seo do ésmo proessor homem mulher Ierpreação do MGD: E D é o saláro médo/esperado de uma proessora E Modelo empírco: D é o saláro médo/esperado de um proessor,,5 D 3.5 D,,7 D,,5,7 Hpóese de eresse: H : ão há dscrmação seual
33 Regressão com duas varáves dummy MGD: DS 3 D R Eemplo: Esudo amercao em escola secudára couação = proessores pesqusados = reda do ésmo proessor D S = seo do ésmo proessor homem mulher D R = raça do ésmo proessor racoa egroa Seo\Raça Braco B Negro N Homem H D S = D R = D S =, D R = MulherM D S =, D R = D S = D R = Ierpreação do MGD: o E DS DR o E DS, DR o E DS, DR 3 o E DS DR 3 Modelo empírco: 9, 3,74 : sal. médo/esperado da M.N.,3D 3,4 o D D 9, S R S : sal. médo/esperado do H.N. : sal. médo/esperado de uma M.B. : sal. médo/esperado do H.B.,74D, o D, D 9,,3, 3 S R o D, D 9,,74 9, 94 S R o D D 9,,3,74, 97 S R R Noa: a rgor, ão se somara o coecee esmado 3, 74 porque ele se ão mosrou deree de zero a 5% de sgcâca. Apeas para s lusravos é que o cluímos Hpóeses de eresse: o H : ão há dscrmação seual o H : 3 ão há dscrmação racal o H : 3 ão há dscrmação de qualquer po
34 Regressão com varável dummy e varável quaava MGD: D 3 Eemplo: Esudo amercao em escola secudára couação = proessores pesqusados = reda do ésmo proessor D = seo do ésmo proessor homem mulher = úmero de aos de servço do -ésmo proessor. Ierpreação do MGD: o o E D, 3 : saláro médo/esperado da proessora como ução do úmero de aos de servço. E D, 3 : saláro médo/esperado do proessor como ução do úmero de aos de servço Modelo empírco: o o 9,5 3,9, D,77 D, 9,5, 53 D,,67, 53,53 3,5 Hpóese de eresse: o H : ão há dereça, ere homes e mulheres, a relação ere saláro recedo e aos de servço
35 Varáves dummy sazoas MGD: s s D D D a,,..., ouro s D s = comprmeo do período sazoal: s = semesral s = 6 mesral s = 3 quadrmesral s = mesal s = 4 rmesral = aor sazoal do ésmo mês, mesre, ec. =,...,s usa se só s- dummes p/evar coleardade perea c/a cosae Normalzação dos aores sazoas MGD: s s s D D D a Verca se que ese modelo pode ser re escro como: MGD: s s D D D a *, * * o Ode:,..., ouro * s s D Eemplo: Sazoaldade rmesral s=4 MGD:, ] [ D. MGD: D a 3 MGD: D a 3 * 3 D D D D * 3 * * D D D D
36 4. VIOLAÇÃO DE HIPÓTESES BÁSICAS 4. AUTOCORRELAÇÃO SERIAL DOS ERROS Volação da hpóese 5 E, Cor, Cov,, Caso Geral MGD: Cor u, u u para algum Caso de Séres de Tempo MGD: Cor u, u E u, u u =,,... Cor u, u é chamada auocorrelação seral de -ésma ordem Auocorrelação Seral de ª. Ordem ACS MGD: Cor u, u u Razões para haver ACS o Iérca ípca das varáves ecoômcas o Varáves eplcavas ecluídas do MGD cosderado: MGD: 3 3 MGD cosderado: o Forma ucoal correa: MGD: MGD cosderado: o Deasages ecluídas: MGD: 3 3, 4 MGD cosderado: u u u
37 Coseqüêcas da ACS: Propredades do EMQO: o coua ão evesado para o EMQO ão é mas o MELNE para, logo é ecee Varâca resdual evesada: o u S em geral suesma o Elemeos de dag S cam, em geral, suesmados o R e R cam, em geral, superesmados o Esaíscas S =,..., cam, em geral, superesmadas o Esaísca F ca superesmada o Créros de ormação AIC e SC cam em geral suesmados Marz de var-covar dos parâmeros: o Com ACS: Var C,,, o Cor u, u o Compuadores pcamee reporam resulados calculados com ase a ausêca de ACS, so é: S S Vercado a preseça/ausêca de ACS Gracamee: Termo de Erro com ACS Termo de erro Sem ACS
38 Tese de Dur-Waso o Assuma que: o MGD: o Ode u u Cor u E, Var u é chamado processo AR e Cor u, u o H : H : u o Esaísca DW: DW o Ode u u u o Noe-se que: u u u DW DW DW DW 4 DW 4 o Regra de decsão Se Decdr DW Reear H há ACS + d L d L DW d U Não decdr du DW 4 d U Não Reear H 4 d DW 4 Não decdr U d L 4 d L DW 4 Reear H há ACS o Ode [d L,d U ] =,,
39 Eemplo: Cosumo Aual Brasl 96 4 Depede Varale: CO Mehod: Leas Squares Dae: 6/4/5 Tme: : Sample: 96 4 Icluded oservaos: 45 Varale Coece Sd. Error -Sasc Pro. C GR I NE R-squared Mea depede var 8.9E+8 Adused R-squared S.D. depede var 3.8E+8 S.E. o regresso 439 Aae o crero Sum squared resd.38e+6 Schwarz crero Log lelhood F-sasc Dur-Waso sa ProF-sasc. o Cosderado = 45, = 4 e =,5, dl=,34 du=,7 Tese de Lug Bo amém para ACS de ordes maores o H : m H : pelo meos um =,...,m o Esaísca de Lug Bo: Q LB m a ~ m Eemplo: Cosumo Aual Brasl 96 4 Dae: 6/6/6 Tme: :58 Sample: 97 4 Icluded oservaos: 35 Auocorrelao Paral Correlao J AC PAC Q-Sa LB Pro. ******. ****** **** ***. * ** *.. *
40 Esmador de Mímos Quadrados Geeralzados EMQG MGD: u Cor u E, Var Equação de dereças geeralzadas EDG: * * * * * o Ode,, * e u u Eão, esma se a EDG por MQO, oedo se * *,,, o * * o Prmera oservação: *, u Represeação marcal MGD: Noe que Var u E uu u,, porque há ACS o Ode Agora, sea a segue marz: H o Pré mulplcado o MGD por essa marz: H H Hu o Sea Hu. Eão, mmzado se u H Hu, ém se o EMQG: ~ o Noe se que H H o ~ é ecee, cossee e ormalmee dsruído assócamee
41 Esmação de Méodo de Cochrae Orcu ou CORC:. Esma se o MGD por MQO e oém se u. Esma se: u u,, v, * * * * 3. Usa se para esmar EDG: 4. Compua se: u, 5. Repee se passos, 3 e 4 eravamee aé que: ode dca eração Eemplo: Cosumo Aual Brasl 96 4 Depede Varale: CO Sample adused: 97 4 Icluded oservaos: 34 aer adusmes Covergece acheved aer eraos Varale Coece Sd. Error -Sasc Pro. C.E GR I NE AR R-squared Mea depede var 7.49E+8 Adused R-squared S.D. depede var.75e+8 S.E. o regresso Aae o crero 35.3 Sum squared resd.46e+5 Schwarz crero Log lelhood F-sasc 3.68 Dur-Waso sa.569 ProF-sasc. Dae: 6/7/6 Tme: 5: Sample: 97 4 Esaísca Q de Lug Bo Auocorrelao Paral Correlao J AC PAC Q-Sa Pro. *.. * *.. * *.. * *.. *
42 4. HETEROCEDASTICIDADE Volação da hpóese 5 Var, ou Var E I Caso Geral MGD: Var u u Caso de Séres de Tempo MGD: Var u u Eemplo Gráco: Caso de varável eplcava Aualmee, heerocedascdade ocorre em dados emporas e de seção cruzada cross seco
43 Cosequêcas da Heerocedascdade Propredades do EMQO: o coua ão evesado para o EMQO ão é mas o MELNE para, logo é ecee Varâca resdual evesada: o S u é um esmador evesado de sgma o Elemeos de dag S cam evesados o R e R cam evesados o Esaíscas S =,..., cam evesadas o Esaísca F ca evesada o Créros de ormação AIC e SC cam evesados Marz de var-covar dos parâmeros: o So heerocedascdade: Var Μ, ode Μ o Compuadores pcamee reporam resulados calculados com ase a ausêca de heerocedascdade, so é: S S Mímos Quadrados Poderados MQP É um caso parcular do EMQG MGD: Var u Supodo cohecda, rasorma se o MGD segudo: o Iso é: * W * o No ovo modelo, o ermo * u u é homocedásco u Prova: Var Var Var u Esma se o modelo rasormado por EMQO. u
44 Represeação Marcal do EMQP MGD: u, Noe que Var u E uu, ode : 3 Agora, sea a segue marz: H o Pré mulplcado o MGD por essa marz: H H Hu o Sea Hu. Eão, mmzado se u H Hu, ém se o EMQP: ~ o Noe se que H H o ~ é ecee, cossee e ormalmee dsruído assócamee Quado é descohecda Assume se que é uma ução das varáves do modelo: Var u cz cz,,, Ode c é uma cosae ão ula.
45 Trasorma se o MGD coorme: Z Z É ácl vercar que: Var u Z Z Var u Z Logo, o MGD rasormado o ermo de erro é homocedásco. Eemplos de uções Z que podem ser usadas: o Z o Z o Z o Z c c c cz Z Z c u Z Eemplo: Cosumo Aual Brasl 97 4 Mímos Quadrados Poderados: Assumdo que Varu =c. Depede Varale: CO/SQR Mehod: Leas Squares Dae: 6//6 Tme: 5: Sample adused: 97 4 Icluded oservaos: 35 aer adusmes Varale Coece Sd. Error -Sasc Pro. /SQR SQR GR/SQR I/SQR NE/SQR R-squared.9566 Mea depede var 45. Adused R-squared.9584 S.D. depede var S.E. o regresso Aae o crero Sum squared resd Schwarz crero Log lelhood Dur-Waso sa.3363
46 Vercado a Preseça de Heerocedascdade Gracamee Ploar Ploar Ploar, 3,...,, 3 ou,...,. Tese de Whe H : ão há heerocedascdade Esaísca de ese: a ~ q R, ode q [ ] o O cômpuo dessa esaísca de ese evolve regredr os quadrados dos resíduos de um MGD esmado por MQO cora um couo V de varáves ormado por: Regra de Decsão Todas as varáves eplcavas ão redudaes Os quadrados dessas varáves Os produos cruzados ere s dessas varáves o Se P q R Não Reee H o Se P q R Reee H.
47 Ilusração do ese de Whe: o MGD: 3 3 o Esme por MQO e compue: o Esme por MQO a regressão: 3 3 a a a3 3 c c3 3 c4 3 w o Compue R w w para essa regressão o Compue a esaísca de ese R o Escolha e aplque a regra de decsão. Eemplo: Cosumo Aual Brasl 96 4 Depede Varale: CO Mehod: Leas Squares Dae: 6/4/5 Tme: : Sample: 96 4 Icluded oservaos: 45 Varale Coece Sd. Error -Sasc Pro. C GR I NE R-squared Mea depede var 8.9E+8 Adused R-squared S.D. depede var 3.8E+8 S.E. o regresso 439 Aae o crero Sum squared resd.38e+6 Schwarz crero Log lelhood F-sasc Dur-Waso sa ProF-sasc.
48 Eemplo: Cosumo Aual Brasl 96 4 Couação Tese de Heerocedascdade de Whe Whe Heerosedascy Tes: F-sasc 6.44 Pro. F4,. Os*R-squared Pro. Ch-Square Tes Equao: Depede Varale: RESID^ Mehod: Leas Squares Dae: 6//6 Tme: 4:57 Sample adused: 97 4 Icluded oservaos: 35 aer adusmes Varale Coece Sd. Error -Sasc Pro. C 3.E+5.3E ^ *GR *I *NE GR GR^ GR*I GR*NE I I^ I*NE NE NE^ R-squared.9996 Mea depede var 4.78E+4 Adused R-squared S.D. depede var 9.9E+4 S.E. o regresso 3.66E+4 Aae o crero 7.6 Sum squared resd.67e+3 Schwarz crero Log lelhood -3.5 F-sasc 6.44 Dur-Waso sa.935 ProF-sasc.
49 4.3 VARIÁVEIS INDEPENDENTES ESTOCÁSTICAS Esudaremos ese assuo com ase a regressão smples: MGD: a Volação da hpóese, so é: Suações em que é uma V.A.: é esocásca é uma V.A. o Erro de medda as varáves depedees o Varáves depedees amém depedem da depedee o Varável depedee deasada ere as depedees Nesses casos, é possível que Cov,, e, se sso ocorre, EMQO é evesado e cossee: Prova o Sea a segue orma em desvos do MGD: y e ode y, e e. Nese caso, o EMQO para é dado por: y e e o Compuado o E, em amos os lados: E E o Nada garae que E porque E [ e ] E[ e ] E[ ]. No eao, aplcado o operador plm, em amos os lados: e p lm p lm p lm e p lm p lm e, o Fca claro que udo depede de Cov,, : Se,, eão é cossee para emora ão se possa deermar se é evesado ou ão Se,, so sgca que é cossee para e, em decorrêca, amém evesado para
50 Mímos Quadrados de Varáves Isrumeas MQVI Sea esocásca e Cov,,e. Como esmar á que MQO é cossee ese caso? Deção de srumeo: Sea Z uma V.A. al que: o p lm z,z o p lm ze Z, o ode e z Z Z. z y Eão, o esmador MQVI dado por: ~ é cossee para z Prova o Novamee, sea o MGD em orma de desvo: Eão, o EMQVI pode ser desevolvdo como: o ~ z y z z z z z e z e z e z z z o Aplcado plm, a amos os lados: p lm o p lm ~ p lm p lm Caso Geral MGD: z e z z e Z,, Z y e.,..., são odas esocáscas Cada =,..., é correlacoada com o ermo de erro Aplcar o MQVI ese caso evolve usar um srumeo para cada varável depedee Z,..., Z. E usar o esmador geral de MQVI: ~ Z Z Ode Z é a mar de srumeos para a marz
51 5. INTRODUÇÃO A SISTEMAS DE EQUAÇÕES SIMULTÂNEAS Trgve Haavelmo Ecoomsa Norueguês Premo Noel de Ecooma de 989 Aordagem proalísca em ecoomera Ssemas de equações smulâeas Oevo: roduzr mas varáves depedees o MGD Termologa: o o o o MGD: varáves edógeas varáves eógeas coecees das edógeas coecees das eógeas o Varáves pré deermadas: Eógeas Edógeas deasadas E Méda: E Modelo Amosral: Predor lear: Forma Esruural Forma Reduzda
52 Forma Esruural: edógeas como ução de edógeas e pré deermadas MGDFE: Forma Reduzda: edógeas como ução de pré deermadas MGDFR: w w
53 Relação ere parâmeros da FE e da FR w w Prolema da Idecação Deção: Em um SES uma equação esá decada quado é possível oer se esmavas umércas dos parâmeros esruuras a parr de esmavas dos parâmeros da orma reduzda Saus de decação: o Equação ão decada: ão é possível o Equação decada eaamee: oém se uma úca esmava dos parâmeros esruuras o Equação sore decada: oém se mas de uma esmava dos parâmeros esruuras Ssema Idecado: quado odas as equações do SES esão decadas eaamee ou soredecadas Codção de Ordem ecessára para decação Regra: Em um SES com M equações smulâeas, uma equação esará decada se o úmero de varáves pré deermadas ecluídas da equação K or maor ou gual ao úmero de edógeas cluídas a equação m meos um K m Eemplo: MGD: Equação M = 3 K = Saus m = = K = = m = : decada eaamee m = = K = < m = : ão decada 3 m = = K = > m = : sore decada 3 3
54 Codção de Poso sucee para decação Regra: Em um SES com M equações em M varáves edógeas, uma equação é decada se e somee se o mímo um deermae ão ulo de ordem M M puder ser cosruído a parr dos coecees das varáves edógeas e pré deermadas ecluídas daquela equação parcular mas cluídas em ouras equações do modelo Ilusração Pela codção de ordem verca se que: Equação M = 4 K = 3 Saus m = 3 = K = = m = : decada eaamee m = = K = = m = : decada eaamee 3 m = = K = = m = : decada eaamee 4 m = 3 = K = = m = : decada eaamee Taela de Coecees do Ssema Eq
55 Pela codção de Poso: o Equação : o Equação : o Equação 3: o Equação 4: A 3 DeA =, logo eq. ão esá decada A 3 4 DeA =, logo eq. ão esá decada A 4 DeA =, logo eq. 3 ão esá decada A o DeA, logo eq. 4 esá decada Procedmeos para aplcar a codção de poso Passo : re escrever o SES com odas as varáves e parâmeros do lado esquerdo e só os erros aleaóros do lado dreo Passo : moar a aela de coecees do ssema Passo 3: cosrur para cada equação a marz A respecva a parr dos coecees ulos da lha correspodee à equação em aálse Regra Geral de Idecação K > m Poso de A = M Eq. Sore decada K = m Poso de A = M Eq. Eaam. decada K m Poso de A < M Eq. Su decada K < m Eq. Não decada Poso de A < M
56 Prolema da smulaedade MGD: Smulaedade: quado há causaldade drecoal ere edógeas Prolema: correlação da edógea do lado dreo com o ermo de erro No MGD acma:, Cor e Cor,, logo: o EMQO é cossee para esmar parâmeros das duas equações Quado ão há smulaedade, é possível usar EMQO, desde que as hpóeses áscas do SES seam saseas Esmação de SES MGD: M M M g g g g M, M M, M M M Hpóeses Báscas: o Relação lear ere as varáves o s são ão esocáscas, =,..., o E, Var,, r o, r s r r Cov para r =,...,M e r r Cov para r s r =,...,M s =,...,M o r ~ N, r r ~ N E r, r, r =,...,M.
57 Aes da esmação, vercar: o Idecação o Smulaedade Méodos de Iormação Lmada: cosdera resrções relacoadas apeas à equação de eresse o EMQO o Esmador de Mímos Quadrados Idreos EMQI o Esmador de Mímos Quadrados de Eságos EMQE Méodos de Iormação Complea: cosdera resrções ere equações o Esmador de Mímos Quadrados de 3 Eságos EMQ3E o Esmador de Máma Verossmlhaça com Iormação Complea EMVIC Tpologa de SES: o Equações ão relacoadas Cov, o Equações apareemee ão relacoadas SURE Cov, Noa: ese caso, esma se por algum méodo ssêmco, o mas usual sedo o MQ3E o Ssemas Recursvos Cov, Noa: oserve que E susudo a ª. equação mplca que Cov,
58 o Ssemas Bloco Recursvos Cov, Cov, 3 Cov, 3 o Ssemas Smulâeos: 3 Noa: esma se por MQI ou MQE 3 3 Mímos Quadrados de Eságos Caso parcular do EMQVI Serve para esmar equações eaamee ou sore decadas Sea o segue: MGD: É ácl vercar pelas codções de ordem e de poso que: o ª. equação ão esá decada o ª. equação esá sore decada o Logo, só é possível esmar a ª. equação É ácl vercar amém que devdo à causaldade drecoal smulaedade ere e, ocorre: Cov,
59 Esmação da ª. equação por MQE: o º. Eságo: cosrução de srumeo para reduzda Forma Reduzda FR: Esma se por MQO a ª. equação da FR: va orma w w o º. Eságo: usa se o lugar de equação da FE por MQVI w * w para esmar a ª. o Esma se usado as órmulas de MQVI: y y y y Noa: é possível mosrar que a ormula acma para é equvalee ao esmador de MQO ver PR pg. 4 Oserve se que é de ao um srumeo para : y y o p lm * y * o p lm Cov E, Logo, EMQE é um esmador cossee para os parâmeros esruuras de equações eaamee ou sore decadas.
60 Eemplo: Cosumo Aual Brasl 97 4 Esmação por EMQE Opção TSLS do Evews em Quc\Esmae Equao Depede Varale: CO Mehod: Two-Sage Leas Squares Dae: 6//6 Tme: :5 Sample adused: 97 4 Icluded oservaos: 35 aer adusmes Isrume ls: GR NE Varale Coece Sd. Error -Sasc Pro. C.83E R-squared Mea depede var 7.36E+8 Adused R-squared.9594 S.D. depede var.87e+8 S.E. o regresso 464 Sum squared resd 5.44E+6 Dur-Waso sa.449 Secod-sage SSR 5.E+7 Esmação da Forma Reduzda o º. Eságo Depede Varale: Mehod: Leas Squares Dae: 6//6 Tme: :8 Sample adused: 97 4 Icluded oservaos: 35 aer adusmes Varale Coece Sd. Error -Sasc Pro. C 8.49E GR NE R-squared Mea depede var.7e+9 Adused R-squared S.D. depede var 3.57E+8 S.E. o regresso.3e+8 Aae o crero 4.75 Sum squared resd.3e+8 Schwarz crero Log lelhood F-sasc Dur-Waso sa ProF-sasc.
ECONOMETRIA CLÁSSICA
Méodos Quaavos II Mesrado em Ecooma Aplcada Faculdade de Ecooma e Admsração Pro. Rogéro Slva de Maos ECONOMETRIA CLÁSSICA Noas de Aula Mao 6 . INTRODUÇÃO. OBJETIVOS Modelos ecoomércos Mesuração Vercação
Leia mais4 - ANÁLISE DE SÉRIES TEMPORAIS
INE 700 Aálse de Séres Temporas 4 - ANÁLISE DE SÉRIES TEMPORAIS Sére Temporal é um cojuo de observações sobre uma varável, ordeado o empo, e regsrado em períodos regulares. Podemos eumerar os segues exemplos
Leia maisECONOMETRIA CLÁSSICA
éodos Quaavos II esrado em Ecooma Aplcada Faculdade de Ecooma e Admsração Pro. Rogéro Slva de aos ECONOETRIA CLÁSSICA Noas de Aula . INTRODUÇÃO. OBJETIVOS odelos ecoomércos esuração Vercação de eoras Prevsão.
Leia maisExemplo pág. 28. Aplicação da distribuição normal. Normal reduzida Z=(900 1200)/200= 1,5. Φ( z)=1 Φ(z)
Exemplo pág. 28 Aplcação da dsrbução ormal Normal reduzda Z=(9 2)/2=,5 Φ( z)= Φ(z) Subsudo valores por recurso à abela da ormal:,9332 = Φ(z) Φ(z) =,668 Φ( z)= Φ(z) Φ(z) =,33 Φ(z) =,977 z = (8 2)/2 = 2
Leia maisNº de sucessos ,3277 0,4096 0,2048 0,0512 0,0064 0,0003. n Limite superior de 0,025 0,01 0,0025 0,000625
Capíulo Problema 0 Nº de sucessos 0 4 5 0,0 0, 0,4 0,6 0,8,0 P 0,77 0,4096 0,048 0,05 0,0064 0,000 E 0, p ; 0,0 5 Problema 0 4 0 5 00 400 Lme superor de 0,05 0,0 0,005 0,00065 Lme superor de p^ 0,00 0,05
Leia mais4 Sondagem do canal de propagação rádio-móvel
4 Sodagem do caal de propagação rádo-móvel O desempeho dos ssemas de comucações móves é eremamee depedee do comporameo do caal de propagação. O percurso ere uma esação ase e um ermal móvel pode apresear
Leia mais2-TRANSFORMAÇÃO DE COORDENADAS: PARÂMETROS DE REPRESENTAÇÃO
2-TANSFOMAÇÃO DE COODENADAS: PAÂMETOS DE EPESENTAÇÃO 2.1 Cosseos Dreores e a Mar de oação Seam dos ssemas caresaos um de referêca e ouro fo um corpo rígdo defdos pelos ssemas ( e ( respecvamee que são
Leia maisAnálise Discriminante: classificação com 2 populações
Análse Dscrmnane: classcação com oulações Eemlo : Proreáros de coradores de rama oram avalados seundo duas varáves: Renda U$ ; Tamanho da roredade m. Eemlo : unção dscrmnane unvarada ~ ama4 4 3 e ~ ama8.5
Leia maisAnálise de Eficiência Energética em Sistemas Industriais de Ventilação
Aálse de Efcêca Eergéca em Ssemas Idusras de elação Kleber Davd Belovsk, Déco Bspo, Aôo Carlos Delaba, Sérgo Ferrera de aula Slva Faculdade de Egehara Elérca da Uversdade Federal de Uberlâda UFU, Aveda
Leia mais2.4. Grandezas Nominais e Reais
2.4. Gradezas Nomas e Reas rcpas varáves macroecoómcas (IB, C, G, I, X, Q,...): sedo agregações, são ecessaramee valores moeáros Calculadas a preços correes / em valor / em ermos omas, Mas eressa, frequeemee,
Leia maisCapítulo 1: Erros em cálculo numérico
Capítulo : Erros em cálculo umérco. Itrodução Um método umérco é um método ão aalítco, que tem como objectvo determar um ou mas valores umércos, que são soluções de um certo problema. Ao cotráro das metodologas
Leia maisMatemática. Resolução das atividades complementares. M18 Noções de Estatística
Resolução das atvdades complemetares Matemátca M8 Noções de Estatístca p. 3 (UFRJ) Dos estados do país, um certo ao, produzem os mesmos tpos de grãos. Os grácos de setores lustram a relação etre a produção
Leia maisFACULDADE DE ADMINISTRAÇÃO E NEGÓCIOS DE SERGIPE
FACULDADE DE ADMINISTRAÇÃO E NEGÓCIOS DE SERGIPE CURSO: ENGENHARIA DE PRODUÇÃO ASSUNTO: INTRODUÇÃO ÀS EQUAÇÕES DIFERENCIAIS, EQUAÇÕES DIFERENCIAIS DE PRIMEIRA ORDEM SEPARÁVEIS, HOMOGÊNEAS, EXATAS, FATORES
Leia maisCAP. 6 - ANÁLISE DE INVESTIMENTOS EM SITUAÇÃO DE RISCO
CAP. 6 - ANÁLISE DE INVESTIMENTOS EM SITUAÇÃO DE RISCO 1. APRESENTAÇÃO Nese capíulo serão abordados vários méodos que levam em coa o uso das probabilidades a aálise de ivesimeos. Eses méodos visam subsidiar
Leia maisA Estrutura a Termo da Taxa de Juros: Uma Síntese *
TEXTO PARA DISCUSSÃO Nº 447 A Esruura a Termo da Taxa de Juros: Uma Síese * José W. Ross ** Ro de Jaero, dezembro de 996 * Esse esudo eve apoo facero do CNPq (Proc. 522436/96-0). ** Da Dreora de Pesqusa
Leia maisIND 1115 Inferência Estatística Aula 9
Coteúdo IND 5 Iferêca Estatístca Aula 9 Outubro 2004 Môca Barros Dfereça etre Probabldade e Estatístca Amostra Aleatóra Objetvos da Estatístca Dstrbução Amostral Estmação Potual Estmação Bayesaa Clássca
Leia maisProgramação Não Linear Irrestrita
EA 044 Planejameno e Análse de Ssemas de Produção Programação Não Lnear Irresra DCA-FEEC-Uncamp Tópcos -Inrodução -Busca undmensonal 3-Condções de omaldade 4-Convedade e omaldade global 5-Algormos DCA-FEEC-Uncamp
Leia maisEQUAÇÕES DIFERENCIAIS LINEARES DE ORDEM N
EQUAÇÕES DIFERENCIAIS LINEARES DE ORDEM N Estudaremos este capítulo as equações diereciais lieares de ordem, que são de suma importâcia como suporte matemático para vários ramos da egeharia e das ciêcias.
Leia maisConceitos básicos População É constutuida por todos os elementos que são passíveis de ser analisados de tamanho N
sísc Coceos áscos opulção É cosuud por odos os elemeos que são pssíves de ser lsdos de mho mosrgem Sucojuo d populção que é eecvmee lsdo com um ddo mho mosr leór mosr ode cd elemeo d populção êm hpóeses
Leia maisMA12 - Unidade 4 Somatórios e Binômio de Newton Semana de 11/04 a 17/04
MA1 - Udade 4 Somatóros e Bômo de Newto Semaa de 11/04 a 17/04 Nesta udade troduzremos a otação de somatóro, mostrado como a sua mapulação pode sstematzar e facltar o cálculo de somas Dada a mportâca de
Leia maisMAE116 Noções de Estatística
Grupo C - º semestre de 004 Exercíco 0 (3,5 potos) Uma pesqusa com usuáros de trasporte coletvo a cdade de São Paulo dagou sobre os dferetes tpos usados as suas locomoções dáras. Detre ôbus, metrô e trem,
Leia mais1 SISTEMA FRANCÊS DE AMORTIZAÇÃO
scpla de Matemátca Facera 212/1 Curso de Admstração em Gestão Públca Professora Ms. Valéra Espídola Lessa EMPRÉSTIMOS Um empréstmo ou facameto pode ser feto a curto, médo ou logo prazo. zemos que um empréstmo
Leia maisComo a x > 0 para todo x real, segue que: a x = y y 1. Sendo f -1 a inversa de f, tem-se que f -1 (y)= log a ( y y 1 )
.(TA - 99 osidere s firmções: - Se f: é um fução pr e g: um fução qulquer, eão composição gof é um fução pr. - Se f: é um fução pr e g: um fução ímpr, eão composição fog é um fução pr. - Se f: é um fução
Leia maisCAPÍTULO 2 DINÂMICA DA PARTÍCULA: FORÇA E ACELERAÇÃO
13 CAPÍTULO 2 DINÂMICA DA PATÍCULA: OÇA E ACELEAÇÃO Nese capíulo seá aalsada a le de Newo a sua foma dfeecal, aplcada ao movmeo de paículas. Nesa foma a foça esulae das foças aplcadas uma paícula esá elacoada
Leia maisEscola de Engenharia de Lorena - USP Cinética Química Capítulo 03 Métodos Cinéticos
Escola de Egeharia de Lorea - USP iéica Química aíulo 03 Méodos iéicos Irodução O esudo ciéico, usualmee, é feio a arir de dados exerimeais coleados durae a evolução de uma reação química. Eses dados coleados
Leia maisLCE2112 Estatística Aplicada às Ciências Sociais e Ambientais 2010/02. Exemplos de revisão
LCE Etatítca Aplcada à Cêca Soca e Ambeta 00/0 Eemplo de revão Varável Aleatóra Cotíua Eemplo: Para e etudar o comportameto de uma plata típca de dua, a Hydrocotlle p., quato ao eu deevolvmeto, medu-e
Leia maisGrupo I (Cotação: 0 a 3 valores: uma resposta certa vale 1,5 valores e uma errada 0,50 valores)
INSTITUTO SUPERIOR DE ECONOMIA E GESTÃO Esaísca II - Lcecaura em Gesão Época de Recurso 5// Pare práca (quesões de escolha múlpla) (6 valores) Nome: Nº Espaço reservado para a classfcação (ão escrever
Leia maisA TORRE DE HANÓI Carlos Yuzo Shine - Colégio Etapa
A TORRE DE HANÓI Carlos Yuzo Shie - Colégio Etapa Artigo baseado em aula miistrada a IV Semaa Olímpica, Salvador - BA Nível Iiciate. A Torre de Haói é um dos quebra-cabeças matemáticos mais populares.
Leia maisCapítulo 5: Ajuste de curvas pelo método dos mínimos quadrados
Capítulo : Ajuste de curvas pelo método dos mímos quadrados. agrama de dspersão No capítulo ateror estudamos uma forma de ldar com fuções matemátcas defdas por uma taela de valores. Frequetemete o etato
Leia maisEconometria: 4 - Regressão Múltipla em Notação Matricial
Ecoometra: 4 - Regressão últpla em Notação atrcal Prof. arcelo C. ederos mcm@eco.puc-ro.br Prof. arco A.F.H. Cavalcat cavalcat@pea.gov.br Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo
Leia maisPerguntas Freqüentes - Bandeiras
Pergutas Freqüetes - Baderas Como devo proceder para prestar as formações de quatdade e valor das trasações com cartões de pagameto, os casos em que o portador opte por lqudar a obrgação de forma parcelada
Leia maisA REGRESSÃO LINEAR EM EVENTOS HIDROLÓGICOS EXTREMOS: enchentes
Mostra Nacoal de Icação Cetífca e Tecológca Iterdscplar VI MICTI Isttuto Federal Catarese Câmpus Camború 30 a 3 de outubro de 03 A REGRESSÃO LINEAR EM EVENTOS HIDROLÓGICOS EXTREMOS: echetes Ester Hasse
Leia maisOlá, amigos concursandos de todo o Brasil!
Matemátca Facera ICMS-RJ/008, com gabarto cometado Prof. Wager Carvalho Olá, amgos cocursados de todo o Brasl! Veremos, hoje, a prova do ICMS-RJ/008, com o gabarto cometado. - O artgo º da Le.948 de 8
Leia maisFINANCIAMENTOS UTILIZANDO O EXCEL
rofessores Ealdo Vergasta, Glóra Márca e Jodála Arlego ENCONTRO RM 0 FINANCIAMENTOS UTILIZANDO O EXCEL INTRODUÇÃO Numa operação de empréstmo, é comum o pagameto ser efetuado em parcelas peródcas, as quas
Leia mais1- Testes Acelerados. Como nível usual entende-se o nível da variável stress a que o componente ou aparelho será submetido no dia-adia.
- Teses Aelerados São de rande mporâna na ndúsra espealmene na ndúsra elero-elerôna em que eses de empos de vda demandam muo empo. (os produos são muo onfáves) Inorporação de uma arável-sress adonada a
Leia maisTESTE DE HIPÓTESES COM DUAS AMOSTRAS TESTE DE HIPOTESES DA DIFERENÇA ENTRE DUAS MÉDIAS POPULACIONAIS
TESTE DE HIPÓTESES COM DUAS AMOSTRAS TESTE DE HIPOTESES DA DIFERENÇA ENTRE DUAS MÉDIAS POPULACIONAIS A hipóese ula (Ho) usualmee esaa é a e que as uas amosras eham sio obias e populações om méias iguais,
Leia maisGripe: Época de gripe; actividade gripal; cálculo da linha de base e do respectivo intervalo de confiança a 95%; e área de actividade basal.
Grpe: Época de grpe; acvdade grpal; cálculo da lnha de ase e do respecvo nervalo de confança a 95%; e área de acvdade asal. ÉPOCA DE GRPE Para maor facldade de compreensão será desgnado por época de grpe
Leia maisECONOMETRIA. Prof. Patricia Maria Bortolon, D. Sc.
ECONOMETRIA Prof. Parca Mara Borolon. Sc. Modelos de ados em Panel Fone: GUJARATI;. N. Economera Básca: 4ª Edção. Ro de Janero. Elsever- Campus 006 efnções Geras Nos dados em panel a mesma undade de core
Leia maisCAPÍTULO 1 REPRESENTAÇÃO E CLASSIFICAÇÃO DE SISTEMAS. Sistema monovariável SISO = Single Input Single Output. s 1 s 2. ... s n
1 CAPÍTULO 1 REPREENTAÇÃO E CLAIFICAÇÃO DE ITEMA 1.1. Represenação de ssemas 1.1.1. semas com uma enrada e uma saída (IO) e sema monovarável IO = ngle Inpu ngle Oupu s e = enrada s = saída = ssema 1.1..
Leia maisTestes de Hipóteses para a Diferença Entre Duas Médias Populacionais
Estatística II Atoio Roque Aula Testes de Hipóteses para a Difereça Etre Duas Médias Populacioais Vamos cosiderar o seguite problema: Um pesquisador está estudado o efeito da deficiêcia de vitamia E sobre
Leia maisTEORIA DE ERROS * ERRO é a diferença entre um valor obtido ao se medir uma grandeza e o valor real ou correto da mesma.
UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO CENTRO DE CIÊNCIAS EXATAS DEPARTAMENTO DE FÍSICA AV. FERNANDO FERRARI, 514 - GOIABEIRAS 29075-910 VITÓRIA - ES PROF. ANDERSON COSER GAUDIO FONE: 4009.7820 FAX: 4009.2823
Leia maisFaculdade de Economia, Administração e Contabilidade de Ribeirão Preto
Faculdade de Ecooma, Admstração e Cotabldade de Rberão Preto Ecooma Moetára Curso de Ecooma / º. Semestre de 014 Profa. Dra. Rosel da Slva Nota de aula CAPM Itrodução Há dos modelos bastate utlzados para
Leia maisA DESIGUALDADE DE CHEBYCHEV HÉLIO BERNARDO LOPES 1
A DESIGUALDADE DE CHEBYCHEV HÉLIO BERNARDO LOPES Resumo. A desgualdade de Chebychev cosu um resulado de grade mporâca a esmação da probabldade de acoecmeos orudos de experêcas aleaóras de que se descohece
Leia maisCovariância e Correlação Linear
TLF 00/ Cap. X Covarânca e correlação lnear Capítulo X Covarânca e Correlação Lnear 0.. Valor médo da grandeza (,) 0 0.. Covarânca na propagação de erros 03 0.3. Coecente de correlação lnear 05 Departamento
Leia maisEquações Diferenciais (ED) Resumo
Equações Difereciais (ED) Resumo Equações Difereciais é uma equação que evolve derivadas(diferecial) Por eemplo: dy ) 5 ( y: variável depedete, : variável idepedete) d y dy ) 3 0 y ( y: variável depedete,
Leia maisMOSFET: A Dedução da equação da corrente Aula 2
MOSFET: A edução da equação da corree Aula 31 Aula Maéra Cap./pága 1ª 03/08 Elerôca PS33 Programação para a Prmera Prova Esruura e operação dos rassores de efeo de campo caal, caraceríscas esão-corree.
Leia maisUERJ CTC IME Departamento de Informática e Ciência da Computação 2 Cálculo Numérico Professora Mariluci Ferreira Portes
UERJ CTC IE Departameto de Iormátca e Cêca da Computação Udade I - Erros as apromações umércas. I. - Cosderações geras. Há váras stuações em dversos campos da cêca em que operações umércas são utlzadas
Leia maisAula 5 Distribuição amostral da média
Aula 5 Distribuição amostral da média Nesta aula você irá aprofundar seus conhecimentos sobre a distribuição amostral da média amostral. Na aula anterior analisamos, por meio de alguns exemplos, o comportamento
Leia maisEquação Diferencial. Uma equação diferencial é uma expressão que relaciona uma função desconhecida (incógnita) y com suas derivadas.
Equação Difereial Uma equação difereial é uma epressão que relaioa uma fução desoheida (iógita) om suas derivadas É útil lassifiar os diferetes tipos de equações para um desevolvimeto sistemátio da Teoria
Leia maisPROJEÇÃO DE DOMICÍLIOS PARA OS MUNICÍPIOS BRASILEIROS EM 31/12/2004
PROJEÇÃO DE DOMICÍLIOS PARA OS MUNICÍPIOS BRASILEIROS EM 31/12/2004 SUMÁRIO 1. INRODUÇÃO... 1 2. FONE DE DADOS... 1 3. PROJEÇÃO DO NÚMERO DE DOMICÍLIOS... 2 3.1 Mucípo emacpado em 2001... 5 3.2 População
Leia mais2 Programação Matemática Princípios Básicos
Programação Maemáca Prncípos Báscos. Consderações Geras Os objevos dese capíulo são apresenar os conceos de Programação Maemáca (PM) necessáros à compreensão do processo de omzação de dmensões e descrever
Leia mais5 Cálculo Diferencial em IR n
5 Cálculo Derecal e IR Irodução Cosdereos a órula que os dá a área de u raulo: b h A b h Coo podeos vercar a área de u râulo depede de duas varáves: base b e alura h. Podeos caracerar esa ução coo sedo
Leia maisIntrodução ao Estudo de Sistemas Lineares
Itrodução ao Estudo de Sistemas Lieares 1. efiições. 1.1 Equação liear é toda seteça aberta, as icógitas x 1, x 2, x 3,..., x, do tipo a1 x1 a2 x2 a3 x3... a x b, em que a 1, a 2, a 3,..., a são os coeficietes
Leia maisEXEMPLO 3 - CONTINUAÇÃO
AJUSTE A U POLINÔIO Se curv f for jusd um polômo de gru, eremos f * () 0 Segudo o mesmo procedmeo eror, chegremos o segue ssem ler: m L O L L 0 EXEPLO Os ddos bo correspodem o volume do álcool ídrco em
Leia maisReceita do Método da Aproximação Polinomial Global Aplicado a Problemas. Unidirecionais sem Simetria
Recea do Méodo da Aromação olomal Recea do Méodo da Aromação olomal Global Alcado a roblemas Esruura Geral do roblema: Udrecoas sem Smera y y y F y o domío : 0 < < e >0. Suea às codções de cooro: CC: G
Leia maisUNIVERSIDADE DO ESTADO DA BAHIA - UNEB DEPARTAMENTO DE CIÊNCIAS EXATAS E DA TERRA COLEGIADO DO CURSO DE DESENHO INDUSTRIAL CAMPUS I - SALVADOR
Matéra / Dscplna: Introdução à Informátca Sstema de Numeração Defnção Um sstema de numeração pode ser defndo como o conjunto dos dígtos utlzados para representar quantdades e as regras que defnem a forma
Leia maisAULAS 02 E 03 Modelo de Regressão Simples
1 AULAS 02 E 03 Modelo de Regressão Simples Ernesto F. L. Amaral 04 e 09 de março de 2010 Métodos Quantitativos de Avaliação de Políticas Públicas (DCP 030D) Fonte: Wooldridge, Jeffrey M. Introdução à
Leia maisE-mails: damasceno1204@yahoo.com.br damasceno@interjato.com.br damasceno12@hotmail.com http://www. damasceno.info www. damasceno.info damasceno.
Matemátca Facera 2007.1 Prof.: Luz Gozaga Damasceo 1 E-mals: damasceo1204@yahoo.com.br damasceo@terjato.com.br damasceo12@hotmal.com http://www. damasceo.fo www. damasceo.fo damasceo.fo Obs.: (1 Quado
Leia maisCapítulo 1 PORCENTAGEM
Professor Joselas Satos da Slva Matemátca Facera Capítulo PORCETAGEM. PORCETAGEM A porcetagem ada mas é do que uma otação ( % ) usada para represetar uma parte de cem partes. Isto é, 20% lê-se 20 por ceto,
Leia maisAnálise de Regressão
Aálse de Regressão Prof. Paulo Rcardo B. Gumarães. Itrodução Os modelos de regressão são largamete utlzados em dversas áreas do cohecmeto, tas como: computação, admstração, egeharas, bologa, agrooma, saúde,
Leia maisTESTE DE VIDA SEQÜENCIAL COM DISTRIBUIÇÕES DE AMOSTRAGEM WEIBULL E WEIBULL INVERTIDA
TST VI SQÜNCI CM ISTRIBUIÇÕS MSTRGM WIBU WIBU INVRTI ael I. e Souza Jr. Resumo: mecasmo de ese de vda seqüecal represea uma suação de ese de hpóese a qual é omada uma decsão de se acear ou se rejear uma
Leia mais7. Resolução Numérica de Equações Diferenciais Ordinárias
7. Resolução Numérca de Equações Dferencas Ordnáras Fenômenos físcos em dversas áreas, tas como: mecânca dos fludos, fluo de calor, vbrações, crcutos elétrcos, reações químcas, dentre váras outras, podem
Leia maisEscolha do Consumidor sob condições de Risco e de Incerteza
9/04/06 Escolha do Consumdor sob condções de Rsco e de Incerteza (Capítulo 7 Snyder/Ncholson e Capítulo Varan) Turma do Prof. Déco Kadota Dstnção entre Rsco e Incerteza Na lteratura econômca, a prmera
Leia maisAPOSTILA DA DISCIPLINA INFERÊNCIA ESTATÍSTICA I
UNIVERSIDADE FEDERAL DO PARANÁ SETOR DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA APOSTILA DA DISCIPLINA INFERÊNCIA ESTATÍSTICA I CURSO DE ESTATÍSTICA Prof. Paulo Rcardo Bttecourt Gumarães O SEMETRE
Leia maisÉ a parte da mecânica que descreve os movimentos, sem se preocupar com suas causas.
1 INTRODUÇÃO E CONCEITOS INICIAIS 1.1 Mecânca É a pare da Físca que esuda os movmenos dos corpos. 1. -Cnemáca É a pare da mecânca que descreve os movmenos, sem se preocupar com suas causas. 1.3 - Pono
Leia maisEN3224 Dinâmica de Fluidos Computacional
Uversdade Federal do ABC EN34 Dâmca de Fldos Compacoal Apreseação do Crso EN34 Dâmca de Fldos Compacoal Uversdade Federal do ABC Sod s Shock Tbe Problem Um smples modelo de ma dmesoal de m gás rodzdo por
Leia maisCAPÍTULO 9 - Regressão linear e correlação
INF 6 Prof. Luz Alexadre Peterell CAPÍTULO 9 - Regressão lear e correlação Veremos esse capítulo os segutes assutos essa ordem: Correlação amostral Regressão Lear Smples Regressão Lear Múltpla Correlação
Leia maisAs tabelas resumem as informações obtidas da amostra ou da população. Essas tabelas podem ser construídas sem ou com perda de informações.
1. TABELA DE DISTRIBUIÇÃO DE FREQÜÊNCIA As tabelas resumem as normações obtdas da amostra ou da população. Essas tabelas podem ser construídas sem ou com perda de normações. As tabelas sem perda de normação
Leia mais? Isso é, d i= ( x i. . Percebeu que
Estatístca - Desvo Padrão e Varâca Preparado pelo Prof. Atoo Sales,00 Supoha que tehamos acompahado as otas de quatro aluos, com méda 6,0. Aluo A: 4,0; 6,0; 8,0; méda 6,0 Aluo B:,0; 8,0; 8,0; méda 6,0
Leia maisCAPÍTULO 9. y(t). y Medidor. Figura 9.1: Controlador Analógico
146 CAPÍULO 9 Inrodução ao Conrole Discreo 9.1 Inrodução Os sisemas de conrole esudados aé ese pono envolvem conroladores analógicos, que produzem sinais de conrole conínuos no empo a parir de sinais da
Leia maisINTRODUÇÃO ÀS PROBABILIDADES E ESTATÍSTICA
INTRODUÇÃO ÀS PROBABILIDADES E ESTATÍSTICA 003 Iformações: relembra-se os aluos teressados que a realzação de acções presecas só é possível medate solctação vossa, por escrto, à assstete da cadera. A realzação
Leia maisRevisão de Álgebra Linear
UleseMG Curso de Especlzção em Auomção e Corole Revsão de Álger Ler Deção de mrz Um mrz rel ou comple é um ução que cd pr ordedo,j o cojuo S m ssoc um úmero rel ou compleo. Um orm muo comum e prác pr represer
Leia maisO que heterocedasticidade? Heterocedasticidade. Por que se preocupar com heterocedasticidade? Exemplo de heterocedasticidade.
Heterocedastcdade y = β 0 + β + β + β k k + u O que heterocedastcdade? Lembre-se da hpótese de homocedastcdade: condconal às varáves eplcatvas, a varânca do erro, u, é constante Se sso não for verdade,
Leia maisEconometria: 3 - Regressão Múltipla
Ecoometra: 3 - Regressão Múltpla Prof. Marcelo C. Mederos mcm@eco.puc-ro.br Prof. Marco A.F.H. Cavalcat cavalcat@pea.gov.br Potfíca Uversdade Católca do Ro de Jaero PUC-Ro Sumáro O modelo de regressão
Leia maisSistemas Série-Paralelo e
Capíulo 5 Cofabldade de semas ére-paralelo e Msos Flávo. Foglao uposções comus a odos os ssemas aalsados Cofabldade de ssemas é avalada um poo o empo; ou seja, compoees apreseam cofabldades esácas em.
Leia maisProf. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística Prof. Lorí Viali, Dr. PUCRS FAMAT: Departamento de Estatística
Prof. Lorí Val, Dr. http://www.pucrs.br/famat/val/ val@pucrs.br Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Prof. Lorí Val, Dr. PUCRS FAMAT: Departameto de Estatístca Obetvos A Aálse de
Leia maisMATEMÁTICA ENEM 2009 PROF. MARCELO CÓSER
MATEMÁTICA ENEM 09 PROF. MARCELO CÓSER Funções Lineares: problemas com variação constante. f(x) = ax + b VARIAÇÃO CONSTANTE VALOR INICIAL a > 0 a < 0 a y x 0) (UFRJ) Uma operadora de celular oferece dois
Leia maisMEDIDAS DE TENDÊNCIA CENTRAL I
Núcleo das Cêcas Bológcas e da Saúde Cursos de Bomedca, Ed. Físca, Efermagem, Farmáca, Fsoterapa, Fooaudologa, edca Veterára, uscoterapa, Odotologa, Pscologa EDIDAS DE TENDÊNCIA CENTRAL I 7 7. EDIDAS DE
Leia maisResolução de Matemática da Prova Objetiva FGV Administração - 06-06-10
QUESTÃO 1 VESTIBULAR FGV 010 JUNHO/010 RESOLUÇÃO DAS 15 QUESTÕES DE MATEMÁTICA DA PROVA DA MANHÃ MÓDULO OBJETIVO PROVA TIPO A O mon i tor de um note book tem formato retangular com a di ag o nal medindo
Leia maisCap. 5. Testes de Hipóteses
Cap. 5. Testes de Hpóteses Neste capítulo será estudado o segudo problema da ferêca estatístca: o teste de hpóteses. Um teste de hpóteses cosste em verfcar, a partr das observações de uma amostra, se uma
Leia maisErro! Indicador não definido. Erro! Indicador não definido. Erro! Indicador não definido. Erro! Indicador não definido.
A Prevsão com o Modelo de Regressão.... Inrodução ao Modelo de Regressão.... Exemplos de Modelos Lneares... 3. Dervação dos Mínmos Quadrados no Modelo de Regressão... 6 4. A Naureza Probablísca do Modelo
Leia maisINTRODUÇÃO A TEORIA DE CONJUNTOS
INTRODUÇÃO TEORI DE CONJUNTOS Professora Laura guiar Cojuto dmitiremos que um cojuto seja uma coleção de ojetos chamados elemetos e que cada elemeto é um dos compoetes do cojuto. Geralmete, para dar ome
Leia maisPUCRS FAMAT DEPTº DE ESTATÍSTICA ESTATÍSTICA DESCRITIVA SÉRGIO KATO
PUCRS FAMAT DEPTº DE ESTATÍSTICA ESTATÍSTICA DESCRITIVA SÉRGIO KATO A expressão dados, será ctada dversas vezes esta dscpla, em lguagem ormal, dados são ormações (úmeros ou ão) sobre um dvíduo (pessoa,
Leia maisEstruturas de Repetição
Estruturas de Repetição Lista de Exercícios - 04 Algoritmos e Linguagens de Programação Professor: Edwar Saliba Júnior Estruturas de Repetição O que são e para que servem? São comandos que são utilizados
Leia maisonde d, u, v são inteiros não nulos, com u v, mdc(u, v) = 1 e u e v de paridades distintas.
!"$# &%$" ')( * +-,$. /-0 3$4 5 6$7 8:9)$;$< =8:< > Deomiaremos equação diofatia (em homeagem ao matemático grego Diofato de Aleadria) uma equação em úmeros iteiros. Nosso objetivo será estudar dois tipos
Leia maisDefinição 1.1: Uma equação diferencial ordinária é uma. y ) = 0, envolvendo uma função incógnita y = y( x) e algumas das suas derivadas em ordem a x.
4. EQUAÇÕES DIFERENCIAIS 4.: Defiição e coceitos básicos Defiição.: Uma equação diferecial ordiária é uma dy d y equação da forma f,,,, y = 0 ou d d ( ) f (, y, y,, y ) = 0, evolvedo uma fução icógita
Leia maisVII Equações Diferenciais Ordinárias de Primeira Ordem
VII Equações Difereciais Ordiárias de Primeira Ordem Itrodução As equações difereciais ordiárias são istrumetos esseciais para a modelação de muitos feómeos proveietes de várias áreas como a física, química,
Leia maisAULAS 14, 15 E 16 Análise de Regressão Múltipla: Problemas Adicionais
1 AULAS 14, 15 E 16 Análise de Regressão Múltipla: Problemas Adicionais Ernesto F. L. Amaral 20 e 22 de abril e 04 de maio de 2010 Métodos Quantitativos de Avaliação de Políticas Públicas (DCP 030D) Fonte:
Leia maisGuia de aulas: Equações diferenciais. Prof. Carlos Vidigal Profª. Érika Vidigal
Guia de aulas: Equações diferenciais Prof. Carlos Vidigal Profª. Érika Vidigal 1º Semestre de 013 Índice 1.Introdução... 3. Equações Diferenciais de 1ª Ordem... 7.1. Equações Diferenciais Separáveis...
Leia mais12 Integral Indefinida
Inegral Indefinida Em muios problemas, a derivada de uma função é conhecida e o objeivo é enconrar a própria função. Por eemplo, se a aa de crescimeno de uma deerminada população é conhecida, pode-se desejar
Leia maisJUROS SIMPLES. i 100 i 100. TAXA PROPORCIONAL: É aquela que aplicada ao mesmo capital, no mesmo prazo, produze o mesmo juros.
JUROS MONTANTE JUROS SIMPLES J = C 0 * * t 00 M = C * + * t 00 TAXA PROPORCIONAL: É aquela que aplcada ao mesmo captal, o mesmo prazo, produze o mesmo juros. * = * JUROS COMPOSTOS MONTANTE M = C * + 00
Leia maiswww.obconcursos.com.br/portal/v1/carreirafiscal
www.obconcursos.com.br/portal/v1/carrerafscal Moda Exercíco: Determne o valor modal em cada um dos conjuntos de dados a segur: X: { 3, 4,, 8, 8, 8, 9, 10, 11, 1, 13 } Mo 8 Y: { 10, 11, 11, 13, 13, 13,
Leia maisRESOLUÇÃO NUMÉRICA DE EQUAÇÕES DIFERENCIAIS
Defnções RESOLUÇÃO NUMÉRICA DE EQUAÇÕES DIFERENCIAIS Problemas de Valor Incal PVI) Métodos de passo smples Método de Euler Métodos de sére de Talor Métodos de Runge-Kutta Equações de ordem superor Métodos
Leia maisCURSO ON-LINE PROFESSOR: VÍTOR MENEZES
O Danel Slvera pedu para eu resolver mas questões do concurso da CEF. Vou usar como base a numeração do caderno foxtrot Vamos lá: 9) Se, ao descontar uma promssóra com valor de face de R$ 5.000,00, seu
Leia maisTeste de Hipóteses VÍCTOR HUGO LACHOS DÁVILAD
Teste de ióteses VÍCTOR UGO LACOS DÁVILAD Teste De ióteses. Exemlo. Cosidere que uma idustria comra de um certo fabricate, ios cuja resistêcia média à rutura é esecificada em 6 kgf (valor omial da esecificação).
Leia maisPor que estudar econometria? Passos para uma análise econômica empírica. Por que estudar econometria? Tipos de dados Cross Section
Por que estudar econometria? Inexistência de dados experimentais (experimentos controlados) em economia O que é Econometria? Necessidade de usar dados não experimentais, ou melhor, dados observados para
Leia maisLEASING UMA OBSERVAÇÃO Economista Antonio Pereira da Silva
LEASING UMA OBSERVAÇÃO Ecoomsta Atoo Perera da Slva AMOR POR DINHEIRO TITÃS Composção: Sérgo Brtto e To Bellotto Acma dos homes, a le E acma da le dos homes A le de Deus Acma dos homes, o céu E acma do
Leia maisEquações Diferenciais Ordinárias
Equações Diferenciais Ordinárias Uma equação diferencial é uma equação que relaciona uma ou mais funções (desconhecidas com uma ou mais das suas derivadas. Eemplos: ( t dt ( t, u t d u ( cos( ( t d u +
Leia maisMAT302 - Cálculo 2. INTEGRAIS Integral Indefinida pág. 403. Bibliografia: Cálculo volume I, 5 edição. James Stewart Prof.
MAT - Cálculo Biliografia: Cálculo volume I, 5 edição. James Sewar Prof. Valdecir Boega INTEGRAIS Iegral Idefiida pág. 4 Aé aqui, osso prolema ásico era: ecorar a derivada de uma fução dada. A parir de
Leia maisCAPÍTULO 6 TRANSFORMAÇÃO LINEAR
INODUÇÃO AO ESUDO DA ÁLGEBA LINEA CAPÍULO 6 ANSFOMAÇÃO LINEA Introdução Muitos problemas de Matemática Aplicada envolvem o estudo de transformações, ou seja, a maneira como certos dados de entrada são
Leia mais