I. TEORIAS KEYNESIANAS TRADICIONAIS DAS FLUTUAÇÕES (Continuação) 5.4. Assunções alternativas quanto à rigidez dos salários e dos preços

Tamanho: px
Começar a partir da página:

Download "I. TEORIAS KEYNESIANAS TRADICIONAIS DAS FLUTUAÇÕES (Continuação) 5.4. Assunções alternativas quanto à rigidez dos salários e dos preços"

Transcrição

1 I. TEORIAS KEYNESIANAS TRADICIONAIS DAS FLUTUAÇÕES (Contnuação) 5.4. Assunções alternatvas quanto à rgdez dos saláros e dos preços Caso 1: O modelo Keynesano (saláros nomnas rígdos e mercado de bens compettvo) Caso 2: Preços rígdos, saláros flexíves e mercado laboral compettvo Caso 3: Preços rígdos, saláros flexíves e mperfeções reas no mercado de trabalho Caso 4: Preços flexíves, saláros rígdos e concorrênca mperfeta Dferentes assunções quanto ao funconamento do mercado de trabalho e de bens levam a conclusões dferentes relatvamente ao comportamento do emprego, saláros reas e markups. As teoras keynesanas não fazem predções fortes quanto ao comportamento destas varáves. 1

2 5.5 Tradeoffs produto-nflação (Romer, 5.5) Nos modelos anterores, os preços e os saláros são completamente fxos no curto prazo. Uma troca permanente? Admtndo que os níves a que são fxados os saláros ou preços dependem dos níves dos mesmos no período anteror verfca-se uma troca permanente entre nflação e produto. Porquê? Retomando o caso1: saláros fxos, preços flexíves e mercado de bens compettvo. Admtndo que os saláros de hoje são proporconas ao nível de preços do período anteror, o lado da oferta da economa passa a ser descrto por: W t = AP t-1, A>0 (5.31) Y t = F(L t ), F ( )>0, F ( )<0 (5.32) W t F '(L t ) = (5.33) Pt Impacto de uma expansão na procura agregada (fg. 5.16). AD 1 -> P 1 e Y 1. Dado que o saláro real cau dá-se um deslocamento ao longo da curva da AS. No período segunte, os saláros nomnas sobem, contrando o emprego e elevando os preços (AS 2 ). Se os governantes aumentarem AD para AD2, o produto e os preços sobem e o processo repete-se. O modelo mplca um troca permanente entre desemprego e preços. 2

3 Phllps (1958) demonstrou a exstênca de uma relação negatva, forte e relatvamente estável entre o desemprego e o crescmento dos saláros em Inglaterra, durante o século passado. Outros autores encontraram uma relação negatva entre o desemprego e a taxa de nflação. Esta relação tornou-se conhecda como a curva de Phllps. A taxa de desemprego natural A exstênca de uma relação estável entre desemprego e nflação fo posta em causa no fnal da década de 60 e níco da de Do ponto de vsta teórco: Fredman (1968) e Phelps (1968) atacaram esta vsão da economa com a hpótese da taxa de desemprego natural. Defendem a exstênca de uma taxa de desemprego natural ou normal que é determnada apenas por factores reas. Consderam que a polítca monetára não é capaz de manter a taxa de desemprego, de uma forma permanente, abaxo deste nível. - Emprcamente: A realdade não confrmou a curva de Phllps (Fg. 5.17). Nos anos 70 ocorreram sgnfcatvos choques na oferta. No entanto estes choques na oferta não explcam totalmente a queda da curva de Phllps na década de 70 e 80. Nos anos 81 e 82 não ocorreram choques mportantes na oferta e no entanto, tanto o desemprego como a nflação permaneceram muto superores aos anos 60. Os modelos que prevam uma troca permanente entre desemprego e nflação exgam reformulação e a curva de Phllps dexou de servr de menu para os governantes. 3

4 A curva de Phllps aumentada das expectatvas - No longo prazo Curva AS de longo prazo vertcal ao nível da taxa de desemprego natural (produto natural, Y ). No longo prazo, os preços e os saláros são perfetamente flexíves e a procura agregada não tem efetos reas. - No curto prazo As formulações keynesanas modernas da oferta agregada de curto-prazo, dferem do formulado em ( ) em 3 aspectos fundamentas: - Admtem que nem os preços nem os saláros são ndependentes do estado da economa: aumentos do produto estão assocados a aumentos nos preços e saláros. A curva da AS de curto-prazo é postvamente nclnada. - Consderam a possbldade de ocorrerem choques na oferta. - O ajustamento à nflação passada e futura é mas complcado que o exposto em (5.31). Uma formulação moderna keynesana típca da oferta agregada é a segunte: Ln P t = ln P t-1 + π t * + λ(lny t lny t ) + ε S t, λ>0 (5.35) π t * = núcleo da nflação (core nflaton); Y = produto natural; ε S t = choques na oferta ou π t = π t * + λ(lny t lny t ) + ε S t (5.36) dado que ln P t - ln P t-1 = π t 4

5 π t = π t * + λ(lny t lny t ) + ε S t (5.36) Na equação (5.36) nada é dto sobre se são os preços ou os saláros a fonte do ajustamento ncompleto. A maor dferença em relação aos modelos anterores está no termo π t *, que representa a nflação que prevalece quando o produto guala o produto natural e não há choques na oferta. A equação (5.36) é a chamada curva de Phllps aumentada das expectatvas. Um modelo smples para π t * é aquele que assume π t * = π t-1 (5.37) Com esta formulação exste uma troca permanente entre produto e varações na nflação, mas não exste uma troca permanente entre produto e nflação. Este modelo é melhor suceddo que os modelos que pressupõem uma troca permanente entre nflação e produto a explcar os dados macroeconómcos dos EUA. Uma vez que ntroduzmos π t * no modelo fará mas sentdo descrever o comportamento da economa no espaço, nflação-produto que no espaço preçosproduto. Fgura

6 A hpótese assumda em (5.37: π t * = π t-1 ) tem mportantes lmtações: - Se consderarmos períodos muto curtos, π t * provavelmente demorará mas do que um período a responder totalmente a varações na taxa de nflação actual. Será necessáro substtur o lado dreto da equação (5.37) por uma méda ponderada das taxas de nflação dos períodos anterores. - Assume que π t * não depende do estado da economa. Implca uma troca permanente entre varações na taxa de nflação e o produto. Os governantes podem manter o produto permanentemente acma do produto natural desde que acetem aumentos na taxa de nflação. O mesmo argumento que Fredman e Phelps usaram para combater a hpóteses de que exste uma troca permanente entre produto e nflação pode ser usado neste caso. Tendo em atenção estas crtcas será razoável substtur π t * pela nflação esperada π t = π t e + λ(lny t ln Y t ) + ε S t (5.38) A não ser que as expectatvas sejam rraconas, os governantes não conseguem manter o produto permanentemente acma do seu nível natural, já que para sso sera necessáro que os agentes prevssem uma taxa de nflação sempre nferor à que na realdade se verfca. 6

7 Os modelos keynesanos modernos não utlzam em geral um modelo de oferta agregada do tpo (5.38). Assumr que os agentes são perfetamente raconas tem mplcações que o keynesanos não acetam. Por outro lado, não faz sentdo admtr que eles são rraconas. Um compromsso natural entre (5.37) e (5.38) é assumr que o núcleo da nflação resulta de uma méda ponderada da taxa de nflação esperada e das taxas de nflação passadas. A curva da oferta passa a ser: π t = φπ e t + (1-φ)π t-1 + λ(lny t lny t ) + ε S t, 0 φ 1 (5.39) 0 φ 1: exste alguma nérca nos preços e saláros mas o núcleo da nflação não resulta mecancamente da nflação passada. Os modelos keynesanos caem geralmente em 2 grupos: - modelos em que a curva da oferta agregada ou a rgdez nomnal resulta de hpóteses mcroeconómcas sobre o comportamento dos agentes; - modelos com formulações específcas, que pretendem descrever o comportamento da oferta agregada em determnadas stuações, mas que não ambconam a serem unversas. O facto de a teora keynesana moderna não ter sdo capaz de desenvolver um modelo geral, consttu uma mportante lmtação. 7

8 5.6 Aplcações empírcas De acordo com os modelos keynesanos a polítca monetára tem mpactos reas. Uma forma óbva de testar estes modelos consste portanto, em correr regressões em que a varável dependente é o produto e a ndependente é a moeda. Por exemplo, lny t = c + β 1 lnm t + β 2 lnm t-1 + β 3 lnm t αt + ε t Esta equação fcou conhecda como a equação de St. Lous. Romer consdera que uma equação deste tpo tem város problemas: - pode ser o produto a nfluencar a moeda e não o contráro (Kng e Plosser, 1984); - a polítca monetára pode ser defnda de forma a contrabalançar outros factores que nfluencam o produto; - ao longo do tempo ocorreram város choques na procura de moeda. Daí que os resultados obtdos com base na estmação desta equação sejam pouco útes para determnar se a moeda tem efetos reas. Fredman and Schwartz (1963) adoptam uma estratéga dferente. Realzaram uma análse hstórca cudadosa das causas dos movmentos na oferta de moeda, desde a Guerra Cvl até aos anos Concluem que exste uma relação da moeda para o produto e não no sentdo nverso. Romer e Romer (1989) seguem as lnhas do trabalho anteror e actualzam-no. Também concordam com este sentdo da causaldade. 8

9 II. MODELOS DOS NOVOS CLÁSSICOS E DOS NOVOS KEYNESIANOS ROMER, cap. 6 Este capítulo concentra-se nos fundamentos mcroeconómcos para a rgdez dos preços e dos saláros. Esta questão é mportante por váras razões: - é uma hpótese central aos modelos keynesanos; - as razões que explcam a rgdez nomnal são mportantes para a defnção de polítcas. Neste capítulo vamos analsar três fontes possíves de mperfeções nomnas: A) Lucas (1972) e Phelps (1970): os produtores não observam o nível geral de preços, pelo que tomam as suas decsões de produção sem terem perfeto conhecmento dos preços relatvos que vão receber pelos seus bens. B) Modelos de ajustamento desfasado dos preços: os choques monetáros têm mpacto real porque nem todos os preços e saláros se ajustam ao mesmo tempo. C) Os efetos reas dos choques monetáros dervam de pequenos custos de ajustamento nomnal dos preços ou dos saláros ou de pequenas frcções no ajustamento nomnal. 9

10 A) O modelo de nformação mperfeta de Lucas (Romer, cap. 6 parte A) A hpótese central do modelo Quando um produtor observa uma alteração no preço do bem que produz, não é capaz de determnar se esta alteração revela uma alteração nos preços relatvos ou um varação no nível geral de preços. No prmero caso a quantdade óptma a produzr altera-se, mas no segundo caso não. Devdo a esta falta de nformação, os produtores perante uma subda do preço do seu bem consderam que esta reflecte ambas as stuações. Daí que a oferta agregada seja postvamente nclnada. O modelo a segur descrto assume que os ndvíduos produzem bens usando o seu própro trabalho, vendem os seus produtos em mercados compettvos e usam os rendmentos para comprar outros produtos. O modelo permte dos tpos de choques: 1) Perturbações aleatóras nas preferêncas que alteram a procura relatva por cada um dos bens, dando orgem a varações nos preços relatvos dos bens e a varações na quantdade relatva produzda dos dferentes bens. 2) Perturbações na oferta de moeda, ou de uma forma mas geral, na procura agregada. Quando estes choques são observados, alteram o nível geral de preços mas não têm mpactos reas. Quando não são observados, alteram o nível de preços e o produto agregado. 10

11 Admtndo nformação perfeta Comportamento dos produtores Há mutos bens dferentes na economa. Um produtor representatvo de um bem típco, bem, produz de acordo com a segunte função de produção: Q = L (6.1) L = quantdade de oferta de trabalho do ndvíduo. Q = quantdade do bem que o ndvíduo produz. O consumo do ndvíduo, C, é gual ao seu rendmento real. C = P Q P A utldade depende postvamente do consumo e negatvamente da número de horas trabalhadas e por smplcdade toma a segunte forma: U 1 γ = C L, γ>1. (6.2) γ A utldade margnal do consumo é constante e as perdas margnas de utldade resultantes do trabalho são crescentes. Quando o nível geral de preços é conhecdo, a função utldade pode ser smplfcada: P L 1 γ U = L (6.3) P γ 11

12 Admtndo que os mercados são compettvos, o ndvíduo maxmza a sua utldade tomando P e P como dados e escolhendo L de forma a satsfazer a segunte condção de prmera ordem: P P L γ 1 = 0 L = P P 1/( γ 1) Representando por letras mnúsculas os logartmos das varáves em causa l = 1 (p p) γ 1 (6.6) A equação (6.6) é uma função oferta de trabalho (ndrectamente é uma função produção) em que a oferta de trabalho do produtor depende postvamente do preço relatvo do seu bem. Procura A procura pelo bem e por produtor (Q ) depende de três factores: do rendmento real agregado (Y), do preço relatvo do bem (P -P) e de uma perturbação aleatóra nas preferêncas (Z ). Por smplfcação admte-se uma função procura logarítmca e lnear. A procura pelo bem será então: q = y + z - η(p p), η>0 (6.7) z tem méda zero entre os bens, trata-se de choques puramente relatvos na procura. η é a elastcdade da procura pelo bem. 12

13 Admte-se anda que: y = q (6.8) e p = p (6.9) Fnalmente, a procura agregada é gual a: y = m p (6.10) Esta é uma forma muto smples de modelzar a procura agregada. Está mplícta uma relação nversa entre preços e produto, que é a característca fundamental da procura agregada. Em termos lteras, m representa o log da oferta de moeda, mas pode ser entenddo como qualquer outra varável capaz de nfluencar a procura agregada. Equlíbro O equlíbro ocorre quando a quantdade procurada por produtor (6.6) guala a oferecda (6.7): 1 (p γ 1 p) = y + z η(p p) (6.11) Resolvendo em relação a p p γ 1 = (y + z ) p (6.12) 1+ ηγ η + Utlzando médas ( p = p e z = 0) γ 1 p = y + p (6.13) 1+ ηγ η 13

14 Utlzando médas ( p = p e z = 0) γ 1 p = y + p (6.13) 1+ ηγ η O equlíbro ocorre quando y = 0 (nível de produto = 1) (6.14) (6.10) e (6.14) mplcam m = p. (6.15) Logo, a moeda é neutral: um aumento em m dá orgem a um aumento gual em todos os p e portanto, no nível geral de preços, não sendo as varáves reas afectadas. ADMITINDO INFORMAÇÃO PERFEITA, ALTERAÇÕES NA PROCURA AGREGADA NÃO AFECTAM AS VARIÁVEIS REAIS. Admtndo nformação mperfeta Os produtores observam o preço do seu bem, mas não o nível geral de preços. Comportamento do produtor Preço relatvo do bem : r = p p p = p + r (6.16) O produtor gostara de tomar a sua decsão de produção com base em r, mas não o consegue observar, apenas o consegue estmar com base em p que observa. 14

15 Lucas assume que os produtores cram expectatvas raconas para r com base em p e agem como se o valor esperado fosse conhecdo com certeza. Logo, a equação (6.6) torna-se em... l = 1 γ 1 E[r p ] (6.17) Note-se que este comportamento de certeza equvalente não é equvalente a maxmzar a utldade esperada. Lucas assume que os produtores cram expectatvas raconas para r, dado p. Isto é, E[r p ] representa a verdadera expectatva de r dado p e dada a dstrbução conjunta das duas varáves. Quando Lucas ntroduzu a hpótese de Muth (1960, 1961) de que as expectatvas são raconas, esta dea era altamente controversa na macroeconoma. De forma a ser possível calcular a estmatva de r, Lucas assume que: 1) os choques monetáros (m) seguem uma dstrbução normal, com méda E[m] e varânca V m ; 2) os choques na procura por cada um dos bens (z ) seguem uma dstrbução normal com méda zero e varânca V z e são ndependentes de m. O problema do ndvíduo consste em prever r com base em p. Problema da extracção do snal A varável que o ndvíduo observa, p, guala o snal, r, mas um ruído, p. O problema consste em extrar uma estmatva do snal da observação de p. 15

16 Expectatvas raconas Porque os erros que se cometem na formulação de expectatvas envolvem custos, é natural que as pessoas os procurem evtar. Parece bastante razoável assumr que as pessoas não cometem erros sstemátcos na formulação das suas expectatvas. A ausênca de erros sstemátcos nas expectatvas, não pode, como é evdente ser expressa através de uma formulação matemátca do tpo das expectatvas adaptatvas. Esta hpótese não requer uma formula, mas sm uma condção analítca que evte esses erros. Esta condção consste em assumr que as expectatvas subjectvas formadas pelos agentes económcos são guas à méda da dstrbução de probabldades da varável a prever, dada a nformação dsponível no momento t. Por exemplo, p e t+j = E(p t+j Ω t ) Expectatva subjectva = expectatva objectva (méda da dstrbução de probabldades de p t+j condconada a Ω t ). A dstrbução de probabldades de p t+1 não exste na realdade, mas pode ser obtda através do que fo assumdo no modelo quando ao processo de geração dos p t. Esta flexbldade é uma vantagem mportante das expectatvas raconas. A condção p e t+j = E(p t+j Ω t ) evta erros sstemátcos porque: E(p t+1 -p e t+1) = 0 E[(p t+1 -p e t+1)x t ] = 0 16

17 Problema da extracção do snal Analoga com as regressões - Temos uma amostra de valores passados de x e de y (expressos como desvos em relação à méda). - Hoje observamos x t, mas estamos nteressados em prever y t. Para o modelo y t = bx t + e t xt y estmamos b como bˆ t = x e prevemos yˆ = bx ˆ t t t Cov( x, y) = Var( ) 2 t x Extracção do snal - Temos duas varáves aleatóras normas (ε t e µ t ) com as seguntes propredades E(ε t ) = E(µ t ) = E(ε t µ t ) = 0, 2 2 ( ε t ) = σε E e E 2 2 ( µ t ) = σµ - As propredades anterores são conhecdas. - Apenas a soma das duas varáves, s t = ε t + µ t, é observada. - Pretendemos prever µ t com base no conhecmento que temos de s t. - Sabemos que Var(s t ) = Var(ε t + µ t ) = σ 2 2 ε + σ µ E ( εt + µ t ) µ t = σµ Cov(s t, µ t ) = [ ] 2 - Para uma regressão de µ t em s t temos então ˆ Cov( st, µ t ) b = Var( s ) t 2 ε 2 µ σ = σ + σ 2 µ e prevemos µ t 2 σ µ = 2 σε + σ 2 µ s t 17

18 p = p + r, o ndvíduo pretende prever r com base em p. Invocando a solução para problemas da extracção do snal temos: Vr E[r p ] = (p E[ p]) V + V r p (6.19) Onde V r é a varânca de r e V p a varânca de p. Interpretação desta equação: 1) se p gualar a sua méda, a expectatva de r é gual à sua méda, ou seja, zero; 2) a expectatva de r é superor (nferor) à sua méda se p for superor (nferor) à sua méda; 3) a fracção do afastamento de p da sua méda que se estma ser devda ao afastamento de r da sua méda é V r /(V r +V p ). Isto representa a fracção da varânca total de p (V r +V p ) que se deve à varânca de r (V r ). Se, por exemplo, V p =0, toda a varânca de p se deve a r, logo E[r p ] = p -E[m]. Se V r e V p são guas, metade da varânca de p deve-se a r, logo E[r p ] = (p -E[m])/2. Substtundo (6.19) em (6.17) temos a segunte oferta de trabalho: l 1 Vr = γ 1 V + V r p (p E[ p]) l b(p E[ p]) (6.20) Calculando a méda para todos os produtores obtemos a função oferta agregada de Lucas y = b(p - E[p]) (6.21) 18

19 y = b(p - E[p]) (6.21) Afastamentos do produto do seu valor normal (0 neste caso) são uma função crescente da surpresa no nível de preços. Esta curva da oferta é essencalmente a mesma que a da curva de Phllps aumentada das expectatvas. Lucas fundamentou através da mcroeconoma esta vsão da oferta agregada. Equlíbro Combnando a curva da oferta agregada (6.21) com a equação da procura agregada (6.10) e resolvendo em relação a p e a y temos: 1 b p = m + E[ p] (6.22) 1+ b 1+ b b b y = m E[ p] (6.23) 1+ b 1+ b Ex-post, após m ser defndo, estas gualdades verfcam-se. Logo, ex-ante, antes de m ser defndo, as expectatvas dos 2 lados da equação são guas. Podemos portanto, usar a equação (6.22) para obter E[p]. Trando valores esperados de ambos os lados da gualdade: 1 b E[ p] = E[ m] + E[ p] (6.24) 1+ b 1+ b 19

20 Resolvendo em ordem a E[p]: E[p] = E[m] (6.25) Sabendo que m = E[m]+(m-E[m]) e substtundo (6.25) em (6.22) e (6.23) temos: 1 p = E[ m] + (m E[ m]) 1+ b (6.26) b y = (m E[ m]) 1+ b (6.27) Podemos extrar destas 2 equações as mplcações báscas do modelo: - varações esperadas na oferta de moeda (genercamente na procura agregada), E[m], afectam na mesma proporção os preços dexando nalterado o produto; - varações não esperadas, na oferta de moeda, m E[m], têm efetos reas e nos preços. A dvsão dos mpactos depende da varânca dos preços relatvos e do nível geral de preços; - alterações nas preferêncas causam alterações nos preços relatvos e consequentemente no que é produzdo de cada um dos bens, mas em méda o produto real não se altera. Para fnalzar o modelo falta-nos estudar o que nfluenca b. Note-se que quanto maor for b maor será o mpacto de choques monetáros no produto e menor será o seu efeto no nível geral de preços. Recordando a eq. (6.20) b 1 Vr γ 1 V + V r p Quanto maor for a varânca nos preços relatvos (V r ) maor será b. Quanto maor for a varânca no nível geral de preços (V p ) menor será b. 20

21 Como determnar V r e V p? 1) V p : da eq. (6.26) sabemos que V p Vm = (1 + b) 2 2) V r : substtundo (6.21) em (6.7) obtemos: q = b(p E p [ ]) + z η(p p) Adconando e subtrando bp ao lado dreto de (6.20) temos q = b(p -p)+b(p-e[p]) Combnando as duas últmas equações b(p-e[p])+z -η(p -p)=b(p -p)+b(p-e[p]) p p = z η + b Porque r = p - p, Vz V r = 2 ( η + b) Podemos assm defnr b em termos de parâmetros conhecdos: b = 1 γ 1 V z V z ( η + b) + (1 + b) 2 2 V m b é uma função crescente de V z e decrescente de V m. 21

22 Implcações e lmtes A crítca de Lucas De acordo com o modelo de Lucas, choques não antecpados na procura agregada aumentam o produto e os preços acma do esperado. Verfca-se portando, uma relação do tpo da curva de Phllps, uma relação postva entre nflação e produto. No entanto, não exste uma troca explorável entre produto e nflação, dado que só surpresas na oferta de moeda têm efetos reas. Uma dea mas abrangente desta análse é a de que as expectatvas são mportantes em mutas relações entre varáves agregadas e que alterações na forma de condução da polítca económca podem alterar essas expectatvas. Em consequênca, alterações nas regras de polítca podem alterar as relações entre as varáves agregadas. Esta dea é conhecda como a CRÍTICA DE LUCAS (Lucas, 1976). Polítca monetára antecpada e não antecpada A dea de que só choques não antecpados na AD têm efetos reas tem uma mplcação mportante: a polítca monetára só pode ser utlzada para establzar o produto, se os governantes tverem acesso a nformação a que o públco em geral não tem acesso. Polítcas defndas de acordo com regras não surtem efetos reas. Segundo Lucas, o facto do governo ter acesso a mas nformação que o públco não é uma razão válda para defender polítcas keynesanas de establzação: - a maora das polítcas de establzação são adoptadas com base em ndcadores económcos observáves; 22

23 - se o públco não tem acesso a esses ndcadores, será mas smples dvulgar essa nformação que alterar as regras de condução da polítca monetára com o objectvo de establzar. Ball (1991) testou a dea de Lucas de que só choques não anuncados na oferta de moeda têm mpactos reas e chegou a resultados que não são consstentes com as prevsão de Lucas. Testes empírcos O modelo de Lucas prevê que o mpacto real de um choque na procura agregada seja menor numa economa em que a varânca dos choques é grande (6.20). Lucas (1973) utlza a varação no log do PIB nomnal como medda dos choques de procura agregada. Para que esta medda fosse precsa duas condções teram que ser satsfetas: - a curva da procura agregada tera que ter elastcdade untára, desta forma alterações na oferta agregada afectam P e Y mas não o seu produto, pelo que o produto real é determnado apenas pela AD; - a varação no PIB não pode ser prevsível nem observável. Sob estas hpótese, o modelo por ele testado fo: y c,t = c + π x t + λy c,t-1 onde y c,t é o log da componente cíclca do produto real (y c,t = y t y n,t ) e x é a varação no log do produto nomnal. 23

24 Lucas usou uma amostra relatvamente pequena de dados temporas anuas para 18 países de 1951 a 1967 para testar esta hpótese. O modelo prevê que π seja menor em países com uma maor varânca de x. Alguns resultados: E.U.A.: y c,t = x t y c,t-1 Argentna: y c,t = x t y c,t-1 Mutos testes foram realzador por outros autores a esta hpótese, usando amostras mas extensas e alterando um pouco as especfcações. Ball, Mankw e Romer (1988) utlzaram uma amostra de 43 países e encontraram alguma evdênca empírca para a proposção de Lucas. O modelo testado fo y t = c + γt + τ x t + λy t-1 (6.34) em que y é o log do PIB real (ou a varação no log), t é uma varável que capta a tendênca (tempo) e x é a varação no log do PIB nomnal. Com base nas estmatvas obtdas em (6.34) para τ em cada país estmaram τ = α + βσ x, (6.35) onde σ x, representa o desvo padrão de x t no país. Espera-se que β tenha um snal negatvo. 24

25 O resultado obtdo fo o segunte (Romer, p. 254, fg. 6.1): τ = σ x, (0.57) (0.482) Exste portanto uma relação estatístca negatva, altamente sgnfcatva entre a varabldade da taxa de crescmento do PIB nomnal e a estmatva do efeto no PIB real de uma varação na procura agregada. Algumas questões Será plausível assumr nformação mperfeta quanto a m e p? Será razoável admtr uma elastcdade da oferta de trabalho de curto prazo elevada? Estas dfculdades sugerem que os mecansmos enfatzados no modelo podem ser relatvamente pouco mportantes para explcar as flutuações. 25

O problema da superdispersão na análise de dados de contagens

O problema da superdispersão na análise de dados de contagens O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão

Leia mais

4 Critérios para Avaliação dos Cenários

4 Critérios para Avaliação dos Cenários Crtéros para Avalação dos Cenáros É desejável que um modelo de geração de séres sntétcas preserve as prncpas característcas da sére hstórca. Isto quer dzer que a utldade de um modelo pode ser verfcada

Leia mais

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental.

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional ou experimental. Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das

Leia mais

3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo

3 Metodologia de Avaliação da Relação entre o Custo Operacional e o Preço do Óleo 3 Metodologa de Avalação da Relação entre o Custo Operaconal e o Preço do Óleo Este capítulo tem como objetvo apresentar a metodologa que será empregada nesta pesqusa para avalar a dependênca entre duas

Leia mais

RISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16%

RISCO. Investimento inicial $ $ Taxa de retorno anual Pessimista 13% 7% Mais provável 15% 15% Otimista 17% 23% Faixa 4% 16% Análse de Rsco 1 RISCO Rsco possbldade de perda. Quanto maor a possbldade, maor o rsco. Exemplo: Empresa X va receber $ 1.000 de uros em 30 das com títulos do governo. A empresa Y pode receber entre $

Leia mais

UNIVERSIDADE DE SÃO PAULO FACULDADE DE ECONOMIA, ADMINISTRAÇÃO E CONTABILIDADE DEPARTAMENTO DE ECONOMIA

UNIVERSIDADE DE SÃO PAULO FACULDADE DE ECONOMIA, ADMINISTRAÇÃO E CONTABILIDADE DEPARTAMENTO DE ECONOMIA UNIVERSIDADE DE SÃO PAULO FACULDADE DE ECONOMIA, ADMINISTRAÇÃO E CONTABILIDADE DEPARTAMENTO DE ECONOMIA EAE 206 Macroeconoma I 1º Semestre de 2016 Professores: Fernando Rugtsky e Glberto Tadeu Lma Gabarto

Leia mais

Prof. Lorí Viali, Dr.

Prof. Lorí Viali, Dr. Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Prof. Lorí Val, Dr. UFRG Insttuto de Matemátca

Leia mais

O problema da superdispersão na análise de dados de contagens

O problema da superdispersão na análise de dados de contagens O problema da superdspersão na análse de dados de contagens 1 Uma das restrções mpostas pelas dstrbuções bnomal e Posson, aplcadas usualmente na análse de dados dscretos, é que o parâmetro de dspersão

Leia mais

Microeconomia II. Cursos de Economia e de Matemática Aplicada à Economia e Gestão AULA 5.4

Microeconomia II. Cursos de Economia e de Matemática Aplicada à Economia e Gestão AULA 5.4 Mcroeconoma II Cursos de Economa e de Matemátca Aplcada à Economa e Gestão AULA 5.4 Provsão de Bens Públcos de forma descentralzada: a solução de Lndahl Isabel Mendes 2007-2008 13-05-2008 Isabel Mendes/MICRO

Leia mais

Capítulo 1. Exercício 5. Capítulo 2 Exercício

Capítulo 1. Exercício 5. Capítulo 2 Exercício UNIVERSIDADE FEDERAL DE GOIÁS CIÊNCIAS ECONÔMICAS ECONOMETRIA (04-II) PRIMEIRA LISTA DE EXERCÍCIOS Exercícos do Gujarat Exercíco 5 Capítulo Capítulo Exercíco 3 4 5 7 0 5 Capítulo 3 As duas prmeras demonstrações

Leia mais

Prof. Lorí Viali, Dr.

Prof. Lorí Viali, Dr. Prof. Lorí Val, Dr. val@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ 1 É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal ou expermental. Numa relação expermental os valores de uma das

Leia mais

Microeconomia II. Cursos de Economia e de Matemática Aplicada à Economia e Gestão AULA 5.3. Afectação de Bens Públicos: a Condição de Samuelson

Microeconomia II. Cursos de Economia e de Matemática Aplicada à Economia e Gestão AULA 5.3. Afectação de Bens Públicos: a Condição de Samuelson Mcroeconoma II Cursos de Economa e de Matemátca Aplcada à Economa e Gestão AULA 5.3 Afectação de Bens Públcos: a Condção de Isabel Mendes 2007-2008 5/3/2008 Isabel Mendes/MICRO II 5.3 Afectação de Bens

Leia mais

7 - Distribuição de Freqüências

7 - Distribuição de Freqüências 7 - Dstrbução de Freqüêncas 7.1 Introdução Em mutas áreas há uma grande quantdade de nformações numércas que precsam ser dvulgadas de forma resumda. O método mas comum de resumr estes dados numércos consste

Leia mais

PRESSUPOSTOS DO MODELO DE REGRESSÃO

PRESSUPOSTOS DO MODELO DE REGRESSÃO PREUPOTO DO MODELO DE REGREÃO A aplcação do modelo de regressão lnear múltpla (bem como da smples) pressupõe a verfcação de alguns pressupostos que condensamos segudamente.. Os erros E são varáves aleatóras

Leia mais

2 Incerteza de medição

2 Incerteza de medição 2 Incerteza de medção Toda medção envolve ensaos, ajustes, condconamentos e a observação de ndcações em um nstrumento. Este conhecmento é utlzado para obter o valor de uma grandeza (mensurando) a partr

Leia mais

Os modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência.

Os modelos de regressão paramétricos vistos anteriormente exigem que se suponha uma distribuição estatística para o tempo de sobrevivência. MODELO DE REGRESSÃO DE COX Os modelos de regressão paramétrcos vstos anterormente exgem que se suponha uma dstrbução estatístca para o tempo de sobrevvênca. Contudo esta suposção, caso não sea adequada,

Leia mais

Aula Características dos sistemas de medição

Aula Características dos sistemas de medição Aula - Característcas dos sstemas de medção O comportamento funconal de um sstema de medção é descrto pelas suas característcas (parâmetros) operaconas e metrológcas. Aqu é defnda e analsada uma sére destes

Leia mais

Associação entre duas variáveis quantitativas

Associação entre duas variáveis quantitativas Exemplo O departamento de RH de uma empresa deseja avalar a efcáca dos testes aplcados para a seleção de funconáros. Para tanto, fo sorteada uma amostra aleatóra de 50 funconáros que fazem parte da empresa

Leia mais

Estatística II Antonio Roque Aula 18. Regressão Linear

Estatística II Antonio Roque Aula 18. Regressão Linear Estatístca II Antono Roque Aula 18 Regressão Lnear Quando se consderam duas varáves aleatóras ao mesmo tempo, X e Y, as técncas estatístcas aplcadas são as de regressão e correlação. As duas técncas estão

Leia mais

Gabarito da Lista de Exercícios de Econometria I

Gabarito da Lista de Exercícios de Econometria I Gabarto da sta de Exercícos de Econometra I Professor: Rogéro lva Mattos Montor: eonardo enrque A. lva Questão Y X y x xy x ŷ ˆ ˆ y ŷ (Y - Y ) (X - X ) (Ŷ - Y ) 360 00-76 -00 35.00 40.000 36-4 30.976 3076

Leia mais

X = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha)

X = 1, se ocorre : VB ou BV (vermelha e branca ou branca e vermelha) Estatístca p/ Admnstração II - Profª Ana Cláuda Melo Undade : Probabldade Aula: 3 Varável Aleatóra. Varáves Aleatóras Ao descrever um espaço amostral de um expermento, não especfcamos que um resultado

Leia mais

Prof. Lorí Viali, Dr.

Prof. Lorí Viali, Dr. Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~val/ Em mutas stuações duas ou mas varáves estão relaconadas e surge então a necessdade de determnar a natureza deste relaconamento. A análse

Leia mais

Microeconomia II. Cursos de Economia e de Matemática Aplicada à Economia e Gestão. AULA 2.1 Oligopólio em Quantidades (Cournot)

Microeconomia II. Cursos de Economia e de Matemática Aplicada à Economia e Gestão. AULA 2.1 Oligopólio em Quantidades (Cournot) Mcroeconoma II Cursos de Economa e de Matemátca Aplcada à Economa e Gestão AULA 2.1 Olgopólo em Quantdades (Cournot) Isabel Mendes 2007-2008 18-03-2008 Isabel Mendes/MICRO II 1 2.1 Olgopólo em Quantdades

Leia mais

CORRELAÇÃO E REGRESSÃO

CORRELAÇÃO E REGRESSÃO CORRELAÇÃO E REGRESSÃO Constata-se, freqüentemente, a estênca de uma relação entre duas (ou mas) varáves. Se tal relação é de natureza quanttatva, a correlação é o nstrumento adequado para descobrr e medr

Leia mais

Análise de Regressão

Análise de Regressão Análse de Regressão método estatístco que utlza relação entre duas ou mas varáves de modo que uma varável pode ser estmada (ou predta) a partr da outra ou das outras Neter, J. et al. Appled Lnear Statstcal

Leia mais

R X. X(s) Y Y(s) Variáveis aleatórias discretas bidimensionais

R X. X(s) Y Y(s) Variáveis aleatórias discretas bidimensionais 30 Varáves aleatóras bdmensonas Sea ε uma experênca aleatóra e S um espaço amostral assocado a essa experênca. Seam X X(s) e Y Y(s) duas funções cada uma assocando um número real a cada resultado s S.

Leia mais

MODELOS DE REGRESSÃO PARAMÉTRICOS

MODELOS DE REGRESSÃO PARAMÉTRICOS MODELOS DE REGRESSÃO PARAMÉTRICOS Às vezes é de nteresse nclur na análse, característcas dos ndvíduos que podem estar relaconadas com o tempo de vda. Estudo de nsufcênca renal: verfcar qual o efeto da

Leia mais

DEFINIÇÃO - MODELO LINEAR GENERALIZADO

DEFINIÇÃO - MODELO LINEAR GENERALIZADO DEFINIÇÃO - MODELO LINEAR GENERALIZADO 1 Um modelo lnear generalzado é defndo pelos seguntes três componentes: Componente aleatóro; Componente sstemátco; Função de lgação; Componente aleatóro: Um conjunto

Leia mais

UNIVERSIDADE CATÓLICA PORTUGUESA Faculdade de Ciências Económicas e Empresariais. Microeconomia I

UNIVERSIDADE CATÓLICA PORTUGUESA Faculdade de Ciências Económicas e Empresariais. Microeconomia I UNIVERSIDADE CATÓLICA PORTUGUESA Faculdade de Cêncas Económcas e Empresaras Mcroeconoma I Lcencaturas em Admnstração e Gestão de Empresas e em Economa 9 de Janero de 004 Fernando Branco Teste Fnal fbranco@fceeucppt

Leia mais

Modelo Logístico. Modelagem multivariável com variáveis quantitativas e qualitativas, com resposta binária.

Modelo Logístico. Modelagem multivariável com variáveis quantitativas e qualitativas, com resposta binária. Modelagem multvarável com varáves quanttatvas e qualtatvas, com resposta bnára. O modelo de regressão não lnear logístco ou modelo logístco é utlzado quando a varável resposta é qualtatva com dos resultados

Leia mais

Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.

Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média. Estatístca Dscplna de Estatístca 0/ Curso de Admnstração em Gestão Públca Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos uns dos

Leia mais

MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES

MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES MOQ-14 PROJETO E ANÁLISE DE EXPERIMENTOS LISTA DE EXERCÍCIOS 1 REGRESSÃO LINEAR SIMPLES 1. Obtenha os estmadores dos coefcentes lnear e angular de um modelo de regressão lnear smples utlzando o método

Leia mais

Contabilometria. Aula 8 Regressão Linear Simples

Contabilometria. Aula 8 Regressão Linear Simples Contalometra Aula 8 Regressão Lnear Smples Orgem hstórca do termo Regressão Le da Regressão Unversal de Galton 1885 Galton verfcou que, apesar da tendênca de que pas altos tvessem flhos altos e pas axos

Leia mais

3 A técnica de computação intensiva Bootstrap

3 A técnica de computação intensiva Bootstrap A técnca de computação ntensva ootstrap O termo ootstrap tem orgem na expressão de língua nglesa lft oneself by pullng hs/her bootstrap, ou seja, alguém levantar-se puxando seu própro cadarço de bota.

Leia mais

NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES

NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES NOÇÕES SOBRE CORRELAÇÃO E REGRESSÃO LINEAR SIMPLES 1 O nosso objetvo é estudar a relação entre duas varáves quanttatvas. Eemplos:. Idade e altura das cranças.. v. Tempo de prátca de esportes e rtmo cardíaco

Leia mais

Notas Processos estocásticos. Nestor Caticha 23 de abril de 2012

Notas Processos estocásticos. Nestor Caticha 23 de abril de 2012 Notas Processos estocástcos Nestor Catcha 23 de abrl de 2012 notas processos estocástcos 2 O Teorema de Perron Frobenus para matrzes de Markov Consdere um processo estocástco representado por um conunto

Leia mais

Testes não-paramétricos

Testes não-paramétricos Testes não-paramétrcos Prof. Lorí Val, Dr. http://www.mat.ufrgs.br/val/ val@mat.ufrgs.br Um teste não paramétrco testa outras stuações que não parâmetros populaconas. Estas stuações podem ser relaconamentos,

Leia mais

Eventos coletivamente exaustivos: A união dos eventos é o espaço amostral.

Eventos coletivamente exaustivos: A união dos eventos é o espaço amostral. DEFINIÇÕES ADICIONAIS: PROBABILIDADE Espaço amostral (Ω) é o conjunto de todos os possíves resultados de um expermento. Evento é qualquer subconjunto do espaço amostral. Evento combnado: Possu duas ou

Leia mais

Métodos Avançados em Epidemiologia

Métodos Avançados em Epidemiologia Unversdade Federal de Mnas Geras Insttuto de Cêncas Exatas Departamento de Estatístca Métodos Avançados em Epdemologa Aula 5-1 Regressão Lnear Smples: Estmação e Interpretação da Reta Tabela ANOVA e R

Leia mais

3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas

3.6. Análise descritiva com dados agrupados Dados agrupados com variáveis discretas 3.6. Análse descrtva com dados agrupados Em algumas stuações, os dados podem ser apresentados dretamente nas tabelas de frequêncas. Netas stuações devemos utlzar estratégas específcas para obter as meddas

Leia mais

Algarismos Significativos Propagação de Erros ou Desvios

Algarismos Significativos Propagação de Erros ou Desvios Algarsmos Sgnfcatvos Propagação de Erros ou Desvos L1 = 1,35 cm; L = 1,3 cm; L3 = 1,30 cm L4 = 1,4 cm; L5 = 1,7 cm. Qual destas meddas está correta? Qual apresenta algarsmos com sgnfcado? O nstrumento

Leia mais

Estatística Espacial: Dados de Área

Estatística Espacial: Dados de Área Estatístca Espacal: Dados de Área Dstrbução do número observado de eventos Padronzação e SMR Mapas de Probabldades Mapas com taxas empírcas bayesanas Padronzação Para permtr comparações entre dferentes

Leia mais

Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média.

Ao se calcular a média, moda e mediana, temos: Quanto mais os dados variam, menos representativa é a média. Estatístca Dscplna de Estatístca 0/ Curso Superor de tecnólogo em Gestão Ambental Profª. Me. Valéra Espíndola Lessa e-mal: lessavalera@gmal.com Meddas de Dspersão Indcam se os dados estão, ou não, prómos

Leia mais

Cap. 11 Correlação e Regressão

Cap. 11 Correlação e Regressão Estatístca para Cursos de Engenhara e Informátca Pedro Alberto Barbetta / Marcelo Menezes Res / Antono Cezar Borna São Paulo: Atlas, 2004 Cap. 11 Correlação e Regressão APOIO: Fundação de Apoo à Pesqusa

Leia mais

ESTATÍSTICA APLICADA II ANO LECTIVO 2011/2012. Exame Final 26 de Julho de 2012

ESTATÍSTICA APLICADA II ANO LECTIVO 2011/2012. Exame Final 26 de Julho de 2012 ETATÍTICA APLICADA II ANO LECTIVO / Exame Fnal 6 de Julho de Duração : H 3 M Nota: Responder um grupo por folha (utlze frente e verso de cada folha) Em todas as questões apresentar os cálculos efectuados

Leia mais

Variação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro.

Variação ao acaso. É toda variação devida a fatores não controláveis, denominadas erro. Aplcação Por exemplo, se prepararmos uma área expermental com todo cudado possível e fzermos, manualmente, o planto de 100 sementes seleconadas de um mlho híbrdo, cudando para que as sementes fquem na

Leia mais

1. CORRELAÇÃO E REGRESSÃO LINEAR

1. CORRELAÇÃO E REGRESSÃO LINEAR 1 CORRELAÇÃO E REGREÃO LINEAR Quando deseja-se estudar se exste relação entre duas varáves quanttatvas, pode-se utlzar a ferramenta estatístca da Correlação Lnear mples de Pearson Quando essa correlação

Leia mais

REGRESSÃO NÃO LINEAR 27/06/2017

REGRESSÃO NÃO LINEAR 27/06/2017 7/06/07 REGRESSÃO NÃO LINEAR CUIABÁ, MT 07/ Os modelos de regressão não lnear dferencam-se dos modelos lneares, tanto smples como múltplos, pelo fato de suas varáves ndependentes não estarem separados

Leia mais

Curso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos

Curso de extensão, MMQ IFUSP, fevereiro/2014. Alguns exercício básicos Curso de extensão, MMQ IFUSP, feverero/4 Alguns exercíco báscos I Exercícos (MMQ) Uma grandeza cujo valor verdadero x é desconhecdo, fo medda três vezes, com procedmentos expermentas dêntcos e, portanto,

Leia mais

2 Referencial Teórico

2 Referencial Teórico Referencal Teórco O obetvo deste capítulo é apresentar os concetos de rsco, correlação e dversfcação no contexto da Teora oderna de Carteras e os últmos estudos a respeto das correlações entre mercados

Leia mais

6 Análises de probabilidade de ruptura de um talude

6 Análises de probabilidade de ruptura de um talude 6 Análses de probabldade de ruptura de um talude 6.. Introdução No presente capítulo, apresentam-se prevsões de probabldades de ruptura para o talude de jusante da Barragem de Benguê mostrada na fgura

Leia mais

Covariância na Propagação de Erros

Covariância na Propagação de Erros Técncas Laboratoras de Físca Lc. Físca e Eng. omédca 007/08 Capítulo VII Covarânca e Correlação Covarânca na propagação de erros Coefcente de Correlação Lnear 35 Covarânca na Propagação de Erros Suponhamos

Leia mais

Cap. IV Análise estatística de incertezas aleatórias

Cap. IV Análise estatística de incertezas aleatórias TLF 010/11 Cap. IV Análse estatístca de ncertezas aleatóras Capítulo IV Análse estatístca de ncertezas aleatóras 4.1. Méda 43 4.. Desvo padrão 44 4.3. Sgnfcado do desvo padrão 46 4.4. Desvo padrão da méda

Leia mais

Diferença entre a classificação do PIB per capita e a classificação do IDH

Diferença entre a classificação do PIB per capita e a classificação do IDH Curso Bem Estar Socal Marcelo Ner - www.fgv.br/cps Metas Socas Entre as mutas questões decorrentes da déa de se mplementar uma proposta de metas socas temos: Qual a justfcatva econômca para a exstênca

Leia mais

Análise de Regressão Linear Múltipla IV

Análise de Regressão Linear Múltipla IV Análse de Regressão Lnear Múltpla IV Aula 7 Guarat e Porter, 11 Capítulos 7 e 8 He et al., 4 Capítulo 3 Exemplo Tomando por base o modelo salaro 1educ anosemp exp prev log 3 a senhorta Jole, gerente do

Leia mais

INSTITUTO POLITÉCNICO DE VISEU ESCOLA SUPERIOR DE TECNOLOGIA E GESTÃO

INSTITUTO POLITÉCNICO DE VISEU ESCOLA SUPERIOR DE TECNOLOGIA E GESTÃO Área Centfca Curso Matemátca Engenhara Electrotécnca º Semestre º 00/0 Fcha nº 9. Um artgo da revsta Wear (99) apresenta dados relatvos à vscosdade do óleo e ao desgaste do aço maco. A relação entre estas

Leia mais

Análise de Regressão Linear Múltipla VII

Análise de Regressão Linear Múltipla VII Análse de Regressão Lnear Múltpla VII Aula 1 Hej et al., 4 Seções 3. e 3.4 Hpótese Lnear Geral Seja y = + 1 x 1 + x +... + k x k +, = 1,,..., n. um modelo de regressão lnear múltpla, que pode ser escrto

Leia mais

INTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA

INTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA INTRODUÇÃO À CALIBRAÇÃO MULTIVARIADA APLICAÇÃO NO CONTROLE DE QUALIDADE DE FÁRMACOS Prof. Dr. Marcelo Martns de Sena MÓDULO 04 Undade Unverstára de Cêncas Eatas e Tecnológcas UnUCET Anápols 1 MÓDULO 04

Leia mais

Regressão Múltipla. Parte I: Modelo Geral e Estimação

Regressão Múltipla. Parte I: Modelo Geral e Estimação Regressão Múltpla Parte I: Modelo Geral e Estmação Regressão lnear múltpla Exemplos: Num estudo sobre a produtvdade de trabalhadores ( em aeronave, navos) o pesqusador deseja controlar o número desses

Leia mais

1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA

1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 1. ANÁLISE EXPLORATÓRIA E ESTATÍSTICA DESCRITIVA 014 Estatístca Descrtva e Análse Exploratóra Etapas ncas. Utlzadas para descrever e resumr os dados. A dsponbldade de uma grande quantdade de dados e de

Leia mais

Laboratório de Mecânica Aplicada I Estática: Roldanas e Equilíbrio de Momentos

Laboratório de Mecânica Aplicada I Estática: Roldanas e Equilíbrio de Momentos Laboratóro de Mecânca Aplcada I Estátca: Roldanas e Equlíbro de Momentos 1 Introdução O conhecmento das condções de equlíbro de um corpo é mprescndível em númeras stuações. Por exemplo, o estudo do equlíbro

Leia mais

Teoria Elementar da Probabilidade

Teoria Elementar da Probabilidade 10 Teora Elementar da Probabldade MODELOS MATEMÁTICOS DETERMINÍSTICOS PROBABILÍSTICOS PROCESSO (FENÓMENO) ALEATÓRIO - Quando o acaso nterfere na ocorrênca de um ou mas dos resultados nos quas tal processo

Leia mais

1. Caracterização de séries com

1. Caracterização de séries com 1. Caracterzação de séres com sazonaldade Como dscutdo na Aula 1, sazonaldade é um padrão que se repete anualmente. A sazonaldade é determnístca quando o padrão de repetção anual é exato, ou estocástca,

Leia mais

Implementação Bayesiana

Implementação Bayesiana Implementação Bayesana Defnção 1 O perfl de estratégas s.) = s 1.),..., s I.)) é um equlíbro Nash-Bayesano do mecansmo Γ = S 1,..., S I, g.)) se, para todo e todo θ Θ, u gs θ ), s θ )), θ ) θ Eθ u gŝ,

Leia mais

CAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA

CAPÍTULO 2 DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA CAPÍTULO DESCRIÇÃO DE DADOS ESTATÍSTICA DESCRITIVA. A MÉDIA ARITMÉTICA OU PROMÉDIO Defnção: é gual a soma dos valores do grupo de dados dvdda pelo número de valores. X x Soma dos valores de x número de

Leia mais

Programa do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall

Programa do Curso. Sistemas Inteligentes Aplicados. Análise e Seleção de Variáveis. Análise e Seleção de Variáveis. Carlos Hall Sstemas Intelgentes Aplcados Carlos Hall Programa do Curso Lmpeza/Integração de Dados Transformação de Dados Dscretzação de Varáves Contínuas Transformação de Varáves Dscretas em Contínuas Transformação

Leia mais

UNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC)

UNIDADE IV DELINEAMENTO INTEIRAMENTE CASUALIZADO (DIC) UNDADE V DELNEAMENTO NTERAMENTE CASUALZADO (DC) CUABÁ, MT 015/ PROF.: RÔMULO MÔRA romulomora.webnode.com 1. NTRODUÇÃO Este delneamento apresenta como característca prncpal a necessdade de homogenedade

Leia mais

PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 2010/2011

PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 2010/2011 Instruções: PROVA DE ESTATÍSTICA & PROBABILIDADES SELEÇÃO MESTRADO/UFMG 00/0 Cada uestão respondda corretamente vale (um) ponto. Cada uestão respondda ncorretamente vale - (menos um) ponto. Cada uestão

Leia mais

Capítulo 16: Equilíbrio Geral e Eficiência Econômica

Capítulo 16: Equilíbrio Geral e Eficiência Econômica Capítulo 6: Equlíbro Geral e Efcênca Econômca Pndck & Rubnfeld, Capítulo 6, Equlíbro Geral::EXERCÍCIOS. Em uma análse de trocas entre duas pessoas, suponha que ambas possuam dêntcas preferêncas. A curva

Leia mais

Modelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados

Modelo linear normal com erros heterocedásticos. O método de mínimos quadrados ponderados Modelo lnear normal com erros heterocedástcos O método de mínmos quadrados ponderados Varâncas homogêneas Varâncas heterogêneas y y x x Fgura 1 Ilustração da dstrbução de uma varável aleatóra y (condconal

Leia mais

EXERCÍCIO: VIA EXPRESSA CONTROLADA

EXERCÍCIO: VIA EXPRESSA CONTROLADA EXERCÍCIO: VIA EXPRESSA CONTROLADA Engenhara de Tráfego Consdere o segmento de va expressa esquematzado abaxo, que apresenta problemas de congestonamento no pco, e os dados a segur apresentados: Trechos

Leia mais

INFLAÇÃO E DESIGUALDADE*

INFLAÇÃO E DESIGUALDADE* Artgos Outono 2009 INFLAÇÃO E DESIGUALDADE* Isabel H. orrea** 1. INTRODUÇÃO A baxa persstente da taxa de nflação é talvez a mudança de polítca maor, mas sustentada, e comum a um maor número de países desenvolvdos.

Leia mais

Elementos de Estatística e Probabilidades II

Elementos de Estatística e Probabilidades II Elementos de Estatístca e Probabldades II Varáves e Vetores Aleatóros dscretos Inês Das 203 O prncpal objetvo da deste documento é fornecer conhecmentos báscos de varáves aleatóras dscretas e pares aleatóros

Leia mais

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional. ou experimental.

É o grau de associação entre duas ou mais variáveis. Pode ser: correlacional. ou experimental. Prof. Lorí Val, Dr. vall@mat.ufrgs.br http://www.mat.ufrgs.br/~vall/ É o grau de assocação entre duas ou mas varáves. Pode ser: correlaconal http://www.mat.ufrgs.br/~vall/ ou expermental. Numa relação

Leia mais

Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu

Faculdade de Engenharia Optimização. Prof. Doutor Engº Jorge Nhambiu 1 Programação Não Lnear com Restrções Aula 9: Programação Não-Lnear - Funções de Váras Varáves com Restrções Ponto Regular; Introdução aos Multplcadores de Lagrange; Multplcadores de Lagrange e Condções

Leia mais

4.1 Modelagem dos Resultados Considerando Sazonalização

4.1 Modelagem dos Resultados Considerando Sazonalização 30 4 METODOLOGIA 4.1 Modelagem dos Resultados Consderando Sazonalzação A sazonalzação da quantdade de energa assegurada versus a quantdade contratada unforme, em contratos de fornecmento de energa elétrca,

Leia mais

Introdução. Uma lâmpada nova é ligada e observa-se o tempo gasto até queimar. Resultados possíveis

Introdução. Uma lâmpada nova é ligada e observa-se o tempo gasto até queimar. Resultados possíveis Introdução A teora das probabldades é um ramo da matemátca que lda modelos de fenômenos aleatóros. Intmamente relaconado com a teora de probabldade está a Estatístca, que se preocupa com a cração de prncípos,

Leia mais

Microeconomia I. Licenciaturas em Administração e Gestão de Empresas e em Economia

Microeconomia I. Licenciaturas em Administração e Gestão de Empresas e em Economia Mcroeconoma I Lcencaturas em Admnstração e Gestão de Empresas e em Economa Ano lectvo 010-011 Teste Intermédo 1º Semestre 5 de Outubro de 010 Regente: Fernando Branco (fbranco@ucppt) Catarna Slva, Danel

Leia mais

CONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO 2 DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogério Rodrigues

CONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO 2 DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogério Rodrigues CONCEITOS INICIAIS DE ESTATÍSTICA MÓDULO DISTRIBUIÇÃO DE FREQÜÊNCIA - ELEMENTOS Prof. Rogéro Rodrgues I) TABELA PRIMITIVA E DISTRIBUIÇÃO DE FREQÜÊNCIA : No processo de amostragem, a forma de regstro mas

Leia mais

Reconhecimento Estatístico de Padrões

Reconhecimento Estatístico de Padrões Reconhecmento Estatístco de Padrões X 3 O paradgma pode ser sumarzado da segunte forma: Cada padrão é representado por um vector de característcas x = x1 x2 x N (,,, ) x x1 x... x d 2 = X 1 X 2 Espaço

Leia mais

Análise de Variância. Comparação de duas ou mais médias

Análise de Variância. Comparação de duas ou mais médias Análse de Varânca Comparação de duas ou mas médas Análse de varânca com um fator Exemplo Um expermento fo realzado para se estudar dabetes gestaconal. Desejava-se avalar o comportamento da hemoglobna (HbA)

Leia mais

CURSO A DISTÂNCIA DE GEOESTATÍSTICA

CURSO A DISTÂNCIA DE GEOESTATÍSTICA CURSO A DISTÂNCIA DE GEOESTATÍSTICA Aula 6: Estaconardade e Semvarânca: Estaconardade de a. ordem, Hpótese ntríseca, Hpótese de krgagem unversal, Crtéros para escolha, Verfcação, Representatvdade espacal,

Leia mais

DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS

DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS DIAGNÓSTICO EM MODELOS LINEARES GENERALIZADOS 1 A análse de dagnóstco (ou dagnóstco do ajuste) confgura uma etapa fundamental no ajuste de modelos de regressão. O objetvo prncpal da análse de dagnóstco

Leia mais

Modelação com Variáveis Discretas

Modelação com Variáveis Discretas Engenhara de Processos e Sstemas Modelação com Varáves Dscretas Fernando Bernardo Fev 2011 mn f ( x, y, θ ) x, y s. t. h( x, y, θ ) = 0 g( x, y, θ ) 0 x x x L x real y {0,1}) U Leque de aplcações. Tpos

Leia mais

Introdução às Medidas em Física a Aula

Introdução às Medidas em Física a Aula Introdução às Meddas em Físca 4300152 8 a Aula Objetvos: Experênca Curvas Característcas Meddas de grandezas elétrcas: Estudar curvas característcas de elementos resstvos Utlzação de um multímetro Influênca

Leia mais

Nome: Nº: Estatística para Economia e Gestão Licenciaturas em Economia e Gestão. 2.º Semestre de 2008/2009

Nome: Nº: Estatística para Economia e Gestão Licenciaturas em Economia e Gestão. 2.º Semestre de 2008/2009 Estatístca para Economa e Gestão Lcencaturas em Economa e Gestão.º Semestre de 008/009 Exame Fnal (.ª Época) 16 de Junho de 009; 17h30m Duração: 10 mnutos INSTRUÇÕES Escreva o nome e número de aluno em

Leia mais

Teoria Econômica II: Macroeconomia. Economia Aberta. Além, A.C., Macroeconomia, SP: Elsevier, 2010 Capítulo 5

Teoria Econômica II: Macroeconomia. Economia Aberta. Além, A.C., Macroeconomia, SP: Elsevier, 2010 Capítulo 5 Teora Econômca II: Macroeconoma Economa Aberta Além, A.C., Macroeconoma, SP: Elsever, 2010 Capítulo 5 Modelo IS-LM-BP O modelo IS-LM-BP expande a determnação do nível de produto consderando uma economa

Leia mais

Soluções: OMercadoMonetárioe afunçãolm com Oferta de Moeda Exógena. Ana Santos e Vivaldo Mendes

Soluções: OMercadoMonetárioe afunçãolm com Oferta de Moeda Exógena. Ana Santos e Vivaldo Mendes Soluções: OMercadoMonetároe afunçãolm com Oferta de Moeda Exógena Ana Santos e Vvaldo Mendes ISCTE, Novembro 2000 Exercíco 70 (Determnação da Função LM) a) A oferta monetára é dada pela expressão: M s

Leia mais

MAP Cálculo Numérico e Aplicações

MAP Cálculo Numérico e Aplicações MAP0151 - Cálculo Numérco e Aplcações Lsta 5 (Correção Neste ponto, todos já sabemos que todas as questões têm o mesmo valor, totalzando 10.0 pontos. (Questão 1 Fque com vontade de fazer mas do que fo

Leia mais

Análise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA

Análise de Regressão. Profa Alcione Miranda dos Santos Departamento de Saúde Pública UFMA Análse de Regressão Profa Alcone Mranda dos Santos Departamento de Saúde Públca UFMA Introdução Uma das preocupações estatístcas ao analsar dados, é a de crar modelos que explctem estruturas do fenômeno

Leia mais

DELINEAMENTOS EXPERIMENTAIS

DELINEAMENTOS EXPERIMENTAIS SUMÁRIO 1 Delneamentos Expermentas 2 1.1 Delneamento Interamente Casualzado..................... 2 1.2 Delneamento Blocos Casualzados (DBC).................... 3 1.3 Delneamento Quadrado Latno (DQL)......................

Leia mais

18 e 20/Abr/2016 Aulas 12 e 13. Introdução à Física Estatística Postulados Equilíbrio térmico Função de Partição; propriedades termodinâmicas

18 e 20/Abr/2016 Aulas 12 e 13. Introdução à Física Estatística Postulados Equilíbrio térmico Função de Partição; propriedades termodinâmicas 01/Abr/2016 Aula 11 Potencas termodnâmcos Energa nterna total Entalpa Energas lvres de Helmholtz e de Gbbs Relações de Maxwell 18 e 20/Abr/2016 Aulas 12 e 13 Introdução à Físca Estatístca Postulados Equlíbro

Leia mais

Figura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma

Figura 8.1: Distribuição uniforme de pontos em uma malha uni-dimensional. A notação empregada neste capítulo para avaliação da derivada de uma Capítulo 8 Dferencação Numérca Quase todos os métodos numércos utlzados atualmente para obtenção de soluções de equações erencas ordnáras e parcas utlzam algum tpo de aproxmação para as dervadas contínuas

Leia mais

Gestão e Teoria da Decisão

Gestão e Teoria da Decisão Gestão e Teora da Decsão Logístca e Gestão de Stocks Estratégas de Localzação Lcencatura em Engenhara Cvl Lcencatura em Engenhara do Terrtóro 1 Estratéga de Localzação Agenda 1. Classfcação dos problemas

Leia mais

Método do limite superior

Método do limite superior Introdução O método do lmte superor é uma alternata analítca apromada aos métodos completos (e: método das lnhas de escorregamento) que possu um domíno de aplcabldade muto asto e que permte obter alores

Leia mais

Regressão Linear Simples by Estevam Martins

Regressão Linear Simples by Estevam Martins Regressão Lnear Smples by Estevam Martns stvm@uol.com.br "O únco lugar onde o sucesso vem antes do trabalho, é no dconáro" Albert Ensten Introdução Mutos estudos estatístcos têm como objetvo estabelecer

Leia mais

NOTA II TABELAS E GRÁFICOS

NOTA II TABELAS E GRÁFICOS Depto de Físca/UFMG Laboratóro de Fundamentos de Físca NOTA II TABELAS E GRÁFICOS II.1 - TABELAS A manera mas adequada na apresentação de uma sére de meddas de um certo epermento é através de tabelas.

Leia mais

Gráficos de Controle para Processos Autocorrelacionados

Gráficos de Controle para Processos Autocorrelacionados Gráfcos de Controle para Processos Autocorrelaconados Gráfco de controle de Shewhart: observações ndependentes e normalmente dstrbuídas. Shewhart ao crar os gráfcos de controle não exgu que os dados fossem

Leia mais