Séries de Tempo. José Fajardo. Setemebro Fundação Getulio Vargas-EBAPE. José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
|
|
- Brian Coradelli Peres
- 8 Há anos
- Visualizações:
Transcrição
1 Séries de Tempo José Fajardo Fundação Getulio Vargas-EBAPE Setemebro 2011 José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
2 INTRODUÇÃO O uso de modelos univariados é limitado para expressar relações importantes em negocios. O vetor auto-regressivo permite que se expressem modelos completos e se estimem os parâmetros desse modelo. Os modelos em VAR definem restrições entre as equações do modelo. Estudar essas restrições e usá-las para identificar os parâmetros estruturais do VAR constitui um objetivo fundamental da metodologia. José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
3 FORMA ESTRUTURAL Pode-se expressar um modelo auto-regressivo de ordem p por um vetor com n variáveis endógenas, X t, conectadas entre si por meio de uma matriz A: AX t = B 0 + p i=1 B i X t i + Bε t, (1) em que A é uma matriz n n que define as restrições contemporâneas entre as variáveis que constituem o vetor n 1, X t ; B 0 é um vetor de constantes n 1; B i são matrizes n n; B é uma matriz diagonal n n de desvios padrão; ε t é um vetor n 1 de perturbações aleatórias não correlacionadas entre si contemporânea ou temporalmente, isto é: ε t i.i.d. (0; I n ). José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
4 FORMA REDUZIDA A equação (1) expressa as relações entre as variáveis endógenas, a partir de um modelo econômico teoricamente estruturado: forma estrutural. Os choques ε t são os choques estruturais porque afetam individualmente cada uma das variáveis endógenas. Os choques estruturais são considerados independentes entre si. Esse modelo é normalmente estimado em sua forma reduzida: X t = A 1 B 0 + = Φ 0 + em que Φ i A 1 B i, i = 0, 1,..., p Bε t Ae t. p i=1 p i=1 A 1 B i X t i + A 1 Bε t = Φ i X t i + e t, José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
5 EXEMPLO Seja um modelo bivariado de ordem 1: y t = b 10 a 12 z t + b 11 y t 1 + b 12 z t 1 + σ y ε yt ; z t = b 20 a 21 y t + b 21 y t 1 + b 22 z t 1 + σ z ε zt. Não pode ser estimado diretamente, já que as variáveis contemporâneas z t e y t são individualmente correlacionadas com os erros ε yt ou ε zt. O objetivo do VAR é desenvolver técnicas para evitar esse problema, visando-se a encontrar a trajetória da variável de interesse ante um choque estrutural. Hipóteses: a ) y t e z t são ambos estacionários; b ) ε yt RB (0, 1) e ε zt RB (0, 1) ; c ) ε yt ε zt = Cov (ε yt, ε zt ) = 0. José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
6 EXEMPLO Em matrizes: [ ][ ] [ ] 1 a12 yt b10 = + a 21 1 z t b 20 } {{ }} {{ } } {{ } A [ b11 b 12 X t [ yt 1 } b 21 b 22 {{ } z t 1 B 1 AX t = B 0 + B 1 X t 1 + Bε t. ] B 0 A forma reduzida desse modelo simplificado é: ] [ ][ ] σy 0 εyt + = 0 σ z ε zt } {{ }} {{ } B ε t X t = Φ 0 + Φ 1 X t 1 + e t ; (2) Φ 0 A 1 B 0 ; Φ 1 A 1 B 1 ; Ae t Bε t. José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
7 EXEMPLO Condição de estabilidade: os autovalores de (I Φ 1 L) fora do círculo unitário. Observe que: ] ] Logo: [ e1t e 2t A 1 Bε t = E (e t ) = 0; [ ] σ 2 Cov (e t ) Σ = 1 σ 12 σ 21 σ 2 = 2 [ σy ε yt a 12 σ z ε zt 1 a 12 a 21 σ z ε zt a 21 σ y ε yt 1 a 12 a 21 σ 2 y +a12 2 σ2 z (1 a 12 a 21 ) 2 a 21σ 2 y +a 12 σ 2 z (1 a 12 a 21 ) 2. a 21σ 2 y +a 12 σ 2 z (1 a 12 a 21 ) 2 σ 2 z +a21 2 σ2 y (1 a 12 a 21 ) 2 Os erros não são autocorrelacionados, pois: ) [( ) ( )] σi ε Cov (e it, e i(t j) = it aσ i ε it σi ε i(t j) aσ i ε i(t j) E = 1 a 12 a 21 1 a 12 a 21 i = y, z; j = 0; a = a 12, a 21 ; representam negação. José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70.
8 SIMULAÇÃO Figura: VAR (1): séries superiores - eixo à direita: Φ 0 = 0; φ 11 = φ 22 = 0, 6 e φ 12 = φ 21 = 0, 2; séries inferiores: φ 12 = φ 21 = 0, 2. A série pontilhada: z t. José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
9 SIMULAÇÃO Figura: VAR (1): séries inferiores - eixo à esquerda: Φ = 0; φ 11 = φ 22 = 0, 7 e φ 12 = φ 21 = 0, 3; séries superiores: φ 10 = 0, 5. A série pontilhada: z t. Note que basta uma das constantes ser diferente de zero para que ambas as séries tenham um drift. José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
10 VAR(P) As séries y t e z t movimentam-se conjuntamente, mesmo na presença de raiz unitária. Concentramo-nos na discussão sobre o caso de variáveis estacionárias, porém que Sims (1980) e Sims, Stock e Watson (1990) admitem a mistura de variáveis estacionárias e não estacionárias num modelo VAR. O VAR é uma metodologia interessada nas inter-relações entre as variáveis. Generalização: X t = Φ 0 + p i=1 Φ i X t i + GZ t + e t, em que X t é um vetor n 1 de variáveis endógenas, como anteriormente; G é uma matriz de coeficientes n g; Z t é um vetor g 1 de variáveis exógenas que pode incluir variáveis determinísticas. José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
11 VAR(P) Diferentemente dos modelos univariados, o VAR busca responder qual a trajetória da série, dado um choque estrutural. Por trajetória, deseja-se conhecer o tempo que um choque afeta uma série, se ela muda de patamar ou não, para que patamar vai, entre outras informações. O VAR resulta na estimação de uma infinidade de coeficientes. Um VAR (p), por exemplo, com n variáveis endógenas teria n + n 2 p coeficientes a estimar, já que as matrizes Φ i têm dimensão n n e as n primeiras variáveis referem-se à constante, sem contar ainda os coeficientes de possíveis variáveis exógenas. Muitas vezes os coeficientes estimados serão estatisticamente insignificantes, até porque algumas variáveis são normalmente colineares, entretanto deve-se evitar impor restrições sobre os coeficientes, sob pena de perder informações relevantes, a menos que sejam restrições econômicas bem fundamentadas. José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
12 IDENTIFICAÇÃO Como selecionar a ordem p de um modelo VAR? Que critérios podem ser utilizados nessa tarefa? Usar tantas defasagens quantas forem necessárias para obter resíduos brancos em todas as variáveis endógenas. Critério de informação: considere um VAR (m), em que m = 0, 1, 2,..., p max. O problema é escolher a ordem p que minimiza a seguinte fórmula geral do critério de informação: Cr (m) = ln Γ 0 + ct ϕ (m), em que Γ 0 = T t=1 ê t ê t T ; c T é uma seqüência que depende do tamanho da amostra; ϕ (m) é uma função que penaliza VAR de grandes ordens. José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
13 IDENTIFICAÇÃO O tamanho amostral tem de ser mantido constante para tornar o critério de informação comparável. Logo, o tamanho da amostra, comum a todas as ordens, será T p max. A versão multivariada dos critérios AIC, BIC e HQ é: AIC (m) = ln Γ 0 (m) + 2 T mn2 ; BIC (m) = ln Γ 0 (m) + ln T T mn2 ; ln ln T HQ (m) = ln Γ 0 (m) + T 2mn2, em que mn 2 é o número total de parâmetros estimados em todas as equações. José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
14 IDENTIFICAÇÃO Outra maneira de escolher a ordem de defasagem, é aplicar testes seqüenciais para definir a ordem p do modelo VAR. Estabeleça o p max e considere H 0 : Φ pmax = 0 H 1 : Φ pmax = 0. Se o teste não for rejeitado, repete-se o procedimento considerando p max 1. Quando a nula for rejeitada, ter-se-á encontrada a ordem de defasagem do modelo. Problema: estabelecer p max. Se p max é muito pequeno, os resíduos estimados não serão um ruído branco. Contudo, se p max é muito grande, o impacto sobre a probabilidade de erros como um todo poderá ser severamente afetado, de modo que é difícil confiar nos intervalos de confiança gerados. José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
15 EXEMPLO Seja Z t = [y t, e t, π t, i t ], em que y t representa o hiato do produto, e t a variação cambial, π t a taxa de inflação e i t a taxa de juros (Selic), todas as variáveis em base mensal. Os critérios de Akaike e Schwarz são: Defasagens Akaike Schwarz 1 22, , , , , , , , , , , , 470 José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
16 EXEMPLO Considere o exemplo de endogeneidade estudado no capítulo sobre GMM. Por conveniência, lembre-se de que o modelo foi simulado da seguinte forma: y t = φy t 1 + ε t ; x t = δy t + ν t, em que ε t e ν t são ambos ruídos brancos independentes. Pode-se reescrever esse modelo na forma matricial: [ ] [ ] [ ] [ ] [ 1 0 yt φ 0 yt 1 εt = + δ 1 x t 0 0 x t 1 ν t ]. Reescrevendo o modelo na forma reduzida, tem-se: [ ] [ ] [ ] yt φ 0 yt 1 = + δφ 0 x t x t 1 [ eyt e xt ]. José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
17 EXEMPLO Ao estimar o modelo, a matriz Φ 1 conterá quatro coeficientes estimados. Espera-se que os coeficientes da coluna 2 sejam insignificantes e que os coeficientes da 1 satisfaçam aproximadamente a seguinte restrição: φ 11,1 = φ; φ 21,1 = δφ, em que δ e φ são valores usados na simulação. No caso da simulação, definiram-se δ = 0, 1 e φ = 0, 8. Estimando-se o VAR (1), obtêm-se: [ yt x t ] = 0, 794 (0,035) 0, 077 (0,032) 0, 097 (0,063) 0, 002 (0,058) φ 11,1 0, 8; [ yt 1 x t 1 φ 21,1 0, 1 0, 8 = 0, 08. ] [ êyt + ê xt ]. José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
18 TESTANDO HIPÓTESES Seja Testar hipóteses em modelos multivariados é semelhante ao caso univariado. Diferença: em vez de calcular a soma dos quadrados dos resíduos, calcula-se o determinante da matriz de covariância dos resíduos do modelo restrito e do não restrito. X t = Φ 0 + p i=1 Φ i X t i + GZ t + e t. Definition O modelo anterior é estacionário se os autovalores da polinomial p i=1 Φ il i estiverem dentro do círculo unitário. José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
19 TESTANDO HIPÓTESES 1 Estima-se o modelo sem restrição e calcula-se a matriz de covariância dos resíduos, Σ u ; 2 Estima-se o modelo com restrição, excluindo k g variáveis exógenas e/ou m defasagens, e calcula-se Σ r ; 3 Calcula-se a razão ( de verossimilhança ) da seguinte forma: LR = (T c) log Σ r log Σ u χ 2 r, em que T é o número de observações utilizadas na regressão; c = 1 + g + np é o número de parâmetros estimados em cada equação do sistema não restrito, incluindo a constante e as variáveis exógenas ; r = mn 2 + kn é o número de restrições no sistema. José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
20 INFERÊNCIA A inferência sobre os coeficientes estimados em modelos multivariados tem algumas particularidades bastante diferentes dos modelos univariados. Pode-se proceder a inferências estatísticas sobre os coeficientes individual ou coletivamente, mesmo ante a existência de variáveis endógenas não estacionárias de ordem 1, sempre que o modelo puder ser reescrito de maneira que os coeficientes sob inspeção passem a multiplicar variáveis estacionárias (veja Sims, Stock e Watson, 1990). José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
21 EXEMPLO Sejam y t I (1) e z t I (1) da primeira linha de um VAR (2) bivariado: y t = φ 11,1 y t 1 + φ 12,1 z t 1 + φ 11,2 y t 2 + φ 12,2 z t 2 + ε yt. É possível fazer inferências sobre os coeficientes φ 11,2 e φ 12,2 desse modelo. Para isso, adicione e subtraia φ 11,2 y t 1 e φ 12,2 z t 1 : y t = φ 11,1 y t 1 + φ 11,2 y t 1 + φ 12,1 z t 1 + φ 12,2 z t 1 + +φ 11,2 y t 2 φ 11,2 y t 1 + φ 12,2 z t 2 φ 12,2 z t 1 + ε zt = = ( φ 11,1 + φ 11,2 ) yt 1 + ( φ 12,1 + φ 12,2 ) zt 1 + φ 11,2 y t 1 φ 12,2 z t 1 + ε yt. Como y t 1 e z t 1 são variáveis estacionárias, pode-se testar conjuntamente por F Snedecor a hipótese φ 11,2 = φ 12,2 = 0. Pouco se pode dizer a respeito dos coeficientes que multiplicam as variáveis não estacionárias y t 1 e z t 1 depois da transformação. José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
22 EXEMPLO Sob condições [ convencionais, ] a matriz de coeficientes estimados Φ = Φ 1 : Φ 2 : : Φ p satisfaz: ( ) d ( ) T vec Φ Φ N 0, Σ Φ. Por que se podem testar normalmente os coeficientes individuais de um modelo multivariado não estacionário? A não-estacionaridade emerge quando um dos autovalores da matriz de coeficientes está sobre ou fora do círculo unitário. Exemplo: Considere o seguinte VAR (1) X t = [ 0, 7 0, 3 0, 3 0, 7 ] X t 1 + ε t. Os autovalores de Φ 1 são 1 e 0, 4. Trata-se de um modelo não estacionário. Esses autovalores estão associados aos coeficientes da matriz Φ 1 indiretamente. Logo, a estatística t permanece válida para a inferência individual dos coeficientes. José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
23 VERIFICAÇÃO: TESTE DE LJUNG-BOX Generalização dos testes de resíduos dos modelos univariados H 0 : E ( e t e t j ) = 0, para todo j = 1, 2,..., J > p. versus H 1 : E ( e t e t j ) = 0, para algum j. A estatística do teste é parecida com a de Ljung-Box: J Q = T tr ( Γ 1 j Γ Γ ) 1 d 0 j Γ 0 χ 2 n 2 (J p), j=1 em que Γ j = T t=j+1 êtê t j T é a autocovariância na defasagem j. Alternativamente, usa-se a estatística de Ljung-Box ajustada: Q = T 2 J j=1 1 ( Γ T j tr j 1 Γ Γ 0 j Γ 0 1 ) d χ 2 n 2 (J p). José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
24 EXEMPLO: TESTE DE LJUNG-BOX Considere o modelo não estacionário sem drift já simulado. O Eviews permite calcular os valores do testes automaticamente: Defasagens Q-Stat Prob. Adj Q-Stat Prob. df 1 0, 196 NA 0, 197 NA NA 3 7, 057 0, 531 7, 121 0, , 362 0, , 751 0, , 360 0, , 139 0, df representa o número de graus de liberdade para a distribuição χ 2. Embora o modelo seja não estacionário, as autocorrelações caem rapidamente. Se J é muito pequeno, a aproximação à distribuição será bastante pobre, ao passo que um valor alto para J pode resultar em perda de poder. José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
25 VERIFICAÇÃO: TESTE DE BREUSCH-GODFREY O objetivo é testar se existe autocorrelação de resíduos no modelo: e verificar se: ê t = Θ 1 ê t 1 + Θ 2 ê t Θ h ê t h + u t H 0 : Θ 1 = Θ 2 = = Θ h = 0 H 1 : Θ 1 = 0 Θ 2 = 0 Θ h = 0. Utiliza-se a regressão auxiliar: ê t = Φ 1 X t 1 + Φ 2 X t Φ p X t p + +Θ 1 ê t 1 + Θ 2 ê t Θ h ê t h + u t. Trata-se de um teste LM. Para executá-lo, é necessário estimar ê t contra o gradiente da função de verossimilhança. Aqui, esse gradiente é dado pela matriz [X t 1 X t 2 X t p ê t 1 ê t 2 ê t h ]. Johnston e Dinardo comentam que uma importante característica desse teste é funcionar simultaneamente contra a hipótese alternativa de um processo MA (q) para os resíduos. José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
26 VERIFICAÇÃO: TESTE DE BREUSCH-GODFREY No primeiro estágio, estima-se o modelo completo por MQO, de forma que os ê t s em que t < 0 são substituídos por zero. E calcula-se: Σ u = T t=1 û t û t. T Em seguida, estima-se o modelo impondo a hipótese nula para obter os resíduos restritos, û r t, e calcula-se: O teste LM é definido como: LM h = T Σ r = T t=1 ût r ût r. T [ n tr )] ( Σ u Σ r 1 d χ 2 hn. 2 José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
27 EXEMPLO: TESTE DE BREUSCH-GODFREY Continuando com o exemplo anterior. Estimado o modelo, verificam-se os resíduos usando o teste LM: Defasagens Q-Stat Prob. df 1 1, 678 0, , 523 0, , 208 1, , 282 1, O Eviews reporta o resultado das probabilidades com n 2 graus de liberdade. Por isso, é preciso olhar a tabela correta. A tabela anterior contém as probabilidades corretas, mas, se fossem usados n 2, a hipótese nula não seria rejeitada. No caso do exemplo, como não se rejeita a nula com menos graus de liberdade do que seria correto, com mais razão não se rejeitaria se o número de graus de liberdade fosse ainda maior. José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
28 VERIFICAÇÃO: TESTE DE NORMALIDADE A assimetria e a curtose têm distribuição normal. Defina os momentos 3 e 4 conforme segue: m 3 = (m 31, m 32,..., m 3n ), com m 3i = T t=1 ε 3 it ; T m 4 = (m 41, m 42,..., m 4n ), com m 4i = T t=1 ε 4 it. T Essas medidas têm a seguinte distribuição: ( ) [ ( m T 3 6In 0 N 0; m 4 3 n 0 24I n em que 3 n = (3, 3,..., 3) é um vetor n 1 de 3s. )], José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
29 VERIFICAÇÃO: TESTE DE NORMALIDADE Na prática, primeiro deve-se obter a matriz de covariância dos resíduos estimados: ) ) (ê t ê t (ê t ê t Σ e = T t=1 2 Calcule a matriz raiz quadrada: Σ 1 e, para padronizar os resíduos: êt s = Σ ) 1 2 e (ê t ê t. Calcule a assimetria, m 3, e a curtose, m 4, dos n resíduos: m 3 = ( m 31, m 32,..., m 3n ), com m 3i = T t=1 (êit s )3 ; T m 4 = ( m 41, m 42,..., m 4n ), com m 4i = T t=1 (êit s )4. T José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70 T.
30 VERIFICAÇÃO: TESTE DE NORMALIDADE As estatísticas são dadas por: s 2 3 = T m 3 m 3 6 ; s4 2 = T ( m 4 3 n ) ( m 4 3 n ). 24 Ambas as estatísticas têm distribuição χ 2 n sob a nula: s2 3 = s2 4 = 0. Alternativamente, pode-se usar a distribuição conjunta de ambos os testes, JB 2n = s s2 4 : JB 2n = s s 2 4 d χ 2 2n. José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
31 PREVISÃO Análoga aos processos univariados. Quando se conhece o processo gerador de dados, a previsão h passos à frente é dada por: E (X t+h I t ) X t+h t = Φ 1 X t+h 1 t + Φ 2 X t+h 2 t + + Φ p X t+h p t, em que X t+j t = X t+j para j 0. Transformando X t num modelo de médias móveis infinito: ( X t+h = I p j=1 Φ j L j ) 1 e t+h = e t+h + Ψ 1 e t+h 1 + Ψ p e t+h 2 + Conseqüentemente, a previsão correspondente é dada por: X t+h t = Ψ j e t+h j. j=h José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
32 PREVISÃO Desse modo, o erro de previsão será obtido extraindo-se de X t+h o termo X t+h t : h 1 X t+h X t+h t = Ψ j e t+h j, j=0 em que Ψ 0 = I n. A expectativa de previsão dos erros é zero. O EQM é dado por: Σ x (h) = E ( ) ( ) h 1 X t+h X t+h t Xt+h X t+h t = Ψ j ΣΨ j. j=0 No processo é estacionário, a incerteza da previsão é limitada. Os processos integrados têm erro de previsão indeterminado em horizontes longos, mas isso não exclui a possibilidade de que a previsão de alguns componentes de variáveis integradas tenha o erro de previsão limitado também. Na presença de variáveis exógenas, entre as quais algumas determinísticas, pode-se estender a fórmula anterior facilmente. José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
33 Figura: Previsão de y e z 20 passos à frente. José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70 PREVISÃO Considere o VAR (1) estimado a partir do modelo simulado sem drift: [ ] 0, 694 0, 332 X t = X 0, 298 0, 676 t 1. Prevendo 20 passos à frente na Figura 3:
34 PREVISÃO Em contraposição, considere o seguinte modelo VAR (1), estimado a partir do modelo simulado estacionário: [ ] 0, 578 0, 186 X t = X 0, 284 0, 611 t 1. Prevendo 20 passos à frente, a Figura 4 mostra que a convergência para a média de longo prazo. José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
35 FUNÇÃO RESPOSTA AO IMPULSO O modelo VAR não permite identificar todos os parâmetros da forma estrutural, a menos que se imponham restrições adicionais. Para ver isso, observe que no sistema restrito dado pela equação (2) conseguem-se estimar os seis parâmetros na equação da média, Var (e 1 ), Var (e 2 ) e Cov (e 1, e 2 ). No sistema primitivo há dez parâmetros a calcular: além dos oito coeficientes estruturais, há ainda as variâncias de cada um dos choques. Sims (1980) sugere um sistema recursivo para identificar o modelo. Trata-se de impor que alguns coeficientes sejam iguais a zero. Geralmente, usam-se argumentos econômicos para definir quais deles são iguais a zero. Sims impõe que o efeito feedback seja limitado. No caso mais simples, de um modelo bivariado, impor-se-ia, por exemplo, que a 12 = 0: y t = b 10 + b 11 y t 1 + b 12 z t 1 + ε yt ; z t = b 20 a 21 y t + b 21 y t 1 + b 22 z t 1 + ε zt. José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
36 FUNÇÃO RESPOSTA AO IMPULSO Essa restrição é importante porque torna os parâmetros estruturais restantes identificáveis, conforme se observa no exemplo bivariado: [ ] [ ] [ ] [ ] A yt 1 0 b10 = = = + a 21 1 z t a 21 1 b 20 [ ] [ ] [ ] 1 0 b11 b 12 yt 1 + a 21 1 b 21 b 22 z t 1 [ ] [ ] [ ] 1 0 σy 0 εyt +. a σ z ε zt Sabendo-se ainda que a 12 = 0, então os erros reduzidos ficam [ ] [ ] e1t σ = y ε yt, e 2t σ z ε zt a 21 σ y ε yt de modo que var (e 1 ) = σ 2 y ; cov (e 1, e 2 ) = a 21 σ 2 y ; e var (e 2 ) = σ 2 z + a 2 21σ 2 y. José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
37 FUNÇÃO RESPOSTA AO IMPULSO Essas três equações combinam-se com as demais estimativas para identificar o modelo: φ 10 = b 10 ; φ 20 = b 20 b 10 a 21 ; φ 11 = b 11 ; φ 12 = b 12 ; φ 21 = a 21 b 11 + b 21 ; φ 22 = a 21 b 12 + b 22. A metodologia proposta por Sims pode ser generalizada para um vetor com n variáveis endógenas. Trata-se de uma maneira triangular de decompor os resíduos, chamada de decomposição de Choleski. No caso de n variáveis endógenas, a matriz de covariância é de dimensão n n. As condições de identificação requerem a imposição de n2 n 2 restrições. O problema dessa imposição é definir a ordenação das variáveis, que é arbitrária, ainda que atribuída a razões econômicas. A ordenação das variáveis define a forma das restrições, de modo que diferentes ordenações geram diferentes restrições. José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
38 FUNÇÃO RESPOSTA AO IMPULSO Se os autovalores da polinomial ( I p i=1 Φ il i ) estiverem fora do círculo unitário, pode-se escrever um VAR (p) como um vetor de médias móveis infinito VMA ( ): X t = X + i=0 Φ i 1e t i = X + i=0 Φ i 1 1 a 12 a 21 [ 1 a 12 a 21 1 em que X (I Φ 1 ) 1 Φ 0 é a média de longo prazo. Seja: Φ Ψ i = i [ ] 1 1 a a 12 a 21 a 21 1 Desse modo: X t = X + = X + i=0 i=0 Ψ i Bε t i = [ ψi,11 ψ i,12 ψ i,21 ψ i,22 ] [ σy ε yt i σ z ε zt i ]. ] [ σy ε yt i σ z ε zt i ] José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
39 FUNÇÃO RESPOSTA AO IMPULSO Os elementos da matriz Ψ i são os multiplicadores de impacto de um choque sobre as variáveis endógenas. Assim, o impacto total de um choque de ε yt sobre y t+h é dado pela soma dos coeficientes ψ i,11, i = 0, 1, 2,..., h. Veja os gráficos da função resposta ao impulso. Inicialmente, impõe-se à simulação que a 12 = 0 e a 21 = 0, 8. Em seguida, estima-se o modelo simulado e gera-se a função resposta ao impulso usando a decomposição de Choleski que assume a 12 = 0. José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
40 INTERVALO DE CONFIANÇA A função resposta ao impulso é calculada mediante coeficientes estimados. Logo, é claro que há um intervalo de confiança a ser considerado nessas estimativas. Esse intervalo pode ser calculado de forma anaĺıtica ou por métodos de experimentos de Monte Carlo. O método anaĺıtico torna-se bem complicado quando se imagina um problema multivariado, em razão das covariâncias cruzadas. José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
41 INTERVALO DE CONFIANÇA 1 Estime o modelo multivariado e armazene os resíduos estimados, {ê t }; 2 Sorteie os resíduos armazenados com reposição e simule uma nova série usando as matrizes Φ estimadas no passo anterior. Por exemplo, no caso de um VAR (1): X t = Φ 0 + Φ 1 X t 1 + ê t ; 3 Reestime o modelo e a nova função resposta ao impulso; 4 Repita o processo milhares de vezes; 5 Para construir um intervalo com 95% de confiança, exclua 2, 5% das menores e maiores respostas. José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
42 DECOMPOSIÇÃO DA VARIÂNCIA Considere o exemplo das seções anteriores, VAR (1) com duas variáveis endógenas, y e z: Calcule o erro de previsão: Esmiuçando apenas y t+h : X t+h = X + i=0 X t+h E t (X t+h ) = Ψ i ε t+h i. h 1 Ψ i ε t+h i. i=0 y t+h E t (y t+h ) = ψ 0,11 ε yt+h + ψ 1,11 ε yt+h ψ h 1,11 ε yt+1 + Logo: σ 2 y (h) = σ 2 y +ψ 0,12 ε zt+h + ψ 1,12 ε zt+h ψ h 1,12 ε zt+1. +σ 2 z ( ψ 2 0,11 + ψ 2 1, ) ψ2 h 1,11 + ( ψ 2 0,12 + ψ 2 1, ) ψ2 h 1,12. José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
43 DECOMPOSIÇÃO DA VARIÂNCIA Agora, pode-se decompor a variância do erro de previsão em seus diversos elementos. Dividindo-se ambos os lados por σ 2 y (h): ( 1 = σ2 y ψ 2 0,11 + ψ 2 1, h 1,11) ψ2 σ 2 + y (h) ( ψ 2 0,12 + ψ 2 1, h 1,12) ψ2 h σ y (h) + σ2 z σ 2 y (h) Decomposição da variância de y t+h E t (y t+h ) σ 2 y(ψ 2 0,11 +ψ2 1,11 + +ψ2 h 1,11) σ 2 y (h) σ 2 z(ψ 2 0,12 +ψ2 1,12 + +ψ2 h 1,12) σ 2 y (h) 1 0, , 00 0, , , 53 5, , , 09 11, , , 24 16, , , 03 19, 97. José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
44 DECOMPOSIÇÃO DA VARIÂNCIA O mesmo é feito com a variável z t+h : h σ z (h) Decomposição da variância de z t+h E t (z t+h ) σ 2 y(ψ 2 0,21 +ψ2 1,21 + +ψ2 h 1,21) σ 2 z (h) σ 2 z(ψ 2 0,22 +ψ2 1,22 + +ψ2 h 1,22) σ 2 z (h) 1 1, , 96 67, , , 51 74, , , 04 70, , , 07 72, , , 06 73, 94 José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
45 TESTE DE GRANGER-CAUSALIDADE uma variável é capaz de prever outra? em que condições? Em outras palavras, a questão fundamental é saber se o escalar y ajuda a prever o escalar z. Se isso não acontece, então diz-se que y não-granger-causa z. O teste tem o sentido de previsão, não de causalidade econômica, apesar do nome. A forma de responder a essa pergunta é usando um teste F convencional, válido quando os coeficientes de interesse puderem ser escritos de modo a multiplicar variáveis estacionárias. José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
46 TESTE DE GRANGER-CAUSALIDADE O teste é feito da seguinte maneira: 1 Estime z t = φ 20 + p i=1 φ i,21 y t i + p i=1 φ i,22 z t i + e 2t ; 2 Teste se y não-granger-causa z usando o teste de F, sob: H 0 : φ 1,21 = φ 2,21 = = φ p,21 = 0 H 1 : φ i,21 = 0, i = 1, 2,..., p, em que a estatística do teste é dada por: S 1 = (e 2 r e 2 u) p e 2 u T 2p 1 d F (p, T 2p 1), em que r representa restrito e u, não restrito. Se S 1 > F 5%, rejeita-se a hipótese nula de que y não-granger-causa z. 3 Um teste equivalente é: S 2 = T ( er 2 eu 2 ) d χ 2 p. Rejeita-se a nula se S 2 > χ 2 p (5%). e 2 u José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
47 TESTE DE GRANGER-CAUSALIDADE Teste de causalidade de Granger não é a mesma coisa que teste de exogeneidade. Para que z t seja exógeno a y t, é preciso que z t não seja afetado contemporaneamente por y t. A forma reduzida do VAR não permite que se faça esse tipo de teste. O teste de causalidade de Granger inclui, pois, valores correntes e passados de y t sobre z t. Pode-se fazer o mesmo teste em contextos de mais variáveis, cujo nome é teste de bloco-exogeneidade. Estima-se o modelo com e sem restrição e utiliza-se o teste F, como visto anteriormente. É importante observar que, em sistemas com n > 2, o teste de causalidade é mais complicado de ser feito, e a interpretação necessita de maiores cuidados. O problema que pode ocorrer ao não rejeitar a nula é não perceber a dinâmica mais complicada do modelo em que uma variável, apesar de não causar diretamente outra (por exemplo, y 2t não Granger-causa y 1t ), pode causá-la indiretamente. Isso ocorrerá quando y 2t causar y 3t, que, por sua vez, causa y 1t. O teste de Granger-causalidade não foi desenvolvido para esse tipo de caso. José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
48 EXEMPLO Se o Banco Central, de fato, determina a taxa Selic, então alterações na taxa efetiva praticada no mercado financeiro deveriam responder às alterações na meta definida pelo Banco Central. Por outro lado, não há razões para acreditar que alterações nas taxas de mercado afetem a meta definida pelo Banco Central. Teste Ng-Perron MZa MZt MSB MPT Meta - Nível 5, 706 1, 440 0, 252 5, 030 Meta - Primeira Diferença 943, , 714 0, 023 0, 025 Efetiva - Nível 5, 153 1, 345 0, 261 5, 420 Efetiva - Primeira Diferença 14, 426 2, 685 0, 186 1, 698 1% 13, 800 2, 580 0, 174 1, 780 5% 8, 100 1, 980 0, 233 3, % 5, 700 1, 620 0, 275 4, 450 José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
49 EXEMPLO Como os dados são diários e apenas os para dias úteis, utilizam-se 20 defasagens de cada variável. As variáveis estão em primeira diferença, então os resultados informam se a variação de uma variável ajuda a explicar a variação da outra defasagem. Teste de Causalidade de Granger Hipótese Nula Obs Estatística F Probabilidade META não-granger-causa EFETIVA , 503 0, 000 EFETIVA não-granger-causa META 0, 395 0, 992 José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
50 VAR ESTRUTURAL Existem outras formas de definir restrições sobre a matriz A, de modo a identificar os parâmetros estruturais. Usa-se a teoria econômica para definir as restrições da matriz A completamente, com risco de sobreidentificação. Para entender o procedimento, considere um VAR (1) com n variáveis: AX t = B 0 + B 1 X t 1 + Bε t. Quando se estima a forma reduzida, obtêm-se os resíduos ê t, tal que: B ε t = Aê t. O problema é restringir o sistema, de forma a recuperar ε t conforme a hipótese de que cada resíduo do sistema estrutural é independente um do outro. José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
51 VAR ESTRUTURAL Considere a matriz de covariância dos erros da forma reduzida: σ 11 σ 12 σ 1n σ 21 σ 22 σ 2n Σ =......, σ n1 σ n2 σ nn σ ij = 1 T T ê it ê jt. t=1 Σ é simétrica n(n+1) 2 elementos diferentes. Elementos da diagonal de A são unitários ( n 2 n ) elementos desconhecidos. Desconhecem-se as n variâncias de ε. Logo, há n 2 elementos desconhecidos e n(n+1) 2 conhecidos. Restrições a impor: n 2 n(n+1) 2 = n(n 1) 2, embora insuficiente para identificação exata, pois existem não-linearidades no sistema de equações. José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
52 Exemplo Logo: BB = Var (Ae t ) = AVar (e t ) A. Suponha o seguinte sistema de equações, em que se admite conhecer a matriz de covariância de e t : [ ] [ ] [ ] [ ] σ 2 ε1 0 1 a12 0, 5 0, 4 1 a21 0 σ 2 = = ε 2 a , 4 0, 6 a 12 1 [ ] [ ] 0, 5 + 0, 4a12 0, 4 + 0, 6a = 12 1 a21 = 0, 5a , 4 0, 4a , 6 a 12 1 [ 0, 5 + 0, 8a 12 +0, 6a , 5a 21 +0, 4a 12 a 21 +0, 4 + 0, 6a 12 0, 5a 21 +0, 4 + 0, 4a 12 a 21 +0, 6a 12 0, 5a , 8a 21+0, 6 ] José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
53 Exemplo Há três equações independentes com quatro incógnitas (a 12, a 21, σ 2 ε 1, σ 2 ε 2 ): σ 2 ε 1 = 0, 5 + 0, 8a , 6a 2 12; 0 = 0, 5a , 4 + 0, 4a 12 a , 6a 12 ; σ 2 ε 2 = 0, 5a , 8a , 6. Impondo a restrição de Choleski, a 12 = 0, calculam-se: σ 2 ε 1 = 0, 5; 0 = 0, 5a , 4 = a 21 = 0, 8 σ 2 ε 2 = 0, 5a , 8a , 6 = σ 2 ε 2 = 0, 28. A função resposta ao impulso. No caso de um VAR (1) bivariado, essa função é: [ ] Ψ i = Φ i a 21 1 José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
54 Exemplo Outra restrição: uma inovação em ε 2t pode ter um efeito unitário em y 1t a 12 = 1: σ 2 ε 1 = 1, 9; a 21 = 10 9 ; σ 2 ε 2 = 0, , , 6 = 0, 328. José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
55 Exemplo Há casos em que as restrições podem não gerar resultados únicos. Por exemplo: a correlação cruzada no modelo bivariado estrutural é única, a 12 = a 21 = a: { 0 = 1, 1a + 0, 4 + 0, 4a = a = ; { σ 2 ε 1 = 0, 5 + 0, 8a + 0, 6a 2 = σ ε 1 = ; { σ 2 ε 2 = 0, 5a 2 + 0, 8a + 0, 6 = σ ε 2 = José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
56 DECOMPOSIÇÃO DE BLANCHARD E QUAH Forma de identificação com base em restrições determinadas pela teoria econômica. Imposição de restrições a respeito do comportamento de longo prazo de uma variável a partir do choque estrutural em uma outra variável. Suponha um vetor X t = ( y t, u t ), em que y t representa o logaritmo do produto, e u t, a taxa de desemprego. As variáveis respondem a um vetor de choques dado por ε t = (ε t,d, ε t,s ). O produto é afetado por choques de demanda, e o desemprego, por choques de oferta. Os choques entre oferta e demanda não são correlacionados. Os choques de demanda têm efeitos temporários; os choques de oferta têm efeitos permanentes. José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
57 DECOMPOSIÇÃO DE BLANCHARD E QUAH Normalizando B = I, considere AX t = em que var (ε t ) = I. O modelo na forma reduzida fica: X t = p B j X t j + ε t, j=1 p A 1 B j X t j + A 1 p ε t = Φ j X t j + e t, j=1 j=1 em que A 1 B j Φ j ; Ae t = ε t. Há duas representações equivalentes de X t, dependendo de o modelo partir da forma reduzida ou estrutural. José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
58 DECOMPOSIÇÃO DE BLANCHARD E QUAH Partindo da forma reduzida, pode-se escrevê-lo como: ( I p j=1 Φ j L j ) X t = e t = X t = X t = ( j=0 C j L j ) ( I p j=1 Φ j L j ) 1 e t = e t, (3) em que C 0 I ; ( I p j=1 Φ jl j ) 1 j=0 C j L j ; var (e t ) = Σ. José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
59 DECOMPOSIÇÃO DE BLANCHARD E QUAH Partindo da forma estrutural, obtém-se: ( A p j=1 B j L j ) X t = ε t = X t = X t = ( j=0 A j L j ) ( A p j=1 B j L j ) 1 ε t = ε t, (4) em que ( A p j=1 B jl j ) 1 j=0 A j L j. José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
60 DECOMPOSIÇÃO DE BLANCHARD E QUAH Dado que C 0 = I, das equações (4) e (3) resultam as seguintes relações: A 0 ε t = e t = A 0 ε t j = e t j ; A j ε t j = C j e t j = A j ε t j = C j A 0 ε t j A j = C j A 0, j > 0. José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
61 DECOMPOSIÇÃO DE BLANCHARD E QUAH Qual a relação entre a matriz A 0 e a matriz A? A ( I p j=1 A 1 B j L j ) X t = ε t = X t = = ( j=0 C j L j ) ( I p j=1 A 1 ε t = A 1 B j L j ) 1 A 1 ε t = C j A 1 ε t j. j=0 Comparando essa equação com a equação (4), conclui-se que: A j = C j A 1 = C j A 0 = C j A 1 A 0 = A 1. Essa relação é importante porque vão ser impostas restrições à matriz A 0. José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
62 DECOMPOSIÇÃO DE BLANCHARD E QUAH Do termo A 0 ε t, verifica-se que: A 0 ε t = e t = A 0 A 0 = Σ. Esse sistema de equações resulta, como já foi visto, em n(n+1) 2 equações. No caso bivariado, são explicitamente dadas por: a 2 11,0 + a 2 12,0 = var (e 1 ) ; a 11,0 a 21,0 + a 12,0 a 22,0 = cov (e 1, e 2 ) ; a 2 21,0 + a 2 22,0 = var (e 2 ). José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
63 DECOMPOSIÇÃO DE BLANCHARD E QUAH Aqui introduzem-se as restrições de longo prazo. Considere a equação (4) no modelo bivariado: [ ] a11,j a X t = 12,j ε a j=0 21,j a t j. 22,j Para que o choque de demanda não tenha efeitos de longo prazo sobre o produto, impõe-se: a 11,j = 0. j=0 Tendo-se A 0 e C j, este obtido da estimação do modelo reduzido, e valendo a relação A j = C j A 0, pode-se obter A j. José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
64 DECOMPOSIÇÃO DE BLANCHARD E QUAH Para operacionalizar o procedimento: 1 Estime o modelo VAR (p) e obtenha as matrizes Φ j ; 2 Obtenha as matrizes C j resolvendo: ( j=0 Ĉ j L j ) = ( I p j=1 Φ j L j ) 1 ; 3 Sabendo que A j = C j A 0, imponha a restrição de longo prazo; 4 Resolva o sistema de equações e encontre os coeficientes de A 0. José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
65 a 11,0 j=0 c 11,j + a 21,0 j=0 c 12,j = 0. José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70 EXEMPLO [ a11,j a 12,j a 21,j a 22,j ] = = Impondo a restrição de longo prazo: [ ] [ ] c11,j c 12,j a11,0 a 12,0 = c 21,j c 22,j a 21,0 a 22,0 [ ] a11,0 c 11,j + a 21,0 c 12,j a 12,0 c 11,j + a 22,0 c 12,j a 11,0 c 21,j + a 21,0 c 22,j a 12,0 c 21,j + a 22,0 c 22,j a 11,j = 0 = a 11,0 c 11,j + a 21,0 c 12,j. j=0 j=0 j=0 Logo, as equações a serem resolvidas para obterr os coeficientes de A 0 são: a 2 11,0 + a 2 12,0 = var (e 1 ) ; a 11,0 a 21,0 + a 12,0 a 22,0 = cov (e 1, e 2 ) ; a 2 21,0 + a 2 22,0 = var (e 2 ) ;
66 DECOMPOSIÇÃO DE BLANCHARD E QUAH Uma vez obtida a matriz A 0, podem-se recuperar os erros estruturais da seguinte relação: ε t = A 1 0 e t, e, assim, encontrar a função resposta ao impulso e a decomposição da variância. Não se devem associar choques de demanda ao componente transitório do ciclo de negócios, e choques de oferta, ao componente permanente de tendência. O componente transitório pode ocorrer devido a uma combinação de choques na oferta e demanda, assim como choques de oferta afetarão simultaneamente os componentes cíclico e permanente da economia. José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
67 ESTIMAÇÃO DO MODELO ESTRUTURAL* Considere mais uma vez o modelo estrutural: AX t = p B i X t i + Bε t, ε t i.i.d.n (0, I n ). i=1 Empilham-se as matrizes X i s, de modo que Y t = [ X t 1 X t 2 X t p ], A = A 1 [B 1, B 2,..., B p ]: X t = AY t + A 1 Bε t, em que B é a matriz de desvio padrão de dimensão n n. A função de verossimilhança será dada por: n (T p) ln (A, A, B) = ln 2π (T p) 2 ln A 1 BB A 1 T (X t AY t ) ( A 1 BB A 1 ) 1 (Xt AY t ). t=p+1 José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
68 ESTIMAÇÃO DO MODELO ESTRUTURAL* em que X = T (X t AY t ) ( A 1 BB A 1 ) 1 (Xt AY t ) = t=p+1 = (T p)tr [(X AZ ) ( A 1 BB A 1 ) ] 1 (X AZ ) [ ] [ ]. X p+1, X p+2,..., X T e Z = Y p+1, Y p+2,..., Y T Logo ln (A, A, B) = constante + (T p) 2 ( ln A 2 ln B 2) (T p) tr [ A B 1 B 1 A (X AZ ) (X AZ ) ]. 2 José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
69 ESTIMAÇÃO DO MODELO ESTRUTURAL* Se não houver restrições sobre as matrizes A e B, pode-se estimar ( ) (X ÂZ)(X ÂZ) Σ = T, em que X ÂZ são os resíduos do VAR reduzido, Â = XZ (ZZ ) 1. Daí, é possível concentrar a função anterior para maximizar: (T p) ( ln c (A, B) = constante + ln A 2 ln B 2) 2 (T p) [ ] tr A B 1 B 1 A Σ. 2 José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
70 TESTE LR PARA SOBREIDENTIFICAÇÃO 1 Estimada a matriz de covariância não restrita, Σ, e como se sabe que BB = A ΣA, reescrever Σ: Σ = A 1 BB A 1. 2 Imponha as restrições sobre A e B e maximize : T 2 ln A 1 BB A T t=1 ê t ( A 1 BB A 1) 1 êt. 3 Calcule a nova matriz de covariância restrita: Σ r = Â 1 B B Â 1. 4 Proceda ( ao teste estatístico ) de razão de verossimilhança dado por: d LR = T ln Σ r ln Σ χ 2 q, em que q é o número de restrições acima de n(n 1) 2. 5 Se há dois conjuntos de restrições tais que q 1 > q 2, pode-se testar a hipótese de as restrições serem equivalentes pelo teste: ( ) LR = T ln Σ r1 ln Σ r2 d χ 2 q 1 q 2. José Fajardo (FGV-EBAPE) Vetor Auto-regressivo Setemebro / 70
Exercícios Teóricos Resolvidos
Universidade Federal de Minas Gerais Instituto de Ciências Exatas Departamento de Matemática Exercícios Teóricos Resolvidos O propósito deste texto é tentar mostrar aos alunos várias maneiras de raciocinar
Leia maisEste capítulo é divido em duas seções, a primeira seção descreve a base de
30 3. Metodologia Este capítulo é divido em duas seções, a primeira seção descreve a base de dados utilizada, identificando a origem das fontes de informação, apresentando de forma detalhada as informações
Leia maisa 1 x 1 +... + a n x n = b,
Sistemas Lineares Equações Lineares Vários problemas nas áreas científica, tecnológica e econômica são modelados por sistemas de equações lineares e requerem a solução destes no menor tempo possível Definição
Leia mais[a11 a12 a1n 4. SISTEMAS LINEARES 4.1. CONCEITO. Um sistema de equações lineares é um conjunto de equações do tipo
4. SISTEMAS LINEARES 4.1. CONCEITO Um sistema de equações lineares é um conjunto de equações do tipo a 11 x 1 + a 12 x 2 +... + a 1n x n = b 1 a 11 x 1 + a 12 x 2 +... + a 1n x n = b 2... a n1 x 1 + a
Leia maisO ESPAÇO NULO DE A: RESOLVENDO AX = 0 3.2
3.2 O Espaço Nulo de A: Resolvendo Ax = 0 11 O ESPAÇO NULO DE A: RESOLVENDO AX = 0 3.2 Esta seção trata do espaço de soluções para Ax = 0. A matriz A pode ser quadrada ou retangular. Uma solução imediata
Leia maisUNIVERSIDADE FEDERAL DO ESPÍRITO SANTO PROGRAMA DE EDUCAÇÃO TUTORIAL - MATEMÁTICA PROJETO FUNDAMENTOS DE MATEMÁTICA ELEMENTAR
UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO PROGRAMA DE EDUCAÇÃO TUTORIAL - MATEMÁTICA PROJETO FUNDAMENTOS DE MATEMÁTICA ELEMENTAR Assuntos: Matrizes; Matrizes Especiais; Operações com Matrizes; Operações Elementares
Leia maisx0 = 1 x n = 3x n 1 x k x k 1 Quantas são as sequências com n letras, cada uma igual a a, b ou c, de modo que não há duas letras a seguidas?
Recorrências Muitas vezes não é possível resolver problemas de contagem diretamente combinando os princípios aditivo e multiplicativo. Para resolver esses problemas recorremos a outros recursos: as recursões
Leia maisAula 4 Conceitos Básicos de Estatística. Aula 4 Conceitos básicos de estatística
Aula 4 Conceitos Básicos de Estatística Aula 4 Conceitos básicos de estatística A Estatística é a ciência de aprendizagem a partir de dados. Trata-se de uma disciplina estratégica, que coleta, analisa
Leia maisPor que o quadrado de terminados em 5 e ta o fa cil? Ex.: 15²=225, 75²=5625,...
Por que o quadrado de terminados em 5 e ta o fa cil? Ex.: 15²=225, 75²=5625,... 0) O que veremos na aula de hoje? Um fato interessante Produtos notáveis Equação do 2º grau Como fazer a questão 5 da 3ª
Leia maisSéries de Tempo. José Fajardo. Setembro 2011. Fundação Getulio Vargas-EBAPE. José Fajardo (FGV-EBAPE) Processos Não Estacionários Setembro 2011 1 / 61
Séries de Tempo José Fajardo Fundação Getulio Vargas-EBAPE Setembro 2011 José Fajardo (FGV-EBAPE) Processos Não Estacionários Setembro 2011 1 / 61 Motivação A série temporal não estacionária não pode ser
Leia maisAPLICAÇÕES DA DERIVADA
Notas de Aula: Aplicações das Derivadas APLICAÇÕES DA DERIVADA Vimos, na seção anterior, que a derivada de uma função pode ser interpretada como o coeficiente angular da reta tangente ao seu gráfico. Nesta,
Leia maisTópico 11. Aula Teórica/Prática: O Método dos Mínimos Quadrados e Linearização de Funções
Tópico 11. Aula Teórica/Prática: O Método dos Mínimos Quadrados e Linearização de Funções 1. INTRODUÇÃO Ao se obter uma sucessão de pontos experimentais que representados em um gráfico apresentam comportamento
Leia maisCapítulo 7 Medidas de dispersão
Capítulo 7 Medidas de dispersão Introdução Para a compreensão deste capítulo, é necessário que você tenha entendido os conceitos apresentados nos capítulos 4 (ponto médio, classes e frequência) e 6 (média).
Leia maisResoluções comentadas de Raciocínio Lógico e Estatística - SEPLAG-2010 - EPPGG
Resoluções comentadas de Raciocínio Lógico e Estatística - SEPLAG-010 - EPPGG 11. Em uma caixa há 1 bolas de mesmo tamanho: 3 brancas, 4 vermelhas e 5 pretas. Uma pessoa, no escuro, deve retirar n bolas
Leia mais6 Construção de Cenários
6 Construção de Cenários Neste capítulo será mostrada a metodologia utilizada para mensuração dos parâmetros estocásticos (ou incertos) e construção dos cenários com respectivas probabilidades de ocorrência.
Leia maisAula 4 Estatística Conceitos básicos
Aula 4 Estatística Conceitos básicos Plano de Aula Amostra e universo Média Variância / desvio-padrão / erro-padrão Intervalo de confiança Teste de hipótese Amostra e Universo A estatística nos ajuda a
Leia maisE A D - S I S T E M A S L I N E A R E S INTRODUÇÃO
E A D - S I S T E M A S L I N E A R E S INTRODUÇÃO Dizemos que uma equação é linear, ou de primeiro grau, em certa incógnita, se o maior expoente desta variável for igual a um. Ela será quadrática, ou
Leia mais7Testes de hipótese. Prof. Dr. Paulo Picchetti M.Sc. Erick Y. Mizuno. H 0 : 2,5 peças / hora
7Testes de hipótese Prof. Dr. Paulo Picchetti M.Sc. Erick Y. Mizuno COMENTÁRIOS INICIAIS Uma hipótese estatística é uma afirmativa a respeito de um parâmetro de uma distribuição de probabilidade. Por exemplo,
Leia maisEstabilidade. Carlos Alexandre Mello. Carlos Alexandre Mello cabm@cin.ufpe.br 1
Estabilidade Carlos Alexandre Mello 1 Introdução Já vimos que existem três requisitos fundamentais para projetar um sistema de controle: Resposta Transiente Estabilidade Erros de Estado Estacionário Estabilidade
Leia maisUtilização do SOLVER do EXCEL
Utilização do SOLVER do EXCEL 1 Utilização do SOLVER do EXCEL José Fernando Oliveira DEEC FACULDADE DE ENGENHARIA DA UNIVERSIDADE DO PORTO MAIO 1998 Para ilustrar a utilização do Solver na resolução de
Leia maisDepartamento de Matemática - UEL - 2010. Ulysses Sodré. http://www.mat.uel.br/matessencial/ Arquivo: minimaxi.tex - Londrina-PR, 29 de Junho de 2010.
Matemática Essencial Extremos de funções reais Departamento de Matemática - UEL - 2010 Conteúdo Ulysses Sodré http://www.mat.uel.br/matessencial/ Arquivo: minimaxi.tex - Londrina-PR, 29 de Junho de 2010.
Leia maisIBM1018 Física Básica II FFCLRP USP Prof. Antônio Roque Aula 6. O trabalho feito pela força para deslocar o corpo de a para b é dado por: = =
Energia Potencial Elétrica Física I revisitada 1 Seja um corpo de massa m que se move em linha reta sob ação de uma força F que atua ao longo da linha. O trabalho feito pela força para deslocar o corpo
Leia mais3 Classificação. 3.1. Resumo do algoritmo proposto
3 Classificação Este capítulo apresenta primeiramente o algoritmo proposto para a classificação de áudio codificado em MPEG-1 Layer 2 em detalhes. Em seguida, são analisadas as inovações apresentadas.
Leia maisCURSO ON-LINE PROFESSOR GUILHERME NEVES
Olá pessoal! Neste ponto resolverei a prova de Matemática Financeira e Estatística para APOFP/SEFAZ-SP/FCC/2010 realizada no último final de semana. A prova foi enviada por um aluno e o tipo é 005. Os
Leia maisIntrodução. Métodos de inferência são usados para tirar conclusões sobre a população usando informações obtidas a partir de uma amostra.
Métodos Monte Carlo Introdução Métodos de inferência são usados para tirar conclusões sobre a população usando informações obtidas a partir de uma amostra. Estimativas pontuais e intervalares para os parâmetros;
Leia maisobjetivo Exercícios Meta da aula Pré-requisitos Aplicar o formalismo quântico estudado neste módulo à resolução de um conjunto de exercícios.
Exercícios A U L A 10 Meta da aula Aplicar o formalismo quântico estudado neste módulo à resolução de um conjunto de exercícios. objetivo aplicar os conhecimentos adquiridos nas Aulas 4 a 9 por meio da
Leia maisSomatórias e produtórias
Capítulo 8 Somatórias e produtórias 8. Introdução Muitas quantidades importantes em matemática são definidas como a soma de uma quantidade variável de parcelas também variáveis, por exemplo a soma + +
Leia maisCOMENTÁRIO AFRM/RS 2012 ESTATÍSTICA Prof. Sérgio Altenfelder
Comentário Geral: Prova muito difícil, muito fora dos padrões das provas do TCE administração e Economia, praticamente só caiu teoria. Existem três questões (4, 45 e 47) que devem ser anuladas, por tratarem
Leia maisCURSO ON-LINE PROFESSOR: VÍTOR MENEZES. Comentários sobre as provas de estatística e financeira ICMS RJ
Comentários sobre as provas de estatística e financeira ICMS RJ Caríssimos, Acabei de voltar de uma longa auditoria em que visitamos inúmeros assentamentos federais do INCRA no interior do estado. Ou seja:
Leia maisA presente seção apresenta e especifica as hipótese que se buscou testar com o experimento. A seção 5 vai detalhar o desenho do experimento.
4 Plano de Análise O desenho do experimento realizado foi elaborado de forma a identificar o quão relevantes para a explicação do fenômeno de overbidding são os fatores mencionados na literatura em questão
Leia maisAnálise de Componente Principais (PCA) Wagner Oliveira de Araujo
Análise de Componente Principais (PCA) Wagner Oliveira de Araujo Technical Report - RT-MSTMA_003-09 - Relatório Técnico May - 2009 - Maio The contents of this document are the sole responsibility of the
Leia maisCAPÍTULO 9 RISCO E INCERTEZA
CAPÍTULO 9 9 RISCO E INCERTEZA 9.1 Conceito de Risco Um fator que pode complicar bastante a solução de um problema de pesquisa operacional é a incerteza. Grande parte das decisões são tomadas baseando-se
Leia mais5 A Utilização da Técnica do Espaço Nulo e dos Atributos Baseados na Escolha de Coeficientes de Autocorrelações
5 A Utilização da Técnica do Espaço Nulo e dos Atributos Baseados na Escolha de Coeficientes de Autocorrelações Este capítulo apresenta uma nova proposta que consiste em empregar os atributos baseados
Leia maisAssociação de resistores
Associação de resistores É comum nos circuitos elétricos a existência de vários resistores, que encontram-se associados. Os objetivos de uma associação de resistores podem ser: a necessidade de dividir
Leia maisEQUAÇÕES E INEQUAÇÕES DE 1º GRAU
1 EQUAÇÕES E INEQUAÇÕES DE 1º GRAU Equação do 1º grau Chamamos de equação do 1º grau em uma incógnita x, a qualquer expressão matemática que pode ser escrita sob a forma: em que a e b são números reais,
Leia maisAula 7 - Cálculo do retorno econômico
Aula 7 - Cálculo do retorno econômico Cálculo do retorno econômico Para comparar os custos e os benefícios de um projeto social, precisa-se analisá-los em valores monetários de um mesmo momento do tempo.
Leia maisEste apêndice resume os conceitos de álgebra matricial, inclusive da álgebra de probabilidade,
D Resumo de Álgebra Matricial Este apêndice resume os conceitos de álgebra matricial, inclusive da álgebra de probabilidade, necessária para o estudo de modelos de regressão linear múltipla usando matrizes,
Leia maisMÓDULO 6 INTRODUÇÃO À PROBABILIDADE
MÓDULO 6 INTRODUÇÃO À PROBBILIDDE Quando estudamos algum fenômeno através do método estatístico, na maior parte das vezes é preciso estabelecer uma distinção entre o modelo matemático que construímos para
Leia maisCURSO ON-LINE PROFESSOR: VÍTOR MENEZES
Caríssimos. Recebi muitos e-mails pedindo ajuda com eventuais recursos para as provas do BACEN. Em raciocínio lógico, eu não vi possibilidade de recursos, apesar de achar que algumas questões tiveram o
Leia maisCURSO ON-LINE PROFESSOR GUILHERME NEVES 1
CURSO ON-LINE PROFESSOR GUILHERME NEVES 1 Olá pessoal! Resolverei neste ponto a prova de Matemática e Estatística para Técnico Administrativo para o BNDES 2008 organizado pela CESGRANRIO. Sem mais delongas,
Leia maisEstatística II Antonio Roque Aula 9. Testes de Hipóteses
Testes de Hipóteses Os problemas de inferência estatística tratados nas aulas anteriores podem ser enfocados de um ponto de vista um pouco diferente: ao invés de se construir intervalos de confiança para
Leia maisEE210 Sistemas de Comunicação II 2ª Avaliação (PV2) 22/04/2015 15h30min Profs. Dayan A. Guimarães e Rausley A. A. de Souza. Aluno(a): Matrícula.
EE1 Sistemas de Comunicação II ª Avaliação (PV) /4/15 15h3min Profs. Dayan A. Guimarães e Rausley A. A. de Souza Nota : Nota P: Aluno(a): Matrícula. Prova sem consulta, com duração de 1h5min. A interpretação
Leia maisINVESTIGAÇÃO OPERACIONAL MÉTODOS DE PLANEAMENTO. Capítulo II Método PERT
INVESTIGAÇÃO OPERACIONAL MÉTODOS DE PLANEAMENTO Capítulo II Método PERT António Carlos Morais da Silva Professor de I.O. i II. Método PERT...II-. Introdução...II- 2. Duração da Actividade...II- 3. Estimativas
Leia maisQUADRADO MÁGICO - ORDEM 4
CONCEITO Partindo da definição original, os QUADRADOS MÁGICOS devem satisfazer três condições: a) tabela ou matriz quadrada (número de igual ao número de ); b) domínio: com elementos assumindo valores
Leia maisInvestigação Operacional- 2009/10 - Programas Lineares 3 PROGRAMAS LINEARES
Investigação Operacional- 2009/10 - Programas Lineares 3 PROGRAMAS LINEARES Formulação A programação linear lida com problemas nos quais uma função objectivo linear deve ser optimizada (maximizada ou minimizada)
Leia maisModelagem no Domínio do Tempo. Carlos Alexandre Mello. Carlos Alexandre Mello cabm@cin.ufpe.br 1
Carlos Alexandre Mello 1 Modelagem no Domínio da Frequência A equação diferencial de um sistema é convertida em função de transferência, gerando um modelo matemático de um sistema que algebricamente relaciona
Leia maisUma lei que associa mais de um valor y a um valor x é uma relação, mas não uma função. O contrário é verdadeiro (isto é, toda função é uma relação).
5. FUNÇÕES DE UMA VARIÁVEL 5.1. INTRODUÇÃO Devemos compreender função como uma lei que associa um valor x pertencente a um conjunto A a um único valor y pertencente a um conjunto B, ao que denotamos por
Leia maisCAPÍTULO 9 Exercícios Resolvidos
CAPÍTULO 9 Exercícios Resolvidos R9.1) Diâmetro de esferas de rolamento Os dados a seguir correspondem ao diâmetro, em mm, de 30 esferas de rolamento produzidas por uma máquina. 137 154 159 155 167 159
Leia maisCaracterização temporal de circuitos: análise de transientes e regime permanente. Condições iniciais e finais e resolução de exercícios.
Conteúdo programático: Elementos armazenadores de energia: capacitores e indutores. Revisão de características técnicas e relações V x I. Caracterização de regime permanente. Caracterização temporal de
Leia maisPRO FOR WINDOWS (FPW)
INTRODUÇÃO OAO FORECAST PRO FOR WINDOWS (FPW) Considerações Básicas Introdução ao Forecast Pro Software para análise e previsão de séries temporais. Características importantes Roda sob as diversas versões
Leia mais(x, y) = (a, b) + t*(c-a, d-b) ou: x = a + t*(c-a) y = b + t*(d-b)
Equação Vetorial da Reta Dois pontos P e Q, definem um único vetor v = PQ, que representa uma direção. Todo ponto R cuja direção PR seja a mesma de PQ está contido na mesma reta definida pelos pontos P
Leia mais1. Extremos de uma função
Máximo e Mínimo de Funções de Várias Variáveis 1. Extremos de uma função Def: Máximo Absoluto, mínimo absoluto Seja f : D R R função (i) Dizemos que f assume um máximo absoluto (ou simplesmente um máximo)
Leia maisEscolha de Portfólio. Professor do IE-UNICAMP http://fernandonogueiracosta.wordpress.com/
Escolha de Portfólio considerando Risco e Retorno Aula de Fernando Nogueira da Costa Fernando Nogueira da Costa Professor do IE-UNICAMP http://fernandonogueiracosta.wordpress.com/ Relação entre risco e
Leia mais1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3.
1 1. Avaliação de impacto de programas sociais: por que, para que e quando fazer? (Cap. 1 do livro) 2. Estatística e Planilhas Eletrônicas 3. Modelo de Resultados Potenciais e Aleatorização (Cap. 2 e 3
Leia maisCorrelação e Regressão Linear
Correlação e Regressão Linear A medida de correlação é o tipo de medida que se usa quando se quer saber se duas variáveis possuem algum tipo de relação, de maneira que quando uma varia a outra varia também.
Leia mais4 Segmentação. 4.1. Algoritmo proposto
4 Segmentação Este capítulo apresenta primeiramente o algoritmo proposto para a segmentação do áudio em detalhes. Em seguida, são analisadas as inovações apresentadas. É importante mencionar que as mudanças
Leia maisUNIVERSIDADE DE SÃO PAULO. Faculdade de Arquitetura e Urbanismo
UNIVERSIDADE DE SÃO PAULO Faculdade de Arquitetura e Urbanismo DISTRIBUIÇÃO AMOSTRAL ESTIMAÇÃO AUT 516 Estatística Aplicada a Arquitetura e Urbanismo 2 DISTRIBUIÇÃO AMOSTRAL Na aula anterior analisamos
Leia maisMétodo dos mínimos quadrados - ajuste linear
Apêndice A Método dos mínimos quadrados - ajuste linear Ao final de uma experiência muitas vezes temos um conjunto de N medidas na forma de pares (x i, y i ). Por exemplo, imagine uma experiência em que
Leia maisA PROBLEMÁTICA DO COPOM
A PROBLEMÁTICA DO COPOM Na ata de reunião terminada em 17 de outubro, em que houve a decisão unânime de manter a taxa SELIC em 11,25%, o COPOM dá uma indicação de sua motivação principal: 19. O Copom considera
Leia maisUTILIZAÇÃO DE RECURSOS ESTATÍSTICOS AVANÇADOS DO EXCEL PREVISÃO
UTILIZAÇÃO DE RECURSOS ESTATÍSTICOS AVANÇADOS DO EXCEL PREVISÃO! Fazendo regressão linear! Relacionando variáveis e criando uma equação para explicá-las! Como checar se as variáveis estão relacionadas!
Leia maisA metodologia ARIMA (Auto-regressivo-Integrado-Média-Móvel),
nfelizmente, o uso de ferramentas tornais de previsão é muito pouco adotado por empresas no Brasil. A opinião geral é que no Brasil é impossível fazer previsão. O ambiente econômico é muito instável, a
Leia maisMatemática - UEL - 2010 - Compilada em 18 de Março de 2010. Prof. Ulysses Sodré Matemática Essencial: http://www.mat.uel.
Matemática Essencial Equações do Segundo grau Conteúdo Matemática - UEL - 2010 - Compilada em 18 de Março de 2010. Prof. Ulysses Sodré Matemática Essencial: http://www.mat.uel.br/matessencial/ 1 Introdução
Leia mais13 ÁLGEBRA Uma balança para introduzir os conceitos de Equação do 1ºgrau
MATEMATICA 13 ÁLGEBRA Uma balança para introduzir os conceitos de Equação do 1ºgrau ORIENTAÇÃO PARA O PROFESSOR OBJETIVO O objetivo desta atividade é trabalhar com as propriedades de igualdade, raízes
Leia maisAula 5 Técnicas para Estimação do Impacto
Aula 5 Técnicas para Estimação do Impacto A econometria é o laboratório dos economistas, que busca reproduzir o funcionamento do mundo de forma experimental, como se faz nas ciências naturais. Os modelos
Leia mais94 (8,97%) 69 (6,58%) 104 (9,92%) 101 (9,64%) 22 (2,10%) 36 (3,44%) 115 (10,97%) 77 (7,35%) 39 (3,72%) 78 (7,44%) 103 (9,83%)
Distribuição das 1.048 Questões do I T A 94 (8,97%) 104 (9,92%) 69 (6,58%) Equações Irracionais 09 (0,86%) Equações Exponenciais 23 (2, 101 (9,64%) Geo. Espacial Geo. Analítica Funções Conjuntos 31 (2,96%)
Leia maisContagem I. Figura 1: Abrindo uma Porta.
Polos Olímpicos de Treinamento Curso de Combinatória - Nível 2 Prof. Bruno Holanda Aula 4 Contagem I De quantos modos podemos nos vestir? Quantos números menores que 1000 possuem todos os algarismos pares?
Leia maisO estudo de um indicador de comportamento do segurado brasileiro Francisco Galiza, Mestre em Economia (FGV)
O estudo de um indicador de comportamento do segurado brasileiro Francisco Galiza, Mestre em Economia (FGV) Este artigo tem por objetivo analisar as taxas de aversão ao risco em alguns ramos do mercado
Leia maisCláudio Tadeu Cristino 1. Julho, 2014
Inferência Estatística Estimação Cláudio Tadeu Cristino 1 1 Universidade Federal de Pernambuco, Recife, Brasil Mestrado em Nutrição, Atividade Física e Plasticidade Fenotípica Julho, 2014 C.T.Cristino
Leia maisINE 5111 Gabarito da Lista de Exercícios de Probabilidade INE 5111 LISTA DE EXERCÍCIOS DE PROBABILIDADE
INE 5 LISTA DE EERCÍCIOS DE PROBABILIDADE INE 5 Gabarito da Lista de Exercícios de Probabilidade ) Em um sistema de transmissão de dados existe uma probabilidade igual a 5 de um dado ser transmitido erroneamente.
Leia maisAula 04 Método de Monte Carlo aplicado a análise de incertezas. Aula 04 Prof. Valner Brusamarello
Aula 04 Método de Monte Carlo aplicado a análise de incertezas Aula 04 Prof. Valner Brusamarello Incerteza - GUM O Guia para a Expressão da Incerteza de Medição (GUM) estabelece regras gerais para avaliar
Leia maisInstituto Superior de Economia e Gestão Universidade Técnica de Lisboa Econometria Época Normal 9/01/2013 Duração 2 horas
Instituto Superior de Economia e Gestão Universidade Técnica de Lisboa Econometria Época Normal 9/01/2013 Duração 2 horas NOME: Turma: Processo Espaço Reservado para Classificações A utilização do telemóvel
Leia maisOlá pessoal! Sem mais delongas, vamos às questões.
Olá pessoal! Resolverei neste ponto a prova para AFRE/SC 2010 realizada pela FEPESE no último final de semana. Nosso curso teve um resultado muito positivo visto que das 15 questões, vimos 14 praticamente
Leia maisSistemas Lineares. 2. (Ufsj 2013) Considere o seguinte sistema de equações lineares, nas incógnitas x, y e z:
Sistemas Lineares 1. (Unesp 2013) Uma coleção de artrópodes é formada por 36 exemplares, todos eles íntegros e que somam, no total da coleção, 113 pares de patas articuladas. Na coleção não há exemplares
Leia mais4 Avaliação Econômica
4 Avaliação Econômica Este capítulo tem o objetivo de descrever a segunda etapa da metodologia, correspondente a avaliação econômica das entidades de reservas. A avaliação econômica é realizada a partir
Leia maisObjetivos: Construção de tabelas e gráficos, escalas especiais para construção de gráficos e ajuste de curvas à dados experimentais.
7aula Janeiro de 2012 CONSTRUÇÃO DE GRÁFICOS I: Papel Milimetrado Objetivos: Construção de tabelas e gráficos, escalas especiais para construção de gráficos e ajuste de curvas à dados experimentais. 7.1
Leia maisResolução de sistemas lineares
Resolução de sistemas lineares J M Martínez A Friedlander 1 Alguns exemplos Comecemos mostrando alguns exemplos de sistemas lineares: 3x + 2y = 5 x 2y = 1 (1) 045x 1 2x 2 + 6x 3 x 4 = 10 x 2 x 5 = 0 (2)
Leia maisCapítulo 2 - Problemas de Valores Fronteira para Equações Diferenciais Ordinárias
Capítulo 2 - Problemas de Valores Fronteira para Equações Diferenciais Ordinárias Departamento de Matemática balsa@ipb.pt Mestrados em Engenharia da Construção Métodos de Aproximação em Engenharia 1 o
Leia maisAnálise estrutural. Objetivos da aula. Mostrar como determinar as forças nos membros de treliças usando o método dos nós e o método das seções.
Análise estrutural Objetivos da aula Mostrar como determinar as forças nos membros de treliças usando o método dos nós e o método das seções. slide 1 Treliças simples Treliça é uma estrutura de vigas conectadas
Leia maisCapítulo 5: Aplicações da Derivada
Instituto de Ciências Exatas - Departamento de Matemática Cálculo I Profª Maria Julieta Ventura Carvalho de Araujo Capítulo 5: Aplicações da Derivada 5- Acréscimos e Diferenciais - Acréscimos Seja y f
Leia maisCAP. I ERROS EM CÁLCULO NUMÉRICO
CAP. I ERROS EM CÁLCULO NUMÉRICO 0. Introdução Por método numérico entende-se um método para calcular a solução de um problema realizando apenas uma sequência finita de operações aritméticas. A obtenção
Leia maisO Custo Unitário do Trabalho na Indústria
O Custo Unitário do Trabalho na Indústria O mercado de trabalho é fonte de indicadores muito importantes à condução da política monetária como, por exemplo, a taxa de desemprego, os níveis de salários
Leia maisO Problema do Troco Principio da Casa dos Pombos. > Princípios de Contagem e Enumeração Computacional 0/48
Conteúdo 1 Princípios de Contagem e Enumeração Computacional Permutações com Repetições Combinações com Repetições O Problema do Troco Principio da Casa dos Pombos > Princípios de Contagem e Enumeração
Leia maishttp://www.de.ufpb.br/~luiz/
UNIVERSIDADE FEDERAL DA PARAÍBA MEDIDAS DESCRITIVAS Departamento de Estatística Luiz Medeiros http://www.de.ufpb.br/~luiz/ Vimos que é possível sintetizar os dados sob a forma de distribuições de frequências
Leia maisCURSO ONLINE RACIOCÍNIO LÓGICO
AULA QUINZE: Matrizes & Determinantes (Parte II) Olá, amigos! Pedimos desculpas por não ter sido possível apresentarmos esta aula na semana passada. Motivos de força maior nos impediram de fazê-lo, mas
Leia maisDadas a base e a altura de um triangulo, determinar sua área.
Disciplina Lógica de Programação Visual Ana Rita Dutra dos Santos Especialista em Novas Tecnologias aplicadas a Educação Mestranda em Informática aplicada a Educação ana.santos@qi.edu.br Conceitos Preliminares
Leia maisTarefa Orientada 14 Subconsultas
Tarefa Orientada 14 Subconsultas Objectivos: Subconsultas não correlacionadas Operadores ALL, SOME e ANY Subconsultas correlacionadas Operador EXISTS Subconsultas incluídas na cláusula FROM de uma consulta
Leia maisLISTA DE INTERVALO DE CONFIANÇA E TESTE DE HIPÓTESES
Monitora Juliana Dubinski LISTA DE INTERVALO DE CONFIANÇA E TESTE DE HIPÓTESES EXERCÍCIO 1 (INTERVALO DE CONFIANÇA PARA MÉDIA) Suponha que X represente a duração da vida de uma peça de equipamento. Admita-se
Leia maisMétodos Matemáticos para Gestão da Informação
Métodos Matemáticos para Gestão da Informação Aula 05 Taxas de variação e função lineares III Dalton Martins dmartins@gmail.com Bacharelado em Gestão da Informação Faculdade de Informação e Comunicação
Leia maisUFV Universidade Federal de Viçosa DMA Departamento de Matemática MAT 138 Noções de Álgebra Linear
UFV Universidade Federal de Viçosa DMA Departamento de Matemática MAT 138 Noções de Álgebra Linear 1 2 a LISTA DE EERCÍCIOS - 2005/I 1. Resolva os sistemas abaixo e classifique-os quanto ao número de soluções:
Leia maisComo consolidar dados nas planilhas utilizando o comando CONSOLIDAR do Excel
Como consolidar dados nas planilhas utilizando o comando CONSOLIDAR do Excel! Como utilizar o comando Consolidar do Excel?! Quais são os diferenciais em relação ao cálculo aritmético normal?! Quais são
Leia maisOndas Eletromagnéticas. E=0, 1 B=0, 2 E= B t, 3 E
Ondas Eletromagnéticas. (a) Ondas Planas: - Tendo introduzido dinâmica no sistema, podemos nos perguntar se isto converte o campo eletromagnético de Maxwell em uma entidade com existência própria. Em outras
Leia maisUNIVERSIDADE FEDERAL DO PIAUÍ (UFPI) ENG. DE PRODUÇÃO PROBABILIDADE E ESTATÍSTICA 2
UNIVERSIDADE FEDERAL DO PIAUÍ (UFPI) ENG. DE PRODUÇÃO PROBABILIDADE E ESTATÍSTICA 2 LISTA N O 2 Prof.: William Morán Sem. I - 2011 1) Considere a seguinte função distribuição conjunta: 1 2 Y 0 0,7 0,0
Leia mais5 Equacionando os problemas
A UA UL LA Equacionando os problemas Introdução Nossa aula começará com um quebra- cabeça de mesa de bar - para você tentar resolver agora. Observe esta figura feita com palitos de fósforo. Mova de lugar
Leia mais1. Os métodos Não-Paramétricos podem ser aplicados a uma ampla diversidade de situações, porque não exigem populações distribuídas normalmente.
TESTES NÃO - PARAMÉTRICOS As técnicas da Estatística Não-Paramétrica são, particularmente, adaptáveis aos dados das ciências do comportamento. A aplicação dessas técnicas não exige suposições quanto à
Leia maisLevando em conta decisões de investimento não-triviais.
Levando em conta decisões de investimento não-triviais. Olivier Blanchard* Abril de 2002 *14.452. 2º Trimestre de 2002. Tópico 4. 14.452. 2º Trimestre de 2002 2 No modelo de benchmark (e na extensão RBC),
Leia maisCapítulo 1. x > y ou x < y ou x = y
Capítulo Funções, Plano Cartesiano e Gráfico de Função Ao iniciar o estudo de qualquer tipo de matemática não podemos provar tudo. Cada vez que introduzimos um novo conceito precisamos defini-lo em termos
Leia maisOrganizaçãoe Recuperaçãode Informação GSI521. Prof. Dr. Rodrigo Sanches Miani FACOM/UFU
Organizaçãoe Recuperaçãode Informação GSI521 Prof. Dr. Rodrigo Sanches Miani FACOM/UFU Aula anterior Organização e Recuperação de Informação(GSI521) Modelo vetorial- Definição Para o modelo vetorial, o
Leia maisForças internas. Objetivos da aula: Mostrar como usar o método de seções para determinar as cargas internas em um membro.
Forças internas Objetivos da aula: Mostrar como usar o método de seções para determinar as cargas internas em um membro. Generalizar esse procedimento formulando equações que podem ser representadas de
Leia maisEXPERIMENTO N o 6 LENTES CONVERGENTES INTRODUÇÃO
EXPERIMENTO N o 6 LENTES CONVERGENTES INTRODUÇÃO Ao incidir em uma lente convergente, um feixe paralelo de luz, depois de passar pela lente, é concentrado em um ponto denominado foco (representado por
Leia maisIMES Catanduva. Probabilidades e Estatística. no Excel. Matemática. Bertolo, L.A.
IMES Catanduva Probabilidades e Estatística Estatística no Excel Matemática Bertolo, L.A. Aplicada Versão BETA Maio 2010 Bertolo Estatística Aplicada no Excel Capítulo 3 Dados Bivariados São pares de valores
Leia mais