Séries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 7
|
|
- Thomas Gomes Taveira
- 6 Há anos
- Visualizações:
Transcrição
1 em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 7
2 O Modelo Estrutural Identificação Seja z t = (z 1t,...,z mt ) R m um vetor composto das variáveis de interesse. Considere o seguinte modelo estrutural (SVAR): Bz t = A 0 +A 1 z t A p z t p +u t, Bz t = A 0 +A(L)z t +u t, onde: B (m m), A 0 (m 1), A 1 (m m),...,a p (m m) são parâmetros; u t = (u 1,t,...,u m,t ) é um vetor composto pelos choques estruturais e A(L) = A 1 L+A 2 L 2 + +A p L p. Os elementos da diagonal principal de B são todos iguais a 1.
3 O Modelo Estrutural Identificação Sabemos que os parâmetros B,A 0,A 1,...,A p não podem ser estimados por MQO (equação por equação) ou MV. Viés de Simultaneidade! Por outro lado, os parâmetros da forma reduzida (VAR) z t = B 1 A 0 +B 1 A 1 z t B 1 A p z t p +B 1 u t, z t = C 0 +C 1 z t C p z t p +v t, z t = C 0 +C(L)z t +v t, podem ser estimados por MQO (equação por equação) ou MV (condicional às condições iniciais).
4 Exemplo: Oferta e Demanda Vamos considerar o seguinte sistema de equações: p t = βq t +u t (oferta) q t = αp t +v t (demanda), onde p t e q t são, respectivamente, preço e quantidade de um determinado produto, α 1 β, α 0, β 0 e ( ut v t ) [( ) ( )] 0 σ 2 NID, u σv 2.
5 Exemplo: Oferta e Demanda Podemos escrever o sistema anterior da seguinte forma: 1 p t = 1 αβ (u t +βv t ) 1 q t = 1 αβ (αu t +v t ). Pelas equações acima, fica claro que E(q t u t ) 0e E(p t v t ) 0.
6 Exemplo: Oferta e Demanda Qual é o limite em probabilidade do estimador T t=1 β = p tq t T? t=1 q2 t Pelas equações anteriores, podemos mostrar que E(p t q t ) = 1 ( ασ 2 (1 αβ) 2 u +βσv 2 ). Portanto, pela Lei dos Grandes Números (LGN), plim T 1 T T p t q t = t=1 1 ( ασ 2 (1 αβ) 2 u +βσv 2 ).
7 Exemplo: Oferta e Demanda Da mesma forma, e, também pela LGN, E ( qt 2 ) 1 ( = α 2 (1 αβ) 2 σu 2 +σv 2 ) plim T 1 T T qt 2 = t=1 1 ( α 2 (1 αβ) 2 σu 2 +σv 2 ). Portanto, β p ασ2 u +βσv 2 α 2 σu 2. +σ2 v O estimador de MQO não é consistente para β!
8 Exemplo: Oferta e Demanda Sabemos também que ( ) ( ) pt NID 0, 0 q t σu 2+β2 σv 2 (1 αβ) 2 ασu+βσ 2 v 2 (1 αβ) 2 ασu 2+βσ2 v (1 αβ) 2 α 2 σu+σ 2 v 2 (1 αβ) 2 Sendo ρ a correlação entre p t e q t, podemos mostrar que E(p t q t ) = E(p t )+ρ σ p[q t E(q t )] σ q = E(p tq t ) σ p q t = E(p tq t ) σ q σ p σ q = ασ2 u +βσ2 v α 2 σu 2 +σv 2 q t. σ 2 q q t
9 Exemplo: Oferta e Demanda Também podemos mostrar que q t não é uma variável fracamente exógena para β! Da mesma forma, p t não é fracamente exógena para α.
10 Forma Estrutural versus Forma Reduzida Será possível recuperar (identificar) os parâmetros estruturais a partir dos parâmetros da forma reduzida? Sabemos que C 0 =B 1 A 0, C 1 =B 1 A 1,. C p =B 1 A p, e Σ v =B 1 Σ u ( B 1 ).
11 Forma Estrutural versus Forma Reduzida Precisamos encontrar B! Número de parâmetros na forma reduzida: m(1+pm)+ m(m+1). 2 Número de parâmetros na forma estrutural: A forma estrutural tem parâmetros a mais. m(m 1)+m(1+pm)+m. m(m 1) 2
12 Restrições Identificação Precisamos impor m(m 1) 2 restrições. Algumas alternativas: 1 B é uma matriz triangular inferior (superior): Decomposição de Cholesky ou identificação recursiva. 2 Restrições de longo-prazo: alguns choques não tem impacto no longo-prazo em algumas variáveis (). 3 Variáveis instrumentais. 4 Outras possibilidades: restrições de sinal, teoria (DSGE), etc...
13 Decomposição de Cholesky Para toda matriz simétrica e positiva definida Ω, há uma única matriz triangular P, tal que Ω = PP. Os elementos da diagonal principal de P são todos positivos.
14 Pela Decomposição de Cholesky, Σ u = PP. Entretanto, podemos escrever P = AD 1/2, onde A é uma matriz triangular com os elementos da diagonal principal iguais a 1 e D é uma matriz diagonal com elementos positivos. Portanto, Σ u = ADA.
15 Vamos lembrar que Podemos escrever então, Σ v = B 1 Σ u ( B 1 ). A B 1 e Σ u D. B também será uma matriz triangular. A inversa de uma matriz triangular também é triangular! O sistema está unicamente identificado. Foram impostas m(m 1) 2 restrições.
16 é uma Boa Escolha? Resposta: Carlstrom, Fuerst e Paustian (Journal of Monetary Economics, 2009). Considere o seguinte modelo estrutural: R t E t (π t+1 ) = σ[e t (y t+1 ) y t ]+P(ρ a 1)a t π t (1+β) = βe t (π t+1 )+π t 1 +κy t +ε π t R t = (1 ρ i )(τπ t +τ y y t )+ρ i R t 1 +ε R t, onde: a t : choque de produtividade (autocorrelacionado); y t : hiato do produto; π t : inflação; R t : taxa de juros nominal e ε π t e ε R t : choques estruturais.
17 é uma Boa Escolha? Os choques exógenos possuem a seguinte estrutural: ε π t ε π t 1 u π t ρ π 0 0 a t = F a t 1 + u a ε R t ε R t, F = 0 ρ a 0. t 1 ut R 0 0 ρ R Caso τ > 1, é possível mostrar que π t π t 1 ε π t a 1 0 e 1 y t = Γ y t 1 +B a t, Γ = a 2 0 e 2, R t R t 1 ε R t a 3 0 e 3 b 1 c 1 d 1 B = b 2 c 2 d 2. b 3 c 3 d 3
18 é uma Boa Escolha? O sistema de equações anterior pode ser escrito como um VAR de segunda ordem: π t π t 1 π t 2 u π t y t = A 1 y t 1 +A 2 +B, R t R t 1 onde: A 1 = Γ+BFB 1 e A 2 = BFB 1 Γ. Decomposição de Cholesky: π t y t = A 1 R t π t 1 y t 1 R t 1 +A 2 π t 2 y t 2 R t 2 y t 2 R t 2 u a t u R t b 1e b 2e c 2e 0 b 3e c 3e d 3e }{{} B ϕ π t ϕ a t ϕ R t.
19 é uma Boa Escolha? Resultado Suponha que os choques estruturais tenham variância unitária. A decomposição de Cholesky identifica os choques monetários como uma combinação linear dos três choques estruturais: onde: α 1 = c1d1 c1d2 Φ ; Φ ; ϕ R t = α 1 u π t +α 2u a t +α 3u R t, α 2 = d2b1 d1b2 α 3 = b2c1 b1c2 Φ e Φ = (c 2 d 1 c 1 d 2 ) 2 +(d 2 b 1 d 1 b 2 ) 2 +(b 2 c 1 b 1 c2 2).
20 é uma Boa Escolha? Resultado II Suponha que 1 ρ a = ρ i e ρ R = 0 ou 2 ρ a = ρ R e ρ i = 0. Logo: 1 a inflação e o hiato não respondem às taxas de juros defasadas; 2 a inflação e o hiato não respondem contemporaneamente ao choque monetário identificado; 3 sob a decomposição de Cholesky, as FRIs da inflação e do hiato para um choque monetário são zero para todos os instantes de tempo!
21 é uma Boa Escolha? Exemplo numérico: β = 0.99, κ = , σ = ν = 1, τ = 1.5 e τ y = 0.5. Fig. 1. Impulse response function (IRF) to a monetary shock for the baseline calibration and ra=0.7, ri=0.8, rr=0, rp=0. The dashed line is the IRF identified using the Choleski methodology; the solid dotted line is the true IRF; and the solid line is the true IRF in a model with delays. Fig. 2. Impulse response function (IRF) to a monetary shock for the baseline calibration and ra=0.9, ri=0.8, rr=0, rp=0. The dashed line is the IRF identified using the Choleski methodology; the solid dotted line is the true IRF; and the solid line is the true IRF in a model with delays.
22 é uma Boa Escolha? Fig. 3. Impulse response function (IRF) to a monetary shock for the baseline calibration and ra=0.7, ri=0.8, rr=0.4, rp=0. The dashed line is the IRF identified using the Choleski methodology; the solid dotted line is the true IRF; and the solid line is the true IRF in a model with delays. Fig. 4. Impulse response function (IRF) to a monetary shock for the baseline calibration and r a=0.9, r i=0.8, r R=0.4, rp=0. The dashed line is the IRF identified using the Choleski methodology; the solid dotted line is the true IRF; and the solid line is the true IRF in a model with delays. Fig. 5. Impulse response function (IRF) to a monetary shock for the baseline calibration and r a=0.7, r i=0.8, r R=0, rp=0.95. The dashed line is the IRF identified using the Choleski methodology; the solid dotted line is the true IRF; and the solid line is the true IRF in a model with delays.
23 O Modelo-AB Identificação Vamos escrever o modelo estrutural da seguinte forma: Bz t = A 0 +A 1 z t A p z t p +u t, Bz t = A 0 +A 1 z t A p z t p +Ae t, onde E(e t e t) = Σ e = I m. Agora A pode não ser mais diagonal. No entanto, precisamos restrições em A e/ou B de forma a identificar os parâmetros do modelo estrutural.
24 O Modelo-A Identificação Vamos escrever os erros da forma reduzida em função dos erros do modelo estrutural: v t = Ae t, B = I m. Os erros de previsão são combinações lineares dos erros estruturais. Portanto, Σ v = AΣ e A = AA. Devemos lembrar que o número de equações é m(m+1)/2 e o número de parâmetros é m 2. A solução usual é escolher A pela decomposição de Cholesky.
25 O Modelo-A Identificação As restrições podem ser escritas da seguinte forma: R A vec(a) = 0, onde R A (N m 2 ) é uma matriz de seleção e N é o número de restrições. No nosso caso N = m(m 1)/2.
26 O Modelo-A Identificação Teorema: Identificação Local do Modelo-A Seja A uma matriz (m m) não-singular. Então, para uma determinada matriz (m m) Σ v, simétrica e positiva definida, e uma outra matriz (N m 2 ) R A, o sistema Σ v = AΣ ua R A vec(a) = 0, possui uma solução única local se, e somente se, [ ] 2D + posto m (A I m) = m 2. D + m = (D md m) 1 D m e D m é uma matriz de duplicação (Duplication Matrix). R A
27 O Modelo-A Identificação Matriz de Duplicação ( ) Uma matriz de duplicação D m é a única matriz m 2 m(m+1) 2 que, para qualquer matriz (m m) A simétrica, transforma vech(a) em vec(a). Exemplo: Seja Logo, A = ( ) a b. b d a a b = b b. d d
28 O Modelo-A Identificação Uma condição necessária para que a condição de posto seja válida é que N = m(m 1)/2. Por que a solução é local? Porque para toda solução A, A também será solução! No caso da Decomposição de Cholesky este problema está resolvido pois os elementos da diagonal principal são positivos.
29 O Modelo-A Identificação A prova do teorema anterior pode ser feita a partir dos resultados de Rothenberg (1971, Teorema 6 - Econometrica, 39, ). Basicamente, para uma função m-dimensional ϕ(x), o sistema ϕ(x) = 0 terá solução local única se, e somente se, [ ] ϕ(x) posto x = m. x=x0
30 O Modelo-B Identificação Vamos escrever os erros da forma estrutural em função dos erros da forma reduzida: Portanto, u t = Bv t. Σ u = BΣ v B. Vamos supor que Σ u seja diagonal e os elementos da diagonal de B sejam todos iguais a 1. As restrições podem ser escritas da seguinte forma: R B vec(b) = r B, onde R B (N m 2 ) e N é o número de restrições. No nosso caso N = m(m 1)/2.
31 O Modelo-B Identificação Identificação Global do Modelo-B Seja Σ u uma matriz (m m) positiva definida e diagonal. Seja B uma matriz (m m) não-singular. Então, para uma determinada matriz (m m) Σ v, simétrica e positiva definida, uma outra matriz (N m 2 ) R B, e um vetor (N 1) r B, o sistema B 1 Σ u(b ) 1 = Σ v R B vec(b) = r B, possui uma solução única global se, e somente se, ( 2D + posto m Σ u B 1) ( D + m B 1 B 1) D m R B 0 = m m(m + 1). 2 0 D σ D + m = ( D ) 1 m Dm D m, D m é uma matriz de duplicação (m 2 ) 1 2 m(m + 1) e D σ é uma matriz ( ) 12 m(m 1) 2 1m(m + 1) que seleciona os elementos de vech(σ u) abaixo da diagonal principal.
32 O Modelo-AB Identificação Para duas matrizes A e B, vamos definir o seguinte sistema: Ae t = Bv t, e t (0,I m ). Dois conjuntos de restrições: R A vec(a) = r A e R B vec(b) = r B.
33 O Modelo-AB Identificação Identificação Local do Modelo-AB Sejam A e B duas matrizes (m m) não-singulares. Então, para uma determinada matriz (m m) Σ v, simétrica e positiva definida, o sistema vech(σ v) = vech [B 1 AA ( B ) ] 1 R A vec(a) = r A er B vec(b) = r B possui uma solução única local se, e somente se, ( 2D + m Σu B 1) ( 2D + m B 1 A B 1) posto R B 0 = 2m 2. 0 R A D + m = (D md m) 1 D m e D m é uma matriz de duplicação.
34 Restrições de Longo Prazo Forma reduzida: z t = C 0 +C 1 z t C p z t p +v t. Impacto de longo-prazo: Λ = (I m C 1 C 2 C p ) 1 B 1 A. Idéia: restrições em Λ. Alguns choques não possuem impacto no longo-prazo.
35 Restrições de Longo Prazo Neste arcabouço é comum restringirmos B tal que B = I m Modelo-B. Exemplo: m = 2 As restrições podem ser escritas da seguinte forma: [ ] (0,0,1,0)vec (I 2 C 1 C 2 C p ) 1 A = [ (0,0,1,0) I 2 (I 2 C 1 C 2 C p ) 1] vec(a) = 0.
36 Estimação do Modelo Estrutural Vamos escrever o modelo estrutural tal que: Bz t = BCZ t 1 +Ae t, onde Z t 1 = (z t 1,...,z t p) e C = (C 1,...,C p ).
37 Estimação do Modelo Estrutural Função de (quase)-verossimilhança: logl(b,a,c) = mt 2 log(2π) T B 2 log 1 AA ( B ) 1 1 {(Z CX) 2 tr [ B 1 AA ( B ) ] } 1 (Z CX) = constant+ T 2 log B 2 T 2 log A tr [B ( A ) 1 A 1 B(Z CX)(Z CX) ], onde Z = (z 1,...,z T ), X = (Z 0,...,Z T 1 ). Na derivação acima utilizamos B 1 AA ( B ) 1 = B 1 2 A 2 = B 2 A 2 e tr(vw) = tr(wv).
38 Estimação do Modelo Estrutural Estimação em dois estágios: 1 estimar C e Σ v por Ĉ = ZX ( XX ) 1 e Σ v = T 1 ( Z ĈX )(Z ĈX ) ; 2 estimar A e B por (quase)-máxima-verossimilhança concentrada, isto é, (Â, B) = argmaxlogl c (A,B) A,B onde s.a. restrições de identificação, logl c (A,B) = constante+ T 2 log B 2 T 2 log A 2 T 2 tr [ B ( A ) 1 A 1 B Σ v ].
39 Estimação Caso Λ seja triangular, a estimação do modelo fica fácil. Podemos escrever ΛΛ = (I m C 1 C 2 C p ) 1 Σ v ( Im C 1 C 2 C p e a matriz A pode ser estimada por ( Â = I m Ĉ1 Ĉ2 Ĉp) P, onde P é a matriz obtida a partir da Decomposição de Cholesky de ( ) 1 ( 1. I m Ĉ1 Ĉ2 Ĉp Σv I m Ĉ 1 Ĉ 2 p) Ĉ Só funciona se o VAR for estacionário! ) 1
Séries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 12
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 12 Regressão com Variáveis Não-Estacionárias Considere três processos estocásticos definidos pelas seguintes
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 6
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 6 O Teorema de Wold O Teorema de Wold Lei dos Grandes Números Teorema Central do Limite -M O Teorema de Wold
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 9
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 9 Data Mining Equação básica: Amostras finitas + muitos modelos = modelo equivocado. Lovell (1983, Review
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 8
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 8 Variáveis Não-Modeladas Condição de Ordem e Condição de Posto Estimação O Modelo Estrutural Seja z t =
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 4
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 4 O Processo Média-Móvel Muitas vezes, a estrutura auto-regressiva não é suficiente para descrever totalmente
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 2
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 2 O Modelo Estrutural Seja z t = (z 1t,...,z mt ) R m um vetor composto das variáveis de interesse. Considere
Leia maisEconometria IV Modelos Lineares de Séries Temporais. Fernando Chague
Econometria IV Modelos Lineares de Séries Temporais Fernando Chague 2016 Estacionariedade Estacionariedade Inferência estatística em séries temporais requer alguma forma de estacionariedade dos dados Intuição:
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 5
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 5 Variáveis de Interesse e Variáveis na economia: z t. Distribuição condicional (MGD): D(z t F z,t 1,d t
Leia maisAula 2 Tópicos em Econometria I. Porque estudar econometria? Causalidade! Modelo de RLM Hipóteses
Aula 2 Tópicos em Econometria I Porque estudar econometria? Causalidade! Modelo de RLM Hipóteses A Questão da Causalidade Estabelecer relações entre variáveis não é suficiente para a análise econômica.
Leia maisEconometria II. Equações simultâneas
Eco monitoria Leandro Anazawa Econometria II Este não é um resumo extensivo. O intuito deste resumo é de servir como guia para os seus estudos. Procure desenvolver as contas e passos apresentados em sala
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 1
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 1 Ementa Introdução O Curso Definições Básicas Introdução aos modelos para séries temporais: definições,
Leia maisAULA 8 - MQO em regressão múltipla:
AULA 8 - MQO em regressão múltipla: Definição, Estimação e Propriedades Algébricas Susan Schommer Econometria I - IE/UFRJ Regressão Múltipla: Definição e Derivação A partir de agora vamos alterar o nosso
Leia maisEconometria. Econometria ( ) O modelo de regressão linear múltipla. O modelo de regressão linear múltipla. Aula 2-26/8/2010
Aula - 6/8/010 Econometria Econometria 1. Hipóteses do Modelo de RLM O modelo de regressão linear múltipla Estudar a relação entre uma variável dependente e uma ou mais variáveis independentes. Forma genérica:
Leia maisEstimação de Variáveis Instrumentais e Mínimos Quadrados de Dois Estágios. Wooldridge, Cápítulo 15
Estimação de Variáveis Instrumentais e Mínimos Quadrados de Dois Estágios Wooldridge, Cápítulo 5 Variáveis Instrumentais () 2 Variáveis Instrumentais Considere o seguinte modelo de regressão linear múltipla
Leia maisAULA 4 - MQO Simples: Propriedades algébricas e Estatísticas
AULA 4 - MQO Simples: Propriedades algébricas e Estatísticas Susan Schommer Econometria I - IE/UFRJ Estimação: MQO recapitulando Na aula passada aprendemos estimação por MQO. Recapitulando brevemente Em
Leia maisAULA 10 - MQO em regressão múltipla: Propriedades Estatísticas (Variância)
AULA 10 - MQO em regressão múltipla: Propriedades Estatísticas (Variância) Susan Schommer Econometria I - IE/UFRJ Variância dos estimadores MQO Vamos incluir mais uma hipótese: H1 [Linear nos parâmetros]
Leia maisEconometria - Lista 6
Econometria - Lista 6 Professores: Hedibert Lopes, Priscila Ribeiro e Sérgio Martins Monitores: Gustavo Amarante e João Marcos Nusdeo Exercício 1 A curva de Phillips desempenha um papel fundamental na
Leia maisLista de Exercícios 05 Álgebra Matricial
Lista de Exercícios 05 Álgebra Matricial - 016.1 1. Determine a quantidade desconhecida em cada uma das expressões: ( ) ( ) ( ) T 0 3 x + y + 3 3 w (a) 3.X = (b) = 6 9 4 0 6 z. Uma rede de postos de combustíveis
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Introdução Solução de equações não lineares
Leia maisANÁLISE DE SÉRIES TEMPORAIS
ANÁLISE DE SÉRIES TEMPORAIS Ralph S. Silva http://www.im.ufrj.br/ralph/seriestemporais.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Estimação
Leia maisEconometria. Econometria MQO MQO. Resíduos. Resíduos MQO. 1. Exemplo da técnica MQO. 2. Hipóteses do Modelo de RLM. 3.
3. Ajuste do Modelo 4. Modelo Restrito Resíduos Resíduos 1 M = I- X(X X) -1 X Hipóteses do modelo Linearidade significa ser linear nos parâmetros. Identificação: Só existe um único conjunto de parâmetros
Leia maisIntrodução a Modelos VAR
Introdução a Modelos VAR Henrique Dantas Neder - Professor Associado Universidade Federal de Uberlândia July 24, 2014 Um VAR é um modelo no qual K variáveis são especicadas como funções lineares de p de
Leia maisEconometria em Finanças e Atuária
Ralph S. Silva http://www.im.ufrj.br/ralph/especializacao.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Maio-Junho/2013 Modelos condicionalmente
Leia maisEconometria. Econometria: Paradigma. Porque usar econometria? Porque usar econometria?
Econometria: Paradigma Econometria 1. O Paradigma da Econometria 19/8 Fundamentos teóricos Microeconometria e macroeconometria Modelagem comportamental: otimização, oferta de trabalho, equações de demanda,
Leia maisEconometria para Avaliação de Políticas Públicas
Aula 3: LATE Itaú Social 13/01/2016 Auto-seleção nos não-observáveis. Como estimar o ATE quando Pr [T = 1jY (1), Y (0), X ] 6= Pr [T = 1jX ] = p (X ) Na literatura econométrica, tem-se um problema equivalente:
Leia maisVariáveis Instrumentais
Técnicas Econométricas para Avaliação de Impacto Variáveis Instrumentais Guilherme Issamu Hirata Centro Internacional de Pobreza (IPC/PNUD) Brasília, 2 de maio de 28. Introdução Qualidade do Ensino: Escola
Leia maisAULA 11 - Normalidade e Inferência em Regressão Múltipla - Parte 1
AULA 11 - Normalidade e Inferência em Regressão Múltipla - Parte 1 Susan Schommer Econometria I - IE/UFRJ Distribuições amostrais dos estimadores MQO Nas aulas passadas derivamos o valor esperado e variância
Leia maisAula 6. Modelo de Correção de Erros Vetorial. Wilson Correa. August 23, Wilson Correa August 23, / 16
Aula 6 Modelo de Correção de Erros Vetorial Wilson Correa August 23, 2017 Wilson Correa August 23, 2017 1 / 16 Equações Simultâneas e Modelos VAR/VEC Frequentemente o interesse em economia é centrado na
Leia maisNotas de Aulas Econometria I ** Eduardo P. Ribeiro, 2010 PARTE II
Notas de Aulas Econometria I ** Eduardo P Ribeiro, 00 PARTE II Autocorrelação Autocorrelação: violação da hipótese: E [ε t ε t-s ] = 0, para s > 0, como por exemplo, ε t = ε t- + υ t, onde υ t é ruído
Leia maisRenato Martins Assunção
Análise Numérica Renato Martins Assunção DCC - UFMG 2012 Renato Martins Assunção (DCC - UFMG) Análise Numérica 2012 1 / 84 Equação linear Sistemas de equações lineares A equação 2x + 3y = 6 é chamada linear
Leia maisAULA 10 - MQO em regressão múltipla: Propriedades Estatísticas (Variância)
AULA 10 - MQO em regressão múltipla: Propriedades Estatísticas (Variância) Susan Schommer Econometria I - IE/UFRJ Variância dos estimadores MQO Vamos incluir mais uma hipótese: H1 [Linear nos parâmetros]
Leia maisTratamento Estatístico de Dados em Física Experimental
Tratamento Estatístico de Dados em Física Experimental Prof. Zwinglio Guimarães o semestre de 06 Tópico 7 - Ajuste de parâmetros de funções (Máxima Verossimilhança e Mínimos Quadrados) Método da máxima
Leia maisP4 de Álgebra Linear I
P4 de Álgebra Linear I 2008.2 Data: 28 de Novembro de 2008. Gabarito. 1) (Enunciado da prova tipo A) a) Considere o plano π: x + 2 y + z = 0. Determine a equação cartesiana de um plano ρ tal que a distância
Leia maisVetor de Variáveis Aleatórias
Vetor de Variáveis Aleatórias Luis Henrique Assumpção Lolis 25 de junho de 2013 Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 1 Conteúdo 1 Vetor de Variáveis Aleatórias 2 Função de Várias
Leia maisAlgebra Linear. 1. Ortonormalização. 2. Sistema de Equações Lineares. pag.1 Teoria de Sistemas Lineares Aula 6. c Reinaldo M.
Algebra Linear 1. Ortonormalização 2. Sistema de Equações Lineares pag.1 Teoria de Sistemas Lineares Aula 6 Ortonormalização Um vetor x é dito estar normalizado se sua norma Euclidiana é igual a 1, ie,
Leia maisAULA 13 Análise de Regressão Múltipla: MQO Assimptótico
1 AULA 13 Análise de Regressão Múltipla: MQO Assimptótico Ernesto F. L. Amaral 15 de abril de 2010 Métodos Quantitativos de Avaliação de Políticas Públicas (DCP 030D) Fonte: Wooldridge, Jeffrey M. Introdução
Leia maisAnálise de Regressão Linear Múltipla III
Análise de Regressão Linear Múltipla III Aula 6 Hei et al., 4 Capítulo 3 Suposições e Propriedades Suposições e Propriedades MLR. O modelo de regressão é linear nos parâmetros O modelo na população pode
Leia maisFACULDADE DE ECONOMIA, ADMINISTRAÇÃO E CONTABILIDADE FEA/USP. Lista 7 - Econometria I
FACULDADE DE ECONOMIA, ADMINISTRAÇÃO E CONTABILIDADE FEA/USP São Paulo - Nov/2017 Lista 7 - Econometria I Professora: Paula Pereda EAE0324 Monitores: Bernardo Ostrovski e Igor Barreto ALUNO: ATENÇÃO: A
Leia maisG4 de Álgebra Linear I
G4 de Álgebra Linear I 20122 Gabarito 7 de Dezembro de 2012 1 Considere a transformação linear T : R 3 R 3 definida por: T ( v = ( v (1, 1, 2 (0, 1, 1 a Determine a matriz [T ] ε da transformação linear
Leia maisMárcio Antônio de Andrade Bortoloti
Márcio Antônio de Andrade Bortoloti Departamento de Ciências Exatas e Tecnológicas - DCET Universidade Estadual do Sudoeste da Bahia Sumário 1 Definição Uma matriz quadrada de ordem n é definida positiva
Leia maisMulticolinariedade e Autocorrelação
Multicolinariedade e Autocorrelação Introdução Em regressão múltipla, se não existe relação linear entre as variáveis preditoras, as variáveis são ortogonais. Na maioria das aplicações os regressores não
Leia maisSumário e Objectivos. Mecânica dos Sólidos não Linear Capítulo 2. Lúcia Dinis 2005/2006
Sumário e Objectivos Sumário: Deformações. Sólido Uniaxial. Descrição Lagrangeana e Euleriana. Gradiente de Deformação. Decomposição Polar. Tensores das Deformações de Green e Lagrange. Deformação de Corte.
Leia maisÁlgebra Linear II - Poli - Gabarito Prova SUB-tipo 00
Álgebra Linear II - Poli - Gabarito Prova SUB-tipo 00 [ ] 4 2 Questão 1. Seja T : R 2 R 2 o operador linear cuja matriz, com respeito à base canônica de R 2, é. 1 3 [ ] 2 0 Seja B uma base de R 2 tal que
Leia maisRalph S. Silva
ANÁLISE ESTATÍSTICA MULTIVARIADA Ralph S Silva http://wwwimufrjbr/ralph/multivariadahtml Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Revisão:
Leia maisCF372 Mecânica Quântica I Segunda Lista de Exercícios - Capítulo II. q exp( q 2 ) ( 2 π. 2 (2q 2 1) exp( q 2 )
CF372 Mecânica Quântica I Segunda Lista de Exercícios - Capítulo II 1) Dadas as funções ψ 1 (q) e ψ 2 (q), definidas no intervalo < q < + : ψ 1 (q) = ( 2 π ) 1/2 q exp( q 2 ) Calcule: a) (ψ 1, ψ 2 ); b)
Leia mais1. Realimentação de Estado: sistemas MIMO
Realimentação de Estado: sistemas MIMO 1. Realimentação de Estado: sistemas MIMO 2. Estimadores de Estado: sistemas MIMO pag.1 Teoria de Sistemas Lineares Aula 20 Realimentação de Estado: sistemas MIMO
Leia maisLembremos que um paralelogramo é um quadrilátero (figura geométrica com quatro lados) cujos lados opostos são paralelos.
Capítulo 5 Vetores no plano 1. Paralelogramos Lembremos que um paralelogramo é um quadrilátero (figura geométrica com quatro lados) cujos lados opostos são paralelos. Usando congruência de triângulos,
Leia maisANÁLISE DE SÉRIES TEMPORAIS
ANÁLISE DE SÉRIES TEMPORAIS Ralph S. Silva http://www.im.ufrj.br/ralph/seriestemporais.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Definição
Leia maisVetores Auto-Regressivos (VAR) Cristian Rafael Pelizza Estágio de docência
Vetores Auto-Regressivos (VAR) Cristian Rafael Pelizza Estágio de docência Forma estrutural e reduzida O método VAR busca capturar a interdependência entre múltiplas séries de tempo. Estrutura-se equações
Leia maisMOQ 13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ 3 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 2 3 4 5 6 7 8 9 0 2 3 4 5 e 6 Introdução à probabilidade (eventos, espaço
Leia maisexercícios de álgebra linear 2016
exercícios de álgebra linear 206 maria irene falcão :: maria joana soares Conteúdo Matrizes 2 Sistemas de equações lineares 7 3 Determinantes 3 4 Espaços vetoriais 9 5 Transformações lineares 27 6 Valores
Leia maisMP-208: Filtragem Ótima com Aplicações Aeroespaciais
MP-208: Filtragem Ótima com Aplicações Aeroespaciais Seção 2.1: Álgebra Linear e Matrizes Davi Antônio dos Santos Departamento de Mecatrônica Instituto Tecnológico de Aeronáutica davists@ita.br São José
Leia maisCapítulo 3: Elementos de Estatística e Probabilidades aplicados à Hidrologia
Departamento de Engenharia Civil Prof. Dr. Doalcey Antunes Ramos Capítulo 3: Elementos de Estatística e Probabilidades aplicados à Hidrologia 3.1 - Objetivos Séries de variáveis hidrológicas como precipitações,
Leia maisAntes de resolvermos a)-c), vamos relembrar a diferença entre esperança (variância) conditional e esperança (variância) incondicional.
Econometria Avançada - 015-1 SOLUÇÃO Terceira lista de exercícios Problema 1. Seja r t os retornos (ou log-retornos) diários de um ativo financeiros (por exemplo, S&P500 ou Petrobrás ON) tal que r t =
Leia maisÁlgebra Linear I - Aula Bases Ortonormais e Matrizes Ortogonais
Álgebra Linear I - Aula 19 1. Bases Ortonormais e Matrizes Ortogonais. 2. Matrizes ortogonais 2 2. 3. Rotações em R 3. Roteiro 1 Bases Ortonormais e Matrizes Ortogonais 1.1 Bases ortogonais Lembre que
Leia maisEstimação no Domínio do tempo: Covariâncias e modelos ARIMA
Estimação no Domínio do tempo: Covariâncias e modelos ARIMA Airlane Pereira Alencar 8 de Março de 2019 Alencar, A.P., Rocha, F.M.M. (IME-USP) Processos Estocásticos 8 de Março de 2019 1 / 26 Índice 1 Estacionariedade
Leia maisEconometria II. Notas de bolso! Propriedades da E(.), Var(.) e Cov(.) Temos que (a,b) são constantes e (X,Y) são variáveis aleatórias.
Eco 2 monitoria Leandro Anazawa Econometria II Notas de bolso! Propriedades da E(.), Var(.) e Cov(.) Temos que (a,b) são constantes e (X,Y) são variáveis aleatórias. E(a) = a E(aX) = ae(x) E(a + bx) =
Leia mais1. Conhecendo-se somente os produtos AB e AC, calcule A = X 2 = 2X. 3. Mostre que se A e B são matrizes que comutam com a matriz M = 1 0
Lista de exercícios. AL. 1 sem. 2015 Prof. Fabiano Borges da Silva 1 Matrizes Notações: 0 para matriz nula; I para matriz identidade; 1. Conhecendo-se somente os produtos AB e AC calcule A(B + C) B t A
Leia maisAULA 9 - MQO em regressão múltipla: Propriedades Estatísticas (Valor Esperado)
AULA 9 - MQO em regressão múltipla: Propriedades Estatísticas (Valor Esperado) Susan Schommer Econometria I - IE/UFRJ Valor esperado dos estimadores MQO Nesta aula derivamos o valor esperado dos estimadores
Leia maisNota de Aula: Uma Primeira Forma para se Desenvolver o Teste de F para Hipóteses sobre Combinações Linear dos Coeficientes da Regressão
Nota de Aula: Uma Primeira Forma para se Desenvolver o Teste de F para Hipóteses sobre Combinações Linear dos Coeficientes da Regressão Nós já vimos as propriedades de MQO sob as hipótese do BLUE e, quando
Leia maisAula 1. Wilson Correa. June 27, 2017
Aula 1 Definições Básicas Wilson Correa June 27, 2017 Série de Tempo Definição Uma série de tempo é qualquer conjunto de observações ordenadas no tempo. Podem ser: Discretas. Ex: Valores Diários de Poluição,
Leia maisAnálise Multivariada Aplicada à Contabilidade
Mestrado e Doutorado em Controladoria e Contabilidade Análise Multivariada Aplicada à Contabilidade Prof. Dr. Marcelo Botelho da Costa Moraes www.marcelobotelho.com mbotelho@usp.br Turma: 2º / 2016 1 Agenda
Leia maisAula 7 - Revisão de Álgebra Matricial
23 de Abril de 2018 // 26 de Abril de 2018 Introdução Objetivo da revisão: revisar a notação matricial, técnicas de álgebra linear e alguns resultados importantes Conteúdos: 1 Vetores e matrizes 2 Operações
Leia mais5 Curva de Phillips Neo-Keynesiana (CPNK)
5 Curva de Phillips Neo-Keynesiana CPNK) 5.1 Economia fechada Em uma economia fechada tem-se = = 0 e portanto π t = π H,t e ς = 0. A curva de Phillips como função do custo marginal e a expressão para o
Leia maisTeste da razão de verossimilhanças generalizada
SME0812 Modelos Lineares Teste da razão de verossimilhanças generalizada Prof. Cibele Russo 7 de maio de 2015 1 / 21 Suponha que em um modelo linear geral Y n 1 = X n (p+1) (p+1) 1 + n 1; com N(0; 2 I);
Leia maisCÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano
CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 12 04/2014 Sistemas de Equações Lineares Parte 2 FATORAÇÃO LU Cálculo Numérico 3/37 FATORAÇÃO LU Uma fatoração LU de uma dada
Leia maisEletromagnetismo II. 5 a Aula. Professor Alvaro Vannucci. nucci
Eletromagnetismo II 5 a Aula Professor Alvaro Vannucci nucci Na aula passada, das Equações de Maxwell,, vimos: 1 o ) Conservação de Energia n da = S S ( E H ) ˆ (Vetor de Poynting) 1 + + H B E D V dv t
Leia maisÁLGEBRA LINEAR AULA 5 MÉTODOS ITERATIVOS
ÁLGEBRA LINEAR AULA 5 MÉTODOS ITERATIVOS Luís Felipe Kiesow de Macedo Universidade Federal de Pelotas - UFPel 1 / 27 1 2 3 4 2 / 27 Seja o sistema linear Ax = b, onde: A: Matriz dos coeficientes, n n;
Leia maisCapítulo Propriedades das operações com vetores
Capítulo 6 1. Propriedades das operações com vetores Propriedades da adição de vetores Sejam u, v e w vetores no plano. Valem as seguintes propriedades. Comutatividade: u + v = v + u. Associatividade:
Leia maisÁlgebra Linear I - Aula 21
Álgebra Linear I - Aula 1 1. Matrizes ortogonalmente diagonalizáveis: exemplos. Matrizes simétricas. Roteiro 1 Matrizes ortogonalmente diagonalizáveis: exemplos Exemplo 1. Considere a matriz M = 4 4 4
Leia maisMatriz de Variância e Covariância e o Teorema de Gauss-Markov
1 Matriz de Variância e Covariância e o Teorema de Gauss-Markov Reginaldo J Santos Departamento de Matemática-ICEx Universidade Federal de Minas Gerais http://wwwmatufmgbr/~regi 26 de setembro de 2001
Leia maisp( y θ ) depende de um parâmetro desconhecido θ.
55Modelação, Identificação e Controlo Digital 55 Método de Máxima Verosimilhança (Maximum Likelihood) Seja y uma variável aleatória (v. a.) cuja densidade de probabilidade p( y θ ) depende de um parâmetro
Leia maisAGA Análise de Dados em Astronomia I 7. Modelagem dos Dados com Máxima Verossimilhança: Modelos Lineares
1 / 0 AGA 0505- Análise de Dados em Astronomia I 7. Modelagem dos Dados com Máxima Verossimilhança: Modelos Lineares Laerte Sodré Jr. 1o. semestre, 018 modelos modelagem dos dados dado um conjunto de dados,
Leia maisMAT2457 ÁLGEBRA LINEAR PARA ENGENHARIA I Gabarito da 2 a Prova - 1 o semestre de 2015
MAT27 ÁLGEBRA LINEAR PARA ENGENHARIA I Gabarito da 2 a Prova - 1 o semestre de 201 Nesta prova considera-se fixada uma orientação do espaço e um sistema de coordenadas Σ (O, E) em E 3, em que E é uma base
Leia maisCurso de Teoria Monetária
Maio de 2016 Curso de Teoria Monetária Celso L. Martone Capítulo 11 Expectativas e política monetária 11.1 O modelo de um mercado isolado Num ambiente de informação incompleta, as decisões dos agentes
Leia maisAutovalores e Autovetores
Algoritmos Numéricos II / Computação Científica Autovalores e Autovetores Lucia Catabriga 1 1 DI/UFES - Brazil Junho 2016 Introdução Ideia Básica Se multiplicarmos a matriz por um autovetor encontramos
Leia maisO que acontece com as propriedades dos estimadores de MQO quando incluímos regressores endógenos ao modelo de regressão de interesse?
Qual é a natureza dos regressores endógenos? O que acontece com as propriedades dos estimadores de MQO quando incluímos regressores endógenos ao modelo de regressão de interesse? O que é uma variável instrumental
Leia maisProcessos estocásticos
36341 - Introdução aos Processos Estocásticos Curso de Pós-Graduação em Engenharia Elétrica Departamento de Engenharia Elétrica Universidade de Brasília Processos estocásticos Geovany A. Borges gaborges@ene.unb.br
Leia maisSME Gustavo C. Buscaglia
SME0602-2017 Gustavo C. Buscaglia ICMC - Ramal 738176, gustavo.buscaglia@gmail.com Cálculo de autovalores e autovetores Existem vários problemas na engenharia em que precisamos calcular os autovalores
Leia maisTécnicas econométricas para avaliação de impacto O uso de algoritmos de emparelhamento baseados em escore de propensão propensity score matching
Técnicas econométricas para avaliação de impacto O uso de algoritmos de emparelhamento baseados em escore de propensão propensity score matching Bruno César Araújo Instituto de Pesquisa Econômica Aplicada
Leia maisAula 14. Aula de hoje. Aula passada
Aula 14 Aula passada Autovalores, autovetores, decomposição Convergência para estacionaridade Tempo de mistura Spectral gap Tempo de mistura de passeios aleatórios Aula de hoje Caminho amostral Teorema
Leia maisECONOMETRIA. Prof. Patricia Maria Bortolon, D. Sc.
ECONOMETRIA Prof. Patricia Maria Bortolon, D. Sc. Cap. 10 Multicolinearidade: o que acontece se os regressores são correlacionados? Fonte: GUJARATI; D. N. Econometria Básica: 4ª Edição. Rio de Janeiro.
Leia maisUniversidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Objetivo Dada M classes ω 1, ω 2,..., ω M e um
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS 2003 2004 2005 2006 2007 2008 2009 2010 X 39,0 39,5 39,5 39,0 39,5 41,5 42,0 42,0 Y 46,5 65,5 86,0 100,0 121,0 150,5 174,0 203,0 A tabela acima mostra as quantidades, em milhões
Leia maisNota: Turma: MA 327 Álgebra Linear. Segunda Prova. Primeiro Semestre de T o t a l
Turma: Nota: MA 327 Álgebra Linear Primeiro Semestre de 2006 Segunda Prova Nome: RA: Questões Pontos Questão 1 Questão 2 Questão 3 Questão 4 Questão 5 T o t a l Questão 1. A matriz de mudança da base ordenada
Leia mais1 Vetores no Plano e no Espaço
1 Vetores no Plano e no Espaço Definimos as componentes de um vetor no espaço de forma análoga a que fizemos com vetores no plano. Vamos inicialmente introduzir um sistema de coordenadas retangulares no
Leia maisNotas para o Curso de Algebra Linear Il Dayse Haime Pastore 20 de fevereiro de 2009
Notas para o Curso de Álgebra Linear Il Dayse Haime Pastore 20 de fevereiro de 2009 2 Sumário 1 Matrizes e Sistemas Lineares 5 11 Matrizes 6 12 Sistemas Lineares 11 121 Eliminação Gaussiana 12 122 Resolução
Leia mais4 Modelos de Regressão Dinâmica
4 Modelos de Regressão Dinâmica Nos modelos de regressão linear (Johnston e Dinardo, 1998) estudados comumente na literatura, supõe-se que os erros gerados pelo modelo possuem algumas características como:
Leia maisCálculo Diferencial e Integral II Resolução do Exame/Teste de Recuperação 02 de Julho de 2018, 15:00h - versão 2 Duração: Exame (3h), Teste (1h30)
Instituto Superior Técnico Departamento de Matemática Secção de Álgebra e Análise Cálculo Diferencial e Integral II do Exame/Teste de Recuperação 2 de Julho de 218, 15:h - versão 2 Duração: Exame (3h),
Leia mais1 a Lista de Exercícios de MAT2457 Escola Politécnica 1 o semestre de (b)
a Lista de Exercícios de MAT457 Escola Politécnica o semestre de 04 Resolva os seguintes sistemas: x + x x 3 + 3x 4 = a 3x + x x 3 + x 4 = 4 3x + 3x + 3x 3 3x 4 = 5 c x + x 3 + x 5 = x + x 3 + x 5 + x
Leia maisEXAME NACIONAL DE SELEÇÃO 2010
EXAME NACIONAL DE SELEÇÃO 2010 PROVA DE ESTATÍSTICA 1 o Dia: 30/09/2009 - QUARTA FEIRA HORÁRIO: 10h 30m às 12h 45m (horário de Brasília) EXAME NACIONAL DE SELEÇÃO 2010 PROVA DE ESTATÍSTICA 1º Dia: 30/09
Leia maisMatriz de Variância e Covariância e o Teorema de Gauss-Markov
Matriz de Variância e Covariância e o Teorema de Gauss-Markov Reginaldo J Santos Departamento de Matemática-ICEx Universidade Federal de Minas Gerais http://wwwmatufmgbr/~regi regi@matufmgbr 26 de setembro
Leia maisVariáveis Instrumentais
Variáveis Instrumentais Abordagem diferente para o problema de endogeneidade: V.I. pode se usado para se obter estimadores consistentes na presença de variáveis omitidas; V.I. também pode ser usado para
Leia maisModelos Lineares Generalizados - Estimação em Modelos Lineares Generalizados
Modelos Lineares Generalizados - Estimação em Modelos Lineares Generalizados Erica Castilho Rodrigues 23 de Maio de 207 Introdução 2 3 Vimos como encontrar o EMV usando algoritmos numéricos. Duas possibilidades:
Leia maisteoria de probabilidade e estatística, uma sequência de palavra série de tempo é usada alternativamente para
Na teoria de probabilidade e estatística, uma sequência de variáveis aleatórias é independente e indenticamente distribuida (i.i.d) se cada variável aleatória tem a mesma distribuição de probabilidade
Leia maisMAT2458 ÁLGEBRA LINEAR PARA ENGENHARIA II 2 a Prova - 2 o semestre de T ( p(x) ) = p(x + 1) p(x), (a) 8, (b) 5, (c) 0, (d) 3, (e) 4.
MAT2458 ÁLGEBRA LINEAR PARA ENGENHARIA II 2 a Prova - 2 o semestre de 218 Q1. Considere a transformação linear T : P 3 (R) P 2 (R), dada por T ( p(x) ) = p(x + 1) p(x), para todo p(x) P 3 (R), e seja A
Leia mais1. Operações com vetores no espaço
Capítulo 10 1. Operações com vetores no espaço Vamos definir agora as operações de adição de vetores no espaço e multiplicação de um vetor espacial por um número real. O processo é análogo ao efetuado
Leia mais1 Matrizes Ortogonais
Álgebra Linear I - Aula 19-2005.1 Roteiro 1 Matrizes Ortogonais 1.1 Bases ortogonais Lembre que uma base β é ortogonal se está formada por vetores ortogonais entre si: para todo par de vetores distintos
Leia mais