Antes de resolvermos a)-c), vamos relembrar a diferença entre esperança (variância) conditional e esperança (variância) incondicional.
|
|
- Giuliana Azenha Alves
- 6 Há anos
- Visualizações:
Transcrição
1 Econometria Avançada 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 = σ t ε t, onde ε t e σ t são independentes e ε t NID(0, 1). Portanto r t também é normal com E(r t ) = 0 e V (r t ) = E(rt ) = E(σt ). Ou seja, apesar da média condicional de r t ser zero, sua variância condicional é σ t e pode variar no tempo, um fato comumente observado em séries temporais financeiras. A curtose de r t, denotada aqui por K rt, mede o peso das caudas da distributição de r t e é dada por K rt = E(rt 4 )/{E(rt )}. Obtenha K rt para os modelos: a) ARCH(1): σt = α 0 + α 1 rt 1; b) GARCH(1,1): σt = α 0 + α 1 rt 1 + β 1 σt 1; e c) SV-AR(1): log σt = µ + φ(log σt 1 µ) + u t, onde u t N(0, τ ). Antes de resolvermos a)-c), vamos relembrar a diferença entre esperança (variância) conditional e esperança (variância) incondicional. É fácil ver que E(r t σ t ) = E(σ t ε t σ t ) σt εt == E(σ t σ t )E(ε t σ t ) = σ t 0 = 0, onde σ t ε t denota que σ t é independente de ε t. Segue, de um resultado básico de probabilidade 1, que V (r t σ ) = E(r t σ ). Portanto V (r t σ t ) = E(rt σ t ) = E(σt ε t σ t ) σt εt == E(σt σ t )E(ε t σ t ) = σt 1 = σt, pois E(ε t σ t ) = E(ε t ) = 1. Perceba que a suposição de normalidade para ε t não foi usada em nenhum momento até aqui. Usando dois resultados básicos de probabilidade, segue imediatamente que E(r t ) = E{E(r t σ t )} = E{0} = 0 V (r t ) = E{V (r t σ t )} + V {E(r t σ t )} = E{σ t } + V {0} = E(σ t ). Somente nesse momento é necessário se utilizar as estruturas ARCH, GARCH e SV. ARCH(1): V (r t ) = E(r t ) = E(σ t ) = E(α 0 + α 1 r t 1) = α 0 + α 1 E(r t 1). Como E(r t ) = E(r t 1) (esperanças incondicionais), segue que V (r t ) = α 0 1 α 1. GARCH(1,1): V (r t ) = E(r t ) = E(σ t ) = E(α 0 + α 1 r t 1 + β 1 σ t 1) = α 0 + α 1 E(r t 1) + β 1 E(σ t 1). Como E(r t ) = E(r t 1) = E(σ t ) = E(σ t 1), segue que V (r t ) = α 0 1 α 1 β 1. 1 V (X) = E(X ) {E(X)}. Portanto, quando E(X) = 0, segue que V (X) = E(X ). E(X) = E{E(X Y )} e V (X) = E{V (X Y )} + V {E(X Y )}. 1
2 Só nos resta obter E(r 4 t ): E(r 4 t ) = E{E(r 4 t σ t )} = E{E(σ 4 t ε 4 t σ t )} = E{σ 4 t E(ε 4 t )} = 3E(σ 4 t ), pois a curtose da distribuição normal padrão é igual a 3. ARCH(1): 1 3 E(r4 t ) = E(σt 4 ) = E{(α 0 + α 1 rt 1) } = α0 + α 0 α 1 E(rt 1) + α1e(r t 1) 4 ( ) = α0 α α 1 + α 1 α 1E(rt 1) 4 = α0 α1 + α 1 1 α 1E(r t 1) 4 1 logo e E(r 4 t ) = 3 α 0(1 + α 1 )/(1 α 1 ) 1 3α 1 K rt = E(r4 t ) {E(rt )} = 3 α 0 (1+α 1)/(1 α 1 ) 1 3α 1 = 3(1 + α 1)(1 α 1 ) α0/(1 α 1 ) 1 3α1 = 3(1 α 1). 1 3α1 GARCH(1,1): O que você tem que mostrar aqui é que ( ) 1 (α1 + β 1 ) K rt = 3 1 (α 1 + β 1 ) α1 Finalmente, duas complicações adicionais surgem quando se trata do modelo SV-AR(1): log σ t = µ + φ(log σ t 1 µ) + u t u t N(0, τ ). Em primeiro lugar, existe agora o termo de erro u t que tem que ser levado em consideração. Mas esse é um problema relativamente simples, uma vez que assumimos que ε t e u t são independentes entre si. Em segundo lugar, para se obter esperança, variância e curtose de r t é necessário se obter E(σ t ) e E(σ 4 t ), que são momentos de uma distribuição log-normal (dado que log σ t é normalmente distribuído).
3 Problema. Mostre que se r t ARCH() normal, então rt AR() com inovações não-normais. Mostre também que {r t } é uma sequência de ruídos brancos. Como r t ARCH() normal, podemos escrever (como no problema 1 acima) r t = σ t ε t ε t NID(0, 1) σt = α 0 + α 1 rt 1 + α rt de forma que, se definirmos ν t = rt σt, temos que rt = α 0 + α 1 rt 1 + α rt + ν t, ou seja, rt AR(). O que ainda resta fazer é entender o comportamento de ν t : ν t = rt σt = σt ε t σt = σt (1 ε t ). Segue que E(ν t ) = E(σt )E(1 ε t ) = 0, e E(ν t ν t+h ) = E{σt σt+h}e{(1 ε t )}E{(1 ε t+h)} = 0. Portanto o processo {ν t } é um ruído branco. 3
4 Problema 3. Suponha que r 1, r,..., r n sejam observações de uma série de log-retornos seguindo um modelo AR(1)-GARCH(1,1) normal, isto é, r t = µ + φr t 1 + u t, u t = σ t ε t σt = α 0 + α 1 u t 1 + β 1 σt 1, para ε t NID(0, 1). Perceba que o modelo acima pode ser mais compatamente escrito como r t r t 1, σ t N(µ + φ 1 r t 1, σ t ) σ t = α 0 + α 1 (r t 1 µ φr t ) + β 1 σ t 1, o que evidencia a normalidade dos log-retornos r t e também que σt depende de rt 1, rt e σt 1. Obtenha a função de log-verossimilhança condicional de (µ, φ, α 0, α 1, β 1 ). Sem perda de generalidade, assuma que σ0 = r 0 = r 1 = 0. Para se obter a função de log-verossimilhança condicional de θ = (µ, φ, α 0, α 1, β 1 ), é necessário que escrevamos a densidade conjunta dos dados condicional em θ, p(r 1,..., r n θ). Uma vez que σ 1,..., σ n são deterministicamente derivados de σ 0, r 0, r 1, θ e r 1,..., r n, segue que p(r 1,..., r n θ) = n p(r t r t 1, θ) = t=1 n { (πσt ) 1/ exp 1 t=1 (r t µ φr t 1 ) σ t }. Portanto, a função log-verossimilhança condicional de θ é [ ] l(θ) = log p(r 1,..., r n θ) = K 1 n log(π) + log σt + t=1 n t=1 σ t (r t µ φr t 1 ). O estimador de máxima verossimilhança, ˆθ, é obtido maximizando l(θ) sujeito às seguintes restrições: φ < 1, α 0, α 1, β 1 > 0 e α 1 + β 1 < 1. 4
5 Problema 4. O arquivo sp500.csv contém preços diários do S&P500 para o período de 03/01/1950 a 3/04/015 (1643 observações). Veja a figura 1 com os dados. a) Ajuste modelos ARCH(1), GARCH(1,1) e SV-AR(1) para essa série temporal financeira. Mais precisamente, para r t = σ t ε t, onde ε t e σ t são independentes e ε t NID(0, 1), ajuste os modelos a1) ARCH(1): σ t = α 0 + α 1 r t 1. a) GARCH(1,1): σ t = α 0 + α 1 r t 1 + β 1 σ t 1. a3) SV-AR(1): log σ t = µ + φ(log σ t 1 µ) + u t, onde u t N(0, τ ). Veja os resultados na próxima página e nas figuras a 3. ARCH(1) Parameter Estimate Std. Error alpha e e-07 alpha e e-0 GARCH(1,1) Parameter Estimate Std. Error alpha e e-08 alpha e e-03 beta e e-03 SV-AR(1) mu phi sigma 1st Qu Median Mean rd Qu VARIANCE, STANDARD DEVIATION AND KURTOSIS Sample ARCH(1) GARCH(1,1) SV-AR(1) Variance St.Dev Kurtosis b) Divida a série em grupos de 5 anos (13 grupos, portanto) e repita as análises de a). Como se comportam os parâmetros dos modelos ao longo do tempo? Comente seus resultados. 5
6 Price /3/50 5/5/66 9/3/8 1//98 4/3/15 days Log price /3/50 5/5/66 9/3/8 1//98 4/3/15 days Log price /4/50 5/6/66 9/4/8 1//98 4/3/15 days Figure 1: S&P500: preços, log-preços e log-retornos. 6
7 Standard deviation ARCH(1) GARCH(1,1) 1/4/50 5/6/66 9/4/8 1//98 4/3/15 Days Figure : S&P500: Estimativas dos desvios-padrões pelos modelos ARCH(1) e GARCH(1,1). 7
8 ARCH(1) GARCH(1,1) Standardized residuals Standardized residuals /4/50 5/6/66 9/4/8 1//98 4/3/15 Days 1/4/50 5/6/66 9/4/8 1//98 4/3/15 Days ACF squared residuals ACF squared residuals ACF ACF Lag Lag PACF squared residuals PACF squared residuals Partial ACF Partial ACF Lag Lag Figure 3: S&P500: Análise residual dos modelos ARCH(1) e GARCH(1,1). 8
Modelos ARCH e GARCH Aula 8. Morettin e Toloi, 2006, Capítulo 1 e 14 Morettin, 2011, Capítulo 1 e 5 Bueno, 2011, Capítulo 8
Modelos ARCH e GARCH Aula 8 Morettin e Toloi, 2006, Capítulo 1 e 14 Morettin, 2011, Capítulo 1 e 5 Bueno, 2011, Capítulo 8 Motivação Pesquisadores que se dedicam a prever séries temporais, tais como preços
Leia maisAula 22/10/2018 José Luiz Padilha 22 de outubro de 2018
Modelando a Variância Estimação Aula 22/10/2018 José Luiz Padilha 22 de outubro de 2018 A estimação dos parâmetros α 0 e α 1 em um modelo ARCH(1) é geralmente realizada por verossimilhança condicional.
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 maisAula 17/10/2018 José Luiz Padilha 17 de outubro de 2018
Modelando a Variância Introdução Aula 17/10/2018 José Luiz Padilha 17 de outubro de 2018 Nos modelos vistos até aqui a variância dos erros foi assumida constante ao longo do tempo, e estávamos interessados
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 mais3 Dados e metodologia
3 Dados e metodologia 3.1 Apresentação de Dados Para a realização dessa pesquisa foram utilizados os dados da série histórica dos preços da soja (em grão) do Estado do Paraná, obtidos da base de dados
Leia maisTécnicas computacionais em probabilidade e estatística II
Técnicas computacionais em probabilidade e estatística II Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco AULA 1: Problemas Computacionais em Inferência Estatística.
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Motivação Por exemplo, queremos analisar a série
Leia maisInferência Estatística Estimação de Parâmetros
Inferência Estatística Estimação de Parâmetros Pedro Paulo Balestrassi www.pedro.unifei.edu.br ppbalestrassi@gmail.com 35-36291161 / 88776958 (cel) 1 Inferência Estatística: uma amostra ajudando a entender
Leia maisAnálise de dados em Geociências
Análise de dados em Geociências Modelação estatística Susana Barbosa Mestrado em Ciências Geofísicas 2014-2015 Resumo Modelação estatística Conceitos básicos de modelação estatística Modelação - identificação
Leia maisINTRODUÇÃO A ECONOMETRIA
INTRODUÇÃO A ECONOMETRIA Análise de regressão e uso do Eviews Introdução O modelo de regressão linear se utiliza para estudar a relação que existe entre uma variável dependente e uma ou várias variáveis
Leia maisINTRODUÇÃO À INFERÊNCIA ESTATÍSTICA
UFPE - Universidade Federal de Pernambuco Departamento de Estatística Disciplina: ET-406 Estatística Econômica Professor: Waldemar A. de Santa Cruz Oliveira Júnior INTRODUÇÃO À INFERÊNCIA ESTATÍSTICA Podemos
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 maisVariável dependente Variável independente Coeficiente de regressão Relação causa-efeito
Unidade IV - Regressão Regressões Lineares Modelo de Regressão Linear Simples Terminologia Variável dependente Variável independente Coeficiente de regressão Relação causa-efeito Regressão correlação Diferença
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 maisAnálise de dados em Geociências
Análise de dados em Geociências Regressão Susana Barbosa Mestrado em Ciências Geofísicas 2014-2015 Resumo Introdução Regressão linear dados independentes séries temporais Regressão de quantis Regressão
Leia maisUniversidade Federal de Lavras
Universidade Federal de Lavras Departamento de Estatística Prof. Daniel Furtado Ferreira 6 a Lista de Exercícios Teoria da Estimação pontual e intervalar 1) Marcar como verdadeira ou falsa as seguintes
Leia maisUniversidade Federal de Pernambuco Departamento de Estatística Inferência Estatística (PGE 951) Método de Máxima Verossimilhança (M.M.V.
Universidade Federal de Pernambuco Departamento de Estatística Inferência Estatística (PGE 95) Método de Máxima Verossimilhança (MMV) Definição: Qualquer ˆθ = ˆθ(X,, X n ) Θ tal que L(ˆθ; x,, x n ) = Sup{L(θ)
Leia maisCC-226 Aula 07 - Estimação de Parâmetros
CC-226 Aula 07 - Estimação de Parâmetros Carlos Henrique Q. Forster - Instituto Tecnológico de Aeronáutica 2008 Estimação de Parâmetros Para construir o classificador bayesiano, assumimos as distribuições
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 Tópicos Tópicos Séries
Leia maisExame Final de Métodos Estatísticos
Exame Final de Métodos Estatísticos Data: de Junho de 26 Duração: 3h. Nome: Curso: Declaro que desisto N. Mec. Regime: As cotações deste exame encontram-se na seguinte tabela. Responda às questões utilizando
Leia mais1 Probabilidade - Modelos Probabilísticos
1 Probabilidade - Modelos Probabilísticos Modelos probabilísticos devem, de alguma forma, 1. identificar o conjunto de resultados possíveis do fenômeno aleatório, que costumamos chamar de espaço amostral,
Leia maisUNIVERSIDADE DE SÃO PAULO ESCOLA SUPERIOR DE AGRICULTURA LUIZ DE QUEIROZ DEPARTAMENTO DE CIÊNCIAS EXATAS
1 1) Seja X uma variável aleatória com função de densidade dada por: Pede-se: f (x) = e 2 1 (, )(x) 1.1) Qual a distribuição da variável aleatória Y = X? 1.2) Encontre o valor esperado da variável Y. 2
Leia maisMais sobre Modelos Continuos
Mais sobre Modelos Continuos Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 41 Transformação Linear da Uniforme Seja X uma variável aleatória
Leia maisAULA 7 - Inferência em MQO: ICs e Testes de
AULA 7 - Inferência em MQO: ICs e Testes de Hipóteses Susan Schommer Econometria I - IE/UFRJ Nosso primeiro objetivo aqui é relembrar a diferença entre estimação de ponto vs estimação de intervalo. Vamos
Leia maisAGA Análise de Dados em Astronomia I. 1. Introdução
1 / 22 1. Introdução AGA 0505 - Análise de Dados em Astronomia I 1. Introdução Laerte Sodré Jr. 1o. semestre, 2019 2 / 22 introdução aula de hoje: Introdução 1 objetivo 2 o que é ciência 3 dados 4 o que
Leia mais6- Probabilidade e amostras: A distribuição das médias amostrais
6- Probabilidade e amostras: A distribuição das médias amostrais Anteriormente estudamos como atribuir probabilidades a uma observação de alguma variável de interesse (ex: Probabilidade de um escore de
Leia maisTécnicas Computacionais em Probabilidade e Estatística I. Aula I
Técnicas Computacionais em Probabilidade e Estatística I Aula I Chang Chiann MAE 5704- IME/USP 1º Sem/2008 1 Análise de Um conjunto de dados objetivo: tratamento de um conjunto de dados. uma amostra de
Leia maisAULA 17 - Variáveis binárias
AULA 17 - Variáveis binárias Susan Schommer Econometria I - IE/UFRJ Variáveis binárias A variável binária (ou dummy) é um simples exemplo de variável aleatória, o qual é chamada de função indicadora de
Leia maisPROVA DE ESTATÍSTICA e PROBABILIDADES SELEÇÃO - MESTRADO/UFMG /2012
PROVA DE ESTATÍSTICA e PROBABILIDADES SELEÇÃO - MESTRADO/UFMG - 0/0 Instruções:. Cada questão respondida corretamente vale (um) ponto.. Cada questão respondida incorretamente vale - (menos um) ponto. 3.
Leia maisInferência. 1 Estimativa pontual de uma média 2 Estimativa intervalar de uma média. Renata Souza
Inferência 1 Estimativa pontual de uma média 2 Estimativa intervalar de uma média Renata Souza Aspectos Gerais A estatística descritiva tem por objetivo resumir ou descrever características importantes
Leia maisCE062c José Luiz Padilha da Silva e Cesar Augusto Taconeli 06 de novembro de 2018
A função plot.gamlss() CE062c José Luiz Padilha da Silva e Cesar Augusto Taconeli 06 de novembro de 2018 Considere os dados de circunferência abdominal discutido anteriormente. relacionamos a circunferência
Leia maisIND 1115 Inferência Estatística Aula 6
Conteúdo IND 5 Inferência Estatística Aula 6 Setembro de 004 A distribuição Lognormal A distribuição Beta e sua relação com a Uniforme(0,) Mônica Barros mbarros.com mbarros.com A distribuição Lognormal
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Se a integração analítica não é possível ou
Leia maisGibbs Sampler para ANOVA e Misturas
Gibbs Sampler para ANOVA e Misturas Renato Assunção - DCC, UFMG Outubro de 014 1 Modelo ANOVA: componentes de variância Suponha que temos K grupos ou classes. Em cada grupo, temos um certo número de dados
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 maisModelo de regressão estável aplicado a econometria
Modelo de regressão estável aplicado a econometria financeira Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 81531 990, Brasil email: lucambio@ufpr.br 1 Objetivos
Leia maisMAE0212 Introdução à Probabilidade e Estatística II
MAE01 Introdução à Probabilidade e Estatística II Gabarito-Lista 3 Exercicio 1 (a) Cada X i N(µ, σ ). Tamanho da amostra n = 9, desvio padrão σ =. A amostra é: 4.9, 7.0, 8.1, 4.5, 5.6, 6.8, 7., 5.7, 6..
Leia maisSIMPÓSIO BRASILEIRO DE PESQUISA OPERACIONAL 8 a 11 de novembro de 2002, Rio de Janeiro/RJ A PESQUISA OPERACIONAL E AS CIDADES
VOLATILIDADE E VALOR EM RISCO: MODELAGEM POR MÉDIAS MÓVEIS E POR EGARCH COM PARÂMETROS VARIÁVEIS Paulo Henrique Soto Costa UFF - EEIMVR - Departamento de Ciência dos Materiais Av. dos Trabalhadores 42
Leia maisTeoria da Estimação. Fabricio Goecking Avelar. junho Universidade Federal de Alfenas - Instituto de Ciências Exatas
Teoria da Estimação Fabricio Goecking Avelar Universidade Federal de Alfenas - Instituto de Ciências Exatas junho - 2018 Algumas distribuições importantes Sumário 1 Algumas distribuições importantes 2
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba. Prof. Tarciana Liberal (UFPB) Aula Desigualdades 02/14 1 / 31
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Desigualdades 02/14 1 / 31 Um teorema de grande importância e bastante utilidade em probabilidade
Leia maisMestrado em Análise de Dados e Sistemas de Apoio à Decisão. Disciplina: Extracção e conhecimento de dados I. Trabalho nº4: Séries Temporais
Mestrado em Análise de Dados e Sistemas de Apoio à Decisão Disciplina: Extracção e conhecimento de dados I Trabalho nº4: Séries Temporais Data: 6 de Fevereiro de 005 Aluno: Elisabeth Silva Fernandes Nº
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 mais3. Estimação pontual USP-ICMC-SME. USP-ICMC-SME () 3. Estimação pontual / 25
3. Estimação pontual USP-ICMC-SME 2013 USP-ICMC-SME () 3. Estimação pontual 2013 1 / 25 Roteiro Formulação do problema. O problema envolve um fenômeno aleatório. Interesse em alguma característica da população.
Leia maisIntrodução Regressão linear Regressão de dados independentes Regressão não linear. Regressão. Susana Barbosa
Regressão Susana Barbosa Mestrado em Ciências Geofísicas 2012-2013 Regressão linear x : variável explanatória y : variável resposta Gráfico primeiro! Gráfico primeiro! Gráfico primeiro! Modelo linear x
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Distribuição Qui-quadrado 02/14 1 / 1 Definição 14.1: Uma variável aleatória contínua X tem
Leia maisEconometria Financeira
Ralph S. Silva http://www.im.ufrj.br/ralph/econometriafinanceira.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Setembro-Dezembro/2015 Análise
Leia maisSUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS
4 SUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS Em muitos problemas de probabilidade que requerem o uso de variáveis aleatórias, uma completa especificação da função de densidade de probabilidade ou não está
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 Posição financeira Uma
Leia maisDistribuições de Probabilidade Contínuas 1/19
all Distribuições de Probabilidade Contínuas Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário Norte
Leia maisUniversidade Federal de Viçosa Departamento de Estatística
Universidade Federal de Viçosa Departamento de Estatística Prova Seletiva para o Programa de Pós-Graduação em Estatística Aplicada e Biometria. Nível Doutorado - 22/nov/2013 Nome: Assinatura:. Número do
Leia maisCE062c José Luiz Padilha da Silva e Cesar Augusto Taconeli 13 de setembro de 2018
CE062c José Luiz Padilha da Silva e Cesar Augusto Taconeli 13 de setembro de 2018 Examplo usando gamlssnp(): dados de cérebros de animais O tamanho do cérebro (brain) e peso corporal (body) foram registrados
Leia maisPlanejamento e Pesquisa 1. Dois Grupos
Planejamento e Pesquisa 1 Dois Grupos Conceitos básicos Comparando dois grupos Testes t para duas amostras independentes Testes t para amostras pareadas Suposições e Diagnóstico Comparação de mais que
Leia maisInferência Estatistica
Inferência Estatistica Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Modelos e Inferência Um modelo é uma simplificação da realidade (e alguns
Leia maisMAE325 Análise de Séries Temporais. Aula 3
MAE325 Análise de Séries Temporais Aula 3 1 Transformações Problema 1: em muitas situações de interesse, a distribuição da amostra é assimétrica e pode conter valores atípicos a suposição de normalidade
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Distribuição t de Student 02/14 1 / 1 A distribuição t de Student é uma das distribuições
Leia maisEscola Superior de Agricultura "Luiz de Queiroz", Departamento de Ciências Exatas. Modelo Normal. Cristian Villegas
Modelo Normal Cristian Villegas clobos@usp.br http://www.lce.esalq.usp.br/arquivos/aulas/2014/lce0216/ 1 Introdução O modelo normal ocupa uma posição de grande destaque tanto a nível teórico como prático,
Leia maisModelagem de dados complexos por meio de extensões do modelo de
Modelagem de dados complexos por meio de extensões do modelo de regressão clássico Luiz R. Nakamura Departamento de Informática e Estatística Universidade Federal de Santa Catarina luiz.nakamura@ufsc.br
Leia maisANOVA com modelos encaixados
ANOVA com modelos encaixados Motivação 1 Testar a significância de β j ( j = 0, 1,, p na presença das demais regressoras, usando o teste t, é trabalho, pois precisa de: ^β e ^Var (^β j = ^σ 2 j c ( j+1(
Leia maisProfessora Ana Hermínia Andrade. Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise. Período 2017.
Estimação pontual Professora Ana Hermínia Andrade Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise Período 2017.1 Introdução Exemplo Desejamos comprar um
Leia maisEscola Superior de Agricultura "Luiz de Queiroz", Departamento de Ciências Exatas. Modelo Normal. Cristian Villegas
Modelo Normal Cristian Villegas clobos@usp.br Outubro de 2013 Apostila de Estatística (Cristian Villegas) 1 Introdução O modelo normal ocupa uma posição de grande destaque tanto a nível teórico como prático,
Leia maisCapítulo 3. O Modelo de Regressão Linear Simples: Especificação e Estimação
Capítulo 3 O Modelo de Regressão Linear Simples: Especificação e Estimação Introdução Teoria Econômica Microeconomia: Estudamos modelos de oferta e demanda (quantidades demandadas e oferecidas dependem
Leia maisTESTES DE HIPÓTESES Notas de aula. Prof.: Idemauro Antonio Rodrigues de Lara
1 TESTES DE HIPÓTESES Notas de aula Prof.: Idemauro Antonio Rodrigues de Lara 2 Conteúdo 1. Fundamentos e conceitos básicos; 2. Função poder; 3. Testes mais poderosos e Lema de Neyman-Pearson; 4. Teste
Leia maisν ν α α π θ θ δ α α α + + α + α α + α + φ Γ φ θ θ θφ Γ δ = α ν α α ν + ν ν + ν + ν + δ + ν ν + δ + + + + + δ + + ν ν + + ν + + + ν ν ν + + ν + ν + = θ β β + Γ δ Γ δ β µ µ µµ µ µ µ µ α ν α µ
Leia maisInferência para CS Tópico 10 - Princípios de Estimação Pontual
Inferência para CS Tópico 10 - Princípios de Estimação Pontual Renato Martins Assunção DCC - UFMG 2013 Renato Martins Assunção (DCC - UFMG) Inferência para CS Tópico 10 - Princípios de Estimação Pontual
Leia maisAULA 11 Teste de Hipótese
1 AULA 11 Teste de Hipótese Ernesto F. L. Amaral 20 de setembro de 2012 Metodologia de Pesquisa (DCP 854B) Fonte: Triola, Mario F. 2008. Introdução à estatística. 10 ª ed. Rio de Janeiro: LTC. Capítulo
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 7
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 7 O Modelo Estrutural Identificação Seja z t = (z 1t,...,z mt ) R m um vetor composto das variáveis de interesse.
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 maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula 02/14 1 / 1 A distribuição F de Snedecor também conhecida como distribuição de Fisher é frequêntemente
Leia maisAnálise de Carteiras usando o R - Parte 6
Análise de Carteiras usando o R - Parte 6 Bibliografia BKM, cap. 9 Claudio Lucinda FEA/USP Testando o CAPM Testando o CAPM Vamos nesta apresentação usar os dados dos fundos para repassar os testes do CAPM.
Leia maisSimulação com Modelos Teóricos de Probabilidade
Simulação com Modelos Teóricos de Probabilidade p. 1/21 Algumas distribuições teóricas apresentam certas características que permitem uma descrição correta de variáveis muito comuns em processos de simulação.
Leia maisAula 2 Uma breve revisão sobre modelos lineares
Aula Uma breve revisão sobre modelos lineares Processo de ajuste de um modelo de regressão O ajuste de modelos de regressão tem como principais objetivos descrever relações entre variáveis, estimar e testar
Leia maisMetodologia de Box-Jenkins. Metodologia de Box-Jenkins. Metodologia de Box-Jenkins
Programa de Pós-graduação em Engenharia de Produção Análise de séries temporais: Modelos de Box-Jenkins Profa. Dra. Liane Werner Metodologia de Box-Jenkins Para os modelos de decomposição e os modelos
Leia maisInferência Bayesiana na distribuição Normal
Inferência Bayesiana na distribuição Normal Diego Ignacio Gallardo Mateluna Instituto de Matemática e Estatística Universidade de São Paulo Março, 2012 Distribuição Normal: Inferência da variância com
Leia maisLista de Exercicios 1 MEDIDAS RESUMO. ESTIMAÇÃO PONTUAL.
Introdução à Inferência Estatística Departamento de Física é Matemática. USP-RP. Prof. Rafael A. Rosales 5 de setembro de 004 Lista de Exercicios 1 MEDIDAS RESUMO. ESTIMAÇÃO PONTUAL. 1 Medidas Resumo DISTRIBUIÇÕES
Leia mais2 Análise dos dados intradiários
2 Análise dos dados intradiários 2.1 Estatísticas descritivas dos dados intradiários Nesta seção, realizaremos uma análise descritiva dos dados intradiários, os quais são compostos por volume de transação,
Leia mais3.2.1.1 Pinos transversais...13 3.2.1.2 Chavetas...13 3.2.1.3 Eixos ranhurados...14 3.2.1.4 Recartilha e Estrias...15 3.2.2.1 Ajuste prensado cônico...15 3.2.2.2 Anéis cônicos...17 3.2.2.3 Ajuste prensado
Leia maisIntrodução a Inferência Bayesiana
Introdução a Inferência Bayesiana Helio S. Migon IM and COPPE - UFRJ migon@im.ufrj.br 2006 Conteúdo 1. Conceitos Básicos da Inferência 2. Distribuição a Priori 3. Sumariazação 4. Inferência Preditiva 1
Leia maisAções de bancos e risco sistêmico
Ações de bancos e risco sistêmico GV INVEST 15 Este artigo descreve um método para a análise tanto da correlação dos retornos de ações de bancos como da velocidade de mudança dessa correlação ambos sendo
Leia maisInferência estatística
Inferência estatística Susana Barbosa Mestrado em Ciências Geofísicas 2013-2014 Inferência estatística Obtenção de conclusões sobre propriedades da população a partir das propriedades de uma amostra aleatória
Leia maisCE085 - Estatística Inferencial. derivadas. Prof. Wagner Hugo Bonat. 5 de setembro de Curso de Bacharelado em Estatatística
CE085 - Estatística Inferencial Função de Verossimilhança e suas derivadas Prof. Wagner Hugo Bonat Laboratório de Estatística e Geoinformação - LEG Curso de Bacharelado em Estatatística Universidade Federal
Leia maisLucas Santana da Cunha 12 de julho de 2017
DISTRIBUIÇÃO NORMAL Lucas Santana da Cunha http://www.uel.br/pessoal/lscunha/ Universidade Estadual de Londrina 12 de julho de 2017 Distribuição Normal Dentre todas as distribuições de probabilidades,
Leia maisTeste F-parcial 1 / 16
Teste F-parcial Ingredientes A hipótese nula, H 0, define o modelo restrito. A hipótese alternativa, H a : H 0 é falsa, define o modelo irrestrito. SQR r : soma de quadrado dos resíduos associada à estimação
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 maisx, x < 1 f(x) = 0, x 1 (a) Diga o que entende por amostra aleatória. Determine a função densidade de probabilidade
Probabilidades e Estatística 2004/05 Colectânea de Exercícios LEIC, LERCI, LEE Capítulo 6 Estimação Pontual Exercício 6.1. Considere a população X com função densidade de probabilidade { x, x < 1 f(x)
Leia maisTeste F-parcial 1 / 16
Teste F-parcial A hipótese nula, H 0, define o modelo restrito. Ingredientes SQR r : soma de quadrado dos resíduos sob H 0. R 2 r: coeficiente de determinação sob H 0. g: número de restrições a serem testadas
Leia maisTestes de Hipóteses. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Testes de Hipóteses Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução e notação Em geral, intervalos de confiança são a forma mais
Leia mais4. Experimentos em Blocos aleatorizados, quadrados latinos e experimentos relacionados
4. Experimentos em Blocos aleatorizados, quadrados latinos e experimentos relacionados 4.2 Quadrados Latinos (QL) Suponha que um experimentador esteja estudando o efeito de 5 formulações diferentes de
Leia maisSéries 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 maisLucas Santana da Cunha de junho de 2018 Londrina
Distribuição Normal Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ 25 de junho de 2018 Londrina 1 / 17 Distribuição Normal Dentre todas as distribuições de probabilidades,
Leia maisIntervalos Estatísticos para uma única Amostra - parte I
Intervalos Estatísticos para uma única Amostra - parte I Intervalo de confiança para média 14 de Janeiro Objetivos Ao final deste capítulo você deve ser capaz de: Construir intervalos de confiança para
Leia maisEstimação e Modelagem de Volatilidade - Eduardo Ribeiro 1
Discutiremos agora diferentes métodos de estimação de volatilidade de ativos. Volatilidade pode ser entendido como o risco de um ativo (retorno incerto). Volatilidade é chave para precificar opções e calcular
Leia maisP.62, Exerc. 1.3: Trocar as posições de tipo AB e tipo O.
ERRATA Segue-se uma lista de correcção de erros de digitação que não inclui os que violam regras de pontuação. Os nossos agradecimentos a todos aqueles que nos comunicaram os erros que foram detectando
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 maisRicardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Geração de Números Aleatórios Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 61 Simulando de Distribuições Discretas Assume-se que um
Leia maisExercícios Selecionados de Econometria para Concursos Públicos
1 Exercícios Selecionados de Econometria para Concursos Públicos 1. Regressão Linear Simples... 2 2. Séries Temporais... 17 GABARITO... 20 2 1. Regressão Linear Simples 01 - (ESAF/Auditor Fiscal da Previdência
Leia maisModelos de Regressão
Renato Martins Assunção DCC - UFMG 2015 Renato Martins Assunção (DCC - UFMG) 2015 1 / 19 Exemplo de preço de apto Y = y 1 y 2 y 1499 y 1500 b 0 1 1 1 1 + b 1 área 1 área 2 área 1499 área 1500 + b 2 idade
Leia mais3 2σ 2] = σ 2 C = 1 6
GET008 - Estatística II Lista de Exercícios Inferência para uma população Profa. Ana Maria Farias. Seja X, X,, X 6 uma amostra aleatória simples de tamanho 6 de uma população Nµ; σ. Determine o valor da
Leia maisAula 4. Aula de hoje. Aula passada
Aula 4 Aula passada Função de distribuição Bernoulli Sequência de v.a. Binomial, Geométrica, Zeta Valor esperado Variância Distribuição conjunta Independência de v.a. Aula de hoje Valor esperado condicional
Leia mais