Econometria em Finanças e Atuária
|
|
- Nelson Vieira Graça
- 7 Há anos
- Visualizações:
Transcrição
1 Ralph S. Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Maio-Junho/2013
2 Tópicos Tópicos Séries temporais financeiras Modelos em espaço de estados (Modelos dinâmicos) Modelos heteroscedásticos condicionais Modelos não lineares e aplicações Análise de dados de alta frequência Modelos de tempo contínuo e aplicações Modelos de volatilidade estocástica
3 Referências Referências: Livros Analysis of Financial Time Series, R. S. Tsay, John. Wiley, The Econometric Modelling of Financial Time Series, T. C. Mills, Cambrigde University Press, 1996.
4 Séries temporais financeiras Séries temporais financeiras Foco em teoria e na prática da avaliação de ativos através do tempo. É uma disciplina altamente empírica. A teoria financeira e suas séries empíricas contêm elementos de incerteza. Existem várias definições para volatilidade de ativos. Volatilidade não é diretamente observável. Daremos ênfase a aplicações e análise de dados empíricos.
5 Séries temporais financeiras Retornos de ativos Muitos estudos envolvem retornos de ativos ao invés de preços. O retorno de um ativo é um resumo completo e de escala livre da oportunidade de investimento. Devido suas propriedades estatísticas, séries de retornos são mais fáceis de trabalhar do que preços. Existem várias definições para retornos de um ativo. Seja P t o preço de um ativo no instante t. Suponha por um momento que o ativo não paga dividendos.
6 Séries temporais financeiras Retornos de ativos Retorno simples de um período: Fixando o ativo pelo período de tempo de t 1 a t, para um retorno bruto simples, temos 1 + R t = Pt P t 1 ou P t = P t 1(1 + R t). O retorno líquido simples para um período (ou retorno simples) é R t = Retorno simples de vários períodos: Pt Pt Pt 1 1 =. P t 1 P t 1 Fixando o ativo pelos períodos de tempo entre t k a t, temos o retorno bruto simples de k períodos dado por 1 + R t[k] = Pt = Pt Pt 1 P k 1 t k+1 = (1 + R t j). P t k P t 1 P t 2 P t k j=0
7 Séries temporais financeiras Capitalização contínua Suponha que a taxa de juros de um depósito bancário seja 10% ao ano e que o depósito inicial seja de $1, 00. Se o banco pagar os juros uma vez ao ano, então o valor líquido do depósito se torna $1, 00 (1 + 0, 1) = $1, 10 depois de um ano. Se o banco paga os juros a cada 6 meses, então a taxa de juros é 10%/2 = 5% e o valor líquido do depósito é $1, 00 (1 + 0, 1/2) 2 = $1, 1025 depois de um ano. Se o banco paga os juros m vezes por ano, então a taxa de juros é 10%/m e o valor líquido do depósito é $1, 00 (1 + 0, 1/m) m depois de um ano. A tabela a seguir mostra resultados para alguns intervalos de tempo sobre um depósito de $1, 00 com juros de 10% ao ano. O valor líquido se aproxima de $1, 1052, que é obtido por exp(0, 1) e é referido como o resultado da capitalização contínua. O efeito da capitalização pode ser claramente visto.
8 Séries temporais financeiras Tabela : Ilustração do efeito da capitalização a Número de Taxa de Juros Valor Tipo Pagamentos por Período Líquido Anual 1 0,1 1,10000 Semestral 2 0,05 1,10250 Trimestral 4 0,025 1,10381 Mensal 12 0,0083 1,10471 Semanal 52 0,1/52 1,10506 Diário 365 0,1/365 1,10516 Contínuo 1,10517 a O intervalo de tempo é de 1 ano e a taxa de juros é 10%.
9 Séries temporais financeiras Em geral, o valor líquido do ativo A de uma capitalização contínua é A = C exp(r n), sendo r a taxa de juros anual, C o capital inicial, e n o número de anos. Da equação acima, temos que C = A exp( r n), que é referida como o valor presente de um ativo que valha A unidades monetárias em n anos a partir de agora, supondo que a taxa de juros da capitalização contínua seja r por ano.
10 Séries temporais financeiras Retorno de capitalização contínua O logaritmo natural de um retorno bruto simples de um ativo é chamado de retorno de capitalização contínua ou log retorno: sendo p t = ln P t. r t = ln(1 + R t) = ln Pt P t 1 = ln P t ln P t 1 = p t p t 1, (1) Considerando log retornos de vários períodos, temos r t[k] = ln(1 + R t[k]) = ln[(1 + R t)(1 + R t 1) (1 + R t k+1 )] = ln(1 + R t) + ln(1 + R t 1) + + ln(1 + R t k+1 ) = r t + r t r t k+1. O log retorno de vários períodos de capitalização contínua é simplesmente a soma dos log retornos de um período de capitalização contínua. Propriedades estatísticas dos log retornos são mais tratáveis.
11 Séries temporais financeiras Exemplo: Se o log retorno mensal de um ativo é de 4, 46%, então o retorno simples mensal correspondente é 100[exp(4, 46/100) 1] = 4, 56%. Utilizamos r t = 100 ln ( ) 1 + Rt 100 quando R t está descrito em porcentagem. R t = 100 (exp(r t/100) 1), Se os log retornos mensais de um ativo dentro de um trimestre são 4, 46%, 7, 34% e 10, 77% respectivamente, então o log retorno trimestral de um ativo é (4, 46 7, , 77)% = 7, 89%. Utilizamos r t[3] = r t + r t 1 + r t 2.
12 Momentos ordinários: m l = E(X l ) = Definimos µ x = m 1 = E(X) como a média. Momentos centrais: m l = E[(X µ x) l ] = x l f (x)dx. (x µ x) l f (x)dx. Definimos σ 2 x = m 2 = E[(X µ x) 2 ] como a variância.
13 O coeficiente de assimetria é definido por [ ] (X µx) 3 S(X) = E e o coeficiente de curtose por [ ] (X µx) 4 K(X) = E. σ 3 x σ 4 x A quantidade K(X) 3 é chamada de excesso de curtose porque K(X) = 3 para a distribuição normal. Uma distribuição com excesso de curtose positivo é dita ter caudas pesadas (leptocúrtica). Uma distribuição com excesso de curtose negativo é dita ter caudas leves (platicúrtica).
14 Momentos amostrais Suponha que {x 1, x 2,..., x T } seja uma amostra aleatória de X com T observações. Média amostral: ˆµ x = 1 T x t. T t=1 Variância amostral: ˆσ 2 x = 1 T 1 T (x t ˆµ x) 2. 1 O coeficiente de assimetria amostral: Ŝ(X) = (T 1)ˆσ x 3 O coeficiente de curtose amostral: ˆK(X) = 1 (T 1)ˆσ x 4 t=1 T (x t ˆµ x) 3. t=1 T (x t ˆµ x) 4. t=1
15 Sob a hipótese de normalidade, Ŝ(X) N (0, 6/T ) e ˆK(X) N (0, 24/T ). Estas aproximações para T grande podem ser utilizadas para testar a hipótese de normalidade dos retornos de um ativo. Dado uma série de retornos de um ativo {r 1, r 2,..., r T }, para testar a assimetria dos retornos, consideramos H 0 : S(r) = 0 H A : S(r) 0. A estatística da razão-t da assimetria amostral é t = Ŝ(r) 6/T N (0, 1). Rejeitamos H 0 ao nível α de significância se t > z α/2, sendo z α/2 o percentil 100(1 α/2) da distribuição normal padrão.
16 Para testar o excesso de curstose dos retornos, consideramos H 0 : K(r) 3 = 0 H A : K(r) 3 0. A estatística da razão-t da assimetria amostral é t = ˆK(r) 3 24/T N (0, 1). Rejeitamos H 0 ao nível α de significância se t > z α/2, sendo z α/2 o percentil 100(1 α/2) da distribuição normal padrão. Temos também o teste de Jarque e Bera para normalidade com JB = Ŝ2 (r) 6/T + ( ˆK(r) 3) 2 χ /T Rejeitamos H 0 (normalidade) se JB > χ 1 α, sendo χ 1 α o percentil 100(1 α) da distribuição χ 2 2. Mostrar exemplo no R: descritiva.r
17 Aplicação 1 O conjunto de dados reais que trabalharemos contém 10 fundos atuariais brasileiros. Temos disponíveis os preços semanais para o período de janeiro de 2004 a agosto de 2011, totalizando 245 observações. Safra: Safra Index 10 CEF_P: Caixa Patrimônio FIC Renda Fixa LP CEF_C: Caixa Patrimônio FIC Renda Fixa LP IB_FIC: IB Inflation Index FIC Renda Fixa Unibanco: Unibanco Indice de Preços FIC Renda Fixa Paribas: BNP Paribas Inflação FI Renda Fixa BB_F: BB Atuarial FI Renda Fixa LP I BB_A: BB Fachesf Atuarial FI Renda Fixa Western: Western Asset Inflation FI Referenciado IGP-M LeggM: Legg Mason Price FIC Referenciado Renda Fixa Mostrar exemplo no R: aplicacao_01.r 1 Os dados foram gentilmente cedidos por Reinaldo A. Marques. Marques, Pizzinga e Vereda (2012), Restricted Kalman Filter Applied to Dynamic Style Analysis of Actuarial Funds, Applied Stochastic Models in Business and Industry.
18 Distribuição dos retornos A forma geral do modelo dos log retornos de um ativo, {r t; t = 1,..., T }, é sua função de distribuição conjunta: sendo F r (r 1, r 2,..., r T Y, θ) Y um vetor de estados consistindo de variáveis que resumem o ambiente em que os retornos do ativo foram determinando, e θ o vetor de parâmetros que determina unicamente a função de distribuição F r (.). É possível generalizar F r (.) para vários log retornos de diferentes ativos.
19 Para um determinado ativo, podemos escrever ainda F r (r 1, r 2,..., r T ) = F r (r 1)F r (r 2 r 1) F r (r T r 1, r 2,..., r T 1 ) T = F r (r 1) F r (r t r 1, r 2,..., r t 1) sendo o vetor de parâmetros θ omitido na notação. Para distribuições contínuas temos T f r (r 1, r 2,..., r T ) = f r (r 1) f r (r t r 1, r 2,..., r t 1) t=2 t=2 sendo o vetor de parâmetros θ omitido na notação.
20 Função de verossimilhança dos retornos Sejam {r 1,..., r T } os log retornos de um ativo. Então, supondo distribuições condicionais normais, temos T { } f (r 1,..., r T θ) = f (r 1 θ) (2πσt 2 ) 1/2 exp 1 (r 2σt 2 t µ t) 2 t=2 sendo µ t e σt 2 a média e a variância condicional respectivamente, ambas dependendo de θ. O logaritmo da função de verossimilhança é dado por ln f (r 1,..., r T θ) = ln f (r 1 θ) T 1 2 ln(2π) 1 2 Mostrar exemplo no R (dados do IBOVESPA): aplicacao_02.r T [ ] ln σt (r σt 2 t µ t) 2. t=2
21 Volatilidade Além dos retornos de um ativo, vamos considerar também: A volatilidade deste ativo; O processo de volatilidade foca na evolução da variância condicional dos retornos através do tempo. Tem papel importante na precificação de opções e na gestão de riscos. Veja e analise os gráficos dos retornos do IBOVESPA mostrados no R. Exercício Analise os seguintes conjuntos de dados e compare com o IBOVESPA: 1. Preços da Petrobas PN (em petr4_sa.csv); e 2. Preços da Vale PNA EDJ N1 (em vale5_sa.csv). Note que só dispomos dos preços a partir de janeiro de Em ambos os casos, utilize os preços de fechamento.
Econometria 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 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 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 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 maisAnálise de séries temporais financeiras
Séries Temporais Financeiras Aula -1 Análise de séries temporais financeiras Em princípio, não haveria diferenças entre a análise de séries temporais financeiras e aquelas ocorrendo em outras áreas, como
Leia maisANÁLISE DE REGRESSÃO. Ralph S. Silva. Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro
ANÁLISE DE REGRESSÃO Ralph S. Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Referências Referências (livros) A Modern Approach to Regression
Leia mais'HVFULomRH$QiOLVH([SORUDWyULDGRV'DGRV
69 'HVFULomRH$QiOLVH([SORUDWyULDGRV'DGRV O presente capítulo objetiva entender o comportamento das séries de retorno financeiras para as carteiras de investimento elaboradas no capítulo anterior. Tal análise
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 maisCONHECIMENTOS ESPECÍFICOS
fonte de graus de soma de quadrado variação liberdade quadrados médio teste F regressão 1 1,4 1,4 46,2 resíduo 28 0,8 0,03 total 2,2 A tabela de análise de variância (ANOVA) ilustrada acima resulta de
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário (bootstrap) Este método foi proposto por Efron
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 maisModelos 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 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 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 Referências
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 maisInferências sobre o vetor de Média. (Johnson & Wichern, Cap. 5) Considere o problema univariado no qual temse uma amostra aleatória de tamanho n da
Inferências sobre o vetor de Média (Johnson & Wichern, Cap. 5) Considere o problema univariado no qual temse uma amostra aleatória de tamanho n da distribuição N(µ, σ 2 ), em que ambos os parâmetros 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 Motivação Motivação Por
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 maisCapítulo 4 Inferência Estatística
Capítulo 4 Inferência Estatística Slide 1 Resenha Intervalo de Confiança para uma proporção Intervalo de Confiança para o valor médio de uma variável aleatória Intervalo de Confiança para a diferença de
Leia maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2014
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2014 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:
Leia maisAnálise de Regressão EST036
Análise de Regressão EST036 Michel Helcias Montoril Instituto de Ciências Exatas Universidade Federal de Juiz de Fora Distribuição beta não central; Coef. de determinação; Quando X for aleatório. Distribuição
Leia maisMAE Introdução à Probabilidade e Estatística II Resolução Lista 5
MAE 229 - Introdução à Probabilidade e Estatística II Resolução Lista 5 Professor: Pedro Morettin e Profa. Chang Chian Exercício 1 (a) De uma forma geral, o desvio padrão é usado para medir a dispersão
Leia maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2018
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2018 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS As variáveis aleatórias X e Y seguem uma distribuição de Bernoulli com probabilidade de sucesso igual a 0,4. Considerando S = X + Y e que os eventos aleatórios A = [X = 1] e B
Leia maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2017
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2017 Análise de desempenho São disponíveis duas abordagens para realizar a análise de desempenho:
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 maisCap. 8 - Intervalos Estatísticos para uma Única Amostra
Intervalos Estatísticos para ESQUEMA DO CAPÍTULO 8.1 INTRODUÇÃO 8.2 INTERVALO DE CONFIANÇA PARA A MÉDIA DE UMA DISTRIBUIÇÃO NORMAL, VARIÂNCIA CONHECIDA 8.3 INTERVALO DE CONFIANÇA PARA A MÉDIA DE UMA DISTRIBUIÇÃO
Leia maisAnálise de Séries Temporais Financeiras
Universidade Federal do Rio de Janeiro Análise de Séries Temporais Financeiras Ricardo Cunha Pedroso 2015 Análise de Séries Temporais Financeiras Ricardo Cunha Pedroso Projeto Final de Conclusão de Curso
Leia maisMatemática Aplicada à Economia LES 201. Aulas 19 e 20 Funções exponenciais e logarítmicas. Luiz Fernando Satolo
Matemática Aplicada à Economia LES 201 Aulas 19 e 20 Funções exponenciais e logarítmicas Luiz Fernando Satolo Funções Exponenciais e Logaritmicas Chiang, cap. 10 Funções exponenciais e logarítmicas várias
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 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 maisAnálise da Regressão múltipla: MQO Assintótico y = β 0 + β 1 x 1 + β x +... β k x k + u 3. Propriedades assintóticas Antes, propriedades sobre amostra
Análise da Regressão múltipla: MQO Assintótico Capítulo 5 do Wooldridge Análise da Regressão múltipla: MQO Assintótico y = β 0 + β 1 x 1 + β x +... β k x k + u 3. Propriedades assintóticas Antes, propriedades
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 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 maisComparação entre intervalos de confiança calculados com métodos bootstrap e intervalos assintóticos
Comparação entre intervalos de confiança calculados com métodos strap e intervalos assintóticos Selene Loibel Depto. de Estatística, Matemática Aplicada e Computação, IGCE, UNESP, Rio Claro, SP E-mail:sloibel@rc.unesp.br,
Leia maisSUMÁRIO. 1.1 Introdução, Conceitos Fundamentais, 2
SUMÁRIO 1 CONCEITOS BÁSICOS, 1 1.1 Introdução, 1 1.2 Conceitos Fundamentais, 2 1.2.1 Objetivo, 2 1.2.2 População e amostra, 2 1.3 Processos estatísticos de abordagem, 2 1.4 Dados estatísticos, 3 1.5 Estatística
Leia mais3 Modelo estocástico para os fatores de risco
Modelo estocástico para os fatores de risco 35 3 Modelo estocástico para os fatores de risco 3.1. Conceitos básicos Um dos principais problemas de um ALM é a modelagem da incerteza sobre os valores futuros
Leia maisNOTAS DE AULA. Medidas Descritivas. Prof.: Idemauro Antonio Rodrigues de Lara
1 NOTAS DE AULA Medidas Descritivas Prof.: Idemauro Antonio Rodrigues de Lara 2 PRINCIPAIS MEDIDAS DESCRITIVAS 1. Medidas de tendência central 1.1 Média 1.2 Mediana 1.3 Moda 2. Medidas de dispersão 2.1
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 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 maisEstatística Descritiva
Estatística Descritiva Prof. Henrique Dantas Neder Instituto de Economia Universidade Federal de Uberlândia Typeset by FoilTEX 1 Tópicos introdutórios A estatística descritiva trata dos métodos estatísticos
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 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 maisEstimação e Testes de Hipóteses
Estimação e Testes de Hipóteses 1 Estatísticas sticas e parâmetros Valores calculados por expressões matemáticas que resumem dados relativos a uma característica mensurável: Parâmetros: medidas numéricas
Leia maisProbabilidade e Estatística. Estimação de Parâmetros Intervalo de Confiança
Probabilidade e Estatística Prof. Dr. Narciso Gonçalves da Silva http://páginapessoal.utfpr.edu.br/ngsilva Estimação de Parâmetros Intervalo de Confiança Introdução A inferência estatística é o processo
Leia maisValue-at-Risk: Overview. Análise de Risco (1) R.Vicente mpmmf
Value-at-Risk: Overview Análise de Risco () R.Vicente mpmmf Resumo Objetivos Definição Esquema Geral Dinâmica de Preços Passeio Aleatório Discreto Somas de Variáveis Aleatórias Teorema Central do Limite
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 maisCÁLCULO I Prof. Marcos Diniz Prof. André Almeida Prof. Edilson Neri Júnior
Objetivos da Aula CÁLCULO I Prof. Marcos Diniz Prof. André Almeida Prof. Edilson Neri Júnior Aula n o 4: Aproximações Lineares e Diferenciais. Regra de L Hôspital. Definir e calcular a aproximação linear
Leia maisUNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ CAMPUS PONTA GROSSA METROLOGIA II
METROLOGIA II Professor: Eng. PAULO ROBERTO CAMPOS ALCOVER JUNIOR Curso de Tecnologia em Fabricação Mecânica 2 Período ; ; ; ; ;. 2 : Definições de Estatística; Conceitos Básicos; Medidas Descritivas:
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 mais3 Metodologia Objetivo da análise
3 Metodologia 3.1. Objetivo da análise Esse trabalho tem como objetivo comparar os prêmios de referência da BM&F Bovespa para as opções de dólar e de futuro de Ibovespa, disponíveis a cada data analisada,
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 maisAnálise de Séries Temporais. Modelos estacionários Processos puramente aleatórios, AR(p), MA(q) ARIMA(p,q)
UNIVERSIDADE DE SÃO PAULO Faculdade de Economia, Administração e Contabilidade de Ribeirão Preto Análise de Séries Temporais. Modelos estacionários Processos puramente aleatórios, AR(p), MA(q) ARIMA(p,q)
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 maisModelos de Regressão Linear Simples - parte I
Modelos de Regressão Linear Simples - parte I Erica Castilho Rodrigues 19 de Agosto de 2014 Introdução 3 Objetivos Ao final deste capítulo você deve ser capaz de: Usar modelos de regressão para construir
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 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 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 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 maisFICHA DE DISCIPLINA/PROGRAMA
Programa de Pós-Graduação em Economia Mestrado/Doutorado Av. João Naves de Ávila, nº 2121 Campus Stª Mônica Bloco J. CEP 38.400-902 Uberlândia/MG. Telefax: (034) 3239-4315 E-Mail: ppge@ufu.br FICHA DE
Leia maisAnálise Exploratória e Estimação PARA COMPUTAÇÃO
Análise Exploratória e Estimação MONITORIA DE ESTATÍSTICA E PROBABILIDADE PARA COMPUTAÇÃO Médias Média Aritmética (valor médio de uma distribuição) n x = 1 n i=1 x i = 1 n x 1 + + x n Média Aritmética
Leia maisTestes de Hipóteses para. uma Única Amostra. Objetivos de Aprendizagem. 9.1 Teste de Hipóteses. UFMG-ICEx-EST-027/031 07/06/ :07
-027/031 07/06/2018 10:07 9 ESQUEMA DO CAPÍTULO 9.1 TESTE DE HIPÓTESES 9.2 TESTES PARA A MÉDIA DE UMA DISTRIBUIÇÃO NORMAL, VARIÂNCIA CONHECIDA 9.3 TESTES PARA A MÉDIA DE UMA DISTRIBUIÇÃO NORMAL, VARIÂNCIA
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 maisEES-20: Sistemas de Controle II. 20 Novembro 2017
EES-20: Sistemas de Controle II 20 Novembro 2017 1 / 57 Recapitulando: Filtro de Kalman para sistema de 1a ordem Foi considerado o caso de estado x[k] escalar, com G = 1 e C = 1, por simplicidade: Equação
Leia maisRELATÓRIO DE GESTÃO DE INVESTIMENTOS ABRIL DE 2017
RELATÓRIO DE GESTÃO DE INVESTIMENTOS ABRIL DE 2017 As informações utilizadas neste relatório de gestão de investimento são obtidas pelos extratos oficiais das instituições financeiras em que o RPPS aloca
Leia maisResolução da Prova de Matemática Financeira e Estatística do ISS Teresina, aplicada em 28/08/2016.
de Matemática Financeira e Estatística do ISS Teresina, aplicada em 8/08/016. 11 - (ISS Teresina 016 / FCC) Joana aplicou todo seu capital, durante 6 meses, em bancos ( e Y). No Banco, ela aplicou 37,5%
Leia mais4 Distribuição normal assimétrica
4 Distribuição normal assimétrica A grande motivação para a definição da distribuição normal assimétrica é obter uma classe de distribuições paramétricas que apresente uma transição contínua da normalidade
Leia mais5 MEDIDAS DE RISCO 5.1 INTRODUÇÃO
5 MEDIDAS DE RISCO 5.1 INTRODUÇÃO Neste capítulo, são apresentadas as medidas de risco usadas no setor elétrico e em finanças, analisando as propriedades da definição de medida de risco coerente [30].
Leia maisMAB-515 Avaliação e Desempenho (DCC/UFRJ)
MAB-515 Avaliação e Desempenho (DCC/UFRJ) Aula 7: Intervalos de Confiança 13 de novembro de 2012 1 2 3 4 Percentil 100p%-percentil O ponto t 0 tal que t 0 = F 1 X (p) = min{t : F X (t) p}, 0 < p < 1 é
Leia maisASSIMETRIA E CURTOSE
ASSIMETRIA E CURTOSE Lucas Santana da Cunha email: lscunha@uel.br Universidade Estadual de Londrina 11 de maio de 2016 Assimetria Numa distribuição estatística, a assimetria é o quanto sua curva de frequência
Leia maisTestes de Hipóteses Paramétricos
Testes de Hipóteses Paramétricos Carla Henriques Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução Exemplos Testar se mais de metade da população irá consumir um novo produto
Leia maisMAE Introdução à Probabilidade e Estatística II Resolução Lista 4
MAE 9 - Introdução à Probabilidade e Estatística II Resolução Lista 4 Professor: Pedro Morettin e Profa. Chang Chian Exercício 1 Antes de testar se a produtividade média dos operários do período diurno
Leia maisTiago Viana Flor de Santana
ESTATÍSTICA BÁSICA DISTRIBUIÇÃO NORMAL DE PROBABILIDADE (MODELO NORMAL) Tiago Viana Flor de Santana www.uel.br/pessoal/tiagodesantana/ tiagodesantana@uel.br sala 07 Curso: MATEMÁTICA Universidade Estadual
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 maisDisciplina de Modelos Lineares Professora Ariane Ferreira
Disciplina de Modelos Lineares 2012-2 Regressão Logística Professora Ariane Ferreira O modelo de regressão logístico é semelhante ao modelo de regressão linear. No entanto, no modelo logístico a variável
Leia maisDistribuições derivadas da distribuição Normal. Distribuição Normal., x real.
Distribuições derivadas da distribuição Normal Distribuição Normal Uma variável aleatória X tem distribuição normal com parâmetros µ e σ, quando sua densidade de probabilidade é f ( x) π σ e ( x µ ) σ,
Leia maisANÁLISE DA SENSIBILIDADE DOS TESTES DE NORMALIDADE DE JARQUE-BERA E LILLIEFORS EM MODELOS DE REGRESSÃO LINEAR
ANÁLISE DA SENSIBILIDADE DOS TESTES DE NORMALIDADE DE JARQUE-BERA E LILLIEFORS EM MODELOS DE REGRESSÃO LINEAR Marcelo Rodrigo Portela FERREIRA 1 RESUMO: Uma das suposições feitas acerca do modelo de regressão
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 maisModelos de Regressão Linear Simples parte I
Modelos de Regressão Linear Simples parte I Erica Castilho Rodrigues 27 de Setembro de 2017 1 2 Objetivos Ao final deste capítulo você deve ser capaz de: Usar modelos de regressão para construir modelos
Leia maisTestes de Hipóteses Paramétricos
Testes de Hipóteses Paramétricos Departamento de Matemática Escola Superior de Tecnologia de Viseu (DepMAT ESTV) Testes de Hipóteses Paramétricos 1 / 41 Introdução. Hipóteses Estatísticas. Erro Tipo I
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 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 maisContabilometria. Prof.: Patricia Maria Bortolon, D. Sc.
Contabilometria Prof.: Patricia Maria Bortolon, D. Sc. Intervalos de Confiança Fonte: LEVINE, D. M.; STEPHAN, D. F.; KREHBIEL, T. C.; BERENSON, M. L.; Estatística Teoria e Aplicações, 5a. Edição, Editora
Leia maisUnidade IV Inferência estatística
6//5 Unidade IV Inferência estatística 4.. Introdução e histórico 4.. Conceitos fundamentais 4.3. Distribuições amostrais e Teorema central do limite 4.4. Estimação de parâmetros 4.5. Testes de hipóteses
Leia maisO método dos mínimos quadrados: análise de regressão
O métodos dos mínimos quadrados é um método famoso para lidar com dados ruidosos. Sua justificativa segue diretamente do método da máxima verossimilhança. Para Y i dados medidos en valores das variável
Leia mais9DOXHDW5LVNHUHWRUQRGHXPLQYHVWLPHQWR
9DOXHDWLVNHUHWRUQRGHXPLQYHVWLPHQWR O Value at Risk (VaR) é um método de mensuração de risco de mercado que utiliza técnicas estatísticas amplamente difundidas. De outra forma o VaR mede a pior perda esperada
Leia maisRalph S. Silva
ANÁLISE ESTATÍSTICA MULTIVARIADA Ralph S. Silva http://www.im.ufrj.br/ralph/multivariada.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário
Leia maisAula 00 Aula Demonstrativa
Aula 00 Modelos de questões comentadas CESPE-UnB... 3 Relação das questões comentadas... 12 Gabaritos... 13 1 Olá, pessoal. Como vocês já sabem, saiu o edital para o concurso do TCE-SC. Esta é a aula demonstrativa
Leia maisCÁLCULO I Prof. Edilson Neri Júnior Prof. André Almeida
CÁLCULO I Prof. Edilson Neri Júnior Prof. André Almeida Aula n o 2: Aproximações Lineares e Diferenciais Objetivos da Aula Definir e calcular a aproximação linear de uma função derivável; Conhecer e determinar
Leia maismat.ufrgs..ufrgs.br br/~viali/ mat.ufrgs..ufrgs.br
Prof. Lorí Viali, Dr. http://www. ://www.mat mat.ufrgs..ufrgs.br br/~viali/ viali@mat mat.ufrgs..ufrgs.br Média Uma amostra Proporção Variância Dependentes Diferença de médias m Duas amostras Independentes
Leia maisModelagem do comportamento da variação do índice IBOVESPA através da metodologia de séries temporais
Modelagem do comportamento da variação do índice IBOVESPA através da metodologia de séries temporais João Eduardo da Silva Pereira (UFSM) jesp@smail.ufsm.br Tânia Maria Frighetto (UFSM) jesp@smail.ufsm.br
Leia maisPode-se definir Value at Risk[28], VaR, como a perda máxima (ou pior perda) num determinado período de tempo a um nível de confiança
4 Aplicações 4.1 Introdução A idéia deste capítulo é explicitar a metodologia utilizada para a avaliação dos modelos SV frente ao modelo GARCH(1,1 ). Para tal, apresenta-se a definição de Value at Risk,
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 maisUNIVERSIDADE FEDERAL DA PARAÍBA MEDIDAS DESCRITIVAS Departamento de Estatística Luiz Medeiros http://www.de.ufpb.br/~luiz/ As medidas de posição apresentadas fornecem a informação dos dados apenas a nível
Leia maisReinaldo Antônio Gomes Marques. Filtro de Kalman restrito na análise de estilo semi-forte de fundos atuariais. Dissertação de Mestrado
Reinaldo Antônio Gomes Marques Filtro de Kalman restrito na análise de estilo semi-forte de fundos atuariais Dissertação de Mestrado Dissertação apresentada como requisito parcial para obtenção do título
Leia maisINTRODUÇÃO. Exemplos. Comparar três lojas quanto ao volume médio de vendas. ... ANÁLISE DE VARIÂNCIA. Departamento de Matemática ESTV.
INTRODUÇÃO Exemplos Para curar uma certa doença existem quatro tratamentos possíveis: A, B, C e D. Pretende-se saber se existem diferenças significativas nos tratamentos no que diz respeito ao tempo necessário
Leia maisTestes de Hipótese para uma única Amostra - parte II
Testes de Hipótese para uma única Amostra - parte II 2012/02 1 Teste para média com variância conhecida 2 3 Objetivos Ao final deste capítulo você deve ser capaz de: Testar hipóteses para média de uma
Leia maisModelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência
Modelos Lineares Generalizados - Modelos log-lineares para tabelas de contingência Erica Castilho Rodrigues 12 de Agosto 3 Vimos como usar Poisson para testar independência em uma Tabela 2x2. Veremos
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 mais