Bacen2010 Aula

CURSO ON-LINE ECONOMETRIA PARA ANALISTA DO BACEN PROFESSORES: ALEXANDRE DE LIMA E ANDR CUNHA
PONTO DOS CONCURSOS
Econometria BACEN
Aula 2
Alexandre Barbosa de Lima e Andr Cunha 18/12/2009
Este documento aborda os seguintes tpicos: correlao, covarincia, esperanas de uma combinao linear de variveis aleatrias e regresso linear.
CURSO ON-LINE ECONOMETRIA PARA ANALISTA DO BACEN PROFESSORES: ALEXANDRE DE LIMA E ANDR CUNHA 2 Caro concursando(a), H uma mxima bastante conhecida que diz o seguinte: o mapa no o territrio. Ela se aplica ao planejamento de um curso, que algo dinmico, no esttico. Nesse esprito, decidimos alterar levemente o plano de ensino proposto na Aula 0, com o intuito de balancear um pouco mais o contedo do curso ao longo das semanas. Segue-se abaixo o novo Plano de Ensino proposto para este curso distncia de Econometria.
PLANO DE ENSINO
Aula Data Contedo 0 02/12 INTRODUO. Introduo Econometria. A natureza da anlise de regresso. 1 14/12 NOES DE PROBABILIDADE E ESTATSTICA. Introduo teoria da probabilidade, variveis aleatrias, esperanas matemticas e distribuies de probabilidade. 2 18/12 CORRELAO E REGRESSO. correlao, covarincia, esperanas de uma combinao linear de variveis aleatrias e introduo regresso linear. 3 23/12 REGRESSO LINEAR SIMPLES. Especificao e estimao do modelo de regresso linear simples. 4 25/12 INTRODUO AOS PROCESSOS ESTOCSTICOS. Processos aleatrios de tempo contnuo e de tempo discreto: definio, exemplos. Especificao de um processo estacionrio. Propriedades da funo de autocovarincia. Ergodicidade. Rudo branco. Processos lineares estacionrios: processos auto-regressivos (AR), processos de mdias mveis (MA) e processos autoregressivos e de mdia mveis (ARMA). Processos no estacionrios. Processos auto-regressivos integrados de mdia mveis (ARIMA). 5 30/12 INFERNCIAS NO MODELO DE REGRESSO LINEAR SIMPLES. Estimao de intervalos de confiana, testes de hipteses, anlise de varincia e previso. 6 01/01 NOES DE ANLISE DE SRIES TEMPORAIS. Sries financeiras. Anlise linear de sries temporais: modelagem AR, MA, ARMA e ARIMA. Metodologia de BoxJenkins. Razes unitrias. TPICOS AVANADOS EM SRIES TEMPORAIS. Vetor Auto-Regressivo (VAR), Cointegrao. 7 08/01 REGRESSO LINEAR MLTIPLA. Especificao e estimao do modelo de regresso linear mltipla. 8 15/01 INFERNCIAS NO MODELO DE REGRESSO LINEAR
Alexandre/Andr
www.pontodosconcursos.com.br
BACEN 2k9
CURSO ON-LINE ECONOMETRIA PARA ANALISTA DO BACEN PROFESSORES: ALEXANDRE DE LIMA E ANDR CUNHA 3 9 MLTIPLA. 22/01 MODELOS ECONOMTRICOS DINMICOS: com variveis defasadas, nmeros ndice. Modelos
Alexandre/Andr
BACEN 2k9
CURSO ON-LINE ECONOMETRIA PARA ANALISTA DO BACEN PROFESSORES: ALEXANDRE DE LIMA E ANDR CUNHA 4
Contedo
1. 1.1. Esperanas Envolvendo Duas ou Mais Variveis Aleatrias.......... 5 Correlao e Covarincia .................................................................... 5 1.2. Mdia e Varincia de Uma Combinao Linear de Variveis Aleatrias ................................................................................................................ 12 2. 2.1. 2.2.
2.2.1.
Regresso ....................................................................................................... 13 Idias Fundamentais .......................................................................... 13 Regresso Linear Simples ................................................................ 15

Pressupostos do Modelo de Regresso Linear Simples .................. 21
3. 4. 5.
Exerccios de Fixao.................................................................................. 24 GABARITO ....................................................................................................... 30 Resoluo dos Exerccios de Fixao ................................................... 31
Alexandre/Andr
BACEN 2k9
CURSO ON-LINE ECONOMETRIA PARA ANALISTA DO BACEN PROFESSORES: ALEXANDRE DE LIMA E ANDR CUNHA 5
1.
Esperanas Envolvendo Duas ou Mais Variveis Aleatrias
Conforme visto na aula passada, muito comum estarmos interessados no comportamento conjunto de duas ou mais variveis aleatrias. Apresentamos para vocs os conceitos de funes de probabilidade conjunta, marginal e condicional para variveis discretas e contnuas. Tambm estudamos a noo de independncia entre variveis aleatrias. Nesta aula, daremos continuidade ao estudo da associao entre variveis. Frequentemente, pesquisadores e usurios da Estatstica esto interessados em saber se existe uma associao entre duas variveis. Em economia, interessa-nos, em geral, investigar relaes entre variveis econmicas. Por exemplo: quo estreitamente caminham duas variveis preo? Veremos que os conceitos de covarincia e correlao nos ajudam a responder a essa pergunta. 1.1. Correlao e Covarincia Considere, por exemplo, uma amostra de dez pessoas adultas, do sexo masculino, e sejam a altura (cm) e o peso (kg) dessas pessoas denotadas por X e Y, respectivamente. Para cada elemento da amostra, temos um par ordenado (x, y). Teremos ento n = 10 pares de valores das duas variveis, que podero ser plotados em um diagrama cartesiano bidimensional denominado diagrama de disperso. Tabela 1 Altura (cm) 174 161 171 181 182 165 155 168 176 175
Pessoa 1 2 3 4 5 6 7 8 9 10
Peso (kg) 74 68 63 92 80 73 61 64 90 81
Alexandre/Andr
BACEN 2k9
CURSO ON-LINE ECONOMETRIA PARA ANALISTA DO BACEN PROFESSORES: ALEXANDRE DE LIMA E ANDR CUNHA 6 Vamos supor que tenham sido obtidos os valores apresentados na Tabela 1. O diagrama de disperso correspondente o da Fig. 1. A vantagem do diagrama de disperso est em que, muitas vezes, sua simples observao j nos d uma boa idia de como as duas variveis se correlacionam, isto , qual a tendncia de variao conjunta que apresentam.
Figura 1: diagrama de disperso para os dados da Tab. 1. Observando o diagrama de disperso da Fig. 1 com ateno, constatamos que existe, para maiores valores de X (altura), uma tendncia a obtermos maiores valores de Y (peso) e vice-versa. Quando isso ocorre, diz-se que h correlao linear positiva. Entretanto, tambm podemos ter casos em que o diagrama de disperso apresenta o aspecto da Fig. 2, indicando que, para maiores valores de X, a tendncia observarem-se menores valores de Y e vice-versa. Diz-se que nesse caso a correlao negativa. Por
Alexandre/Andr BACEN 2k9
CURSO ON-LINE ECONOMETRIA PARA ANALISTA DO BACEN PROFESSORES: ALEXANDRE DE LIMA E ANDR CUNHA 7 exemplo, a renda per capita de pases e o ndice de analfabetismo so variveis negativamente correlacionadas.
Figura 2: correlao linear negativa. claro que tambm pode ocorrer das variveis serem no correlacionadas. Neste caso, o aspecto do diagrama de disperso o da Fig. 3. Vimos que o sinal da correlao indica a tendncia da variao conjunta das duas variveis. Alm disso, devemos considerar tambm a intensidade ou o grau da correlao. A correlao linear (em valor absoluto) na Fig. 2 mais intensa do que a da Fig. 1, pois os pontos da Fig. 2 apresentam uma tendncia mais acentuada de se colocarem segundo uma reta.
Alexandre/Andr
BACEN 2k9
CURSO ON-LINE ECONOMETRIA PARA ANALISTA DO BACEN PROFESSORES: ALEXANDRE DE LIMA E ANDR CUNHA 8 Existem outros tipos de correlao alm da linear. Entretanto, no os estudaremos neste curso porque no sero cobrados no concurso.
Figura 3: correlao linear nula. Sejam X e Y variveis aleatrias. Ento a covarincia de X e Y definida por (1) Cov( X , Y ) = E[( X X )(Y Y )] = E[ XY ] XY .
em que X = E[ X ] e Y = E[Y ] . Se X e Y so variveis aleatrias discretas e fXY(xi,yj) sua funo de probabilidade conjunta, a covarincia entre X e Y dada por
Alexandre/Andr
BACEN 2k9
CURSO ON-LINE ECONOMETRIA PARA ANALISTA DO BACEN PROFESSORES: ALEXANDRE DE LIMA E ANDR CUNHA 9 (2)
Cov( X , Y ) = E[( X X )(Y Y )] = [ xi X ][ y j Y ] f XY ( xi , y j ) .

i j
Caso X e Y sejam variveis aleatrias contnuas com funo densidade de probabilidade conjunta f(x,y), a covarincia calculada pela integral dupla

(3)
Cov( X , Y ) =
(x X )( y Y ) f
XY
( x, y )dxdy .
A covarincia uma medida da intensidade e do sinal da correlao linear entre duas variveis. Suponha que tenhamos uma amostra de n pares ordenados (x, y). Neste caso, a covarincia pode ser estimada pela estatstica
(4)
s xy =
(x
i =1
x )( yi y ) n 1
em que x a mdia amostral de X (estimativa de X ) e y a mdia amostral de Y (estimativa de Y ). Note que usamos (n-1) no denominador de (4) ao invs de n porque trata-se do clculo da covarincia de uma amostra de n pares ordenados. Observe que a covarincia depende das unidades de medida das variveis X e Y. Percebe-se mais claramente o significado da covariao dividindo-se a covarincia entre X e Y por seus respectivos desvios-padro. Define-se a razo resultante como a correlao entre as variveis aleatrias X e Y, denotada pela letra grega (r) (5)
( X ,Y ) =
Y
cov( X , Y )
XY
. os desvios-padro de X e Y,
em que X e respectivamente.
denotam
A correlao estimada pelo coeficiente de correlao linear de Pearson, ou, simplesmente, coeficiente de correlao, definido por (6)
r=
sxy sx s y
Alexandre/Andr
BACEN 2k9
10
em que s xy a covarincia amostral de X e Y (4), S x a desviopadro amostral de X, definido por
(7)
sx =
(x
i =1
x )2
n 1
e s y a desvio-padro amostral de Y
(8)
Sy =
(y
i =1
y )2
.
n 1
Substituindo (4), (7) e (8) em (6), obtemos
(9)
r=
( x x )( y
i =1 i n n
2
y) =
i
S xy S xx S yy
(x x) ( y
i =1 i i =1
n
y)
n
em que S xy = ( xi x )( yi y ) , S xx = ( xi x ) 2 e S yy = ( yi y ) 2
i =1 i =1 i =1
A representao abreviada dos somatrios de (9) por meio de S xy , S xx e S yy til. No difcil mostrar que
(10)
xi yi S xy = xi yi i i . n i xi 2 S xx = xi i . n i yi 2 S yy = yi i . n i
2 2
(11)
(12)
As frmulas (10), (11) e (12) so importantes para a prova.
Alexandre/Andr
BACEN 2k9
11
Combinando as expresses anteriores, podemos tambm chegar frmula abaixo, para o clculo direto do coeficiente de correlao linear de Pearson:
n xi yi xi yi i i i . 2 2 2 2 n xi xi n yi yi i i i i
(13)
r=
O coeficiente de correlao tem as importantes propriedades de ser adimensional e de variar entre -1 e +1, o que no ocorre com a covarincia. A vantagem de ser adimensional est no fato de seu valor no ser afetado pelas unidades adotadas. Por outro lado, o fato de termos 1 r 1 faz com que um dado valor de r seja facilmente interpretado. Note que r = -1 corresponde ao caso de correlao linear negativa perfeita e r = +1 corresponde ao caso de correlao linear positiva perfeita. O coeficiente de correlao para os dados da Tabela 1 de aproximadamente 0,771 (confira com a sua calculadora ou com algum programa de computador1!). O coeficiente de correlao para os dados da Fig. 2 -0,9854 e igual a 0,0164 para os dados2 da Fig. 3. Este ltimo resultado indica que no h qualquer associao linear entre X e Y (neste caso a covarincia amostral tambm dar prxima de zero). Quanto maior o valor absoluto (ou mdulo) ||, melhor a associao linear entre os valores. Deve-se frisar que um alto valor do coeficiente de correlao, embora estatisticamente significativo, pode no implicar qualquer relao de causa e efeito, mas simplesmente a tendncia de variao conjunta das variveis em questo. Uma importante conseqncia da independncia estatstica a seguinte:
Este valor foi calculado pela funo correlationTest, que faz parte do pacote fBasics para o software R. O pacote fBasics integra o conjunto de pacotes Rmetrics para R. A linguagem de programao R aberta; o programa R pode ser baixado gratuitamente da Internet. Ns estamos usando o R em nossas aulas. Os dados da Fig. 3 foram gerados pelo R utilizando-se o gerador de nmeros aleatrios com distribuio Normal (funo rnorm). Portanto, j espervamos que os dados fossem no correlacionados ( 0).
Alexandre/Andr
BACEN 2k9
12
- se X e Y so variveis aleatrias independentes, ento a covarincia e a correlao entre elas zero (o que indica que no h associao linear entre elas!). Porm, a relao recproca nem sempre verdadeira, ou seja, o fato de as variveis aleatrias serem no correlacionadas no implica necessariamente independncia estatstica. A no correlao entre X e Y implica independncia estatstica SOMENTE quando X e Y so variveis aleatrias conjuntamente normais ou gaussianas3. Ressaltamos que a correlao nula, isto , = 0, significa que no h associao LINEAR entre X e Y. Mesmo que X e Y tenham covarincia zero, elas podem ter uma associao NO LINEAR, como em X 2 + Y 2 = 1 (equao de uma circunferncia centrada em (0,0) e de raio 1). 1.2. Mdia e Varincia Variveis Aleatrias de Uma Combinao Linear de
Sejam X e Y variveis aleatrias e g(X, Y) uma funo dessas variveis. Vamos admitir que essa funo tenha a forma (14)
g ( X , Y ) = aX + bY
em que a e b so constantes. Essa expresso uma combinao linear (ou soma ponderada). A esperana de (14) dada por (15)
E[ g ( X , Y )] = aE[ X ] + bE[Y ] .
A Eq. (15) nos diz que o valor esperado de uma combinao linear de duas variveis aleatrias a combinao linear de seus respectivos valores esperados. Essa regra pode ser generalizada para um nmero arbitrrio de variveis aleatrias, quer elas sejam discretas ou contnuas.
3
Duas variveis aleatrias so conjuntamente normais ou gaussianas quando a sua funo densidade de probabilidade conjunta dada por
f XY ( x, y ) =
1 2 X Y 1 2
2 ( x X )( y Y ) y Y 1 x X 2 + 2 2 (1 ) XY Y X
Note que cinco parmetros esto envolvidos: X , Y , X , Y e . As densidades marginais fX(x) e fY(y) para variveis conjuntamente normais sempre so normais, independentemente do valor de . Entretanto, a recproca no verdadeira: se fX(x) e fY(y) so normais, no se pode concluir que X e Y sejam conjuntamente gaussianas.
Alexandre/Andr
BACEN 2k9
13
As seguintes regras relativas varincia so vlidas: 1. Se X, Y e Z so variveis aleatrias e a, b e c so constantes, ento (16)
var[aX + bY + cZ ] = a 2 var[ X ] + b 2 var[Y ] + c 2 var[Z ] + 2ab cov( X , Y ) + +2ac cov( X , Z ) + 2bc cov(Y , Z )
so independentes ou no
2. Se X, Y e Z correlacionadas (17)
var[aX + bY + cZ ] = a 2 var[ X ] + b 2 var[Y ] + c 2 var[Z ]
Se fizermos a = b= c =1 em (17), obtemos (18)
var[ X + Y + Z ] = var[ X ] + var[Y ] + var[Z ] .
A expresso (18) nos diz que a varincia da soma de variveis aleatrias INDEPENDENTES igual soma das varincias. As regras sobre a varincia de trs variveis aleatrias podem ser generalizadas para n variveis aleatrias.
2.
Regresso
2.1. Idias Fundamentais Vimos at aqui que a anlise de correlao tem como objetivo medir a intensidade ou grau de associao linear entre duas variveis aleatrias. Por exemplo, podemos estar interessados em determinar a correlao existente entre o hbito de fumar e a incidncia de cncer no pulmo, entre as notas das provas de fsica e matemtica do exame vestibular, etc. Por outro lado, na anlise de regresso estamos interessados em estimar ou prever o valor mdio de uma varivel aleatria com base nos valores fixos de outra varivel (varivel explanatria). Repare, portanto, que na anlise de regresso h uma assimetria na maneira como as variveis dependente e explanatria so tratadas. Supe-se que a varivel dependente seja estocstica e que as variveis explicativas tenham valores fixados, isto , sejam no estocsticas.
Alexandre/Andr
BACEN 2k9
14
O problema da regresso consiste em determinar a relao funcional entre as variveis dependente e explicativa. Assim, se os pares ordenados (x,y) se apresentarem como na Fig. 4, admitiremos existir um relacionamento funcional entre os valores de y e x, responsvel pelo aspecto do diagrama e que explica grande parte da variao de y com x. Esse relacionamento funcional corresponderia linha existente na figura, que seria a linha de regresso.
x
Figura 4: linha de regresso.
Uma parcela da variao, contudo, permanece em geral sem ser explicada, e ser atribuda ao acaso. Repare, na Fig. 4, que os valores de y flutuam aleatoriamente em torna da linha de regresso plotada (essa linha deve ser estimada por meio de algum mtodo estatstico). Essa flutuao ou variao em torno da linha de regresso devida existncia de uma variao aleatria adicional, que chamaremos de variao residual. A funo de regresso, portanto, nos d o valor mdio de uma das variveis em funo do . valor observado da outra, isto , E[Y/x] = y
Alexandre/Andr
BACEN 2k9
15
O problema da regresso simplificado quando sabemos de antemo qual a relao funcional ou modelo entre as variveis. Um problema bastante estudado em Econometria a questo da seleo ou identificao do modelo; mas este estudo no interessa a este curso. No estudo que se segue, admitiremos que a forma da linha de regresso seja uma reta. Teremos ento o problema da regresso linear simples. O termo simples significa que temos apenas duas variveis.
2.2. Regresso Linear Simples Seja Y a varivel dependente e X a varivel suposta sem erro, ou seja, no aleatria. A regresso linear simples pressupe que seja adotado o modelo (19)
Y = + X +
em que o intercepto, a declividade e denota a componente aleatria da variao de Y ( uma varivel aleatria). razovel supor que a varivel aleatria tenha mdia nula, a fim de que toda a variao explicada de Y fique em torno da reta de regresso. Isso implica que a reta de regresso fornece a mdia de Y para cada valor de x considerado, como j mencionamos. Uma outra suposio bsica que pode ser adotada a de que a variao residual da varivel Y seja independente de x. Ou seja, usualmente admite-se que a variao de Y em torno da linha terica de regresso pode ser descrita por um desvio-padro residual que independe do ponto em considerao. Por fim, admitiremos que a variao de Y em torno da linha terica de regresso se d segundo distribuies normais independentes, para qualquer valor de x; o que implica dizer que as variaes residuais em relao reta de regresso so independentes e normalmente distribudas4 (vide Fig. 5).
4
Os autores esto cientes do fato de que os resduos (a variao residual ei da Fig. 6 um resduo) do modelo ajustado nem sempre seguem uma distribuio Normal. Neste curso, o importante ter em mente que as variaes residuais em relao reta de regresso so independentes e normalmente distribudas por HIPTESE. Isto no implica dizer que os resduos, DE FATO, sejam normalmente distribudos. Acredite: h muitos dados empricos financeiros que violam a hiptese de normalidade!
Alexandre/Andr
BACEN 2k9
16
x1
x2
Figura 5: variao residual em torno da linha terica de regresso. Suponhamos que a reta estimativa de (19) seja (20)
= a + bx y
denota os valores dados pela reta estimativa, a a em que y estimativa do parmetro , e b , tambm denominado coeficiente de regresso linear, a estimativa do parmetro .
Existem diversos mtodos de estimao da reta de regresso. Podemos at mesmo estimar a reta visualmente. O mtodo de ajuste visual consiste em traar diretamente a reta, com auxlio de
Alexandre/Andr
BACEN 2k9
17
uma rgua, no diagrama de disperso, procurando fazer, da melhor forma possvel, com que essa reta passe por entre os pontos. Esse procedimento, por ser subjetivo, somente ser razovel se a correlao linear for muito forte, caso contrrio levar a resultados pobres. Alm disso, tal procedimento no cientfico. Por outro lado, o ajuste pode ser feito pelo mtodo dos mnimos quadrados, segundo o qual a reta a ser adotada dever ser aquela que torna mnima a soma dos quadrados das distncias da reta aos pontos experimentais (em que a distncia igual ao erro aleatrio no ponto em considerao como ilustrado pela Fig. 6). Ou seja, devemos procurar a reta para a qual se consiga minimizar
e
i =1
2 i
. A idia central desse procedimento simplesmente a
de minimizar a variao residual em torno da reta estimativa.
Figura 6: distncias ei cuja soma dos quadrados deve ser minimizada.
Tendo em vista a expresso (20), devemos, portanto, impor a condio (21)
i ) 2 = min ( yi a bxi ) 2 . min ei2 = min ( yi y

i i i
Alexandre/Andr
BACEN 2k9
18
De acordo com o Clculo (voc lembra daquelas aulas chatas sobre derivada e integral nos dois primeiros anos da faculdade?!), os parmetros a e b que minimizam (21) sero aqueles que anulam as derivadas parciais de (21) (22)
ei2 = 0 a i
ei2 = 0 . b i
No difcil chegar s expresses (23) (24)
2 ( yi a bxi ) = 0 ,
i
2 xi ( yi a bxi ) = 0
i
as quais fornecem o seguinte sistema de duas equaes a duas incgnitas:

n n y na b xi = + i i =1 i =1 n n n xi yi = a xi + b xi2 i =1 i =1 i=1
(25)
Os pontos (x,y) fornecem os elementos para a montagem de (25), cuja soluo forneceria os coeficientes a e b. Entretanto, mais fcil considerar de uma vez a soluo analtica do sistema, segundo a qual
(26)
S xy b= S xx a = y bx
Exemplo 1 [NET02] (adaptado). Determine a equao da reta para os pontos x Y 1 0,5 2 0,6 3 0,9 4 0,8 5 1,2 6 1,5 7 1,7 8 2,0
utilizando o mtodo dos mnimos quadrados. Trace a reta no diagrama de disperso e calcule o coeficiente de correlao linear. A Tabela abaixo contm os valores necessrios para a determinao dos parmetros da reta.
Alexandre/Andr
BACEN 2k9
19
xi
1 2 3 4 5 6 7 8 xi = 36
yi
0,5 0,6 0,9 0,8 1,2 1,5 1,7 2,0 yi = 9,2
xi yi
0,5 1,2 2,7 3,2 6,0 9,0 11,9 16,0 xi yi = 50,5
x2 i
y2 i
1 4 9 16 25 36 49 64 x 2i = 204
0,25 0,36 0,81 0,64 1,44 2,25 2,89 4,00 y 2i = 12,64
Vimos que
xi yi S xy = xi yi i i , n i xi 2 S xx = xi i n i S xy b= S xx a = y bx
Fazendo os clculos, temos que
2
S xy = 50,5
36 9,2 = 9,1 8 36 2 = 42 8
S xx = 204
Logo,
9,1 b= 0,217 42 9,2 36 a = y bx = 0,217 = 0,174 8 8
A equao da reta de mnimos quadrados, dada na Fig. 7
Alexandre/Andr
BACEN 2k9
20
= 0,174 + 0,217 x . y
Para o clculo do coeficiente de correlao, necessrio usar os valores da coluna yi2 da Tabela dada:
yi 2 S yy = yi i n i
9,2 2 S yy = 12,64 2,06 8 r= S xy S xx S yy = 9,1 0,98 42 2,06
Figura 7: regresso linear do Exemplo 1.
Alexandre/Andr
BACEN 2k9
21
O alto valor do coeficiente de correlao linear de Pearson justifica o traado da reta de regresso. 2.2.1. Pressupostos do Modelo de Regresso Linear Simples
Comentamos anteriormente alguns dos pressupostos (ou hipteses bsicas) do modelo de regresso: i) o erro aleatrio tem mdia nula ii) a reta de regresso fornece a mdia de Y para cada valor de x considerado, iii) a variao residual de Y constante com x e iv) a variao de Y em torno da linha terica de regresso se d segundo distribuies normais independentes, para qualquer valor de x, o que implica dizer que as variaes residuais em relao reta de regresso so independentes e normalmente distribudas. Em Econometria, usual formular as hipteses do modelo de regresso em termos do erro aleatrio : 1. o valor de y para cada valor de x,
Y = + X +
2. o valor mdio do erro aleatrio
E ( ) = 0
pois admitimos que
E (Y ) = + x
3. a varincia do erro aleatrio
var( ) = 2 = var(Y )
4. a covarincia entre qualquer par de erros aleatrios i e j
cov( i , j ) = cov(Yi , Y j ) = 0
5. a x no aleatria. 6. A varivel tm distribuio Normal
~ N (0, 2 )
22
Se Y tem distribuio Normal e vice-versa.
Alexandre/Andr
BACEN 2k9
23
Bibliografia [BAR04] BARBETTA, Pedro Alberto; REIS, Marcelo Menezes; BORNIA, Antonio Cezar. Estatstica para Cursos de Engenharia e Informtica. So Paulo: Editora Atlas, 2004. [HIL06] HILL, R. Carter; GRIFFITHS, William E.; JUDGE, George G. Econometria, 2 Edio. So Paulo: Saraiva, 2006. [MAG08] MAGALHES, Marcos N.; LIMA, Antonio Carlos P. de. Noes de Probabilidade e Estatstica. So Paulo: Edusp, 6 Ed. Revista, 2008. [NET02] NETO, Pedro Luiz de Oliveira Costa. Estatstica. So Paulo: Ed. Edgard Blcher Ltda., 2 Ed., 2002. [STA02] STARK, Henry; WOODS, John W. Probability, Random Processes with Applications to Signal Processing. 3rd ed. Prentice Hall, 2002.
Alexandre/Andr
BACEN 2k9
24
3.
Exerccios de Fixao
Julgue os itens a seguir. 1. (AFRF/2009-ESAF) Na anlise de regresso linear simples, as dos parmetros e da reta de regresso e estimativas podem ser obtidas pelo mtodo de Mnimos Quadrados. Nesse caso, os valores dessas estimativas so obtidos atravs de uma amostra de n pares de valores Xi Yi com (i =1, 2, ....,n), obtendo-se: X , onde Y = a estimativa de Yi = + Xi. Para cada par de + Y i i i valores Xi Yi com (i =1, 2, ...,n) pode-se estabelecer o desvio ou resduo aqui denotado por ei entre a reta de regresso Yi e sua . Sabe-se que o Mtodo de Mnimos Quadrados consiste estimativa Y i em adotar como estimativas dos parmetros e os valores que minimizam a soma dos quadrados dos desvios ei. Desse modo, o Mtodo de Mnimos Quadrados consiste em minimizar a expresso dada por: A) B) C) D) E)
X )] [Y (
i =1 n i i
X ] [Y
i =1 n i i i i
[Y ( X )]
i =1 n
[Y
i =1 n
2] Y i ( X i ) 2 ]
[Y
i =1
2. (AFRF/2009-ESAF) A funo densidade de probabilidade de uma varivel aleatria contnua x dada por: f(x) = 3x2, se 1 x 0 0, caso contrrio Para esta funo, a mdia de x, tambm denominada expectncia de x e denotada por E(x) igual a:
Alexandre/Andr
BACEN 2k9
25
A) B) C)
4 3
3 4 3 4
3 .x 4 4 .x 3
D) E)
3. (AFRF/2009-ESAF) A tabela mostra a distribuio de freqncias relativas populacionais (f) de uma varivel X: X 2 1 2 f' 6a 1a 3a
Sabendo que a um nmero real, ento a mdia e a varincia de X so, respectivamente: A) B) C) D) E)
x = 0,5
x2 = 3, 45
x = 0,5 x = 0 x = 0,5 x = 0,5

e
e e e
x2 = 3, 45 x2 = 1 x2 = 3,7 x2 = 3,7
4. Seja a funo densidade de probabilidade f ( x) = 2 x para 0 x 1 e f ( x) = 0 para os demais valores de x. Suponha que X1 e X2 sejam variveis aleatrias independentes, cada uma delas com a funo densidade de probabilidade f(x). Ento podemos afirmar que a funo densidade de probabilidade conjunta f(x1,x2) A) f ( x1 , x 2 ) = 4 x1 x 2 . B) f ( x1 , x2 ) = x1 x2 / 4 contrrio.
Alexandre/Andr
para
0 x1 1
0 x2 1 , e
f ( x1 , x2 ) = 0
caso
BACEN 2k9
26
C) f ( x1 , x2 ) = x1 x2 para 0 x1 1 e 0 x2 1 , e f ( x1 , x2 ) = 0 caso contrrio. D) f ( x1 , x 2 ) = 4 x1 x 2 contrrio. para
0 x1 1
0 x2 1 ,
f ( x1 , x2 ) = 0
caso
E) f ( x1 , x2 ) = 4 x1 / x2 para 0 x1 1 e 0 x2 1 , e f ( x1 , x2 ) = 0 caso contrrio
5. A covarincia entre X e Y A) 1 B) 3 C) 4 D) 12 E) 0 6. Assinale a alternativa correta. A) X e Y no so independentes. B) X e Y so independentes. C) X e Y so correlacionadas. D) X e Y tm distribuio conjuntamente Normal. E) X e Y tm distribuio marginais normais. 7. Admita que X e Y sejam variveis aleatrias independentes. Ento vlida a expresso A) E[ XY ] = E[ X 2 ]E[Y 2 ] B) E[ XY ] = E[ X ]E[Y ] C) E[ XY ] = E[ X ] / E[Y ] D) E[ XY ] = Cov( X , Y ) E) E[ XY ] = ( E[ X ]E[Y ]) 2 8. Podemos afirmar que o valor esperado de X igual a A) / 2 B) 2 C) D) 2 / . E) 0
Alexandre/Andr
BACEN 2k9
27
9. Podemos afirmar que a varincia de X A) / 2 B) 2 / n C) n 2 D) 2 / E) 0 10. (Analista BACEN - rea 3/2006/FCC) Uma empresa, com a finalidade de determinar a relao entre os gastos anuais com propaganda (X), em R$ 1 000,00, e o lucro bruto anual (Y), em R$ 1 000,00, optou por utilizar o modelo linear simples Yi = + X i + i , em que Yi o valor do lucro bruto auferido no ano i, X i o valor gasto com propaganda no ano i e i o erro aleatrio com as respectivas hipteses consideradas para a regresso linear simples ( e so parmetros desconhecidos). Considerou, para o estudo, as seguintes informaes referentes s observaes nos ltimos 10 anos da empresa:
Y
i =1
10
= 100
10
X
i =1 i =1
10
= 60
X Y = 650
i =1 i i
10
X i2 = 400
Y
i =1
10
2
i
= 1.080
Utilizando a equao da reta obtida pelo mtodo dos mnimos quadrados, tem-se que, caso haja um gasto anual com propaganda de 80 mil reais, a previso do lucro bruto anual, em mil reais, ser de A) 84 B) 102,5 C) 121 D) 128,4 E) 158 11. (INDITA) Considere os dados da questo 10. O coeficiente de correlao de A) 0 B) 2,5
Alexandre/Andr
BACEN 2k9
28
C) 1,25 D) 0,88 E) 0,63
Julgue os itens a seguir. 12. Os estimadores de mnimos quadrados so os valores observados de variveis aleatrias. 13. O modelo y = + x 2 + no linear. O enunciado a seguir refere-se s questes de nmeros 14 e 15 ([HIL06], adaptado). O modelo de precificao de ativos de capital (Capital Assets Pricing Model) importante no campo das finanas. Explica variaes na taxa de retorno de um ttulo como funo da taxa de retorno de uma carteira, que consiste em todas as aes comercializadas publicamente; essa carteira chamada carteira de mercado. Em geral, a taxa de retorno de qualquer investimento medida em relao ao seu custo de oportunidade, que o retorno de um ativo sem risco. A diferena resultante denomina-se prmio de risco, j que a recompensa ou o castigo por um investimento arriscado. O CAPM nos diz que o prmio de risco de um ttulo j proporcional ao prmio de risco sobre a carteira de mercado. Ou seja,
r j r f = j (rm r f )
em que r j e r f so os retornos do ttulo j e a taxa livre de risco, respectivamente; rm o retorno da carteira de mercado; e j o valor beta do j-simo ttulo. O valor beta de um ttulo importante para os investidores, porque revela a volatilidade do ttulo. Mede a sensibilidade do retorno do ttulo j variao do mercado de aes como um todo. Como tal, valores de beta inferiores a 1 indicam que a ao defensiva, j que sua variao inferior a do mercado. Um valor beta maior do que 1 indica ao agressiva. Os investidores geralmente querem ter uma estimativa do valor beta de uma ao, antes de adquiri-la. 14. Sobre o CAPM correto afirmar que A) O modelo apresentado no enunciado o modelo econmico nesse caso. Obtm-se o modelo economtrico incluindo-se no modelo um
Alexandre/Andr
BACEN 2k9
29
intercepto j (mesmo que a teoria diga que deve ser zero) e um erro aleatrio , ou seja, r j r f = j + j (rm r f ) + . o modelo economtrico dado por
B) O modelo apresentado no enunciado o modelo economtrico nesse caso. Obtm-se o modelo econmico incluindo-se no modelo um intercepto j (mesmo que a teoria diga que deve ser zero) e um erro aleatrio , ou seja, o modelo economtrico dado por r j r f = j + j (rm r f ) + . C) o modelo no linear. D) o modelo no linear nas variveis. E) O modelo apresentado no enunciado o modelo econmico nesse caso. Obtm-se o modelo economtrico incluindo-se no modelo um intercepto j (mesmo que a teoria diga que deve ser zero):
r j rf = j + j (rm r f ) .
15. Assinale a alternativa correta. A) O modelo economtrico do CAPM um (Autoregressive Conditional Heteroskedasticity). modelo ARCH GARCH
B) O modelo economtrico do CAPM um modelo (Generalized Autoregressive Conditional Heteroskedasticity).
C) o modelo economtrico do CAPM um modelo de regresso simples. D) O modelo economtrico do CAPM um modelo de regresso mltipla. E) O modelo economtrico do CAPM um modelo auto-regressivo (AR).
Alexandre/Andr
BACEN 2k9
30
4.
1B 2C 3A 4D 5E 6A 7B 8C 9B
GABARITO
10 B 11- D 12 ERRADO 13 CERTO 14 A 15 - C
Alexandre/Andr
BACEN 2k9
31
5.
Resoluo dos Exerccios de Fixao
1. (AFRF/2009-ESAF) Na anlise de regresso linear simples, as dos parmetros e da reta de regresso e estimativas podem ser obtidas pelo mtodo de Mnimos Quadrados. Nesse caso, os valores dessas estimativas so obtidos atravs de uma amostra de n pares de valores Xi Yi com (i =1, 2, ....,n), obtendo-se: X , onde Y a estimativa de Yi = + Xi. Para cada par de = + Y i i i valores Xi Yi com (i =1, 2, ...,n) pode-se estabelecer o desvio ou resduo aqui denotado por ei entre a reta de regresso Yi e sua . Sabe-se que o Mtodo de Mnimos Quadrados consiste estimativa Y i em adotar como estimativas dos parmetros e os valores que minimizam a soma dos quadrados dos desvios ei. Desse modo, o Mtodo de Mnimos Quadrados consiste em minimizar a expresso dada por: A) B) C) D) E)
X )] [Y (
i =1 n i i
X ] [Y
i =1 n i i i i
[Y ( X )]
i =1 n
[Y
i =1 n
] Y i
2
[Y
i =1
( X i ) 2 ]
Resoluo A questo forneceu todas as informaes necessrias para a resoluo. Pelo Mtodo dos Mnimos Quadrados temos que minimizar a soma dos quadrados das diferenas entre os valores de Yi e as respectivas , por meio da reta de regresso. Logo teramos: estimativas Y i
X )] = [Y + [Y Y ] = [Y ( X ]
n
i =1
i =1
i =1
Alexandre/Andr
BACEN 2k9
32
Logo alternativa correta a B. O gabarito oficial preliminar indicou a alternativa A, mas est errado. GABARITO: B 2. (AFRF/2009-ESAF) A funo densidade de probabilidade de uma varivel aleatria contnua x dada por: f(x) = 3x2, se 1 x 0 0, caso contrrio Para esta funo, a mdia de x, tambm denominada expectncia de x e denotada por E(x) igual a: A) B) C)
4 3 3 4 3 4 3 .x 4 4 .x 3
D) E)
Resoluo O clculo da esperana E[x] da varivel aleatria contnua x feito pela integrao
E[ X ] = xf ( x)dx .

Observe que a funo densidade de probabilidade nula para x < -1 e x > 0. Logo o limite inferior da integral -1 e o superior 0. Portanto,
E[ X ] = x3 x 2 dx = 3 x 3dx =3 x 3dx .
1 1 1 0 0 0
Como a primitiva da integral

Alexandre/Andr
x3dx x 4 / 4 , temos que

BACEN 2k9
33
(1) 4 x4 3 E[ X ] = 3 = 3 0 = 4 4 1 4
0
GABARITO: C 3. (AFRF/2009-ESAF) A tabela mostra a distribuio de freqncias relativas populacionais (f) de uma varivel X: X 2 1 2 f' 6a 1a 3a
Sabendo que a um nmero real, ento a mdia e a varincia de X so, respectivamente: A) B) C) D) E)
x = 0,5 x = 0,5 x = 0 x = 0,5 x = 0,5

e e e
x2 = 3, 45 x2 = 3, 45 x2 = 1
x2 = 3,7 x2 = 3,7
Resoluo Soma das Freqncias Relativas = 6a + 1a + 3a = 10a = 1. Logo a = 0,1. X f' 2 6a = 6 x 0,1 = 0,6 1 1a = 1 x 0,1 = 0,1 2 3a = 3 x 0,1 = 0,3 Total 1 X.f ' -1,2 0,1 0,6 -0,5 X2.f ' 2,4 0,1 1,2 3,7
Vimos na aula passada que a mdia de uma varivel aleatria discreta calculada pela frmula
E[ X ] = x1 f ( x1 ) + x2 f ( x 2) + ... + xn f ( xn ) = xi f ( xi )
i =1
Para a questo temos
Alexandre/Andr
BACEN 2k9
34
E[ X ] = x1 f ( x1 ) + x2 f ( x 2) + x3 f ( xn ) = 1,2 + 0,1 + 0,6 = 0,5
A varincia dada por
2 var( X ) = X = E[ X 2 ] [ X ]2
sendo que E[ X 2 ] = xi f ( xi ) = 2,4 + 0,1 + 1,2 = 3,7 . Logo

2
i =1
= 3,7 (0,5) = 3,7 0,25 = 3,45 .

2 X 2
GABARITO: A 4. Seja a funo densidade de probabilidade f ( x) = 2 x para 0 x 1 e f ( x) = 0 para os demais valores de x. Suponha que X1 e X2 sejam variveis aleatrias independentes, cada uma delas com a funo densidade de probabilidade f(x). Ento podemos afirmar que a funo densidade de probabilidade conjunta f(x1,x2) A) f ( x1 , x 2 ) = 4 x1 x 2 . B) f ( x1 , x2 ) = x1 x2 / 4 contrrio. D) f ( x1 , x 2 ) = 4 x1 x 2 contrrio. para
0 x1 1
0 x2 1 , e
f ( x1 , x2 ) = 0
caso
C) f ( x1 , x2 ) = x1 x2 para 0 x1 1 e 0 x2 1 , e f ( x1 , x2 ) = 0 caso contrrio. para

0 x1 1
0 x2 1 ,
f ( x1 , x2 ) = 0
caso
E) f ( x1 , x2 ) = 4 x1 / x2 para 0 x1 1 e 0 x2 1 , e f ( x1 , x2 ) = 0 caso contrrio Resoluo Como x1 e x2 so independentes temos que f ( x1 , x2 ) = f ( x1 ) f ( x2 ) . Sabemos que para i= 1,2:
f ( xi ) = 2 xi para 0 xi 1 e f ( xi ) = 0 para os demais valores de xi.

Logo,
f ( x1 , x 2 ) = 4 x1 x 2 para 0 x1 1 e 0 x2 1 , e f ( x1 , x2 ) = 0 caso contrrio.
GABARITO: D
Alexandre/Andr
BACEN 2k9
35
O enunciado a seguir refere-se s questes de nmeros 5 e 6 ([HIL06], adaptado). A funo densidade de probabilidade conjunta de duas variveis aleatrias discretas dada pela tabela a seguir: Y 3 1/24 1/4 1/24
2 4 6
1 1/8 1/4 1/8
9 1/12 0 1/12
5. A covarincia entre X e Y A) 1 B) 3 C) 4 D) 12 E) 0 Resoluo A covarincia entre as variveis aleatrias discretas X e Y dada pela expresso
Cov( X , Y ) = [ xi X ][ y j Y ] f XY ( xi , y j ) .
i j
Antes, preciso calcular os valores das mdias X = E[ X ] e Y = E[Y ] .
X = E[ X ] = xi g X ( xi ) , em que gX(x) a funo de probabilidade

i
marginal de X, dada por
g X ( xi ) = f XY ( xi , y j ) . Logo
j
1 1 1 1 1 1 1 g X ( x = 2) = g X ( x = 6) = + + = e g X ( x = 4) = + + 0 = . 8 24 12 4 4 4 2
36
1 1 1 E[ X ] = X = 2 + 4 + 6 = 4 4 2 4
E[Y ] = yhY ( y j ) , em que hY(y) a funo de probabilidade marginal
j
de Y, dada por
hY ( y j ) = f XY ( xi , y j ) . Logo
i
1 1 1 1 1 1 1 1 1 1 1 hY ( y = 1) = + + = , hY ( y = 3) = + + = e hY ( y = 9) = + 0 + = . 8 4 8 2 24 4 24 3 12 12 6 1 1 1 E[Y ] = Y = 1 + 3 + 9 = 3 2 3 6
Agora j podemos calcular a covarincia, pois temos os valores de X e Y . Sendo assim,
Cov( X , Y ) = [ xi X ][ y j Y ] f XY ( xi , y j ) =
i j
= (2 4) (1 3) 1 / 8 + (2 4) (3 3) 1 / 24 + (2 4) (9 3) 1 / 12 + + (4 4) (1 3) 1 / 4 + (4 4) (3 3) 1 / 4 + (4 4) (9 3) 0 + + (6 4) (1 3) 1 / 8 + (6 4) (3 3) 1 / 24 + (6 4) (9 3) 1 / 12 = Cov( X , Y ) = 1 / 2 + 0 1 + 0 + 0 + 0 1 / 2 + 0 + 1 = 0
Logo, X e Y so variveis no correlacionadas. Voc tambm chegaria ao mesmo resultado se usasse a frmula equivalente
Cov( X , Y ) = E[ XY ] XY
Confirme voc mesmo que E[ XY ] = 12 . Portanto,
Cov( X , Y ) = 12 4 3 = 0
GABARITO: E 6. Assinale a alternativa correta. A) X e Y no so independentes. B) X e Y so independentes.
Alexandre/Andr
BACEN 2k9
37
C) X e Y so correlacionadas. D) X e Y tm distribuio conjuntamente Normal. E) X e Y tm distribuies marginais normais.
Resoluo Se X e Y so independentes, deve valer
f XY ( xi , y j ) = g X ( xi ) hY ( y j ) para quaisquer valores de X e Y.

Entretanto, observe que
f XY (2,3) =
1 1 1 1 g X (2) hY (3) = = 24 4 3 12
Logo, X e Y NO so independentes, apesar de serem no correlacionadas! GABARITO: A 7. Admita que X e Y sejam variveis aleatrias independentes. Ento vlida a expresso A) E[ XY ] = E[ X 2 ]E[Y 2 ] B) E[ XY ] = E[ X ]E[Y ] C) E[ XY ] = E[ X ] / E[Y ] D) E[ XY ] = Cov( X , Y ) E) E[ XY ] = ( E[ X ]E[Y ]) 2 Resoluo Provaremos que E[ XY ] = E[ X ]E[Y ] supondo que X e Y sejam variveis contnuas. Prova similar pode ser dada para o caso das variveis serem discretas (tente voc mesmo fazer aps estudar a nossa soluo para variveis contnuas). Primeiramente, lembre que f XY ( x, y ) = f X ( x) f Y ( y ) , pois X e Y so independentes. Aplicando esse conceito na integral de E[XY], obtemos
Alexandre/Andr
BACEN 2k9
38
E[ XY ] = xyf ( x , y ) dxdy = xf ( x ) dx X yfY ( y )dy = E[ X ]E[Y ] XY

Note que variveis independentes so no correlacionadas, pois
Cov( X , Y ) = E[ XY ] XY = 0 .
GABARITO: B O enunciado a seguir refere-se s questes de nmeros 8 e 9. Considere as variveis aleatrias independentes X 1 , X 2 ,..., X n . Suponha que essas n variveis possuam a mesma probabilidades com mdia e varincia 2 . Seja distribuio de
1 n X = Xi. n i =1
8. Podemos afirmar que o valor esperado de X igual a A) / 2 B) 2 C) D) 2 / . E) 0 Resoluo
1 1 E [ X ] = E ( X 1 + X 2 +...+ X n ) = ( E[ X 1 ] + E[ X 2 ]+...+ E [ X n ]) n n
1 ( + + ... + ) = n = n n
GABARITO: C 9. Podemos afirmar que a varincia de X A) / 2 B) 2 / n C) n 2

Alexandre/Andr
BACEN 2k9
39
D) 2 / E) 0 Resoluo
1 2 1 1 var X = var ( X 1 + X 2 +...+ X n ) = 2 ( var ( X 1 ) + var ( X 2 )+...+ var ( X n )) = 2 n 2 = n n n n
( )
Observao: os resultados obtidos nas questes 8 e 9 so conseqncia da Lei (fraca) dos Grandes Nmeros [STA02]. Por exemplo, assuma que um economista tenha registrado o conjunto de observaes {x 1 , x 2 ,..., x n } de uma varivel aleatria X com mdia (desconhecida) e varincia 2 (tambm desconhecida). Suponha que n seja um nmero suficientemente grande. Ento a mdia pode ser estimada pela mdia amostral
x=
1 n xi . n i =1
1 n X i no n i =1 viesado ( E[ X ] = ) e consistente ( var( X ) 0 para n ). Essas so duas qualidades desejadas para qualquer estimador.
As questes 8 e 9 mostram que o estimador X = GABARITO: B 10. (Analista BACEN - rea 3/2006/FCC) Uma empresa, com a finalidade de determinar a relao entre os gastos anuais com propaganda (X), em R$ 1 000,00, e o lucro bruto anual (Y), em R$ 1 000,00, optou por utilizar o modelo linear simples Yi = + X i + i , em que Yi o valor do lucro bruto auferido no ano i, X i o valor gasto com propaganda no ano i e i o erro aleatrio com as respectivas hipteses consideradas para a regresso linear simples ( e so parmetros desconhecidos). Considerou, para o estudo, as seguintes informaes referentes s observaes nos ltimos 10 anos da empresa:
Yi = 100
i =1
10
X i = 60
i =1
10
X Y = 650
i =1 i i
10
X
i =1
10
2
i
= 400
Y
i =1
10
2
i
= 1.080
Alexandre/Andr
BACEN 2k9
40
Utilizando a equao da reta obtida pelo mtodo dos mnimos quadrados, tem-se que, caso haja um gasto anual com propaganda de 80 mil reais, a previso do lucro bruto anual, em mil reais, ser de A) 84 B) 102,5 C) 121 D) 128,4 E) 158 Resoluo
xi yi S xy = xi yi i i , n i xi 2 S xx = xi i n i S xy b= S xx a = y bx
Fazendo os clculos, temos que
2
S xy = 650
60 100 = 50 10
S xx
60 2 = 400 = 40 10
Logo,
50 b= = 1,25 40 100 60 a = y bx = 1,25 = 10 7,5 = 2,5 10 10
A equao da reta de mnimos quadrados

Alexandre/Andr
BACEN 2k9
41
= 2,5 + 1,25 x . y
Substituindo o valor x = 80 na equao acima obtemos
= 2,5 + 1,25 80 = 2,5 + 100 = 102,5 . y

GABARITO: B 11. (INDITA) Considere os dados da questo 10. O coeficiente de correlao de A) 0 B) 2,5 C) 1,25 D) 0,88 E) 0,63 Resoluo
r=
S xy S xx S yy
yi 2 2 = 1.080 100 = 80 = yi i n 10 i 50 40 80 0,88
2
S yy
r=
GABARITO: D Julgue os itens a seguir. 12. Os estimadores de mnimos quadrados so os valores observados de variveis aleatrias. Resoluo A Combinao dos elementos de uma amostra, construda com a finalidade de representar ou estimar um parmetro de interesse na populao, denominada estimador ou estatstica. Aos valores numricos assumidos pelos estimadores denominamos estimativas
Alexandre/Andr
BACEN 2k9
42
pontuais ou simplesmente estimativas. Grosso modo, estimadores seriam as frmulas e estimativas seriam os resultados das frmulas para valores especficos. GABARITO: ERRADO 13. O modelo y = + x 2 + no linear. Resoluo O modelo y = + x 2 + no linear porque a dependncia funcional de y com x quadrtica (vide termo x 2 no lado direito da equao do modelo). GABARITO: CERTO O enunciado a seguir refere-se s questes de nmeros 14 e 15 ([HIL06], adaptado). O modelo de precificao de ativos de capital (Capital Assets Pricing Model) importante no campo das finanas. Explica variaes na taxa de retorno de um ttulo como funo da taxa de retorno de uma carteira, que consiste em todas as aes comercializadas publicamente; essa carteira chamada carteira de mercado. Em geral, a taxa de retorno de qualquer investimento medida em relao ao seu custo de oportunidade, que o retorno de um ativo sem risco. A diferena resultante denomina-se prmio de risco, j que a recompensa ou o castigo por um investimento arriscado. O CAPM nos diz que o prmio de risco de um ttulo j proporcional ao prmio de risco sobre a carteira de mercado. Ou seja,
r j r f = j (rm r f )
em que r j e r f so os retornos do ttulo j e a taxa livre de risco, respectivamente; rm o retorno da carteira de mercado; e j o valor beta do j-simo ttulo. O valor beta de um ttulo importante para os investidores, porque revela a volatilidade do ttulo. Mede a sensibilidade do retorno do ttulo j variao do mercado de aes como um todo. Como tal, valores de beta inferiores a 1 indicam que a ao defensiva, j que sua variao inferior a do mercado. Um valor beta maior do que 1 indica ao agressiva. Os investidores geralmente querem ter uma estimativa do valor beta de uma ao, antes de adquiri-la.
Alexandre/Andr
BACEN 2k9
43
14. Sobre o CAPM correto afirmar que A) O modelo apresentado no enunciado o modelo econmico nesse caso. Obtm-se o modelo economtrico incluindo-se no modelo um intercepto j (mesmo que a teoria diga que deve ser zero) e um erro aleatrio , ou seja, r j r f = j + j (rm r f ) + . o modelo economtrico dado por
B) O modelo apresentado no enunciado o modelo economtrico nesse caso. Obtm-se o modelo econmico incluindo-se no modelo um intercepto j (mesmo que a teoria diga que deve ser zero) e um erro aleatrio , ou seja, o modelo economtrico dado por r j r f = j + j (rm r f ) + . C) o modelo no linear. D) o modelo no linear nas variveis. E) O modelo apresentado no enunciado o modelo econmico nesse caso. Obtm-se o modelo economtrico incluindo-se no modelo um intercepto j (mesmo que a teoria diga que deve ser zero):
r j rf = j + j (rm r f ) .
Resoluo A alternativa correta a da letra A. O modelo apresentado no enunciado o modelo econmico; o modelo economtrico obtido incluindo-se no modelo um intercepto j (mesmo que a teoria diga que deve ser zero) e um erro aleatrio , de modo que o modelo economtrico
r j r f = j + j (rm r f ) + .
A alternativa B est incorreta porque diz que o modelo do enunciado o economtrico ( o econmico, pois no h o termo do erro aleatrio!). As alternativas C e D so falsas porque afirmam que o modelo no linear. A alternativa E incorreta porque o modelo economtrico possui o termo de erro aleatrio. GABARITO: A
Alexandre/Andr
BACEN 2k9
44
15. Assinale a alternativa correta. A) O modelo economtrico do CAPM um (Autoregressive Conditional Heteroskedasticity). modelo ARCH GARCH
B) O modelo economtrico do CAPM um modelo (Generalized Autoregressive Conditional Heteroskedasticity).
C) o modelo economtrico do CAPM um modelo de regresso simples. D) O modelo economtrico do CAPM um modelo de regresso mltipla. E) O modelo economtrico do CAPM um modelo auto-regressivo (AR). Resoluo O modelo economtrico do CAPM um modelo de regresso simples porque ele pode ser escrito como y = + x + em que y = rj rf , x = rm rf , = j e = j. No fique preocupado se voc no conseguiu entender toda a descrio do modelo CAPM constante do enunciado das questes 14 e 15. Para a prova, basta saber que o CAPM segue o modelo
r j r f = j + j (rm r f ) +
o qual, como j dito, um modelo de regresso linear simples. GABARITO: C
Alexandre/Andr
BACEN 2k9

Bacen2010 Aula

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Bacen2010 Aula

Încărcat de

Drepturi de autor:

Formate disponibile

CURSO ON-LINE ECONOMETRIA PARA ANALISTA DO BACEN PROFESSORES: ALEXANDRE DE LIMA E ANDR CUNHA

PONTO DOS CONCURSOS

Esperanas Envolvendo Duas ou Mais Variveis Aleatrias

Cov( X , Y ) = E[( X X )(Y Y )] = [ xi X ][ y j Y ] f XY ( xi , y j ) .

Substituindo (4), (7) e (8) em (6), obtemos

As frmulas (10), (11) e (12) so importantes para a prova.

var[aX + bY + cZ ] = a 2 var[ X ] + b 2 var[Y ] + c 2 var[Z ]

Se fizermos a = b= c =1 em (17), obtemos (18)

var[ X + Y + Z ] = var[ X ] + var[Y ] + var[Z ] .

. A idia central desse procedimento simplesmente a

de minimizar a variao residual em torno da reta estimativa.

Figura 6: distncias ei cuja soma dos quadrados deve ser minimizada.

Tendo em vista a expresso (20), devemos, portanto, impor a condio (21)

i ) 2 = min ( yi a bxi ) 2 . min ei2 = min ( yi y

No difcil chegar s expresses (23) (24)

as quais fornecem o seguinte sistema de duas equaes a duas incgnitas:

0,25 0,36 0,81 0,64 1,44 2,25 2,89 4,00 y 2i = 12,64

9,1 b= 0,217 42 9,2 36 a = y bx = 0,217 = 0,174 8 8

A equao da reta de mnimos quadrados, dada na Fig. 7

9,2 2 S yy = 12,64 2,06 8 r= S xy S xx S yy = 9,1 0,98 42 2,06

Figura 7: regresso linear do Exemplo 1.

Sabendo que a um nmero real, ento a mdia e a varincia de X so, respectivamente: A) B) C) D) E)

x = 0,5 x = 0 x = 0,5 x = 0,5

E) f ( x1 , x2 ) = 4 x1 / x2 para 0 x1 1 e 0 x2 1 , e f ( x1 , x2 ) = 0 caso contrrio

B) O modelo economtrico do CAPM um modelo (Generalized Autoregressive Conditional Heteroskedasticity).

10 B 11- D 12 ERRADO 13 CERTO 14 A 15 - C

Resoluo dos Exerccios de Fixao

Como a primitiva da integral

x3dx x 4 / 4 , temos que

Sabendo que a um nmero real, ento a mdia e a varincia de X so, respectivamente: A) B) C) D) E)

x = 0,5 x = 0,5 x = 0 x = 0,5 x = 0,5

Para a questo temos

sendo que E[ X 2 ] = xi f ( xi ) = 2,4 + 0,1 + 1,2 = 3,7 . Logo

= 3,7 (0,5) = 3,7 0,25 = 3,45 .

C) f ( x1 , x2 ) = x1 x2 para 0 x1 1 e 0 x2 1 , e f ( x1 , x2 ) = 0 caso contrrio. para

f ( xi ) = 2 xi para 0 xi 1 e f ( xi ) = 0 para os demais valores de xi.

1 1/8 1/4 1/8

Antes, preciso calcular os valores das mdias X = E[ X ] e Y = E[Y ] .

X = E[ X ] = xi g X ( xi ) , em que gX(x) a funo de probabilidade

marginal de X, dada por

Resoluo Se X e Y so independentes, deve valer

f XY ( xi , y j ) = g X ( xi ) hY ( y j ) para quaisquer valores de X e Y.

Note que variveis independentes so no correlacionadas, pois

GABARITO: C 9. Podemos afirmar que a varincia de X A) / 2 B) 2 / n C) n 2

A equao da reta de mnimos quadrados

Substituindo o valor x = 80 na equao acima obtemos

= 2,5 + 1,25 80 = 2,5 + 100 = 102,5 . y

B) O modelo economtrico do CAPM um modelo (Generalized Autoregressive Conditional Heteroskedasticity).

S-ar putea să vă placă și