BACEN2010 Econometria Barbosa Cunha Aula 02

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.

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

3
9
MLTIPLA.
22/01 MODELOS ECONOMTRICOS DINMICOS:
com variveis defasadas, nmeros ndice.
Alexandre/Andr
Modelos
BACEN 2k9

4
Contedo
1.
Esperanas Envolvendo Duas ou Mais Variveis Aleatrias.......... 5

1.1.
Correlao e Covarincia .................................................................... 5
1.2.
Mdia e Varincia de Uma Combinao Linear de Variveis
Aleatrias ................................................................................................................ 12
2.
Regresso ....................................................................................................... 13
2.1.
Idias Fundamentais .......................................................................... 13
2.2.
Regresso Linear Simples ................................................................ 15
2.2.1.
Pressupostos do Modelo de Regresso Linear Simples .................. 21
3.
Exerccios de Fixao.................................................................................. 24
4.
GABARITO ....................................................................................................... 30
5.
Resoluo dos Exerccios de Fixao ................................................... 31
Alexandre/Andr
BACEN 2k9

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.
Pessoa
1
2
3
4
5
6
7
8
9
10
Alexandre/Andr
Tabela 1
Altura (cm)
174
161
171
181
182
165
155
168
176
175
Peso (kg)
74
68
63
92
80
73
61
64
90
81
BACEN 2k9

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

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

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

9
(2)
Cov( X , Y ) = E[( X X )(Y Y )] = [ xi X ][ y j Y ] f XY ( xi , y j ) .

i
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
n
(4)
(x
s xy =
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 ) =
em que X e
respectivamente.
cov( X , Y )
XY
denotam
os
desvios-padro
de
Y,
A correlao estimada pelo coeficiente de correlao

linear de Pearson, ou, simplesmente, coeficiente de correlao,
definido por
(6)
r=
Alexandre/Andr
sxy
sx s y
BACEN 2k9

10
em que s xy a covarincia amostral de X e Y (4), S x a desviopadro amostral de X, definido por
n
(7)
sx =
(x
i =1
x )2
n 1
e s y a desvio-padro amostral de Y
n
(8)
Sy =
(y
i =1
y )2
.
n 1
Substituindo (4), (7) e (8) em (6), obtemos

n
(9)
r=
( x x )( y
i
i =1
y)
=
(x x) ( y
2
i =1
i =1
y)
S xy
S xx S yy
i =1
i =1
i =1
em que S xy = ( xi x )( yi y ) , S xx = ( xi x ) 2 e S yy = ( yi y ) 2
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
2
(11)
xi
2
S xx = xi i .
n
i
2
(12)
yi
2
S yy = yi i .
n
i
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:
(13)
r=
n xi yi xi yi
i
i i
.
2
2
2
2
n xi xi n yi yi
i
i i
i
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
( x X )( y Y ) y Y
1 x X
2
+
2
XY
2 (1 ) X
Y
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 )
2. Se X, Y e Z
correlacionadas
(17)
so
independentes
ou
no
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)
y = a + bx
em que y denota os valores dados pela reta estimativa, a a

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

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)
2 ( yi a bxi ) = 0 ,
i
(24)
2 xi ( yi a bxi ) = 0
i
as quais fornecem o seguinte sistema de duas equaes a duas

incgnitas:
(25)
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
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
yi
xi yi
x 2i
y 2i
1
2
3
4
5
6
7
8
xi = 36
0,5
0,6
0,9
0,8
1,2
1,5
1,7
2,0
yi = 9,2
0,5
1,2
2,7
3,2
6,0
9,0
11,9
16,0
xi yi = 50,5
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
S xy = 50,5
36 9,2
= 9,1
8
S xx = 204
36 2
= 42
8
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
y = 0,174 + 0,217 x .
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 )
Alexandre/Andr
BACEN 2k9

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
estimativas e dos parmetros e da reta de regresso
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:
Y i= + X i , onde Y i a estimativa de Yi = + Xi. Para cada par de
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
estimativa Y i . Sabe-se que o Mtodo de Mnimos Quadrados consiste
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)
[Y ( X )]
i =1
B)
[Y X ]
i
[Y ( X )]
[Y
n
[Y
i =1
2
Yi ]
( X i ) 2 ]
i =1
E)
i =1
D)
i =1
C)
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)
4
3
B)
3
4
C)
3
4
D)
E)
3
.x
4
4
.x
3
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)
x = 0,5
B)
x = 0,5
C)
x = 0
D)
x = 0,5
E)
x = 0,5
x2 = 3, 45
x2 = 3, 45
x2 = 1
e
e
e
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
BACEN 2k9
caso

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:
10
Y
i =1
10
= 100
i =1
10
X i2 = 400
i =1
10
X Y = 650
= 60
i =1
10
Y
i =1
2
i
i 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

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 ) + .
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
intercepto j (mesmo que a teoria diga que deve ser zero):
r j rf = j + j (rm r f ) .
A) O modelo economtrico do CAPM um
(Autoregressive Conditional Heteroskedasticity).
modelo
B) O modelo economtrico do CAPM um modelo

(Generalized Autoregressive Conditional Heteroskedasticity).
ARCH
GARCH
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.
GABARITO
1B
2C
3A
4D
5E
6A
7B
8C
9B
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

estimativas e dos parmetros e da reta de regresso
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:
Y i= + X i , onde Y i a estimativa de Yi = + Xi. Para cada par de
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
estimativa Y i . Sabe-se que o Mtodo de Mnimos Quadrados consiste
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)
[Y ( X )]
i =1
B)
[Y X ]
i
[Y ( X )]
[Y
n
[Y
i =1
Yi ]
( X i ) 2 ]
i =1
E)
i =1
D)
i =1
C)
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
estimativas Y i , por meio da reta de regresso. Logo teramos:
[Y Y ] = [Y ( + X )] = [Y X ]
n
i =1
i =1
Alexandre/Andr
i =1
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)
4
3
B)
3
4
C)
3
4
D)
E)
3
.x
4
4
.x
3
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,
0
E[ X ] = x3 x 2 dx = 3 x 3dx =3 x 3dx .
Como a primitiva da integral

Alexandre/Andr
x3dx x 4 / 4 , temos que
BACEN 2k9

33
(1) 4
x4
3
=
E[ X ] = 3 = 30
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)
x = 0,5
B)
x = 0,5
C)
x = 0
D)
x = 0,5
E)
x = 0,5
x2 = 3, 45
x2 = 3, 45
x2 = 1
e
e
e
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
n
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
var( X ) = X2 = E[ X 2 ] [ X ]2
n
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
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.
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.

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

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:
2
4
6
1
1/8
1/4
1/8
Y
3
1/24
1/4
1/24
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
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
Alexandre/Andr
BACEN 2k9

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
= (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
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
xyf
(
x
,
y
)
dxdy
=
xf
(
x
)
dx
X
yfY ( y )dy = E[ X ]E[Y ]
XY

E[ 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
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
de

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:
10
10
Yi = 100
i =1
X Y = 650
i =1
10
X
i =1
Alexandre/Andr
10
X i = 60
2
i
= 400
i =1
10
Y
i =1
2
i
i i
= 1.080
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
S xy = 650
S xx
60 100
= 50
10
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
y = 2,5 + 1,25 x .
Substituindo o valor x = 80 na equao acima obtemos
y = 2,5 + 1,25 80 = 2,5 + 100 = 102,5 .

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
2
S yy
r=
yi
2
2
= 1.080 100 = 80
= yi i
n
10
i
50
40 80
0,88
GABARITO: D
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
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 ) + .
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
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
A) O modelo economtrico do CAPM um
(Autoregressive Conditional Heteroskedasticity).
modelo
B) O modelo economtrico do CAPM um modelo

(Generalized Autoregressive Conditional Heteroskedasticity).
ARCH
GARCH
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 Econometria Barbosa Cunha Aula 02

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

BACEN2010 Econometria Barbosa Cunha Aula 02

Enviado por

Direitos autorais:

Formatos disponíveis

CURSO ON-LINE ECONOMETRIA PARA ANALISTA DO BACEN

PROFESSORES: ALEXANDRE DE LIMA E ANDR CUNHA

Este documento aborda os seguintes tpicos: correlao, covarincia,

CURSO ON-LINE ECONOMETRIA PARA ANALISTA DO BACEN

CURSO ON-LINE ECONOMETRIA PARA ANALISTA DO BACEN

CURSO ON-LINE ECONOMETRIA PARA ANALISTA DO BACEN

Esperanas Envolvendo Duas ou Mais Variveis Aleatrias.......... 5

Correlao e Covarincia .................................................................... 5

Idias Fundamentais .......................................................................... 13

Regresso Linear Simples ................................................................ 15

Pressupostos do Modelo de Regresso Linear Simples .................. 21

Resoluo dos Exerccios de Fixao ................................................... 31

CURSO ON-LINE ECONOMETRIA PARA ANALISTA DO BACEN

Esperanas Envolvendo Duas ou Mais Variveis

Conforme visto na aula passada, muito comum estarmos

CURSO ON-LINE ECONOMETRIA PARA ANALISTA DO BACEN

Figura 1: diagrama de disperso para os dados da Tab. 1.

CURSO ON-LINE ECONOMETRIA PARA ANALISTA DO BACEN

Figura 2: correlao linear negativa.

CURSO ON-LINE ECONOMETRIA PARA ANALISTA DO BACEN

Figura 3: correlao linear nula.

Cov( X , Y ) = E[( X X )(Y Y )] = E[ XY ] XY .

CURSO ON-LINE ECONOMETRIA PARA ANALISTA DO BACEN

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

Caso X e Y sejam variveis aleatrias contnuas com funo

A covarincia uma medida da intensidade e do sinal da

em que x a mdia amostral de X (estimativa de X ) e y a mdia

A correlao estimada pelo coeficiente de correlao

CURSO ON-LINE ECONOMETRIA PARA ANALISTA DO BACEN

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

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

CURSO ON-LINE ECONOMETRIA PARA ANALISTA DO BACEN

O coeficiente de correlao tem as importantes propriedades de

CURSO ON-LINE ECONOMETRIA PARA ANALISTA DO BACEN

Sejam X e Y variveis aleatrias e g(X, Y) uma funo dessas

em que a e b so constantes. Essa expresso uma combinao

A Eq. (15) nos diz que o valor esperado de uma

Duas variveis aleatrias so conjuntamente normais ou gaussianas quando a

Note que cinco parmetros esto envolvidos: X , Y , X , Y e . As densidades

CURSO ON-LINE ECONOMETRIA PARA ANALISTA DO BACEN

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

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

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

A expresso (18) nos diz que a varincia da soma de

2.1. Idias Fundamentais

CURSO ON-LINE ECONOMETRIA PARA ANALISTA DO BACEN

Uma parcela da variao, contudo, permanece em geral sem

CURSO ON-LINE ECONOMETRIA PARA ANALISTA DO BACEN

2.2. Regresso Linear Simples

em que o intercepto, a declividade e denota a

Os autores esto cientes do fato de que os resduos (a variao residual ei da Fig.

CURSO ON-LINE ECONOMETRIA PARA ANALISTA DO BACEN

Figura 5: variao residual em torno da linha

em que y denota os valores dados pela reta estimativa, a a

CURSO ON-LINE ECONOMETRIA PARA ANALISTA DO BACEN

. 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

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

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

CURSO ON-LINE ECONOMETRIA PARA ANALISTA DO BACEN

No difcil chegar s expresses

as quais fornecem o seguinte sistema de duas equaes a duas