Escolar Documentos
Profissional Documentos
Cultura Documentos
Aula 12
Sumrio
1
1.2
1.2.1
1.2.2
1.2.3
Modelos ARMA.............................................................................................................. 6
Introduo ........................................................................................................................ 8
2.2
2.3
2.4
2.5
Gabarito .................................................................................................................................. 27
1
www.pontodosconcursos.com.br | Prof. Alexandre Lima
xt = h(..., t 2 , t 1 , t , t +1 , t +2 ,...)
g (..., xt 2 , xt 1, xt , xt +1 , xt + 2 ,...) = t
xt
h(.)
g(.) = h-1(.)
xt
xt = h( t , t 1, t 2 ,...) .
Construo do Modelo
2
www.pontodosconcursos.com.br | Prof. Alexandre Lima
(a)
(b)
(c)
(d)
Postular a classe
geral
do modelo
Identificao
do modelo
Estimao dos
parmetros
Diagnstico
No
Sim
3
www.pontodosconcursos.com.br | Prof. Alexandre Lima
(4)
xt = hk t k
k =0
= t + h1 t 1 + h2 t 2 + ...
= (1 + h1B + h2 B 2 + ...) t
= H ( B) t .
em que h0 = 1. A Eq. (4) tambm conhecida como representao de mdia
mvel de ordem infinita (MA()).
A modelagem da equao (4) supe que a srie temporal xt seja gerada
atravs de um sistema linear (filtro linear), cuja entrada um rudo branco t .
A funo
H ( B) = 1 + h1B + h2 B 2 + ...
denominada funo de transferncia do filtro.
A forma geral ARMA(p,q) de (4)
(5)
k =1
k =1
xt = k xt k + (t ) k t k .
( B) xt = ( B) t
( B) = 1 1 B 2 B 2 ... p B p
e (B) denota o operador de mdia mvel de ordem q
( B) = 1 1B 2 B 2 ... q B q .
4
www.pontodosconcursos.com.br | Prof. Alexandre Lima
Estacionariedade e Invertibilidade
Modelos Autorregressivos
Condio de Invertibilidade
A prova dessa proposio no ser dada neste curso. Para uma demonstrao deste fato, veja o livro de Box, Jenkins e
Reinsel: Time Series Analysis: Forecasting and Control, third edition, Englewood Cliffs: Prentice Hall, 1994. Uma
sugesto: no perca tempo com o estudo da demonstrao!
5
www.pontodosconcursos.com.br | Prof. Alexandre Lima
1.2.3
Modelos ARMA
( B) = 0, | B |> 1
( B) = 0, | B |> 1
(8)
1 < < 1
1 < < 1
G( B) = H 1 ( B)
xt = g1 xt 1 + g2 xt 2 + ... + t
= g k xt k + t
k =1
Portanto, xt pode ser interpretado como uma soma ponderada de seus valores
passados xt-1, xt-2, ..., mais uma inovao t. O modelo equivalente AR()
sugere que pode-se calcular a probabilidade de um valor futuro xt+k estar entre
dois limites especificados, ou seja, (10) afirma que possvel fazer
inferncias ou previses de valores futuros da srie.
Exemplo (MI-CENAD/ESAF/2012) Considere um processo autoregressivo
estacionrio Zt = 10 + 0,5Zt-1 + at, onde at rudo branco com varincia 2=
3. A mdia e a varincia de Zt so, respectivamente,
(A) 10 e 6
(B) 10 e 5
(C) 15 e 4,5
(D) 20 e 4
(E) 20 e 3
Resoluo
Clculo da mdia do processo Zt
Zt = 10 + 0,5.Zt-1 + at
E(Zt) = E(10 + 0,5Zt-1 + at) = E(10) + E(0,5.Zt-1) + E(at)
Mas E(Zt) = E(Zt-1) = , pois Zt um processo estacionrio. Alm disso, E(10)
= 10 (a mdia de uma constante a prpria constante) e E(at) = 0 (a mdia
do rudo branco suposta nula). Ento,
7
www.pontodosconcursos.com.br | Prof. Alexandre Lima
= 10 + 0,5. + 0
0,5. = 10 0,5. = 10 = 20
Clculo da varincia do processo Zt
Var(Zt) = Var(10 + 0,5.Zt-1 + at)
Faa Wt = 0,5.Zt-1 + at na igualdade acima:
Var(Zt)= Var(10 + Wt) = Var(Wt) = Var(0,5.Zt-1 + at)
Lembre que a varincia de uma varivel aleatria no se altera quando
somamos uma constante quela varivel!
Agora precisamos levar em conta que Zt-1 e at so variveis aleatrias
independentes (a varincia da soma de duas variveis igual soma das
varincias das duas variveis):
Var(Zt) = Var(0,5.Zt-1) + Var(at) = 0,52.Var(Zt-1) + Var(at)
Finalmente, temos que Var(Zt-1) = Var(Zt) = 2, haja vista que Zt
estacionrio. Logo,
2 = 0,25. 2 + Var(at)
0,75.2 = Var(at) = 3
2 = 4
GABARITO: D
2.1
Introduo
yt = + xt + t
(12)
yt = + 0 xt + 1 xt 1 + 2 xt 2 + t ,
xt 2 .
Quando o modelo de regresso incluir um ou mais valores defasados da
varivel dependente, como o caso do modelo
(13)
yt = + yt 1 + xt + t ,
Testes Portmanteau
9
www.pontodosconcursos.com.br | Prof. Alexandre Lima
(14)
Q(m) = n 2j ,
j =1
(15)
QM (m) = n(n + 2)
j =1
2j
n j
2
que melhor aproximada pela (m
) em amostras finitas. Logo, a estatstica Q
10
www.pontodosconcursos.com.br | Prof. Alexandre Lima
t = t 1 + ut ,
(16)
(17)
n
1 n var( )
(18)
t t 1
2
t
11
www.pontodosconcursos.com.br | Prof. Alexandre Lima
2.5
Teste d de Durbin-Watson
yt = + 0 xt + 1 xt 1 + 2 xt 2 + ... + k xt k + t
(19)
d=
(20)
t 1 ) 2
t =2
t =2
12
www.pontodosconcursos.com.br | Prof. Alexandre Lima
(21)
d 2(1 )
n
d
h 1
.
2 1 n var( )
yt = yt 1 + t ,
yt = yt 1 + t , que possui uma raiz unitria, pois = 1 (lembre que o modelo (23)
estacionrio se | |< 1 ).
Podemos testar a estacionariedade do modelo (23), testando a hiptese nula
de que = 1 , contra a alternativa de que | |< 1 , ou simplesmente < 1 . Colocase o teste em uma forma conveniente subtraindo-se yt 1 de ambos os membros
de (23), obtendo-se
yt yt 1 = yt 1 yt 1 + t
yt = ( 1) yt 1 + t ,
{ t } .
13
Logo,
(24)
yt = yt 1 + t
em que yt = yt yt 1 e = 1 . Ento,
(25)
H 0 : = 1 H 0 : = 0
H a : < 1 H a : < 0
yt = t
14
www.pontodosconcursos.com.br | Prof. Alexandre Lima
yt = 1 + yt 1 + t
(29)
yt = 1 + 2t + yt 1 + t
1%
5%
10%
yt = yt 1 + t
100
-2,60
-1,95
-1,61
yt = yt 1 + t
>500
-2,58
-1,95
-1,62
yt = 1 + yt 1 + t
>500
-3,43
-2,86
-2,57
yt = 1 + 2t + yt 1 + t
>500
-3,96
-3,41
-3,13
Modelo
15
www.pontodosconcursos.com.br | Prof. Alexandre Lima
16
www.pontodosconcursos.com.br | Prof. Alexandre Lima
RPDt = 1 + RPDt 1 + t
para a renda pessoal disponvel com o programa R e obtivemos os seguintes
resultados para a RLS:
(i)
= 0,0007151
(ii)
1 = 6,0715572
(iii) R 2 = 0,0003873
(iv) = +0,370
Os resultados obtidos para a declividade e para o coeficiente de determinao
de RPDt nos permitem afirmar que a hiptese nula = 0 (ou = 1 ) no pode
ser rejeitada, o que implica dizer que a srie RPD tem uma raiz unitria. O
17
www.pontodosconcursos.com.br | Prof. Alexandre Lima
DPCt = 1 + DPCt 1 + t
para o consumo pessoal real com o programa R e os seguintes resultados
foram obtidos:
(v) = 0,003035
(vi) 1 = 1,514361
(vii) R 2 = 0,018196
(viii) = +2,557
Os resultados obtidos para a declividade (v) e para o coeficiente de
determinao (vii) nos permitem afirmar que a hiptese nula = 0 (ou = 1 )
no pode ser rejeitada; logo, a srie DPC tem uma raiz unitria. Chegamos
a essa mesma concluso por meio do teste DF, pois = +2,557 maior que
todos os valores crticos da Tabela 1.
Ainda no terminamos! Analisaremos as sries das primeiras diferenas de
RPD ( RPDt ) e DPC ( DPCt ) - vide plots na Fig. 5. A Fig. 6 mostra as FACs
amostrais (correlogramas) de RPDt e DPCt . Note que as autocorrelaes
amostrais de RPDt e DPCt decaem rapidamente
(comportamento tpico de sries estacionrias).
para
zero
18
www.pontodosconcursos.com.br | Prof. Alexandre Lima
19
www.pontodosconcursos.com.br | Prof. Alexandre Lima
| |< 1 .
Um processo MA(q) sempre estacionrio.
Um modelo MA(q) invertvel se todas as razes da equao caracterstica
( B) = 0 esto fora do crculo unitrio.
Condio de invertibilidade do modelo MA(1) X t = t t 1 = (1 B) t :
1 < < 1 ou | |< 1
( B) = 0, | B |> 1
( B) = 0, | B |> 1
A regio de admissibilidade de um modelo ARMA(1,1) dada por
1 < < 1
1 < < 1
Modelo de defasagem distribuda = modelo de regresso que tambm
inclui os valores defasados ou passados das variveis explicativas ou
exgenas. Exemplo: Yt = + 0 X t + 1 X t 1 + 2 X t 2 + t , em que X t 1 e X t 2 denotam
20
www.pontodosconcursos.com.br | Prof. Alexandre Lima
H 0 : = 1 H 0 : = 0
H1 : < 1 H1 : < 0
Se Yt um passeio aleatrio, ento = 0 e Yt = t um rudo branco (processo
estacionrio).
O estimador de mnimos quadrados de no modelo AR(1) tem distribuio
assintoticamente normal quando o modelo estacionrio. No caso de razes
unitrias, a aproximao normal no se aplica e a razo t no possui
distribuio t de Student. Portanto, no podemos aplicar a distribuio t para o
teste de hipteses. Quando isto acontece, a estatstica t passa a ser chamada
de estatstica (tau), a qual deve ser comparada com valores crticos
tabelados. Originalmente, estes valores crticos foram calculados por Dickey e
Fuller com base em simulaes de Monte Carlo e o teste que usa esses valores
crticos tornou-se conhecido como teste tau ou teste de Dickey-Fuller
(DF). Note que, se a hiptese nula = 1 (passeio aleatrio) for rejeitada,
podemos usar o teste t (de Student) da forma usual.
Estatstica :
DP( )
1
, em que DP denota o desvio padro.
DP( )
21
www.pontodosconcursos.com.br | Prof. Alexandre Lima
Se, por outro lado, for maior que o valor crtico c de DF, ento a srie
temporal no estacionria, isto , se > c srie sob teste tem raiz
unitria ( no estacionria do tipo I(1)).
yt = 1 + yt 1 + t
yt = 1 + 2t + yt 1 + t
em que t denota o tempo. Em cada caso, a hiptese nula a de que = 0 , ou
seja, h uma raiz unitria.
Se o termo de erro t correlacionado, modificamos a ltima equao como
segue
m
yt = 1 + 2t + yt 1 + i yt i + t
i =1
22
www.pontodosconcursos.com.br | Prof. Alexandre Lima
Exerccios de Fixao
32t
.
3
(ii)
(iii)
(iv)
(v)
23
www.pontodosconcursos.com.br | Prof. Alexandre Lima
Acerca
dos modelos de
sries
24
www.pontodosconcursos.com.br | Prof. Alexandre Lima
yt = + yt 1 + xt + t
onde yt a observao da varivel dependente, xt a observao da varivel
exgena, , e so parmetros desconhecidos e t = t 1 + ut , onde ut o
rudo branco normal. Sabe-se que | |< 1 e que | |< 1 . A varivel exgena se
comporta propriamente, de sorte que sob a hiptese = 0 os estimadores de
mnimos quadrados ordinrios, do modelo economtrico, so consistentes e
assintoticamente normalmente distribudos. Para uma amostra de tamanho
100, a abordagem dos mnimos quadrados ordinrios produziu os valores de
0,6 para a estimativa de , 3/400 para a sua varincia e 0,8 para o coeficiente
de autocorrelao de primeira ordem dos resduos. Assinale a opo que d o
valor da estatstica de Durbin para o teste de hiptese = 0 .
A) 2,0
B) 16,0
C) 1,0
D) 0,4
E) 0,8
25
www.pontodosconcursos.com.br | Prof. Alexandre Lima
26
www.pontodosconcursos.com.br | Prof. Alexandre Lima
Gabarito
1C
2C
3C
4E
5C
6E
7C
8B
9D
10 F
11 V
12 V
13 E
14 E
15 C
16 E
17 B
18 E
19 C
20 C
21 C
22 C
23 E
27
www.pontodosconcursos.com.br | Prof. Alexandre Lima
( B) = 1 1B 2 B 2 ... p B p
e que o operador de mdias mveis de ordem q definido como
( B) = 1 1B 2 B 2 ... q B q .
Deste modo, o modelo ARMA(p,q)
X t = 1 X t 1 + ... + p X t p + t 1 t 1 ... q t q
( B) X t = ( B) t .
Observao: a definio
( B) X t = ( B) t
requer que os polinmios (B) e (B) no tenham fatores comuns.
Explicaremos o que isto quer dizer por meio do Exemplo A abaixo.
Exemplo A. Considere um rudo branco X t = t . Tambm podemos defini-lo na
forma equivalente 0,5 X t 1 = 0,5 t 1 . Para tal, basta i) aplicar o operador atraso
unitrio nos dois lados de X t = t e ii) multiplicar os dois membros por 0,5.
Subtraindo as duas representaes obtemos
28
www.pontodosconcursos.com.br | Prof. Alexandre Lima
X t 0,5 X t 1 = t 0,5 t 1 ,
ou
X t = 0,5 X t 1 + t 0,5 t 1 ,
que tem a aparncia (enganosa!) de um processo ARMA(1,1). claro que X t
continua a ser um rudo branco, pois X t = t a soluo de X t = 0,5 X t 1 + t 0,5 t 1
.
Diz-se que X t = 0,5 X t 1 + t 0,5 t 1 uma representao sobre-parametrizada
ou com parmetros redundantes do rudo branco X t = t . Desta forma,
demonstra-se que a sobre-parametrizao mascara a caracterstica de rudo
branco de Xt.
A forma compacta do modelo redundante
(1 0,5B) X t = (1 0,5B) t .
Se aplicarmos o operador ( B)1 = (1 0,5B)1 em ambos os lados do modelo
acima obtemos
X t = (1 0,5 B) 1 (1 0,5 B) X t = (1 0,5 B) 1 (1 0,5 B ) t = t
que
em que at ~ RB(0,8).
( B 1) Zt = at
Zt 1 Z t = at
Zt = Zt 1 + at passeio aleatrio.
O passeio aleatrio no estacionrio porque possui uma raiz unitria. Logo,
o item CORRETO.
GABARITO: C
2. A srie diferenciada {Yt } segue um rudo branco.
Resoluo
Resoluo
Yt = Yt 1 + at at 1 .
A autocovarincia de lag 0, denotada por 0 = var[Yt ] = E[YtYt ] (pois a mdia de Yt
nula) dada por
0 = 1 + 2 ( ) 2
(1)
0 = 1 + 2 ( ) 2
1 = 0 2
cujas solues so
0 =
1 + 2 2 2
1 2
1 =
(1 )( ) 2
.
1 2
0 =
GABARITO: C
4. A autocorrelao entre Yt e Yt 1 superior a 0,01.
32
www.pontodosconcursos.com.br | Prof. Alexandre Lima
Resoluo
Como Yt um rudo branco, tem-se que E[YtYt ] = 0 . Logo, a autocorrelao
entre Yt e Yt 1 nula item ERRADO.
Podemos chegar ao mesmo resultado aplicando a frmula
1 =
1 =
1
0
(1 )( ) 2
1 2
(ii)
(iii)
(ii)
(iii)
32t
.
3
Resoluo
t
estocstica.
Se Yt ~ RB (0, 2 ) ento St conhecido como passeio aleatrio, pois
St = St 1 + Yt .
Demonstra-se que a varincia do passeio aleatrio dada por
(ii)
(iii)
(iv)
(v)
estacionrio
ou
A) 1= e j=0, se j2
B) j=j, j1
C) j=1/(1-j), j1
D) j=j/(1-j), j1
E) j=1/j, j1
Resoluo
Seja o processo AR(1) Zt = Zt 1 + at . Vimos que podemos expressar a
autocovarincia de defasagem na forma
2
=
2
= 1 , > 0 .
Como 0 = 1 , temos que
= , 1 .
Este resultado nos diz que o valor absoluto da FAC de um modelo estacionrio
AR(1) decai exponencialmente taxa com valor 0 = 1 . O decaimento
exponencial da FAC de um modelo AR(1) com positivo monotnico. Por
outro lado, o plot da FAC de um modelo AR(1) com negativo mostra que h
dois decaimentos exponenciais alternados (um positivo e outro negativo) com
taxa 2 .
GABARITO: B
9. (MPE-PE/FCC/2006) Para o processo ARIMA(1,d,1), onde o
coeficiente autoregressivo e o coeficiente de mdias mveis, correto
afirmar:
A) a funo de autocorrelao parcial s diferente de zero no lag 1
B) a funo de autocorrelao s diferente de zero nos lags 1 e 2.
C) Se d=1, o processo estacionrio.
D) A regio de admissibilidade dada por ||<1 e ||<1
36
www.pontodosconcursos.com.br | Prof. Alexandre Lima
(b)
(c)
37
www.pontodosconcursos.com.br | Prof. Alexandre Lima
(1,d,0)
(0,d,1)
k
kk
decaimento exponencial
somente 110
regio de
admissibilidade
-1<<1
somente 10
decaimento
exponencial
dominante
-1<<1
(estacionariedade10)
(2,d,0)
(invertibilidade11)
(0,d,2)
mistura de exponenciais somente 10 e 20
ou senides amortecidas
somente 110 e 220
kk
regio de
admissibilidade
1 < 2 < 1
2 1 < 1
+ <1
2 1
1 < 2 < 1
2 1 < 1
+ < 1
2 1
(1,d,1)
k
kk
regio de
admissibilidade
10
11
38
www.pontodosconcursos.com.br | Prof. Alexandre Lima
Resoluo
Tomando a esperana de ambos os membros de yt = 0 + 1Yt 1 + et , obtemos
E[ yt ] = 0 + 1E[ yt 1 ] ,
pois E[et ] = 0 . Como o modelo estacionrio, pois foi dito que |1|<1, tem-se
que E[ yt ] = E[ yt 1 ] = e portanto
= 0 + 1
ou
E[ yt ] = =
0
0 portanto o item FALSO.
1 1
GABARITO: F
11. O processo MA(1), yt = et + et 1 , , em que et um rudo branco de mdia
nula e varincia constante, ser estacionrio mesmo que | |> 1 .
Resoluo
Um processo MA(q) estacionrio por definio, pois yt = et + et 1 sempre ser
uma srie limitada, ou seja, | yt |< M < . Contudo a srie no invertvel se
| |> 1 .
GABARITO: V
12. Seja a funo de autocorrelao do processo AR(1) definido no item (10)
dada por j. correto afirmar que j = 1j .
Resoluo
Para o modelo AR(1) do item (10), vale j = 1j ,
j 1 . O enunciado no
39
www.pontodosconcursos.com.br | Prof. Alexandre Lima
Acerca
dos modelos de
sries
X t = [1 B]wt ,
em que wt ~ N (0, 2 ) um rudo branco gaussiano (i.e., com distribuio
normal) de mdia nula e varincia 2 e B denota o operador atraso unitrio, a
condio de invertibilidade
1 < < 1
,
j = 1 + 2
0,
j = 1,
j 2.
1 =
1
2
2 1
=
=
2
1
1+
5 5
1+
4
( B)Yt = ( B)at
em que (B) o operador auto-regressivo de ordem p
( B) = 1 1 B 2 B 2 ... p B p
e (B) denota o operador de mdia mvel de ordem q
( B) = 1 1B 2 B 2 ... q B q .
O enunciado diz Yt segue um modelo estacionrio ARMA(1,1) sem termo
constante. Ou seja, o operador auto-regressivo de ordem 1
( B) = 1 B
em que fizemos 1 = (coeficiente autoregressivo) e o operador de mdia
mvel de ordem 1
( B) = 1 B
em que 1 = (coeficiente do termo de mdia mvel).
Portanto, uma representao compatvel desse modelo
(1 B)Yt = (1 B)at
GABARITO: E
17. (Analista do BACEN/2002/ESAF) Considere o ajuste do modelo
economtrico com a varivel dependente defasada
yt = + yt 1 + xt + t
42
www.pontodosconcursos.com.br | Prof. Alexandre Lima
yt = + yt 1 + xt + t ,
a qual pode ser interpretada como uma generalizao do modelo de
regresso linear
yt = + xt + t
j estudado neste curso.
Antes de resolver a questo, precisamos entender a natureza do modelo
economtrico yt = + yt 1 + xt + t .
Na anlise de regresso de dados de sries temporais, se o modelo tambm
incluir os valores defasados (passados) das variveis explicativas (exgenas)
ser denominado modelo de defasagem distribuda. Deste modo,
yt = + 0 xt + 1 xt 1 + 2 xt 2 + t
um exemplo de modelo de defasagem distribuda.
43
www.pontodosconcursos.com.br | Prof. Alexandre Lima
yt = + yt 1 + xt + t ,
ento diz-se que tal modelo auto-regressivo ou dinmico.
Uma pergunta fundamental que o econometrista deve responder a
seguinte: o processo estocstico { t } (perturbao aleatria do
modelo) apresenta correlao serial?
Observe que esta questo pede para testarmos se a perturbao aleatria t
pode ser modelada pelo processo aleatrio AR(1)
t = t 1 + ut
em que denota o coeficiente de autocorrelao de primeira ordem do erro
aleatrio.
Durbin props um teste estatstico especfico para a correlao serial
de primeira ordem em modelos dinmicos. Este teste feito pela
estatstica h, dada por
h =
n
1 n var( )
n
1 n var( )
= 0,8
100
3
1 100
400
= 16,0 .
n
1 n var( )
t t 1
2
t
yt = + 0 xt + 1 xt 1 + 2 xt 2 + ... + k xt k + t
em que , 0 , 1 , 2 ,..., k denotam parmetros (coeficientes) do modelo e t
representa a perturbao aleatria. Ento a estatstica d de Durbin-Watson
definida como
n
d=
t 1 ) 2
t =2
t =2
12
45
www.pontodosconcursos.com.br | Prof. Alexandre Lima
Resoluo
A inclinao da regresso pela origem pode ser calculada pelos seguintes
estimadores:
X iYi
1. 1 = 2 1 o estimador no viesado de MQO.
Y
2. 2 =
2 um estimador viesado e no o de MQO.
X
Resoluo
Sejam e
as variveis dependente e independente do modelo de regresso
linear
, respectivamente ( e
so os parmetros e denota o
erro aleatrio do modelo). Os estimadores de mnimos quadrados ordinrios
(MQO) de (intercepto) e (inclinao) so dados por:
!
Inclinao:
"
Intercepto: #
$%
( , em que
+#
,
O coeficiente de correlao
linear
(*).
$$$$
)
*
+#
+#
-
-+#
entre
+#
Intercepto: #*
.! / 0
"
2* % .
1.
so dados por:
"
$%
$%
.#
Logo, correto dizer que nas estimativas por mnimos quadrados ordinrios,
se a varivel dependente for multiplicada por uma constante
0, o intercepto
e a inclinao da regresso tambm sero multiplicados por .
(*) Para entender porque isso verdade, basta lembrar que o coeficiente de
correlao r um nmero entre -1 e 1 que mede a fora da associao linear
entre X e Y, isto , o grau de aglomerao dos pontos (Xi,Yi), i = 1, 2, ..., n, em
torno de uma linha reta. O coeficiente de correlao no muda quando:
1. adicionamos uma constante
a uma das variveis. O coeficiente de
correlao entre
e
(ou entre
e
) igual ao coeficiente
de correlao entre e .
2. multiplicamos uma das variveis por uma constante positiva . O
coeficiente de correlao entre
e (ou entre
e
) igual ao
coeficiente de correlao entre e .
48
www.pontodosconcursos.com.br | Prof. Alexandre Lima
possui esperana )
$ e varincia +#
% $ finitas.
+#
GABARITO: C
22. Sendo
e
variveis aleatrias contnuas cuja funo de distribuio
acumulada conjunta
,
pode ser fatorada como
,
.
em que
e
so as distribuies marginais, correto afirmar que
e
so
independentes.
Resoluo
,
pode ser fatorada como
Se a funo de distribuio acumulada conjunta
,
.
ento e so independentes por definio. Item certo.
GABARITO: C
23. Dados os eventos A: o filme permanece em cartaz por mais de quinze
dias desde a sua estreia e B: o filme de terror, correto afirmar, no que
|
diz respeito a probabilidades condicionais que
| .
Resoluo
Os eventos A e B so independentes quando o conhecimento de que o evento
|
| ) de o evento A
B (A) tenha ocorrido no muda a probabilidade
(
(B) ocorrer.
49
www.pontodosconcursos.com.br | Prof. Alexandre Lima
50
www.pontodosconcursos.com.br | Prof. Alexandre Lima