Escolar Documentos
Profissional Documentos
Cultura Documentos
■ Responda o que é solicitado em cada ponto, incluindo quaisquer suposições utilizadas. Se você não
conhece uma definição para as questões 4 e 5, invente-a, defina-a e use-a de acordo com sua definição.
■ Um número não vale uma resposta se a lógica utilizada não estiver incluída.
Neste caso o limite é designado por f (a) e é chamado de derivada de f em a. Dizemos também que f é
0
Questão 2 Intuitivamente (não formalmente), o que representa a segunda derivada de uma função? Como uma
revisão informal, dizemos que uma função f é convexa em um intervalo, se para todos a e b deste intervalo, o
segmento retilíneo que une (a, f (a)) com (b, f (b)) é acima do gráfico de f (gráfico em forma de ∪); A função f é
côncava se o referido segmento retilíneo estiver abaixo do gráfico de f (gráfico em forma de ∩). Assim, se f > 0
00
significa que f é crescente e, pelos teoremas do cálculo elementar, f é convexo. Caso contrário, se f < 0, f é
0 00 0
decrescente e, portanto, f é côncavo. Isto é o que representa a segunda derivada de uma função f. Um uso
importante da segunda derivada na localização de máximos e mínimos é o seguinte teorema, que enunciamos
formalmente.
Suponha que f (a) = 0. Se f (a) > 0, então f tem um mínimo local em a; se f (a) < 0, então f tem um máximo
0 00 00
local em a.
Questão 3 O que é uma função de verossimilhança e qual é a sua utilização na estimativa de parâmetros? Antes
da resposta, o leitor é contextualizado para melhor compreensão da definição que será dada em breve.
Um modelo estatístico F é um conjunto de distribuições (ou densidades ou funções de regressão). Um modelo
paramétrico é um conjunto F que pode ser parametrizado por um número finito de parâmetros. Por exemplo, se
assumirmos que os dados vêm de uma distribuição nor errado, então o modelo é
Este é um modelo de dois parâmetros. Escrevemos a densidade como f (x; µ, σ) para mostrar que x é um valor
da variável aleatória, enquanto µ e σ são parâmetros. Em geral, um modelo paramétrico assume a forma
F = {f(x; θ): θ ∈ Θ}
onde θ é um parâmetro desconhecido (ou vetor de parâmetros) que pode assumir valores no espaço de
parâmetros Θ.
Essencialmente, o princípio da máxima verossimilhança assume que a amostra é representativa da população e
escolhe como estimador o valor do parâmetro que maximiza a função de densidade de probabilidade (doravante
pdf) f(x; θ ). Abaixo damos a definição da função de verossimilhança.
1
Seja (X 1 , . . . , X n ) um vetor aleatório com pdf f (x 1 , . . . ,x n ; θ), θ ∈ Θ. A função
eu(θ; x 1 , . . . , x n ) = f(x 1 , . . . ,x n ; θ)
verossimilhança é
eu(θ; x 1 , . . . , x n ) = f( xi ; θ).
eu=1
Por outro lado, sejam Θ ⊆ R e X = (X , . . . , X ). A função de verossimilhança é utilizada para, a partir dela,
k
1 n
encontrar um estimador Θ(X) que a maximize, ou seja, encontrar uma função Θ ˆ : R → R que satisfaça
n k
Constantes não são suportadas como estimadores. Se existir um θ que satisfaça (1), chamamos-lhe estimador
de máxima verossimilhança (doravante MLE).
Questão 4 Tem uma carteira de crédito, a carteira é composta apenas por 3 créditos numa determinada data de
referência f 1 e sabe que todos os créditos têm maturidade inferior ou igual a um ano; Esta carteira é
monitorizada durante os 12 meses seguintes à data de referência e observa-se a seguinte distribuição de
incumprimentos:
escrevemos a função de verossimilhança de acordo com a amostra de payoffs que o problema fornece (X = (X 11
. . . , X 3 12 )).
2
3 12
L(p,X) = YY p x ij
(1 - p) 1-x ij
eu=1 j=1
= p (1 - p) p (1 - p) p (1 - p)
12 0 11 1 10 2
= p (1 - p) .33 3
Por consequência
d
(log(L(p,X)))= 33 - 3
DP p1-p (2)
Então
d
d
(log(L(p, X))) = dp
↔ 0
33 3
p 1 p.
↔
p= 0
1 p.
↔
33
p=
3
d
2
33 3
(log(L(p, X))) dp
página 2
(1 - p) 2
= - / 33 3N
página 2
(1 - p) 2
Em particular, esta derivada é negativa para p = , confirmando assim que este valor é um máximo para a
1
1
1
2
Questão 5 Sabe-se que a probabilidade de um empréstimo com maturidade de 6 meses cair pla nos próximos 6
meses é p 1 (0 < p 1 < 1), qual é a probabilidade de esse empréstimo entrar em default no próximo ano?
3
Questão 6 Temos 2 vetores x e y, tais que
[x 1 , . . . , x n ] [y , . . . e ]
1 eu
onde m e n são inteiros positivos diferentes, ambos os vetores são ordenados de modo que x ≤ x 2 ≤ . . . ≤ x n yy
1
1 ≤ y 2 ≤ . . . ≤ e m . Crie um pseudocódigo para unir os dois vetores em um único vetor w que contém os dois
Inicialize os contadores i e j
eu=1
j=1
pelo contrário
Os valores que possivelmente sobraram são somados a w dado que os dois vetores, x e y, têm comprimentos
diferentes. Como os vetores x e y já foram ordenados, esses valores restantes não precisam mais ser
ordenados.