VPL E Risco Político

§
taxa de furor
Risco Ambiental

Risco
Social Habitacional
Risco Enoja .

① bar Aleatório Virado

.

VPL ; P ;
V P L, . 1 VPLI PI
V P L . .
2 VPLI P1
P3
•
V .
P .
L 3 VPLI P}
"
V. P . LY VPLY Pu

V. P L é . v. a
definido espaço
amostral no -
.
{VPL.VPLa.VPH.mu}

{Ê
d. Nesse caso Of pit 1
f.
e a. a
p p :

pi = 1
i. ,

iwTí
-

Entendendo VPL

ii EIVPH = ÊVPLI .
Pi
i. 1

iµuµµ iµ×;→µµµ=[×÷÷âíiâ=µrã
+ n.it =
[ ✗ i
n

'
-

H É
×
.
n

→
Lori ✗
↑?
n

Ei ✗4- F- 1×12
n

② boriavd Abateria Continua

Espaço amostral iri é

infinito -

.
VPLEI -
o
,
+ a )

~ -

Ix - MÍ
if.d.p-fIXIM.v-4.gg
2.
> VPLIXI .
e

,
 {{ flxlr.fi
Nesse o ≤ IM ok 1
fl
• caso ✗
,
1- ao

dx =/
td

i , EIVPLI =/ × -

find ×

- do

° 2

iii
torturá = / × ?
pixidx [ { -
✗ '

fim
.
dx
] ,

tu
sigo , neuroma
entender a
médio e a von de uma dado variável

também podemos obter estimativas pior monomotor médio e von .

por meio
do método MQOL Mínimo Quadrado ordinário
VPL

|
"
?
4- ⊖ Âo { 2 { Eu !!

y
}
,
•
{, { ,
y, .

y,

>
✗ (

( ✗ i. Yil
^
j
ly
- '
. _ ' ' '
. . . . . . .
. . . . _ . ' ' ' ' ' ' ' ' ' ' '

}{ j
- ' -

li
: ! "
yi Po
-
.
+ Bix + Ei Ei =

yi
- Bo -
Bai
:: :
: ÷
.
: n

:: : Logo SQE [ Ei ? Êlyi Ro Bixii

:
-
-

:
-
.

i. É 1=1 i -
_
^

g- I Bo , BII
:

: ✗ Irirco
> =

✗i SQE SQE -
_
f / Bo BH
,

- -
-
- - -
- - -
-
_ .
.
. ,
,

Jusejo durmir por

-
- - - -
- -
.
- -
.

,
.
.
.
.

MQO
• - - _ É
>
a

y í
'
'

'
-
- -
- - - -- - -
- - - - - - - - •

'

Mim SQE Min[ IÍ

lyi Po A.
'

Bo +131×+132×4 { i ✗
'

yi
' - - .
'
_
' -
_
'

Bo Rime
.

Bo Pei
.
.
. .
. .

, ,

> ✗
 §¥ O Ii , I I I #E [ 21
yi Bo Br ✗ it I 11 É 21
yi
 o B e xi II 11=0
-
=
-
= - - - -
.

-
C PO : 2 Bo

> [
yi
- [Â o
-
Bíxi = O

= n
y
.
-
n Âo - Bin I = O

ig =

Em  o =
j -
Br .
E
E
nyf =
yi

§¥E_ = O Iii I Substituindo  o

-
_

j -
B . . I no
função SQE =

Elyi Bo e
-
-
Ri ✗ A? tema
.

S Q E [ [ yi I B a II B i. ✗ À [
NY À Â / ✗ i x-D
{ 7¥
HI / ✗ iii.o
= -

j - -
⇐ -
- -
.
.

2
[[ ]
SQ E =
lyi jl .
- B, ( × ; . ×, =
g , µ,
[ Â E- O
=
lyi jl I Xi
-
.
- II -
.
21 ✗i -
i

=
 1 =
[ I yi JI -

.
/✗I -
II in -
n

[I xi -
II in - n

tu sigo  e = Cool X Y I ,

von I ✗ I

[
Ho : Br = O

von I B , | Hr : B1 ≠ O

Exercício

Suponha X ~ NI M
,
11

Encontre  por mãx verossimilhança

Para isso precisamos de

→ Uma amostra • ii. 01 Indemne Igualmente Distribuído)

Uma dista de mob BI ⊖ I
→
funçãode dort .
.
.
,
✗

I relaciona
a
função se

a cada uma dor vou .

oh do .

omortrv |
se ✗ ~ NIM 11 ,

h
desconhecido
Amostro : ✗ 1 ,
. . . .
,
✗ n ii. d 2

-71¥ )
função : BIM ,
o ! xl =
1 e

2.1T 02 .

taxi ? IOÍ ?
=
Exp
{-11%112}
① vamos estimar o poro
metro M desconhecido

LI µ , 02 ✗ 1 . . ..
✗ nl
, ,
. .

,
! ,
BIM o ? ✗ I ,

" "
= Lari ? Iii ? { xp
{-21.1×-112}
=
12×7 Iii? { xp { .

Êlx -
mi }
②
jogar logaritmo em tudo

ln / IAÁÊ 104? .
aep { -12 Enjoei }]
=

-21
.

lnl21TI-i-N.tn/o4/+-1aEixjril
③ Derivou igualo a 0 para encontrarmos o móne

É /FÃ
" '
EE ≤Eixini]
-
-

2
• g

[ IXI
-21
= .
-

MI .
2. 1- 11

:
= 1- [ ( xi - MI = O <
2 i= 1
q

#[ [ Ixi -
NMI
] = O

M [ ✗J T
confirmar é torto derivar ver o
pegar o que
e
= =
para se esse more ,
e

resultado é negativo / Concavidade

N
voltodapawbainolíroqu
o ponto encontrado / I é um ponto de máximo
.
① Deriva novamente :

%
[ Ixi -

u I
}
↓

É# -
um
]
N é positivo não escute n° de omortw negativo
- porque
=
-
N {O
F- -2
o também é positivo porque qualquer n° ao
quadrado é pai.
 uou rution Unir indivíduos
-

em um período díbyu

-
dada de toda
empresa do bobwu
um tempo

time seria - um indivíduo

em várias séries de tempo

A dar duas urutu

junção
em dados painel em

Resulta viria iml

)
-
em .

-
trívia períodos de tempo

vóuir repetida Indi . no

tempo
-
Individuo tempo otimo total
cnpj
A BC 2020 1 1 vouíul só I

A BC 2021

A BC 202 2

No Cconomotiw

do rution
1°
bcreeniny - o uou

motim - time ruins

2° Do tdo mí todo
amo
formo
-

↳ hein
'
| Bórico
criar coluna
lobo total
L 202 1

Preciso Prestar
atenção
indivíduo
pois ,
a PETRO tem 3
no

e
4
,
que
possuem o mesmo ativo total Por .

iru meeiro saber quem é o indivíduo

puro
µ, uma
L
demonstrativo piwn .

L Ind & Com BR

L Receito
líquido de Ip
L
dizem 2 O 21
 |

¥0
≤

ldrirnouojonh
ldlemonrtnotiuopin .

A
I
bltuondotode
todarwhmar

I
Dezembro 2020

India tamanho
Íimdebor Altura .
-

.
Finança - Dinheiro
Político seguidora -

r
> ogmdóiohiodetono nhono contento
.

Íimpotãhmntuumdowhodglotaltiwvoiwçãoobw
ih
leoutwr
otivototor
i
-

Muito.HN/-.d-itoipdoRuuto?
mobi-HAI.it Ferindo Imobi -
>
.

quanto do tunel /IATT ! foimloluno

-

->
.

ativo total . .
-

Hino#Ei . >
toimlowiu

Ão Dividendo
mairurual

r Explicação
> de
{
.AT#toipdodipoqupozemorotirotdal...
Dividendos
Quanto do
violino ?
tt-1 norcaror
nigoytvntido
uloáonodaaotirototol Logo . . .
Mudamo

(
a
referencia
Pouínerrolágiuín amontado
seaplicaaoll LucroLigue:{Dividindo / LL pelo lucro - >

dofoiupwvn Líquido .

tudo . . .

Emmm
BTM PL PL > VM /
Btn
1=1%1
→ > > / = >
.
- +
Descontado
VMT
Emma
MTB -

_
III. → MTBI /
¥41
um > PL
/ sobupreaji /
.
 dog tiro
valores
doando
exponencial ele apenas reduz
o
, que estejam
ordem dos ativos
empresas com

, que seja respeitado

fazendo com a mar a

diferença dela diminua

{ diferença de médio
teste
hearst
+
Neighba Nothing
MQO e
louórrldlummy

mundo
interferindo
huocoirf.ca
sempre que olha para
governo
o o

ele tributo
faz operações que influenciem
empresa ,
em uma e o
,

hóumefulonugiipouirropoycomopuroumpurorofwi
mundo de ◦ ↳
Cigarro lruponhomaqm há
4
You ) pode caracterizar
o •
empurrou com
-

intnfiwl que
o tipo de
empresa que governo
o

interfiro ,
arwnact .

- Setor _
Dúvido KPELP )
- tamanho -
ROA

[
Risco Tributário > Risco Mercado bãióul de
controle

Egito
Cugvssividade
tributário ( ↓ ETRI } hdatilid .

meço ação
1

pode forçar
J - I t t +

Uma empresa o

viii. mamadowww.nai , podendo coming

assim
reduzir orninporta de uma hnnoucimnt
impuro, porém isso é um risco Nate

Yom
não ter
suponhamos que há
360 empurrar
que
•

you
.
a-
interfiro )
 Hi :3 egeitodoriscotnbutóuionorircodemucadoémaior em empresas
controladas
pelo governo

TLC : Iv Nlu ,
-121
M

M É
bordar médiurnimortnair
,

a- 10 A- 1000 n - > a

adifí diminuem nidar

D- ymena☒ conforme
-4×-1=1 =/ M XT M amostras aumentam
N
/ (
-

≠
_

p
ii. =/ À# M M
?
ir × -

É / I} # N
(

EIXÍM Ein M EIXT -

_
M

barlit =
↓ trouxe Uaiii -
> O

n
n↑

r
Ê à]
à
i

w
urodoomortii enodoomot .
2
:*

.ie#*****Fsignip.drNi
*

.
JSI .
90%

tabdolitortededifuençodarmídior
mâíÃpT difdarmídiar
GOV

variável mí p -
valor conclusão

Tamanho
* * *

15,2 yyg O y
, 0,000 médio vi.
decorei
indo
* *
0,4
" "

si
0,012 .

ROA 0,08
*
0,074
"
"

eu .

níobs 400 3600

/ Vinho entmdnreumgmpoéremelhatrao
" outro
Tut dedigdemídio
.
vonárrlavonióve

/
Ha-ha -

.
MB 1) MA - MAO
difdrmédiarmísigni .
)
Ha Ma # MB C) MA - MB -10
diferença
de mídiaríriopnipwtivd

Governo bígamo

\
✗ A ta
52A ÉA

^^À
(

'wMÚ
"◦ " " °
"↳ =
" "
⇐" " "" """" """ "
↳ =/ " " "" À" "" " "
À
' '
von HI : W .
-

É =/ Sp +
Sp na -1mn -
2

FB '
na -1 MB - I

von
diferente ! A- si .

sendo BÍ
WI-flna-r.mx/.t--lx-r--X-Bl-lMA-MBl~Tivi,rendov--lA- B
'
'
com

B- SÃ
na

n.sn?,- SÀ ,
+
MD
1 MA
' '
MB -1
MB
-
Carol

fã
}
:

> i. ( n-gomilosevidimorindiwmqmma.im .

""
seu

wol

ftp.fx-r-lao
:

>
IRÁ
Goo!

'

FI .

④ o XA X-D
-

REJHop.bolortN.smed.ws#s. . :A.j?
•
rhívdderiqnipiãncio
-

tio 1,96 " " ERC

1,96 o t 1,96
MAMAI
f-
pula
d- Rc
> Ns
À
ryü .
Ho

•
treinou
•

\ rhouueaopuoqãvhovototo
.
•
íntreinou
°
@

tioeoueuaopuoçóotovojato
•
•

"
antes depois treinamento

→ Conclusão Não -

podemos comparar indivíduos não

companhia
GOV NGOV

• •
 ohwurtheighbahratchimg
Cyudoadtuorindiníduarimdhontu

MQO
elarióvddtummy
Bo Ei ({ Bo)
yi i.
yi
-
.
+ = > -

i. Â
Y'
ijii Por MQO : Min SQE = Mim Ê lyi
-
Bot
Bo pg i ,

CPO
/ JSQE
JBO
= O
) . . . . - - - --

[ 2/ ÂOÍI -11=0
yi
-

ny=E
[
ig yi
-
.

Êyi -

Ipi . -
.
o

1=1 1=1

ix. j-n.ro Âo
j
-

Bo -1131 Ei
yi
-
. .

Dgoo +

Âo
Bríyg jng
À
-
Gov
não
_-

Ôgng
yi-IBO.BA igng Âíyyor
NGOV
jong-
_
+ Ei =) Bohr _-
jogou +

Âr

jgov-y-noyi-Bo-isin-%Ba-in.gg
-
.

{
? ? '
1-10--131=0
Hr -131=10
-

-
?⃝
 "

Problema
"

: Imissão de borioírl Relevante e

correlacionado triste estima
'
coq .

Angular / Efeito médio de ✗ tem

yl
Regressão Simples
Yn .
Hm Ynl ,
Yi Po PI
+ .
+ Ei Ei=yi-Bo-B⊕
I
'

'
j 131 intercepto
po
}; >
✗1
✗1

OBS : Por MQO ,

devemos estimar Boi BI

Mim SQE = Min [ É ¥ Mim Ê [

yi Po Bi
- -

.
HÁ
1=1

Âo = Y -
ÂI Â.
e 13^1 [ thi = -
XD / Yi Il
.
-

n -1 =
Cor / 41×11
[ IXII -
Irfan -1 vorl YI )

Ex :( APM / Capital Cessetpucing Modell

Risco Empresa = Risco Sistêmico + Risco Idiossincrático

Risco A Risco
empresa B Wioiwlmente
empresa :

AI BI
•
•

As B 2 Risco
y
-
-

-
- _ . . . - - . . - _ . . .
. .. - - . -
↑ - -
- -
-
- - - i - -

Risco Sestemiw
- e - - - - . .
→ - - - -
↑ - -
- -

Empurro
Rvuosestemieo
^
-
-

Situações Situações
'

Risco =
f Risco + Ei "
nhã
Empresa i Mercado , É
?
"

mjy ,

? ;
Risco P Risco Mercado f { it
.

B
.

=
o + 1 t
y
.
. . . . . . . .. . . . . . . . . . .. . .. . . . . . . .
. . .

Empresa :
hum tosco de

juros 1×31 j proj ij-

.
+

Risco Surtemico Risco [ ✗ i. ✗ a]

Idiossincrático
 }
* i
: Generalizando , para

: [ ✗ i. XÍ à] sendo xj borioul
× ✗
.FI/....,K
-
-
. . . . . .

,
.
,
,
sistema
projij
[ ✗ 1. ✗ 2]
Y
TÁ ✗
e;

d d l
✓
proj y
E- [ ii. XÍ ,
. . ..
/
ÊXI
,

>

rrojjj B

T-EEEF-H.fm ✗ e Erwin
possuem informações em comum
"

Regressão
thultipli Considere Bo Bilii Badri Eli 111
yi
.
: _
-
+ + +

④
⑦{
☒
com
{ Cordel
Covlxjr
21=10
Eiko
,
✗

,
j -1,2

Suponha que seja omitido Assim

✗2 Botpsixi + Eu 121
yi
-
.
.

MQO
 :[ ( Xii -
Ii ) /
yi-yl.L-lxii-xilyi-EIXii-X.ly Br :[ lxri -

lilyi 131
E / Xii - Ii )
'
[ lxii - IN
'
[ IXI ; - IÃÍ [ lxii -
X-p

Ü¥çnã Ââ n n
* *

.IE?j---y-
[ Ixii III. [( Xii Ist
"
iy g-
- -
-
_

[
Inimigo:-[ xüj [ [Xii -
[ xi] -

_
O

**
[ Xii -
Iii
☐ÊÍÂ Elxii III. Hei - -

Hm 10 ,

substituindo

Iiü
/ 11m13 ) temos
Elxii

SOFT
✓
,
-

ÂM [ ( Xii -
XIÍBO + Bi ✗ ii. Baixa ;
-
+ Ei :/ = BOEIXI -
ii. Br {lxii -
XNXI :-/ BÍHXII -
ii. ✗ ei -1 [Ixi KIEV -

[ 1×11 ✗ 112 SQT SQT SQT

✗1 ✗
11m11 11m
-

✗
.
"
?⃝
 =/ O
viva Cov / ✗ 1,112110 Coelhinho
CoolXçXT
10-0
=/ 131 = BI + Ba . =
,
vorlxrl 70 Bato + ↑ -
↓

viés Bio -
↓ + ↑

1mA elotêemknda
Adumomynãoé
"
i. o ✗ DA DB Da DA apenas ,

entender
2
1 A
A
1

1
O

0
0

o
1

1
o
qmadunny junto B.ÇD
Porvirodnrmomtu DÊ rmdomaierpeéqiuquato
.

3 B 1 O nocarodelorn Qdo pode

O 0
agrupo porque ,

Y C O 0 1 Í ser comparado apenas coma C , ou

apenas com

S D O O O QB ou com a Bepao mesmo tempo

Couimpveirornadqiiulrmo
CONTRARIO CASO

aí{Y' rtgrupoodursn pensado deformou

-

regarantncomrorabilidadecomogrupol

De
{ tires◦
/
caso contrário
'
undo si -1psec

dummiu podem intercepto ?

Como
agitar o

pitoni
MQO
A

Âaii
yi-pa.ci
 I -
_

i;÷÷
 NIQO

Enio
'"

Yi POTE
> PÔÍYB
y
=
=

i.
A
g-
.
*
a

} Â ja
-
_
-

g- B
yi-PO-ips.BA + Ei

Âiyr :: ii. . : B
%
nao
n n

yi-lpo.ph
+ { Bot Beta
ç,

Pi -
ja JB -

BI
entre
capturo diferenças médios
IIAIEOIBI
orgrupor

① Definindo arvoniéni

Cvuqualmomaiu

Do

ILL -1T caixa )

-

j Bii
Âo
Regtuneon não

{
- -

flipotvuda Linearidade
_

= ) Po -1131×-1 E Bi Elxi ☒
Kyi JI
y
- -
- -
_ -

'
[lxiyl
'
je Âo ÂXI +

yn
} Ên
jn
E

É
*

vomoragetuoralgunralgdroimo
tão ① Êi
ji Âo Ârxi
yi yi
- - - -

YI
.

n ✓

Âo -
Bixi
g-
-
Âix

N I Êi Âilxi II
xn >
yi j
- -
-
= =

Bwoadettador
Tomando obtemos
OBS X Y
j-BO-BIxsi-yi.fi o somatório ,
d- 1 . .
.in

1 ✗1 y,
Jr Bo BIXI
+

EÊ
O

Âílxi
n° n

[ Ei
n

? Já Boo B [
lyi jl II o

? ?
" '
-
' " = - -
- -
.

in

%
in

,
n ✗ n Yn
②
yi
-

. Ão + Bix + Êi
Tomando o somatório ,
1=1 . .
.in ,
obtemos
-

[ yi =
ÊÂO ÂEXI + + [ É
d- 1 1=1
-

Âo .sn/.x-
""

Hj = + B,

íg
-

_
Ão + ÂI 121

tusejolxy / E Regressão

③ bahronalirodoagowoníulde variação informacional dos

dados :

•
Somados quadrados totoiriyi SQT -

.
[
lyi g- Í -

Somados quadrados nephiadolyl [

ligi ji
Ê=EÊ%
• SQE -

_
-

" mi

•
Somados quadrados resíduo / ê ;) -

.
san -
. [ [, .jp
SQR=[Ê"

Algebricamente ,
temor * o

SQT -

ji-yi-y-I-E-ii-lji.gl/I-EEi+Elji-jI+2-Elji-yYj=1
Êlyiyl:-[ lyi -

variancio
vonivneu
explicou Wuiomeio

.IE?is-opTomoloiR4d
total
Foi
Logo
ii.
Retorno Acumulado

|
100 -
> 100 - >
121 Retcuumulodo -

. Iii

• • • •
Ri -

_
Rt Pt-1 -
ir

Llurdosuu Ptr 10% 10%

logRC-tac.bg/ITl1+tiI
E. A. D
21%
log
RETAC
Elogiar :|
A

Ri -
Pri Rn :( AR
-

Farra
.

↓ >

Retorno Amor Reta lo -

[
logl " ":)
- p
.
.

mal acumulado
 CARO

111111111M
CAR Ei v ✓ ✓ El El Es Ey
CAR [ 2 V V

V CARO =
130+131 _
( AREI -1/32 . CARE 2 . . .
+ PKCARE -1 E
CARAD 10% 12%

tudo dia 11/10/2022 É YÉÊI

{
e
que
. t.hi-ii.in:* " .

SQTX SQTX

Em moddorsimphr vimos
que , por
MQO soba hipótese de
que
E / { 1×1=0 tumor E Ârl ,
/ -

_
Br

¥
BI ✗ E +

y
-

modelos múltiplos
_

g-
B. Bine +

subirão distinto
•

entre
Em
mostrara inexistência de viérbortomdo
, conseguimos dnivonorwyici -

rorroultodortamlóm além da hipótese ELE / ✗1=0 tenhamos independência a

que , ,

linear entre as variáveis .

Isso Bo Br Xii 132×21-1 BKXKI Ei 1=1

porque yi +
= + + +
. . . . .
. . . _
,
. . . -
in
,

2µL
obs 130+131×11+132 ✗ 21 BK XKI {1
YI
1 = + . . . .
.
+

obs = B ◦ B ? ✗ 12+132×22-1
+ - ' ' .
BK ✗ " 2.
.
+ { 2 ⇐Nn ✗ " ✗ m " '"" '
B "" " ✗" { n' '

:
obs Bo Brunt 132 ✗ 2m BK ✗ Km { sendo
yn
n = + -1 . . . .
.
+ n

cohmodelpawntodok -11 ✗ = × .
B+ E

multiplicou motiyvoirn : tinhoxwhmo

µ
→

"

não pode ertimonvguuãorma constante

leporino peciramodo coluna 1

=/ §} / | | {/
✗
§?
✗ =
1 ✗ 11 ✗ 21 . .
.
- ✗ a
,

B-
! ✗ 12 ✗ 22 ✗ ir
.
e
. . . -

,
: :

Ãh
mm

1 ✗em ✗ 2m . _
. -
✗ Km

mxlk -111 IK -11/ ✗ n n ✗1

 í ?

YIK-ulxn.cm/~Hz:ElEixl--
nesse caso ,
temos Y = ✗B + E =) ✗ IK-111in Ynxi . =
XIK -111in .
✗ nxlk -111 BIK-111×1
.
+

Independencia linear / dut / 1=10--77 / ÍI

'
O H}
'

: ✗ ✗ ✗ ✗

wi-i-HEF-%FE.in#7inHTnoitY
entre

;¥¥¥¥¥:P.FI?*ii:iiiEii#iH****
is ✗
"

{
sendo # E- 50+52 ✗ TEM Sx ✗ tsulrtituindo
vi. F1
#
"
=
,
'' +
Y -

_
XB + { mim dtema

Â~
,

ÉE
 =/ ✗ ✗ ÍX:[ ✗ Br)
/ a)
E? i. si Ei
'

K , { i. Cni . { = + [ ..

E
 =/ ixi ! / ÍXIB lixi ? E
'

Em + ✗

% =ãn
- 1

, i. ☐ "" i. ×,
O
>

EIÂIX/ =D + IXÀÍEIÍEIX] El Bin! B

solução do problema de otimização
Ê{?
"

Min {{ = Mim ,

txn na
B
Bo ,
Bç .fm. .

Além da estimação dor B's é ,

possível mostrar que ,
assumindo Hu :{ ~ NIO ,
-44 obtem
,

F!
von / Bj/ =

SQT ✗
jll Mil -

52
Tomando vinil Ê -

.
=
E / Êi - ÊÍ -

_
[ Ê ? onde p
-

_
K -11 / n° de parámetros estimo .

n
p n
p
- -

dor ) , obtemos varl ÂJIT -

.
FI .
Nesse caso
, vmorqueor
3 porta abaixo comum

SQT × 11 -

Rj )
Tirou
Âjl
1 ↑À = ↑ von / ÂII ( Isso pode ocorrer
quando omiti - renováveis relevantes no
modelo/

2 Como SQT xj _
-

[ / Xji -

ÍJÍ ,
amor
que
↓ SQTXJ = > von IÂII

Isso ocorre se :

#
{ Ho :B :O vinte treinador ↓ SQTXI do somatório
-
_

O HI :B #O
b) caso xj tenha pouco variabilidade nois lonixji

Definimos Píjcomoopidougu
=
,

③ .
E / Xii Iii sQ -
-
-

ssão de Xj mar dimais variáveis n -

i n -
r

explicativa :

✗j -15J -1 Xj 1
tsj +1 j -11 +
SKXK E
fo +51×1+52×2 ✗
- + . . . ...
+ . . - - -
+

Nesse caso ,
↑ ÂJ ↓/ 1- RH = > ↑
/ p.ly/--VIF;lloriationInplotionFoetol=iTtonlBl
Esse problema denomino -
se thultiwlineoridaoh
 sendo
VI F 1 =

µ ,
,
✗1 =
SO + 52 ✗ 2 1- . . . . . . t Sx ✗ K + v1

VIF 2 =

11A sendo ,
Xr = SO 1- 51

"
[✗ =
R j 0,8 =