Capítulo 3. Modelos Probabilísticos
|
|
- Salvador Brandt
- 5 Há anos
- Visualizações:
Transcrição
1 Capítulo 3 Modelos Probabilísticos 3.1 Introdução Neste capítulo serão descritos vários modelos adequados para dados de séries temporais. Tais modelos são chamados de processos estocásticos. Matematicamente um processo estocástico pode ser definido como uma coleção de variáveis aleatórias ordenadas no tempo e definidas em um conjunto de pontos T, que pode ser contínuo ou discreto. Iremos denotar a variável aleatória no tempo t por X(t) no caso contínuo (usualmente < t < ), e por X t no caso discreto (usualmente t = 0, ±1, ±2,... ). O conjunto de possíveis valores do processo é chamado de espaço de estados que pode ser discreto (e.g. o número de chamadas que chegam a uma central telefônica a cada 2 horas) ou contínuo (e.g. a temperatura do ar em uma localidade observada em intervalos de 1 hora). Em análise de séries temporais a situação é bem diferente da maioria dos problemas estatísticos. Embora seja possível variar o tamanho da série observada, usualmente será impossível fazer mais do que uma observação em cada tempo. Assim, tem-se apenas uma realização do processo estocástico e uma única observação da variável aleatória no tempo t denotada por x(t) no caso contínuo e x t, para t = 1,..., N no caso discreto. Uma maneira de descrever um processo estocástico é através da distribuição de probabilidade conjunta de X(t 1 ),..., X(t k ) para qualquer conjunto de tempos t 1,..., t k e qualquer valor de k. Esta é uma tarefa extremamente complicada e na prática costuma-se descrever um processo estocástico através das funções média, variância e autocovariância. Estas funções são definidas a seguir para o caso contínuo sendo que definições similares se aplicam ao caso discreto. média µ(t) = E[X(t)] variância σ 2 (t) = V ar[x(t)] autocovariância γ(t 1, t 2 ) = E[X(t 1 ) µ(t 1 )][X(t 2 ) µ(t 2 )] 21
2 22 CAPÍTULO 3. MODELOS PROBABILÍSTICOS Note que a função de variância é um caso especial da função de autocovariância quando t 1 = t 2. Momentos de ordem mais alta do processo também ser definidos mas são raramente utilizados na prática e as funções µ(t) e γ(t 1, t 2 ) são em geral suficientes. 3.2 Processos Estacionários Uma importante classe de processos estocásticos são os chamados processos estacionários. A idéia intuitiva de estacionariedade foi introduzida no capítulo anterior e aqui será apresentada a definição formal. Definição 3.1 Um processo estocástico é dito ser estritamente estacionário se a distribuição de probabilidade conjunta de X(t 1 ),..., X(t k ) é a mesma de X(t 1 + τ),..., X(t k + τ). Ou seja, o deslocamento da origem dos tempos por uma quantidade τ não tem efeito na distribuição conjunta que portanto depende apenas dos intervalos entre t 1,..., t k. Em particular, para k = 1 a estacionariedade estrita implica que a distribuição de X(t) é a mesma para todo t de modo que, se os dois primeiros momentos forem finitos, temos que µ(t) = µ e σ 2 (t) = σ 2 são constantes que não dependem de t. Para k = 2 a distribuição conjunta de X(t 1 ) e X(t 2 ) depende apenas da distância t 2 t 1, chamada defasagem. A função de autocovariância γ(t 1, t 2 ) também depende apenas de t 2 t 1 e pode ser escrita como γ(τ) onde γ(τ) = E[X(t) µ][x(t + τ) µ] = Cov[X(t), X(t + τ)] é chamado de coeficiente de autocovariância na defasagem τ. Note que o tamanho de γ(τ) depende da escala em que X(t) é medida. Portanto, para efeito de interpretação, é mais útil padronizar a função de autocovariância dando origem a uma função de autocorrelação ρ(τ) = γ(τ)/γ(0) que mede a correlação entre X(t) e X(t+τ). No capítulo anterior foi apresentado o seu equivalente empírico r k para séries discretas. Note também que o argumento τ será discreto se a série temporal for discreta e contínuo se a série temporal for contínua.
3 3.3. A FUNÇÃO DE AUTOCORRELAÇÃO 23 Na prática é muito difícil usar a definição de estacionariedade estrita e costuma-se definir estacionariedade de uma forma menos restrita. Definição 3.2 Um processo estocástico {X(t), t T } é dito ser estacionário de segunda ordem ou fracamente estacionário se a sua função média é constante e sua função de autocovariância depende apenas da defasagem, i.e. E[X(t)] = µ e Cov[X(t), X(t + τ)] = γ(τ). Nenhuma outra suposição é feita a respeito dos momentos de ordem mais alta. Além disso, fazendo τ = 0 segue que V ar[x(t)] = γ(0), ou seja a variância do processo assim como a média também é constante. Note também que tanto a média quanto a variância precisam ser finitos. Esta definição mais fraca de estacionariedade será utilizada daqui em diante já que muitas propriedades dos processos estacionários dependem apenas da estrutura especificada pelo primeiro e segundo momentos. Uma classe importante de processos aonde isto se verifica é a classe de processos normais ou Gaussianos aonde a distribuição conjunta de X(t 1 ),..., X(t k ) é normal multivariada para todo conjunto t 1,..., t k. A distribuição normal multivariada fica completamente caracterizada pelo primeiro e segundo momentos, i.e. por µ(t) e γ(t 1, t 2 ), assim estacionariedade fraca implica em estacionariedade estrita para processos normais. Por outro lado, µ e γ(τ) podem não descrever adequadamente processos que sejam muito não-normais. 3.3 A Função de Autocorrelação Foi visto na Seção 2.4 que os coeficientes de autocorrelação amostral de uma série temporal observada são uma ferramenta importante para descrever a série. Analogamente, a função de autocorrelação teórica (fac) de um processo estocástico estacionário é uma ferramenta importante para assessar suas propriedades. A seguir serão apresentadas propriedades gerais da função de autocorrelação. Se um processo estocástico estacionário X(t) tem média µ e variância σ 2 então ρ(τ) = γ(τ)/γ(0) = γ(τ)/σ 2 e portanto ρ(0) = 1. As seguintes propriedades são facilmente verificáveis. 1. A correlação entre X(t) e X(t + τ) é a mesma que entre X(t) e X(t τ), ou seja ρ(τ) = ρ( τ) < ρ(τ) < 1.
4 24 CAPÍTULO 3. MODELOS PROBABILÍSTICOS 3. Embora um processo estocástico tenha uma estrutura de autocovariância única o contrário não é verdadeiro em geral. É possível encontrar vários processos com a mesma função de autocorrelação, o que dificulta ainda mais a interpretação do correlograma. 3.4 Alguns Processos Estocásticos Nesta seção serão apresentados alguns processos estocásticos que são utilizados com frequência na especificação de modelos para séries temporais Sequência Aleatória Um processo em tempo discreto é chamado puramente aleatório se consiste de uma sequência de variáveis aleatórias {ɛ t } independentes e identicamente distribuidas. Isto implica nas seguintes propriedades 1. E(ɛ t ) = E(ɛ t ɛ t 1, ɛ t 2,... ) = µ 2. V ar(ɛ t ) = V ar(ɛ t ɛ t 1, ɛ t 2,... ) = σ 2 ɛ 3. γ(k) = Cov(ɛ t, ɛ t+k ) = 0, k = ±1, ±2,.... Como a média e a função de autocovariância não dependem do tempo o processo é estacionário em segunda ordem. A função de autocorrelação é simplesmente ρ(k) = { 1, k = 0 0, k = ±1, ±2,.... Um processo puramente aleatório é as vezes chamado de ruído branco e pode ser útil por exemplo na construção de processos mais complicados. As propriedades acima podem ser entendidas como ausência de correlação serial e homocedasticidade condicional (variância condicional constante) Passeio Aleatório Seja {ɛ t } um processo discreto puramente aleatório com média µ e variância σ 2 ɛ. Um processo {X t } é chamada de passeio aleatório se X t = X t 1 + ɛ t.
5 3.4. ALGUNS PROCESSOS ESTOCÁSTICOS 25 Fazendo-se substituições sucessivas obtém-se que X t = X t 2 + ɛ t 1 + ɛ t = X t 3 + ɛ t 2 + ɛ t 1 + ɛ t. = X 0 + e iniciando o processo em X 0 = 0 não é difícil verificar que t j=1 ɛ j E(X t ) = V ar(x t ) = t E(ɛ j ) = tµ j=1 t V ar(ɛ j ) = tσɛ 2. j=1 Além disso, a função de autocovariância é dada por Cov(X t, X t k ) = Cov(ɛ ɛ t k + ɛ y k ɛ t, ɛ ɛ t k ) = (t k)σ 2 ɛ e portanto a função de autocorrelação fica ρ t (k) = t k. t Como a média, a variância e as autocovariâncias dependem de t este processo é não estacionário. No entanto, é interessante notar que a primeira diferença de um passeio aleatório é estacionária já que X t = X t X t 1 = ɛ t. O passeio aleatório também é conhecido como tendência estocástica pois uma realização do processo pode parecer uma tendência quando na verdade é uma soma de pequenas flutuações estocásticas. Como exemplo, na Figura 3.1 aparecem os valores simulados de dois passeios aleatórios e seus respectivos correlogramas. Os exemplos mais conhecidos de séries temporais que se comportam como um passeio aleatório são os preços de ações em dias sucessivos (ver por exemplo Morettin & Toloi 2004) Processos de Média Móveis Seja {ɛ t } um processo discreto puramente aleatório com média zero e variância σ 2 ɛ. Um processo {X t } é chamado de processo de médias móveis de ordem q, ou
6 26 CAPÍTULO 3. MODELOS PROBABILÍSTICOS observacoes autocorrelacoes tempo defasagem observacoes autocorrelacoes tempo defasagem Figura 3.1: 50 observações simuladas segundo um passeio aleatório com σ 2 ɛ igual a 0.1 e 1 e as 20 primeiras autocorrelações amostrais. MA(q), se X t = ɛ t + β 1 ɛ t β q ɛ t q, (3.1) sendo β i R, i = 1,..., q. Não é difícil verificar como ficam a média e a variância deste processo, E(X t ) = E(ɛ t ) + q β j E(ɛ t j ) = 0 j=1 V ar(x t ) = V ar(ɛ t ) + q βj 2 V ar(ɛ t j ) = (1 + β βq 2 ) σɛ 2. j=1
7 3.4. ALGUNS PROCESSOS ESTOCÁSTICOS 27 Além disso, como Cov(ɛ t, ɛ s ) = σɛ 2 para t = s e Cov(ɛ t, ɛ s ) = 0 para t s, a função de autocovariância é dada por γ(k) = Cov(X t, X t+k ) = Cov(ɛ t + β 1 ɛ t β q ɛ t q, ɛ t+k + β 1 ɛ t+k β q ɛ t+k q ) 0 k > q q k = β j β j+k k = 0,..., q (3.2) σ 2 ɛ j=0 γ( k) k < 0 com β 0 = 1. Como a média e a variância são constantes e γ(k) não depende de t o processo é (fracamente) estacionário para todos os possíveis valores de β 1,..., β q. Além disso, se os ɛ t s forem normalmente distribuidos os X t s também serão e portanto o processo será estritamente estacionário. A função de autocorrelação pode ser facilmente obtida dividindo-se (3.2) por γ(0), 1 k = 0 q k q β j β j+k/ βj 2 k = 1,..., q ρ(k) = j=0 j=0 0 k > q ρ( k) k < 0. Note que a função tem um ponto de corte na defasagem q, i.e. ρ(k) = 0 para k > q. Esta é uma característica específica de processos médias móveis e será útil na especificação do valor de q na prática (Box & Jenkins 1970, p. 170). Vamos analisar agora com mais detalhes o caso particular do processo MA(1). A função de autocorrelação fica 1 k = 0 ρ(k) = β 1 /(1 + β1) 2 k = ±1 0 k > 1. (3.3) O processo é estacionário para qualquer valor de β 1 mas em geral é desejável impor restrições para que ele satisfaça uma condição chamada inversibilidade. Considere os seguintes processos MA(1) X t = ɛ t + θɛ t 1 X t = ɛ t + 1 θ ɛ t 1. Substituindo em (3.3) não é difícil verificar que estes dois processos diferentes têm exatamente a mesma função de autocorrelação. Assim, não é possível identificar
8 28 CAPÍTULO 3. MODELOS PROBABILÍSTICOS um processo MA(1) único a partir da função de autocorrelação. Por outro lado, podemos fazer substituições sucessivas e reescrever estes dois processos colocando ɛ t em função de X t, X t 1,..., i.e. ɛ t = X t θx t 1 + θ 2 X t 2 θ 3 X t ɛ t = X t 1 θ X t θ 2 X t 2 1 θ 3 X t Se θ < 1 a primeira série converge e o modelo é dito ser inversível mas a segunda não converge e o modelo é não inversível. Ou seja, a condição de inversibilidade (neste caso θ < 1) garante que existe um único processo MA(1) para uma dada função de autocorrelação. Outra consequência da inversibilidade é que o processo MA(1) pode ser reescrito como uma regressão de ordem infinita nos seus próprios valores defasados. Para um processo MA(q) esta condição pode ser melhor expressa usando-se o operador de retardo, denotado por B e definido como B j X t = X t j, para todo j. A equação (3.1) pode então ser reescrita como X t = (1 + β 1 B + β 2 B β q B q )ɛ t = θ(b)ɛ t onde θ(b) é um polinômio de ordem q em B. Um processo MA(q) é inversível se as raízes da equação θ(b) = 1 + β 1 B + β 2 B β q B q = 0 estiverem fora do círculo unitário. Ou seja, se δ 1,..., δ q são q soluções de θ(b) = 0 então o processo é inversível se δ i > 1, i = 1,..., q. Teremos então 2 q modelos com a mesma função de autocorrelação mas somente um deles será inversível. Finalmente, vale notar que uma constante µ qualquer pode ser adicionada ao lado direito de (3.1) dando origem a um processo com média µ, X t = µ + ɛ t + β 1 ɛ t β q ɛ t q. O processo continuará sendo estacionário com E(X t ) = µ e em particular a função de autocorrelação não será afetada Processos Autoregressivos Suponha que {ɛ t } seja um processo puramente aleatório com média zero e variância σ 2 ɛ. Um processo {X t } é chamada de processo autoregressivo de ordem p,
9 3.4. ALGUNS PROCESSOS ESTOCÁSTICOS 29 ou AR(p), se X t = α 1 X t α p X t p + ɛ t. (3.4) Note a similaridade com um modelo de regressão múltipla, onde os valores passados de X t fazem o papel das regressoras. Assim, processos AR podem ser usados como modelos se for razoável assumir que o valor atual de uma série temporal depende do seu passado imediato mais um erro aleatório. Por simplicidade vamos começar estudando em detalhes processos de primeira ordem, AR(1), i.e. X t = αx t 1 + ɛ t. (3.5) Note que existe uma estrutura Markoviana no processo AR(1) no sentido de que, dado X t 1, X t não depende de X t 2, X t 3,.... Fazendo subtituições sucessivas em (3.5) obtemos que X t = α(αx t 2 + ɛ t 1 ) + ɛ t = α 2 X t 2 + αɛ t 1 + ɛ t = α 2 (αx t 3 + ɛ t 2 ) + αɛ t 1 + ɛ t = α 3 X t 3 + α 2 ɛ t 2 + αɛ t 1 + ɛ t. r = α r+1 X t r 1 + α j ɛ t j. j=0 Se X t for estacionário com variância finita σ 2 X podemos escrever que E[X t r α j ɛ t j ] 2 = α 2r+2 E(Xt r 1) 2 = α 2r+2 σx 2 j=0 e se α < 1 temos que α 2r+2 0 quando r. Portanto, esta condição nos permite escrever X t como o seguinte processo MA infinito, X t = ɛ t + αɛ t 1 + α 2 ɛ t e assim α < 1 é uma condição suficiente para que X t seja estacionário. Neste caso, reescrevendo o processo k períodos à frente, i.e. X t+k = ɛ t+k + αɛ t+k α k ɛ t +... (3.6) note como o efeito de ɛ t sobre X t+k diminui a medida que k aumenta e por isso é chamado efeito transitório. Podemos também usar o operador de retardo reescrevendo a equação (3.5) como (1 αb)x t = ɛ t
10 30 CAPÍTULO 3. MODELOS PROBABILÍSTICOS ou equivalentemente X t = 1 (1 αb) ɛ t = (1 + αb + α 2 B )ɛ t = ɛ t + αɛ t 1 + α 2 ɛ t Escrevendo o processo AR(1) neste formato de MA infinito fica fácil ver que a sua média e variância são dados por E(X t ) = 0 e V ar(x t ) = σ 2 ɛ (1 + α 2 + α ) = σ2 ɛ 1 α 2. A função de autocovariância pode ser obtida usando os resultados acima. Reescrevendo a equação (3.6) como X t+k = ɛ t+k + + α k 1 ɛ t+1 + α k ɛ t + α k+1 ɛ t 1 + α k+2 ɛ t pode-se verificar que, para qualquer k = 1, 2,..., Portanto, Cov(ɛ t + αɛ t 1 + α 2 ɛ t , ɛ t+k + + α k 1 ɛ t+1 ) = 0. E(X t X t+k ) = Cov(ɛ t + αɛ t 1 + α 2 ɛ t , α k ɛ t + α k+1 ɛ t 1 + α k+2 ɛ t ) = α k E(ɛ 2 t ) + α k+2 E(ɛ 2 t 1) + α k+4 E(ɛ 2 t 2) +... = α k σ 2 ɛ (1 + α 2 + α ) = α k σ 2 ɛ 1 α 2 = αk σ 2 X = γ(k). Assim, a função de autocorrelação é ρ(k) = α k para k = 0, 1, 2,.... Assim, como a média e a variância são constantes e γ(k) não depende de t o processo AR(1) com α < 1 é estacionário. Na Figura 3.2 são mostradas graficamente as autocorrelações teóricas de um processo AR(1) até a defasagem k = 20 para α igual a 0,8, -0,8, 0,2 e -0,2. Note como a função de autocorrelação decai rapidamente para zero quando α = 0, 2 e se alterna entre valores positivos e negativos quando α = 0, 8. Ou seja sempre há um decaimento exponencial para zero mas este decaimento depende do sinal e magnitude de α. Generalizando os resultados acima para um processo AR(p) escrevemos novamente X t como um processo MA infinito com coeficientes ψ 0, ψ 1,..., i.e. X t = ψ 0 ɛ t + ψ 1 ɛ t 1 + ψ 2 ɛ t 2 + = (ψ 0 + ψ 1 B + ψ 2 B )ɛ t = ψ(b)ɛ t. e em analogia com o caso AR(1) segue que o processo será estacionário se j ψ2 j <
11 3.4. ALGUNS PROCESSOS ESTOCÁSTICOS Figura 3.2: As 20 primeiras autocorrelações teóricas de um processo AR(1) com (a) α = 0, 8, (b) α = 0, 8, (c) α = 0, 2 e (d) α = 0, 2.. Usando agora o operador de retardo a equação (3.4) fica (1 α 1 B α 2 B 2 α p B p )X t = ɛ t ou φ(b)x t = ɛ t e portanto o processo AR(p) pode ser escrito como X t = φ(b) 1 ɛ t = ψ(b)ɛ t. Assim, os coeficientes ψ j podem ser obtidos a partir dos coeficientes α j fazendo-se (1 α 1 B α 2 B 2 α p B p )(ψ 0 + ψ 1 B + ψ 2 B ) = 1
12 32 CAPÍTULO 3. MODELOS PROBABILÍSTICOS Desenvolvendo-se esta expressão segue que ψ 0 + ψ 1 B + ψ 2 B 2 + α 1 ψ 0 B α 1 ψ 1 B 2 α 1 ψ 2 B 3... α 2 ψ 0 B 2 α 2 ψ 1 B 3 α 2 ψ 2 B α p ψ 0 B p α p ψ 1 B p+1 = 1 + 0B + 0B e agora agrupando em termos de B, B 2,... ψ 0 + (ψ 1 α 1 ψ 0 )B + (ψ 2 α 1 ψ 1 α 2 ψ 0 )B 2 + = 1 + 0B + 0B donde obtém-se os coeficientes MA recursivamente como ψ 0 = 1 ψ 1 = ψ 0 α 1 ψ 2 = ψ 1 α 1 + ψ 0 α 2 ψ 3 = ψ 2 α 1 + ψ 1 α 2 + ψ 0 α 3. ψ i = i ψ i j α j. j=1 O efeito de ɛ t sobre X t+k é dado por ψ k, k = 1, 2,.... Pode-se mostrar que (ver por exemplo Box, Jenkins, & Reinsel 1994) a condição de estacionariedade do processo X t é que todas as raízes de φ(b) = 0 estejam fora do círculo unitário. Em particular, para p = 1 temos que φ(b) = 1 αb = 0 implica que B = 1/α e a condição de estacionariedade fica α < 1 conforme já haviamos verificado. Para reescrever um processo AR(p) em forma vetorial, defina Z t = (X t 1,..., X t p ) e portanto Z t = ΦZ t 1 + u t sendo a matriz Φ definida como φ 1 φ 2... φ p 1 φ p Φ =
13 3.4. ALGUNS PROCESSOS ESTOCÁSTICOS 33 e u t = (ɛ t, 0,..., 0). Para obter a função de autocorrelação de um processo AR(p) é algebricamente mais simples assumir a priori que o processo é estacionário com E(X t ) = 0, V ar(x t ) = σx 2 e Cov(X t, X t k ) = γ(k). Neste caso, multiplicando a equação (3.4) por X t k, i.e X t X t k = α 1 X t 1 X t k + + α p X t p X t k + ɛ t X t k. e tomando o valor esperado obtemos que E(X t X t k ) = γ(k) = α 1 E(X t 1 X t k ) + + α p E(X t p X t k ) = α 1 γ(k 1) + + α p γ(k p), k > 0. Dividindo-se ambos os lados pela variância constante σ 2 X obtem-se que ρ(k) = α 1 ρ(k 1) + + α p ρ(k p), k > 0 chamadas equações de Yule-Walker. Por exemplo, para um processo AR(1) com coeficiente α segue que ρ(1) = α, ρ(2) = αρ(1) = α 2,..., ρ(k) = α k como já haviamos verificado. Para um processo AR(2) com coeficientes α 1 e α 2 segue que ρ(1) = α 1 ρ(0) + α 2 ρ(1) ρ(1) = α 1 /(1 α 2 ) e as outras autocorrelaçõs são obtidas iterativamente como Autocorrelações Parciais ρ(k) = α 1 ρ(k 1) + α 2 ρ(k 2), k 2 Para um processo AR(p), o último coeficiente α p mede o excesso de correlação na defasagem p que não é levado em conta por um modelo AR(p 1). Este é chamado de p-ésimo coeficiente de autocorrelação parcial. Assim, variando k = 1, 2,... temos a chamada função de autocorrelação parcial (FACP). Por outro lado, em um processo AR(p) não existe correlação direta entre X t e X t p 1, X t p 2,... e substituindo k = p + 1, p + 2,... nas equações de Yule- Walker obtem-se que todos os coeficientes de correlação parcial serão nulos para k > p. Por exemplo, substituindo-se k = p + 1 segue que ρ(p + 1) = α 1 ρ(p) + + α p ρ(1) + α p+1. O fato de que a facp é igual a zero para k > p é sugerido em Box and Jenkins (1970, p. 170) como uma ferramenta para determinar a ordem p do processo
14 34 CAPÍTULO 3. MODELOS PROBABILÍSTICOS autoregressivo para séries temporais observadas Modelos Mistos ARMA Combinando-se modelos AR e MA pode-se obter uma representação adequada com um número menor de parâmetros. Processos autoregressivos médias móveis (ARMA) formam um classe de modelos muito úteis e parcimoniosos para descrever dados de séries temporais. O modelo ARMA(p, q) é dado por X t = α 1 X t α p X t p + ɛ t + β 1 ɛ t β q ɛ t q onde {ɛ t } é um processo puramente aleatório com média zero e variância σ 2 ɛ. Note que, modelos AR ou MA podem ser obtidos como casos especiais quando p = 0 ou q = 0. Usando o operador de retardo o modelo pode ser reescrito como (1 α 1 B α 2 B 2 α p B p )X t = (1 + β 1 B + β 2 B β q B q )ɛ t ou φ(b)x t = θ(b)ɛ t. Os valores de α 1,..., α p que tornam o processo estacionário são tais que as raízes de φ(b) = 0 estão fora do círculo unitário. Analogamente, os valores de β 1,..., β q que tornam o processo inversível são tais que as raízes de θ(b) = 0 estão fora do círculo unitário. Vale notar que as funções de autocorrelação e autocorrelação parcial ficam consideravelmente mais complicadas em processos ARMA. De um modo geral, para um processo ARMA(p, q) estacionário a função de autocorrelação tem um decaimento exponencial ou oscilatório após a defasagem q enquanto que a facp tem o mesmo comportamento após a defasagem p (Box & Jenkins 1970, p. 79). Em princípio este resultado pode ser utilizado para auxiliar na determinação da ordem (p, q) do processo mas na prática pode ser bastante difícil distinguir entre decaimentos exponenciais e oscilatórios através das estimativas destas funções. A Tabela 3.1 mostra as propriedades teóricas das funções de autocorrelação e autocorrelação parcial para alguns processos estacionários como auxiliar na identificação do modelo Modelos ARMA Integrados Os modelos discutidos até agora são apropriados para séries temporais estacionárias. Assim, para ajustar estes modelos a uma série temporal observada é necessário remover as fontes de variação não estacionárias. Por exemplo, se a série observada for não estacionária na média pode-se tentar remover a tendên-
15 3.4. ALGUNS PROCESSOS ESTOCÁSTICOS 35 Tabela 3.1: Propriedades teóricas da fac e facp. Processo FAC FACP série aleatória 0 0 AR(1), α > 0 decaimento exponencial 0, k 2 AR(1), α < 0 decaimento oscilatório idem AR(p) decaimento para zero 0, k > p MA(1) 0, k > 1 decaimento oscilatório ARMA(p, q) decaimento a partir de q decaimento a partir de p cia tomando-se uma ou mais diferenças (esta abordagem é muito utilizada em Econometria). Um modelo ARMA no qual X t é substituido pela sua d-ésima diferença d X t é capaz de descrever alguns tipos de séries não estacionárias. Denotando a série diferenciada por W t = d X t = (1 B) d X t o processo autoregressivo integrado médias móveis denotado ARIMA(p, d, q) é dado por W t = α 1 W t α p W t p + ɛ t + β 1 ɛ t β q ɛ t q ou, equivalentemente φ(b)(1 B) d X t = θ(b)ɛ t. (3.7) Da equação (3.7) acima pode-se notar que o modelo para X t é claramente não estacionário já que o polinômio autoregressivo φ(b)(1 B) d tem exatamente d raízes sobre o círculo unitário, ou d raízes unitárias. Um processo que se torna estacionário após d diferenças é dito ser não estacionário homogêneo, ou integrado de ordem d, I(d). Na prática valores pequenos são em geral especificados para d, sendo d = 1 o valor mais frequentemente utilizado e excepcionalmente d = 2. Note também que o passeio aleatório pode ser considerado um processo ARIMA(0,1,0). Vale notar que para dados reais um modelo ARIMA (e de fato qualquer modelo) é no máximo uma aproximação para o verdadeiro processo gerador dos dados. Na prática pode ser bem difícil distinguir entre um processo estacionário com memória longa (e.g. AR(1) com α 1) e um processo não estacionário homogêneo. Existe uma vasta literatura econométrica sobre testes de raíz unitária (ver por exemplo Hamilton 1994 e Bauwens, Lubrano, & Richard 1999). Mais recentemente, modelos da classe ARFIMA (ou ARIMA fracionários) tem sido utilizados para analisar séries com memória longa. Estes tópicos não serão abordados aqui
16 36 CAPÍTULO 3. MODELOS PROBABILÍSTICOS e o leitor interessado pode consultar por exemplo Brockwell & Davis (1991) além das referências acima.
17 3.4. ALGUNS PROCESSOS ESTOCÁSTICOS 37 Exercícios Nos exercícios a seguir {ɛ t } é um processo discreto puramente aleatório com média zero e variância σ 2 ɛ. 1. Encontre a fac do processo X t = ɛ t + 0, 7ɛ t 1 0, 2ɛ t Encontre a fac do processo X t µ = 0, 7(X t 1 µ) + ɛ t. 3. Encontre a fac do processo X t = 1 3 X t X t 2 + ɛ t. 4. Se X t = µ + ɛ t + βɛ t 1 mostre que a fac do processo não depende de µ. 5. Reescreva cada um dos modelos abaixo em termos de operador de retardo B e verifique se o modelo é estacionário e/ou inversível: (a) X t = 0, 3X t 1 + ɛ t. (b) X t = ɛ t 1, 3 ɛ t 1 + 0, 4 ɛ t 2. (c) X t = 0, 5X t 1 + ɛ t 1, 3 ɛ t 1 + 0, 4 ɛ t 2. (d) X t = 0, 3 X t 1 + ɛ t 0, 6 ɛ t 1 (e) X t = X t 1 + ɛ t 1, 5ɛ t 1 6. Mostre que o processo X t = X t 1 + cx t 2 + ɛ t é estacionário se 1 < c < 0 e obtenha a fac para c = 3/ Mostre que o processo X t = X t 1 + cx t 2 cx t 3 + ɛ t é não estacionário para qualquer valor de c. 8. Descreva como deve se comportar a função de autocorrelação teórica para os seguintes processos, (a) AR(1) estacionário, para α = 0, 1, α = 0, 75 e α = 0, 99. (b) Médias móveis de ordem q. (c) Como deveriam ficar as funções de autocorrelação e autocorrelação parcial amostrais que identificam os processos acima? 9. Descreva como deveriam se comportar as funções de autocorrelação e autocorrelação parcial amostrais para processos AR, MA e ARMA não sazonais. 10. Para o modelo (1 B)(1 0, 2B)X t = (1 0, 5B)ɛ t, identifique os valores de p, q, e d e verifique se o processo é estacionário e inversível. 11. Mostre que a função de autocovariância de um processo AR(1) estacionário com variância σx 2 é dada por αk σx 2 (Sugestão: use a expressão (3.2) com q )
18 38 CAPÍTULO 3. MODELOS PROBABILÍSTICOS 12. Verifique se X t = t j=1 ɛ t é estacionário. 13. Mostre que a fac do processo X t = ax t 1 + ɛ t + bɛ t 1 é dada por ρ(1) = (1 + ab)(a + b) 1 + b 2 + 2ab ρ(k) = aρ(k 1), k = 2, 3, Obtenha a função de autocovarância do processo sendo que 0 < a < 1. X t = ɛ t + 1 a ɛ t a 2 ɛ t a m ɛ t m 15. Se {X t } é um processo estacionário obtenha a função de autocovariância de Y t = X t X t Mostre que o processo X t = (α + 1)X t 1 αx t 2 + ɛ t tem exatamente uma raiz unitária e reescreva-o como um processo ARIMA(1,1,0). 17. Obtenha a função de autocorrelação do passeio aleatório X t = X t 1 + ɛ t com E(ɛ t ) = µ, V ar(ɛ t ) = σ 2 ɛ e Cov(ɛ t, ɛ s ) = 0, t s. 18. Verifique se o processo {Y t } tal que P (Y t = 1) = P (Y t = 1) = 1/2 é estacionário. Obtenha sua média, variância e covariância. 19. Sejam os processos Y t = ɛ t + θɛ t 1, θ > 1 e {X t } tal que X t = 1 se Y t 0 e X t = 1 se Y t < 0. Verifique se {X t } e {Y t } são estacionários. Calcule a função de autocorrelação de {X t }. 20. Verifique que o processo Y t = ( 1) t ɛ t é estacionário e que X t = Y t + ɛ t não é estacionário. 21. Se {X t } e {Y t } são independentes e estacionários verifique se Z t = αx t +βy t, α, β R também é estacionário. 22. Obtenha a representação MA( ) de um processo AR(2) estacionário. 23. Obtenha a representação AR( ) de um processo MA(1) inversível.
ANÁLISE DE SÉRIES TEMPORAIS
ANÁLISE DE SÉRIES TEMPORAIS RICARDO S. EHLERS Laboratório de Estatística e Geoinformação Universidade Federal do Paraná Primeira publicação 2003 Segunda edição publicada em 2004 Terceira edição publicada
Leia maisANÁLISE DE SÉRIES TEMPORAIS
ANÁLISE DE SÉRIES TEMPORAIS RICARDO S. EHLERS Primeira publicação 2003 Segunda edição publicada em 2004 Terceira edição publicada em 2005 Quarta edição publicada em 2007 Quinta edição publicada em 2009
Leia maisModelos para Séries Temporais Aula 1. Morettin e Toloi, 2006, Capítulo 2 Morettin, 2011, Capítulo 2 Bueno, 2011, Capítulo 2
Modelos para Séries Temporais Aula 1 Morettin e Toloi, 2006, Capítulo 2 Morettin, 2011, Capítulo 2 Bueno, 2011, Capítulo 2 Modelos para Séries Temporais Os modelos utilizados para descrever séries temporais
Leia maisteoria de probabilidade e estatística, uma sequência de palavra série de tempo é usada alternativamente para
Na teoria de probabilidade e estatística, uma sequência de variáveis aleatórias é independente e indenticamente distribuida (i.i.d) se cada variável aleatória tem a mesma distribuição de probabilidade
Leia maisEconometria IV Modelos Lineares de Séries Temporais. Fernando Chague
Econometria IV Modelos Lineares de Séries Temporais Fernando Chague 2016 Estacionariedade Estacionariedade Inferência estatística em séries temporais requer alguma forma de estacionariedade dos dados Intuição:
Leia maisANÁLISE DE SÉRIES TEMPORAIS
ANÁLISE DE SÉRIES TEMPORAIS Ralph S. Silva http://www.im.ufrj.br/ralph/seriestemporais.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Definição
Leia maisEstimação no Domínio do tempo: Covariâncias e modelos ARIMA
Estimação no Domínio do tempo: Covariâncias e modelos ARIMA Airlane Pereira Alencar 8 de Março de 2019 Alencar, A.P., Rocha, F.M.M. (IME-USP) Processos Estocásticos 8 de Março de 2019 1 / 26 Índice 1 Estacionariedade
Leia mais= p(x 1 )p(x 2 x 1 )p(x n,..., x 3 x 2, x 1 ). = p(x 1 ) t=2. Em particular para um modelo ARMA(p, q), denotando o vetor de parâmetros. t=p+1.
Capítulo 4 Estimação No capítulo anterior foram estudados modelos probabilísticos que podem ser utilizados para descrever dados de séries temporais. Neste capítulo será discutido o problema de ajustar
Leia maisAula 1. Wilson Correa. June 27, 2017
Aula 1 Definições Básicas Wilson Correa June 27, 2017 Série de Tempo Definição Uma série de tempo é qualquer conjunto de observações ordenadas no tempo. Podem ser: Discretas. Ex: Valores Diários de Poluição,
Leia maisMetodologia de Box-Jenkins. Metodologia de Box-Jenkins. Metodologia de Box-Jenkins
Programa de Pós-graduação em Engenharia de Produção Análise de séries temporais: Modelos de Box-Jenkins Profa. Dra. Liane Werner Metodologia de Box-Jenkins Para os modelos de decomposição e os modelos
Leia maisECONOMETRIA AVANÇADA Prova Intermediária - 09/04/2015
ECONOMETRIA AVANÇADA Prova Intermediária - 09/04/2015 Solução Questão I (2,0 pontos): Para o modelo y t = 0, 7y t 1 + ɛ t, com ruído branco ɛ t (0, 1), (a) (0,5) Obtenha a previsão h-passos a frente, ŷ
Leia maisEconometria em Finanças e Atuária
Ralph S. Silva http://www.im.ufrj.br/ralph/especializacao.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Maio-Junho/2013 Modelos condicionalmente
Leia maisA Metodologia de Box & Jenkins
A Metodologia de Box & Jenins Aula 03 Bueno, 0, Capítulo 3 Enders, 009, Capítulo Morettin e Toloi, 006, Capítulos 6 a 8 A Metodologia Box & Jenins Uma abordagem bastante utilizada para a construção de
Leia maisSéries de Tempo. José Fajardo. Agosto Fundação Getulio Vargas-EBAPE. José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
Séries de Tempo José Fajardo Fundação Getulio Vargas-EBAPE Agosto 2011 José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto 2011 1 / 49 Definição de esperança não condicional ou incondicional Considere
Leia maisModulo I. Séries Temporais: ARIMA
UNIVERSIDADE FEDERAL DO PARÁ INSTITUTO DE CIÊNCIAS EXATAS E NATURAIS FACULDADE DE ESTATÍSTICA Modulo I Séries Temporais: ARIMA Curso: Bacharelado em Estatística Disciplina: Estatística Aplicada Nome: Verena
Leia maisConceitos Básicos de Séries Temporais para Modelagem Macroeconômica
Conceitos Básicos de Séries Temporais para Modelagem Macroeconômica Material de apoio à aula de RBC Referencia bibliográfica: Introduction to Econometrics G S Maddala e Kajal Lahiri 4a. Edição, John Wiley
Leia maisEconometria Financeira
Ralph S. Silva http://www.im.ufrj.br/ralph/econometriafinanceira.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Setembro-Dezembro/2015 Análise
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 9
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 9 Data Mining Equação básica: Amostras finitas + muitos modelos = modelo equivocado. Lovell (1983, Review
Leia maisAnálise e Previsão de Séries Temporais Aula 1: Introdução às séries temporais. Eraylson Galdino
Análise e Previsão de Séries Temporais Aula 1: Introdução às séries temporais egs@cin.ufpe.br Agenda Séries Temporais: Definições Exemplos Modelos simples com média zero: Ruído I.I.D Processo Binário Random
Leia maisANÁLISE DE SÉRIES TEMPORAIS
ANÁLISE DE SÉRIES TEMPORAIS Ralph S. Silva http://www.im.ufrj.br/ralph/seriestemporais.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Estimação
Leia maisProcessos Estocásticos
Processos Estocásticos Luis Henrique Assumpção Lolis 26 de maio de 2014 Luis Henrique Assumpção Lolis Processos Estocásticos 1 Conteúdo 1 Introdução 2 Definição 3 Especificando um processo aleatório 4
Leia maisSéries Temporais. Fernando Lucambio. Agosto de Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, , Brasil
Séries rais Autocorrelação Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 81531 990, Brasil email: lucambio.ufpr@gmail.com Agosto de 2015 AUTOCORRELAÇÃO Uma importante
Leia maisEconometria Semestre
Econometria Semestre 2010.01 174 174 21.4. PROCESSOS ESTOCÁSTICOS INTEGRADOS O passeio aleatório é apenas um caso particular de uma classe de processos estocásticos conhecidos como processos integrados.
Leia mais2. Séries Temporais Definição
23 2. Séries Temporais 2.1. Definição Um processo estocástico é uma função aleatória que evolui no tempo (e/ou no espaço), definida sob um espaço de probabilidades. Mais precisamente, um processo estocástico
Leia mais4 Modelos de Regressão Dinâmica
4 Modelos de Regressão Dinâmica Nos modelos de regressão linear (Johnston e Dinardo, 1998) estudados comumente na literatura, supõe-se que os erros gerados pelo modelo possuem algumas características como:
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 4
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 4 O Processo Média-Móvel Muitas vezes, a estrutura auto-regressiva não é suficiente para descrever totalmente
Leia maisModelos de previsão utilizando séries Temporais
Universidade Estadual da Paraíba Centro de Ciências e Tecnologia Departamento de Estatística Erasnilson Vieira Camilo Modelos de previsão utilizando séries Temporais Campina Grande Dezembro de 2012 Erasnilson
Leia maisAnálise de Séries Temporais. Modelos estacionários Processos puramente aleatórios, AR(p), MA(q) ARIMA(p,q)
UNIVERSIDADE DE SÃO PAULO Faculdade de Economia, Administração e Contabilidade de Ribeirão Preto Análise de Séries Temporais. Modelos estacionários Processos puramente aleatórios, AR(p), MA(q) ARIMA(p,q)
Leia maisMódulo IV: Processos Aleatórios Estacionários, Cicloestaionaridade e Análise de Continuidade de Processos Aleatórios
Módulo IV: Processos Aleatórios Estacionários, Cicloestaionaridade e Análise de Continuidade de Processos Aleatórios Wamberto J. L. Queiroz Universidade Federal de Campina Grande-UFCG Departamento de Engenharia
Leia maisIntrodução Técnicas Descritivas. Modelos Probabilísticos. Previsão. Exercício 19/11/2012. Recursos Gráficos Decomposição Filtros Lineares
Professores: Paulo Maciel Ricardo Massa Aluno: Anderson Elias - aen@cin.ufpe.br Ayhalla Riceli carlp@cin.ufpe.br Introdução Técnicas Descritivas Recursos Gráficos Decomposição Filtros Lineares Modelos
Leia maisEstatística (MAD231) Turma: IGA. Período: 2018/2
Estatística (MAD231) Turma: IGA Período: 2018/2 Aula #04 de Probabilidade: 26/10/2018 1 Variáveis Aleatórias Contínuas De modo informal as variáveis aleatórias são contínuas quando resultam de algum tipo
Leia maisUso de séries temporais na análise da temperatura média mensal da cidade de Mossoró, RN
Uso de séries temporais na análise da temperatura média mensal da cidade de Mossoró, RN Ben Dêivide de Oliveira Batista 1 2 Tales Jesus Fernandes 2 Thelma Sáfadi 2 Wesley de Oliveira Santos 3 1 Introdução
Leia maisA análise de séries temporais é uma área da estatística dedicada ao estudo de dados orientados no tempo (MONTGOMERY, 2004).
3 Séries temporais A análise de séries temporais é uma área da estatística dedicada ao estudo de dados orientados no tempo (MONTGOMERY, 2004). 3.1. Princípios fundamentais Conforme Box et al. (1994), uma
Leia maisMestrado Profissionalizante em Finanças as e Economia Empresarial FGV / EPGE Prof. Eduardo Ribeiro Julho Setembro 2007
Projeções de Séries S Temporais Econometria dos Mercados Financeiros Mestrado Profissionalizante em Finanças as e Economia Empresarial FGV / EPGE Prof. Eduardo Ribeiro Julho Setembro 2007 Objetivo do curso
Leia maisAnálise e previsão das taxas da população ocupada em Fortaleza, Ceará, de setembro de 1991 a dezembro de 2008
Análise e previsão das taxas da população ocupada em Fortaleza, Ceará, de setembro de 1991 a dezembro de 2008 Daniela Bandeira, Paulo Germano, Filipe Formiga e Jeremias Leão Universidade Federal do Piauí
Leia maisCadeias de Markov em Tempo Continuo
Cadeias de Markov em Tempo Continuo Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Capitulos 6 Taylor & Karlin 1 / 44 Análogo ao processo
Leia maisEconometria. Séries Temporais Lista de Exercícios
Econometria Séries Temporais Lista de Exercícios 1. Estimação da Autocovariância e da Autocorrelação Tome a série de dados da planilha estimacao.xlsx e estime o que se pede sobre a série de tempo dada.
Leia maisTE802 Processos Estocásticos em Engenharia. Processo Aleatório. TE802 Processos Aleatórios. Evelio M. G. Fernández. 18 de outubro de 2017
TE802 Processos Estocásticos em Engenharia Processos Aleatórios 18 de outubro de 2017 Processo Aleatório Processo Aleatório (ou Estocástico), X(t): Função aleatória do tempo para modelar formas de onda
Leia mais2 Metodologia. 2.1 Série Temporal
2 Metodologia 2.1 Série Temporal Uma série temporal é um conjunto de observações de uma dada variável, ordenada pelo parâmetro tempo. Estas observações são, em geral, feitas em intervalos de tempo equidistantes.
Leia mais2. Modelos periódicos autorregressivos 2.1. Planejamento da Operação do Sistema Interligado Nacional
24 2. Modelos periódicos autorregressivos 2.1. Planejamento da Operação do Sistema Interligado Nacional A energia de origem hídrica predomina na matriz elétrica brasileira. Isso devese ao fato de o país
Leia maisModelos de Regressão Linear Simples - parte I
Modelos de Regressão Linear Simples - parte I Erica Castilho Rodrigues 19 de Agosto de 2014 Introdução 3 Objetivos Ao final deste capítulo você deve ser capaz de: Usar modelos de regressão para construir
Leia maisAnálise e Previsão de Séries Temporais Aula 2: Introdução às séries temporais. Eraylson Galdino
Análise e Previsão de Séries Temporais Aula 2: Introdução às séries temporais egs@cin.ufpe.br Análise e Previsão de Séries Temporais Aula 1 Agenda Resumo da Aula anterior; Estimação e eliminação dos componentes
Leia maisExercícios de Teoria da Probabilidade e Processos Estocásticos Parte II
Exercícios de Teoria da Probabilidade e Processos Estocásticos Parte II 13 de Dezembro de 2013 Exercício 1. Descreva o espaço de probabilidade associado às seguintes experiências aleatórias: 1. Uma moeda
Leia maisEixo Temático: Estratégia e Internacionalização de Empresas
Eixo Temático: Estratégia e Internacionalização de Empresas PREVISÃO DA ARRECADAÇÃO DE ICMS DO ESTADO DO RIO GRANDE DO SUL: UMA ABORDAGEM COM MODELOS ARIMA RESUMO PREDICTING THE COLLECTION OF ICMS OF RIO
Leia maisTestes de Raiz Unitária para Dados em Painel
Aula 7 Bibliografia: Stata, 2017. help xtunitroot. From Stata/SE 13 (accessed on Oct. 23, 2018). Pesaran, M.H. (2015). Time series and panel data econometrics. Oxford: Oxford University Press. Rafael S.
Leia mais3 Modelos Comparativos: Teoria e Metodologia
3 Modelos Comparativos: Teoria e Metodologia Para avaliar o desempenho do modelo STAR-Tree, foram estimados os modelos Naive, ARMAX e Redes Neurais. O ajuste dos modelos ARMAX e das redes neurais foi feito
Leia maisProf. Lorí Viali, Dr.
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Uma variável aleatória X tem uma distribuição normal se sua fdp for do tipo: f(x) 1.e 1 2. x µ σ 2, x R 2π. σ com - < µ < e σ >
Leia maisAnexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos
1 Anexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos Documento auxiliar à disciplina de Modelação, Identificação e Controlo Digital Alexandre Bernardino IST-Secção de Sistemas e Controlo
Leia maisIntrodução aos Proc. Estocásticos - ENG 430
Introdução aos Proc. Estocásticos - ENG 430 Fabrício Simões IFBA 16 de novembro de 2015 Fabrício Simões (IFBA) Introdução aos Proc. Estocásticos - ENG 430 16 de novembro de 2015 1 / 35 Fabrício Simões
Leia maisIND 1115 Inferência Estatística Aula 6
Conteúdo IND 5 Inferência Estatística Aula 6 Setembro de 004 A distribuição Lognormal A distribuição Beta e sua relação com a Uniforme(0,) Mônica Barros mbarros.com mbarros.com A distribuição Lognormal
Leia maisConvergência em espaços normados
Chapter 1 Convergência em espaços normados Neste capítulo vamos abordar diferentes tipos de convergência em espaços normados. Já sabemos da análise matemática e não só, de diferentes tipos de convergência
Leia maisUTILIZAÇÃO DE MODELOS ARIMA PARA PREVISÃO DA ARRECADAÇÃO DE ICMS DO ESTADO DO RIO GRANDE DO SUL
UTILIZAÇÃO DE MODELOS ARIMA PARA PREVISÃO DA ARRECADAÇÃO DE ICMS DO ESTADO DO RIO GRANDE DO SUL Deise Scheffer Universidade Federal de Santa Maria scheffer.deise@gmail.com Adriano Mendonça Souza Universidade
Leia maisAnálise de previsão da inflação no período pós-plano Real
Análise de previsão da inflação no período pós-plano Real Marina Rodrigues Maestre 1 Jayane Pereira de Oliveira 2 Raquel Castellucci Caruso Sachs 3 Vitor Augusto Ozaki 4 1 Introdução Durante a década de
Leia maisCapítulo 1. ˆ Observações correlacionadas são mais difíceis de analisar e requerem técnicas
Capítulo 1 Introdução Uma série temporal é uma coleção de observações feitas sequencialmente ao longo do tempo. A característica mais importante deste tipo de dados é que as observações vizinhas são dependentes
Leia maisEspaços Euclidianos. Espaços R n. O conjunto R n é definido como o conjunto de todas as n-uplas ordenadas de números reais:
Espaços Euclidianos Espaços R n O conjunto R n é definido como o conjunto de todas as n-uplas ordenadas de números reais: R n = {(x 1,..., x n ) : x 1,..., x n R}. R 1 é simplesmente o conjunto R dos números
Leia maisPRE29006 LISTA DE EXERCÍCIOS #
INSTITUTO FEDERAL DE SANTA CATARINA CAMPUS SÃO JOSÉ COORDENADORIA DE ÁREA DE TELECOMUNICAÇÕES ENGENHARIA DE TELECOMUNICAÇÕES PRE9006 LISTA DE EXERCÍCIOS #3 06. Exercícios. [, Exercício 7.] Seja A uma variável
Leia maisp(x) Note que 1/p(x), que não depende de θ, funciona como uma constante normalizadora
Capítulo 1 Introdução A informação que se tem sobre uma quantidade de interesse θ é fundamental na Estatística. O verdadeiro valor de θ é desconhecido e a idéia é tentar reduzir este desconhecimento. Além
Leia maisInferência Estatistica
Inferência Estatistica Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Modelos e Inferência Um modelo é uma simplificação da realidade (e alguns
Leia maisProcessos Estocásticos. Variáveis Aleatórias. Variáveis Aleatórias. Luiz Affonso Guedes. Como devemos descrever um experimento aleatório?
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Funções de Uma Variável Aleatória Funções de Várias Momentos e Estatística Condicional Teorema do Limite Central Processos Estocásticos
Leia maisDefinição. Os valores assumidos pelos estimadores denomina-se estimativas pontuais ou simplesmente estimativas.
1. Inferência Estatística Inferência Estatística é o uso da informção (ou experiência ou história) para a redução da incerteza sobre o objeto em estudo. A informação pode ou não ser proveniente de um experimento
Leia maisProcessos Estocásticos. Variáveis Aleatórias. Variáveis Aleatórias. Variáveis Aleatórias. Variáveis Aleatórias. Luiz Affonso Guedes
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Funções de Uma Variável Aleatória Funções de Várias Momentos e Estatística Condicional Teorema do Limite Central Processos Estocásticos
Leia maisg(s, X n s )ds + t f (s, X s ) 2 ds <, P-q.s. t f (s, X s )db s, t 0.
CHAPTER 3. INTEGRAIS ESTOCÁSTICOS 88 2. Quais são as propriedades destas soluções? 3. Como podemos resolver uma dada equação? O método usual para provar a existência de uma solução da equação diferencial
Leia maisMétodos Quantitativos para Avaliação de Políticas Públicas
ACH3657 Métodos Quantitativos para Avaliação de Políticas Públicas Aula 11 Análise de Resíduos Alexandre Ribeiro Leichsenring alexandre.leichsenring@usp.br Alexandre Leichsenring ACH3657 Aula 11 1 / 26
Leia maisUNIVERSIDADE FEDERAL DO ABC
UNIVERSIDADE FEDERAL DO ABC BC49 Cálculo Numérico - LISTA - sistemas lineares de equações Profs André Camargo, Feodor Pisnitchenko, Marijana Brtka, Rodrigo Fresneda Métodos diretos Analise os sistemas
Leia maisProcessos estocásticos
36341 - Introdução aos Processos Estocásticos Curso de Pós-Graduação em Engenharia Elétrica Departamento de Engenharia Elétrica Universidade de Brasília Processos estocásticos Geovany A. Borges gaborges@ene.unb.br
Leia maisModelos de Regressão Linear Simples parte I
Modelos de Regressão Linear Simples parte I Erica Castilho Rodrigues 27 de Setembro de 2017 1 2 Objetivos Ao final deste capítulo você deve ser capaz de: Usar modelos de regressão para construir modelos
Leia maisModelos ARCH e GARCH Aula 8. Morettin e Toloi, 2006, Capítulo 1 e 14 Morettin, 2011, Capítulo 1 e 5 Bueno, 2011, Capítulo 8
Modelos ARCH e GARCH Aula 8 Morettin e Toloi, 2006, Capítulo 1 e 14 Morettin, 2011, Capítulo 1 e 5 Bueno, 2011, Capítulo 8 Motivação Pesquisadores que se dedicam a prever séries temporais, tais como preços
Leia maisSUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS
4 SUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS Em muitos problemas de probabilidade que requerem o uso de variáveis aleatórias, uma completa especificação da função de densidade de probabilidade ou não está
Leia maisProcessos aleatórios - características
Capítulo 6 Processos aleatórios - características temporais 6.1 O conceito de processo aleatório Um processo aleatório ou estocástico é um espaço de amostras em que cada elemento é associado a uma função
Leia maisMétodos de Alisamento (ou Suavização)
Métodos de Alisamento (ou Suavização) Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Alisamento Exponencial Nesta técnica os valores suavizados
Leia mais4. Experimentos em Blocos aleatorizados, quadrados latinos e experimentos relacionados
4. Experimentos em Blocos aleatorizados, quadrados latinos e experimentos relacionados 4.2 Quadrados Latinos (QL) Suponha que um experimentador esteja estudando o efeito de 5 formulações diferentes de
Leia maisA estacionariedade prova-se de maneira semel- hante.
Se por outro lado (U 1, U 2,...) é IID então mostremos que X n U 1 + + U n tem incrementos independentes e estacionários. De facto, dados n > m temos que X n X m U m+1 + + U n. Tome-se quaisquer n 1
Leia maisGibbs Sampler para ANOVA e Misturas
Gibbs Sampler para ANOVA e Misturas Renato Assunção - DCC, UFMG Outubro de 014 1 Modelo ANOVA: componentes de variância Suponha que temos K grupos ou classes. Em cada grupo, temos um certo número de dados
Leia maisMAE0229 Introdução à Probabilidade e Estatística II
Exercício Entre jovens atletas, um nível alto de colesterol pode ser considerado preocupante e indicativo para um acompanhamento médico mais frequente. Suponha que são classificados como tendo taxa de
Leia maisConteúdo Teórico: 04 Esperança
ACH2053 Introdução à Estatística Conteúdo Teórico: 04 Esperança Marcelo de Souza Lauretto Sistemas de Informação EACH www.each.usp.br/lauretto Referência: Morris DeGroot, Mark Schervish. Probability and
Leia maisProcessos de Poisson
Processos de Poisson Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Capitulo 5 Taylor & Karlin 1 / 37 Distribuição de Poisson Seja a variável
Leia maisO Triedro de Frenet. MAT Cálculo Diferencial e Integral II Daniel Victor Tausk
O Triedro de Frenet MAT 2454 - Cálculo Diferencial e Integral II Daniel Victor Tausk Seja γ : I IR 3 uma curva de classe C 3 definida num intervalo I IR. Assuma que γ é regular, ou seja, γ (t) 0 para todo
Leia mais, (1) onde v é o módulo de v e b 1 e b 2 são constantes positivas.
Oscilações Amortecidas O modelo do sistema massa-mola visto nas aulas passadas, que resultou nas equações do MHS, é apenas uma idealização das situações mais realistas existentes na prática. Sempre que
Leia maisINSTITUTO SUPERIOR TÉCNICO Mestrado Integrado em Engenharia Física Tecnológica Ano Lectivo: 2007/2008 Semestre: 1 o
INSTITUTO SUPERIOR TÉCNICO Mestrado Integrado em Engenharia Física Tecnológica Ano Lectivo: 27/28 Semestre: o MATEMÁTICA COMPUTACIONAL Exercícios [4 Sendo A M n (C) mostre que: (a) n A 2 A n A 2 ; (b)
Leia maisANÁLISE DE SÉRIES TEMPORAIS
ANÁLISE DE SÉRIES TEMPORAIS Ralph S. Silva http://www.im.ufrj.br/ralph/seriestemporais.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Referências
Leia maisPROCESSOS ESTOCÁSTICOS. O resultado de muitas experiências aleatórias é função do tempo ou de uma (ou mais) coordenada espacial.
37 PROCESSOS ESTOCÁSTICOS O resultado de muitas experiências aleatórias é função do tempo ou de uma (ou mais) coordenada espacial. Ex: i) O valor da temperatura média diária ou semanal numa cidade. O acontecimento
Leia maisAula 2 Tópicos em Econometria I. Porque estudar econometria? Causalidade! Modelo de RLM Hipóteses
Aula 2 Tópicos em Econometria I Porque estudar econometria? Causalidade! Modelo de RLM Hipóteses A Questão da Causalidade Estabelecer relações entre variáveis não é suficiente para a análise econômica.
Leia mais3 Metodologia 3.1. Tipo de pesquisa
3 Metodologia 3.1. Tipo de pesquisa Este trabalho pode ser classificado como uma pesquisa descritiva, quantitativa, bibliográfica, experimental, exploratória e explicativa. Este estudo é descritivo, pois
Leia maisCointegração fracionária em séries financeiras. Victor Sakimoto Shie DISSERTAÇÃO APRESENTADA INSTITUTO DE MATEMÁTICA E ESTATÍSTICA
Cointegração fracionária em séries financeiras Victor Sakimoto Shie DISSERTAÇÃO APRESENTADA AO INSTITUTO DE MATEMÁTICA E ESTATÍSTICA DA UNIVERSIDADE DE SÃO PAULO PARA OBTENÇÃO DO TÍTULO DE MESTRE EM CIÊNCIAS
Leia maisAnálise do volume útil do reservatório de Furnas via modelos de séries temporais
Análise do volume útil do reservatório de Furnas via modelos de séries temporais Cristina Henriques Nogueira 1 3 Thelma Sáfadi 2 1 Introdução A energia elétrica é, sem dúvida, um recurso indispensável
Leia mais2 Conceitos de Teoria da Probabilidade
2 Conceitos de Teoria da Probabilidade Neste capítulo, enunciaremos algumas denições e resultados de teoria de probabilidade. justicativa deste capítulo reside no fato que u objetivo nal é estimar momentos
Leia maisMaterial Teórico - Módulo Equações do Segundo Grau. Equações de Segundo Grau: outros resultados importantes. Nono Ano do Ensino Funcamental
Material Teórico - Módulo Equações do Segundo Grau Equações de Segundo Grau: outros resultados importantes Nono Ano do Ensino Funcamental Autor: Prof. Fabrício Siqueira Benevides Revisor: Prof. Antonio
Leia maisAnexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos
1 Anexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos Documento auxiliar à disciplina de Modelação, Identificação e Controlo Digital Alexandre Bernardino 003/005 IST-Secção de Sistemas
Leia maisRalph S. Silva
ANÁLISE ESTATÍSTICA MULTIVARIADA Ralph S Silva http://wwwimufrjbr/ralph/multivariadahtml Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Revisão:
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 02 / Processos Aleatórios
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 02 / Processos Aleatórios Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE Universidade
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 12
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 12 Regressão com Variáveis Não-Estacionárias Considere três processos estocásticos definidos pelas seguintes
Leia maisAGA Análise de Dados em Astronomia I 7. Modelagem dos Dados com Máxima Verossimilhança: Modelos Lineares
1 / 0 AGA 0505- Análise de Dados em Astronomia I 7. Modelagem dos Dados com Máxima Verossimilhança: Modelos Lineares Laerte Sodré Jr. 1o. semestre, 018 modelos modelagem dos dados dado um conjunto de dados,
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 06 / Classes Especiais de Processos Aleatórios
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 06 / Classes Especiais de Processos Aleatórios Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE
Leia mais)XQGDPHQWRVGHSUREDELOLGDGHHHVWDWtVWLFD
)XQGDPHQWRVGHUREDELOLGDGHHHVWDWtVWLFD,QWURGXomR A história da estatística pode ser dividida em três fases. De acordo com PEANHA (00), a estatística inicialmente não mantinha nenhuma relação com a probabilidade,
Leia maisEquação da reta. No R 2 UNIVERSIDADE FEDERAL DO PARÁ CÁLCULO II - PROJETO NEWTON AULA 05
UNIVERSIDADE FEDERAL DO PARÁ CÁLCULO II - PROJETO NEWTON AULA 05 Assunto:Equações da reta no R 2 e no R 3, equações do plano, funções de uma variável real a valores em R n Palavras-chaves: Equação da reta,
Leia maisProcessos Estocásticos. Luiz Affonso Guedes
Processos Estocásticos Luiz Affonso Guedes Sumário Probabilidade Variáveis Aleatórias Funções de Uma Variável Aleatória Funções de Várias Variáveis Aleatórias Momentos e Estatística Condicional Teorema
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Motivação Por exemplo, queremos analisar a série
Leia maisAJUSTE DE UM MODELO DE SÉRIES TEMPORAIS PARA PREVISÃO DA TEMPERATURA MÍNIMA DO AR PARA LAVRAS/MG EM 2011
AJUSTE DE UM MODELO DE SÉRIES TEMPORAIS PARA PREVISÃO DA TEMPERATURA MÍNIMA DO AR PARA LAVRAS/MG EM 2011 LUIZ G. CARVALHO 1, CAMILA C. ALVARENGA 2 DANIELA C. RODRIGUES 3 1 Eng. Agrícola, Prof. Adjunto,
Leia maisCapítulo 5 Distribuições de Probabilidades. Seção 5-1 Visão Geral. Visão Geral. distribuições de probabilidades discretas
Capítulo 5 Distribuições de Probabilidades 5-1 Visão Geral 5-2 Variáveis Aleatórias 5-3 Distribuição de Probabilidade Binomial 5-4 Média, Variância e Desvio Padrão da Distribuição Binomial 5-5 A Distribuição
Leia mais