Aula 01/10/2018 José Luiz Padilha 01 de outubro de 2018
|
|
- João Gabriel Rios
- 4 Há anos
- Visualizações:
Transcrição
1 Aula 01/10/2018 José Luiz Padilha 01 de outubro de 2018 Previsão Uma das formas de utilização de um modelo ajustado é para fazer previsões de valores futuros. Assim, se t é o período corrente estamos interessados em prever os valores de Z t+1, Z t+2,... A previsão de Z t+k, para k = 1, 2,..., será denotada por ẑ t (k) e é definida como a esperança condicional de Z t+k dados todos os valores passados, i.e. ẑ t (k) = E(Z t+k z t, z t 1,...). A equação acima é chamada de função de previsão e o inteiro k é chamado de horizonte de previsão. Pode-se mostrar que esta previsão tem o menor erro quadrático médio (EQM), E [Z t+k ẑ t (k)] 2. Na prática, temos um número finito de observações e obtemos então ẑ t (k) = E(Z t+k z t,..., z 1 ), que não tem o EQM mínimo mas pode ser visto como uma aproximação da expressão acima. Note que se temos uma série temporal observada z 1,..., z n as previsões podem ser feitas dentro do período amostral e comparadas com os valores observados. Esta é uma prática bastante comum para checar a performance preditiva do modelo. A diferença entre os valores previsto e observado, ẑ t (k) z t+k, é chamada de erro de previsão k passos à frente e será denotado por e t+k. Métodos Univariados de Previsão Os métodos descritos nesta seção têm um forte apelo intuitivo, decompondo uma série temporal em componentes de fácil interpretação. Dados os recursos computacionais disponíveis atualmente eles também têm a vantagem de serem extremamente simples de programar e sua utilização ter um custo computacional muito pequeno. Vamos começar com o caso mais simples, adequado para séries localmente constantes. Alisamento Exponencial Simples Dada uma série temporal z 1,..., z n, não sazonal e sem tendência sistemática, é razoável tomar a estimativa de z n+1 como uma soma ponderada das observações passadas, i.e. ẑ n (1) = a 0 z n + a 1 z n 1 + a 2 z n em que {a j } são os pesos. Parece razoável também dar um peso maior às observações mais recentes do que às observações mais distantes no passado, i.e. a 0 > a 1 > a 2 >... Neste procedimento são adotados pesos que decaem geometricamente a uma taxa constante dados por a j = α(1 α) j, j = 0, 1,... onde 0 < α < 1 é chamada de constante de alisamento. Assim, a previsão 1 passo à frente em t = n fica ẑ n (1) = αz n + α(1 α)z n 1 + α(1 α) 2 z n Naturalmente que na prática haverá um número finito de observações passadas e a soma acima será também finita. A ideia de que o conteúdo informativo de uma observação decai com a sua idade é bastante intuitivo e o parâmetro α está controlando o grau de envelhecimento deste conteúdo. 1
2 A última equação costuma ser reescrita em forma de equação recursiva. Colocando-se (1 α) em evidência obtém-se que ẑ n (1) =αz n + (1 α) [ αz n 1 + α(1 α)z n 2 + α(1 α) 2 z n ] =αz n + (1 α)ẑ n 1 (1) i.e. uma média ponderada entre a observação mais recente e a previsão 1 passo à frente anterior (no tempo t = n 1). Definindo e n = z n ẑ n 1 (1) o erro de previsão 1 passo à frente no tempo n então ẑ n (1) = ẑ n 1 (1) + αe n. Ou seja, a previsão para t = n + 1 é igual à previsão para t = n que foi feita em t = n 1 mais uma proporção do erro cometido. A previsão k passos a frente é a mesma, i.e ẑ n (k) = ẑ n (1), k = 2, 3,... Previsões Dentro da Amostra Usando ẑ 0 (1) = z 1 como previsão inicial em t = 0 e definindo e t = z t ẑ t 1 (1) os erros de previsão 1 passo à frente, podemos obter as previsões recursivamente como Na forma de correção de erro as recursões ficam ẑ t (1) = αz t + (1 α)ẑ t 1 (1), t = 1, 2,... ẑ t (1) = ẑ t 1 (1) + αe t, t = 1, 2,... Especificação de α Vale notar que o valor de α não depende da escala em que as observações foram medidas, mas sim das propriedades da série temporal. O valor de α deve ser especificado de modo a refletir a influência das observações passadas nas previsões. Valores pequenos produzem previsões que dependem de muitas observações passadas. Por outro lado, valores próximos de 1 levam a previsões que dependem das observações mais recentes e no caso extremo α = 1 a previsão é simplesmente a última observação. O valor de α também pode ser estimado a partir dos dados e o critério utilizado é a minimização da soma de quadrados dos erros de previsão. Ou seja, dado um valor fixo de α, calcule ẑ 0 (1) =z 1, ẑ 1 (1) =αz 1 + (1 α)ẑ 0 (1), e 2 = z 2 ẑ 1 (1) ẑ 2 (1) =αz 2 + (1 α)ẑ 1 (1), e 3 = z 3 ẑ 2 (1). ẑ n 1 (1) =αz n 1 + (1 α)ẑ n 2 (1), e n = z n ẑ n 1 (1) e calcule n t=2 e2 t. Repita o procedimento para valores de α variando entre 0 e 1 (digamos com incrementos de 0, 001) e selecione o valor que minimiza esta soma de quadrados. Na prática, o valor mínimo pode ocorrer muito próximo de um dos extremos do intervalo de variação de α. Isto pode ocorrer quando a soma de quadrados varia muito pouco na região em torno do mínimo. Neste caso faz mais sentido utilizar valores não tão extremos. Exemplo 1 No banco de dados do R, a série lh contém as quantidades de um tipo de hormônio em amostras de sangue coletadas a cada 10 minutos de uma pessoa do sexo feminino. Vamos aplicar o método de alisamento exponencial simples à esta série fazendo primeiro a seleção do valor de α que minimiza a soma dos quadrados dos erros de previsão 1 passo a frente. Os seguintes comandos do R podem ser utilizados para a seleção de α. 2
3 AES = function(x, interval){ e = NULL for (alfa in interval) { e2 = 0 prev = x[1] for (i in 2:length(x)) { prev = c(prev, alfa*x[i - 1] + (1 - alfa)*prev[i - 1]) e2 = e2 + (x[i] - prev[i])^2} e = c(e, e2) } e.min = min(e) alfa = interval[e == e.min] plot(interval, e, type = "l", xlab = expression(alpha), ylab = "Soma de quadrados") abline(v=alfa, lty=2) prev = x[1] for (i in 2:length(x)) prev = c(prev, alfa * x[i - 1] + (1 - alfa) * prev[i - 1]) return(list(alfa = alfa, sq2 = e.min, prev = prev)) } Na figura a seguir temos o gráfico da soma de quadrados como função de α e o gráfico das previsões 1 passo à frente juntamente com a série observada. par(mfrow = c(1, 2)) aes1 = AES(lh, seq(0.1, 0.99, 0.001)) plot(1:48, aes1$prev, ylab = "Hormonio", xlab = "Amostras", type = "l"); points(lh) Soma de quadrados Hormonio α Amostras aes1 $alfa [1] $sq2 [1] $prev [1] [8] [15] [22] [29] [36] [43]
4 O valor ótimo obtido foi α = 0, 945 com a soma de erros quadrados igual a 11, 86. Exemplo 2 O procedimento do exemplo anterior foi repetido para a série de medidas anuais de vazões do Rio Nilo entre 1871 e 1970, do banco de dados Nile do R. Os resultados são apresentados a seguir. par(mfrow = c(1, 2)) aes2 = AES(Nile, seq(0.1, 0.99, 0.001)) plot(1:length(nile), aes2$prev, ylab = "", xlab = "", type = "l") points(1:length(nile), Nile) Soma de quadrados α aes2 $alfa [1] $sq2 [1] $prev [1] [8] [15] [22] [29] [36] [43] [50] [57] [64] [71] [78] [85] [92] [99] O valor ótimo de α encontrado foi 0,
5 Método de Holt-Winters O procedimento de alisamento exponencial pode ser generalizado para séries que contenham tendência e variação sazonal. Suponha, por exemplo, que as observações são mensais e sejam L t, T t e I t o nível, a tendência e o índice sazonal no tempo t. Assim, T t é o aumento ou redução esperada por mês no nível atual da série. Suponha que no tempo t os termos (L 1, T 1, I 1 ),..., (L t 1, T t 1, I t 1 ) sejam conhecidos. Então, após observar z t os termos L t, T t e I t são atualizados via alisamento exponencial. Se a variação sazonal for multiplicativa, i.e. com amplitudes que tendem a crescer ao longo do tempo, as equações de atualização na forma de recorrência são dadas por e as previsões k períodos à frente são dadas por L t =α(z t /I t 12 ) + (1 α)(l t 1 + T t 1 ) T t =β(l t L t 1 ) + (1 β)t t 1 I t =γ(z t /L t ) + (1 γ)i t 12 ẑ t (k) = (L t + kt t )I t 12+k, k = 1, 2,... No caso de sazonalidade aditiva, as equações de atualização para o nível e o índice sazonal são modificadas para L t =α(z t I t 12 ) + (1 α)(l t 1 + T t 1 ) I t =γ(z t L t ) + (1 γ)i t 12 e as previsões k períodos à frente ficam ẑ t (k) = L t + kt t + I t 12+k, k = 1, 2,... Os parâmetros de alisamento (α, β e γ) para cada componente da série são, em geral, escolhidos no intervalo (0, 1) e podem ser estimados minimizando-se a soma de quadrados dos erros de previsão como na seção anterior. Aqui vale também o comentário sobre valores próximos aos extremos devido à soma de quadrados variar pouco nesta região. Além disso, estes parâmetros não dependem da escala das observações mas sim das propriedades temporais do nível, tendência e sazonalidade da série. Valem os mesmos comentários sobre estes valores quanto à influência das observações passadas nas previsões de cada componente. Para o caso particular de séries sem variação sazonal basta utilizar as equações para L t e T t acima (sem o índice I t 12 ). Ou seja, L t =αz t + (1 α)(l t 1 + T t 1 ) T t =β(l t L t 1 ) + (1 β)t t 1 e a previsão k passos à frente no tempo t é simplesmente L t + kt t. Se a série também não tem uma tendência sistemática retorna-se à equação do alisamento exponencial simples, ou seja e L t é a previsão 1 passo à frente (ẑ t (1)). L t = αz t + (1 α)l t 1 Exemplo 1 (continuação) Considere novamente os dados do primeiro exemplo. Podemos utilizar a função HoltWinters para obtermos o alisamento exponencial simples: 5
6 hw1=holtwinters(lh,beta=false,gamma=false) hw1$alpha [1] hw1$sse [1] Os valores obtidos para α e soma de quadrados de erros de previsão coincidem com aqueles encontrados anteriormente. Podemos também fazer um gráfico do ajuste: plot(hw1) Holt Winters filtering Observed / Fitted Time Exemplo 2 (continuação) Para os dados do segundo exemplo, temos hw2=holtwinters(nile,beta=false,gamma=false) hw2$alpha [1] hw2$sse [1]
7 Novamente chegamos nos mesmos valores de antes. plot(hw2) Holt Winters filtering Observed / Fitted Time Exemplo 3 O objeto uspop contém dados da população dos Estados Unidos (em milhões) registrados pelos censos decenais no período de 1790 a Vamos aplicar o método de Holt-Winters e realizar previsões para 4 períodos à frente. hw3=holtwinters(uspop, gamma = FALSE) hw3 Holt-Winters exponential smoothing with trend and without seasonal component. Call: HoltWinters(x = uspop, gamma = FALSE) Smoothing parameters: alpha: 1 beta : gamma: FALSE Coefficients: [,1] a b
8 p=predict(hw3, n.ahead = 4, prediction.interval = T) plot(hw3, p,lty=2,ylim=c(0,360),xlim=c(1780,2020),type="b",pch=16) legend("topleft",legend=c("uspop","fitted"),bty="n",lty=c(2,1),col=c(1,2),pch=c(na,16)) Holt Winters filtering Observed / Fitted uspop fitted Time O que você esperaria se tivéssemos ajustado o método sem tendência, ou seja, com o argumento beta=false? Exemplo 4 A variável UKLungDeaths contém os números mensais de mortes por doenças do pulmão (bronquite, efisema e asma) no Reino Unido entre janeiro de 1974 e dezembro de A variável é composta por 3 séries: ambos os sexos (ldeaths), sexo feminino (fdeaths) e sexo masculino (mdeaths). As constantes de alisamento (α, β e γ) são determinadas minimizando a soma dos quadrados dos erro de previsão 1 passo à frente. Neste exemplo utilizaremos a série ldeaths e ajustaremos um modelo sazonal aditivo. data(uklungdeaths) hw4 = HoltWinters(ldeaths, seasonal = "addit") hw4 Holt-Winters exponential smoothing with trend and additive seasonal component. Call: HoltWinters(x = ldeaths, seasonal = "addit") Smoothing parameters: alpha: beta :
9 gamma: Coefficients: [,1] a b s s s s s s s s s s s s p = predict(hw4, n.ahead = 12, prediction.interval = T) plot(hw4, p) Holt Winters filtering Observed / Fitted Time 9
Métodos 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 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 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 maisAnálise de dados em Geociências
Análise de dados em Geociências Decomposição de séries temporais Susana Barbosa Mestrado em Ciências Geofísicas 2014-2015 Resumo Motivação Métodos de decomposição de séries temporais Decomposição clássica
Leia maisInvestigação Operacional 2º Semestre 2002/2003 Problema Resolvido
º Semestre 00/003 Problema Resolvido Resolução do problema 3 Comecemos por traçar o gráfico da série cronológica 10 140 130 10 Yt 110 100 0 4 6 8 10 1 14 16 18 0 a) Caracterizar uma série é dizer se ela
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 maisLane Alencar Lane Alencar 2016
Lane Alencar 2016 Podemos decompor o processo Z = {Z(t), t T} em: Z t = T t + S t + a t com T t : tendência S t : componente sazonal a t : erro aleatório com E(a t )=0 e Var(a t ) = s 2. Métodos para estimar
Leia maisModelação de séries temporais não estacionárias
Modelação de séries temporais não estacionárias Susana Barbosa Mestrado em Ciências Geofísicas 2013-2014 Motivação - exemplo I Motivação - exemplo I Motivação - exemplo II Motivação - exemplo II Decomposição
Leia maisMétodos k-vizinhos aplicados à taxa de suicídio no Distrito Federal. Monique Lohane Xavier Silva
Universidade de Brasília IE - Departamento de Estatística Métodos k-vizinhos aplicados à taxa de suicídio no Distrito Federal Monique Lohane Xavier Silva Projeto apresentado para obtenção do título 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 maisSéries Temporais. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Séries Temporais Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução O que é uma série temporal? O que é a análise de uma série temporal?
Leia maisTestes de Hipóteses. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Testes de Hipóteses Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução e notação Em geral, intervalos de confiança são a forma mais
Leia maisLISTA DE EXERCÍCIOS - AJUSTE DE MÍNIMOS QUADRADOS Cálculo Numérico para Geociências Prof. Eduardo Colli
LISA DE EXERCÍCIOS - AJUSE DE MÍNIMOS QUADRADOS Cálculo Numérico para Geociências - 009 - Prof. Eduardo Colli Em todos os casos, convencionamos ter um conjunto de dados (, ), com i = 1,..., N. Faça o gráfico
Leia maisSéries Temporais Tendência e sazonalidade.
Séries Temporais Tendência e sazonalidade. Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 81531 990, Brasil email: lucambio.ufpr@gmail.com Agosto de 2015 DECOMPOSIÇÃO
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 maisPrevisão de Séries Temporais utilizando Métodos Estatísticos
Previsão de Séries Temporais utilizando Métodos Estatísticos Elisângela Lopes de Faria (a) Marcelo Portes Albuquerque (a) Jorge Luis González Alfonso (b) Márcio Portes Albuquerque (a) José Thadeu Pinto
Leia maisMódulo Tópicos Adicionais. Recorrências
Módulo Tópicos Adicionais Recorrências Módulo Tópico Adicionais Recorrências 1 Exercícios Introdutórios Exercício 1 Considere a sequência definida por x 1 d e x n r + x n 1, para n > 1 Trata-se de uma
Leia maisO cálculo das Estimativas Mensais de Emprego e Desemprego divulgadas em 2014
O cálculo das Estimativas Mensais de Emprego e Desemprego divulgadas em 2014 XXII Jornadas de Classificação e Análise de Dados 2015 Estatísticas Oficiais, Instituto Nacional de Estatística Sónia Torres
Leia maisSéries Temporais. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Séries Temporais Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução O que é uma série temporal? O que é a análise de uma série temporal?
Leia mais2 FUNDAMENTACÃO TEÓRICA
2 FUNDAMENTACÃO TEÓRICA Este capítulo apresenta os modelos de séries temporais chamados estruturais, nos quais o valor das observações é visto como composto de uma parte sistemática, modelada por uma equação
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 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 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 maisProbabilidade e Estatística. Estimação de Parâmetros Intervalo de Confiança
Probabilidade e Estatística Prof. Dr. Narciso Gonçalves da Silva http://páginapessoal.utfpr.edu.br/ngsilva Estimação de Parâmetros Intervalo de Confiança Introdução A inferência estatística é o processo
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 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 maisAULA 09 Regressão. Ernesto F. L. Amaral. 17 de setembro de 2012
1 AULA 09 Regressão Ernesto F. L. Amaral 17 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario F. 2008. Introdução à
Leia maisModelos Lineares Generalizados - Verificação do Ajuste do Modelo
1 Modelos Lineares Generalizados - Verificação do Ajuste do Modelo Erica Castilho Rodrigues 9 de Abril de 2015 2 3 Função Deviance Podemos ver o ajuste de um modelo a um conjunto de dados como: uma forma
Leia maisAV1 - MA UMA SOLUÇÃO. d b =. 3q 2 = 2p 2,
AV1 - MA 11-01 Questão 1. Prove que se a, b, c e d são números racionais tais que a + b 3 = c + d 3 então a = c e b = d. A igualdade a + b 3 = c + d 3 implica que (a c) = (d b) 3. Suponha que tenhamos
Leia maisAnálise Preditiva do Mercado de Petróleo Brasileiro. Universidade Federal de Sergipe, Departamento de Engenharia Mecânica
Análise Preditiva do Mercado de Petróleo Brasileiro Angelo Garangau Menezes 1 ; Ezellon Cavalache Jambeiro 2 ; Raónni Silva Pinto 3 1 Universidade Federal de Sergipe, Departamento de Engenharia Mecânica
Leia maisModelos de Regressão Linear Simples - Erro Puro e Falta de Ajuste
Modelos de Regressão Linear Simples - Erro Puro e Falta de Ajuste Erica Castilho Rodrigues 2 de Setembro de 2014 Erro Puro 3 Existem dois motivos pelos quais os pontos observados podem não cair na reta
Leia maisTestes de Hipóteses. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Testes de Hipóteses Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Introdução e notação Em geral, intervalos de confiança são a forma mais
Leia maisINE 7001 Estatística para Administradores I Turma Prática 1 15/08/2016 GRUPO:
INE 7001 Estatística para Administradores I Turma 02301 - Prática 1 15/08/2016 No arquivo Prática_em_planilhas.xlsx, procurar pela planilha Prática1. Usando o primeiro conjunto de dados (dados sobre os
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 Motivação Motivação Por
Leia maisCORRELAÇÃO E REGRESSÃO. Modelos Probabilísticos para a Computação Professora: Andréa Rocha. UNIVERSIDADE FEDERAL DA PARAÍBA Dezembro, 2011
CORRELAÇÃO E REGRESSÃO CORRELAÇÃO E REGRESSÃO Modelos Probabilísticos para a Computação Professora: Andréa Rocha UNIVERSIDADE FEDERAL DA PARAÍBA Dezembro, 2011 CORRELAÇÃO Introdução Quando consideramos
Leia maisAula 4 Medidas de dispersão
AULA 4 Aula 4 Medidas de dispersão Nesta aula, você estudará as medidas de dispersão de uma distribuição de dados e aprenderá os seguintes conceitos: amplitude desvios em torno da média desvio médio absoluto
Leia maisAULAS 21 E 22 Análise de Regressão Múltipla: Estimação
1 AULAS 21 E 22 Análise de Regressão Múltipla: Estimação Ernesto F. L. Amaral 28 de outubro e 04 de novembro de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Cohen, Ernesto, e Rolando Franco. 2000. Avaliação
Leia maisLane Alencar
Lane Alencar www.ime.usp.br/~lane ?AirPassengers ts.plot(airpassengers) Fonte: IPEA www.ipeadata.gov.br Media de 2002=100 Fonte: Shumway e Stoffer (2006) Podemos decompor o processo Z = {Z(t), t T} em:
Leia maisFísica II Ondas, Fluidos e Termodinâmica USP Prof. Antônio Roque Aula
59070 Física II Ondas, Fluidos e Termodinâmica USP Prof. Antônio Roque Aula 6 00 Superposição de Movimentos Periódicos Há muitas situações em física que envolvem a ocorrência simultânea de duas ou mais
Leia maisPROCESSO DE POISSON. Processo Estocástico Prof, Ms. Eliana Carvalho
Processo Estocástico Prof, Ms. Eliana Carvalho Este processo estocástico deve o seu nome ao matemático francês Simion-Denis Poisson (1781-1840). Espaço de estados discreto (cadeia) Variável tempo é contínua
Leia maisIntrodução ao Curso. Área de Teoria DCC/UFMG 2019/01. Introdução à Lógica Computacional Introdução ao Curso Área de Teoria DCC/UFMG /01 1 / 22
Introdução ao Curso Área de Teoria DCC/UFMG Introdução à Lógica Computacional 2019/01 Introdução à Lógica Computacional Introdução ao Curso Área de Teoria DCC/UFMG - 2019/01 1 / 22 Introdução: O que é
Leia maisPROVAS Ciência da Computação. 2 a Prova: 13/02/2014 (Quinta) Reavaliação: 20/02/2014 (Quinta)
PROVAS Ciência da Computação 2 a Prova: 13/02/2014 (Quinta) Reavaliação: 20/02/2014 (Quinta) Ajuste de Curvas Objetivo Ajustar curvas pelo método dos mínimos quadrados 1 - INTRODUÇÃO Em geral, experimentos
Leia maisTestes de Hipóteses para. uma Única Amostra. Objetivos de Aprendizagem. 9.1 Teste de Hipóteses. UFMG-ICEx-EST-027/031 07/06/ :07
-027/031 07/06/2018 10:07 9 ESQUEMA DO CAPÍTULO 9.1 TESTE DE HIPÓTESES 9.2 TESTES PARA A MÉDIA DE UMA DISTRIBUIÇÃO NORMAL, VARIÂNCIA CONHECIDA 9.3 TESTES PARA A MÉDIA DE UMA DISTRIBUIÇÃO NORMAL, VARIÂNCIA
Leia maisMétodo dos Mínimos Quadrados
Método dos Mínimos Quadrados Laura Goulart UESB 4 de Abril de 2019 Laura Goulart (UESB) Método dos Mínimos Quadrados 4 de Abril de 2019 1 / 22 Objetivos O Método dos Mínimos Quadrados (MMQ) é uma técnica
Leia maisCap. 8 - Variáveis Aleatórias
Variáveis Aleatórias Discretas: A de Poisson e Outras ESQUEMA DO CAPÍTULO 8.1 A DISTRIBUIÇÃO DE POISSON 8.2 A DISTRIBUIÇÃO DE POISSON COMO APROXIMAÇÃO DA DISTRIBUIÇÃO BINOMIAL 8.3 O PROCESSO DE POISSON
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS As variáveis aleatórias X e Y seguem uma distribuição de Bernoulli com probabilidade de sucesso igual a 0,4. Considerando S = X + Y e que os eventos aleatórios A = [X = 1] e B
Leia maisGestão de Stocks. Estudo realizado por: Dulce Varandas e Lídia Teixeira. Orientação:
Implementação de um Sistema de Gestão Empresarial (ERP) numa empresa do sector metalúrgico Gestão de Stocks Estudo realizado por: Orientação: Dulce Varandas e Lídia Teixeira Prof. Jorge Pinho de Sousa
Leia maisCE071 - Análise de Regressão Linear
CE071 - Análise de Regressão Linear Cesar Augusto Taconeli 30 de maio, 2018 Cesar Augusto Taconeli CE071 - Análise de Regressão Linear 30 de maio, 2018 1 / 21 Aula 7 - Regressão linear com covariáveis
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 Posição financeira Uma
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 maisIntrodução ao Pensamento Bayesiano via pacote LearnBayes e software R
Introdução ao Pensamento Bayesiano via pacote LearnBayes e software R Renato Santos da Silva Márcia D Elia Branco Universidade de São Paulo - USP Instituto de Matemática e Estatística - IME 12 de Março
Leia maisCorrelação e Regressão
Correlação e Regressão Vamos começar com um exemplo: Temos abaixo uma amostra do tempo de serviço de 10 funcionários de uma companhia de seguros e o número de clientes que cada um possui. Será que existe
Leia maisAjuste de dados por mínimos quadrados
Cálculo Numérico por mínimos quadrados Prof. Daniel G. Alfaro Vigo dgalfaro@dcc.ufrj.br Departamento de Ciência da Computação IM UFRJ Motivação: População do Brasil Ano População (milhões) 1960 70, 992343
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 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 maisInferência Estatística: Conceitos Básicos II
Inferência Estatística: Conceitos Básicos II Distribuição Amostral e Teorema do Limite Central Análise Exploratória de dados no SPSS Flávia F. Feitosa BH1350 Métodos e Técnicas de Análise da Informação
Leia mais7 Teste de Hipóteses
7 Teste de Hipóteses 7-1 Aspectos Gerais 7-2 Fundamentos do Teste de Hipóteses 7-3 Teste de uma Afirmação sobre a Média: Grandes Amostras 7-4 Teste de uma Afirmação sobre a Média : Pequenas Amostras 7-5
Leia maisUniversidade Federal de Mato Grosso - UFMT Probabilidade e Estatística
Universidade Federal de Mato Grosso - UFMT Probabilidade e Estatística 1 Introdução Definição: Estatística é um conjunto de conceitos e métodos científicos para coleta, organização, descrição, análise
Leia maisAnálise de Séries Temporais
Análise de Séries Temporais Definições Uma série temporal é qualquer conjunto de observações ordenadas no tempo. Por exemplo: Valores diários de poluição na cidade de São Paulo; Valores mansais de temperatura
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS 2003 2004 2005 2006 2007 2008 2009 2010 X 39,0 39,5 39,5 39,0 39,5 41,5 42,0 42,0 Y 46,5 65,5 86,0 100,0 121,0 150,5 174,0 203,0 A tabela acima mostra as quantidades, em milhões
Leia maisDepartamento de Engenharia e Gestão Licenciatura em Engenharia e Gestão Industrial Fundamentos de Investigação Operacional
Departamento de Engenharia e Gestão Licenciatura em Engenharia e Gestão Industrial Fundamentos de Investigação Operacional 2.º Teste Ano lectivo 2011/2012 22 de Maio de 2012 Duração: 1h30m Professor: João
Leia mais_ Desviopadrão
53 5. Resultados Os resultados serão apresentados separadamente para cada um dos quatro casos em estudo, correspondentes à combinação entre dois tipos de cobertura e dois sexos. 5.1. Cobertura por Morte
Leia maisControle Ótimo - Aula 8 Equação de Hamilton-Jacobi
Controle Ótimo - Aula 8 Equação de Hamilton-Jacobi Adriano A. G. Siqueira e Marco H. Terra Departamento de Engenharia Elétrica Universidade de São Paulo - São Carlos O problema de controle ótimo Considere
Leia maisAula 2 Uma breve revisão sobre modelos lineares
Aula Uma breve revisão sobre modelos lineares Processo de ajuste de um modelo de regressão O ajuste de modelos de regressão tem como principais objetivos descrever relações entre variáveis, estimar e testar
Leia maisAULA 05 Teste de Hipótese
1 AULA 05 Teste de Hipótese Ernesto F. L. Amaral 03 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario F. 2008. Introdução
Leia maisUniversidade Federal do Rio Grande do Norte. Centro de Ciências Exatas e da Terra. Departamento de Demografia e Ciências Atuariais
Universidade Federal do Rio Grande do Norte Centro de Ciências Exatas e da Terra Departamento de Demografia e Ciências Atuariais Disciplina: Séries temporais Professor: Marcos Roberto Gonzaga Trabalho
Leia maisMétodos de Previsão João Carlos Lourenço
Métodos de Previsão João Carlos Lourenço joao.lourenco@tecnico.ulisboa.pt Ano lectivo 2015/2016 Leituras recomendadas: Hair, J.F., Black, W.C., Babin, B.J., Anderson, R.E., 2010. Multivariate Data Analysis,
Leia maisModelos de regressão paramétricos
6 Modelos de regressão paramétricos Exercícios Exercício 6.1: O banco de dados leite2.txt contém dados de tempo de aleitamento de crianças de 4 comunidades. No ajuste não-paramétrico a esses dados, observamos
Leia maisMétodo de Quadrados Mínimos: Caso discreto
Método de Quadrados Mínimos: Caso discreto Marina Andretta ICMC-USP 23 de maio de 2012 Baseado no livro Análise Numérica, de R. L. Burden e J. D. Faires. Marina Andretta (ICMC-USP) sme0500 - cálculo numérico
Leia maisAula 8 - Testes de hipóteses
Aula 8 - Testes de hipóteses PhD. Wagner Hugo Bonat Laboratório de Estatística e Geoinformação-LEG Universidade Federal do Paraná 1/2017 Bonat, W. H. (LEG/UFPR) 1/2017 1 / 1 Testes de hipóteses Exemplo
Leia mais1 Que é Estatística?, 1. 2 Séries Estatísticas, 9. 3 Medidas Descritivas, 27
Prefácio, xiii 1 Que é Estatística?, 1 1.1 Introdução, 1 1.2 Desenvolvimento da estatística, 1 1.2.1 Estatística descritiva, 2 1.2.2 Estatística inferencial, 2 1.3 Sobre os softwares estatísticos, 2 1.4
Leia maisAnálise Multivariada Aplicada à Contabilidade
Mestrado e Doutorado em Controladoria e Contabilidade Análise Multivariada Aplicada à Contabilidade Prof. Dr. Marcelo Botelho da Costa Moraes www.marcelobotelho.com mbotelho@usp.br Turma: 2º / 2016 1 Agenda
Leia maisBusca Competitiva. Inteligência Artificial. Até aqui... Jogos vs. busca. Decisões ótimas em jogos 9/22/2010
Inteligência Artificial Busca Competitiva Aula 5 Profª Bianca Zadrozny http://www.ic.uff.br/~bianca/ia-pos Capítulo 6 Russell & Norvig Seção 6.1 a 6.5 2 Até aqui... Problemas sem interação com outro agente.
Leia maisUtilização do modelo Holt-Winters para previsão das vendas de leite em um laticínio no oeste paranaense
Utilização do modelo Holt-Winters para previsão das vendas de leitm um laticínio no oeste paranaense Anariele Maria Minosso 1 Silvana Lígia Vincenzi Bortolotti 2 Katiane de Oliveira 3 1 Introdução A cadeia
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 maisUma Introdução às Séries Temporais
Uma Introdução às Séries Temporais Hugo,Jeandro,Rhudney,Tiago 19 de Outubro de 2015 Hugo,Jeandro,Rhudney,Tiago (CIn/UFPE) IN1160 -TÓPICOS AVANÇADOS EM AVALIAÇÃO19DEdeDESEMPENHO Outubro 2015DE SISTEMAS
Leia maisFURG / ICEAC / ADMINISTRAÇÃO. ADMMAT 2009 (3ª semana) Prof. Vanderlei Borba
FURG / ICEAC / ADMINISTRAÇÃO ADMMAT 2009 (3ª semana) Prof. Vanderlei Borba ADMINISTRAÇÃO DE MATERIAIS Métodos Estatísticos ou Matemáticos Métodos de Gestão de Materiais com base estatística 1. Média Aritmética
Leia maisMÉTODOS EXPERIMENTAIS E TÉCNICAS DE MEDIDAS
MÉTODOS EXPERIMENTAIS E TÉCNICAS DE MEDIDAS Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 4 Variáveis Aleatórias Conceitos relacionados à probabilidade Mestrado em Eng. Mecânica 3/66 Experimentos
Leia maisModelos de Regressão Múltipla - Parte IV
1 Modelos de Regressão Múltipla - Parte IV Erica Castilho Rodrigues 01 de Fevereiro de 2017 2 3 4 Nos modelos vistos até agora a mudança de um grupo para o outro estava apenas no intercepto. Podemos também
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 maisSELEÇÃO DE VARIÁVEIS
SELEÇÃO DE VARIÁVEIS objetivo incluir tantas covariáveis quantas forem necessárias para auxiliar na predição do modelo? (1) buscar o menor subconjunto de covariáveis capaz de explicar adequadamente a variação
Leia maisEssa estrutura de repetição é utilizada quando se sabe o número de vezes que um trecho do algoritmo deve ser repetido.
Algoritmos e Estruturas de Dados I Prof. Eduardo 1 1 - ESTRUTURAS DE REPETIÇÃO Uma estrutura de repetição é utilizada para fazer com que um pedaço (trecho) do programa seja executado n vezes, ou seja,
Leia maisAnálise de Regressão EST036
Análise de Regressão EST036 Michel Helcias Montoril Instituto de Ciências Exatas Universidade Federal de Juiz de Fora Regressão sem intercepto; Formas alternativas do modelo de regressão Regressão sem
Leia mais24 a Aula AMIV LEAN, LEC Apontamentos
24 a Aula 2004.11.10 AMIV LEAN, LEC Apontamentos (Ricardo.Coutinho@math.ist.utl.pt) 24.1 Método de Euler na aproximação de EDO s Métodos numéricos para a determinação de soluções de EDO s podem ser analisados
Leia maisAjuste de Curvas. Diogo Pinheiro Fernandes Pedrosa. Universidade Federal do Rio Grande do Norte Centro de Tecnologia.
Ajuste de Curvas Diogo Pinheiro Fernandes Pedrosa Universidade Federal do Rio Grande do Norte Centro de Tecnologia Departamento de Engenharia de Computação e Automação http://wwwdcaufrnbr/ 1 Introdução
Leia maisMP-208: Filtragem Ótima com Aplicações Aeroespaciais
MP-208: Filtragem Ótima com Aplicações Aeroespaciais Capítulo 7: Filtro de Kalman Estendido Discreto Davi Antônio dos Santos Departamento de Mecatrônica Instituto Tecnológico de Aeronáutica davists@ita.br
Leia maisMODELO ARIMA COM O PACOTE FORECAST
MODELO ARIMA COM O PACOTE FORECAST 1. INTRODUÇÃO Neste documento iremos mostrar como trabalhar o modelo ARIMA utilizando um pacote do R, (forecast) que permite a escolha de um modelo de forma automática.
Leia maisAnálise de Séries Temporais
Análise de Séries Temporais Análise de Séries Temporais Definições Uma série temporal é qualquer conjunto de observações ordenadas no tempo. Por exemplo: Valores diários de poluição na cidade de São Paulo;
Leia maisAula 4. Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro
Aula 4 Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro 2012 (UFRJ) Análise Exploratória de Dados 2012 1 / 27 Objetivos da aula Trabalhar com transformações
Leia maisCAP. II RESOLUÇÃO NUMÉRICA DE EQUAÇÕES NÃO LINEARES
CAP. II RESOLUÇÃO NUMÉRICA DE EQUAÇÕES NÃO LINEARES Vamos estudar alguns métodos numéricos para resolver: Equações algébricas (polinómios não lineares; Equações transcendentais equações que envolvem funções
Leia maisVerificação da necessidade do uso de alguma transformação. Programa de Aperfeiçoamento de Ensino
ipi 1 9 8 5 1 9 9 0 1 9 9 5 2 0 0 0 T i m e Programa de Aperfeiçoamento de Ensino Modelos Sazonais Estocásticos Supervisora: Profª Clélia Maria de Castro Toloi 1 2 Leitura dos dados - R: Série IPI ipi
Leia maisTestes de hipóteses. Wagner H. Bonat Fernando P. Mayer Elias T. Krainski
Testes de hipóteses Wagner H. Bonat Fernando P. Mayer Elias T. Krainski Universidade Federal do Paraná Departamento de Estatística Laboratório de Estatística e Geoinformação 07/06/2018 WB, FM, EK ( LEG/DEST/UFPR
Leia maisPREVISÃO DA DEMANDA. Aula 10 e 11 e 12 - Regina Meyer Branski
PREVISÃO DA DEMANDA Aula 10 e 11 e 12 - Regina Meyer Branski Objetivos da aula Ao final os alunos devem ser capazes de implementar processo de previsão de demanda conhecendo: Modelos de Previsão Indicadores
Leia mais6 MÉTODO DE ELEMENTOS FINITOS - MEF
6 MÉTODO DE ELEMENTOS FINITOS - MEF O Método de Elementos Finitos é uma técnica de discretização de um problema descrito na Formulação Fraca, na qual o domínio é aproximado por um conjunto de subdomínios
Leia maisEstatística Aplicada
Estatística Aplicada Variável Aleatória Contínua e Distribuição Contínua da Probabilidade Professor Lucas Schmidt www.acasadoconcurseiro.com.br Estatística Aplicada DISTRIBUIÇÕES CONTÍNUAS DE PROBABILIDADE
Leia maisPolítica de Gerenciamento de Risco de Mercado
Política de Gerenciamento de Risco de Mercado 1 ÍNDICE 1. OBJETIVO... 2 2. GERENCIAMENTO DE RISCOS... 2 3. RISCO DE MERCADO... 2 3.1 Retorno...... 3 3.2 Excesso de Retorno... 3 3.3 Volatilidade... 3 3.4
Leia maisMedidas de associação entre duas variáveis qualitativas
Medidas de associação entre duas variáveis qualitativas Hoje vamos analisar duas variáveis qualitativas (categóricas) conjuntamente com o objetivo de verificar se existe alguma relação entre elas. Vamos
Leia mais