Modulo I. Séries Temporais: ARIMA
|
|
- Pedro Bentes Covalski
- 7 Há anos
- Visualizações:
Transcrição
1 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 Santos Matrícula: Belém-PA 2014
2 Introdução Os modelos aqui apresentados são os modelos auto-regressivos integrados de médias móveis, ARIMA( p,d,q), conhecido como abordagem de Box e Jenkins (1970),. são modelos matemáticos que visam captar o comportamento da autocorrelação entre os valores da série temporal, e com base nesse comportamento realizar previsões futuras. Segundo Fava (2000), os modelos ARIMA resultam da combinação de três componentes denominados filtros : o componente auto-regressivo (AR), o filtro de integração (I) e o componente de médias móveis (MA). Uma série pode ser modelada pelos três filtros ou apenas um subconjunto deles, resultando em vários modelos abordados a seguir. Etapas da Metodologia de Box e Jenkins Morettin e Toloi (1987) mostram que a construcão dos modelos ARIMA e baseada em um ciclo iterativo, no qual a escolha do modelo é feita com base nos próprios dados. Segundo Box e Jenkins (1976). Os estágios do ciclo iterativo são: a. Identificação: análise de autocorrelações, auto-correlações parciais e outros critérios; b. Estimação, na qual os parâmetros do modelo identificado são estimados; c. verificação ou diagnóstico do modelo ajustado: feita através da análise de resíduos, para saber se o modelo é adequado para os objetivos, por exemplo, previsões. Caso o modelo não seja adequado, o ciclo é repetido, voltando-se à fase de identificação. Modelos ARIMA Modelos lineares Estacionários Uma série temporal é dita estacionária quando ela se desenvolve no tempo aleatoriamente ao redor de uma média constante, refletindo alguma forma de equilíbrio estável.
3 Operador de defasagem: é o termo usado para designar o operador que representa o número de períodos associados a uma observação precedente. Modelos Auto Regressivos (AR) Em um modelo auto-regressivo, a série de dados Zt é descrita por seus valores passados Zt 1,Zt 2,..., Zt p e pelo ruído branco(resíduos são não correlacionados) A estrutura auto-regressiva geral é expressa por: Z t = φ 1 Z t 1 + φ 2 Z t φ p Z t p + a t Onde: ϕi são parâmetros da estrutura, i = 1,..., p (ordem da estrutura) at é ruído branco com média zero e variância σ 2 a. O modelo AR(p) pode ser reescrito, utilizando o operador de defasagem B. φ B = 1 φ 1 B φ 2 B 2 φ p B p Então pode-se escrever: φ B Z t 1 = a t Função de autocorrelação ρj = φ1 ρ j 1 + φ2 ρ j φp ρ j p Então ρ1 = φ1 ρ j 1 + φ2 ρ j φpρ p 1 ρ2 = φ1 ρ j 1 + φ2 ρ j φpρ p 2...
4 ρ p = φ1 ρ j 1 + φ2 ρ j φp Sendo que, neste caso, para j = 1, 2,..., p estas equações são denominadas de Yule- Walker, onde, em forma matricial, ficam: Modelos Médias Móveis(MA) Os modelos médias móveis são formados por combinação linear do ruído branco, at, ocorridos no período corrente e nos períodos passados. A estrutura de médias móveis geral é expressa por: Z t = µ + a t Ѳ 1 a t 1 Ѳ 2 a t 2 Ѳ q a t q Onde: θi são parâmetros da estrutura, i = 1,..., q (a ordem da estrutura) at é ruído branco com média zero e variância σ 2 a. O modelo MA(q) pode ser reescrito, utilizando o operador de defasagem B. θ(b) = 1 θ1b θ2b 2... θ2θ q B q. Função de auto correlação Modelos Auto Regressivos e de Médias Móveis (ARMA)
5 Esse modelo é uma combinação dos dois anteriores onde Zt é descrito por seus valores passados e pelos ruídos branco corrente e passados. A estrutura geral ARMA(p,q) é expressa por: Zt = ϕ1zt-1 + ϕ2zt ϕpzt-p + at - θ1at-1 - θ2at θqat-q Onde: ϕi são os parâmetros da estrutura auto-regressiva, i = 1,..., p θ i são os parâmetros da estrutura médias móveis, i = 1,..., q at.ruído branco Se φ B e Ѳ B são os operadores auto-regressivos e de médias móveis,respectivamente, podemos escrever na forma compacta: φ B Z t = Ѳ(B)a t Função de auto correlação ρj = φ1 ρ j 1 + φ2 ρ j φp ρ j p As auto-correlações para os lags j > q se comportam como nos modelos autoregressivos. Modelos lineares não Estacionários Modelos Auto Regressivos, Integrados e de Médias Móveis O modelo ARIMA (p, d, q) é adequado para a previsão de séries temporais cujo processo estocástico não é estacionário. Logo, a série original passará por algumas diferenciações a fim de torná-la estacionária (Box & Jenkins, 1994). O número necessário de diferença para tornar uma série estacionária é denominado ordem de integração (d). Para detectar a não-estacionariedade de uma série, o comportamento temporal pode ser analisado graficamente, buscando padrões como a inclinação nos dados e a variação
6 dos dados não permanece essencialmente constante sobre o tempo, isto é, indicando que a variância está se alterando ou, então,aplicando os testes estatísticos de raiz unitária. O teste de raiz unitária mais usado é o de Dickey-Fuller. A estrutura geral ARIMA(p, d, q) é expressa por: ϕ(b) d Z t = Ѳ(B)a t Onde: ϕ(b) representa o operador auto-regressivo de ordem p ϴ(B) representa o operador médias móveis de ordem q at ruído branco d representa o número de diferenças =1 B representa o operador diferença 1º Estágio para escolha da estrutura do modelo Identificação de Modelos ARIMA Para a identificação dos modelos apropriados, inicialmente deve-se analisar o gráfico do tempo da série em estudo. A análise desse gráfico pode indicar a presença de tendência ou alteração de variância, revelando se a série é ou não estacionária. Análise da funções de autocorrelações (ACF) e de autocorrelações parciais (PACF), indica qual o modelo a ser utilizado, bem como auxilia no uso dos testes de raízes unitárias para confirmar a estacionariedade. O objetivo da identificação é determinar os valores de p, d e q do modelo ARIMA(p,d,q), além de estimativas preliminares dos parâmetros a serem usadas no estágio de estimação. Etapas:
7 a) Verificar se existe a necessidade de uma transformação na série original, com objetivo de estabilizar a variância; b) Tornar a série estacionária por meio de diferenças, de modo que o processo dzt seja reduzido a um ARMA(p,q) c) Identificar o processo ARMA(p,q) resultante. d) Verificação da estacionariedade e da invertibilidade.
8 Condições de estacionariedade/invertibilidade : Diferença entre FAC e FACP. FAC : correlação simples entre Zt e Zt k em função da defasagem k. FACP: correlação entre Zt e Zt k em função da defasagem k, filtrado o efeito de todas as outras defasagens sobre Zt e Zt k. Propriedades teóricas da FAC e FACP i) FAC decai exponencialmente ou senoidal: indício de processo AR. Nesse caso, a FACP ajuda a determinar a ordem do processo. ii) FAC apresenta um corte brusco depois de poucas defasagens: indício de processo MA. Isso se confirma se a FACP decai exponencialmente. iii) Estrutura ARMA(p, q) Como a estrutura ARMA(p, q) corresponde a uma estrutura AR(p) de ordem infinita ou a uma estrutura MA(q) de ordem também infinita, dos resultados anteriores pode-se concluir que a função de autocorrelação parcial de uma estrutura ARMA(p,q) comporta-se de um modo misto mas sem particularidades notáveis (Souza e Camargo, 2004). Assim, a partir das FAC. estimadas, tentamos identificar um padrão que se comporte teóricamente com algum modelo. Critério de Informação São alguns procedimentos de identificação utilizado que minimizam funções penalizadoras particulares. Consideram não apenas a qualidade do ajuste, mas também penalizam a inclusão de parâmetros extras.
9 Os critérios de informação são utilizados para comparação de modelos e que levam em conta a variância do erro, o tamanho da amostra N e os valores de p, q. Regra básica: selecionar o modelo cujo critério de informação calculado seja mínimo. Critérios de informação mais usados: a. Akaike (AIC) : AIC(k)=( 2)loge [Verossimilhança Maximizada]+ 2k k : número de parâmetros estimados (para ARMA(p, q), k = p + q +1). Para dados normalmente distribuídos AIC(k) = N ln(rss) + 2k b. Schwarz (SIC) : SIC(k) = N ln(rss) + k ln (N) c. Bayesiano (BIC): (SBC) BIC(k)=-2logVerossimilhança Maximizada + k +k ln N n : número de observações k : número de parâmetros estimados RSS : Soma dos quadrados dos resíduos Deve-se manter N fixo para comparar os modelos 1º Estágio para escolha da estrutura do modelo Estimação de Modelos ARIMA Identificado a ordem de um modelo ARIMA para uma série temporal precisamos agora estimar os parâmetros deste modelo. Para isso, podemos utilizar método dos momentos, estimadores de minimos quadrados e estimadores máxima verossimelhança. 3º Estágio para escolha da estrutura do modelo Diagnóstico de Modelos ARIMA Essa etapa consiste em verificar se o modelo identificado e estimado é adequado. Em caso positivo, ele pode ser utilizado para fazer previsões.em caso negativo, será necessário identificar outro modelo e repetir as etapas de estimativa e verificação. Segundo Fava(2000), as formas de verificação comumente utilizadas são: análise de resíduos e avaliação da ordem do modelo. Alguns testes de adequação do modelo Teste de autocorrelação residual Teste de Box-Pierce Teste da autocorrelação cruzada
10 Previsão com modelos ARIMA A partir do momento que conseguimos identificar e estimar um modelo ARIMA adequado às observações, vamos então estudar métodos que possamos utilizar a modelagem ARIMA para prever os valores das observações h passos a frente. Vale a pena ressaltar que previsões utilizando modelos ARIMA serão eficazes para um período curto e as melhores previsões serão aquelas que apresentam um errro quadrático médio(eqm) mínimo.
11 Autocorrelatção Parcial Autocorrelação Aplicação Figura 1. Gráfico da série Produto Interno Bruto (PIB) do Brasil, observações anuais de 1861 a Identificação do Modelo Para a identificação dos modelos apropriados, inicialmente deve-se analisar o gráfico do tempo da série em estudo. A análise do gráfico da série PIB na Figura 1, indica a presença de tendência crescente, indicando a não estacionariedade da série. O próximo passo é analisar as funções de autocorrelações (FAC) e de autocorrelações parciais(facp) da série PIB. O comportamento dessas funções auxilia na verificação da estacionariedade e na proposição do modelo. Figura 2. Correlogramas das FAC e FACP da série PIB. Função de Autocorrelação da série PIB 1,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1, Função de Autocorrelação Parcial da série PIB 1,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1, A Figura 2. Mostra a FAC e a FACP da série PIB revelando que as autocorrelações da FAC apresentam decaimento exponencial, típico do processo auto-regressivo, e o
12 Autocorrelação Autocorrelação correlograma da FACP, apresenta a primeira defasagem(lag) diferentes de zero significativamente. Assim, há uma indicaçãoo de que a ordem do modelo autoregressivo é p=1, no caso um modelo AR(1). Figura 3: Correlograma das FAC S da 1ª e 2ª diferenças da série PIB. FAC da 1ª Diferença 1,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1, FAC 2ª Diferença 1,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1, A obtenção do valor de ordem d é feita através da escolha do correlograma da FAC que apresentar menor flutuação em suas defasagens após aplicadas as diferenciações. Conforme a análise do gráfico da Figura 3, o valor de d = 2, isto porque o correlograma da 2ª diferença apresentou menor flutuação que o da 1ª diferença. Portanto, o diagnóstico da análise inicial, indicou como modelo para representar a série, o modelo ARIMA (1,2,0). Estimativa do Modelo Uma vez indicados os valores de p,d,q, passa-se para a estimativa do parâmetro do modelo proposto. A estimativa do parâmetro do modelo foi φ 1 =-0,2343. Verificação do Modelo Essa etapa consiste em verificar se o modelo identificado é adequado. Em caso negativo, será necessário identificar outro modelo e repetir as etapas de estimativa e verificação. A forma de verificação utilizada foi: Análise de resíduos: os resíduos devem apresentar comportamento de ruído branco se o modelo estiver adequadamente especificado, isto é, suas correlações devem ser não significantes.utiliza-se o teste de Box-Pierce para reforçar essa afirmativa. Figura 4. Correlograma dos Resíduos do Modelo ARIMA (1,2,0).
13 Autocorrelação FACP do Resíduo do PIB 1,0 0,8 0,6 0,4 0,2 0,0-0,2-0,4-0,6-0,8-1, A Figura 4 revela que os resíduos efetivamente apresentam comportamento de ruído branco, logo, o modelo é adequado no que se refere à análise dos resíduos. Embora os lags 4 e 6 apresentem picos no limite de significância. Essa conclusão é reforçada após a utilização do teste de Box-Pierce. H 0: Os resíduos não são correlacionados (ruído branco) H 1: Os resíduos são correlacionados Teste de Box-Pierce não apresentou evidências para rejeitar H 0,ou seja,os resíduos não são correlacionados,sendo assim o modelo proposto é adequado.
14 Referências [1] MORETTIN, Pedro A. e TOLOI, Clélia M. S eries Temporais, 2a ed. Editora Atual, [2]
Metodologia 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 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 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 maisPrevisão mensal do preço da saca de soja no sudoeste do estado do Paraná utilizando a metodologia de Box & Jenkis
Previsão mensal do preço da saca de soja no sudoeste do estado do Paraná utilizando a metodologia de Box & Jenkis Gabriel Tambarussi Avancini 1 Thiago Viana Flor de Santana 1 Vitor Augusto Ozaki 1 Djair
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 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 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 maisUtilizando a função auto.arima em modelos de séries temporais
Utilizando a função auto.arima em modelos de séries temporais Erasnilson Vieira Camilo 1 2 Marina Rodrigues Maestre 1 Rick Anderson Freire Mangueira 1 Elias Silva de Medeiros 1 Cristian Villegas 1 1 Introdução
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 maisPrevisão da inflação do indicador IGP-M através de um modelo ARIMA
Previsão da inflação do indicador IGP-M através de um modelo ARIMA Mauricio Mattos Junho de 2014 Resumo Esse trabalho visa identificar um modelo ARIMA que seja efetivo na descrição e predição dos valores
Leia maisAnálise da série temporal do desemprego em regiões metropolitanas do Brasil
Análise da série temporal do desemprego em regiões metropolitanas do Brasil Érica Fernanda da Cruz 1 3 Tamara Aparecida Nogueira dos Anjos 2 Thelma Sáfadi 2 1 Introdução O desemprego no Brasil é uma constante
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 maisAplicação da metodologia Box & Jenkins para previsão de vendas de emulsificante
Aplicação da metodologia Box & Jenkins para previsão de vendas de emulsificante Eduardo Campana Barbosa1 Carlos Henrique Osório Silva2 Resumo: Utilizou-se a metodologia Box & Jenkins para previsão da demanda
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 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 maisModelagem do preço da soja utilizando a metodologia de análise de séries temporais 1
Modelagem do preço da soja utilizando a metodologia de análise de séries temporais 1 Jair Wyzykowski 2 Maíra Rodrigues Villamagna 3 Thelma Sáfadi 4 Augusto Ramalho de Morais 5 1 Introdução Uma série é
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 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 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 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 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 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 maisCapítulo 3. Modelos Probabilísticos
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
Leia maisEstimação de Modelos ARMA e ARIMA
Estimação de Modelos ARMA e ARIMA Estagiária Docente: Vívian dos Santos Queiroz Disciplina: Econometria Aplicada Professor: Sabino da Silva Porto Júnior Apresentação Inserindo Dados de Séries Temporais
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 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 comparativa entre métodos estatístico e rede neural aplicados em séries temporais
Análise comparativa entre métodos estatístico e rede neural aplicados em séries temporais Ana Paula de Sousa José Elmo de Menezes Introdução As formas funcionais dos modelos de previsão das redes neurais
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 maisMÉTODO DE PREVISÃO DE DEMANDA APLICADO EM UMA EMPRESA REVENDEDORA DE COMBÚSTIVEL
MÉTODO DE PREVISÃO DE DEMANDA APLICADO EM UMA EMPRESA REVENDEDORA DE COMBÚSTIVEL Thais Rubiane Domingues Silva 1, Laryssa Ribeiro 2, Fábio Luis Figueiredo Fernandes 3, Danielle Mayumi Campos Tamaki 4 Centro
Leia maisAvaliação da produção de cana-de-açúcar no Brasil através do estudo de séries temporais
Avaliação da produção de cana-de-açúcar no Brasil através do estudo de séries temporais 1 Introdução Micherlania da Silva Nascimento 1 Leila Maria Ferreira 2 Tatiane Carvalho Alvarenga 3 4 O Brasil é o
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 maisUma aplicação do modelo ARIMA para os preços do real estate nos municípios de São Paulo e Rio de Janeiro
Uma aplicação do modelo ARIMA para os preços do real estate nos municípios de São Paulo e Rio de Janeiro 1 Introdução Everton Batista da Rocha 1 2 Marcelo Lopes Moraes 3 Marcos Aurelio Rodrigues 3 O real
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 maisModelagem do comportamento da variação do índice IBOVESPA através da metodologia de séries temporais
Modelagem do comportamento da variação do índice IBOVESPA através da metodologia de séries temporais João Eduardo da Silva Pereira (UFSM) jesp@smail.ufsm.br Tânia Maria Frighetto (UFSM) jesp@smail.ufsm.br
Leia maisAnálise do consumo de energia elétrica da cidade de Uberlândia MG, utilizando modelos de séries temporais
Análise do consumo de energia elétrica da cidade de Uberlândia MG, utilizando modelos de séries temporais Guilherme Alvarenga Laia 1 Maria Imaculada de Sousa Silva 2 Nádia Giaretta Biase 3 1 Introdução
Leia maisAnálise do custo médio por metro quadrado da construção civil no estado de Minas Gerais usando modelos de séries temporais
Análise do custo médio por metro quadrado da construção civil no estado de Minas Gerais usando modelos de séries temporais 1 Introdução Charles Shalimar Felippe da Silva 1 Ricardo Vitor Ribeiro dos Santos
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 maisEstudo de Modelos ARIMA com Variáveis Angulares para Utilização na Perfuração de Poços Petrolíferos
Universidade Federal de Campina Grande Centro de Ciências e Teconologia Programa de Pós-Graduação em Matemática Curso de Mestrado em Matemática Estudo de Modelos ARIMA com Variáveis Angulares para Utilização
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 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 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 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 mais3 A Modelagem Univariada por Box & Jenkins
3 A Modelagem Univariada por Box & Jenkins 3.1 Preliminares da modelagem por Box & Jenkins Serão a seguir apresentados alguns conceitos imprescindíveis para a compreensão da técnica Box & Jenkins (BJ)
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 maisAjuste de modelos de séries temporais para pressão atmosférica de Uberlândia
Ajuste de modelos de séries temporais para pressão atmosférica de Uberlândia Valiana Alves Teodoro Mirian Fernandes Carvalho Araújo Lúcio Borges de Araújo Introdução Na comercialização de produtos originados
Leia maisPREVISÃO DE VENDAS COM MODELO ARIMA BOX E JENKINS APLICAÇÃO COM GRETL
Estatística & Gestão de Informação Métodos de Previsão 1º Semestre - 4º Ano PREVISÃO DE VENDAS COM MODELO ARIMA BOX E JENKINS APLICAÇÃO COM GRETL Autores: Emanuel De Jesus R. C.Borges (emanuelramos31@hotmail.com);
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 maisUM ESTUDO EM SÉRIES TEMPORAIS NA ANÁLISE DA RECEITA NOMINAL DE VENDAS DE VEÍCULOS E MOTOS RESUMO
64 UM ESTUDO EM SÉRIES TEMPORAIS NA ANÁLISE DA RECEITA NOMINAL DE VENDAS DE VEÍCULOS E MOTOS Samuel de Oliveira Especialista em ensino de Física Mestrando em Engenharia de Sistemas pela Universidade Federal
Leia mais6. Predição Linear e Controlo de Variância Mínima
1 6. Predição Linear e Controlo de Variância Mínima Objectivo: Projectar controladores discretos lineares para sistemas com perturbações estocásticas. Preparação para o Controlo Adaptativo. Referência:
Leia maisUNIVERSDADE AGOSTINHO NETO FACULDADE DE ECONOMIA. Maio 2018 Aula 8
1 UNIVERSDADE AGOSTINHO NETO FACULDADE DE ECONOMIA Maio 2018 Aula 8 Armando Manuel 09/29/2017 A PREVISÃO Armando Manuel 09/29/2017 11 1. A metodologia Box-Jenkins é um processo que se inicia com a analise
Leia maisPrevisão de taxas de falhas utilizando o Método de Box & Jenkins. Forecast of failure rates using the Box & Jenkins Method
Previsão de taxas de falhas utilizando o Método de Box & Jenkins Débora Morales1 (UFPR) debora_mo2@hotmail.com Naiara Fernanda Johnsson 2 (UFPR) nai_johnsson@hotmail.com Resumo: O presente artigo propõe
Leia maisUma Aplicação dos Modelos Box-Jenkins para Previsão de Demanda na Área de Assistência Técnica de Computadores Pessoais
Uma Aplicação dos Modelos Box-Jenkins para Previsão de Demanda na Área de Assistência Técnica de Computadores Pessoais Liane Werner Departamento de Estatística, Universidade Federal do Rio Grande do Sul,
Leia maisUma Análise da Volatilidade nas Exportações Brasileiras
ISSN 0798 1015 HOME Revista ESPACIOS! ÍNDICES! A LOS AUTORES! Vol. 38 (Nº 28) Año 2017. Pág. 7 Uma Análise da Volatilidade nas Exportações Brasileiras An Analysis of Volatility in Brazilian Exports Letícia
Leia maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2011
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2011 Séries Temporais Considere um processo onde o valor presente de uma série depende dos
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 maisPATRÍCIA SILVA NASCIMENTO
PATRÍCIA SILVA NASCIMENTO ANÁLISE DA DISTRIBUIÇÃO ESPACIAL E PREVISÃO DO ÍNDICE DE MORTALIDADE POR ARMA DE FOGO E ARMA BRANCA NA CIDADE DE JOÃO PESSOA JOÃO PESSOA 2006 UNIVERSIDADE FEDERAL DA PARAÍBA CENTRO
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 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 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 maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS Em uma grande escola, 10% dos alunos são comprovadamente fracos. Um teste educacional conseguiu identificar corretamente 80% entre aqueles que são fracos e 85% entre aqueles que
Leia maisMonitoria Econometria Avançada Lista 2
Monitoria Econometria Avançada Lista 2 Professor: Hedibert Lopes Primeiramente, vamos plotar os gráficos das séries, rodando a primeira parte do programa macro-arima.r disponível no site do professor,
Leia maisModelos de Séries Temporais Aplicados a Dados de Precipitação da Região do Cariri Paraibano
Universidade Estadual da Paraíba Centro de Ciências e Tecnologia Departamento de Estatística Fábio Sandro dos Santos Modelos de Séries Temporais Aplicados a Dados de Precipitação da Região do Cariri Paraibano
Leia maisANÁLISE DAS VARIAÇÕES DE TEMPERATURAS NA PLATAFORMA DE NOSSA SENHORA DA GLÓRIA VIA BOX E JENKINS
ANÁLISE DAS VARIAÇÕES DE TEMPERATURAS NA PLATAFORMA DE NOSSA SENHORA DA GLÓRIA VIA BOX E JENKINS ANALYSIS OF CHANGES IN TEMPERATURE ON DECK OF OUR LADY OF NOSSA SENHORA DA GLÓRIA BY BOX AND JENKINS Nathaly
Leia maisMELHORA DO MODELO SARIMA PARA A PREVISÃO DA DEMANDA MÁXIMA DE CARGA DE ENERGIA DA PUC-RIO UTILIZANDO A SIMULAÇÃO PELO MÉTODO DE MONTE CARLO
João Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016 MELHORA DO MODELO SARIMA PARA A PREVISÃO DA DEMANDA MÁXIMA DE CARGA DE ENERGIA DA PUC-RIO UTILIZANDO A SIMULAÇÃO PELO MÉTODO DE MONTE CARLO SERGIO
Leia maisModelagem e Avaliação de Desempenho. Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2018
Modelagem e Avaliação de Desempenho Pós Graduação em Engenharia Elétrica - PPGEE Prof. Carlos Marcelo Pedroso 2018 Séries Temporais Considere um processo onde o valor presente de uma série depende dos
Leia maisPrevisão da produção de energia hidrelétrica no Brasil via séries temporais.
Previsão da produção de energia hidrelétrica no Brasil via séries temporais. Sílvio de Castro Silveira. Introdução Joel Augusto Muniz Thelma Sáfadi Tadeu Vilela de Souza Recentemente ascendeu-se a discussão
Leia mais8º CONGRESSO LUSO-BRASILEIRO PARA O PLANEAMENTO URBANO, REGIONAL, INTEGRADO E SUSTENTÁVEL (PLURIS
8 º CONGRESSO LUSO-BRASILEIRO PARA O PLANEAMENTO URBANO, REGIONAL, INTEGRADO E SUSTENTÁVEL (PLURIS 218) Cidades e Territórios - Desenvolvimento, atratividade e novos desafios Coimbra Portugal, 24, 25 e
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 maisESTUDO DO CONSUMO E DO NÚMERO DE CONSUMIDORES DE ENERGIA ELÉTRICA DO RS POR MEIO DE COMPONENTES PRINCIPAIS E MODELOS DE PREVISÃO
UNIVERSIDADE FEDERAL DE SANTA MARIA CENTRO DE TECNOLOGIA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO ESTUDO DO CONSUMO E DO NÚMERO DE CONSUMIDORES DE ENERGIA ELÉTRICA DO RS POR MEIO DE COMPONENTES
Leia maisLUCAS DE GUSMÃO NOGUEIRA MODELAGEM AUTO-REGRESSIVA NA PREVISÃO DE DEMANDA DOS PRODUTOS DE UMA EMPRESA DO SETOR QUÍMICO
LUCAS DE GUSMÃO NOGUEIRA MODELAGEM AUTO-REGRESSIVA NA PREVISÃO DE DEMANDA DOS PRODUTOS DE UMA EMPRESA DO SETOR QUÍMICO Guaratinguetá 2015 LUCAS DE GUSMÃO NOGUEIRA MODELAGEM AUTO-REGRESSIVA NA PREVISÃO
Leia maisUMA ANÁLISE ECONOMÉTRICA DO ICMS *
UMA ANÁLISE ECONOMÉTRICA DO ICMS * Carlos Eduardo S. Marino ** * Trabalho de conclusão da disciplina de Econometria I, ministrada pelos professores Ivan Castelar e Vitor Monteiro, realizada no primeiro
Leia maisMODELOS DE SÉRIES TEMPORAIS APLICADOS A PREVISÃO DE RADIAÇÃO SOLAR
MODELOS DE SÉRIES TEMPORAIS APLICADOS A PREVISÃO DE RADIAÇÃO SOLAR MODELOS DE SÉRIES TEMPORAIS APLICADOS A PREVISÃO DE RADIAÇÃO SOLAR Time series models applied to solar radiation forecasting Eliezer José
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 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 maisAnálise da série do custo da cesta básica de Belo Horizonte, MG.
Análise da série do custo da cesta básica de Belo Horizonte, MG. Tamara Aparecida Nogueira dos Anjos 12 Érica Fernanda da Cruz 3 Thelma Sáfadi 3 1 Introdução Em nosso dia-a-dia é comum fenômenos que evoluem
Leia maisPREVISÃO DE PREÇO DO QUILO DO CAFÉ ARÁBICA: UMA APLICAÇÃO DOS MODELOS ARIMA E GARCH
VI Simpósio de Pesquisa dos Cafés do Brasil PREVISÃO DE PREÇO DO QUILO DO CAFÉ ARÁBICA: UMA APLICAÇÃO DOS MODELOS ARIMA E GARCH Alan Figueiredo de Arêdes 1 ; Matheus Wemerson Gomes Pereira ; Erly Cardo
Leia maisCURSO DE ANÁLISE DE SÉRIES TEMPORAIS MODELO ARIMA MATERIAL DE APOIO
FACE Faculdade de Administração, Ciências Contábeis e Ciências Econômicas Curso de Ciências Econômicas Direção FACE Prof. Moisés Ferreira da Cunha Vice-Direção FACE Prof. Mauro Caetano de Souza Coordenação
Leia maisUNIVERSIDADE FEDERAL DO PARANÁ COMPARAÇÃO ENTRE MODELOS DE SÉRIES TEMPORAIS PARA PREVISÃO DE LUCRO DE UMA COMPANHIA BRASILEIRA DE ALIMENTOS CURITIBA
UNIVERSIDADE FEDERAL DO PARANÁ COMPARAÇÃO ENTRE MODELOS DE SÉRIES TEMPORAIS PARA PREVISÃO DE LUCRO DE UMA COMPANHIA BRASILEIRA DE ALIMENTOS CURITIBA 2008 ALEXANDRE MOREIRA BATISTA HIGOR FERNANDO MANGINELLI
Leia maisPREVISÃO DOS CONSUMIDORES DE ENERGIA ELÉTRICA DO SETOR RESIDENCIAL NO RIO GRANDE DO SUL - UM ESTUDO COMPARATIVO ENTRE OS MODELOS ARIMA E ARFIMA.
XXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO A Engenharia de Produção e o Desenvolvimento Sustentável: Integrando Tecnologia e Gestão. Salvador, BA, Brasil, 6 a 9 de outubro de 9 PREVISÃO DOS CONSUMIDORES
Leia maisUm modelo de previsão para o IPCA: como a modelagem econométrica pode ser útil para estimá-lo antes das apurações oficiais
ISSN 2358-2138 Um modelo de previsão para o IPCA: como a modelagem econométrica pode ser útil para estimá-lo antes das apurações oficiais André Azevedo Muta 1 ESPM-SP Cléber da Costa Figueiredo 2 ESPM-SP
Leia maisUNIVERSIDADE FEDERAL DE MINAS GERAIS MODELO DE PREVISÃO DE NÚMERO DIÁRIO DE EXAMES LIBERADOS DE UM LABORATÓRIO DE APOIO
UNIVERSIDADE FEDERAL DE MINAS GERAIS ESPECIALIZAÇÃO EM ESTATÍSTICA ÊNFASE EM INDÚSTRIA E MERCADO LUCIANA DE LOURDES MADUREIRA MODELO DE PREVISÃO DE NÚMERO DIÁRIO DE EXAMES LIBERADOS DE UM LABORATÓRIO DE
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 maisAplicação da Metodologia Box & Jenkins a dados de produção de leite cru do estado do Paraná (PR)
Aplicação da Metodologia Box & Jenkins a dados de produção de leite cru do estado do Paraná (PR) Eduardo Campana Barbosa 12 Carlos Henrique Osório Silva 3 Rômulo César Ricardo Gonçalves Tavares 4 Tiago
Leia maisMODELO APLICADO À PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA DO CAMPUS I DO CENTRO FEDERAL DE EDUCAÇÃO TECNOLÓGICA DE MINAS GERAIS (CEFET-MG).
MODELO APLICADO À PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA DO CAMPUS I DO CENTRO FEDERAL DE EDUCAÇÃO. Introdução TECNOLÓGICA DE MINAS GERAIS (CEFET-MG). Luciane Teixeira Passos Giarola Fátima Oliveira Takenaka
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 maisPREVISÃO E CONTROLE DE ENERGIA
PREVISÃO E CONTROLE DE ENERGIA Eliane da Silva Christo (UFF) eliane.ch@gmail.com MIRLEY BITENCOURT FERREIRA (UFF) mirleybit@hotmail.com Um dos componentes mais importantes de infra-estrutura no processo
Leia maisEixo Temático: Estratégia e Internacionalização de Empresas ANÁLISE DO COMPORTAMENTO DO PREÇO DE SOJA, MILHO E TRIGO NA BOLSA DE VALORES DE CHICAGO
Eixo Temático: Estratégia e Internacionalização de Empresas ANÁLISE DO COMPORTAMENTO DO PREÇO DE SOJA, MILHO E TRIGO NA BOLSA DE VALORES DE CHICAGO ANALYSIS OF THE BEHAVIOR OF SOY, CORN AND WHEAT PRICES
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 maisAnálise do preço da saca de 60 kg do café arábica utilizando séries temporais.
Análise do preço da saca de 60 kg do café arábica utilizando séries temporais. Tales Jesus Fernandes 12 Adriele Aparecida Pereira 2 Joel Augusto Muniz 2 Thelma Sáfadi 2 1 Introdução O solo e as condições
Leia maisMODELOS ARIMA PARA MONITORAÇÃO DA QUALIDADE DA PRODUÇÃO DA INDÚSTRIA TÊXTIL OESTE LTDA
MODELOS ARIMA PARA MONITORAÇÃO DA QUALIDADE DA PRODUÇÃO DA INDÚSTRIA TÊXTIL OESTE LTDA Orientadora: Dra. Maria Emília Camargo Co-Orientadora: Dra. Suzana Leitão Russo Bolsistas de Apoio Técnico: Jonas
Leia maisAPLICABILIDADE DE MODELOS DE GERAÇÃO DE VAZÕES SAZONAIS APRESENTANDO DEPENDÊNCIA DE LONGO TERMO
PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA AMBIENTAL CENTRO TECNOLÓGICO UNIVERSIDADE FEDERAL DO ESPÍRITO SANTO APLICABILIDADE DE MODELOS DE GERAÇÃO DE VAZÕES SAZONAIS APRESENTANDO DEPENDÊNCIA DE LONGO TERMO
Leia maisTópicos de Estatística Espacial Geoestatística
Tópicos de Estatística Espacial Geoestatística Anderson Castro Soares de Oliveira Geoestatística A geoestatística é uma análise espacial que considera que a variável em estudo se distribui continuamente
Leia mais4 ANÁLISE DE SÉRIES TEMPORAIS
4 ANÁLISE DE SÉRIES TEMPORAIS 4.1. Introdução Neste capítulo definem-se as séries temporais e discutem-se as características básicas das técnicas de análise, com enfoque nos modelos de Box & Jenkins (1970)
Leia maisANÁLISE DO COMPORTAMENTO FUTURO DO PREÇO DO CIMENTO PORTLAND CP IV
João Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016 ANÁLISE DO COMPORTAMENTO FUTURO DO PREÇO DO CIMENTO PORTLAND CP IV Bianca Reichert (UFSM ) biancareichert@hotmailcom Adriano Mendonca Souza (UFSM )
Leia maisPerspectiva de Produção Agrícola para a Região de Instalação do Complexo Petroquímico do Estado do Rio de Janeiro (COMPERJ) para o Ano de 2015
Niterói, RJ, Brasil, 19-22 de outubro de 29 Perspectiva de Produção Agrícola para a Região de Instalação do Complexo Petroquímico do Estado do Rio de Janeiro (COMPERJ) para o de 215 1 Diogo da Rocha Vargas,
Leia maisUNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL INSTITUTO DE MATEMÁTICA E ESTATÍSTICA DEPARTAMENTO DE ESTATÍSTICA
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL INSTITUTO DE MATEMÁTICA E ESTATÍSTICA DEPARTAMENTO DE ESTATÍSTICA MODELOS DE SÉRIES TEMPORAIS: UMA APLICAÇÃO NA PROJEÇÃO DE INADIMPLÊNCIA DE UMA INSTITUIÇÃO FINANCEIRA
Leia maisAnálise de séries temporais. Prof. Thaís C O Fonseca DME - UFRJ
Análise de séries temporais Prof. Thaís C O Fonseca DME - UFRJ Conteúdo do curso Parte 1: Problemas e objetivos, conceitos básicos, processos estocásticos, estacionariedade, autocorrelação e correlação
Leia mais(iv) Ausência de correlação serial nos erros, dados dois valores quaisquer de X, X i e X j (i j), a correlação entre ε i e ε j é zero,, /,
4 Metodologia O método de estimação por mínimos quadrados está fundamentado em algumas premissas, que são necessárias para realizar inferências estatísticas sobre a variável dependente Y. As principais
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 maisAjuste sazonal das séries trimestrais. Diretoria de Pesquisa Coordenação de Contas Nacionais
Ajuste sazonal das séries trimestrais Diretoria de Pesquisa Coordenação de Contas Nacionais A série encadeada original O componente sazonal A tendência (trend cycle) A série encadeada com ajuste sazonal
Leia mais