Séries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 4
|
|
- Matheus Valverde Wagner
- 7 Há anos
- Visualizações:
Transcrição
1 em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 4
2 O Processo Média-Móvel Muitas vezes, a estrutura auto-regressiva não é suficiente para descrever totalmente a dinâmica induzida por modelos econômicos. Por exemplo, vamos considerar o seguinte modelo: y t = β 0 +β 1 x e t+1 +u t, onde x e t+1 é a previsão (subjetiva) para x t+1 feita pelos agentes no instante t e u t é o erro do modelo e u t IID(0,σ 2 ). Vamos supor que as expectativas sejam definidas por meio da seguinte regra (expectativas adaptativas): x e t+1 = λxe t +(1 λ)x t, 0 λ 1.
3 O Processo Média-Móvel Portanto, e (1 λl)x e t+1 = (1 λ)x t x e t+1 = (1 λ) (1 λl) x t. y t = β 0 +β 1 (1 λ) (1 λl) x t +u t (1 λl)y }{{} t = β 0 (1 λ)+β 1 (1 λ)x t + u t λu t 1. }{{} Componente Auto-regressivo Processo Média Móvel O modelo acima é uma caso particular de um modelo ARMA com defasagens distribuídas.
4 Processos ARMA com Defasagens Distribuídas O Processo ARMA(p,q) Um processo {y t } é chamado de processo auto-regressivo média móvel de ordem (p, q), ARMA(p,q), se: y t = α 0 +α 1 y t 1 + +α p y t p +θ 1 u t 1 + +θ q u t q +u t, α p (L)y t = α 0 +θ q (L)u t, onde α 0,α 1,...,α p, θ 1,...,θ q são parâmetros e {u t } é tal que E(u t F t 1 ) = 0 E(ut 2 F t 1) = σ 2
5 Processos ARMA com Defasagens Distribuídas O Processo MA(q) Um processo {y t } é chamado de processo média móvel de ordem q, MA(q), se: y t = µ+θ 1 u t 1 + +θ q u t q +u t, y t = µ+θ q (L)u t, onde θ 1,...,θ q são parâmetros e {u t } é tal que E(u t F t 1 ) = 0 E(u 2 t F t 1) = σ 2
6 Processos ARMA com Defasagens Distribuídas O Processo MA( ) Um processo {y t } é chamado de processo MA( ), se: y t = µ+ ψ j u t j j=0 y t = µ+ψ (L)u t, onde ψ 0 = 1, ψ 1,... são parâmetros e {u t } é tal que E(u t F t 1 ) = 0 E(ut F 2 t 1 ) = σ 2
7 Processos ARMA com Defasagens Distribuídas Será utilizada a letra grega ψ ao invés de θ para representar os parâmetros do processo MA( ). Teorema: Se j=0 ψ2 j <, então o processo MA( ) é estacionário de segunda ordem. Teorema: Se j=0 ψ j <, então o processo MA( ) é ergódico para média.
8 Processos ARMA com Defasagens Distribuídas O Processo AR(p) Um processo {y t } é chamado de processo auto-regressivo de ordem p, AR(p), se: y t = α 0 +α 1 y t 1 + +α p y t p +u t, α p (L)y t = α 0 +u t, onde α 0,α 1,...,α p são parâmetros e E(u t F t 1 ) = 0 E(u 2 t F t 1) = σ 2
9 Processos ARMA com Defasagens Distribuídas O Processo ARMA com Defasagens Distribuídas Um processo {y t } é chamado de processo ARMA com defasagens distribuídas, ARMADL, se: y t = α 0 +α 1 y t 1 + +α p y t p +β 0x t + +β px t p +θ 1 u t 1 + +θ q u t q +u t, α p (L)y t = α 0 +β p (L) x t +θ q (L)u t, onde α 0,α 1,...,α p, θ 1,...,θ q, β 0,...,β p, são parâmetros e E(u t F t 1 ) = 0 E(ut F 2 t 1 ) = σ 2
10 Processos MA Momentos Média Variância E[y t ] = E[µ]+ q θ j E[u t j ]+E[u t ] = µ j=1 V[y t ] = E [ (y t µ) 2] = E [ (θ 1 u t 1 + +θ q u t q +u t ) 2] = E [ ut 2 ] q + θj 2 E[ ut j 2 ] = σ 2 1+ j=1 q j=1 θ 2 j
11 Processos MA Momentos Autocovariância COV(y t,y t k ) γ k = E[(y t µ)(y t k µ)] q = E u t + θ j u t j u t k + = Autocorrelação j=1 q θ j u t k j j=1 { σ 2 (θ k +θ k+1 θ 1 + +θ q θ q k ) se 0 < k q 0 k > q. ρ k = { (θk +θ k+1 θ 1 + +θ qθ q k ) 1+θ 2 1 +θ θ2 q se 0 < k q 0 k > q.
12 Processos MA( ) Momentos Média: E[y t ] = µ. Variância: T V(y t ) = σ 2 lim T j=0 Autocovariância: γ k = σ 2 ψ k+j ψ j. j=0 ψ 2 j.
13 Processos AR(p) Momentos Processo AR(1): Por substituição recursiva y t = φ 0 +φ 1 y t 1 +u t y 1 = φ 0 +φ 1 y 0 +u 1 y 2 = φ 0 +φ 1 y 1 +u 2 = φ 0 (1+φ 1 )+φ 2 1y 0 +φ 1 u 1 +u 2 y 3 = φ 0 (1+φ 1 +φ 2 1 )+φ3 1 y 0 +φ 2 1 u 1 +φ 1 u 2 +u 3. t 1 t 1 y t = φ 0 φ i 1 +φ t 1y 0 + φ i 1u t i i=0 i=0
14 Processos AR(1) Momentos Média Variância t 1 E[y t ] = φ 0 φ i 1 +φ t 1E[y 0 ] i=0 t 1 V[y t ] = φ 2t 1 V[y 0 ]+σ 2 i=0 φ 2i 1 { φ 2t 1 = V[y 0]+σ 2 1 φ 2t 1 se φ 1 φ V[y 0 ]+σ 2 t se φ 1 = 1.
15 Processos AR(1) Momentos Autocovariância COV(y t,y t k ) { φ 2t k 1 V(y 0 )+σ γ k = 2 φ k t 1 k 1 i=0 φ 2i 1 se k 0 φ1 2t k V(y 0 )+σ 2 φ k t 1 1 i=0 φ2i 1 se k < 0 Se φ 1 1 γ k = { φ 2t k 1 V[y 0 ]+σ 2 φ k 1 φ1 2t k V[y 0 ]+σ 2 φ k 1 1 φ 2(t k) 1 1 φ φ 2t 1 1 φ 2 1 se k 0 se k < 0
16 Processos AR(1) Momentos Teorema O processo {y t } será estacionário de segunda ordem se, e somente se, φ 0 = 0, φ 1 < 1 e Y 0 for uma variável aleatória com média 0 e variância σ 2 (1 φ 2 1 ). Prova: 1 E[y t ] = 0 Independente de t! 2 V[y t ] = σ2 Independente de t! 1 φ γ k = σ 2 φ k 1 Independente de t! 1 φ 2 1
17 Processos AR(1) Momentos Caso φ 1 < 1 o processo será assintoticamente estacionário se y 0 tiver média e variância finitas. Neste caso, 1 E[y t ] φ0 1 φ 1 2 V[y t ] σ2 1 φ γ k σ 2 φ k 1 1 φ 2 1
18 Processos AR(p) Momentos Considere o processo AR(p) y t = φ 0 +φ 1 y t 1 + +φ p y t p +u t Quais são as condições de estacionariedade (assintótica) para o processo AR(p)? Considere φ 0 = 0. Logo, Y t = onde: y t y t 1. y t p+1, F = t 1 Y t = F t Y 0 + F i u t i, i=0 φ 1 φ 2 φ 3 φ p , u t = u t 0. 0
19 Processos AR(p) Momentos Se os autovalores λ 1,...,λ p da matriz F forem menores que 1 em módulo então o processo AR(p) será assintoticamente estacionário de segunda ordem. De forma equivalente se as raízes do polinômio 1 φ 1 z φ 2 z 2 φ p z p = 0 forem maiores que 1 em módulo, então o processo AR(p) será assintoticamente estacionário de segunda ordem.
20 Processos AR(p) Momentos Caso particular: AR(2) As condições de estacionariedade para o processo AR(2) são: 1 φ 1 +φ 2 < 1 2 φ 2 φ 1 < 1 3 φ 2 < 1
21 Processos AR(p) Momentos Média p E[y t ] = φ 0 + φ i E[y t i ] i=1 Se o processo for estacionário de segunda ordem E[y t ] = E[y t 1 ] = E[y t 2 ] = = E[y t p ] = µ Logo, µ = φ 0 + p φ i µ = i=1 φ 0 1 p i=1 φ i
22 Processos AR(p) Momentos Autocovariâncias (k 0) γ k = p φ i γ k i i=1 Variância γ 0 = p φ i γ i +σ 2 i=1
23 Representação MA( ) de processos AR Considere um processo AR(1) y t = φ 0 +φ 1 y t 1 +u t, onde φ 1 < 1. Considerando que o processo teve início infinitamente no passado, o processo AR(1) pode ser escrito como y t = φ 0 +u t +φ 1 u t 1 +φ 2 1 φ 1u t φ 0 = + φ i 1 1 φ u t i 1 i=0 }{{} Representação MA( ) ψ i = φ i 1 i=0 ψ i <
24 Representação MA( ) de processos AR De forma equivalente o processo AR(1) pode ser escrito como (1 φ 1 L)y t = φ 0 +u t, onde φ 1 < 1. O operador defasagem L possui uma propriedade muito importante: Se φ 1 < 1 então (1 φ 1 L) 1 = (1+φ 1 L+φ 2 1L 2 +φ 3 1L 3 + ) Se φ 1 > 1 então (1 φ 1 L) 1 = φ 1 1 L 1 (1+φ 1 1 L 1 +φ 2 1 L 2 + )
25 Representação MA( ) de processos AR Resultado Importante Um processo AR(p) estacionário de segunda ordem pode ser representado por um processo MA de ordem infinita. Importante para estimação.
26 Representação AR( ) de processos MA Considere o processo MA(1): y t = µ+θ 1 u t 1 +u t. Por substituição recursiva (y t µ) =u t +θ 1 (y t 1 µ) θ 2 1(y t 2 µ) ( 1) t 1 θ t 1 1 (y 1 µ)+( 1) t θ t 1u 0. Se θ 1 < 1 e se o processo teve início infinitamente no passado, então [ ] y t = µ 1 ( 1) i θ1 i ( 1) i θ1y i t i +u t i=1 } {{ } φ 0 i=1 O que acontece quando θ 1 > 1? E quando θ 1 = 1?
27 Representação AR( ) de processos MA Considere o processo MA(q) y t = µ+θ 1 u t 1 + +θ q u t q +u t. Se as raízes do polinômio 1+θ 1 z +θ 2 z 2 + +θ q z q = 0 estiverem todas fora do círculo unitário, o processo MA(q) possui uma representação AR( ).
28 Modelo de Transmissão Monetária IPCA - janeiro de 1999 até abril de 2011 Um Modelo Simples de Transmissão Monetária Considere o modelo de transmissão monetária visto na Aula 1: π t = λy t +π e t +u 1t, 0 < λ < 1 y t = γ(i t 1 π e t)+u 2t, 1 < γ < 0 π e t = π t 1 i t = i +ρ(π t π ), ρ 0, onde u t = (u 1t,u 2t ) NID(0,Ω), π t é a inflação, y t é o hiato do produto, π e t é a expectativa de inflação para o instante t feita em t 1, i t é a taxa de juros nominal, i é a taxa de juros de equiĺıbrio e π é a meta de inflação. As equações acima definem um modelo estrutural para z t = (π t,y t,i t,π e t ).
29 Modelo de Transmissão Monetária IPCA - janeiro de 1999 até abril de 2011 Um Modelo Simples de Transmissão Monetária Pelo modelo anterior a inflação é gerada a partir do seguinte processo AR(1): π t = λγ(i ρπ )+[γλ(ρ 1)+1]π t 1 +λu 2,t +u 1t π t = φ 0 +φ 1 π t 1 +v 1t, onde v 1t NID(0,λ 2 ω 22 +ω 11 ) (supondo que ω 12 = 0!). Já vimos que para a inflação ser estacionária precisamos que φ 1 = γλ(ρ 1)+1 < 1.
30 Modelo de Transmissão Monetária IPCA - janeiro de 1999 até abril de 2011 Um Modelo Simples de Transmissão Monetária Alguns casos importantes (lembre-se que 1 < γλ < 0 pela definição do modelo): 1 ρ = 0 φ 1 = γλ+1 > 1 Inflação explosiva! 2 0 ρ < 1 φ 1 > 1 Inflação explosiva! 3 ρ = 1 π t = φ 0 +π t 1 +v 1t Inflação segue um passeio aleatório! 4 1 < ρ γλ 1 γλ > 0 0 φ 1 < 1 Inflação é estacionária e persistente. γλ 1 5 γλ < ρ < γλ 2 γλ 1 < φ 1 < 0 Inflação estacionária e anti-persistente. 6 ρ γλ 2 γλ φ 1 1 Inflação não é estacionária.
31 Modelo de Transmissão Monetária IPCA - janeiro de 1999 até abril de 2011 Um Modelo Simples de Transmissão Monetária 1.5 γ= 0.5 e λ= φ ρ
32 Modelo de Transmissão Monetária IPCA - janeiro de 1999 até abril de 2011 Um Modelo Simples de Transmissão Monetária FAC ρ=2 ρ=3 ρ= FAC Defasagem
33 Modelo de Transmissão Monetária IPCA - janeiro de 1999 até abril de 2011 Um Modelo Simples de Transmissão Monetária FAC ρ=8 ρ=7 ρ= FAC Defasagem
34 Modelo de Transmissão Monetária IPCA - janeiro de 1999 até abril de 2011 Um Modelo Simples de Transmissão Monetária Considere o modelo estrutural [ ][ ] [ ] [ 1 λ πt = 0 1 γ(i ρπ + ) γ(ρ 1) 0 y t ][ πt 1 y t 1 ] + O modelo será estacionário se os autovalores da matriz [ ] 1 [ ] [ ] 1 λ λγ(ρ 1) 0 C 1 = = 0 1 γ(ρ 1) 0 γ(ρ 1) 0 forem menores do que 1 em módulo. A condição acima será atendida se 1+λγ(ρ 1) < 1. [ u1t u 2t ].
35 Modelo de Transmissão Monetária IPCA - janeiro de 1999 até abril de 2011 Um Modelo Simples de Transmissão Monetária Vamos calcular a resposta da inflação em t +h (e do hiato) ao choque estrutural no hiato (na inflação). Para tal precisamos encontrar os elementos (1,2) e (2,1) da matriz [ ] 1 [ ] h 1 λ 1+λγ(ρ 1) γ(ρ 1) 0
36 Modelo de Transmissão Monetária IPCA - janeiro de 1999 até abril de 2011 Um Modelo Simples de Transmissão Monetária 0.5 FRI ρ=2, γ= 0.5 e λ=0.5 Choque em u 2t, reposta em π t+h Choque em u 1t, reposta em y t+h 0 FRI h
37 Modelo de Transmissão Monetária IPCA - janeiro de 1999 até abril de 2011 IPCA - janeiro de 1999 até abril de 2011 IPCA - janeiro de 1999 até abril de
38 Modelo de Transmissão Monetária IPCA - janeiro de 1999 até abril de 2011 IPCA - janeiro de 1999 até abril de 2011 FAC IPCA Autocorrelações estimadas fora do intervalo determinado pelas linhas azuis são estatísticamente significantes ao nível de 95% fac defasagem
39 Modelo de Transmissão Monetária IPCA - janeiro de 1999 até abril de 2011 IPCA e Hiato - janeiro de 1999 até abril de 2011 Função de Resposta ao Impulso HIATO -> HIATO IPCA -> HIATO HIATO -> IPCA IPCA -> IPCA
Séries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 5
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 5 Variáveis de Interesse e Variáveis na economia: z t. Distribuição condicional (MGD): D(z t F z,t 1,d t
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 6
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 6 O Teorema de Wold O Teorema de Wold Lei dos Grandes Números Teorema Central do Limite -M O Teorema de Wold
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 1
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 1 Ementa Introdução O Curso Definições Básicas Introdução aos modelos para séries temporais: definições,
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 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 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 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 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 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 maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 2
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 2 O Modelo Estrutural Seja z t = (z 1t,...,z mt ) R m um vetor composto das variáveis de interesse. Considere
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 maisCurso de Teoria Monetária
Maio de 2016 Curso de Teoria Monetária Celso L. Martone Capítulo 11 Expectativas e política monetária 11.1 O modelo de um mercado isolado Num ambiente de informação incompleta, as decisões dos agentes
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 7
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 7 O Modelo Estrutural Identificação Seja z t = (z 1t,...,z mt ) R m um vetor composto das variáveis de interesse.
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 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 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 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 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 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 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 maisCadeias de Markov de Tempo Contínuo (CTMC)
Cadeias de Markov de Tempo Contínuo (CTMC) Cadeia de Markov Contínua (1) A análise de cadeias de Markov contínuas (CTMCs) é bem similar a análise em tempo discreto, com a diferença de que as transições
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 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 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 maisNoções de Simulação. Ciências Contábeis - FEA - Noturno. 2 o Semestre MAE0219 (IME-USP) Noções de Simulação 2 o Semestre / 23
Noções de Simulação Ciências Contábeis - FEA - Noturno 2 o Semestre 2013 MAE0219 (IME-USP) Noções de Simulação 2 o Semestre 2013 1 / 23 Objetivos da Aula Sumário 1 Objetivos da Aula 2 Motivação 3 Geração
Leia maisP4 de Álgebra Linear I
P4 de Álgebra Linear I 2008.2 Data: 28 de Novembro de 2008. Gabarito. 1) (Enunciado da prova tipo A) a) Considere o plano π: x + 2 y + z = 0. Determine a equação cartesiana de um plano ρ tal que a distância
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 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 maisAutovetor e Autovalor de um Operador Linear
Autovetor e Autovalor de um Operador Linear Definição Seja T : V V um operador linear. Um vetor v V, v 0, é dito um autovetor de T se existe um número real λ tal que T (v) = λv. O número real λ acima é
Leia maisG4 de Álgebra Linear I
G4 de Álgebra Linear I 20122 Gabarito 7 de Dezembro de 2012 1 Considere a transformação linear T : R 3 R 3 definida por: T ( v = ( v (1, 1, 2 (0, 1, 1 a Determine a matriz [T ] ε da transformação linear
Leia maisAula - Equações de Chapman-Kolmogorov
Equações de Chapman-Kolmogorov Prof. Magnos Martinello Aula - Equações de Chapman-Kolmogorov Universidade Federal do Esprito Santo-UFES 2011 Equações de Chapman-Kolmogorov 1/17 Introdução As equações de
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 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 maisEXAME NACIONAL DE SELEÇÃO 2010
EXAME NACIONAL DE SELEÇÃO 2010 PROVA DE ESTATÍSTICA 1 o Dia: 30/09/2009 - QUARTA FEIRA HORÁRIO: 10h 30m às 12h 45m (horário de Brasília) EXAME NACIONAL DE SELEÇÃO 2010 PROVA DE ESTATÍSTICA 1º Dia: 30/09
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 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 maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 8
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 8 Variáveis Não-Modeladas Condição de Ordem e Condição de Posto Estimação O Modelo Estrutural Seja z t =
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 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 maisModelização do Sistema Produtivo Teoria das Filas de Espera
Modelização do Sistema Produtivo Teoria das Filas de Espera http://www.fe.up.pt/maspwww Licenciatura em Engenharia Electrotécnica e de Computadores Gil M. Gonçalves Gil.Goncalves@fe.up.pt 2004/2005 Outline
Leia mais14 Estimador assintótico
Teoria de Controle (sinopse) 4 J. A. M. Felippe de Souza Neste capítulo continuaremos no estudo de que foi iniciado no capítulo anterior. Estimadores de Estado, A exemplo dos capítulos anteriores será
Leia maisFUNDAÇÃO GETÚLIO VARGAS ESCOLA DE PÓS-GRADUAÇÃO EM ECONOMIA MESTRADO EM FINANÇAS E ECONOMIA EMPRESARIAL
FUNDAÇÃO GETÚLIO VARGAS ESCOLA DE PÓS-GRADUAÇÃO EM ECONOMIA MESTRADO EM FINANÇAS E ECONOMIA EMPRESARIAL PREVENDO INFLAÇÃO USANDO SÉRIES TEMPORAIS E COMBINAÇÕES DE PREVISÕES Anderson Alencar de Araripe
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 maisEquação Geral do Segundo Grau em R 2
8 Equação Geral do Segundo Grau em R Sumário 8.1 Introdução....................... 8. Autovalores e autovetores de uma matriz real 8.3 Rotação dos Eixos Coordenados........... 5 8.4 Formas Quadráticas..................
Leia maisEstabilidade entrada-saída (externa).
Estabilidade entrada-saída (externa) ENGC33: Sinais e Sistemas II Departamento de Engenharia Elétrica - DEE Universidade Federal da Bahia - UFBA 05 de junho de 2019 Prof Tito Luís Maia Santos 1/ 38 Sumário
Leia maisDistribuições derivadas da distribuição Normal. Distribuição Normal., x real.
Distribuições derivadas da distribuição Normal Distribuição Normal Uma variável aleatória X tem distribuição normal com parâmetros µ e σ, quando sua densidade de probabilidade é f ( x) π σ e ( x µ ) σ,
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 maisGabarito da Prova Final Unificada de Cálculo IV Dezembro de 2010
Gabarito da Prova Final Unificada de Cálculo IV Dezembro de a Questão: (5 pts) Dentre as três séries alternadas abaixo, diga se convergem absolutamente, se convergem condicionalmente ou se divergem Justifique
Leia maisProbabilidade de Ruína e Processos de Lévy α-estáveis
Apresentação Probabilidade de Ruína e Processos de Lévy α-estáveis Universidade de São Paulo IME - USP 08 de abril, 2010 Apresentação Distribuições Estáveis e Processos de Lévy α-estáveis Convergência
Leia maisCadeias de Markov. Ricardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Cadeias de Markov Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Capitulos 3 e 4 Taylor & Karlin 1 / 71 Cadeias de Markov Seja X 0, X 1,...
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 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 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 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 maisNotas de Aula do Curso de Análise Macroeconômica VI - Ibmec. Professor Christiano Arrigoni Coelho
Notas de Aula do Curso de Análise Macroeconômica VI - Ibmec Professor Christiano Arrigoni Coelho Vamos agora nos aprofundar na discussão sobre se a estabilização do produto e do desemprego é ou não um
Leia maisDistribuições de Probabilidade Contínuas 1/19
all Distribuições de Probabilidade Contínuas Professores Eduardo Zambon e Magnos Martinello UFES Universidade Federal do Espírito Santo DI Departamento de Informática CEUNES Centro Universitário Norte
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 mais10 Estabilidade de Métodos de Passo Simples
MAP 2310 - Análise Numérica e Equações Diferenciais I 1 o Semestre de 2008 Análise Numérica NÃO REVISADO! 10 Estabilidade de Métodos de Passo Simples Continuamos interessados em estudar Métodos de Discretização
Leia maisAnálise de Dados e Simulação
Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco Simulação de Variáveis Aleatórias Contínuas. O método da Transformada Inversa Teorema Seja U U (0,1). Para qualquer
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 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 maisVariáveis Aleatórias Contínuas
Variáveis Aleatórias Contínuas Bacharelado em Administração - FEA - Noturno 2 o Semestre 2017 MAE0219 (IME-USP) Variáveis Aleatórias Contínuas 2 o Semestre 2017 1 / 35 Objetivos da Aula Sumário 1 Objetivos
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 maisSinais e Sistemas. Luis Henrique Assumpção Lolis. 21 de fevereiro de Luis Henrique Assumpção Lolis Sinais e Sistemas 1
Sinais e Sistemas Luis Henrique Assumpção Lolis 21 de fevereiro de 2014 Luis Henrique Assumpção Lolis Sinais e Sistemas 1 Conteúdo 1 Classificação de sinais 2 Algumas funções importantes 3 Transformada
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 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 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 mais3 Dados e metodologia
3 Dados e metodologia 3.1 Apresentação de Dados Para a realização dessa pesquisa foram utilizados os dados da série histórica dos preços da soja (em grão) do Estado do Paraná, obtidos da base de dados
Leia maisAula 3 - Revisão de Probabilidade e Estatística: Esclarecimento de Dúvidas
Aula 3 - Revisão de Probabilidade e Estatística: Esclarecimento de Dúvidas Matheus Rosso e Camila Steffens 19 de Março de 2018 Independência de variáveis aleatórias Duas V.A. são independentes se, e somente
Leia maisProf. Fernando Massa Fernandes https://www.fermassa.com/microondas-i.php Sala 5017 E fernando.fernandes@uerj.br Aula 13 Revisão Modelo de elementos distribuídos Modelar a linha em pequenos elementos de
Leia maisVARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE
VARIÁVEIS ALEATÓRIAS E DISTRIBUIÇÕES DE PROBABILIDADE.1 INTRODUÇÃO Admita que, de um lote de 10 peças, 3 das quais são defeituosas, peças são etraídas ao acaso, juntas (ou uma a uma, sem reposição). Estamos
Leia maisEstimação na Presença de Ruído colorido
36 Estimação na Presença de Ruído colorido Como se viu, em presença de ruído colorido, os mínimos quadrados fornecem uma estimativa polarizada. Quer dizer, ao fazer muitas observações a estimativa não
Leia maisEsse material foi extraído de Barbetta (2007 cap 13)
Esse material foi extraído de Barbetta (2007 cap 13) - Predizer valores de uma variável dependente (Y) em função de uma variável independente (X). - Conhecer o quanto variações de X podem afetar Y. Exemplos
Leia maisAula 20 - Álgebra II. Como os corpos de decomposição de um polinómio, como vimos, são isomorfos
Do trabalho de Vandermonde (1735-96), Lagrange (1736-1813), Gauss (1777-1855), Ruffini (1765-1822), Abel (1802-29) e, principalmente, de Galois (1811-32), sobre a existência de fórmulas resolventes de
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 maisNessa situação, a média dessa distribuição Normal (X ) é igual à média populacional, ou seja:
Pessoal, trago a vocês a resolução da prova de Estatística do concurso para Auditor Fiscal aplicada pela FCC. Foram 10 questões de estatística! Não identifiquei possibilidade para recursos. Considero a
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 maisAula 6. Modelo de Correção de Erros Vetorial. Wilson Correa. August 23, Wilson Correa August 23, / 16
Aula 6 Modelo de Correção de Erros Vetorial Wilson Correa August 23, 2017 Wilson Correa August 23, 2017 1 / 16 Equações Simultâneas e Modelos VAR/VEC Frequentemente o interesse em economia é centrado na
Leia maisVetores Auto-Regressivos (VAR) Cristian Rafael Pelizza Estágio de docência
Vetores Auto-Regressivos (VAR) Cristian Rafael Pelizza Estágio de docência Forma estrutural e reduzida O método VAR busca capturar a interdependência entre múltiplas séries de tempo. Estrutura-se equações
Leia maisProcessos Estocásticos e Cadeias de Markov Discretas
Processos Estocásticos e Cadeias de Markov Discretas Processo Estocástico(I) Definição: Um processo estocástico é uma família de variáveis aleatórias {X(t) t T}, definidas em um espaço de probabilidades,
Leia maisUniversidade Federal da Paraíba - UFPB Centro de Ciências Exatas e da Natureza - CCEN Departamento de Matemática - DM
Universidade Federal da Paraíba - UFPB Centro de Ciências Exatas e da Natureza - CCEN Departamento de Matemática - DM 3 a Lista de Exercícios de Introdução à Álgebra Linear Professor: Fágner Dias Araruna
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 maisModelagem em Sistemas Complexos
Modelagem em Sistemas Complexos Bifurcação local de campos vetoriais Marcone C. Pereira Escola de Artes, Ciências e Humanidades Universidade de São Paulo São Paulo - Brasil Abril de 2012 Nesta aula discutiremos
Leia maisUFRGS INSTITUTO DE MATEMÁTICA E ESTATÍSTICA Programa de Pós-Graduação em Matemática Aplicada Prova Escrita - Processo Seletivo 2017/2 - Mestrado
UFRGS INSTITUTO DE MATEMÁTICA E ESTATÍSTICA Programa de Pós-Graduação em Matemática Aplicada Prova Escrita - Processo Seletivo 27/2 - Mestrado A prova é composta de 6 (seis) questões, das quais o candidato
Leia maisMódulo III: Processos de Poisson, Gaussiano e Wiener
Módulo III: Processos de Poisson, Gaussiano e Wiener Wamberto J. L. Queiroz Universidade Federal de Campina Grande-UFCG Departamento de Engenharia Elétrica Processos Estocásticos Campina Grande - PB Módulo
Leia maisAeroelasticidade Estática - Torção de asas Instituto Tecnológico de Aeronáutica ITA/IEA
AE-49 - AEROELASTICIDADE Aeroelasticidade Estática - Torção de asas Instituto Tecnológico de Aeronáutica ITA/IEA Divergência de uma asa Caso de estudo divergência de uma asa sem enflechamento, com rigidez
Leia maisExercícios vários (ênfase em Expectativas Racionais)
Soluções Exercícios vários (ênfase em Expectativas Racionais) Mestrados de Economia 20/202 Vivaldo Mendes ISCTE Instituto Universitário de Lisboa Outubro 20 Atenção. Estas soluções apresentam todos (TODOS!!)
Leia maisCF372 Mecânica Quântica I Segunda Lista de Exercícios - Capítulo II. q exp( q 2 ) ( 2 π. 2 (2q 2 1) exp( q 2 )
CF372 Mecânica Quântica I Segunda Lista de Exercícios - Capítulo II 1) Dadas as funções ψ 1 (q) e ψ 2 (q), definidas no intervalo < q < + : ψ 1 (q) = ( 2 π ) 1/2 q exp( q 2 ) Calcule: a) (ψ 1, ψ 2 ); b)
Leia maisTeoria da Estimação. Fabricio Goecking Avelar. junho Universidade Federal de Alfenas - Instituto de Ciências Exatas
Teoria da Estimação Fabricio Goecking Avelar Universidade Federal de Alfenas - Instituto de Ciências Exatas junho - 2018 Algumas distribuições importantes Sumário 1 Algumas distribuições importantes 2
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 maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Distribuição t de Student 02/14 1 / 1 A distribuição t de Student é uma das distribuições
Leia maisGabarito e resolução da prova de seleção PPGE FURG Estatística
Gabarito e resolução da prova de seleção PPGE FURG 2019. Questão 1) Resposta: letra c) i. (FALSO) Estatística Variáveis de interação sempre podem ser incluídas mos modelos de regressão, se isso não gerar
Leia maisLEEC Probabilidades e Estatística 1 a Chamada 13/06/2005. Parte Prática C (C) M 1% 9% 10% (M) 4% 86% 90% 5% 95% 100%
. Definição dos acontecimentos: M T-shirt tem manchas C T-shirt tem costuras defeituosas D T-shirt é defeituosa A Preço da t-shirt é alterado a) PM) = % PC) = 5% PM C) = % LEEC Probabilidades e Estatística
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 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 mais4.1. ESPERANÇA x =, x=1
4.1. ESPERANÇA 139 4.1 Esperança Certamente um dos conceitos mais conhecidos na teoria das probabilidade é a esperança de uma variável aleatória, mas não com esse nome e sim com os nomes de média ou valor
Leia maisResumo. Parte 7 Processos Estocásticos. Ramiro Brito Willmersdorf
Parte 7 Processos Estocásticos Ramiro Brito Willmersdorf ramiro@willmersdorf.net Departamento de Engenharia Mecânica Universidade Federal de Pernambuco 2011.2 Resumo 1 Processos Estocásticos 2 Classicação
Leia maisMétodo de Newton para polinômios
Método de Newton para polinômios Alan Costa de Souza 26 de Agosto de 2017 Alan Costa de Souza Método de Newton para polinômios 26 de Agosto de 2017 1 / 31 Seja f(x) uma função polinomial de grau n. A princípio.
Leia maisTeoria espectral de operadores lineares limitados
Capítulo 8 Teoria espectral de operadores lineares limitados A teoria espectral é um dos ramos principais da análise funcional moderna e suas aplicações. Essencialmente consiste no inverso de certos operadores,
Leia mais