Modelagem de Processos Espaciais e
|
|
- Henrique Bicalho Ximenes
- 7 Há anos
- Visualizações:
Transcrição
1 Modelagem de Processos Espaciais e Espaço-Temporais Alexandra M. Schmidt Instituto de Matemática - UFRJ alex Outlines Parte I Parte I Processos Estocásticos e Aplicações IMPA - Abril de 2007
2 Outline Partes I e II 1 Modelos Univariados Heterogêneos Deformação Espacial Versão Bayesiana Especificação das Prioris Procedimento de Exemplos Outlines Parte I Parte I 2 Modelos Multivariados Heterogêneos Modelos Separáveis Modelos de Coregionalização MCL variando no espaço Procedimento de Exemplos
3 Outline Parte III 3 Modelagem de Múltiplas Séries de Vazão como função da chuva Problema Modelo proposto Procedimento de Resultados Considerações Finais Outlines Parte I Parte I
4 Parte I Covariância para processos espaciais univariados Heterogêneos Univ. Deformação Versão Bayesiana Prioris Exemplos
5 Heterogêneos Univ. Deformação Versão Bayesiana Prioris Exemplos Figura: Modelagem da quantidade de chuva no Rio de Janeiro em janeiro de 2000.
6 Notação Básica Espaço Euclideano S, i.e. S = R d onde d = 1, 2, ou 3. Ênfase no caso d = 2; Ponto arbitrário em S, s S; Região de interesse, A S. Localizações espaciais com dados s 1,, s n, s i D A S observado; não necessariamente distintos, pode haver replicações nas localizações. Observações (resposta, dados) Y(s 1 ),, Y(s n ). Em geral são multivariados. Mas, na literatura, maior ênfase no caso univariado. Covariáveis X(s 1 ),, X(s n ). Heterogêneos Univ. Deformação Versão Bayesiana Prioris Exemplos
7 Principais Objetivos em Geoestatística Estimação - inferência sobre parâmetros de um modelo estocástico; Previsão (interpolação) - inferência sobre a realização do processo em localizações não-medidas de interesse; Planejamento de uma rede - onde colocar uma nova estação? qual retirar? (Ruiz, Ferreira & Schmidt (Tech. Rep. 2006)) Heterogêneos Univ. Deformação Versão Bayesiana Prioris Exemplos
8 Dois tipos importantes de estrutura espacial são estacionariedade e isotropia. Intuitivamente (a) Estacionariedade - propriedade em que o processo é similar ao longo de A. Isto significa que a estrutura de grande escala é constante; estrutura de pequena escala depende das localizações apenas através das suas posições relativas; (b) Isotropia - o processo é estacionário E a estrutura de pequena-escala depende das localizações espaciais apenas através da distância euclideana entre elas invariante sob rotação e translação das localizações. Heterogêneos Univ. Deformação Versão Bayesiana Prioris Exemplos
9 Estacionariedade Intrínseca É definida através das primeiras diferenças: E(Y (s + h) Y (s)) = 0, Var(Y (s + h) Y (s)) = 2γ(h) A quantidade 2γ(h) é conhecida como variograma. γ(.) é conhecido como semi-variograma. Em geoestatística, 2γ(.) é tratada como um parâmetro do processo aleatório {Y (s) : s D} (porque descreve a estrutura de covariância). Heterogêneos Univ. Deformação Versão Bayesiana Prioris Exemplos
10 Estacionariedade de Segunda Ordem Um processo que satisfaça: E(Y (s)) = µ s D Cov(Y (s), Y (s )) = C(s s ) s, s D é definido como estacionário de segunda ordem. E mais, se C(s s ) é um função apenas de s s (não é uma função das localizações) então C(.) é dita isotrópica. C(.) é conhecida como covariograma. Heterogêneos Univ. Deformação Versão Bayesiana Prioris Exemplos
11 Deformação Espacial Paul Sampson e Peter Guttorp, da Universidade de Washington, foram pioneiros ao propor uma aproximação para o problema de heterogeneidade espacial. A idéia principal: transformação não-linear do espaço amostral (espaço G de geográfico) para um espaço latente D (D de dispersão), no qual a estrutura espacial é estacionária e isotrópica. obtenção dos pontos observados via MDS; Em outras palavras, eles estimam as localizações medidas no espaço D de modo que as correlações observadas se ajustem à distância euclideana entre os pontos em D. Interpolação das localizações não medidas via thin-plate spline. Heterogêneos Univ. Deformação Versão Bayesiana Prioris Exemplos
12 Abordagem Bayesiana (Schmidt & O Hagan (JRSS, Series B, 2003)) Assumimos que Y it = Y (s i, t), i = 1,..., n e t = 1,..., T. Seja Y t = (Y 1t, Y 2t,..., Y nt ) para t = 1,..., T. Y 1,..., Y T são i.i.d. N n (µ, Σ) O interesse principal está na estimação da matriz de covariâncias verdadeira, Σ. Heterogêneos Univ. Deformação Versão Bayesiana Prioris Exemplos
13 Abordagem Bayesiana (Schmidt & O Hagan (JRSS, Series B, 2003)) Assumimos que Y it = Y (s i, t), i = 1,..., n e t = 1,..., T. Seja Y t = (Y 1t, Y 2t,..., Y nt ) para t = 1,..., T. Y 1,..., Y T são i.i.d. N n (µ, Σ) O interesse principal está na estimação da matriz de covariâncias verdadeira, Σ. A verossimilhança para Σ tem a forma da Wishart f(s Σ) Σ T 1 2 exp { T2 tr SΣ 1 }. (1) Heterogêneos Univ. Deformação Versão Bayesiana Prioris Exemplos
14 Abordagem Bayesiana (Schmidt & O Hagan (JRSS, Series B, 2003)) Assumimos que Y it = Y (s i, t), i = 1,..., n e t = 1,..., T. Seja Y t = (Y 1t, Y 2t,..., Y nt ) para t = 1,..., T. Y 1,..., Y T são i.i.d. N n (µ, Σ) O interesse principal está na estimação da matriz de covariâncias verdadeira, Σ. A verossimilhança para Σ tem a forma da Wishart f(s Σ) Σ T 1 2 exp { T2 tr SΣ 1 }. (1) Heterogêneos Univ. Deformação Versão Bayesiana Prioris Exemplos A proposta é modelar cada elemento de Σ como Cov (Y (s i, t), Y (s j, t)) = v(s i )v(s j )c d (s i, s j ), (2) onde para todo t
15 Abordagem Bayesiana (Schmidt & O Hagan (JRSS, Series B, 2003)) Assumimos que Y it = Y (s i, t), i = 1,..., n e t = 1,..., T. Seja Y t = (Y 1t, Y 2t,..., Y nt ) para t = 1,..., T. Y 1,..., Y T são i.i.d. N n (µ, Σ) O interesse principal está na estimação da matriz de covariâncias verdadeira, Σ. A verossimilhança para Σ tem a forma da Wishart f(s Σ) Σ T 1 2 exp { T2 tr SΣ 1 }. (1) Heterogêneos Univ. Deformação Versão Bayesiana Prioris Exemplos A proposta é modelar cada elemento de Σ como Cov (Y (s i, t), Y (s j, t)) = v(s i )v(s j )c d (s i, s j ), (2) onde para todo t v(s) = Var (Y (s, t)) e c d (s, s ) = Corr (Y (s, t), Y (s, t))
16 Especificações das prioris A priori, v(s) τ 2, f GI(τ 2 (f 2), f), s G, (3) π(τ 2 ) τ 2, Mapeando a Correlação Espacial Heterogêneos Univ. Deformação Versão Bayesiana Prioris Exemplos O mapeamento das estações medidas ocorre através da função de correlação definida como c d (s i, s j ) = g( d(s i ) d(s j ) ), (4) onde g(.) é uma função monótona.
17 Especificação da Função de Correlação g(.) Similarmente a S&G, g(h) = K a k exp( b k h 2 ). (5) k=1 K deve ser, de acordo com os dados, o menor possível. Os parâmetros de alcance b k e os coeficientes a k são desconhecidos e satisfazem a K k=1 a k = 1; Heterogêneos Univ. Deformação Versão Bayesiana Prioris Exemplos b 1 > b 2 >... > b K, a k > 0 e b k > 0, k = 1,..., K. Um efeito pepita pode ser introduzido permitindo que b 1 em (5).
18 O Processo Latente d(.) Atribuímos como priori para função d(.) um processo gaussiano: d(.) m(.), σ 2 d, R d(.,.) P G(m(.), σ 2 d R d(.,.)), (6) m(.) é a função média a priori; σ 2 d é uma matriz 2 2; R d (.,.) mede a correlação a priori entre as estações, tq R d (s, s) = 1. Heterogêneos Univ. Deformação Versão Bayesiana Prioris Exemplos
19 O Processo Latente d(.) Atribuímos como priori para função d(.) um processo gaussiano: d(.) m(.), σ 2 d, R d(.,.) P G(m(.), σ 2 d R d(.,.)), (6) m(.) é a função média a priori; σ 2 d é uma matriz 2 2; R d (.,.) mede a correlação a priori entre as estações, tq R d (s, s) = 1. Em particular, D = (d 1,..., d n ), onde d i = d(s i ), é uma matriz 2 n contendo as coordenadas das estações monitoradoras no espaço D; m = (m(s 1 ),..., m(s n )) R d uma matriz n n com elementos R d (s i, s j ), Heterogêneos Univ. Deformação Versão Bayesiana Prioris Exemplos (D m, σ 2 d, R d) N (2 n) (m, σ 2 d, R d) OU vec(d) vec(m), σ 2 d, R d) N (2n) (vec(m), σ 2 d R d)
20 Especificação de R d e σ 2 d R d : Os elementos de R d (.,.) são modelados de acordo com uma função de correlação gaussiana R d (s, s ) = exp ( b d s s 2), onde b d controla, a priori, a forma da configuração das estações medidas em D. Sugestão : Fixar b d igual a 1 2a, onde a é o quadrado de uma distância típica entre localizações medidas em G. Heterogêneos Univ. Deformação Versão Bayesiana Prioris Exemplos
21 Especificação de R d e σ 2 d R d : Os elementos de R d (.,.) são modelados de acordo com uma função de correlação gaussiana R d (s, s ) = exp ( b d s s 2), onde b d controla, a priori, a forma da configuração das estações medidas em D. Sugestão : Fixar b d igual a 1 2a, onde a é o quadrado de uma distância típica entre localizações medidas em G. σ 2 d : Parâmetro é não identificável no sentido de Dawid Heterogêneos Univ. Deformação Versão Bayesiana Prioris Exemplos (1979). S traz informação sobre as distâncias no espaço D, trazendo informação, no máximo, sobre os autovalores de σ 2 d ; σ 2 d é modelada como uma matriz diagonal, e σ 2 d ii IG(β i, α i ), i = 1, 2.
22 π(a 1,..., a K, b 1,..., b K K) Procedimento de inferência KY k=1 π k (b k ) com KX k=1 a k = 1 e b 1 >... > b K, (7) De acordo com o teorema de Bayes, a posteriori de θ é proporcional a ( ny π(θ S) Σ T 1 2 exp T 2 tr SΣ 1 i=1 (nf 2) τ 2 8 < : KY ( 1 (log(bk ) µ b ) 2 exp b k=1 k 2σ b 2 σ 2 d n/2 R d 1 exp 8 < (σ 2 d ) (β 1 +2)/2 exp 11 : α 1 v (f+2)/2 2 (f 2)τ i exp 2v i!) )9 = ; (8) 1 2 tr (D m) σ 2 d (D m)r 1 d 9 8 = < 2σ d 2 ; (σ2 d ) (β 2 +2)/2 exp : α 2 2σ 2 d 22 9 = ;. Heterogêneos Univ. Deformação Versão Bayesiana Prioris Exemplos
23 π(a 1,..., a K, b 1,..., b K K) Procedimento de inferência KY k=1 π k (b k ) com KX k=1 a k = 1 e b 1 >... > b K, (7) De acordo com o teorema de Bayes, a posteriori de θ é proporcional a ( ny π(θ S) Σ T 1 2 exp T 2 tr SΣ 1 i=1 (nf 2) τ 2 8 < : KY ( 1 (log(bk ) µ b ) 2 exp b k=1 k 2σ b 2 σ 2 d n/2 R d 1 exp 8 < (σ 2 d ) (β 1 +2)/2 exp 11 : α 1 v (f+2)/2 2 (f 2)τ i exp 2v i!) )9 = ; (8) 1 2 tr (D m) σ 2 d (D m)r 1 d 9 8 = < 2σ d 2 ; (σ2 d ) (β 2 +2)/2 exp : α 2 2σ 2 d 22 9 = ;. Heterogêneos Univ. Deformação Versão Bayesiana Prioris Exemplos Posteriori não tem forma anaĺıtica fechada uso de MCMC para obtenção de amostras de π(θ S). Cuidado ao sortear d e b.
24 Exemplo - Dados Simulados Fixamos as coordenadas de n = 6 estações no espaço G; Fixamos τ 2 = 2, f = 12, b 2 = 0.25, a 1 = 0.1, a 2 = 0.9, σ 2 d 11 = 0.25, σ 2 d 22 = 0.375, and b d = 0.5; Depois de gerar as localizações no espaço latente D, a verdadeira matriz de covariâncias foi gerada. Heterogêneos Univ. Deformação Versão Bayesiana Prioris Exemplos
25 Second Coordinate Exemplo - Dados Simulados Fixamos as coordenadas de n = 6 estações no espaço G; Fixamos τ 2 = 2, f = 12, b 2 = 0.25, a 1 = 0.1, a 2 = 0.9, σ 2 d 11 = 0.25, σ 2 d 22 = 0.375, and b d = 0.5; Depois de gerar as localizações no espaço latente D, a verdadeira matriz de covariâncias foi gerada. D1 s1 G1 D2 G2 s2 G3 D3 s3 (a) G4 s4 D First Coordinate G5 D5 s5 D6 s6 G6 Second Coordinate s1 D1 G1 D2 G2 s2 G3 s3d3 (b) D4 s4 G First Coordinate s6 D6 G6 G5 D5s5 Heterogêneos Univ. Deformação Versão Bayesiana Prioris Exemplos Figura: Superimposição de Procrustes da configuração média em D (s i ) sobre as localizações originais no espaço G (G i ). (a) b d = 0.25 e E(σ d11 ) = 0.5, E(σ d11 ) = (b) b d = 1.0 e E(σ d11 ) = 1.0, E(σ d11 ) = 1.5.
26 Second Coordinate Exemplo - Dados Simulados (a) s6 G6 s4 G2 s2 G4 s1 G3 G5 s5 G1 s First Coordinate Second Coordinate (b) s6 G6 s4 G2 s2 G4 s1 G3 G5 s5 G1 s First Coordinate Heterogêneos Univ. Deformação Versão Bayesiana Prioris Exemplos Figura: Mapeamento de uma grade regular de 200 pontos do espaço G para o espaço D. (a) b d = 0.25 e E(σ 2 d 11 ) = 0.5, E(σ 2 d 11 ) = (b) b d = 1.0 e E(σ 2 d 11 ) = 1.0, E(σ 2 d 11 ) = 1.5.
27 Exemplo - Dados de Radiação Solar n = 12 estações monitoradoras; Dados referentes à primavera-verão, de 22 de março a 20 de setembro, de 1980 a 1983 T = 732. Observed Correlations s1 s1 s1 s1 s1 s1 s1 (a) s1 s Distances in G space s1 s1 s1 Observed Correlations s1 s1 s1 s1 s1 s1s1s1 s1 (b) s1 s1 s Distances in D space Heterogêneos Univ. Deformação Versão Bayesiana Prioris Exemplos Figura: (a) Distâncias geográficas versus as correlações observadas dos dados de radiação solar. (b) Média a posteriori estimada (linha sólida) e o intervalo de 95% de credibilidade a posteriori (linha tracejada) da função de correlação para os dados de radiação solar.
28 Exemplo - Dados de Radiação Solar Second Coordinate G1 G2s2 s3 G3 G12 G11 G4 s11 s12 s4 G5 s5 s1 (a) G6 s6 s10 G10 s7 s8 s9 G7 G8 G First Coordinate Second Coordinate s12 s2 s3 s4 s11 s5 s1 (b) s6 s10 s7 s8 s First Coordinate Heterogêneos Univ. Deformação Versão Bayesiana Prioris Exemplos Figura: (a) Superimposição de Procrustes da média a posteriori das localizações no espaço D (s i ) sobre a as localizações da configuração original no espaço G space (G i ). (b) Mapeamento de uma grade regular de 200 pontos do espaço G para o espaço D.
29 Parte II Covariância para processos espaciais multivariados Heterogêneos Multiv. Separáveis Coregionalização MCL Espaço Exemplo
30 Seja { Y(s) : s D IR 2 ; Y R p} um campo aleatório multivariado (ex. Y(s) pode ser (O 3, CO 2, P M 10 )(s)), p = 3). Heterogêneos Multiv. Separáveis Coregionalização MCL Espaço Exemplo
31 Seja { Y(s) : s D IR 2 ; Y R p} um campo aleatório multivariado (ex. Y(s) pode ser (O 3, CO 2, P M 10 )(s)), p = 3). Heterogêneos Multiv. Separáveis Coregionalização MCL Espaço Exemplo É preciso descrever a covariância dentro e entre as estações.
32 Seja { Y(s) : s D IR 2 ; Y R p} um campo aleatório multivariado (ex. Y(s) pode ser (O 3, CO 2, P M 10 )(s)), p = 3). Heterogêneos Multiv. Separáveis Coregionalização MCL Espaço Exemplo É preciso descrever a covariância dentro e entre as estações. Objetivo: propor uma estrutura de covariância válida e flexível.
33 Modelos Separáveis Seja ρ uma função de correlação espacial válida; Seja T uma matriz p p, positiva definida. Então a covariância do processo entre duas localizações quaisquer s e s, pode ser descrita por C(s, s ) = ρ(s, s )T. (9) Considerando o empilhamento do vetor observado em n localizações, Y, a matriz de covariâncias resultante é dada por Heterogêneos Multiv. Separáveis Coregionalização MCL Espaço Exemplo Σ = R T, (10) Num modelo mais geral, poderíamos incluir uma componente latente, para descrever a estrutura de covariância acima, por exemplo, v(s), de modo que Y(s) = X(s)β + v(s) + ɛ(s), (11)
34 Considerando o modelo em (11), e empilhando as observações num vetor Y de dimensão np, a verossimilhança terá a seguinte forma f(y Σ Y, β) Σ Y 1/2 exp { 1 2 (Y Xβ) Σ 1 Y (Y Xβ) }, onde Σ Y = (R T ) + (I n D) e I n é a matriz identidade de dimensão n. Heterogêneos Multiv. Separáveis Coregionalização MCL Espaço Exemplo
35 Vantagens e Desvantagens do modelo separável Σ = R p T n e Σ 1 = R 1 T 1 ; Heterogêneos Multiv. Separáveis Coregionalização MCL Espaço Exemplo
36 Vantagens e Desvantagens do modelo separável Σ = R p T n e Σ 1 = R 1 T 1 ; cov(y l (s), Y l (s )) = cov(y l (s), Y l (s )), l, l, s e s ; Heterogêneos Multiv. Separáveis Coregionalização MCL Espaço Exemplo
37 Vantagens e Desvantagens do modelo separável Σ = R p T n e Σ 1 = R 1 T 1 ; cov(y l (s), Y l (s )) = cov(y l (s), Y l (s )), l, l, s e s ; se ρ é simétrica e estritamente decrescente, então o alcance espacial é o mesmo para as componentes de Y(.); Heterogêneos Multiv. Separáveis Coregionalização MCL Espaço Exemplo
38 Vantagens e Desvantagens do modelo separável Σ = R p T n e Σ 1 = R 1 T 1 ; cov(y l (s), Y l (s )) = cov(y l (s), Y l (s )), l, l, s e s ; se ρ é simétrica e estritamente decrescente, então o alcance espacial é o mesmo para as componentes de Y(.); se ρ é estacionária, a correlação generalizada, é tal que Heterogêneos Multiv. Separáveis Coregionalização MCL Espaço Exemplo cov(y j (s), Y j (s + h)) cov(yj (s), Y j (s + h))cov(y j (s), Y j (s + h)) = T jj Tjj T j j, independente da posição s e vetor h.
39 Modelos de coregionalização Especificação Intrínseca (Mathéron, 1982) Y(s) = Aw(s) w(s) são processos espaciais i.i.d. s. Y l (s) = k j=1 a ljw j (s) e Heterogêneos Multiv. Separáveis Coregionalização MCL Espaço Exemplo Cov(Y(s), Y(s )) = ρ(s s ; φ)t com T = AA T, A p k, e k p. T é conhecida como matriz de coregionalização.
40 Modelo Bayesiano de Coregionalização Linear Schmidt & Gelfand (JGR, 2003) e Gelfand, Schmidt, Banerjee & Sirmans (Test, 2004) Seja p Y l (s) = a lj w j (s), l = 1, 2,, p. j=1 mas agora assuma que w j (.) são i.i.d s com variância 1, e função de correlaçãoρ(s s ; φ j ). Então = Cov(Y l (s), Y l (s )) = p a lj a l jρ(s s ; φ j ) j=1 Considerando n localizações espaciais, temos que 2 3 AA AD 1,2A AD 1,nA AD 2,1A AA AD 2,nA Σ Y = AD n,1a AD n,2a AA Heterogêneos Multiv. Separáveis Coregionalização MCL Espaço Exemplo
41 Dessa forma, Σ Y = = p R(φ j ) a j a T j j=1 p R(φ j ) T j j=1 Heterogêneos Multiv. Separáveis Coregionalização MCL Espaço Exemplo
42 Calculando o alcance de Y j (s) Definição : distância para a qual a correlação entre Y j (s) e Y j (s ) torna-se O alcance, r 1, de Y 1 (s) soluciona ρ 1 (r 1 ; φ 1 ) = Mais geralmente, o alcance r j, de Y j (s) soluciona a 2 j1 ρ 1(r j ; φ 1 ) + + a 2 jj ρ(r j; φ j ) a 2 j1 + + = 0.05 a2 jj O lado esquerdo é descrescente em r. Usualmente os ρ j s são funções paramétricas r j é uma função paramétrica que não está disponível explicitamente. Sob o enfoque bayesiano, a distribuição a posteriori de A e dos parâmetros em ρ(.;.) fornece meios para obter a distribuição a posteriori de r j. Heterogêneos Multiv. Separáveis Coregionalização MCL Espaço Exemplo
43 com Modelo Multivariado Geral Y(s) = µ(s) + v(s) + ɛ(s) (12) ɛ(s) N(0, D ɛ ), (D ɛ ) jj = τ 2 j ; v(s) = Aw(s) seguindo a especificação anterior, e w j (s) são PG, com média 0 e variância 1 e função de correlação ρ j (.); µ(s) são obtidos a partir de µ j (s) = X T j (s)β j. Heterogêneos Multiv. Separáveis Coregionalização MCL Espaço Exemplo
44 Modelo Hierárquico 1o Estágio: Y(s i ) β j, {v(s i )}, D ɛ N(µ(s i ) + v(s i ), D ɛ ). Heterogêneos Multiv. Separáveis Coregionalização MCL Espaço Exemplo
45 Modelo Hierárquico 1o Estágio: Y(s i ) β j, {v(s i )}, D ɛ N(µ(s i ) + v(s i ), D ɛ ). 2o Estágio: v(s 1 ) v =. N(0, p j=1 R j T j ) v(s n ) Heterogêneos Multiv. Separáveis Coregionalização MCL Espaço Exemplo
46 Modelo Hierárquico 1o Estágio: Y(s i ) β j, {v(s i )}, D ɛ N(µ(s i ) + v(s i ), D ɛ ). 2o Estágio: v(s 1 ) v =. N(0, p j=1 R j T j ) v(s n ) Concatenando os Y(s i ) num vetor, np 1, Y, similarmente µ(s i ) num vetor µ, podemos marginalizar com respeito a v para obter Heterogêneos Multiv. Separáveis Coregionalização MCL Espaço Exemplo f(y {β j }, D ɛ, {ρ j }, T) = p N µ, (H j T j ) + I n n D ɛ. j=1 A especificação bayesiana se completa associando distribuições a priori para {β j }, {τj 2 }, T e os parâmetros em ρ j.
47 Parametrização Condicional Assuma, por exemplo, p = 3, sabemos que p(y 1 (s), Y 2 (s), Y 3 (s)) = p(y 1 (s))p(y 2 (s) Y 1 (s))p(y 3 (s) Y 2 (s), Y 1 (s)) Heterogêneos Multiv. Separáveis Coregionalização MCL Espaço Exemplo
48 Parametrização Condicional Assuma, por exemplo, p = 3, sabemos que p(y 1 (s), Y 2 (s), Y 3 (s)) = p(y 1 (s))p(y 2 (s) Y 1 (s))p(y 3 (s) Y 2 (s), Y 1 (s)) Gelfand et. al (2004) propõem o uso de uma parametrização condicional para o modelo em (12) Heterogêneos Multiv. Separáveis Coregionalização MCL Espaço Exemplo Y 1 (s) = β 1 X(s) + σ 1 w 1 (s) Y 2 (s) Y 1 (s) = β 2 X(s) + αy 1(s) + σ 2 w 2 (s) Y 3 (s) Y 2 (s), Y 1 (s) = β 3 X(s) + α 1Y 1 (s) + α 2 Y 2 (s) + σ 3 w 3 (s) + ɛ 3 (s) São discutidas, também, vantagens e desvantagens de uma parametrização com relação a outra.
49 MCL variando no espaço Substitui-se A por A(s), assim v(s) = A(s)w(s) (13) MCL com variação espacial (MCLVE). Heterogêneos Multiv. Separáveis Coregionalização MCL Espaço Exemplo
50 MCL variando no espaço Substitui-se A por A(s), assim v(s) = A(s)w(s) (13) MCL com variação espacial (MCLVE). Seja T(s) = A(s)A(s) T. Novamente, por conveniência, A(s) pode ser assumida triangular inferior. Agora C(s, s ) é tal que Heterogêneos Multiv. Separáveis Coregionalização MCL Espaço Exemplo C(s, s ) = j ρ j (s s )a j (s)a T j (s ). (14)
51 MCL variando no espaço Substitui-se A por A(s), assim v(s) = A(s)w(s) (13) MCL com variação espacial (MCLVE). Seja T(s) = A(s)A(s) T. Novamente, por conveniência, A(s) pode ser assumida triangular inferior. Agora C(s, s ) é tal que Heterogêneos Multiv. Separáveis Coregionalização MCL Espaço Exemplo C(s, s ) = j ρ j (s s )a j (s)a T j (s ). (14) Assim v(s) não é mais um processo estacionário nem separável. Fazendo s s 0, a matriz de covariâncias de v(s) é T(s).
52 Possiblidades de modelagem de A(s) Modelar A(s) através da correspondência 1 a 1 com T(s). Heterogêneos Multiv. Separáveis Coregionalização MCL Espaço Exemplo
53 Possiblidades de modelagem de A(s) Modelar A(s) através da correspondência 1 a 1 com T(s). No caso univariado, escolhas para σ 2 (s) incluem: σ 2 (s, θ), isto é, uma função paramétrica ou uma superfície de tendência em função da posição geográfica; Heterogêneos Multiv. Separáveis Coregionalização MCL Espaço Exemplo
54 Possiblidades de modelagem de A(s) Modelar A(s) através da correspondência 1 a 1 com T(s). No caso univariado, escolhas para σ 2 (s) incluem: σ 2 (s, θ), isto é, uma função paramétrica ou uma superfície de tendência em função da posição geográfica; σ 2 (x(s)) = g(x(s))σ 2 onde x(s) é alguma covariável utilizada para explicar Y(s) e g(.) > 0 (então g(x(s)) é tipicamente x(s) ou x 2 (s)); Heterogêneos Multiv. Separáveis Coregionalização MCL Espaço Exemplo
55 Possiblidades de modelagem de A(s) Modelar A(s) através da correspondência 1 a 1 com T(s). No caso univariado, escolhas para σ 2 (s) incluem: σ 2 (s, θ), isto é, uma função paramétrica ou uma superfície de tendência em função da posição geográfica; σ 2 (x(s)) = g(x(s))σ 2 onde x(s) é alguma covariável utilizada para explicar Y(s) e g(.) > 0 (então g(x(s)) é tipicamente x(s) ou x 2 (s)); ou σ 2 (s) é em si, um processo espacial (por exemplo, log σ 2 (s) pode ser um processo gaussiano). Heterogêneos Multiv. Separáveis Coregionalização MCL Espaço Exemplo
56 Possiblidades de modelagem de A(s) Modelar A(s) através da correspondência 1 a 1 com T(s). No caso univariado, escolhas para σ 2 (s) incluem: σ 2 (s, θ), isto é, uma função paramétrica ou uma superfície de tendência em função da posição geográfica; σ 2 (x(s)) = g(x(s))σ 2 onde x(s) é alguma covariável utilizada para explicar Y(s) e g(.) > 0 (então g(x(s)) é tipicamente x(s) ou x 2 (s)); ou σ 2 (s) é em si, um processo espacial (por exemplo, log σ 2 (s) pode ser um processo gaussiano). Segunda possibilidade, fazermos T(s) = g(x(s))t. Heterogêneos Multiv. Separáveis Coregionalização MCL Espaço Exemplo
57 Possiblidades de modelagem de A(s) Modelar A(s) através da correspondência 1 a 1 com T(s). No caso univariado, escolhas para σ 2 (s) incluem: σ 2 (s, θ), isto é, uma função paramétrica ou uma superfície de tendência em função da posição geográfica; σ 2 (x(s)) = g(x(s))σ 2 onde x(s) é alguma covariável utilizada para explicar Y(s) e g(.) > 0 (então g(x(s)) é tipicamente x(s) ou x 2 (s)); ou σ 2 (s) é em si, um processo espacial (por exemplo, log σ 2 (s) pode ser um processo gaussiano). Segunda possibilidade, fazermos T(s) = g(x(s))t. Terceira possibilidade, T(s) é um processo espacial matriz-variado. Heterogêneos Multiv. Separáveis Coregionalização MCL Espaço Exemplo
58 Modelagem de T(s) Definição da Wishart, Ω = ΓZZ T Γ T W p (ν, ΓΓ T ) se Z = (Z 1,..., Z ν ) é p ν com Z lj i.i.d. N(0, 1), l = 1,..., ν, j = 1,..., p. Heterogêneos Multiv. Separáveis Coregionalização MCL Espaço Exemplo
59 Modelagem de T(s) Definição da Wishart, Ω = ΓZZ T Γ T W p (ν, ΓΓ T ) se Z = (Z 1,..., Z ν ) é p ν com Z lj i.i.d. N(0, 1), l = 1,..., ν, j = 1,..., p. Suponha que temos νp processos espaciais gaussianos, estacionários, independentes, com média 0 tal que Z lj (s) tem função de correlação ρ j (s s ). Isto é, temos p processos espaciais independentes, diferentes e ν replicações de cada um. Heterogêneos Multiv. Separáveis Coregionalização MCL Espaço Exemplo
60 Modelagem de T(s) Definição da Wishart, Ω = ΓZZ T Γ T W p (ν, ΓΓ T ) se Z = (Z 1,..., Z ν ) é p ν com Z lj i.i.d. N(0, 1), l = 1,..., ν, j = 1,..., p. Suponha que temos νp processos espaciais gaussianos, estacionários, independentes, com média 0 tal que Z lj (s) tem função de correlação ρ j (s s ). Isto é, temos p processos espaciais independentes, diferentes e ν replicações de cada um. Defina Ω(s) = ΓZ(s)Z T (s)γ T, dizemos que Ω(s) é um processo espacial estacionário Wishart matriz-variado, Ω(s) SW p (ν, ΓΓ T, ρ 1,..., ρ p ). Resulta num processo não estacionário e não-gaussiano. Heterogêneos Multiv. Separáveis Coregionalização MCL Espaço Exemplo
61 Procedimento de - MCL Conjunto θ = ({β j }, D, {ρ j }, T), j = 1,, p. Heterogêneos Multiv. Separáveis Coregionalização MCL Espaço Exemplo
62 Procedimento de - MCL Conjunto θ = ({β j }, D, {ρ j }, T), j = 1,, p. Assumindo independência ao longo de j, temos π(θ) = j p(β j) p(ρ j ) p(τ 2 j ) p(t). Heterogêneos Multiv. Separáveis Coregionalização MCL Espaço Exemplo
63 Procedimento de - MCL Conjunto θ = ({β j }, D, {ρ j }, T), j = 1,, p. Assumindo independência ao longo de j, temos π(θ) = j p(β j) p(ρ j ) p(τ 2 j ) p(t). Portanto, π(θ Y) f(y {β j }, D, {ρ j }, T) π(θ). Heterogêneos Multiv. Separáveis Coregionalização MCL Espaço Exemplo
64 Procedimento de - MCL Conjunto θ = ({β j }, D, {ρ j }, T), j = 1,, p. Assumindo independência ao longo de j, temos π(θ) = j p(β j) p(ρ j ) p(τ 2 j ) p(t). Portanto, π(θ Y) f(y {β j }, D, {ρ j }, T) π(θ). Prioris β j N(0, V ), V matriz diagonal, com elementos grandes; Heterogêneos Multiv. Separáveis Coregionalização MCL Espaço Exemplo
65 Procedimento de - MCL Conjunto θ = ({β j }, D, {ρ j }, T), j = 1,, p. Assumindo independência ao longo de j, temos π(θ) = j p(β j) p(ρ j ) p(τ 2 j ) p(t). Portanto, π(θ Y) f(y {β j }, D, {ρ j }, T) π(θ). Prioris β j N(0, V ), V matriz diagonal, com elementos grandes; τj 2 IG(2, b) b, tal que E(τ j 2) = b = τ ˆ j 2; Heterogêneos Multiv. Separáveis Coregionalização MCL Espaço Exemplo
66 Procedimento de - MCL Conjunto θ = ({β j }, D, {ρ j }, T), j = 1,, p. Assumindo independência ao longo de j, temos π(θ) = j p(β j) p(ρ j ) p(τ 2 j ) p(t). Portanto, π(θ Y) f(y {β j }, D, {ρ j }, T) π(θ). Prioris β j N(0, V ), V matriz diagonal, com elementos grandes; τj 2 IG(2, b) b, tal que E(τ j 2) = b = τ ˆ j 2; Se ρ j = exp( φ j d), φ Ga(a 1, b 1 ), tq a1 b 1 = dmax 6 e variância fixa; Heterogêneos Multiv. Separáveis Coregionalização MCL Espaço Exemplo
67 Procedimento de - MCL Conjunto θ = ({β j }, D, {ρ j }, T), j = 1,, p. Assumindo independência ao longo de j, temos π(θ) = j p(β j) p(ρ j ) p(τ 2 j ) p(t). Portanto, π(θ Y) f(y {β j }, D, {ρ j }, T) π(θ). Prioris β j N(0, V ), V matriz diagonal, com elementos grandes; τj 2 IG(2, b) b, tal que E(τ j 2) = b = τ ˆ j 2; Se ρ j = exp( φ j d), φ Ga(a 1, b 1 ), tq a1 b 1 = dmax 6 e variância fixa; Relação um a um entre os elementos de T e a matriz triangular inferior A; T W 1 (, ν) tq os elementos da diagonal poderiam ser obtidos de EMQ de um modelo independente para cada elemento de Y j (s), j = 1,, p, e ν pequeno. Heterogêneos Multiv. Separáveis Coregionalização MCL Espaço Exemplo
68 Procedimento de - MCL Conjunto Procedimento de inferência feito através do uso de MCMC Amostrador de Gibbs com passos do Metropolis-Hastings. Heterogêneos Multiv. Separáveis Coregionalização MCL Espaço Exemplo
69 Procedimento de - MCL Conjunto Procedimento de inferência feito através do uso de MCMC Amostrador de Gibbs com passos do Metropolis-Hastings. Maior desafio é sortear eficientemente da distribuição condicional completa de T. π(t {β j }, D, {ρ j }, Y) Σ Y np/2 { exp 1 } 2 (Y µ)t Σ 1 Y (Y µ) π(t).(15) Heterogêneos Multiv. Separáveis Coregionalização MCL Espaço Exemplo onde Σ Y = p j=1 (H j T j ) + I n n D.
70 Modelando o preço de venda e o lucro advindo de imóveis comerciais O preço de venda de um imóvel comercial é, teoricamente, dado pelo lucro esperado capitalizado a alguma taxa de desconto (ajustada pelo risco). Consideramos aqui um conjunto de dados de blocos de apartamentos em 3 mercados imobiliários bem distintos, Chicago, Dalas, e San Diego. Chicago é uma cidade antiga, tradicional, onde o desenvolvimento se expandiu de um centro de negócios central. Dalas é uma cidade mais nova, onde o desenvolvimento tende a acontecer em multi-subcentros, com o distrito central sendo menos importante no comportamento do padrão espacial. Já San Diego é uma cidade fisicamente mais restrita, com um desenvolvimento mais linear ao contrário do tradicional padrão circular. Heterogêneos Multiv. Separáveis Coregionalização MCL Espaço Exemplo
71 Longitude Longitude Figura: Localizações dos imóveis nos 3 mercados imobiliários, Chicago, Dalas e San Diego. Longitude Modelando o preço de venda e o lucro advindo de imóveis comerciais Chicago Dallas Latitude Latitude Heterogêneos Multiv. Separáveis Coregionalização MCL Espaço Exemplo San Diego Latitude
72 Modelando o preço de venda e o lucro advindo de imóveis comerciais Objetivo: ajustar um modelo conjunto para o preço de venda e o lucro ĺıquido e obter uma superfície espacial associada ao risco, log R = log I log P. O modelo proposto é I(s) = sqft(s)β I1 + age(s)β I2 + unit(s)β I3 + v 1(s) + ɛ 1(s) P (s) = sqft(s)β P 1 + age(s)β P 2 + unit(s)β P 3 + v 2(s) + ɛ 2(s). Heterogêneos Multiv. Separáveis Coregionalização MCL Espaço Exemplo
73 Modelando o preço de venda e o lucro advindo de imóveis comerciais Objetivo: ajustar um modelo conjunto para o preço de venda e o lucro ĺıquido e obter uma superfície espacial associada ao risco, log R = log I log P. O modelo proposto é I(s) = sqft(s)β I1 + age(s)β I2 + unit(s)β I3 + v 1(s) + ɛ 1(s) P (s) = sqft(s)β P 1 + age(s)β P 2 + unit(s)β P 3 + v 2(s) + ɛ 2(s). Modelo 1 é um MCL intrínseco, isto é, ele assume uma estrutura de covariância separável para v(s); Modelo 2 assume o MCL mais geral para v(s); Modelo 3 é um MCLVE, usando a forma T(s) = (x(s)) ψ T onde x(s) é unit(s); Modelo 4 utiliza um processo espacial, Wishart matriz-variado, para T(s). Comparação entre diferentes modelos foi feita usando Gelfand & Ghosh (1998). Heterogêneos Multiv. Separáveis Coregionalização MCL Espaço Exemplo
74 Modelando o preço de venda e o lucro advindo de imóveis comerciais Frequency Frequency log Price Frequency Frequency log Income Frequency Frequency log risk Frequency Frequency Age Frequency Frequency Frequency Number of Units Frequency Square ft per unit Heterogêneos Multiv. Separáveis Coregionalização MCL Espaço Exemplo log Price log Income log risk Age Number of Units Square ft per unit Frequency Frequency Frequency Frequency Frequency Frequency log Price log Income log risk Age Number of Units Square ft per unit
75 Modelando o preço de venda e o lucro advindo de imóveis comerciais Tabela: Resultados do critério de comparação do modelo para (a) todo o conjunto de dados e (b) para a amostra retirando as 20 transações de cada mercado. Heterogêneos Multiv. Separáveis Coregionalização MCL Espaço Exemplo (a) Chicago Dalas San Diego G P D G P D G P D 1 0,1793 0,7299 0,9092 0,1126 0,5138 0,6264 0,0886 0,4842 0, ,1772 0,6416 0,8188 0,0709 0,4767 0,5476 0,0839 0,4478 0, ,1794 0,6368 0,8162 0,0715 0,4798 0,5513 0,0802 0,4513 0, ,1574 0,6923 0,8497 0,0436 0,4985 0,5421 0,0713 0,4588 0,5301 (b) Chicago Dallas San Diego G P D G P D G P D 1 0,0219 0,0763 0,0982 0,0141 0,0631 0,0772 0,0091 0,0498 0, ,0221 0,0755 0,0976 0,0091 0,0598 0,0689 0,0095 0,0449 0, ,0191 0,0758 0,0949 0,0091 0,0610 0,0701 0,0087 0,0459 0, ,0178 0,0761 0,0939 0,0059 0,0631 0,0690 0,0074 0,0469 0,0543
76 Superfícies espaciais associadas à variação espacial de T(s) para as 3 cidades, Chicago (1a. linha), Dalas (2a. linha) e San Diego (3a. linha), com as colunas correspondendo, respectivamente a, T 11 (s), T 22 (s) e T corr(s) Latitude Latitude T11(s) Longitude Latitude Latitude T22(s) Longitude Latitude Latitude Tcorr(s) Longitude Heterogêneos Multiv. Separáveis Coregionalização MCL Espaço Exemplo Longitude Longitude Longitude Latitude Latitude Latitude Longitude Longitude Longitude
77 Superfícies espaciais associadas à variação espacial de Renda (1a coluna), Preço (2a coluna) e Risco (3a coluna) para as 3 cidades, Chicago (1a. linha), Dalas (2a. linha) e San Diego (3a. linha). Latitude Latitude I Longitude Latitude Latitude P Longitude Latitude Latitude R Longitude Heterogêneos Multiv. Separáveis Coregionalização MCL Espaço Exemplo Longitude Longitude Longitude Latitude Latitude Latitude Longitude Longitude Longitude
78 Sequência deste trabalho 1 Modelagem de dados espacialmente desalinhados (Schmidt & Estrella (em revisão para RBE)); 2 Modelagem de observações espaço-temporais (Sansó, Schmidt, & Nobre (Tech Rep, 2006)); 3 Modelos espaciais multivariados para dados de contagem (Schmidt & Hoeting, em andamento). Heterogêneos Multiv. Separáveis Coregionalização MCL Espaço Exemplo
79 Parte III Modelagem de Múltiplas Séries de Vazão como função da chuva Múltiplas Vazões Problema Modelo proposto Resultados Considerações Finais
80 Modelagem Bayesiana de Múltiplas Séries de Vazão Romy R. Ravines Alexandra M. Schmidt Helio S. Migon Múltiplas Vazões Problema Modelo proposto Resultados Considerações Finais Parte da Tese de Doutorado Defendida em Dezembro de 2006 Instituto de Matemática - UFRJ
81 Colocação do Problema: bacia do Rio Grande (BA) BRASIL Múltiplas Vazões Problema Modelo proposto Resultados Considerações Finais Bacia do Rio São Francisco Bacia do Rio Grande
82 Colocação do Problema: bacia do Rio Grande (BA) ' ' BACIA DO RIO GRANDE LEGENDA BACIA DO RIO SÃO FRANCISCO BACIA DO RIO GRANDE POSTOS FLUVIOMÉTRICOS LIMITE DAS SUB-BACIAS REDE DE DRENAGEM PONTO DE AMOSTRAGEM DE UMIDADE FAZ. BOM JARDIM IBIPETUBA FORMOSA DO RIO PRETO (PCD INPE) VEREDA FAZENDA PORTO LIMPO BOQUEIRÃO FAZ. MACAMBIRA TAGUA PONTE SERAFIM-MONT S10 S14 S15 NOVA VIDA-MONT SÃO SEBASTIÃO S9 S12 S16 S6 S11 S13 S17 S7 S BARREIRAS RIO DE PEDRAS FAZ. REDENÇÃO LIMOEIRO DEROCAL FAZENDA COQUEIRO SITIO GRANDE RODA VELHA DE BAIXO CASA REAL RIO SÃO MORPARÁ Múltiplas Vazões Problema Modelo proposto Resultados Considerações Finais Figura: Hidrografia e Sub-Bacias do Rio Grande.Postos fluviométricos de interesse: A=Taguá, B=Barreiras e C=Redenção
83 Bacia do Rio Grande (BA): dados Legend Runoff Rainfall 2 C B 3 A A:Redenção B:Barreiras C:Taguá (b) Vazão Múltiplas Vazões Problema Modelo proposto Resultados Considerações Finais Rivers Grid Taguá Grid Barreiras Grid Redenção :Roda Velha Kilometers :Nova Vida :São Sebastião (a) Sub-bacias, Estações e Grade de Interpolação (c) Chuva
84 Abordagem Proposta: uma série de vazão Se Y t é a vazão e X t é a chuva acumulada no tempo t numa bacia, a relação chuva-vazão pode ser representada por: Y t p(y t µ t, φ t ), t = 1, 2,... (16a) g(µ t ) = f 1 (α t, E t ) (16b) E t = f 2 (E t 1,..., E 0, X t ) (16c) Múltiplas Vazões Problema Modelo proposto Resultados Considerações Finais Figura: Processos físicos envolvidos na geração da vazão Relação não linear Vazão do período atual depende da vazão do período anterior e da chuva passada e corrente. Não existe uma retroalimentação (feedback) entre vazão e chuva Vazão é uma variável não negativa: distribuição gama, log-normal, etc. As séries temporais podem não ser estacionárias.
85 Efeito da Chuva: uma função de transferência Com as hipóteses estabelecidas em Migon & Monteiro (1997), a relação chuva-vazão pode ser bem representada através de uma função de transferência. Duas Funções de Transferência: E t = ρ t E t 1 + γ t X t (17a) E t = ρ t E t 1 + [1 exp( κ t X t )][ϑ t (α t + ρ t E t 1 )]. (17b) Múltiplas Vazões Problema Modelo proposto Resultados Considerações Finais E t γ = 0.3 ρ = tempo E t ρe t 1 γ = X t E t φ α X t (a) Decaimento Exponencial (b) Retornos Proporcionais (c) Retornos Decrescentes Figura: Hipóteses sobre as Funções de Transferência
86 Efeito da Chuva: uma função de transferência Interpretação dos Parâmetros γ t : Efeito Instantâneo. Associado à velocidade de escoamento superficial, taxa de infiltração do solo e /ou interceptação da chuva pela vegetação. ρ t : Fator de Recarga. Taxa de memorização. Depende das características geológicas da bacia. α t : Fluxo base. Depende do nível do lençol freático de cada bacia. Múltiplas Vazões Problema Modelo proposto Resultados Considerações Finais Tipos de Efeito Instantâneo Constante : γ t = γ Variando no tempo : γ t = γ t 1 + δ t Ganho aleatório : γ t = γ + δ t
87 Abordagem Proposta: múltiplas séries de vazão Dispomos de M séries temporais de vazão observadas durante T períodos de tempo. Seja Yt m, a vazão observada na bacia m e tempo t, e Y t = (Yt 1,..., Yt M ). Múltiplas Vazões Problema Modelo proposto Resultados Considerações Finais
88 Abordagem Proposta: múltiplas séries de vazão Dispomos de M séries temporais de vazão observadas durante T períodos de tempo. Seja Yt m, a vazão observada na bacia m e tempo t, e Y t = (Yt 1,..., Yt M ). A distribuição conjunta p(y t ), condicionada a um vetor de parâmetros Θ, pode ser fatorada, por exemplo, da seguinte maneira: p(y t Θ) = p(y M t Y M 1 t, Θ)p(Y M 1 t Yt M 2, Θ) p(yt 2 Yt 1, Θ)p(Yt 1, Θ), onde p(yt m ) é a distribuição de Yt m, i = 1,..., M. Múltiplas Vazões Problema Modelo proposto Resultados Considerações Finais
89 Abordagem Proposta: múltiplas séries de vazão Dispomos de M séries temporais de vazão observadas durante T períodos de tempo. Seja Yt m, a vazão observada na bacia m e tempo t, e Y t = (Yt 1,..., Yt M ). A distribuição conjunta p(y t ), condicionada a um vetor de parâmetros Θ, pode ser fatorada, por exemplo, da seguinte maneira: p(y t Θ) = p(y M t Y M 1 t, Θ)p(Y M 1 t Yt M 2, Θ) p(yt 2 Yt 1, Θ)p(Yt 1, Θ), onde p(yt m ) é a distribuição de Yt m, i = 1,..., M. Considerando a chuva p(y t X t, Θ) = p(y A t Y B t, X A B t, Θ)p(Yt B Xt B, Θ) onde Y t = (Yt A, Yt B ), X t = (Xt A, Xt B ), X A B t = Xt A Xt B é a diferença entre a chuva total da sub-bacia A e da sub-bacia B. Múltiplas Vazões Problema Modelo proposto Resultados Considerações Finais
90 Abordagem Proposta: múltiplas séries de vazão Caso Particular: três séries de vazão e função de transferência em (17a). Yt A Yt B p(µ A B t, σa B 2 ) t = 1,..., T Yt B Yt C p(µ B C t, σb C 2 ) Y C t p(µ C t, σ 2 C) µ A B t µ B C t = α A B + η A B Y B t = α B C + η B C Y C t + E A B t + E B C t µ C t = α C + E C t m = A B, B C, C E m t = ρ m E m t 1 + γ m X m t m + w m t w m t N(0, W m ); Múltiplas Vazões Problema Modelo proposto Resultados Considerações Finais onde m denota a área da sub-bacia m, e é multiplicada por Xt m para representar o volume acumulado de chuva na área de drenagem correspondente. Se m = A B, X A B t denota a chuva e A B é a área de drenagem de A sem incluir a área de drenagem de B.
91 Modelando a Chuva: uma bacia Seja {X t (s), s B R 2, t = 1, 2, } um campo aleatório. Aqui, X t (s) 0. A chuva numa bacia ou região B com área B, X t, será descrita por: X t = B 1 X t (s)ds, s B (18) B X t (s) pode seguir uma distribuição normal truncada e, como sugerido em Sanso & Guenni (2000), pode ser representada pelo seguinte modelo espaço-temporal: { w t (s i ) β se w t (s i ) > 0, s i B X t (s i ) = (19a) 0 se w t (s i ) 0 w t (s) = Θ t (s) + Z t (s) + ɛ t (s) (19b) Z t (s) GP (0, σ 2 ϱ( s 1, s 2, λ)) (19c) Múltiplas Vazões Problema Modelo proposto Resultados Considerações Finais
92 Modelando a Chuva: múltiplas bacias É necessário realizar a troca de suporte: Xt m = 1 X t (s)ds s m (20) m m onde Xt m denota a chuva no tempo t e m denota a área da bacia m. Na prática, a integral em (20) é aproximada por Múltiplas Vazões Problema Modelo proposto Resultados Considerações Finais X m t 1 N m N m i=1 ˆX t (s i ) i = 1,..., N m (21) onde N m denota o número de pontos de uma grade de interpolação construída dentro dos limites da bacia m e ˆX t (i) é o valor predito de chuva para a localização s i dessa grade.
93 Abordagem Proposta: caso geral Nossa proposta consiste em realizar o ajuste do modelo para a vazão em (16) e o modelo para a chuva em (19), simultaneamente. Esta proposta pode ser vista como um sistema simples mas completo e eficiente para ajustar e prever duas das mais importantes variáveis hidrológicas. É bastante flexível. A especificação do modelo apresentado envolve várias subclasses de modelos. Todos os parâmetros têm uma interpretação física clara. Toda a incerteza envolvida nos processos físicos é explicitamente levada em conta. Múltiplas Vazões Problema Modelo proposto Resultados Considerações Finais
94 Procedimento de (uma bacia) Sejam Y = (Y 1,..., Y T ) e X(s) = (X 1 (s),..., X T (s)), onde s = (s 1,..., s S ). Também, X(s i ) = (X 1 (s i ),..., X T (s i )), s i B, i = 1,..., S, X t (s) = (X t (s 1 ),..., X t (s S )), e X = (X 1,..., X T ). A distribuição conjunta de Y, X e X(s) é dada por p(y, X, X(s) Θ) = p(y X, X(s), Θ Y )p(x, X(s) Θ X) (22) = TY t=1 SY i=1 p(y t X t, X t(s), Θ Y )p(x t X t(s), Θ X) p(x t(s i) Θ X) Múltiplas Vazões Problema Modelo proposto Resultados Considerações Finais A distribuição preditiva, necessária para interpolar a chuva, X t (s i ) é p(x(s ) X(s)) = p(x(s ) X(s), Θ X )p(θ X X(s))p(Θ X )dθ X. (23)
95 Modelagem na Prática Para Chuva (Sansó & Guenni (2000)) Distribuição: Normal Truncada F i = (1, long i, 1, 0, 1, 0) G = diag(g 1, G 2). ( G 1 = I 2 e G 2 = dois harmônicos. w t(s i) β se w t(s i) > 0 X t(s i) = 0 se w t(s i) 0 w t = z t + ν t, ν t N N (0, τ 2 I) z t = F Θ t + ɛ t, ɛ t N N (0, σ 2 V t) Θ t = GΘ t 1 + ε t, ε t N k (0, W t) Múltiplas Vazões Problema Modelo proposto Resultados Considerações Finais
96 Modelagem na Prática Para Chuva (Sansó & Guenni (2000)) Distribuição: Normal Truncada F i = (1, long i, 1, 0, 1, 0) G = diag(g 1, G 2). ( G 1 = I 2 e G 2 = dois harmônicos. w t(s i) β se w t(s i) > 0 X t(s i) = 0 se w t(s i) 0 w t = z t + ν t, ν t N N (0, τ 2 I) z t = F Θ t + ɛ t, ɛ t N N (0, σ 2 V t) Θ t = GΘ t 1 + ε t, ε t N k (0, W t) Para Vazão (Migon & Monteiro, 1997) Distribuição: Log-Normal ou Gama Séries de tempo não estacionárias Efeito da Chuva: FT de 1a ordem Y t X t p(µ t, φ) t = 1,..., T Múltiplas Vazões Problema Modelo proposto Resultados Considerações Finais log(µ t) = α t + E t E t = ρe t 1 + γ tx t + w t, w t N(0, σe) 2 α t = G αα t 1 + w α,t, w α,t N(0, σα) 2 γ t = G γγ t 1 + w γ,t, w γ,t N(0, σγ) 2
97 Obtendo Amostras da Posteriori Maior Desafio: obter amostras da distribuição a posteriori dos parâmetros (Θ t ) do modelo de vazão. Múltiplas Vazões Problema Modelo proposto Resultados Considerações Finais
98 Obtendo Amostras da Posteriori Maior Desafio: obter amostras da distribuição a posteriori dos parâmetros (Θ t ) do modelo de vazão. Objetivo : obter uma boa distribuição proposta para o passo de Metropolis-Hastings na amostragem de Θ. Múltiplas Vazões Problema Modelo proposto Resultados Considerações Finais
99 Obtendo Amostras da Posteriori Maior Desafio: obter amostras da distribuição a posteriori dos parâmetros (Θ t ) do modelo de vazão. Objetivo : obter uma boa distribuição proposta para o passo de Metropolis-Hastings na amostragem de Θ. Um valor candidato para Θ, Θ, será amostrado de uma distribuição multivariada obtida combinando as idéias de West, Harrison & Migon (1985) e Frühwirth-Schnater (1994). Múltiplas Vazões Problema Modelo proposto Resultados Considerações Finais
100 Obtendo Amostras da Posteriori Maior Desafio: obter amostras da distribuição a posteriori dos parâmetros (Θ t ) do modelo de vazão. Objetivo : obter uma boa distribuição proposta para o passo de Metropolis-Hastings na amostragem de Θ. Um valor candidato para Θ, Θ, será amostrado de uma distribuição multivariada obtida combinando as idéias de West, Harrison & Migon (1985) e Frühwirth-Schnater (1994). Especificamente, a distribuição normal multivariada N(Θ m s, C s ), com média e variância on-line - m, C - aproximadas pelo Conjugate Updating, ao invés do Filtro de Kalman. Múltiplas Vazões Problema Modelo proposto Resultados Considerações Finais
101 Obtendo Amostras da Posteriori Maior Desafio: obter amostras da distribuição a posteriori dos parâmetros (Θ t ) do modelo de vazão. Objetivo : obter uma boa distribuição proposta para o passo de Metropolis-Hastings na amostragem de Θ. Um valor candidato para Θ, Θ, será amostrado de uma distribuição multivariada obtida combinando as idéias de West, Harrison & Migon (1985) e Frühwirth-Schnater (1994). Especificamente, a distribuição normal multivariada N(Θ m s, C s ), com média e variância on-line - m, C - aproximadas pelo Conjugate Updating, ao invés do Filtro de Kalman. Cada θ t é amostrado seqüencialmente de t = T até t = 1, de suas distribuições retrospectivas, dadas pela fatorização de N(Θ m s, C s ) em T densidades condicionais univariadas, de maneira análoga ao caso gaussiano. Ver Ravines, Migon & Schmidt (Tech. Rep., 2007) para maiores detalhes. Múltiplas Vazões Problema Modelo proposto Resultados Considerações Finais
102 Modelo da Chuva: Resultados (1) O modelo espaço-temporal selecionado para a chuva tem um intercepto e um efeito linear da longitude na tendência espacial. Tabela: Estatísticas a posteriori dos parâmetros estáticos mean sd 2,5% 25% 50% 75% 97,5% ˆR β 1,732 0,016 1,701 1,722 1,732 1,743 1,764 1,001 λ 0,045 0,007 0,033 0,040 0,044 0,050 0,061 1,001 ς 2 0,719 0,040 0,644 0,691 0,718 0,746 0,798 1,001 σ 2 1,100 0,044 1,015 1,070 1,098 1,128 1,191 1,003 Múltiplas Vazões Problema Modelo proposto Resultados Considerações Finais
103 Modelo da Chuva: Resultados (1) (a) Intercepto (b) Longitude Múltiplas Vazões Problema Modelo proposto Resultados Considerações Finais (c) 1 o Harmônico (d) 2 o Harmônico Figura: Trajetória estimada para os parâmetros dinâmicos.
104 Modelo da Chuva: Resultados (2) latitude longitude (a) Dezembro, 2000 latitude longitude (b) Junho, 2002 Figura: Médias a posteriori de chuva estimadas para dois meses diferentes. 0 Múltiplas Vazões Problema Modelo proposto Resultados Considerações Finais mm Spatio Temporal model: mean Spatio Temporal model: IC 95% Thiessen's method Média a posteriori Thiessen's method (a) Média e Intervalo de 95% para a chuva (b) Q-Q plot
105 Modelo da Chuva: Resultados (3) A'=A B: Taguá B'= B C: Barreiras C'= C: Redenção Múltiplas Vazões Problema Modelo proposto Resultados Considerações Finais Figura: Média a posteriori estimada para a chuva acumulada por sub-bacia.
106 Assumimos que p(yt m ) é uma distribuição log-normal com parâmetros µ m t e σm 2 e, representamos a relação entre Yt m e Xt m mediante uma função de transferência de primeira ordem. Modelando a Vazão: Resultados (1) Tabela: Algumas estatísticas a posteriori média 25% 50% 75% ˆR A B = Taguá Barreiras α A 1,151 1,022 1,142 1,276 1,008 η A 0,915 0,887 0,916 0,945 1,010 ρ A 0,510 0,387 0,533 0,658 1,001 γ A 0,025 0,014 0,024 0,035 1,001 σ 2 E A 0,003 0,002 0,003 0,004 1,015 σ 2 y A 0,007 0,006 0,007 0,009 1,040 B C = Barreiras Redenção α B 0,587 0,507 0,581 0,654 1,006 η B 0,989 0,971 0,990 1,009 1,006 ρ B 0,743 0,692 0,752 0,806 1,004 γ B 0,005 0,003 0,005 0,008 1,001 σ 2 E B 0,003 0,002 0,002 0,003 1,005 σ 2 y B 0,004 0,003 0,004 0,005 1,068 C = Redenção α C 3,543 3,525 3,544 3,561 1,014 ρ C 0,594 0,575 0,594 0,613 1,027 γ C 1,645 1,597 1,645 1,696 1,001 σ 2 E C 0,005 0,005 0,005 0,006 1,010 σ 2 y C 0,002 0,002 0,002 0,003 1,107 Múltiplas Vazões Problema Modelo proposto Resultados Considerações Finais
107 Modelando a Vazão: Resultados (2) Tabela: Variância e Correlação entre as três séries de vazão Parâmetro média d.p. 2,5% 50% 97,5% ˆR Variância σa 2 0,039 0,006 0,030 0,038 0,049 1,015 σb 2 0,026 0,007 0,020 0,025 0,035 1,019 σc 2 0,010 0,001 0,008 0,010 0,013 1,000 Correlação Corr[Y A, Y B ] 0,750 0,050 0,648 0,753 0,846 1,014 Corr[Y B, Y C ] 0,630 0,054 0,526 0,630 0,732 1,014 Corr[Y A, Y C ] 0,473 0,054 0,377 0,470 0,589 1,017 Múltiplas Vazões Problema Modelo proposto Resultados Considerações Finais
Modelagem Conjunta de Chuva-Vazão: o caso da bacia do Rio Grande
I Workshop - Previsão de Vazões ONS - Operador Nacional do Sistema Elétrico, Rio de Janeiro, RJ 20/21 Stembro de 2007 Modelagem Conjunta de Chuva-Vazão: o caso da bacia do Rio Grande Helio S. Migon Romy
Leia maisDesalinhamento de Variáveis em Dados Espacialmente Referenciados
Dissertação de mestrado Desalinhamento de Variáveis em Dados Espacialmente Referenciados Autor: Estrela Sumário 1 Introdução 5 2 Revisão de Geoestatística 8 2.1 Dados Espacialmente Referenciados...................
Leia maisAlguns Aspectos Espaciais da Modelagem de Observações Provenientes das Áreas de SaúdeedoMeioAmbiente
Alguns Aspectos Espaciais da Modelagem de Observações Provenientes das Áreas de SaúdeedoMeioAmbiente Alexandra Mello Schmidt DME - IM - UFRJ Homepage: www.dme.ufrj.br/ alex Seminário Qualidade do Ar e
Leia maisModelo fatorial espacial dinâmico para dados pertencentes à família exponencial
Modelo fatorial espacial dinâmico para dados pertencentes à família exponencial Esther Salazar esalazar@dme.ufrj.br Departamento de Métodos Estatísticos Universidade Federal do Rio de Janeiro 18 o SINAPE
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 maisEstrutura de covariância espacial multivariada não separável
Estrutura de covariância espacial multivariada não separável Rafael Santos Erbisti Universidade Federal do Rio de Janeiro Instituto de Matemática Departamento de Métodos Estatísticos 2015 Estrutura de
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 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 maisAnálise de Dados Longitudinais Aula
1/35 Análise de Dados Longitudinais Aula 08.08.2018 José Luiz Padilha da Silva - UFPR www.docs.ufpr.br/ jlpadilha 2/35 Sumário 1 Revisão para dados transversais 2 Como analisar dados longitudinais 3 Perspectiva
Leia maisIntrodução Variograma Modelos básicos de correlação espacial Modelação Interpolação espacial & Simulação. Geoestatística.
Geoestatística Susana Barbosa Mestrado em Ciências Geofísicas 2012-2013 Geoestatística conjunto de técnicas matemáticas e numéricas para caracterizar fenómenos espaciais contínuos tendo em conta a correlação
Leia maisINTRODUÇÃO À ESTATÍSTICA ESPACIAL. Prof. Anderson Rodrigo da Silva
INTRODUÇÃO À ESTATÍSTICA ESPACIAL Prof. Anderson Rodrigo da Silva anderson.silva@ifgoiano.edu.br Métodos Índices de agregação Métodos de quantificação da dependência especial Correlograma Variograma Métodos
Leia maisIntrodução a Inferência Bayesiana
Introdução a Inferência Bayesiana Helio S. Migon IM and COPPE - UFRJ migon@im.ufrj.br 2006 Conteúdo 1. Conceitos Básicos da Inferência 2. Distribuição a Priori 3. Sumariazação 4. Inferência Preditiva 1
Leia maisInferência Bayesiana
Inferência Bayesiana Joaquim Neto joaquim.neto@ufjf.edu.br www.ufjf.br/joaquim_neto Departamento de Estatística - ICE Universidade Federal de Juiz de Fora (UFJF) Versão 3.0 Joaquim Neto (UFJF) ICE - UFJF
Leia maisAGA Análise de Dados em Astronomia I 7. Modelagem dos Dados com Máxima Verossimilhança: Modelos Lineares
1 / 0 AGA 0505- Análise de Dados em Astronomia I 7. Modelagem dos Dados com Máxima Verossimilhança: Modelos Lineares Laerte Sodré Jr. 1o. semestre, 018 modelos modelagem dos dados dado um conjunto de dados,
Leia maisMetodologia de inversão
6 Metodologia de inversão Nesta tese, a transformação de velocidades em pressão de poros é encarada como um problema de inversão. Pela natureza do problema, essa transformação apresenta caráter não único
Leia maisUniversidade de São Paulo Instituto de Ciências Matemáticas e de Computação
Universidade de São Paulo Instituto de Ciências Matemáticas e de Computação Francisco A. Rodrigues Departamento de Matemática Aplicada e Estatística - SME Objetivo Dada M classes ω 1, ω 2,..., ω M e um
Leia maisModelos com Coeficientes Dinâmicos Variando no Espaço para Dados da Família Exponencial
Modelos com Coeficientes Dinâmicos Variando no Espaço para Dados da Família Exponencial por Nícia Custódio Hansen DME - IM - UFRJ 2009 Modelos com Coeficientes Dinâmicos Variando no Espaço para Dados da
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 maisFAMÍLIA EXPONENCIAL DE DISTRIBUIÇÕES
FAMÍLIA EXPONENCIAL DE DISTRIBUIÇÕES 1 Os modelos lineares generalizados, propostos originalmente em Nelder e Wedderburn (1972), configuram etensões dos modelos lineares clássicos e permitem analisar a
Leia maisAnálise de Sensibilidade em Modelo Gaussiano Assimétrico Espacialmente Referenciado
UNIVERSIDADE FEDERAL DO RIO DE JANEIRO INSTITUTO DE MATEMÁTICA RAQUEL VAZ GUEDES PEREIRA Análise de Sensibilidade em Modelo Gaussiano Assimétrico Espacialmente Referenciado Prof a. Alexandra Mello Schmidt,
Leia maisUMA CLASSE DE MODELOS ESPAÇO-TEMPORAIS BASEADA EM PROCESSOS AUTOREGRESSIVOS MULTIVARIADOS
Universidade Federal do Rio de Janeiro UMA CLASSE DE MODELOS ESPAÇO-TEMPORAIS BASEADA EM PROCESSOS AUTOREGRESSIVOS MULTIVARIADOS Aline Araújo Nobre 2007 UMA CLASSE DE MODELOS ESPAÇO-TEMPORAIS BASEADA EM
Leia maisp(x) Note que 1/p(x), que não depende de θ, funciona como uma constante normalizadora
Capítulo 1 Introdução A informação que se tem sobre uma quantidade de interesse θ é fundamental na Estatística. O verdadeiro valor de θ é desconhecido e a idéia é tentar reduzir este desconhecimento. Além
Leia 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 maisCC-226 Aula 07 - Estimação de Parâmetros
CC-226 Aula 07 - Estimação de Parâmetros Carlos Henrique Q. Forster - Instituto Tecnológico de Aeronáutica 2008 Estimação de Parâmetros Para construir o classificador bayesiano, assumimos as distribuições
Leia maisGibbs Sampler para ANOVA e Misturas
Gibbs Sampler para ANOVA e Misturas Renato Assunção - DCC, UFMG Outubro de 014 1 Modelo ANOVA: componentes de variância Suponha que temos K grupos ou classes. Em cada grupo, temos um certo número de dados
Leia 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 maisModelo de regressão Beta
Modelo de regressão Beta Fernando Lucambio Pérez Departamento de Estatística Universidade Federal do Paraná Agosto de 2004 1 Consideremos uma situação em que a variável resposta contínua é restrita ao
Leia maisModelagem Conjunta de Média e Variância: Uma Aplicação ao Problema de Estimação em Pequenos Domínios
Modelagem Conjunta de Média e Variância: Uma Aplicação ao Problema de Estimação em Pequenos Domínios por Joaquim Henriques Vianna Neto DME - IM - UFRJ 2007 Modelagem Conjunta de Média e Variância: Uma
Leia maisInferência Bayesiana Exata para Processos de Cox Level-Set
Inferência Bayesiana Exata para Processos de Cox Level-Set Bárbara da Costa Campos Dias 1 Flávio Bambirra Gonçalves 2 Resumo Este trabalho propõe uma metodologia de inferência exata para processos de Cox
Leia maisAnálise de variância para experimentos com dependência espacial entre parcelas: abordagem autoregressiva e Geoestatística
Análise de variância para experimentos com dependência espacial entre parcelas: abordagem autoregressiva e Geoestatística Diogo Francisco Rossoni (DES/UEM) Cristina Henriques Nogueira (DEX/UFLA) Renato
Leia maisRedes Neurais. A Rede RBF. Redes RBF: Função de Base Radial. Prof. Paulo Martins Engel. Regressão não paramétrica. Redes RBF: Radial-Basis Functions
Redes RBF: Função de Base Radial Redes Neurais A Rede RBF O LP é baseado em unidades que calculam uma função não-linear do produto escalar do vetor de entrada e um vetor de peso. A rede RBF pertence a
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 maisTécnicas computacionais em probabilidade e estatística II
Técnicas computacionais em probabilidade e estatística II Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco Métodos de Monte Carlo baseados em Cadeias de Markov:
Leia maisUniversidade Federal do Rio de Janeiro Instituto de Matemática MODELO FATORIAL DINÂMICO COM CARGAS ESPACIALMENTE ESTRUTURADAS. Esther Salazar Gonzales
Universidade Federal do Rio de Janeiro Instituto de Matemática MODELO FATORIAL DINÂMICO COM CARGAS ESPACIALMENTE ESTRUTURADAS Esther Salazar Gonzales 2008 MODELO FATORIAL DINÂMICO COM CARGAS ESPACIALMENTE
Leia maisInferência Bayesiana na distribuição Normal
Inferência Bayesiana na distribuição Normal Diego Ignacio Gallardo Mateluna Instituto de Matemática e Estatística Universidade de São Paulo Março, 2012 Distribuição Normal: Inferência da variância com
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 maisNovembro/2018. Ajuste Automático ao Histórico em Simulação de Reservatórios
Ajuste Automático ao Histórico Simulação de Reservatórios Flavio Dickstein Paulo Goldfeld Renan V. Pinto IM/UFRJ IM/UFRJ LabMAPetro/UFRJ Novembro/2018 Simulação sob incerteza (i) O reservatório é inacessível
Leia maisUM ESQUEMA EFICIENTE DE AMOSTRAGEM EM MODELOS DINÂMICOS GENERALIZADOS COM APLICAÇÕES EM FUNÇÕES DE TRANSFERÊNCIA
Universidade Federal do Rio de Janeiro UM ESQUEMA EFICIENTE DE AMOSTRAGEM EM MODELOS DINÂMICOS GENERALIZADOS COM APLICAÇÕES EM FUNÇÕES DE TRANSFERÊNCIA Romy Elena Rodríguez Ravines 2006 UFRJ UM ESQUEMA
Leia maisMOQ 13 PROBABILIDADE E ESTATÍSTICA. Professor: Rodrigo A. Scarpel
MOQ 3 PROBABILIDADE E ESTATÍSTICA Professor: Rodrigo A. Scarpel rodrigo@ita.br www.mec.ita.br/~rodrigo Programa do curso: Semanas 2 3 4 5 6 7 8 9 0 2 3 4 5 e 6 Introdução à probabilidade (eventos, espaço
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 maisUniversidade Federal do Rio de Janeiro Instituto de Matemática. Modelos de convolução para dados espaço-temporais. Geraldo Marcelo da Cunha
Universidade Federal do Rio de Janeiro Instituto de Matemática Modelos de convolução para dados espaço-temporais Geraldo Marcelo da Cunha 2009 Modelos de convolução para dados espaço-temporais Geraldo
Leia maisTécnicas computacionais em probabilidade e estatística II
Técnicas computacionais em probabilidade e estatística II Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco AULA 1: Problemas Computacionais em Inferência Estatística.
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Inferência com dimensão variável Modelos com
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 maisDeteção de Valores Influentes e Outliers em Modelos de Volatilidade Estocástica
Deteção de Valores Influentes e Outliers em Modelos de Volatilidade Estocástica Luiz Koodi Hotta Anderson Carlos O. Motta Departamento de Estatística IMECC - UNICAMP hotta@ime.unicamp.br I Workshop de
Leia maisModelos de regressão para dados correlacionados. Cibele Russo
Modelos de regressão para dados correlacionados Cibele Russo cibele@icmc.usp.br ICMC USP Mini-curso oferecido no Workshop on Probabilistic and Statistical Methods 28 a 30 de janeiro de 2013 Cibele Russo
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 maisModelos Dinâmicos Bayesianos para Processos Pontuais Espaço-Temporais
Universidade Federal do Rio de Janeiro Modelos Dinâmicos Bayesianos para Processos Pontuais Espaço-Temporais Edna Afonso Reis Rio de Janeiro 2008 Modelos Dinâmicos Bayesianos para Processos Pontuais Espaço-Temporais
Leia maisInferência Estatistica
Inferência Estatistica Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Modelos e Inferência Um modelo é uma simplificação da realidade (e alguns
Leia maisAGA Análise de Dados em Astronomia I 8. Inferência Bayesiana e MCMC
1 / 1 AGA 0505- Análise de Dados em Astronomia I 8. Inferência Bayesiana e MCMC Laerte Sodré Jr. 1o. semestre, 2018 2 / 1 Inferência Bayesiana inferência bayesiana consideremos um conjunto de dados D que
Leia maisModelos espaço-temporais com caudas pesadas e assimétricos
Modelos espaço-temporais com caudas pesadas e assimétricos Renata Souza Bueno Universidade Federal do Rio de Janeiro Instituto de Matemática Departamento de Métodos Estatísticos 2016 Modelos espaço-temporais
Leia maisCE062c - GAMLSS. Silva, J.P; Taconeli, C.A. 09 de outubro, Silva, J.P; Taconeli, C.A. CE062c - GAMLSS 09 de outubro, / 42
CE062c - GAMLSS Silva, J.P; Taconeli, C.A. 09 de outubro, 2018 Silva, J.P; Taconeli, C.A. CE062c - GAMLSS 09 de outubro, 2018 1 / 42 Por que GAMLSS? Silva, J.P; Taconeli, C.A. CE062c - GAMLSS 09 de outubro,
Leia maisSeja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma:
46 VALOR ESPERADO CONDICIONADO Seja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma: Variável contínua E + ( X Y
Leia maisEconometria. Econometria ( ) O modelo de regressão linear múltipla. O modelo de regressão linear múltipla. Aula 2-26/8/2010
Aula - 6/8/010 Econometria Econometria 1. Hipóteses do Modelo de RLM O modelo de regressão linear múltipla Estudar a relação entre uma variável dependente e uma ou mais variáveis independentes. Forma genérica:
Leia maisUMA NOVA CLASSE DE MODELOS ESPAÇO-TEMPORAIS PARA DADOS. Juan Carlos Vivar-Rojas
UMA NOVA CLASSE DE MODELOS ESPAÇO-TEMPORAIS PARA DADOS DE ÁREA por Juan Carlos Vivar-Rojas Dissertação de Mestrado submetida ao programa de Pós-graduação em Estatística. Instituto de Matemática da Universidade
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 maisPlanejamento Amostral Ótimo em Geoestatística sob Efeito de Amostragem Preferencial
Planejamento Amostral Ótimo em Geoestatística sob Efeito de Amostragem Preferencial Tese de Doutorado por Gustavo da Silva Ferreira Departamento de Métodos Estatísticos Instituto de Matemática Universidade
Leia maisInferência para CS Modelos univariados contínuos
Inferência para CS Modelos univariados contínuos Renato Martins Assunção DCC - UFMG 2014 Renato Martins Assunção (DCC - UFMG) Inferência para CS Modelos univariados contínuos 2014 1 / 42 V.A. Contínua
Leia maisExercícios de Teoria da Probabilidade e Processos Estocásticos Parte II
Exercícios de Teoria da Probabilidade e Processos Estocásticos Parte II 13 de Dezembro de 2013 Exercício 1. Descreva o espaço de probabilidade associado às seguintes experiências aleatórias: 1. Uma moeda
Leia maisMétodos Matemáticos na Ciência de Dados: Introdução Relâmpago. II
Métodos Matemáticos na Ciência de Dados: Introdução Relâmpago. II Vladimir Pestov 1 University of Ottawa / Université d Ottawa Ottawa, Ontario, Canadá 2 Universidade Federal de Santa Catarina Florianópolis,
Leia maisModelo de Regressão Múltipla
Modelo de Regressão Múltipla Modelo de Regressão Linear Simples Última aula: Y = α + βx + i i ε i Y é a variável resposta; X é a variável independente; ε representa o erro. 2 Modelo Clássico de Regressão
Leia maisEconometria. Econometria MQO MQO. Resíduos. Resíduos MQO. 1. Exemplo da técnica MQO. 2. Hipóteses do Modelo de RLM. 3.
3. Ajuste do Modelo 4. Modelo Restrito Resíduos Resíduos 1 M = I- X(X X) -1 X Hipóteses do modelo Linearidade significa ser linear nos parâmetros. Identificação: Só existe um único conjunto de parâmetros
Leia maisModelos espaço-temporais para óbitos por causas externas
Universidade Federal do Rio de Janeiro Modelos espaço-temporais para óbitos por causas externas Luiz Ledo Mota Melo Junior Rio de Janeiro 2008 Luiz Ledo Mota Melo Junior Modelos espaço-temporais para óbitos
Leia maisAnálise de Dados Longitudinais Modelos de Regressão - Perspecitva Histórica
1/41 Análise de Dados Longitudinais Modelos de Regressão - Perspecitva Histórica Enrico A. Colosimo/UFMG http://www.est.ufmg.br/ enricoc/ Revisão para Dados Transversais 1 Características Informações amostrais
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 maisAnálise de Dados Categóricos
1/43 Análise de Dados Categóricos Modelo de Regressão de Poisson Enrico A. Colosimo/UFMG http://www.est.ufmg.br/ enricoc/ Departamento de Estatística Universidade Federal de Minas Gerais 2/43 Revisão:
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 maisAnexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos
1 Anexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos Documento auxiliar à disciplina de Modelação, Identificação e Controlo Digital Alexandre Bernardino 003/005 IST-Secção de Sistemas
Leia 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 maisRicardo Ehlers Departamento de Matemática Aplicada e Estatística Universidade de São Paulo
Geração de Números Aleatórios Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 61 Simulando de Distribuições Discretas Assume-se que um
Leia maisMais sobre Modelos Continuos
Mais sobre Modelos Continuos Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo 1 / 41 Transformação Linear da Uniforme Seja X uma variável aleatória
Leia maisModelos para Dados Categóricos com Estrutura Temporal
Modelos para Dados Categóricos com Estrutura Temporal por Patrícia Lusié Coelho Velozo Universidade Federal do Rio de Janeiro Instituto de Matemática Departamento de Métodos Estatísticos 2009 MODELOS PARA
Leia maisUTILIZAÇÃO DE GEOESTATÍSTICA PARA O ESTUDO DO ATRIBUTO COBRE NO SOLO. Gabriel Tambarussi Avancini 1 RESUMO
UTILIZAÇÃO DE GEOESTATÍSTICA PARA O ESTUDO DO ATRIBUTO COBRE NO SOLO Gabriel Tambarussi Avancini 1 RESUMO Este trabalho teve como objetivo estudar a espacialização do atributo cobre, Cu, do solo utilizando
Leia maisUm modelo estocástico para o fluxo de caixa de um plano de previdência de um indivíduo 15
2 Simulação estocástica A simulação computacional consiste em empregar técnicas matemáticas em computadores com o propósito de gerar ensaios que tentam reproduzir de maneira análoga um processo ou operação
Leia maisMinera c ao de Dados Aula 6: Finaliza c ao de Regress ao e Classifica c ao Rafael Izbicki 1 / 33
Mineração de Dados Aula 6: Finalização de Regressão e Classificação Rafael Izbicki 1 / 33 Como fazer um IC para o risco estimado? Vamos assumir que ( X 1, Ỹ1),..., ( X s, Ỹs) são elementos de um conjunto
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 maisMétodos Computacionais para inferência estatística
Métodos Computacionais para inferência estatística Wagner Hugo Bonat LEG: Laboratório de Estatística e Geoinformação Universidade Federal do Paraná 30 de julho de 2012 Bonat et. al (LEG/UFPR) MCIE 30 de
Leia maisVetor de Variáveis Aleatórias
Vetor de Variáveis Aleatórias Luis Henrique Assumpção Lolis 25 de junho de 2013 Luis Henrique Assumpção Lolis Vetor de Variáveis Aleatórias 1 Conteúdo 1 Vetor de Variáveis Aleatórias 2 Função de Várias
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 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 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 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 maisAnexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos
1 Anexo 1 - Revisões de Teoria das Probabilidades e Processos Estocásticos Documento auxiliar à disciplina de Modelação, Identificação e Controlo Digital Alexandre Bernardino IST-Secção de Sistemas e Controlo
Leia 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 mais2 Núcleos: suas propriedades e classificações
2 Núcleos: suas propriedades e classificações O objetivo desse capítulo é o de apresentar as funções núcleos (7), suas propriedades (10) e suas classificações (3). 2.1 Núcleos no espaço de Hilbert Um espaço
Leia maisAMOSTRAGEM PREFERENCIAL EM PROCESSOS ESPACIAIS DISCRETOS: CASOS BERNOULLI E POISSON
UNIVERSIDADE FEDERAL DO RIO DE JANEIRO INSTITUTO DE MATEMÁTICA DEPARTAMENTO DE MÉTODOS ESTATÍSTICOS AMOSTRAGEM PREFERENCIAL EM PROCESSOS ESPACIAIS DISCRETOS: CASOS BERNOULLI E POISSON Dissertação de mestrado
Leia maisMODELOS DE REGRESSÃO PARA DADOS CONTÍNUOS ASSIMÉTRICOS
MODELOS DE REGRESSÃO PARA DADOS CONTÍNUOS ASSIMÉTRICOS 1 Diversas distribuições podem ser consideradas para a modelagem de dados positivos com distribuição contínua e assimétrica, como, por exemplo, as
Leia maisBondade do ajuste, análise de resíduos bayesiana em modelos espaciais
Universidade Federal do Rio de Janeiro Departamento de Métodos Estatísticos Curso de Pós-graduação em Estatística Viviana das Graças Ribeiro Lobo Bondade do ajuste, análise de resíduos bayesiana em modelos
Leia mais4 Processos Estocásticos e Simulação de Monte Carlo
33 4 Processos Estocásticos e Simulação de Monte Carlo O processo estocástico faz a descrição de uma variável com comportamento ao menos em parte de maneira aleatória através do tempo, onde se assume valores
Leia maisCOMPARAÇÃO ENTRE MODELOS GEOESTATÍSTICOS UNIVARIADO E BIVARIADO NA ESTIMAÇÃO DA CAPTURA POR UNIDADE DE ESFORÇO: UM ESTUDO DE SIMULAÇÃO
COMPARAÇÃO ENTRE MODELOS GEOESTATÍSTICOS UNIVARIADO E BIVARIADO NA ESTIMAÇÃO DA CAPTURA POR UNIDADE DE ESFORÇO: UM ESTUDO DE SIMULAÇÃO Júlio César Pereira,3, Alexandra Mello Schmidt, Roseli Aparecida Leandro
Leia maisPredição Espacial Bayesiana Para Dados Composicionais
Aluna de Doutorado: Orientador: Paulo Justiniano Ribeiro Junior Universidade Federal do Paraná Programa de Pós-Graduação em Métodos Numéricos em Engenharia 19 de outubro de 2009 Tese Motivação Dados Composicionais
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 maisLaboratório Nº 5. A geoestatística permite descrever a continuidade espacial, a qual é uma característica
Laboratório Nº 5 INTRODUÇAO A geoestatística permite descrever a continuidade espacial, a qual é uma característica essencial de muitos fenómenos naturais. Modelos inferenciais para este objetivo vêm sendo
Leia mais1 Probabilidade - Modelos Probabilísticos
1 Probabilidade - Modelos Probabilísticos Modelos probabilísticos devem, de alguma forma, 1. identificar o conjunto de resultados possíveis do fenômeno aleatório, que costumamos chamar de espaço amostral,
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 maisRESOLUÇÃO Nº 01/2016
Legislações Complementares: Resolução Nº 02/2016 Colegiado DEst Resolução Nº 03/2016 Colegiado DEst Resolução Nº 01/2017 Colegiado DEst RESOLUÇÃO Nº 01/2016 O Departamento de Estatística, tendo em vista
Leia maisAplicações de inferência bayesiana aproximada para modelos gaussianos latentes espaço temporais
Aplicações de inferência bayesiana aproximada para modelos gaussianos latentes espaço temporais Orientador: Paulo Justiniano Ribeiro Jr Universidade Federal do Paraná Programa de Pós-Graduação em Métodos
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS quantidade São Paulo (j = 1) Rio de Janeiro (j = 2) Minas Gerais (j = 3) Rio Grande do Sul (j = 4) total casos novos (X, em milhões) casos pendentes (Y, em milhões) processos
Leia maisões652conclusões e trabalhos futuroschapter.6 (Gamerman, 1999)
ões652conclusões e trabalhos futuroschapter.6 (Gamerman, 1999) i ii Métodos computacionais para realização de inferência bayesiana em modelos dinâmicos lineares generalizados por Carlos Tadeu Pagani Zanini
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário (bootstrap) Este método foi proposto por Efron
Leia mais