Séries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 2
|
|
- Mônica Almada Frade
- 6 Há anos
- Visualizações:
Transcrição
1 em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 2
2 O Modelo Estrutural Seja z t = (z 1t,...,z mt ) R m um vetor composto das variáveis de interesse. Considere o seguinte modelo estrutural : Bz t = A 0 +A 1 z t A p z t p +u t, Bz t = A 0 +A(L)z t +u t, onde: B (m m), A 0 (m 1), A 1 (m m),...,a p (m m) são parâmetros; u t = (u 1,t,...,u m,t ) é um vetor composto pelos choques (efeitos não-antecipados) estruturais e A(L) = A 1 L+A 2 L 2 + +A p L p ; L é o operador defasagem. Em geral, os elementos da diagonal principal de B são todos iguais a 1.
3 Operador Defasagem Seja {y t } um processo estocástico. Defina o operador defasagem L tal que: Ly t = y t 1 L j y t = y t j j N. Se α < 1, então: (1 αl) 1 = 1+αL+α 2 L
4 Operador Diferença Seja {y t } um processo estocástico. Defina o operador diferença tal que: y t = (1 L)y t = y t y t 1 j y t = (1 L) j y t j N + j y t = ( 1 L j) y t = y t y t j.
5 O Modelo Estrutural - Hipóteses Algumas hipóteses importantes: Seja F t 1 o conjunto de toda a informação disponível até o instante t 1. E[u t F t 1 ] = 0 u t é um processo diferença martingal. E[u t u t F t 1] = Σ u, onde Σ u é uma matriz de covariância diagonal Toda simultaneidade está modelada via B. Na verdade, os parâmetros B,A 0,A 1,...,A p são pseudo -estruturais, dado que eles são funções dos parâmetros primitivos (deep) da economia (ver o exemplo de otimização intertemporal da Aula 1). Atenção Note que, devido à presença de simultaneidade, E[u it z jt ] 0, i j e i = 1,...,m.
6 Processos Martingais Considere a seguinte sequência de σ-álgebras {F t,t =..., 2, 1,0,1,2,...} de forma a representar o conjunto de informação até o instante t. Suponha também a seguinte ordenação:...,f t 2 F t 1 F t F t+1 F t+2,... O conhecimento se acumula ao longo do tempo!
7 Processos Martingais Considere também a sequência aleatória (processo estocástico) {y t,t =..., 2, 1,0,1,2,...} tal que σ(y t,y t 1,...) F t. Neste caso, y t é F t -mensurável e a sequência {y t } é adaptada para {F t }. {y t,f t } é chamada de sequência adaptada. Mensurabilidade implica que a expectativa condicional existe (a condição E[ y t ] < é suficiente). Portanto, E[y t F t ] = y t, a.s.. No entanto, E[y t F t 1 ], quando existir, é uma variável aleatória!
8 Processos Martingais Martingal Uma sequência adaptada {y t,f t } é chamada de martingal se para todo instante t: E[ y t ] < e E[y t F t 1 ] = y t 1, a.s..
9 Processos Martingais Diferença Martingal Uma sequência adaptada {y t,f t } é chamada de diferença martingal se para todo instante t: E[ y t ] < e E[y t F t 1 ] = 0, a.s..
10 Processos Martingais Um Teorema Importante para Processos Martingais Seja {y t } uma sequência do tipo diferença martingal (DM) e g t 1 = g(y t 1,y t 2,...) uma função não-linear mensurável e integrável de valores defasados da sequência {y t }. Portanto, {y t g t 1 } também é uma sequência do tipo diferença martingal e y t e g t 1 são variáveis aleatórias não correlacionadas. Prova: {y tg t 1} será uma sequência DM dado que E(y tg t 1 F t 1) = E(y t F t 1)g t 1 = 0 a.s. Pela Lei das Expectativas Iteradas (LEI), E(y t) = E[E(y t F t 1)] = E(0) = 0 E(y tg t 1) = E[g t 1E(y t F t 1)] = E(g t 1 0) = 0. Portanto, C(g t 1,y t) = E(g t 1y t) E(y t)e(g t 1) = 0 0 = 0.
11 O Modelo Estrutural - Um Caso Particular Suponha que z t = (y t,x t ), onde y t R e x t R m 1. Logo, [ ][ ] [ ] 1 b yx yt a0,y a1,y a = +[ ][ ] 1,yx yt 1 + b xy B x x t a 0,x a 1,xy A 1,x x t 1 Neste caso, y t = a 0,y b yxx t + y t = α 0 + ap,y a +[ p,yx a p,xy A p,x ][ yt p x t p ] + p ( ai,y y t i +a ) i,yxx t i +uy,t i=1 p β ix t i + i=0 p α i y t i +u y,t i=1 [ uy,t u x,t Modelo Auto-regressivo com defasagens distribuídas. ].
12 A Forma Reduzida Modelo Estrutural e Forma Reduzida Considere agora a forma reduzida (supondo que B seja invertível): z t = B 1 A 0 +B 1 A 1 z t B 1 A p z t p +B 1 u t, z t = C 0 +C 1 z t C p z t p +v t, z t = C 0 +C(L)z t +v t, Modelo Auto-regressivo Vetorial de ordem p VAR(p) onde: C 0 (m 1), C 1 (m m),...,c p (m m) são novos parâmetros; v t é um vetor de erros (que são combinações lineares dos choques estruturais) e C(L) = C 1 L+C 2 L 2 + +C p L p.
13 Em geral, estamos interessados no efeito causal dinâmico z t+h u j,t, j = 1,...,m,h = 0,1,2,... Para isto precisamos conhecer B!
14 Considere p = 1 e escreva Portanto, z t = C 0 +C 1 z t 1 +v t VAR(1). z t = C 0 +C 1 z t 1 +v t z t+1 = C 0 (I+C 1 )+C 2 1 z t 1 +C 1 v t +v t+1 z t+2 = C 0 ( I+C1 +C 2 1) +C 3 1 z t 1 +C 2 1 v t +C 1 v t+1 +v t+2. z t+h = C 0 h i=0 C i 1 +Ch+1 1 z t 1 + h C i 1 v t+h i. i=0
15 Mas v t = B 1 u t. Logo, z t+h = C 0 h i=0 z t+h = C 0 h i=0 C i 1 +Ch+1 1 z t 1 + C i 1 +C h+1 1 z t 1 + h C i 1 B 1 u t+h i i=0 h Φ i u t+h i, i=0 onde φ 11,i φ 1m,i Φ i =.... φ m1,i φ mm,i
16 A quantidade de interesse é A sequência z j,t+h u k,t = φ jk,h Resposta impulsional! { zj,t+h u k,t } h=0 é chamada de (FRI).
17 Qual é o formato esperado da FRI? Vai depender da dinâmica do processo estocástico vetorial z t. Mais precisamente, o formato da FRI vai depender de uma propriedade chamada de estacionariedade. Mas o que é estacionariedade e quais são as condições para que z t seja um processo estacionário?
18 Estacionariedade Fraca Um processo estocástico {y t } é dito fracamente estacionário (ou estacionário de segunda ordem, ou ainda estacionário em covariância) se, e somente se, os dois primeiros momentos de {y t } existirem e forem constantes ao longo do tempo, ou seja: E[y t ] = µ, µ <, t T e E[(y t µ)(y t h µ)] = γ h, γ h <, t T eh = 0,±1,±2,... Estacionariedade implica que γ h = γ h.
19 Estacionariedade Forte Um processo estocástico {y t } é dito fortemente estacionário (ou estacionário no sentido estrito) se, e somente se, a distribuição conjunta de (y 1,y 2,...,y T ) for invariante com relação à translações temporais, ou seja, F(y 1,y 2,...,y T ) = F(y 1+τ,y 2+τ,...,y T+τ ), τ. Pontos importantes: distribuição conjunta é constante ao longo do tempo e estacionariedade forte implica que todos momentos existentes sejam constantes ao longo do tempo. No entanto, estacionariedade forte não implica em estacionaridade fraca! : variáveis Cauchy.
20 é uma propriedade referente à relação entre a média temporal de um processo estocástico calculada a partir de uma realização temporal (série temporal). Seja {y t (ω),ω Ω,t T} um processo estocástico fracamente estacionário, { tal que E[y t (ω)] = µ < e E [y t (ω) µ] 2} = γ 0 <, t T e y T = 1 T T t=1 y t (média amostral). Se o processo {y t } for ergódico para média, então y T p µ, T.
21 Blanchard e Perotti - QJE (2002) An Empirical Characterization Of The Dynamic Effects Of Changes In Government Spending And Taxes On Output. VAR com três variáveis timestrais - impostos (T t ), gastos do governo (G t ) e PIB (X t ): z t = C(L)z t 1 +v t, onde z t = (T t,g t,x t ) e v t = (t t,g t,x t ). Forma reduzida x forma estrutural: t t = a 1 x t +a 2 e g t +e t t, g t = b 1 x t +b 2 e t t +e g t, x t = c 1 t t +c 2 g t +e x t, onde e t t, e g t e e x t são choques estruturais.
Séries 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 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 4
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 4 O Processo Média-Móvel Muitas vezes, a estrutura auto-regressiva não é suficiente para descrever totalmente
Leia 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 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 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 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 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 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 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 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 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 maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 3
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 3 Condições para de Segunda Ordem Considere por enquanto um VAR de primeira ordem, VAR(1): z t = C 0 +C 1
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 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 maisSéries 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 maisCURTA REVISÃO SOBRE PROBABILIDADE E PROCESSOS ESTOCÁSTICOS
CURTA REVISÃO SOBRE PROBABILIDADE E PROCESSOS ESTOCÁSTICOS PARTE i Histórico Probabilidade Axiomática de Kolmogorov Variáveis Aleatórias Densidade de Probabilidade Desigualdade de Chebyshev Versão Fraca
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 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 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 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 mais2 Modelos em Espaço de Estado Lineares: Formulação Geral
2 Modelos em Espaço de Estado Lineares: Formulação Geral 2.1 Definição Geral de um Modelo Linear Apresenta-se uma definição de modelos em EE lineares que seja a mais geral e flexível possível, e que segue
Leia maisAnálise de Regressão Linear Múltipla III
Análise de Regressão Linear Múltipla III Aula 6 Hei et al., 4 Capítulo 3 Suposições e Propriedades Suposições e Propriedades MLR. O modelo de regressão é linear nos parâmetros O modelo na população pode
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 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 maisProcessos aleatórios - características
Capítulo 6 Processos aleatórios - características temporais 6.1 O conceito de processo aleatório Um processo aleatório ou estocástico é um espaço de amostras em que cada elemento é associado a uma função
Leia 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 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 maisIntrodução aos Proc. Estocásticos - ENG 430
Introdução aos Proc. Estocásticos - ENG 430 Fabrício Simões IFBA 16 de novembro de 2015 Fabrício Simões (IFBA) Introdução aos Proc. Estocásticos - ENG 430 16 de novembro de 2015 1 / 35 Fabrício Simões
Leia 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 maisCONHECIMENTOS ESPECÍFICOS
fonte de graus de soma de quadrado variação liberdade quadrados médio teste F regressão 1 1,4 1,4 46,2 resíduo 28 0,8 0,03 total 2,2 A tabela de análise de variância (ANOVA) ilustrada acima resulta de
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 maisExercícios de Teoria da Probabilidade e Processos Estocásticos Parte I
Exercícios de Teoria da Probabilidade e Processos Estocásticos Parte I 2014/2015 Os exercícios assinalados com (*) têm um nível de dificuldade superior. Exercício 1. Seja (X, F) um espaço mensurável. Mostre
Leia mais(b) A não será diagonalizável sobre C e A será diagonalizável sobre R se, e
Q1. Sejam A M 6 (R) uma matriz real e T : R 6 R 6 o operador linear tal que [T ] can = A, em que can denota a base canônica de R 6. Se o polinômio característico de T for então poderemos afirmar que: p
Leia maisLista de Exercícios #3 Assunto: Variáveis Aleatórias Multidimensionais Discretas
1. ANPEC 2018 - Questão 07 Em um problema envolvendo variáveis aleatórias independentes, um estudante calculou corretamente que E(Y) = 2, E(X 2 )E(Y) = 6, E(X)E(Y 2 ) = 8 e E(X) 2 E(Y) 2 = 24. Avalie as
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 maisAula sobre funções de transferência
Aula sobre funções de transferência Matemática Aplicada II - MAT01168 maio de 2012 Sumário Sistemas lineares causais invariantes no tempo Sistemas Um sistema possui entradas e saídas. Figura : Modelo caixa-preta
Leia maisTeoria da Probabilidade e Processos Estocásticos Mestrado em Matemática Financeira
Teoria da Probabilidade e Processos Estocásticos Mestrado em Matemática Financeira 15 de Janeiro 013 Época Normal - horas Resolva os seguintes exercícios, justificando cuidadosamente as suas respostas.
Leia maisTeoria da Probabilidade e Modelos Discretos de Mercados Financeiros Edição de 7 de Fevereiro de 2017
QUESTÕES PARA AS AVALIAÇÕES Teoria da Probabilidade e Modelos Discretos de Mercados Financeiros 2016-2017 Edição de 7 de Fevereiro de 2017 Nota Prévia Todos os exercícios enunciados nas aulas são considerados
Leia maisUnidade 22 - Teorema espectral para operadores simétricos, reconhecimento de cônicas. A. Hefez e C. S. Fernandez Resumo elaborado por Paulo Sousa
MA33 - Introdução à Álgebra Linear Unidade 22 - Teorema espectral para operadores simétricos, reconhecimento de cônicas A. Hefez e C. S. Fernandez Resumo elaborado por Paulo Sousa PROFMAT - SBM 10 de agosto
Leia maisSistemas de Equações Diferenciais Lineares
Capítulo 9 Sistemas de Equações Diferenciais Lineares Agora, estamos interessados em estudar sistemas de equações diferenciais lineares de primeira ordem: Definição 36. Um sistema da linear da forma x
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 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 maisÁlgebra Linear Exercícios Resolvidos
Álgebra Linear Exercícios Resolvidos Agosto de 001 Sumário 1 Exercícios Resolvidos Uma Revisão 5 Mais Exercícios Resolvidos Sobre Transformações Lineares 13 3 4 SUMA RIO Capítulo 1 Exercícios Resolvidos
Leia maisMAT2457 ÁLGEBRA LINEAR PARA ENGENHARIA I 1 a Prova - 1 o semestre de y + az = a (a 2)x + y + 3z = 0 (a 1)y = 1 a
MAT457 ÁLGEBRA LINEAR PARA ENGENHARIA I 1 a Prova - 1 o semestre de 018 Questão 1. Se a R, é correto afirmar que o sistema linear y + az = a (a x + y + 3z = 0 (a 1y = 1 a é: (a possível e indeterminado
Leia maisDalang, Morton & Willinger II
Dalang, Morton & Willinger II Walter Mascarenhas Instituto de Matemática e Estatística Universidade de São Paulo www.ime.usp.br/ walterfm 29/05/2012 Walter Mascarenhas (IME-USP) Dalang, Morton & Willinger
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 maisTE060 Princípios de Comunicação. Probabilidade. Probabilidade Condicional. Notes. Notes. Notes
TE060 Princípios de Comunicação Efeito do Ruído em Sistemas com Modulação de Onda Contínua 5 de novembro de 2013 Probabilidade Uma medida de probabilidade P é uma função que associa um número não negativo
Leia maisProcessamento de Sinal e Imagem Engenharia Electrotécnica e de Computadores
António M. Gonçalves Pinheiro Departamento de Física Covilhã - Portugal pinheiro@ubi.pt Processos Estocásticos - Sinais que variam aleatoriamente no tempo. são regidos por processos estocásticos. 2 1 1
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 maisIntrodução aos Proc. Estocásticos - ENG 430
Introdução aos Proc. Estocásticos - ENG 430 Fabrício Simões IFBA 16 de novembro de 2015 Fabrício Simões (IFBA) Introdução aos Proc. Estocásticos - ENG 430 16 de novembro de 2015 1 / 34 1 Motivação 2 Conceitos
Leia maisRevisões de Matemática e Estatística
Revisões de Matemática e Estatística Joaquim J.S. Ramalho Contents 1 Operadores matemáticos 2 1.1 Somatório........................................ 2 1.2 Duplo somatório....................................
Leia maisLista de Exercícios #5 Assunto: Variáveis Aleatórias Multidimensionais Contínuas
1. ANPEC 018 Questão 9 Uma pessoa investe R$ 10.000,00 (I) em duas aplicações cujas taxas de retorno são variáveis aleatórias independentes, R 1 e R, com médias 5% e 14% e desvios-padrão 1% e 8%, respectivamente.
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 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 mais(d) v é um autovetor de T se, e somente se, T 2 = T ; (e) v é um autovetor de T se, e somente se, T (v) = v.
Q1. Seja V um espaço vetorial real de dimensão finita munido de um produto interno. Sejam T : V V um operador linear simétrico e W um subespaço de V tal que T (w) W, para todo w W. Suponha que W V e que
Leia maisSegunda Lista de Exercícios Cálculo de Probabilidades II Prof. Michel H. Montoril
Exercício 1. Uma urna contém 4 bolas numeradas: {1, 2, 2, 3}. Retira-se dessa urna duas bolas aleatoriamente e sem reposição. Sejam 1 : O número da primeira bola escolhida; 2 : O número da segunda bola
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 maisÁlgebra Linear II - Poli - Gabarito Prova SUB-tipo 00
Álgebra Linear II - Poli - Gabarito Prova SUB-tipo 00 [ ] 4 2 Questão 1. Seja T : R 2 R 2 o operador linear cuja matriz, com respeito à base canônica de R 2, é. 1 3 [ ] 2 0 Seja B uma base de R 2 tal que
Leia maisCÁLCULO III - MAT Encontre as soluções das seguintes equações com condições iniciais:
UNIVERSIDADE FEDERAL DA INTEGRAÇÃO LATINO-AMERICANA Instituto Latino-Americano de Ciências da Vida e da Natureza Centro Interdisciplinar de Ciências da Natureza CÁLCULO III - MAT0021 7 a Lista de exercícios
Leia maisModelos de Perturbações. As perturbações existentes num sistema impôem limitações fortes no desempenho dos sistemas de controlo.
38 Modelos de Perturbações As perturbações existentes num sistema impôem limitações fortes no desempenho dos sistemas de controlo. Pertub. à entrada Pertub. internas Pertub. à saída u Sistema medição y
Leia maisAnálise Complexa e Equações Diferenciais 2 o Semestre 2013/14 Cursos: LEAN, MeMec
Análise Complexa e Equações Diferenciais 2 o Semestre 2013/14 Cursos: LEAN, MeMec M Paluch Aulas 28 33 7 23 de Abril de 2014 Exemplo de uma equação diferencial A Lei de Newton para a propagação de calor,
Leia mais(I) T tem pelo menos um autovalor real; (II) T é diagonalizável; (III) no espaço vetorial real R n, o conjunto {u, v} é linearmente independente.
Q1. Sejam n um inteiro positivo, T : C n C n um operador linear e seja A = [T ] can a matriz que representa T em relação à base canônica do espaço vetorial complexo C n. Suponha que a matriz A tenha entradas
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 mais04/04/ :31. Sumário. 2.1 Sistemas LIT de Tempo Discreto 2.2 Sistemas LIT de Tempo Contínuo 2.3 Propriedades dos Sistemas LIT
Sumário 2.1 Sistemas LIT de Tempo Discreto 2.2 Sistemas LIT de Tempo Contínuo 2.3 Propriedades dos Sistemas LIT slide 1 2 Introdução Muitos processos físicos podem ser modelados como sistemas lineares
Leia maisProf. Walter Fetter Lages 4 de outubro de 2004
Universidade Federal do Rio Grande do Sul Escola de Engenharia Departamento de Engenharia Elétrica Programa de Pós-Graduação em Engenharia Elétrica ELE7-Tópicos Especiais em Automação e Controle II Introdução
Leia maisn. 32 Regras para achar a transformação linear correspondente
n. 3 Regras para achar a transformação linear correspondente Lembrete: matriz da transformação linear [T] B A F(u 1 ) = a v 1 + b v F(u ) = c v 1 + d v [T] A B = [ a c b d ] Dadas às bases e a matriz da
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 maisAula 05 Transformadas de Laplace
Aula 05 Transformadas de Laplace Pierre Simon Laplace (1749-1827) As Transformadas de Laplace apresentam uma representação de sinais no domínio da frequência em função de uma variável s que é um número
Leia maisAula 05 Transformadas de Laplace
Aula 05 Transformadas de Laplace Pierre Simon Laplace (1749-1827) As Transformadas de Laplace apresentam uma representação de sinais no domínio da frequência em função de uma variável s que é um número
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 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 maisAnálise e Previsão de Séries Temporais Aula 1: Introdução às séries temporais. Eraylson Galdino
Análise e Previsão de Séries Temporais Aula 1: Introdução às séries temporais egs@cin.ufpe.br Agenda Séries Temporais: Definições Exemplos Modelos simples com média zero: Ruído I.I.D Processo Binário Random
Leia maisANÁLISE DE SÉRIES TEMPORAIS
ANÁLISE DE SÉRIES TEMPORAIS Ralph S. Silva http://www.im.ufrj.br/ralph/seriestemporais.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Definição
Leia maisProbabilidade II. Departamento de Estatística. Universidade Federal da Paraíba
Probabilidade II Departamento de Estatística Universidade Federal da Paraíba Prof. Tarciana Liberal (UFPB) Aula Covariância e Coeficiente de correlação 11/13 1 / 21 Covariância Quando duas variáveis aleatórias
Leia mais195
195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245
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 mais(d) Cada vetor de R 2 pode ser escrito de forma única como combinação linear dos vetores
UFRJ Instituto de Matemática Disciplina: Algebra Linear II - MAE 125 Professor: Bruno Costa, Luiz Carlos Guimarães, Mário de Oliveira, Milton Ramirez, Monique Carmona, Nilson Bernardes e Nilson Roberty
Leia maisCompacidade de conjuntos e operadores lineares
Compacidade de conjuntos e operadores lineares Roberto Imbuzeiro Oliveira 13 de Janeiro de 2010 No que segue, F = R ou C e (X, X ), (Y, Y ) são Banach sobre F. Recordamos que um operador linear T : X Y
Leia maisMAT2457 ÁLGEBRA LINEAR PARA ENGENHARIA I 3 a Prova - 1 o semestre de (a) 3; (b) 2; (c) 0; (d) 1; (e) 2.
MAT2457 ÁLGEBRA LINEAR PARA ENGENHARIA I 3 a Prova - 1 o semestre de 2018 Questão 1. Seja U = [(2, 1, 1), (1, 0, 2)], subespaço vetorial de R 3 e ax + by + z = 0 uma equação de U, isto é U = { (x, y, z)
Leia maisProcessos Aleatórios e Ruído
Processos Aleatórios e Ruído Luis Henrique Assumpção Lolis 11 de abril de 2014 Luis Henrique Assumpção Lolis Processos Aleatórios e Ruído 1 Conteúdo 1 O Experimento Aleatório / Espaço de Amostras 2 Algebra
Leia maisCapítulo 5 - Distribuições conjuntas de probabilidade e complementos 3
Capítulo 5 - Distribuições conjuntas de probabilidade e complementos Conceição Amado e Ana M. Pires Departamento de Matemática Instituto Superior Técnico Capítulo 5 - Distribuições conjuntas de probabilidade
Leia maisFOLHAS DE PROBLEMAS DE MATEMÁTICA II CURSO DE ERGONOMIA PEDRO FREITAS
FOLHAS DE PROBLEMAS DE MATEMÁTICA II CURSO DE ERGONOMIA PEDRO FREITAS Maio 12, 2008 2 Contents 1. Complementos de Álgebra Linear 3 1.1. Determinantes 3 1.2. Valores e vectores próprios 5 2. Análise em
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 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 maisROTEIRO DA APRESENTAÇÃO PROCESSOS ESTOCÁSTICOS
ROTEIRO DA APRESENTAÇÃO MODELOS ESTOCÁSTICOS APLICADOS À INDÚSTRIA Prof. Lupércio França Bessegato Departamento de Estatística Universidade Federal de Juiz de Fora lupercio.bessegato@ufjf.edu.br www.ufjf.br/lupercio_bessegato
Leia maisg(s, X n s )ds + t f (s, X s ) 2 ds <, P-q.s. t f (s, X s )db s, t 0.
CHAPTER 3. INTEGRAIS ESTOCÁSTICOS 88 2. Quais são as propriedades destas soluções? 3. Como podemos resolver uma dada equação? O método usual para provar a existência de uma solução da equação diferencial
Leia maisMatrizes de uma aplicação linear relativamente a referenciais diferentes
5 a : aula (h) 8/0/00 Representação matricial de uma apl linear (/) 5- Instituto Superior Técnico 00/ o semestre Álgebra Linear o ano das Lics em Engenharia Informática e de Computadores Matrizes de uma
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 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 maisTeoria Ergódica (9 a aula)
Outubro 2012 Espaços de Sequências Seja (X, d 0 ) um espaço métrico compacto. B Z (X ) = X Z = { x = (x j ) j Z : x j X, j Z } B N (X ) = X N = { x = (x j ) j N : x j X, j N } B(X ) designa indiferentemente
Leia maisNotações e revisão de álgebra linear
Notações e revisão de álgebra linear Marina Andretta ICMC-USP 17 de agosto de 2016 Baseado no livro Introduction to Linear Optimization, de D. Bertsimas e J. N. Tsitsiklis. Marina Andretta (ICMC-USP) sme0211
Leia maisexercícios de álgebra linear 2016
exercícios de álgebra linear 206 maria irene falcão :: maria joana soares Conteúdo Matrizes 2 Sistemas de equações lineares 7 3 Determinantes 3 4 Espaços vetoriais 9 5 Transformações lineares 27 6 Valores
Leia maisIntrodução a Modelos VAR
Introdução a Modelos VAR Henrique Dantas Neder - Professor Associado Universidade Federal de Uberlândia July 24, 2014 Um VAR é um modelo no qual K variáveis são especicadas como funções lineares de p de
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 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 maisEXERCÍCIOS DE ELEMENTOS DE MATEMÁTICA II (BQ, CTA, EFQ, Q) 2002/2003. Funções reais de várias variáveis
EXERCÍCIOS DE ELEMENTOS DE MATEMÁTICA II (BQ, CTA, EFQ, Q) 2002/2003 Funções reais de várias variáveis 1. Faça um esboço de alguns conjuntos de nível das seguintes funções: (a) f (x,y) = 1 + x + 3y, (x,y)
Leia maisMAT2458 ÁLGEBRA LINEAR PARA ENGENHARIA II 2 a Prova - 2 o semestre de T ( p(x) ) = p(x + 1) p(x), (a) 8, (b) 5, (c) 0, (d) 3, (e) 4.
MAT2458 ÁLGEBRA LINEAR PARA ENGENHARIA II 2 a Prova - 2 o semestre de 218 Q1. Considere a transformação linear T : P 3 (R) P 2 (R), dada por T ( p(x) ) = p(x + 1) p(x), para todo p(x) P 3 (R), e seja A
Leia maisParte II. Análise funcional II
Parte II Análise funcional II 12 Capítulo 5 Produto de Operadores. Operadores inversos Neste capítulo vamos introduzir a noção de produto de operadores assim como a de operador invertível. Para tal precisamos
Leia mais