Teste F na Regressão Linear Múltipla para Dados Temporais com Correlação Serial.
|
|
- Simone Vilarinho Borba
- 6 Há anos
- Visualizações:
Transcrição
1 Deparameno de Ciências e ecnologias Mesrado em Esaísica, Maemáica e Compuação ese F na Regressão Linear Múlipla para Dados emporais com Correlação Serial. Bruno Fernando Pinheiro Faria Lisboa,
2
3 Mesrado em Esaísica, Maemáica e Compuação ese F na Regressão Linear Múlipla para Dados emporais com Correlação Serial. Bruno Fernando Pinheiro Faria Disseração apresenada para obenção de Grau de Mesre em Esaísica, Maemáica e Compuação, especialidade Esaísica Compuacional Orienadora: Professora Douora Maria do Rosário Ramos (Professora Auxiliar da Universidade Abera) Lisboa,
4
5 i Resumo Na análise de regressão linear, simples ou múlipla, o ese F é uilizado para esar simulaneamene a significância de um conjuno ou um subconjuno de parâmeros. Nese rabalho, é esudado o comporameno da esaísica F usual para esar a significância dos coeficienes sazonais no modelo de regressão linear múlipla para séries emporais com endência, sazonalidade e correlação serial. Quando alguns dos pressuposos de validade do ese são violados é de se esperar que o ese seja afeado. Por isso, analisa-se, aravés de um esudo de simulação de Mone Carlo, o comporameno da esaísica F quando são violados os pressuposos de normalidade e da independência dos erros num caso específico de modelo de auocorrelação AR(). O esudo de simulação para avaliar a performance do ese F usual foi realizado sob vários cenários, endo em cona desvios da normalidade e considerando que os erros do modelo são correlacionados, com diferenes inensidades da auocorrelação. O comporameno dos eses é avaliado com base nos valores do nível de significância empírico e da poência dos eses. Além disso, apresena-se eoricamene a esaísica de ese F para casos em que a auocorrelação nos erros é considerada aravés da esimação pelos mínimos quadrados generalizados e realiza-se, aravés de simulação, um esudo comparaivo do comporameno dese ese, quando a auocorrelação é incorreamene esimada. Finalmene são apresenadas duas aplicações em séries emporais, uma respeiane ao número de hóspedes em hoéis radicionais e casas de urismo rural nos Açores e a oura relaiva ao número de exporações de auomóveis em Porugal. Palavras-Chave: Séries emporais, Modelo Sazonal, ese F, Regressão Linear Múlipla, Modelo Auorregressivo.
6 ii Absrac In simple or muliple linear regression analysis, he F es is used o es simulaneously he significance of a se or a subse of parameers. In his assignmen i is sudied he behaviour of he usual F saisic o es he significance of seasonal coefficiens in muliple linear regression model for ime series wih rend, seasonaliy When some of he es assumpions are violaed, we have o assume ha he es can be affeced. herefore, we will analyse, hrough a Mone Carlo simulaion sudy, he behaviour of he F saisic, when he normaliy assumpions and he independence of he error erm in a specific case of auocorrelaion model AR() are violaed. he simulaion sudy o assess he performance of he usual F es was made under several siuaions, bearing in mind normaliy deviaions and considering ha he errors of he auoregressive model are correlaed wih differen auocorrelaion levels. he behaviour of he ess is evaluaed hrough he empirical significance level and he power of he es. Furhermore, we presen heoreically he F saisic in cases in which he auocorrelaion of he error erm is aken ino accoun hrough general leas squares esimaion and we make, hrough a simulaion sudy, a comparaive analysis of he aforemenioned es behaviour, when he auocorrelaion of he error erm is incorrecly esimaed. Finally, we will show wo applicaions in a ime series, one regarding he number of guess in radiional hoels and rural ourism in Azores and he oher he number of cars exporaions in Porugal. Keywords ime Series, Seasonal Model, F es, Muliple Linear Regression, Auoregressive Model
7 iii Agradecimenos Agradeço à Professora Douora Maria do Rosário Ramos a orienação, o apoio e a disponibilidade com que me acompanhou ao longo da elaboração desa disseração. Agradeço à minha namorada pelo auxílio presado na radução em alguns dos rabalhos elaborados nese mesrado, pela compreensão e paciência dispensada ao longo deses dois úlimos anos, por udo o que deixei de fazer em virude do rabalho e pela forma que sempre me apoiou, principalmene nos momenos mais difíceis. Agradeço ambém à minha família pelo apoio dado durane odo o meu percurso académico e que sem ele eu não eria chegado aé aqui.
8
9 v Índice. Inrodução.... Séries emporais com endência e Sazonalidade Séries emporais Séries emporais com endência e Sazonalidade O ese F no Modelo de Regressão Linear Múlipla Modelo de Regressão Linear Múlipla Esimação dos Parâmeros no Modelo de Regressão Linear Múlipla O ese F de Ajusameno Global do Modelo Reduzido de Regressão Linear Múlipla O ese F de Ajusameno para o Modelo Reduzido O ese F de Significância de Resrições Lineares O ese F Usual sobre o Modelo de Regressão Linear em Séries emporais com endência e Sazonalidade Erros de ipo I e de ipo II Associados ao ese F Processos Auorregressivos de ª Ordem - AR() Processos Esacionários Processo de Ruído Branco e Processo Auorregressivo de ª Ordem - AR() Esaísica de ese F em Séries com Auocorrelação Esimação pelos Mínimos Quadrados Generalizados Méodo de Esimação de Cochrane-Orcu ese F na Esimação pelos Mínimos Quadrados Generalizados Comporameno do ese F quando os Erros são Auocorrelacionados de Ordem Esudos de Simulação Processo AR() em que os a êm Disribuição Normal Variações do Parâmero de endência e da Consane Variações do Desvio Padrão da Série de Ruído Branco e da Dimensão da Série Cálculo do Valor Críico da Esaísica F Usual aravés do Méodo de Mone Carlo Incorporação da Mariz de Covariância na Esimação pelos Mínimos Quadrados... 5
10 vi 6.. Processo AR() em que os a em Disribuição Gama Esudo de Séries Reais Número de Dormidas nos Açores em Hoelaria radicional e urismo de Espaço Rural Exporações de Auomóveis em Porugal Discussão de Resulados e Invesigação Fuura Bibliografia e Referências... 7 Anexo I... i Anexo II... ii
11 vii Índice de abelas abela. Análise de Variância para o ese F sobre o modelo compleo de regressão linear múlipla.... abela. Análise de Variância para o ese F sobre o modelo reduzido de regressão linear múlipla. abela 3. Poência e nível de significância empíricos do ese F, sobre a componene sazonal do modelo em que os erros são um processo AR() com ruído branco Normal(, ). =4. Resulados para,, 5,,.... abela 4. Poência e nível de significância empíricos do ese F, sobre a componene sazonal do modelo em que os erros são um processo AR() com ruído branco Normal(, ). =4. Resulados para,,, abela 5. Poência e nível de significância empíricos do ese F, sobre a componene sazonal do modelo em que os erros são um processo auorregressivo AR() com ruído branco Normal. Resulados para =4, =6 e =8;, e 3. abela 6. Poência e nível de significância empíricos obidos a parir de uma aproximação do valor críico da disribuição da esaísica F aravés de simulações pelo méodo de Mone Carlo. Resulados para =4, =6 e =8;, e 3. abela 7. Poência e nível de significância empíricos do ese F para o modelo em que os erros são um processo AR() com ruído branco Normal. Comparação enre os valores obidos segundo uma esimação pelos MQO e MQG. =4. Resulados para e 3. abela 8. Poência e nível de significância empíricos do ese F, com esimação pelos MQG, para o modelo em que os erros são um processo AR(), quando a esimaiva ˆ afasa-se do verdadeiro parâmero populacional. =4. Resulados para e 3. abela 9. Poência e nível de significância empíricos do ese F, para o modelo em que os erros são um processo AR() com ruído branco Gama. =4. Resulados para, e 3 ; r=.5, r=, r=.5, r=3, r=4.
12 viii abela. Esimaivas dos coeficienes do modelo linear da série número de dormidas em espaços de urismo rural e hoelaria radicional, pelo méodo dos mínimos quadrados. abela. Valores da FAC e FACP da série residual, obidos após ajusameno pelo méodo dos mínimos quadrados. abela. Esimaivas dos coeficienes do modelo linear da série exporações de auomóveis, pelo méodo dos mínimos quadrados. abela 3. Valores da FAC e FACP da série residual, obidos após ajusameno pelo méodo dos mínimos quadrados.
13 ix Índice de Figuras Figura. Função densidade de probabilidade da disribuição F, para 3 e 35 graus de liberdade do numerador e denominador, respeivamene.... Figura. Função densidade de probabilidade da disribuição F não cenral, para 3 e 35 graus de liberdade do numerador e denominador, respeivamene e parâmero de não cenralidade..... Figura 3. Série emporal com endência e sazonalidade simulada com 4, s 6,3,,3, 77 e.... i i Figura 4. Séries emporais com endência e sazonalidade simuladas com 4, s 6,3,,3, 77 e componene dos erros segundo um processo i AR() com disribuição Normal(, ). Gráficos para e Figura 5. Séries emporais com endência e sazonalidade simuladas com 4, s 6,3,,3, 77 e componene dos erros segundo um processo i AR() com disribuição Normal(, ). Gráficos para e Figura 6. Figura 7. Figura 8. Figura 9. de significância empírico do ese F para o modelo em que os erros são um processo auorregressivo AR() com ruído branco normal. =4. Resulados para, e Poência empírica do ese F, para o modelo em que os erros são um processo auorregressivo AR() com ruído branco normal. =4. Resulados para vários valore de.... de significância empírico do ese F para o modelo em que os erros são um processo auorregressivo AR() com ruído branco normal. Resulados para vários valores de.... Série da variável número de dormidas em espaços de urismo rural e hoelaria radicional nos Açores. Valores observados enre janeiro 3 e dezembro... Figura. Modelo ajusado da série da variável número de dormidas em espaços de urismo rural e hoelaria radicional resulane da esimação pelos mínimos quadrados.... Figura. Série residual (vs empo) resulane do ajusameno pelo méodo dos mínimos quadrados....
14 x Figura. Gráficos da FAC e FACP da série residual, obidos após ajusameno pelo méodo dos mínimos quadrados.... Figura 3. Gráfico da série dos resíduos depois de ajusada a um processo AR() ˆ aravés da ransformação a e e.... Figura 4. Série da variável exporações de auomóveis em Porugal. Valores observados enre janeiro 3 e dezembro.... Figura 5. Modelo ajusado da série da variável exporações de auomóveis, resulane da esimação pelos mínimos quadrados.... Figura 6. Gráfico da série residual (vs empo) resulane do ajusameno pelo méodo dos mínimos quadrados.... Figura 7. Gráficos da FAC e FACP da série residual, obidos após ajusameno pelo méodo dos mínimos quadrados....
15 . Inrodução. Inrodução A sazonalidade esá muias vezes presene em variáveis definidas no empo, quando a ordem de ocorrência é relevane, sendo exemplos as áreas do urismo, economia ou biologia. Devido à imporância que esa componene normalmene em no esudo desas variáveis, é imporane que um modelo maemáico que seja usado no ajusameno desas séries emporais reflia a variação aribuída à sazonalidade, caso esa seja significaiva. Para esar a significância desa componene, no caso específico do modelo com endência linear, é normalmene uilizada a esaísica de ese F. O problema principal que nos propomos aprofundar é o da performance do ese F usual na análise da sazonalidade numa série emporal com endência, em algumas siuações específicas que podem ou não ocorrer simulaneamene, nomeadamene: Quando as observações são dependenes, ou seja, quando exise alguma esruura de auocorrelação na série nese caso, quando a série dos erros é gerada por um processo AR(); Quando a disribuição dos valores da série se afasa da disribuição normal, apresenando vários níveis de assimeria. Nese rabalho, é realizada uma primeira abordagem eórica à emáica esudada, com base na lieraura exisene, onde é apresenado o modelo linear de séries emporais com endência e sazonalidade, assim como a expressão da esaísica de ese F em modelos compleos e reduzidos de regressão linear múlipla quando a esimação dos coeficienes do modelo é esimada pelo méodo dos mínimos quadrados, quer ordinários, quer generalizados. Faz-se ainda uma análise aos erros associados ao modelo, com incidência nos processos auorregressivos de ª ordem esacionários. Para complear o desenvolvimeno eórico é realizado um esudo de simulação esocásica, com o objeivo de comparar o comporameno do ese F segundo variações dos parâmeros iniciais da série emporal simulada e ober informações conclusivas acerca das seguines quesões: Como é afeado o nível de significância empírico e a poência empírica do ese F para cada uma das siuações acima descrias? Qual a consequência da esimação do parâmero de auocorrelação no ese F? --
16 . Inrodução Ese rabalho desenvolve-se ao longo de capíulos que podem ser organizados em duas pares mais abrangenes. A primeira pare engloba os capíulos, 3 e 4 onde é efeuado o enquadrameno do problema e apresenado o desenvolvimeno eórico e a descrição dos méodos usados ao longo do rabalho. A segunda pare reúne os capíulos 5, 6 e 7 e compreende um esudo de simulação para avaliar o comporameno do ese F segundo diferenes parâmeros iniciais, duas aplicações a séries de variáveis da área do urismo e da indúsria, respeivamene, bem como as conclusões e os comenários finais. No capíulo apresena-se formalmene o modelo linear adiivo represenaivo das séries emporais com endência e sazonalidade a parir do qual se desenvolve odo o esudo subsequene. No capíulo 3 é apresenado o méodo de esimação pelos mínimos quadrados ordinários e a expressão da esaísica F no ese à significância de um modelo linear (compleo ou reduzido). É definido formalmene o ese de hipóeses respeiane ao problema principal dese rabalho, é apresenada a esaísica F para esar a significância da componene sazonal numa série emporal com endência e sazonalidade e é feia uma breve referência aos erros de ipo I e de ipo II, inerenes ao ese de hipóeses definido. No capíulo 4 é abordado o processo auorregressivo de ª ordem, aravés do qual é definida a componene esocásica das séries emporais em esudo nese rabalho. É realizada uma caracerização do processo e são definidas as funções de auocorrelação e de auocorrelação parcial, aravés das quais ese processo pode ser idenificado por análise à componene dos resíduos. No capíulo 5 é apresenada a expressão da esaísica F em que a auocorrelação nos erros é ida em cona aravés da esimação pelos mínimos quadrados generalizados. É abordado, de forma resumida, o méodo de Cochrane e Orku, para esimação dos coeficienes do modelo em esudo quando os erros apresenam auocorrelação, e são referenciados alguns resulados de esudos já realizados. No capíulo 6 é apresenado um esudo de simulação para averiguar a performance da esaísica F usual, no ese à significância da componene sazonal, em séries em que a componene dos erros apresena correlação, nomeadamene, quando esa é um processo auorregressivo de ª ordem. A análise é feia endo em cona o nível de significância empírico e a poência empírica do ese. --
17 . Inrodução São experimenadas várias siuações que podem er influência no comporameno do ese, nomeadamene a dimensão da amosra simulada, o nível de auocorrelação da série dos erros e o desvio à normalidade, com a inclusão da disribuição gama na componene esocásica. É ambém analisada a influência do parâmero de endência e da consane na esaísica F, o comporameno do ese F quando a auocorrelação é omada em linha de cona aravés da esimação pelos mínimos quadrados generalizados, em paricular, quando a esimaiva do parâmero auorregressivo afasa-se do verdadeiro valor populacional. No capíulo 7 são apresenadas duas aplicações de análise ao comporameno da esaísica F usual no ese à significância da componene sazonal, uma relaiva à variável número de dormidas em espaços de urismo rural e hoelaria radicional nos Açores e oura referene à variável exporações de auomóveis em Porugal. No primeiro caso, a sazonalidade esá claramene definida, fao ese comprovado pela aplicação do ese F, enquano, na segunda série, a aplicação do ese F usual revela-se inconclusiva. Por úlimo, no capíulo 8 é apresenado um resumo dos resulados mais imporanes e são sugeridas ideias para invesigações fuuras. -3-
18
19 . Séries emporais com endência e Sazonalidade. Séries emporais com endência e Sazonalidade.. Séries emporais Uma série emporal pode ser definida como uma sucessão de observações ordenadas no empo. São exemplos a precepiação diária, o número de nascimenos numa dada região ou o volume de vendas anuais de uma empresa. Em esaísica, assim como nouros campos da invesigação, como a economeria, a maemáica financeira e a bioesaísica, é usual esudarem-se séries emporais que apresenam algum ipo de variabilidade, à qual esão normalmene associadas perurbações aleaórias. O esudo desas sequências permie a caracerização dos processos por esas represenadas, a previsão do comporameno deses processos em ermos fuuros e, por úlimo, a idenificação e avaliação dos faores que possam er influenciado o comporameno das mesmas. Dada a naureza dos valores das séries emporais, esas podem ser classificadas como discreas ou conínuas. Uma série emporal diz-se discrea quando apenas pode ser observada em inervalos de empo regulares. São exemplos o número de passageiros mensais de uma companhia aérea, o volume de vendas anual e os lucros rimesrais. Nos casos em que os valores podem ser regisados em qualquer momeno emporal, sem inerrupções, as séries dizem-se conínuas. Como exemplos emos a velocidade do veno, a pressão e a emperaura. Nese rabalho são consideradas apenas séries discreas ou séries originalmene conínuas em que regisos são realizados em inervalos de empo regulares... Modelos com endência e Sazonalidade Para caracerizar e esudar uma série emporal é fundamenal enconrar um modelo maemáico que se aproxime dos valores em esudo. Normalmene as séries emporais são analisadas endo em cona aspeos como a endência, o ciclo, a sazonalidade e as variações aleaórias. Um dos modelos usados no esudo desas séries é um modelo com endência simples, caracerizado pela seguine expressão: -5-
20 . Séries emporais com endência e Sazonalidade Z, N em que os erros aleaórios,, são ais que E var Nese modelo, os valores observados dependem da componene deerminísica componene aleaória. em-se ainda que EZ. e da Em muias siuações, o valor médio das séries emporais incorpora componenes que são funções com deerminado ipo de variação. Em paricular, um dos ipos de variação que ocorre frequenemene é o caso em que a série apresena uma endência linear. Nese caso, a série é caracerizada por, Z Conudo, ese modelo de endência simples poderá não ser suficiene para caracerizar deerminadas séries, uma vez que o seu valor poderá incorporar componenes que são funções com ouro ipo de variação, ais como as periódicas. Um modelo que incorpore, para além da endência, uma variabilidade periódica designa-se de modelo linear com endência e sazonalidade e pode ser caracerizado por um modelo adiivo com a seguine expressão: Z s, (..) em que represena a endência, s represena a componene sazonal e represena a componene aleaória associada ao modelo. Viso s represenar uma função periódica de período P, em-se que s P s. Os valores de s,...,, s s designam-se de coeficiene sazonais. P P Dado que, do pono de visa gráfico, represena a ordenada na origem, exigese que s Para faciliar a esimação dos coeficienes sazonais de uma série emporal com endência a sazonalidade, recorre-se a uma ransformação da equação (..). É enão -6-
21 . Séries emporais com endência e Sazonalidade definido um conjuno de variáveis auxiliares, chamadas indicarizes, que: x i, de forma a Z P i x i s i em que os s i represenam os coeficienes sazonais; se ( j ) P i, para algum j,..., Ni x i., caso conrário P O faco de se er considerado s em como consequência uma dependência linear enre as variáveis x i, i i,..., P. Esa condicionane fará com que a esimação dos parâmeros aravés dos mínimos quadrados não seja possível. Para conornar ese problema, pode reescrever-se o modelo anerior na forma: com s S S i i S Z P xisi, i al como aconece com ouros esudos em esaísica, o ajusameno de um conjuno de dados a um modelo pressupõe a esimação de parâmeros populacionais, nese caso, dos coeficienes do modelo. Como se preende um ajuse dos dados a um modelo linear, com mais do que uma variável independene, os valores esperados da variável dependene serão obidos aravés da chamada regressão linear múlipla. Exise mais do que um méodo para esimar os coeficienes de um modelo de regressão linear, conudo o méodo dos mínimos quadrados é o mais uilizado, pois, sob a hipóese de independência, normalidade e homocedasicidade dos resíduos, fornece esimadores cenrados com variância mínima. O esudo do processo de regressão linear múlipla, com esimação pelos mínimos quadrados será abordado no próximo capíulo. -7-
22
23 3. O ese F sobre o Modelo de Regressão Linear Múlipla 3. O ese F sobre o Modelo de Regressão Linear Múlipla 3.. O Modelo de Regressão Linear Múlipla Nas séries emporais, assim como em muios problemas de Esaísica, que envolvem mais do que uma variável, é possível esabelecer algum ipo de relação enre as variáveis independenes e a variável dependene. No caso das séries com endência linear e sazonalidade, esudadas nese rabalho, os dados são ajusados a um modelo aravés de regressão linear. Para modelos apenas com endência, é aplicada a regressão linear simples, pois exise somene uma variável independene, o empo. Por sua vez, quando é incorporada a componene de sazonalidade no modelo, é uilizada a regressão linear múlipla. De referir que as perurbações aleaórias inerenes às observações refleir-se-ão no modelo na chamada componene esocásica (dos erros aleaórios). Na regressão linear múlipla assume-se uma relação linear enre uma variável aleaória y, e k variáveis independenes (ou regressores), considerando os parâmeros,..., x,...,, x xk. Assim sendo e,,, p, o modelo de regressão linear múlipla é definido aravés da seguine expressão: yi, x( i) x( i)... k xk( i) i, i,..., n (3..) em que os parâmeros j, j,..., p são chamados coeficienes de regressão; e i represenam os erros aleaórios. Nese modelo, os parâmeros j represenam a variação esperada em y por unidade de variação em permanecem consanes. x j, quando odas as resanes variáveis x i, com i j, Na regressão linear múlipla assume-se os seguines pressuposos, relaivamene à componene dos erros aleaórios: i N(, ), i,..., n. n i variáveis aleaórias independenes. i A equação apresenada em (3..) refere-se a um elemeno genérico i. A relação enre as n observações é dada pelo seguine conjuno de equações: -9-
24 3. O ese F sobre o Modelo de Regressão Linear Múlipla y y y n, x, x, x () () ( n) x x x () () ( n)... x k... x k k k ()... x k () k ( n) n De forma a simplificar a escria, pode-se recorrer à noação maricial para represenar as equações aneriores. Assim sendo e, considerando as seguines marizes represenaivas de cada uma das variáveis em quesão, y y Y y n n, X x x x () () ( n) x x x () () ( n) em-se a seguine equação maricial: em que N(, ) i I n x k () x x k () k ( n) n( k) Y X,, k ( k), n Sublinhe-se que ese ipo de represenação, para além de simplificar a escria, facilia ambém a implemenação de procedimenos de cálculo, nomeadamene do pono de visa compuacional. n 3.. Esimação dos Parâmeros no Modelo de Regressão Linear Múlipla No modelo de regressão linear múlipla, os parâmeros ' k s, referenes à população, são à parida desconhecidos, pelo que é necessário proceder-se à sua esimação, a parir de um conjuno de n observações dessa população. O méodo dos mínimos quadrados ordinários (MQO), proposo por Karl Gauss ( ), é uma das écnicas mais uilizadas para esimar os parâmeros de um modelo linear, aravés da minimização da soma dos quadrados dos resíduos esimados e os dados observados). e i (diferença enre os valores omando b b, b,..., b ) como o veor da esimaiva dos coeficienes de ( k regressão, a esimaiva da variável resposa é calculada a parir dos dados amosrais a parir da expressão com e Y Yˆ Yˆ Xb, --
25 3. O ese F sobre o Modelo de Regressão Linear Múlipla Preende-se enão enconrar os esimadores de ' k s que minimizem a n e i i quanidade, que na forma maricial pode ser escria como e e. Uilizando a igualdade e Y Xb, em-se que e e Y Xb Y Xb Y Y bb Y b X Xb (3..) O passo seguine será o de diferenciar a expressão (3..) em ordem a b e igualar a zero, ou seja, resolver a seguine equação: que é equivalene a b b Y Xb Y Xb Y Y bx Y b X Xb Resolvendo a derivada parcial em relação a b, obém-se a seguine equação: Assim, desde que a expressão X X X X X X Y Xb X Y. seja inverível, o esimador b é dado por: b (3..) Se ocorrer colineariedade na mariz X, ou seja, se alguma variável x k puder ser expressa por uma combinação linear dos resanes veores coluna de X, a mariz X X é singular, logo, não inverível. Para conornar esre problema, pode-se reparamerizar o modelo de modo a que as variáveis independenes que nele figurem sejam linearmene independenes e enão aplicar a esimação pelos MQO. eorema 3..3: O esimador b X X X Y variância é var b X X Demonsração: E b E X X σ é um esimador cenrado e a sua X Y X X X EY X X X EXβ ε X X X Xβ β varb var X X X Y X X X X X X var(y). --
26 3. O ese F sobre o Modelo de Regressão Linear Múlipla var(xβ ε) var(ε) X X X X X X X X X X X X X X X X X X X X X XX X X X O esimador b segue uma disribuição N β, X X b. eorema (Gauss-Markov) Dadas as hipóeses do modelo clássico de regressão linear, o esimador pelos mínimos quadrados ordinários, é o mais eficiene enre odos os esimadores lineares não enviesados, pois apresena variância mínima. eorema 3..5: O esimador cenrado para a variância dado por: s e e Y n k n I XX X X Y y i yˆ i n k n k i dos erros aleaórios é Demonsração: A soma dos quadrados dos resíduos na regressão linear múlipla, dada por pode ser escria como: e e Y Xb Y Xb Y XX X X Y Y XX X X Y Y Y Y XX X X Y XX X X Y Y XX X X Y Y Y Y XX X X Y Y XX X X Y Y XX X X Y Y Y XX X X Y Y I XX X X Y e e, XX X X Y Esa úlima expressão corresponde a uma forma quadráica de variáveis aleaórias, do ipo P Y PY, em que Y segue uma disribuição mulivariada normal, I XX X X e cujo valor esperado é Y PY r( P) μ Pμ veor média de Y. em-se ainda que r I XX X X ri n rx X X X I r X XX X r n E, onde μ é o ri n r I k. n k --
27 3. O ese F sobre o Modelo de Regressão Linear Múlipla Enão, o valor esperado da soma dos quadrados dos resíduos é dado por E XX X e e E Y I XX X X Y r I XX X X Xβ I ( ) Xβ I XX X n k ( n k ) Xβ Xβ XX X ( n k ). A parir daqui deduz-se o esimador cenrado E n k s e e n k n k X Xβ X Xβ X : Xβ 3.3. O ese F de Ajusameno Global do Modelo de Regressão Linear Múlipla A esaísica F usual, proposa por Snedcoor, esa a significância de um conjuno de parâmeros de um modelo de regressão linear múlipla, quando o modelo é ajusado aos dados aravés do méodo dos mínimos quadrados. Define-se o seguine ese de hipóeses: H : k... vs H : j : j, j,..., k Uilizando a noação maricial, as hipóeses a esar assumem o seguine aspeo: H : β vs H :β A variabilidade oal dos valores da variável dependene Y, expressa aravés da soma dos quadrados dos desvios de Y face ao seu valor médio Y (SQ), pode ser separada em duas componenes adiivas: uma explicada pelo modelo de regressão (SQR) e a oura aribuída aos resíduos (SQE). Considerando enão as quanidades Noação maricial S S S n QE y i yˆ i S QE Y Xb Y Xb e e i n QR yˆ i y S QR Xb Y Xb Y i n Q y i y Q Y Y Y Y i S, -3-
28 3. O ese F sobre o Modelo de Regressão Linear Múlipla esabelece-se a seguine relação: n i SQ SQR SQE, ou seja, n n y y yˆ y y yˆ i i i A fração da variância oal em Y explicada pelo modelo de regressão e a da variância aribuída aos resíduos podem ser esimadas respeivamene pela divisão dos valores de SQR e SQE pelos seus graus de liberdade. Esas quanidades designam-se de quadrados médios da regressão (QMR) e quadrados médios dos resíduos (QME), respeivamene. em-se enão que: SQR QMR, k QME SQE n-k- e e. n k Para avaliar a qualidade do ajuse do modelo de regressão aos dados populacionais, compara-se a fração da variância explicada pelo modelo de regressão com a da variância aribuída aos resíduos. Assim, caso a primeira seja significaivamene superior à segunda, podemos concluir que o modelo é significaivo. Esa comparação é efeuada com base na disribuição esaísica da razão enre esas duas variâncias. Sob os pressuposos de independência e homocedasicidade dos erros aleaórios e sob a hipóese inicial H, em-se que: i i i SQR k ~ k e SQE ~ n k nk Como esas duas quanidades são independenes, a esaísica de ese, que corresponde à razão enre as duas quanidades aneriores, segue uma disribuição F com k e n-k- graus de liberdade, ou seja, SQR/ k F ~ SQE n k F k, nk Na forma maricial, a esaísica de ese F é dada por: -4-
29 3. O ese F sobre o Modelo de Regressão Linear Múlipla b X Xb k F Y I XX X X Y n k. A parir das expressões aneriores podemos definir uma abela de análise de variância do modelo ajusado de regressão linear múlipla. Origem da variação Graus de liberdade Soma dos quadrados Regressão k SQR Residual n-k- SQE oal n- SQ Quadrados médios SQR QMR k SQE QME n-k- Esaísica de ese F QMR F QME abela. Análise de Variância para o ese F sobre o compleo reduzido de regressão linear múlipla múlipla A esaísica de ese F, sob H, segue uma disribuição F k, nk. A um nível de significância, rejeia-se H se F F k, nk( ). Sob a veracidade da hipóese alernaiva H :β, a esaísica de ese F segue uma disribuição F não cenral com k e n k graus de liberdade e parâmero de não cenralidade dado por X X ese F de Ajusameno para o Modelo Reduzido A aplicação do ese F ao modelo compleo de regressão linear resula numa decisão sobre o conjuno de odos os parâmeros envolvidos no modelo. Porano, uma rejeição da hipóese nula expressa que pelo menos um dos parâmeros significaivamene diferene de zero, embora iso não signifique que odos o sejam. j é Para se averiguar se um subconjuno de parâmeros é significaivo no modelo de regressão linear, é necessário considerar-se um submodelo do modelo de regressão linear múlipla, de onde são excluídos os prediores correspondenes a esses parâmeros. Preende-se com ese procedimeno apurar se as variáveis que foram excluídas do modelo reduzido são ou não significaivas para o ajusameno global. -5-
30 3. O ese F sobre o Modelo de Regressão Linear Múlipla Considere-se enão as parições X e X, da mariz X, de modo a que X X X,, n k. em que X é uma mariz de dimensão n k e X é uma mariz de dimensão Pode-se reescrever o modelo compleo Y Xβ ε como: Y X β X β ε, com X X, X O modelo reduzido de regressão linear é enão definido por Y X β Preende-se averiguar se a inclusão de X é significaiva para o modelo, o que pode ser expresso pelo seguine ese de hipóeses: H : β vs H :β ε al como no modelo compleo de regressão linear, a significância de um subconjuno de parâmeros pode ser aferida a parir da fração da variabilidade oal explicada pela regressão, nese caso SQR compleo SQR reduzido, e da aribuída aos resíduos, SQE. De forma equivalene, pode-se escrever SQR compleo SQRreduzido compleo como SQE Reduzido SQE compleo. Sob a hipóese inicial H, as quanidades SQE SQE SQE Reduzido compleo e compleo divididas pelos respecivos graus de liberdades são duas variáveis aleaórias, ais que: SQE reduzido SQE k compleo ~ k e SQE compleo n k ~ nk. Como esas duas variáveis aleaórias são independenes, a esaísica de ese, definida como a razão enre essas duas quanidades, segue uma disribuição F com k e n-k- graus de liberdade, ou seja, F SQE reduzido SQE SQE compleo / compleo / k k, nk n k A informação relaiva ao modelo reduzido de regressão linear múlipla pode ser resumida no seguine quadro de análise de variância: ~ F -6-
31 Origem da variação Regressão k Residual n-k- g.l Soma dos quadrados Quadrados médios SQE reduzido SQE compleo SQE compleo oal n- SQ QMR 3. O ese F sobre o Modelo de Regressão Linear Múlipla SQE S * reduzido k SQRes QME n-k- QE compleo abela. Análise de Variância para o ese F sobre o modelo reduzido de regressão linear múlipla Usando a noação maricial, em-se que: SQE Y I X X X X Y, reduzido ' SQE Y I X X X X Y, compleo X X I X X X SQE SQE Y X X X Y. reduzido compleo Logo, a esaísica de ese F pode ser escria aravés da seguine razão: n k Y X X X X I X X X X Y F Y I X X X X Y k ~ F. k, nk Esaísica de ese F QMR * F QMEcompleo Sob a veracidade da hipóese alernaiva H :β, a esaísica de ese F segue uma disribuição F não cenral com k e n k graus de liberdade e cujo parâmero de não cenralidade é dado por: β X I X X X X X β O ese F de Significância de Resrições Lineares O ese F pode ambém ser uilizado para esar a significância de um conjuno de resrições lineares relaivas a um modelo de regressão linear múlipla. Nesse caso, a hipóese linear geral a esar é H : Rβ r Vs H : Rβ r, onde R é uma mariz m( k ) com caracerísica m, m ( k ), em que k é o número de variáveis regressoras do modelo. -7-
32 3. O ese F sobre o Modelo de Regressão Linear Múlipla Sob os pressuposos dos erros aleaórios s serem idênicos e independenemene disribuídos com ~ N, assume a seguine forma: i ' i, a esaísica F para esar H Rb r CX X C Rb r F F m, n k ms Y I X onde b X X X X X Y e Sob a hipóese alernaiva s n k X ~, Y. H : Rβ r, a esaísica de ese F segue uma disribuição F não cenral com m e n k graus de liberdade e parâmero de não cenralidade C Rβ r Rβ r CX X O ese F Usual sobre o Modelo de Regressão Linear em Séries emporais com endência e Sazonalidade Nesa secção vamos paricularizar a aplicação da esaísica F no ese à significância de modelos de regressão, em séries emporais com endência e sazonalidade que, como já vimos no capíulo, podem ser escrias como funções lineares no empo, iso é, Z p xisi, i com s i S S e S. i Para esar a significância do modelo compleo (componenes de endência e de sazonalidade), definem-se as seguines hipóeses: H : s s... s p H : i : si, i,..., p As marizes a usar para o modelo compleo apresenam o seguine aspeo: y y Y, y n n x x x p x x x p X, n xn xn xnp n( p) S β, ε S p n ( p) n -8-
33 3. O ese F sobre o Modelo de Regressão Linear Múlipla com se ( j ) p i, para algum j,..., Ni x i., caso conrário Sob H, a esaísica F seguirá uma disribuição Fisher com p e n p graus de liberdade, com F Xb Y Xb Y p Y I X X X X Y n p A esaísica F aplicada sobre ese modelo de regressão irá esar a presença de endência ou de sazonalidade na série emporal em esudo. Caso apenas uma dessas componenes seja significaiva no modelo, o ese F, aplicado ao modelo compleo, não deeará qual dessas componenes é significaiva, pelo que é necessário recorrer-se a um modelo reduzido de regressão linear. No esudo da significância da componene sazonal, o modelo reduzido de regressão linear a uilizar resula da eliminação desa componene da equação inicial, ou seja, O ese de hipóeses a considerar será Z. H s s... s Vs H : i : si, i,..., p. : P As marizes que incorporam ese modelo reduzido são as seguines: Y Y Y, Y n n X, n n β,. ε n Por fim, a esaísica F, para esar a significância da componene sazonal em séries emporais com endência linear, é dada por p Y I X X X X Y n p Y X X X X I X X X X F n ~ F. p, n p Sob H, a esaísica F segue uma disribuição Fisher com p e n p graus de liberdade. -9-
34 3. O ese F sobre o Modelo de Regressão Linear Múlipla 3.7. Erros de ipo I e Erros de ipo II Associados ao ese F Na aplicação do ese F, al como aconece nos eses de hipóeses em geral, são consideradas duas hipóeses relaivas a parâmeros populacionais a hipóese nula, represenada por H, e a hipóese alernaiva H que será aceie caso H seja rejeiada. A decisão de aceiação ou rejeição de H é efeuada com base no valor da esaísica de ese, que é calculada a parir dos valores de uma amosra reirada da população. Uma vez que esas amosras, à parida, apresenam aleaoriedade, a aceiação ou rejeição de H esará sempre associada a erros e riscos. Eses erros são classificados segundo dois ipos: Erro ipo I: rejeiar H sendo H verdadeira. Erro ipo II: Aceiar H, sendo H falsa. Numa omada de decisão decorrene da aplicação de um ese de hipóeses, podem ocorrer quaro siuações disinas, apresenadas no seguine quadro: Decisão Realidade (desconhecida) H é verdadeira H é falsa Não rejeiar H Decisão correa Erro ipo II Rejeiar Ho Erro ipo I Decisão correa Como a decisão é omada a parir do valor de uma variável aleaória, a eses erros esarão associadas as probabilidades da sua ocorrência: P(Erro do ipo I) = P(rejeiar H H é verdadeira), usualmene denominada de nível de significância da amosra. P(Erro do ipo II) = P(aceiar H H é falsa). O ideal seria conseguir minimizar simulaneamene as probabilidades de erro de ipo I e de ipo II, conudo iso não é possível, uma vez que, quando se reduz a probabilidade de um dos erros, aumena a probabilidade de ocorrência do ouro. Normalmene opa-se por conrolar o nível de significância da amosra, ou seja, a probabilidade de ocorrência do erro de ipo I, fixando-se um valor para a probabilidade da sua ocorrência. A parir desa pode ser deerminado o valor para a probabilidade do erro de ipo II e a poência de um ese esaísico, que corresponde à probabilidade de rejeiar H quando H é falsa, ou seja, --
35 df(x, 3, 35) O ese F sobre o Modelo de Regressão Linear Múlipla Poência do ese=p(rejeiar H H é falsa) = - P(aceiar H H é falsa) Viso a poência de um ese esaísico represenar a probabilidade de se rejeiar correamene H, a comparação das performances de eses esaísicos pode ser feia aravés da poência de cada um deles. Manendo o nível de significância consane, será mais eficiene o que apresenar maior poência. É práica comum considerar-se como nível de significância um dos valores %, 5% ou %. Em geral, verifica-se ainda que a poência de um ese esaísico diminui à medida que o verdadeiro valor dos parâmeros em causa se aproxima dos valores esabelecidos aravés de H e que o aumeno no amanho da amosra reduz os valores de e. No caso da aplicação do ese F para esar a significância da componene sazonal de uma série emporal com endência e sazonalidade, a esaísica de ese, sob H, segue uma disribuição F de Fisher com p e n p graus de liberdade. Assim, para um nível de significância de 5%, o chamado valor críico da disribuição F de Fisher é dado pelo quanil a F p, n p(.95). (3.6.) A rejeição da hipóese inicial irá ocorrer caso o valor da esaísica de ese F seja superior ao quanil a. A figura seguine ilusra a função densidade de probabilidade eórica da esaísica de ese F para 3 e 35 graus de liberdade (numerador e denominador, respeivamene). Fisher(x,3,35) Figura. Gráfico da função densidade x de probabilidade da disribuição F, para 3 e 35 graus de liberdade do numerador e denominador, respeivamene. --
36 df(x, 3, 35) O ese F sobre o Modelo de Regressão Linear Múlipla Se o valor da esaísica de ese for inferior ao valor críico, enão não se deve rejeiar a H. Caso o valor da esaísica de ese F se enconre na zona de rejeição, há que considerar a veracidade de H, sendo que, nesa siuação, a esaísica de ese F segue uma disribuição Fisher não cenral com p e n p graus de liberdade e parâmero de não cenralidade. A poência do ese F é dada pela probabilidade da esaísica de ese F, sob H, ser superior ao quanil a (3.6.), ou seja, Poência= PF a p, n p, No gráfico seguine são apresenadas as funções densidade de probabilidade eóricas da esaísica de ese F, sob H, com 3 e 35 graus de liberdade e sob H, considerando o parâmero de não cenralidade. Fisher(x,3,35) F 3,35 F 3,35, - Figura. Função densidade de probabilidade da disribuição F não cenral, para 3 e 35 graus de liberdade do numerador e denominador, respeivamene e parâmero de não cenralidade. Não se deve esquecer que as probabilidades dos erros de ipo I e II, assim como a poência de ese são calculadas parindo da hipóese nula e parindo do princípio que odos os pressuposos de aplicabilidade do ese são verificados, caso conrário os resulados obidos poderão não ser válidos Recorrendo a um esudo de simulação é possível esimar a ocorrência deses dois ipos de erro a um deerminado nível de significância nominal, aravés da aplicação do ese em n séries simuladas sob um conjuno fixo de condições iniciais. O nível de significância empírico é dado pela proporção de rejeições da hipóese nula dado que esa é verdadeira. Se n for elevado é de esperar que, sob H, o nível de significância empírico seja um valor próximo do valor de uilizado. Será ão mais próximo quano maior for o número de simulações efeuadas. Por ouro lado, se as simulações forem x --
37 3. O ese F sobre o Modelo de Regressão Linear Múlipla realizadas sob H, a proporção de rejeições da hipóese nula corresponderá à poência empírica do ese. No caso em esudo nese rabalho, para o cálculo do nível de significância empírico, as séries são simuladas sob H, ou seja, com os coeficienes sazonais nulos, enquano para o cálculo da poência empírica, pelo menos um desses coeficienes erá que ser não nulo. -3-
38
39 4. Processos Auorregressivos de ª Ordem - AR() 4. Processos Auorregressivos de ª Ordem AR() Como referido no capíulo anerior, a independência dos erros é um dos pressuposos para a aplicação do méodo dos mínimos quadrados no modelo de regressão linear. No enano, em muios casos de séries emporais com endência e sazonalidade, ese pressuposo não é verificado, havendo, porano, algum ipo de correlação enre os erros do modelo. Com o inuio de modelar esses erros, as séries emporais podem ser visas como um conjuno de observações de um processo esocásico. Nesa secção, são abordados os conceios mais imporane para ese rabalho no que respeia aos processos esocásicos e, em paricular, são apresenadas as caracerísicas do processo auorregressivo esacionário de ª ordem, AR(). 4.. Processos Esacionários Definição 4... Chama-se processo esocásico a qualquer família ou colecção de variáveis aleaórias X ( ), em que é um conjuno de índices represenando o empo. Considerando um processo esocásico X, R, uma série emporal pode ser visa como um conjuno de observações de um processo esocásico nos insanes,...,, n. O conjuno de índices, chamado de espaço de parâmeros, nas séries emporais poderá ser um dos seguines conjunos: N, Z, R ou R. No caso paricular das séries discreas, será considerado ineiro, ; ; ;... espaço de esados. Definição 4... Um processo esocásico. Por sua vez, a X X dá-se o nome de, R diz-se esriamene esacionário sse a disribuição conjuna de X ),..., X ( ) for igual à disribuição conjuna de ( n X ( ),..., X ( ) para odo o n-úplo F n,..., n X X x,..., ),..., ( ) xn F X ( ),..., X ( ) x xn (,..., n n e odo o, ou seja, -5-
40 4. Processos Auorregressivos de ª Ordem - AR() em odos os ponos x,..., x n e em que F X ),..., X ( ) represena a função disribuição conjuna de X ),..., X ( ). ( n ( n Pode-se enão dizer que, num processo esriamene esacionário, a disribuição de probabilidade de um conjuno qualquer de margens maném-se inalerada para ranslações desas no empo. define-se: Definição Dado um processo esocásico () i) Função valor médio, : E X. ii) Função de variância, Var X. : iii) Função de covariância,, ) : ( X, al que X X ( ), X EX ( X (., ) cov ) iv) Função de correlação,, ) : (, ) ( cov X ( ), X (, ). var X ( ), X E, Definição Um processo esocásico diz-se esacionário de ª ordem ou esacionário para a covariância sse for al que, para odo o, i) E ( X ( )) X E,e ii) Var ( X ( )) iii) Cov X, X ),. ( A parir de iii) verifica-se que, num processo esacionário de ª ordem, a covariância enre duas margens do processo e depende apenas da sua disância emporal. Assim sendo, pode-se dizer que a função de covariância é invariável no empo, logo pode ser definida aravés de uma única variável k. Esa propriedade ambém se verifica com a função de correlação. -6-
41 Funções de auocovariância e de auocorrelação 4. Processos Auorregressivos de ª Ordem - AR() Definição Num processo esacionário de ª ordem, chama-se: Função de auocovariância à função: cov X ( ), X k. Função de auocorrelação (FAC) à função: k k k X k cov X ( ), X k X ( ), X k. Var ( X ( )) Var A função de auocorrelação em uma grande relevância na idenificação do processo subjacene à componene dos erros de uma série emporal. Nos casos dos dados serem provenienes de amosras, a idenificação desse processo erá que ser efeuada a parir das esimaivas dos valores da referida função. É naural considerar-se os seguines esimadores para as funções de auocovariância e auocorrelação, respeivamene: em que X n O esimador n X ˆ, k nk n k ( X X )( X k X ) n ( X X )( X X ) k ˆ k, (4..6) n ( X X ) ˆ k é enviesado à esquerda, o mesmo aconecendo com ˆ k. Quano maior for k, maior será o desvio de E( ˆ k ) relaivamene a k e de E( ˆ k ) relaivamene a k, por isso é procedimeno comum esimar-se k e de k. n k para os primeiros valores 4 Funções de auocovariância e de auocorrelação parciais A função de auocorrelação parcial complemena a função de auocorrelação no que respeia à idenificação do modelo a que corresponde a componene aleaória da série emporal em esudo. Enquano a função de auocorrelação (FAC) é uma medida de -7-
42 4. Processos Auorregressivos de ª Ordem - AR() associação linear enre X e X k, independenemene da relação com as variáveis inermédias no processo, a função de auocorrelação parcial (FACP) mede a relação exisene enre as variáveis X e X depois de reirado o efeio das variáveis k inermédias, X X,..., X. A função de auocorrelação parcial pode ser represenada por P. K, k Represenando por i,..., k, podemos escrever que: ki a correlação enre a variável X e X k i, com k X k X X... X e k k k k kk k, em que o resíduo e k é não correlacionado com Z k i, com i,..., k. associa A função de auocorrelação parcial é, porano, a função que, a cada inervalo k PK. kk A esimação da função de auocorrelação parcial, no caso dos processos esacionários de ª ordem, poderá ser efeuada a parir das seguines equações: j k j k j... kk jk, j,,..., k, em que os valores de amosra. em-se enão que: j serão subsiuídos pelos de ˆ ˆ ˆ ˆ ˆ... ˆ ˆ j k j k j kk jk, j,,..., k. ˆ j, esimados a parir da Segundo Dublin (96), as soluções do sisema de equações anerior podem ser deerminadas de forma recursiva, a parir das seguines expressões: ˆ ( k)( k) ˆ k k j k j ˆ ˆ kj ˆ ˆ kj k j j e ˆ ˆ ˆ ˆ ( k ) j kj ( k)( k) k ( k j), j,..., k -8-
43 4. Processos Auorregressivos de ª Ordem - AR() 4.. Processo de Ruído Branco e Processo Auorregressivo de ª Ordem - AR() Um dos modelos que normalmene esá presene na componene dos erros de séries emporais é o chamado processo auorregressivo de ª ordem AR(), definido a parir de um processo de ruído branco. Definição 4... Um processo esocásico de ruído branco sse i) E a ) ii) ( Var ( a ) a (variância consane) iii) Cov( a, a ), k,,... k k A parir da definição anerior, pode concluir-se que k,,... k. k a, Z diz-se puramene aleaório ou Num processo de ruído brando, a sucessão das variáveis aleaórias apresenam correlação nula. É um processo que por si só não em grande uilidade, odavia é a parir dese que muios dos processos emporais são definidos. Conclui-se ainda que um processo de ruído branco é um processo esacionário de ª ordem. Definição 4... Um processo auorregressivo de ª ordem AR() é um processo definido a parir de um processo puramene aleaório a e que verifica a equação Z Z a, em que a é um processo de ruído branco. Escrevendo a série Z a parir do seu primeiro valor e considerando Z, em-se: Z a, Z a, Z Z a 3 a a a3, a a... a a. Assim, nos casos em que Z, podemos redefinir Z de forma não recursiva, aravés da seguine expressão: -9-
44 4. Processos Auorregressivos de ª Ordem - AR() Z j a a... a a a j. j Dada a correlação exisene enre as variáveis dese processo, quando Z, os valores da série serão afeados de alguma forma por ese valor inicial. Conudo, para valores de suficienemene grandes, Z perderá a sua influência no comporameno do processo. Assim sendo, considerando que o início da série é dado por ender para o infinio, em-se que Z N, com N a Z j j a j a j. j j Conudo, para Z poder ser represenado pelas séries represenadas na expressão anerior, é preciso que essas séries sejam convergenes em média quadráica, o que aconece se. Deduz-se ainda que o processo AR() é esacionário sse. Do resulado anerior pode concluir-se que, num processo AR(), se, a covariância e a correlação enre dois ponos do processo, e, dependem apenas da disância emporal, ou seja:, ) ( ), (, ) ( ). ( Z. a Propriedade Num processo AR(), em-se EZ e var Demonsração: Como E, para a j j j, EZ E a j E a j Ea j j j j var j j j Z var a j var a j vara j a Para j j j, a série geomérica j é convergene, sendo a sua soma j j j, var Z a logo, -3-
45 4. Processos Auorregressivos de ª Ordem - AR() Em (4..5) foram apresenadas as funções de auocovariância e de auocorrelação para qualquer processo esacionário de ª ordem, odavia exisem expressões mais simplificadas para o caso do processo AR(). obém-se, A função de auocovariância de um processo AR() é dada pela expressão Demonsração: k a k com k,,,.... Muliplicando ambos os membros da equação Z omando valores médios, E Como as variáveis a e Zk Z k Z Z a Z. k Z Z EZ Z Ea Z k k. k Z a por, k k Z são independenes com valor médio nulo, a Z E( a ) E( Z ) E. k k Assim, covz, Z EZ, Z k k k E Z, Z k k k E Z, Z k k Z k k k E k k Z k, Zk varz k. Z, a Como var k k a k k k a Como, enão k com k,,,.... Por sua vez, a função de auocorrelação de um processo AR() é dada por: k k k, k,,,.... k Nese processo, cada variável aleaória Z esá correlacionada com a variável aleaória definida no insane anerior, Z. Uma vez que o processo AR() é -3-
46 4. Processos Auorregressivos de ª Ordem - AR() esacionário de ª ordem, ou seja, esacionário para a variância, o valor do coeficiene de correlação enre duas variáveis consecuivas no empo, Z e Z,dado por, é consane. Ese valor corresponde ao valor da consane definida na equação dese modelo. Nauralmene que um esimador para o parâmero auorregressivo será ˆ ˆ. (4..4) ˆ ˆ O esimador ˆ em (4..4) engloba-se nos denominados esimadores de Yule- Walker. Nos capíulos 6 e 7, esudo de simulação e análise de séries reais, respeivamene, é uilizado ese esimador para deerminar a esimaiva do respeivo parâmero. No que concerne ao modelo de regressão linear quando os erros apresenam auocorrelação serial, é imporane salienar que o esimador dos mínimos quadrados ordinários coninua a ser não enviesado e consisene (a esimaiva converge para o valor do parâmero) no enano perde eficiência, deixando de er variância mínima. Ese aumeno da variância do esimador, face ao do modelo sem correlação, leva ambém a que os eses esaísicos de significância dos parâmeros e os limies de confiança dos mesmos deixem de ser os correos. Esa siuação é mais problemáica para valores de correlação maiores. -3-
EXAME DE ESTATÍSTICA AMBIENTAL 1ª Época (v1)
Nome: Aluno nº: Duração: horas LICENCIATURA EM CIÊNCIAS DE ENGENHARIA - ENGENHARIA DO AMBIENTE EXAME DE ESTATÍSTICA AMBIENTAL ª Época (v) I (7 valores) Na abela seguine apresena-se os valores das coordenadas
Leia maisECONOMETRIA. Prof. Patricia Maria Bortolon, D. Sc.
ECONOMETRIA Prof. Paricia Maria Borolon, D. Sc. Séries Temporais Fone: GUJARATI; D. N. Economeria Básica: 4ª Edição. Rio de Janeiro. Elsevier- Campus, 2006 Processos Esocásicos É um conjuno de variáveis
Leia maisConceito. Exemplos. Os exemplos de (a) a (d) mostram séries discretas, enquanto que os de (e) a (g) ilustram séries contínuas.
Conceio Na Esaísica exisem siuações onde os dados de ineresse são obidos em insanes sucessivos de empo (minuo, hora, dia, mês ou ano), ou ainda num período conínuo de empo, como aconece num elerocardiograma
Leia maisSéries temporais Modelos de suavização exponencial. Séries de temporais Modelos de suavização exponencial
Programa de Pós-graduação em Engenharia de Produção Análise de séries de empo: modelos de suavização exponencial Profa. Dra. Liane Werner Séries emporais A maioria dos méodos de previsão se baseiam na
Leia mais4 O modelo econométrico
4 O modelo economérico O objeivo desse capíulo é o de apresenar um modelo economérico para as variáveis financeiras que servem de enrada para o modelo esocásico de fluxo de caixa que será apresenado no
Leia maisEconometria Semestre
Economeria Semesre 00.0 6 6 CAPÍTULO ECONOMETRIA DE SÉRIES TEMPORAIS CONCEITOS BÁSICOS.. ALGUMAS SÉRIES TEMPORAIS BRASILEIRAS Nesa seção apresenamos algumas séries econômicas, semelhanes às exibidas por
Leia maisCapítulo 4. Propriedades dos Estimadores de Mínimos Quadrados
Capíulo 4 Propriedades dos Esimadores de Mínimos Quadrados Hipóeses do Modelo de Regressão Linear Simples RS1. y x e 1 RS. Ee ( ) 0 E( y ) 1 x RS3. RS4. var( e) var( y) cov( e, e ) cov( y, y ) 0 i j i
Leia maisAplicações à Teoria da Confiabilidade
Aplicações à Teoria da ESQUEMA DO CAPÍTULO 11.1 CONCEITOS FUNDAMENTAIS 11.2 A LEI DE FALHA NORMAL 11.3 A LEI DE FALHA EXPONENCIAL 11.4 A LEI DE FALHA EXPONENCIAL E A DISTRIBUIÇÃO DE POISSON 11.5 A LEI
Leia maisCaracterísticas dos Processos ARMA
Caracerísicas dos Processos ARMA Aula 0 Bueno, 0, Capíulos e 3 Enders, 009, Capíulo. a.6 Morein e Toloi, 006, Capíulo 5. Inrodução A expressão geral de uma série emporal, para o caso univariado, é dada
Leia maisDEMOGRAFIA. Assim, no processo de planeamento é muito importante conhecer a POPULAÇÃO porque:
DEMOGRAFIA Fone: Ferreira, J. Anunes Demografia, CESUR, Lisboa Inrodução A imporância da demografia no planeameno regional e urbano O processo de planeameno em como fim úlimo fomenar uma organização das
Leia maisTeoremas Básicos de Equações a Diferenças Lineares
Teoremas Básicos de Equações a Diferenças Lineares (Chiang e Wainwrigh Capíulos 17 e 18) Caracerização Geral de Equações a diferenças Lineares: Seja a seguine especificação geral de uma equação a diferença
Leia maisModelagem e Previsão do Índice de Saponificação do Óleo de Soja da Giovelli & Cia Indústria de Óleos Vegetais
XI SIMPEP - Bauru, SP, Brasil, 8 a 1 de novembro de 24 Modelagem e Previsão do Índice de Saponificação do Óleo de Soja da Giovelli & Cia Indúsria de Óleos Vegeais Regiane Klidzio (URI) gep@urisan.che.br
Leia maisUniversidade Federal do Rio de Janeiro
Universidade Federal do Rio de Janeiro Circuios Eléricos I EEL42 Coneúdo 8 - Inrodução aos Circuios Lineares e Invarianes...1 8.1 - Algumas definições e propriedades gerais...1 8.2 - Relação enre exciação
Leia maisCálculo do valor em risco dos ativos financeiros da Petrobrás e da Vale via modelos ARMA-GARCH
Cálculo do valor em risco dos aivos financeiros da Perobrás e da Vale via modelos ARMA-GARCH Bruno Dias de Casro 1 Thiago R. dos Sanos 23 1 Inrodução Os aivos financeiros das companhias Perobrás e Vale
Leia maisAnálise de séries de tempo: modelos de decomposição
Análise de séries de empo: modelos de decomposição Profa. Dra. Liane Werner Séries de emporais - Inrodução Uma série emporal é qualquer conjuno de observações ordenadas no empo. Dados adminisraivos, econômicos,
Leia maisProf. Carlos H. C. Ribeiro ramal 5895 sala 106 IEC
MB770 Previsão usa ando modelos maemáicos Prof. Carlos H. C. Ribeiro carlos@comp.ia.br www.comp.ia.br/~carlos ramal 5895 sala 106 IEC Aula 14 Modelos de defasagem disribuída Modelos de auo-regressão Esacionariedade
Leia maisExercícios sobre o Modelo Logístico Discreto
Exercícios sobre o Modelo Logísico Discreo 1. Faça uma abela e o gráfico do modelo logísico discreo descrio pela equação abaixo para = 0, 1,..., 10, N N = 1,3 N 1, N 0 = 1. 10 Solução. Usando o Excel,
Leia mais4 Metodologia Proposta para o Cálculo do Valor de Opções Reais por Simulação Monte Carlo com Aproximação por Números Fuzzy e Algoritmos Genéticos.
4 Meodologia Proposa para o Cálculo do Valor de Opções Reais por Simulação Mone Carlo com Aproximação por Números Fuzzy e Algorimos Genéicos. 4.1. Inrodução Nese capíulo descreve-se em duas pares a meodologia
Leia mais4 Análise de Sensibilidade
4 Análise de Sensibilidade 4.1 Considerações Gerais Conforme viso no Capíulo 2, os algorimos uilizados nese rabalho necessiam das derivadas da função objeivo e das resrições em relação às variáveis de
Leia mais4 O Papel das Reservas no Custo da Crise
4 O Papel das Reservas no Cuso da Crise Nese capíulo buscamos analisar empiricamene o papel das reservas em miigar o cuso da crise uma vez que esa ocorre. Acrediamos que o produo seja a variável ideal
Leia mais3 Retorno, Marcação a Mercado e Estimadores de Volatilidade
eorno, Marcação a Mercado e Esimadores de Volailidade 3 3 eorno, Marcação a Mercado e Esimadores de Volailidade 3.. eorno de um Aivo Grande pare dos esudos envolve reorno ao invés de preços. Denre as principais
Leia maisCircuitos Elétricos I EEL420
Universidade Federal do Rio de Janeiro Circuios Eléricos I EEL420 Coneúdo 1 - Circuios de primeira ordem...1 1.1 - Equação diferencial ordinária de primeira ordem...1 1.1.1 - Caso linear, homogênea, com
Leia mais*UiILFRGH&RQWUROH(:0$
*UiILFRGH&RQWUROH(:$ A EWMA (de ([SRQHQWLDOO\:HLJKWHGRYLQJ$YHUDJH) é uma esaísica usada para vários fins: é largamene usada em méodos de esimação e previsão de séries emporais, e é uilizada em gráficos
Leia maisUniversidade do Estado do Rio de Janeiro Instituto de Matemática e Estatística Econometria
Universidade do Esado do Rio de Janeiro Insiuo de Maemáica e Esaísica Economeria Variável dummy Regressão linear por pares Tese de hipóeses simulâneas sobre coeficienes de regressão Tese de Chow professorjfmp@homail.com
Leia maisContabilometria. Séries Temporais
Conabilomeria Séries Temporais Fone: Corrar, L. J.; Theóphilo, C. R. Pesquisa Operacional para Decisão em Conabilidade e Adminisração, Ediora Alas, São Paulo, 2010 Cap. 4 Séries Temporais O que é? Um conjuno
Leia maisAPOSTILA DE MODELOS LINEARES EM SÉRIES TEMPORAIS
UNIVERSIDADE FEDERAL DE MINAS GERAIS - UFMG INSIUO DE CIÊNCIAS EXAAS ICEx DEPARAMENO DE ESAÍSICA ES APOSILA DE MODELOS LINEARES EM SÉRIES EMPORAIS Glaura da Conceição Franco (ES/UFMG) Belo Horizone, agoso
Leia maisAplicação de Séries Temporais na Série Teor de Umidade da Areia de Fundição da Indústria FUNDIMISA*
XII SIMPEP, Bauru, SP, Brasil, 7 a 9 de novembro de 25 Aplicação de Séries Temporais na Série Teor de Umidade da Areia de Fundição da Indúsria FUNDIMISA* Suzana Russo (URI - UALG) jss@urisan.che.br Paulo
Leia maisProblema de controle ótimo com equações de estado P-fuzzy: Programação dinâmica
Problema de conrole óimo com equações de esado P-fuzzy: Programação dinâmica Michael Macedo Diniz, Rodney Carlos Bassanezi, Depo de Maemáica Aplicada, IMECC, UNICAMP, 1383-859, Campinas, SP diniz@ime.unicamp.br,
Leia mais3 Metodologia 3.1. O modelo
3 Meodologia 3.1. O modelo Um esudo de eveno em como obeivo avaliar quais os impacos de deerminados aconecimenos sobre aivos ou iniciaivas. Para isso são analisadas as diversas variáveis impacadas pelo
Leia mais1 Pesquisador - Embrapa Semiárido. 2 Analista Embrapa Semiárido.
XII Escola de Modelos de Regressão, Foraleza-CE, 13-16 Março 2011 Análise de modelos de previsão de preços de Uva Iália: uma aplicação do modelo SARIMA João Ricardo F. de Lima 1, Luciano Alves de Jesus
Leia maisFunção de risco, h(t) 3. Função de risco ou taxa de falha. Como obter a função de risco. Condições para uma função ser função de risco
Função de risco, h() 3. Função de risco ou axa de falha Manuenção e Confiabilidade Prof. Flavio Fogliao Mais imporane das medidas de confiabilidade Traa-se da quanidade de risco associada a uma unidade
Leia maisEstudo comparativo do fluxo de caminhões nos portos de Uruguaiana e Foz do Iguaçu
XIII SIMPEP - Bauru, SP, Brasil, 6 a 8 de novembro de 26. Esudo comparaivo do fluxo de caminhões nos poros de Uruguaiana e Foz do Iguaçu Suzana Leião Russo (URI) jss@urisan.che.br Ivan Gomes Jardim (URI)
Leia maisO gráfico que é uma reta
O gráfico que é uma rea A UUL AL A Agora que já conhecemos melhor o plano caresiano e o gráfico de algumas relações enre e, volemos ao eemplo da aula 8, onde = + e cujo gráfico é uma rea. Queremos saber
Leia maisLista de Exercícios #11 Assunto: Séries Temporais
. ANPEC 995 - Quesão 5 Lisa de Exercícios # Assuno: Séries Temporais Sea yi xi i ordinários (MQO) de e, respecivamene. Pode-se afirmar que: uma equação de regressão e seam a e b esimadores de mínimos quadrados
Leia maisInstituto de Física USP. Física V - Aula 26. Professora: Mazé Bechara
Insiuo de Física USP Física V - Aula 6 Professora: Mazé Bechara Aula 6 Bases da Mecânica quânica e equações de Schroedinger. Aplicação e inerpreações. 1. Ouros posulados da inerpreação de Max-Born para
Leia maisCap. 5 - Tiristores 1
Cap. 5 - Tirisores 1 Tirisor é a designação genérica para disposiivos que êm a caracerísica esacionária ensão- -correne com duas zonas no 1º quadrane. Numa primeira zona (zona 1) as correnes são baixas,
Leia maisCapítulo 2: Proposta de um Novo Retificador Trifásico
30 Capíulo 2: Proposa de um Novo Reificador Trifásico O mecanismo do descobrimeno não é lógico e inelecual. É uma iluminação suberrânea, quase um êxase. Em seguida, é cero, a ineligência analisa e a experiência
Leia maisAULA 22 PROCESSO DE TORNEAMENTO: CONDIÇÕES ECONÔMICAS DE USINAGEM
AULA 22 PROCESSO DE TORNEAMENTO: CONDIÇÕES ECONÔMICAS DE USINAGEM 163 22. PROCESSO DE TORNEAMENTO: CONDIÇÕES ECONÔMICAS DE USINAGEM 22.1. Inrodução Na Seção 9.2 foi falado sobre os Parâmeros de Core e
Leia maisDecomposição Clássica
Méodos Esaísicos de Previsão MÉTODOS ESTATÍSTICOS DE PREVISÃO 0 08 06 04 02 00 98 96 94 92 90 0 5 0 5 20 Decomposição Clássica Bernardo Almada-Lobo Méodos Esaísicos de Previsão 2 Decomposição Clássica
Leia maisIntrodução às Medidas em Física
Inrodução às Medidas em Física 43152 Elisabeh Maeus Yoshimura emaeus@if.usp.br Bloco F Conjuno Alessandro Vola sl 18 agradecimenos a Nemiala Added por vários slides Conceios Básicos Lei Zero da Termodinâmica
Leia maisVoo Nivelado - Avião a Hélice
- Avião a Hélice 763 º Ano da icenciaura em ngenharia Aeronáuica edro. Gamboa - 008. oo de ruzeiro De modo a prosseguir o esudo analíico do desempenho, é conveniene separar as aeronaves por ipo de moor
Leia maisNoções de Espectro de Freqüência
MINISTÉRIO DA EDUCAÇÃO - Campus São José Curso de Telecomunicações Noções de Especro de Freqüência Marcos Moecke São José - SC, 6 SUMÁRIO 3. ESPECTROS DE FREQÜÊNCIAS 3. ANÁLISE DE SINAIS NO DOMÍNIO DA
Leia maisA entropia de uma tabela de vida em previdência social *
A enropia de uma abela de vida em previdência social Renao Marins Assunção Leícia Gonijo Diniz Vicorino Palavras-chave: Enropia; Curva de sobrevivência; Anuidades; Previdência Resumo A enropia de uma abela
Leia maisIntrodução aos Sinais
UNIVASF Análise de Sinais e Sisemas Inrodução aos Sinais Prof. Rodrigo Ramos godoga@gmail.com Classificação de Sinais Sinais Sinais geralmene ransporam informações a respeio do esado ou do comporameno
Leia maisTRANSFORMADA DE FOURIER NOTAS DE AULA (CAP. 18 LIVRO DO NILSON)
TRANSFORMADA DE FOURIER NOTAS DE AULA (CAP. 8 LIVRO DO NILSON). CONSIDERAÇÕES INICIAIS SÉRIES DE FOURIER: descrevem funções periódicas no domínio da freqüência (ampliude e fase). TRANSFORMADA DE FOURIER:
Leia maisEstimação em Processos ARMA com Adição de Termos de Perturbação
UNIVER ERSIDADE DE FEDERAL DO RIO GRANDE DO SUL INSTITUTO DE MATEMÁTICA DEP EPARTAMENTO DE ESTATÍSTICA Esimação em Processos ARMA com Adição de Termos de Perurbação Auor: Paricia Vieira de Llano Orienador:
Leia maisAnálise de Pós-optimização e de Sensibilidade
CPÍULO nálise de Pós-opimização e de Sensibilidade. Inrodução Uma das arefas mais delicadas no desenvolvimeno práico dos modelos de PL, relaciona-se com a obenção de esimaivas credíveis para os parâmeros
Leia mais5 Metodologia Probabilística de Estimativa de Reservas Considerando o Efeito-Preço
5 Meodologia Probabilísica de Esimaiva de Reservas Considerando o Efeio-Preço O principal objeivo desa pesquisa é propor uma meodologia de esimaiva de reservas que siga uma abordagem probabilísica e que
Leia maisExperiência IV (aulas 06 e 07) Queda livre
Experiência IV (aulas 06 e 07) Queda livre 1. Objeivos. Inrodução 3. Procedimeno experimenal 4. Análise de dados 5. Quesões 6. Referências 1. Objeivos Nesa experiência, esudaremos o movimeno da queda de
Leia maisProcessos de Markov. Processos de Markov com tempo discreto Processos de Markov com tempo contínuo. com tempo discreto. com tempo contínuo
Processos de Markov Processos sem memória : probabilidade de X assumir um valor fuuro depende apenas do esado aual (desconsidera esados passados). P(X n =x n X =x,x 2 =x 2,...,X n- =x n- ) = P(X n =x n
Leia maisUTILIZAÇÃO DO MÉTODO DE HOLT-WINTERS PARA PREVISÃO DO LEITE ENTREGUE ÀS INDÚSTRIAS CATARINENSES
UTILIZAÇÃO DO MÉTODO DE HOLT-WINTERS PARA PREVISÃO DO LEITE ENTREGUE ÀS INDÚSTRIAS CATARINENSES Rober Wayne Samohyl Professor do Programa de Pós-Graduação em Engenharia de Produção e Sisemas UFSC. Florianópolis-SC.
Leia mais2.6 - Conceitos de Correlação para Sinais Periódicos
.6 - Conceios de Correlação para Sinais Periódicos O objeivo é o de comparar dois sinais x () e x () na variável empo! Exemplo : Considere os dados mosrados abaixo y 0 x Deseja-se ober a relação enre x
Leia maisModelos de Crescimento Endógeno de 1ªgeração
Teorias do Crescimeno Económico Mesrado de Economia Modelos de Crescimeno Endógeno de 1ªgeração Inrodução A primeira geração de modelos de crescimeno endógeno ena endogeneiar a axa de crescimeno de SSG
Leia maisCINÉTICA QUÍMICA LEI DE VELOCIDADE - TEORIA
CINÉTICA QUÍMICA LEI DE VELOCIDADE - TEORIA Inrodução Ese arigo raa de um dos assunos mais recorrenes nas provas do IME e do ITA nos úlimos anos, que é a Cinéica Química. Aqui raamos principalmene dos
Leia maisO gráfico que é uma reta
O gráfico que é uma rea A UUL AL A Agora que já conhecemos melhor o plano caresiano e o gráfico de algumas relações enre e, volemos ao eemplo da aula 8, onde = + e cujo gráfico é uma rea. Queremos saber
Leia maisCapítulo 7. O Modelo de Regressão Linear Múltipla
Capíulo 7 O Modelo de Regressão Linear Múlipla Quando ornamos um modelo econômico com mais de uma variável explanaória em um modelo esaísico correspondene, nós dizemos que ele é um modelo de regressão
Leia maisTipos de Processos Estocásticos
Mesrado em Finanças e Economia Empresarial EPGE - FGV Derivaivos Pare 7: Inrodução ao álculo Diferencial Esocásico Derivaivos - Alexandre Lowenkron Pág. 1 Tipos de Processos Esocásicos Qualquer variável
Leia maisUNIVERSIDADE DA BEIRA INTERIOR FACULDADE DE CIÊNCIAS SOCIAIS E HUMANAS DEPARTAMENTO DE GESTÃO E ECONOMIA MACROECONOMIA III
UNIVERSIDADE DA BEIRA INTERIOR FACUDADE DE CIÊNCIAS SOCIAIS E HUMANAS DEPARTAMENTO DE GESTÃO E ECONOMIA MACROECONOMIA III icenciaura de Economia (ºAno/1ºS) Ano ecivo 007/008 Caderno de Exercícios Nº 1
Leia mais3 LTC Load Tap Change
54 3 LTC Load Tap Change 3. Inrodução Taps ou apes (ermo em poruguês) de ransformadores são recursos largamene uilizados na operação do sisema elérico, sejam eles de ransmissão, subransmissão e disribuição.
Leia maisCADEIAS DE MARKOV: UM TEMA COM APLICAÇÕES INTERESSANTES E POSSIBILIDADES INTERDISCIPLINARES NA EDUCAÇÃO BÁSICA
CADEIAS DE MARKOV: UM TEMA COM APLICAÇÕES INTERESSANTES E POSSIBILIDADES INTERDISCIPLINARES NA EDUCAÇÃO BÁSICA Chrisine Serã Cosa Ricardo Moura dos Sanos Marques. INTRODUÇÃO A proposa principal do presene
Leia maisA CONTABILIZAÇÃO DOS LUCROS DO MANIPULADOR 1
16 : CADERNOS DO MERCADO DE VALORES MOBILIÁRIOS A CONTABILIZAÇÃO DOS LUCROS DO MANIPULADOR 1 PAULO HORTA* A esimaiva dos lucros obidos pelo preenso manipulador apresena-se como uma arefa imporane na análise
Leia maisSÉRIE: Estatística Básica Texto: SÉRIES TEMPORAIS SUMÁRIO 1. INTRODUÇÃO TENDÊNCIA VARIAÇÕES SAZONAIS... 16
SÉRIE: Esaísica Básica Texo: SÉRIES TEMPORAIS SUMÁRIO. INTRODUÇÃO... 3.. NOTAÇÃO E NOMENCLATURA... 3.. COMPONENTES DE UMA SÉRIE TEMPORAL... 5.3. ESTACIONARIDADE... 6. TENDÊNCIA... 6.. DETERMINAÇÃO DA TENDÊNCIA...
Leia maisPrimeira Lista de Exercícios
TP30 Modulação Digial Prof.: MSc. Marcelo Carneiro de Paiva Primeira Lisa de Exercícios Caracerize: - Transmissão em Banda-Base (apresene um exemplo de especro de ransmissão). - Transmissão em Banda Passane
Leia mais4 Modelagem e metodologia de pesquisa
4 Modelagem e meodologia de pesquisa Nese capíulo será apresenada a meodologia adoada nese rabalho para a aplicação e desenvolvimeno de um modelo de programação maemáica linear misa, onde a função-objeivo,
Leia maisMODELOS DE VOLATILIDADE: COMPARAÇÃO COM DADOS SIMULADOS
MODELOS DE VOLATILIDADE: COMPARAÇÃO COM DADOS SIMULADOS Paulo Henrique Soo Cosa PUC-Rio / Dep. Engenharia Indusrial Rua M. S. Vicene 5 sala 950L CEP:453-900 Rio de Janeiro RJ UERJ / Fac. Ciências Econômicas
Leia maisCapítulo Cálculo com funções vetoriais
Cálculo - Capíulo 6 - Cálculo com funções veoriais - versão 0/009 Capíulo 6 - Cálculo com funções veoriais 6 - Limies 63 - Significado geomérico da derivada 6 - Derivadas 64 - Regras de derivação Uiliaremos
Leia maisUtilização de modelos de holt-winters para a previsão de séries temporais de consumo de refrigerantes no Brasil
XXVI ENEGEP - Foraleza, CE, Brasil, 9 a 11 de Ouubro de 2006 Uilização de modelos de hol-winers para a previsão de séries emporais de consumo de refrigeranes no Brasil Jean Carlos da ilva Albuquerque (UEPA)
Leia maisESCOLA SECUNDÁRIA COM 3º CICLO D. DINIS 12º ANO DE ESCOLARIDADE DE MATEMÁTICA A Tema II Introdução ao Cálculo Diferencial II
ESCOLA SECUNDÁRIA COM 3º CICLO D. DINIS 2º ANO DE ESCOLARIDADE DE MATEMÁTICA A Tema II Inrodução ao Cálculo Diferencial II TPC nº 9 Enregar em 4 2 29. Num loe de bolbos de úlipas a probabilidade de que
Leia mais6 Processos Estocásticos
6 Processos Esocásicos Um processo esocásico X { X ( ), T } é uma coleção de variáveis aleaórias. Ou seja, para cada no conjuno de índices T, X() é uma variável aleaória. Geralmene é inerpreado como empo
Leia maisConfiabilidade e Taxa de Falhas
Prof. Lorí Viali, Dr. hp://www.pucrs.br/fama/viali/ viali@pucrs.br Definição A confiabilidade é a probabilidade de que de um sisema, equipameno ou componene desempenhe a função para o qual foi projeado
Leia maisSISTEMAS DE FILAS DE ESPERA COM INFINITOS SERVIDORES UMA APLICAÇÃO EM LOGÍSTICA
SISTEMAS DE FILAS DE ESPERA COM INFINITOS SERVIDORES UMA APLICAÇÃO EM LOGÍSTICA. INTRODUÇÃO Nese rabalho consideram-se sisemas de filas de espera com infinios servidores. Traamos quer nós isolados quer
Leia maisCONTABILIDADE DOS CICLOS ECONÓMICOS PARA PORTUGAL*
CONTABILIDADE DOS CICLOS ECONÓMICOS PARA PORTUGAL* Nikolay Iskrev** Resumo Arigos Ese arigo analisa as fones de fluuação dos ciclos económicos em Porugal usando a meodologia de conabilidade dos ciclos
Leia maisExercícios Sobre Oscilações, Bifurcações e Caos
Exercícios Sobre Oscilações, Bifurcações e Caos Os ponos de equilíbrio de um modelo esão localizados onde o gráfico de + versus cora a rea definida pela equação +, cuja inclinação é (pois forma um ângulo
Leia maisSeção 5: Equações Lineares de 1 a Ordem
Seção 5: Equações Lineares de 1 a Ordem Definição. Uma EDO de 1 a ordem é dia linear se for da forma y + fx y = gx. 1 A EDO linear de 1 a ordem é uma equação do 1 o grau em y e em y. Qualquer dependência
Leia mais2 Os métodos da família X Introdução
2 Os méodos da família X 2. Inrodução O méodo X (Dagum, 980) emprega médias móveis (MM) para esimar as principais componenes de uma série (Sysem of Naional Accouns, 2003): a endência e a sazonalidade.
Leia mais4 Aplicação do Modelo
Aplicação do Modelo É possível enconrar na lieraura diversas aplicações que uilizam écnicas esaísicas e de compuação inensiva para realizar previsões de curo prazo na área de energia elérica. Enre elas
Leia maisUNIVERSIDADE FEDERAL DE JUIZ DE FORA DEPARTAMENTO DE ESTATÍSTICA CURSO DE ESTATÍSTICA
UNIVERSIDADE FEDERAL DE JUIZ DE FORA DEPARAMENO DE ESAÍSICA CURSO DE ESAÍSICA Isabela Abreu Curim Uma Revisão de Modelos Lineares Dinâmicos Juiz de Fora 2014 Isabela Abreu Curim Uma Revisão de Modelos
Leia maisAnálise de Projectos ESAPL / IPVC. Critérios de Valorização e Selecção de Investimentos. Métodos Dinâmicos
Análise de Projecos ESAPL / IPVC Criérios de Valorização e Selecção de Invesimenos. Méodos Dinâmicos Criério do Valor Líquido Acualizado (VLA) O VLA de um invesimeno é a diferença enre os valores dos benefícios
Leia maisECONOMETRIA. Prof. Patricia Maria Bortolon, D. Sc.
ECONOMETRIA Prof. Paricia Maria Borolon, D. Sc. Aocorrelação Fone: GUJARATI; D. N. Economeria Básica: 4ª Edição. Rio de Janeiro. Elsevier- Camps, 006 Core Transversal Série Temporal Em geral, com dados
Leia maisMATEMÁTICA E SUAS TECNOLOGIAS
1º SIMULADO ENEM 017 Resposa da quesão 1: MATEMÁTICA E SUAS TECNOLOGIAS Basa aplicar a combinação de see espores agrupados dois a dois, logo: 7! C7,!(7 )! 7 6 5! C7,!5! 7 6 5! C7, 1!5! Resposa da quesão
Leia maisNotas de Aulas Econometria I- EPGE/FGV Eduardo P. Ribeiro, Do ponto de vista estatístico, quero que a média do y seja dada pelo modelo linear:
Noas de Aulas Economeria I- EPGE/FGV Eduardo P Ribeiro, 008 *Hipóeses do Modelo Clássico de Regressão Linear (0) Modelo é linear => y i = α + β x i + + β k x ki + ε i Do pono de visa esaísico, quero que
Leia mais3 Avaliação de Opções Americanas
Avaliação de Opções Americanas 26 3 Avaliação de Opções Americanas Derivaivos com caracerísicas de exercício americano, em especial opções, são enconrados na maioria dos mercados financeiros. A avaliação
Leia maisCE017 - ANÁLISE DE SÉRIES TEMPORAIS NOTAS DE AULA
CE07 - ANÁLISE DE SÉRIES TEMPORAIS NOTAS DE AULA Esas Noas de Aula êm apenas o objeivo de faciliar o rabalho do aluno em sala de aula na pare de anoação do coneúdo exposo pelo professor e com iso se ganha
Leia maisUM MÉTODO RÁPIDO PARA ANÁLISE DO COMPORTAMENTO TÉRMICO DO ENROLAMENTO DO ESTATOR DE MOTORES DE INDUÇÃO TRIFÁSICOS DO TIPO GAIOLA
ART643-07 - CD 262-07 - PÁG.: 1 UM MÉTD RÁPID PARA ANÁLISE D CMPRTAMENT TÉRMIC D ENRLAMENT D ESTATR DE MTRES DE INDUÇÃ TRIFÁSICS D TIP GAILA 1 - RESUM Jocélio de Sá; João Robero Cogo; Hécor Arango. objeivo
Leia maisESTUDO DO MOVIMENTO UNIFORMEMENTE ACELERADO DETERMINAÇÃO DA ACELERAÇÃO DA GRAVIDADE
TRABALHO PRÁTICO ESTUDO DO MOVIMENTO UNIFORMEMENTE ACELERADO DETERMINAÇÃO DA ACELERAÇÃO DA GRAVIDADE Objecivo Preende-se esudar o movimeno recilíneo e uniformemene acelerado medindo o empo gaso por um
Leia mais2 Processos Estocásticos de Reversão à Média para Aplicação em Opções Reais
Processos Esocásicos de Reversão à Média para Aplicação em Opções Reais Resumo Ese capíulo analisa alguns méodos usados na deerminação da validade de diferenes processos esocásicos para modelar uma variável
Leia maisLista de Exercícios nº 3 - Parte IV
DISCIPLINA: SE503 TEORIA MACROECONOMIA 01/09/011 Prof. João Basilio Pereima Neo E-mail: joaobasilio@ufpr.com.br Lisa de Exercícios nº 3 - Pare IV 1ª Quesão (...) ª Quesão Considere um modelo algébrico
Leia maisProfessor: Danilo Dacar
Progressão Ariméica e Progressão Geomérica. (Pucrj 0) Os números a x, a x e a x esão em PA. A soma dos números é igual a: a) 8 b) c) 7 d) e) 0. (Fuves 0) Dadas as sequências an n n, n n cn an an b, e b
Leia maisMETODOLOGIA PARA IMPLEMENTAÇÃO DE SISTEMAS DE PREVISÃO DE DEMANDA
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL ESCOLA DE ENGENHARIA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO METODOLOGIA PARA IMPLEMENTAÇÃO DE SISTEMAS DE PREVISÃO DE DEMANDA Fernando Rezende Pellegrini
Leia maisONDAS ELETROMAGNÉTICAS
LTROMAGNTISMO II 3 ONDAS LTROMAGNÉTICAS A propagação de ondas eleromagnéicas ocorre quando um campo elérico variane no empo produ um campo magnéico ambém variane no empo, que por sua ve produ um campo
Leia maisProfessor: Danilo Dacar
. (Pucrj 0) Os números a x, a x e a3 x 3 esão em PA. A soma dos 3 números é igual a: é igual a e o raio de cada semicírculo é igual à meade do semicírculo anerior, o comprimeno da espiral é igual a a)
Leia maisCINÉTICA RADIOATIVA. Introdução. Tempo de meia-vida (t 1/2 ou P) Atividade Radioativa
CIÉTIC RDIOTIV Inrodução Ese arigo em como objeivo analisar a velocidade dos diferenes processos radioaivos, no que chamamos de cinéica radioaiva. ão deixe de anes esudar o arigo anerior sobre radioaividade
Leia mais4 CER Compensador Estático de Potência Reativa
68 4 ompensador Esáico de Poência Reaiva 4.1 Inrodução ompensadores esáicos de poência reaiva (s ou Saic var ompensaors (Ss são equipamenos de conrole de ensão cuja freqüência de uso em aumenado no sisema
Leia maisUNIVERSIDADE FEDERAL DE MINAS GERAIS UFMG. BOOTSTRAP ESTACIONARIO EM MODELOS ARFIMA (p,d,q)
UNIVERSIDADE FEDERAL DE MINAS GERAIS UFMG BOOTSTRAP ESTACIONARIO EM MODELOS ARFIMA (p,d,q) Silma de Souza Evangelisa Belo Horizone Junho 013 Silma de Souza Evangelisa BOOTSTRAP ESTACIONARIO EM MODELOS
Leia mais5 Aplicação da Modelagem Estrutural ao problema de previsão de Preço Spot de Energia Elétrica.
Aplicação da Modelagem Esruural ao problema de previsão de Preço Spo de Energia Elérica. 41 5 Aplicação da Modelagem Esruural ao problema de previsão de Preço Spo de Energia Elérica. 5.1. Inrodução Nesa
Leia maisDETERMINAÇÃO DA RAZÃO DE HEDGE ÓTIMA PARA O BOI GORDO NO MERCADO FUTURO DA BM&F PELA APLICAÇÃO DA SIMULAÇÃO MONTE CARLO
XXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO. DETERMINAÇÃO DA RAZÃO DE HEDGE ÓTIMA PARA O BOI GORDO NO MERCADO FUTURO DA BM&F PELA APLICAÇÃO DA SIMULAÇÃO MONTE CARLO Reginaldo Sanana Figueiredo (UFG)
Leia maisCapítulo 2: Conceitos Fundamentais sobre Circuitos Elétricos
SETOR DE TECNOLOGIA DEPARTAMENTO DE ENGENHARIA ELÉTRICA TE041 Circuios Eléricos I Prof. Ewaldo L. M. Mehl Capíulo 2: Conceios Fundamenais sobre Circuios Eléricos 2.1. CARGA ELÉTRICA E CORRENTE ELÉTRICA
Leia maisMATEMÁTICA APLICADA AO PLANEJAMENTO DA PRODUÇÃO E LOGÍSTICA. Silvio A. de Araujo Socorro Rangel
MAEMÁICA APLICADA AO PLANEJAMENO DA PRODUÇÃO E LOGÍSICA Silvio A. de Araujo Socorro Rangel saraujo@ibilce.unesp.br, socorro@ibilce.unesp.br Apoio Financeiro: PROGRAMA Inrodução 1. Modelagem maemáica: conceios
Leia maisGERAÇÃO DE PREÇOS DE ATIVOS FINANCEIROS E SUA UTILIZAÇÃO PELO MODELO DE BLACK AND SCHOLES
XXX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO Mauridade e desafios da Engenharia de Produção: compeiividade das empresas, condições de rabalho, meio ambiene. São Carlos, SP, Brasil, 1 a15 de ouubro de
Leia maisCURVAS DE CRESCIMENTO E OTIMIZAÇÃO DE UM PROCESSO INDUSTRIAL DE FERMENTAÇÃO
CURVAS DE CRESCIMENTO E OTIMIZAÇÃO DE UM PROCESSO INDUSTRIAL DE FERMENTAÇÃO Naália Peçanha Caninas Companhia Municipal de Limpeza Urbana - COMLURB Rua Major Ávila, 358 CEP 20.519-900-Rio de Janeiro- RJ
Leia mais