Filtro de Partículas Aplicados à Econometria. Daniel Henrique Orientador: Claudio José Bordin Júnior Mestrado em Engenharia da Informação
|
|
- Airton Estrada Cordeiro
- 5 Há anos
- Visualizações:
Transcrição
1 Filtro de Partículas Aplicados à Econometria Daniel Henrique Orientador: Claudio José Bordin Júnior Mestrado em Engenharia da Informação
2 Introdução Trabalhos Correlatos Filtragem Estocástica Metodologia Métodos de Filtragem Simulações Propostas Futuras Agenda
3 Introdução Constantes mudanças no mercado [16]; Importância da Previsão e Controle das Variações do Mercado; Análise por Métodos Qualitativos [5] e Análise por Métodos Quantitativos [4]; Estatística como Ferramenta de Controle.
4 Introdução Modelos de Autoregressão Filtros Estócásticos Redes Neurais
5 Introdução Foco do Trabalho: Modelo de Volatilidade Estocástica [9][10][18] derivado da equação de Black-Scholes [3]; em que: X t = β 1 + β 2 X t 1 + σu t y t = e Xt/2, (1) v t X t R é o logaritmo da volatilidade (log-volatility) no instante t N, a variável que se deseja estimar; u t e v t são processos estocásticos gaussianas independentes de média 0 e variância 1; β 1, β 2 e σ > 0 são parâmetros desconhecidos; y t é o retorno do mercado de ações observado em t. Para o caso em questão, P t é o preço de um ativo no momento, então o retorno y t é definido por y t = P t P t 1 1.
6 Introdução X t = β 1 + β 2 X t 1 + σu t y t = e X t/2 v t, (1) A estimação de X t é um problema de Filtragem Estocástica; Impossibilidade de resolução pelo filtro de Kalman (não-linearidade da expressão de y t ); Resolução do problema [9] utilizando filtros de partículas.
7 Introdução Objetivo geral Estudar às Aplicações de Filtros de Partículas à Econometria; Objetivos específicos a) Estudar e reproduzir o método aplicado em Djuric et al [9]; b) Comparar o método estudado com outros métodos de filtragem clássicos (Filtro de Kalman e Filtro de Kalman Estendido), e com filtros de partículas com estruturas distintas [10]; c) Propor um algoritmo alternativo baseado em Filtro de Partículas; d) Simular o comportamento dos algoritmos através de simulações via MATLAB com dados sintéticos e com dados reais.
8 Temas de Pesquisa Filtragem Estocástica Volatilidade Estocástica Estatística Aplicada
9 Áreas de Pesquisa CIÊNCIAS EXATAS E DA TERRA Probabilidade e Estatística Probabilidade e Estatísticas Aplicadas ENGENHARIA Engenharia Elétrica Telecomunicações CIÊNCIAS SOCIAIS APLICADAS Economia Métodos Quantitativos em Economia
10 Introdução Figura 1: Preço de Fechamento da PETR4.SA nos últimos 5 anos.
11 Trabalhos Correlatos - Em [9], é estimada a volatilidade do mercado financeiro por utilizando dados sintéticos, além de realizar testes com os índices da S&P Em [25][26], analisa-se a volatilidade estocástica utilizando o mesmo modelo de [9]. Porém, usa-se filtros IIR. - Em [27], analisa-se a variação do preço do Petróleo utilizando Filtros de Partículas.
12 Filtragem Estocástica - Estimação de uma variável desconhecida (estado) a partir de observações parciais, por meio de um modelo probabilístico. - Algumas Aplicações: Rastreamento de alvos [4]; Equalização cega de canais de comunicação [2]; Climatologia; Estimação do estado de um sistema elétrico de potência [19]; Problemas de econometria [7][11][20][23][24].
13 Representação do Problema de Filtragém Estocástica ቊ X n = f n X n 1, v n 1, θ n y n = h n X n, u n, θ n, (2) em que: X n é o estado; y n é uma sequência de observações; f n.,. é a função de transição de estados; h n.,. é a função de observação; θ n é um vetor de parâmetros; v n são sequências aleatórias, chamadas de ruído de excitação ; u n são sequências aleatórias, chamadas de ruído de observação.
14 Representação do Problema de Filtragém Estocástica em que: ቊ X n = f n X n 1, v n 1, θ n y n = h n X n, u n, θ n, (2) X n é o estado; y n é uma sequência de observações; f n.,. é a função de transição de estados; h n.,. é a função de observação; θ n é um vetor de parâmetros; v n são sequências aleatórias, chamadas de ruído de excitação ; u n são sequências aleatórias, chamadas de ruído de observação. Parâmetros de θ n conhecidos v n e u n independentes Modelo Markoviano
15 Estimativa Recursiva de um Estado Condição: A densidade a posteriori p(x n Y n ), Y n = y 1,, y n, deve poder ser determinada. Solução recursiva separada em dois passos: Passo de Predição (Equação 2.1): determina a distribuição do estado no instante n com base nas observações passadas. p X n Y n 1 = R N p X n X n 1 p X n 1 Y n 1 dx n 1, (2.1) Passo de filtragem (Equação 2.2), atualiza essa distribuição incorporando a observação do instante n. p X n y n = p y n X n p X n Y n 1 dx n 1 p X n y n 1 = p y n X n p X n Y n 1 ධ R N p y n X n p X n Y n 1 dx n, (2.2)
16 Estimativa Recursiva de Um Estado Solução analítica para os dois casos principais [3]: Filtro de Kalman [13]: v n, u n forem conjuntamente gaussianos e f n e h n forem funções lineares; Filtro de Grelha (grid filter) [1]: quando X n possuir uma distribuição discreta com suporte finito; Demais casos: filtros de partículas [10].
17 Processo Estocástico Coleção de variáveis aleatórias representando a evolução de um sistema de valores com o tempo; Exemplos: Flutuação do Mercado de Ações, Taxas de Câmbio, Pressão Sanguínea, Saldo em Conta Corrente em um Período de Tempo, etc.
18 Figura 2: Exemplo de Processo Estocástico. Processo Estocástico
19 Metodologia Atividades Teóricas Tópicos Gerais Introdutórios Representação de sistemas de tempo discreto em espaço de estados [17]; Lei de Bayes: Probabilidades Condicionais [9], independência condicional; Método de Monte Carlo e geração de amostras de variáveis aleatórias; Processamento de Sinais Aleatórios Filtragem estocástica e métodos de Filtragem [1][4][10][13][21] Volatilidade estocástica [9]; Aplicações dos filtros de partículas à econometria [6][7][11][18][20][23][24]. Conceitos básicos de álgebra linear [22].
20 Metodologia Atividades Práticas Elaboração de Algoritmos em MATLAB Passeio Aleatório; Filtro de Kalman; Grid Filter; Filtro de Kalman Estendido; Filtro de Partículas e Filtro de Partículas Rao-Blackwelizado; Reprodução do método de Djuric [9] e comparação com outros métodos baseados em EKF; Testes com Dados Reais.
21 Filtro de Kalman Condição: Variáveis devem ser lineares e os ruídos de excitação e de observação (u n e v n respectivamente) devem ser variáveis Gaussianas. Representação do Problema: ቊ X n = F n X n 1 + u n y n = G n T X n + v n, (3) em que: X n é a variável de estado; y n é a observação acerca da variável X n ; F n, G n são matrizes determinísticas conhecidas; u n e v n são independentes, e definidas como: X 0 ~ N( തX 0, Σ 0 ) u n ~ N(0, Q n ) (ruído de excitação) v n ~ N(0, Ξ n ) (ruído de observação)
22 Filtro de Kalman Passo de Predição തX n n 1 = F n തX n 1 ቐ T, (3.1) Σ n n 1 = Q n 1 + F n Σ n 1 F n+1 Passo de Filtragem ቐ Σ n = Σ n n 1 Σ n n 1 G n Ξ n + G T 1 n Σ n n 1 G n Gn T തΣ n n 1 തX n = തX n n 1 + Σ n n 1 G n Ξ n + G T 1 n Σ n n 1 G n T yn G n തX n n 1, (3.2) em que Σ n n 1 G n Ξ n + G n T Σ n n 1 G n 1 é o fator conhecido como ganho de Kalman [4].
23 Filtro de Kalman Estendido (EKF) em que: Condição: ruídos de excitação e observação gaussianos. O método provê soluções aproximadas através de linearizações locais, quando as variáveis não são lineares. Representação do Modelo: ቊ X n = f n X n 1, u n y n = g n X n, v n, (4) X n é a variável de estado desejada; y n é uma sequência de observações; f n.,. é a função de transição de estados; g n.,. é a função de observação; v n ~ N(0, Ξ n ) é o ruído de excitação ; u n ~ N(0, Q n ) é o ruído de observação.
24 Filtro de Kalman Estendido (EKF) Passo de Predição ത X n n 1 = f n ( തX n 1, 0) Σ n n 1 = F n Σ n F n T + L n Q n L n T, (4.1) Passo de Filtragem k n = Σ n n 1 G n G n Σ n n 1 G n T + M n Ξ n M n T 1 തX n = തX n n 1 + k n y n g n തX n n 1 ; 0, Σ n = I k n g n Σ n n 1 (4.2) em que L n e F n são determinadas pelas seguintes derivadas: F n = f n X Xn 1 = തX n 1 n 1 ; L n = f n u n Xn 1 = തX n 1. em que G n e M n são determinados pelas seguintes derivadas: G n = g n X n Xn = തX n n 1 ; M n = g n v n Xn = തX n n 1.
25 EKF Adaptado para o Modelo de Volatilidade Estocástica X n = β 1 + β 2 X n 1 + σu n y n = e X n/2 v n, (4.3) em que: diferentemente de [1], β 1, β 2 e σ 2 são supostos conhecidos. Fazendo uma analogia com o modelo da Equação , tem-se que: Q n = σ 2 ; Ξ n = 1; F n = β 2 ; L n = 1; M n = e ത X n n 1 /2 e G n = 1 2 ex n n 1/2 v n.
26 EKF Adaptado para o Modelo de Volatilidade Estocástica Passo de Predição ቐ ത X n n 1 = β 2 തX n 1 + β 1 Σ n n 1 = β 2 2 Σ n + σ 2. (4.3.1) Passo de Filtragem k n = Σ n n 1 y n 2 y n 2 തX n = തX n n 1 + k n Σ n = 1 k ny n 2 4 Σ n n 1 + e ത X n n 1 y n e Σ n n 1 1 ഥX n n 1 2 sign(y n ). (4.3.2)
27 Filtro de Partículas Método numérico de integração, adequado para lidar com problemas não lineares e não gaussianos; Aproxima a densidade à posteriori através de um pente de impulsos ponderados p X 0:n y 1:n ; Sampling Importance Resampling Filter; Auxiliary Sampling Importance Resampling Filter; regularized Particle Filter [1]; Filtro de Partículas Rao-Blackwellizado [6].
28 Filtro de Partículas p X 0:n y 1:n N σ s i=1 (i) (i) wn δ Xo:n X 0:n (i) (i) (5) w n wn 1 (i) (i) (i) p y n X n p X n Xn 1 q X n (i) Xn 1 (i),y1:n (6) em que: p X 0:n y 1:n é a densidade a posteriori de interesse; (i) X o:n = X j, j = 1,, n é o conjunto de pontos de suporte com w n, i = 1,, Ns como pesos associados; (i) = Xj,j = 1,, n é o conjunto de todos os estados até o índice de tempo n. X 0:n
29 Filtro de Partículas 3 Passos: (i) (i) - Amostrar X n ~π Xn X n 1, yn - Atribua o peso w n (i) ; - Reamostrar X n (i), wn (i) N s i=1
30 Simulações Figura 3: Comparativo entre o estado original X t e as estimativas desse estado com o EKF e o Filtro de Partículas, supondo os parâmetros β 1 e β 2 conhecidos.
31 Simulações Figura 4: Comparativo entre o erro obtido pela diferença entre o estado original e o EKF, e pela diferença entre o estado original e a estimativa obtida pelo Filtro de Partículas.
32 Simulações Figura 5: Comparativo entre o estado original, o Filtro de Partículas utilizado em Djuric et al. e a função proposta.
33 Simulações Figura 6: Comparativo entre erro obtido pela diferença entre o Estado Original utilizando função de Djuric et al. e a função proposta.
34 Propostas Futuras - Testar Filtro de Partículas com Dados Reais: Variação de Índices da Bovespa; Volatilidade de Preços de Ativos da Petrobrás; etc. - Desenvolver algoritmos distintos para resolução de problema descrito em [9].
35 Referências Bibliográficas [1] ARULAMPALAM, S.; MASKELL, S.; GORDON, N.; CLAPP, T. "A tutorial on particle filters for online nonlinear/non-gaussian Bayesian tracking." IEEE Transactions on signal processing 50.2,2002. p [2] ASIF, Amir; MOHAMMADI Arash, and SAXENA Saxena. Reduced order distributed particle filter for electric power grids in Acoustics, Speech and Signal Processing (ICASSP). IEEE International Conference on, 2014., p [3] BLACK, Fischer; SCHOLES, Myron. The valuation of option contracts and a test of market efficiency, J. Finance, vol. 27, p [4] BORDIN, Claudio J.; BRUNO, Marcelo GS. Particle filters for joint blind equalization and decoding in frequency-selective channels. IEEE Transactions on Signal Processing, v. 56, n. 6, p [5] BRUNI, Adriano Leal. Risco, retorno e equilíbrio: uma análise do modelo de precificação de ativos financeiros na avaliação de ações negociadas na Bovespa ( ). 163f. Dissertação (Mestrado em Administração) Curso de Pós Graduação em Administração, [6] BRUNO, Marcelo GS. Sequential Monte Carlo methods for nonlinear discrete-time filtering. Synthesis Lectures on Signal Processing, v. 6, n. 1, p. 1-99, [7] CLARK, Peter K. A subordinated stochastic process model with finite variance for speculative prices. Econometrica: journal of the Econometric Society, p [8] DANTAS, Carlos Alberto Barbosa. Probabilidade: Um Curso Introdutório Vol. 10. Edusp, [9] DJURIC, Petar M.; KHAN, Mahsiul; JOHNSTON, Douglas E. Particle filtering of stochastic volatility modeled with leverage. IEEE Journal of Selected Topics in Signal Processing, Ed. 6.v, p [10] DOUCET, Arnald; SMITH, Adrian; DE FREITAS, Nando, and GORDON, Neil. Sequential Monte Carlo Methods in Practice. Information Science and Statistics. Springer: New York, [11] GHYSELS, Eric; HARVEY, Andrew C.; RENAULT, Eric. Stochastic Volatility, in Handbook of Statistics, Statistical Method in Finance, Amsterdam, The Netherlands: North-Holland, ch. 14, p [12] JOHNSTON, Douglas E.; URTEAGA, Iñigo; DJURIĆ, Petar M. Replication and optimization of hedge fund risk factor exposures. In: Acoustics, Speech and Signal Processing (ICASSP), 2013 IEEE International Conference on. IEEE, p [13] KAILATH, Thomas; SAYED, Ali H.; HASSIBI, Babak. Linear Estimation. Prentice Hall Upper Saddle River, NJ: v. 1.
36 Referências Bibliográficas [14] KHANA, Mahsiul; ROTHENBERGB, Richard V. Application of Particle Filtering for Sequential Inferences of Stochastic Volatility Modeled with Leverage. [15] LOPES, Hedibert F.; TSAY, Ruey S. Particle filters and Bayesian inference in financial econometrics. Journal of Forecasting, v. 30, n. 1, p [16] NUNES, Maurício S.; DA COSTA JR, Newton CA; MEURER, Roberto. A relação entre o mercado de ações e as variáveis macroeconômicas: uma análise econométrica para o Brasil. Revista Brasileira de Economia, v. 59, n. 4, p [17] OGATA, Katsuhiko; SEVERO, Bernardo. Engenharia de controle moderno. Prentice Hall do Brasil, [18] PITT, Michael K.; SHEPHARD, Neil. Filtering via simulation: Auxiliary particle filters. Journal of the American statistical association, v. 94, n. 446, p [19] PUNSKAYA, Elena. Sequential Monte Carlo Methods for Digital Communications, Tese de Doutorado. University of Cambridge. [20] ROSENBERG, Barr et al. The behavior of random variables with nonstationary variance and the distribution of security prices. University of California at Berkeley, [21] SAYED, Ali H. Adaptive Filters. New York: John Wiley & Sons, [22] STRANG, Gilbert. Linear Algebra and Its Applications, v.4. New York: Brooks Cole, [23] TAYLOR, Stephen J. Modeling stochastic volatility: A review and comparative study, Math. Finance, vol. 4, pp [24] TAYLOR, Stephen J. Financial returns modelled by the product of two stochastic processes, a study of daily sugar prices in Time Series Analysis: Theory and Practice. Amsterdam, The Netherlands: North-Holland, p [25] URTEAGA, Inigo; DJURIĆ, Petar M. Sequential estimation of hidden ARMA processes by particle filtering Part I. IEEE Transactions on Signal Processing, v. 65, n. 2, p , [26] URTEAGA, Inigo; DJURIĆ, Petar M. Sequential estimation of hidden ARMA processes by particle filtering Part II.IEEE Transactions on Signal Processing, v. 65, n. 2, p , [27] AIUBE, F. A. L. Modelagem dos preços futuros de commodities: abordagem pelo filtro de partículas. Modelagem dos preços futuros de commodities: abordagem pelo filtro de partículas, 2005.
MP-208: Filtragem Ótima com Aplicações Aeroespaciais
MP-208: Filtragem Ótima com Aplicações Aeroespaciais Capítulo 7: Filtro de Kalman Estendido Discreto Davi Antônio dos Santos Departamento de Mecatrônica Instituto Tecnológico de Aeronáutica davists@ita.br
Leia maisEN3604 FILTRAGEM ADAPTATIVA
EN3604 FILTRAGEM ADAPTATIVA Introdução Filtros adaptativos, os quais têm como meta transformar os sinais portadores de informação em versões limpas ou melhoradas, ajustam suas características de acordo
Leia maisPlano Básico Processos Estocásticos
Universidade Federal do Ceará Departamento de Engenharia Elétrica Programa de Educação Tutorial Plano Básico Processos Estocásticos Autores: Luís Paulo Carvalho dos Santos Luiz Fernando Almeida Fontenele
Leia maisProcessamento de Sinal e Imagem Engenharia Electrotécnica e de Computadores
António M. Gonçalves Pinheiro Departamento de Física Covilhã - Portugal pinheiro@ubi.pt Objectivos Estudar as características dos sinais temporais contínuos e discretos Processamento de sinais em Sistemas
Leia maisPROGRAMA DE ENSINO. Teoria da Estimação II CAR Área de Concentração AQUISIÇÃO, ANÁLISE E REPRESENTAÇÃO DE INFORMAÇÕES ESPACIAIS
PROGRAMA DE ENSINO Disciplina Código Estimação II CAR 1061 Semestre Ano Letivo 3 o Quadrimestre 2018 Área de Concentração AQUISIÇÃO, ANÁLISE E REPRESENTAÇÃO DE INFORMAÇÕES ESPACIAIS Curso: MESTRADO ( x
Leia mais7 Conclusões e desenvolvimentos futuros
7 Conclusões e desenvolvimentos futuros 7.1 Conclusões Este trabalho apresentou novas soluções para a determinação da posição de terminais de comunicações móveis com base em medidas de ToA. Nos métodos
Leia maisProcessamento Digital de Sinais em Bioengenharia (PDSB) Engenharia Biomédica Apresentação
Processamento Digital de Sinais em Bioengenharia (PDSB) Engenharia Biomédica Apresentação João Miguel Sanches jmrs@ist.utl.pt www.isr.ist.utl.pt/~jmrs Tel: +351 21 8418 195 (Ext: 2195 / 5184) Department
Leia maisMedições, erros aleatórios e o filtro de Kalman
Medições, erros aleatórios e o filtro de Kalman Marco Costa, marco@ua.pt ESTGA-UA, Escola Superior de Tecnologia e Gestão de Águeda CIDMA, Centro de Investigação e Desenvolvimento em Matemática e Aplicações
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 maisBernardo de Mendonça G. Ferreira. Valoração de uma opção sobre um contrato futuro. Dissertação de Mestrado
Bernardo de Mendonça G. Ferreira Valoração de uma opção sobre um contrato futuro Dissertação de Mestrado Dissertação apresentada como requisito parcial para obtenção do grau de Mestre pelo Programa de
Leia maisMP-208: Filtragem Ótima com Aplicações Aeroespaciais
MP-208: Filtragem Ótima com Aplicações Aeroespaciais Capítulo 1: Introdução Davi Antônio dos Santos Departamento de Mecatrônica Instituto Tecnológico de Aeronáutica davists@ita.br São José dos Campos,
Leia mais3 Filtro de Kalman Discreto
3 Filtro de Kalman Discreto As medidas realizadas por sensores estão sujeitas a erros, como pode ser visto no Capítulo 2. Os filtros são aplicados aos sinais medidos pelos sensores para reduzir os erros,
Leia maisProcessamento de Sinais e Imagem
António M. Gonçalves Pinheiro Departamento de Física Covilhã - Portugal pinheiro@ubi.pt Objectivos Estudar as características dos sinais temporais contínuos e discretos Projecto de filtros Processamento
Leia maisAPLICAÇÃO DE FILTROS BAYESIANOS EM UM ESCOAMENTO BIFÁSICO ÓLEO-ÁGUA EM RESERVATÓRIO DE PETRÓLEO
APLICAÇÃO DE FILTROS BAYESIANOS EM UM ESCOAMENTO BIFÁSICO ÓLEO-ÁGUA EM RESERVATÓRIO DE PETRÓLEO R. X. HOFFMANN¹, W. B. da SILVA 2, J. C. S. DUTRA 3, R. A. G. MARQUES 4 1,2,3 Universidade Federal do Espírito
Leia maisAlgoritmo Array Rápido para Filtragem de Sistemas Lineares Sujeitos a Saltos Markovianos com Variação Estruturada dos Parâmetros no Tempo
Trabalho apresentado no XXXVII CNMAC, SJ dos Campos - SP, 2017 Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Algoritmo Array Rápido para Filtragem de Sistemas Lineares
Leia maisFILTROS DE PARTÍCULAS APLICADOS À ESTIMAÇÃO DE TRAJETÓRIAS
FILTROS DE PARTÍCULAS APLICADOS À ESTIMAÇÃO DE TRAJETÓRIAS VICTOR A. F. de CAMPOS, DOUGLAS D. S. SATAA, CELSO M. FURUKAWA, EWTO MARUYAMA Depto. de Engenharia Mecatrônica e de Sistemas Mecânicos, Escola
Leia maisEstudo sobre decodificação iterativa usando códigos de treliça
Revista de Engenharia e Pesquisa Aplicada, Volume 2, Número 1, 2016 Estudo sobre decodificação iterativa usando códigos de treliça Souza, I. M. M. Escola Politécnica de Pernambuco Universidade de Pernambuco
Leia mais6 Referências bibliográficas
6 Referências bibliográficas BARROS, M.; SOUZA, R.C. Regressão Dinâmica. Núcleo de Estatística Computacional. PUC-Rio, 1995. BARROS, M. Processos Estocásticos. Rio de Janeiro. Papel Virtual, 2004. BROCKWELL,
Leia maisINSTITUTO TECNOLÓGICO DE AERONÁUTICA
INSTITUTO TECNOLÓGICO DE AERONÁUTICA DIVISÃO DE ENGENHARIA MECÂNICA MP-272: CONTROLE E NAVEGAÇÃO DE MULTICÓPTEROS VI. NAVEGAÇÃO Prof. Davi Antônio dos Santos (davists@ita.br) Departamento de Mecatrônica
Leia maisAnálise Comparativa de Quatro Estruturas de Equalização de Canal de Comunicação Digital
Análise Comparativa de Quatro Estruturas de Equalização de de Comunicação Digital Kaio Jonathas Alencar Gurgel 1, Francisco José Alves de Aquino 2 1 Graduando em Engenharia de Telecomunicações, Departamento
Leia maisReferências Bibliográficas
Referências Bibliográficas [1] ANG, A.; PIAZZESI, M.. A no-arbitrage vector autoregression of term structure dynamics with macroeconomic and latent variables. Journal of Monetary Economics, 5(4):745 787,
Leia maisAjuste do modelo de regressão linear: Inferência Bayesiana, aspectos computacionais e seleção de variáveis.
Ajuste do modelo de regressão linear: Inferência Bayesiana, aspectos computacionais e seleção de variáveis. João Daniel Nunes Duarte a, Vinícius Diniz Mayrink b a Estudante de Graduação, e-mail: joaodaniel@ufmg.br
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 01 / Introdução
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 1 / Introdução Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE Universidade Federal da
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 05 / Detecção Binária Baseada em
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 05 / Detecção Binária Baseada em Múltiplas Observações e Detecção com Múltiplas Hipóteses Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa
Leia maisSistemas de Telecomunicações Definidos por Software & Processamento de Sinal em Tempo Real
Sistemas de Telecomunicações Definidos por Software & Processamento de Sinal em Tempo Real 1 Filtros Adaptativos Filtros adaptativos são solução atractiva em ambientes com estatística desconhecida e variável
Leia maisRodrigo Pereira David. Técnica de Estimação de Canal Utilizando Símbolos Pilotos em Sistemas OFDM. Dissertação de Mestrado
Rodrigo Pereira David Técnica de Estimação de Canal Utilizando Símbolos Pilotos em Sistemas OFDM Dissertação de Mestrado Dissertação apresentada como requisito parcial para obtenção do grau de Mestre pelo
Leia maisMP-208: Filtragem Ótima com Aplicações Aeroespaciais
MP-208: Filtragem Ótima com Aplicações Aeroespaciais Seção 2.6: Vetores Aleatórios Davi Antônio dos Santos Departamento de Mecatrônica Instituto Tecnológico de Aeronáutica davists@ita.br São José dos Campos,
Leia maisCésar Augusto Rivera Lima. Previsão do Preço Spot de Petróleo e Derivados: Abordagem pelo Filtro de Kalman. Dissertação de Mestrado
César Augusto Rivera Lima Previsão do Preço Spot de Petróleo e Derivados: Abordagem pelo Filtro de Kalman Dissertação de Mestrado Dissertação apresentada como requisito parcial para obtenção do grau de
Leia maisM. Eisencraft 6.3 Funções de correlação 81. R YX (τ) R YY (τ). (6.19) R XY (τ) = R YX ( τ) (6.20)
M. Eisencraft 6.3 Funções de correlação 81 R XY (τ) = E[X(t)Y(t+τ)] e (6.17) R YX (τ) = E[Y(t)X(t+τ)]. (6.18) As propriedades de correlação de dois processos X(t) e Y(t) podem ser mostradas convenientemente
Leia maisDisciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 06 / Classes Especiais de Processos Aleatórios
Disciplina: Processamento Estatístico de Sinais (ENGA83) - Aula 06 / Classes Especiais de Processos Aleatórios Prof. Eduardo Simas (eduardo.simas@ufba.br) Programa de Pós-Graduação em Engenharia Elétrica/PPGEE
Leia maisDISTRIBUIÇÃO DOS RETORNOS DE UM ÍNDICE DE AÇÕES COM VOLATILIDADE ESTOCÁSTICA
DISTRIBUIÇÃO DOS RETORNOS DE UM ÍNDICE DE AÇÕES COM VOLATILIDADE ESTOCÁSTICA Isabel Cristina Ribeiro (BIC/CNPq-UEPG) e-mail: icribeiro1989@gmail.com José Tadeu Teles Lunardi (Orientador) e-mail: jttlunardi@uepg.br
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 maisIntrodução ao Processamento Estatístico de Sinais
Charles Casimiro Cavalcante charles@gtel.ufc.br Grupo de Pesquisa em Telecomunicações Sem Fio GTEL Departamento de Engenharia de Teleinformática Universidade Federal do Ceará UFC http://www.gtel.ufc.br/
Leia mais5 Filtro de Kalman Aplicado ao Modelo de Schwartz e Smith (2000)
5 Filtro de Kalman Aplicado ao Modelo de Schwartz e Smith (2000) A primeira parte deste capítulo, referente à passagem dos modelos estocásticos para as equações do Filtro de Kalman, já foi previamente
Leia maisSLAM II Localização e Mapeamento Simulatâneos
SCE5880 Algoritmos de Estimação para Robótica Móvel As posições do robô ao longo do tempo e os landmarks correspondem a nós em um grafo. Filtro de Informação SLAM II Localização e Mapeamento Simulatâneos
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 maisMODELO DE DECISÃO PARA ESCOLHA DE PORTFOLIO DE INVESTIMENTOS
MODELO DE DECISÃO PARA ESCOLHA DE PORTFOLIO DE INVESTIMENTOS Rodrigo José Pires Ferreira UFPE Cx. Postal 7462, Recife PE, 50.630-970 rodrigo@ufpe.br Adiel Teixeira de Almeida Filho UFPE Cx. Postal 7462,
Leia maisp( y θ ) depende de um parâmetro desconhecido θ.
55Modelação, Identificação e Controlo Digital 55 Método de Máxima Verosimilhança (Maximum Likelihood) Seja y uma variável aleatória (v. a.) cuja densidade de probabilidade p( y θ ) depende de um parâmetro
Leia maisFILTRAGEM ADAPTATIVA DE SINAIS. Adaptive Filtering of Signals
Jan-Mar 2010 Intellectus FILTRAGEM ADAPTATIVA DE SINAIS Adaptive Filtering of Signals Mário ULIANI NETO Faculdade de Jaguariúna Faculdade Politécnica de Campinas Fundação CPqD Leandro de Campos Teixeira
Leia maisPrecificação de Opções
Um modelo em tempo-discreto Arthur Mendes Alves Instituto de Matemática, Estatística e Física Universidade Federal do Rio Grande 15 de dezembro de 2014 Sumário 1 Introdução Opções Arbitragem 2 Processos
Leia maisCampus de Botucatu PLANO DE ENSINO. DISCIPLINA: Processamento e Análise de Sinais e Imagem Médica. DOCENTE RESPONSÁVEL: José Ricardo de Arruda Miranda
PLANO DE ENSINO I IDENTIFICAÇÃO CURSO: Física Médica MODALIDADE: Bacharelado DISCIPLINA: Processamento e Análise de Sinais e Imagem Médica (X) OBRIGATÓRIA ( ) OPTATIVA DEPARTAMENTO: Fisica e Biofísica
Leia maisCAPÍTULO. Purcina, Alcione Borges 1 ; Borges, Romes Antonio 2 ; Programa de Pós-Graduação em Modelagem e Otimização, Regional Catalão/ UFG
14 CAPÍTULO ESTUDO NUMÉRICO E COMPUTACIONAL DE UM ABSORVEDOR DINÂMICO DE VIBRAÇÕES COM CARACTERÍSTICA NÃO LINEAR Purcina, Alcione Borges 1 ; Borges, Romes Antonio 2 ; 1 Programa de Pós-Graduação em Modelagem
Leia maisUma investigação de métodos para o estudo da influência da incerteza em dados experimentais de vida acelerada
Uma investigação de métodos para o estudo da influência da incerteza em dados experimentais de vida acelerada Autores Maria Celia de Oliveira Papa Orientador Alvaro Jose Abackerli 1. Introdução Uma das
Leia maisFiltro de Partículas Ótimo para Rastreamento de Alvos Balísticos
XX SIMPÓSIO BRASILEIRO DE TELECOMUNICAÇÕES-SBT, 5-8 DE OUTUBRO DE, RIO DE JANEIRO, RJ Filtro de Partículas Ótimo para Rastreamento de Alvos Balísticos Anton Pavlov e Marcelo G. S. Bruno Resumo Introduz-se
Leia maisCarteiras de Variância Mínima no Brasil
no Brasil Itaú-Unibanco Abril de 2012 no Brasil Agenda Conceitos básicos em Finanças 1 Conceitos básicos em Finanças 2 3 4 5 no Brasil Seleção de carteiras de investimento Suponha N ativos de risco, com
Leia maisFICHA DE COMPONENTE CURRICULAR
UNIVERSIDADE FEDERAL DE UBERLÂNDIA PROGRAMA DE PÓS-GRADUAÇÃO EM ADMINISTRAÇÃO FICHA DE COMPONENTE CURRICULAR CÓDIGO: FAGEN41037 COMPONENTE CURRICULAR: Tópicos Especiais IV em Gestão Organizacional e Regionalidade
Leia maisModelagem do comportamento da variação do índice IBOVESPA através da metodologia de séries temporais
Modelagem do comportamento da variação do índice IBOVESPA através da metodologia de séries temporais João Eduardo da Silva Pereira (UFSM) jesp@smail.ufsm.br Tânia Maria Frighetto (UFSM) jesp@smail.ufsm.br
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Motivação Por exemplo, queremos analisar a série
Leia 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 maisFerramenta Computacional para o Estudo de Seqüências de Treinamento em Equalizadores LMS
Ferramenta Computacional para o Estudo de Seqüências de Treinamento em es LMS Luciano L. Mendes Departamento de Eletrônica e Eletrotécnica Instituto acional de Telecomunicações Santa Rita do Sapucaí, MG
Leia maisAVALIAÇÃO DA ESTIMATIVA DE PARÂMETROS PARA MODELOS AR2D APLICADOS NA EXTRAÇÃO DE ATRIBUTOS DE TEXTURA EM IMAGENS DE SENSORIAMENTO REMOTO
AVALIAÇÃO DA ESTIMATIVA DE PARÂMETROS PARA MODELOS AR2D APLICADOS NA EXTRAÇÃO DE ATRIBUTOS DE TEXTURA EM IMAGENS DE SENSORIAMENTO REMOTO GUSTAVO TADEU ZANIBONI 1 LUCIANO VIEIRA DUTRA 1 1 INPE - Instituto
Leia maisPRE29006 LISTA DE EXERCÍCIOS #
INSTITUTO FEDERAL DE SANTA CATARINA CAMPUS SÃO JOSÉ COORDENADORIA DE ÁREA DE TELECOMUNICAÇÕES ENGENHARIA DE TELECOMUNICAÇÕES PRE9006 LISTA DE EXERCÍCIOS #3 06. Exercícios. [, Exercício 7.] Seja A uma variável
Leia maisMODELOS ESTATÍSTICOS DE FUNÇÃO DENSIDADE DE PROBABILIDADE PARA CRIAÇÃO DE SÉRIES TEMPORAIS
MODELOS ESTATÍSTICOS DE FUNÇÃO DENSIDADE DE PROBABILIDADE PARA CRIAÇÃO DE SÉRIES TEMPORAIS Renato S. Gomide, Ramon F. E. Campos, Marcus F. Vieira Programa de Pós-Gradução em Engenharia Elétrica e da Computação
Leia maisFILTRAGEM ESTOCÁSTICA APLICADA A SISTEMAS MAX-PLUS LINEARES
FILTRAGEM ESTOCÁSTICA APLICADA A SISTEMAS MAX-PLUS LINEARES DIEGO FIGUEIRÊDO E SILVA, RAFAEL SANTOS MENDES, LAURENT HARDOUIN, CARLOS ANDREY MAIA, BERTRAND COTTENCEAU Faculdade de Engenharia Elétrica e
Leia maisOrganização da Disciplina Controle de Processos 1
Organização da Disciplina Controle de Processos 1 Ronaldo Guimarães Corrêa Departamento de Engenharia Química Universidade Federal de São Carlos 2 o Sem. 2017 Organização da Disciplina (CP1) www.professores.deq.ufscar.br/ronaldo/cp1
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 maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Introdução Solução de equações não lineares
Leia maisUniversidade Federal do Rio Grande do Sul Faculdade de Ciências Econômicas Programa de Pós graduação em Economia Teoria de Apreçamento de Ativos
Universidade Federal do Rio Grande do Sul Faculdade de Ciências Econômicas Programa de Pós graduação em Economia Teoria de Apreçamento de Ativos Súmula Prof. Nelson S. dos Santos Apresentam se formalmente
Leia maisTécnicas computacionais em probabilidade e estatística II
Técnicas computacionais em probabilidade e estatística II Universidade de São Paulo Instituto de Matemática e Estatística http:www.ime.usp.br/ mbranco AULA 1: Problemas Computacionais em Inferência Estatística.
Leia maisAplicação da metodologia Box & Jenkins para previsão de vendas de emulsificante
Aplicação da metodologia Box & Jenkins para previsão de vendas de emulsificante Eduardo Campana Barbosa1 Carlos Henrique Osório Silva2 Resumo: Utilizou-se a metodologia Box & Jenkins para previsão da demanda
Leia maisUNIVERSIDADE FEDERAL DE OURO PRETO PRÓ REITORIA DE GRADUAÇÃO. Código: EST011 Departamento: Unidade: DEPARTAMENTO DE ESTATÍSTICA
PROGRAMA DE DISCIPLINA Disciplina: PROCESSOS ESTOCÁSTICOS Código: EST011 Departamento: Unidade: DEPARTAMENTO DE ESTATÍSTICA INSTITUTO DE CIÊNCIAS EXATAS E BIOLÓGICAS Carga Horária Semanal Teórica Prática
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Inferência com dimensão variável Modelos com
Leia maisPlanejamento da Disciplina Sistemas Lineares
Planejamento da Disciplina Sistemas Lineares Professor José Paulo Vilela Soares da Cunha 7 de março de 2017 Identificação UERJ Faculdade de Engenharia Departamento de Eletrônica e Telecomunicações Programa
Leia mais6 Referências bibliográficas
6 Referências bibliográficas A.D. HALL, H.M.A.; GRANGER, C.W J. A cointegration analysis of treasury bill yields. Review of Economic and Statistics, volume 74:116-126,1992 ANG, A.; PIAZZESI, M. A no-arbitrage
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 Tópicos Tópicos Séries
Leia maisMarkov Switching Models. Profa. Airlane Alencar. Depto de Estatística - IME-USP. lane. Ref: Kim e Nelson (1999) e Hamilton (1990)
Markov Switching Models Profa. Airlane Alencar Depto de Estatística - IME-USP www.ime.usp.br/ lane Ref: Kim e Nelson (1999) e Hamilton (1990) 1 Objetivo Mudança nos parâmetros de um modelo de regressão
Leia maisAVALIAÇÃO DA QUALIDADE DAS MEDIDAS EXPERIMENTAIS NAS REGIÕES DE CONFIANÇA DOS PARÂMETROS CINÉTICOS ESTIMADOS DE UM SISTEMA COM REAÇÕES EM SÉRIE
AVALIAÇÃO DA QUALIDADE DAS MEDIDAS EXPERIMENTAIS NAS REGIÕES DE CONFIANÇA DOS PARÂMETROS CINÉTICOS ESTIMADOS DE UM SISTEMA COM REAÇÕES EM SÉRIE H. ENZWEILER 1, E. B. COUTINHO 2 e M. SCHWAAB 3 1 Universidade
Leia maisAnálise de séries temporais Gaussianas univariadas por meio de modelos dinâmicos lineares
Análise de séries temporais Gaussianas univariadas por meio de modelos dinâmicos lineares Vanessa Ferreira Sehaber PPGMNE, Universidade Federal do Paraná Curitiba, Brasil vsehaber@gmail.com Paulo Justiniano
Leia maisJorge Caiado CEMAPRE/ISEG, Universidade Técnica de Lisboa Web:
CEMAPRE/ISEG, Universidade Técnica de Lisboa Email: jcaiado@iseg.utl.pt Web: http://pascal.iseg.utl.pt/~jcaiado/ 1 Uma série temporal (time series) consiste num conjunto de observações de uma variável,
Leia mais5.3 Variáveis aleatórias gaussianas conjuntas
M. Eisencraft 5.3 Variáveis aleatórias gaussianas conjuntas 64 respectivamente. São as chamadas funções características marginais: Φ X (ω ) = Φ X,Y (ω,0) (5.0) Φ Y (ω ) = Φ X,Y (0,ω ) (5.) Os momentos
Leia maisEstimação de Componentes Harmônicos de Sistemas Elétricos de Potência por meio do Algoritmo de Seleção Clonal
Estimação de Componentes Harmônicos de Sistemas Elétricos de Potência por meio do Algoritmo de Seleção Clonal Luanna Holanda de Siqueira Aluna Marcus Lemos Orientador
Leia maisNeste capítulo é introduzido um conceito que permite definir eventos de uma forma mais
Capítulo 2 A variável aleatória Neste capítulo é introduzido um conceito que permite definir eventos de uma forma mais consistente. Este novo conceito é o de variáveis aleatórias e se constitui em uma
Leia maisProcessos de salto com memória de alcance. e aplicações em redes neuronais
Processos de salto com memória de alcance variável e aplicações em redes neuronais Douglas Rodrigues Pinto Universidade Federal Fluminense 18 de outubro de 216 1 / 22 Problema Como modelar a comunicação
Leia maisFundamentos da Teoria da Probabilidade
Fundamentos da Teoria da Probabilidade Edmar José do Nascimento (Princípios de Comunicações) http://www.univasf.edu.br/ edmar.nascimento Universidade Federal do Vale do São Francisco Sinais Aleatórios
Leia maisInfluencia de Distribuições a priori na Analise Bayesiana em dados de contagem
Influencia de Distribuições a priori na Analise Bayesiana em dados de contagem Olinda Fátima dos Santos 1 Carla Regina Guimarães Brighenti 1 1-Introdução A utilização de informação a priori em inferência
Leia maisTE802 Processos Estocásticos em Engenharia. Informação sobre a disciplina Notes. Processos Estocásticos em Engenharia Conteúdo Notes.
TE802 Processos Estocásticos em Engenharia Conceitos Básicos de Teoria de Probabilidade 7 de março de 2016 Informação sobre a disciplina Terças e Quintas feiras das 09:30 às 11:20 horas Professor: Evelio
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 maisPrograma Analítico de Disciplina ELT430 Modelagem e Identificação de Sistemas
0 Programa Analítico de Disciplina Departamento de Engenharia Elétrica - Centro de Ciências Exatas e Tecnológicas Número de créditos: Teóricas Práticas Total Duração em semanas: 15 Carga horária semanal
Leia maisTE802 Processos Estocásticos em Engenharia. Informação sobre a disciplina. TE802 Conceitos Básicos de Teoria de Probabilidade. Evelio M. G.
TE802 Processos Estocásticos em Engenharia Conceitos Básicos de Teoria de Probabilidade 23 de agosto de 2017 Informação sobre a disciplina Segundas e Quartas feiras das 09:30 às 11:20 horas Professor:
Leia maisModelo de previsão de partida de ônibus utilizando cadeias de Markov de alcance variável
Modelo de previsão de partida de ônibus utilizando cadeias de Markov de alcance variável Maria das Vitórias Alexandre Serafim 1 Manuel Rivelino Gomes de Oliveira 2 Divanilda Maia Esteves 3 Paulo José Duarte-Neto
Leia maisAlgoritmos de Estimação Recursiva de Média do Fator K para Qualidade de Energia
Algoritmos de Estimação Recursiva de Média do Fator K para Qualidade de Energia Eumann M. Feitosa, Geovany A. Borges, Member, IEEE, Anésio de L. F. Filho, Member, IEEE e Francisco A. O. ascimento, Member,
Leia maisFiltro de Kalman. Teoria e Aplicação para Iniciantes. Prof. Dr. Marco Antonio Leonel Caetano. M&V Consultoria e Treinamento
Filtro de Kalman Teoria e Aplicação para Iniciantes Prof. Dr. Marco Antonio Leonel Caetano M&V Consultoria e Treinamento www.mudancasabruptas.com.br A História da Filtragem de Sinais 930 940 960 Filtro
Leia maisCENTRO FEDERAL DE EDUCAÇÃO TECNOLÓGICA CELSO SUCKOW DA FONSECA. Campus Petrópolis
CENTRO FEDERAL DE EDUCAÇÃO TECNOLÓGICA CELSO SUCKOW DA FONSECA Campus Petrópolis CURSO DE BACHARELADO EM ENGENHARIA DE COMPUTAÇÃO GCOMPET DISCIPLINA: TÉCNICAS DIGITAIS CÓDIGO: GCOM7045PE VIGÊNCIA: A PARTIR
Leia maisUsando MLP para filtrar imagens
Usando MLP para filtrar imagens Thiago Richter, Ediel Wiezel da Silva, e Adilson Gonzaga Departamento de Engenharia Elétrica, Universidade de São Paulo, Brasil thiago.richter@yahoo.com.br, edielws@gmail.com,
Leia maisXIII Simpósio Brasileiro de Automação Inteligente Porto Alegre RS, 1 o 4 de Outubro de 2017
DESENVOLVIMENTO DE UM FILTRO DE PARTÍCULAS ALIADO AO FILTRO DE KALMAN ESTENDIDO ITERATIVO PARA ESTIMAÇÃO DE ESTADOS DE SISTEMAS NÃO LINEARES COM RUÍDO GAUSSIANO Eric Antony Vinhaes Prohmann, Francisco
Leia maisIntrodução. Introdução. Introdução. Introdução. Introdução. Introdução à Robótica Robótica Móvel Localização. Principais questões na Robótica
à Robótica Robótica Móvel Localização Prof. Douglas G. Macharet douglas.macharet@dcc.ufmg.br Principais questões na Robótica Onde estou? (localização) Aonde vou? (objetivo) Como vou? (planejamento)? à
Leia maisModelos Probabilísticos
Modelos Probabilísticos Somente para lembrar... Modelos são extremamente importantes para o estudo do desempenho de um sistema antes de implementá-lo na prática! Foguete proposto tem confiabilidade? Devemos
Leia maisHegláucio Barros - ICICT/FIOCRUZ. Vitória - ES, 02 de junho de 2014
Exploração e Interpretação de séries Temporais e Bancos de Dados Noções Introdutórias para análises Da Matriz OIAPSS Diego Ricardo Xavier ICICT/FIOCRUZ Vitória - ES, 02 de junho de 2014 Hegláucio Barros
Leia maisMINISTÉRIO DA EDUCAÇÃO UNIVERSIDADE FEDERAL DE LAVRAS
MINISTÉRIO DA EDUCAÇÃO UNIVERSIDADE FEDERAL DE LAVRAS PRÓ-REITORIA DE GRADUAÇÃO EMENTA E CONTEÚDO PROGRAMÁTICO Carga horária Código Denominação Créditos ( ) Teórica Prática Total GEX112 Estatística 04
Leia maisProbabilidade e Estatística
Plano de Curso Probabilidade e Estatística UAEst/CCT/UFCG Ementa Fenômeno aleatório versus fenômeno determinístico. Espaço amostral e eventos. Introdução à teoria das probabilidades. Abordagem axiomática
Leia maisA Bayesian Reassessment of Nearest-Neighbor Classification (2009)
A Bayesian Reassessment of Nearest-Neighbor Classification (2009) Cucala, Marin, Robert e Titterington André Yoshizumi Gomes (IME/USP) Seminário ministrado no Insper 5 de fevereiro de 2016 O método knn
Leia maisAplicação da Técnica de Componentes Principais no Treinamento de uma Rede Neural no Contexto de Assimilação de Dados
Aplicação da Técnica de Componentes Principais no Treinamento de uma Rede Neural no Contexto de Assimilação de Dados 1 Vinicius Carvalho Beck 2 Júlio Renato Q. Marques 3 Fabrício P. Härter Universidade
Leia maisUniversidade Federal do Espírito Santo SEAGRO: ANAIS DA SEMANA ACADÊMICA DO CURSO DE AGRONOMIA DO CCAE/UFES FILTRO DE PARTÍCULAS APLICADO À ESTIMAÇÃO
Universidade Federal do Espírito Santo SEAGRO: ANAIS DA SEMANA ACADÊMICA DO CURSO DE AGRONOMIA DO CCAE/UFES FILTRO DE PARTÍCULAS APLICADO À ESTIMAÇÃO DE EPIDEMIAS EM PLANTAS Kaique dos Santos Alves 1,
Leia maisIN Redes Neurais
IN0997 - Redes Neurais Aluizio Fausto Ribeiro Araújo Universidade Federal de Pernambuco Centro de Informática - CIn Departamento de Sistemas da Computação aluizioa@cin.ufpe.br Conteúdo Objetivos Quem usa
Leia maisAula 2 Tópicos em Econometria I. Porque estudar econometria? Causalidade! Modelo de RLM Hipóteses
Aula 2 Tópicos em Econometria I Porque estudar econometria? Causalidade! Modelo de RLM Hipóteses A Questão da Causalidade Estabelecer relações entre variáveis não é suficiente para a análise econômica.
Leia 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 maisCC-226 Introdução à Análise de Padrões
CC-226 Introdução à Análise de Padrões Apresentação do Curso Carlos Henrique Q. Forster 1 1 Divisão de Ciência da Computação Instituto Tecnológico de Aeronáutica 25 de fevereiro de 2008 C. H. Q. Forster
Leia maisMESTRADO PROFISSIONAL EM ECONOMIA. Área Econometria MESTRADO PROFISSIONAL EM FINANÇAS OU ECONOMIA 1. vire aqui
MESTRADO PROFISSIONAL EM ECONOMIA Área Econometria MESTRADO PROFISSIONAL EM FINANÇAS OU ECONOMIA 1 vire aqui DISCIPLINAS MATEMÁTICA Esta disciplina tem como objetivo apresentar aos alunos o instrumental
Leia maisTratamento Numérico para Equações Diferenciais Estocásticas através do Método da Linearização Local
Universidade de Brasília Instituto de Ciências Exatas Departamento de Matemática Tratamento Numérico para Equações Diferenciais Estocásticas através do Método da Linearização Local por Sérgio Souza Bento
Leia mais