ANÁLISE DE SÉRIES TEMPORAIS
|
|
- Thomaz Morais
- 5 Há anos
- Visualizações:
Transcrição
1 ANÁLISE DE SÉRIES TEMPORAIS Ralph S. Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro
2 Definição {Y t} é um processo ARMA(p, q) se {Y t} é estacionário e se para cada t Y t φ 1 Y t 1 φ py t p = ε t + θ 1 ε t θ qε t q (1) em que ε t RB(0, σ 2 ) e os polinômios (1 φ 1 z φ pz p ) e (1 + θ 1 z + + θ qz q ) não tenham fatores comuns. Dizemos que {Y t} é um processo ARMA(p, q) com média μ se {Y t μ} for um processo ARMA(p, q). Outra forma de escrever o modelo é em que Φ(B)X t = Θ(B)ε t Φ(z) = 1 φ 1 z φ pz p e Θ(z) = 1 + θ 1 z + + θ qz q. Lembre-se que B é o operador defasagem, isto é, B j Y t = Y t j para j = 0, ±1,....
3 Processo AR(p) é um caso particular do ARMA(p, q) quando q = 0 tal que Θ(z) = 1. Processo MA(q) é um caso particular do ARMA(p, q) quando p = 0 tal que Φ(z) = 1. Como a definição exige que o processo seja estacionário, restrições são impostas aos valores dos parâmetros. Uma solução estacionária das equações (1) existe (e é também uma solução estacionária única) se, e somente se, Φ(z) = 1 φ 1 z φ pz p 0, para todo z = 1. Se z = x + yi é um número complexo, então z = x 2 + y 2. A região definida pelo conjunto de números complexos z tal que z = 1 é chamada de círculo unitário.
4 Um processo ARMA(p, q) {Y t} é causador, ou uma função causadora de {ε t}, se existe constantes {ψ j } tal que j=0 ψ j < e Y t = Causalidade é equivalente a condição j=0 ψ jε t j para todo t. Φ(z) = 1 φ 1 z φ pz p 0, para todo z 1. Um processo ARMA(p, q) é inversível se existem constantes {φ j } tal que j=0 φ j < e ε t = Invertibilidade é equivalente a condição j=0 φ jy t j para todo t. Θ(z) = 1 + θ 1 z + + θ qz q 0, para todo z 1.
5 Exemplo Considere o processo ARMA(1,1) {Y t} satisfazendo as equações Y t 0, 5Y t 1 = ε t + 0, 4ε t 1, ε t RB(0, σ 2 ). A raiz de φ(z) = 1 0, 5z é 2 (fora do círculo unitário). Portanto o processo ARMA acima é unico. Como φ(z) 0 para todo z 1, o processo é também causador. Podemos então escrever {Y t} como um processo MA( ). Quais os coeficientes? ψ 0 = 1 e ψ j = (0, 4 + 0, 5)(0, 5) j 1, j = 1, 2,... O polinômio MA, θ(z) = 1 + 0, 4z, tem raiz 2, 5. Logo, {Y t} é inversível. Quais os coeficientes? φ 0 = 1 e φ j = (0, 4 + 0, 5)(0, 4) j 1, j = 1, 2,...
6 Exemplo Seja {Y t} um processo AR(2), Y t = 0, 7Y t 1 0, 1Y t 2 + ε t, ε t RB(0, σ 2 ). Exemplo Então, temos φ(z) = 1 0, 7z + 0, 1z 2 = (1 0, 5z)(1 0, 2z). Como as raizes (2 e 5) estão fora do círculo unitário o processo é causador. Considere o processo ARMA(2,1) {Y t} satisfazendo as equações Y t 0, 75Y t 1 + 0, 5625Y t 2 = ε t + 1, 25ε t 1, ε t RB(0, σ 2 ). O polinômio φ(z) = 1 0, 75z + 0, 5625 tem zeros em z = (2/3 ± i2/ 3), que ficam fora do círculo unitário. Portanto, o processo é causador. O polinômio MA, θ(z) = 1 + 1, 25z tem zero em 0,8. Logo, {Y t} não é inversível.
7 Cálculo da função de autocorrelação Vamos determinar a função de autocovariância de um processo causador ARMA(p, q) definido por Φ(B)Y t = Θ(B)ε t, ε t RB(0, σ 2 ), em que Φ(z) = (1 φ 1 z φ pz p ) e Θ(z) = (1 + θ 1 z + + θ qz q ). A série é causadora por hipótese, logo em que Primeiro método Y t = j=0 ψ jε t j, ψ jz j = Θ(z), z 1. j=0 Φ(z) γ(h) = E(Y t+h Y t) = σ 2 j=0 ψ jψ j+ h.
8 Exemplo O processo ARMA(1,1) é dado por com φ < 1. Y t φy t 1 = ε t + θε t 1, ε t RB(0, σ 2 ) A função de autocorrelação é dada por γ(0) = σ 2 j=0 ψ2 j = σ 2 [ 1 + (θ + φ) 2 φ2j] = σ [ j=0 γ(1) = σ 2 [ ψ jψ j+1 = σ 2 θ + φ + (θ + φ) 2 φ j=0 [ = σ 2 θ + φ + (θ + ] φ)2 φ e 1 φ 2 γ(h) = φ h 1 γ(1), h 2. j=0 φ2j] ] (θ + φ)2, 1 φ 2
9 Exemplo Para o processo MA(q) temos Y t = ε t + θ 1 ε t θ qε t q, ε t RB(0, σ 2 ), em que θ 0 = 1 por definição. q h σ 2 θ γ(h) = j θ j+ h, se h q, j=0 0, se h > q. Logo, a função de autocovariância de um processo MA(q) é zero para defasagens maior do que q. Lembre-se que um resultado anterior garante que todo processo estacionário de média zero com correlações zero para defasagens maior do que q pode ser representado por um processo médias móveis.
10 Segundo método Se multiplicarmos ambos os lados das equações Y t φ 1 Y t 1 φ py t p = ε t + θ 1 ε t θ qε t q por Y t k, k = 0, 1, 2,... e calcular os valores esperados de ambos os lados, encontraremos que e γ(k) φ 1 γ(k 1) φ pγ(k p) = σ 2 j=0 θ k+j ψ j, 0 k < m γ(k) φ 1 γ(k 1) φ pγ(k p) = 0, k m, (2) em que m = máx(p, q + 1), ψ j = 0 para j < 0, θ 0 = 1 e θ j = 0 para j {0,..., q}.
11 Exemplo O processo ARMA(1,1) é dado por Y t φy t 1 = ε t + θε t 1, ε t RB(0, σ 2 ) com φ < 1. Como m = máx(p, q + 1) = máx(1, 2) = 2, temos γ(0) φγ(1) = σ 2 (1 + θ(θ + φ)), k = 0 γ(1) φγ(0) = σ 2 θ, k = 1 γ(k) φγ(k 1) = 0, k 2. A solução do sistema acima é a mesma da primeira abordagem.
12 Terceiro método As autocovariâncias podem ser encontradas resolvendo as p + 1 primeiras equações e γ(k) φ 1 γ(k 1) φ pγ(k p) = σ 2 j=0 θ k+jψ j, 0 k < m γ(k) φ 1 γ(k 1) φ pγ(k p) = 0, k m, para γ(0), γ(1),..., γ(p) e então usar as equações subsequentes para encontrar γ(p + 1), γ(p + 2),... Este é um método conveniente para o cálculo numérico das autocovariâncias γ(h).
13 Função de autocorrelação A função de autocorrelação de um processo ARMA(p, q) pode ser encontrada diretamente de sua função de autocovariância, isto é, ρ(h) = γ(h) γ(0). De maneira análoga, dado um conjunto de observações {y 1, y 2,..., y T }, a função de autocorrelação amostral é dada por ρ(h) = γ(h) γ(0).
14 A função de autocorrelação parcial A função de autocorrelação parcial (PACF, abreviação do inglês) de um processo ARMA {Y t} é a função definida pelas equações α(0) = 1, e em que φ hh é a última componente de α(h) = φ hh, h 1, φ h = Γ 1 h γ h, Γ h = [γ(i j)] h i,j=1 e γ h = [γ(1), γ(2),..., γ(h)].
15 Considere os seguintes modelos autoregressivos: Y t = μ 0,1 + φ 1,1 Y t 1 + ε 1t Y t = μ 0,2 + φ 1,2 Y t 1 + φ 2,2 Y t 2 + ε 2t Y t = μ 0,3 + φ 1,3 Y t 1 + φ 2,3 Y t 2 + φ 3,3 Y t 3 + ε 3t... em que α 0,j, φ i,j e ε jt são, respectivamente, o termo constante, o coeficiente de Y t i e o termo de erro de um modelo AR(j). Podemos estimar tudo por mínimos quadrados (múltiplo) e aplicar um teste F parcial. A estimativa de ˆφ 1,1 da primeira equação é chamada de PACF amostral de defasagem 1 de Y t. A estimativa de ˆφ 2,2 da segunda equação é chamada de PACF amostral de defasagem 2 de Y t. A estimativa de ˆφ 3,3 da terceira equação é chamada de PACF amostral de defasagem 3 de Y t. (E assim por diante.)
16 A PACF de defasagem 2 ˆφ 2,2 mostra a contribuição de Y t 2 adicionada a Y t sobre o modelo AR(1) Y t = α + φ 1 Y t 1 + ε t A PACF de defasagem 3 ˆφ 3,3 mostra a contribuição de Y t 3 adicionada a Y t sobre o modelo AR(2) Y t = α + φ 1 Y t 1 + φ 2 Y t 2 + ε t. (E assim por diante.) Portanto, para um modelo AR(p), a PACF amostral de defasagem p não deve ser zero. Mas ˆφ j,j deve estar perto de zero para todo j > p. Utilizamos esta propriedade para determinar a ordem p. Para um modelo AR(p) gaussiano estacionário, pode ser mostrado que a PACF amostral tem as seguintes propriedades: ^φ p,p converge para φ p quando o tamanho da amostra T tende ao infinito. ^φ k,k converge para zero para todo k > p. A variância assintótica de ^φ k,k é 1/T para k > p.
17 Para qualquer conjunto de observações {y 1,..., y T } com y i y j para algum i e j, a PACF da amostral é dada por α(0) = 1, e em que φ hh é a última componente de α(h) = φ hh, h 1, φ h = Γ 1 h γ h. Pode ser mostrado que φ hh é a correlação entre os erros de previsão Y h P(Y h Y 1,..., Y h 1 ) e Y 0 P(Y 0 Y 1,..., Y h 1 ).
18 Exemplo Para um processo AR(p) causador definido por Y t φ 1 Y t 1 φ py t p = ε t, ε t RB(0, σ 2 ), sabemos que para h p o melhor preditor linear de X n+h em termos de 1, Y 1,..., Y h é Y h+1 = φ 0 + φ 1 Y h + φ 2 Y h φ py h+1 p. Como o coeficiente φ hh de X 1 é φ p se h = p e 0 se h > p, concluímos que a PACF α(.) do processo {Y t} tem a propriedade Exemplo α(p) = φ p, e α(h) = 0, para h > p. Para o processo MA(1), pode ser mostrado que a PACF na defasagem h é ( θ) h α(h) = φ hh = (1 + θ θ 2h ).
19 Previsão: o algoritmo das inovações Este algoritmo é aplicável a todas as séries temporais com segundo momento finito sendo estas estacionárias ou não. Suponha que {Y t} seja uma série temporal com média zero e E Y t 2 < para cada t e E(Y i Y j ) = κ(i, j). Introduzimos aqui uma notação para os melhores previsores um passo à frente e seus erros quadráticos médios: Y T = { 0, if T = 1; P T 1 Y T, T=2,3,..., e ν T = E(Y T +1 P T Y T +1 ) 2. Introduzimos também as inovações ou erros de previsão um passo à frente, U T = Y T Y T.
20 Em termos dos vetores U T = (U 1,..., U T ) e Y T = (Y 1,..., Y T ) as últimas equações podem ser escritas como U T = A T Y T a A T = a 22 a a T 1,T 1 a T 1,T 2 a T 1,T 3 1 Isto implica que A T é não singular com inversa C T da forma θ C T = θ 22 θ θ T 1,T 1 θ T 1,T 2 θ T 1,T 3 1
21 O vetor de previsores um passo à frente Y T = (Y 1, P 1 Y 2,..., P T 1 Y T ) pode ser expresso por Y T = Y T U T = C T U T U T = Θ T (Y T Y T ) (3) em que e θ Θ T = θ 22 θ θ T 1,T 1 θ T 1,T 2 θ T 1,T 3 0 Y T = C T (Y T Y T ).
22 A equação (3) pode ser reescrita como Y T +1 = { 0, se T = 0; T j=1 θ Tj(Y T +1 j Y T +1 j ), se T = 1, 2,..., da qual os previsores um passo à frente Y 1, Y 2,... podem ser calculados recursivamente uma vez definidos os valores dos coeficientes θ ij. O algoritmo a seguir gera estes coeficientes e os erros quadráticos médios ν i = E(Y i+1 Y i+1 ) 2, começando com as covariâncias κ(i, j). O algoritmo das inovações Os coeficientes θ T 1,..., θ TT podem ser calculados recursivamente das equações ν 0 = κ(1, 1), θ T,T k = ν 1 k ( κ(t + 1, k + 1) k 1 ν T = κ(t + 1, T + 1) T 1 j=0 θ k,k jθ T,T j ν j j=0 θ2 T,T jν j. ), 0 k < T,
23 Previsão de processos ARMA O algoritmo das inovações nos fornece um método para previsão em processos ARMA(p, q) Φ(B)Y t = Θ(B)ε t, ε t RB(0, σ 2 ), sendo possível uma simplificação do mesmo. Para isso, vamos aplicar o algoritmo a série transformada W t dada por { Wt = σ 1 Y t, t=1,...,m; W t = σ 1 Φ(B)Y t, t > m em que m = máx(p, q). Para facilitar a notação, façamos θ 0 = 1 e θ j = 0 para j > q. A função de autocovariância pode ser calculada com um dos métodos descritos anteriormente.
24 Assim, as autocovariâncias κ(i, j) = E(W i W j ), i, j > 1, podem ser calculadas da seguite forma: σ 2 γ[ Y (i j), 1 i, j m, σ 2 γ Y (i j) p ] r=1 φr γ Y (r i j ), mín(i, j) m < max(i, j) 2m, κ(i, j) = q θ r θ r+ i j, mín(i, j) > m, r=0 0, caso contrário. Aplicando os algoritmo das inovações ao processo W t, obtemos W T +1 = T θ Tj (W T +1 j W T +1 j ), 1 T < m, j=1 W T +1 = q θ Tj (W T +1 j W T +1 j ), T m, j=1 em que os coeficientes θ Tj e os erros quadráticos médios r T = E(W T +1 W T +1 ) são encontrados recursivamente utilizando o algoritmo das inovações. Os previsores um passo à frente de W T +1 e Y T +1 são dados por W T +1 = P T W T +1 e YT +1 = P T Y T +1.
25 Usando a linearidade de P t temos que { Wt = σ 1 Yt, ] t=1,...,m; W t = σ [ Yt 1 φ 1 Y t 1 φ py t p, t > m e consequentemente Y t Y t = σ(w t W t), para todo t 1. Substituindo (W t W t) por σ 1 (Y t Y t) nas equações de κ(i, j) e de W T +1, finalmente obtemos T Y T +1 = θ Tj(Y T +1 j Y T +1 j ), 1 T < m j=1 φ 1 Y T + + φ py T +1 p + q θ Tj(Y T +1 j Y T +1 j ), T m, j=1 e E(Y T +1 Y T +1 ) 2 = σ 2 E(W T +1 W T +1 ) 2 = σ 2 r T em que θ Tj e r t são obtidos através do algoritmo das inovações.
ANÁLISE DE SÉRIES TEMPORAIS
ANÁLISE DE SÉRIES TEMPORAIS Ralph S. Silva http://www.im.ufrj.br/ralph/seriestemporais.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Estimação
Leia maisEconometria Financeira
Ralph S. Silva http://www.im.ufrj.br/ralph/econometriafinanceira.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Setembro-Dezembro/2015 Análise
Leia maisSéries de Tempo. José Fajardo. Agosto Fundação Getulio Vargas-EBAPE. José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto / 49
Séries de Tempo José Fajardo Fundação Getulio Vargas-EBAPE Agosto 2011 José Fajardo (FGV-EBAPE) Fundamentos Estatísticos Agosto 2011 1 / 49 Definição de esperança não condicional ou incondicional Considere
Leia maisEconometria IV Modelos Lineares de Séries Temporais. Fernando Chague
Econometria IV Modelos Lineares de Séries Temporais Fernando Chague 2016 Estacionariedade Estacionariedade Inferência estatística em séries temporais requer alguma forma de estacionariedade dos dados Intuição:
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 4
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 4 O Processo Média-Móvel Muitas vezes, a estrutura auto-regressiva não é suficiente para descrever totalmente
Leia maisANÁLISE DE SÉRIES TEMPORAIS
ANÁLISE DE SÉRIES TEMPORAIS Ralph S. Silva http://www.im.ufrj.br/ralph/seriestemporais.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Referências
Leia 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 maisCapítulo 3. Modelos Probabilísticos
Capítulo 3 Modelos Probabilísticos 3.1 Introdução Neste capítulo serão descritos vários modelos adequados para dados de séries temporais. Tais modelos são chamados de processos estocásticos. Matematicamente
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 9
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 9 Data Mining Equação básica: Amostras finitas + muitos modelos = modelo equivocado. Lovell (1983, Review
Leia maisAula 1. Wilson Correa. June 27, 2017
Aula 1 Definições Básicas Wilson Correa June 27, 2017 Série de Tempo Definição Uma série de tempo é qualquer conjunto de observações ordenadas no tempo. Podem ser: Discretas. Ex: Valores Diários de Poluição,
Leia maisDefine-se o regressor,ϕ,como. e o vector de parâmetros a estimar, θ,como. O modelo escreve-se:
22 Mínimos Quadrados - Notação matricial Se quisermos resolver o problema de estimação para um número arbitrário de parâmetros temos de usar a notação matricial. Define-se o regressor,,como [ ] e o vector
Leia maisEstimação no Domínio do tempo: Covariâncias e modelos ARIMA
Estimação no Domínio do tempo: Covariâncias e modelos ARIMA Airlane Pereira Alencar 8 de Março de 2019 Alencar, A.P., Rocha, F.M.M. (IME-USP) Processos Estocásticos 8 de Março de 2019 1 / 26 Índice 1 Estacionariedade
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 12
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 12 Regressão com Variáveis Não-Estacionárias Considere três processos estocásticos definidos pelas seguintes
Leia maisECONOMETRIA AVANÇADA Prova Intermediária - 09/04/2015
ECONOMETRIA AVANÇADA Prova Intermediária - 09/04/2015 Solução Questão I (2,0 pontos): Para o modelo y t = 0, 7y t 1 + ɛ t, com ruído branco ɛ t (0, 1), (a) (0,5) Obtenha a previsão h-passos a frente, ŷ
Leia maisteoria de probabilidade e estatística, uma sequência de palavra série de tempo é usada alternativamente para
Na teoria de probabilidade e estatística, uma sequência de variáveis aleatórias é independente e indenticamente distribuida (i.i.d) se cada variável aleatória tem a mesma distribuição de probabilidade
Leia maisRalph S. Silva
ANÁLISE ESTATÍSTICA MULTIVARIADA Ralph S Silva http://wwwimufrjbr/ralph/multivariadahtml Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Revisão:
Leia maisMetodologia de Box-Jenkins. Metodologia de Box-Jenkins. Metodologia de Box-Jenkins
Programa de Pós-graduação em Engenharia de Produção Análise de séries temporais: Modelos de Box-Jenkins Profa. Dra. Liane Werner Metodologia de Box-Jenkins Para os modelos de decomposição e os modelos
Leia maisModulo I. Séries Temporais: ARIMA
UNIVERSIDADE FEDERAL DO PARÁ INSTITUTO DE CIÊNCIAS EXATAS E NATURAIS FACULDADE DE ESTATÍSTICA Modulo I Séries Temporais: ARIMA Curso: Bacharelado em Estatística Disciplina: Estatística Aplicada Nome: Verena
Leia maisConceitos Básicos de Séries Temporais para Modelagem Macroeconômica
Conceitos Básicos de Séries Temporais para Modelagem Macroeconômica Material de apoio à aula de RBC Referencia bibliográfica: Introduction to Econometrics G S Maddala e Kajal Lahiri 4a. Edição, John Wiley
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário Se a integração analítica não é possível ou
Leia maisModelos para Séries Temporais Aula 1. Morettin e Toloi, 2006, Capítulo 2 Morettin, 2011, Capítulo 2 Bueno, 2011, Capítulo 2
Modelos para Séries Temporais Aula 1 Morettin e Toloi, 2006, Capítulo 2 Morettin, 2011, Capítulo 2 Bueno, 2011, Capítulo 2 Modelos para Séries Temporais Os modelos utilizados para descrever séries temporais
Leia mais6. Predição Linear e Controlo de Variância Mínima
1 6. Predição Linear e Controlo de Variância Mínima Objectivo: Projectar controladores discretos lineares para sistemas com perturbações estocásticas. Preparação para o Controlo Adaptativo. Referência:
Leia maisMAP Métodos Numéricos e Aplicações Escola Politécnica 1 Semestre de 2017 EPREC - Entrega em 27 de julho de 2017
1 Preliminares MAP3121 - Métodos Numéricos e Aplicações Escola Politécnica 1 Semestre de 2017 EPREC - Entrega em 27 de julho de 2017 A decomposição de Cholesky aplicada a Finanças O exercício-programa
Leia maisEconometria. Econometria MQO MQO. Resíduos. Resíduos MQO. 1. Exemplo da técnica MQO. 2. Hipóteses do Modelo de RLM. 3.
3. Ajuste do Modelo 4. Modelo Restrito Resíduos Resíduos 1 M = I- X(X X) -1 X Hipóteses do modelo Linearidade significa ser linear nos parâmetros. Identificação: Só existe um único conjunto de parâmetros
Leia 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 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 maisUNIVERSIDADE FEDERAL DO ABC
UNIVERSIDADE FEDERAL DO ABC BC49 Cálculo Numérico - LISTA - sistemas lineares de equações Profs André Camargo, Feodor Pisnitchenko, Marijana Brtka, Rodrigo Fresneda Métodos diretos Analise os sistemas
Leia mais4 Modelos de Regressão Dinâmica
4 Modelos de Regressão Dinâmica Nos modelos de regressão linear (Johnston e Dinardo, 1998) estudados comumente na literatura, supõe-se que os erros gerados pelo modelo possuem algumas características como:
Leia maisEconometria. Séries Temporais Lista de Exercícios
Econometria Séries Temporais Lista de Exercícios 1. Estimação da Autocovariância e da Autocorrelação Tome a série de dados da planilha estimacao.xlsx e estime o que se pede sobre a série de tempo dada.
Leia maisÁlgebra Linear I - Aula 22
Álgebra Linear I - Aula 1. Bases Ortonormais.. Matrizes Ortogonais. 3. Exemplos. 1 Bases Ortonormais Lembre que uma base β é ortogonal se está formada por vetores ortogonais entre si: para todo par de
Leia maisCÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano
CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 13 04/2014 Sistemas de Equações Lineares Parte 3 MÉTODOS ITERATIVOS Cálculo Numérico 3/44 MOTIVAÇÃO Os métodos iterativos
Leia maisAnálise de regressão linear simples. Diagrama de dispersão
Introdução Análise de regressão linear simples Departamento de Matemática Escola Superior de Tecnologia de Viseu A análise de regressão estuda o relacionamento entre uma variável chamada a variável dependente
Leia maisCONHECIMENTOS ESPECÍFICOS
CONHECIMENTOS ESPECÍFICOS 2003 2004 2005 2006 2007 2008 2009 2010 X 39,0 39,5 39,5 39,0 39,5 41,5 42,0 42,0 Y 46,5 65,5 86,0 100,0 121,0 150,5 174,0 203,0 A tabela acima mostra as quantidades, em milhões
Leia mais14 Estimador assintótico
Teoria de Controle (sinopse) 4 J. A. M. Felippe de Souza Neste capítulo continuaremos no estudo de que foi iniciado no capítulo anterior. Estimadores de Estado, A exemplo dos capítulos anteriores será
Leia maisMestrado Profissionalizante em Finanças as e Economia Empresarial FGV / EPGE Prof. Eduardo Ribeiro Julho Setembro 2007
Projeções de Séries S Temporais Econometria dos Mercados Financeiros Mestrado Profissionalizante em Finanças as e Economia Empresarial FGV / EPGE Prof. Eduardo Ribeiro Julho Setembro 2007 Objetivo do curso
Leia maisProfessora Ana Hermínia Andrade. Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise. Período 2017.
Professora Ana Hermínia Andrade Universidade Federal do Amazonas Faculdade de Estudos Sociais Departamento de Economia e Análise Período 2017.1 Distribuições Amostrais O intuito de fazer uma amostragem
Leia mais4.1. ESPERANÇA x =, x=1
4.1. ESPERANÇA 139 4.1 Esperança Certamente um dos conceitos mais conhecidos na teoria das probabilidade é a esperança de uma variável aleatória, mas não com esse nome e sim com os nomes de média ou valor
Leia maisEconometria. Econometria ( ) O modelo de regressão linear múltipla. O modelo de regressão linear múltipla. Aula 2-26/8/2010
Aula - 6/8/010 Econometria Econometria 1. Hipóteses do Modelo de RLM O modelo de regressão linear múltipla Estudar a relação entre uma variável dependente e uma ou mais variáveis independentes. Forma genérica:
Leia mais3 Esquema de pré-distorção
3 Esquema de pré-distorção O objetivo do presente trabalho, conforme foi exposto anteriormente, é a redução dos efeitos causados pelos produtos de intermodulação gerados pela não-linearidade. Para atingir
Leia maisc.c. É a função que associa a cada x X(S) um número f(x) que deve satisfazer as seguintes propriedades:
Prof. Lorí Viali, Dr. viali@mat.ufrgs.br http://www.mat.ufrgs.br/~viali/ Seja X uma variável aleatória com conjunto de valores X(S). Se o conjunto de valores for infinito não enumerável então a variável
Leia maisAnálise de Regressão Linear Simples e
Análise de Regressão Linear Simples e Múltipla Carla Henriques Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução A análise de regressão estuda o relacionamento entre uma variável
Leia maisTestes de Raiz Unitária para Dados em Painel
Aula 7 Bibliografia: Stata, 2017. help xtunitroot. From Stata/SE 13 (accessed on Oct. 23, 2018). Pesaran, M.H. (2015). Time series and panel data econometrics. Oxford: Oxford University Press. Rafael S.
Leia maisGibbs Sampler para ANOVA e Misturas
Gibbs Sampler para ANOVA e Misturas Renato Assunção - DCC, UFMG Outubro de 014 1 Modelo ANOVA: componentes de variância Suponha que temos K grupos ou classes. Em cada grupo, temos um certo número de dados
Leia maisAnálise Multivariada Aplicada à Contabilidade
Mestrado e Doutorado em Controladoria e Contabilidade Análise Multivariada Aplicada à Contabilidade Prof. Dr. Marcelo Botelho da Costa Moraes www.marcelobotelho.com mbotelho@usp.br Turma: 2º / 2016 1 Agenda
Leia mais3 IMPLEMENTAÇÃO DO ELEMENTO FINITO
3 IMPLEMEAÇÃO DO ELEMEO FIIO este capítulo apresentam-se as considerações mais importantes para a implementação do elemento finito generalizado com funções spline. 3.1. Hipóteses Cinemáticas a formulação
Leia maisInferência Estatistica
Inferência Estatistica Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Modelos e Inferência Um modelo é uma simplificação da realidade (e alguns
Leia maisEXAME NACIONAL DE SELEÇÃO 2010
EXAME NACIONAL DE SELEÇÃO 2010 PROVA DE ESTATÍSTICA 1 o Dia: 30/09/2009 - QUARTA FEIRA HORÁRIO: 10h 30m às 12h 45m (horário de Brasília) EXAME NACIONAL DE SELEÇÃO 2010 PROVA DE ESTATÍSTICA 1º Dia: 30/09
Leia maisSUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS
4 SUMÁRIOS DE VARIÁVEIS ALEATÓRIAS CONTINUAS Em muitos problemas de probabilidade que requerem o uso de variáveis aleatórias, uma completa especificação da função de densidade de probabilidade ou não está
Leia maisModelos de Regressão Linear Simples - parte I
Modelos de Regressão Linear Simples - parte I Erica Castilho Rodrigues 19 de Agosto de 2014 Introdução 3 Objetivos Ao final deste capítulo você deve ser capaz de: Usar modelos de regressão para construir
Leia mais2 Transformada inversa numérica de Laplace
2 ransformada inversa numérica de Laplace Neste capítulo damos uma breve descrição da transformada de Laplace e a transformada inversa de Laplace, dando ênfase aos métodos numéricos para calcular a transformada
Leia maisAULA 9 - MQO em regressão múltipla: Propriedades Estatísticas (Valor Esperado)
AULA 9 - MQO em regressão múltipla: Propriedades Estatísticas (Valor Esperado) Susan Schommer Econometria I - IE/UFRJ Valor esperado dos estimadores MQO Nesta aula derivamos o valor esperado dos estimadores
Leia maisEconometria em Finanças e Atuária
Ralph S. Silva http://www.im.ufrj.br/ralph/especializacao.html Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Maio-Junho/2013 Motivação Motivação Por
Leia maisModelos Lineares Generalizados - Estimação em Modelos Lineares Generalizados
Modelos Lineares Generalizados - Estimação em Modelos Lineares Generalizados Erica Castilho Rodrigues 23 de Maio de 207 Introdução 2 3 Vimos como encontrar o EMV usando algoritmos numéricos. Duas possibilidades:
Leia maisUNIVERSIDADE FEDERAL DO ABC. 1 Existência e unicidade de zeros; Métodos da bissecção e falsa posição
UNIVERSIDADE FEDERAL DO ABC BC1419 Cálculo Numérico - LISTA 1 - Zeros de Funções (Profs. André Camargo, Feodor Pisnitchenko, Marijana Brtka, Rodrigo Fresneda) 1 Existência e unicidade de zeros; Métodos
Leia maisAnálise de variância para experimentos com dependência espacial entre parcelas: abordagem autoregressiva e Geoestatística
Análise de variância para experimentos com dependência espacial entre parcelas: abordagem autoregressiva e Geoestatística Diogo Francisco Rossoni (DES/UEM) Cristina Henriques Nogueira (DEX/UFLA) Renato
Leia maisSéries Temporais e Modelos Dinâmicos. Econometria. Marcelo C. Medeiros. Aula 6
em Econometria Departamento de Economia Pontifícia Universidade Católica do Rio de Janeiro Aula 6 O Teorema de Wold O Teorema de Wold Lei dos Grandes Números Teorema Central do Limite -M O Teorema de Wold
Leia maisCap. 8 - Intervalos Estatísticos para uma Única Amostra
Intervalos Estatísticos para ESQUEMA DO CAPÍTULO 8.1 INTRODUÇÃO 8.2 INTERVALO DE CONFIANÇA PARA A MÉDIA DE UMA DISTRIBUIÇÃO NORMAL, VARIÂNCIA CONHECIDA 8.3 INTERVALO DE CONFIANÇA PARA A MÉDIA DE UMA DISTRIBUIÇÃO
Leia maisEstimação na Presença de Ruído colorido
36 Estimação na Presença de Ruído colorido Como se viu, em presença de ruído colorido, os mínimos quadrados fornecem uma estimativa polarizada. Quer dizer, ao fazer muitas observações a estimativa não
Leia maisResolução de sistemas de equações lineares: Fatorações de matrizes
Resolução de sistemas de equações lineares: Fatorações de matrizes Marina Andretta/Franklina Toledo ICMC-USP 27 de agosto de 2012 Baseado no livro Análise Numérica, de R. L. Burden e J. D. Faires. Marina
Leia maisModelos ARCH e GARCH Aula 8. Morettin e Toloi, 2006, Capítulo 1 e 14 Morettin, 2011, Capítulo 1 e 5 Bueno, 2011, Capítulo 8
Modelos ARCH e GARCH Aula 8 Morettin e Toloi, 2006, Capítulo 1 e 14 Morettin, 2011, Capítulo 1 e 5 Bueno, 2011, Capítulo 8 Motivação Pesquisadores que se dedicam a prever séries temporais, tais como preços
Leia maisCapítulo 11 - Projeto de Testes e Escolha de Estruturas
Capítulo 11 - Projeto de Testes e Escolha de Estruturas Prof. Samir Martins UFSJ-CEFET/MG Programa de Pós Graduação em Engenharia Elétrica - PPGEL São João del-rei, 22 de novembro de 2016 1 / 38 Introdução
Leia maisProdutos de potências racionais. números primos.
MATEMÁTICA UNIVERSITÁRIA n o 4 Dezembro/2006 pp. 23 3 Produtos de potências racionais de números primos Mário B. Matos e Mário C. Matos INTRODUÇÃO Um dos conceitos mais simples é o de número natural e
Leia maisResolução de sistemas de equações lineares: Fatorações de matrizes
Resolução de sistemas de equações lineares: Fatorações de matrizes Marina Andretta/Franklina Toledo ICMC-USP 27 de fevereiro de 2015 Baseado no livro Análise Numérica, de R. L. Burden e J. D. Faires. Marina
Leia maisGabarito da Prova Final Unificada de Cálculo IV Dezembro de 2010
Gabarito da Prova Final Unificada de Cálculo IV Dezembro de a Questão: (5 pts) Dentre as três séries alternadas abaixo, diga se convergem absolutamente, se convergem condicionalmente ou se divergem Justifique
Leia maisLEEC Probabilidades e Estatística 1 a Chamada 13/06/2005. Parte Prática C (C) M 1% 9% 10% (M) 4% 86% 90% 5% 95% 100%
. Definição dos acontecimentos: M T-shirt tem manchas C T-shirt tem costuras defeituosas D T-shirt é defeituosa A Preço da t-shirt é alterado a) PM) = % PC) = 5% PM C) = % LEEC Probabilidades e Estatística
Leia maisNessa situação, a média dessa distribuição Normal (X ) é igual à média populacional, ou seja:
Pessoal, trago a vocês a resolução da prova de Estatística do concurso para Auditor Fiscal aplicada pela FCC. Foram 10 questões de estatística! Não identifiquei possibilidade para recursos. Considero a
Leia maisESTATÍSTICA COMPUTACIONAL
ESTATÍSTICA COMPUTACIONAL Ralph dos Santos Silva Departamento de Métodos Estatísticos Instituto de Matemática Universidade Federal do Rio de Janeiro Sumário (bootstrap) Este método foi proposto por Efron
Leia maisUniversidade Tecnológica Federal do Paraná
Cálculo Numérico - Zeros de Funções Prof a Dr a Diane Rizzotto Rossetto Universidade Tecnológica Federal do Paraná 13 de março de 2016 D.R.Rossetto Zeros de Funções 1/81 Problema Velocidade do pára-quedista
Leia maisMAE Introdução à Probabilidade e Estatística II Resolução Lista 5
MAE 229 - Introdução à Probabilidade e Estatística II Resolução Lista 5 Professor: Pedro Morettin e Profa. Chang Chian Exercício 1 (a) De uma forma geral, o desvio padrão é usado para medir a dispersão
Leia maisUniversidade Federal do Rio Grande do Sul Escola de Engenharia Departamento de Engenharia Elétrica ENG04037 Sistemas de Controle Digitais
Universidade Federal do Rio Grande do Sul Escola de Engenharia Departamento de Engenharia Elétrica ENG04037 Sistemas de Controle Digitais 1 Introdução Identificação via Mínimos Quadrados Prof. Walter Fetter
Leia maisx exp( t 2 )dt f(x) =
INTERPOLAÇÃO POLINOMIAL 1 As notas de aula que se seguem são uma compilação dos textos relacionados na bibliografia e não têm a intenção de substituir o livro-texto, nem qualquer outra bibliografia Aproximação
Leia maisParte A FÓRMULAS Spiegel_II_01-06.indd 11 Spiegel_II_01-06.indd :17: :17:08
Parte A FÓRMULAS Seção I: Constantes, Produtos e Fórmulas Elementares Alfabeto Grego e Constantes Especiais 1 Alfabeto grego Nome Letras Gregas Grego Minúsculas Maiúsculas Alfa Α Beta Β Gama Γ Delta Δ
Leia maisRenato Martins Assunção
Análise Numérica Renato Martins Assunção DCC - UFMG 2012 Renato Martins Assunção (DCC - UFMG) Análise Numérica 2012 1 / 84 Equação linear Sistemas de equações lineares A equação 2x + 3y = 6 é chamada linear
Leia maisSeja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma:
46 VALOR ESPERADO CONDICIONADO Seja (X,Y) uma v.a. bidimensional contínua ou discreta. Define-se valor esperado condicionado de X para um dado Y igual a y da seguinte forma: Variável contínua E + ( X Y
Leia maisEquações não lineares
DMPA IME UFRGS Cálculo Numérico Índice Raizes de polinômios 1 Raizes de polinômios 2 raizes de polinômios As equações não lineares constituídas por polinômios de grau n N com coeficientes complexos a n,a
Leia maisInversão de Matrizes
Inversão de Matrizes Prof. Márcio Nascimento Universidade Estadual Vale do Acaraú Centro de Ciências Exatas e Tecnologia Curso de Licenciatura em Matemática Disciplina: Álgebra Matricial - 2017.1 18 de
Leia maisTratamento Estatístico de Dados em Física Experimental
Tratamento Estatístico de Dados em Física Experimental Prof. Zwinglio Guimarães o semestre de 06 Tópico 7 - Ajuste de parâmetros de funções (Máxima Verossimilhança e Mínimos Quadrados) Método da máxima
Leia maisSistemas de equações lineares
DMPA IM UFRGS Cálculo Numérico Índice Sistema de Equações Lineares 1 Sistema de Equações Lineares 2 com pivoteamento parcial 3 Método de Jacobi Método Gauss-Seidel Sistema de Equações Lineares n equações
Leia maisMétodos iterativos para sistemas lineares.
Métodos iterativos para sistemas lineares. Alan Costa de Souza 7 de Setembro de 2017 Alan Costa de Souza Métodos iterativos para sistemas lineares. 7 de Setembro de 2017 1 / 46 Introdução. A ideia central
Leia mais1 Auto vetores e autovalores
Auto vetores e autovalores Os autovalores de uma matriz de uma matriz n n são os n números que resumem as propriedades essenciais daquela matriz. Como esses n números realmente caracterizam a matriz sendo
Leia maisÁlgebra Linear I - Aula Forma diagonal de uma matriz diagonalizável
Álgebra Linear I - Aula 18 1 Forma diagonal de uma matriz diagonalizável 2 Matrizes ortogonais Roteiro 1 Forma diagonal de uma matriz diagonalizável Sejam A uma transformação linear diagonalizável, β =
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 maisIntrodução a Modelos VAR
Introdução a Modelos VAR Henrique Dantas Neder - Professor Associado Universidade Federal de Uberlândia July 24, 2014 Um VAR é um modelo no qual K variáveis são especicadas como funções lineares de p de
Leia maisPREVISÃO. Prever o que irá. acontecer. boas decisões com impacto no futuro. Informação disponível. -quantitativa: dados.
PREVISÃO O problema: usar a informação disponível para tomar boas decisões com impacto no futuro Informação disponível -qualitativa Prever o que irá acontecer -quantitativa: dados t DEI/FCTUC/PGP/00 1
Leia maisÁlgebra Linear I - Aula Bases Ortonormais e Matrizes Ortogonais
Álgebra Linear I - Aula 19 1. Bases Ortonormais e Matrizes Ortogonais. 2. Matrizes ortogonais 2 2. 3. Rotações em R 3. Roteiro 1 Bases Ortonormais e Matrizes Ortogonais 1.1 Bases ortogonais Lembre que
Leia maisAula 2 Uma breve revisão sobre modelos lineares
Aula Uma breve revisão sobre modelos lineares Processo de ajuste de um modelo de regressão O ajuste de modelos de regressão tem como principais objetivos descrever relações entre variáveis, estimar e testar
Leia maisIntrodução Variograma Modelos básicos de correlação espacial Modelação Interpolação espacial & Simulação. Geoestatística.
Geoestatística Susana Barbosa Mestrado em Ciências Geofísicas 2012-2013 Geoestatística conjunto de técnicas matemáticas e numéricas para caracterizar fenómenos espaciais contínuos tendo em conta a correlação
Leia maisLista 1 - Cálculo Numérico - Zeros de funções
Lista 1 - Cálculo Numérico - Zeros de funções 1.) De acordo com o teorema de Bolzano, se uma função contínua f(x) assume valores de sinais opostos nos pontos extremos do intervalo [a, b], isto é se f(a)
Leia maisDistribuição Normal. Prof a Dr a Alcione Miranda dos Santos. Abril, 2011
Distribuição Normal Prof a Dr a Alcione Miranda dos Santos Universidade Federal do Maranhão Programa de Pós-Graduação em Saúde Coletiva email:alcione.miranda@gmail.com Abril, 2011 1 / 18 Sumário Introdução
Leia maisReginaldo J. Santos. Universidade Federal de Minas Gerais 18 de abril de 2004
Decomposição em Frações Parciais Reginaldo J. Santos Departamento de Matemática-ICEx Universidade Federal de Minas Gerais http://www.mat.ufmg.br/~regi 8 de abril de 2004 Sumário Introdução 2 2 g(t) tem
Leia maisSME Cálculo Numérico. Lista de Exercícios: Gabarito
Exercícios de prova SME0300 - Cálculo Numérico Segundo semestre de 2012 Lista de Exercícios: Gabarito 1. Dentre os métodos que você estudou no curso para resolver sistemas lineares, qual é o mais adequado
Leia mais3 Modelos Comparativos: Teoria e Metodologia
3 Modelos Comparativos: Teoria e Metodologia Para avaliar o desempenho do modelo STAR-Tree, foram estimados os modelos Naive, ARMAX e Redes Neurais. O ajuste dos modelos ARMAX e das redes neurais foi feito
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 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 maisModelos de Regressão Linear Simples parte I
Modelos de Regressão Linear Simples parte I Erica Castilho Rodrigues 27 de Setembro de 2017 1 2 Objetivos Ao final deste capítulo você deve ser capaz de: Usar modelos de regressão para construir modelos
Leia maisInterpolação polinomial: Diferenças divididas de Newton
Interpolação polinomial: Diferenças divididas de Newton Marina Andretta ICMC-USP 9 de maio de 2013 Baseado no livro Análise Numérica, de R. L. Burden e J. D. Faires. Marina Andretta (ICMC-USP) sme0500
Leia maisAULA 09 Regressão. Ernesto F. L. Amaral. 17 de setembro de 2012
1 AULA 09 Regressão Ernesto F. L. Amaral 17 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario F. 2008. Introdução à
Leia mais