APÊNDICE C FUNDAMENTOS ESTATÍSTICOS SÉRIES TEMPORAIS 1
|
|
- Stefany Candal
- 5 Há anos
- Visualizações:
Transcrição
1 Apêdice C APÊNDICE C FUNDAMENTOS ESTATÍSTICOS SÉRIES TEMPORAIS Nese Apêdice são apreseados algus coceios de esaísica úeis para validar os modelos de previsão de demada de eergia, sobreudo os que evolvem méodo de regressão, ecoomeria e modelos de séries emporais. Duas referêcias foram uilizadas para a preparação dese Apêdice: a seguda edição do livro de William W. S. Wei, iiulado Time Series Aalysis (Uivariae ad Muivariae Mehods), publicada em 6, e ouro mais recee, publicado em, por R. L. S. Bueo sob o íulo Ecoomeria de Séries Temporais. VARIÁVEL ALEATÓRIA E DISCRETA Quado uma variável assume resulados diversos ere uma observação e oura em razão de faores relacioados à chace, ela é chamada de variável aleaória. a) Variável aleaória discrea Defiição: sea x uma variável aleaória. Se o úmero de valores possíveis de x for fiio ou ifiio eumerável, eão x é deomiada de variável aleaória discrea. A cada resulado possível xi esá associada uma probabilidade de ocorrêcia p(xi) com as seguies codições para odo i: p ( x i ) p( x i i ) (C.) a) Variável aleaória coíua Defiição: diz-se que x é uma variável aleaória coíua se exisir uma fução f, deomiada de fução desidade de probabilidade fdp de x, que saisfaça as seguies codições: + f ( x) f ( x) dx (C.) Para quaisquer a e b, com <a<b<+, em-se que: b p ( a x b) f ( x) dx (C.3) a b) Fução de disribuição acumulada Defiição: sea x uma variável aleaória discrea. Defie-se a fução F como a fução de disribuição acumulada da variável aleaória x como: F ( x) p( x ) (C.4) Ese apêdice foi escrio por Dr. João B. Marques (bdmarques@gmail.com).
2 Apêdice C Ode o ermo de soma é esedido a odos os ídices que saisfaçam a codição xx. Se x for uma variável aleaória coíua, eão: F ( x) x f ( s) ds (C.5) Ode s é uma variável muda de iegração. Observe que se F(x) é a fução de disribuição acumulada da variável aleaória coíua x, com fdp f(x), eão: Para odo x o qual F sea derivável. df( x) f ( x) (C.6) dx VALOR ESPERADO, ESPERANÇA CONDICIONAL E INCONDICIONAL O valor esperado de uma variável aleaória discrea, ou simplesmee esperaça, é a soma das probabilidades de ocorrêcia de cada eveo muliplicada pelo seu valor. É o valor médio esperado de um experimeo se ele for repeido muias vezes, porao: E( x) x p( ) (C.7) i i x i Se a variável for coíua com fdp igual a f(x), eão a esperaça é dada por: + E ( x) xf ( x) dx (C.8) Duas propriedades são básicas em relação ao valor esperado, a primeira é: Ode a e b são cosaes, e a seguda é: E ( ax by) ae( x) + be( y) Coudo, se as variáveis x e y são idepedees, eão: + (C.9) E( xy) E( x) E( y) (C.) E ( xy) E( x) E( y) (C.) a) Esperaça codicioal e ão codicioal Esses coceios são fudameais em ecoomeria de séries emporais, uma vez que a ordem dos dados do couo da população é uma codicioae. Cosidere o espaço amosral a esperaça ão codicioal (ou icodicioal) de uma variável aleaória x, que é defiida por: E ( x ) E( x) (C.) Ode o couo a que perece a esperaça ão esá defiida claramee o espaço amosral. A lei das expecaivas oais afirma que: E [ E( x )] E( x ) E( x) (C.3)
3 Apêdice C 3 Sea odos os subcouos do espaço amosral sobre o qual a variável aleaória x esá iserida. A lei das expecaivas ieradas, aplicada a dois couos A, B, é defiida por: E [ E( x A, B) A] E( x A) (C.4) O que implica que é sobre o meor couo de iformação que se deermia a esperaça codicioal. VARIÂNCIA Defiição: sea x uma variável aleaória. Defie-se a variâcia de x, deoada por Var(x) ou x, como: Var ( E( x) x) E x (C.5) A raiz quadrada posiiva de Var(x) é deomiada de desvio padrão. Oura forma de expressar a Var(x) é: Var ( x) E( x E( x ) ) (C.6) a) Propriedades da variâcia Se a e b são cosaes, eão: Var ( x + a) Var( x) (C.7) E: Var( ax ) a Var( x) Var( ax + b) a Var( x) (C.8) Também: Var ( x y) Var( x) + Var( y) + Cov( x, y) + (C.9) Ode Cov(x,y) represea a covariâcia ere as variáveis aleaórias x e y: Cov( x, y) E ( x )( y ) (C.) Ode x e y são as médias das disribuições das variáveis x e y, cua fução de correlação é: x x y y Cov( x, y) ( x, y) (C.) DEFINIÇÃO DE PROCESSO ESTOCÁSTICO Um processo esocásico é uma família de variáveis aleaórias (,) idexada o empo, ode perece ao espaço amosral e refere-se ao empo. Para um deermiado, (.,) é uma variável aleaória e para um dado espaço amosral, (,.) é uma realização e (,) é um úmero real. Uma população que cosisa de odas as possíveis realizações é chamada de processo esocásico
4 Apêdice C 4 gerador de dados. Porao, uma série emporal é uma realização ordeada de um processo esocásico qualquer. Supoha ifiias medições da emperaura do covés de sodas de peróleo durae o dia. Assim, seria possível moar um couo com as sequêcias seguies: () () ( ) ( ),,, (C.) Mais exaamee, em cada isae exisiriam emperauras ou observações relacioadas ao empo, ou sea: ( ) (),,, ( ) (C.3) Esse é um couo de dados cua disribuição é, possivelmee, ormal. Assim, vários momeos dessa série podem ser esimados; por exemplo, o primeiro e o segudo momeos (esperaça e variâcia, respecivamee). Covém suprimir o espaço amosral e simplificar (,) para () ou (,,,). Dessa forma, a esperaça ão codicioal da variável aleaória (), ou simplesmee é: + E ( ) f ( ) d (C.4) Ode f() é a fução desidade de probabilidade ver Eq. (C.8). Noe que a esperaça é a média esperada de uma disribuição de frequêcia. A fução de variâcia de um processo esocásico é: E( ) (C.5) E a fução de covariâcia ere duas variáveis aleaórias e é:, ) E( )( ) (C.6) ( Assim, por aalogia, a fução de correlação fica defiida como: (, ) (, ) (C.7) AUTOCOVARIÂNCIA, AUTOCORRELAÇÃO a) Auocovariâcia A auocovariâcia represea a covariâcia da variável aleaória com ela mesma defasada de passos, ode as séries emporais são omadas do mesmo processo esocásico. Em um processo esriamee esacioário, a fução de disribuição é a mesma para odo, porao µµ é uma cosae, desde que E()< e a variâcia para odo sea ambém uma cosae. Assim, defie-se a auocovariâcia como: ( )( E( ) Cov (, ) E + + ( + + (C.8) Noe que, por defiição, é a própria variâcia. Observe ambém que, de acordo com defiição em (C.8), as variâcias ão codicioais de + e + são idêicas.
5 Apêdice C 5 b) Auocorrelação A auocorrelação é defiida por: Var ( ) Var( + ) (C.9) Ode Var()Var(+). c) Fução de auocovariâcia e fução de auocorrelação (FAC) Uma vez que e são fuções de (defasagem), e são chamados de fução de auovariâcia e de auocorrelação, respecivamee. Esses coceios são imporaes a deermiação do melhor modelo para represear uma série emporal específica. EXEMPLO C. Supoha + um processo esocásico com i.i.d. (, ). Deermie a fução de auocovariâcia e a fução de auocorrelação. Solução De acordo com a Eq. (C.8) em-se que: ( ) E ( +,,,, (C.3) Noe que o ruído é i.i.d. (idêica e idepedeemee disribuído), porao, de acordo com a Eq. (C.), quado resula que: E ( ) E( ) E( ) (C.3) + + d) Fução de auocorrelação parcial (FACP) Além da auocorrelação ere e +, pode-se ivesigar a correlação ere e + após remoção da depedêcia liear desas variáveis com as variáveis ierveiees +, +,,+-. Mais exaamee, podem-se ivesigar os erros desas variáveis obidas de suas melhores esimaivas por méodo de regressão liear. Cosidere {} um processo esacioário e, sem perda de geeralidades, assuma que E(). Cosidere a expressão a seguir o melhor esimador de +: ˆ (C.3) Ode i ( i ) são os coeficiees obidos por méodo de regressão miimizado a esperaça do quadrado dos resíduos, ou sea: ˆ E ( + + ) (C.33)
6 Apêdice C 6 De forma similar, cosidere a seguie expressão o melhor esimador de, ou sea: ˆ (C.34) Ode i ( i ) são os coeficiees obidos por méodo de regressão miimizado a esperaça do quadrado dos resíduos: ˆ E( ) (C.35) Assim, a fução de auocorrelação parcial ere e + é defiida como a correlação ordiária ere ( Ẑ ) e (+ ˆ + ), ou sea: Cov[( ˆ ˆ ), ( + + )] (C.36) Var( ˆ ) Var( ˆ ) Uilizado as propriedades da esperaça e da variâcia, pode-se chegar ao seguie méodo geral: + 3,, 33 (C.37) + Ou de forma geérica: (C.38) Ode é a fução de auocorrelação ere e +. e) Média amosral Quado se em apeas uma realização de um processo esacioário, o esimador aural da média E() é defiido por: i Ode é a média emporal de observações. Noe que: (C.39)
7 Apêdice C 7 E( ) E( ) (C.4) De ode se coclui que é o esimador ão eviesado de. i f) Fução de auocovariâcia amosral De forma similar, quado se em apeas uma realização, o esimador da auocovariâcia é: ˆ ( )( + ), ou ˆ ( )( + ) (C.4) que: Ambos os esimadores da Eq. (C.4) são ão eviesados e pode-se demosrar facilmee ( ˆ ) Var( ) ˆ E( ) Var( ) e E (C.4) g) Fução de auocorrelação amosral (FAC) Para uma dada realização de uma série emporal, a fução de auocorrelação amosral é defiida como: ( )( + ) ˆ ˆ,,,, (C.43) ˆ ( ) EXEMPLO C. Cosidere os dez valores de uma série emporal coforme Tabela C.: Tabela C. Amosras de uma série emporal ( observações) Solução Noe que a média é e, porao:
8 Apêdice C 8 ˆ ˆ ˆ 3 (3 )(8 ) + (8 )(5 ) + + (7 )(4 ) + (4 )( ) 7,8 (3 ) + (8 ) + (4 ) + ( ) 44 (3 )(5 ) + (8 )(4 ) + + ( )(4 ) + (7 )( ), 44 (3 )(4 ) + (8 )(4 ) + + ( )(4 ) + ( )( ),8 44 (C.44) De modo geral, ˆ ˆ, ou sea, a fução de auocorrelação amosral é simérica em relação à origem. Podem-se uilizar os dados obidos e moar um gráfico da fução de auocorrelação cora a defasagem. Ver Figura C.. Figura C. Fução de auocorrelação amosral FAC h) Fução de auocorrelação parcial amosral (FACP) A fução de auocorrelação parcial amosral ˆ é obida subsiuido i por ˆ i a Eq. (C.38). No eao, em vez de apreseá-la em forma de deermiaes, é melhor uilizar a forma recursiva a seguir: ˆ + ˆ ˆ ˆ + + ˆ ˆ ˆ ˆ, + e,,, +, +, +, + ˆ ˆ (C.45) EXEMPLO C.3 Usado os dados do exemplo aerior, deermie ˆ, ˆ ˆ, e, 33 ˆ. Solução Parido das Eqs. (C.37) e (C.38) em-se que:
9 Apêdice C 9 ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ,88 ˆ, (,88) (,88) ˆ A parir da Eq. (C.45), em-se que: ˆ (,88) (,45)(,88),34 ˆ ˆ ˆ ˆ 3 ˆ ˆ ˆ ˆ,88,97 3,3 ˆ,97 (C.46) (C.47) ESTACIONARIDADE, ERGOCIDADE E RUÍDO BRANCO a) Esacioaridade Por defiição, se o processo esocásico em esperaça e auocovariâcia idepedees do empo, eão se raa de uma série fracamee esacioária. Para ao é ecessário que se observe as seguies codições: E( ) E E( ), para odo {,,,, } ( )( + ) (C.48) A primeira codição assegura que o segudo momeo ão cerado é fiio (podedo ser diferee para diferees períodos). A seguda codição exige igualdade ere as médias (as disribuições podem sofrer alerações com o empo). A erceira codição é que a variâcia sea igual para odo o período e idepedeemee do empo. b) Ergocidade Para esimar uma série emporal é ecessário aeder à propriedade de ergocidade, além da esacioaridade. Supoha que uma realização (,.) é uma realização de um processo esocásico. A média emporal é defiida por: ( ) ( ) (C.49) () () Se covergir para E( ), eão exise ergocidade. Como as médias são odas iguais para diferees iervalos de empo, basa uma realização para se er a média. O que se preede é que a esperaça de cada observação sea igual (esacioaridade) e se possa esimar essa esperaça omado-se a média emporal das observações (ergocidade). Pode-se provar que, se a soma das covariâcias for fiia, é ergódico para o primeiro momeo.
10 Apêdice C c) Ruído braco Uma sequêcia de realizações {} é um ruído braco se a média for zero em cada realização e se a variâcia for cosae e ão for correlacioada a qualquer oura realização da própria série. Se uma sequêcia de realizações { aede às codições em (C.5): } E( ) E( E( ) Eão o processo { é um ruído braco. } para odo ), para odo MODELOS DE SÉRIES TEMPORAIS ESTACIONÁRIAS (C.5) A seguir, são idicados os processos esocásicos, com suas respecivas fuções de auocovariâcia e auocorrelação, mais uilizados o raameo de variáveis que ieressam aos modelos de previsão de demada de eergia. Esses processos são ambém largamee uilizados em ouras áreas de pesquisa, sobreudo em ecoomeria e fiaças. George Box e Gwilym Jeis (976) desevolveram uma meodologia de raameo de séries emporais esacioárias e popularizaram uma família de modelos deomiada ARIMA (auoregressive iegraed movig average). a) Processo auorregressivo AR(p) Para eeder esa meodologia de George Box e Gwilym Jeis (97), é coveiee iiciar com a defiição do que sea uma série emporal auorregressiva AR(p), que é deermiada por: p p (C.5) p + Ode é a observação da série o empo ; p é o parâmero de ordem p do modelo; é um úmero real e é o resíduo ou erro (ruído braco ). Oura forma de apresear uma série emporal AR(p) é: p p p + + (C.5) Ode. É comum ambém usar operadores que defasam as variáveis o empo para represeação de séries emporais de modo mais compaco. Por exemplo, pode-se reescrever a Eq. (C.5) com operadores, assim em-se que: + B + B + + p B p + (C.53) Ode B e B(B)B. De maeira geral, B p p. Assim, a Eq. (C.53) pode ser resumida para: Uma sequêcia é um ruído braco se a média (por coveiêcia) for zero e a variâcia cosae e ão correlacioada a qualquer oura simulação da própria série.
11 Apêdice C ( B) + (C.54) p Ode p(b) B B pb p. Assim, um processo auorregressivo de primeira ordem AR() é dado por: ( B), ou + (C.55) A fução de auocovariâcia de um modelo AR() é obida coforme a seguir: E ) E( ) + E( ) E( ) + ( (C.56) Ou sea:, (C.57) A fução de auocorrelação se resume a: (C.58) Adoado. Nesse modelo, quado o módulo de < e se o processo é esacioário, a fução de auocorrelação decai expoecialmee de duas formas: se <<, o valor da fução decai e é sempre posiiva; e se <<, a auocorrelação ambém decai, iiciado com valor egaivo e rocado de sial a cada passo. Já a fução de auocorrelação parcial (FACP) é:,, O processo auorregressivo de seguda ordem AR() é defiido como: ) (C.59) + +, ou ( B B (C.6) As fuções de auocovariâcia, auocorrelação (FAC) e auocorrelação parcial (FACP) para o processo AR() são, respecivamee: +,,,,, 3 +, (C.6) EXEMPLO C.4 Simule 5 valores a parir de um processo esocásico AR(), coforme modelo idicado a Eq. (C.6) a seguir, e elabore dois gráficos idicado os valores das fuções de auocorrelação amosral (FAC) e auocorrelação parcial amosral (FACP) para passos de defasagem. ( B )( ), com,9 (C.6)
12 Apêdice C Solução O modelo descrio a Eq. (C.6) pode ser reescrio como: +, ode (C.63) Noe que, de acordo com a Eq. (C.58), a forma de decaimeo da FAC depede do valor de, coforme comeado. Para cada simulação realizada, há um resulado diferee para os valores da fução de auocorrelação (FAC). Figura C. Modelo AR() O modelo AR() pode ser úil para represear diversas séries emporais de variáveis ecoômicas ou variáveis de ieresse as aálises de produção e preço de eergia. Por exemplo, a iflação medida pelo IPCA ere aeiro de 995 e dezembro de 9 segue um modelo AR() em que,55. Vea a Figura C.3 o ídice mesal de iflação (IPCA) durae o período de 995 a 9 e uma simulação AR(), ode -+ (ode -,7% em aeiro de 995). Figura C.3 Iflação mesal IPCA a. 995 a dez. 9 Foe: IBGE
13 Apêdice C 3 b) Processo de médias móveis MA(q) O processo geral AR(p) é defiido como: (C.64) q q ou q ( B) Ode q(b)( B B qb q ). Assim, o processo de médias móveis de primeira ordem MA() fica reduzido a: B) (C.65) ( As fuções de auocovariâcia, auocorrelação (FAC) e auocorrelação parcial (FACP) para o processo MA() são, respecivamee: ( + ),,,, + (C.66),, E: ( ), ( + ) (C.67) O processo de médias móveis de seguda ordem MA() é defiido como: ( B B ) (C.68) As fuções de auocovariâcia, auocorrelação (FAC) e auocorrelação parcial (FACP) para o processo MA() são, respecivamee: E: ( ), ( + + ) + +, ( ),,, (C.69) + +,,,,,, (C.7) 3 ( ), 3 ( )
14 Apêdice C 4 c) Processo auorregressivo de médias móveis ARMA(p,q) Uma exesão aural é a composição de um processo puro AR(p) com ouro MA(q), formado, assim, um processo esocásico ARMA(p,q). O processo geral ARMA(p,q) é defiido como: ( B) ( B) (C.7) p Ode p(b) B B pb p e q(b)( B B qb q ). Assim, o processo ARMA(,) fica reduzido a: q B) ( B) (C.7) ( As fuções de auocovariâcia, auocorrelação (FAC) e auocorrelação parcial (FACP) para o processo ARMA() são, respecivamee: ( + ), ( ), ( )( ) ( )( ),,, (C.73) ( ) +,, A fução de auocorrelação do processo ARMA(,) e demais, além de complicada ão é ecessária. MODELOS DE SÉRIES TEMPORAIS NÃO ESTACIONÁRIAS Muias variáveis ecoômicas são séries emporais ão esacioárias, paricularmee aquelas relacioadas ao crescimeo das aividades produivas. Em geral, a média e a variâcia das séries emporais ão esacioárias ão são cosaes e depedem do empo. Por exemplo, o PIB do Brasil ere os aos de 95 e forma uma série emporal ão esacioária, o eao, possivelmee a axa de crescimeo o PIB pode ser uma série esacioária. De um modo geral, algumas séries ão esacioárias homogêeas oram-se esacioárias após algus filros ou derivações. a) Filros os processos esocásicos É comum realizar algumas rasformações em séries emporais. A essas rasformações dáse o ome de filragem. A meodologia de Box e Jeis (97) é para séries emporais esacioárias, o eao, se uma em especial ão for esacioária, ela deve eão ser difereciada aé que se ore, para que se aplique a meodologia. A difereciação é um ipo de filro. Se uma variável ão é esacioária, pode-se defiir uma ova variável que correspode à primeira difereça. Se a esacioaridade ão for aigida com a primeira difereciação, fazem-se ovas operações sucessivas aé ober a esacioaridade. Assim, defie-se a primeira difereciação da variável com a seguie oação: A seguda difereciação seria: ( B) (C.74)
15 Apêdice C 5 ( ) ( ) + (C.75) Ou: d d ( B) ( B + B ) ( B) (C.76) Com isso, pode-se defiir adequadamee um modelo ARIMA. b) Iveribilidade Oura forma úil para descrever um processo esocásico auorregressivo AR é regredir o valor de com suas variáveis passadas somadas a um ruído braco (choque), ou sea: (C.77) Ou: ( B) (C.78) Ode: ( B ) B, com + (C.79) De acordo com Box e Jeis (976), um processo é iverível se for possível reescrevê-lo a forma da Eq. (C.77), coforme codição esabelecida a Eq.(C.79). Noe que, para um processo liear (B) ser iverível é ecessário reescrevê-lo a forma de um processo AR. Isso se faz subsiuido a Eq. (C.78), ou sea: ( B) ( B) (C.8) Porao: ( B) ( B) ( B) ( B) ( B) (C.8) A codição de iveribilidade garae que os pesos dos valores passados (π) podem ser obidos a parir dos pesos dos choques passados, o ruído braco (whie oise). Além da esacioaridade, essa codição garae que os pesos π decaem à medida que a série é deslocada para rás. Mais exaamee, os maiores pesos devem ser aribuídos às observações mais recees. Porao, coforme argumea Box e Jeis (976), se um processo é ão iverível, a previsão por meio dele ão faz seido. c) Processo ARIMA (p,d,q) Se ora-se esacioária após d difereciações e se a série resulae for um modelo ARMA(p,q), eão diz-se que é uma variável descria por um modelo ARIMA(p,d,q). Mais exaamee, fazedo-se d difereciações sobre a variável resula um modelo ARMA (p,q) semelhae ao modelo apreseado a Eq. (C.7). Ou sea, um modelo ARIMA(p,d,q) é defiido como:
16 Apêdice C 6 + ( B) d p ( B)( B) q (C.8) Ode o parâmero assume fuções disias depededo do grau de difereciação d. Quado d, o processo origial é esacioário e represea a média do processo, ou sea: ( p). Se d, é chamado de ermo de edêcia deermiísica. Um modelo ARIMA(p,d,q) refere-se, respecivamee, às ordes de auorregressão, iegração e média móvel. d) Processo SAR(p), SMA(q), SARMA(p,q) e SARIMA(p,d,q) Exisem variáveis que apreseam comporameo oscilaório recorree e com periodicidade homogêea que podem ser represeadas por séries emporais. Essas séries são dias sazoais. A difereciação sazoal é ada mais do que a difereciação com defasagem de um período maior que uiário, um período s, por exemplo. Assim, em-se que a d-ésima difereciação sazoal s é defiida como: ) d s d ( Bs s (C.83) Ode Bs p -ps. Um modelo esocásico auorregressivo é dio sazoal de ordem p, SAR(p), quado seus valores são regredidos de seus valores aeriores defasados de s ou múliplos de s. Assim, em-se que: s s p ps s (C.84) p + De forma similar, um modelo SMA(q) é dio de médias móveis sazoal de ordem q, quado represeado por: + q s s q qs + s, (C.85) Por aalogia, um modelo SARMA(p,q) ada mais é do que uma combiação de dois ermos, um SAR(p) e um SMA(q), de modo que: Auorregressivo p + i is + i Média móvel q s, (C.86) Do mesmo modo, se a d-ésima difereciação de uma série reproduz uma série esacioária do ipo SARMA(p,q), diz-se que esa série é iegrada com ordem d, ou sea, um modelo SARIMA(p,d,q). PREVISÃO (ESTIMATIVAS FUTURAS) Como á mecioado, as fuções FAC e FACP são imporaes a deermiação do melhor modelo para represear uma série emporal específica. Para esse iem, cosidere um modelo geral ARIMA (p,d,q): d p B)( B) q ( B) ( (C.87) Ode p(b)( B B pb) e p(b)( B B qb) e o N(, ). O parâmero foi omiido, sem perda de geeralidades, por quesão de simplificação.
17 Apêdice C 7 a) Esimaiva do erro em previsões com base um modelo ARMA Para deermiar o erro de dados previsos pelo méodo dos míimos quadrados para um modelo ARMA, deve-se iicialmee assumir um caso ode d e µ, ou sea: ( B) ( B) (C.88) Uma vez que o modelo é esacioário, pode-se represeá-lo a parir de um processo de médias móveis, ou sea: Ode: ( B) ( B) + + +, com ( B) (C.89) ( B ) B (C.9) Para +l, em-se que: + + l (C.9) Supoha agora que se coheçam as observações aé e sea ecessário esimar l-passo a free, ou sea, o valor de +l como uma combiação liear das observações cohecidas,, -, -,, uma vez que pode ser escrio coforme Eq. (C.89). Assim, coforme oação, o valor esimado ˆ ( l) de +l é escrio como: ˆ ( l ) * l + * * * l+ + l+ + l+ (C.9) Ode os coeficiees podem ser deermiados. Pode-se demosrar facilmee que o erro é miimizado quado: * l + l+ (C.93) Mais exaamee, a melhor esimaiva da variável l-passo a free é dada pela esperaça codicioada ao couo de dados dispoíveis, ou sea: Cuo erro: e ( l) ˆ ( l) (,,,) E + l l + (C.94) ˆ ˆ + l ( l) + l ( l) l e ( l) (C.95) Com isso, pode-se esimar a variável para qualquer passo além dos dados dispoíveis. Em um processo ormal, caso se desee esabelecer os desvios, limiado a variável para uma faixa de ( )% de possíveis resulados, calcula-se com a expressão a seguir:
18 Apêdice C 8 ˆ ( l) N + / l / (C.96) Ode N/ é o desvio padrão ormal al que P(N>N/)/. b) Esimaiva do erro em previsões com base um modelo ARIMA Parido do modelo geral, Eq. (C.87), pode-se reescrevê-lo para prever +l coforme processo AR, uma vez que o processo ARIMA é iverível. Ou sea: Ode: ) ( (C.97) B + l + l ( B) B ( B)( B) ( ) B d (C.98) Ou, de forma equivalee: + l + l + + l (C.99) Pode-se demosrar 3 que: e ( l) l + ˆ l ( l) + l (C.) Ode, esse caso: i i, com,, l. (C.) Noe que a Eq. (C.) é idêica à Eq. (C.95). Assim, a esimaiva para um processo esocásico ARIMA é descria com uma média poderada das esimaivas prévias. Ou sea: ˆ ( ) l ˆ ( l ), com l (C.) Pode-se perceber para, por processo recursivo, que a esimaiva acaba sedo expressa como a soma poderada dos valores correes. Por exemplo: ˆ () (C.3) E: ˆ () ˆ () () + (C.4) 3 Cosular demosração em Wei (6).
19 Apêdice C 9 Ode: () + + (C.5) Porao, de maeira geral: ˆ () ( l) + (C.6) Ode: l ( l) ( l i) () + + l para l, e i, (C.7) IDENTIFICAÇÃO DE MODELOS Em aálise de séries emporais, um dos passos mais imporae é a deermiação do modelo que represee a série emporal dispoível. Para ao, é ecessário cohecer com propriedade as fuções FAC e FACP, que, a práica, são descohecidas. Noe que as equações dessas fuções ciadas aé aqui só foram possíveis com o cohecimeo a priori do modelo. Os padrões de comporameo das fuções FAC e FACP podem idicar os modelos geradores do processo esocásico que os defiem. Por exemplo, sabe-se que a fução de auocorrelação do processo MA() apresea um decaimeo expoecial para a FAC e um rucameo cu off após o passo p para a fução de auocorrelação parcial. Porao, a represeação dessas fuções cosruída com base em uma realização idica que a realização sea possivelmee gerada por um processo esocásico MA(). Tabela C. Caracerísicas das fuções FAC E FACP Processo FAC FACP AR(p) Declíio expoecial ou oda amorecida Trucameo após o passo p MA(q) Trucameo após o passo p Declíio expoecial ou oda amorecida ARMA(p,q) Declíio expoecial Declíio expoecial Figura C.4 Padrões das fuções FAC E FACP para os processos AR(), MA() E ARMA(,)
20 Apêdice C A Tabela C. idica as caracerísicas eóricas gerais das fuções FAC e FACP para os processos AR(p), MA(q) e ARMA(p,q) e a Figura C.4 exemplifica os padrões para os casos específicos AR(), MA() e ARMA(,). PROCESSOS ESTOCÁSTICOS DE WIENER Uma classe de processo ão esacioário esocásico é chamada de processo de Wieer, ambém cohecida como movimeo browiao. É um processo esocásico de empo coíuo com rês propriedades imporaes: É um processo de Marov o que implica dizer que o valor corree em iformação suficiee para a melhor previsão do valor fuuro; O icremeo é idepedee isso sigifica que as disribuições de probabilidade das alerações da variável em qualquer iervalo de empo são idepedees; As mudaças o processo em qualquer iervalo fiio de empo são ormalmee disribuídas, com variâcia crescedo liearmee com o empo. Essa classe de processo é basae difudida a previsão de variáveis ecoômicas e pode ser uilizada em modelos de demada de eergia agregada com modelos de ecoomeria. Todos os processos de passeio aleaório, ao de esado coíuo como discreo, com ou sem deriva, saisfazem à propriedade de um processo de Marov e são chamados, cosequeemee, de processos Maroviaos. a) Passeio aleaório O passeio aleaório é um caso paricular do modelo ARIMA(p,d,q). Se p, d e q, a Eq. (C.8) se reduz a: ( B) + (C.8) Noe que o passeio aleaório é um caso paricular, ambém, do modelo AR() quado ver Eq. (C.55). b) Movimeo browiao com drif O processo mais simples de Wieer é o movimeo browiao com deriva, ou sea, drif: d d + dz (C.9) Ode dz é o icremeo de Wieer. Na Eq. (C.9), é chamado de parâmero do drif, e é o parâmero da variâcia. Noe que para qualquer iervalo, a variação de x, deoado por x, é ormalmee disribuída, com valor esperado E(x) e variâcia Var(x). A Figura C.5 mosra quaro simulações da Eq. (C.9) com deriva, por ao e desvio padrão por ao. Realizado uma proeção de 5 aos (por exemplo, de 95 aé ) com x() e omado amosras mesais, a raeória para a variável x() resula a seguie equação: (C.)
21 Apêdice C f Figura C.5 Exemplo de MB com edêcia (período 95 -, amosragem mesal) A Figura C.6 mosra a melhor esimaiva de um processo esocásico do ipo MB com drif. Uilizado-se da Eq. (C.) para represear as primeiras 88 amosras (4 aos de meses), cosroem-se curvas de previsão para as demais amosras (6 883). Por se raar de um processo de Marov, é ecessária apeas a úlima iformação (dez/974) para se cosruir uma curva de previsão. A previsão dos valores de x para um empo T é dada pela seguie equação: ˆ x T x. 667T (C.) O gráfico idica uma curva ipo MAB com rês ouras curvas de iervalos de cofiaça, ou sea, as raeórias dos valores previsos para x() são obidas com valor idicado a Eq. (C.) adicioado ou subraído de um, dois ou rês desvios-padrão. Figura C.6 Melhor esimaiva para um MB com drif (iervalo de cofiaça: 68,4%, 95,5% e 99,7%)
22 Apêdice C A variâcia do processo de Wieer cresce liearmee com o empo e o desvio padrão com a raiz quadrada do empo. Porao, para uma raeória com iervalo de cofiaça de 68,4% (um desvio-padrão) a previsão de T meses é: x +,667T, 887 T (C.) 974 c) Movimeo browiao geeralizado Processos de Iô O processo de Wieer serve para represear uma gama vasa de processos aleaórios. Os processos idicados aqui são casos especiais do movimeo Browiao geeralizado com drif, cua equação é: dx a( x, ) d + b( x, ) dz (C.3) Ode dz, ovamee, é o icremeo do processo de Wieer e a(x,) e b(x,) são fuções ão aleaórias cohecidas. Noe que o drif e o coeficiee da variâcia são fuções do empo. O processo coíuo defiido a Eq. (C.3) é chamado de processo de Iô. Cosidere a média e a variâcia desse processo. Uma vez que E(dz), E(dx)a(x,)d, a variâcia de dx é igual a E[dx ] (E[dx] ), o qual coém ermos d, (d) e ermos em (d)(dz) com ordem (d) 3/. Para um d ifiiesimal, os ermos em (d) e (d) 3/ podem ser igorados e a variâcia resula em: Var[ dx ] b ( x, ) d (C.4) O ermo a(x,) refere-se à axa isaâea esperada do processo de Iô e o ermo b (x,) como a axa de variâcia isaâea. d) Movimeo Browiao geomérico Um caso especial da Eq. (C.3) é o movimeo geomérico Browiao com deriva, drif, em que a(x,)x e b(x,), ode e são cosaes. Nesse caso, a Eq. (C.3) se ora: dx xd + xdz (C.5) Coforme á discuido, o perceual de variação de x, x/x, é ormalmee disribuído. Já as variações expressas em logarimo aural de x, variações absoluas de x e x êm disribuição logormal. A relação ere x e seu logarimo em dealhes mais complicados esse coceio. Nesa seção é mosrado que se x() é dado pela Eq. (C.5), eão F(x)logx é um movimeo Browiao simples com drif: df d + dz (C.6) Porao, sobre um iervalo fiio de empo, as variações de x em ermos de logarimo são ormalmee disribuídas com média e variâcia, respecivamee:, (C.7) Para a variável x() em si, pode ser demosrado que se o valor corree é x()x, eão o valor esperado de x() é dado por:
23 Apêdice C 3 E [ x( x e (C.8) )] E a variâcia x() é dada por: Var [ x( )] xe ( e ) (C.9) O resulado da esperaça do MGB pode ser usado para o cálculo do valor presee esperado descoado sobre um período de empo. Por exemplo, oe que: E r ( ) ( ) r x e d x e d x /( r ) (C.) forece a axa de descoo r que excede a axa de crescimeo. Esse procedimeo será usado quado for ecessário calcular o valor presee descoado de um fluxo de caixa de redimeos que segue um movimeo geomérico Browiao. O MGB é frequeemee usado para modelar preços de aivos fiaceiros, axas de araividade ou de uros, salários, preço de produos e ouras variáveis ecoômicas e fiaceiras. A Figura C.7 mosra rês simulações da Eq. (C.5) cosiderado um drif,9 (9% ao ao) e, (% ao ao). Os valores adoados referem-se à axa de crescimeo aual esperada e ao desvio padrão do ídice da bolsa NYMEX, respecivamee. Nesse exemplo, o empo refere-se ao período ere 95 e, omado amosras mesais. Assim, em-se a seguie equação para represear a variável aleaória x(): x,75x +, 577x (C.) Com x95. Noe que 9% a.a. equivale a,75% a.m. (/ de 9%) e, de desvio padrão ao ao equivale a,3, ou sea, raiz quadrada de,/ e é omado de uma disribuição ormal com média zero e desvio padrão uiário. Assim, o valor,577 represea α/. Figura C.7 Exemplos de MGB (período 95 -, amosragem mesal)
24 Apêdice C 4 Na Figura C.8 esão idicadas a liha de edêcia média e as lihas de previsões com iervalo de cofiaça de 66% (dados amosrados a parir de 97 3 amosras mesais), sedo que as curvas superior e iferior foram feias a parir de 974 (48 amosras iiciais). Como o MGB segue um processo de Marov, apeas o valor x() de dezembro de 974 é ecessário para cosruir as curvas de previsão. A liha de edêcia média é dada por: xˆ T T (.75 ) x 974 (C.) Ode T é dado em meses e as curvas limies do iervalo de cofiaça seguem as equações idicadas em (C.3). T T T (.75) (.577) x x T 974, e (.75) (.577) 974 (C.3) Figura C.8 Melhor esimaiva para um MGB (iervalo de cofiaça de 66%, período de 97 a 995, amosragem mesal) e) Processo esocásico com reversão à média A edêcia do MB é afasar-se do poo iicial. De fao, isso é compaível com algumas variáveis ecoômicas por exemplo, com preços de aivos especulaivos mas ão com ouras. Cosidere por exemplo, o preço de uma lisa de commodiies al como o aço e o peróleo. Embora se possam modelar esses preços com MB, pode-se argumear que ais preços esão relacioados o logo prazo ao cuso margial de produção. Em ouras palavras, embora o preço do óleo, por exemplo, possa sofrer alas e quedas o mercado ieracioal 4, o logo prazo o preço dessa commodiy ede ao seu cuso margial. Essa codição leva ao modelo esocásico com reversão à 4 Por exemplo, o preço do óleo pode fluuar em fução de guerras e/ou revoluções evolvedo países produores de peróleo ou mesmo devido a deermiações dos países da OPEP (Orgaização dos Países Exporadores de Peróleo). Apesar dessa modelagem ser uilizada para essa commodiy, é imporae observar que os preços margiais em cada país produor diferem subsacialmee da coação ieracioal, uma vez que os cusos de exploração são diversificados em fução das codições geológicas de cada azida.
25 Apêdice C 5 média. O mais simples modelo de processo esocásico de reversão à média ambém cohecido como processo de Orsei-Uhlebec segue a Eq. (C.4): dx ( x x) d + d (C.4) Ode é a velocidade da reversão e x é o ível ormal da variável x, iso é, o ível para o qual x ede a reverer. Se a variável x represea o preço de uma commodiy, eão x pode ser o seu cuso margial de logo prazo. Noe que a variação esperada de x depede da difereça ere x e x. Se x é maior (ou meor) que x, é mais provável que o preço caia (ou suba) o próximo iervalo de empo. Porao, embora esse processo saisfaça a propriedade de um processo de Marov, os icremeos ão são idepedees. Se o valor corree x() é x e a variável x segue o processo da Eq. (C.4), eão o valor esperado em qualquer empo é: E a variâcia de ( x x) é: E x( )] x + ( x x) e [ (C.5) Var[ x x] ( e ) (C.6) Noe que o valor esperado de x coverge para x à medida que o empo cresce e a variâcia coverge para /. Se, Var[x], o que implica que a variável x uca se desvia do valor x, mesmo que momeaeamee, e se, Var[x ] /, ou sea, compora-se como um processo de movimeo Browiao simples. A Eq. (C.4) é uma versão de um processo auorregressivo de primeira ordem de empo discreo, AR(). Especificamee, a Eq. (C.4) é o caso limie quao do seguie processo AR(): x x x e ) + ( e ) x ( + (C.7) Ode é disribuído ormalmee com média zero e desvio padrão, e: ( e ) (C.8) O parâmero da Eq. (C.4) pode ser esimado usado dados de empo discreo dispoíveis a seguie regressão: x x a + bx E a parir da equação x a / b, ˆ log( + b ˆ ), e: + (C.9) ˆ ˆ Ode ˆ é o erro padrão da regressão. log( + bˆ) ( + bˆ) (C.3) É fácil geeralizar a Eq. (C.4). Por exemplo, se pode esperar que x() covira para x coforme Eq. (C.4), mas a axa de variâcia cresce com x. Eão, pode-se usar o seguie processo:
26 Apêdice C 6 dx ( x x) d + xd (C.3) Aleraivamee, modificações proporcioais a variável podem ser modeladas como um simples processo de reversão à média. Isso equivale a descrever x() com o seguie processo: dx x( x x) d + xd (C.3) Os diferees processos de reversão à média êm implicações as decisões de ivesimeo. A seguie quesão pode ser levaada: os preços das commodiies e ouros bes são modelados adequadamee como um processo de MB ou por um processo de reversão à média? Observado dados dos preços de peróleo de um logo empo ( aos, por exemplo), é fácil sugerir que esses preços seguem um processo de reversão à média com baixa axa de velocidade. Uilizado eses de raiz uiários (ao ivés do ese ) com aos de dados, é fácil reeiar a hipóese de passeio aleaório. No eao, para dados de 3 ou 4 aos, o ese de reeição falha. Esse parece ser o caso de muias ouras variáveis ecoômicas, pois, usado poucos dados, é difícil disiguir esaisicamee os processos ere passeio aleaório e processo de reversão à média. LEMA DE ITÔ O processo idicado a Eq. (C.3) é de empo coíuo e ão difereciável. No eao, em muias siuações se desea rabalhar com fuções de processo esocásico com suas derivadas. Por exemplo, quado se desea ober o valor da opção de ivesimeo de uma plaaforma como fução do preço do óleo quado esa fução é represeada por um processo esocásico ipo MGB. Para isso, haverá a ecessidade de difereciar e/ou iegrar fuções gerais do processo de Iô. Isso é feio uilizado-se do Lema de Iô. O Lema de Iô é represeado facilmee por uma série de expasão de Taylor. Supoha que x() segue o processo idicado a Eq. (C.3) e que uma fução F(x,) sea duas vezes difereciável em relação a x e uma em relação a. A regra do cálculo elemear defie a diferecial de primeira ordem de F como: F F df dx+ d (C.33) x Icluido difereciais de ordem superior em relação à x, resula que: 3 F F F F df dx+ d + ( dx) + ( dx) 3 x x 6 x 3 + (C.34) Os ermos de ordem superior (erceira, quara ec) podem ser desprezados. Assim, o Lema de Iô fica defiido pela seguie equação: df F F x F x d + dx+ ( dx) (C.35) Subsiuido dx da equação que defie o processo de Iô Eq. (C.3), resula em: F F F F df + a( x, ) + b ( x, ) d + b x dz x x (, ) x (C.36) Pode-se facilmee eseder a expasão da série de Taylor para fuções de vários processos de Iô. Por exemplo, supodo que FF(x,x,,xm,) sea uma fução emporal de m processos de Iô x,x,,xm, ode:
27 Apêdice C 7 dxi ai ( x, x,, xm, ) d + bi ( x, x,, xm, ) dzi, i,,, m (C.37) Com E(dzi,dz)id. Eão, aplicado-se o Lema de Iô, resula a seguie diferecial df: F df d + m F dx + i i xi i xi Assim, subsiuido dxi da Eq. (C.37), resula: m m F x dx dx i (C.38) m m F F df + ai ( x, x,, xm, ) + bi ( x, x i xi i m i b ( x i i,, xm, ) F m, x,, xm, ) d + bi ( x, x,, xm, ) xix i F x F dzi x i I (C.39) EXEMPLO C.5 Cosidere a fução F(x)x β, ode x segue um comporameo ipo MGB de acordo com a Eq. (C.5). Idique como calcular a esperaça do valor presee descoado de uma axa r defiida por: E F( x( )) e r (C.4) Solução O Lema de Iô pode ser aplicado a fução F, resulado em: df x Simplificado, chega-se a: xd + xdz+ ( ) x x d df + ( ) Fd + Fdx (C.4) (C.4) Noe que a Eq. (C.4) idica que F segue um MGB. Assim, pode-se usar a Eq. (C.) para dedução do valor esperado, ou sea: df xo r ( ) (C.43) Desde que o deomiador sea posiivo. Para ouros procedimeos de séries emporais, icluido séries emporais mulivariadas, o leior pode cosular Mogomery e Johso (976) e Morei e Toloi (985). Nessas referêcias podem-se cosular os passos da meodologia de Box e Jeis (976) e os eses esaísicos dos parâmeros esimados e os resíduos.
28 Apêdice C 8 REFERÊNCIAS E LEITURAS SUGERIDAS Box, G. E. P., ad G. M. Jeis Time Series Aalysis, Forecasig, ad Corol. Sa Fracisco: Holde-Day, Ic. BUENO, R. L. S.. Ecoomeria de Séries Temporais. d ed. São Paulo: Ediora Cegage Learig. Mogomery, C.D., ad L.A. Johso Forecasig ad Time Series Aalysis. New Yor: McGraw-Hill. Morei, P.A., ad C.M.C. Toloi Previsão de Séries Temporais. d ed. São Paulo: Aual Ediora. Wei, W. W. S. 6. Time Series Aalysis Uivariae ad Mulivariae Mehods. d ed. Boso: Pearso Educaio. (BUENO )
Opções Reais. Estimando Volatilidade. Volatilidade. Volatilidade. Mestrado. IAG PUC-Rio. Prof. Luiz Brandão
Opções Reais Esimado Volailidade Mesrado Prof. Luiz Bradão bradao@iag.puc-rio.br IAG PUC-Rio Volailidade Volailidade O Valor Presee V 0 de um aivo é obido descoado-se os seus fluxos de caixa a uma axa
Leia maisUma função X que associa a cada elemento de S (s S) um número real x = X(s) é denominada variável aleatória.
Prof. Lorí Viali, Dr. viali@ma.ufrgs.br hp://www.ma.ufrgs.br/~viali/ s KKK CKK KKC KCK CCK CKC KCC CCC S X R x = X(s) X(S) Uma fução X que associa a cada elemeo de S (s S) um úmero real x = X(s) é deomiada
Leia mais5 Modelo Teórico Modelagem determinística
5 Modelo Teórico Nese rabalho será adoada a simulação de Moe Carlo para precificar as opções reais do projeo, uilizado o sofware @Risk. O modelo eórico aplicado é baseado a premissa de que o valor presee
Leia maisANÁLISE DE SINAIS E SISTEMAS
ANÁLISE DE SINAIS E SISTEMAS AULA 3: OPERAÇÕES BÁSICAS EM SINAIS: OPERARAÇÕES NAS VARIÁVEIS DEPENDENTES; OPERARAÇÕES NA VARIÁVEL INDEPENDENTE. FUNÇÕES ELEMENTARES: O DEGRAU UNITÁRIO; A RAMPA UNITÁRIA;
Leia mais1 a Lista: MTM146: Prof. Paulo Magalhães:
Exercício : Mosre que a solução do sisema de EDO s x y f ( x y y com codições iiciais: x ( ) x() ) ), f saisfazedo x( f ( ) d f ( ) cos( ) d f ( ) cos( ) d f ( ), é dada por Exercício : Resolva o seguie
Leia maisSecção 7. Sistemas de equações diferenciais.
7. Sisemas de equações difereciais Secção 7. Sisemas de equações difereciais. (Farlow: Sec. 6., 6.4 e 6.6) No caso geral, um sisema de equações difereciais de primeira ordem pode ser represeado da seguie
Leia mais1 a Lista: MTM146: Prof. Paulo Magalhães:
a Lisa: MTM46: Prof Paulo Magalhães: Exercício : Mosre que a solução do sisema de EDO s x y f ( x y y com codições iiciais: x ( x(, f saisfazedo f (, é dada por x( f ( d Exercício : Resolva o seguie y
Leia maisINTERPRETANDO CORRETAMENTE O PASSADO PODEM-SE GERAR PREVISÕES ÚTEIS PARA O FUTURO.
MÓDUO - MODEOS DE PREVISÃO E ESTIMATIVA DE DEMANDA Baseado em Chopra, Suil e Meidl, Peer, Gereciameo da Cadeia de Suprimeos, Preice Hall, São Paulo, 23. Quao se deve fabricar os próximos dias? Quais os
Leia maisDepartamento de Informática. Modelagem Analítica. Modelagem Analítica do Desempenho de Sistemas de Computação. Disciplina: Processos Estocásticos
Deparameo de Iformáica Disciplia: do Desempeho de Sisemas de Compuação Variável leaória Real Variável leaória x(w) Processos Esocásicos R Prof. Sérgio Colcher Medida de Probabilidade colcher@if.puc-rio.br
Leia maisGrupo I ( 3 valores) 0 Os parâmetros podem ser considerados variáveis aleatórias pois as suas estimativas variam de amostra para amostra
Exame fial Esaísica Maria Helea Almeida 7 de Maio de 003 José Aóio Piheiro Duração h e 30 Noe bem: Grupos diferees em folhas diferees Não se esqueça de ideificar TODAS as folhas 3 Para maer a ordem, a
Leia maisSinais e Sistemas. Env. CS1 Ground. Sine Wave Joint Actuator. Double Pendulum Two coupled planar pendulums with. gravity and sine wave forcing in the
-4-6 -8 - - -4-6 -8 Frequecy khz Hammig kaiser Chebyshev Siais e Sisemas Power Specral Desiy Ev B F CS CS B F CS Groud Revolue Body Revolue Body Power/frequecy db/hz Sie Wave Joi Acuaor Joi Sesor Revolue
Leia maisSinais e Sistemas. Env. CS1 Ground Revolute. Sine Wave Joint Actuator. Double Pendulum Two coupled planar pendulums with
-4-6 -8 - - -4-6 -8-3 -3 Frequecy (khz Hammig kaiser Chebyshev Siais e Sisemas Power Specral Desiy Ev B F CS CS B F CS Groud Revolue Body Revolue Body Power/frequecy (db/hz Sie Wave Joi Acuaor Joi Sesor
Leia mais- Processamento digital de sinais Capítulo 2 Sinais e sistemas discretos
- Processameo digial de siais Capíulo Siais e sisemas discreos Siais discreos Siais aalógicos x digiais Coíuos x discreo Admiido como sequêcia de úmeros. {x[]}, 0, ±, ±,... Z Período amosragem: s Variáveis
Leia mais5 Análise Não-Linear pelos Métodos de Galerkin-Urabe e Balanço Harmônico
álise Não-Liear pelos Méodos de Galerki-Urabe e Balaço Harmôico expressão (.7) obida o Capíulo para a fução de Larae é uilizada essa seção para a obeção das equações difereciais de movimeo uilizadas a
Leia maisMétodos Estatísticos de Previsão MÉTODOS ESTATÍSTICOS DE PREVISÃO. Análise de Erros. Bernardo Almada Lobo. Bernardo Almada-Lobo (2007)
Méodos saísicos de Previsão MÉTODO TATÍTICO D PRVIÃO 0 08 06 04 0 00 98 96 94 9 90 0 5 0 5 0 Aálise de rros Berardo Almada Lobo Berardo Almada-Lobo (007) Méodos saísicos de Previsão Regressão Liear Múlipla
Leia maisExemplo. Exemplo. Taxa Interna de Retorno. Administração
Admiisração Taxa Iera de Reoro Deomia-se Taxa Iera de Reoro (TRI) de um fluxo de caixa à axa de juros que aula o Valor Presee Líquido (VPL). MATEMÁTICA FINANCEIRA Por: EDÉZIO SACRAMENTO edezio@oi.com.br
Leia mais3 Derivação dos modelos
3 Derivação dos modelos Ese capíulo apresea a derivação de odos os modelos que serão aalisados. Basicamee serão desevolvidos rês casos disios. Deses casos serão exraídos os modelos que serão esudados esa
Leia maisInstituto Tecnológico de Aeronáutica VIBRAÇÕES MECÂNICAS MPD-42
Isiuo Tecológico de Aeroáuica VIBRAÇÕES MECÂNICAS MPD-4 Isiuo Tecológico de Aeroáuica SISTEMAS DISCRETOS MPD-4 Isiuo Tecológico de Aeroáuica SISTEMAS COM UM GRAU DE LIBERDADE: VIBRAÇÃO FORÇADA MPD-4 3
Leia maisMAGISTÉRIO MATEMÁTICA
PROVA DE CONHECIMENTOS ESPECÍFICOS CONCURSO DE ADMISSÃO 0 ao CFO/QC - 0 PAG -6 4 Aalise as afirmaivas a seguir, colocado ere parêeses a lera V quado se raar de proposição verdadeira e a lera F quado se
Leia mais3 Computação de Volumes de Gás Natural
3 Compuação de olumes de Gás Naural 3.1. Codições Para a Compuação de olumes de Gás Naural A orma API 21.1 apresea diversos aspecos relacioados à compuação de volumes obidos a parir da iegração, ao logo
Leia maisMODELOS BOX & JENKINS APLICADOS A PREVISÃO DE DEMANDA DE LEITOS HOSPITALARES
UNIVERSIDADE FEDERAL DE SANTA MARIA CENTRO DE CIÊNCIAS NATURAIS E EXATAS DEPARTAMENTO DE ESTATÍSTICA PROGRAMA DE PÓS-GRADUAÇÃO EM ESTATÍSTICA E MODELAGEM QUANTITATIVA MODELOS BOX & JENKINS APLICADOS A
Leia mais4- Método de Diferenças Finitas Aplicado às Equações Diferenciais Parciais.
MÉTODOS NM ÉRICOS PARA E QAÇÕES DIFEREN CIAIS PARCIAIS 4- Méodo de Difereças Fiias Aplicado às Equações Difereciais Parciais. 4.- Aproximação de Fuções. 4..- Aproximação por Poliômios. 4..- Ajuse de Dados:
Leia maisFundamentos da Análise Estocástica
Fudameos da Aálise Esocásica BREVE REVISÃO SOBRE A TEORIA DE PROBABILIDADES AXIOMAS DE KOLMOGOROV Espaço de Probabilidades Ω,,P. Adrey N. Kolmogorov 1903-1987. Ω Espaço Amosral Todos os possíveis resulados
Leia maisConceito. Exemplos. Os exemplos de (a) a (d) mostram séries discretas, enquanto que os de (e) a (g) ilustram séries contínuas.
Coceio Na Esaísica exise siuações ode os dados de ieresse são obidos e isaes sucessivos de epo (iuo, hora, dia, ês ou ao), ou aida u período coíuo de epo, coo acoece u elerocardiograa ou sisógrafo. Esses
Leia maisétodos uméricos SISTEMAS DE EQUAÇÕES LINEARES (Continuação) Prof. Erivelton Geraldo Nepomuceno PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA ELÉTRICA
éodos méricos SISTEMS DE EQUÇÕES LINERES (Coiação) Prof. Erivelo Geraldo Nepomceo PROGRM DE PÓS-GRDUÇÃO EM ENGENHRI ELÉTRIC UNIVERSIDDE DE JOÃO DEL-REI PRÓ-REITORI DE PESQUIS CENTRO FEDERL DE EDUCÇÃO TECNOLÓGIC
Leia maisFaculdade de Engenharia. Análise Matemática 2 MIEEC 2015/2016
aculdade de Egeharia Aálise Maemáica 2 MEEC 25/26 ucioameo aculdade de Egeharia Teórico-práicas exposição e discussão da maéria resolução de exercícios Trabalho exra-aula resolução dos exercícios proposos
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 maisPrevisão de venda. Sistema agroindustrial, (1999);
Objeivos desa apreseação Plaejameo de produção: Previsão de Demada Aula 6 Pare 1 Mauro Osaki TES/ESALQ-USP Pesquisador do Cero de Esudos Avaçados em Ecoomia Aplicada Cepea/ESALQ/USP Foe: 55 19 3429-8841
Leia maisProblema de Designinação Generalizada. Problema de Designinação. - aplicações: - observações: = 0 caso contrário n n. - Seja a variável: xij
Prof. Silvio Alexadre de Araujo Problema de Desigiação ou Alocação (Assigme) - Dados agees desigados para realizar arefas - Cada agee j (j=,..,) deve execuar uma e só uma arefa i,.., - Cada arefa i deve
Leia maisExercícios de Análise de Sinal
Exercícios de Aálise de Sial Faculdade de Egeharia da Uiversidade do Poro Seembro 006 recolha de problemas de diversos auores edição feia por: H. Mirada, J. Barbosa (000) M. I. Carvalho, A. Maos (003,006)
Leia maisDisciplina de Princípios de Telecomunicações Prof. MC. Leonardo Gonsioroski da Silva
UNIVERSIDADE GAMA FILHO PROCE DEPARAMENO DE ENGENHARIA ELÉRICA Disciplia de Pricípios de elecomuicações Pro. MC. Leoardo Gosioroski da Silva Séries e rasormadas de Fourier Aálise de um sial seoidal o empo
Leia maisJuros Compostos 2016
Juros Composos 2016 1. (G1 - ifal 2016) Em 2000, cero país da América Laia pediu um emprésimo de 1 milhão de dólares ao FMI (Fudo Moeário Ieracioal) para pagar em 100 aos. Porém, por problemas políicos
Leia maisVirgílio Mendonça da Costa e Silva
UNIVERSIDADE EDERAL DA PARAÍBA CENTRO DE TECNOLOGIA DEPARTAMENTO DE ENGENHARIA MECÂNICA VIBRAÇÕES DOS SISTEMAS MECÂNICOS VIBRAÇÕES ORÇADAS NÃO HARMONICAMENTE DE SISTEMAS DE 1 GL NOTAS DE AULAS Virgílio
Leia maisAPLICAÇÃO DO FILTRO DE KALMAN NA DETERMINAÇÃO DO PRAZO DE VALIDADE DE ALIMENTOS PERECÍVEIS
45 APLICAÇÃO DO FILTRO DE KALMAN NA DETERMINAÇÃO DO PRAZO DE VALIDADE DE ALIMENTOS PERECÍVEIS Péricles César de Araújo* RESUMO A simplicidade meodológica do Filro de Kalma viabiliza sua aplicação para
Leia maisLista de Exponenciais e Logaritmos Extensivo Alfa Professor: Leandro (Pinda)
Lisa de Expoeciais e Logarimos Exesivo Alfa Professor: Leadro (Pida) 1. (Eem 2017) Para realizar a viagem dos sohos, uma pessoa precisava fazer um emprésimo o valor de R$ 5.000,00. Para pagar as presações,
Leia maisECONOMIA DOS RECURSOS NATURAIS. A gestão dos recursos naturais recursos renováveis
ECONOMIA DOS RECURSOS NATURAIS A gesão dos recursos aurais recursos reováveis Recursos biológicos Os recursos biológicos diferem dos recursos ão reováveis o seido em que aqueles crescem e se reproduzem
Leia maisAPLICAÇÃO DE TÉCNICAS DE PREVISÃO DE DEMANDA NA INDÚSTRIA DE CONFECÇÕES
APLICAÇÃO DE TÉCNICAS DE PREVISÃO DE DEMANDA NA INDÚSTRIA DE CONFECÇÕES ABNER ROCHA PINHEIRO (UNIFOR ) aberocha@homail.com Ferado Luiz Emereciao Viaa (UNIFOR ) fleviaa@oi.com.br Eduardo Alecar Lima Casro
Leia maisMÉTODOS OBSERVACIONAIS EM CLIMATOLOGIA E METEOROLOGIA DE MESOESCALA : NOTAS DE AULA. Prof. Resposável: Dra. Leila M. Véspoli de Carvalho IAG/USP
MÉTODOS OBSERVACIONAIS EM CLIMATOLOGIA E METEOROLOGIA DE MESOESCALA : NOTAS DE AULA Prof. Resposável: Dra. Leila M. Véspoli de Carvalho IAG/USP ANÁLISE DE SÉRIES TEMPORAIS Referêcias Básicas : I) ALGORITMOS
Leia maisExercícios de Análise de Sinal
Exercícios de Aálise de Sial FEUP DEEC Seembro 008 recolha de problemas de diversos auores edição feia por: H. Mirada, J. Barbosa (000) M.I. Carvalho, A. Maos (003, 006, 008) Coeúdo Complexos 3 Siais 5
Leia mais1. Na figura seguinte está representada parte do gráfico de uma função g, de domínio R e contínua em
PROVA ESCRITA DE MATEMÁTICA A.º E 00 Fevereiro 8 Duração da prova: 90 miuos VERSÃO Grupo I Para cada uma das cico quesões dese grupo, seleccioe a resposa correca de ere as aleraivas que lhe são apreseadas
Leia maisA limitação da metodologia dos MQ conduziu a diversas abordagens alternativas. As
Capíulo 3 ESTIMAÇÃO ROBUSTA A limiação da meodologia dos MQ coduziu a diversas abordages aleraivas. As écicas de esimação robusa cosiuem uma abordagem à esimação ão depededo de uma disribuição em paricular.
Leia maisCritérios para a Apuração dos Preços de Ajuste e Prêmios das Opções de Compra e de Venda Maio 2009
Criérios para a Apuração dos Preços de Ajuse e Prêmios das Opções de Compra e de Veda Maio 2009 Iformamos os procedimeos a serem aplicados durae o mês de maio de 2009 para a apuração dos preços de ajuses
Leia maisIntervalo de Confiança
8/8/05 Uiversidade Federal do ará Isiuo de Tecologia Esaísica Aplicada I ro. Dr. Jorge Teóilo de Barros Lopes Campus de Belém Curso de Egeharia Mecâica 8/08/05 06:54 ESTATÍSTICA ALICADA I - Teoria das
Leia maisInstituto Tecnológico de Aeronáutica VIBRAÇÕES MECÂNICAS MPD-42
VIBRAÇÕES MECÂNICAS . Irodução CONTEÚDO. Pequeas oscilações em oro de uma posição de equilíbrio Sisemas discreos: 3. Sisemas com um grau de liberdade 4. Sisemas com graus de liberdade modos ormais de vibração
Leia maisFiltros de Partículas: O Algoritmo Resample-Move Ana Flávia Cupertino Pinto
UNIVERSIDADE FEDERAL DE MINAS GERAIS INSTITUTO DE CIÊNCIAS EXATAS DEPARTAMENTO DE ESTATÍSTICA MESTRADO EM ESTATÍSTICA Filros de Parículas: O Algorimo Resample-Move Aa Flávia Cuperio Pio Orieador: Prof.
Leia maisLISTA DE EXERCÍCIOS 3 INE 7001 PROF. MARCELO MENEZES REIS ANÁLISE DE SÉRIE TEMPORAIS GABARITO
LISTA DE EXERCÍCIOS 3 INE 700 PROF. MARCELO MENEZES REIS ANÁLISE DE SÉRIE TEMPORAIS GABARITO ) A que compoees de uma série emporal (pelo modelo clássico) esariam pricipalmee associados cada um dos seguies
Leia maisUniversidade Tecnológica Federal do Paraná Departamento de Eletrônica Disciplina: Teoria da Informação Professor: Dyson Pereira Junior
Uiversidade ecológica Federal do Paraá Deparameo de Elerôica Disciplia: eoria da Iformação Professor: Dyso Pereira Juior ZONA DE IMPECIÃO NÍVEI APOXIMAÇÃO DO VALO UPEIO APOXIMAÇÃO DO VALO INFEIO 5.4 Capacidade
Leia maisUm estudo de simulação sobre a estimação do desvio padrão de processos na presença de causas especiais de variação
Um esudo de simulação sobre a esimação do desvio padrão de processos a preseça de causas especiais de variação Márcio Aôio Couo Ferreira (UFAM) macouo@ufam.edu.br José Raimudo Gomes Pereira (UFAM) jrpereira@ufam.edu.br
Leia maisquanto maior a diferença de energia entre 2 níveis, mais provável fica a emissão espontânea em relação à estimulada. Vemos também que: A
Vimos a aula passada os coeficiees de Eisei: Com B B e A B A 8 B hv c ρ( v) A B B quao maior a difereça de eergia ere íveis, mais provável fica a emissão espoâea em relação à esimulada. Vemos ambém que:
Leia maisMOMENTOS E FUNÇÕES GERADORAS
MOMENTOS E FUNÇÕES GERADORAS HÉLIO BERNARDO LOPES Resumo. O presee exo visa mosrar, de um modo ão uificado quao possível, a emáica dos momeos e das fuções geradoras, esas úlimas muio ausees, aualmee, das
Leia mais7 Estimação de Parâmetros Desconhecidos e a Questão dos Diagnósticos
7 Esimação de Parâmeros Descohecidos e a Quesão dos Diagósicos Nese capíulo, são apreseadas e discuidas as expressões referees às fuções de log verossimilhaça dos modelos em EE lieares (codicioalmee) Gaussiaos
Leia maisFaculdades Adamantinenses Integradas (FAI)
Faculdades Adamaieses Iegradas (FAI) www.fai.com.br ROCHA, Naiara Chierici; BOTTA, Vaessa. Diâmica populacioal aplicada à população de Adamaia. Omia Exaas, v.2,.2, p.56-65, 2009. DINÂMICA POPULACIONAL
Leia maisCritérios para a Apuração dos Preços de Ajuste Março 2009.
Criérios para a Apuração dos Preços de Ajuse Março 2009. Iformamos os procedimeos a serem aplicados durae o mês de março de 2009 para a apuração dos preços de ajuses diários dos coraos derivaivos fiaceiros
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 maisEXAME NACIONAL DE SELEÇÃO 2008
EAME NACIONAL DE SELEÇÃO 008 PROVA DE ESTATÍSTICA o Dia: 5/0/007 SEGUNDA-FEIRA HORÁRIO: 0h30 às h 45 (horário de Brasília) EAME NACIONAL DE SELEÇÃO 008 o Dia:5/0(Seguda-feira) Mahã:0:30h às h 45 ESTATÍSTICA
Leia mais4 Método dos elementos distintos para simular rochas
4 Méodo dos elemeos disios para simular rochas Em 2004, Poyody e Cudall (56) propuseram um modelo para simular o comporameo de rochas, o BPM ( Boded Paricle Model for rock ). Nesse modelo, a rocha é modelada
Leia mais3 Fundamentação Teórica de Modelos Bayesianos de Previsão
37 3 Fudameação Teórica de Modelos Bayesiaos de Previsão 3.. Abordagem Bayesiaa para Esimação A iformação que se em acerca de um parâmero de ieresse θ é crucial a ciêcia esaísica. Se o valor verdadeiro
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 maisIntrodução à análise e ao processamento de sinais usando o MATLAB. Parte 1 RUBENS SAMPAIO ROBERTO RIQUELME EDSON CATALDO XXI CNMAC
Irodução à aálise e ao processameo de siais usado o MALAB RUBENS SAMPAIO EDSON CAALDO ROBERO RIQUELME Pare SINAIS E SISEMAS SINAIS - São variáveis que carregam iormação SISEMAS - Processam siais de erada
Leia mais4 - ANÁLISE DE SÉRIES TEMPORAIS
INE 7001 Aálise de Séries Temporais 1 4 - ANÁLISE DE SÉRIES TEMPORAIS Série Temporal é um cojuo de observações sobre uma variável, ordeado o empo, e regisrado em períodos regulares. Podemos eumerar os
Leia maisCritérios para a Apuração dos Preços de Ajuste Fevereiro 2009.
Criérios para a Apuração dos Preços de Ajuse Fevereiro 2009. Iformamos os procedimeos a serem aplicados durae o mês de fevereiro de 2009 para a apuração dos preços de ajuses diários dos coraos derivaivos
Leia mais{ } 3.3 Função Densidade de Probabilidade Condicional e Independência
33 Fução Desidade de Probabilidade Codicioal e Idepedêcia Fução de Desidade de Probabilidade Codicioal (dimesão ) Seja f ( x,,x ) uma desidade cojuta associada a uma variável aleatória de dimesão Sejam
Leia maisEXAME DE ESTATÍSTICA AMBIENTAL Ano lectivo 2015/16-1ª Época (V1) 18 de Janeiro de 2016
Nome: Aluno nº: Duração: h:30 m MESTRADO INTEGRADO EM ENGENHARIA DO AMBIENTE EXAME DE ESTATÍSTICA AMBIENTAL Ano lecivo 05/6 - ª Época (V) 8 de Janeiro de 06 I (7 valores) No quadro de dados seguine (Tabela
Leia maisInvestigação Operacional. Modelos de Previsão
Ivesigação Operacioal Modelos de Previsão Liceciaura em Egeharia Civil Liceciaura em Egeharia do Terriório Liceciaura em Egeharia e Arquiecura Naval I. Irodução à previsão Objecivos II. III. IV. Méodos
Leia mais( ) ( ) ( ) ( ) MATEMÁTICA 2 VOLUME 2 RESOLUÇÕES - EXERCITANDO EM CASA. L = 6x + 180x = (x 15). T(h) = h + 22h 85.
MATEMÁTICA VOLUME RESOLUÇÕES - EXERCITANDO EM CASA AULA. D Escrevedo a lei de T a forma caôica, vem T(h) = h + h 8 = (h h + 8) = [(h ) 6] = 6 (h ). Assim, a emperaura máxima é 6 C, ocorredo às horas. Tal
Leia maisSéries de Tempo. José Fajardo. Agosto EBAPE- Fundação Getulio Vargas
Séries de Tempo Inrodução José Faardo EBAPE- Fundação Geulio Vargas Agoso 0 José Faardo Séries de Tempo . Por quê o esudo de séries de empo é imporane? Primeiro, porque muios dados econômicos e financeiros
Leia maisXXII OLIMPÍADA BRASILEIRA DE MATEMÁTICA Terceira Fase Nível 3 (Ensino Médio)
XXII OLIMPÍADA BRAILEIRA DE MATEMÁTICA Terceira Fase Níel 3 (Esio Médio PROBLEMA 1: Em uma folha de papel a rea r passa pelo cao A da folha e forma um âgulo com a borda horizoal, como a figura 1. Para
Leia maisn ) uma amostra aleatória da variável aleatória X.
- Distribuições amostrais Cosidere uma população de objetos dos quais estamos iteressados em estudar uma determiada característica. Quado dizemos que a população tem distribuição FX ( x ), queremos dizer
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 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 maisTipos de Processos Estocásticos
Mesrado em Finanças e Economia Empresarial EPGE - FGV Derivaivos Pare 6: Inrodução ao Cálculo Diferencial Esocásico Derivaivos - Alexandre Lowenkron Pág. 1 Tipos de Processos Esocásicos Qualquer variável
Leia maisLimite Hidrodinâmico de Processos de Exclusão Totalmente Assimétricos. Luana Amaral Gurgel
UNIVERSIDADE FEDERAL DA BAHIA INSTITUTO DE MATEMÁTICA PROGRAMA DE PÓS-GRADUAÇÃO EM MATEMÁTICA DISSERTAÇÃO DE MESTRADO Limie Hidrodiâmico de Processos de Exclusão Toalmee Assiméricos Luaa Amaral Gurgel
Leia maisEXAME 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 maisO MÉTODO VARIACIONAL APLICADO AO PROBLEMA NÃO-LINEAR DA PROPAGAÇÃO DE SÓLITONS.
O ÉTODO VARIACIONAL APLICADO AO PROBLEA NÃO-LINEAR DA PROPAGAÇÃO DE SÓLITONS. Cibele Aparecida Ladeia (PROIC/PIBIC/CNPQ- AF), Paulo Laere Nai (Orieador), e-mail: cibele_ma_uel@yahoo.com.br, pauloai@uel.br.
Leia maisCapítulo 3 SLITs Sistemas Lineares e Invariantes no Tempo
Capíulo 3 SLITs Siseas Lieares e Ivariaes o Tepo 3. Irodução 3.2 Repreação e odelo de esado 3.3 Siseas SISO 3.4 Siseas MIMO uli-diesioais 3.5 Modelo de espaço de esados coíuos 3.6 Resposa ipulsiva e covolução
Leia maisRecursos Gráficos do Software MuPAD no Estudo de Funções
Oicias Recursos Gráicos do Soware MuPAD o Esudo de Fuções Marilaie de Fraga Sa'Aa Alexadre Gaelli Aa Lúcia Maciel 1 - Irodução Dere os coeúdos maemáicos abordados o Esio Médio, as uções êm imporâcia udameal
Leia maisSumário. 2 Índice Remissivo 11
i Sumário 1 Esperaça de uma Variável Aleatória 1 1.1 Variáveis aleatórias idepedetes........................... 1 1.2 Esperaça matemática................................. 1 1.3 Esperaça de uma Fução de
Leia maisSimulação por Eventos Discretos
imulação por Eveos Disreos Apliação à simulação de ráfego isemas de Teleomuiações IEEC - Área de Teleomuiações 4º Ao - º emesre FEUP 009-0 JL, PR Ieioalmee em brao imulação por eveos disreos - priípios
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 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 maisLista de Exercícios #4 Assunto: Variáveis Aleatórias Contínuas
. ANPEC 8 - Questão Seja x uma variável aleatória com fução desidade de probabilidade dada por: f(x) = x, para x f(x) =, caso cotrário. Podemos afirmar que: () E[x]=; () A mediaa de x é ; () A variâcia
Leia maisResolução das equações
Resolução das equações Equação de Difusão (calor) (1D) Equação de odas (corda vibrae) (1D) Equação de aplace (2D) Odas acúsicas: corda (1D) e ambor (2D); odas de água, odas eleromagéicas e odas sísmicas
Leia maisMÉTODOS PARAMÉTRICOS PARA A ANÁLISE DE DADOS DE SOBREVIVÊNCIA
MÉTODOS PARAMÉTRICOS PARA A ANÁLISE DE DADOS DE SOBREVIVÊNCIA Nesa abordagem paramérica, para esimar as funções básicas da análise de sobrevida, assume-se que o empo de falha T segue uma disribuição conhecida
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 maisIFT. Generalizações do Movimento Browniano e suas Aplicações. Dennis Fernandes Alves Bessada. Orientador. Prof. Dr.
IFT Isiuo de Física Teórica Uiversidade Esadual Paulisa DISSERTAÇÃO DE MESTRADO IFT D9/5 Geeralizações do Movimeo Browiao e suas Aplicações à Física e a Fiaças Deis Ferades Alves Bessada Orieador Prof
Leia maisAmostras Aleatórias e Distribuições Amostrais. Probabilidade e Estatística: afinal, qual é a diferença?
Amostras Aleatórias e Distribuições Amostrais Probabilidade e Estatística: afial, qual é a difereça? Até agora o que fizemos foi desevolver modelos probabilísticos que se adequavam a situações reais. Por
Leia maisA economia é formada por um grande número de consumidores. A função de utilidade de cada um deles considera o nível de consumo real privado ( c t
2 O Modelo Nesa seção expliciaremos um modelo de equilíbrio geral ieremporal com preços rígidos e cocorrêcia moopolísica. A esruura da ecoomia evolve os cosumidores, os produores e o govero, apreseados,
Leia maisSinais e Sistemas. Env. CS1 Ground Revolute. Sine Wave Joint Actuator. Double Pendulum Two coupled planar pendulums with
-4-6 -8-0 - -4-6 -8-30 -3 Frequec Hz Hammig aiser Chebshev Faculdade de Egeharia iais e isemas Power pecral Desi Ev B F C C B F C Groud Revolue Bod Revolue Bod Power/frequec db/hz ie Wave Joi Acuaor Joi
Leia maisSistemas de Controle I
4. Repoa o Domíio do Tempo Pólo, Zero e Repoa do Siema: Defiiçõe Siema de Corole I Repoa do iema: oma da repoa forçada repoa aural. Repoa forçada é ambém chamada de repoa eacioária ou olução paricular;.
Leia maisAplicação. Uma famosa consultoria foi contratada por uma empresa. que, entre outras coisas, gostaria de entender o processo
Aplicação Uma famosa consuloria foi conraada por uma empresa que, enre ouras coisas, gosaria de enender o processo gerador relacionado às vendas de deerminado produo, Ainda, o conraane gosaria que a empresa
Leia maisz 0 0 w = = 1 Grupo A 42. alternativa C det A = Como A é inteiro positivo, então n deve ser par. 43. A comuta com B A B = B A
Resoluções das aividades adicioais Capíulo 6 Grupo A. aleraiva C de A 6 (de A) 8 de A. aleraiva C de A de( A) (de A) de A (de A) de A Como A é ieiro posiivo, eão deve ser par.. A comua com B A B B A y
Leia maisElectrónica /2007
006/007 EUP/EEC 4º/MEEC íor Grade avares ula 9: Modelos dos MOSE Sumário Regiões de fucioameo do MOSE. cumulação. epleção. versão fraca. versão fore. Modelos de MOSE. Modelo lamiar. Modelo iversão, moderada
Leia maisCAP. 6 - ANÁLISE DE INVESTIMENTOS EM SITUAÇÃO DE RISCO
CAP. 6 - ANÁLISE DE INVESTIMENTOS EM SITUAÇÃO DE RISCO 1. APRESENTAÇÃO Nese capíulo serão abordados vários méodos que levam em coa o uso das probabilidades a aálise de ivesimeos. Eses méodos visam subsidiar
Leia maisProf. Lorí Viali, Dr. UFRGS Instituto de Matemática - Departamento de Estatística
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 mais6 Formulação para Análise com Fundação Não-Linear
76 6 Formulação para álise com Fuação ão-iear 6 Fuação Elásica ão-iear Uma caracerísica usualmee ecoraa as uações reais é o seu comporameo ão-liear exibio um gaho ou pera a rigiez uao submeias a graes
Leia maisUMA ABORDAGEM GEOMÉTRICA DA TEORIA DE INVERSAS GENERALIZADAS PAULO HENRIQUE SALES GUIMARÃES
UMA ABORDAGEM GEOMÉTRICA DA TEORIA DE INVERSAS GENERALIZADAS PAULO HENRIQUE SALES GUIMARÃES 2010 PAULO HENRIQUE SALES GUIMARÃES UMA ABORDAGEM GEOMÉTRICA DA TEORIA DE INVERSAS GENERALIZADAS Disseração apreseada
Leia mais5 Teoria dos Valores Extremos
Teoria dos Valores Extremos 57 5 Teoria dos Valores Extremos A Teoria dos Valores Extremos vem sedo bastate utilizada em campos ligados a evetos raros. Sua estatística é aplicada a estimação de evetos
Leia maisMETODOLOGIA PARA AVALIAÇÃO ECONÔMICA DE INVESTIMENTOS PARA EMPRESAS
METODOLOGIA PARA AVALIAÇÃO ECONÔMICA DE INVESTIMENTOS PARA EMPRESAS Valessa Orácio ROCHA 1 Daiae Fracie Moraes GOMES Rogério Cosaio dos Saos MOTA Camila Pires Cremasco GABRIEL² Luís Robero Almeida GABRIEL
Leia maisProcessamento Digital de Sinais. Notas de Aula. Amostragem e Reconstrução de Sinais. Amostragem de Sinais
Amosragem de Siais Amosragem de Siais 2 Amosragem de Siais Processameo Digial de Siais Noas de Aula Siais de empo discreo: podem ser obidos a parir de siais de empo coíuo amosragem Amosras de um sial:
Leia maisAula 5. Aula de hoje. Aula passada. Limitante da união Método do primeiro momento Lei dos grandes números (fraca e forte) Erro e confiança
Aula 5 Aula passada Valor esperado codicioal Espaço amostral cotíuo, fução desidade Limitates para probabilidade Desigualdades de Markov, Chebyshev, Cheroff with high probability Aula de hoje Limitate
Leia mais