6 Análise do processo de filtragem
|
|
- Moisés Conceição Lima
- 7 Há anos
- Visualizações:
Transcrição
1 6 Análise do processo de filragem Ese capíulo analisa o processo de filragem para os filros de Kalman e de parículas. Esa análise envolve ão somene o processo de filragem, não levando em consideração o processo de oimização para esimação de parâmeros. Desa forma, preende-se analisar os resulados sem a inerferência de qualquer algorimo de oimização. Serão realizadas duas análises: a primeira considera os dados sob condições ideais e foi denominada análise com dados arificiais e a segunda uiliza os dados reais de mercado. O capíulo esá assim organizado: a primeira seção apresena os conceios gerais dos filros de Kalman e de parículas; a segunda seção raa da análise com os dados arificiais; a erceira seção apresena a análise com dados reais de mercado e a úlima seção apresena o conceio de amanho efeivo da amosra, uma propriedade específica do filro de parículas. 6.1 Os filros de Kalman e de parículas O filro de Kalman é um conjuno de equações maemáicas que consiui um processo recursivo eficiene de esimação uma vez que o erro quadráico é minimizado. Aravés da observação da variável denominada variável de observação oura variável, não observável, denominada variável de esado pode ser esimada eficienemene. Podem ser esimados os esados passados, o esado presene e mesmo previso os esados fuuros. Uma vez que o modelo esá escrio na forma espaço-esado, o filro de Kalman (FK) pode ser aplicado. O FK clássico é aplicável quando a equação de observação é linear em relação aos esados e quando os esados e observação são condicionalmene Gaussianos. A perda da linearidade da equação de observação pode ser conornada aravés do filro de Kalman esendido (FKE). O FKE raa a não linearidade da equação de observação linearizando-a aravés da expansão em série de Taylor. A não Gaussianidade implica que uma solução analíica fechada não pode ser obida,
2 Análise do processo de filragem 97 decorrendo enão soluções numéricas, compuacionalmene muio inensas e muias vezes inviáveis. Aplicando-se o filro de Kalman clássico ao caso não Gaussiano o valor esimado para as variáveis de esado não fornece a média condicional do veor de esado. Enreano, o valor esimado pelo filro de Kalman ainda é o esimador (da variável de esado) que minimiza o erro quadráico médio (veja em Harvey (1989) capíulo 3, seção 3..3). O filro de parículas (FP) é um procedimeno recursivo para inegração, perencendo a classe dos méodos seqüenciais de Mone-Carlo. Os méodos seqüenciais de Mone-Carlo são paricularmene ineressanes para o cálculo de disribuições a poseriori, iso é, das disribuições das variáveis de esado dada a ocorrência de y (variável de observação). Os méodos seqüenciais de Mone- Carlo dispensam as condições de Gaussianidade e linearidade do modelo, e ainda possuem adequadas condições de convergência. Eles abrangem os méodos que apareceram na lieraura sob as denominações de filros boosrap (FPB), filro de parículas (FP), filro de Mone-Carlo, denre ouros. O filro de parículas baseiase na disribuição por imporância a qual é definida como sendo a disribuição a priori. Infelizmene o processo degenera-se quando o empo cresce, e não se consegue a disribuição a poseriori. Uma eapa adicional é acrescida para viabilizar o procedimeno. Traa-se da amosragem com reposição repeidas vezes. As parículas amosradas que são pouco represenaivas denro da disribuição são reiradas do processo e as parículas sobrevivenes represenam a disribuição. Esa mesma disribuição é usada como base para o prosseguimeno do méodo em cada insane de empo. Os modelos desa pesquisa são odos lineares, iso é, a equação de observação é uma função afim das variáveis de esado. Com relação a Gaussianidade exisem resrições com relação ao uso do FK em odos os modelos. O Modelo Básico e o Modelo Primeira Exensão são condicionalmene Gaussianos em relação à observação e em relação aos esados. Os modelos Segunda Exensão e Terceira Exensão não são condicionalmene Gaussianos pois a inclusão do processo de Poisson, faz com que as disribuições das variáveis de esado sejam não Gaussianas.
3 Análise do processo de filragem Análise com dados arificiais Como foi dio aneriormene, a análise do processo de filragem foi realizada em dois eságios disinos. O primeiro eságio raou o problema como um caso ideal. A variável de observação foi criada arificialmene. Desa forma foi amplamene aendida a condição de Gaussianidade do modelo para o uso do FK, inclusive o ermo referene ao ruído das observações. No segundo eságio da análise, os dados observados são os preços reais de mercado. O modelo usado para fazer a análise do processo de filragem foi o Modelo Básico (Schwarz e Smih (000)). Reescrevemos o modelo abaixo. ln( S ) = + ξ (87) Nesa equação o logarimo do preço à visa é a soma dos desvios de curo prazo ( ) com os preços de equilíbrio ( ξ ). Esas duas variáveis são os esados não observáveis, por conseguine S é não observável. A primeira variável de esado possui a seguine equação de ransição: d = k d + σ dw (88) A segunda variável de esado é descria pela equação de ransição: dξ = µ d + dw (89) ξ σ ξ ξ Ainda emos que dz dz ξ = ρd, onde ρ represena a correlação enre as variáveis de esado. A equação de observação é dada por: k ( τ ) ln( Fτ, ) = e + ξ + A( τ ) (90) onde: A( τ ) = µ ( τ ) * ξ k ( τ ) ( 1 e ) λ k k σ ( τ ) k ( τ ) ( 1 e ) + σ ( τ ) + ( 1 e ) ρσ σ 1 ξ + ξ k k Considerando os parâmeros do modelo como aqueles em Schwarz e Smih (000), os preços fuuros (variável de observação) foram gerados arificialmene. Os parâmeros uilizados são: k = 1, 49 ao ano, σ = 8,6% ao ano, λ = 15,7% ao ano, µ ξ = 1,15% ao ano, σ ξ = 14,5% ao ano e ρ = 0, 30 ao ano. Primeiramene as equações (88) e (89) serão discreizadas abaixo:
4 Análise do processo de filragem 99 = 1 k ) ( + ε (91) 1 ξ = µ υ ξ + ξ 1 + (9) onde ε ~ N(0, σ ) e υ ~ N(0, σ ) sendo ρ a correlação enre as duas disribuições padronizadas e ε semana ou 1/5 anos). Ainda pode-se escrever 1 que σ k ( 1 e ) ε = Var( ) = υ o inervalo de empo usado na discreização (uma σ k A equação das observações é dada por τ, k ( τ ) e σ υ = Var( ξ ) = σ ξ y = ln(f ) = e + ξ + A( τ ) + u (93) onde u ~ N(0, σ u ) represena os erros nas observações que são descorrelacionados dos erros das equações de ransição (91) e (9). Esa parcela esá relacionada ao erro oriundo do regisro das observações, provavelmene devido à fala de sincronismo das coações. Foram gerados simulaneamene T ( T = 000 ) ruídos Gaussianos para ε, υ e u, de al modo que os dois primeiros ruídos são correlacionados, conforme mencionado acima, e descorrelacionados do erceiro ruído. Em cada uma das rês séries geradas foram realizados os eses esaísicos para verificação da adequabilidade dos dados gerados. Foram realizados os eses de normalidade de Jarque-Bera e Anderson-Darling, aceiando-se a hipóese nula de normalidade. O correlograma com a FAC (Função de Auo-Correlação), FACP (Função de Auo-Correlação Parcial) e com a esaísica Ljung-Box (esaísica Q) indicam que os dados são não correlacionados. O ese de independência BDS (Brock-Decher-Sheinkman), realizado em espaço de dimensão oio, indica aceiação da hipóese nula de independência dos ermos da série. Além disso, as séries dos resíduos das variáveis de esado esão correlacionadas, enquano a correlação desas mesmas séries com a série dos ruídos da variável de observação é baixíssima. Foram realizados os eses de igualdade da média com o valor zero para as rês séries, e em odos os casos foi aceia a hipóese nula de igualdade. 1 Veja em Øksendal (000) ou Mikosch (000), denre ouros, a solução de equações diferenciais esocásicas como é o caso da equação de Ornsein-Uhlenbeck (equação de Langevin).
5 Análise do processo de filragem 100 Porano, os valores gerados arificialmene para os ruídos são adequados às premissas requeridas. A eapa seguine foi calcular para cada insane de empo as variáveis de esado a parir de valores inicias ( ξ0 ) (0, 3,). Para al, foram usadas as 0 = equações discreizadas (91) e (9), bem como os ruídos gerados acima. Foi calculado o ermo A( τ ). Enão, de posse dos valores calculados para as variáveis de esado e do ruído das observações, foi calculado, em cada insane de empo, o valor da variável de observação para o primeiro conrao fuuro. A Figura 1 mosra uma das possíveis rajeórias para o primeiro conrao fuuro. Os dados arificiais, assim gerados, serão os dados de enrada para o processo de filragem. Eles serão uilizados nos FK e FP. Será feia somene a filragem dos dados pelas duas meodologias. Por enquano não haverá esimação de parâmeros por nenhum algorimo. O objeivo, aé o momeno, é ão somene de analisar os dois processos de filragem das observações. A Figura mosra o preço do primeiro conrao fuuro (F1), gerado arificialmene, que serviu como dado de enrada para os dois filros. Esa é a variável de observação que será filrada. A filragem esimará a duas variáveis de esados e ξ, por cada meodologia. Também será obido o sinal de observação filrado. Serão avaliados os erros enre o sinal observado e aquele gerado em cada meodologia de filragem. A variável de observação mosrada na Figura foi inroduzida no filro de Kalman e, junamene com os mesmos parâmeros uilizados na sua geração, foi rodado o filro. A saída fornece as variáveis de esado esimadas junamene com a variável de observação filrada. A Figura 3 mosra os preços do primeiro conrao fuuro para a variável de observação e para a variável filrada. As duas curvas esão praicamene sobreposas. A correlação medida enre as duas variáveis é 0,9915. Qualiaivamene o resulado é basane saisfaório, pois a variável resulane do filro esá bem aderene aos movimenos da variável observada. Foram realizados eses esaísicos nos resulados produzidos pelo FK.
6 Análise do processo de filragem 101 Figura 1 Uma das possíveis rajeórias de preços gerada arificialmene Figura Variável de observação uilizada nos filros de Kalman e de parículas
7 Análise do processo de filragem 10 Figura 3 Variável de observação e a variável de observação pelo FK O erro (ruído) da variável de observação foi analisado para a verificação das propriedades de sua disribuição. Foram realizados os eses de normalidade Jarque-Bera e Anderson-Darling e em ambos aceia-se a hipóese nula de normalidade. A FAC e a FACP, juno com a esaísica Q, mosram que os dados são não correlacionados. O ese BDS, realizado em espaço de dimensão seis, mosra foremene a aceiação da hipóese nula de independência. O mesmo procedimeno foi realizado em relação ao filro de parículas. Ou seja, usando a mesma variável de observação anerior e os mesmos parâmeros, fez-se a filragem com o FP, obendo-se a resposa que esá na Figura 4. A análise qualiaiva mosra uma grande aderência enre as duas séries. A correlação medida enre as duas variáveis é de 0,9909. Os mesmos eses esaísicos foram conduzidos na série do ruído da variável de observação. Os resulados foram os mesmos.
8 Análise do processo de filragem 103 Figura 4 Variável de observação e a variável de observação filrada pelo FP Foram realizadas análises quaniaivas usando rês diferenes medidas de erro: RMSE, MAE e MAPE. onde T (Fo Ff ) = 1 RMSE = T (94) T Fo Ff MAE = (95) T = 1 T 1 Fo Ff MAPE = (96) T F = 1 o F o significa o valor da variável de observação no insane e F f o valor da variável de observação filrada no mesmo insane. A primeira medida RMSE é a raiz do erro quadráico médio, a segunda medida, MAE, é o erro absoluo médio e a erceira medida, MAPE, é o erro absoluo percenual médio. Foi verificado o erro enre a variável observada e a variável filrada por cada uma das meodologias - FP e FK. Nos dois casos mosrados nas curvas das Figuras 3 e 4 os valores iniciais para as disribuições das variáveis de esados foram os mesmos, iso é
9 Análise do processo de filragem 104 ˆ 0 x 0 = ( 0, ξ ) e P 0, com 0 = 0, e ξ 0 = 3,. O FK é a solução exaa onde odas as disribuições são Gaussianas. A média e variância iniciais definem a disribuição normal inicial uilizada no algorimo do FK. No FP ambém foi uilizada uma disribuição normal como disribuição inicial. A média e a variância foram as mesmas do FK. Foram realizadas simulações com amosras reiradas desa disribuição inicial. Cada amosra reirada é um experimeno que represena a disribuição inicial. Porano, para o FP foram realizados diversos experimenos. No primeiro caso foram exraídas 100 amosras para represenar a disribuição inicial e cada uma delas gerou uma simulação com uma filragem. Cada um deses experimenos origina um resulado como o apresenado na Figura 4. No segundo caso foram realizados 500 experimenos. Foram calculados os erros em cada caso, ou seja, foram calculadas as médias dos 100 e dos 500 experimenos. Os resulados obidos esão mosrados na Tabela 1. RMSE MAE MAPE (US$/bbl) (US$/bbl) (%) Filro de Kalman 0,9954 0,7639,5849 Filro de parículas (100) 1,0406 0,7917,6803 Filro de parículas (500) 1,040 0,791,6780 Tabela 1 Erros na variável de observação com as duas meodologias de filragem Na Tabela 1 o FK mosra o erro comeido na solução exaa. O algorimo do FP de parículas fornece a solução numérica e cada número da abela represena a média do erro para o caso de 100 experimenos e 500 experimenos. Os resulados mosram que a solução numérica esá bem próxima da solução exaa. O empo compuacional requerido para cada experimeno da solução numérica (FP) é de aproximadamene 6 segundos, com a uilização de 00 parículas. Na solução exaa (FK) os resulados são imediaos. A Figura 5 mosra a evolução dos erros (RMSE), usando o FP, para o caso de 100 experimenos. Uma linha azul é a referência para o erro comeido usando o FK.
10 Análise do processo de filragem 105 Figura 5 Erros (RMSE) da simulação com 100 experimenos usando o FP Se ao invés de 00, fossem usadas 1000 parículas, os erros seriam menores. A Tabela mosra a média dos erros para o caso de 100 experimenos, usando 1000 parículas. Nese caso, cada experimeno consumiu 13 segundos de empo compuacional, aproximadamene. RMSE MAE MAPE (US$/bbl) (US$/bbl) (%) Filro de Kalman 0,9954 0,7639,5849 Filro de parículas (100) 1,0133 0,776,665 Tabela Erros na variável de observação usando 1000 parículas no FP A Tabela 3 resume os erros medidos pelo RMSE e os empos compuacionais despendidos à medida que o número de parículas é variado, para simulações com 100 experimenos.
11 Análise do processo de filragem 106 Número de parículas RMSE Tempo/experimeno (US$/bbl) (segundos) 50 1,140 6, , , ,0489 0, ,0406 6, , ,56 Tabela 3 Erro RMSE e empo em função do número de parículas A Figura 6 mosra a evolução do erro (RMSE) para os diversos experimenos com 1000 parículas. É níida a redução do erro quando se aumena o número de parículas. Não exise um criério definiivo para o número ideal de parículas a ser uilizado. Um procedimeno empírico é conduzir experimenos e observar o nível nos quais os resulados esabilizam-se. Figura 6 Erros (RMSE) para o caso de 100 experimenos usando 1000 parículas A Figura 7 mosra os resulados da Tabela 3 em forma gráfica, evidenciando o comporameno assinóico do erro com o aumeno do número de parículas.
12 Análise do processo de filragem 107 Figura 7 Comporameno assinóico do erro no FP em função do número de parículas Como se raa da análise com dados arificiais, odas as variáveis do modelo foram consruídas sineicamene. Assim, a variável de esado S, preço à visa, pode ser comparada com a respeciva variável filrada. Nesa simulação foram usadas 00 parículas. A Tabela 4 mosra os resulados. RMSE MAE MAPE (US$/bbl) (US$/bbl) (%) Filro de Kalman 1,6 0,9507 3,1735 Filro de parículas (100) 1,395 0,9619 3,115 Filro de parículas (500) 1,413 0,9631 3,149 Tabela 4 Erro na variável de esado S com as duas meodologias Novamene noa-se que o erro obido aravés do FP é basane próximo do erro obido com o FK.
13 Análise do processo de filragem Análise com dados de mercado Nesa seção será mosrada a análise realizada enre as meodologias do FK e FP considerando os dados reais de mercado. A variável de observação é o primeiro conrao fuuro (F1) de peróleo. Desa forma, o modelo é univariado nas observações, pois coném apenas uma variável de observação. Os dados abrangem o período de janeiro de 1985 a abril de 004, omados com freqüência semanal. O amanho da amosra é de 1007 dados. O modelo considerado é o Modelo Básico (Schwarz e Smih (000)), o mesmo da seção anerior. Os parâmeros foram manidos os mesmos e a análise dar-se-á ão somene sob o aspeco da filragem. Adoou-se o mesmo procedimeno anerior. Foram calculadas as rês medidas de erros, al qual descrio nas equações (94), (95) e (96). Ainda da mesma forma, foram realizadas comparações dos erros comeidos. Para o FP foram simulados casos com 100 e 500 experimenos com 00 parículas. A Tabela 5 mosra os resulados. RMSE MAE MAPE (US$/bbl) (US$/bbl) (%) Filro de Kalman 0,54 0,3675 1,6970 Filro de parículas (100) 0,5810 0,3965 1,88 Filro de parículas (500) 0,581 0,3963 1,879 Tabela 5 Erros na variável de observação preços do conrao F1 Foram realizados os eses de Jarque-Bera e Anderson-Darling na série de resíduos das observações. Em ambos rejeia-se a hipóese nula de normalidade dos dados. Iso significa que o uso de observações reais de mercado produziu resíduos não Gaussianos. Embora não se enha o objeivo de comparar os resulados dos dados arificiais com os dados de mercado, cumpre ressalvar um aspeco com relação à magniude dos erros obidos nos dois casos. Observa-se que com dados arificiais o erro foi superior do que com dados de mercado. Deve-se iso simplesmene ao fao de que o desvio padrão do ruídos das observações que foi uilizado é superior àquele dos dados de mercado. Esas variáveis fazem pare da mariz H conforme descrio na eq. (44) da seção 4.. Ouros experimenos foram realizados em que o
14 Análise do processo de filragem 109 desvio padrão do ruído das observações era menor que àquele com dados reais. Nesa siuação, o erro apresenado pelos dados arificiais foi menor que os de mercado. Também foi realizada a análise do modelo mulivariado, iso é, para mais de uma variável de observação. O modelo foi manido o mesmo. Os parâmeros foram admiidos sem aleração em relação aos casos aneriores. A base de dados de mercado ambém abrange o mesmo período, com a mesma freqüência de amosragem. No enano, a cada leiura são omados os conraos de um a quaro meses à frene. Eses conraos foram denominados F1, F, F3 e F4, respecivamene. Adoou-se o mesmo criério de comparação enre as meodologias. Foram calculados para cada conrao as rês medidas de erro. Também foram realizados experimenos omando-se diferenes amosras para simular a disribuição inicial dos esados no FP. Os resulados permaneceram idênicos aos mosrados acima. Ou seja, o erro comeido na variável de observação usando o FP foi próximo (embora um pouco maior) àquele do FK. Foram realizados os eses de Jarque-Bera e Anderson-Darling nas séries de resíduos das quaro variáveis de observação. Em odos os casos rejeia-se a hipóese nula de normalidade dos dados. Iso significa que o uso de dados reais de mercado gerou resíduos não Gaussianos. 6.4 Tamanho efeivo da amosra e a eficiência do FP Conforme foi explicado aneriormene a implemenação do FP requer que haja uma operação de reamosragem para eviar que haja degeneração do filro. Inuiivamene esa eapa pode ser enendida mediane dois casos disinos. Primeiramene suponha que os pesos das parículas esejam muio dispersos, ou com grande variância, enão deve-se proceder a reamosragem. Oura possibilidade é a ausência de dispersão ou pequena variância. Nese caso não há necessidade de realizar a reamosragem. Esa operação de reamosragem pode enão ser conrolada aravés do cálculo do amanho efeivo da amosra ( N ) ). Ese amanho efeivo é dado pela eq. (86). Deve-se comparar o amanho efeivo com uma fração do valor da amosra. Esa fração do valor da amosra é dada por eff coef N, onde coef 1. Reamosra-se sempre que Nˆ eff coef N. Quando
15 Análise do processo de filragem 110 coef = 1, sempre ocorrerá a reamosragem. Nese caso o filro esará em sua maior adapaividade ou eficiência. Quando coef é baixo o número de reamosragens é reduzido e a eficiência do filro é baixa. Nese caso, o erro enre a variável observada e filrada ende a aumenar. Foram realizadas simulações onde se variou o valor da eficiência (valor de coef) exercendo, desa forma, um conrole sobre a operação de reamosragem. O objeivo é mosrar o quano afea no erro as variações aribuídas a coef. A Tabela 6 mosra os resulados dos erros das observações (usando os dados arificiais) fazendo a simulação para o caso de 100 experimenos. Cada número da abela represena a média de odos dos experimenos para cada valor de coef. coef RMSE MAE MAPE (US$/bbl) (US$/bbl) (%) 1 1,0406 0,7917,6803 0,6 1,1338 0,947 3,189 0,5 1,3159 1,0896 3,6808 0,4 1,580 1,877 4,3364 Tabela 6 Variação do erro da variável de observação em função do valor de coef Esa propriedade ambém em implicações para o valor da função de verossimilhança. Ese aspeco será raado no próximo capíulo.
4 Filtro de Kalman. 4.1 Introdução
4 Filro de Kalman Ese capíulo raa da apresenação resumida do filro de Kalman. O filro de Kalman em sua origem na década de sessena, denro da área da engenharia elérica relacionado à eoria do conrole de
Leia mais5.1. Filtragem dos Estados de um Sistema Não-Linear Unidimensional. Considere-se o seguinte MEE [20] expresso por: t t
5 Esudo de Casos Para a avaliação dos algorimos online/bach evolucionários proposos nese rabalho, foram desenvolvidas aplicações em problemas de filragem dos esados de um sisema não-linear unidimensional,
Leia mais4 O modelo econométrico
4 O modelo economérico O objeivo desse capíulo é o de apresenar um modelo economérico para as variáveis financeiras que servem de enrada para o modelo esocásico de fluxo de caixa que será apresenado no
Leia mais4 Método de geração de cenários em árvore
Méodo de geração de cenários em árvore 4 4 Méodo de geração de cenários em árvore 4.. Conceios básicos Uma das aividades mais comuns no mercado financeiro é considerar os possíveis esados fuuros da economia.
Leia mais3 Metodologia do Estudo 3.1. Tipo de Pesquisa
42 3 Meodologia do Esudo 3.1. Tipo de Pesquisa A pesquisa nese rabalho pode ser classificada de acordo com 3 visões diferenes. Sob o pono de visa de seus objeivos, sob o pono de visa de abordagem do problema
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 maisEXAME DE ESTATÍSTICA AMBIENTAL 2ª 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 maisUniversidade Federal do Rio de Janeiro
Universidade Federal do Rio de Janeiro Circuios Eléricos I EEL42 Coneúdo 8 - Inrodução aos Circuios Lineares e Invarianes...1 8.1 - Algumas definições e propriedades gerais...1 8.2 - Relação enre exciação
Leia 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 mais4 Análise de Sensibilidade
4 Análise de Sensibilidade 4.1 Considerações Gerais Conforme viso no Capíulo 2, os algorimos uilizados nese rabalho necessiam das derivadas da função objeivo e das resrições em relação às variáveis de
Leia mais4 Metodologia Proposta para o Cálculo do Valor de Opções Reais por Simulação Monte Carlo com Aproximação por Números Fuzzy e Algoritmos Genéticos.
4 Meodologia Proposa para o Cálculo do Valor de Opções Reais por Simulação Mone Carlo com Aproximação por Números Fuzzy e Algorimos Genéicos. 4.1. Inrodução Nese capíulo descreve-se em duas pares a meodologia
Leia mais5 Metodologia Probabilística de Estimativa de Reservas Considerando o Efeito-Preço
5 Meodologia Probabilísica de Esimaiva de Reservas Considerando o Efeio-Preço O principal objeivo desa pesquisa é propor uma meodologia de esimaiva de reservas que siga uma abordagem probabilísica e que
Leia mais*UiILFRGH&RQWUROH(:0$
*UiILFRGH&RQWUROH(:$ A EWMA (de ([SRQHQWLDOO\:HLJKWHGRYLQJ$YHUDJH) é uma esaísica usada para vários fins: é largamene usada em méodos de esimação e previsão de séries emporais, e é uilizada em gráficos
Leia maisRodolfo Santos Nunes Rodrigues
Universidade Federal de Minas Gerais - UFMG Insiuo de Ciências Exaas - ICEx Programa de Pós-Graduação em Esaísica - PPGEST Rodolfo Sanos Nunes Rodrigues Influência do número de parículas na esimação de
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 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 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 maisGrupo I (Cotação: 0 a 3.6 valores: uma resposta certa vale 1.2 valores e uma errada valores)
INSTITUTO SUPERIOR DE ECONOMIA E GESTÃO Esaísica II - Licenciaura em Gesão Época de Recurso 6//9 Pare práica (quesões resposa múlipla) (7.6 valores) Nome: Nº Espaço reservado para a classificação (não
Leia mais3 Modelos de Markov Ocultos
23 3 Modelos de Markov Oculos 3.. Processos Esocásicos Um processo esocásico é definido como uma família de variáveis aleaórias X(), sendo geralmene a variável empo. X() represena uma caracerísica mensurável
Leia maisSéries temporais Modelos de suavização exponencial. Séries de temporais Modelos de suavização exponencial
Programa de Pós-graduação em Engenharia de Produção Análise de séries de empo: modelos de suavização exponencial Profa. Dra. Liane Werner Séries emporais A maioria dos méodos de previsão se baseiam na
Leia maisExercícios sobre o Modelo Logístico Discreto
Exercícios sobre o Modelo Logísico Discreo 1. Faça uma abela e o gráfico do modelo logísico discreo descrio pela equação abaixo para = 0, 1,..., 10, N N = 1,3 N 1, N 0 = 1. 10 Solução. Usando o Excel,
Leia mais4 Modelo de fatores para classes de ativos
4 Modelo de aores para classes de aivos 4.. Análise de esilo baseado no reorno: versão original (esáica A análise de esilo baseada no reorno é um procedimeno esaísico que visa a ideniicar as ones de riscos
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 mais3 Retorno, Marcação a Mercado e Estimadores de Volatilidade
eorno, Marcação a Mercado e Esimadores de Volailidade 3 3 eorno, Marcação a Mercado e Esimadores de Volailidade 3.. eorno de um Aivo Grande pare dos esudos envolve reorno ao invés de preços. Denre as principais
Leia mais4 Análise Empírica. 4.1 Definição da amostra de cada país
57 4 Análise Empírica As simulações apresenadas no capíulo anerior indicaram que a meodologia desenvolvida por Rigobon (2001 é aparenemene adequada para a análise empírica da relação enre a axa de câmbio
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 mais5 Solução por Regressão Simbólica 5.1. Introdução
5 Solução por Regressão Simbólica 5.. Inrodução ese capíulo é descrio um esudo de caso uilizando-se o modelo proposo no capíulo 4. reende-se com esse esudo de caso, mosrar a viabilidade do modelo, suas
Leia maisTRANSFORMADA DE FOURIER NOTAS DE AULA (CAP. 18 LIVRO DO NILSON)
TRANSFORMADA DE FOURIER NOTAS DE AULA (CAP. 8 LIVRO DO NILSON). CONSIDERAÇÕES INICIAIS SÉRIES DE FOURIER: descrevem funções periódicas no domínio da freqüência (ampliude e fase). TRANSFORMADA DE FOURIER:
Leia maisModelos Não-Lineares
Modelos ão-lineares O modelo malhusiano prevê que o crescimeno populacional é exponencial. Enreano, essa predição não pode ser válida por um empo muio longo. As funções exponenciais crescem muio rapidamene
Leia mais3 O Modelo SAGA de Gestão de Estoques
3 O Modelo SG de Gesão de Esoques O Sisema SG, Sisema uomaizado de Gerência e poio, consise de um sofware conendo um modelo maemáico que permie fazer a previsão de iens no fuuro com base nos consumos regisrados
Leia mais3 Uma metodologia para validação estatística da análise técnica: a busca pela homogeneidade
3 Uma meodologia para validação esaísica da análise écnica: a busca pela homogeneidade Ese capíulo em como objeivo apresenar uma solução para as falhas observadas na meodologia uilizada por Lo e al. (2000)
Leia maisDISCIPLINA SÉRIE CAMPO CONCEITO
Log Soluções Reforço escolar M ae máica Dinâmica 4 2ª Série 1º Bimesre DISCIPLINA SÉRIE CAMPO CONCEITO Maemáica 2ª do Ensino Médio Algébrico simbólico Função Logarímica Primeira Eapa Comparilhar Ideias
Leia maisCapítulo 4. Propriedades dos Estimadores de Mínimos Quadrados
Capíulo 4 Propriedades dos Esimadores de Mínimos Quadrados Hipóeses do Modelo de Regressão Linear Simples RS1. y x e 1 RS. Ee ( ) 0 E( y ) 1 x RS3. RS4. var( e) var( y) cov( e, e ) cov( y, y ) 0 i j i
Leia maisAplicações à Teoria da Confiabilidade
Aplicações à Teoria da ESQUEMA DO CAPÍTULO 11.1 CONCEITOS FUNDAMENTAIS 11.2 A LEI DE FALHA NORMAL 11.3 A LEI DE FALHA EXPONENCIAL 11.4 A LEI DE FALHA EXPONENCIAL E A DISTRIBUIÇÃO DE POISSON 11.5 A LEI
Leia mais5 Método dos Mínimos Quadrados de Monte Carlo (LSM)
Méodo dos Mínimos Quadrados de Mone Carlo (LSM) 57 5 Méodo dos Mínimos Quadrados de Mone Carlo (LSM) O méodo LSM revela-se uma alernaiva promissora frene às radicionais écnicas de diferenças finias e árvores
Leia maisDISSERTAÇÃO DE MESTRADO
DISSERTAÇÃO DE MESTRADO INFERÊNCIA SOBRE OS HIPERPARÂMETROS DOS MODELOS ESTRUTURAIS USANDO BOOTSTRAP POR: JULIANA APARECIDA RIBEIRO ORIENTADORA: GLAURA DA CONCEIÇÃO FRANCO CO-ORIENTADOR: FREDERICO R. B.
Leia maisTeoremas Básicos de Equações a Diferenças Lineares
Teoremas Básicos de Equações a Diferenças Lineares (Chiang e Wainwrigh Capíulos 17 e 18) Caracerização Geral de Equações a diferenças Lineares: Seja a seguine especificação geral de uma equação a diferença
Leia mais4 Análise dos tributos das concessionárias selecionadas
4 Análise dos ribuos das concessionárias selecionadas Nese capíulo serão abordados os subsídios eóricos dos modelos esaísicos aravés da análise das séries emporais correspondenes aos ribuos e encargos
Leia maisCircuitos Elétricos I EEL420
Universidade Federal do Rio de Janeiro Circuios Eléricos I EEL420 Coneúdo 1 - Circuios de primeira ordem...1 1.1 - Equação diferencial ordinária de primeira ordem...1 1.1.1 - Caso linear, homogênea, com
Leia mais3 Estudo da Barra de Geração [1]
3 Esudo da Barra de eração [1] 31 Inrodução No apíulo 2, raou-se do máximo fluxo de poência aiva e reaiva que pode chear à barra de cara, limiando a máxima cara que pode ser alimenada, e do possível efeio
Leia mais8 Aplicações e exemplos
8 Aplicações e exemplos Ese capíulo mosra algumas aplicações práicas dos modelos e apona ouras, de anos exemplos exisenes na lieraura. Os modelos apresenados êm implicações para os agenes que auam nos
Leia maisA entropia de uma tabela de vida em previdência social *
A enropia de uma abela de vida em previdência social Renao Marins Assunção Leícia Gonijo Diniz Vicorino Palavras-chave: Enropia; Curva de sobrevivência; Anuidades; Previdência Resumo A enropia de uma abela
Leia mais4 APLICAÇÃO DO MODELO STAR-TREE
4 APLICAÇÃO DO MODELO STAR-TREE 4. Inrodução Uma vez conhecida a esruura de uma árvore STAR, é possível esimá-la aravés do processo dealhado no capíulo anerior. Porém, esa esruura é desconhecida de anemão,
Leia maisModelagem e Previsão do Índice de Saponificação do Óleo de Soja da Giovelli & Cia Indústria de Óleos Vegetais
XI SIMPEP - Bauru, SP, Brasil, 8 a 1 de novembro de 24 Modelagem e Previsão do Índice de Saponificação do Óleo de Soja da Giovelli & Cia Indúsria de Óleos Vegeais Regiane Klidzio (URI) gep@urisan.che.br
Leia maisTabela: Variáveis reais e nominais
Capíulo 1 Soluções: Inrodução à Macroeconomia Exercício 12 (Variáveis reais e nominais) Na abela seguine enconram se os dados iniciais do exercício (colunas 1, 2, 3) bem como as soluções relaivas a odas
Leia maisO Modelo Linear. 4.1 A Estimação do Modelo Linear
4 O Modelo Linear Ese capíulo analisa empiricamene o uso do modelo linear para explicar o comporameno da políica moneária brasileira. A inenção dese e do próximo capíulos é verificar se variações em preços
Leia mais5 Erro de Apreçamento: Custo de Transação versus Convenience Yield
5 Erro de Apreçameno: Cuso de Transação versus Convenience Yield A presene seção em como objeivo documenar os erros de apreçameno implício nos preços eóricos que eviam oporunidades de arbiragem nos conraos
Leia mais3 LTC Load Tap Change
54 3 LTC Load Tap Change 3. Inrodução Taps ou apes (ermo em poruguês) de ransformadores são recursos largamene uilizados na operação do sisema elérico, sejam eles de ransmissão, subransmissão e disribuição.
Leia mais4 O Papel das Reservas no Custo da Crise
4 O Papel das Reservas no Cuso da Crise Nese capíulo buscamos analisar empiricamene o papel das reservas em miigar o cuso da crise uma vez que esa ocorre. Acrediamos que o produo seja a variável ideal
Leia maisInstituto de Física USP. Física V - Aula 26. Professora: Mazé Bechara
Insiuo de Física USP Física V - Aula 6 Professora: Mazé Bechara Aula 6 Bases da Mecânica quânica e equações de Schroedinger. Aplicação e inerpreações. 1. Ouros posulados da inerpreação de Max-Born para
Leia mais2.6 - Conceitos de Correlação para Sinais Periódicos
.6 - Conceios de Correlação para Sinais Periódicos O objeivo é o de comparar dois sinais x () e x () na variável empo! Exemplo : Considere os dados mosrados abaixo y 0 x Deseja-se ober a relação enre x
Leia maisProblema de controle ótimo com equações de estado P-fuzzy: Programação dinâmica
Problema de conrole óimo com equações de esado P-fuzzy: Programação dinâmica Michael Macedo Diniz, Rodney Carlos Bassanezi, Depo de Maemáica Aplicada, IMECC, UNICAMP, 1383-859, Campinas, SP diniz@ime.unicamp.br,
Leia maisMódulo de Regressão e Séries S Temporais
Quem sou eu? Módulo de Regressão e Séries S Temporais Pare 4 Mônica Barros, D.Sc. Julho de 007 Mônica Barros Douora em Séries Temporais PUC-Rio Mesre em Esaísica Universiy of Texas a Ausin, EUA Bacharel
Leia maisMotivação. Prof. Lorí Viali, Dr.
Moivação rof. Lorí Viali, Dr. vialli@ma.ufrgs.br hp://www.ma.ufrgs.br/~vialli/ Na práica, não exise muio ineresse na comparação de preços e quanidades de um único arigo, como é o caso dos relaivos, mas
Leia maisIV. METODOLOGIA ECONOMÉTRICA PROPOSTA PARA O CAPM CONDICIONAL A Função Máxima Verosimilhança e o Algoritmo de Berndt, Hall, Hall e Hausman
IV. MEODOLOGIA ECONOMÉRICA PROPOSA PARA O CAPM CONDICIONAL 4.1. A Função Máxima Verosimilhança e o Algorimo de Bernd, Hall, Hall e Hausman A esimação simulânea do CAPM Condicional com os segundos momenos
Leia maisUNIVERSIDADE FEDERAL DE MINAS GERAIS INSTITUTO DE CIÊNCIAS EXATAS PROGRAMA DE MESTRADO EM ESTATÍSTICA THAIZE VIEIRA MARTINS
UNIVERSIDADE FEDERAL DE MINAS GERAIS INSTITUTO DE CIÊNCIAS EXATAS PROGRAMA DE MESTRADO EM ESTATÍSTICA THAIZE VIEIRA MARTINS INTERVALOS DE PREVISÃO BOOTSTRAP PARA MODELOS ESTRUTURAIS Belo Horizone Maio
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 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 maisCINÉTICA QUÍMICA LEI DE VELOCIDADE - TEORIA
CINÉTICA QUÍMICA LEI DE VELOCIDADE - TEORIA Inrodução Ese arigo raa de um dos assunos mais recorrenes nas provas do IME e do ITA nos úlimos anos, que é a Cinéica Química. Aqui raamos principalmene dos
Leia maisAULA 22 PROCESSO DE TORNEAMENTO: CONDIÇÕES ECONÔMICAS DE USINAGEM
AULA 22 PROCESSO DE TORNEAMENTO: CONDIÇÕES ECONÔMICAS DE USINAGEM 163 22. PROCESSO DE TORNEAMENTO: CONDIÇÕES ECONÔMICAS DE USINAGEM 22.1. Inrodução Na Seção 9.2 foi falado sobre os Parâmeros de Core e
Leia maisExercícios Sobre Oscilações, Bifurcações e Caos
Exercícios Sobre Oscilações, Bifurcações e Caos Os ponos de equilíbrio de um modelo esão localizados onde o gráfico de + versus cora a rea definida pela equação +, cuja inclinação é (pois forma um ângulo
Leia maisSistema de Apoio à Tomada de Decisão na Operação em Tempo Real do Sistema da CTEEP
Sisema de Apoio à Tomada de Decisão na Operação em Tempo Real do Sisema da CTEEP T. Ohishi, UNICAMP e P. V. Pereira, CTEEP Resumo-Ese projeo desenvolveu um sisema de supore à decisão para operação de um
Leia mais4. Modelagem (3) (4) 4.1. Estacionaridade
24 4. Modelagem Em um modelo esaísico adequado para se evidenciar a exisência de uma relação lead-lag enre as variáveis à visa e fuura de um índice é necessário primeiramene verificar se as variáveis logarimo
Leia maisNOTA TÉCNICA. Nota Sobre Evolução da Produtividade no Brasil. Fernando de Holanda Barbosa Filho
NOTA TÉCNICA Noa Sobre Evolução da Produividade no Brasil Fernando de Holanda Barbosa Filho Fevereiro de 2014 1 Essa noa calcula a evolução da produividade no Brasil enre 2002 e 2013. Para ano uiliza duas
Leia mais6 Modelos em Espaço de Estado Não Lineares e Filtros Não Lineares Aproximados
6 Modelos em Espaço de Esado Não Lineares e Filros Não Lineares Aproximados Nese capíulo, o modelo em EE definido na seção 2.1 é devidamene generalizado, de forma que suas equações a das medidas e a do
Leia maisMATEMÁTICA APLICADA AO PLANEJAMENTO DA PRODUÇÃO E LOGÍSTICA. Silvio A. de Araujo Socorro Rangel
MAEMÁICA APLICADA AO PLANEJAMENO DA PRODUÇÃO E LOGÍSICA Silvio A. de Araujo Socorro Rangel saraujo@ibilce.unesp.br, socorro@ibilce.unesp.br Apoio Financeiro: PROGRAMA Inrodução 1. Modelagem maemáica: conceios
Leia mais5 Aplicação da Modelagem Estrutural ao problema de previsão de Preço Spot de Energia Elétrica.
Aplicação da Modelagem Esruural ao problema de previsão de Preço Spo de Energia Elérica. 41 5 Aplicação da Modelagem Esruural ao problema de previsão de Preço Spo de Energia Elérica. 5.1. Inrodução Nesa
Leia 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 maisExperiência IV (aulas 06 e 07) Queda livre
Experiência IV (aulas 06 e 07) Queda livre 1. Objeivos. Inrodução 3. Procedimeno experimenal 4. Análise de dados 5. Quesões 6. Referências 1. Objeivos Nesa experiência, esudaremos o movimeno da queda de
Leia maisCritérios e Metodologia de Apuração de Superfície de Volatilidade
Criérios e Meodologia de Apuração de Superfície de Volailidade Diariamene são calculadas superfícies de volailidade implícia de odos os vencimenos de conraos de opções em que há posição em abero e/ou séries
Leia maisEstimação em Processos ARMA com Adição de Termos de Perturbação
UNIVER ERSIDADE DE FEDERAL DO RIO GRANDE DO SUL INSTITUTO DE MATEMÁTICA DEP EPARTAMENTO DE ESTATÍSTICA Esimação em Processos ARMA com Adição de Termos de Perurbação Auor: Paricia Vieira de Llano Orienador:
Leia mais5 Filtro de partículas
5 Filro de arículas Ese caíulo raa da aresenação do filro de arículas em seus conceios básicos. O filro de arículas é um méodo numérico de inegração. É adequado ara lidar com roblemas não lineares e não
Leia maisUniversidade Federal de Lavras
Universidade Federal de Lavras Deparameno de Esaísica Prof. Daniel Furado Ferreira 11 a Teoria da Decisão Esaísica 1) Quais são os erros envolvidos nos eses de hipóeses? Explique. 2) Se ao realizar um
Leia maisIA368-W Métodos Estocásticos em Robótica Móvel
IA368-W Méodos Esocásicos em Robóica Móvel Prof. Eleri Cardozo Prof. Eric Rohmer Colaboradores: Leonardo R. Olivi Paulo G. Pinheiro Ricardo S. Souza Fernando C.A. Pinho LOCALIZAÇÃO E MAPEAMENTO SIMULTÂNEOS
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 maisUniversidade Federal do Rio Grande do Sul Escola de Engenharia de Porto Alegre Departamento de Engenharia Elétrica ANÁLISE DE CIRCUITOS II - ENG04031
Universidade Federal do io Grande do Sul Escola de Engenharia de Poro Alegre Deparameno de Engenharia Elérica ANÁLISE DE CICUITOS II - ENG43 Aula 5 - Condições Iniciais e Finais de Carga e Descarga em
Leia maisANÁLISE DE SÉRIES TEMPORAIS NA PREVISÃO DA RECEITA DE UMA MERCEARIA LOCALIZADA EM BELÉM-PA USANDO O MODELO HOLT- WINTERS PADRÃO
XXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO. ANÁLISE DE SÉRIES TEMPORAIS NA PREVISÃO DA RECEITA DE UMA MERCEARIA LOCALIZADA EM BELÉM-PA USANDO O MODELO HOLT- WINTERS PADRÃO Breno Richard Brasil Sanos
Leia mais2 Revisão Bibliográfica
Revisão Bibliográfica Ese capíulo apresena os principais conceios, abordagens e a formulação básica das meodologias que esão incluídas no modelo HPA. Conceios maemáicos e esaísicos mais dealhados podem
Leia mais4 Modelos em Espaço de Estado e Filtro de Kalman
4 Modelos em Espaço de Esado e Filro de Kalman A modelagem em espaço de esado fornece uma meodologia padrão para raar uma ampla variedade de problemas em séries emporais Nesa abordagem é, em geral, assumido
Leia mais4 Metodologia R P. = cotação da ação i no final da semana t. 1 Maiores detalhes no ANEXO - 1
4 Meodologia Com o objeivo de se esar reornos anormais de curíssimo prao para o mercado de ações brasileiro (BOVESPA), ese rabalho foi dividido em rês eapas: Na primeira, usou-se a meodologia de De Bond
Leia mais3 Avaliação de Opções Americanas
Avaliação de Opções Americanas 26 3 Avaliação de Opções Americanas Derivaivos com caracerísicas de exercício americano, em especial opções, são enconrados na maioria dos mercados financeiros. A avaliação
Leia mais4 Aplicação do Modelo
Aplicação do Modelo É possível enconrar na lieraura diversas aplicações que uilizam écnicas esaísicas e de compuação inensiva para realizar previsões de curo prazo na área de energia elérica. Enre elas
Leia mais3 Metodologias Analisadas
3 Meodologias Analisadas Nese capíulo, são apresenados alguns modelos de previsão de séries emporais analisados nesa disseração. Anes de passar para os modelos propriamene, são inroduzidos alguns conceios
Leia mais1 Introdução O Contexto da Pesquisa
1 Inrodução Ese primeiro capíulo esá dividido em rês seções. A primeira seção mosra o conexo em que a pesquisa se insere denro da Teoria de inanças, apresena a evolução das idéias e dos problemas relacionados
Leia mais4. Selecionando modelos de Projeção com. AIC e SIC. Primeiro, vamos falar do erro quadrático médio
4. Selecionando modelos de Projeção com AIC e SIC Os criérios de seleção de modelos ipicamene requerem que o erro quadráico médio da previsão de um período a frene seja o menor possível. A diferença enre
Leia mais3 Metodologia. 3.1 Modelos em Espaço de Estado Lineares Gaussianos
3 Meodologia 3.1 Modelos em Espaço de Esado Lineares Gaussianos 3.1.1 Esruura Básica A forma em Espaço de Esado Linear Gaussiana (forma em EE daqui por diane) consise em duas equações. A primeira delas
Leia maisMovimento unidimensional 25 MOVIMENTO UNIDIMENSIONAL
Movimeno unidimensional 5 MOVIMENTO UNIDIMENSIONAL. Inrodução Denre os vários movimenos que iremos esudar, o movimeno unidimensional é o mais simples, já que odas as grandezas veoriais que descrevem o
Leia mais3 Metodologia Dados e procedimentos de amostragem
26 3 Meodologia Nese capíulo enconram-se dealhadas as fones uilizadas para obenção da amosra de dados da pesquisa, os criérios de filragem e raameno dos dados originais e a descrição dos méodos e procedimenos
Leia mais2 Os métodos da família X Introdução
2 Os méodos da família X 2. Inrodução O méodo X (Dagum, 980) emprega médias móveis (MM) para esimar as principais componenes de uma série (Sysem of Naional Accouns, 2003): a endência e a sazonalidade.
Leia maisAnálise de séries de tempo: modelos de decomposição
Análise de séries de empo: modelos de decomposição Profa. Dra. Liane Werner Séries de emporais - Inrodução Uma série emporal é qualquer conjuno de observações ordenadas no empo. Dados adminisraivos, econômicos,
Leia mais6 Processos Estocásticos
6 Processos Esocásicos Um processo esocásico X { X ( ), T } é uma coleção de variáveis aleaórias. Ou seja, para cada no conjuno de índices T, X() é uma variável aleaória. Geralmene é inerpreado como empo
Leia maisMÉTODOS DE APREÇAMENTO DE OPÇÕES AMERICANAS E DETERMINAÇÃO DA CURVA DE GATILHO ATRAVÉS DA SIMULAÇÃO DE MONTE CARLO
versão impressa ISSN 0101-7438 / versão online ISSN 1678-5142 MÉTODOS DE APREÇAMENTO DE OPÇÕES AMERICANAS E DETERMINAÇÃO DA CURVA DE GATILHO ATRAVÉS DA SIMULAÇÃO DE MONTE CARLO Javier Guiérrez Casro* Tara
Leia maisAntes de mais nada, é importante notar que isso nem sempre faz sentido do ponto de vista biológico.
O modelo malusiano para empo conínuo: uma inrodução não rigorosa ao cálculo A dinâmica de populações ambém pode ser modelada usando-se empo conínuo, o que é mais realisa para populações que se reproduzem
Leia maisMODELOS USADOS EM QUÍMICA: CINÉTICA NO NÍVEL SUPERIOR. Palavras-chave: Modelos; Cinética Química; Compostos de Coordenação.
MDELS USADS EM QUÍMICA: CINÉTICA N NÍVEL SUPERIR André Luiz Barboza Formiga Deparameno de Química Fundamenal, Insiuo de Química, Universidade de São Paulo. C.P. 6077, CEP 05513-970, São Paulo, SP, Brasil.
Leia mais3 Modelo Teórico e Especificação Econométrica
3 Modelo Teórico e Especificação Economérica A base eórica do experimeno será a Teoria Neoclássica do Invesimeno, apresenada por Jorgensen (1963). Aneriormene ao arigo de Jorgensen, não havia um arcabouço
Leia maisEstudo comparativo do fluxo de caminhões nos portos de Uruguaiana e Foz do Iguaçu
XIII SIMPEP - Bauru, SP, Brasil, 6 a 8 de novembro de 26. Esudo comparaivo do fluxo de caminhões nos poros de Uruguaiana e Foz do Iguaçu Suzana Leião Russo (URI) jss@urisan.che.br Ivan Gomes Jardim (URI)
Leia maisInstituto de Física USP. Física Moderna. Aula 23. Professora: Mazé Bechara
Insiuo de Física USP Física Moderna Aula 3 Professora: Mazé Bechara Aula 3 Bases da Mecânica quânica e equações de Schroedinger: para odos os esados e para esados esacionários. Aplicação e inerpreações.
Leia maisPlano de Aulas. Matemática. Módulo 17 Estatística
Plano de Aulas Maemáica Módulo 17 Esaísica Resolução dos exercícios proposos Reomada dos conceios CAPÍTULO 1 1 População: 1, milhão de habianes da cidade. Amosra: 8.00 pessoas enrevisadas. 2 Variáveis
Leia maisCINÉTICA RADIOATIVA. Introdução. Tempo de meia-vida (t 1/2 ou P) Atividade Radioativa
CIÉTIC RDIOTIV Inrodução Ese arigo em como objeivo analisar a velocidade dos diferenes processos radioaivos, no que chamamos de cinéica radioaiva. ão deixe de anes esudar o arigo anerior sobre radioaividade
Leia mais11 Introdução aos modelos matriciais A Matriz de Leslie
Modelos mariciais Inrodução aos modelos mariciais A Mariz de Leslie Quando esudámos o crescimeno populacional, quer em ermos discreos ( =f( - )) quer em ermos conínuos (d/d=f()), não disinguimos enre os
Leia mais