4 Modelos em Espaço de Estado e Filtro de Kalman
|
|
- Renato Cortês Marroquim
- 7 Há anos
- Visualizações:
Transcrição
1 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 que o comporameno de um sisema em esudo é deerminado por uma série de veores não observáveis α 1,, α n, associada a uma série de observações y 1,, y n A relação enre α s e os y s é especificada por um modelo em espaço de esado O propósio da análise em espaço de esado é inferir sobre propriedades relevanes dos α s a parir das observações conhecidas y 1,, y n (Durbin & Koopman, 2001 Os modelos apresenados nese rabalho são colocados na forma de espaço de esado, e logo são esimados por maxima verossimilhança e filro de Kalman 41 Modelo Linear em Espaço de Esado Seja o veor de séries emporais p-variado y, = 1, 2,, n O modelo linear em espaço de esado para y esá definido pelas seguines equações: y = Z α + d + ε, ε W N(0, H (4-1 α +1 = T α + c + R η, η W N(0, Q (4-2 sendo as equações (4-1 e (4-2 chamadas respecivamene de equação das medidas e equação do esado O veor α de dimensão m é chamado veor de esado, e o veor de esado inicial é dado por α 1 (a 1, P 1 Os processos esocásicos ε e η p-variados e r-variados, respecivamene, de médias nulas e descorrelaados no empo, iso é corr(ε, η s = 0,, s = 1, 2, n e ambém descorrelaados com α 1 As marizes/veores Z, d, H, Q, c, R e T evoluem deerminisicamene no empo e são chamadas de marizes do sisema Se ε e η são independenes, disribuídos normalmene e [ε, η ] independene de α 1, enão o modelo é chamado de modelo em espaço de esado linear Gaussiano
2 Capíulo 4 Modelos em Espaço de Esado e Filro de Kalman 33 Se adicionalmene ao pressuposo de normalidade, algumas marizes do sisema dependerem de ermos passados de y, enão o modelo é chamado de modelo em espaço de esado condicionalmene Gaussiano(Harvey, 1989 Algumas marizes do sisema podem ser invarianes no empo No caso em que odas cumprem esse pressuposo o modelo é chamado de modelo invariane no empo Enre os modelos mais conhecidos, os quais podem ser colocados na forma de espaço de esado emos os modelos esruurais univariados, mulivariados, modelos ARIMA, modelos de regressão, modelos auo-regressivos com coeficienes varianes no empo ec 42 Modelos em Espaço de Esado e Filro de Kalman Uma vez que o modelo é colocado na forma de espaço de esado, poderá fazer uso do filro de Kalman para sua esimação A seguir apresenamos os dealhes dese processo 421 Filragem O processo de filragem em como objeivo a aualização do conhecimeno sobre α a cada observação y que ingressa no sisema em esudo Paricularizando as equações do modelo em espaço de esado linear (4-1 e 4-2, assumimos que ε e η são independenes e normalmene disribuídos y = Z α + d + ε, ε N(0, H α +1 = T α + c + R η, η N(0, Q (4-3 α 1 N(a 1, P 1 Seja Y 1 = {y 1,, y 1 } o conjuno de observações passadas É direo ver que da equação (4-3 emos que p(y α 1,, α, Y 1 = p(y α e p(α +1 α,, α 1, Y = p(α +1 α A abela (41 mosra as dimensões dos veores e marizes do modelo dado em (4-3 Considerando a seguine noação a = E(α Y 1 e P = V ar(α Y 1, emos as equações de filragem expliciadas em (4-4 para = 1,, n e as dimensões dos veores e marizes do filro na abela 42
3 Capíulo 4 Modelos em Espaço de Esado e Filro de Kalman 34 Tabela 41: Dimensões dos veores e marizes do modelo 4-3 Veor Mariz y p 1 Z p m α m 1 T m m ε p 1 H p p η r 1 R m r Q r r a 1 m 1 P 1 m m Tabela 42: Dimensões dos veores e marizes do filro 4-4 Veor Mariz υ p 1 F p p K m p L m m M m p a m 1 P m m υ = y Z a d F = Z P Z + H K = T P Z F 1 L = T K Z (4-4 a +1 = T a + c + K υ P +1 = T P L + R Q R A dedução Gaussiana do filro, apresenada em Durbin & Koopman (2001, não é a mais simples, no enano ela evidencia que o processo de aualização (de α ocorre devido a inovação υ que coném a informação y que não esá presene em σ(y 1 1 As equações (4-4 são válidas ainda quando a hipóese de normalidade é relaxada, pois em ausência de normalidade as expressões do filro de Kalman represenam esimadores lineares óimos (Brockwell e Davis, 2002; Shumway e Soffer, Suavização O processo de suavização considera a esimação de α dado y, onde y = (y 1,, y n, sendo n o amanho da amosra Fazendo uso da noação 1 σ(y é a σ-álgebra gerada pelo veor de observações Y
4 Capíulo 4 Modelos em Espaço de Esado e Filro de Kalman 35 ˆα = E(α y e V = V ar(α y emos as equações (4-5 do suavizador, as quais dependem de algumas marizes calculadas na filragem r n = 0, N n = 0 r 1 = Z F 1 υ + L r N 1 = Z F 1 Z + L N L (4-5 ˆα = a + P r 1 V = P P N 1 P Esses esimadores são chamados de suavizadores (Shumway & Soffer, 2006 porque os gráficos de linha no empo das correspondenes esimaivas são mais suaves do que as esimaivas da filragem Uma prova da obenção dessas equações, baseada na abordagem de Jong (1989 pode ser enconrada em Durbin & Koopman ( Traameno de Valores Ausenes Um grande araivo da abordagem de modelos em espaço de esado é a habilidade de lidar com a ausência parcial ou oal de observações em cada um dos veores y 1,, y n De forma ilusraiva, sejam os veores de dados onde é um bloco com dados falanes: y 1,1,, y i 1,1,,, y n,1 y 1,p y i 1,p y i,p y n,p onde y = W y é o veor que coném somene os dados presenes observados, sendo W uma mariz de seleção com as linhas de I p correspondenes às coordenadas observadas de y Desa forma, a equação (4-1 com as informações parciais é dada por: na qual y = Z α + d + ε, ε W N(0, H (4-6 Z = W Z, d = W d, ε = W ε e H = W H W
5 Capíulo 4 Modelos em Espaço de Esado e Filro de Kalman 36 As dimensões dos veores e marizes y, υ, F e K mudam para cada, porém a dimensão do veor de esado não muda Logicamene, quando não exisem dados falanes, a equação das medidas (4-6 é igual à equação do filro original (4-4 Enreano se a informação no empo é oalmene ausene, nesse caso Z = 0 e d = 0, reduzindo as equações de filragem para: a +1 = T a + c P +1 = T P T + R Q R (4-7 Analogamene, as equações de suavização omam a seguine forma: r 1 = T r N 1 = T N T ˆα = a + P r 1 (4-8 V = P P N 1 P Os dados falanes são obidos a parir do veor de esado suavizado, al que: ŷ,i = Z,i ˆα + d,i + ˆε,i onde ˆε,i = 0 se y,i for uma observação falane Quando a observação esiver presene ŷ,i = y,i e nesse caso não necessariamene ˆε,i = 0 A previsão no arcabouço dos modelos em espaço de esado com filro de Kalman em como objeivo prever o esado em α n+h e y +h a parir das informações y 1,, y n De forma práica, para fazer previsões h passos à frene, basa considerar as observações y n+1,, y n+h como falanes e rodar o filro aé y n+h fazendo uso das equações com essa especificidade (4-7 2 Para que ese procedimeno seja viável, odas as marizes do sisema precisam esar disponíveis aé = n + h, caso conrário não é possível fazer previsão mais de um passo à frene para um modelo condicionalmene Gaussiano 44 Traameno Univariado para Séries Mulivariadas A principal moivação que sugere o uso do raameno univariado para séries mulivariadas, é a eficiência compuacional, pois é bem mais simples rabalhar com valores escalares do que marizes O exemplo mais ilusraivo dese ganho fica aparene considerando um processo de oimização com inicialização difusa, pois 2 Para o caso em que h = 1, o problema já foi resolvido pelo filro de Kalman (4-4
6 Capíulo 4 Modelos em Espaço de Esado e Filro de Kalman 37 é necessário zerar duas marizes para poder esabilizar o processo de oimização Quando adoa-se o raameno univariado do modelo mulivariado uma dessas marizes orna-se um escalar, sendo bem mais fácil ober um zero nesa condição do que fazendo uma mariz de zeros Também durane o processo de oimização de um modelo mulivariado é possível ober marizes, que mesmo que não conenham odos os elemenos nulos, esas marizes podem ser singular, o qual complica ainda mais o processo de oimização, pois nesse caso é necessário considerar inversas generalizadas Um exemplo desa classe de problemas é o surgimeno da singularidade na mariz F O propósio desa abordagem é reconhecer o processo y = (y 1,, y p descrio no empo por: y 1,1, y 2,1,, y n,1 (4-9 y 1,p1 y 2,p2 y n,pn como se as coordenadas y,i, i = 1,, p ; N chegassem uma de cada vez, endo como série univariada correspondene: y 1,1, y 1,2,, y 1,p1, y 2,1,, y 2,p2,, y n,1,, y n,pn (4-10 É claro que se y segue um modelo mulivariado em espaço de esado, enão o processo univariado em (4-10 depende de um veor de esado O propósio é achar um modelo univariado equivalene para (4-9 e assim as recursões de Kalman ornam-se aplicáveis Uma vez que (4-9 é reescria como (4-10 a dinâmica do modelo mulivariado deve ser esriamene respeiada, de forma que (4-9 e (4-10 sejam probabilisicamene equivalenes Assumindo inicialmene a seguine esruura para H = diag(σ,1, 2, σ,p 2 3, as equações de medidas e de esado para (4-10 são respecivamene: y,i = Z,i α,i + d,i + ε,i ; ε,i W N(0, σ 2,i i = 1,, p, = 1,, n (4-11 α,i+1 = α,i ; i = 1,, p 1 α +1,1 = T α,p + c + R η,p ; η,p (0, Q α 1,1 = α 1 (4-12 Onde T, c, R e Q são as marizes do sisema correspondenes ao modelo 3 Para os casos em que H não é diagonal sugere-se adicionar ε ao veor de esado ou fazer uma decomposição em H, al que seja possível adicionar a esruura de dependência na equação de medidas (H cheia
7 Capíulo 4 Modelos em Espaço de Esado e Filro de Kalman 38 mulivariado no empo Como é possível observar em (4-12, a equação de esado não muda quando ela vai de uma observação para oura no mesmo empo, mas muda quando vai da observação y,p para y +1,1 O seguine algorimo de filragem é disponibilizado em Durbin & Koopman, 2001, para implemenar o filro de Kalman previamene apresenado Algorimo 1 a 1,1 a 1 P 1,1 P 1 for = 1 o n do for i = 1 o p do F,i = Z,i P,i Z,i + σ 2,i K,i = P,i Z,iF 1,i υ,i = y,i Z,i a,i d,i a,i+1 = a,i + K,i υ,i P,i+1 = P,i K,i F,i K,i end for a +1,1 = T a,p +1 + c P +1,1 = T P,p +1T + R Q R end for um algorimo alernaivo pode ser dado por: Algorimo 2 a 1 a 1 P 1 P 1 for = 1 o n j=1 p j do if Ω hen T else = T ; c = c ; Q = Q T = I; c = 0; Q = 0 end if F = Z P Z + σ 2 K = T P Z F 1 L = T K Z υ = y Z a d a +1 = T a + c + K υ P +1 = T P L R Q R end for para Ω = {p 1, p 1 + p 2,, n j=1 p j} O algorimo 1 é proposo por Durbin & Koopman, e é possível chegar a ele
8 Capíulo 4 Modelos em Espaço de Esado e Filro de Kalman 39 a parir do algorimo 2 Observe que no algorimo 1 é feio o cálculo α,p +1, dispensado no segundo algorimo Por ouro lado, no algorimo alernaivo impõe-se a presença de T quando esa é mariz idenidade e de c e Q quando esas são marizes nulas, o que poderia ser subsiuído eficienemene pela omissão de ais marizes em K, L, a +1 e P +1 Enreano, os cálculos em excesso do algorimo 2 geram menores perdas de eficiência compuacional dada a simplicidade das marizes envolvidas Observe ambém que ese segundo algorimo é consruído com apenas um sub-índice, subsiuindo os dois criados no código anerior, de forma que, odas as indexações do sisema em, i são subsiuídas por 1 j=1 p j + i na nova ordenação Com isso, marizes do sisema do ipo Z,i são represenadas por Z 1 j=1 p j+i Esa simplificação orna o segundo algorimo mais inuiivo Lembrando que a abordagem univariada surge somene com o propósio de solucionar problemas no processo de esimação mulivariada, orna-se necessário recuperar o esado filrado correspondene ao modelo mulivariado Como é sabido a = E(α Y 1 e P = V ar(α Y 1 Enão, do algorimo 1 podemos dizer que a = a,1 e no algorimo 2 resgaamos que a = a 1 j=1 p De forma análoga j+1 emos para a mariz variância covariância do veor de esado dos dois algorimos respecivamene P = P,1 e P = P 1 j=1 p j+1 Escrevendo o modelo em espaço de esado mulivariado para (4-9 e fazendo uso das equações do filro (4-4 é possível recuperar as inovações υ do modelo mulivariado e ouros resulados que sejam de nosso ineresse, pois odos eles são função de a e P Após a obenção das marizes resulanes do filro, é possível consruir os seguines algorimos para suavização Algorimo 3 r n,pn 0 N n,pn 0 for = n o 1 do for i = p o 1 do L,i = I m K,i Z,i r,i 1 = Z,iF 1,i υ,i + L,ir,i N,i 1 = Z,iF 1,i Z,i + L,iN,i L,i ˆα,i = a,i + P,i r,i 1 V,i = P,i P,i N,i 1 P,i
9 Capíulo 4 Modelos em Espaço de Esado e Filro de Kalman 40 end for r 1,p = T 1r,0 N 1,p = T 1N,0 T 1 end for seguine: e o algorimo de suavização correspondene ao algorimo de filragem 2 é o Algorimo 4 r n j=1 p j = 0 N n j=1 p j = 0 for = n j=1 p j o 1 do if Ω hen T else T end if = T = I m L = T K Z r 1 = Z F 1 υ + L r N 1 = Z F 1 Z + L N L ˆα = a + P r 1 V = P P N 1 P end for 45 Inicialização do Filro de Kalman Nas seções aneriores supôs-se o conhecimeno, a priori, de a 1 e P 1, o que nem sempre é facível O problema da inicialização surge quando o veor de esado em pelo menos uma coordenada não esacionária, de forma que incide grande incereza sobre a média e variância dessa coordenada, o que implica em dificuldade para fixação de a 1 e P 1 Decompondo o veor de esado em = 1 como a soma de dois ermos, um conendo as coordenadas esacionárias(m q e o ouro as não esacionárias(q α 1 = a + Aδ + R 0 η 0, η 0 N(0, Q 0 (4-13 onde o veor a de dimensão m 1 é conhecido, δ um veor de dimensão q 1 de quanidades desconhecidas, as marizes A de dimensão m q e R 0 de dimensão m (m q são marizes de seleção, onde cada uma delas conem as colunas da mariz I m correspondenes a coordenadas não esacionárias e esacionárias, respecivamene
10 Capíulo 4 Modelos em Espaço de Esado e Filro de Kalman 41 O veor δ pode ser raado como um veor fixo de parâmeros desconhecidos ou como um veor de variáveis aleaórias normais com variâncias infinias No caso onde δ é fixo e desconhecido sua esimação pode ser feia por máxima verossimilhança; ver Rosenberg(1973 Considerando o segundo caso δ N(0, κi q (4-14 de (4-13 e (4-14 a 1 = E(α 1 = a P 1 = V ar(α 1 = κaa + R 0 Q 0 R 0 = κp + P Se o comporameno do i-ésimo elemeno de α 1 esa descrio por um processo esacionário, enão o i-ésimo elemeno de a é a média incondicional do dio processo e zero se o processo for não esacionário A mariz P é a mariz de variâncias e covariâncias dos processos esacionários de α 1 ; o problema surge na obenção da mariz P Se κ for pré-especificado num valor numéricamene grande (diga-se 10 4 a 10 9 de cera forma esaria refleindo uma grande incereza sobre as coordenadas não esacionárias de α 1 (Harvey and Phillips, 1979 Esa alernaiva de inicialização é chamada big κ e a implemenação é muio simples, mas esa alernaiva não em um susenação eórica saisfaória Além disso pode gerar problemas compuacionais numéricos, ais como diferenes resulados na filragem para diferenes valores de κ e dificuldades de convergência numérica no processo de esimação de parâmeros A oura alernaiva para raar o problema de inicialização das coordenadas não esacionarias é chamada de inicialização exaa, a qual faz uso da expansão de marizes como séries de poência de κ 1 considerando somene os dois ou rês primeiros ermos, e quando fazemos κ obemos o ermo dominane Esa ideia foi inroduzida por Ansley e Kohn (1985, e depois foram considerados em forma mais claros por Koopman (1997, Durbin & Koopman (2001 Quando o veor de esado em pelo menos uma coordenada não esacionária, o processo de inicialização é chamada de inicialização difusa Da mesma forma vai exisir um d N, onde P, 0; d considerada como a pare difusa da filragem As recursões de filragem mudam para d e para valores > d, passando da pare difusa do filro para o filro normal em = d + 1 Mas ambém há que er em consideração o problema que aconece quando a mariz de variâncias e covariâncias das inovações é singular na pare difusa (F, = 0, pois ela pode ser zero ainda quando P, 0 Para isso a filragem na pare difusa se divide
11 Capíulo 4 Modelos em Espaço de Esado e Filro de Kalman 42 em duas pares, uma quando F, 0 e caso conrário As recursões do filro de inicialização difusa são as seguines: F, = Z P, Z F, = Z P, Z + H M, = P, Z M, = P, Z Para P, 0: para F, 0 F (1 F (2 = F 1, = F 1,F, F 1, K (0 = T M, F (1 K (1 = T M, F (2 + T M, F (1 L (0 = T K (0 L (1 = K (1 Z Z υ (0 = y Z a (0 d a (0 +1 = T a (0 + K (0 υ (0 + c P,+1 = T P, L (1 + T P, L (0 + R Q R P,+1 = T P, L (0 : para F, = 0 L (0 = T K (0 L (1 = K (1 Z P,+1 = T P, T P,+1 = T P, L (0 Z + R Q R Quando P, 0 a filragem passa da pare difusa para a não difusa e as recursões de filragem e suavização para > d são as mesmas dadas em (4-4 e (4-5, onde P = P,, a = a (0 e υ = υ (0
12 Capíulo 4 Modelos em Espaço de Esado e Filro de Kalman 43 As recursões do suavizador são dadas por: r (0 d N (0 d = r d = N d r (1 d = 0 N (1 d = 0 N (2 d = 0 r (0 1 = L (0 r (0 r (1 1 = Z F (1 υ (0 + L (0 r (1 + L (0 r (0 N (0 1 = L (0 N L (0 N (1 1 = Z F (1 Z + L (0 N (1 L (0 + L (1 N (0 L (0 + L (0 N (0 L (1 N (2 1 = Z F (2 Z + L (0 N (2 L (0 + L (0 + L (0 N (1 L (1 + L (1 N (0 L (1 + L (1 N (1 L (0 ˆα = a (0 + P, r (0 1 + P, r (1 1 V = P, P, N (0 1P, P, N (1 1P, P, N (1 1P, P, N (2 1P, Como foi dio d é a quanidade de dados necessários aé esabilizar o processo de filragem Não é possível assegurar de forma geral que a quanidade d num modelo em espaço de esado mulivariado com esados não esacionários é o mesmo quando se faz um raameno univariado para séries mulivariadas É imporane mencionar que o valor d geralmene é diferene, dependendo se se faz um raameno univariado ou um raameno mulivariado, pois é simplesmene observar que d depende do valor que ome P, e esa mariz em uma evolução no empo que muda de um raameno para ouro dependendo do valor que ome a mariz T, Z ec; vide exemplo no apêndice 46 Esimação por máxima verossimilhança Nas seções aneriores foram descrios a esruura de um modelo em espaço de esado e a inicialização do processo de filragem Aé esse pono foi considerado que os parâmeros dos quais depende a esruura e comporameno do modelo são conhecidos Nesa seção será raada uma das meodologias usada para a esimação dos parâmeros, que consise na maximização da verossimilhança como função do veor de parâmeros fixos do modelo ou hiperparâmeros 461
13 Capíulo 4 Modelos em Espaço de Esado e Filro de Kalman 44 Evaluação da verossimilhança Seja Y = (y 1,, y, um veor de parâmeros θ e considerando o pono de inicialização do filro a 1 (θ e P 1 (θ A verossimilhança do modelo esá definida por 4 : L(y, θ = p(y 1,, y n ; θ = p(y 1 n p(y Y 1 ; θ Na práica geralmene se rabalha com logarimo da verossimilhança log L(y, θ = =2 n log p(y Y 1 (4-15 onde p(y 1 Y 0 = p(y 1 Para o modelo (4-3 a verossimilhança é dada por: =1 log L(y, θ = np 2 log 2π 1 2 n =1 ( log F + υ F 1 υ (4-16 onde υ e F são obidas do processo de filragem A equação de verossimilhança (4-16 é válida na pare não difusa (o veor de esado só em processos esacionários, enquano que a verossimilhança difusa (o veor de esado em processos não esacionários é dada por: onde: log L d (y, θ = np 2 log 2π 1 2 ω = { d ω 1 2 =1 n =d+1 ( log F + υ F 1 υ log F,, se F, é definido posiivo log F, + υ (0 F, 1 υ (0 se F, = 0 (4-17 Para mais dealhes, ver capíulo 7 de Durbin & Koopman ( Esimação dos parâmeros A esimação por maxima verossimilhança, consise em enconrar um veor ˆθ definido como: ˆθ = arg max L d (y, θ (4-18 θ Considerando d = 0 podemos er que L d (y, θ = L(y, θ Enão pode-se dizer que a equação (4-18 é generalizada para os modelos com esados esacionários e não esacionários 4 para simplificar a noacao iremos considerar p(y Y 1 ; θ = p(y Y 1
14 Capíulo 4 Modelos em Espaço de Esado e Filro de Kalman 45 Definida a relação (4-18 é fácil de ver que a esimação é um problema de oimização com resrições 5 Uma proposa de passos a seguir para a esimação(considerando um modelo que em series não esacionarias no veor de esado é a seguine: consrução de uma função de filragem que calcule F,, υ (0, P, e F, para um veor de parâmeros dado consrução de uma função que calcule a verossimilhança do modelo com os resulados do iem anerior consrução de uma função que oimize funções que enham como argumeno de enrada um veor e reorne um valor real 6 consrução do programa principal onde se faz a leiura da base de dados, chue inicial dos parâmeros, código para rodar a função oimizadora, gráficos, ec O algorimo de oimização faz uso de méodos numéricos para conseguir resolver o problema de oimização Ele basicamene segue os seguines passos: 1 especificação de um valor inicial para o veor de hiperparâmeros ˆθ = θ 0 ; 2 passar a função de filragem para θ 0 ; 3 avaliar a verossimilhança com os resulados obidos da filragem; 4 repeir os passos 1, 2 e 3 com θ j, j = 1, 2, aé aingir um ou mais criérios de parada Os criérios de parada de um algorinmo de oimização não-linear podem ser do seguine ipo: θ j θ j+1 < ε log L d (y, θ j log L d (θ j+1 < ε log L d(y,θ θ θ=θj+1 < ε onde ε j são ipicamene dados por ε 1 = 10 5, ε 2 = ou ε 3 = pois alguns dos hiperparâmeros possuem domínio em subconjuno dos Reais Por exemplo, as variâncias de H e Q são não negaivas 6 Sofwares como Malab, R, Ox, ec possuem biblioecas de oimização não lineares
15 Capíulo 4 Modelos em Espaço de Esado e Filro de Kalman Diagnósicos e medidas de aderência 471 Análise de resíduos Os diagnósicos serão feios sobre as inovações padronizadas (υ (p, as quais são calculadas da seguine forma: υ (p = F 1 2 υ onde F 1 = F 1 2 F 1 2, e os eses ípicamene considerados são os seguines: Tese de heerocedasicidade (exemplo: ese F Tese para correlação serial (exemplo: ese Ljung - Box Tese para independência e mesma disribuição (exemplo: ese BDS Tese de normalidade (exemplo: ese Jarque Bera, Anderson-Darling e alguns procedimenos gráficos e descriivos sobre υ (p que podem ser úeis sao: Plo no empo FAC e FACP (nível ou quadrado Média e variância amosrais Hisograma e QQ-plo 472 Medidas de aderência As medidas de aderência sao calculadas para valorar a qualidade de ajuse do modelo, as medidas consideradas sao as seguines: MAPE = 100 MSE = 1 n d n =d+1 n n d =d+1 y ŷ 1 y ( y ŷ 1 2 Pseudo R 2 ( ˆR 2 = ( Corr(y, ŷ 1 2 ( AIC = 1 2 log L n d (ˆθ + 2(q + w, onde q é o número de coordenadas não esacionarias em α 1, e w é a dimensão de θ ( BIC = 1 2 log L n d (ˆθ + (q + w log n
16 Capíulo 4 Modelos em Espaço de Esado e Filro de Kalman Modelos do preço de peróleo em forma de espaço de esado 481 Modelo SS padrão O modelo SS padrão em forma de espaço de esado para as 13 mauridades com as quais se fará a esimação, esá represenado pelas seguines equações: Equação de Medidas ln F,τ1 ln F,τ2 = ln F,τ13 ξ A (τ 1 A (τ 2 A (τ 13 Equação de Esado ( ( ( χ 0 = + µ ξ + ( e κ e κτ 1 1 e κτ ( 2 1 e κτ 13 1 χ ξ χ ξ ( + + ω 1, ω 2, υ,τ1 υ,τ2 υ,τ13 (4-19 (4-20 Consideramos υ,τ1,, υ,τ13 descorrelaados Isso não quer dizer que as séries de preços a diversas mauridades sejam descorrelaadas, pois elas são função do mesmo veor de esado, e assim isso faz com que elas conservem a correlação capurada pelos faores O seguine comporameno para os erros da equação de medidas υ,τ1 υ,τ2 υ,τ13 0 συ N 0, 0 σ 2 υ συ 2 13 As esimação dos parâmeros fixos do modelo é efeuada sobre os seguines subespaços paraméricos Tabela 43: Espaços paraméricos Símbolo Espaço paramerico σ χ R + σ ξ R + µ ξ R µ ξ R κ < 0, 1 12 ρ χξ [0, 1] λ χ R σ υi R +, i = 1,, 13
17 Capíulo 4 Modelos em Espaço de Esado e Filro de Kalman 48 Considerar que a mariz de variância-covariância dos erros da equação das medidas seja diagonal é imporane por dois moivos: o primeiro deles em a ver com a correlação capurada pelos faores, pois eles são imporanes para a esimação do preço spo e a informação embuida neles ajuda a esimar o preço spo de forma mais adequada O ouro moivo é que o modelo fica mais simples para esimar, e é possível fazer o raameno univariado para séries mulivariadas sem muias complicações 7, eviando assim problemas nos processos de oimização e de inicialização 482 Modelo SS com drif esocásico As seguines equações apresenam o modelo com drif esocásico na forma de espaço de esado Equação de medidas ln F,τ1 ln F,τ2 ln F,τ13 = B (τ 1 B (τ 2 B (τ 13 + e κχτ e κ µτ 1 κ µ e κ χτ e κµτ 2 κ µ e κχτ e κ µτ 13 κ µ χ ξ µ + υ,τ1 υ,τ2 υ,τ13 Equação de esado χ ξ µ = e κ χ e κµ χ ξ µ + ω 1, ω 2, ω 3, onde ω 1, = σ χ z χ, ω 2, = σ ξ z ξ e ω 3, = σ µ z µ É assumida a seguine disribuição para o veor de erros da equação de esado ω 1, ω 2, ω 3, N 0 0 0, σ 2 χ ρ χξ σ χ σ ξ 0 ρ χξ σ χ σ ξ σ 2 ξ σ 2 µ 7 Quando a mariz de variâncias covariâncias dos erros da equação de medidas não é diagonal é possível fazer ese raameno, mas orna necessário realizar modificações na esruura do modelo, como, por exemplo, mudanças nas marizes do sisema (Durbin & Koopman, 2001
18 Capíulo 4 Modelos em Espaço de Esado e Filro de Kalman Modelo mulivariado para o peróleo e derivados Consideremos d derivados com h i preços fuuros, i = 1,, d e r com preço spo O modelo em forma de espaço de esado será dado pelas seguines equações: Equação de Medidas onde: Y = ln F (1,τ 1 ln F (1,τ h1 ln F (d,τ 1 ln F (d,τ hd ln S (d+1 ṭ ln S (d+r Y = B + AΥ + υ (4-21 B1(τ 1 B 1(τ h1, B = Bd (τ 1, υ = Bd (τ h d φ d+1,0 φ d+r,0 υ (1,τ 1 υ (1,τ h1 υ (d,τ 1 υ (d,τ hd υ (d+1 υ (d+r A = φ 1,1 e κ Xτ 1 φ 1,2 φ 1,2 κ U (1 e κ U τ 1 φ 1,1 e κ Xτ h1 φ 1,2 φ 1,2 κ U (1 e κ U τ h1 φ d,1 e κ Xτ 1 φ d,2 φ d,2 κ U (1 e κ U τ 1 φ d,1 e κ Xτ hd φ d,2 φ d,2 κ U (1 e κ U τ hd φ d+1,1 φ d+1,2 0 φ d+r,1 φ d+r,2 0, Υ = X E U Equação de Esado X e κ X 0 0 = 0 1 E U 0 0 e κ U X E U + w 1, w 2, w 3, (4-22
19 Capíulo 4 Modelos em Espaço de Esado e Filro de Kalman 50 w 1, w 2, w 3, N 0 0 0, σ 2 X ρ XEσ X σ E 0 ρ XE σ X σ E σ 2 E σ 2 U A esimação dese modelo será efeuada usando os derivados apresenados na Tabela 31 São considerando 3 preços fuuros por derivado, quando ese derivadao apresenar mercado fuuro Da equação (4-21 emos que h i = 3 para os d = 4 derivados com preços fuuros e r = 7, com preços spo Os erros da equação de medidas são assumidos com disribuição normal com média zero e mariz de variância diagonal, onde συ 2 τ,i é a variância do erro correspondene ao preço fuuro com mauridade τ do derivado i Enquano que συ,i 2 é a variância do erro correspondene ao preço spo do derivado i
5.1. 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 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 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 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 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 maisSéries temporais Modelos de suavização exponencial. Séries de temporais Modelos de suavização exponencial
Programa de Pós-graduação em Engenharia de Produção Análise de séries de empo: modelos de suavização exponencial Profa. Dra. Liane Werner Séries emporais A maioria dos méodos de previsão se baseiam na
Leia mais4 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 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 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 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 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 maisIntrodução ao Controle Ótimo: Otimização de funções e funcionais. Otimização paramétrica. Problema de controle ótimo com tempo final fixo.
Inrodução ao Conrole Óimo: Oimização de funções e funcionais. Oimização paramérica. Problema de conrole óimo com empo final fio. Oimização Deerminação de uma ação que proporciona um máimo de benefício,
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 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 maisforma em espaço de estado e filtro de Kalman
forma em espaço de esado e filro de Kalman 62 Forma em espaço de esado: definida por duas equações esocásicas eq. das medidas: eq. do esado: esado (não observável) condição inicial: 63 Modelo SS na forma
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 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 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 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 maisEconometria Semestre
Economeria Semesre 00.0 6 6 CAPÍTULO ECONOMETRIA DE SÉRIES TEMPORAIS CONCEITOS BÁSICOS.. ALGUMAS SÉRIES TEMPORAIS BRASILEIRAS Nesa seção apresenamos algumas séries econômicas, semelhanes às exibidas por
Leia 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 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 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 mais6 Análise do processo de filtragem
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
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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 maisIII Congresso da Sociedade Portuguesa de Estatística Guimarães, 26 a 28 Junho 1995
1 III Congresso da Sociedade Poruguesa de Esaísica Guimarães, 26 a 28 Junho 1995 Políicas Ópimas e Quase-Ópimas de Inspecção de um Sisema Sujeio a Falhas Cláudia Nunes, João Amaral Deparameno de Maemáica,
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 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 maisCapítulo 2: Proposta de um Novo Retificador Trifásico
30 Capíulo 2: Proposa de um Novo Reificador Trifásico O mecanismo do descobrimeno não é lógico e inelecual. É uma iluminação suberrânea, quase um êxase. Em seguida, é cero, a ineligência analisa e a experiência
Leia 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 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 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 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 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 maisA base de dados do presente Trabalho é constituída dos retornos 15 observados no período entre 03/01/2001 e 30/06/
5 esulados 5. Base de Dados A base de dados do presene Trabalho é consiuída dos reornos 5 observados no período enre 3// e 3/6/9 6 das seguines séries financeiras: Taxa de câmbio enre as moedas brasileira
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 Modelagem e metodologia de pesquisa
4 Modelagem e meodologia de pesquisa Nese capíulo será apresenada a meodologia adoada nese rabalho para a aplicação e desenvolvimeno de um modelo de programação maemáica linear misa, onde a função-objeivo,
Leia 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 maisDEPARTAMENTO DE ESTATÍSTICA - UFSCar 6 a Lista de exercício de Teoria de Matrizes 28/06/2017
DEPARTAMENTO DE ESTATÍSTICA - UFSCar 6 a Lisa de exercício de Teoria de Marizes 8/06/017 1 Uma pesquisa foi realizada para se avaliar os preços dos imóveis na cidade de Milwaukee, Wisconsin 0 imóveis foram
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 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 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 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 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 maisREDUÇÃO DE DIMENSIONALIDADE
Análise de componenes e discriminanes REDUÇÃO DE DIMENSIONALIDADE Uma esraégia para abordar o problema da praga da dimensionalidade é realizar uma redução da dimensionalidade por meio de uma ransformação
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 maisComportamento Assimptótico dos Mínimos Quadrados. Questão: Será que a estimativa de mínimos quadrados converge para o valor verdadeiro dos parâmetros?
Modelação, Idenificação e Conrolo Digial 4-Idenificação Paramérica 36 Comporameno Assimpóico dos Mínimos Quadrados Quesão: Será que a esimaiva de mínimos quadrados converge para o valor verdadeiro dos
Leia maisDEMOGRAFIA. Assim, no processo de planeamento é muito importante conhecer a POPULAÇÃO porque:
DEMOGRAFIA Fone: Ferreira, J. Anunes Demografia, CESUR, Lisboa Inrodução A imporância da demografia no planeameno regional e urbano O processo de planeameno em como fim úlimo fomenar uma organização das
Leia maisCap. 5 - Tiristores 1
Cap. 5 - Tirisores 1 Tirisor é a designação genérica para disposiivos que êm a caracerísica esacionária ensão- -correne com duas zonas no 1º quadrane. Numa primeira zona (zona 1) as correnes são baixas,
Leia 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 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 maisAnálise de Pós-optimização e de Sensibilidade
CPÍULO nálise de Pós-opimização e de Sensibilidade. Inrodução Uma das arefas mais delicadas no desenvolvimeno práico dos modelos de PL, relaciona-se com a obenção de esimaivas credíveis para os parâmeros
Leia maisVoo Nivelado - Avião a Hélice
- Avião a Hélice 763 º Ano da icenciaura em ngenharia Aeronáuica edro. Gamboa - 008. oo de ruzeiro De modo a prosseguir o esudo analíico do desempenho, é conveniene separar as aeronaves por ipo de moor
Leia maisIncertezas na Robótica Móvel Filtros Bibliografia Recomendada. EESC-USP M. Becker /78
Aula 5 Inrodução à Robóica Móvel Lidando com Incerezas Prof. Dr. Marcelo Becker EESC - USP Sumário da Aula Inrodução às Incerezas Incerezas na Robóica Móvel Filros Bibliografia Recomendada EESC-USP M.
Leia maisUNIVERSIDADE FEDERAL DE JUIZ DE FORA DEPARTAMENTO DE ESTATÍSTICA CURSO DE ESTATÍSTICA
UNIVERSIDADE FEDERAL DE JUIZ DE FORA DEPARAMENO DE ESAÍSICA CURSO DE ESAÍSICA Isabela Abreu Curim Uma Revisão de Modelos Lineares Dinâmicos Juiz de Fora 2014 Isabela Abreu Curim Uma Revisão de Modelos
Leia 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 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 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 mais4 Modelos teóricos para a ETTJ
4 Modelos eóricos para a ETTJ 4.1. Inrodução No capíulo 3, descrevemos e eemplificamos a ETTJ observada e alguns conceios a ela relacionados. Nesa seção, vamos descrever a eoria por rás dos modelos da
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 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 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 maisComportamento Assimptótico dos Mínimos Quadrados Questão: Será que a estimativa de mínimos quadrados converge para o valor verdadeiro dos parâmetros?
Conrolo por Compuador 3-Idenificação J. Miranda Lemos IST-DEEC Área Cienífica de Sisemas, Decisão e Conrolo 05 Comporameno Assimpóico dos Mínimos Quadrados Quesão: Será que a esimaiva de mínimos quadrados
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 mais4 Distribuições univariadas e multivariadas de retornos e volatilidades
35 4 Disribuições univariadas e mulivariadas de reornos e volailidades 4.1. Disribuições Condicionais Univariadas de Reornos Caracerizar disribuições (incondicionais) de reornos de aivos é uma preocupação
Leia maisEstimação em Modelos de Volatilidade Estocástica com Memória Longa
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL INSTITUTO DE MATEMÁTICA DEPARTAMENTO DE ESTATÍSTICA Esimação em Modelos de Volailidade Esocásica com Memória Longa Auor: Gusavo Correa Leie Orienador: Professor
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 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 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 mais2 Formulação do Problema
30 Formulação do roblema.1. Dedução da Equação de Movimeno de uma iga sobre Fundação Elásica. Seja a porção de viga infinia de seção ransversal consane mosrada na Figura.1 apoiada sobre uma base elásica
Leia maisENGF93 Análise de Processos e Sistemas I
ENGF93 Análise de Processos e Sisemas I Prof a. Karen Pones Revisão: 3 de agoso 4 Sinais e Sisemas Tamanho do sinal Ampliude do sinal varia com o empo, logo a medida de seu amanho deve considerar ampliude
Leia mais4 Metodologia e resultados preliminares para análise de velocidade utilizando o gradiente descendente
4 Meodologia e resulados preliminares para análise de velocidade uilizando o gradiene descendene O processameno uilizando diferenes equações de sobreempo normal para a obenção de análise de velocidade
Leia maisIntrodução aos Sinais
UNIVASF Análise de Sinais e Sisemas Inrodução aos Sinais Prof. Rodrigo Ramos godoga@gmail.com Classificação de Sinais Sinais Sinais geralmene ransporam informações a respeio do esado ou do comporameno
Leia 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 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 maisIntervalos de confiança baseados em Deviance para os hiperparâmetros em modelos estruturais. Thiago Barbosa Ceccotti
Inervalos de confiança baseados em Deviance para os hiperparâmeros em modelos esruurais Thiago Barbosa Ceccoi Universidade Federeal de Minas Gerais Insiuo de Ciências Exaas Deparameno de Esaísica Inervalos
Leia maisRacionalidade e Previsibilidade no Mercado Brasileiro de Ações: Uma Aplicação de Modelos de Valor Presente
Racionalidade e Previsibilidade no Mercado Brasileiro de Ações: Uma Aplicação de Modelos de Valor Presene Claudine Furado Anchie João Vicor Issler Escola de Pós-Graduação em Economia - EPGE Fundação Geulio
Leia maisPrevisão de consumos a curto prazo
Previsão de consumos a curo prazo Séries emporais Cláudio Moneiro Disribuição de Energia II 5º ano da LEEC - ramo de Energia (FEUP) Séries emporais Esa é a meodologia clássica mais popular para a previsão
Leia mais5.3 Escalonamento FCFS (First-Come, First Served)
c prof. Carlos Maziero Escalonameno FCFS (Firs-Come, Firs Served) 26 5.3 Escalonameno FCFS (Firs-Come, Firs Served) A forma de escalonameno mais elemenar consise em simplesmene aender as arefas em sequência,
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 mais