Modelos para Dados de Contagem com Estrutura Temporal
|
|
- Suzana Carlos Costa
- 6 Há anos
- Visualizações:
Transcrição
1 Modelos para Dados de Conagem com Esruura Temporal João Baisa de Morais Pereira Universidade Federal do Rio de Janeiro Insiuo de Maemáica Deparameno de Méodos Esaísicos 2010
2
3 P436 Pereira, João Baisa de Morais Modelos para dados de conagem com esruura emporal / João Baisa de Morais Pereira. -- Rio de Janeiro : IM/UFRJ, xix,162f. : il. ;30 cm. Orienador: Alexandra Mello Schmid e Helio dos Sanos Migon. Disseração (mesrado) UFRJ/IM. Programa de pós-graduação em Esaísica, Referências: f Teoria da decisão esaísica bayesiana -Tese. 2.processos de markov - Tese. Schmid, Alexandra Mello. II. Migon, Helio dos Sanos. III.Universidade Federal do Rio de Janeiro. Insiuo de Maemáica. CDD 20 a : iii
4 Aos meus pais, pela educação, exemplo e incenivo que sempre me deram. iv
5 A esrada em frene vai seguindo Deixando a pora onde começa. Agora longe já vai indo, Devo seguir, nada me impeça; Por seus percalços vão meus pés, Aé a junção com a grande esrada, De muias sendas aravés. Que vem depois? Não sei mais nada. (Trecho de O Senhor dos Anéis - J. R. R. Tolkien) v
6 Agradecimenos Em primeiro lugar, agradeço a Deus pelo Seu amor, misericórdia e providência (muias vezes disfarçada de aleaoriedade) na minha vida. Por esar comigo em odos os momenos, mesmo naqueles em que eu não soube reconhecer Sua presença, renovando minha esperança e me moivando a coninuar. Agradeço pelas oporunidades únicas que fez surgir na minha vida e pelas pessoas maravilhosas que colocou no meu caminho. À Nossa Senhora, agradeço pela sua inercessão consane e pelas graças que sempre derramou e coninua derramando na minha vida. Agradeço à minha irmã Josiane e minha sobrinha Kassiane, a quem muias vezes deixei na mão na hora das brincadeiras, por esar ocupado esudando. De forma muio especial, agradeço aos meus pais, Laurinda e Fruuozo, que são os responsáveis por eu er chegado aé aqui aravés do apoio e incenivo que sempre me deram, da educação que sempre me proporcionaram, do amor que sempre me dispensaram e dos sacrifícios que sempre fizeram e ainda fazem por mim. Agradeço pelos momenos de preocupação e por comparilharem comigo minhas conquisas como se fossem deles próprios. Obrigado por odos os ensinamenos, exorações e carinho! Agradeço aos meus grandes amigos Felipe, Anderson, Diego, Adenilson, Carla, Cibele, Anderson Rods e Graziele, que fazem pare da minha vida há anos anos e que Deus escolheu para serem minha companhia para o desino. Agradeço às minhas amigas queridas Kelly e Larissa, que me acompanharam durane eses dois anos de mesrado. Dividimos experiências, preocupações e noies em claro, mas ambém dividimos alegrias, risadas e bons momenos. Vocês fazem pare da minha vida! À querida Camila, que me acompanhou de maneira ão especial durane ese úlimo ano, agradeço pelo amor, carinho, companhia, exemplo, conselhos, apoio e incenivo, sempre! Aos meus amigos e companheiros de deparameno, em especial Targino, Nassif, Thiago, Vinícius, Alexandre, vi
7 Sheila, Josi, Parícia, Mari e Val. Obrigado pelas experiências rocadas e momenos comparilhados! Enfim, agradeço a odos os amigos que Deus colocou no meu caminho. Amigos que, de maneira direa ou indirea, ambém são responsáveis por eu er chegado aé aqui! À minha orienadora Alexandra M. Schmid, agradeço por odo apoio e incenivo que sempre recebi, pela preocupação que sempre demonsrou com o meu fuuro e por sempre acrediar no meu poencial. Agradeço pelas oporunidades que me mosrou, pelas experiências que me ransmiiu e pela dedicação que sempre me dispensou durane anos anos em que rabalhamos junos. Ao meu co-orienador Helio S. Migon, agradeço pela oporunidade de rabalhar com ão excelene profissional que me ransmiiu, e ainda me ransmie, anas experiências e conhecimeno. Agradeço aos professores do programa de pós-graduação em Esaísica da UFRJ que, de uma forma ou de oura, conribuíram para a minha formação. Agradeço à CAPES e à FAPERJ pelo financiameno dos meus esudos, os quais seriam praicamene impossíveis sem ese apoio financeiro. Por fim, agradeço aos professores Dani Gamerman e Cibele Q. da-silva por aceiarem fazer pare da minha banca. vii
8 Resumo Nese esudo, discuimos a aplicação de modelos da classe dos modelos lineares dinâmicos generalizados (MLDG) e o modelo Poisson auoregressivo (PAR) na modelagem de séries emporais de conagens. Enre os modelos discuidos, consideramos modelos de sobredispersão, modelos com esruura sazonal e modelos de misura para dados de conagem inflacionados de zeros. Nosso ineresse é verificar as vanagens e desvanagens enre as diferenes modelagens e que informações cada uma desas pode revelar a respeio do processo sob esudo. Todo o procedimeno de inferência é feio sob o enfoque bayesiano, iso é, aribuímos uma disribuição a priori para os parâmeros de ineresse de cada modelo a fim de ober a disribuição a poseriori, que, em nosso caso, não é conhecida. Méodos de Mone Carlo via cadeias de Markov (MCMC na sigla em inglês) são uilizados para ober amosras desa disribuição. Em modelos dinâmicos, ober amosras da disribuição a poseriori dos parâmeros de ineresse exige cera cauela. Há diferenes proposas na lieraura sugerindo diferenes maneiras de se ober amosras deses parâmeros. Enre as mais recenes esá o CUBS (do inglês Conjugae Updaing Backward Sampling), proposo por Ravines e al. (2007). Nese rabalho, ambém emos ineresse em discuir esa meodologia aplicada na esimação de parâmeros de modelos dinâmicos para séries emporais de conagens e invesigar o seu desempenho. Palavras-Chaves: dados de conagem, modelos dinâmicos, modelo Poisson auoregressivo, sobredispersão, modelos de misura, inferência bayesiana, Mone Carlo via cadeias de Markov. viii
9 Absrac In his sudy, we discuss he implemenaion of models in he class of dynamic generalized linear models (MLDG) and he Poisson auoregressive model (PAR) in he modelling of ime series coun daa. Among he discussed models, we consider overdispersion models, models wih seasonal paerns and zero-inflaed coun daa models. Our ineres is o verify he advanages and disadvanages among he differen modelling approaches and wha informaion each of hese approaches may reveal abou he process under sudy. All he inference procedure is made under he Bayesian approach, ha is, we aribue a prior disribuion for he parameers of ineres of each model in order o obain he poserior disribuion, which in our case, is no known. Markov chain Mone Carlo mehods (MCMC) are used o obain samples of his disribuion. In dynamic models, o obain samples from he poserior disribuion of he parameers of ineres requires some cauion. There are differen proposals in he lieraure suggesing differen ways o obain samples of hese parameers. Among he mos recen is he CUBS (Conjugae Updaing Backward Sampling), proposed by Ravines e al. (2007). In his work, we are also ineresed in discussing his mehodology in he esimaion of parameers of dynamic models for ime series coun daa and o invesigae is performance. Keywords: coun daa, dynamic models, Poisson auoregressive model, overdispersion, mixure models, Bayesian inference, Markov chain Mone Carlo. ix
10 Sumário 1 Inrodução 1 2 Modelos Dinâmicos e Méodos de Esimação Inferência Bayesiana Esimação Ponual Esimação por Inervalo Previsão Méodos de Mone Carlo via Cadeias de Markov Amosrador de Gibbs Algorimo de Meropolis-Hasings Modelos Dinâmicos Modelos Lineares Dinâmicos (MLD) Modelos Lineares Dinâmicos Generalizados (MLDG) Esquemas de Amosragem em Modelos Dinâmicos Esquema de Amosragem proposo por Gamerman (1998) CUBS Modelos de Sobredispersão para Dados de Conagem Modelos Dinâmicos para Dados de Conagem Modelo Poisson Dinâmico Modelo Binomial Negaivo Dinâmico Modelo Poisson-Lognormal Dinâmico Modelo Dinâmico com Esruura Sazonal x
11 3.2 Modelo Poisson Auoregressivo (PAR) Modelo PAR com Esruura Sazonal Criérios de Comparação e Diagnósico de Modelos Verossimilhança Prediiva Resíduos Recursivos Aplicação Procedimeno de Inferência Resulados Comparação enre os Modelos Ajusados Modelos para Dados de Conagem Inflacionados de Zeros Modelos para Dados Inflacionados de Zeros Aplicação Procedimeno de Inferência Invesigando o Desempenho do CUBS Resulados Comparação enre os Modelos Ajusados Conclusões 125 A Disribuições Condicionais Compleas dos Parâmeros dos Modelos Ajusados 129 A.1 Modelos Dinâmicos A.1.1 Modelo Poisson Dinâmico A.1.2 Modelo Binomial Negaivo Dinâmico A.1.3 Modelo Poisson-Lognormal Dinâmico A.2 Modelos Dinâmicos Sazonais A.2.1 Modelo Poisson Dinâmico com Esruura Sazonal A.2.2 Modelo Binomial Negaivo Dinâmico com Esruura Sazonal A.2.3 Modelo Poisson-Lognormal Dinâmico com Esruura Sazonal A.3 Modelo PAR xi
12 A.3.1 Modelo PAR com Esruura Sazonal A.3.2 Modelo PAR sem Esruura Sazonal A.4 Modelos para Dados Inflacionados de Zeros A.4.1 Modelo ZIP Dinâmico A.4.2 Modelo ZINB Dinâmico A.4.3 Modelo ZIP-LN Dinâmico B Cálculos das Disribuições Proposas para os Parâmeros de Esado dos Modelos Ajusados 146 B.1 Disribuição Proposa Calculada pelo CUBS B.2 Disribuição Proposa Calculada pelo Algorimo Proposo por Gamerman (1998) C Traços das Cadeias dos Parâmeros de Esado dos Modelos Dinâmicos Ajusados 152 C.1 Aplicação C.2 Aplicação xii
13 Lisa de Tabelas 3.1 Esaísicas descriivas da série emporal do número de requerenes do benefício por perda salarial causada por acidenes de rabalho Taxas de aceiação dos valores proposos pelo CUBS para o veor paramérico de esados para cada um dos modelos dinâmicos ajusados Esimaivas a poseriori dos parâmeros esáicos dos modelos ajusados com respecivos inervalos de 95% de credibilidade a poseriori Esimaivas a poseriori dos parâmeros esáicos dos modelos ajusados com respecivos inervalos de 95% de credibilidade a poseriori Esimaivas a poseriori dos parâmeros esáicos dos modelos ajusados com respecivos inervalos de 95% de credibilidade a poseriori Esimaivas a poseriori dos parâmeros do modelo Poisson auoregressivo com respecivos inervalos de 95% de credibilidade a poseriori Verossimilhança prediiva dos modelos ajusados Esaísicas descriivas da série emporal do número de casos de dengue noificados no bairro da Mangueira no município do Rio de Janeiro Taxas de aceiação média dos valores proposos pelo algorimo proposo por Gamerman (1998) para os elemenos do veor paramérico de esados para cada um dos modelos dinâmicos ajusados Esimaivas a poseriori dos parâmeros esáicos dos modelos ajusados com respecivos inervalos de 95% de credibilidade a poseriori Esimaivas a poseriori dos parâmeros esáicos dos modelos ajusados com respecivos inervalos de 95% de credibilidade a poseriori xiii
14 4.5 Esimaivas a poseriori dos parâmeros do modelo Poisson auoregressivo com respecivos inervalos de 95% de credibilidade a poseriori Verossimilhança prediiva dos modelos ajusados xiv
15 Lisa de Figuras 3.1 Série de valores simulados λ, para = 1,..., Sobredispersão λ 2 /ε = λ 2 (exp(v ) 1), para = 1,..., 100, para alguns valores de ε e V Série emporal do número de requerenes do benefício por perda salarial causada por acidenes de rabalho Auocorrelação enre os valores do número de requerenes do benefício por perda salarial causada por acidenes de rabalho Média a poseriori do nível µ, para = 1,..., 120, com respecivos inervalos de 95% de credibilidade a poseriori Média a poseriori do nível θ 1, para = 1,..., 120, com respecivos inervalos de 95% de credibilidade a poseriori Média a poseriori do efeio sazonal θ 2, para = 1,..., 120, com respecivos inervalos de 95% de credibilidade a poseriori Média a poseriori do efeio sazonal θ 3, para = 1,..., 120, com respecivos inervalos de 95% de credibilidade a poseriori Média a poseriori do parâmero λ, para = 1,..., 120, com respecivos inervalos de 95% de credibilidade a poseriori para os modelos dinâmicos sem esruura sazonal Média a poseriori do parâmero λ, para = 1,..., 120, com respecivos inervalos de 95% de credibilidade a poseriori para os modelos dinâmicos com esruura sazonal Média a poseriori do parâmero de sobredispersão δ, para = 1,..., 120, com respecivos inervalos de 95% de credibilidade a poseriori xv
16 3.12 Média a poseriori da sobredispersão λ 2 /ε (modelo binomial negaivo e binomial negaivo sazonal) e λ 2 exp(2ξ + V )(exp(v ) 1) (modelo Poissonlognormal e Poisson-lognormal sazonal), para = 1,..., 120, com respecivos inervalos de 95% de credibilidade a poseriori Hisograma e média a poseriori da variância da evolução do nível W Hisograma e média a poseriori da variância da evolução do nível W Hisograma e média a poseriori da variância da evolução dos efeios sazonais W Hisograma e média a poseriori do parâmero ε (modelo binomial negaivo e binomial negaivo sazonal) e do parâmero V (modelo Poisson-lognormal e Poisson-lognormal sazonal) Média a poseriori do parâmero λ, para = 1,..., 120, com respecivos inervalos de 95% de credibilidade a poseriori e hisogramas dos parâmeros β 0, β 1, β 2 e α com respecivas médias a poseriori Mediana a poseriori dos valores replicados Y rep,, para = 1,..., 120, com respecivos inervalos de 95% de credibilidade a poseriori (área hachurada) para os modelos dinâmicos sem esruura sazonal Mediana a poseriori dos valores replicados Y rep,, para = 1,..., 120, com respecivos inervalos de 95% de credibilidade a poseriori (área hachurada) para os modelos dinâmicos com esruura sazonal e modelo PAR sazonal Gráficos da análise de resíduos do modelo Poisson dinâmico e modelo binomial negaivo dinâmico Gráficos da análise de resíduos do modelo Poisson-lognormal dinâmico com ξ = V/2 e com ξ = Gráficos da análise de resíduos do modelo Poisson dinâmico sazonal e modelo binomial negaivo sazonal Gráficos da análise de resíduos do modelo Poisson-lognormal dinâmico sazonal com ξ = V/2 e com ξ = Gráficos da análise de resíduos do modelo PAR com esruura sazonal.. 79 xvi
17 4.1 Série emporal do número de casos de dengue noificados no bairro da Mangueira no município do Rio de Janeiro Gráfico da proporção dos valores observados do número de casos de dengue noificados no bairro da Mangueira no município do Rio de Janeiro Auocorrelação enre os valores do número de casos de dengue noificados no bairro da Mangueira no município do Rio de Janeiro Comparação enre as aproximações de Taylor e valores aproximados por Newon-Raphson dos momenos a priori α e β do predior linear ϕ = log(λ ), para = 1,..., Comparação enre os méodos de esimação para os parâmeros de esado µ, para = 1,..., 77, para a série emporal do número de casos de dengue noificados no bairro da Mangueira no município do Rio de Janeiro Comparação enre os méodos de esimação para os parâmeros de esado µ, para = 1,..., 77, para a série emporal arificial gerada a parir da série emporal do número de casos de dengue noificados no bairro da Mangueira no município do Rio de Janeiro Média a poseriori do nível µ, para = 1,..., 77, com respecivos inervalos de 95% de credibilidade a poseriori para o modelo Poisson, binomial negaivo e Poisson-lognormal Média a poseriori do nível µ, para = 1,..., 77, com respecivos inervalos de 95% de credibilidade a poseriori para os modelos para dados inflacionados de zeros Média a poseriori do parâmero λ, para = 1,..., 77, com respecivos inervalos de 95% de credibilidade a poseriori para o modelo Poisson, binomial negaivo e Poisson-lognormal Média a poseriori do parâmero λ, para = 1,..., 77, com respecivos inervalos de 95% de credibilidade a poseriori para os modelos para dados inflacionados de zeros Média a poseriori do parâmero de sobredispersão δ, para = 1,..., 77, com respecivos inervalos de 95% de credibilidade a poseriori xvii
18 4.12 Média a poseriori da sobredispersão λ 2 /ε (modelo binomial negaivo e ZINB) e λ 2 exp(2ξ+v )(exp(v ) 1) (modelo Poisson-lognormal e ZIP-LN), para = 1,..., 77, com respecivos inervalos de 95% de credibilidade a poseriori Hisograma e média a poseriori da variância da evolução do nível W para o modelo Poisson, binomial negaivo e Poisson-lognormal Hisograma e média a poseriori da variância da evolução do nível W para os modelos para dados inflacionados de zeros Hisograma e média a poseriori do parâmero ε (modelo binomial negaivo e ZINB) e do parâmero V (modelo Poisson-lognormal e ZIP-lognormal) Hisograma e média a poseriori da probabilidade ζ Média a poseriori da probabilidade p = P (X = 1 Y = 0), para = 1,..., 77, com respecivos inervalos de 95% de credibilidade a poseriori Hisogramas dos parâmeros λ 1, λ e α com respecivas médias a poseriori Mediana a poseriori dos valores replicados Y rep,, para = 1,..., 77, com respecivos inervalos de 95% de credibilidade a poseriori (área hachurada) para o modelo Poisson, binomial negaivo e Poisson-lognormal Mediana a poseriori dos valores replicados Y rep,, para = 1,..., 77, com respecivos inervalos de 95% de credibilidade a poseriori (área hachurada) para os modelos para dados inflacionados de zeros e modelo PAR sazonal Gráficos da análise de resíduos do modelo Poisson dinâmico e modelo binomial negaivo dinâmico Gráficos da análise de resíduos do modelo Poisson-lognormal dinâmico com ξ = V/2 e com ξ = Gráficos da análise de resíduos do modelo ZIP dinâmico e modelo ZINB dinâmico Gráficos da análise de resíduos do modelo ZIP-lognormal dinâmico com ξ = V/2 e com ξ = Gráficos da análise de resíduos do modelo PAR xviii
19 C.1 Traços das cadeias dos parâmeros de esado µ 10, µ 40, µ 70 e µ 100 com respecivas médias a poseriori C.2 Traços das cadeias dos parâmeros de esado θ 10,1, θ 40,1, θ 70,1 e θ 100,1 com respecivas médias a poseriori C.3 Traços das cadeias dos parâmeros de esado θ 10,2, θ 40,2, θ 70,2 e θ 100,2 com respecivas médias a poseriori C.4 Traços das cadeias dos parâmeros de esado θ 10,3, θ 40,3, θ 70,3 e θ 100,3 com respecivas médias a poseriori C.5 Traços das cadeias dos parâmeros de esado µ 10, µ 30, µ 50 e µ 70 com respecivas médias a poseriori C.6 Traços das cadeias dos parâmeros de esado µ 10, µ 30, µ 50 e µ 70 com respecivas médias a poseriori xix
20 Capíulo 1 Inrodução Modelos para dados de conagem são amplamene empregados nas mais diversas áreas de esudo para a modelagem de diversos fenômenos. Em Conrole de Qualidade, por exemplo, usualmene uiliza-se uma disribuição binomial na modelagem do número de peças defeiuosas de uma linha de produção. Em Epidemiologia, é comum uilizar-se uma disribuição de Poisson para modelar o número de indíviduos que sofrem de uma deerminada doença. Fenômenos dese ipo são, geralmene, caracerizados por uma evolução emporal. Ainda no conexo de Epidemiologia, podemos, por exemplo, esar ineressados em modelar o número de indíviduos que sofrem de uma deerminada doença aravés do empo. Para ese ipo de dado, a esruura emporal deve ser levada em cona na modelagem. Uma classe de modelos que vem sendo cada vez mais explorada para a modelagem de dados não-normais com esruura emporal é a classe dos modelos dinâmicos bayesianos generalizados, que foram inroduzidos por Wes e al. (1985) e são amplamene discuidos em Wes e Harrison (1997). Paricularmene, para a modelagem de dados de conagem com esruura emporal, um dos modelos dinâmicos comumene uilizados é o modelo Poisson dinâmico em que assumimos que média e variância do processo sob observação são iguais e evoluem no empo aravés de uma esruura dinâmica. Enreano, o que ocorre geralmene em dados de conagem é que a variância do processo sob observação é maior que a média, fenômeno ese que chamamos de sobredispersão. De forma paricular, a esruura dinâmica imposa à média da disribuição de Poisson no modelo Poisson 1
21 dinâmico é capaz de capurar algum efeio de sobredispersão, porém pode não ser suficiene para explicar oda a variação do processo sob observação. Para capurar a variação exra, pode-se, enão, considerar modelos de misura ais como o modelo Poisson-gama dinâmico ou Poisson-lognormal dinâmico. Esas misuras são equivalenes à inclusão de efeios aleaórios na média da disribuição de Poisson e já foram discuidas por Scollnik (1995) e por Kim e al. (2002). Em muias siuações, a variação exra nos dados pode ser provocada por excesso de valores 0 (zero) nas observações. Nese caso, modelos para dados de conagem inflacionados de zeros como, por exemplo, o modelo ZIP (do inglês Zero Inflaed Poisson) podem ser considerados. Para dados de conagem com esruura emporal, como é o caso, o modelo ZIP dinâmico pode ser considerado. Traa-se especificamene de uma misura enre uma disribuição de Poisson e uma disribuição de Bernoulli com o objeivo de inflacionar a probabilidade da ocorrência de um valor 0 (zero) aravés da inclusão de uma variável aleaória laene, que represena presença ou ausência do processo sob observação. Uma segunda classe de modelos para dados de conagem com esruura emporal é a classe dos modelos Poisson auoregressivos, que foi inroduzida por Al-Osh e Alzaid (1987) e McKenzie (1988). O modelo Poisson auoregressivo não se raa de um modelo dinâmico e ambém não é um modelo de sobredispersão. Enreando, apesar de originalmene ese modelo não possuir nenhuma desas duas caracerísicas, é considerado apropriado para modelagem de séries emporais ao assumir uma dependência de curo alcance nas observações. Esa dependência é considerada no modelo aravés de uma esruura formada por duas componenes laenes: um processo de nascimeno e um processo de more. Nese esudo, nosso ineresse é discuir a aplicação de modelos dinâmicos e o modelo Poisson auoregressivo na modelagem de séries emporais de conagens. Queremos verificar as vanagens e desvanagens enre as diferenes modelagens e que informações cada uma desas pode revelar a respeio do processo sob esudo. Serão discuidos modelos de sobredispersão, modelos com esruura sazonal e modelos de misura para dados de conagem inflacionados de zeros. Todo o procedimeno de inferência será feio sob o enfoque bayesiano, iso é, aribuiremos uma disribuição a priori para os parâmeros de ineresse 2
22 de cada modelo a fim de ober a disribuição a poseriori e a parir dela realizar odo o processo de esimação. Oberemos amosras desa disribuição a poseriori por meio de méodos de simulação esocásica, paricularmene uilizaremos os méodos de Mone Carlo via cadeias de Markov (MCMC na sigla em inglês). A esimação dos parâmeros de um modelo dinâmico é um grande desafio. Devido ao fao do próprio modelo induzir uma correlação enre eses parâmeros, orna-se difícil a obenção de amosras independenes deses. Há diferenes proposas na lieraura sugerindo diferenes maneiras de se ober amosras da disribuição a poseriori dos parâmeros de modelos dinâmicos. Enre as mais recenes esá o CUBS (do inglês Conjugae Updaing Backward Sampling), proposo por Ravines e al. (2007). Nese esudo, é nosso ineresse ambém discuir a meodologia desenvolvida por Ravines e al. (2007) aplicada na esimação de parâmeros de modelos dinâmicos para séries emporais de conagens e invesigar seu desempenho, em especial para os modelos dinâmicos de misura. Organização da Disseração No Capíulo 2, faremos uma breve revisão sobre esimação e sobre procedimeno de inferência sob o enfoque bayesiano. Discuiremos ambém méodos de simulação esocásica, paricularmene méodos MCMC. Em seguida faremos uma breve revisão sobre modelos dinâmicos e dealharemos os esquemas de amosragem uilizados nese esudo para esimação de parâmeros de modelos dinâmicos, em especial o CUBS. Já no Capíulo 3, apresenaremos os modelos de ineresse para dados de conagem com esruura emporal, descreveremos algumas ferramenas de comparação e diagnósico de modelos e faremos uma aplicação a dados reais. Freeland e McCabe (2002) ajusaram para o conjuno de dados em quesão um modelo Poisson auoregressivo com esruura sazonal e consideraram o procedimeno sob o enfoque clássico. Nese capíulo, ajusaremos ese mesmo modelo para ese mesmo conjuno de dados reais considerando o procedimeno de inferência sob o enfoque bayesiano. Em seguida, no Capíulo 4, começaremos discuindo modelos dinâmicos para dados de conagem inflacionados de zeros e logo após faremos uma aplicação a dados reais 3
23 com excesso de valores 0 (zero). Nese capíulo, discuiremos mais dealhadamene o desempenho do CUBS na esimação dos parâmeros dos modelos dinâmicos considerados na modelagem do conjuno de dados reais. Por fim, no Capíulo 5, apresenaremos as conlusões e possíveis exensões dese esudo. 4
24 Capíulo 2 Modelos Dinâmicos e Méodos de Esimação Modelos dinâmicos bayesianos são cada vez mais uilizados na lieraura para descrever os mais variados fenômenos. A maior classe deses modelos é a classe dos modelos lineares dinâmicos generalizados na família exponencial. Nese capíulo, serão discuidos alguns méodos de esimação para os parâmeros dos modelos que perencem a esa classe especial de modelos. Começaremos com uma breve revisão sobre os principais conceios envolvidos no procedimeno de inferência sob o enfoque bayesiano, apresenaremos alguns aspecos sobre méodos de simulação esocásica, em paricular os méodos MCMC, e por fim, discuiremos com dealhes dois esquemas de amosragem exisenes na lieraura para esimação em modelos lineares dinâmicos generalizados: o algorimo proposo por Gamerman (1998) e o mais recene CUBS (do inglês Conjugae Updaing Backward Sampling) proposo por Ravines e al. (2007). 2.1 Inferência Bayesiana Nesa seção, faremos uma breve revisão sobre os principais conceios do procedimeno de inferência sob o enfoque Bayesiano. Considere Y, uma variável aleaória ou veor aleaório com função de probabilidade ou função de densidade de probabilidade p(y θ) em que θ é um parâmero ou veor paramérico que caraceriza a disribuição de 5
25 probabilidade de Y. O valor de θ é desconhecido e queremos esimá-lo. Sob o pono de visa da inferência bayesiana, podemos incorporar nossa própria incereza na esimação de θ, assumindo uma disribuição de probabilidade para ese parâmero, p(θ), a disribuição a priori. Esa disribuição é aribuída anes da observação dos dados e mede a nossa incereza a priori a respeio de θ. Uma vez que os dados são observados, os quais denoaremos por y, podemos enconrar a disribuição a poseriori de θ, p(θ y), obida a parir da combinação da função de verossimilhança p(y θ) com a disribuição a priori de θ, p(θ), via eorema de Bayes, da forma p(θ y) = p(y θ)p(θ), (2.1) p(y) com p(y) = p(y, θ)dθ = Θ p(y θ)p(θ)dθ, Θ (2.2) em que Θ é o espaço paramérico de θ. Noe que p(y) não depende de θ, logo o denominador da equação acima pode ser considerado consane com relação a θ. Assim, podemos reescrever (2.1) como p(θ y) p(y θ)p(θ). (2.3) O procedimeno de inferência bayesiano é baseado fundamenalmene na disribuição a poseriori de θ. Esa disribuição coném oda informação probabilísica a respeio do parâmero de ineresse. No enano, em algumas siuações orna-se necessário resumir a informação conida na disribuição a poseriori. O caso mais simples é a esimação ponual, descria na subseção a seguir Esimação Ponual Na esimação ponual, nosso objeivo é a minimização de uma função perda L(δ(Y), θ) para algum esimador δ(y) de θ. Noe que o valor de θ é esimado a parir de elemenos da amosra. Para cada valor de θ e cada possível esimaiva d penencene ao espaço 6
26 paramérico Θ, associamos uma perda L(d, θ). Nese caso, podemos calcular a perda esperada a poseriori ou risco a poseriori, da forma r(d y) = E[L(d, θ) y] = L(d, θ)p(θ y)dθ. (2.4) Θ A regra de Bayes consise em escolher o valor de d óimo, ou seja, o valor de d que minimiza a perda esperada E[L(d, θ) y]. Os esimadores d(y) obidos minimizando esa perda esperada são chamados esimadores de Bayes. As funções perda mais uilizadas são: função perda quadráica: L(d(Y), θ) = (θ d(y)) (θ d(y)); função perda absolua: L(d(Y), θ) = θ d(y) ; k, se θ d(y) ɛ função perda zero-um: L(d(Y), θ) = 0, se θ d(y) < ɛ arbirário e k consane, em geral uniária., para ɛ > 0 Os esimadores obidos com a minimização desas funções são, respecivamene: média a poseriori: θ = E(θ y); mediana a poseriori: θ al que θ p(θ y)dθ = 0, 5; moda a poseriori: θ al que p( θ y) = sup p(θ y). θ Θ Esimação por Inervalo Quando esimamos um parâmero ponualmene, esamos resumindo oda a informação presene na disribuição a poseriori em um único valor, o que pode não ser apropriado. É imporane ambém obermos informações sobre o quão precisa é a especificação dese valor. Podemos, enão, aravés da disribuição a poseriori, enconrar um inervalo para θ onde esá concenrada a maior massa de probabilidade. Tal inervalo é chamado inervalo de credibilidade. Considere novamene Θ, o espaço paramérico onde esão definidos os possíveis valores de θ. C Θ é um inervalo de credibilidade de 100(1 α)% para θ, se P (θ C y) 1 α. (2.5) 7
27 O amanho do inervalo raz informações sobre a dispersão de θ. Assim, quano menor o inervalo, mais concenrada esá a disribuição dese parâmero, quano maior, menos concenrada esá a disribuição. Podemos, por exemplo, querer ober um inervalo de 95% de credibilidade para θ, para isso basa calcularmos direamene os quanis a = 2, 5% e b = 97, 5% da disribuição a poseriori p(θ y), ou seja, e a b p(θ y)dθ = 0, 025 (2.6) p(θ y)dθ = 0, 975. (2.7) Uma caracerísica imporane dos inervalos de credibilidade é que são invarianes a ransformações biunívocas. Seja C = [a, b] o inervalo de 100(1 α)% de credibilidade para θ e φ(θ) uma ransformação biunívoca de θ, enão, um inervalo de 100(1 α)% de credibilidade para φ(θ) seria da forma C = [φ(a), φ(b)] Previsão Previsões de fuuras observações são possíveis aravés da disribuição prediiva. Suponha que queremos prever Y pred cuja função de probabilidade ou densidade de probabilidade é da forma p(y pred θ). A função de disribuição prediiva de Y pred é obida da forma p(y pred y) = Θ p(y pred, θ y)dθ (2.8a) = Θ p(y pred θ, y)p(θ y)dθ (2.8b) = Θ p(y pred θ)p(θ y)dθ. (2.8c) = E θ y [p(y pred θ)]. (2.8d) Uma vez que conhecemos θ, Y pred e y são independenes e a passagem da equação (2.8b) para a equação (2.8c) fica explicada. 8
28 2.2 Méodos de Mone Carlo via Cadeias de Markov Como discuido na Seção 2.1, odo o procedimeno de inferência bayesiana esá fundamenado na disribuição a poseriori de θ, porém o que emos geralmene na práica, é que esa disribuição não é conhecida ou não possui forma analíica fechada. Podemos, enreano, de forma aproximada, ober amosras da disribuição a poseriori aravés de méodos de simulação esocásica. Enre eses, esão os méodos de MCMC. Eses méodos serão uilizados na esimação dos parâmeros dos modelos de ineresse, que serão discuidos nos Capíulos 3 e 4. Paricularmene, denro dos méodos MCMC, esaremos uilizando o amosrador de Gibbs e o algorimo de Meropolis-Hasings que serão discuidos mais adiane nas Subseção e Considere que queremos simular de uma disribuição de probabilidade cuja função de probabilidade ou função de densidade de probabilidade é dada por p( ). Como pode ser viso em Gamerman e Lopes (2006), o méodo MCMC é qualquer méodo que produza uma cadeia de Markov homogênea, ergódica e irreduível cuja disribuição esacionária seja p( ). Uma cadeia de Markov é: homogênea: quando a probabilidade de ransição de esados é consane; ergódica: se é aperiódica e recorrene posiiva; aperiódica: se nenhum dos seus esados é visiado após d passos com probabilidade 1, para qualquer d > 0 ineiro; recorrene posiiva: quando o número médio de passos para que uma cadeia reorne a qualquer esado é finio; irreduível: se com probabilidade posiiva, ela se move de um pono a ouro, qualquer, em um número finio de ierações. Se a cadeia de Markov segue odas esas caracerísicas, exise a disribuição esacionária e os esados da cadeia são aproximadamene realizações desa disribuição. Enre 9
29 os algorimos de MCMC mais uilizados esão o amosrador de Gibbs e o algorimo de Meropolis-Hasings, que serão descrios a seguir Amosrador de Gibbs O amosrador de Gibbs é um esquema ieraivo de amosragem de uma cadeia de Markov cujo núcleo de ransição é formado pelas disribuições marginais condicionais das componenes θ i de um veor paramérico θ, a parir da função de probabilidade ou função de densidade de probabilidade conjuna p(θ 1,..., θ p ). condicionais compleas e são da forma p(θ i θ 1,..., θ i 1, θ i+1,..., θ p ). São as chamadas disribuições O amosrador de Gibbs foi originalmene inroduzido por Geman e Geman (1984), mas foram Gelfand e Smih (1990) que compararam ese amosrador com esquemas de simulação esocásica. Podemos descrever o algorimo da seguine maneira: (i) inicialize o conador j = 1 e arbire valores iniciais θ (0) = (θ (0) 1,..., θ (0) p ); (ii) obenha θ (j) a parir de θ (j 1) sucessivamene da forma θ (j) 1 p(θ 1 θ (j 1) 2,..., θ (j 1) p ) θ (j) 2 p(θ 2 θ (j) 1, θ (j 1) 3,..., θ (j 1) p ) θ (j) 3 p(θ 3 θ (j) 1, θ (j) 2, θ (j 1) 4,..., θ (j 1) p ). θ (j) p p(θ p θ (j) 1, θ (j) 2,..., θ (j 1) p 1 ). (iii) aualize o conador de j para j + 1 e reorne ao passo (ii) aé a convergência. A convergência da cadeia de Markov é admiida quando a série gerada pelos valores soreados das disribuições condicionais compleas alcança um esado de esacionariedade, significando que elas esão suficienemene próximas das disribuições marginais dos parâmeros. Na lieraura, vários procedimenos de avaliação de convergência são 10
30 proposos, alguns exemplos podem ser visos em Cowles e Karlin (1990) e Gamerman e Lopes (2006). Em nosso caso, avaliaremos a convergência dos parâmeros de ineresse aravés da inspeção visual dos raços das cadeias deses parâmeros após ermos descarado quanidade suficiene de valores do início da cadeia, o qual denominamos período de aquecimeno. Para diminuir a auocorrelação enre os valores soreados dos parâmeros, podemos ainda considerar um espaçameno k enre eses valores, iso é, iremos considerar em nossa amosra somene valores soreados a cada k ierações. Pode ser mosrado, sob ceras condições de regularidade, que θ (j) = (θ (j) 1,..., θ p (j) ) converge em disribuição para uma amosra da disribuição a poseriori quando j ende a infinio. Ese algorimo é exremamene úil quando conhecemos a forma das disribuições condicionais compleas, porém quando não conhecemos devemos lançar mão de ouros méodos. Enre eles, esá o algorimo de Meropolis-Hasings descrio a seguir Algorimo de Meropolis-Hasings O algorimo de Meropolis-Hasings foi inicialmene proposo por Meropolis e al. (1953) e foi poseriormene esendido por Hasings (1970). Ese méodo é geralmene uilizado quando as disribuições condicionais compleas não são idenificáveis e, assim como o amosrador de Gibbs, em a finalidade de gerar amosras de uma disribuição de probabilidade. Para isso, ele faz uso de uma disribuição auxiliar conhecida como disribuição proposa. Um valor proposo para o parâmero é gerado desa disribuição e ese valor é preferido ou não com relação ao valor correne da cadeia de Markov de acordo com uma probabilidade α. Considere p( ) como a função de probabilidade ou função de densidade de probabilidade da disribuição a qual queremos simular e q( ) como a função de probabilidade ou função de densidade de probabilidade proposa que, em geral, sabemos como simular. Podemos descrever o algorimo de Meropolis-Hasings da seguine maneira: (i) inicialize o conador j = 1 e arbire um valor inicial θ (0) ; (ii) soreie um valor proposo θ de q(θ θ (j 1) ); 11
31 (iii) o novo valor θ (j) será θ com probabilidade α θ (j) = θ (j 1) com probabilidade 1 α, em que { } p(θ )q(θ (j 1) θ ) α = min 1, ; (2.9) p(θ (j 1) )q(θ θ (j 1) ) (iv) aualize o conador de j para j + 1 e reorne ao passo (iii) aé a convergência. Geralmene, na práica, p( ) é a função de probabilidade ou função de densidade de probabilidade da disribuição condicional complea do parâmero de ineresse, a qual não sabemos simular, pois não é conhecida ou não possui solução analíica fechada. Porano, quando esa siuação ocorre, o passo de soreio de um valor da disribuição condicional complea denro do amosrador de Gibbs é subsiuído pelo passo de soreio de um valor de uma disribuição proposa q( ). Ese valor proposo será aceio como novo valor correne da cadeia com probabilidade α calculada em (2.9). Para um esudo dealhado sobre méodos MCMC, ver Gamerman e Lopes (2006). 2.3 Modelos Dinâmicos Freqüenemene, esamos ineressados em modelar fenômenos caracerizados por uma evolução emporal. A grande moivação da uilização de modelos dinâmicos na modelagem de ais processos é a vanagem de podermos medir a incereza associada à passagem do empo. Como exemplo, considere um modelo em que uma variável resposa Y, em um insane paricular de empo, esá associada a uma variável X da forma Y = Xθ + ɛ, em que θ é um parâmero desconhecido e ɛ é um erro aleaório. Do pono de visa bayesiano, podemos expressar nossa incereza a priori a respeio de θ aravés de uma disribuição de probabilidade p(θ). Ese modelo é localmene apropriado para o paricular insane de empo, porém a própria naureza do processo requer que a incereza devida a 12
32 evolução emporal seja levada em consideração. Podemos incorporar esa caracerísica ao modelo se permiirmos que o parâmero θ evolua suavemene no empo aravés de uma esruura emporal imposa a ele. Quando nos referimos a modelo dinâmico, o ermo dinâmico esá relacionado jusamene às mudanças no processo sob observação devido a passagem do empo Modelos Lineares Dinâmicos (MLD) A classe de modelos dinâmicos é basane abrangene. Uma subclasse deses modelos basane conhecida e uilizada na lieraura é a subclasse dos modelos linerares dinâmicos normais (MLD), em que supomos normalidade da variável resposa e normalidade na evolução dos parâmeros dinâmicos aravés do empo. Nesa subseção, faremos uma breve revisão sobre MLD. Para um esudo mais dealhado, ver Wes e Harrison (1997). Considere uma série emporal Y 1, Y 2,... em que Y, para = 1, 2,..., é um veor observacional de dimensão (r 1). Um MLD pode ser caracerizado aravés de duas equações da forma Y = F θ + v, v N(0, V ) (2.10a) θ = G θ 1 + ω, ω N(0, W ), (2.10b) em que, para = 1, 2,..., emos que θ é um veor p-dimensional denominado parâmero de esado ou simplesmene esado do modelo dinâmico; F é uma mariz de regressão (p r) cujos elemenos são valores conhecidos; G é uma mariz p p conhecida que descreve a evolução emporal dos parâmeros de esado; V é uma mariz de covariância r r conhecida associada ao erro observacional v ; W é uma mariz de covariância p p conhecida associada ao erro de evolução dos parâmeros de esado ω. 13
33 A equação (2.10a) é denominada equação da observação e relaciona o veor de observações Y ao parâmero de esado θ, enquano que a equação (2.10b) é denominada equação do sisema e é responsável pela evolução dos parâmeros de esado aravés do empo. Esas duas equações podem ser reescrias, para = 1, 2,..., da forma Y θ N(F θ, V ) (2.11a) θ θ 1 N(G θ 1, W ). (2.11b) O modelo descrio em (2.10) é compleamene especificado aravés da quádrupla {F, G, V, W} e de uma disribuição a priori assumida para os parâmeros de esado. Devido à própria esruura markoviana do modelo, θ dado θ 1, para = 1, 2,..., em uma disribuição normal, conforme podemos ver nas equações (2.10b) e (2.11b), porém ainda precisamos especificar quem é θ 0. Denoamos por D = (D 0, y 1,..., y ) o conjuno de informações disponíveis aé o insane de empo, para = 1, 2,..., em que D 0 denoa o conjuno de informações no insane inicial = 0, ou seja, D 0 denoa o conjuno de informações a priori. Quanificamos esa informação a priori em ermos de média e variância de uma disribuição normal para θ 0, iso é, θ 0 D 0 N(m 0, C 0 ), (2.12) em que m 0 e C 0 são, respecivamene, a média e a variância da disribuição a priori normal para θ 0 que reflee nossa incereza a respeio do processo sob esudo no insane de origem = 0. Assim, aribuída a disribuição a priori para os parâmeros de esado, o modelo é compleamene especificado. Ainda, para o modelo descrio em (2.10), algumas suposições são feias: esamos assumindo que as observações Y são condicionalmene independenes dado θ, para = 1, 2,..., assim como, para odo s, os erros observacionais v e v s são independenes, os erros de evolução ω e ω s são independenes, e v e ω s são independenes. Quando os valores dos elemenos que compõem quádrupla {F, G, V, W} são conhecidos, o procedimeno inferência sobre os parâmeros de esado nesa subclasse de modelos pode ser feio aravés de algorimos seqüenciais, como o Filro de Kalman. Mais dealhes podem ser visos em Wes e Harrison (1997). 14
34 2.3.2 Modelos Lineares Dinâmicos Generalizados (MLDG) A classe dos modelos lineares dinâmicos generalizados (MLDG) foi inroduzida por Wes e al. (1985). Os modelos desa subclasse dos modelos dinâmicos são exensões dos modelos lineares dinâmicos (MLD) apresenados na Subseção 2.3.1, mas agora sem a suposição de normalidade da variável resposa e sem a suposição de normalidade na evolução dos parâmeros de esado. Considere uma série emporal Y 1, Y 2,... de observações univariadas. Assumimos agora que Y, para = 1, 2,..., segue uma disribuição na família exponencial: uma classe muia ampla de disribuições que inclui, enre ouras, a disribuição normal. Se uma variável aleaória Y conínua ou discrea segue uma disribuição na família exponencial, sua função de probabilidade ou função de densidade de probabilidade pode ser escria como p(y η, φ ) = exp{φ [Y η b(η )]}c(y, φ ), (2.13) em que b( ) e c(, ) são funções conhecidas, η é o parâmero naural da disribuição, saisfazendo a E(Y η, φ ) = ϑ = ḃ(η ), (2.14) e φ é um parâmero de escala conhecido, saisfazendo a V ar(y η, φ ) = b(η ) φ, (2.15) em que ḃ( ) e b( ) são, respecivamene, a primeira e a segunda derivadas da função b( ). Podemos, enão, caracerizar um MLDG de forma semelhane ao MLD como Y exp{φ [Y η b(η )]} (2.16a) g(η ) = F θ (2.16b) θ = G θ 1 + ω, ω (0, W ). (2.16c) Noe que a equação da observação, descria aneriormene em (2.10a) para um MLD, foi agora subsiuída pelo par de equações (2.16a) e (2.16b), em que g( ) é uma função de 15
35 ligação conhecida que relaciona o parâmero naural da disribuição η ao parâmero de esado θ e g(η ) é denominado predior linear, o qual denoaremos por ϕ. Noe ambém que a equação de evolução dos esados (2.16c) permanece igual à equação de evolução dos esados de um MLD, descria em (2.10b), a não ser pelo fao de que agora os erros de evolução ω não seguem necessariamene uma disribuição normal. Como em um MLD, o modelo é compleado quando assumimos uma disribuição a priori para os parâmeros de esado. De forma semelhane, a disribuição do parâmero de esado θ dado θ 1, para = 1, 2,..., em disribuição imposa pela própria esruura markoviana do modelo. Resa-nos, enão, aribuir uma disribuição a priori para o parâmero θ 0. Novamene, quanificamos a informação a priori a respeio do processo sob esudo no insane inicial = 0, denoada por D 0, aravés do primeiro e segundo momenos de uma disribuição, que agora não é necessariamene normal, para θ 0, iso é, θ 0 D 0 (m 0, C 0 ), (2.17) em que m 0 e C 0 são, respecivamene, o primeiro e segundo momenos conhecidos da disribuição a priori para θ 0. Em muios casos, a forma desa disribuição não precisa ser conhecida oalmene, basa apenas que conheçamos os momenos m 0 e C 0. Para o MLDG descrio em (2.16), como em um MLD, algumas suposições são feias: as observações Y são condicionalmene independenes dado η, e além disso, dado η, são ambém independenes dos erros de evolução ω, para = 1, 2,..., e supomos ambém que, para odo s, os erros de evolução ω e ω s são independenes. O procedimeno de inferência sobre os parâmeros de esado nesa classe de modelos, devido a complexidade, pode somene ser feio de forma aproximada. Se odas as quanidades envolvidas no modelo, com exceção dos parâmeros de esado, são conhecidas, algorimos seqüenciais baseados em esimadores Linear Bayes (Harigan (1969)) podem ser uilizados na esimação deses parâmeros. Algorimos baseados neses esimadores foram uilizados por Wes e al. (1985). Ouras abordagens e méodos de esimação para os parâmeros de esado, inclusive méodos baseados nas idéias de Wes e al. (1985), serão discuidos na Seção
36 2.4 Esquemas de Amosragem em Modelos Dinâmicos O grande desafio da esimação em modelos dinâmicos é a esimação do veor de esados cujos elemenos são alamene correlacionados, o que orna difícil a obenção de amosras independenes. Há muias proposas na lieraura sugerindo diferenes maneiras de se ober amosras da disribuição a poseriori deses parâmeros. Shephard e Pi (1997), Gamerman (1998), Geweke e Tanizaki (2001) e Ravines e al. (2007) consideram abordagens baseadas no algorimo de Meropolis-Hasings descrio na Subseção denro do amosrador de Gibbs descrio na Subseção Paricularmene, sugerem disribuições proposas eficienes denro do algorimo de Meropolis-Hasings para sorear os parâmeros de esado de modelos dinâmicos na família exponencial. O algorimo proposo por Gamerman (1998) e o algorimo CUBS, proposo por Ravines e al. (2007) serão apresenados nas subseções a seguir Esquema de Amosragem proposo por Gamerman (1998) Gamerman (1998) sugere a uilização de um modelo linear dinâmico normal ajusado a fim de consruir uma densidade proposa eficiene para amosrar os parâmeros de esado no algorimo de Meropolis-Hasings. A amosragem deses parâmeros pode ser feia individualmene ou em blocos, ou individualmene aravés dos erros de evolução. Nese úlimo caso, o modelo dinâmico é reparamerizado e os esados são represenados em ermos dos erros de evolução. Gamerman (1998) concluiu que a amosragem individual é mais eficiene que a amosragem em blocos e que amosrar os erros de evolução é ambém mais eficiene, pois as cadeias geradas são menos auocorrelacionadas, o que pode acelerar a convergência. Enreano, o algorimo para amosrar os parâmeros de esado aravés dos erros de evolução é de difícil implemenação e gera um cuso compuacional basane significaivo. Por esa razão, uilizaremos o esquema de amosragem individual e sorearemos direamene os parâmeros de esado. Considere Y 1,..., Y T, uma série emporal de observações univariadas para as quais assumimos o MLDG descrio em (2.16) com a diferença de que a evolução dos parâmeros 17
37 de esado, descria pela equação (2.16c), é assumida normal, ou seja, θ = G θ 1 + ω, ω N(0, W ), (2.18) em que W é assumido conhecido. Consideramos agora uma série de observações ajusadas Ỹ, para = 1,..., T, da forma Ỹ = Ỹ(θ ) = g(ϑ ) + (Y ϑ )ġ(ϑ ) (2.19) com variâncias associadas V da forma V = V (θ ) = b(η ){ġ(ϑ )} 2, (2.20) em que ϑ é a esperança de Y da forma descria em (2.14) e η é o parâmero naural da família exponencial descria em (2.13). As observações ajusadas Ỹ = Ỹ(θ ) e variâncias associadas V = V (θ ) são funções do valor correne do parâmero de esado θ aravés da dependência funcional enre θ e a média ϑ. Podemos agora criar um modelo dinâmico normal ajusado cuja equação da observação, para = 1,..., T, é da forma Ỹ (θ ) = F θ + v, v N(0, V (θ )). (2.21) A disribuição proposa para a amosragem do parâmero de esado θ, para = 1,..., T 1, na ieração j do algorimo de Meropolis-Hasings é dada pela disribuição condicional complea ajusada de θ cuja função de densidade de probabilidade é da forma p(θ ) p(ỹ θ )p(θ θ 1 )p(θ +1 θ ) exp{ 1/2[V 1 (Ỹ F θ ) 2 + (θ G θ 1 ) W 1 (θ G θ 1 ) (2.22) +(θ +1 G +1 θ ) W 1 +1(θ +1 G +1 θ )]}, que é a função de densidade de probabilidade de uma disribuição normal com variância e média B = (F V 1 F + W 1 + G +1W+1G 1 +1 ) 1 (2.23) b = B (F V 1 Ỹ + W 1 G θ 1 + G +1W+1θ 1 +1 ), (2.24) 18
Universidade 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 maisSeção 5: Equações Lineares de 1 a Ordem
Seção 5: Equações Lineares de 1 a Ordem Definição. Uma EDO de 1 a ordem é dia linear se for da forma y + fx y = gx. 1 A EDO linear de 1 a ordem é uma equação do 1 o grau em y e em y. Qualquer dependência
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 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 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 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 maisTipos de Processos Estocásticos
Mesrado em Finanças e Economia Empresarial EPGE - FGV Derivaivos Pare 7: Inrodução ao álculo Diferencial Esocásico Derivaivos - Alexandre Lowenkron Pág. 1 Tipos de Processos Esocásicos Qualquer variável
Leia 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 maisIntrodução às Medidas em Física
Inrodução às Medidas em Física 43152 Elisabeh Maeus Yoshimura emaeus@if.usp.br Bloco F Conjuno Alessandro Vola sl 18 agradecimenos a Nemiala Added por vários slides Conceios Básicos Lei Zero da Termodinâmica
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 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 maisConfiabilidade e Taxa de Falhas
Prof. Lorí Viali, Dr. hp://www.pucrs.br/fama/viali/ viali@pucrs.br Definição A confiabilidade é a probabilidade de que de um sisema, equipameno ou componene desempenhe a função para o qual foi projeado
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 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 mais3 Processos Estocásticos
3 Processos Esocásicos Um processo esocásico pode ser definido como uma seqüência de variáveis aleaórias indexadas ao empo e ambém a evenos. É uma variável que se desenvolve no empo de maneira parcialmene
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 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 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 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 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 maisContabilometria. Séries Temporais
Conabilomeria Séries Temporais Fone: Corrar, L. J.; Theóphilo, C. R. Pesquisa Operacional para Decisão em Conabilidade e Adminisração, Ediora Alas, São Paulo, 2010 Cap. 4 Séries Temporais O que é? Um conjuno
Leia maisTOMADA DE DECISÃO EM FUTUROS AGROPECUÁRIOS COM MODELOS DE PREVISÃO DE SÉRIES TEMPORAIS
ARTIGO: TOMADA DE DECISÃO EM FUTUROS AGROPECUÁRIOS COM MODELOS DE PREVISÃO DE SÉRIES TEMPORAIS REVISTA: RAE-elerônica Revisa de Adminisração de Empresas FGV EASP/SP, v. 3, n. 1, Ar. 9, jan./jun. 2004 1
Leia maisInstituto de Tecnologia de Massachusetts Departamento de Engenharia Elétrica e Ciência da Computação. Tarefa 5 Introdução aos Modelos Ocultos Markov
Insiuo de Tecnologia de Massachuses Deparameno de Engenharia Elérica e Ciência da Compuação 6.345 Reconhecimeno Auomáico da Voz Primavera, 23 Publicado: 7/3/3 Devolução: 9/3/3 Tarefa 5 Inrodução aos Modelos
Leia maisAnálise de Projectos ESAPL / IPVC. Critérios de Valorização e Selecção de Investimentos. Métodos Dinâmicos
Análise de Projecos ESAPL / IPVC Criérios de Valorização e Selecção de Invesimenos. Méodos Dinâmicos Criério do Valor Líquido Acualizado (VLA) O VLA de um invesimeno é a diferença enre os valores dos benefícios
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 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 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 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 maisCapítulo 2: Conceitos Fundamentais sobre Circuitos Elétricos
SETOR DE TECNOLOGIA DEPARTAMENTO DE ENGENHARIA ELÉTRICA TE041 Circuios Eléricos I Prof. Ewaldo L. M. Mehl Capíulo 2: Conceios Fundamenais sobre Circuios Eléricos 2.1. CARGA ELÉTRICA E CORRENTE ELÉTRICA
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 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 maisGRUPO XIII GRUPO DE ESTUDO DE INTERFERÊNCIAS, COMPATIBILIDADE ELETROMAGNÉTICA E QUALIDADE DE ENERGIA - GCQ
SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA GCQ - 11 16 a 21 Ouubro de 2005 Curiiba - Paraná GRUPO XIII GRUPO DE ESTUDO DE INTERFERÊNCIAS, COMPATIBILIDADE ELETROMAGNÉTICA E
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 maisF B d E) F A. Considere:
5. Dois corpos, e B, de massas m e m, respecivamene, enconram-se num deerminado insane separados por uma disância d em uma região do espaço em que a ineração ocorre apenas enre eles. onsidere F o módulo
Leia maisN(0) número de núcleos da espécie inicial no instante t=0. N(t) número de núcleos da espécie inicial no instante t. λ constante de decaimento
07-0-00 Lei do Decaimeno Radioacivo probabilidade de ransformação elemenar durane d d número médio de ransformações (dum elemeno) ocorridas em d N = Nd número médio de ocorrências na amosra com N elemenos
Leia mais1 Pesquisador - Embrapa Semiárido. 2 Analista Embrapa Semiárido.
XII Escola de Modelos de Regressão, Foraleza-CE, 13-16 Março 2011 Análise de modelos de previsão de preços de Uva Iália: uma aplicação do modelo SARIMA João Ricardo F. de Lima 1, Luciano Alves de Jesus
Leia maisFunção de risco, h(t) 3. Função de risco ou taxa de falha. Como obter a função de risco. Condições para uma função ser função de risco
Função de risco, h() 3. Função de risco ou axa de falha Manuenção e Confiabilidade Prof. Flavio Fogliao Mais imporane das medidas de confiabilidade Traa-se da quanidade de risco associada a uma unidade
Leia maisCURVAS DE CRESCIMENTO E OTIMIZAÇÃO DE UM PROCESSO INDUSTRIAL DE FERMENTAÇÃO
CURVAS DE CRESCIMENTO E OTIMIZAÇÃO DE UM PROCESSO INDUSTRIAL DE FERMENTAÇÃO Naália Peçanha Caninas Companhia Municipal de Limpeza Urbana - COMLURB Rua Major Ávila, 358 CEP 20.519-900-Rio de Janeiro- RJ
Leia maisCIRCUITO RC SÉRIE. max
ELETRICIDADE 1 CAPÍTULO 8 CIRCUITO RC SÉRIE Ese capíulo em por finalidade inroduzir o esudo de circuios que apresenem correnes eléricas variáveis no empo. Para ano, esudaremos o caso de circuios os quais
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 maisUTILIZAÇÃO DO MÉTODO DE HOLT-WINTERS PARA PREVISÃO DO LEITE ENTREGUE ÀS INDÚSTRIAS CATARINENSES
UTILIZAÇÃO DO MÉTODO DE HOLT-WINTERS PARA PREVISÃO DO LEITE ENTREGUE ÀS INDÚSTRIAS CATARINENSES Rober Wayne Samohyl Professor do Programa de Pós-Graduação em Engenharia de Produção e Sisemas UFSC. Florianópolis-SC.
Leia maisQUESTÕES ANPEC EQUAÇÕES DIFERENCIAIS E EQUAÇÕES DE DIFERENÇAS
QUESTÕES ANPEC EQUAÇÕES DIFERENCIAIS E EQUAÇÕES DE DIFERENÇAS QUESTÃO Assinale V (verdadeiro) ou F (falso): () A solução da equação diferencial y y y apresena equilíbrios esacionários quando, dependendo
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 maisTópicos Especiais em Energia Elétrica (Projeto de Inversores e Conversores CC-CC)
Deparameno de Engenharia Elérica Tópicos Especiais em Energia Elérica () ula 2.2 Projeo do Induor Prof. João mérico Vilela Projeo de Induores Definição do úcleo a Fig.1 pode ser observado o modelo de um
Leia maisLista de Exercícios nº 3 - Parte IV
DISCIPLINA: SE503 TEORIA MACROECONOMIA 01/09/011 Prof. João Basilio Pereima Neo E-mail: joaobasilio@ufpr.com.br Lisa de Exercícios nº 3 - Pare IV 1ª Quesão (...) ª Quesão Considere um modelo algébrico
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 maisUNIVERSIDADE DA BEIRA INTERIOR FACULDADE DE CIÊNCIAS SOCIAIS E HUMANAS DEPARTAMENTO DE GESTÃO E ECONOMIA MACROECONOMIA III
UNIVERSIDADE DA BEIRA INTERIOR FACUDADE DE CIÊNCIAS SOCIAIS E HUMANAS DEPARTAMENTO DE GESTÃO E ECONOMIA MACROECONOMIA III icenciaura de Economia (ºAno/1ºS) Ano ecivo 007/008 Caderno de Exercícios Nº 1
Leia maisGERAÇÃO DE PREÇOS DE ATIVOS FINANCEIROS E SUA UTILIZAÇÃO PELO MODELO DE BLACK AND SCHOLES
XXX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO Mauridade e desafios da Engenharia de Produção: compeiividade das empresas, condições de rabalho, meio ambiene. São Carlos, SP, Brasil, 1 a15 de ouubro de
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 maisInterpolação e Extrapolação das ETTJ no Brasil
Inerpolação e Exrapolação das ETTJ no Brasil Coordenação Geral de Moniorameno de Solvência Coordenação de Moniorameno de Risco CORIS Sergio Luis Franklin Junior Thiago Baraa Duare César da Rocha Neves
Leia maisCapítulo Cálculo com funções vetoriais
Cálculo - Capíulo 6 - Cálculo com funções veoriais - versão 0/009 Capíulo 6 - Cálculo com funções veoriais 6 - Limies 63 - Significado geomérico da derivada 6 - Derivadas 64 - Regras de derivação Uiliaremos
Leia mais2 Processos Estocásticos de Reversão à Média para Aplicação em Opções Reais
Processos Esocásicos de Reversão à Média para Aplicação em Opções Reais Resumo Ese capíulo analisa alguns méodos usados na deerminação da validade de diferenes processos esocásicos para modelar uma variável
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 maisCapítulo 7. O Modelo de Regressão Linear Múltipla
Capíulo 7 O Modelo de Regressão Linear Múlipla Quando ornamos um modelo econômico com mais de uma variável explanaória em um modelo esaísico correspondene, nós dizemos que ele é um modelo de regressão
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 maisAPLICAÇÃO DO MÉTODO DE HOLT NA PREVISÃO DE DADOS DE ÁGUA DA CIDADE DE RONDONÓPOLIS-MT
APLICAÇÃO DO MÉTODO DE HOLT NA PREVISÃO DE DADOS DE ÁGUA DA CIDADE DE RONDONÓPOLIS-MT Alerêdo Oliveira Curim 1 & Aldo da Cunha Rebouças Resumo - O conhecimeno prévio dos volumes de água de qualquer sisema
Leia maisIdentificação de sistemas dinâmicos lineares métodos paramétricos e não paramétricos
PROJETO DE GRADUAÇÃO 2 Idenificação de sisemas dinâmicos lineares méodos paraméricos e não paraméricos Aluno Marcelo Casro Biencour Banca Examinadora Profa. Flavia Maria Guerra de Sousa Aranha Oliveira,
Leia maisTHIAGO KURIMORI GARCIA DA SILVEIRA MODELO DE PREVISÃO COM VOLATILIDADE ESTOCÁSTICA
THIAGO KURIMORI GARCIA DA SILVEIRA MODELO DE PREVISÃO COM VOLATILIDADE ESTOCÁSTICA Trabalho de Formaura apresenado à Escola Poliécnica da Universidade de São Paulo para a obenção do Diploma de Engenheiro
Leia maisO gráfico que é uma reta
O gráfico que é uma rea A UUL AL A Agora que já conhecemos melhor o plano caresiano e o gráfico de algumas relações enre e, volemos ao eemplo da aula 8, onde = + e cujo gráfico é uma rea. Queremos saber
Leia maisContrato Futuro de Taxa Média das Operações Compromissadas de Um Dia (OC1) com Lastro em Títulos Públicos Federais
Conrao Fuuro de Taxa Média das Operações Compromissadas de Um Dia (OC1) com Lasro em Tíulos Públicos Federais Especificações 1. Definições Conrao Fuuro de OC1: Taxa Média das Operações Compromissadas de
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 maisBiofísica II Turma de Biologia FFCLRP USP Prof. Antônio Roque Biologia de Populações 2 Modelos não-lineares. Modelos Não-Lineares
Modelos Não-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 maisFunção Exponencial 2013
Função Exponencial 1 1. (Uerj 1) Um imóvel perde 6% do valor de venda a cada dois anos. O valor V() desse imóvel em anos pode ser obido por meio da fórmula a seguir, na qual V corresponde ao seu valor
Leia mais2.7 Derivadas e Taxas de Variação
LIMITES E DERIVADAS 131 2.7 Derivadas e Taas de Variação O problema de enconrar a rea angene a uma curva e o problema de enconrar a velocidade de um objeo envolvem deerminar o mesmo ipo de limie, como
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 maisMODELAGEM E PREVISÃO DE VOLATILIDADE DETERMINÍSTICA E ESTOCÁSTICA PARA A SÉRIE DO IBOVESPA 1
MODELAGEM E PREVISÃO DE VOLATILIDADE DETERMINÍSTICA E ESTOCÁSTICA PARA A SÉRIE DO IBOVESPA Igor A. C. de Morais Marcelo S. Porugal 3 RESUMO A variância de um aivo é uma das informações mais imporanes para
Leia mais2 Distribuições de Probabilidade
Disribuições de Probabilidade.1 Disribuição Gaussiana Para uma caracerização complea do processo esocásico seguido por uma variável aleaória é necessário deerminar algumas de suas propriedades, como sua
Leia maisO gráfico que é uma reta
O gráfico que é uma rea A UUL AL A Agora que já conhecemos melhor o plano caresiano e o gráfico de algumas relações enre e, volemos ao eemplo da aula 8, onde = + e cujo gráfico é uma rea. Queremos saber
Leia maisAmplificadores de potência de RF
Amplificadores de poência de RF Objeivo: Amplificar sinais de RF em níveis suficienes para a sua ransmissão (geralmene aravés de uma anena) com bom rendimeno energéico. R g P e RF P CC Amplificador de
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 maisUm modelo matemático para o ciclo de vida do mosquito Aedes aegypti e controle de epidemias
Universidade Federal de Ouro Preo Modelagem e Simulação de Sisemas Terresres DECOM- prof. Tiago Garcia de Senna Carneiro Um modelo maemáico para o ciclo de vida do mosquio Aedes aegypi e conrole de epidemias
Leia maisNoções de Espectro de Freqüência
MINISTÉRIO DA EDUCAÇÃO - Campus São José Curso de Telecomunicações Noções de Especro de Freqüência Marcos Moecke São José - SC, 6 SUMÁRIO 3. ESPECTROS DE FREQÜÊNCIAS 3. ANÁLISE DE SINAIS NO DOMÍNIO DA
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 maisESCOLA SECUNDÁRIA COM 3º CICLO D. DINIS 12º ANO DE ESCOLARIDADE DE MATEMÁTICA A Tema II Introdução ao Cálculo Diferencial II
ESCOLA SECUNDÁRIA COM 3º CICLO D. DINIS 2º ANO DE ESCOLARIDADE DE MATEMÁTICA A Tema II Inrodução ao Cálculo Diferencial II TPC nº 9 Enregar em 4 2 29. Num loe de bolbos de úlipas a probabilidade de que
Leia maisFluxos de Caixa Independentes no Tempo Média e Variância do Valor Presente Uso da Distribuição Beta Fluxos de Caixa Dependentes no Tempo Fluxos de
Cap. 6 - Análise de Invesimenos em Siuação de Risco Fluxos de Caixa Independenes no Tempo Média e Variância do Valor Presene Uso da Disribuição Bea Fluxos de Caixa Dependenes no Tempo Fluxos de caixa com
Leia mais2 O Modelo 2.1. Descrição
2 O Modelo 2.1. Descrição O objeivo final dese rabalho é mosrar como uma rajeória não fixa para a axação em uma deerminada economia pode se esabelecer como resulado óimo frene a choques de axas de juros
Leia mais3. Representaç ão de Fourier dos Sinais
Sinais e Sisemas - 3. Represenaç ão de Fourier dos Sinais Nese capíulo consideramos a represenação dos sinais como uma soma pesada de exponenciais complexas. Dese modo faz-se uma passagem do domínio do
Leia maisRÁPIDA INTRODUÇÃO À FÍSICA DAS RADIAÇÕES Simone Coutinho Cardoso & Marta Feijó Barroso UNIDADE 3. Decaimento Radioativo
Decaimeno Radioaivo RÁPIDA ITRODUÇÃO À FÍSICA DAS RADIAÇÕES Simone Couinho Cardoso & Mara Feijó Barroso Objeivos: discuir o que é decaimeno radioaivo e escrever uma equação que a descreva UIDADE 3 Sumário
Leia maisANÁLISE DO PROCESSO PRODUTIVO DE UMA INDÚSTRIA TÊXTIL ATRAVÉS DE CARTAS DE CONTROLE
5, 6 e 7 de Agoso de 010 ISSN 1984-9354 ANÁLISE DO PROCESSO PRODUTIVO DE UMA INDÚSTRIA TÊXTIL ATRAVÉS DE CARTAS DE CONTROLE Maria Emilia Camargo (Universidade de Caxias do Sul) kamargo@erra.com.br Waler
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 maisESTUDO COMPARATIVO ENTRE OS MÉTODOS CONTÍNUO E BPZ DE ELEVAÇÃO ARTIFICIAL DE PETRÓLEO
ESTUDO COMPARATIVO ENTRE OS MÉTODOS CONTÍNUO E BPZ DE ELEVAÇÃO ARTIFICIAL DE PETRÓLEO M. F. C. SOUSA 1, W. R. S. CRUZ 2, R. A. MEDRONHO 3 e G. F. SILVA 4 1 Universidade Federal de Sergipe, Deparameno de
Leia maisONDAS ELETROMAGNÉTICAS
LTROMAGNTISMO II 3 ONDAS LTROMAGNÉTICAS A propagação de ondas eleromagnéicas ocorre quando um campo elérico variane no empo produ um campo magnéico ambém variane no empo, que por sua ve produ um campo
Leia maisFiltro de Partículas Adaptativo para o Tratamento de Oclusões no Rastreamento de Objetos em Vídeos
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL INSTITUTO DE INFORMÁTICA PROGRAMA DE PÓS-GRADUAÇÃO EM COMPUTAÇÃO ALESSANDRO BOF DE OLIVEIRA Filro de Parículas Adapaivo para o Traameno de Oclusões no Rasreameno
Leia mais30/08/15' Incerteza- Padrão. Repetitividade. Estimativa da Repetitividade (para 95,45% de probabilidade) Estimativa da Repetitividade
Incereza- Padrão Repeiividade! A incereza padrão corresponde ao desvio-padrão (esimaiva do desvio-padrão da população) e deve ser associado a ela o número de graus de liberdade (reflee o grau de segurança
Leia maisAMANDA OLIVEIRA, G. Depto. Engenharia de Computação e Automação - UFRN
ANÁLISE COMPARATIVA DE ALGUMAS TÉCNICAS PARA O ESTABELECIMENTO DE TRAJETÓRIAS EM AMBIENTES COM OBSTÁCULOS USANDO APRENDIZAGEM POR REFORÇO AMANDA OLIVEIRA, G. Depo. Engenharia de Compuação e Auomação -
Leia maisCE017 - ANÁLISE DE SÉRIES TEMPORAIS NOTAS DE AULA
CE07 - ANÁLISE DE SÉRIES TEMPORAIS NOTAS DE AULA Esas Noas de Aula êm apenas o objeivo de faciliar o rabalho do aluno em sala de aula na pare de anoação do coneúdo exposo pelo professor e com iso se ganha
Leia mais