Escolar Documentos
Profissional Documentos
Cultura Documentos
Instituto de Físi a
Novembro 2014
i
Tese apresentada ao
Novembro 2014
FICHA CATALOGRÁFICA DA BIBLIOTECA
ii
Ban a examinadora
0
1 Examinador
0
2 Examinador
0
3 Examinador
0
4 Examinador
0
5 Examinador
0
6 Examinador
0
7 Examinador
Novembro 2014
iii
Dedi atória
Dedi
o à minha esposa, meus pais e meu irmão que tornaram esse sonho possível
iv
Agrade
imentos
Muitos nomes devem ser
itados e muitos outros podem ser esque
idos nessa
lista de agrade imentos, agradeço então in ialmente a todos que de alguma forma
parti iparam na onstrução dessa tese, mesmo que seus nomes não estejam aqui,
O omeço de tudo se deve a minha família, agradeço aos meus pais, Newton
Com erteza devo agrade er aos meus grandes amigos que me a ompanharam
durante toda essa jornada do onhe imento, Alex Costa, Anderson, Henrique, Neto
e espe ialmente Tiago Lobo, que travou omigo batalhas nun a antes vistas, apenas
professores e fun ionários do IF-UFAL por me ensinarem as bases que hoje eu monto
a minha tese, sem o apoio e tro a de experiên ias, essa tese não teria a robustez que
hoje apresenta.
mohan, que foi o meu primeiro orientador e hoje tenho o puro orgulho de poder
dizer que além de um olaborador para os meus projetos pessoais é meu amigo.
Sem suas palavras de in entivo e de fome pelo onhe imento, não teria vislum-
brado tanto.
Agradeço aos meus amigos de treino que me ajudaram a riar estratégias e manter
rmes as bases quando tempos difí eis hegam. Agradeço a Renato Simões, Luiz
Gustavo Vasques, Tadeu Patêlo, Ranilson Paiva, Rodrigo Moraes e Felipe Dória,
v
que não treina mais onos o mas foi um dos meus prin ipais in entivadores.
Mare hal Deodoro, que me deram todo o apoio para on luir do doutorado e me
uma família. Agradeço a José Ginaldo Júnior, Renato Romero, Pedro Guilherme e
Também quero agrade er em espe ial aos meus avs que foram pilares sólidos
e todas as hipóteses sempre apoiaram qualquer sonho lou o que eu poderia ter, desde
agregados que me re eberam omo parte de sua família, Bruno, Vanessa, Rafael,
omigo desde os primórdios da minha riação, Eli Júnior, Guilherme, Pedro Ivo, José
Neto, Tia Lú ia, Tio Eli, Tio Fernando, Tia Vivian, Tia Alessandra, Tio Toninho e
Diogo Braga.
tava expli ar. São muitos nomes para serem olo ados mas quero agrade er uns
em espe ial, aos meus tios maternos, Alexandre Sérgio, Mar o Aurélio e Guilherme
Salgueiro, que são exemplos
omo tios e
omo família, pessoas
om as quais eu posso
vi
ontar a qualquer dia e qualquer hora independente do que haja. Minha tia paterna
Nil élia e sua família, e a minha tia/prima Már ia que é um exemplo de prossional
na qual me espelho.
quieta, deslumbrante e a ima de tudo tolinha. Uma das prin ipais pessoas a me
apoiar(e ordenar) na on lusão deste trabalho e um porto seguro para nossos planos
tão amplos para o futuro. Agrade er é pou o para alguém que está tão ao meu lado,
Sem esque er, gostaria de agrade er as agen ias de nan iamento que pro-
por ionaram o apoio ne essário para produzir a tese. Agradeço ao CNPq, a CAPES,
a FAPITEC e ao IFAL que nan ia parte desse trabalho através de uma bolsa de
produtividade em pesquisa.
2. ((:
vii
EPPUR SI MOUVE!
Resumo
Pro
essos não-esta
ionários
om interações fra
as apare
em
omo problemas desa-
heteros edásti as, provenientes de sistemas nan eiros re-es aladas om os primei-
ros momentos esta ionários mas uma multifra talidade não esta ionária e segundos
ajustável. Aqui é usada uma extensão do teorema das seções de Lévy. Analisando
en ontrando que as seções de Lévy forne e uma onvergên ia mais rápida para o om-
Para entender essa transição foram utilizados vários testes estatísti os que forne e-
ram dados su ientes sobre o omportamento de onvergên ia. Também observou-se
que os sinais re-es alados mantem suas propriedades multifra tais mesmo depois de
Abstra
t
Weakly nonstationary pro
esses appear in many
hallenging problems related to
rate of onvergen e to Gaussian behavior of res aled heteros edasti omming from
e onomi s time series with stationary rst moments but nonstationary multifra tal
long-range orrelated se ond moments and also time series generated from fra ti-
Here it is used the approa h whi h uses a re ently proposed extension of the Lévy
se tions theorem. It was analyzed the statisti al and multifra tal properties of hete-
ros edasti time series and found that the Lévy se tions approa h provides a faster
to provide enough data on onvergen e behavior. It was also observed that the res-
aled signals retain multifra tal properties even after rea hing what appears to be
metros livres. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.3 Função Densidade de Probabilidade da função des rita na equação 2.11 aonde são
2.4 Indi ativo visual do desvio padrão da distribuição segundo a equação 2.11 . . . . 18
distribuição normal. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
bilidades: (a) 0.5, (b) 0.45 e ( ) 0.55, versus o número de passos dados. . . . . . 29
x
LISTA DE FIGURAS xi
µ = 0 e om c = 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.12 Eixo em semi-log da gura 2.10, mostrando omo o de aimento sugere uma lei de
potên ia. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.13 Figura voltada à auda, aonde o omportamento em lei de potên ia para α < 2
dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
4.1 Indi ador S&P500 om dados diários desde 1998, o retorno al ulado
5.17 Teste KS omparando a série original om a apli ação dos Teoremas. 108
5.18 Teste KL omparando a série original om a apli ação dos Teoremas. 108
5.20 Espe tro multifra tal, f (α), em função de α. (a)Média para τ ≤ 150;
e lo alizados[58℄. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
6.2 Energias gerados por sítios, om N=4096; onde a=0 é uma sequên-
lações. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
(f ) a = 1.25, . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
lações. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
7.14 Teste KS para as séries apli adas ao TSL om baixa orrelação . . . . 131
7.15 Teste KS para as séries apli adas ao TSL om fortes orrelações. . . . 132
7.19 Teste KL para as séries apli adas ao TSL om baixa orrelação . . . . 134
7.20 Teste KL para as séries apli
adas ao TSL
om fortes
orrelações. . . . 134
Lista de Tabelas
7.2 Valores ini iais da Kurtose para as séries geradas do movimento brow-
xv
Sumário
1 INTRODUÇO 1
2.3.1 A média . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
xvi
SUMÁRIO xvii
3.4.3 Teste KS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
5.0.6 A onvergên ia . . . . . . . . . . . . . . . . . . . . . . . . . . 97
REFERÊNCIAS 141
Capítulo 1
INTRODUÇO
primeiro livro em que podia-se observar alguma formalidade matemáti a, que pu-
desse expli ar as han es por trás dos jogos de azar. Esse livro, intitulado O Livro
mais tarde da publi ação do livro de Cardano, trouxeram as bases matemáti as que
Jakob Bernoulli pre isava para es rever seu famoso livro A arte de Conje turar
1
2
Nesse estudo, Bernoulli foi apaz de mostrar o teorema dos grandes números,
que por sua vez, arma que depois de muitos testes, se tem em média p-vezes a fa e
Essa análise pode ser extrapolada para o estudo de situações onde se tem
duas es olhas, omo ara ou oroa, esquerda ou direita, o que é denido omo
notar que são 16 resultados possíveis, dentre eles, todos os lançamentos serem ara
que apenas um dos resultados tem apenas ara, 4 resultados tem 3 aras e uma
oroa, 6 resultados tem duas aras e duas oroas, 4 resultados tem 3 aras e uma
ao lançar uma moeda 60 vezes, quantas vezes observar-se 29 vezes a fa e ara vol-
tada para ima? Usando uma al uladora a resposta surge omo 1, 145 · 1017 , algo
A doutrina da probabilidade [6℄, no qual ele deduzia uma equação aproximada para
se tornou a base da função onhe ida omo Função Erro, que futuramente se tornaria
A urva normal, ganhou fama e status, quando sua forma, bem ara terísti a,
de sino, omeçou a surgir em dados empíri os de trabalhos ligados às iên ias so iais
valores fora da média, tinham suas probabilidades de aídas exponen ialmente para
homem médio omo uma meta so ial, am de que, se a so iedade fosse baseada
nessa média, a riqueza também deveria o ser. Riqueza essa que era distribuída por
uma lei de potên ia, omo mostrado por Pareto[8℄, e não uma urva normal.
Ao tentar observar e predizer a órbita de ometas, era sempre visto que os dados
O triúnfo de suas análises se deu pelo estudo dos mínimos quadrados, que
onsiste em determinar a melhor urva que se ajusta aos dados empíri os abordados.
asteroide Ceres, feito que era dito omo impossível de ser determinado por falta
de dados. Ele justi ou que os ajustes que ele utilizava no método dos mínimos
quadrados, onsiderava que os dados seguiam uma distribuição normal, que mais a
resposta a essa pergunta
omeçou a ser respondida ainda no sé
ulo XVII por Pierre-
4
mostrava modelos esto ásti os e métodos analíti os para suas soluções. Lapla e
rier para determinar a função ara terísti a. Em sua publi ação, Lapla e extrapola
o on eito apresentado pela distribuição binomal e in lusive arma que: ... a série
onverge mais rapidamente, quanto mais ompli ado sua fórmula é, de tal forma que
o pro edimento se torna mais pre iso, quanto mais ele se torna ne essário. Com
esse estudo, Lapla e traz as bases para o que hoje onhe emos omo Teorema do
sistemas, desde velo idades de movimento de partí ulas em um gás[12℄ até a altura
das pessoas[7℄. Mas essas variáveis aqui itadas, são ditas independentes, omo
será que se omporta uma série fortemente orrela ionada frente a apli ação desse
poderoso teorema?
Sistemas omplexos[13℄, de forma geral, tem atraído ada vez mais trabalhos
ientí os em revistas periódi as, omo pode ser observado no portal de periódi os
om a bus a. Tal linha de pesquisa tem sido tão frequentemente abordada por ser
fra talidade, invariân ia por es ala e algumas outras presentes em vários sistemas
ompreender melhor, qual a dinâmi a por trás do Teorema do Limite Central e até
Esse aso então é novamente analisado sob uma outra perspe tiva, o Teorema
das Seções de Lévy. O Teorema das Seções de Lévy, proposto por Paul Lévy[14℄,
pode-se mostrar que até mesmo variáveis aleatórias orrela ionadas, também seguem
sistemas e onmi os, tais omo: multifra talidade, audas grossas, orrelações de
úni o nas séries e tornam bastante atrativo o estudo de onvergên ia para o Te-
orema do Limite Central. Além de séries e onmi as, algumas séries geradas sob
onvergên ia.
do Limite entral em sua forma lássi a e a formação proposta por P. Lévy[14℄, que
torna o TLC(Teorema do Limite Central) muito mais geral, podendo ser apli
ado em
6
séries fortemente orrela ionadas. O teorema generalizado proposto por Lévy separa
de Lévy).
tendên ias a adêmi as para a expli ação de tais propriedades. Pre isamos entender
profundamente essas origens que são apresentadas no sistema e onmi o, para então
assim, dis utirmos o que a onte e quando os teoremas são apli ados.
dólar ameri ano, no apítulo 5 serão apresentadas todas as propriedades que essa
série temporal apresenta e depois seguir om uma analise de omo essas proprie-
dades vão sendo modi adas à medida que os teoremas são apli ados, e omo a
fra ionado, onde a orrelação dos termos da série é fa ilmente ajustada e depende de
tos na literatura, e parte deles, provenientes das análises ini iais do apítulo 5, o
estatísti
os, skewness e kurtosis , da evolução do expoente de Hürst e o espe
tro mul-
7
tifra tal, já foram publi ados em uma revista interna ional om Qualis A2, segundo
sobre o movimento browniano fra ionado, ainda não foram publi ados, ou mesmo
Como armado no apítulo anterior, essa tese está fundamentada no estudo estatís-
uma breve visita aos onteúdos bási os de me âni a estatísti a, am de que o leitor
Nesse apítulo serão abordados os prin ípios que denem variáveis aleatórias,
8
2 Variáveis Aleatórias 9
prevê-lo a partir do seu estado ini ial, ou seja, uma variável aleatória tem um valor
que está sujeito a han e. É importante ompreender que o que é apresentado aqui
Diversos sistemas são ara terísti os de variáveis aleatórias, omo por exem-
plo, o lançar de um dado justo ou uma moeda justa, assim omo um sorteio de
bingo. Apesar de ditas aleatórias, todas essas variáveis poderiam, em prin ípio
ser determinadas, onhe endo todos os fenmenos ao seu redor, omo velo idade
do vento, força ao ser lançado, massa do dado, a eleração da gravidade lo al, até
mesmo ampos magnéti os lo ais, seria possível determinar qual fa e iria ser sor-
informação do universo, não existiria o futuro, tudo seria previsto. Como o a esso a
todas essas informações por vezes é inviável, essas variáveis são ditas aleatórias, su-
fenmenos que realmente são determinados pelo a aso, são os sistemas quânti os,
lados pode tomar seis valores, uma moeda, dois valores, uma dezena da mega-sena
variável aleatória pode ser des rita omo o seguinte on eito, seja X uma variável
aleatória, logo X é uma função que leva um elemento do
onjunto espaço amostral
2 Variáveis Aleatórias 10
para um onjunto imagem aonde se en ontra a sua frequên ia de o orrên ia, sendo
assim:
X : E 7−→ I (2.1)
dis retas em sua maioria, são denidas sobre um onjunto nito de ações, ou de
dado, ou mesmo o valor de um ativo nan eiro, seu preço é atualizado de forma
dis reta om relação a um tempo determinado, gerando uma hamada série temporal
dis reta. Pode-se inferir então que, se a menor diferença não nula entre dois possíveis
valores dessa variável for sempre nita, logo ela é uma variável dis reta, não está
dos reais(R), não existindo uma sub-divisão nita entre valores onse utivos, ou
seja, as variáveis ontínuas são aquelas que a diferença não nula entre dois possíveis
valores da variável aleatória nem sempre toma um valor nito. Como exemplos, é
possível itar uma partí ula quânti a livre, que viaja om uma função de onda omo
pólen suspenso em água, que move-se onforme o movimento Browniano des rito
uma probabilidade asso iada ao mesmo. Para ada valor de X, a variável aleatória,
seja normalizada:
n
X
pi = 1,
i=1
mero muito grande, até mesmo ∞. É possível denir também uma outra quantidade
n
X
PX (x) = pi δ(x − xi ) (2.2)
i=1
a ondição é no lançar de um dado não justo, de tal forma que, das 6 fa es, as
probabilidades sejam:
2 Funções de Probabilidade 12
Fa e pi
1 1/12
2 1/6
3 1/8
4 1/4
5 1/4
6 1/8
dessa forma, a sua densidade de probabilidade seria des rita onforme mostra a
gura 2.1
0,25
0,2
Px(x)
0,15
0,1
1 2 3 4 5 6
x
Figura 2.1: Função Densidade de Probabilidade de um dado vi iado segundo a tabela 2.2
Se ao invés disso, X for uma variável aleatória que pode tomar valores em um
onjunto ontínuo, assim omo um onjunto real, é onhe ido que em um intervalo
assumir que existe uma função ontínua, PX (x), de tal forma que a probabilidade
de X ter um valor determinado entre x1 e x2 é dada pela área sob a
urva de PX (x)
2 Funções de Probabilidade 13
Z b
P rob(x) = dxPx (x) (2.3)
a
1
V (x) = mω 2 x2 ,
2
−~2 d2 ψ(x) 1
+ mω 2 x2 ψ(x) = Eψ(x) (2.4)
2m dx2 2
mω √
e tomando α= ~
e y= αx, a função de onda normalizada é es
rita
omo:
α 1/4 1 2
ψn (y) = √ Hn (y)e−y /2 (2.5)
π 2n n!
aonde Hn (y) são os polinmios de Hermite. Através dessa solução e usando o fato
é possível ter uma visão geral dos níveis de energia e da probabilidade de en ontrar
uma partí
ula
onnada nesse poten
ial, visualizando a gura 2.2.
2 Valor médio, desvio padrão e os momentos estatísti
os 14
E0 E1
2
|ψ(x)|
|ψ(x)|
x x
E2 E3
2
2
|ψ(x)|
|ψ(x)|
x x
essa função é fa ilmente a essível, ou mesmo, não é pre iso a quantidade informa-
ções que ela arrega onsigo. Para esses asos, é possível tomar um outro tipo de
2.3.1 A média
tante frisar novamente que nem sempre a média é o valor mais provável, esse valor
é
hamado de moda. A Mediana, por sua vez, é o valor que divide a distribuição
2 Valor médio, desvio padrão e os momentos estatísti
os 15
em duas partes iguais. Em algumas distribuições simétri as, esses valores são os
de valor esperado.
n
X xi
µ= (2.7)
i=1
n
n
X
µ= pi xi (2.8)
i=1
seria:
1 1 1 1 1 1
µdado viciado = ∗ 1 + ∗ 2 + ∗ 3 + ∗ 4 + ∗ 5 + ∗ 6 = 3, 79 (2.9)
12 6 8 4 4 8
seria um valor próximo a 4,17, que divide a distribuição em duas partes iguais.
Z
µ= PX (x)xdx (2.10)
{E}
1 ln(x)2
PX (x) = √ e− 2 (2.11)
x 2π
2 Valor médio, desvio padrão e os momentos estatísti
os 16
que tem omo média, resolvendo a integral da equação 2.10, e1/2 , mediana sendo 1
e a moda é e−1 . É possível ver a identi ação de ada um desses pontos na gura
2.3.
0,6 Moda
Média
Mediana
0,5
0,4
PX(x)
0,3
0,2
0,1
0
0 0,5 1 1,5 2
x
Figura 2.3: Função Densidade de Probabilidade da função des
rita na equação 2.11 aonde são
indi
ados os valores da média, mediana e moda.
O desvio padrão por sua vez, é denido a partir de outra quantidade a variân ia. Ele
dene a dispersão que existe nos dados, de forma grosseira, a largura da distribuição,
ou então, o quão distantes os valores podem ser tomados fora da média, ou seja, fora
da tendên ia. Esses desvios tanto podem ser positivos quanto negativos, ao invés
o quadrado das diferenças, am de evitar uma variân
ia nula sempre, sendo assim,
2 Valor médio, desvio padrão e os momentos estatísti
os 17
n
X
Var(x) = (xi − µ)2 pi (2.12)
i=1
Denida a variân ia é possível agora determinar o desvio padrão, que indi a o quanto
as medidas estão dispersas. Essa grandeza estatísti a é denida omo sendo a raiz
v
u n
p uX
σx = Var(x) = t (xi − µ)2 pi (2.13)
i=1
Usando mais uma vez o exemplo do dado tenden ioso, é possível determinar
1 1 1
Vardado viciado = (1 − 3, 79)2 ∗ + (2 − 3, 79)2 ∗ + (3 − 3, 79)2 ∗
12 6 8
1 1 1
+ (4 − 3, 79)2 ∗ + (5 − 3, 79)2 ∗ + (6 − 3, 79)2 ∗
4 4 8
= 2, 25 (2.14)
p
σdado viciado = 2, 25 = 1, 5 (2.15)
todo o espaço, de tal forma que a variân ia e o desvio padrão são denidos omo:
Z
Var(x) = PX (x)(x − µ)2 dx (2.16)
{E}
sZ
p
σx = Var(x) = PX (x)(x − µ)2 dx (2.17)
{E}
2 Valor médio, desvio padrão e os momentos estatísti
os 18
p
σx = e(e − 1) (2.19)
Média
0,6
0,5
0,4
PX(x)
0,3
0,2
σx
0,1
0
0 2 4 6 8
x
Figura 2.4: Indi ativo visual do desvio padrão da distribuição segundo a equação 2.11
forma:
n
X
µm = xm
i pi (2.20)
i=1
Z
µm = PX (x)xm dx (2.21)
{E}
aonde a equação 2.20 se refere a distribuições dis retas e a equação 2.21 às distribui-
ções ontínuas. Como informado, ada momento, ou seja, ada expoente indi ados
nas equações, indi a um parâmetro da urva, desde sua largura, à diversos graus
tão rela ionados om a forma que a distribuição tem e os momentos ímpares são
Uma outra denição para os momentos, são os momentos entrados na média. Esses
momentos são úteis para al ular a variân ia, skewness e kurtosis, que são quanti-
Aonde por denição h f (x) i é o valor esperado da função, ou seja, para funções
ontínuas(e fa ilmente extrapolado para funções dis retas), dado pela equação:
Z
h f (x) i = PX (x)f (x)dx (2.23)
{E}
subtração entre a média e ela mesma. Para o segundo momento entrado na média
ordem dos dados, e por si só, ao fazer m=2 a equação 2.22 se torna exatamente
igual a equação 2.12, para o aso dis reto e a equação 2.13. E é possível mostrar
a partir da denição forne ida na equação 2.22 que a própria variân ia depende do
= h x2 i − 2h x ih x i + h x i2
= h x2 i − 2h x i2 + h x i2
= h x2 i − h x i2 (2.24)
outros momentos de ordem mais altas, omo o ter eiro e o quarto momentos. Usando
= h x3 i − 3h x2 ih x i + 3h x ih x i2 − h x i3
= h x3 i − 3h x2 ih x i + 2h x i3 (2.25)
µ′4 = h (x − h x i)4 i
= h x4 i − 4h x3 ih x i + 6h x2 ih x i2 − 4h x ih x i3 + h x i4
= h x4 i − 4h x3 ih x i + 6h x2 ih x i2 − 3h x i4 (2.26)
E esses são alguns dos momentos entrados na média. Com esses resultados, são
segundo:
µ′m
γm = (2.27)
σxm
ou seja, o momento entrado na média, dividido pelo desvio padrão elevado ao grau
do momento.
Skewness
a sua média. Seu valor usualmente é positivo, indi ando uma auda a direita da
gorda nesse sentido, o valor pode ser negativo, indi ando o ontrário, ou zero, om
um grau de assimetria nulo. Algumas distribuições não possuem uma skewness bem
denida, por sua própria natureza, por não apresentar assimetria fa ilmente medida.
µ′3
s= (2.28)
σx3
2 Valor médio, desvio padrão e os momentos estatísti
os 22
PX(x)
PX(x)
0,3 0,3
0,2 0,2
0,1 0,1
0 0
0 1 2 3 4 5 5 6 7 8 9 10
x
0,4
(c)
0,3
PX(x)
0,2
0,1
0
-4 -2 0 2 4
x
Kurtosis
A kurtosis tem origem na palavra grega κνρτ ς ou, kyrtos, que signi a urvada,
as hamadas lepto úrti as, mais afuniladas no pi o, as que possuem kurtosis nega-
µ′4
κ= 4 (2.29)
σx
kurtosis, por isso é omum, e útil, denir uma outra quantidade, a kurtosis ex essiva.
µ′4
κ′excessiva = − κgaussiana
σx4
µ′4
= −3 (2.30)
σx4
1 2
de kurtosis , para as distribuições de Lapla
e , Wigner e Gauss.
0,5 0,2
(a) (b)
0,4
0,15
0,3
PX(x)
PX(x)
0,1
0,2
0,05
0,1
0 0
-4 -2 0 2 4 -4 -2 0 2 4
x
0,4
(c)
0,3
PX(x)
0,2
0,1
0
-4 -2 0 2 4
x
Z
fX (k) = PX (x)eikx dx (2.31)
{E}
em série de Taylor, no aso espe ial entrada em zero(a hamada série de Ma laurin),
∞
y y2 y3 X yα
e =1+y+ + +··· = (2.33)
2! 3! α=0
α!
(ikx)2 (ikx)3
Z
fX (k) = PX (x) 1 + ikx + + + · · · dx (2.34)
{E} 2! 3!
(ik)2
Z Z Z
fX (k) = PX (x)dx + ik PX (x)xdx + PX (x)x2 dx + · · · (2.35)
{E} {E} 2! {E}
e por denição,
(ik)2 2 (ik)3 3
fX (k) = 1 + ikh x i + hx i+ hx i+···
2! 3!
∞
X (ik)m h xm i
= (2.36)
m=0
m!
e portanto, a função ara terísti a pode ser obtida utilizando os momentos e por
sua vez, usando uma transformada de Fourier, é possível obter a distribuição ori-
ginal. Além dos momentos estatísti os, a função ara terísti a é apaz de forne er
Para tal, se faz a expansão em série de Ma laurin da função: ln fX (k), de tal forma
d3 ln fX (k) fX′′′ (k)fX3 (k) − 3fX′′ (k)fX′ (k)fX (k) − 2(fX′ (k))3 fX (k)
=
dk 3
k=0 fX4 (k)
k=0
= i3 h x3 i − 3h x2 ih x i + 2h x i3
(2.39)
X (ik)m
ln fX (k) = Cm (x) (2.41)
m=0
m!
aonde Cm (x) são os
umulantes, que podem ser trivialmente rela
ionados
om os
2 Distribuições
onjuntas de probabilidade 26
C1 (X) = h x i (2.42)
2
C4 (X) = h x4 i − 3h x2 i − 4h x ih x3 i + 12h x2 ih x i2 − 6h x i4 (2.45)
..
.
(2.47)
distribuição, mesmo que a função PX (x) seja muito difí il de ser a essada, omo é o
aso omum em séries temporais, onjuntos de variáveis aleatórias que são sorteadas
om o passar do tempo.
babilidade, no mesmo espaço amostral, essas variáveis podem ser des ritas através
Z
PX (x) = PXY (x, y)dy (2.50)
{E}
variável X:
Z Z
m
hx i = PXY (x, y)xm dxdy (2.51)
{E} {E}
Z Z
m β
hx y i = PXY (x, y)xm y β dxdy (2.52)
{E} {E}
Através dessa denição, dois momentos onjuntos podem ser des ritos, a
se afastam do primeiro momento onjunto, e por isso, se mostra muito pare ida om
uma depende do resultado da outra, omo elas se inuen iam. A função orrelação
está limitada no intervalo [−1, 1], indi ando que o valor máximo é a dependên ia
total e uma hamada persistên ia em repetir eventos e o valor mínimo uma anti-
persistên ia, e se aso as duas variáveis são ditas independentes, logo Cor(X, Y ) = 0.
h (x − h x i)(y − h y i) i
Cor(X, Y ) = . (2.54)
σx σy
uma função ara terísti a, uja denição surge omo uma generalização da equação
2.31:
Z Z
fZ (k) = PXY (x, y)eikG(x,y)dxdy (2.55)
{E} {E}
os, velo idade de partí ulas em um gás, ou mesmo o simples lançar de uma moeda
por diversas vezes, a distribuição de probabilidade PX (x) é bem onhe ida e faz
apenas algumas distribuições, àquelas que didati amente são mais ompatíveis om
ada, mas, de ontra partida, om apli ações limitadas à sistemas de dois níveis
não- orrela ionados. Em seguida omo uma extrapolação do modelo binomial, será
apresentada a distribuição gaussiana, ou urva normal que é um dos prin ipais en-
surge uma distribuição binomial para um nito número de realizações. Como dito
por exemplo o lançar de uma moeda justa, onde p = q = 0.5, de forma normalizada.
Um outro exemplo bastante omum, aso esse onjunto amostral seja om-
posto por um móvel que é permitido dar passos de tamanho xo l , tanto para o eixo
o número de passos para o sentido positivo do eixo e n− o número de passos que ele
dá para a direção negativa do eixo, de tal forma que p é a probabilidade dele dar
um passo na direção positiva do eixo. A gura 2.7 mostra uma série de aminhantes
40
(a)
20
x
0
-20
-40
0 500 1000 1500 2000 2500 3000
0
-100 (b)
-200
x
-300
-400
0 500 1000 1500 2000 2500 3000
300
250 (c)
200
150
x
100
50
0
0 500 1000 1500 2000 2500 3000
passos
N! n+ n−
WN (n+ ) = p q . (2.56)
n+ !n− !
quantidade de variáveis:
N!
WN (n+ ) = pn+ q N −n+ . (2.57)
n+ !(N − n+ )!
Que nada mais é que o (n+ +1)-ésimo termo da expansão do binmio (q+p)N .
N +n N −n
n+ = n− = , (2.58)
2 2
N!
P (n) = p(N +n)/2 q (N −n)/2 . (2.59)
[(N + n)/2]![(N − n)/2]!
0,02
(a)
0,015
PX(x)
0,01
0,005
0
-300 -250 -200 -150 -100 -50 0 50 100 150 200 250 300
0,02
(b)
0,015
PX(x)
0,01
0,005
0
-500 -450 -400 -350 -300 -250 -200 -150 -100 -50 0 50 100
0,02
(c)
0,015
PX(x)
0,01
0,005
0
-100 -50 0 50 100 150 200 250 300 350 400 450 500
x
investigar melhor a probabilidade W (n+ ), que é des rita pela equação 2.57. Nesse
valor máximo, om n+ = ñ+ . Para isso, pode-se fazer uma expansão em série de
ln WN (n+ ) = ln N! − ln n+ ! − ln(N − n+ )! + n+ ln p + (N − n+ ) ln q
2 Algumas Distribuições de Probabilidades 32
ln WN (n+ ) = N ln N − N − n+ ln n+ + n+ − (N − n+ ) ln(N − n+ ) +
+(N − n+ ) + n+ ln p + (N − n+ ) ln q (2.60)
∂
ln WN (n+ ) = − ln n+ + ln(N − n+ ) + ln p − ln q. (2.61)
∂n+
ñ+ p Np ñ+ p Np
ln = ln ⇒ ñ+ = − ⇒ ñ+ = = Np (2.62)
N − ñ+ q q q p+q
2
∂ ∂ ∂
ln WN (n+ ) = ln WN (n+ )
2
∂n+ ∂n+ ∂n+
n+ =ñ+ n+ =ñ+
1 1 1
= − − =− (2.63)
Np N − Np Npq
∂ ln WN (n+ )
ln WN (n+ ) = ln WN (ñ+ ) + (n+ − ñ+ ) +
∂n+
n+ =ñ+
(n+ − ñ+ )2 ∂ 2 ln WN (n+ )
2! ∂n2+
n+ =ñ+
2
(n+ − Np) WN (n+ ) (n+ − Np)2
= ln WN (ñ+ ) − ⇒ ln =− ⇒
2Npq WN (ñ+ ) 2Npq
(n+ −Np)2
−
⇒ WN (n+ ) = WN (ñ+ )e 2Npq
(2.64)
arma que a integral da densidade probabilidade em todo espaço deve ser igual a
unidade, logo
∞ (n+ −Np)2 1 1
Z
WN (ñ+ )e− 2Npq dn+ = 1 ⇒ WN (ñ+ ) = R (n −Np)2
=√ .
−∞ ∞ − +2Npq 2πNpq
−∞
e dn+
(2.65)
1 (n+ −Np)2
WN →∞ (n+ ) = PG (n+ ) = √ e− 2Npq . (2.66)
2πNpq
De forma mais geral, para uma variável aleatória X , a distribuição de probabilidades
é dada por:
( )
2
1 (x − h x i)
P (x) = √ exp − , (2.67)
2πσ 2σ 2
ção íntima
om o teorema do limite
entral. Nessa seção, na qual a distribuição foi
2 Algumas Distribuições de Probabilidades 34
apresentada, já se mostra um exemplo laro de apli ação do teorema, aonde uma dis-
veis des orrela ionadas e que obede em a outros ritérios estabele idos no teorema,
2.9 são apresentadas algumas urvas seguindo a equação 2.67 om alguns parâmetros
que as diferen iam, mas nun a perdendo a ara terísti a de ter uma auda que
de res e omo uma função exponen ial, fato relevante nas análises da urva normal.
0,8
<x>=0;σ=1
<x>=0;σ=2
<x>=-4;σ=0.5
0,6 <x>=3;σ=4
PX(x)
0,4
0,2
0
-6 -4 -2 0 2 4 6
x
Figura 2.9: Alguns exemplos de
urvas da distribuição gaussiana
om alguns parâmetros diversos.
É possível notar que a distribuição é simétri
a, possuindo portanto skewness nula e tem um formato
bastante
ara
terísti
o, em forma de sino.
2 Algumas Distribuições de Probabilidades 35
Os momentos Gaussianos
1. Média
A média é o primeiro parâmetro que pode ser en arado quando se observa uma
−(x−µ)2
∞
e
Z
2σ 2
hxi = x√ dx (2.68)
−∞ 2πσ 2
é possível resolver essa equação usando um artifí io bem simples, amplamente utili-
−(x−µ)2
zado em me
âni
a estatísti
a. Cal
ulando a derivada da função e 2σ 2 em relação
a µ, o resultado será:
d −(x−µ)2 (x − µ) −(x−µ) 2
e 2σ 2
= e 2σ2 (2.69)
dµ σ
−(x−µ)2 d 2
−(x−µ)2 −(x−µ)2
xe 2σ 2 =σ e 2σ 2 + µe 2σ 2 (2.70)
dµ
−(x−µ)2 −(x−µ)2
∞ ∞
d e e
Z Z
2σ 2 2σ 2
h x i = σ2 √ dx + µ √ dx (2.71)
dµ −∞ 2πσ 2 −∞ 2πσ 2
−(x−µ)2
R∞ e √ 2σ 2
pela
ondição de normalização,
−∞ 2πσ2
dx = 1, portanto,
d
h x i = σ2 (1) + µ(1)
dµ
= µ (2.72)
pois a derivada de uma onstante é nula. Dessa forma a média em uma distribuição
momento.
−(x−µ)2
∞
e
Z
2σ 2
h x2 i = x2 √ dx (2.73)
−∞ 2πσ 2
apli
ando a mesma metodologia anterior e tomando a derivada em segunda ordem
−(x−µ)2
do termo e 2σ 2 ,
d2
−(x−µ)2 d (x − µ) −(x−µ) 2
e 2σ 2 = e 2σ 2
dµ2 dµ σ2
−(x−µ)2
e 2σ 2 (x − µ)2 −(x−µ) 2
= − + e 2σ 2
σ2 σ4
−(x−µ)2
e 2σ 2 (x2 − 2xµ + µ2 ) −(x−µ) 2
= − + e 2σ 2 (2.74)
σ2 σ4
d2
−(x−µ)2 −(x−µ)2 −(x−µ)2 −(x−µ)2
2 4
xe 2σ 2 =σ e 2σ2 + σ 2 e 2σ2 + 2xµ − µ2 e 2σ2 (2.75)
dµ2
−(x−µ)2 Z ∞ −(x−µ) 2
2 Z ∞
d e 2σ 2 e 2σ 2
h x2 i = σ 4 2 √ dx + σ 2 √ dx +
dµ −∞ 2πσ 2 −∞ 2πσ 2
Z ∞ −(x−µ)2 Z ∞ −(x−µ) 2
e 2σ2 e 2σ 2
+ 2µ x√ dx − µ2 √ dx
2πσ 2 2πσ 2
−∞ −∞
d2
= σ 4 2 (1) + σ 2 (1) + 2µh x i − µ2 (1)
dµ
= σ 2 + µ2 (2.76)
sendo esse então o segundo momento estatísti o para qualquer urva gaussiana, om
parâmetros σ e µ.
vio padrão ao quadrado. As equações 2.22 e 2.24 forne
em a visão geral para o
2 Algumas Distribuições de Probabilidades 37
Revisitando as equações da seção 2.3.2, em espe ial a equações 2.16 e 2.17, é possível
Dessa forma, utilizando esses dois resultados, é possível armar que a distri-
buição gaussiana possui dos parâmetros relevantes, µ e σ , que através das denições
propostas pelas as equações 2.72 e 2.77 são identi ados omo a média e o desvio
A metodologia mais uma vez é repetida, apli ando a equação 2.21 é obtido:
−(x−µ)2
∞
3e
Z
2σ 2
h x3 i = x √ dx (2.78)
−∞ 2πσ 2
−(x−µ)2
em µ do termo e 2σ 2 :
d3 d2
−(x−µ)2 d −(x−µ)2
e 2σ 2 = e 2σ 2
dµ3 dµ dµ2
−(x−µ)2
2
d e 2σ 2
(x − µ) −(x−µ) 2
= − 2
+ e 2σ2
dµ σ σ4
(x − µ)3 −(x−µ) 2
3(x − µ) −(x−µ) 2
= e 2σ 2 − e 2σ 2
σ6 σ4
(x − 3x µ + 3xµ − µ3 ) −(x−µ)
3 2 2 2
3(x − µ) −(x−µ) 2
= e 2σ 2 − e 2σ 2 (2.79)
σ6 σ4
2 Algumas Distribuições de Probabilidades 38
−(x−µ)2
logo, resolvendo a equação para x3 e 2σ 2 ,
d3
−(x−µ)2 −(x−µ)2 −(x−µ)2 −(x−µ)2
3 6
xe 2σ 2 =σ e 2σ2 + 3σ 2 (x − µ)e 2σ2 + 3x2 µ − 3xµ2 + µ3 e 2σ2
dµ3
(2.80)
−(x−µ)2 −(x−µ)2
∞ ∞
d3 e e
Z Z
2σ 2 2σ 2
h x3 i = σ 6 3 √ dx + 3σ 2 x√ dx −
dµ −∞ 2πσ 2 −∞ 2πσ 2
−(x−µ)2 −(x−µ)2
∞ ∞
e e
Z Z
2σ 2 2σ 2
2
− 3µσ √ dx + 3µ x2 √ dx −
−∞ 2πσ 2 −∞ 2πσ 2
−(x−µ)2 −(x−µ)2
∞ ∞
e e
Z Z
2σ 2 2σ 2
− 3µ2 x√ dx + µ3 √ dx (2.81)
−∞ 2πσ 2 −∞ 2πσ 2
d3
h x3 i = σ 6 (1) + 3σ 2 h x i − 3µσ 2 (1) + 3µh x2 i − 3µ2 h x i + µ3 (1)
dµ3
= 3µσ 2 + µ3 (2.82)
padrão, omo era de se esperar, os dois parâmetros relevantes ao sistema. Cal ulando
agora o ter eiro momento entrado na média, am de obter o valor da skewness , é
µ′3 = h x3 i − 3h x2 ih x i + 2h x i3
= 0 (2.83)
e por onsequên ia, a skewness , que é dada pela equação 2.28, será também nula,
µ′3 0
Sgauss = 3
= 3 =0 (2.84)
σ σ
2 Algumas Distribuições de Probabilidades 39
Para o quarto e último momento a ser abordado nessa tese, se faz ne essário
−(x−µ)2
∞
e
Z
2σ 2
h x4 i = x4 √ dx (2.85)
−∞ 2πσ 2
−(x−µ)2
Am de resolver a integral a
ima,
al
ula-se a derivada da função e 2σ 2
em quarta ordem em µ:
d4
3
−(x−µ)2 d d −(x−µ)2
e 2σ 2 = e 2σ2
dµ4 dµ dµ3
d (x − µ)3 −(x−µ)
2
3(x − µ)
= e 2σ2 −
dµ σ6 σ4
(x − µ)4 −(x−µ) 2
3 −(x−µ) 2
6(x − µ)2 −(x−µ) 2
= e 2σ 2 + e 2σ 2 − e 2σ 2
σ8 σ4 σ6
4 3 2 2 3 4 −(x−µ)2
x − 4x µ + 6x µ − 4xµ + µ
= e 2σ2 +
σ8
3 −(x−µ) 2
6(x − µ)2 −(x−µ) 2
+ e 2σ 2 − e 2σ 2 (2.86)
σ4 σ6
−(x−µ)2
resolvendo para x4 e 2σ 2 am de resolver a equação 2.85,
d4
−(x−µ)2 −(x−µ)2 −(x−µ)2
4 8
xe 2σ 2 = σ e 2σ 2
+ 4x3 µ − 6x2 µ2 + 4xµ3 − µ4 e 2σ2 −
dµ4
−(x−µ)2 −(x−µ)2
− 3σ 4 e 2σ 2 + 6σ 2 (x − µ)2 e 2σ 2 (2.87)
2 Algumas Distribuições de Probabilidades 40
2 −(x−µ)2 −(x−µ)2
Z ∞ −(x−µ) Z ∞ Z ∞
4 d4 8 e 2σ2 3e
2σ 2
2 2e
2σ 2
hx i = σ √ dx + 4µ x √ dx − 6µ x √ dx +
dµ4 −∞ 2πσ 2 −∞ 2πσ 2 −∞ 2πσ 2
Z ∞ −(x−µ)2 Z ∞ −(x−µ) 2
Z ∞ −(x−µ) 2
e 2σ 2 e 2σ 2 e 2σ 2
+ 4µ3 x√ dx − µ4 √ dx − 3σ 4 √ dx +
2πσ 2 2πσ 2 2πσ 2
−∞ −∞ −∞
Z ∞ −(x−µ)2 Z ∞ −(x−µ)2 Z ∞ −(x−µ) 2
e 2σ 2 e 2σ 2 e 2σ 2
+ 6σ 2 x2 √ dx − 12σ 2 µ x√ dx + 6σ 2 µ2 √ dx
2πσ 2 2πσ 2 2πσ 2
−∞ −∞ −∞
(2.88)
logo,
d4
h x4 i = σ 8 (1) + 4µh x3 i − 6µ2h x2 i + 4µ3 h x i − µ4 (1) − 3σ 4 (1) +
dµ4
+ 6σ 2 h x2 i − 12σ 2 µh x i + 6σ 2 µ2 (1)
= 3σ 4 + 6σ 2 µ2 + µ4 (2.89)
µ′4 = h x4 i − 4h x3 ih x i + 6h x2 ih x i2 − 3h x i4
= 3σ 4 (2.90)
por sua vez, a kurtosis , por sua própria denição(equação 2.29) será para a gaussi-
ana:
µ′4 3σ 4
κ= = =3 (2.91)
σ4 σ4
kurtosis :
κ′gaussiana = 3 − 3 = 0 (2.92)
2 Algumas Distribuições de Probabilidades 41
muito importantes pelo fato de que eles são representados por uma quantidade que
não depende dos parâmetros µ ou σ , e por isso, representam um dos testes onáveis
de onvergên ia. É fato que esses testes, valores gaussianos para skewness e kurtosis
omparados, por si só não garantem que uma distribuição qualquer seja gaussiana,
mas são parâmetros que se tornam relevantes por a res entarem mais informações
exp {ikµ − |ck|α [1 − iβsgn(k)tg(πα/2)]}
se α 6= 1
fx (k) = (2.93)
exp {ikµ − |ck|α [1 + iβsgn(k)(2 log(k)/π)]} α=1
se
sendo relevante em sua onguração geométri a e em sua auda, β está entre [−1, 1]
α=0.5
0,6 α=0.75
α=1.0
α=1.25
α=1.5
0,5 α=1.75
α=2.0
0,4
PX(x)
0,3
0,2
0,1
0
-3,0 -1,5 0 1,5 3
x
0,2
0,3
0,2 0,1
0,1
0 0
-3 -2 -1 0 1 2 3 -3 -2 -1 0 1 2 3
0,2 0,2
Px(x)
0,15 0,15
0,1 0,1
0,05 0,05
0 0
-3 -2 -1 0 1 2 3 -3 -2 -1 0 1 2 3
x x
o seu omportamento assintóti o, não aparenta uma urva expoen ial e sim uma
auda omo lei de potên ia. Essa probabilidade não nula para eventos extremos,
pode ser melhor observado em um eixo semi-log, omo mostram as guras 2.12 e
2.13. É possível também ver que para α = 2 a queda é muito mais a entuada e
1 α=0.5
α=0.75
α=1.0
α=1.25
α=1.5
α=1.75
α=2.0
0,01
log[PX(x)]
0,0001
-10 -5 0 5 10
x
Figura 2.12: Eixo em semi-log da gura 2.10, mostrando
omo o de
aimento sugere uma lei de
potên
ia.
média ou seja, na auda da distribuição, o seu omportamento é tipo lei de potên ia,
e dado omo[16℄:
αcα (1 + β)sen(πα/2)Γ(α)/π
PX (x) ∼ . (2.94)
|x|1+α
1 α=0.5
α=0.75
α=1.0
α=1.25
α=1.5
α=1.75
α=2.0
0,01
log[PX(x)]
0,0001
0 5 10 15 20
x
Figura 2.13: Figura voltada à
auda, aonde o
omportamento em lei de potên
ia para α < 2 se
torna mais evidente.
1
PX (x) ∼ . (2.95)
|x|1+α
essas distribuições possam mapear problemas ujos quais são formados por eventos
extremos, ou seja, eventos aonde a variável aleatória x toma valores muito fora da
média.
rando apenas alguns parâmetros. Apesar de uma lasse bem geral de distribuições,
a equação 2.93 possui apenas 3 soluções analíti as. Para α = 0.5 e β = 1, a solução
distribuição de Cau hy, ou por vezes hamada de Lorentziana. Por m, e não menos
distribuição Gaussiana.
√
fx (k) = eikµ− −2ick
(2.96)
Z ∞ √
1
P (x) = eikµ− −2ick e−ikx dk (2.97)
2π −∞
Z ∞ √
1
= eikµ− −2ick−ikx dk
2π −∞
Z ∞ √
1
= e−ik(x−µ)− −2ick dk
2π −∞
Z ∞ √
1
= e−[ik(x−µ)+ −2ick] dk
2π −∞
denindo:
y = i(x − µ) (2.98)
z = −2ic (2.99)
∞ √
1
Z
P (x) = e−(ky+ kz)
dk (2.100)
2π −∞
am de simpli
ar a integral mais uma vez, é possível fazer o seguinte rearranjo
2 Algumas Distribuições de Probabilidades 46
matemáti o:
√ p 2 p r z r z 2 r z 2
ky + kz = ky +2 ky + − (2.101)
4y 4y 4y
2
z z
p r
= ky + − (2.102)
4y 4y
Com esse rearranjo a equação 2.100 será dada por:
( " r 2 #)
∞
1 z z
Z p
P (x) = exp − ky + − dk (2.103)
2π −∞ 4y 4y
z Z ∞ √ √ 2
e 4y − z
ky+ 4y
P (x) = e dk (2.104)
2π −∞
Para resolver essa integral, é possível fazer uma mudança de variável que onsidere
p u2 2u
−u = ky ⇒ k = −→ dk = du (2.105)
y y
z
r
θ = (2.106)
4y
e
om isso a equação 2.104 será dada por:
2 ∞
eθ
Z
2
P (x) = ue−(−u+θ) du (2.107)
yπ −∞
2
eθ
P (x) = √ (θ) (2.111)
y π
2
θeθ
= √ (2.112)
y π
2 Algumas Distribuições de Probabilidades 47
z
e 4y z
r
P (x) = √ (2.113)
y π 4y
−2ic
s
e 4i(x−µ) −2ic
P (x) = − √
[i(x − µ)] π 4i(x − µ)
−c r
e 2(x−µ) −c
= √
[i(x − µ)] π 2(x − µ)
−c
e 2(x−µ) c
r
= √ i
[i(x − µ)] π 2(x − µ)
−c
e 2(x−µ) c
r
= √
(x − µ) π 2(x − µ)
r −c
c e 2(x−µ)
= (2.114)
2π (x − µ)3/2
Na gura 2.14 pode-se veri ar algumas urvas que seguem a função dada
pela equação 2.114, mostrando a ara terísti a de auda omo lei de potên ia e
surge a distribuição de Cau hy, ou algumas vezes onhe ida omo distribuição de Lo-
c=0.5 e µ=0
c=1 e µ=0
0,8 c=0.5 e µ=1
c=1.5 e µ=−2
0,6
PX(x)
0,4
0,2
0
-4 -2 0 2 4
x
sidade de probabilidade:
Z ∞
1
P (x) = eikµ−|ck| e−ikx dk
2π −∞
Z ∞ Z 0
1 ikµ−ck −ikx 1
= e e dk + eikµ+ck e−ikx dk
2π 0 2π −∞
Z ∞ Z 0
1 −k[i(x−µ)+c] 1
= e dk + ek[−i(µ−x)+c] dk
2π 0 2π −∞
∞ k[−i(x−µ)+c] 0
1 −e−k[i(x−µ)+c]
1 e
= +
2π [i(x − µ) + c] 0 2π [−i(x − µ) + c] −∞
1 1
= +
2π[i(x − µ) + c] 2π[−i(x − µ) + c]
i(x − µ) + c − i(x − µ) + c
=
2π[i(x − µ) + c][−i(x − µ) + c]
2c
= (2.116)
2π{−[i(x − µ)]2 + c2 }
sequinte equação:
c
P (x) = (2.117)
π[(x − µ)2 + c2 ]
2 Algumas Distribuições de Probabilidades 49
buição é laramente uma auda grossa, ou seja, om uma queda que não se es reve
0,8
c=0.5 e µ=0
0,7
c=1.0 e µ=0
c=0.5 e µ=1
0,6 c=1.5 e µ=−2
0,5
PX(x)
0,4
0,3
0,2
0,1
0
-4 -2 0 2 4
x
2 2 k2
fx (k) = eikµ−(|ck|) = eikµ−c (2.118)
Z ∞
1 2 2
P (x) = eikµ−c k e−ikx dk
2π −∞
Z ∞
1 2 2
= e−ik(x−µ)−c k dk
2π −∞
Z ∞
1 2 2
= e−[ik(x−µ)+c k ] dk (2.119)
2π −∞
2 Algumas Distribuições de Probabilidades 50
y 2 y 2
ky + c2 k 2 = ky + c2 k 2 + −
2c 2c
y 2 y 2
= ck + − (2.120)
2c 2c
Z ∞ h
1 y 2 y 2
i
− (ck+ 2c ) −( 2c )
P (x) = e dk
2π −∞
y 2 Z
e( 2c ) ∞
y 2
= e−(ck+ 2c ) dk
2π −∞
y 2 √
e( 2c ) π
= (2.121)
2π c
i(x−µ) 2 √
e( 2c ) π
P (x) =
2π c
−(x−µ)2 √
e 4c2 π
= (2.122)
2π c
−(x−µ)2
√
e 2( 2c)2
P (x) = q √ (2.123)
2π( 2c)2
√
aonde é trivial notar que σ= 2c. Algumas das diferentes formas que a distribuição
gaussiana pode ter, são observadas na gura 2.9, apresentada anteriormente nessa
mesma tese.
2 Fra
talidade em Séries temporais 51
ológi os, e onmi os e algumas séries temporais[20, 21, 22, 23℄, a auto-similaridade.
Tais sistemas, quando tem sua es ala alterada apresentam o mesmo padrão, ou seja,
a auto-similaridade impli a em uma invariân ia por es ala, podendo ser dis reta ou
ontínua.
sente no onjunto dos reais, diferente de outros padrões geométri os que possuem
turas reais, não são innitas, e portanto não podem se omportar omo innitas.
Além disso é possível que o sistema tome uma ara terísti a muito distinta quando
não possam mais ser observados. Um exemplo são os galhos de algumas árvores e
o nível mole ular, esse padrão usualmente se perde, tomando um outro formado
espe í o.
Para uma série temporal, o prin ipal objeto de estudo dessa tese, dene-se
d κt
X(t) ≡ a X (2.124)
a
onde, X(t) é uma série de variáveis aleatórias x, que são organizadas em uma
d
sequên
ia
ronológi
a, ≡ impli
a que as propriedades estatísti
as de ambos os lados
e somente se, os dados da série, as variáveis aleatórias x for rees alado na forma:
x → aκ x, e o eixo temporal, que dene a amostragem, for rees alado por um fator
t
a (t → a
), e a série resultante possuir as mesmas propriedades estatísti
as que a
original.
armazenamento de água vinda do Rio Nilo no Egito e observou que existia uma
lara
2 Fra
talidade em Séries temporais 53
dependên ia temporal segundo uma lei de potên ia. Hürst, om dados empíri os,
que dado uma quantidade Q(t) de volume de água, um re ipiente deverá ter uma
amplitude R(t). Se o desvio padrão da série temporal for S(t), Hürst observou que
a razão R/S era propor ional a tH , aonde H, ele mediu omo sendo 0,7[25℄.
Leis de potên ia são funções que estão diretamente rela ionadas om algumas
propriedades fra tais, é fá il notar que uma função f (x) = xη possui ara terísti as
auto-similares, pois se x for rees alado por um fator a, é trivial que: f (ax) = (ax)η =
aη xη = aη f (x).
tendên ias que provo avam erros no método R/S , o método DFA[27℄. O método
Dada uma série temporal, o primeiro passo para a análise DFA é integrar a
série temporal, x(t) om N pontos, ou seja, o tempo total será N, obtendo a função:
t
X
y(t) = (xt′ − h x i); (2.125)
t′
onde temos t = 1, . . . , N .
Com a nova série, y(t), basta dividi-la em Nτ intervalos temporais não su-
τ
1X
F2 (n, τ ) ≡ |y((n − 1)τ + i) − yn (i)|2 . (2.126)
τ i=1
2 Fra
talidade em Séries temporais 54
Nτ
1 X
F2 (τ ) = F2 (n, τ ). (2.127)
Nτ n=1
E dessa forma, a laro o apare imento de uma lei de potên ia envolvendo o parâ-
F2 (τ ) ∼ τ 2H (2.128)
Essa é uma analise mais sensível e sem tendên ias, restrita apenas pela quan-
tidade de dados, que pode indi ar uma estatísti a pobre e resultados aquém da re-
d= 2−H (2.129)
sistemas usualmente estão próximos a transições de fase, ou são rela ionados a or-
multifra tais e para essa análise é denido o expoente de Hürst generalizado, H(q),
DFA(Multifra tal Detrended Flu tuation Analysis ), de tal forma que a utuação é
Nτ
1 X
Fq (τ ) = [F2 (n, τ )]q/2 , (2.130)
Nτ n=1
Fq (τ ) ∼ τ qh(q) , (2.131)
2 Fra
talidade em Séries temporais 55
Essa análise explora os valores de q dentro do espaço real e faz om que grandes u-
1
Dq = [qα(q) − f (α(q))]. (2.132)
q−1
d
[(1 − q)Dq ] = α, (2.133)
dq
a função do espe tro de singularidade, f (α). A gura 2.17 mostra o padrão presente
nas análises multifra tais do espe tro multifra tal. Quando mais largo se mostra
tenda a uma largura nula, o sistema tem apenas um expoente de Hölder, e portanto
2 Fra
talidade em Séries temporais 56
multifra tal.
D0
f(α)
αmin= D+ α0 αmax= D-
α(q)
mesmo, o Teorema das Seções de Lévy. Os teoremas serão anun iados e seguidos
57
3 Teorema do Limite Central(TLC) 58
na forma:
n n
X1 + X2 + . . . + Xn X (Xi − nh X i) X
Sn = − hX i = = si , (3.1)
n i
n i
nSn 2
n − 2σ
r
2
lim PX (Sn ) = 2
e X (3.2)
n→∞ 2πσX
Com o teorema apresentado, segue uma das provas elegantes do mesmo, via
transformada inversa de Fourier, que muito se pare e om a prova da lei fra a dos
grandes números[32℄, outro importante resultado em estatísti a, mas que não será
Z ∞
−1
F [PX (Sn )] = e2iπSn X P (X)dX
−∞
∞
∞ X
(2iπSn X)l
Z
= P (X)dX
−∞ l=0 l!
∞
(2iπSn )i ∞ l
X Z
= X P (X)dX
l=0
i! −∞
∞
X (2iπSn )l
= h Xl i (3.3)
l=0
l!
denindo que:
* l +
(X1 + X2 + . . . + Xn )
h Xl i =
n
= h n−l (X1 + X2 + . . . + Xn )l i
Z ∞
= n−l (X1 + X2 + . . . + Xn )l P (X1 ) . . . P (Xn )dX1 . . . dXn (3.4)
−∞
3 Teorema do Limite Central(TLC) 59
∞
X (2iπSn )
F −1 [PX (Sn )] = h Xl i
l=0
l!
∞ ∞
(2iπSn )
X Z
= n−l (X1 + X2 + . . . + Xn )l P (X1 ) . . . P (Xn )dX1 . . . dXn
l=0
l! −∞
h il
∞ (2iπSn (X1 +X2 +...+Xn )
Z ∞ X n
= P (X1 ) . . . P (Xn )dX1 . . . dXn
−∞ l!
Z ∞ l=0
h
(2iπSn (X
i
1 +X2 +...+Xn )
= e n
P (X1 ) . . . P (Xn )dX1 . . . dXn
−∞
Z ∞ Z ∞
2iπSn X1 /n 2iπSn Xn /n
= e P (X1 )dX1 . . . e P (Xn )dXn
−∞ −∞
Z ∞ n
−1 2iπSn X/n
F [PX (Sn )] = e P (X)dX
−∞
"Z ∞
#n
∞ X (2iπSn X/n)l
= P (X)dX
−∞ l=0 l!
(Z " 2 # )n
∞
1 2iπSn2iπSn 2
= 1+ X+ X + . . . P (X)dX
−∞ 2 n n
" 2 #n
2iπSn 1 2πSn
= 1+ hX i− h X2 i + . . .
n 2 n
( " 2 #)
2iπSn 1 2πSn
= exp n ln 1 + hX i− h X2 i + . . . (3.5)
n 2 n
1 1
ln(1 + z) = z − z 2 + z 3 + . . . (3.6)
2 3
2
2iπSn 1 2πSn
z= hX i− h X2 i + . . . ,
n 2 n
isso porque n é muito grande e tende ao innito. Desprezando os termos de ter eira
ordem em diante:
3 Teorema do Limite Central(TLC) 60
2 ! 2
2iπSn 1 2πSn 2 2πSn
2iπSn 1
ln 1 + hX i− hX i = h X2 i −
hX i−
n 2 n nn 2
2 !2
1 2iπSn 1 2πSn
− hX i− h X2 i
2 n 2 n
2 2
2iπSn 1 2πSn 1 2πSn
= hX i− 2
hX i + h X i2
n 2 n 2 n
logo:
2 ! 2
2iπSn 1 2πSn 2iπSn 1 2πSn
2
h X i2 − h X 2 i
ln 1 + hX i− hX i = h X i+
n 2 n n 2 n
(3.7)
( " 2 #)
2iπS n 1 2πS n
F −1 [PX (Sn )] = exp n h X i2 − h X 2 i
hX i+
n 2 n
" #
1 (2πSn )2
h X i2 − h X 2 i
= exp 2iπSn h X i +
2 n
" #
1 (2πSn )2 2
= exp 2iπSn h X i − σX (3.8)
2 n
questão. Logo:
Z ∞
PX (Sn ) = e−2iπSn X F −1 [PX (Sn )]dSn
Z−∞
∞ 2
1 (2πSn ) 2
= e−2iπSn X e2iπSn <X>− 2 n
σX
dSn
Z−∞
∞ 2
1 (2πSn ) 2
= e2iπSn (<X>−X)− 2 n
σX
dSn
−∞
3 Teorema do Limite Central(TLC) 61
∞
r
π
Z
iay−by 2 −a2 /4b
e dy = e (3.9)
−∞ b
onde para usualmente é es
rito a = 2π(h X i − X) e b = (2πσX )2 /2n, logo,
s
−[2π(h X i − X)]2
π
PX (Sn ) = (2πσX )2
exp
4(2πσX )2 /2n
2n
n − n(X−<X>)
r
2σ 2
= 2
e X
2πσX
nSn 2
n − 2σ
r
2
= 2
e X (3.10)
2πσX
Que en
erra a prova formalizada do teorema.
Na seção 2.5.2 foi mostrado omo a distribuição Gaussiana é dada no limite quando
distribuídas).
e Z uma variável que seja a soma de duas variáveis dentro do onjunto X, logo:
Z = Xk + Xl , (3.11)
1 2 /2σ 2 1 2 /2σ 2
P (Xl , Xk ) = P (Xl )P (Xk ) = p 2
e−[Xl −<X>] X p
2
e−[Xk −<X>] X ,
2πσX 2πσX
(3.12)
3 Teorema do Limite Central(TLC) 62
ou seja,
∞
1 1
Z
2 2 2 2
P (Z) = p
2
e−[Xl −<X>] /2σX p 2
e−[Z−Xl −<X>] /2σX dXl , (3.14)
−∞ 2πσX 2πσX
portanto:
∞
[Xl − h X i]2 + [Z − Xl − h X i]2
1
Z
P (Z) = 2
exp − 2
dXl (3.15)
−∞ 2πσX 2σX
− 2(Z − Xl )h X i + h X i2
+ 2Xl h X i + h X i2
2
∞ (Xl − Z2 ) − (Z−2<X>)
2
1 −
Z
σ2 2
P (Z) = 2
e X e 4σ
X dXl (3.17)
−∞ 2πσX
3 Teorema do Limite Central(TLC) 63
2
− (Z−2<X>)
2 ∞ (Xl − Z2 )
2
e 4σ
Z
X −
σ2
P (Z) = 2
e X dXl (3.18)
2πσX −∞
2
− (Z−2<X>)
2
e 4σ
X
q
2
P (Z) = 2
σX π
2πσX
2
1 − (Z−2<X>)
2
= p 2
e 4σ
X (3.19)
4πσX
pela mesma distribuição gaussiana, é uma outra distribuição gaussiana, então aso
sejam somadas N variáveis, omo arma o TLC, obtêm-se também uma distribuição
gaussiana.
estável se:
S2 = X 1 + X 2 , (3.20)
Um outro exemplo anni o de uma distribuição bem onhe ida que também
µn −µ
P (n) = e (3.21)
n!
ln P (n) = −µ + n ln µ − ln n! (3.22)
n
√
n
ln n! = n ln n − n = ln 2nπ
exp
√
= n ln n − n + ln( 2nπ) (3.23)
Logo:
√
ln P (n) = −µ + n ln µ − n ln n + n − ln( 2nπ) (3.24)
z = n − µ,
deixando o valor médio tender a innito e tratando z/µ omo muito pequeno, mas
p
ln P (n) = −µ + (µ + z) ln µ − (µ + z) ln(µ + z) + µ + z − ln 2π(µ + z)
p
= (µ + z) ln µ − (µ + z) ln(µ + z) + µ + z − ln 2π(µ + z)
z p
= (µ + z) ln 1 − + z − ln 2πµ
µ+z
z2
z p
= (µ + z) − +− + z − ln 2πµ
µ+z 2(µ + z)2
z2 p
∼ − − ln 2πµ, (3.25)
2µ
1 −z 2 /2µ
P (n) = e , (3.26)
2πµ
Por m pode-se observar o TLC de uma maneira bem didáti a e pou o abor-
dada por livros texto, o simples lançar de dados não vi iados. Considere um dado
de 6 fa es mar adas om números de 1 até 6. Ao rolar esse dado uma úni a vez são
per ebidas 6 possibilidades iguais de ter alguma das fa es, por ele não ser vi iado.
0,3
0,25
0,2
Probabilidade
0,15
0,1
0,05
1 2 3 4 5 6
Sorteido do Dado
A medida que são a res entado novos dados justos, visualmente é laro per-
eber que a urva omeça a tomar uma forma bem ara terísti a om a gassiana. A
0,2
0,15 3 Dados
2 Dados
0,15
0,12
Probabilidade
Probabilidade
0,1 0,09
0,06
0,05
0,03
0,08
0
0 2 4 6 8 10 12 14 0
10 dados 4 8 12 16
Soma 0,06 Soma
Probabilidade
0,04
0,12
0,15 0,02
5 Dados
0,09
4 Dados
Probabilidade
0,12
0
10 20 30 40 50 60
Soma
Probabilidade
0,09 0,06
0,06
0,03
0,03
0
0 5 10 15 20 25 30
0 5 10 15 20 25 Soma
Soma
ada passo. Para não tornar o trabalho repetitivo e mostrar uma onvergên ia já
6 ⌋
⌊ x−n
1 X i n x − 6i − 1
Pn (x) = n (−1) , (3.27)
6 i=0 i n−1
onde x é o número sorteado no dado, e a função ⌊k⌋, es olhe o maior inteiro menor
que k , é a hamada função hão. Usando a fórmula de Stirling para fatoriais quando
TLC. Nesse enfoque, Lévy mostrou omo variáveis aleatórias que não eram ne es-
O teorema das seções de Lévy, proposto por Paul Lévy[34℄, onduz a uma maneira
inúmeras apli ações, na verdade o TSL, vem tratar, assim omo o CLT, de omo
de Xn é bem onhe ida e pode ser des rita omo P (xn+1 |x1 , x2 , . . . , xn ), logo pode-se
Z ∞
µn = xn+1 P (xn+1 |x1 , x2 , . . . , xn )dxn+1 . (3.28)
−∞
No
aso da variân
ia,
omo está sendo admitindo uma distribuição qualquer,
3 As seções de Lévy 68
que possa ter uma variân ia innita, pode-se denir uma variân ia lo al na forma:
m2n = h Xn+1
2
i − h Xn+1 i2
Z ∞ Z ∞ 2
2
= xn+1 P (xn+1 |x1 , x2 , . . . , xn )dxn+1 − xn+1 P (xn+1 |x1 , x2 , . . . , xn )dxn+1
−∞ −∞
Z ∞
= x2n+1 P (xn+1 |x1 , x2 , . . . , xn )dxn+1 − µ2n+1 (3.29)
−∞
Ou seja, somando todos as variân ias lo ais das n realizações anteriores a xn+1 .
Agora seja t um número denido positivo, e um inteiro p de tal maneira que ele
satisfaça a ondição:
perten
ente a seção t
uja denição parte da
ondição da seção t representada pela
equação 3.31.
Dada essas ondições, agora dene-se uma nova variável aleatória que é uma
St = x1 + . . . + xp (3.32)
S
a variável √t é dada por:
t
η
S 1
Z
−x2
lim P √t < η =√ e 2 dx (3.34)
t→∞ t 2π −∞
Sendo assim o teorema estende a sua apli ação para até variáveis orrela ionadas,
algo não permitido no TLC em sua forma lássi a. Para ompreender omo se dá a
ação do teorema de Lévy, segue a prova apresentada pelo próprio Lévy em 1935[34℄.
priedade:
E(X1 ) = 0 (3.35)
..
E(Xν |X1 , . , Xν−1 )) = 0 (3.36)
..
om ν = 2, 3, . . Ao invés de
onsiderar a suma usual das variáveis Xν , Lévy
N (t)
X
S(t) = Xν , (3.37)
ν=1
..
N(t) = min n ∈ N|m21 + m22 + . + m2n ≥t (3.38)
e té um número positivo que Lévy interpretou omo sendo o tempo ne essário para
Dessa forma, pode-se denir uma nova variável aleatória, Xν′ , de tal forma
que:
X
√ν
t
se ν ≤ N(t)
Xν′ = (3.39)
0
aso
ontrário
n
X ∞
X
Xk′ + m′j ξj + Z = Sn′ + Rn′ + Z, (3.41)
k=1 j=n+1
tribuição F que deve ser bem omportada e om derivadas de até ter eira ordem
X n n
X n
X
′ ′ ′
P ( Xν + Z < η) − P ( mν ξν + Z < η) ≤ MAX{Xn } m′ν 2, (3.43)
ν=1 ν=1 ν=1
N (t) N (t) N (t)
X X X
′ ′ ′
m′ν 2
P ( X ν + Z < η) − P ( m ξ
ν ν + Z < η) ≤ MAX {X n } (3.44)
ν=1 ν=1 ν=1
N (t) N (t) N (t)
X m2
X Xν X mν ξν MAX{Xn } ν
P ( √ + Z < η) − P ( √ + Z < η) ≤ √ (3.45)
ν=1 t
ν=1
t t ν=1
t
PN (t)
Por denição a soma das variáveis Xn u, é S(t) e pode-se tomar
omo ν=1 m2ν = t,
que:
S(t)
lim P ( √ + Z < η) = P (Ξ + Z < η), (3.47)
t→∞ t
Como Z é uma função arbitrária que pode ser es
olhida
omo pequena e Ξ segue
O TSL foi mostrado para o aso de variáveis ontínuas, mas este trabalho está fo ado
em estudar séries temporais, ou seja, onjuntos dis retos de variáveis esto ásti as,
sendo assim, é ne
essário re-es
rever o TSL para o
aso de séries de números.
3 O Teorema do Limite Central Clássi
o vs Teorema das Seções de Lévy 72
al ular a seção t dessa série temporal, para isso ini ialmente al ula-se a variân ia
lo al, o mn . Deni-se então uma nova série[35, 36, 37℄ {x′1 , x′2 , . . . , x′n−2η } om uma
relação entre nova série e a série antiga, na forma x′k = xk+η . Tal nova série tem
2η+1 2η+1
!2
1 X 2 1 X
m2l,n = x − xl+n−1+i , (3.48)
2η + 1 i=1 l+n−1+i 2η + 1 i=1
l = i (−1)k ni ,
om ni representando
P
onde l+n varre os valores de 1 até n − 2η e
nova série.
nk
n1 n2
!
X X X
St = x′i , x′1+i , . . . , x′k+i (3.49)
i=1 i=1 i=1
ralização do on eito proposto no TLC, ele serve omo uma nova ferramenta para
séries não esta ionárias e fortemente orrela ionadas. A prin ipal diferença entre os
métodos é a sua forma de agregação, no TLC em sua maneira lássi a nós agregamos
as variáveis uma a uma gerando uma nova série Sn , que pode ser es rita omo
Sn = x1 + x2 + . . . + xn − h x i, (3.50)
Como também já foi dis utido, essa metodologia de agregação não garante
que a série Sn venha onvergir para uma gaussiana se a mesma for omposta de
variáveis xi orrela ionadas. Para garantir o TLC as variáveis devem ser i.i.d, que
na prova do teorema.
omo:
nk
n1 n2
!
X X X
St = x′i , x′1+i , . . . , x′k+i (3.51)
i=1 i=1 i=1
que omo agrega as variáveis por sua variân ia, os termos perten entes a
série St são heterogêneos em número de variáveis isso porque é pre iso denir um
e o λl,n está ondi ionado ao número t. Então em uma série, para satisfazer a
que sejam agregados 5 números e no aso posterior sejam agregadas agora apenas
2 variáveis e assim por diante, não tendo um número denido de variáveis que irão
e por isso aqui mostramos um onfronto mais laro sobre as diferenças entre os Te-
oremas.
nitas variáveis envolvidas. Em séries temporais nitas, tais omo, preços de ativos,
orrente em alguns ir uitos e outros, onde existe um tempo ara terísti o de medida,
se faz ne essário testar se já foi atingido ou não o regime gaussiano, na apli ação de
ambos os teoremas.
Nesse perspe tiva, é importante que a nova série seja omparada om a que
tura, para as séries gaussianas. Aqui serão apresentados alguns dos prin ipais testes
desejado.
Os primeiros são a veri ação dos momentos estatísti os. Os momentos de primeira e
segunda ordem são quantidades que normalmente não são usados
omo parâmetros
3 Testes de Convergên
ia 75
omparativos, já que ada urva gaussiana tem uma média e um desvio padrão
individual. Para omparação são utilizados alguns momentos de mais alta ordem,
omo por exemplo, a skewness e a kurtose, que são o ter eiro e quarto momentos
respe tivamente.
de sua origem, possui alguns parâmetros que são imutáveis, todos os seus momentos
ímpares são sempre nulos, isso se dá pelo fato que a distribuição gaussiana é uma
tria. Sendo assim, se uma distribuição é Gaussiana ela deverá ter sua skewness
sempre nula.
ex essiva", denindo assim a kurtose gaussiana omo sendo nula também, omo
fra tal. Em uma série temporal o expoente de Hürst ajuda a entender o ompor-
1
tamento que a série tem e
omo seus parâmetros estão rela
ionados. Se H < 2
, a
série é anti-persistente, ou seja, tende a fazer o oposto ao que fez no passado, então
1
a tendên
ia da série segue sempre
ontrária. Com H> 2
a série é persistente, tende
a repetir ações passadas, ou seja, mantêm a mesma tendên
ia. Nesses dois exemplos
3 Testes de Convergên
ia 76
as series são orrela ionadas e esse grau de orrelação pode ser inferido pelo estudo
do expoente de Hürst.
Para o aso gaussiano, pelo próprio TCL, sabe-se que uma distribuição gaus-
siana é formada por variáveis independentes, ou seja, des orrela ionadas. O valor do
1
expoente de Hürst para esse tipo de distribuição é H= 2
, onde todas as
orrelações
são nulas e o TCL é fa ilmente apli ado. No estudo de onvergên ia, o expoente de
Como mostrado anteriormente, existem sistemas fra tais que podem ser monofra -
omo são variáveis des orrela ionadas, esse valor se mantêm imutável independente
linear om o q-ésimo momento, tornando o espe tro multifra tal f (α) om uma
urva muito estreita e entrada também no valor 1/2. Com um espe tro úni o para
des rever a fra talidade, o sistema é monofra tal e por tanto, séries distribuídas
urva apresentada pelo espe
tro multifra
tal e determinar a transição entre o regime
3 Testes de Convergên
ia 77
multifra tal de fortes orrelações e o regime monofra tal des orrela ionado.
3.4.3 Teste KS
O teste Kolmogorov-Smirnov ou apenas KS, foi proposto nos anos 30 pelo russo
ou também é usado para omparar duas amostras vindas de séries diferentes, o teste
KS de duas amostras.
realizações de uma variável aleatória X, que tem alguma distribuição des onhe ida
P e deseja-se testar a hipótese se essa distribuição des onhe ida na verdade é igual
Z x
F (x) = P (t)dt (3.53)
−∞
Para uma úni a distribuição gaussiana a FDA pode ser vista na gura 3.3.
0,08
PDF
Probabilidade 0,06
0,04
0,02
0
0,2 0,4 0,6 0,8
1 Variavel
Densidade Acumulada
0,8
FDA
0,6
0,4
0,2
0
0,2 0,4 0,6 0,8
Variavel
0,8
0,6
Probabilidade
0,4
0,2
0
1
0,8
Acumulado
0,6
0,4
0,2
0
-4 -3 -2 -1 0 1 2 3 4
Variavel
Quando são tratadas as variáveis dis retas, a FDA se torna agora a FDAE,
n
1X
Fn (x) = I(Xi ≤ x) (3.54)
n i=1
onde I(Xi ≤ x) é a função indi ador que vale 1 para Xi ≤ x e é nula aso ontrário.
Essa função empíri a apresenta uma urva que muito se assemelha a uma função do
0.4
0.2
0.0
30 40 50 60 70
dados
onde uma FDAE é omparada om uma FDA de uma distribuição onhe ida.
Se Fn (x) é a FDAE de uma série des onhe ida e F (x) é a FDA de uma
de T que seja maior que qualquer elemento de S. Esse on eito é muito importante
na onstrução dos números reais e até mesmo na noção de limite em análise real.
Ou seja aso o teste forneça Dn = 0 logo as duas distribuições são a mesma. Gra-
lada empíri as entre si. Como o teste KS é um teste não paramétri o, ele possibilita
esse tipo de análise omparativa entre duas FDAEs quais quer. Em termos mate-
Onde são omparadas as duas FDAEs, F1,n (x) e F2,n′ (x). Como des rito no teste de
uma amostra, se as duas funções são da mesma distribuição, logo quase ertamente
Dn,n′ → 0.
Dn,n'
sistema onvergiu para o regime gaussiano, basta usar o teste para uma amostra, ou
des onhe ida usando o teste KS de duas amostras. A medida que o parâmetro
Dn vai se tornando mais próximo de zero, infere-se que a onvergên ia está sendo
al ançada.
Para variáveis dis retas o teste apresenta o parâmetro DKL (P kQ) para a
X P (i)
DKL (P kQ) = ln P (i), (3.58)
i
Q(i)
X X
DKL (P kQ) = − pi ln q(x) + pi ln pi (3.59)
i i
∞
p(x)
Z
DKL (P kQ) = ln p(x) dx, (3.60)
−∞ q(x)
temos que:
n
X n
X
− pi ln pi ≤ − pi ln qi (3.61)
i=1 i=1
P
mostrado somando sobre um espaço onde i pi = 1
X qi X qi
− pi ln ≥ − pi −1
i
pi i
pi
X X
=− qi + pi
i i
X
=− qi + 1
i
X qi
− pi ln ≥ 0. (3.62)
i
pi
Então
X X
− pi ln qi ≥ − pi ln pi ,
i i
teste que analisa a quantidade de informação da série, omo são tratadas séries
temporais orrela ionadas, sua onvergên ia para o regime gaussiano faz om que
algumas orrelações sejam perdidas e uma medida para essa quebra de orrelações
que as riquezas em uma so iedade nos moldes dos países europeus dessa épo a, eram
distribuidas de forma desigual e seguindo uma lei de potên ia, tal omo:
y ∼ x−ξ (4.1)
de Pareto, que foi estimado para a so iedade italiana, omo sendo 1,5[8℄.
de ativos nan eiros[43℄. Nessa análise, ele props que o preço dos ativos nan eiros
deveriam seguir um omportamento tal qual, omo é onhe ido hoje, o movimento
Browniano, de tal maneira que o mer ado seria regido por uma distribuição gaussi-
ana. Seu trabalho, apesar de algumas ríti as atuais pela falta de rigor ao justi ar
84
4 E
onofísi
a 85
α-estável de Lévy[44℄. Esse resultado abriu portas para novas interpretações mais
Em 1973, Bla k e S holes publi aram seu trabalho sobre opções nan eiras[45℄.
Esse trabalho rendeu a eles o prêmio nobel em e onomia, fortale endo ainda mais o
Nos anos 90, físi os omeçaram a voltar seus olhos para esse tipo de análise,
Em 2000, a área, onhe ida hoje omo E onofísi a, teve seu primeiro livro
publi ado, por H.E. Stanley e R.N. Mantegna[49℄, fortale endo ainda mais o ampo.
denidas,
omo por exemplo o retorno nan
eiro. Retorno nan
eiro é denido
4 E
onofísi
a 86
omo sendo:
S(t + ∆t)
r∆t (t) = log , (4.2)
S(t)
Denido dessa forma, o retorno se mostra muito mais omportado que o próprio
preço, e denido dessa forma ele serve omo um parâmetro geral para todos os
dos sistemas e onmi os sob uma visão físi a, a volatilidade. Volatilidade é denida
mer
ado agirá de tal forma
om que o número médio de transações seja a
res
ido.
Indicador S&P500
2000
1600
1200
800
0,1
0,05
Retorno
0
-0,05
-0,1
0,012
0,01
Volatilidade
0,008
0,006
0,004
0,002
jan-98 jan-02 jan-06 jan-10 jan-14
tempo
Figura 4.1: Indi ador S&P500 om dados diários desde 1998, o retorno al ulado
nan eiros foram observadas, de tal forma que qualquer mer ado que seja estudado,
• Retornos de uma forma geral não apresentam orrelação, ou seja, a auto or-
Volatilidade), informação gera mais informação. Esse fato também indi a que
geral são simétri as e lep úrti as, enquanto a distribuição de retornos de baixa
multifra
tais.
4 E
onofísi
a 88
Função de Auto-correlação
Intervalo temporal
sistemas e onmi os, são ótimos andidatos ao estudo da apli ação dos teoremas
Intervalo temporal
Espe tro multifra tal em função do expoente de α, que no aso é onhe ido omo
expoente de Hölder.[36℄
4 E
onofísi
a 90
i.i.d., eles não satisfazem a ondição do TLC, mas o TLS sugere que mesmo assim
de desvio padrão.
forma que os parâmetros determinados durante a apli ação dos teoremas, poderá
elu idar algumas questões ainda pertinentes, omo por exemplo o papel da multifra -
e tem sido o fo o de diversas pesquisas [50, 51℄. Flutuação em sistemas omo esses
de urto e longo al an es, omo por exemplo sistemas nan eiros [43, 44, 48, 49, 52,
TSL se omporta ao ser apli ado em sistemas tão fortemente orrela ionados omo
os sistemas e onmi os. Como é onhe ido, o teorema do limite entral arma
orrela ionadas onverge para uma distribuição Gaussiana a medida que N res e e
tende ao innito. Já o Teorema das Seções de Lévy garante essa mesma onvergên ia
no parâmetro t da seção. Qual será o preço pago para que a onvergên ia via
91
5 TLC e TSL para Séries E
onofísi
as 92
TSL a onteça? Nesse apítulo serão mostrados alguns resultados que apresentam
uma mutifra talidade residual presente nas séries mesmo depois de al ançada a
momentos estatísti os, no aso o ter eiro e o quarto, atingem valores anni os para
a distribuição gaussiana.
Para garantir a robustez do trabalho, foram apli ados vários testes para de-
momentos estatísti os, a multifra talidade do sistema, através do espe tro multi-
Alguns dos resultados aqui expostos, mais pre isamente as análises de on-
vergên ia dos momentos estatísti os e a análise multifra tal presentes na seção 5.0.6,
As análises são feitas em um ban o de dados de uma série temporal de âmbio. Será
US Dollar), ou seja, o Mar o Alemão frente ao Dólar ameri ano. Essas séries são do
tipo ti k-by-ti k, elas foram forne idas por Olsen & Asso iates e ompreendem um
de 1993. A série tem 1472240 pontos o que signi a que é em média 1 ponto a ada
20s de transações.
lássi
a de estudos de séries nan
eiras, e
omo tal possui todas as propriedades
5 TLC e TSL para Séries E
onofísi
as 93
gura 5.2 observa-se um plot dessa densidade que laramente não é uma distribuição
gaussiana. O fato da sere dispor de muitos dados faz om que a distribuição que
muito lep úrti a, ou seja, om a kurtose bem grande, forne endo uma distribui-
ção anada no entro. Para melhor observar algumas propriedades, tais omo as
audas grossas, possível dar um zoom utilizando apenas 104 pontos da série. Essa
5000
Densidade
3000
1000
0
Retorno
1000
500
0
Retorno
Figura 5.3: Densidade dos dados da série reduzida para 104 dados
5 TLC e TSL para Séries E
onofísi
as 95
levantes para o estudo de onvergên ia, são as orrelações na série, tanto a orrelação
dos retorno, quando a orrelação na volatilidade. Essa última é que forne e as orre-
pelo TLC simplesmente, apesar da série em si, ser des orrela ionada.
0,8
0,6
Autocorrelação
0,4
0,2
-0,2
-0,4
0,8
Autocorrelaçäo
0,6
0,4
0,2
0
0 2000 4000 6000 8000 10000
δt
5.6 e 5.7 esse aspe to se faz presente sendo um dos prin ipais fatores de dis us-
al ulado e o espe tro multifra tal mostra-se om uma urva bastante larga, o que
0,8
0,7
0,6
h(q)
0,5
0,4
0,3
-4 -2 0 2 4
q
1,25
0,75
f(α)
0,5
0,25
0
0,2 0,4 0,6 0,8 1
α
5.0.6 A onvergên ia
Antes de veri ar a apli ação dos teoremas, am de veri ar a validade do TSL
para esse dado sistema, se faz ne essário a veri ação da obediên ia à ondição de
Lindeberg para a série. A gura 5.8 mostra o omportamento previsto pela ondição
Para a análise da onvergên ia, dado o fato de que a série respeita a ondição
de Lindeberg, foram geradas diversas séries om base no pro esso pelo qual os teo-
remas devem ser exe utados e om ada uma das novas séries determinadas, serão
onvergên ia da série.
Para o TLC basta apli ar o on eito mostrado na equação 3.1, que expressa
No
aso do TSL é pre
iso ter um pou
o mais de
uidado, pois o que é agregado
5 TLC e TSL para Séries E
onofísi
as 98
0,8
MAX(σ k/S n)
2
0,6
2
0,4
0,2
no TSL são as variân ias lo ais e tudo depende o parâmetro t da seção. A análise
2, 5.10−7, que são su ientemente ínmos para garantir om erteza que existe uma
mos analisar a velo idade om que podemos atingir a onvergên ia da série. Tal
parâmetro é de difí il análise tendo em vista a diferente natureza que envolve a on-
vergên ia via TLC e TSL. Para o TLC foi utilizado omo tempo de onvergên ia, o
σS2 t
τt = , (5.1)
σS2 n
TSL. Como omparativo foi gerada uma série de ruído bran o, que é uma série
des orrela ionada e om variáveis i.i.d e por tanto satisfaz a ondição de Lindenberg
também foi sujeito aos dois teoremas para mais uma vez onstatar que ambos são
Para garantir a robustez e pre isão da análise os valores ini iais para a kurtose
Skewness 2, 6799.10−02
Kurtose 26,3767
5 TLC e TSL para Séries E
onofísi
as 100
30
TLC
25 TSL
Ruído Branco(TLC)
Ruído Branco(TSL)
20
Kurtose
15
range 1 range 2
10
0
0 50 100 150 200 250
tempo(τt)
Na gura é desta ado que existem dois regimes presentes. O primeiro regime
150 onde é atingido um regime que estatisti amente se mostra esta ionário para
Apesar disso, é importante frisar que essa onvergên ia se dá por meio de um tempo
um dos fatos estilizados dos mer
ados nan
eiros, dis
utidos no
apítulo anterior,
5 TLC e TSL para Séries E
onofísi
as 101
é que a distribuição para as séries de retornos são lep úrti as, ou seja, om uma
kurtose maior do que a gaussiana. A tendên ia da kurtose seguir para zero indi a
2
TLC
TSL
1.5 Ruido Branco(TCL)
Ruído Branco(TSL)
skewness
1
range 1 range 2
0.5
distribuição apresentada nas guras 5.2 e 5.3, que é a distribuição original da série,
também ser uma distribuição visualmente simétri a e isso foi demonstrado na tabela
Além das análises dos momentos, alguns testes estatísti os que trazem muita
Tais testes serão úteis para determinarmos tanto se a es olha do ponto de onver-
analises se omportavam ao omparar FDAE gerada tanto por TLC quanto por TSL
média das séries empíri as e o mesmo desvio padrão. Para esse omparativo é
tomado para ada teorema duas séries que estão em regimes diferentes, propostos
1.0
1.0
τ = 75 τ = 175
Gaussiana Gaussiana
0.8
0.8
0.6
0.6
Fn(x)
Fn(x)
0.4
0.4
0.2
0.2
0.0
0.0
−0.010 −0.005 0.000 0.005 0.010 −0.010 0.000 0.005 0.010 0.015
x x
1.00
τ = 75 τ = 175
Gaussiana Gaussiana
0.99
0.99
0.98
0.98
Fn(x)
Fn(x)
0.97
0.97
0.96
0.96
0.95
0.95
−0.010 −0.005 0.000 0.005 0.010 −0.010 0.000 0.005 0.010 0.015
x x
1.0
1.0
τ = 75 τ = 175
Gaussiana Gaussiana
0.8
0.8
0.6
0.6
Fn(x)
Fn(x)
0.4
0.4
0.2
0.2
0.0
0.0
−0.010 −0.005 0.000 0.005 0.010 −0.01 0.00 0.01 0.02
x x
1.00
τ = 75 τ = 175
Gaussiana Gaussiana
0.99
0.99
0.98
0.98
Fn(x)
Fn(x)
0.97
0.97
0.96
0.96
0.95
0.95
x x
tem Dn muito pequenos e mesmo assim os valores para o TLC pare em menor do
que os valores para o TLC. Um outro ponto que deve ser veri ado é a diminuição
Para
onrmar essas
ertezas foi feito um grá
o de Dn por τ para todos os
5 TLC e TSL para Séries E
onofísi
as 105
teste KS.
0,15
0,05
0
0 25 50 75 100 125 150 175 200 225 250
time(τt)
tanto não se mantêm onstante. Sendo assim algo surge em questionamento, através
Teorema Dn
TLC 0, 073
TSL 0, 052
argumentação, pois um grá o bastante ruidoso omo o mostrado leva a rer que
possivelmente a onvergên ia não foi expressamente atingida. Algo impede que tal
fato se on retize.
divergên ia. Esse teste mede a entropia de Shannon ruzada entre as duas distri-
estatísti os[54℄. Como no aso do teste KL, foi gerada uma série de números dis-
tribuídos gaussianamente para serem usados omo base omparativo para o teste.
Teorema DKL
TLC 0, 0857
TSL 0, 0380
0,4
TLC
TSL
0,3 Ruido Branco (TLC)
Ruido Branco (TSL)
DKL
0,2
0,1
0
0 25 50 75 100 125 150 175 200 225 250
time(τt)
perda de informação entre uma urva gaussiana normal e uma produzida pelos dois
a série gaussiana, pode-se também veri ar o quão distante as séries estão da série
original, sendo isso uma outra medida tanto do grau de orrelação perdido quanto
TSL
TLC
0,5
0,4
Dn
0,3
0,2
0,1
0
0 50 100 150 200 250
tempo(τt)
Figura 5.17: Teste KS omparando a série original om a apli ação dos Teoremas.
15
TSL
TLC
12,5
10
DKL
7,5
2,5
0
0 50 100 150 200 250
tempo(τt)
Figura 5.18: Teste KL omparando a série original om a apli ação dos Teoremas.
trando que a apli
ação de ambos os teoremas são e
azes na quebra de
orrelações
5 TLC e TSL para Séries E
onofísi
as 109
propriedades da série original. Na gura 5.17 existe uma tendên ia lara de res-
de esta ionariedade imediata do parâmetro DKL nos dois asos, no TLC e para TSL
onário para as duas séries, tanto a série TLC quando a série TSL. Entretanto esse
regime esta ionário não ondiz om os valores gaussianos para a kurtose e para a
skewness e nem mesmo atingindo o valor zero para os parâmetros Dn e DKL dos tes-
tes KS e KL respe tivamente. Algo então ainda reside nas entranhas da onguração
é possível fazer uma análise do espe tro multifra tal, uma propriedade laramente
observada na série original(guras 5.6 e 5.7) e que pode forne er uma luz a er a
dependên ia linear mas mesmo assim, h(q) não assume um valor onstante, e igual a
1/2 omo no aso gaussiano, e portanto ainda reside uma ara terísti a multifra tal.
O mesmo padrão des
rito para o expoente de Hürst pode ser muito bem
5 TLC e TSL para Séries E
onofísi
as 110
0.9
(a)
0.8 TLC
TSL
Ruído Branco
< h(q) >
0.7
0.6
0.5
0.4
-4 -2 0 2 4
(b)
0.65 TLC
TSL
0.6 Ruído Branco
< h(q) >
0.55
0.5
0.45
0.4
-4 -2 0 2 4
q
observado na gura 5.20, onde apesar de ter uma redução de largura, quando o orre
mantêm a ara terísti a multifra tal om um espe tro largo em omparação ao ruído
1 (a) TLC
TSL
Ruído
< f(α) >
0.75
0.5
0.5 0.75 1
1 (b) TLC
TSL
Ruido
< f(α) >
0.75
0.5
0.5 0.75 1
α
Figura 5.20: Espe tro multifra tal, f (α), em função de α. (a)Média para τ ≤ 150;
A lara mudança de regime, observando o arater multifra tal, pode ser ex-
pli ada om a quebra de orrelações presentes na série. Esse fato é bem expressado
nas guras 5.17 e 5.18, onde foi medido usando o teste KL o quanto de informação
o regime esta ionário não apresenta valores gaussianos em nenhum dos testes apre-
sentados. Algumas expli ações podem ser dadas para esse fator, a prin ipal delas
são orrelações de longo al an e, presentes nas séries nan eiras. Outra expli ação
dados e ambos os teoremas são apli
ados para um
onjunto innito de dados.
Capítulo 6
O movimento browniano realizado por partí ulas suspensas foi des rito por Einstein
browniano, hamado movimento browniano fra ionado[17, 56℄. Além das apli ações
que sua generalização também, poderia ser apli ada em estudo de utuações em
sólidos. Algumas dessas utuações são hamadas de ruídos 1/f pelo sua densidade
espe tral tomar uma forma omo ω 1−2H , onde ω é a frequên ia de os ilação e H é o
113
6 Denição do movimento browniano fra
ionado 114
um espaço amostral X.
tem média zero e variân ia dada por |t2 − t1 | de tal maneira que se os intervalos
(t1 , t2 ) e (t3 , t4 ) não se sobreponham, B(t2 , x) − B(t1 , x) e B(t4 , x) − B(t3 , x), são
independentes.
Z 0
1
[(t − s)H−1/2 − (−s)H−1/2 dB(s, x)
BH (t, x) − BH (0, x) =
Γ(H + 1/2) −∞
Z t
H−1/2
+ (t − s) dB(s, x) (6.1)
0
Z t2
1
[(t − s)H−1/2 − dB(s, x)
BH (t2 , x) − BH (t1 , x) =
Γ(H + 1/2) −∞
Z t1
H−1/2
− (t − s) dB(s, x)
−∞
(6.2)
Paul Lévy[57℄ já havia dis
utido brevemente sobre uma variável similar à
6 Denição do movimento browniano fra
ionado 115
t
1
Z
0
[(t − s)H−1/2 dB(s, x),
BH (t, x) = (6.3)
Γ(H + 1/2) −∞
está o fato de que o desvio padrão segue uma lei de potên ia, na forma:
onde pode-se observar que o sistema é independente para H = 1/2, omo é onhe ido
unidimensional[59℄ utilizando uma desordem orrela ionada nas energias dos sítios
da adeia. Nesse trabalho eles deniram que o poten ial deveria seguir uma densi-
dade espe tral apartir de um traço do movimento browniano fra ionado, tomando
a densidade omo:
1
S(k) = , (6.7)
ka
onde S(k) é a transformada de Fourier da função de
orrelação entre dois sítios quais-
a série é ompletamente des orrela ionada. Moura e Lyra per eberam também que
para a > 2, o sistema pode sofrer uma transição metal-isolante , ao ontrário de ou-
ESTENDIDOS
a
LOCALIZADOS
lo alizados[58℄.
N/2
X
ǫi = [S(ωk )∆ωk ]1/2 cos(ωk ti + φk ) (6.8)
k=1
obtem-se para o espe
tro S(ω) = 1/ω a a série des
rita
omo:
N/2
" (1−a) #1/2
−a 2π 2πik
X
ǫi = k cos + φk , (6.9)
k=1
N N
q
que está normalizada de tal maneira que hǫi = 0 e h ǫ2 i − h ǫ i2 = 1. Pode-se
observar o omportamento dessa série gerada pela equação 6.9 om valores diversos
Sítios
Figura 6.2: Energias gerados por sítios, om N=4096; onde a=0 é uma sequên ia
não orrela ionada;a = 2.0 traço de um movimento browniano fra ionado; a = 2.5
de Moura e Lyra já possui mais de 300 itações até os dias de hoje. Tendo omo
partida uma série orrela ionada onde a orrelação pode ser fa ilmente ajustada, esse
modelo é su itível à apli ação dos teoremas já aqui dis utidos, o TLC e o TSL, am
empregam na onvergên ia das séries temporais, foram geradas algumas séries uti-
lizando a orrelação des rita no apítulo anterior. As séries foram geradas para
de possuir uma quantidade de dados próxima a que foi analisada no apítulo 5. Até
a presente data, os resultados aqui abordados ainda são inéditos na literatura, não
Essas séries não possuem padrões limitantes, o que impediria a prin ípio,
ser apaz de observar algumas propriedades, tais omo leis de es ala e até mesmo
al ulado o retorno dos dados, ou seja, a diferença dentro dos próprios dados, assim
119
120
3 2
2
1
1
0 0
r
-1
-1 (b)
-2 (a)
-3 -2
0 5000 10000 15000 20000 0 5000 10000 15000 20000
2 2
1 1
0 0 (d)
r
-1 -1
(c)
-2 -2
0 5000 10000 15000 20000 0 5000 10000 15000 20000
2 2
1 1
0 0
r
-1 (e) -1 (f)
-2 -2
0 5e+05 1e+06 0 5e+05 1e+06
N N
Figura 7.1: Várias séries geradas arti ialmente om parâmetros diferen iados, om
4096 dados. (a)a = 0, 00, (b)a = 1, 00,( )a = 1, 50, (d)a = 2, 00,(e)a = 2, 50,
(f )a = 3, 00
abordados. Nenhuma das urvas tem ara terísti as gaussianas, que é o primeiro
passo para os testes. É possível inferir visualmente que as urvas são aparentemente
2 2
1 1
0 0
r
-1 -1
-2 -2
0 1e+05 2e+05 3e+05 4e+05 5e+05 0 1e+05 2e+05 3e+05 4e+05 5e+05
0,2 0,02
0,1 0,01
0 0
r
-0,1 -0,01
-0,2 -0,02
0 1e+05 2e+05 3e+05 4e+05 5e+05 0 1e+05 2e+05 3e+05 4e+05 5e+05
6e-05
0,05 4e-05
2e-05
0
r
0
-2e-05
-0,05
-4e-05
0 1e+05 2e+05 3e+05 4e+05 5e+05 0 1e+05 2e+05 3e+05 4e+05 5e+05
N N
Figura 7.2: Retornos para as séries investigadas. (a)a = 0, 00, (b)a = 1, 00,( )a =
ter eiros e quartos momentos para todas as séries presentes nas análises. Esses
4 50
0,6 (a) (b) (c)
40
0,5 3
Densidade
0,4 30
2
0,3 20
0,2 1
10
0,1
0 0 0
-2 -1 0 1 2 -2 -1 0 1 2 -0,2 -0,1 0 0,1 0,2
300 70
80000
250 (d) 60 (e) (f)
50
200
Densidade
60000
40
150 40000
30
100
20
20000
50 10
0 0 0
-0,02 -0,01 0 0,01 0,02 -0,05 0 0,05 -4e-05 -2e-05 0 2e-05 4e-05 6e-05
r r r
0.00 −0.00095
0.25 -0.00193
0.50 7.17231.10−05
0.75 0.00032
1.00 −0.00339
1.25 -0.00142
1.50 −0.00167
1.75 0.00250
2.00 0.00692
2.25 -0.01894
2.50 0.00021
2.75 0.01939
3.00 0.07243
Tabela 7.1: Valores ini iais da Skewness para as séries geradas do movimento brow-
0.00 −0.68472
0.25 -0.59428
0.50 −0.4071539
0.75 0.04358
1.00 1.08334
1.25 2.06849
1.50 2.45372
1.75 2.04917
2.00 2.02993
2.25 2.14443
2.50 2.44105
2.75 1.96785
3.00 1.95789
Tabela 7.2: Valores ini iais da Kurtose para as séries geradas do movimento brow-
a ondição de Lindeberg, podem ser usadas na apli ação do TSL. Am de veri ar
essa on ordân ia, testamos os dados da série omo requisita o teorema, e vemos
que a onvergên ia do parâmetro e muito rápida, o que indi a que realmente temos
a=0.00
a=0.25
0,8 a=0.50
a=0.75
a=1.00
a=1.25
a=1.50
MAX (σ k/S n)
2
0,6 a=1.75
a=2.00
2
a=2.25
a=2.50
a=2.75
0,4 a=3.00
0,2
0
0 20 40 60 80 100 120 140 160 180 200 220 240 260 280 300
n
os testes para a onvergên ia dos momentos estatísti os, skewness e kurtose, além
equação 3.1 e para o TSL a análise foi ini iada om uma seção de t = 10−13 seguido
σS2 t
τt = , (7.1)
σS2 n
7 Análise da Convergên
ia 125
a gaussiana, ou seja, as menos orrela ionadas, não se destoam muita da série ori-
ginal, tendo um tempo da seção limitante e riando alguns dados ruidosos mas que
onvergem rapidamente.
0,4 a=0.00
a=0.25
a=0.50
a=0.75
a=1.00
a=1.25
a=1.50
a=1.75
a=2.00
0,2 a=2.25
a=2.50
a=2.75
Skewness
a=3.00
-0,2
Mas isso não é surpresa, uma vez que na tabela mostrada nesse mesmo apítulo, os
0
-0,2 (a) -0,4 (b)
Skewness
-0,4
-0,6
-0,6
-0,8 -0,8
-1 -1
1 1,5 2 2,5 3 1 1,5 2 2,5 3 3,5 4
0
-0,3 (c) (d)
-0,4
Skewness
-0,2
-0,5
-0,6 -0,4
-0,7 -0,6
-0,8
-0,9 -0,8
1 1,5 2 2,5 3 3,5 4 0 1 2 3 4 5 6
2 3
(e) 2,5
1 (f)
Skewness
2
0 1,5
1
-1 0,5
0
-2
0 5 10 15 20 0 5 10 15 20
τ τ
Figura 7.6: Convergên ia da Skewness para a apli ação do TSL om baixa orre-
a = 1.25,
0,4
a=1.50
a=1.75
a=2.00
a=2.25
0,2
a=2.50
a=2.75
a=3.00
Skewness
-0,2
-0,4
50 100 150
τ
Figura 7.7: Convergên ia da Skewness para a apli ação do TSL om fortes orrela-
ções.
7 Análise da Convergên
ia 127
Para a kurtose, onde o eixo está subtraído de 3, para a gaussiana ter o valor
nulo, observa-se que nem todas as urvas seguem esse regime e espe ialmente é
observado essa falta de tendên ia para as urvas om orrelação alta, o que indi a
Um outro detalhe que pode ser interpretado por esses dados, é o fato de que o
TSL gera uma tendên ia dos dados a serem levados aos valores gaussianos, enquanto
o TLC prati amente não altera os valores das séries, mostrando que o mesmo não
a=0.00
5 a=0.25
a=0.50
a=0.75
a=1.00
a=1.25
a=1.50
4 a=1.75
a=2.00
a=2.25
a=2.50
a=2.75
3 a=3
Kurtosis
0,5
0,5
0 (a) (b)
(a)
0
Kurtosis
-0,5 -0,5
-1 -1
-1,5 -1,5
-2 -2
1 1,5 2 2,5 3 3,5 4 1 2 3 4 5
0,5 0,5
0 (c) (d)
0
Kurtosis
-0,5 -0,5
-1 -1
-1,5 -1,5
-2 -2
0 1 2 3 4 5 6 0 2 4 6 8 10
5 3
4 (e) 2,5
3 2 (f)
Kurtosis
2 1,5
1 1
0 0,5
-1 0
-2
0 10 20 30 40 0 5 10 15 20 25 30
τ τ
Figura 7.9: Convergên ia da Kurtose para a apli ação do TSL om baixa orrelação.
4
a=1.50
a=1.75
a=2.00
a=2.25
a=2.50
3 a=3.00
Kurtose
0
50 100 150 200 250
τ
Figura 7.10: Convergên ia da Kurtose para a apli ação do TSL om fortes orrela-
ções.
7 Análise da Convergên
ia 129
intrigantes. A onvergên ia para alguns testes e para algumas séries é lara, mas
para outro teste é possível notar uma lara disparidade entre o que é esperado e o
a=0.00
a=0.25
1 a=0.50
a=0.75
0,8
Dn
0,6
0,4
0,2
0
0 200 400 600 800
t
As guras do teste KS, que é um teste não paramétri o que mede a maior dis-
para muito elevados. Sabe-se que o maior valor que a diferença poderá ser é exa-
aparente ho a om outras visões que indi avam a onvergên ia das séries. Por mais
que os valores ainda não fossem gaussianos, não era de se esperar tais resultados.
teste KL, que mede de forma indireta o grau de informação perdido, ao transformar
lores muito altos para o que era de se esperar, as outras urvas apresentam padrões
1,4
a=1.00
a=1.25
1,2 a=1.50
a=1.75
0,8
Dn
0,6
0,4
0,2
0
0 50 100 150 200
t
a=2
a=2.25
0,8 a=2.5
a=2.75
a=3
0,6
Dn
0,4
0,2
0
0 50 100 150 200
t
a=0.00
a=0.25
0,8 a=0.50
a=0.75
a=1.00
a=1.25
0,6
Dn
0,4
0,2
0
0 5 10 15 20 25 30
τ
Figura 7.14: Teste KS para as séries apli adas ao TSL om baixa orrelação
que não segue o padrão. A gura 7.19 mostra que apesar de possuir uma orre-
lação muito baixa, os dados a
abam se tornando ruidosos e sua análise estatísti
a
7 Análise da Convergên
ia 132
omprometida pelo TSL, enquanto isso, na gura 7.16, é lara a onvergên ia, pois
os valores ali mostrados sugerem que a informação é pou o perdida. Esse tipo de
abordagem ria uma leve segregação entre os teoremas, o teorema de Lévy, deveria
0,8
0,6
Dn
0,4
0,2
0 a=1.50
a=1.75
a=2
a=2.25
-0,2 a=2.50
a=2.75
a=3
Figura 7.15: Teste KS para as séries apli adas ao TSL om fortes orrelações.
0,2
a=0.00
a=0.25
a=0.50
a=0.75
0,15
DKL
0,1
0,05
0
0 200 400 600 800
t
0,1
0,08
0,06
DKL
0,04
a=1.00
0,02 a=1.25
a=1.50
a=1.75
0
0 200 400 600 800
t
O fato do regime gaussiano não ter sido al ançado em nenhum dos dois siste-
0,1
0,09
0,08
DKL
0,07
0,06
a=2
0,05 a=2.25
a=2.50
a=2.75
a=3
0,04
0 200 400 600 800
t
a=0.00
a=0.25
0,8 a=0.50
a=0.75
a=1.00
a=1.25
0,6
DKL
0,4
0,2
0
0 5 10 15 20 25 30
τ
Figura 7.19: Teste KL para as séries apli adas ao TSL om baixa orrelação
mas, levanta a questão da validade dos teoremas quando apli ados em séries nitas.
Possivelmente o problema aqui visto, deve-se a limitação que as séries possuem, ape-
sar de muito grandes, ambos os teoremas estão ondi ionados ao limite de innitas
0,1
a=1.50
a=1.75
0,08 a=2
a=2.25
a=2.50
a=2.75
a=3
0,06
DKL
0,04
0,02
0
0 200 400 600 800
tau
Figura 7.20: Teste KL para as séries apli
adas ao TSL
om fortes
orrelações.
7 Análise da Convergên
ia 135
mento tenden ial das séries, e portanto, talvez ainda exista algum parâmetro, além
normal, ou gaussiana. O teorema das seções de Levy mostra-se omo uma genera-
Para analisar o pro esso de onvergên ia, foram apli ados esses dois teoremas
A apli ação dos dois teoremas na série temporal de âmbio do Mar o Alemão
frente ao Dólar Ameri ano, nos mostrou que o sistema passa de um regime de on-
136
137
vergên ia para um regime esta ionário nos diversos testes de omparação utilizados
e tais valores onde a série se tornou esta ionária, em relação a onvergên ia para o
omportamento gaussiano, em nenhum dos teoremas foi veri ado uma onvergên ia
Os testes apli ados foram as análises de alguns momentos estatísti os, omo a
Por m da análise dos sistemas e onofísi os foi feita foi abordado o aspé to
multifra tal do sistema e este se mostrou quase inalterado pela apli ação dos teore-
para o regime gaussiano impossível mesmo om a apli ação do TSL? Ou ela ria isso
fra tal e omportamento monofra tal se faz muito relevante e interessante na pers-
Am de investigar melhor as la unas existentes na análise ini ial, foram ge-
browniano fra ionado. Essas investigações levaram a novas perguntas, tanto sobre
TSL, que mostrou que séries fra amente orrela ionadas ou ompletamente des or-
ia [15℄
Apêndi
e A
A ondição de Lindeberg
A ondição de Lindeberg[65℄ é uma ondição su iente para que o teorema do limite
entral seja válido para uma sequên ia de variáveis aleatórias independentes e apenas
variável aleatória independente que perten e a esse espaço. Assuma que os valores
esperados EXk = µk e as variân ias Var Xk = σk2 existam e são nitas. Vamos denir
que:
1
Pn
(Xk − µk )2 dP = 0,
R
:limn→∞ para todo ε > 0,
s2n k=1 {|Xk −µk |>εsn }
(onde essa integral é uma integral de Lebesgue sobre o onjunto {|Xk − µk | >
εsn })
139
140
limite. Para maiores informações sobre a integral de Lebesgue veja Dudley, Ri hard
σk2
max →0
k=1,...,n s2
n
om n → ∞, isso garanta que a ontribuição de ada uma das variáveis que ompoem
Xk vão ontribuir minimamente para a variân ia s2n para valores su ientemente
[1℄ Girolamo Cardano The book on games of han e (Liber de ludo aleae) Rinehart
[4℄ Jakob Bernoulli The Art of Conje turing JHU Press, 2006
[5℄ David Eugene Smith A Sour e Book in Mathemati s Courier Dover Publi ations,
1959
do http://books.google. om.br
[7℄ Adolphe Quetelet A treatise on man and the development of his fa ulties Edin-
[8℄ Vilfredo Pareto. Cours d'é onimie politique. Université de Lausanne, 1896.
[9℄ Carl Friedri h Gauss Theory of the motion of the heavenly bo-
141
REFERÊNCIAS BIBLIOGRÁFICAS 142
https://ar hive.org/details/motionofheavenly00gausri h
[10℄ Hans Fis her A History of the entral limit theorem: from lassi al to modern
[13℄ Gregoire Ni olis and Catherine Ni olis. Foundations of omplex systems. Eu-
[16℄ J. P. Nolan. Stable Distributions - Models for Heavy Tailed Data. Birkhauser,
lan/stable/stable.html.
[17℄ B. B. Mandelbrot. The fra tal geometry of nature. Freeman, New York, 1982.
[19℄ Edward Ott. Chaos in Dynami al Systems. Cambridge University Press, Cam-
[20℄ Iram Gleria, Raul Matsushita, and Sergio Da Silva. Revista Brasileira de Ensino
[21℄ A.-L. Barabási and H.E. Stanley. Fra tal Con epts in Surfa e Growth. Cam-
[24℄ Goldberger AL. Non-linear dynami s for lini ians: haos theory, fra tals, and
[25℄ H. E. Hurst. Transa tions of the Ameri an So iety of Civil Engineers, 116:770,
1951.
[28℄ H Eugene Stanley. Introdu tion to phase transitions and riti al phenomena.
[29℄ Thomas C. Halsey, Mogens H. Jensen, Leo P. Kadano, Itamar Pro a ia, and
[30℄ Chhabra, Ashvin and Jensen, Roderi
k V. Physi
al Review Letters, 62,
1327,1989
and H.E. Stanley. Physi
a A: Statisti
al Me
hani
s and its Appli
ations, 316,87,
2002.
REFERÊNCIAS BIBLIOGRÁFICAS 144
[32℄ George Arfken and Hans Weber. Mathemati al methods for physi ists. Elsevir,
1937
[35℄ Annibal Figueiredo, Iram Gleria, Raul Matsushita and Sergio Da Silva J. Phys.
[39℄ Chakravarti, Laha, and Roy, (1967). Handbook of Methods of Applied Statisti s,
[45℄ Fis
her Bla
k and Myron S
holes. Journal of Politi
al E
onomy, 81,637654,
1973.
[47℄ E.W. Montroll and W.W. Badger Introdu tion to Quantitative Aspe ts of so ial
[49℄ R.N. Mantegna and H.E. Stanley. An Introdu tion to E onophysi s: Correlati-
[53℄ F.S.Passos, C.M. Nas imento, Iram Gleria, Sergio da Silva, G. M. Viswanathan
[55℄ A. Einstein, Investigations on the theory of the Brownian motion. Dover Pu-
[56℄ B. B. Mandelbrot. and J. W. Van Ness SIAM Review, 10, 422, 1968
[58℄ Fran is o A.B.F. de Moura and Mar elo L. Lyra, Physi al Review Letters,
81,3735, 1998.
[60℄ N.P. Greis and H.S. Greenside Physi al Review A, 44,2324, 1991.