PO 2 – Material complementar aos slides

1.8:

Apenas o 1 e o 3 são estacionários

E[x(t)] = Mi (estimativa teórica populacional), constante

1. O valor constante é aquele cuja a média não varia ao longo do tempo

X “barra” = estimador amostral

2. Variância é constante

Estimativa teórica populacional Estimativa amostral

Média Mi X “barra”
Variância Sigma ao quadrado S^2
Desvio Padrão Sigma S
Auto - covariância Gama k Ck
Auto - Correlação Rô k rk

-1 <= Rô k <= 1
A autocorrelação mede a “memória” dos dados, ou seja, se os dados se influenciam

Ex: Quando olhamos pro lag 5 (5 meses passados), o valor representado pela barra é a
influencia que um valor possui sobre outro que veio 5 meses antes. Quanto mais perto de 1,
maior a influência.

Fazer exercício

Aula 3 - Series Temporais

O z^ 59(1), por exemplo, é a estimativa de Z no instante 60, quando se está no instante 59

Decomposição da serie temporal

Uma serie temporal vai ter um nível (Usamos principalmente o método naive – em que
dizemos que a previsão do próximo instante é o valor no instante atual), uma tendencia, um
ciclo (Padrão de repetição em períodos superiores a um ano), uma sazonalidade (padrão de
repetição em um período inferior a um ano), e um erro. Podemos decompor cada um desses
fatores em series.

Um ciclo pode ser menor que um ano, mas pra isso acontecer, os dados tem que ser discretos,
e não contínuos. Caso contrário, é uma sazonalidade.

Pra escolher o método de estimativa, vc vai escolher aquela que minimiza o erro.

Aula 4- Amortecimento exponencial

Esse método considera todas as ocorrências anteriores, só que com pesos diferentes,
conforme as observações ficam mais distantes do momento presente.

SES: Nesse método, a estimativa é o lt, que é um valor constante para cada instante – 1 nível

O parâmetro é calculado a cada instante – estimativa pra cada instante

O hiperparâmetro é fixo (alfa) – peso a partir dos quais os dados começam a decair
Equação de previsão é a equação que vai dar a previsão a partir da equação de suavização

O Lt é o nível - quanto cresce a reta (o b da reta de tendencia) e o bt é com que velocidade ( o

a) – de uma reta y=ax + b

HOLT: O coeficiente angular é estimado localmente (pra cada ponto é diferente), logo, ao final,
encontramos uma reta de previsão para cada instante.

H é a ocorrência pra frente

Holt-Winters: O aditivo considera uma sazonalidade constante. Já o multiplicativo possui uma

sazonalidade que cresce com o tempo.

St é o componente de sazonalidade – quanto o período tem peso na previsão

K é o inteiro de h – 1 / m (inteiro no número misto, tipo o inteiro de 0,25 é 0)

M é a “etapa” da sazonalidade – em trimestres por exemplo, pra cada ocorrência, existe m=

{1,2,3,4}
Aula 6 – Online

Antes de chamar, é necessário baixar os pacotes – está no moodle – olhar código explicado

Serie de vendas de pão

Começamos transformando a tabela de dados em uma série temporal

O Código vai cuspir esse EST (M, N, N), que é o teste de cada modelo: Nível, tendência e
sazonalidade. O que contém o M (multiplicativo) é o que apresenta aquele parâmetro, e o n é
o que não tem.
Série de vendas de farmácia

No segundo, ao plotarmos o gráfico vemos uma série com tendência e nível, mas sem
sazonalidade. Vamos pedir pro programa determinar o modelo.

Ele vai cuspir o TS (A,A, N) ou seja, tem nível e tendência (aditivos) e não tem sazonalidade

Serie de geração de energia eólica

Ao plotarmos o gráfico, identificamos nível (erro – componente aleatório), tendência e
sazonalidade.

Para identificar o melhor modelo, você tira os últimos 6 meses e vê a previsão que o modelo
estipularia sem eles. Se os dados dos últimos 6 meses e as previsões forem próximos, é um
bom modelo.

Aula 7 – Processos de Marcov

Processos estocásticos marcovianos - A próxima previsão depende apenas do instante anterior

Cadeias de Marcov – são processos estocásticos que só dependem da previsão anterior E só

existem espaço discretos

Vamos trabalhar com uma probabilidade condicional – probabilidade de transição

estacionária: Estacionária significa que a mudança de um ponto para outro, em qualquer
instante de tempo, terá a mesma probabilidade

Matriz – a vertical representa t e a horizontal representa t+1

Todos os números da matriz têm que ser menores que um e a soma das linhas é igual a 1:
Matriz de transição
O vetor de estado é a distribuição das probs iniciais em uma cadeia de markov

Q30 = Q0 * P^30

Q30= Q29 * P

Classificações de estados em Cadeias de marcov

Caminho: Se dá pra ir de um lugar pro outro – independente do nr de passos

Estados alcançáveis são aqueles em que vc consegue ir de um pro outro

Comunicante é quando é alcançável nas duas direções

Se todos os estados são comunicantes, a cadeia é irredutível – É o caso de markov

O exemplo da ruína do jogador não é irredutível

Estado transiente – estado que, se vc passar por ele, vc pode nunca mais voltar

Estados recorrentes – vc tem garantia que vai voltar

Estados absorventes – um tipo de estado recorrente – aquele que tem na diagonal principal,
probabilidade igual a um – qualquer estado que se ligue ao absorvente é transiente

Estado absorvente é sempre aperiódico, ou seja, ele retorna pra ele mesmo sempre em um
passo

Estados ergódicos – recorrentes e aperiódicos