Análise estatística bayesiana em processos com longa dependência
Autor(a) principal: | |
---|---|
Data de Publicação: | 2010 |
Tipo de documento: | Dissertação |
Idioma: | por |
Título da fonte: | Biblioteca Digital de Teses e Dissertações da UFRGS |
Texto Completo: | http://hdl.handle.net/10183/115499 |
Resumo: | A abordagem Bayesiana na inferência estatística tem sido muito utilizada como uma alternativa aos métodos clássicos. Neste trabalho, apresentamos uma abordagem Bayesiana para a estimação dos parâmetros dos modelos autoregressivos de médias móveis de ordens p e g, denotados por ARMA(p, q) e do modelo autoregressivo fracionariamente integrado de médias móveis, denotado por ARFIMA(p, d, q). Para o último modelo, a abordagem Bayesiana é realizada assumindo p = g = 0. Considerando o modelo AR(p), que é um caso particular do modelo ARMA(p, g) onde g = O, um estimador é proposto através da abordagem Bayesiana. A eficiência do estimador é verificada através de simulações de Monte Cario e os resultados são comparados com o método clássico da máxima verossimilhança. No caso do modelo ARFIMA(0, d, 0), um estudo teórico é realizado através de uma abordagem Bayesiana. Para estimar os parâmetros desse modelo, é utilizada a sua representação autoregressiva. Alguns algoritmos computacionais Bayesianos são apresentados nesse trabalho já que desempenham um papel importante na inferência Bayesiana. Alguns desses algoritmos, como o amostrador de Gibbs e o Metropolis-Hastings, foram utilizados na construção dos estimadores para os parâmetros dos modelos ARMA e ARFIMA. |
id |
URGS_a9adf29814dfdc0d5ce2d7dd41c53e47 |
---|---|
oai_identifier_str |
oai:www.lume.ufrgs.br:10183/115499 |
network_acronym_str |
URGS |
network_name_str |
Biblioteca Digital de Teses e Dissertações da UFRGS |
repository_id_str |
1853 |
spelling |
Dias Junior, Avelino VianaLopes, Silvia Regina Costa2015-04-23T01:58:52Z2010http://hdl.handle.net/10183/115499000776362A abordagem Bayesiana na inferência estatística tem sido muito utilizada como uma alternativa aos métodos clássicos. Neste trabalho, apresentamos uma abordagem Bayesiana para a estimação dos parâmetros dos modelos autoregressivos de médias móveis de ordens p e g, denotados por ARMA(p, q) e do modelo autoregressivo fracionariamente integrado de médias móveis, denotado por ARFIMA(p, d, q). Para o último modelo, a abordagem Bayesiana é realizada assumindo p = g = 0. Considerando o modelo AR(p), que é um caso particular do modelo ARMA(p, g) onde g = O, um estimador é proposto através da abordagem Bayesiana. A eficiência do estimador é verificada através de simulações de Monte Cario e os resultados são comparados com o método clássico da máxima verossimilhança. No caso do modelo ARFIMA(0, d, 0), um estudo teórico é realizado através de uma abordagem Bayesiana. Para estimar os parâmetros desse modelo, é utilizada a sua representação autoregressiva. Alguns algoritmos computacionais Bayesianos são apresentados nesse trabalho já que desempenham um papel importante na inferência Bayesiana. Alguns desses algoritmos, como o amostrador de Gibbs e o Metropolis-Hastings, foram utilizados na construção dos estimadores para os parâmetros dos modelos ARMA e ARFIMA.The Bayesian approach in statistical inference has been widely used as an alternative to traditional methods. In this work, we present a Bayesian approach for estimating the parameters of the autoregressive moving average processes of orderp and q, denoted by ARMA(p, g) and of the autoregressive fractionally integrated moving average process, denoted by ARFIMA(p, d, g). For the later model, the Bayesian approach is performed assuming p = g = 0. Whereas AR(p), which is a particular case of the ARMA(p, g) model when g = O, an estimator is proposed via the Bayesian approach. The efficiency of the estimator is verified by Monte Cario simulations and the results are compared with the classical maximum likelihood estimator. In the case of ARFIMA(0, d, 0) process, a theoretical study is performed by the Bayesian approach. For estimating the parameters of that process we consider its infiriite autoregressive representation. Some Bayesian computational algorithms are presented in this work since they play an important role in Bayesian inferences. Some of these algorithms, such as Gibbs sampler and Metropolis-Hastings algorithm, were used in building the estimators for the parameters of ARMA and ARFIMA models.application/pdfporAnálise estatísticaEstimadores : EstatísticaAlgoritmos computacionaisAnálise estatística bayesiana em processos com longa dependênciainfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisUniversidade Federal do Rio Grande do SulInstituto de MatemáticaPrograma de Pós-Graduação em MatemáticaPorto Alegre, BR-RS2010mestradoinfo:eu-repo/semantics/openAccessreponame:Biblioteca Digital de Teses e Dissertações da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT000776362.pdf.txt000776362.pdf.txtExtracted Texttext/plain123918http://www.lume.ufrgs.br/bitstream/10183/115499/2/000776362.pdf.txt550a6c761faeb368c0859aa88b6474e4MD52ORIGINAL000776362.pdf000776362.pdfTexto completoapplication/pdf695703http://www.lume.ufrgs.br/bitstream/10183/115499/1/000776362.pdf9991c7af23bb5ccb32003c08ba20884cMD51THUMBNAIL000776362.pdf.jpg000776362.pdf.jpgGenerated Thumbnailimage/jpeg1088http://www.lume.ufrgs.br/bitstream/10183/115499/3/000776362.pdf.jpg863cd633d5346ba12a5317d0eef6425cMD5310183/1154992018-10-22 07:26:23.515oai:www.lume.ufrgs.br:10183/115499Biblioteca Digital de Teses e Dissertaçõeshttps://lume.ufrgs.br/handle/10183/2PUBhttps://lume.ufrgs.br/oai/requestlume@ufrgs.br||lume@ufrgs.bropendoar:18532018-10-22T10:26:23Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false |
dc.title.pt_BR.fl_str_mv |
Análise estatística bayesiana em processos com longa dependência |
title |
Análise estatística bayesiana em processos com longa dependência |
spellingShingle |
Análise estatística bayesiana em processos com longa dependência Dias Junior, Avelino Viana Análise estatística Estimadores : Estatística Algoritmos computacionais |
title_short |
Análise estatística bayesiana em processos com longa dependência |
title_full |
Análise estatística bayesiana em processos com longa dependência |
title_fullStr |
Análise estatística bayesiana em processos com longa dependência |
title_full_unstemmed |
Análise estatística bayesiana em processos com longa dependência |
title_sort |
Análise estatística bayesiana em processos com longa dependência |
author |
Dias Junior, Avelino Viana |
author_facet |
Dias Junior, Avelino Viana |
author_role |
author |
dc.contributor.author.fl_str_mv |
Dias Junior, Avelino Viana |
dc.contributor.advisor1.fl_str_mv |
Lopes, Silvia Regina Costa |
contributor_str_mv |
Lopes, Silvia Regina Costa |
dc.subject.por.fl_str_mv |
Análise estatística Estimadores : Estatística Algoritmos computacionais |
topic |
Análise estatística Estimadores : Estatística Algoritmos computacionais |
description |
A abordagem Bayesiana na inferência estatística tem sido muito utilizada como uma alternativa aos métodos clássicos. Neste trabalho, apresentamos uma abordagem Bayesiana para a estimação dos parâmetros dos modelos autoregressivos de médias móveis de ordens p e g, denotados por ARMA(p, q) e do modelo autoregressivo fracionariamente integrado de médias móveis, denotado por ARFIMA(p, d, q). Para o último modelo, a abordagem Bayesiana é realizada assumindo p = g = 0. Considerando o modelo AR(p), que é um caso particular do modelo ARMA(p, g) onde g = O, um estimador é proposto através da abordagem Bayesiana. A eficiência do estimador é verificada através de simulações de Monte Cario e os resultados são comparados com o método clássico da máxima verossimilhança. No caso do modelo ARFIMA(0, d, 0), um estudo teórico é realizado através de uma abordagem Bayesiana. Para estimar os parâmetros desse modelo, é utilizada a sua representação autoregressiva. Alguns algoritmos computacionais Bayesianos são apresentados nesse trabalho já que desempenham um papel importante na inferência Bayesiana. Alguns desses algoritmos, como o amostrador de Gibbs e o Metropolis-Hastings, foram utilizados na construção dos estimadores para os parâmetros dos modelos ARMA e ARFIMA. |
publishDate |
2010 |
dc.date.issued.fl_str_mv |
2010 |
dc.date.accessioned.fl_str_mv |
2015-04-23T01:58:52Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
masterThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10183/115499 |
dc.identifier.nrb.pt_BR.fl_str_mv |
000776362 |
url |
http://hdl.handle.net/10183/115499 |
identifier_str_mv |
000776362 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Biblioteca Digital de Teses e Dissertações da UFRGS instname:Universidade Federal do Rio Grande do Sul (UFRGS) instacron:UFRGS |
instname_str |
Universidade Federal do Rio Grande do Sul (UFRGS) |
instacron_str |
UFRGS |
institution |
UFRGS |
reponame_str |
Biblioteca Digital de Teses e Dissertações da UFRGS |
collection |
Biblioteca Digital de Teses e Dissertações da UFRGS |
bitstream.url.fl_str_mv |
http://www.lume.ufrgs.br/bitstream/10183/115499/2/000776362.pdf.txt http://www.lume.ufrgs.br/bitstream/10183/115499/1/000776362.pdf http://www.lume.ufrgs.br/bitstream/10183/115499/3/000776362.pdf.jpg |
bitstream.checksum.fl_str_mv |
550a6c761faeb368c0859aa88b6474e4 9991c7af23bb5ccb32003c08ba20884c 863cd633d5346ba12a5317d0eef6425c |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Biblioteca Digital de Teses e Dissertações da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS) |
repository.mail.fl_str_mv |
lume@ufrgs.br||lume@ufrgs.br |
_version_ |
1810085317347115008 |