Arq 0278

XXVI SBPO - Simposio
Brasileiro de Pesquisa Operacional

Joao
del Rey, 23 - 26 nov 2004
Sao
aos Modelos Dinamicos
Introducao
Bayesianos
Helio Migon, Dani Gamerman & Romy Rodriguez
Instituto de Matematica
Universidade Federal de Rio de Janeiro
Migon & Gamerman (UFRJ)
Modelos Dinamicos
Bayesianos
XXVI SBPO
1 / 176
Conteudo:
Parte I
e Resultados Principais
Definicao
1
Introducao
de Probabilidade e Inferencia
Revisao
Bayesiana
Modelo Linear Dinamico
Modelos de Tendencia
Evolucao
Modelos Dinamicos
Bayesianos
XXVI SBPO
2 / 176
Conteudo:
Parte II
Topicos
Especiais
6
Analise
Retrospectiva
de Modelos
Superposicao
Modelos com Variaveis

Causais
Modelos com Sazonalidade
10
Monitoracao
11
Intervencao
12
Analise
de Dados
Modelos Dinamicos
Bayesianos
XXVI SBPO
3 / 176
Conteudo:
Parte III
Extensoes
13
Modelos Lineares Dinamicos

Generalizados (MLDG)
14
Inferencia
em MLDG: Linear Bayes
15
Inferencia
em MLDG: MCMC
16
Lineares Dinamicos
Modelos Nao
Generalizados (MNLDG)
17
Modelos Dinamicos
Generalizados (MDG)
18
Inferencia
em MDG: MCMC sequencial
Modelos Dinamicos
Bayesianos
XXVI SBPO
4 / 176

Principais Referencias
Pole, West & Harrison (1994). Applied Bayesian Forecasting

and Time Series Analysis. New York: Chapman-Hall.
West & Harrison (1997). Bayesian Forecasting and Dynamic
Models. New York: Springer-Varlag.
Software:
BATS ftp.stat.duke.edu/pub/bats/
WinBUGS http://www.mrc-bsu.cam.ac.uk/bugs/
Bts http://lib.stat.cmu.edu/DOS/S/
(SPLUS for Windows functions)
Ox http://www.doornik.com/download.html
Modelos Dinamicos
Bayesianos
XXVI SBPO
5 / 176
Parte I
e Resultados Principais
Definicao
Modelos Dinamicos
Bayesianos
XXVI SBPO
6 / 176

Introducao
Modelos Dinamicos
Bayesianos
XXVI SBPO
7 / 176

Introducao
ao
de observacoes
Serie
Temporal (ST) e uma sequ encia
longo do tempo.
usuais a ordem das observacoes
Nos modelos de regressao

e irrelevante, na ST a passagem do tempo tem efeito
marcante.
sao
equiespacadas.
Normalmente numa ST as observacoes
sejam, isso pode ser acomodado com mudancas
Caso nao
ausentes. Deve-se, entretanto,
na escala e observacoes
A abordagem
tomar cuidado com as escalas de medicao.
Bayesiana (diferentemente de outras) incorpora isso.
Neste curso, so estudaremos ST univariadas (possivelmente
com variaveis
explicativas ou regressores).
Modelos Dinamicos
Bayesianos
XXVI SBPO
8 / 176

Controle e Previsao
do que ja aconteceu
Controle e uma descricao
do que vai acontecer
e uma descricao
Previsao
Os dois podem ser feitos independentemente.
de um modelo.
A abordagem aqui e baseada na construcao
controle ou ambos.
Tendo o modelo, pode-se fazer previsao,
real teremos o ciclo:

Numa situacao
observacao
analise
. . . previsao
...
Modelos Dinamicos
Bayesianos
XXVI SBPO
9 / 176

Breve Historico
tiveram um primeiro
Estudos na area
de modelos e previsao
impulso em engenharia de sistemas nos anos 60.
o interesse era voltado para sistema de funcionamento de
La,
maquinas
(por exemplo, satelites)
e havia uma enfase
grande em
controle.
Embora os desenvolvimentos subsequentes
em Estatstica e
Engenharia de Sistemas tomaram caminhos distintos, boa parte

do curso sera voltada para a base comum sobre a qual foram
desenvolvidas as extensoes.
Modelos Dinamicos
Bayesianos
XXVI SBPO
10 / 176
Modelos
3 formas basicas
englobam boa parte dos modelos usados na
pratica:
Modelos de sazonalidade (ou ciclos sistematicos)
Modelos de variaveis
causais (ou regressores)
dessas 3 formas fornecem modelos para series:
Combinacoes
financeiras (vendas, estoque);
capacidade operativa);
industriais (producao,
de leite, mercado de carnes);
agrcolas (producao
de org
aos);
medicas
(monitoracao
sociais (acidentes, nascimentos).
Modelos Dinamicos
Bayesianos
XXVI SBPO
11 / 176
Figura: Vendas Mensais de um tipo de bala de Janeiro de 1976 a

Dezembro de 1981 (CANDY.DAT)
Modelos Dinamicos
Bayesianos
XXVI SBPO
12 / 176

Figura: Acidentes rodoviarios
graves (1969:1-1984:4)
Modelos Dinamicos
Bayesianos
XXVI SBPO
13 / 176

Sistemas Dinamicos
A maioria das analises

estatsticas utilizam modelos
fixa (atraves
de
estaticos:
Modelos com uma descricao
parametros
fixos) ao longo das unidades de observacao.
MLG, modelos ARMA.

Exemplos: analise
de regressao,
Em ST, essa hipotese

muitas vezes e violada: as estruturas
mudam com a passagem do tempo.
` atividades humanas sao
alvos de mudancas:
ST ligados as
Abruptas - devido a grandes mudancas, hecatombes,
novas leis;
Graduais.
Modelos Dinamicos
Bayesianos
XXVI SBPO
14 / 176
dinamicos:
Neste curso todos os modelos sao

(os parametros)
a descricao
muda com a passagem do
tempo. Eles incluem como caso particular os modelos
estaticos
(onde a mudanca e nula).
e
Normalmente, a passagem do tempo traz observacoes
aumenta o nosso conhecimento.
perda de informacao
Em modelos dinamicos
temos tambem
devido a` passagem do tempo.
passado e mais relevante
Exemplo: o nvel de vendas mes
hoje que o nvel de vendas em setembro.
do modelo dinamico
Construcao
e feita em duas etapas:
1a. qualitativa e 2a. quantitativa de uma forma local.
e valida
Em modelos estaticos,
a mesma quantificacao
globalmente.
Modelos Dinamicos
Bayesianos
XXVI SBPO
15 / 176
Abordagem Bayesiana
de um modelo e uma arte.

A construcao
de uma realidade; sera tao
Um modelo e uma representacao

adequado quanto a` sua capacidade de alcancar os objetivos
do modelo traz
a que ele se destina. Portanto, a construcao
inerente em si um carater
subjetivo.
sobre um futuro incerto.
e uma afirmacao
Previsao
de
A incerteza aqui sera sempre representada atraves
sera sempre formulada
probabilidade. Portanto, a previsao
em termos de probabilidade condicionada ao nosso estado
mudara.
de conhecimento. Se ele muda, nossa previsao
Modelos Dinamicos
Bayesianos
XXVI SBPO
16 / 176
de duas fontes:
Nosso conhecimento provem
A serie
historica
ou dados;
Outros conhecimentos (subjetivos)
Exemplos: entrada em vigor de leis, falencia

de competidor.
importantes, podem e devem ser

Ambas as fontes sao
utilizadas.
A abordagem Bayesiana incorpora esses elementos natural e
coerentemente.
significa que o modelo default e posto
Aplicando a` previsao,
para funcionar.
rotineiros intervem,
Se acontecimentos nao
o modelo os
incorpora:
Preparando para mudanca e/ou
Alterando o que for necessario
Exemplo: se o competidor vai falir, precisa usar seu conhecimento sobre a divisao
do mercado para formular a mudanca que ele espera que aconteca.
Modelos Dinamicos
Bayesianos
XXVI SBPO
17 / 176
de Probabilidade e Inferencia
Revisao
Bayesiana
Principais Resultados
Modelos Dinamicos
Bayesianos
XXVI SBPO
18 / 176
Probabilidade
entre 0 e 1 representando a
Probabilidade e um numero
Ex:
crenca numa determinada afirmacao.
Pr(cara no lancamento de uma moeda)=0.5,
Pr(chover hoje)=0.1,
Pr (Ibis ser o campeao)=0.01
Probabilidades Totais (0 ou 1) representam crenca na
veracidade ou falsidade de uma afirmacao.

Probabilidade Condicional e a probabilidade baseada no
conhecimento previo
da veracidade de uma afirmacao.
Ex: Pr(dado lancado dar par| resultado foi 5).

E calculada com: Pr(A|B) = Pr(AB)
Pr(B) .
Sendo: A = {2, 4, 6}, B = {1, 2, 3, 4, 5}, AB = {2, 4},
Da: Pr(AB) = 2/6 e Pr(B) = 5/6.
2/6
2
Logo, Pr(A|B) =
=
5/6
5
Modelos Dinamicos
Bayesianos
XXVI SBPO
19 / 176
Teorema de Bayes
temos que Pr(B|A) = Pr(AB)

Tambem
Pr(A)
assim, Pr(AB) = Pr(B|A) P(A). Logo,
Pr(AB)
Pr(B)
Pr(B|A) Pr(A)
=
Pr(B)
Pr(B|A)Pr(A)
Pr(A|B) =
O resultado acima e conhecido como Teorema de Bayes.
Ele fornece a base da abordagem Bayesiana pois nos

receber
ensina como atualizarmos nossa crenca em A apos
novas informacoes,
no caso, B
Modelos Dinamicos
Bayesianos
XXVI SBPO
20 / 176
Variaveis
Aleatorias
Variavel
ou Quantidade Aleatoria
e aquela cujo valor nos e
incerto. Ex.:
X : Numero
resultando do lancamento de um dado
Y : Nvel de glicose no sangue de um indivduo.
Sua incerteza e representada probabilisticamente,

p.e.,Pr(X = x) = 16 , x = 1, 2, 3, 4, 5, 6.
As Variaveis
Aleatorias
admitem varias
classificacoes
possveis:
Discreta ou Contnua
Observavel
Observavel
ou Nao
Exemplos:
Discreta e observavel:
X
observavel:
Discreta e nao
Indicador de doenca num indivduo
Contnua e observavel:
Vendas de um produto em larga
escala
observavel:
Contnua e nao
Y
Modelos Dinamicos
Bayesianos
XXVI SBPO
21 / 176
de Probabilidade
Distribuicao
representadas pela funcao

de
Variaveis
Discretas sao
probabilidade f (x) = Pr(X = x), que caracteriza completamente a
incerteza a respeito de X pois
Pr(X A) =
Pr(X = x) =
xA
f (x)
xA
representadas pela funcao

de densidade
Variaveis
Contnuas sao
de probabilidade ou densidade f (x), que caracteriza a incerteza a
respeito de X pois
Pr(X A) =
f (x)dx
A
Exemplo: f (x) = 1/[(1 + x2 )] daqui, Pr(X [1, 2]) = 0, 6

Modelos Dinamicos
Bayesianos
XXVI SBPO
22 / 176
de probabilidade e a densidade definem uma

A funcao
de probabilidade.
distribuicao
de
Caractersticas importantes de uma distribuicao
probabilidade:
Medidas de Posicao:
Moda: valor mais provavel,
Media:
centro de gravidade, denotado por E[X]
Medidas de dispersao:
Variancia:
denotado
por V[X],
Desvio-Padrao:
V[X]
Modelos Dinamicos
Bayesianos
XXVI SBPO
23 / 176
Normal
Distribuicao
A v.a (contnua) X que tem densidade
f (x) =
1
2 2
exp
1
2
normal com media
e dita ter distribuicao

e variancia
2.
Notacao:
X N(, 2 )
Modelos Dinamicos
Bayesianos
XXVI SBPO
24 / 176
normal e simetrica
A distribuicao
e surge como resultante de
processos onde muitas fontes de incerteza intervem.

Infelizmente Pr(X A) = A f (x)dx so pode ser calculada
numericamente.
(N(0, 1)):
Resultados importantes para a normal padrao
Pr(X [2, 2]) = 0.95
Pr(X [1.64, 1.64]) = 0.90
Modelos Dinamicos
Bayesianos
XXVI SBPO
25 / 176
Teorema de Bayes para Variaveis

Aleatorias
Suponha a existencia
de uma quantidade de interesse
(desconhecida) que chamaremos de . Nossa incerteza sobre e
representada pela densidade p().
Posteriormente, observamos uma outra quantidade X relacionada
cuja incerteza e representada
a (por exemplo, uma medicao)
pela densidade condicional f (x|).
observar X = x, nossa incerteza sobre passa a ser
Apos
refletida pela densidade condicional p(|x).
Pelo teorema de Bayes,
p(|x) =
f (x|)p()
f (x|)p()
f (x)
Importante e que o teorema nos ensina como atualizar nosso

receber informacao
relevante.
conhecimento apos
Modelos Dinamicos
Bayesianos
XXVI SBPO
26 / 176

Teorema de Bayes para Variaveis
Normais
Sabe-se que o nvel de glicose em uma pessoa normal pode ser
N(120, 100), i.e,
descrito pela distribuicao
p() =
1
1
exp
2
200
120
10
Logo, Pr( estar entre 100 e 140) = 0, 95

y, em laboratorio
Uma medicao,
e feita. Vamos supor que a y|
e N(, 25), i.e.
f (y|) =
1
1
exp
2
50
y
5
errar o nvel em mais de 10 ml sao

de
da, as chances da medicao
5%
Modelos Dinamicos
Bayesianos
XXVI SBPO
27 / 176
observada e de 127 ml.

A amostra e colhida e a medicao
Agora, nossa incerteza sobre o nvel de glicose e dado por
p(|y = 127) f (127 )p()

2
1
1 127
exp
exp
2
5
2
1
exp
2
125.6
4.5
120
10
Logo, (|y=127) e N(125.6, (4.5)2 ) e

Pr( estar entre 116.6 e 134.6) = 0.95
Modelos Dinamicos
Bayesianos
XXVI SBPO
28 / 176

Figura: Teorema de Bayes para Variaveis
Normais
Modelos Dinamicos
Bayesianos
XXVI SBPO
29 / 176

Vetores Aleatorios
de variaveis
Uma colecao
ou quantidades aleatorias
pode ser
agrupada num vetor aleatorio.
Se todas as componentes de um vetor aleatorio

forem
sera discreto com funcao
de
discretas, o vetor tambem
probabilidade:
f (x1 , . . . , xp ) = Pr(X1 = x1 , . . . , Xp = xp )
e Pr((X1 , . . . , Xp ) A) =
(x1 ,...,xp )A f (x1 , . . . , xp )
Se todas as componentes de um vetor forem contnuas, o

sera contnuo com densidade f (x1 , . . . , xp ) e
vetor tambem
Pr((X1 , . . . , Xp ) A) =
f (x1 , . . . , xp )dx1 . . . dxp

A
Modelos Dinamicos
Bayesianos
XXVI SBPO
30 / 176
multivariada da normal e a distribuicao
A generalizacao
normal multivariada com vetor de medias

e matriz de
variancias-covari
ancias
denotada por N(, ).
Se (X1 , . . . , Xp ) N(, ),
cada componente Xj N(j , jj ) onde: j e o j-esimo
entao
componente do vetor jj e o j-esimo componente da

diagonal da matriz .
leva a uma normal
Finalmente, o teorema de Bayes tambem
for normal e o parametro
multivariada se a observacao
for
normal multivariado.
Modelos Dinamicos
Bayesianos
XXVI SBPO
31 / 176
Figura: Caso particular: Normal Bivariada
Modelos Dinamicos
Bayesianos
XXVI SBPO
32 / 176
Principais Resultados
Teorema de Bayes para variaveis

aleatorias:
p(|x) =
f (x|)p()
f (x|)p()
f (x)
Condicional
Normal Multivariada - Distribuicao
Y1
,
Y2
1
1 12
,
2
12 2
1
Y1 |Y2 , , N[1 + 12 1
2 (Y2 2 ), 1 12 2 21 ]
Normal- Gama Multivariada
Se Y|, , N(, 1 ) e Gama(n/2, d/2) entao:

Y tn (, d/n)
Modelos Dinamicos
Bayesianos
XXVI SBPO
33 / 176

Modelo Linear Dinamico
Modelos Dinamicos
Bayesianos
XXVI SBPO
34 / 176
Usual
O Modelo de Regressao
temos uma variavel
Num modelo de regressao

resposta Y que e
explicada por um conjunto de variaveis

explicativas x1 , . . . , xp
da relacao
atraves
Y = 0 + 1 x1 + . . . + p xp + v
N(0, 2 ).
Em geral, assume-se que o v tem distribuicao
acima pode ser mais compactamente escrita como:
A equacao
onde: x =
Y = x + v,
1
0
1
x1
e
= .
..
..
.
xp
p
Modelos Dinamicos
Bayesianos
XXVI SBPO
35 / 176

A natureza das variaveis
explicativas ou regressores e
bastante ampla. Podendo assim, utilizar-se qualquer variavel
quantificavel.
1 , . . . , p informam sobre a
Os coeficientes de regressao
sobre a resposta Y.
influencia
que os regressores tem
desconhecidos e estimados a
Na pratica,
seus valores sao
de observacoes
feitas sobre o modelo
partir de uma colecao
acima.
Assim, observamos respostas Y1 , . . . , Yn com seus
respectivos regressores x1 , . . . , xn . Simbolicamente, temos:
Y t = xt + vt ,
t = 1, . . . , n.
Modelos Dinamicos
Bayesianos
XXVI SBPO
36 / 176
do Modelo
Definicao
Em modelos dinamicos
os parametros
mudam com o passar do
e estendido para
tempo. O modelo de regressao
Yt = xt t + vt ,
t = 1, . . . , n.
ao modelo de regressao
foi a
onde a unica
mudanca em relacao
indexacao de
acima cria uma profusao
de parametros
A formulacao
a
serem estimados.
Essa
O modelo acima necessita de mais informacao.
vem do fato que os parametros
informacao
sucessivos estao
intimamente relacionados.
Em geral, um parametro
e igual ao seu antecessor mais uma
causada pelas mudancas as
` quais o
pequena perturbacao
sistema esta sujeito.
Modelos Dinamicos
Bayesianos
XXVI SBPO
37 / 176

temos:
Se o sistema e estatico,
como em regressao,
t = t1 = .
Em modelos dinamicos,
vamos admitir a forma mais geral
t = Gt1 t1 + wt
valores conhecidos e wt e uma perturbacao
onde Gt contem
aleatoria.
acima e conhecida como equacao
do sistema.
A equacao
Gt controla a parte determinstica da
A matriz de evolucao
do sistema e estabelece a propagacao
do sistema
evolucao
ao longo do tempo.
wt e responsavel
de
A perturbacao
pela introducao
incertezas devidas a` passagem do tempo e consequente
perda de informacao.
Note que se Gt = I e wt = 0, o modelo se reduz ao caso
estatico.
Modelos Dinamicos
Bayesianos
XXVI SBPO
38 / 176
Exemplo
Se observamos uma serie

de vendas (y) explicada pela respectiva
de uma relacao
estavel
serie
de precos (x) atraves
teremos:
yt = t + t xt + vt
t = t1 + t
t = t1 + t
Assim,
explicadas pelo precos em uma regressao
As vendas sao
dinamica.
sera
A maior (ou menor) estabilidade dessa relacao
controlada pela magnitude dos incrementos t e t .
Modelos Dinamicos
Bayesianos
XXVI SBPO
39 / 176
ser definido como:
O modelo linear dinamico

pode entao
das Observacoes:
Equacao
yt = F t t + vt ,
vt N(0, V)
do Sistema:
Equacao
t = Gt t1 + wt ,
wt N(0, W)
No exemplo acima, yt = venda, xt = preco, F t = (1, xt )

=
Gt = I2 =
1 0
0 1
Modelos Dinamicos
Bayesianos
wt =
XXVI SBPO
40 / 176

Analise
Sequencial
A natureza sequencial
de series
temporais e devida a` obtencao
Nada mais razoavel
sequencial
de informacao.
que o metodo
de
seja sequencial.
analise
tambem
do sistema nos informa como a partir da posteriori de

A equacao
ontem podemos chegar a` priori de hoje.
O metodo
Bayesiano nos ensina como combinar a priori de hoje
que acabamos de obter para chegar a` posteriori
com a informacao
de hoje. Para amanha e dias futuros, o ciclo se repete.
total obtida ate o dia t } teremos:
Se Dt = { informacao
. . . ( t1 |Dt1 )
Evoluca o
+3 ( t |Dt1 ) Atualizacao+3 ( t |Dt ) . . .
Previsao

(Yt |Dt1 )
Modelos Dinamicos
Bayesianos
XXVI SBPO
41 / 176

Previsao
no modelo dinamico
obtidas pela combinacao

da
Previsoes
sao
informacao a priori com a equacao das observacoes.

de yt = Ft t + vt com a priori p( t |Dt1 )
A combinacao
preditiva p(yt |Dt1 )
da distribuicao
permite a obtencao
serao
feitas.
baseado na qual as previsoes
Em particular, se quisermos
pontual: podemos tomar a media
uma previsao
dessa
E[Yt |Dt1 ].
distribuicao,
de 90% de probabilidade, basta
um intervalo de predicao
tomar A de forma que
0, 90 = Pr(Yt A|Dt1 ) =
p(yt |Dt1 )dyt

A
Modelos Dinamicos
Bayesianos
XXVI SBPO
42 / 176
varios
A Previsao
passos a frente e feita de forma similar.
Se temos interesse em prever Yt+k no tempo t 1, precisamos
do sistema sucessivamente ate podermos
utilizar a equacao
de t1 .
escrever t+k como funcao
Por exemplo, combinando
t1 = Gt+1 t + wt+1
t = Gt t1 + wt
pode-se obter:
t+1 =
Gt+1 [Gt t1 + wt ] + wt+1
= Gt+1 Gt t1 + Gt+1 wt + wt+1
das observacoes
no
A partir da, combina-se com a equacao
preditiva p(yt+k |Dt1 ).
tempo t + k para obter a distribuicao
cumulativas para os proximos
Previsoes
k perodos, isto e,
podem ser obtidas pelo mesmo
Yt + Yt+1 + . . . + Yt+k1 tambem
metodo.
Modelos Dinamicos
Bayesianos
XXVI SBPO
43 / 176

Tabela: DLM univariado: Variancia
Vt conhecida
Eq. Observ.:
Eq. Sistema:
Informacao:
Previsao:
Yt = Ft t + t
t = Gt t1 + t
(t1 |Dt1 ) N[mt1 , Ct1 ]

(t |Dt1 ) N[at , Rt ]
(Yt |Dt1 ) N[ft , Qt ]
Modelos Dinamicos
Bayesianos
t N[0, Vt ]
t N[0, Wt ]
at = Gt mt1
Rt = Gt Ct1 Gt + Wt
ft = Ft at
Qt = Ft Rt Ft + Vt
XXVI SBPO
44 / 176

Tabela: DLM univariado: Variancia
Vt conhecida (cont.)
recursivas de atualizacao
Relacoes
(t |Dt ) N[mt , Ct ]
mt = at + At et
Ct = Rt At At Qt
et = Yt ft
At = Rt Ft /Qt
preditivas para k 1
Distribuicoes
(t+k |Dt ) N[at (k), Rt (k)]
(Yt+k |Dt ) N[ft (k), Qt (k)]
at (k) = Gt+k at (k 1)
Rt (k) = Gt+k Rt (k 1)Gt+k + Wt+k
ft (k) = Ft+k at (k)
Qt (k) = Ft+k Rt (k)Ft+k + Vt+k
at (0) = mt
Rt (0) = Ct
Modelos Dinamicos
Bayesianos
XXVI SBPO
45 / 176

Tabela: DLM: Variancia
desconhecida Vt = kt 1 , kt conhecido
Eq. Observ.:
Eq. Sistema:
Informacao:
Previsao:
Yt = Ft t + t
t N[0, kt 1 ]
t = Gt t1 + t
t tnt1 [0, Wt ]
(t1 |Dt1 ) tnt1 [mt1 , Ct1 ]
(t |Dt1 ) tt nt1 [at , Rt ]
at = Gt mt1
Rt = Gt Ct1 Gt + Wt
(t1 |Dt1 ) G[nt1 /2, dt1 /2]
(t |Dt1 ) G[t nt1 /2, t dt1 /2]
(Yt |Dt1 ) tt nt1 [ft , Qt ]
ft = Ft at
Qt = Ft Rt Ft + kt St1
Modelos Dinamicos
Bayesianos
XXVI SBPO
46 / 176

Tabela: DLM: Variancia
desconhecida Vt = kt 1 , kt conhecido
recursivas de atualizacao
Relacoes
(t |Dt ) tnt [mt , Ct ]
(t |Dt ) G[nt /2, dt /2]
mt = at + At et
Ct = (St /St1 )Rt At At Qt
et = Yt ft , At = Rt Ft /Qt
nt = t nt1 + 1, dt = t dt1 + St1 e2t
St = dt /nt
preditivas para k 1
Distribuicoes
(t+k |Dt ) tt nt [at (k), Rt (k)]
(Yt+k |Dt ) tt nt [ft (k), Qt (k)]
at (k) = Gt+k at (k 1)
Rt (k) = Gt+k Rt (k 1)Gt+k + Wt+k
ft (k) = Ft+k at (k)
Qt (k) = Ft+k Rt (k)Ft+k + kt+k St
at (0) = mt ,
Rt (0) = Ct
Modelos Dinamicos
Bayesianos
XXVI SBPO
47 / 176

Modelos Dinamicos
Bayesianos
XXVI SBPO
48 / 176
O mais simples modelo dinamico

e o modelo de tendencia
estavel
ou modelo polinomial de primeira ordem. Ele e
composto apenas de um nvel que varia segundo um passeio
aleatorio:
yt = t + vt , vt N(0, Vt )
t = t1 + wt ,
wt N(0, Wt )
Segundo esse modelo, o nvel permanece localmente

constante, mas varia quando se considera largos perodos de
tempo.
das observacoes
em torno dos nveis
Usualmente, a variacao
temporais do
(medida por V) e bem maior que as variacoes
nvel ao longo do tempo (medidas por W).
Ele e obtido ao particularizar o modelo dinamico

com F t = 1 e
Gt = 1.
Modelos Dinamicos
Bayesianos
XXVI SBPO
49 / 176
O modelo polinomial de segunda ordem ou modelo de
tendencia
linear, permite um crescimento no nvel. Isso e
de um parametro
quantificado atraves
adicional e o modelo fica:
yt = t + vt
t = t1 + t1 + w1t
t = t1 + w2t
1
1 1
e Gt =
0
0 1
Aqui, o nvel permanece localmente linear, mas a forma da reta
pode variar com o tempo.
Esse modelo e obtido com F t =
pouco utilizadas.
Tendencias
de ordem maior sao
Modelos Dinamicos
Bayesianos
XXVI SBPO
50 / 176
CANDY.DAT
Aplicacao:
Os dados deste exemplo correspondem as vendas de uma

bala (SALES) do arquivo CANDY.DAT do pacote BATS.
(ver serie)
Nas figuras a seguir apresentam-se alguns resultados do

ajuste de modelos polinomiais de primeira e segunda ordem
a serie
de Vendas Mensais de Janeiro de 1976 a Dezembro
de 1981.
Modelos Dinamicos
Bayesianos
XXVI SBPO
51 / 176
CANDY.DAT: Modelo Polinomial de Primeira Ordem
Figura: Estimativa do nvel
Modelos Dinamicos
Bayesianos
XXVI SBPO
52 / 176
Figura: Estimativa das vendas
Modelos Dinamicos
Bayesianos
XXVI SBPO
53 / 176
um passo a frente
Figura: Previsao
Modelos Dinamicos
Bayesianos
XXVI SBPO
54 / 176
CANDY.DAT: Modelo Polinomial de Segunda Ordem
Figura: Estimativa do nvel
Modelos Dinamicos
Bayesianos
XXVI SBPO
55 / 176
Figura: Estimativa das vendas
Modelos Dinamicos
Bayesianos
XXVI SBPO
56 / 176
um passo a frente
Figura: Previsao
Modelos Dinamicos
Bayesianos
XXVI SBPO
57 / 176
Modelo Polinomial de Primeira Ordem
Yt = t + t ,
t N[0, Vt ]
ou
Yt |t N[t , Vt ]
t = t1 + t ,
t N[0, Wt ]
ou
t |t1 N[t1 , Wt ]
de observacao
onde t : nvel da serie

no instante t, t : erro da equacao
de evolucao.
e t : erro da equacao
de previsao:
Funcao
ft (k) = E[Yt+k |Dt ] = E[t |Dt ] = mt , k > 0
pois E[Yt+k |t ] = E[t+k |t ] = t
Modelos Dinamicos
Bayesianos
XXVI SBPO
58 / 176
de atualizacao
para {1, 1, Vt , Wt }
Tabela: Equacoes
inicial
Informacao
(0 |D0 ) N[m0 , C0 ]
(a) Posteriori para t1
(t1 |Dt1 ) N[mt1 , Ct1 ]
(b) Priori para t
(t |Dt1 ) N[mt1 , Rt ]
Rt = Ct1 + Wt
um passo a frente
(c) Previsao
(Yt |Dt1 ) N[ft , Qt ]

ft = mt1
Qt = Rt + Vt
(d) Posteriori para t
(t |Dt ) N[mt , Ct ]
mt = mt1 + At et
Ct = At Vt
At = Rt /Qt
et = Yt ft
Modelos Dinamicos
Bayesianos
XXVI SBPO
59 / 176
um passo a frente et = Yt ft = Yt mt1

et : erro de previsao
At =
Rt
Qt
Rt
Rt +Vt
Ct1 +Wt
Ct1 +Wt +Vt
At : 2t (Yt , t ) ou em t = + Yt 0 At 1
mt = mt1 + 2t (Yt mt1 ) = At Yt + (1 At )mt1
preditivas
Tabela: Distribuicoes
k passos a` frente:
estimacao
(Yt+k |Dt ) N[mt , Qt (k)]
Qt (k) = Ct + kj=1 Wt+j + Vt+k
k-step lead time forecast:
Xt (k) = Yt+1 + Yt+2 + . . . + Yt+k , k > 0
(Xt+k |Dt ) N[kmt , Lt (k)]
Lt (k) = k2 Ct + kj=1 Vt+j + kj=1 j2 Wt+k+1j
Modelos Dinamicos
Bayesianos
XXVI SBPO
60 / 176

Evolucao
Modelos Dinamicos
Bayesianos
XXVI SBPO
61 / 176
foi discutido o processamento da incerteza a

Ate agora, nao
respeito das variancias

V e W.
A abordagem Bayesiana para parametros

desconhecidos e
via teorema de Bayes.
sempre a mesma: atualizacao
e tratavel
O tratamento dado a` variancia

das observacoes
acontece com a variancia
analiticamente. O mesmo nao

do
sistema.
baseada em fatores de
Felizmente, existe uma solucao
desconto que produz uma alternativa aceitavel.

diminui com o
Como ja dissemos, o valor da informacao
tempo.
e controlada pela evolucao
do sistema,
Essa diminuicao
do aumento da incerteza do sistema.
atraves
Modelos Dinamicos
Bayesianos
XXVI SBPO
62 / 176

No modelo estavel,
temos que
V[t |Dt1 ] = V[t1 |Dt1 ] + W t
do sistema, o seu inverso,

Como a variancia
mede a dispersao
mede a informacao
do sistema.
a precisao
Quanto mais dispersa for a variavel,

maior sera sua variancia
e
Logo, dispomos de menos informacao
menor sera sua precisao.
sobre essa variavel.

de informacao
Pensando agora em percentagem ou fracao

perdida com a passagem de tempo, podemos definir um
fator de desconto (0, 1], tal que
V 1 [t |Dt1 ] = V 1 [t1 |Dt1 ]
acima fornecem uma base para especificacao
As duas equacoes
de W t .
Modelos Dinamicos
Bayesianos
XXVI SBPO
63 / 176
que
O fator de desconto e a percentagem de informacao
passa de um perodo a outro.
bruscas se encontram acima
Valores tpicos para sistemas sem variacoes
de 90%
e sugere-se que
A escolha do valor adequado vai depender da aplicacao
alguns valores sejam comparados.
produzem diferencas perceptveis.

Valores muito proximos
nao
Valores muito baixos (abaixo de 0,8) tendem a introduzir muita incerteza e
muito grandes.
produzem limites de incerteza para predicao
Valores muito altos representam um sistema com mudancas muito suaves.
ha perda de
No limite, quando = 1, temos o modelo estatico
onde nao
informacao.
de desconto pode ser estendida a modelos mais gerais
A mesma ideia
com varios
descontos aplicados a partes diferentes do modelo. Essa
ficara mais clara quando abordamos superposicao
de modelos.
formulacao
Modelos Dinamicos
Bayesianos
XXVI SBPO
64 / 176
CANDY.DAT
Aplicacao:
Ilustramos o uso de fatores de desconto com a serie

de
vendas de uma bala (SALES) do arquivo CANDY.DAT do
pacote BATS. (ver serie)

um passo a
As figuras a seguir apresentam as previsoes
frente resultantes do ajuste de um modelo de tendencia

constante com os seguintes fatores de desconto: 1,0; 0,9 e
0,8
Modelos Dinamicos
Bayesianos
XXVI SBPO
65 / 176

Figura: Fator de Desconto = 1 (estrutura estatica)
Modelos Dinamicos
Bayesianos
XXVI SBPO
66 / 176
Figura: Fator de Desconto = 0, 9
BATS: Trend: Constant, Discount:Trend=0.90,Variance=0.99
Modelos Dinamicos
Bayesianos
XXVI SBPO
67 / 176
Figura: Fator de Desconto = 0, 8
Modelos Dinamicos
Bayesianos
XXVI SBPO
68 / 176
Parte II
Topicos
Especiais
Modelos Dinamicos
Bayesianos
XXVI SBPO
69 / 176

Analise
Retrospectiva
Modelos Dinamicos
Bayesianos
XXVI SBPO
70 / 176
Analise
retrospectiva usa toda a serie
observada para
reavaliar a inferencia
realizada durante o procedimento
sequencial.
e devida a` utilizacao
de observacoes
Essa reavaliacao
o perodo de interesse.
colhidas apos
sabemos mais e dispomos de mais
Com mais informacao,
instrumentos para entender o que se passou.
de passagem de informacao
para tras
no
Essa operacao
ou analise
retrospectiva.
tempo e chamada de suavizacao
Da analise
sequencial,
obtemos p( t |Dt ). Se coletamos
de nossa
observacoes ate o tempo t + k, a melhor descricao
de p( t |Dt+k ).
incerteza sobre t e atraves
Observe, no entanto, que so podemos nos beneficiar dessa regra,
serem decorridos k perodos de tempo.
apos
Modelos Dinamicos
Bayesianos
XXVI SBPO
71 / 176
CANDY.DAT
Aplicacao:
Ilustramos o resultado da analise

retrospectiva com a serie
de vendas de uma bala (SALES) do arquivo CANDY.DAT do
pacote BATS. (ver serie)

As figuras a seguir apresentam as estimativas suavizadas
para as vendas e para o nvel de serie

obtidas a partir do
ajuste de um modelo polinomial de primeira ordem.
Modelos Dinamicos
Bayesianos
XXVI SBPO
72 / 176
Figura: Estimativas Retrospectivas
Modelos Dinamicos
Bayesianos
XXVI SBPO
73 / 176
Figura: Estimativas On-Line e Suavizada do Nvel
Pode-se ver que com a filtragem tem-se trajetorias

mais suaves e limites de incerteza mais
proximos.
Modelos Dinamicos
Bayesianos
XXVI SBPO
74 / 176
Suavizadas
Distribuicoes
Modelo com variancia

conhecida:
Para 1 k t
(tk |Dt ) N[at (k), Rt (k)]
at (k) = mtk Btk [atk+1 at (k + 1)]
Rt (k) = Ctk Btk [Rtk+1 Rt (k + 1)]Btk
Bt = Ct Gt+1 R1
t+1
Modelo com variancia

desconhecida:
Para 1 k t
(tk |Dt ) tnt (k) [at (k), Rt (k)]
(tk |Dt ) G[nt (k)/2, dt (k)/2]
at (k) = mtk Btk [atk+1 at (k + 1)]
Rt (k) = Ctk Btk [Rtk+1 Rt (k + 1)]Btk
Bt = Ct Gt+1 R1
t+1
nt (k) = ntk + tk+1 (nt (k + 1) tk+1 ntk )
1
1
S1
= S1
t
tk + tk+1 (St (k + 1) Stk )
dt (k) = nt (k)St (k)
Modelos Dinamicos
Bayesianos
XXVI SBPO
75 / 176
de Modelos
Superposicao
Modelos Dinamicos
Bayesianos
XXVI SBPO
76 / 176

Antes de apresentar o tratamento para variaveis
causais e
sazonalidade, e util
termos uma forma geral para estruturar e
acomodar as varias
componentes intervenientes num modelo
dinamico.
Muitas series
temporais exibem um comportamento bastante
complexo. Ao identificarmos as caractersticas mais marcantes,
de formular um modelo. A serie
estamos caminhando na direcao
de acidentes e um exemplo tpico. (ver serie)
suave do
A tendencia
global parece ser de uma variacao
nvel.
em torno desse
Se agora nos concentramos na variacao
nvel, podemos detectar um comportamento cclico.
permitiu identificar os dois componentes de um
Essa inspecao
modelo: um componente para a tendencia

e outro para a
sazonalidade.
Modelos Dinamicos
Bayesianos
XXVI SBPO
77 / 176

A estrutura dos modelos dinamicos
e apropriada para essa
estrutura, pois permite que as componentes sejam
modeladas separadamente e depois integradas num modelo.
No caso mais comum de duas componentes: tendencia

e
das observacoes
com
sazonalidade, estruturamos a equacao
dois termos.
yt = yNt + ySt + vt
de um modelo
Cada um dos termos e descrito atraves
dinamico
yNt = FNt Nt
Nt = GNt Nt1 + wNt
ySt = FSt St
St = GSt St1 + wSt
Modelos Dinamicos
Bayesianos
XXVI SBPO
78 / 176
das
Se agora integramos esses termos, obtemos a equacao
observacoes
Yt = F t + vt
onde F =
FNt
FSt
e=
Nt
St
do sistema (integrado) fica

Similarmente, a equacao
t = G t1 + wt ;
onde Gt =
GNt 0
0 GSt
wt N(0, W t )
e Wt =
Modelos Dinamicos
Bayesianos
WNt
0
0
WSt
XXVI SBPO
79 / 176
construdos da mesma
Modelos com mais componentes sao
das observacoes
forma: cada termo contribui para a equacao
do sistema.
e com um bloco de parametros
para a equacao
da variancia
do metodo
A especificacao
do sistema atraves
e feita
dos descontos segue o mesmo caminho, i.e,
agrupados
componente a componente. Nesse caso, sao
conjuntos de parametros
cujo comportamento e julgado
temporal.
similar em termos de variacao
Exemplo: no modelo de vendas explicadas pelo preco temos
dois parametros,
t e t (coeficiente de preco), que evoluirao
segundo descontos N e P tais que
V 1 [t |Dt1 ] = N V 1 [t1 |Dt1 ]
V 1 [t |Dt1 ] = S V 1 [t1 |Dt1 ]
Modelos Dinamicos
Bayesianos
XXVI SBPO
80 / 176

Modelos com Variaveis
Causais
Modelos Dinamicos
Bayesianos
XXVI SBPO
81 / 176

O modelo generico
usado para introduzir os modelos
dos
dinamicos foi obtido a partir de uma generalizacao
modelos de regressao.
Se a serie
de vendas, (yt ) e explicada pela serie
de precos
(xt ) temos:
yt = t + t xt + vt
t = t1 + w1t
t = t1 + w1t
Nada na estrutura acima impede que outras variaveis

sejam
includas como regressores.
Modelos Dinamicos
Bayesianos
XXVI SBPO
82 / 176
No caso de uma serie

Yt com variaveis
explicativas x1t , . . . , xpt ,
temos
yt = 0t + 1t x1t + . . . + pt xpt + vt
it = i,t1 + wit ;
i = 0, 1, . . . , p
dinamica
chamado de modelo de regressao
A estrutura de modelo dinamico

e evidente com:
F t = (1, x1t , . . . , xpt )
Gt = Ip+1 , a matriz identidade de ordem p + 1 e
wt = (w01 , w1t , . . . , wpt )
Modelos Dinamicos
Bayesianos
XXVI SBPO
83 / 176
Multipla
MLD de Regressao
Eq. observacao:
Eq. sistema:
onde
F t = (Xt1 , . . . , Xtn )
X1 , . . . , Xn
Xti
t
t
:
:
:
:
:
Yt = F t t + t ,
t = t1 + t ,
t N[0, Vt ]
t N[0, W t ]
vetor de regressoras
variaveis
independentes
X no instante t
valor da iesima
variavel
n 1 vetor de parametros
da regressao
matriz da variancia
de t .
Modelos Dinamicos
Bayesianos
XXVI SBPO
84 / 176
CANDY.DAT
Aplicacao:
Os dados deste exemplo correspondem as vendas e precos

mensais de uma bala do arquivo CANDY.DAT do pacote
BATS.
Espera-se que serie

de vendas (SALES) esteja relacionada a`
serie
de precos (PRICE).
dinamica
ajuste de um modelo de regressao

com tendencia
estavel, utilizando o preco como variavel explicativa.
Modelos Dinamicos
Bayesianos
XXVI SBPO
85 / 176
Figura: MPlot de Vendas e Precos
Observa-se um aparente movimento comum das 2 series.
Modelos Dinamicos
Bayesianos
XXVI SBPO
86 / 176
Figura: X-YPlot de Vendas e Precos
existente entre as series
O grafico
evidencia a relacao
(Correlacao=-0.63)
Modelos Dinamicos
Bayesianos
XXVI SBPO
87 / 176
exibem melhoras consideraveis
com os modelos sem

As previsoes
em comparacao
precos.
Figura: Previsao
BATS: Trend: Constant, Discount: Trend=0.90, Variance=0.99

Modelos Dinamicos
Bayesianos
XXVI SBPO
88 / 176
Figura: Coeficiente e efeito dos precos
as trajetorias
Este grafico
contem
de E[t |Dt ] e de E[t |Dt ] xt .
Modelos Dinamicos
Bayesianos
XXVI SBPO
89 / 176
Figura: Estimativas Retrospectivas para vendas
Modelos Dinamicos
Bayesianos
XXVI SBPO
90 / 176
Figura: Coeficiente e efeito de preco suavizados
as trajetorias
a filtragem. Pode-se
Este grafico
contem
de E[t |Dt ] e de E[t |Dt ] xt apos
varia de 1 a 0.6. Esse movimento e permitido pelo
ver que o coeficiente da regressao
do .
MLD atraves
Modelos Dinamicos
Bayesianos
XXVI SBPO
91 / 176
com Regressores
Previsao
em modelos com regressores, e

Para fazer previsao
necessario
ter o valores dos regressores ao longo do
horizonte de previsao.
sao
incertos e o
Normalmente, esses valores tambem
tratamento a ser dado e muito mais complicado.
sob varios
Uma alternativa intermediaria

e fazer previsao
cenarios plausveis.
Modelos Dinamicos
Bayesianos
XXVI SBPO
92 / 176
para o perodo 1982/1 - 1982/12

Figura: CANDY.DAT: Previsao
sao
zero, portanto, as
Neste caso todos os valores de preco para o perodo de predicao
tem
a forma constante do modelo estavel.
previsoes
Modelos Dinamicos
Bayesianos
XXVI SBPO
93 / 176
Modelos com Sazonalidade
Modelos Dinamicos
Bayesianos
XXVI SBPO
94 / 176
Modelagem de Forma Livre
Modelos sazonais requerem uma componente periodica

no
modelo.
mais simples e atraves
de fatores ou
A representacao
indicadores de cada perodo no ciclo. Para dados
usados quatro indicadores.
trimestrais, sao
envolve o uso de efeitos indicando a
Uma pequena alteracao
sazonal em torno de um nvel. Nesse caso, os
variacao
restritos a ter soma zero.
efeitos estao
Fatores trimestrais de 100, 140, 80 e 120 equivalem a um
nvel de 110 e efeitos trimestrais de - 10, 30, - 30 e 10.
e mais atraente pois permite a
A ultima
formulacao
entre sazonalidade e tendencia.
separacao
deve ser mantida em todas as afirmacoes
A restricao
probabilsticas mas e facilmente incorporavel

ao metodo
de
inferencia
utilizado.
Modelos Dinamicos
Bayesianos
XXVI SBPO
95 / 176

Para dados trimestrais, os modelos dinamicos
utilizam quatro
indicadores. A passagem do tempo faz com que eles experimentem
Assim,
uma rotacao.
trim4
trim1
t1 =
trim2
trim3
pode ser efetuada pela matriz de evolucao
Essa rotacao
0 1 0 0
0 0 1 0
G=
0 0 0 1
1 0 0 0
de observacoes
que
O modelo e completado por uma equacao
considera apenas a primeira componente do vetor parametrico,

ou seja,
para um ciclo de p perodos e analoga.
Ft = (1, 0, 0, 0). A extensao
Modelos Dinamicos
Bayesianos
XXVI SBPO
96 / 176

Modelagem por harmonicos
cclicos pode ser feita

Uma outra modelagem de padroes
usando funcoes
trigonometricas.
cos((t 1)) e periodica
A funcao
com perodo 2
. Se
= /6, o perodo e 12 e o maximo

ocorre para t = 1.
Dados mensais com ciclo anual podem ser concisamente
modelados via
yt = at cos
(t 1)
6
+ t
onde at e um parametro
que controla a amplitude e o maximo
drastica
ocorre em janeiro. Observe a reducao

na dimensao
do vetor parametrico
de 11 para 1.
Modelos Dinamicos
Bayesianos
XXVI SBPO
97 / 176

Defasagens no ponto de maximo
do ciclo podem ser
acomodadas com um parametro

extra segundo
yt = at cos
(t 1)
6
+ bt sin
(t 1)
6
+ t
dinamica
harmonica
A formulacao
dessa funcao
utiliza 2
parametros,
Ft =
1
0
, Gt =
cos sin
sin cos
coseno.
Esse modelo descreve um ciclo segundo uma funcao
Modelos Dinamicos
Bayesianos
XXVI SBPO
98 / 176
cclicos mais complicados podem ser modelados

Padroes
de formas harmonicas
com a inclusao
de frequ encia
maior. A
cos(2(t 1)) e similar porem
completa 2 ciclos
funcao
durante um perodo de tempo 2/
O resultado fundamental aqui informa que qualquer padrao

cclico de perodo p pode ser reproduzido com a soma de, no
maximo,
p/2 harmonicos
de perodos p/j, j = 1, . . . , [p/2].
A vantagem desse resultado reside em podemos fazer
economia no numero
de parametros
utilizados e
consequentemente
aumentar nossa capacidade de
aprendizado sobre o sistema e melhorar nossas previsoes.
Modelos Dinamicos
Bayesianos
XXVI SBPO
99 / 176
CANDY.DAT
Aplicacao:
A serie
de vendas do arquivo CANDY.DAT do BATS exibe um
havia sido tratado.
comportamento cclico que ate agora nao
(ver serie)
Nas figuras a seguir apresentam-se os resultados da analise
da serie
CANDY.DAT considerando um modelo de tendencia
constante e um regressor (preco), incluindo a componente
sazonal representada de forma livre e com harmonicos.
Modelos Dinamicos
Bayesianos
XXVI SBPO
100 / 176
CANDY.DAT: Modelagem de forma livre

um passo a frente
Figura: Previsao
BATS: Trend: Constant, Regression: PRICE, Seasonal: FREE-FORM

Modelos Dinamicos
Bayesianos
XXVI SBPO
101 / 176
Modelos Dinamicos
Bayesianos
XXVI SBPO
102 / 176
Figura: Estimativa On-Line da Sazonalidade
Modelos Dinamicos
Bayesianos
XXVI SBPO
103 / 176
Figura: Estimativa Suavizada da Sazonalidade
Modelos Dinamicos
Bayesianos
XXVI SBPO
104 / 176

do efeito de janeiro ao longo do tempo
Este grafico
mostra claramente variacao
ressaltando a importancia
da modelagem dinamica.
Figura: Estimativas On-line e suavizadas do efeito de Janeiro
Modelos Dinamicos
Bayesianos
XXVI SBPO
105 / 176
Figura: Estimativa da sazonalidade com limites de incerteza: forma livre
sazonal bastante similar ao de uma funcao

seno embora
Esta figura mostra um padrao
variando no tempo, da sugere que a flexibilidade fornecida pela modelagem em forma
do
livre pode ter sido desnecessaria.
Pode-se contemplar a possibilidade de reducao
do uso de formas harmonicas
tamanho do modelo atraves

para a componente sazonal.
Modelos Dinamicos
Bayesianos
XXVI SBPO
106 / 176

CANDY.DAT: Modelagem com Harmonicos
mensais, temos que o perodo tem
Como os dados sao
tamanho p = 12, havendo portanto ate 6 harmonicos

de
perodos. O primeiro ou fundamental, de perodo 12 = 12/1; o
segundo, de perodo 6 = 12/2 . . . ate o ultimo,
de perodo
2 = 12/6.
da dimensao
do vetor parametrico
A diminuicao
e importante
altere as previsoes
pontuais, diminui a
pois embora nao
da performance do modelo.
incerteza e facilita a monitoracao
disso, uma modelagem mais parcimoniosa acelera o
Alem
tempo de processamento da analise.

Esta modelagem da sazonalidade permite que o perodo do
ciclo sazonal seja diferente do perodo natural da serie

e que
o modelo escolhido contenha apenas o harmonico

senoidal.
fundamental, ou seja, uma unica
funcao
Modelos Dinamicos
Bayesianos
XXVI SBPO
107 / 176

CANDY.DAT: Modelagem com 1o harmonico
um passo a frente
Figura: Previsao
BATS: Trend: Constant, Regression: PRICE, Seasonal: RESTRICTED-HARMONICS
Modelos Dinamicos
Bayesianos
XXVI SBPO
108 / 176
Modelos Dinamicos
Bayesianos
XXVI SBPO
109 / 176
Figura: Estimativa da sazonalidade com limites de incerteza: 1o
harmonico
bastantes parecidas com a modelagem de forma livre.

As estimativas sao
Modelos Dinamicos
Bayesianos
XXVI SBPO
110 / 176
incluindo sazonalidade
CANDY.DAT: Previsao
com limites de incerteza: Forma livre

Figura: Previsao
e 1982/1 a 1982/12. Os regressores estao

zerados.
O horizonte de previsao
Modelos Dinamicos
Bayesianos
XXVI SBPO
111 / 176
com limites de incerteza: 1o harmonico
Figura: Previsao
com a figura anterior, conclui-se que as previsoes

sao
similares mas tem
Da comparacao
maior incerteza na modelagem em forma livre.
Modelos Dinamicos
Bayesianos
XXVI SBPO
112 / 176
da Priori
Especificacao
Ate agora, foram realizadas analises

utilizando as
a priori de referencia
distribuicoes
do BATS. Nada impede
usar prioris informativas.
Para a componente sazonal, so e necessario

a especificacao
de incertezas a respeito dos fatores sazonais.
No caso de modelagem por forma livre, BATS se encarrega
de soma zero seja respeitada. No
de garantir que a restricao
caso de modelagem via harmonicos,

BATS trata de ajustar
essa incerteza especificada pelo usuario

da melhor forma
possvel mesmo que o modelo tenha sido especificado
apenas com alguns dos harmonicos.
Modelos Dinamicos
Bayesianos
XXVI SBPO
113 / 176

Monitoracao
Modelos Dinamicos
Bayesianos
XXVI SBPO
114 / 176
fazer a previsao
e observar o valor correspondente,
Apos
de um modelo.
podemos avaliar a precisao
basica
A ideia
e compara-lo
perante alternativas. Essa
pode servir para sinalizar acontecimentos
comparacao
inesperados
e baseada numa distribuicao
de
Como a previsao
mais
probabilidade, quanto mais na cauda cair a observacao,
Isso
extrema e inesperada (para o modelo) e a observacao.
pode ocorrer devido a uma serie

de motivos:
uma mudanca passageira e ocasional na estrutura dos dados;
uma mudanca persistente e estrutural;
da performance do modelo.
uma deterioracao
O importante e que o sistema tenha capacidade de soar o

alarme
Modelos Dinamicos
Bayesianos
XXVI SBPO
115 / 176
funciona assim:
Um esquema de monitoracao
cair muito na cauda, soa o alarme.
quando a observacao
Nesse momento, o preditor tera de refletir sobre a adequacao
de seu modelo e, se for o caso, modifica-lo.

de alternativas e
Para auxiliar-lo, e util
termos uma colecao
de acao.
possveis direcoes
Modelos Dinamicos
Bayesianos
XXVI SBPO
116 / 176
Acidentes rodoviarios
Aplicacao:
graves
Os dados deste exemplo correspondem ao numero
de
acidentes rodoviarios graves (NUMBER) do arquivo
QACCIDS.DAT do pacote BATS. (ver serie)
Na serie
de acidentes rodoviarios
pode-se notar 3 intervalos
de tempo distintos dentro dos quais o comportamento da
sazonal permanece estavel
serie
e estavel
mas o padrao
ao
longo da serie.
Podemos analisar os 3 intervalos
separadamente mas estaramos assim perdendo informacao,

por exemplo, sobre a componente sazonal.
ajuste de um modelo de tendencia

linear com componente
de monitoracao
do
sazonal de forma livre utilizando a opcao
BATS.
Modelos Dinamicos
Bayesianos
XXVI SBPO
117 / 176

Ajustando um modelo com 2 componentes: uma tendencia
linear e uma forma livre para a
sazonalidade e especificando descontos constantes de 0.98 para tendencia

e
sazonalidade tem-se:
sem monitoracao
Figura: Previsoes
sazonal mas se
Na figura pode se ver que o modelo aprende rapido
sobre o padrao
comporta muito mal no incio dos intervalos onde ocorre mudanca. O motivo da demora a
de descontos altos.
se ajustar a` mudanca e a especificacao
Modelos Dinamicos
Bayesianos
XXVI SBPO
118 / 176

Na figura temos o resultado da analise
retrospectiva. Podemos ver um comportamento
sazonal bastante estavel

sobre uma tendencia
linear que varia suavemente. A estrutura do
modelo impossibilita mudancas bruscas em quaisquer de suas componentes.
Figura: Estimativas suavizadas
BATS:Trend: Linear, Seasonal: Free-form, Discount:Constant, Fit:Reference.
Modelos Dinamicos
Bayesianos
XXVI SBPO
119 / 176
Para melhorar a performance do modelo, ligamos o monitor. Pelo menos, esperamos que
do modelo.
ele sinalize os tempos onde existe deterioracao
com monitoracao
Figura: Previsoes
BATS:Trend: Linear, Seasonal: Free-form, Discount:Constant, Interrupt: Level Decrease

Monitor, Fit:Reference.
Modelos Dinamicos
Bayesianos
XXVI SBPO
120 / 176
A figura anterior mostra que, mesmo com o monitor ligado, a
analise
permaneceu a mesma!
foram suficientemente
Os grosseiros erros de 1974 nao
grandes para fazer o monitor soar. Em 1974 o sistema ainda
de referencia.
esta incerto devido a` inicializacao

estao
muito
Observe que os limites de 90% de incerteza nao
de 1974 e que os limites aumentaram
longe das observacoes
em seguida a elas.
Para confirmar o ponto acima, vamos repetir a analise

com
menores incerteza a priori.
Modelos Dinamicos
Bayesianos
XXVI SBPO
121 / 176
na incerteza inicial foi

O monitor agora sinaliza no 1o trimestre de 1974. A reducao
extrema o suficiente para soar o alarme.
suficiente para tornar essa observacao
com monitoracao
Figura: Previsoes
fazer nada (ja vimos nao

ser apropriado);
opcoes:
Neste momento temos tres

Nao
mesmos.
deixar que o BATS atue automaticamente ou fazer algo nos
Modelos Dinamicos
Bayesianos
XXVI SBPO
122 / 176

Se deixamos ao BATS solucionar o problema temos que a analise
continua tratando essa
como aberrante e nao
a incorpora a` analise.
ao novo nvel e bem

observacao
A adaptacao
mais rapida.
com monitoracao
e menos incerteza a priori
Figura: Previsoes
Modelos Dinamicos
Bayesianos
XXVI SBPO
123 / 176
O monitor do BATS funciona baseado nas seguintes regras:

foi devida apenas a` observacao
mais
Se a sinalizacao
recente, ele a ignora e aumenta a incerteza a respeito dos
parametros
foi devida as
` ultimas
Se a sinalizacao
k observacoes,
ha
de mudanca estrutural na serie
indicacao
e apenas ocorre
um aumento na incerteza a respeito dos parametros.

da diminuicao
O aumento da incerteza e feito atraves
momentanea
dos descontos para: 0.1 para tendencia
e
componente sazonal, 0.8 para regressores e 0.9 para
variancia
das observacoes.
Esses valores e a sensibilidade
do monitor tambem podem ser mudados.
Modelos Dinamicos
Bayesianos
XXVI SBPO
124 / 176
do monitor de queda no nvel (desvio padrao

para -2.5 e limiar
Mudando as especificacoes
do fator de Bayes para 0.3) temos:
com monitor mais sensvel

Figura: Previsoes
Agora, o monitor sinaliza em 1973/4 e 1983/4, so que no ultimo

caso baseado numa serie
sinalizou em 1974/1 pois o modelo estava preparado

de 4 observacoes.
O monitor nao
de 1983 foi
para mudancas com incertezas aumentadas e nenhuma observacao
dispensada.
Modelos Dinamicos
Bayesianos
XXVI SBPO
125 / 176

Intervencao
Modelos Dinamicos
Bayesianos
XXVI SBPO
126 / 176
funciona sem
Normalmente, um sistema de previsao
mudancas ao longo de sua analise.

Existem momentos,
entretanto, que e preciso fazer mudancas no seu
funcionamento.
Anteriormente, havamos discutido a possibilidade do
conhecimento de eventos excepcionais intervirem na serie
estudada, usando como exemplo a falencia

de um
nao
seja parte
competidor. Embora esse tipo de informacao
da serie
historica,
e fundamental para o sucesso do modelo,
que seja incorporado a` analise.

utilizada, ao inves
de evoluirmos de p(t1 |Dt1 )
Na notacao
para p(t |Dt1 ) devemos faze-lo para p(t |Dt1 , It ) onde It
relevante. Note que essa mudanca e
consiste na informacao
essencialmente subjetiva.
Modelos Dinamicos
Bayesianos
XXVI SBPO
127 / 176
a sinalizacao
do
Ate agora, so interviemos no modelo apos
e desnecessaria.
monitor. Obviamente, essa restricao

Na
que nos sugere

pratica,
muitas vezes temos informacao
possveis pontos de mudanca na serie.
No caso da serie
de acidentes, possumos tais informacoes:
em 1974/1 a crise do petroleo

forcou um aumento significativo
no preco da gasolina e
em 1983/1 passou a ser obrigatorio

o uso de cinto de
seguranca nos carros.
Modelos Dinamicos
Bayesianos
XXVI SBPO
128 / 176
Acidentes rodoviarios
Aplicacao:
graves
Na serie
de acidentes (ver serie)
indicamos ao BATS que vamos a intervir em 1973/4 e
1983/1. O programa para em esses dois pontos antes de incorporar as observacoes.

Foram mudadas as prioris do nvel e do crescimento.
com intervencao
antecipada em 1973/4 e 1983/1
Figura: Previsoes
Modelos Dinamicos
Bayesianos
XXVI SBPO
129 / 176

antecipada
Figura: Analise
Retrospectiva com intervencao
Modelos Dinamicos
Bayesianos
XXVI SBPO
130 / 176
antecipada
Figura: Nvel Suavizado com intervencao
Modelos Dinamicos
Bayesianos
XXVI SBPO
131 / 176
antecipada
Figura: Crescimento Suavizado com intervencao
Modelos Dinamicos
Bayesianos
XXVI SBPO
132 / 176
Sazonal da analise
antecipada
Figura: Padrao
com intervencao
O comportamento sazonal e bastante estavel

ao longo de toda a serie.
Modelos Dinamicos
Bayesianos
XXVI SBPO
133 / 176

Acidentes: Todas as intervencoes
Normalmente podemos monitorar e intervir numa mesma analise
com todas as intervencoes
Figura: Previsoes
Modelos Dinamicos
Bayesianos
XXVI SBPO
134 / 176
Na figura anterior:
O monitor sinaliza em 1970/1 mas a incerteza ainda e grande
intervir.
e melhor nao
A analise
para no perodo pre-especificado
1973/4 onde
fazem-se mudancas na priori.
O monitor sinaliza em 1974/3 e 1978/1, em ambos permite-se
automatica.
intervencao
Finalmente a analise
para em 1983/1 onde repetem-se as
mudancas na priori.
Modelos Dinamicos
Bayesianos
XXVI SBPO
135 / 176
Analise
de Dados: transformacoes
Modelos Dinamicos
Bayesianos
XXVI SBPO
136 / 176

A serie
O grafico
mostra as vendas trimestrais de filhotes de peru na Irlanda.
Figura: Vendas trimestrais de filhotes de peru de 1 dia na Irlanda
de uma tendencia
Alem
de crescimento, a serie
exibe amplitude sazonal tambem
crescente.
Modelos Dinamicos
Bayesianos
XXVI SBPO
137 / 176
nos dados
Para controlar essa nao-linearidade,

procedem-se as transformacoes
mostradas na figura:
na serie
Figura: Diferentes transformacoes

de filhotes de peru
A potencia
3/4 parece dar os melhores resultados.
Outro aspecto interessante da serie

e a mudanca no padrao
sazonal de baixo, alto, alto, baixo para baixo, medio,

alto, baixo.
Modelos Dinamicos
Bayesianos
XXVI SBPO
138 / 176

As series
transformadas foram analisadas com modelo de
tendencia
linear e componente sazonal de forma livre e priori
da performance foram:
de avaliacao
informativa. Os criterios
1 passo a frente.
MSE: erro medio
quadratico
de previsao
1 passo a frente.
MAD: erro medio
absoluto de previsao
Logaritmo da verossimilhanca do modelo.
A verossimilhanca do modelo e a densidade dos dados condicionada ao
modelo. Se o modelo M1 tem densidade mais alta que M2 , ele tem mais
chances de ter gerado os dados e deve ser preferido. Essa regra pode
da inferencia
ser formalizada probabilisticamente atraves

bayesiana: se
os dois modelos tem a mesma probabilidade a priori M1 tem
pelo Teorema de Bayes segue que
verossimilhanca maior que M2 entao
a probabilidade a posteriori de M1 e maior que a de M2
Modelos Dinamicos
Bayesianos
XXVI SBPO
139 / 176

3/4
Tanto na transformacao
yt quanto na yt , os modelos
dinamicos
sempre foram superiores aos modelos estaticos
de descontos utilizadas.
para varias
combinacoes
3/4
yt o modelo dinamico
Na transformacao
com T = 0.9 e
S = 0.7 e o modelo estatico

forneceram:
Criterio
MSE
MAD
log(L)
M. Dinamico
111.0
7.9
-134.7
M. Estatico
153.6
9.6
-144.2
pode ser feita tambem

com as previsoes
Essa comparacao
mostradas nas proximas

figuras.
Modelos Dinamicos
Bayesianos
XXVI SBPO
140 / 176
para a transformacao
y3/4 : Modelo Estatico
Figura: Previsoes
Modelos Dinamicos
Bayesianos
XXVI SBPO
141 / 176

para a transformacao
y3/4 : Modelo Dinamico
Figura: Previsoes
Modelos Dinamicos
Bayesianos
XXVI SBPO
142 / 176

Para comparar series
transformadas zt = yt , a verossimilhanca
deve ser ajustada pelo fator n t yt1 . Com esse ajuste, as
log-verossimilhancas dos modelos dinamicos

ficam:
Transformacao
yt , = 1/2
Log-L ( ) Log-L ajustado

(0.9,0.8)
-71.1
-194.8
(1.0,1.0)
-77.6
-201.3
3/4
yt , = 3/4
Transformacao
Log-L ( ) Log-L ajustado

(0.9,0.7)
-134.7
-194.5
(1.0,1.0)
-144.2
-204.0
indicando uma
Com este ajuste, as log-verossimilhancas estao
3/4
ligeira preferencia pela transformacao yt
Modelos Dinamicos
Bayesianos
XXVI SBPO
143 / 176
em series
As previsoes
transformadas devem ser transformadas a`
Uma previsao
com
escala original para melhor comunicacao.
media
87 e limites de 90% de incerteza (87 15) e (87 + 15) na
3/4
com media
escala yt corresponde a previsoes

874/3 = 382 e
limites de 90% de incerteza (87 15)4/3 = 299 e (87 + 15)4/3 = 469
Transformacao
yt , = 1/2
Perodo Moda Prevista Intervalo 90%
1982 IV
380
(278,498)
1983 I
422
(317,507)
3/4
yt , = 3/4
Transformacao
Perodo Moda Prevista Intervalo 90%
1982 IV
382
(299,469)
1983 I
424
(317,507)
Modelos Dinamicos
Bayesianos
XXVI SBPO
144 / 176
Parte III
Extensoes
Modelos Dinamicos
Bayesianos
XXVI SBPO
145 / 176

Generalizados
Modelos Dinamicos
Bayesianos
XXVI SBPO
146 / 176

sao
nao
normais
Suponha agora que as observacoes
das observacoes
e membro da famlia
A distribuicao
exponencial, onde t e o parametro

natural e t = Vt1 e a
da distribuicao.
precisao
linear com o vetor de estados t
t tem uma relacao
de evolucao
para o vetor de estados e igual ao
A equacao
modelo normal
normal faz parte dessa familia.
A distribuicao
Modelos Dinamicos
Bayesianos
XXVI SBPO
147 / 176

O modelo e especificado por:

de Observacao
: p(Yt |t ) = exp t Yt t a(t )
Equacao
b(Yt , Vt )
da Media
Funcao
: t = E(Yt | t ) = a (t )
de Ligacao
: g(t ) = F t t
Funcao
do sistema : t = Gt t1 + t
Equacao
Erro do sistema : t (0, W t )
a priori : 1 (a1 , R1 )
Informacao
No caso da normal, t = t
Modelos Dinamicos
Bayesianos
XXVI SBPO
148 / 176
Exemplo 01:
Log-linear Dinamico
Modelo de Regressao
Se Yt Poisson(t ), entao:
p(Yt |t ) exp Yt log(t ) t
=1
t = log t
a(t ) = exp(t ) = t
t = 1t + 2t xt = (1, xt ) t
F t = (1, xt )
t = (1t , 2t ) = t1 + t
t N(0, W),
1 N(0, R)
Modelos Dinamicos
Bayesianos
XXVI SBPO
149 / 176
Exemplo 02:
Logstico Dinamico
Modelo de Regressao
Se Yt Binomial(nt , t ), entao:
p(Yt |nt , t ) exp Yt logit(t ) + nt log(1 t )
=1
t = logit(t )
a(t ) = nt log(1 t )
t = 1t + 2t xt = (1, xt ) t
F t = (1, xt )
t = (1t , 2t ) = t1 + t
t N(0, W),
1 N(0, R)
Modelos Dinamicos
Bayesianos
XXVI SBPO
150 / 176

Inferencia
Modelos Dinamicos
Bayesianos
XXVI SBPO
151 / 176

Inferencia
Re-lembrando:
p(Yt | t ) t = F t t ;
t = Gt t1 + t ,
t (0, W t )
( t |Dt1 ) (at , Rt )
Seja ( t1 |Dt1 ) (mt1 , Ct1 ). Entao
onde at = Gt mt1 e Rt = Gt Ct1 Gt + W t
Priori para t : (t |Dt1 ) (ft , qt ).
Se a priori de t e conjugada, tem-se que priori e posteriori
pertencem a` mesma famlia, logo (t |Dt ) (ft , qt ).
Estrutura Condicional de ( t |t , Dt1 ):
t
t
ft
qt
,
t1
at
Rt F t
Linear Bayes
F t Rt
Rt
E( t |t , Dt1 ) = at + Rt F t (t ft )/qt
Var( t |t , Dt1 ) = Rt Rt F t F t Rt /qt
Modelos Dinamicos
Bayesianos
XXVI SBPO
152 / 176
para t .
Atualizacao
p( t |Dt ) =
p( t |t , Dt1 ) p(t |Dt ) dt
e conhecida conjugacao
nao
que:
Temos entao
t (mt , Ct )
mt = E[ t |Dt ]
= E E{ t |t , Dt1 }|Dt
= at + Rt F t (ft ft )/qt
Ct = V[ t |Dt ]
= V E{ t |t , Dt1 }|Dt + E V{ t |t , Dt1 }|Dt
= Rt Rt F t F t Rt (1 qt /qt )/qt
Modelos Dinamicos
Bayesianos
XXVI SBPO
153 / 176
MLDG Poisson-Gama de 2o ordem

Aplicacao:
Objetivo: Analise
temporal do numero
mensal de crimes
violentos, ocorridos entre janeiro de 1998 e agosto de 2001

de Belo Horizonte.
numa regiao
Modelo:
(Yt |t ) Poisson(t ), t = 1, . . . , 45;
log t = 1 0
t
t
1 1
0 1
t
t
(1a)
(1b)
= t
t1
t1
w1t
w2t
(1c)
0 N(m10 , C10 )
0 N(m20 , C20 )
wt (0, W) W especificado via descontos ( = 0.98)
Modelos Dinamicos
Bayesianos
XXVI SBPO
154 / 176
Rotina em Ox
# include <oxstd.h> main() {
// Dados e Vari
aveis
decl data = loadmat("cia6.dat"); decl nobs = (rows(data)+1);
decl Ft = <1; 0>; decl Gt = <1, 1; 0, 1>; decl delta = 0.99;
...
// Informac
ao inicial
mt[0] = <4.30; 0.00>; Ct[0] = <0.10, 0.00; 0.00, 0.01>;
// Linear Bayes
for(i=1; i<(nobs); i++){
at[i] = Gt*mt[i-1];
Rt[i] = (Gt*Ct[i-1]*Gt)*(1/delta);
ft[i] = Ft*at[i];
qt[i] = Ft*Rt[i]*Ft;
rt[i] = 1/qt[i];
st[i] = 1/(qt[i]*exp(ft[i]));
rs[i] = rt[i] + y[i];
ss[i] = st[i] + 1;
fs[i] = log(rs[i]) - log(ss[i]);
qs[i] = 1/(rs[i]);
mt[i] = at[i] + Rt[i]*Ft*(fs[i]-ft[i])*(1/qt[i]);
Ct[i] = Rt[i] - (Rt[i]*Ft*Ft*Rt[i])*(1-(qs[i]/qt[i]))*(1/qt[i]);
}... }
Modelos Dinamicos
Bayesianos
XXVI SBPO
155 / 176
0.0
0.1
150
50
0.2
100
200
0.1
250
0.2
numero
Aplicacao:
de crimes
1998
1999
2000
2001
1998
(a) t |Dt
1999
2000
2001
(b) t |Dt
Figura: IC 95% para o Nvel e Parametro

de crescimento de (1)
estimado com Linear Bayes
Modelos Dinamicos
Bayesianos
XXVI SBPO
156 / 176

Inferencia
em MLDG: MCMC
Modelos Dinamicos
Bayesianos
XXVI SBPO
157 / 176
Monte Carlo (MC)
Metodos
Monte Carlo (MC): metodos
de inferencia
baseados
em simulacao.
eficiente de metodos
MC possibilita a implementacao
de
com modelos complexos como MLD e MLDG.
simulacao
Necessario
se queremos estimar W ou elementos
desconhecidos de F e G.
a
Podemos usar MC para gerar valores da distribuicao
posteriori dos parametros

dos MLD e MLDG.
se consegue gerar diretamente da
Em MLD e MLDG nao
posteriori
MCMC.
Solucao:
Modelos Dinamicos
Bayesianos
XXVI SBPO
158 / 176
Monte Carlo via cadeia de Markov (MCMC)

Um algoritmo Monte Carlo via cadeia de Markov (MCMC) para
e qualquer metodo
simular de uma distribuicao

que produza uma
cadeia de Markov homogenea,

ergodica
e irredutvel cuja
estacionaria
distribuicao
seja . (Uma cadeia e ergodica
se ela e
aperiodica
e recorrente positiva)
geradas de uma cadeia de

MCMC: amostras dependentes sao
de equilbrio e a distribuicao
de interesse.
Markov cuja distribuicao
muito correlacionadas; (2)
Aviso: (1) amostras do MCMC geralmente sao
estimativas de amostras correlacionadas tendem a ter variancias

maiores
do que amostras independentes.
Algumas questoes:
qual o tamanho do burn-in? as cadeias estao
passeando por todo o espaco parametrico?

quantas iteracoes?
Exemplos de MCMC:
Amostrador de Gibbs
Metropolis Hasting
Modelos Dinamicos
Bayesianos
XXVI SBPO
159 / 176
Amostrador de Gibbs
Para obter uma amostra de p(1 , 2 ) passeamos
aleatoriamente pelo espaco parametrico

de acordo com a
seguinte regra de transicao:

produz um movimento numa direcao
somente,
Cada iteracao
simulando de p(1 |2 ) e p(2 |1 ).
Depois do perodo de burn-in (quando se perde a influencia

do
ponto inicial, atingindo a convergencia)

comecamos a ter uma
amostra de p(1 , 2 )
se generaliza para com mais de 2 componentes

A ideia
gerando das condicionais completas p(i |i )
Metropolis Hasting
em
Tecnica
que produz uma cadeia com regra de transicao
duas etapas:
propostos de uma regra de transicao
Movimentos sao
arbitraria
Etapa de aceitacao
Para MLD usamos Gibbs. Para MDLG usamos Metropolis.

Modelos Dinamicos
Bayesianos
XXVI SBPO
160 / 176
propostas
Sobre as regras de transicao
Principais diferencas:
propostas,
Escolha das regras de transicao
Forma de acelerar a convergencia
do vetor de estados:
Atualizacao
t a cada passo (Single move),
t a cada passo (Multi move),
(r , s ) a cada passo (Block move).
Modelos Dinamicos
Bayesianos
XXVI SBPO
161 / 176

Aplicacao
Objetivo: Analise
temporal do numero
mensal de crimes
violentos, ocorridos entre janeiro de 1998 e agosto de 2001

de Belo Horizonte.
numa regiao
Modelo:
Yt |t Poisson(t )
log t = 1 0
t
t
1 1
0 1
t
t
(2a)
(2b)
= t
t1
t1
w1
;
w2
w1
w2
0
W1 0
,
0
0 W2
0 N(m10 , C10 )
0
1
W1
W21
N(m20 , C20 )
Gama(0.01, 0.01)
Gama(0.01, 0.01)
Modelos Dinamicos
Bayesianos
XXVI SBPO
162 / 176
Rotina em WinBUGS
model "modelo din
amico poisson de 2-ordem";
{
# Equac
oes do modelo
for(t in 2:46)
{
beta[t] dnorm(beta[t-1],iw2);
mean.mu[t] <- mu[t-1]+beta[t-1];
mu[t] dnorm(mean.mu[t],iw1);
log(lambda[t]) <- mu[t]
y[t] dpois(lambda[t])
y.rep[t] dpois(lambda[t])I(0,10000)
}
# Informac
ao inicial
mu[1] dnorm(a[1], iR10)
beta[1] dnorm(a[2], iR20)
# Distribuic
ao a priori
iw1 dgamma(0.01,0.01)
iw2 dgamma(0.01,0.01)
w1 <- 1/iw1;
w2 <- 1/iw2;
# Hiperpar
ametros
a[1] <- 4.5; a[2] <- 0.2;
iR10 <- 2.0; iR20 <- 1;
}
Modelos Dinamicos
Bayesianos
XXVI SBPO
163 / 176
0.1
0.0
0.1
150
50
0.2
100
200
0.2
250
numero
Aplicacao:
de crimes
1998
1999
2000
2001
1998
(a) t |Y
1999
2000
2001
(b) t |Y
Figura: IC 95% para o Nvel e Parametro

de crescimento de (2)
estimado com MCMC
Modelos Dinamicos
Bayesianos
XXVI SBPO
164 / 176
10
50
20
30
100
40
150
50
60
200
70
numero
Aplicacao:
de crimes (cont.)
0.00
0.01
0.02
0.03
0.04
0.05
0.000
W1
0.010
0.020
W2
(a) W1 |Y
(b) W2 |Y
a posteriori de W1 e W2 de (2)
Figura: Amostras das distribuicoes
obtidas com MCMC (A linha pontilhada indica a media

a posteriori)
Modelos Dinamicos
Bayesianos
XXVI SBPO
165 / 176
Lineares Dinamicos
Modelos Nao
Generalizados
Modelos Dinamicos
Bayesianos
XXVI SBPO
166 / 176
Lineares Dinamicos
Modelos Nao
Generalizado
(MNLDG)
Seja Yt uma serie

temporal observada de t = 1 a t = T.
linear dinamico
O modelo nao
generalizado e dado por:
:
Eq. de Observacao
Eq. do Sistema :
yt = ft (t ) + vt
(3a)
t = gt (t1 ) + wt
(3b)
funcoes
conhecidas
onde ft () e gt () sao
de Transferencia
Exemplo: Modelo de Funcao

Yt = + Et + t ,
t N(0, V)
(4a)
Et = Et1 + Xt
Modelos Dinamicos
Bayesianos
(4b)
XXVI SBPO
167 / 176
dados de chuva e vazao
Aplicacao:
3.0
Vazao
Chuva*0,01
2.5
2.0
1.5
1.0
0.5
0.0
1946.8
1947.4
1948.0
1948.6
e Precipitacao
de Outubro de 1946 a Setembro de 1948
Figura: Vazao
na Bacia do Riberao Pinheirinho - SP
Modelos Dinamicos
Bayesianos
XXVI SBPO
168 / 176
3.5 3.0 2.5 2.0 1.5 1.0 0.5
(a) |Y
0.0
200
0.4
400
0.8
600
1.2
800
10

(cont.)
Aplicacao:
0.60
0.70
0.80
0.90
(b) |Y
0.006
0.007
0.008
0.009
0.010
(c) |Y
a posteriori de , e de (2) obtidas

Figura: Amostras das distribuicoes
com MCMC (A linha pontilhada indica a media

a posteriori
Modelos Dinamicos
Bayesianos
XXVI SBPO
169 / 176

(cont.)
Aplicacao:
+
+
+
Observada
Estimada
IC 95%
+
2
+
+
+ +
+
+
+ +
+ +
+ + +
+ +
Nov 46
Mar 47
Jul 47
Nov 47
Mar 48
Jul 48
Observada e IC 95 % para a vazao

estimada com o
Figura: Vazao
modelo (4)
Modelos Dinamicos
Bayesianos
XXVI SBPO
170 / 176

Modelos Dinamicos
Generalizados (MDG)
Modelos Dinamicos
Bayesianos
XXVI SBPO
171 / 176

Modelos Dinamicos
Generalizado (MDG)
Seja Yt uma serie

temporal observada de t = 1 a t = T.
O modelo dinamico
generalizado e dado por:
:
Eq. das Observacoes
Eq. do Sistema :
yt = ft (t , t , V)
(5a)
t = gt (t1 , t , W)
(5b)
onde
funcoes
conhecidas;
ft () e gt () sao
os erros observacional e do sistema nao
t e t sao
correlacionados e mutuamente independentes, com
variancias
V e W, respectivamente.
Modelos Dinamicos
Bayesianos
XXVI SBPO
172 / 176

Inferencia
em MDG: MC sequencial
Modelos Dinamicos
Bayesianos
XXVI SBPO
173 / 176
Monte Carlo sequencial
chegam de forma sequencial

Algumas vezes as observacoes
no
de inferencias
tempo e pode-se estar interessado na obtencao

on
das distribuicoes
tao
logo os
line, sendo necessaria
a atualizacao
dados se tornarem disponveis.
Quando a variavel
de interesse e modelada por um sistema
dinamico
gaussiano e linear e possvel acessar de forma analtica a
reais,
sequencia
de posterioris. Entretanto, em diversas situacoes
se adequam aos dados. Nesses

normalidade e linearidade nao
casos, pode-se usar MCMC mas a analise

deixa de ser sequencial.
Metodos
de Monte Carlo Sequenciais
aparecem como uma
para o problema de determinacao

de distribuicoes
a
solucao
posteriori. Tais metodos

proliferaram nos ultimos
anos e suas
se tornaram cada vez mais acessveis devido a` melhora

aplicacoes
na capacidade computacional disponvel. Dentre esses metodos

os filtros de partculas.
estao
Modelos Dinamicos
Bayesianos
XXVI SBPO
174 / 176
MC sequencial:
filtro de partculas
estrategias
que
Os filtros de partculas sao
de simulacao
a posteriori de t , p(t |Dt ), por partculas
aproximam a distribuicao
(1)
(M )
t , . . . , t t com respectivas probabilidades discretas
(j)
(j)
(1)
(M )
t
wt , . . . , wt t . Em outras palavras, o conjunto {t , wt }M
j=1
aproxima p(t |Dt ).
de evolucao,
previsao
e atualizacao
sao
Todas as operacoes
` partculas utilizando tecnicas
realizadas por MC e aplicadas as

como Sampling Importance Resampling (SIR).
Cuidados especiais devem ser tomados para dar conta das
das partculas.
mudancas observadas para evitar degeneracao
Alguns filtros incluem inferencia

para os hiperparametros.
Modelos Dinamicos
Bayesianos
XXVI SBPO
175 / 176
Muito obrigado!
migon@im.ufrj.br
dme.ufrj.br/hsmigon
dani@im.ufrj.br
acd.ufrj.br/dani
romy@dme.ufrj.br
dme.ufrj.br/romy
Modelos Dinamicos
Bayesianos
XXVI SBPO
176 / 176

Arq 0278

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Arq 0278

Uploaded by

Copyright:

Available Formats

XXVI SBPO - Simposio

Brasileiro de Pesquisa Operacional

aos Modelos Dinamicos

Migon & Gamerman (UFRJ)

Modelo Linear Dinamico

Migon & Gamerman (UFRJ)

Modelos com Variaveis

Modelos com Sazonalidade

Migon & Gamerman (UFRJ)

Modelos Lineares Dinamicos

Migon & Gamerman (UFRJ)

Pole, West & Harrison (1994). Applied Bayesian Forecasting

Migon & Gamerman (UFRJ)

Migon & Gamerman (UFRJ)

Migon & Gamerman (UFRJ)

Nos modelos de regressao

Migon & Gamerman (UFRJ)

real teremos o ciclo:

Migon & Gamerman (UFRJ)

Engenharia de Sistemas tomaram caminhos distintos, boa parte

Migon & Gamerman (UFRJ)

Modelos de sazonalidade (ou ciclos sistematicos)

Migon & Gamerman (UFRJ)

Figura: Vendas Mensais de um tipo de bala de Janeiro de 1976 a

Migon & Gamerman (UFRJ)

Migon & Gamerman (UFRJ)

A maioria das analises

MLG, modelos ARMA.

Em ST, essa hipotese

Migon & Gamerman (UFRJ)

Neste curso todos os modelos sao

Migon & Gamerman (UFRJ)

de um modelo e uma arte.

Um modelo e uma representacao

de conhecimento. Se ele muda, nossa previsao

Migon & Gamerman (UFRJ)

Exemplos: entrada em vigor de leis, falencia

importantes, podem e devem ser

Alterando o que for necessario

Migon & Gamerman (UFRJ)

Migon & Gamerman (UFRJ)

Pr (Ibis ser o campeao)=0.01

Probabilidades Totais (0 ou 1) representam crenca na

veracidade ou falsidade de uma afirmacao.

Ex: Pr(dado lancado dar par| resultado foi 5).

temos que Pr(B|A) = Pr(AB)

O resultado acima e conhecido como Teorema de Bayes.

Ele fornece a base da abordagem Bayesiana pois nos

Migon & Gamerman (UFRJ)

Y : Nvel de glicose no sangue de um indivduo.

Sua incerteza e representada probabilisticamente,

representadas pela funcao

representadas pela funcao

Exemplo: f (x) = 1/[(1 + x2 )] daqui, Pr(X [1, 2]) = 0, 6

de probabilidade e a densidade definem uma

Moda: valor mais provavel,

Migon & Gamerman (UFRJ)

normal com media

e dita ter distribuicao

Migon & Gamerman (UFRJ)

processos onde muitas fontes de incerteza intervem.

Migon & Gamerman (UFRJ)

Teorema de Bayes para Variaveis