Professional Documents
Culture Documents
Introducao
Bayesianos
Helio Migon, Dani Gamerman & Romy Rodriguez
Instituto de Matematica
Universidade Federal de Rio de Janeiro
Modelos Dinamicos
Bayesianos
XXVI SBPO
1 / 176
Conteudo:
Parte I
e Resultados Principais
Definicao
1
Introducao
de Probabilidade e Inferencia
Revisao
Bayesiana
Modelos de Tendencia
Evolucao
Modelos Dinamicos
Bayesianos
XXVI SBPO
2 / 176
Conteudo:
Parte II
Topicos
Especiais
6
Analise
Retrospectiva
de Modelos
Superposicao
10
Monitoracao
11
Intervencao
12
Analise
de Dados
Modelos Dinamicos
Bayesianos
XXVI SBPO
3 / 176
Conteudo:
Parte III
Extensoes
13
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
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
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,
. . . 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
desenvolvidas as extensoes.
Modelos Dinamicos
Bayesianos
XXVI SBPO
10 / 176
Modelos
3 formas basicas
englobam boa parte dos modelos usados na
pratica:
Modelos de Tendencia
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
Modelos Dinamicos
Bayesianos
XXVI SBPO
12 / 176
Figura: Acidentes rodoviarios
graves (1969:1-1984:4)
Modelos Dinamicos
Bayesianos
XXVI SBPO
13 / 176
Sistemas Dinamicos
fixa (atraves
de
estaticos:
Modelos com uma descricao
parametros
fixos) ao longo das unidades de observacao.
Modelos Dinamicos
Bayesianos
XXVI SBPO
14 / 176
dinamicos:
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
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.
Modelos Dinamicos
Bayesianos
XXVI SBPO
16 / 176
de duas fontes:
Nosso conhecimento provem
A serie
historica
ou dados;
Outros conhecimentos (subjetivos)
Se acontecimentos nao
o modelo os
incorpora:
Preparando para mudanca e/ou
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,
conhecimento previo
da veracidade de uma afirmacao.
Modelos Dinamicos
Bayesianos
XXVI SBPO
19 / 176
Teorema de Bayes
Pr(A|B) =
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
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
Migon & Gamerman (UFRJ)
Modelos Dinamicos
Bayesianos
XXVI SBPO
21 / 176
de Probabilidade
Distribuicao
Pr(X = x) =
xA
f (x)
xA
f (x)dx
A
Modelos Dinamicos
Bayesianos
XXVI SBPO
22 / 176
Medidas de Posicao:
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
Notacao:
X N(, 2 )
Modelos Dinamicos
Bayesianos
XXVI SBPO
24 / 176
normal e simetrica
A distribuicao
e surge como resultante de
Modelos Dinamicos
Bayesianos
XXVI SBPO
25 / 176
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)
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
Uma medicao,
e feita. Vamos supor que a y|
e N(, 25), i.e.
f (y|) =
1
1
exp
2
50
y
5
Modelos Dinamicos
Bayesianos
XXVI SBPO
27 / 176
125.6
4.5
120
10
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
Modelos Dinamicos
Bayesianos
XXVI SBPO
30 / 176
A generalizacao
variancias-covari
ancias
denotada por N(, ).
Se (X1 , . . . , Xp ) N(, ),
cada componente Xj N(j , jj ) onde: j e o j-esimo
entao
multivariada se a observacao
for
normal multivariado.
Modelos Dinamicos
Bayesianos
XXVI SBPO
31 / 176
Modelos Dinamicos
Bayesianos
XXVI SBPO
32 / 176
Principais Resultados
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 ]
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
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
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.
Migon & Gamerman (UFRJ)
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.
Migon & Gamerman (UFRJ)
Modelos Dinamicos
Bayesianos
XXVI SBPO
38 / 176
Exemplo
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
Equacao
yt = F t t + vt ,
vt N(0, V)
do Sistema:
Equacao
t = Gt t1 + wt ,
wt N(0, W)
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
sequencial
de informacao.
que o metodo
de
seja sequencial.
analise
tambem
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
Previsao
(Yt |Dt1 )
Modelos Dinamicos
Bayesianos
XXVI SBPO
41 / 176
Previsao
no modelo dinamico
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 ) =
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.
Migon & Gamerman (UFRJ)
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
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
Migon & Gamerman (UFRJ)
Modelos Dinamicos
Bayesianos
XXVI SBPO
47 / 176
Modelos de Tendencia
Modelos Dinamicos
Bayesianos
XXVI SBPO
48 / 176
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 )
Modelos Dinamicos
Bayesianos
XXVI SBPO
49 / 176
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:
(ver serie)
a serie
de Vendas Mensais de Janeiro de 1976 a Dezembro
de 1981.
Modelos Dinamicos
Bayesianos
XXVI SBPO
51 / 176
Modelos Dinamicos
Bayesianos
XXVI SBPO
52 / 176
Modelos Dinamicos
Bayesianos
XXVI SBPO
53 / 176
um passo a frente
Figura: Previsao
Modelos Dinamicos
Bayesianos
XXVI SBPO
54 / 176
Modelos Dinamicos
Bayesianos
XXVI SBPO
55 / 176
Modelos Dinamicos
Bayesianos
XXVI SBPO
56 / 176
um passo a frente
Figura: Previsao
Modelos Dinamicos
Bayesianos
XXVI SBPO
57 / 176
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
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 ]
(t |Dt1 ) N[mt1 , Rt ]
Rt = Ct1 + Wt
um passo a frente
(c) Previsao
(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
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
Migon & Gamerman (UFRJ)
Modelos Dinamicos
Bayesianos
XXVI SBPO
60 / 176
Evolucao
Modelos Dinamicos
Bayesianos
XXVI SBPO
61 / 176
e tratavel
Modelos Dinamicos
Bayesianos
XXVI SBPO
62 / 176
No modelo estavel,
temos que
V[t |Dt1 ] = V[t1 |Dt1 ] + W t
As duas equacoes
de W t .
Migon & Gamerman (UFRJ)
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.
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:
Modelos Dinamicos
Bayesianos
XXVI SBPO
65 / 176
Figura: Fator de Desconto = 1 (estrutura estatica)
Modelos Dinamicos
Bayesianos
XXVI SBPO
66 / 176
Modelos Dinamicos
Bayesianos
XXVI SBPO
67 / 176
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:
Modelos Dinamicos
Bayesianos
XXVI SBPO
72 / 176
Modelos Dinamicos
Bayesianos
XXVI SBPO
73 / 176
proximos.
Migon & Gamerman (UFRJ)
Modelos Dinamicos
Bayesianos
XXVI SBPO
74 / 176
Suavizadas
Distribuicoes
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
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
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.
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
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
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
Modelos Dinamicos
Bayesianos
XXVI SBPO
82 / 176
i = 0, 1, . . . , p
dinamica
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:
serie
de precos (PRICE).
Nas figuras a seguir apresentam-se alguns resultados do
dinamica
Modelos Dinamicos
Bayesianos
XXVI SBPO
85 / 176
Modelos Dinamicos
Bayesianos
XXVI SBPO
86 / 176
O grafico
evidencia a relacao
(Correlacao=-0.63)
Modelos Dinamicos
Bayesianos
XXVI SBPO
87 / 176
Figura: Previsao
Modelos Dinamicos
Bayesianos
XXVI SBPO
88 / 176
as trajetorias
Este grafico
contem
de E[t |Dt ] e de E[t |Dt ] xt .
Modelos Dinamicos
Bayesianos
XXVI SBPO
89 / 176
Modelos Dinamicos
Bayesianos
XXVI SBPO
90 / 176
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
Migon & Gamerman (UFRJ)
Modelos Dinamicos
Bayesianos
XXVI SBPO
91 / 176
com Regressores
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
cenarios plausveis.
Modelos Dinamicos
Bayesianos
XXVI SBPO
92 / 176
sao
zero, portanto, as
Neste caso todos os valores de preco para o perodo de predicao
tem
a forma constante do modelo estavel.
previsoes
Migon & Gamerman (UFRJ)
Modelos Dinamicos
Bayesianos
XXVI SBPO
93 / 176
Modelos Dinamicos
Bayesianos
XXVI SBPO
94 / 176
separacao
deve ser mantida em todas as afirmacoes
A restricao
inferencia
utilizado.
Migon & Gamerman (UFRJ)
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
Modelos Dinamicos
Bayesianos
XXVI SBPO
96 / 176
Modelagem por harmonicos
usando funcoes
trigonometricas.
cos((t 1)) e periodica
A funcao
com perodo 2
. Se
(t 1)
6
+ t
onde at e um parametro
que controla a amplitude e o maximo
drastica
do vetor parametrico
de 11 para 1.
Modelos Dinamicos
Bayesianos
XXVI SBPO
97 / 176
Defasagens no ponto de maximo
do ciclo podem ser
(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
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/
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
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)
da serie
CANDY.DAT considerando um modelo de tendencia
constante e um regressor (preco), incluindo a componente
Modelos Dinamicos
Bayesianos
XXVI SBPO
100 / 176
Modelos Dinamicos
Bayesianos
XXVI SBPO
101 / 176
Modelos Dinamicos
Bayesianos
XXVI SBPO
102 / 176
Modelos Dinamicos
Bayesianos
XXVI SBPO
103 / 176
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.
Modelos Dinamicos
Bayesianos
XXVI SBPO
105 / 176
do
livre pode ter sido desnecessaria.
Pode-se contemplar a possibilidade de reducao
do uso de formas harmonicas
Modelos Dinamicos
Bayesianos
XXVI SBPO
106 / 176
CANDY.DAT: Modelagem com Harmonicos
mensais, temos que o perodo tem
Como os dados sao
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
Modelos Dinamicos
Bayesianos
XXVI SBPO
107 / 176
CANDY.DAT: Modelagem com 1o harmonico
um passo a frente
Figura: Previsao
Modelos Dinamicos
Bayesianos
XXVI SBPO
108 / 176
Modelos Dinamicos
Bayesianos
XXVI SBPO
109 / 176
harmonico
Modelos Dinamicos
Bayesianos
XXVI SBPO
110 / 176
incluindo sazonalidade
CANDY.DAT: Previsao
Modelos Dinamicos
Bayesianos
XXVI SBPO
111 / 176
Figura: Previsao
Da comparacao
maior incerteza na modelagem em forma livre.
Migon & Gamerman (UFRJ)
Modelos Dinamicos
Bayesianos
XXVI SBPO
112 / 176
da Priori
Especificacao
distribuicoes
do BATS. Nada impede
usar prioris informativas.
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.
Modelos Dinamicos
Bayesianos
XXVI SBPO
115 / 176
funciona assim:
Um esquema de monitoracao
cair muito na cauda, soa o alarme.
quando a observacao
possveis direcoes
Modelos Dinamicos
Bayesianos
XXVI SBPO
116 / 176
Acidentes rodoviarios
Aplicacao:
graves
Os dados deste exemplo correspondem ao numero
de
Na serie
de acidentes rodoviarios
pode-se notar 3 intervalos
de tempo distintos dentro dos quais o comportamento da
serie
e estavel
mas o padrao
ao
longo da serie.
Podemos analisar os 3 intervalos
Modelos Dinamicos
Bayesianos
XXVI SBPO
117 / 176
Ajustando um modelo com 2 componentes: uma tendencia
linear e uma forma livre para a
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
Migon & Gamerman (UFRJ)
Modelos Dinamicos
Bayesianos
XXVI SBPO
118 / 176
Na figura temos o resultado da analise
retrospectiva. Podemos ver um comportamento
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
Modelos Dinamicos
Bayesianos
XXVI SBPO
120 / 176
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.
Modelos Dinamicos
Bayesianos
XXVI SBPO
121 / 176
com monitoracao
Figura: Previsoes
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.
mais rapida.
com monitoracao
e menos incerteza a priori
Figura: Previsoes
Modelos Dinamicos
Bayesianos
XXVI SBPO
123 / 176
parametros
foi devida as
` ultimas
Se a sinalizacao
k observacoes,
ha
indicacao
e apenas ocorre
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
Modelos Dinamicos
Bayesianos
XXVI SBPO
124 / 176
Modelos Dinamicos
Bayesianos
XXVI SBPO
125 / 176
Intervencao
Modelos Dinamicos
Bayesianos
XXVI SBPO
126 / 176
funciona sem
Normalmente, um sistema de previsao
da serie
historica,
e fundamental para o sucesso do modelo,
Modelos Dinamicos
Bayesianos
XXVI SBPO
127 / 176
a sinalizacao
do
Ate agora, so interviemos no modelo apos
e desnecessaria.
No caso da serie
de acidentes, possumos tais informacoes:
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
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
Modelos Dinamicos
Bayesianos
XXVI SBPO
133 / 176
Acidentes: 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.
de uma tendencia
Alem
de crescimento, a serie
exibe amplitude sazonal tambem
crescente.
Modelos Dinamicos
Bayesianos
XXVI SBPO
137 / 176
nos dados
na serie
A potencia
3/4 parece dar os melhores resultados.
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
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
Criterio
MSE
MAD
log(L)
M. Dinamico
111.0
7.9
-134.7
M. Estatico
153.6
9.6
-144.2
Essa comparacao
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
Transformacao
yt , = 1/2
yt , = 3/4
Transformacao
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
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
Modelos Lineares Dinamicos
Generalizados
Modelos Dinamicos
Bayesianos
XXVI SBPO
146 / 176
Modelos Lineares Dinamicos
Generalizados (MLDG)
sao
nao
normais
Suponha agora que as observacoes
das observacoes
e membro da famlia
A 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
Modelos Lineares Dinamicos
Generalizados (MLDG)
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
em MLDG: Linear Bayes
Modelos Dinamicos
Bayesianos
XXVI SBPO
151 / 176
Inferencia
em MLDG: Linear Bayes
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 ) =
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
Migon & Gamerman (UFRJ)
Modelos Dinamicos
Bayesianos
XXVI SBPO
153 / 176
Objetivo: Analise
temporal do numero
mensal de crimes
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)
Migon & Gamerman (UFRJ)
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]);
}... }
Migon & Gamerman (UFRJ)
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
Modelos Dinamicos
Bayesianos
XXVI SBPO
156 / 176
Inferencia
em MLDG: MCMC
Modelos Dinamicos
Bayesianos
XXVI SBPO
157 / 176
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
Modelos Dinamicos
Bayesianos
XXVI SBPO
158 / 176
distribuicao
seja . (Uma cadeia e ergodica
se ela e
aperiodica
e recorrente positiva)
Algumas questoes:
qual o tamanho do burn-in? as cadeias estao
Modelos Dinamicos
Bayesianos
XXVI SBPO
159 / 176
Amostrador de Gibbs
Para obter uma amostra de p(1 , 2 ) passeamos
em
Tecnica
que produz uma cadeia com regra de transicao
duas etapas:
propostos de uma regra de transicao
Movimentos sao
arbitraria
Etapa de aceitacao
Modelos Dinamicos
Bayesianos
XXVI SBPO
160 / 176
propostas
Sobre as regras de transicao
Principais diferencas:
propostas,
Escolha das regras de transicao
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
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;
}
Migon & Gamerman (UFRJ)
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
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
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)
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
t N(0, V)
(4a)
Et = Et1 + Xt
Modelos Dinamicos
Bayesianos
(4b)
XXVI SBPO
167 / 176
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
(a) |Y
0.0
200
0.4
400
0.8
600
1.2
800
10
0.60
0.70
0.80
0.90
(b) |Y
0.006
0.007
0.008
0.009
0.010
(c) |Y
Modelos Dinamicos
Bayesianos
XXVI SBPO
169 / 176
+
+
+
Observada
Estimada
IC 95%
+
2
+
+
+ +
+
+
+ +
+ +
+ + +
+ +
Nov 46
Mar 47
Jul 47
Nov 47
Mar 48
Jul 48
Modelos Dinamicos
Bayesianos
XXVI SBPO
170 / 176
Modelos Dinamicos
Generalizados (MDG)
Modelos Dinamicos
Bayesianos
XXVI SBPO
171 / 176
Modelos Dinamicos
Generalizado (MDG)
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
de inferencias
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
Metodos
de Monte Carlo Sequenciais
aparecem como uma
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
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