• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Dissertação de Mestrado
DOI
https://doi.org/10.11606/D.55.2018.tde-15032018-164925
Documento
Autor
Nome completo
Marcia Fumi Mizoi
Unidade da USP
Área do Conhecimento
Data de Defesa
Imprenta
São Carlos, 1998
Orientador
Banca examinadora
Andrade Filho, Marinho Gomes de (Presidente)
Achcar, Jorge Alberto
Dias, Ronaldo
Título em português
Métodos de Aproximação e Aplicação de MCMC na Estimação de Máxima Verossimilhança para Processos AR(p) e MA(q)
Palavras-chave em português
Não disponível
Resumo em português
Neste projeto, abordamos os modelos de séries temporais estacionárias do tipo AR(p) e MA(q). O interesse é obter para estes modelos as- estimativas de máxima verossimilhança exata. A diferenciação explicita da função de verossimilhança exata para se obter estas estimativas, não é recomendável por envolver operações complicadas. Assim, [Box, Jenkins e Reinsel - 1994] sugerem métodos numéricos baseados em aproximações. Em [Miller - 1995] são apresentadas expressões mais simples para as derivadas da função de verossimilhança junto com um algoritmo iterativo, no caso de modelos AR(p). O objetivo do presente projeto é propor o uso de algoritmos de simulação de Monte Carlo com Cadeia de Markov (MCMC) para o cálculo das estimativas de máxima verossimilhança. Aqui, os algoritmos utilizados foram o amostrador de Gibbs em conjunto com o algoritmo de Metropolis-Hastings. Os resultados obtidos usando MCMC são comparados com as estimativas feitas pelos métodos numéricos propostos em [Box, Jenlcins e Reinsel - 1994] e [Miller - 1995].
Título em inglês
Not available
Palavras-chave em inglês
Not available
Resumo em inglês
In this work, the autoregressive and moving average time series models are considered. The main objective here is to use Markov Chain Monte Cano (MCMC) method (Metropolis-Hastings algorithm and the Gibbs Sampler) to calculate the maximum likelihood estimates in the ordinary sense (a point in the parameter space that maximizes the likelihood). The porpoused method was applied to the simulated and real date record. The estimates obtained by MCMC method was compared with likelihood estimate by iterative numerical methods.
 
AVISO - A consulta a este documento fica condicionada na aceitação das seguintes condições de uso:
Este trabalho é somente para uso privado de atividades de pesquisa e ensino. Não é autorizada sua reprodução para quaisquer fins lucrativos. Esta reserva de direitos abrange a todos os dados do documento bem como seu conteúdo. Na utilização ou citação de partes do documento é obrigatório mencionar nome da pessoa autora do trabalho.
MarciaFumiMizoi.pdf (2.48 Mbytes)
Data de Publicação
2018-03-15
 
AVISO: Saiba o que são os trabalhos decorrentes clicando aqui.
Todos os direitos da tese/dissertação são de seus autores
CeTI-SC/STI
Biblioteca Digital de Teses e Dissertações da USP. Copyright © 2001-2024. Todos os direitos reservados.