Abordagem Bayesiana para distribuição das r-maiores estatísticas de ordem (GEVr) com estrutura de modelos dinâmicos.
Inferência Bayesiana, teoria de valores extremos, métodos MCMC, modelos
Em séries temporais é estudado como o comportamento dos dados pode se alterar com o tempo. Este tipo de alteração é comum para dados aplicados na teoria dos valores extremos TVE . Em dados ambientais, por exemplo, em chuva, vento e temperatura, seus níveis podem estar correlacionados com a sazonalidade, além de apresentar uma tendência de aumento ao longo dos anos, devido mudanças climáticas no planeta. Geralmente, esse tipo de evento foi trabalhado usando distribuições paramétricas padrão como a normal e gamma. Contudo, os dados ambientais, na maioria dos casos têm uma cauda pesada, ao contrário dessas distribuições. Em algumas situações (TVE) analisar apenas o máximo GEV de um conjunto de dados pode fornecer poucas observações, nestes casos é mais interessante usar a (GEVr). Este trabalho consiste no desenvolvimento de um algoritmo no Software R, para distribuições posterioris, para GEVr com base na estimativa bayesiana usando cadeias de Markov MCMC e o uso da técnica do algoritmo de Metropolis-Hastings. Também foi introduzido um Modelo Linear Dinâmico DLM , que é uma classe geral de modelos de séries temporais, para modelar os parâmetros da GEVr ao longo do tempo. O modelo proposto foi aplicado na série temporal da temperatura em ºC de Teresina-PI e no retorno da BOVESPA, com a finalidade de acompanhar a sazonalidade da temperatura na capital piauiense e dos níveis de retorno.