Inferência em cadeias de salto com memória de alcance variável

Abstract

Saber o quanto de informação do passado é relevante para predições é a principal motivação deste trabalho. Aqui são apresentadas as cadeias de salto com memória de alcance variável, processos a tempo contínuo que dependem de uma parte do passado que não é fixa, mas variável – chamada de contexto. Esses processos se caracterizam por possuir uma árvore probabilística de contextos imersa, definidas como sendo o conjunto de contextos ao qual é relevante retornar. São apresentados métodos de estimação para os parâmetros desse processo, e, em particular, é estudado de forma mais aprofundada o estimador definido para a árvore de contextos, similar ao Algoritmo Contexto, mas que além de levar em conta os estados ele também considera o tempo de permanência em cada estado. A fim de avaliar a sua performance, são realizadas simulações de amostras geradas a partir de diversos conjuntos de parâmetros diferentes, com o objetivo de verificar em que situações há uma maior taxa de acertos ou de erros do estimador em estimar a verdadeira árvore desses processos. Também é realizado um estudo acerca do comportamento do estimador em amostras com ruídos. Para isso são inseridos três tipos de ruídos nas amostras em três quantidades diferentes, e é realizada uma comparação do desempenho do estimador conforme as mudanças de cenário apresentadas.