Search

Em um modelo de processos estocasticamente perturbados as observações do processo original podem sofrer perturbações, em cada instante de tempo, por um ruído aleatorio. Dessa forma, o processo observado pode não ser mais uma amostra do processo original. Nesta tese apresentamos metodologias para fazer estimacão dos parâmetros de alguns modelos estocasticamente perturbados tendo como base os modelos propostos por [7] e [12]. Assumimos que o processo original, oculto, é uma cadeia de Markov de alcance variável. Essa classe de processos permite muitas aplicações por ser parcimoniosa em relacão ao número de parâmetros e também bastante maleável, englobando a classe das cadeias de Markov deordem xa. Propomos uma adaptação no algoritmo de Baum-Welch e um estimador BIC bootstrap para os parâmetros dos modelos analisados, cuja convergência foi demonstrada, e através de simulações, mostramos que a metodologia proposta é capaz de recuperar muito bem a verdadeira árvore de contextoss de uma cadeia de Markov com alcande variável estocasticamente perturbada, assim como as probabilidades de transição associadas a essa árvore, dentrode um intervalo de níveis de perturbação. Também conseguimos recuperar o grau de perturbação qualquer que tenha sido. Propomos uma modicação no algoritmo de Viterbi para encontrar a sequência oculta mais provável de uma cadeia de Markov com alcande variável estocasticamente perturbada. Apresentamos um critério de seleção de modelos para identicar o modelo mais adequado, dada uma amostraobservada, dentre os analisados nessa tese. Aplicamos a metodologia proposta a um banco de dados de registros de atividade de neurônios de um grupo de corujas em um experimento controlado em laboratório. Os dados foram codicados em 2 estados, disparo e repouso, e o nosso objetivo é identicar a existência de diferentes padrões de comportamentos dessa atividade neuronal, de acordo com a lei de probabilidades estimada para o processo, em relação ao tipo de estímulo visual a que o grupo de corujas foi submetido. In a model of stochastically disturbed processes each observation of the original process can be disturbed at any moment of time by a random noise. Thus the observed process could not be a sample of the original process. In this thesis we present a methodology in order to estimate the parameters of some disturbed stochastically models based on the models proposed by [7] and [12]. We assume that the original hidden process is a variable length Markov chain. This class processes allows many applications since it is parsimonious in relation to the number of parameters and also quite malleable, including the class of xed-order Markov chains. We propose an adaptation in the Baum-Welch algorithm and a bootstrap Bayesian Information Criterion as a way to estimate theparameters of the models analyzed, whose convergence was shown, and show through simulations that the proposed methodology is able to recover very well the real context tree of a stochastically disturbed variable length Markov chain as well as the transition probabilities associated with the tree, within a reasonable range of disturbance levels. We also able to recover the degree of disturbance whatever it has been. We propose a modication to the Viterbi algorithm to nd the most appropriate hidden sequence of a stochastically disturbed variable length Markov chain. We present a model selection criterion to identify the most appropriate model given the observed sample among those analyzed in this thesis. We apply the proposed methodology to a database of neurons activity records of a group of owls in a controlled laboratory experiment. Data were coded in two states, spike and rest. Our goal is to identify the existence of diferent patterns of behavior that neuronal activity according to the estimated probability for the process in relation to the type of visual stimulus that the group of owls was submitted.