Escolar Documentos
Profissional Documentos
Cultura Documentos
Ensaio
M.Q.I.
-2
-4
-7.0
-3.5
0.0
X
3.5
7.0
10
-5
-10
-10
-5
0
X
10
Agradecemos a colaborao do Prof. Dr. Jos O. Siqueira por todas as contribuies durante nossos estudos e em
particular no desenvolvimento deste trabalho.
Podemos adotar este procedimento para escrever uma srie f(t) genrica em termos de senos e
cossenos da seguinte forma:
f (t ) A a1 cos1t a2 cos 2t a3 cos 3t ... b1 sen1t b2 sen 2t b3 sen 3t ...
(2.1)
ou ainda como: f (t ) A ak cos kt bk sen kt . Portanto, surge a pergunta: Dada uma srie
k 1
2
Para que a srie no domnio do tempo seja convertida para o domnio da freqncia
expressos como sendo A
f t e
*
utilizada a transformada de Fourier (TF) dada por X f
i 2 f *t
dt , f representa
(a)
(b)
As Figuras 2.2a e 2.2b foram construdas utilizando-se o software Matlab v6.5, as linhas de comando so:
t = 0:0.001:0.6;
x = cos(2*pi*10*t)+cos(2*pi*25*t)+cos(2*pi*50*t)+cos(2*pi*100*t);
plot(x)
ylabel(' Funo x(t)')
xlabel('Tempo')
Y = fft(x,512);
Pyy = Y.* conj(Y) / 512;
f = 1000*(0:256)/512;
plot(f,Pyy(1:257))
apenas uma dessas alternativas disponvel para qualquer srie. Ou seja, no h informao de
freqncia disponvel no domnio do tempo da srie ou sinal, com isso no h informao de
tempo disponvel na transformada de Fourier do sinal. A questo natural que surge: o que
necessrio para ter ambos, a informao de tempo e de freqncia ao mesmo tempo? A resposta
para esta questo, depende em particular da aplicao e da natureza do sinal ou srie que temos.
Lembremos que a TF da a informao da freqncia do sinal, a qual significa que temos o quanto
de cada freqncia existe no sinal Figura-2.2b, mas isso no nos diz quando no tempo estas
componentes freqnciais existem. Esta informao no necessria quando o sinal
estacionrio. O conceito de estacionariedade importante, vamos analisado mais detidamente.
Sinais cujo contedo de freqncia no mudam no tempo so chamados de estacionrios.
Um processo X(t) estacionrio se ele se desenvolve no tempo, de modo que a escolha de uma
origem dos tempos no seja importante, as caractersticas probabilsticas de X(t + ), para todo
T , so as mesmas de X(t) [Morettin/1999]. Em outras palavras, o contedo de freqncias
dos sinais estacionrios no mudam no tempo. Neste caso, ns no precisamos saber em quais
tempos os componentes freqnciais existem, desde que nesse caso o que acontece que todos os
componentes freqnciais existem o tempo todo.
No caso de sries no-estacionrias a concluso que a transformada de Fourier pode ser usada
em sinais no estacionrios, apenas se estivermos interessados em qual o espectro de
componentes existe no sinal, mas no interessa quando estes ocorrem. Porm, se esta informao
necessria, isto , se ns queremos saber, qual o componente espectral que ocorre em qual
tempo (intervalo), ento a transformada de Fourier no a transformada correta para ser
utilizada.
3. Anlise de Ondaletas (Wavelets)
A transformada de ondaleta ou wavelet (TW) capaz de fornecer a informao de tempo e de
freqncia simultaneamente, conseqentemente dando a representao de freqncia-tempo da
srie. Nesse ponto vale lembrar o princpio da incerteza de Heisenberg. Ns no podemos
exatamente saber qual freqncia existe em um dado instante de tempo, mas apenas podemos
saber quais bandas de freqncia existem em determinados intervalos de tempo.
A freqncia e a informao do tempo de uma srie em certo ponto no plano freqncia-tempo
no podem ser conhecidos. Em outras palavras: ns no podemos saber qual o componente
espectral existe em qualquer dado instante de tempo. Este um problema para se resolver, e esta
a principal razo pela qual pesquisadores tem mudado das transformadas de Fourier para a TW.
A anlise de ondaletas tem sido utilizada em vrios ramos da cincia, em economia sua principal
aplicao encontra-se na econometria no tratamento de sries temporais utilizadas para realizar
previso [Torrence/1998] [Morettin/1999].
A transforma de wavelet contnua TWC uma ferramenta excelente para mapear as mudanas de
propriedades em sries no estacionrias. Sua expresso dada por:
1
t
TWC f , s
f t
(3.1)
dt s, , s 0
s
s
Onde f t a srie que estamos utilizando, os parmetros e s so chamados de translao e
escala, respectivamente. Psi(t) uma funo chamada de ondaleta me, sendo
1/ 2
t
s , t s
(3.2)
s, , s 0
s
Time Signal
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
0
0,01
0,02
0,03
0,04
0,05
0,06
0,07
0,08
0,09
0,1
0,11
0,12
0,13
0,14
0,15
0,16
0,17
0,18
0,19
0,2
0,21
0,22
0,23
0,24
0
-0,5877852
0,95105651
-0,9510565
0,58778527
-2,154E-08
-0,5877852
0,95105651
-0,9510565
0,58778528
-4,308E-08
-0,5877852
0,9510565
-0,9510565
0,5877853
-6,462E-08
-0,5877852
0,95105649
-0,9510565
0,58778532
-8,616E-08
-0,5877852
0,95105649
-0,5877853
0,9510565
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
0,25
0,26
0,27
0,28
0,29
0,3
0,31
0,32
0,33
0,34
0,35
0,36
0,37
0,38
0,39
0,4
0,41
0,42
0,43
0,44
0,45
0,46
0,47
0,48
0,49
5,3847E-08
-0,9510565
0,58778521
0,5877853
-0,9510565
-6,462E-08
0,95105654
-0,5877852
-0,5877853
0,95105649
7,5386E-08
-0,9510565
0,58778519
0,58778532
-0,9510565
-8,616E-08
0,95105654
-0,5877852
-0,5877853
0,95105649
9,6924E-08
-0,9510565
0,58778517
0,58778534
-0,9510565
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
0,5
0,51
0,52
0,53
0,54
0,55
0,56
0,57
0,58
0,59
0,6
0,61
0,62
0,63
0,64
0,65
0,66
0,67
0,68
0,69
0,7
0,71
0,72
0,73
0,74
5,3847E-08
-0,809017
-0,9510565
-0,309017
0,58778521
1
0,5877853
-0,3090169
-0,9510565
-0,809017
-6,462E-08
0,80901696
0,95105654
0,30901706
-0,5877852
-1
-0,5877853
0,30901693
0,95105649
0,80901704
7,5386E-08
-0,8090169
-0,9510565
-0,3090171
0,58778519
Time Signal
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
0,75
0,76
0,77
0,78
0,79
0,8
0,81
0,82
0,83
0,84
0,85
0,86
0,87
0,88
0,89
0,9
0,91
0,92
0,93
0,94
0,95
0,96
0,97
0,98
0,99
-0,7071068
-0,9510565
-0,9876883
-0,809017
-0,4539905
-4,308E-08
0,45399046
0,80901697
0,98768833
0,95105653
0,70710681
0,30901704
-0,1564344
-0,5877852
-0,8910065
-1
-0,8910065
-0,5877853
-0,1564345
0,30901695
0,70710675
0,9510565
0,98768835
0,80901703
0,45399055
A Figura-3.3 a representao grfica de uma srie no estacionria obtida a partir dos dados da
Tabela-3.1.
Generated Signal
0.75
0.75
0.5
0.5
0.25
-0.25
-0.25
-0.5
-0.5
-0.75
-1
-0.75
0.2
0.4
0.6
0.8
Time
-1
S ig n a l
S ig n a l
0.25
Int=PSD TISA
0.125
0.1
0.075
0.05
0.025
0.1
0.075
0.05
0.025
Int=PSD TISA
0.125
em funo dos choques passados. Em geral cada t considerado como tendo distribuio
normal, mdia zero, varincia constante e no-correlacionados. Em linguagem estatstica,
considerando que E x denota a mdia terica do valor de x, a seqncia t considerada um
zero;
E t j . t j s
2
t21 L 2 , varincia constante;
(ii) E t E
L 0 , covarincia nula para todo valor de s.
(iii)
E t . t s
i 1
i 0
escrita a partir dos seus valores passados. Escrevendo a srie em termos dos seus choques
q
E yt s yt j s s , covarincia constante.
Muitas vezes para tornar uma srie estacionria precisamos utilizar um recurso chamado
j
e L yt yt j . Quando yt uma
srie temporal I(d) e depois de diferenciar d vezes ela pode ser modelada usando um modelo
AR(p), este modelo para yt pode ser escrito como [Franses/1998]:
1d yt 1 1d yt 1 K p 1d yt p t , t=p+d, p+d+1, ..., n
(4.2)
O modelo representado por (4.2) normalmente abreviado por ARI(p,d), ou seja autoregressivo
de ordem p e integrado de ordem d. Quando uma srie temporal apresenta uma tendncia
provavelmente ela poder ser representada por um modelo integrado ARI, ARIMA ou IMA.
importante destacar que os modelos ARIMA no apresentam especificidade grfica, somente
plotando a srie temporal no possvel identificar qual o modelo que a representa.
Para que possamos determinar qual o modelo da famlia ARIMA que melhor representa a srie e
que poder ser utilizado para fazer as previses, podemos seguir as seguintes etapas [Yim/2001]:
Identificao do
Modelo
Estimao
Verificao ou
diagnstico
Previso
AR
MA
ARMA
ARIMA
yt
p
q
p,q
p,d,q
M
Na identificao dos modelos so utilizados dois recursos : as funes de auto-correlao (FAC) e
as funes de auto-correlao parciais (FACP). A funo de auto-correlao (FAC) de uma srie
yt definida por k C ov yt , yt k / Var yt k / 0 , onde k a auto-covarincia de k-sima
ordem de yt , ou seja
k E yt yt k , k = ..., -2,-1,0,1,2,...
(4.3)
Dada a equao (4.3) podemos verificar que 0 1 , k k e que 1 k 1 . A FAC til
para caracterizar modelos ARMA, um exemplo simples a srie rudo branco t para a qual
E t 0 e k 0 para todo k 0 . Para o modelo AR(1) dado por yt 1 yt 1 t ,
t=2,3,...,n podemos escrever que E yt 1 E yt 1 E t 1 1 1 E yt 1 . Para
que o processo AR(1) seja convergente necessitamos 1 1 , sendo assim a esperana de yt
pode ser escrita como E yt 1 1 L
vamos iniciar calculando a varincia
alternativamente como 0 E yt
E t 2 dessa
forma
expresso
2
2
da
varincia
pode
ser
simplificada
para
2
4
2
. A auto-covarincia para uma srie temporal
0 2 1 1 1 ... 2 1 1
2
2
AR(1) dada por 1 1 / 1 1 , com isso temos que o primeiro valor da FAC
2 1
1 1
1 1 2 1 K k k 1
2 1 1 2 K k k 2
M
k 1 k 1 2 k 2 3 k 3 K k
k 1
kk k k 1, j k j . 1 k 1, j k
j 1
j 1
k 1
, sendo k=3,4,5,...
kk
k
0
k
3
0 1
kk
2
d
normalidade sobre a distribuio de wt yt , ou seja t : N 0, wt : N 0, e a
T
2
2
ln T
p q e SBC = ln 2
p q , onde T
T
T
o nmero de observaes usadas. O SBC tambm conhecido como Bayesian information
criterion (BIC). Idealmente, o AIC e o SBC devero ser os menores possveis podendo assumir
valores negativos, sendo que ambos medem o quanto o modelo estimado se ajusta aos dados.
Na etapa final, a de previso, dada uma srie y1 , y2 ,..., yt queremos prever os valores yt 1 , yt 2
at yt s . O interesse agora est concentrado em encontrar o previsor timo yt s , ou seja aquele
2
criterion (SBC), calculados como: AIC = ln
1
obtermos o previsor de wT um passo a frente, denotado por w T precisamos tomar a esperana
condicionada at o instante T da srie atualizada, o que resulta em
w T1 1 wT 2 wT 1 0 1 T 2 T 1 3 T 2 sendo que o valor zero nessa expresso representa
uma perda de informao, devido ao conjunto de informaes estar condicionado at o instante T
(ou seja: ET T 1 0 ).
Continuando desta maneira, na determinao do valor da srie para dois passos frente teremos a
seguinte expresso wT 2 1 wT 1 2 wT T 2 1 T 1 2 T 3 T 1 , o previsor condicionado
s informaes at o instante T obtido aplicando o operador esperana condicionada em ambos
os lados desta equao: ET wT 2 ET 1 wT 1 2 wT T 2 1 T 1 2 T 3 T 1 que resulta
2
1
em w T 1 w T 2 wT 2 T 3 T 1 , nota-se que a medida que avanamos em tentar prever o
futuro, ou seja determinar o valor da srie s passos frente, perdemos informaes referentes aos
choques aleatrios e a nossa previso passa a ser uma funo de outra previso, isso quer dizer
que o poder prditivo vai ficando mais pobre.
Na Equao-5.2, t representa o vetor de estado que pode ser observvel ou no. E zt relaciona y
ao vetor de estado.
E t 0; Var t ht
(5.3)
A Equao-5.4 chamada de equao de transio fornece a evoluo do vetor de estado ao
longo do tempo.
t Tt . t 1 t
(5.4)
Tt uma matriz m m .
E t 0;
Var t Qt
(5.5)
z 1
t 1
t 2
z 1
t q
MA(q)
yt
w11*
wm* 1
w*12*
wm 2
*
M
w1q
1
*
wmq
m
1
t yt yt 1
wm
Para o modelo representado na Figura-6.1 temos que a sada yt dada pela equao-6.1
q
m
p
sendo que f representa uma funo no-linear suave, Wi so os pesos entre os neurnios da
camada intermediria (ou escondida) e de sada, wij so os pesos entre as entradas externas e a
*
camada escondida, wij so os pesos entre a primeira camada de neurnios com entradas de retroalimentao (recorrentes) e a camada de neurnios escondidos, i so os termos que modificam
as sadas dos neurnios da camada escondida (tambm chamados de bias ou vis) e o bias
do neurnio de sada.
A grande vantagem de se usar RN est na sua capacidade de trabalhar com no-linearidade. De
forma bem simplificada, as sries temporais econmicas podem ser chamadas de no-lineares
quando grandes choques tem um impacto maior do que pequenos choques no sentido de que o
impacto de um choque no proporcional a sua extenso [Franses/1998]. Tem-se provado que as
redes neurais apresentam caractersticas de aproximadores universais, isso quer dizer uma rede
neural pode capturar qualquer tipo de comportamento, no importando o quo complexo ele seja.
No entanto, a maior fraqueza do modelamento neural a falta de procedimentos estabelecidos
para realizar testes para modelos no especificados e testes de significncia estatstica para os
vrios parmetros que foram estimados [Refenes/1997].
7. Bibliografia
BOX, G. E. P. & JENKINS, G. M.. Time Series Analysis: forecasting and control. San Francisco,
Holden-Day, 1976.
DROSSU, R. and OBRADOVIC, Z.. Rapid design of neural networks for time series prediction,
IEEE vol.3, no.2, p78-89, 1996.
ENDERS, W. Applied econometric time series. Wiley, 1995.
FISCHER, S. Sries univariantes de tempo metodologia de Box & Jenkins. Porto Alegre FEE,
1982.
FRANSES, P. H. Time Series models for business and economic forecasting, Cambridge, 1998.
HARVEY,A.C.Forecasting,structuraltimeseriesmodelsandtheKalmanfilter,1989.
HAYKIN, S. Neural networks: a comprehensive foundation. Prentice Hall, 1999.
MORETTIN, P. A. Ondas e ondaletas: da anlise de Fourier anlise de ondaletas. EDUSP, 1999.
REFENES, A. N., BURGESS, A.N. and BENTZ, Y. Neural networks in financial engineering: a
study in metodology, IEEE vol.8, no. 6, November, 1997.
TORRENCE, C. and COMPO, G. A practical guide to wavelet analysis, Bulletin of the
American Meteorological Society, v.79, no.1, p.61-78, January, 1998.
YIM, J. Previso de Sries de Tempo: Modelos ARIMA, Modelos Estruturais e Redes Neurais
Artificiais. Dissertao (Economia) - Universidade de So Paulo, 2001.