Escolar Documentos
Profissional Documentos
Cultura Documentos
Apostila Séries Temporais
Apostila Séries Temporais
Sumrio
1 Introduo
1.1 Exemplos de sries . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3 Estacionariedade . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4
4
5
6
2 Conceitos Bsicos
2.1 Processo Estocstico . . . . . . . . . . . . . . .
2.2 Especificao de um Processo Estocstico . . .
2.3 Mdias e Covarincias . . . . . . . . . . . . . .
2.3.1 Propriedades da Esperana . . . . . . .
2.3.2 Propriedades da Varincia . . . . . . . .
2.3.3 Propriedades da Covarincia . . . . . .
2.3.4 Propriedades da Correlao . . . . . . .
2.3.5 Outras Propriedades Importantes . . . .
2.4 Exemplos . . . . . . . . . . . . . . . . . . . . .
2.4.1 Exemplo 1: O passeio aleatrio . . . . .
2.4.2 Exemplo 2: (Mdia-Mvel de ordem 1) .
2.5 Estacionariedade para um Processo Estocstico
2.5.1 Rudo Branco . . . . . . . . . . . . . . .
2.6 A Funo de Autocorrelao Amostral . . . . .
2.7 Exerccios . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
7
7
8
8
9
9
9
10
10
10
10
12
12
13
14
14
3 Modelos de Decomposio
3.1 Modelo com Mdia constante . . . . . . . . . .
3.2 Mtodo de Regresso . . . . . . . . . . . . . . .
3.2.1 Tendncia Linear . . . . . . . . . . . . .
3.2.2 Tendncia Ciclca ou Sazonal . . . . . .
3.2.3 Tendncia Cosseno . . . . . . . . . . . .
3.3 Sazonalidade . . . . . . . . . . . . . . . . . . .
3.3.1 Sazonalidade determinstica - mtodo de
3.4 Anlise Residual . . . . . . . . . . . . . . . . .
3.5 Exerccios . . . . . . . . . . . . . . . . . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
regresso
. . . . . .
. . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
17
17
18
18
19
19
19
21
22
22
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
23
23
23
24
25
25
25
25
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
manoel@fct.unesp.br
SUMRIO
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
27
27
28
29
29
30
30
31
33
34
34
36
37
.
.
.
.
.
.
.
.
.
.
.
.
.
.
39
39
40
40
41
41
41
41
42
43
44
44
44
45
46
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
47
47
47
47
48
48
48
49
49
49
50
50
52
53
53
55
55
56
8 Diagnstico do Modelo
8.1 Anlise Residual . . . . . . .
8.2 Autocorrelao dos Resduos
8.3 O Teste de Box-Pierce . . . .
8.4 Exerccios . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
58
58
59
59
60
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
manoel@fct.unesp.br
SUMRIO
61
61
61
62
62
63
64
64
65
65
66
66
66
67
67
67
68
68
69
69
70
70
70
70
10 Modelos Sazonais
10.1 Sazonalidade Determinstica . . . . . .
10.2 Identificao . . . . . . . . . . . . . . .
10.3 Estimao . . . . . . . . . . . . . . . .
10.4 Previso . . . . . . . . . . . . . . . . .
10.5 Sazonalidade Estocstica . . . . . . . .
10.6 Identificao, Estimao e Verificao
10.7 Exemplos de Modelos Sazonais . . . .
10.7.1 Exemplo 1 . . . . . . . . . . . .
10.7.2 Exemplo 2 . . . . . . . . . . . .
10.7.3 Exemplo 3 . . . . . . . . . . . .
10.7.4 Exemplo 4 . . . . . . . . . . . .
10.7.5 Exemplo 5 . . . . . . . . . . . .
10.7.6 Exemplo 6 . . . . . . . . . . . .
10.7.7 Exemplo 7 . . . . . . . . . . . .
10.7.8 Exemplo 8 . . . . . . . . . . . .
10.8 Exerccios . . . . . . . . . . . . . . . .
72
72
73
73
73
74
74
75
75
75
75
75
76
76
76
77
77
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
A Esperana Condicional
79
80
Captulo 1
Introduo
Uma srie temporal qualquer conjunto de observaes ordenadas no tempo. Alguns
exemplos so citados abaixo:
a) Estimativas trimestrais do Produto Interno Bruto (PIB);
b) Valores dirios da temperatura em Presidente Prudente;
c) ndices dirios da bolsa de valores de So Paulo;
d) Quantidade anual de chuva na cidade do Recife;
e) Um registro de mars no porto de Santos.
Nos exemplos de a) a d) temos sries temporais discretas, enquanto que e)
um exemplo de srie contnua. Podemos obter uma srie temporal discreta a partir
da amostragem de uma srie temporal contnua considerando intervalos de tempos
iguais, t. Assim para analisar a srie e) ser necessrio amostr-la, convertendo-a
e observando-a no intervalo de tempo [0, T ], supondo uma srie discreta com N
T
pontos, onde N = t
(T horas).
Existem dois enfoques utilizados na anlise de sries temporais. Em ambos, o
objetivo construir modelos para estas sries. No primeiro enfoque, a anlise
feita no domnio temporal e os modelos propostos so modelos paramtricos (com
um nmero finito de parmetros). No segundo, a anlise conduzida no domnio
de frequncias e os modelos propostos so modelos no-paramtricos.
Dentre os modelos paramtricos temos, por exemplo, os modelos ARIMA, que
sero estudados neste curso nos prximos captulos.
No domnio de frequncias temos a anlise espectral, que tem inmeras aplicaes em cincias fsicas e engenharia, principalmente na engenharia eltrica, e
que consiste em decompor a srie dada em componentes de frequncias e onde a
existncia do espectro a caracterstica fundamental. Este tipo de anlise no ser
estudado nestas notas de aulas, para detalhes o aluno deve consultar Jenkins e
Watts (1968), Koopmans (1974), Morettin (1979), Marple (1987) e Kay (1988).
1.1
Exemplos de sries
manoel@fct.unesp.br
CAPTULO 1. INTRODUO
(1.1)
um vetor (r 1) e (p 1) onde as trs componentes denotam, a altura, a temperatura e a presso de um ponto no oceano, respectivamente, e t=(tempo, latitude,
longitude), ou seja, uma srie multivariada (r=3) e multidimensional (p=3).
Exemplo 3: Seja Z(t) o nmero de acidentes ocorridos em rodovias do estado
de So Paulo, por ms. Neste exemplo r=1 e p=2, com t=(ms, rodovia).
1.2
Objetivos
Dada uma srie temporal {Z(t1 ), ..., Z(tN )} , observada nos instantes t1 , ..., tN ,
podemos estar interessados em:
i) Investigar o mecanismo gerador da srie temporal;
ii) Fazer previses de valores futuros da srie; podendo ser a curto ou longo
prazo;
iii) Descrever apenas o comportamento da srie atravs de grficos;
iv) Procurar periodicidades relevantes nos dados.
Em todos estes casos podemos construir modelos probabilsticos ou estocsticos,
tanto no domnio do tempo como no domnio da freqncia, por exemplo: um sinal
aleatrio com freqncia medida em Hz. Devemos construir modelos simples e com
menor nmero de parmetros possveis.
manoel@fct.unesp.br
1.3
CAPTULO 1. INTRODUO
Estacionariedade
(1.2)
a segunda diferena :
2 Zt
2 Zt
2 Zt
Captulo 2
Conceitos Bsicos
Neste captulo vamos descrever os conceitos bsicos utilizados dentro da teoria dos
modelos de sries temporais. Inicialmente vamos introduzir os conceitos de processos estocsticos, mdia e funo de covarincia, processo estacionrio, e funo de
autocorrelao.
2.1
Processo Estocstico
manoel@fct.unesp.br
2.2
(2.1)
onde f (Z, t) a funo de densidade e probabilidade de F (Z, t). Porm o que vai
nos interessar so os momentos de baixa ordem, ou seja, os chamados processos estacionrios de 2a ordem. Consideramos somente os momentos de primeira e segunda
ordem, que sero apresentados a seguir.
2.3
Mdias e Covarincias
Para um processo estocstico {Zt : t = 0, 1, 2, ...} a funo mdia (f.m.) definida por
= E (Zt ) , para t = 0, 1, 2, ...
(2.3)
e a funo de autocovarincia (facv ) como
8
manoel@fct.unesp.br
(2.4)
(2.5)
2.3.1
Propriedades da Esperana
E [h (x)] =
h (x) f (x) dx
R R
2.3.2
Propriedades da Varincia
V1. V ar(X) = 0.
V2. V ar(a + bX) = b2 V ar(X).
V3. Se X e Y so independentes, ento
p V ar (X +
pY ) = V ar(X) + V ar(Y ).
V4. V ar(X) = E(X 2 ) [E(X)]2 e V ar (X) = 2X = X (desvio-padro de
X).
2.3.3
Propriedades da Covarincia
manoel@fct.unesp.br
2.3.4
Propriedades da Correlao
CR1. 1 5 Corr 5 1.
CR2. Corr (a + bX, c + dY ) = sin al (bd) Corr(X, Y ) onde
1 se bd > 0
0 se bd = 0
sin al (bd) =
1 se bd < 0
Y Y
X
CR3. Corr(X, Y ) = Cov X
.
X , Y
CR4. Corr(X, Y ) = 1 se e somente se existem constantes a e b tal que
P (Y = a + bX) = 1.
2.3.5
m
n
m X
n
X
X
X
Cov
ci Z(ti ),
dj Z(sj ) =
ci dj Cov [Z(ti ), Z(sj )]
(2.6)
i=1
j=1
i=1 j=1
V ar
" n
X
i=1
2.4
2.4.1
ci Z(ti ) =
n
X
c2i V ar [Z(ti )] + 2
i=1
n X
i1
X
(2.7)
i=2 j=1
Exemplos
Exemplo 1: O passeio aleatrio
Zt
= a1
= a1 + a2
..
.
= a1 + a2 + ... + at
ou
10
(2.8)
manoel@fct.unesp.br
Zt = Zt1 + at
(2.9)
=
=
=
=
Cov(Zt , Zs )
Cov (a1 + a2 + ... + at , a1 + a2 + ... + as )
Cov (a1 , a1 ) + Cov (a2 , a2 ) + ... + Cov (at , at )
2a + 2a + ... + 2a = t 2a
onde
Cov (at , as ) = 0 para t 6= s
temos ento que a facv dada por
t,s = t 2a , para 1 5 t 5 s
e a fac dada por
t,s =
t
s,
para 1 5 t 5 s
11
manoel@fct.unesp.br
2.4.2
Suponha
Zt = at 0.5at1
= E (Zt )
= E (at ) 0.5E (at1 ) = 0
e
V ar(Zt ) = V ar (at 0.5at1 )
= 2a + 0.52 2a = 1.25 2a .
Tambm
Cov (Zt , Zt1 ) = Cov (at 0.5at1 , at1 0.5at2 )
= 0.5Cov (at1 , at1 )
ou
t,t1 = 0.5 2a
Alm disso
Cov (Zt , Ztk ) = 0 para k = 2
ento podemos concluir que
t,s =
0.5 2a se |t s| = 1
0 se |t s| > 1
2.5
0.4 se |t s| = 1
0 se |t s| > 1
manoel@fct.unesp.br
t,s
e agora k = t
t s p/ t > s
s t p/ s > t
(2.10)
(2.11)
2.5.1
Rudo Branco
manoel@fct.unesp.br
V ar(at ) se t = s
t,s =
0 se t 6= s
e fac dada por
k =
1 para k = 0
0 para k 6= 0
O termo rudo branco resulta do fato que em uma anlise de freqncia do modelo, podemos mostrar que todas as freqncias so iguais. Geralmente assumimos
que o rudo branco tem mdia zero e varincia 2a .
2.6
Considere uma sequncia de valores Z1 , Z2 , ..., Zt . Assumindo que esta srie seja
estacionria, vamos estimar a funo de autocorrelao k (fac) para k = 1, 2, ..., N
1. O caminho mais indicado calcular as correlaes amostrais entre os pares
(Z1 , Zk+1 ) , (Z2 , Zk+2 ) , ..., (Ztk , Zt ). A fac amostral rk definida como:
rk =
onde
ck =
ento
ck
, k = 0, 1, 2, ..., N 1
c0
N k
1 X
Zt Z Zt+k Z , k = 0, 1, ..., N 1.
N t=1
b
k = rk =
Nk
P
t=1
Zt Z
Zt+k Z
n
2
P
Zt Z
, k = 0, 1, ..., N 1.
t=1
2.7
Exerccios
manoel@fct.unesp.br
Mostrar que
=
V ar Z
=
|k|
1
k
n
k=n+1
n1
0
k
2X
1
+
k
n
n
n
1
n
n1
X
k=1
13) Calcular a mdia e a facv para cada um dos seguintes processos. Dentro de
cada caso determine se o processo estacionrio.
a) Zt = 0 + tat .
b) Wt = Zt , onde Zt definido como em a)
c) Zt = at .at1 .
15
manoel@fct.unesp.br
16
Captulo 3
Modelos de Decomposio
Nas sries temporais, em geral, a funo mdia totalmente aleatria em funo do
tempo, e ns vimos que numa srie estacionria a funo mdia constante para
todo o tempo. Frequentemente ns precisamos modelar sries que exibem comportamentos com alguma tendncia. Neste captulo apresentaremos alguns mtodos de
modelagem para tendncias determinsticas e estocsticas.
3.1
Considere o modelo
Zt = + Xt
(3.1)
b=Z=
1X
Zt
n t=1
(3.2)
O
b um estimador no-viciado de , ou seja, E Z = . Para analisar a
preciso de Z como estimativa de , devemos fazer algumas suposies sobre Xt .
Vamos supor {Xt } uma srie estacionria com fac k . Ento a mesma fac aplica-se
a {Zt }, ou seja, se {Zt } estacionria ento:
V ar Z
=
=
V ar Z
|k|
1
k
n
k=n+1
"
#
n1
X
0
k
1
1+2
k .
n
n
0
n
n1
X
(3.3)
k=1
Se a srie {Xt } um rudo branco, ento k = 0 para k = 1 e V ar Z = n0 =
2
n . Para muitos processos estacionrios, a fac decai rapidamente quando o k cresce,
alm disso
k=0
k < .
17
(3.4)
manoel@fct.unesp.br
t
Zt = cos 2
+ , t = 0, 1, 2, ...
12
onde U [0, 1] . Sobre a suposio (3.4) acima e dado que o tamanho da amostra
n grande, temos a seguinte aproximao para (3.3)
X
k , para n grande.
V ar Z 0
n
(3.5)
k=
3.2
Mtodo de Regresso
O mtodo clssico de anlise de regresso pode ser utilizado para estimar os parmetros do modelo assim como suas tendncias. Ns vamos considerar precisamente as
tendncias: linear, quadrtica, sazonais e cosseno.
3.2.1
Tendncia Linear
(3.6)
n
X
t=1
(Zt 0 1 t) .
(3.7)
N 0 + 1
0
n
X
t=1
t + 1
n
X
t =
t=1
n
X
t2
t=1
n
X
t=1
n
X
Zt
(3.8)
tZt .
t=1
b t
= Z
1
n
X Zt Z t t
=
n
2
P
t=1
tt
(3.9)
t=1
(3.10)
manoel@fct.unesp.br
Z1
Z = ... , Y =
Zt
1
1
..
.
1
2
..
.
1 t
com t = 1, 2, ..., n.
e X =
, =
1
X1
..
.
Xt
(3.11)
3.2.2
b = YT Y 1 YT Z.
(3.12)
(3.13)
onde t = t+12 , e E (Xt ) = 0 para todo t. A suposio mais geral para t que
temos 12 constantes (parmetros) 1 , 2 , ..., 12 , que poderemos escrever como:
3.2.3
Tendncia Cosseno
3.3
Sazonalidade
Nesta seo ser ajustada uma srie para a componente sazonal, ou seja, estima-se
a srie e subtrai-se de Zt no modelo. A seguir tem-se um modelo com tendncia e
sazonalidade
Zt = Tt + St + at , t = 1, ..., N.
(3.15)
Um procedimeto de ajuste sazonal consiste:
a) Obter estimativas Sbt de St .
19
manoel@fct.unesp.br
Zp1
Z .1
Zp2
Z .2
Zp3
Z .3
Zp12
Z .12
Z p.
Z
b) Calcular
ZtSA = Zt Sbt
(3.16)
Zt = Tt St at
(3.17)
ZtSA = Zt /Sbt
(3.18)
Z i. =
1 X
Zij , i = 1, ..., p.
12 j=1
Z .j =
1X
Zij , j = 1, ..., 12.
p j=1
p 12
N
1 XX
1 X
Z=
Zij =
Zt
12p j=1 j=1
N t=1
20
manoel@fct.unesp.br
3.3.1
Os mtodos de regresso so timos para sries que apresentam sazonalidade determinstica, ou seja, esta pode ser prevista perfeitamente a partir de meses anteriores.
Ento, no modelo 3. tem-se que
m
X
Tt =
j tj ;
j=0
St =
j djt
onde djt so variveis peridicas e at rudo branco, com mdia zero e varincia
2a .
Supondo a sazonalidade constante, j no depende de T. Pode-se ter, por exemplo,
j = 0
j=1
m
X
j tj +
j=0
11
X
j Djt + at
j=1
onde agora
Djt =
1, se o perodo t corresponde ao ms j,
1, se o perodo t corresponde ao ms 12
0, caso contrrio.
Z =
D =
Z1
.. , C =
ZN
1
1
..
.
1
2
..
.
1 N
D11
D21
..
.
D12
D22
..
.
..
.
DN 1
DN 2
DN,11
D1,11
D2,11
..
.
..
.
1
2m
..
.
Nm
, =
21
(3.19)
, =
1
2
..
.
11
0
1
..
.
m
, a =
a1
a2
..
.
aN
manoel@fct.unesp.br
h 0 i1 0
b= XX
XZ
3.4
Anlise Residual
Podemos notar que, o componente estocstico no observado {Xt } pode ser estimado, ou predito, por
bt = Zt
X
bt
3.5
Exerccios
Z=
1X
Zt
n t=1
1 + 0
V ar(Z)
1
n
22
Captulo 4
Modelos de Suavizao
Exponencial
A anlise de regresso teve durante muito tempo razovel aceitao como mtodo de
ajustar modelos auto-regressivos, com o objetivo de calcular previses de srie temporais. Entretanto, quando o nmero de observaes muito pequeno, tal anlise
no apropriada, pois a hiptese bsica de independncia dos resduos quase sempre violada, produzindo estimadores inconsistentes, nos impossibilitando de testar
hipteses e estabelecer intervalos de confiana para os parmetros (Morettin e Toloi,
1985).
4.1
4.1.1
ou
Zt Ztr
r
Sendo assim, Mt uma estimativa do nvel t que no leva em conta as observaes mais antigas, o que razovel devido ao fato do parmetro variar suavemente
com o tempo.
Determinao de r - Um valor grande de r faz com que a previso acompanhe
lentamente as mudanas do parmetro ; um valor pequeno implica numa reao
mais rpida.
Casos Extremos - i) Se r = 1, ento o valor mais recente da srie utilizado
como previso de todos valores futuros; ii) Se r = N , ento a previso ser igual a
Mt = Mt1 +
23
manoel@fct.unesp.br
CAPTULO 4. MODELOS DE SUAVIZAO EXPONENCIAL
4.1.2
Procedimento
A SES pode ser descrita matematicamente por:
Zt
Zt
= Zt + (1 ) Z t1 , Z 0 = Z1 , t = 1, ..., N.
t1
X
=
(1 )k Ztk + (1 )t Z 0 , t = 1, ..., N.
(4.1)
(4.2)
k=0
1
r
Zt Ztr
r
24
manoel@fct.unesp.br
CAPTULO 4. MODELOS DE SUAVIZAO EXPONENCIAL
4.2
As tcnicas apresentadas anteriormente no so adequadas para analisar sries temporais que apresentem tendncia. Considere ento a srie temporal no sazonal
Zt = t + Tt + at , t = 1, ..., N
onde t o nvel, Tt a tendncai e at o rudo branco com mdia zero e varincia
constante.
4.2.1
Procedimento
O mtodo SES quando aplicado a uma srie que apresenta tendncia linear
positiva (ou negativa), fornece previses que subestimam continuamente os valores
reais. Para evitar esse erro sistemtico, um dos mtodos aplicveis o SEH. Esse
mtodo similar, em princpio, ao SES, a diferena que ao invs de suavizar s o
nvel, ele utiliza uma nova constante de alisamento para modelar a tendncia da
srie.
Os valores do nvel e da tendncia da srie, no instante t, sero estimados por
(4.4)
Tbt = C Z t Z t1 + (1 C) Tbt1 , 0 < C < 1 e t = 2, ..., N
4.3
4.3.1
Procedimeto
Existem dois tipos de procedimento cuja utilizao depende das caractersticas
da srie considerada. Tais procedimentos so baseados em trs equaes com constantes de suavizao diferentes, que so associadas a cada uma das componentes
do padro da srie: nvel, tendncia e sazonalidade.
Considere ento a srie sazonal com tendncia aditiva
Zt = t + Tt + St + at , t = 1, ..., N
onde t o nvel, Tt a tendnca, St a sazonalidade e at o rudo branco com
mdia zero e varincia constante. As estimativas do fator sazonal, nvel e tendncia
25
manoel@fct.unesp.br
CAPTULO 4. MODELOS DE SUAVIZAO EXPONENCIAL
26
Captulo 5
5.1
Seja Zt uma srie temporal observada, at o rudo branco, ou seja, uma seqncia
de variveis aleatrias independentes identicamente distribudas, com E (at ) = 0, e
varincia 2a para todo t. Podemos representar um modelo linear geral como uma
combinao linear ponderada, do termo atual, mais os termos passados do rudo
branco:
Zt = at + 1 at1 + 2 at2 + ...
(5.1)
onde
X
i=1
2i <
e varincia
27
= 2a 1 + 2 + 4 + ...
1
(soma de uma srie geomtrica)
= 2a
1 2
Tambm
Cov (Zt , Zt1 ) = Cov at + at1 + 2 at2 + ..., at1 + at2 + 2 at3 + ...
= 2a + 3 + 5 + ...
= 2a
1 2
Alm disso
Corr (Zt , Zt1 ) =
2a 1
2
1
2a 1
2
k
1 2
i i+k , k = 0
i=0
com 0 = 1.
5.2
(5.2)
5.2.1
O modelo MA(1)
= 2a + 2 2a = 2a 1 + 2
e para k = 2 teremos
k = Cov (Zt , Ztk ) = 0
E a fac ser dada por:
k =
5.2.2
2a
2a (1+2 )
1, k = 0
= (1+
2) , k = 1
0, k = 2
O Modelo MA(q)
= 1 + 21 + ... + 2q 2a
=
=
=
=
5.3
(5.3)
5.3.1
O Modelo AR(1)
= V ar (Zt ) = V ar (Zt1 + at )
= 2 V ar (Zt1 ) + 2a = 2 0 + 2a
2a
=
, || < 1.
1 2
A facv para k = 1
1
=
=
=
=
onde
E (at Ztj ) = 0, j > 0
6= 0, j < 0
= 2a , j = 0
30
= 2 1 + 2a
=
2a
1 2
para k = 2
2 = 1 .
No geral a facv ser
k =
k
2a , para k = 0, 1, 2, ...
1 2
k
= k , para k = 0, 1, 2, ...
0
Desde que || < 1, a fac uma exponencial decrescente, a medida que k cresce.
Se 0 < < 1, todas as correlaes so positivas; se 1 < < 0 a autocorrelao
de lag 1 negativa (1 = ) e os sinais das autocorrelaes so alternadamente
positivo e negativo.
Considere o modelo AR(1):
Zt = Zt1 + at
substituindo t por t 1, temos:
Zt1 = Zt2 + at1
agora substituindo Zt1 em Zt , temos:
Zt
= (Zt2 + at1 ) + at
= 2 Zt2 + at1 + at
(5.4)
5.3.2
O Modelo AR(2)
(5.5)
(x) = 1 1 x 2 x2
e a equao caracterstica
1 1 x 2 x2 = 0
A equao quadrtica, acima tem duas razes (possivelmente complexas). Suponha at independente de Zt1 , Zt2 , ..., uma soluo estacionria para a equao (4.5)
existir se e somente se a raiz da equao caracterstica AR excede a unidade em
valor absoluto. Este procedimento pode ser generalizado para o modelo AR(p).
Para o caso AR(1) a equao caracterstica 1 x = 0 com raiz 1/, que exceda 1
em valor absoluto se e somente se || < 1. Para a equao caracterstica do AR(2)
temos a seguinte soluo:
q
1 21 + 42
x=
22
as razes da equao acima excede a 1 em mdulo se e somente se, simultaneamente
1 + 2 < 1, 2 1 < 1 e |2 | < 1.
Essas so as condies de estacionariedade para o AR(2).
Para encontrar a fac para o AR(2), multiplicamos ambos os lados da equao
(4.5) por Ztk , k = 1, 2, ..., e tomamos as esperanas
k
(5.6)
dividindo por 0
k
0
k
k1
+ 2 k2 , k = 1, 2, ...
0
0
= 1 k1 + 2 k2 , k = 1, 2, ...
= 1
(5.7)
= 1 0 + 2 1
1
=
1 2
e para k = 2
2
= 1 1 + 2 0
=
21 + 2 (1 2 )
.
1 2
32
= 21 + 22 0 + 21 2 1 + 2a
(1 2 ) 2a
(1 2 ) 1 21 22 221 2
Os coeficientes j no processo linear geral (4.1) para um AR(2) so mais complexos do que o AR(1). Entretanto, podemos substituir a representao (4.1) e
definir a equao do AR(2) para Zt , Zt1 , e Zt2 e obter os coeficientes de aj .
Encontrando
0
1 1 0
= 1
= 0
e
j 1 j1 2 j2 = 0, j = 2, 3, ...
Estas equaes podem ser resolvidas recursivamente obtendo 0 = 1, 1 = 1 ,
2 = 21 + 2 , e assim por diante.
5.3.3
(5.8)
(5.9)
33
1
2
= 1 + 2 1 + ... + p p1
= 1 1 + 2 + ... + p p2
..
.
= 1 p1 + 2 p2 + ... + p
(5.10)
Dados os valores 1 , 2 , ..., p , estas equaes podem ser resolvidas para obtermos:
1 , 2 , ..., p . Para obter a varincia multiplicamos a equao (4.8) por Zt , e tomamos
as espereranas encontrando:
0 = 1 1 + 2 2 + ... + p p + 2a
utilizando k = k / 0 podemos escrever
V ar (Zt ) = 0 =
2a
1 1 1 2 2 ... p p
(5.11)
observando que
5.4
5.4.1
O modelo ARMA(1,1)
(5.13)
2a .
variando o k
0
1
= 1 + 2a ( ) 2a , k = 0
= 0 2a , k = 1
(5.14)
e
k = k1 , k = 2
(5.15)
1 2 + 2
0 =
1 2
a facv
k =
(1 ) ( ) k1 2
a , para k = 1
1 2
e a fac
k =
(1 ) ( ) k1
, para k = 1
1 2 + 2
A forma linear geral pode ser obtida da mesma maneira que a equao (4.5),
definimos
Zt = at + ( )
j1 atj
j=1
(1 x)
Zt = 1 x + 2 x ... (1 x) Zt = at
(1 x)
M A () : Zt =
(1 x)
at = 1 + x + 2 x2 + ... (1 x) at
(1 x)
= 1
= 1 + 1
= 2 + 2 + 1 1
..
.
= j p jp + ... + 1 j1
(5.16)
5.5
Invertibilidade
(5.17)
36
at
= Zt + (Zt1 + at2 )
= Zt + Zt1 + 2 at2
ento se || < 1, ns vimos que o MA(1) pode ser invertido (transformado) para
um AR(), ento dizemos que o modelo MA(1) invertvel.
Para um modelo geral MA(q), definimos o polinmio caracterstico MA
como:
(x) = 1 1 x 2 x2 ... q xq
e a correspondente equao caracterstica
1 1 x 2 x2 ... q xq = 0
Pode-se ento, demonstrar que o modelo MA(q) invertvel, e existiro constantes
j , tal que:
Zt =
j Ztj + at
j=1
5.6
Exerccios
38
Captulo 6
= Zt Zt1
= (1 X) Zt
= Zt
Os modelos que apresentaremos a partir de agora, sero para sries cujo comportamento so no-estacionrio.
6.1
O Modelo Autoregressivo-Integrado-Mdias-Mveis
ARIMA(p,d,q)
(6.1)
(6.2)
(6.3)
manoel@fct.unesp.br
6.1.1
Exemplos
6.1.2
Tomar diferenas pode no ser suficiente para se alcanar estacionariedade, principalmente, no caso das sries econmicas. Uma transformao, no linear, utilizada
para srie Zt Zt = ln Zt , que ser suficiente para obter a homogeneidade. Outro
procedimento usualmente, utilizado em sries temporais econmicas :
ln Zt = ln Zt ln Zt1
A principal razo para se fazer uma transformao tentar estabilizar a varincia. Uma transformao, tambm adequada, seria: utilizar um grfico que traz no
eixo das abscissas mdias de subconjuntos de observaes da srie original e no eixo
das ordenadas a amplitude de cada um destes subconjuntos. Seja Zt1 , ..., Ztk um
subconjunto com k observaes, ento calculamos:
Z
k
1X
Zt
k i=1 i
(medida de posio)
e
W
manoel@fct.unesp.br
6.2
6.2.1
(6.5)
6.2.2
(6.6)
(6.7)
(6.8)
Logo, os pesos j da forma (5.6) podem ser obtidos de (5.8) identificando-se coeficientes de X, X 2 , etc.:
6.2.3
No modelo ARIMA(p,d,q)
(X) Wt
onde Wt
= (X) at
= d Zt .
(6.9)
41
manoel@fct.unesp.br
zeros de (X) = 1 X sobre o crculo unitrio. Alm da no-estacionariedade estocstica, muitas sries podem apresentar uma tendncia determinstica. Podemos
ter Zt como a soma de um polinmio mais um processo ARIMA(p,d,q):
Zt
m
X
j tj +
j=0
(X)
at
d (X)
(6.10)
= Tt + Yt
onde Tt uma tendncia determinstica e Yt um processo ARIMA(p,d,q). Segue-se
que Zt no-estacionrio se m > 0 e/ou d > 0.
Tomando d diferenas temos:
(X)
at , se m = d
(X)
(X)
at , se m < d
(X)
d Zt
= 0 +
d Zt
(6.11)
onde 0 = d d!, obtendo-se uma srie estacionria. Significando que podemos incluir
uma tendncia polinomial determinstica de grau d no modelo, bastando acrescentar
uma constante 0 :
(X) Zt = 0 + (X) at
(6.12)
Se m > d, podemos obter um modelo no-estacionrio, tomando d diferenas,
devido a tendncia determinstica, e tomando m diferenas, obteremos um processo
estacionrio, mas no invertvel.
Se 0 6= 0,
Wt = Wt1 + ... + p Wtp + 0 + at 1 at1 ... q atq
(6.13)
e obtemos a mdia
W
ou
e se
teremos:
= E (Wt ) = 1 W + ... + p W
0
=
1 1 ... p
0 = W 1 1 ... p
(6.14)
(6.15)
ft = Wt E (Wt )
W
ft = (X) at
(X) W
6.3
manoel@fct.unesp.br
6.3.1
(6.16)
(6.17)
Mais explicitamente
1
2
= k1 + k2 1 + ... + kk j1
= k1 1 + k2 + ... + kk k2
..
.
= k1 k1 + k2 k2 + ... + kk
(6.18)
e para k = 3
= 1
=
1
1
kk
em geral
1
2
1
1
1
1
2
1
1
2
21
= 2
1 21
1
1
1
1
1
1
2
2
3
2
1
1
(6.19)
(6.20)
|Pk |
(6.21)
|Pk |
onde Pk a matriz de autocorrelao, e Pk a matriz Pk com a ltima coluna
substituda pelo vetor de autocorrelao.
Pode-se demonstrar que, para os processos estudados temos:
(i) um processo AR(p) tem facp kk 6= 0, para k 5 p e kk = 0, para k > p;
(ii) Um processo MA(q) tem facp que se comporta de maneira similar a fac de
um processo AR(p), para o MA(1) temos:
kk =
2
1 + 2 + 4
e
k 1 2
, k=1
kk =
1 2(k+1)
(iii) Um processo ARMA(p,q) tem facp que se comporta como a facp de um processo
MA.
22 =
43
manoel@fct.unesp.br
6.3.2
onde
(6.23)
2 11 1
21
= 2
1 11 1
1 21
b .
Nas estimativas vamos substituir b
k por rk , e obtemos fapa
kk
6.4
O objetivo da identificao determinar os valores de p,d e q do modelo ARIMA(p,d,q), alm de obter estimativas preliminares dos parmetros a serem utilizados no estgio de estimao.
6.4.1
Procedimento
Varincias Aproximadas p/ W
AR (1)
M A (1)
c0 (1+r1 )
n(1r1 )
c0 (1+2r1 )
n
AR (2)
c0 (1+r1 )(12r12 +r2 )
n(1r1 )(1r2 )
, n=N d
ARM
h A (1, 21)i
2r1
c0
n 1 + r1 r2
M A (2)
c0 (1+2r1 +2r2 )
n
44
manoel@fct.unesp.br
6.5
onde
cj =
sendo
bj
cj
= rj = , j = 0, 1, ..., N 1
b0
c0
Nj
1 X
Zt Z (Zt+j Z) , j = 0, 1, ..., N 1
N t=1
Z=
temos que a varincia de rj
V ar (rj )
=
N
1 X
Zt e rj = rj
N t=1
1 X 2
k + k+j kj 4j k kj + 22k 2j
N
(6.24)
(6.25)
(6.26)
(6.27)
k=
rk , j > q
1+2
(rj ) =
N
2
(6.29)
k=1
(6.31)
(6.32)
1
b
(6.33)
jj w , j > p.
N
b ter distribuio aproximadamente normal, com
Alm disso, para N grande,
jj
mdia zero e varincia (5.32), de modo que consideraremos jj significativamente
diferente de zero se
2
b
(6.34)
jj > , j > p.
N
45
manoel@fct.unesp.br
6.6
Exerccos
1
0.97
-0.42
2
0.97
0.18
3
0.93
-0.02
4
0.85
0.07
5
0.80
-0.10
6
0.71
-0.09
2
-0.34
3
0.20
4
0.02
5
0.15
6
-0.06
Captulo 7
7.1
Estimativas Preliminares
7.1.1
Processos AR(p)
b0 1 1 1 ... p p
b2a =
b .
com
b0 substitudo por c0 , e os j por suas estimativas
j
7.1.2
Processos MA(q)
k + 1 k+1 + ... + qk q
, j = 0, 1, ..., q
1 + 21 + ... + 2q
= 0, j > q.
b2a =
b0
2
2
b
1 + 1 + ... + b
q
47
manoel@fct.unesp.br
onde
b0 = c0 .
7.1.3
Processos ARMA(p,q)
substituindo b
j por rj . Depois a partir das relaes entre as autocorrelaes 1 , ..., q ,
1 , ..., b
q e
b2a .
1 , ..., p e 1 , ..., q , obtemos b
Obs.: Na tabela 9.2 do Morettin (1987) temos estimativas iniciais para os
parmetros dos modelos mais utilizados na prtica.
7.2
O mtodo dos momentos geralmente um dos mais faceis, dos mtodos para obter
estimativas dos parmetros. O mtodo consiste de equacionar momentos amostrais
com momentos tericos e resolver as equaes resultante para obter estimativas dos
parmetros desconhecidos.
7.2.1
Modelo Autoregressivo
= 1 + 1 2
= 1 1 + 2
= 1 + r1 2
= r1 1 + 2
1
1 r12
(7.1)
2
b = r2 r1
(7.2)
2
1 r12
Para o caso geral AR(p) o procedimento semelhante: substituimos k por rk nas
equaes de Yule-Walker para obter:
r1
r2
rp
= 1 + r1 2 + ... + rp1 p
= r1 1 + 2 + ... + rp2 p
..
.
= rp1 1 + rp2 + ... + p
(7.3)
b , ...,
b , em termos de r1 , ..., rp .
Estas equaes lineares sero resolvidas para obter
1
p
O mtodo recursivo de Durbin-Levinson (equaes 5.22) um algoritmo adequado
para resolver estas equaes, mas estar sujeito a erros, principalmente se soluo
est no limite de estacionariedade (na circunferncia de raio unitrio).
48
manoel@fct.unesp.br
7.2.2
Modelos Mdias-Mveis
Para o caso do modelo MA o mtodo dos momentos, no to fcil. Vamos considerar o processo MA(1). Da fac do MA temos:
1 =
, || < 1.
1 + 2
(7.4)
Podemos resolver a equao acima com relao a . Se |r1 | < 0.5,ento as duas
razes so dadas por:
0.5
1
1
1
2r1
4r12
Dentre as solues s uma satisfaz a condio de invertibilidade, que pode ser escrita
como:
0.5
1 + 1 4r12
b
(7.5)
=
2r1
Se r1 = 0.5, a soluo real nica, ou seja, 1, mas por outro lado, no
invertvel. Se |r1 | > 0.5, no existe solues reais, e o mtodo dos momentos
no produz um estimador adequado para , alm disso a especificao do modelo
torna-se duvidosa.
Para modelos MA(q), de ordem grande, o mtodo dos momentos torna-se bastante complicado. As equaes resultantes em funo dos 0 s, no so lineares,
entretanto, e suas solues preciso ser numricas. Porm haver vrias soluces
mltiplas, das quais somente uma ser invertvel.
7.2.3
Modelos ARMA
, para k = 1
(7.6)
k =
1 2 + 2
Notando que 2 /1 = , ns podemos primeiro estimar como
b = r2
r1
b
b
1
r1 =
b + 2
1 2
(7.7)
(7.8)
7.2.4
S2 =
n
2
P
Zt Z
t=1
n1
(7.9)
manoel@fct.unesp.br
b r1 ...
b rp S 2
b2a = 1
1
p
b2a = 1 r12 S 2
b = r1 .
desde que
1
Para o caso MA(q), ns temos:
b2a =
S2
1
2
+b
1
2
+ ... + b
q
b2
1
2
b2a =
2S
b
b
b
1 2 +
7.3
(7.10)
(7.11)
(7.12)
(7.13)
7.3.1
Modelos Autoregressivos
(7.14)
n
X
t=2
(7.15)
S X
2 [(Zt ) (Zt1 )] (1 + ) = 0
=
t=2
simplificando e resolvendo para , temos
n
P
t=2
Zt
n
P
Zt1
t=2
(n 1) (1 )
50
(7.16)
manoel@fct.unesp.br
n
n
X
X
Zt
Zt1
Z
n1
n1
t=2
t=2
Z Z
=Z
1
(7.17)
S X
2 Zt Z Zt1 Z
Zt1 Z = 0
=
t=2
P
Zt Z Zt1 Z
b = t=2
n
2
P
Zt1 Z
(7.18)
t=2
2
b = r1 ; alm disso os estimadores de mnimos
Exeto para o termo Zn Z ,
quadrados e mtodo dos momentos so quase idnticos, especialmente para grandes
amostras.
Para o processo geral AR(p), os mtodos utilizados para obter as equaes (6.16)
e (6.17) podem facilmente ser extendidos para produzir o mesmo resultado, ou seja,
b = Z.
Para generalizar as estimativas dos 0 s, ns podemos considerar o modelo de
segunda ordem, AR(2). Substituindo
b por Z na funo da soma de quadrados
condicional
n
X
(7.19)
S (1 , 2 ) =
Zt Z 1 Zt1 Z 2 Zt2 Z
t=3
Fazendo S /1 = 0, temos
2
n
X
Zt1 Z = 0
Zt Z 1 Zt1 Z 2 Zt2 Z
(7.20)
t=3
n
n
n
X
X
X
2
Zt Z Zt1 Z =
Zt1 Z 1 +
Zt2 Z Zt1 Z 2
t=3
t=3
t=3
n
P
t=3
Zt Z
r1 = 1 + r1 2
(7.21)
, obtemos:
(7.22)
(7.23)
Podemos verificar que trata-se das equaes de Yule-Walker amostrais para o modelo
AR(2).
Inteiramente anlogo ao resultado obtido, segue-se para o caso do modelo geral
AR(p), as estimativas de mnimos quadrados dos 0 s, podem ser obtidas resolvendose as equaes amostrais de Yule-Walker, e com uma boa aproximao.
51
manoel@fct.unesp.br
7.3.2
(7.24)
Vamos supor que o modelo MA(1) invertvel, ou seja, || < 1, ento podemos
express-lo como
(7.25)
Zt = Zt1 2 Zt2 ... + at
que um modelo AR() . Alm disso, podemos obter o estimador de mnimos
quadrados, escolhendo o valor do parmetro que minimiza
X
S () =
a2t
(7.26)
(7.27)
Utilizando a equao (6.27), os valores a1 , ..., an podem ser calculados recursivamente dado um o valor inicial a0 . Um condio inicial, que se utiliza a0 = 0,
obtendo
= Z1
(7.28)
= Z2 + a1
..
.
an = Zn + an1
Pn
e alm disso calculamos S () = t=1 a2t , condicional a a0 = 0 para o particular
valor de .
Para o caso simples de um parmetro, podemos variar no intervalo (1, 1), que
garante invertibilidade do modelo, e encontrar a soma de mnimos quadrados. Para
os modelos MA(q), um algoritmo de otimizao numrica, como o Gauss-Newton,
prefervel. A aproximao de Gauss-Newton consiste em aproximar at = at ()
para uma funo linear de em torno da estimativa inicial b
. Que
dat b
b
b
at () at +
(7.29)
d
a1
a2
(7.30)
manoel@fct.unesp.br
(7.31)
7.3.3
Modelos Autoregressivos-Mdias-Mveis
(7.32)
Como
caso MA, consideramos at = at (, ) e desejamos minimizar S (, ) =
Pn no
2
a
.
Podemos
reescrever a equao (6.32) como
t=1 t
at = Zt Zt1 + at1
(7.33)
(7.34)
Pn
com ap = ap1 = ... = a1q = 0 e ento numericamente minimizamos t=1 a2t para
obter as estimativas de mnmos quadrados condicional de 1 , ..., p , 1 , ..., q . Um
termo constante pode ser includo no modelo.
Para o conjunto de parmetros 1 , ..., q , que corresponde a invertibilidade do
modelo, os valores ap = ap1 = ... = a1q = 0 tero muito pouca influncia nas
estimativas finais dos parmetros para grandes amostras
7.4
manoel@fct.unesp.br
0.5
a2
exp 2 , < a <
(7.35)
f (a) = 2 2a
2 a
e, como so v.a.i.i.d. a f.d.p. conjunta para a2 , ..., an
!
n
1 X 2
2 (n1)/2
exp 2
a ,
f (a) = 2a
2a t=2 t
(7.36)
Agora considerando
Z2 = (Z1 ) + a2
Z3 = (Z2 ) + a3
..
.
Zn = (Zn1 ) + an
(7.37)
1
2
2 (n1)/2
f (z2 , ..., zn /z1 ) = 2 a
exp
2
[(Zt ) (Zt1 )]
2a t=2
(7.38)
Agora consideramos a f.d.p. marginal de Z1 , que tambm normal com mdia
e varincia 0 = 2a / 1 2 . Multiplicando (6.38) por f (z1 ) , temos
f (z2 , ..., zn /z1 ) f (z1 ) =
(7.39)
1
2 0.5
2
2 n/2
L , , a = 2 a
exp 2 S (, )
(7.40)
1
2 a
onde
S (, ) =
n
X
t=2
(7.41)
1
1
n
, , 2a = log 2 log 2a + log 1 2 2 S (, )
(7.42)
2
2
2
2a
=
+
S (, ) = 0
(7.43)
2a
2 2a 2 a
54
manoel@fct.unesp.br
ou
c2 = S (, )
a
n
(7.44)
c2 = S (, )
(7.45)
a
n2
na primeira expresso o vcio menor.
Considere agora a estimao de e . Uma comparao entre as duas soma de
quadrados, condicional, S (, ) , e no-condicional, S (, ), vamos ter:
2
S (, ) = S (, ) + 1 2 (Z1 )
(7.46)
os valores de e que minimizam S ou S so semelhantes e
S (, ) S (, )
7.5
(7.47)
A definio da funo de verossimilhama associada a soma de quadrados nocondicional. Para o modelo ARMA consideravelmente mais complicada, ento
citaremos a expresso da forama da funo da soma de quadrados no-condicional.
Segundo Box e Jenkins (1976), temos que para o modelo geral ARMA(p,q)
n
X
a2t
(7.48)
b
at = E (at /Z1 , ..., Zn )
(7.49)
S (, , 0 ) =
t=
onde
Note que, para t 5 0, o b
at ser visto como previso backward no tempo dos termos
de at , dado Z1 , ..., Zn . Por esta razo, eles frequentemente tem sido chamados back
forecasts, mas o termo mais apropriado backcasts.
7.6
(7.50)
b )
b ) V ar(
AR(2) : V ar(
1
2
b )
b ,
: Corr(
1
2
55
1
n
22
1
= 1
1 2
manoel@fct.unesp.br
para o MA
1 2
M A(1) : V ar(b
)
n
(7.51)
1 22
2 )
M A(2) : V ar(b
1 ) V ar(b
n
1
2 )
: Corr(b
1 , b
1 2
2
1
2
2
1
1
b
: V ar()
n
0.5
1 2 1 2
b b
: Corr(,
)
1
2
b 1
ARM A(1, 1) : V ar()
n
7.7
Exerccios
(7.52)
1) Para uma srie de tamanho 100, foi calculado r1 = 0.8, r2 = 0.5, r3 = 0.4, Z = 2,
e uma varincia amostral de 5. Se assumimos que o modelo AR(2) com um termo
constante adequado, como podemos obter as estimativas (simples) de 1 , 2 , 0 , e
2a ?
2) Assumindo que os seguintes dados sejam de um processo estacionrio, calcule
as estimativas de , 0 , e 1 :
6, 5, 4, 6, 4
3) Se {Zt } satisfaz um modelo AR(1) com ' 0.7, de que modo podemos
estimar o verdadeiro valor de = 1 com uma confiana 95% que o nosso erro
5 0.1?
4) Considere um processo MA(1) para o qual sabemos que a mdia zero.
Baseado num srie de tamanho 3, ns observamos Z1 = 0, Z2 = 1, e Z3 = 0.5.
a) Mostrar que a estimativa de mnimos quadrados condicional de = 0.5.
b) Encontrar uma estimativa da varincia do rudo 2a .
5) Dado os dados Z0 = 10, Z1 = 10, Z2 = 9, e Z3 = 9.5, desejamos ajustar um
modelo IMA(1,1) com um termo constante.
a) Encontrar a estimativa de mnimos quadrados condicional de .
b) Estime 2a .
6) Considere duas parametrizaes do modelo AR(1):
I. Zt = (Zt1 ) + at
II. Zt = Zt1 + 0 + at
onde 0 = (1 ) . Estimar e ou e 0 utilizando o mnimos quadrados
condicionado a Z1 .
Mostrar que com o modelo I ns somos levado a resolver equaes no-lineares
para obter as estimativas, enquanto que no modelo II precisamos somente resolver
equaes lineares.
7) Suponha que para um modelo ARMA(1,1), com N=152, foi obtido: = 0.85,
= 0.6 e 2a = 0.086. Obtenha intervalos de confiana para e , com nvel de
95% de confiana.
56
manoel@fct.unesp.br
57
Captulo 8
Diagnstico do Modelo
Nesta seo faremos o diagnstico do modelo, comeando com a anlise residual, e
depois anlise de modelos sobre-parametrizada, que so, modelos mais gerais do que
o modelo especificado mas contm o modelo especificado como um caso especial.
8.1
Anlise Residual
No captulo 3 apresentamos algumas idias de anlise residual para checar a adequacidade de uma tendncia determinstica ajustada. No modelo autoregressivo
definimos facilmente os resduos. Considere em particular um modelo AR(2) com
um termo constante:
Zt = 1 Zt1 + 2 Zt2 + 0 + at
(8.1)
tendo estimado 1 , 2 , e 0 , os resduos so defindos como:
b Zt1
b Zt2 b
0
b
at = Zt
1
2
(8.2)
Os resduos iniciais b
a1 e b
a2 podem ser obtidos do procedimento de estimao utilizando valores passados para Z0 e Z1 .
Para o modelo geral ARMA, precisamos colocar na forma autoregressiva de
ordem infinita, para definir os resduos, apresentada no captulo 4, teremos ento a
seguinte equao
X
Zt =
j Ztj + at
(8.3)
j=1
b
at = Zt
X
j=1
bj Ztj
(8.4)
X
bt =
Z
bj Ztj
(8.5)
j=1
a melhor previso de Zt baseada em Zt1 , Zt2 , .... Alm disso a equao (7.4)
pode ser escrita como
Resduos = Real Predito(estimado)
ou seja,
b
at = Zt Zbt
58
(8.6)
manoel@fct.unesp.br
8.2
Para checar a independncia do rudo (erro) no modelo, vamos considerar inicialmente a funo de autocorrelao residual amostral, rbk . Para um n suficientemente
grande, verifica-se que os rbk so normalmente distribudos com mdia zero,
1
n
V ar (b
rk )
(8.7)
e
Corr (b
rk , rbj ) 0, para k 6= j
(8.8)
Se considerarmos um modelo AR(1) especificado e estimado corretamente, mostrase que para um n grande
2
,
n
1 1 2 2k2
V ar (b
rk )
, k > 1,
n
1 2 2k2
, k>1
Corr (b
r1 , rbk ) sin ()
1 1 2 2k2
V ar (b
r1 )
onde
(8.10)
(8.11)
1, se > 0
0, se = 0
sin () =
1, se < 0
V ar (b
r1 )
22
n
(8.12)
2
22 + 21 (1 + 2 )
(8.13)
n
Se os parmetros 1 e 2 no estiverem na regio de estacionariedade, ento
V ar (b
r2 )
V ar (b
rk )
8.3
1
, para k = 3
n
(8.14)
O Teste de Box-Pierce
Box e Pierce (1970) propuseram um teste para as autocorrelaes dos resduos estimados, que, apesar de no detectar quebras especficas no comportamento de rudo
branco, pode indicar se esses valores so muito altos. Se o modelo for adequado, a
estatstica:
K
X
rbk2
Q = n (n + 2)
(8.15)
(n k)
k=1
manoel@fct.unesp.br
8.4
Exerccios
60
12
0.09
Captulo 9
9.1
Seja a srie Zt , Zt1 , ..., Z1 , desejamos prever um valor Zt+h , ou seja, a origem t e
o horinzonte h. A previso de erro quadrtico mdio mnimo (EQMM), denotada
por Zbt (h) , dada por
Zbt (h) = E (Zt+h /Zt , Zt1 , ..., Z1 )
(9.1)
9.2
Tendncia Determinstica
(9.2)
(9.3)
bt (h) = 0 + 1 (t + h)
Z
(9.4)
61
manoel@fct.unesp.br
ento
E (et (h)) = E (Xt+h ) = 0
(9.5)
(9.6)
9.3
Previso ARIMA
Para os modelos ARIMA as previses podem ser obtidas por diferentes caminhos.
Cada expresso contribuie para o nosso entendimento dos procedimentos de previso
com respeito a clculo, atualizao, preciso, ou comportamento da previso a longo
prazo.
9.3.1
Modelo AR(1)
(9.7)
(9.8)
(9.9)
(9.11)
(9.12)
Vimos que, uma proporo multiplica o desvio (Zt ) somado com a mdia
teremos o prximo valor futuro (horizonte).
Agora para o caso geral para um tempo futuro h. Substituindo t por t + h na
equao (8.7), e tomando as esperanas condicionais de ambos os lados, obtemos
bt (h) = + Z
bt (h 1) , h = 1
Z
(9.13)
62
manoel@fct.unesp.br
bt (h) = Zbt (h 1) +
Z
h
i
= Zbt (h 2) +
..
.
i
h
= h1 Zbt (1) +
ou
bt (h) = + h (Zt ) , h = 1
Z
(9.14)
(9.15)
9.3.2
Erro de Previso
(9.16)
(9.17)
(9.18)
Temos ento
et (h) = Zt+h h (Zt )
= at+h + at+h1 + ... + h1 at+1 + h at + ... h (at + at1 + ...)
vamos ter
et (h) = at+h + at+h1 + ... + h1 at+1
(9.19)
h1
X
j at+hj
(9.20)
j=0
esta equao pode ser utilizada para o caso geral dos modelos ARIMA. Note que
E [et (h)] = 0, assim as previses so no-viciadas. Portanto da equao (8.20)
temos
h1
X
2j
(9.21)
V ar [et (h)] = 2a
j=0
63
manoel@fct.unesp.br
(9.22)
1
, para h grande
1 2
(9.23)
V ar [et (h)] = 2a
Para o tempo a longo prazo temos
V ar [et (h)] 2a
ou
(9.24)
9.3.3
Modelo MA(1)
(9.25)
(9.26)
(9.27)
Utilizando (8.27) e (8.26), temos que a previso a 1 passo para o modelo MA(1)
invertvel :
bt (1) = at
(9.28)
Z
9.3.4
Erro de Previso
h1
X
j at+hj
j=0
V ar [et (h)] = 2a
h1
X
2j
j=0
Mas para h > 1 ambos at+h e at+h1 so independentes de Zt , Zt1 , ..., Z1 . Consequentemente, estes valores esperados condicionais so zero, e temos
bt (h) = , para h > 1
Z
64
(9.29)
manoel@fct.unesp.br
9.3.5
O Caminho Aleatrio
(9.31)
bt (h 1) + 0 , h = 1
Zbt (h) = Z
(9.32)
bt (h) = Zt + h0 , h = 1
Z
Se 0 6= 0, a previso no converge a longo prazo, mas segue uma linha reta com
inclinao 0 para todo h.
Note que a presena ou falta do termo constante 0 altera significativamente a
previso. Portanto, os termos constantes no so includos nos modelos ARIMA a
menos que, haja evidncia que a mdia na srie diferenada seja significativamente
diferente de zero.
9.3.6
Erro de Previso
bt (h)
et (h) = Zt+h Z
= (Zt + h0 + at+1 + ... + at+h ) (Zt + h0 )
=
h1
X
at+hj
j=0
h1
X
12
j=0
que ,
V ar [et (h)] = h 2a , h = 1
(9.33)
Em contraste com o caso estacionrio, aqui V ar [et (h)] cresce sem limite a medida
que o h aumenta. Ns vimos que esta propriedade caracterstica da varincia do
erro de previso para todos os processos ARIMA no-estacionrios.
65
manoel@fct.unesp.br
9.4
0, para j = 1
at+j , para j 5 0
Notamos que Zbt (j) uma previso verdadeira para j > 0, mas
9.4.1
(9.35)
(9.36)
Modelo ARMA(1,1)
com
e para caso mais geral
Zbt (1) = Zt + 0 at
(9.37)
bt (h 1) + 0 para h = 2
Zbt (h) = Z
(9.38)
bt (1) + 0
bt (2) = Z
Z
Como as equaes (8.34) e (8.35) indicam, os termos do rudo at , at1 , ..., at(q1)
aparecem diretamente no clculo das previses para h = 1, 2, ..., q. Entretanto, para
h > q tomamos a parte autoregressiva da equao diferena, ou seja,
bt (h 1) + 2 Z
bt (h 2) + ... + p Z
bt (h p) + 0 para h > q (9.40)
bt (h) = 1 Z
Z
9.5
Como foi mostrado no caminho aleatrio, a previso dos modelos ARIMA semelhante a previses para o modelo estacionrios ARMA, mas existe algumas diferenas. Vamos considerar um modelo ARIMA(p,1,q), que pode ser escrito como um
ARMA(p+1,q) no-estacionrio, ou seja,
= 1 Zt1 + 2 Zt2 + ... + p+1 Ztp1 + 0
+at 1 at1 2 at2 ... q atq
para t > m
Zt
66
(9.42)
manoel@fct.unesp.br
onde
1
j
p+1
= 1 + 1
= j j1 , j = 2, 3, ..., p
= p
(9.43)
9.5.1
Modelo ARIMA(1,1,1)
Considere o modelo
Zt Zt1 = (Zt1 Zt2 ) + 0 + at at1
(9.44)
(9.45)
ou
A previso ser dada por
9.5.2
(9.46)
Erro de Previso
h1
X
j at+hj , h = 1
(9.47)
j=0
com
E [et (h)] = 0, h = 1
e
V ar [et (h)] = 2a
h1
X
2j , h = 1
(9.48)
(9.49)
j=0
9.6
(9.50)
bt (h + 1) + h at+1
Zbt+1 (h) = Z
(9.52)
(9.51)
67
manoel@fct.unesp.br
9.7
Para um modelo com tendncia determinstica com rudo branco at , ns temos que
bt (h) = t+l
Z
ou
h
i
p
p
bt (h) z (1 /2) V ar [et (h)] < Zt+h < Z
bt (h) + z (1 /2) V ar [et (h)]
P Z
(9.54)
temos que (1 /2) 100% de confiana que as observaes futuras estaro contida
dentro dos limites
p
bt (h) z (1 /2) V ar [et (h)]
Z
(9.55)
9.8
Transformaes e Previses
(9.56)
bt (h) .
Ybt (h) = g Z
(9.57)
68
manoel@fct.unesp.br
Yt = ln Zt
ento Zt = exp (Yt ), e uma previso para Zt+h ser
(9.58)
(9.59)
1
b
exp Yt (h) + V ar [et (h)]
(9.60)
2
Vemos, ento, que o procedimento (8.59) conduz a previses viciadas e, como consequncia, o EQM de previso aumentar.
Se Yt = ln Zt segue um modelo ARIMA,
ento sabemos que a distribuio
b
condiconal de Yt+h , dado o passado, N Yt (h) , V ar [et (h)] , e um intervalo de
confiana para Yt+h , com coeficiente de 95% de confiana, ser
0.5
ar [et (h)]
Ybt (h) 1.96 Vd
(9.61)
0.5
b
d
exp Yt (h) 1.96 V ar [et (h)]
(9.62)
Lembremos que Vd
ar [et (h)] a estimativa de V ar [et (h)], com 2a substitudo
c
2
por a , no ajuste do modelo Yt .
9.9
9.9.1
bt (h 1)
Zbt (h) = + Z
= + h (Zt )
para h grande
1 2h
1 2
2a
para h grande
1 2
= j para j > 0
V ar [et (h)] = 2a
69
manoel@fct.unesp.br
9.9.2
MA(1): Zt = + at at1
bt (h) =
Z
V ar [et (h)] =
j
9.9.3
at para h = 1
para h > 1
2a
2
a para
h=1
1 + 2 para h > 1
para h = 1
0 para h > 1
X
= h0 + (1 )
j Ztj
j=0
V ar [et (h)] =
1 + (h 1) 1 2
j = 1 para j > 0
2a
9.9.4
(9.63)
bt (2) + 0
A = 2Zbt (1) Z
(9.64)
j = 1 + 2 + (1 1 2 ) j para j > 0
(9.66)
onde
bt (1) 3 0
B = Zbt (2) Z
(9.65)
2
Se 0 6= 0, ento a previso segue uma curva quadrtica em h, mas se 0 = 0, a
bt (1) e passar atravs das
previso forma uma linha reta com inclinao Zbt (2) Z
bt (2). Podemos mostrar que a V ar [et (h)] uma
bt (1) e Z
duas previses iniciais Z
funo cbica de h (Box e Jenkins,1976). Ns temos tambm
9.10
Exerccios
bt (1) .
1) Para um modelo AR(1) com Zt = 12.2, = 0.5, e = 10.8, encontrar Z
2) Suponha que as vendas anuais (em milhes de reais) de uma empresa, segue
o modelo AR(2):
Zt = 5 + 1.1Zt1 0.5Zt2 + at , com 2a = 2
70
manoel@fct.unesp.br
a) Se as vendas para 1985, 1984, e 1983 foram R$10 milhes, R$11 milhes, e
R$9 milhes, respectivamente, prever as vendas para 1986 e 1987.
b) Mostrar que 1 = 1.1 para este modelo.
c) Calcule um intervalo de 95% de confiana para os anos de 1986 e 1987.
d) Se as vendas em 1986 so de R$12 milhes, qual ser a previso para 1987.
3) Considere o modelo
Zt = 0 + 1 t + Xt com Xt = Xt1 + at
Assumindo que 0 , 1 , e so conhecidos. Mostrar que o eqm mnimo de previso
a h passos a frente pode ser escrito como
Zbt (h) = 0 + 1 (t + h) + h (Zt 0 1 t)
2
a) 1
X
0.25X
Zt =
(1 +0.5X) at
2
b) Zt 1 0.5X + 0.5X = at 1 0.5X 0.25X 2
7) Considere o modelo Zt = 0.8(Zt ) + at , at N (0, 1) . Suponha os
seguintes dados:
t
1 2 3 4 5 6 7
Zt 6 5 4 6 4 7 5
bt (h) para h = 1, 2, 3 e 25.
Obtenha: a) Z
b) A V ar [et (h)] para h = 1, 2, 3 e 25.
c) Os intervalos com 95% de confiana para Z8 , Z9 e Z10 .
8) As seguintes observaes Z91 , Z92 , ..., Z100 representam os valores de uma srie
temporal ajustada pelo modelo:
Zt Zt1 = at 1.1at1 + 0.3at2 , onde os valores so
Z = [166; 172; 172; 169; 164; 168; 171; 167; 168; 172]
b100 (h), h = 1, 2, ..., 10 (utilize b
a99 = b
a100 = 0).
a) Calcule as previses Z
2
b) Sabendo que a = 1.1, calcule a V ar [et (h)], h = 1, 2, ...10 e construa intervalos de confiana para os valores Zt+h .
c) Determine os coeficientes j e, utilizando a nova observao Z101 = 174,
b101 (h) , h = 1, ..., 9.
calcule as previses atualizadas Z
9) Considere o modelo Zt = 0.8Zt + at , com at N (0, 1) .
a) Obtenha Zbt (h) para h = 1, 2, 3, 4.
b) Obtenha a V ar [et (h)], h = 1, 2, 3, 4.
t
1
2
3
4
5
6
7
c) Suponha os dados:
Zt 0.66 0.57 0.66 -1.47 -1.38 -1.9 -0.7
bt (h) para h = 1, 2, 3, 4.
c.1) Calcule Z
c.2) Obtenha um intervalo de 95% de confiana para Z8 e Z9 .
10) a) Mostre como se faz previses no modelo ARIMA(1,1,1) utilizando a
bt (1) = at+1 para que as previses
equao diferena. Utilize o fato que Zt+1 Z
fiquem apenas em funo das observaes.
b) Mostre como previses podem ser atualizadas.
c) Utilizando o modelo do item a), suponha que sua srie Z1 , Z2 , ..., Z100 .
Quando o valor real Z101 for conhecido como voc atualizaria sua previso?
71
Captulo 10
Modelos Sazonais
No captulo 3 vimos um pouco sobre tendncia sazonal, neste captulo vamos estudar
os modelos sazonais determinsticos e estocsticos, procurando dar mais enfase aos
modelos estocsticos, ou seja, os modelos de Box-Jenkins, para sries sazonais,
chamados SARIMA.
possvel que, mesmo aps eliminar a componente sazonal determinstica, ainda
reste correlao significativa em:
(i) lags de baixa ordem, indicando que os resduos ainda so correlacionados,
podendo-se ajust-los atravs de um modelo ARIMA;
(ii) lags sazonais, isto , mltiplos de perodo s. Isto significa que h necessidade de se considerar uma sazonalidade estocstica, ou seja, ajustar srie original
um modelo ARIMA sazonal (SARIMA).
Consideraremos, por simplicidade, dados observados mensalmente e sazonalidade de perodo s = 12. Trataremos, separadamente, os dois tipos de sazonalidade.
10.1
Sazonalidade Determinstica
(10.1)
(10.2)
1 X 12 t = 0
(10.3)
6
X
j=1
j cos
(2jt)
(2jt)
+ j sen
12
12
(10.4)
(10.5)
1 X 12 Zt = 1 X 12 t + 1 X 12 Nt
72
manoel@fct.unesp.br
1 X 12 Zt = 1 X 12 Nt
(10.6)
1 X 12 Zt
(X) 1 X 12 Zt
(X) Wt
onde Wt = 1 X 12 Zt .
10.2
(X)
1 X 12
at
(X)
= 1 X 12 (X) at
= 1 X 12 (X) at
=
(10.7)
Identificao
6
X
(2jt) e
(2jt)
et = Zt
N
e
e j cos
+ j sen
12
12
j=1
e examinamos as funes de autocorrelao e autocorrelao parcial para identificar
um modelo ARMA(p,q) para Nt .
10.3
Estimao
10.4
Previso
ct (h)
Zbt (h) = t+h + N
(10.8)
73
manoel@fct.unesp.br
10.5
Sazonalidade Estocstica
1 X 12 t = Yt
(10.9)
1 X 12 Zt = 1 X 12 t + 1 X 12 Nt
De acordo com (9.9), temos:
1 X 12 Zt = Yt + 1 X 12 Nt
(10.10)
12
X 12 D
(10.12)
t
12 Zt = X
12Q
P, estacionrio; (X) = 1 1 X 12 ...
o
operador MA-Sazonal
Q
12
de ordem Q, invertvel; 12 = 1 X
o operador diferena Sazonal; 12 =
D
(10.13)
12
(X) X 12 D
(10.14)
at
12 Zt = (X) X
10.6
manoel@fct.unesp.br
10.7
10.7.1
Exemplo 1
(X) = 1 1 X s ... Q X sQ
(10.15)
(10.16)
podemos verificar que esta srie estacionria e que a fac ser diferente de zero
somente nos lags sazonais de s, 2s, 3s, ..., Qs. Temos um caso especial quando
q = Qs, com todos os 0 s = 0, exceto para s, 2s, ..., Qs. Particularmente,
ks =
k + 1 k+1 + ... + Qk Q
, k = 1, ..., Q
1 + 21 + ... + 2Q
(10.17)
10.7.2
Exemplo 2
(10.18)
(10.19)
Estamos supondo que at independente de Zt1 , Zt2 , ... e, para a srie ser estacionria as razes de (X) = 0 so maiores que 1 em valor absoluto. Novamete um
caso especial quando p = P s, com todos os 0 s = 0, exceto nos lags s, 2s, ..., P s.
10.7.3
Exemplo 3
(10.20)
(X) X 12 Zt = (X) X 12 at
12
com
caractersticos AR s (X) e X
, e polinmios MAs (X) e
polinmios
X 12 .
10.7.4
Exemplo 4
(10.21)
(10.22)
Os termos do rudo at13 , at12 , ..., at entram na previso para h = 1, 2, ..., 13, mas
para h > 13 tomamos a parte autoregressiva do modelo, e temos
Zbt (2) = Zbt (h 1) + Zt (h 12) Zt (h 13) , para h > 13
(10.23)
manoel@fct.unesp.br
10.7.5
Exemplo 5
Zt = Zt12 + at
(10.24)
bt (h) = Z
bt (h 12)
Z
(10.25)
(10.26)
(10.27)
j =
0, caso contrrio
temos ento que a varincia do erro de previso pode ser escrita como
V ar [et (h)] =
1 2k+2 2
1 2 a
(10.28)
onde h = 12k + r + 1.
10.7.6
Exemplo 6
(10.29)
(10.30)
Aqui obtemos diferentes previses para os meses do primeiro ano, mas para os anos
seguintes as previses so dadas pela mdia do processo.
Para este modelo 0 = 1, 12 = , e j = 0 caso contrrio. Alm disso,
teremos a seguinte varincia para o erro de previso
2
a , 215 2h 5 12
V ar [et (h)] =
(10.31)
1 + a , h > 12
10.7.7
Exemplo 7
76
(10.32)
manoel@fct.unesp.br
(10.33)
10.7.8
Exemplo 8
(10.35)
(10.36)
bt (h) = Z
b (h 1) + Z
bt (h 12) Zbt (h 13) , para h > 13
Z
6
X
2jh
2jh
B1j cos
+ B2j sin
, h>0
12
12
j=0
(10.37)
10.8
Exerccios
manoel@fct.unesp.br
I
II III IV
Srie
25 20 25 40
Resduo 2
1
2
3
Encontre a previso para os prximos 4 trimestres.
c) Encontre um intervalo de 95% de confiana para as previses em b.
2) Para o modelo sazonal Zt = Zt4 + at at1 , com || < 1, encontrar 0
e k para k > 0.
3) Identifique os seguintes modelos sazonais multiplicativos ARIMA:
a) Zt = 0.5Zt1 + Zt4 0.5Zt5 + at 0.3at1 .
b) Zt = Zt1 + Zt12 Zt13 + at 0.5at1 0.5at12 + 0.25at13 .
4) Suponha que o processo {Zt } se desenvolve de acordo com
Zt = Zt4 + at , para t > 4
com Zt = at para t = 1, 2, 3, 4. Encontrar a funo varincia e a funo de
autocorrelao para {Zt } .
78
Apndice A
Esperana Condicional
Se X e Y tem f.d.p. conjunta f (x, y) e seja f (x) a f.d.p. marginal de X, ento a
f.d.p. condicional de Y |X = x dada por
f (x, y)
.
f (x)
f (x|y) =
79
Apndice B
como g (c) uma funo quadrtica em c, resolvendo a equao g 0 (c) = 0, encontrase o ponto de mnimo da funo, tem-se ento
g 0 (c) = 2E (Y ) + 2c = 0
encontrando
c = E (Y ) = y
nota-se que
2
min g (c) = E Y y = 2y .
(B.1)
(B.2)
g (a, b)
= 2a 2E (Y ) + 2bE (X) = 0
a
80
manoel@fct.unesp.br
APNDICE B. PREDIO DE ERRO QUADRTICO MDIO MNIMO
g (a, b)
= 2bE X 2 + 2aE (X) 2E (XY ) = 0
b
as quais podemos escrever como
a + E (X) b = E (Y )
E (X) a + E X 2 b = E (XY )
(B.3)
(B.4)
b=
ou
E (XY ) E (X) E (Y )
Cov(X, Y )
=
E (X 2 ) E 2 (X)
V ar (X)
b = Corr (X, Y )
V ar (Y )
y
=
V ar (X)
x
y
E (X)
x
x x
Prova
y
y
b
min g b
a, b = E Y x + X = 2y 1 2 .
x
x
2
y
y
min g b
a, bb
= E Y x + X
x
x
!2
b y
Y
X
x
= 2y E
y
x
= 2y V ar (Y 0 ) + 2 V ar (X 0 ) 2Cov (Y 0 , X 0 )
= 2y 1 + 2 2 = 2y 1 2 .
Considere agora o caso mais geral do problema de predio de Y com uma funo
arbitrria de X. Desde que o critrio escolhido seja minimizar o EQM de predio,
precisa-se escolher uma funo h (X) que minimize
2
E [Y h (X)]
81
(B.6)
manoel@fct.unesp.br
APNDICE B. PREDIO DE ERRO QUADRTICO MDIO MNIMO
para X = x obtm-se
E [Y h (X)]2 |X = x = E [Y h (x)]2 |X = x
(B.7)
(B.8)
(B.9)
y
(X x )
x
(B.10)
observa-se que as solues (B.10) e (B.5) coincidem. Neste caso, a melhor de todas
as funes linear.
Agora se a predio de Y for baseada numa funo de variveis aleatrias
X1 , X2 , ..., Xn , ento pode-se argumentar facilmente que o preditor de EQM mnimo
dado por
E (Y |X1 , X2 , ..., Xn )
82
Referncias Bibliogrficas
[1] BOX, G.E.P. & JENKINS, G.W. Time Series Analysis, Forecasting and Control.
Holden-Day, 1976.
[2] BOX, G.E.P. & JENKINS, G.W. and REINSEL, G.C. Time Series Analysis:
Forecasting and Control. Third Edition. Prentice-Hall, Englewood Clis, N.J.,
1994
[3] MORETTIN, P.A. & TOLOI, C.M. Previso de Sries Temporais. So Paulo,
Atual, 1985.
[4] MORETTIN, P.A. & TOLOI, C.M. Anlise de Sries Temporais. Editora
Edgard Blcher, So Paulo, 2004.
[5] CRYER, J.D. Time Series Analysis. PWA- Dent Publishing Company-Boston,
1986.
[6] CHATFIELD, C. The Analysis of Time Series: An Introduction. Chapman-Hall,
1984.
[7] MONTGOMERY, D.C. & JONHSON, L.A. Forecasting and Time Series Analysis New York, Mcgraw-Hill, 1976.
83