Escolar Documentos
Profissional Documentos
Cultura Documentos
X t~ N (0, 2 )
i.i.d
independente e identicamente distribudos (a.a.) O valor esperado constante A varincia constante Simtrica No correlacionados entre instantes diferentes
=0
Passeio Aleatrio
X t= + X t 1+ a t
a t ~ N (0, 2 ) i.i.d
=0.2
O valor esperado constante A varincia no constante Simtrica Correlacionados entre instantes diferentes
37800000 35700000 33600000 31500000 29400000 27300000 25200000 23100000 21000000 18900000 y1900m01d01 y1910m01d01 y1920m01d01 y1930m01d01 y1940m01d01 y1950m01d01 y1960m01d01 y1970m01d01 y1980m01d01 y1990m01d01
A mdia no constante A populao espanhola cresceu estritamente de dcada em dcada de maneira aparentemente lineal. Tendncia crescente Se tomamos a diferena yt - yt-1 pode-se observar as flutuaes quanto velocidade de crescimento.
3600000 3360000 3120000 2880000 2640000 2400000 2160000 1920000 1680000 1440000 y1910m01d01 y1920m01d01 y1930m01d01 y1940m01d01 y1950m01d01 y1960m01d01 y1970m01d01 y1980m01d01 y1990m01d01
870000 580000 290000 0 -290000 -580000 -870000 -1160000 -1450000 -1740000 -2030000 y1920m01d01 y1930m01d01 y1940m01d01 y1950m01d01 y1960m01d01 y1970m01d01 y1980m01d01 y1990m01d01
1960 1820 1680 1540 1400 1260 1120 980 840 700 560
91 92 93 94 95 96 97 98 99 00 01 02 03 04
As sries de consumo de eletricidade apresentam uma clara tendncia positiva que parece acelerar-se no final da srie. Por outro lado a srie apresenta uma marcada sazonalidade com consumos muito elevados nos meses de inverno devido ao efeito da temperatura. A srie parece ter maior disperso na medida que toma maiores valores. Se a sazonalidade estritamente peridica pode eliminar-se da srie com um componente determinista. Um truque poderia ser estudar separadamente as sries correspondentes em perodos equivalentes. Outra alternativa tomar diferenas de ordem apropriado.
624 572 520 468 416 364 312 260 208 156 104 y1980m01d01 y1980m07d01 y1981m01d01 y1981m07d01 y1982m01d01 y1982m07d01 y1983m01d01 y1983m07d01 y1984m01d01 y1984m07d01 y1985m01d01 y1985m07d01 y1986m01d01 y1986m07d01 y1987m01d01 y1987m07d01 y1988m01d01 y1988m07d01 y1989m01d01 y1989m07d01 y1990m01d01 y1990m07d01 y1991m01d01 y1991m07d01 y1992m01d01
As sries de nmero de passageiros por ms em linhas areas apresenta sazonalidade com um marcado crescimento onde a varincia aumenta na medida que toma maiores valores.
114
133
152
171
190
19
112 128 144 160 16 32 48 64 80 96 0
38
57
76
95
Se observa:
Mudanas de nvel.
04 05 06 07
y2004m01d02 y2004m01d19 y2004m02d05 y2004m02d22 y2004m03d10 y2004m03d27 y2004m04d13 y2004m04d30 y2004m05d17 y2004m06d03 y2004m06d20 y2004m07d07 y2004m07d24 y2004m08d10 y2004m08d27 y2004m09d13 y2004m09d30 y2004m10d17 y2004m11d03 y2004m11d20 y2004m12d07 y2004m12d24 y2005m01d10 y2005m01d27 y2005m02d13 y2005m03d02 y2005m03d19 y2005m04d05 y2005m04d22 y2005m05d09 y2005m05d26 y2005m06d12 y2005m06d29 y2005m07d16 y2005m08d02 y2005m08d19 y2005m09d05 y2005m09d22 y2005m10d09 y2005m10d26 y2005m11d12 y2005m11d29 y2005m12d16 y2006m01d02 y2006m01d19 y2006m02d05 y2006m02d22 y2006m03d11 y2006m03d28 y2006m04d14 y2006m05d01 y2006m05d18 y2006m06d04 y2006m06d21 y2006m07d08 y2006m07d25 y2006m08d11 y2006m08d28 y2006m09d14 y2006m10d01 y2006m10d18 y2006m11d04
031
y2004m11d15 y2004m11d22 y2004m11d29 y2004m12d06 y2004m12d13 y2004m12d20 y2004m12d27 y2005m01d03 y2005m01d10 y2005m01d17 y2005m01d24 y2005m01d31 y2005m02d07 y2005m02d14 y2005m02d21 y2005m02d28 y2005m03d07 y2005m03d14 y2005m03d21 y2005m03d28 y2005m04d04 y2005m04d11 y2005m04d18 y2005m04d25 y2005m05d02 y2005m05d09 y2005m05d16 y2005m05d23 y2005m05d30 y2005m06d06 y2005m06d13 y2005m06d20 y2005m06d27 y2005m07d04 y2005m07d11 y2005m07d18 y2005m07d25 y2005m08d01 y2005m08d08
y2004m07d17 y2004m07d31 y2004m08d14 y2004m08d28 y2004m09d11 y2004m09d25 y2004m10d09 y2004m10d23 y2004m11d06 y2004m11d20 y2004m12d04 y2004m12d18 y2005m01d01 y2005m01d15 y2005m01d29 y2005m02d12 y2005m02d26 y2005m03d12 y2005m03d26 y2005m04d09
Efeitos como o comeo das promoes produz um resultado em incremento instantneo das vendas que se transmite com certo decaimento.
39.2 34.3 29.4 24.5 19.6 14.7 9.8 4.9 0 -4.9 -9.8
1994 1995 1996 1997 1998 1999 2000 2001 2002 2003
As sries de temperaturas oscilam em torno de um valor central, (15 mx e 5 mn) mas sistematicamente alguns meses tem valores mais altos que outros. Por exemplo os meses de vero tem valores mais altos que os meses de inverno. Sries diferentes guardam altas correlaes. Tambm pode-se considerar o problema de modelar ambas simultaneamente, como Sries Temporais Multivariadas.
Processos Estocsticos
Um Processo Estocstico pode ser definido como uma coleo de variveis aleatrias ordenadas no tempo x t , t T ,onde T um conjunto ordenado de ndices.
zt
Os Zt,, , t=0,1,2,3,.....n, so realizaes de xt
{zt }
39.2 34.3 29.4 24.5 19.6 14.7 9.8 4.9 0 -4.9 -9.8
1994 1995 1996 1997 1998 1999 2000 2001 2002 2003
z1, z2 , z3,...zt
34.3 29.4 24.5 19.6 14.7 9.8 4.9 0 -4.9 -9.8
2000 1800 1600 1400 1200 1000 800 600 400 200 0
89-Ene 89-Abr 89-Jul 89-Oct 90-Feb 90-May 90-Ago 90-Dic 91-Mar 91-Jun 91-Sep 92-Ene 92-Abr 92-Jul 92-Nov 93-Feb 93-May 93-Ago 93-Dic 94-Mar 94-Jun 94-Oct 95-Ene 95-Abr 95-Jul 95-Nov 96-Feb 96-May 96-Sep 96-Dic 97-Mar 97-Jun 97-Oct 98-Ene 98-Abr 98-Ago 98-Nov 99-Feb 99-May 99-Sep 99-Dic 00-Mar 00-Jul 00-Oct 01-Ene 01-Abr 01-Ago 01-Nov 02-Feb 02-Jun 02-Sep 02-Dic 03-Mar 03-Jul 03-Oct 04-Ene 04-May
2000 1800 1600 1400 1200 1000 800 600 400 200 0
Os dados de sries temporais geralmente no so independentes, especialmente se os intervalos da amostra so curtos. As observaes prximas costumam ser mais parecidas que as mais distantes (p. ej. temperatura diria).
t = E[ z t ]
Def.) Funo de varincias do processo proporciona as varincias em cada instante temporal.
t2 = Var[ zt ]
Def.) Funo de AutoCovarincias: descreve a Covarincias entre duas variveis do processo em dois instantes quaisquer.
(t , t + j ) = Cov( zt , zt + j ) = E[( zt t )( zt + j t + j )]
Def.) Funo de Autocorrelaon: mede a dependncia lineal entre os valores do processo no instante t e no instante t+j. Chamaremo coeficiente de correlao de orden (j) a:
(t , t + j ) =
Cov( zt , zt + j )
t t + j
Processos No Estacionrios
Um processo estocstico Zt no estacionrio quando as propriedades estatsticas de ao menos uma sequncia finita z1,z2,.. zk de componentes de Zt so diferentes das de sequncia z1+h,z2+h,.. zk+h para ao menos um nmero inteiro h
1960 1820 1680 1540 1400 1260 1120 980 840 700 560
E(xt ) = Var(xt ) = 2
Nota: Quando um processo estacionrio as propriedades estatsticas se simplificam notavelmente e sua caracterizao mais simples
zt = at
Processo Homogneo de orden 1. ARIMA(p,0,0)
Caracterizao
Mdia de Amostra
z t
t =1 t
Matriz de Covarincias
t =
1 T )( zt k z ) ( zt z T t = k +1
zt = 1 zt + .. + p zt p + at
Processo Mdia Mvel de ordem (q).ARIMA(0,0,q)
Autocorrelaes
rk = k o
zt = at + 1at 1 + .. + q at q
Processo ARIMA(p,0,q)
zt = 1 zt 1 + .. + p zt p + at + 1at 1 + .. + q at q
Caracterizao
z t =
t =1 t
Def.) Estimador das Covarinias de orden k quando a mdia populacional desconhecida. um estimador enviesado da autocovarincias populacionais mas tm menores erros quadrticos de estimao que o estimador com mdia conhecida. Garante que a matriz de covarincias seja sempre definida positiva.
Mdia Desconhecida: Mdia Conhecida
k =
1 T )( zt k z ) ( zt z T t = k +1
~ = k
1 T ( zt )( zt k ) T k t = k +1
1 0 0 ~ k = 1 M M k 1 k 2
L k 1 L k 2 O M L 0
rk = k o
Onde
a varincia do proceso
Srie Temporal:
z1, z2 , z3,...zt
12 11 10 9 8 7 6 5 4 3 2
-2
-1
150 120 90 60 30 0 2 3 4 5 6 7 8 9 10 11 12
150 120 90 60 30 0
= { f ( x, ) , , x x }
A ponte entre os padres de regularidade e os conceitos probabilsticos transformar o reconhecimento intuitivo de padres em informao estatstica sistemtica para ser utilizada na modelao.
zt = f (t , ) + at
onde f(t,B) uma funo conhecida determinista do tempo que depende de um vetor de parmetros B e at uma sequncia de variveis aleatrias independentes de mdia zero e varincia constante.
Modelo Lineal
t = yt y t = yt X t a ) = a 'X 'y + ' X ' X ta t = yt ' yt 2 SR( ) = min ( y ' y 2 'X 'y + ' X ' X ) min SR( t t
XB
) a a SR ( 'X 'y + ' X ' X = t t = 2 ) SR ( = ( X ' X ) 1 X ' y =0 ) 2 SR( ' = X X ' def +
at=Y-XB
2 , a N( ( X ' X ) 1 )
Mtodos Tradicionais
Os mtodos atuais de anlises de sries temporais entende-se melhor se connhecemos as limitaes de outros mtodos mais simples desenvolvidos para solucionar o problema da predio. Modelo com Tendncia Determinista
zt = + 1t + at
Modelo com Sazonalidade Cclica Determinista
zt = + A.sen( wt ) + B. cos(wt ) + at
zt = + A j sen( w j t ) + B j cos( w j t ) + at
j =1 j =1
zt = f (t , ) + at = o + 1t + at
Para isto realizamos uma regresso lineal com os seguintes resultados
Parmetros Estimados
B0 B1 Name Value StDs TStudent RefuseProb cte 265093.5 8403.6 31.5 6.49E-13 trend 17745.6 1058.8 16.8 1.09E-09
R2 Desv. Est.
0.955771 14283.3717
z t = 265093.5 + 17745.6 t
506000 483000 460000 437000 414000 391000 368000 345000 322000 299000
91 92 93 94 95 96 97 98 99 00 01 02 03
Os resduos contm claramente informao, fato que nos leva a concluir que o modelo est mal especificado.
19200 14400 9600 4800 0 -4800 -9600 -14400 -19200 -24000
91 92 93 94
a t = zt z t
Erros MUITO ALTOS
95 96 97 98 99 00 01 02 03
A varincia no constante!
zt = + Asen(t ) + B cos(t ) + at
onde uma constante (nvel) A e B do os desvios com respeito a = 2 a frequncia ( T = 365 dias , T=12, T=52)
zt = + A j sen ( j t ) + B j cos( j t ) + at
j =1 j =1
O ajuste melhor
1992m05d01 1992m06d01 1992m07d01 1992m08d01 1992m09d01 1992m10d01 1992m11d01 1992m12d01 1993m01d01 1993m02d01 1993m03d01 1993m04d01 1993m05d01 1993m06d01 1993m07d01 1993m08d01 1993m09d01 1993m10d01 1993m11d01 1993m12d01 1994m01d01 1994m02d01 1994m03d01 1994m04d01 1994m05d01 1994m06d01 1994m07d01 1994m08d01 1994m09d01 1994m10d01 1994m11d01 1994m12d01 1995m01d01 1995m02d01 1995m03d01 1995m04d01 1995m05d01 1995m06d01 1995m07d01 1995m08d01 1995m09d01 1995m10d01 1995m11d01 1995m12d01 1996m01d01 1996m02d01 1996m03d01 1996m04d01 1996m05d01 1996m06d01 1996m07d01 1996m08d01 1996m09d01 1996m10d01 1996m11d01 1996m12d01 1997m01d01 1997m02d01 1997m03d01 1997m04d01 1997m05d01 1997m06d01 1997m07d01 1997m08d01 1997m09d01 1997m10d01 1997m11d01 1997m12d01 1998m01d01 1998m02d01 1998m03d01 49800 58100 66400 74700 83000 91300 99600 107900 116200 124500
A Sazonalidade das sries econmicas pode a vezes ser representada com ciclos de Fourier
Tipos de perodos
A agregao nos dados sempre conduz a perda de informao. Sempre que seja possvel se deve construir modelos sobre sries temporais com a maior profundidade de desagregao.
6753.6 6748.8 6744 6739.2 6734.4 6729.6 6724.8 6720 6715.2 6710.4 92 93 95 97 99 01 03
1960 1820 1680 1540 1400 1260 1120 980 840 700 560
91 92 93 94 95 96 97 98 99 00 01 02 03 04
Poca Informacin
91
92
93
94
95
96
97
98
99
00
01
02
03
91/01 91/07 92/01 92/07 93/01 93/07 94/01 94/07 95/01 95/07 96/01 96/07 97/01 97/07 98/01 98/07 99/01 99/07 00/01 00/07 01/01 01/07 02/01 02/07 03/01 03/07 04/01 04/07
504000 483000 462000 441000 420000 399000 378000 357000 336000 315000
56000 52500 49000 45500 42000 38500 35000 31500 28000 24500 21000
2000 1800 1600 1400 1200 1000 800 600 400 200 0
Pautas de Amostras
t = E[ zt ] t2 = Var[ zt ]
(t , t + j ) =
1 0.8 0.6 0.4 0.2 0 -0.2 -0.4 -0.6 -0.8 -1 10 20
Modelo Estatstico
Prever, Descrever
1.04 0.78 0.52 0.26 0 -0.26 -0.52 -0.78 05 06 07 08 09 09 10 11 12
Cov( zt , zt + j )
t t + j
2*Sigma -2*Sigma
zt = + at zt = o + 1t + at
zt = + Rsen( wt + ) + at
zt = (1 1 B ... q B q )at (1 1 B ... p B p ) zt = at
30
Construo do modelo
Modelo de sries temporais univariantes
Observaes
T ( X t ) = Ft +
( B) at ( B)
Ft = i ( B ) F t
i
2.2
1960 1820 1680 1540 1400 1260 1120 980 840 700 560
91 92 93 94 95 96 97 98 99 00 01 02 03 04
1.65
( B) (T ( X t ) Ft ) = at ( B)
1.1
Ruido Blanco
Operadores
Def.) Operador Retardo: um operador linear que aplicado a uma funo temporal proporciona a essa funo retardada um perodo. Em particular se aplicamos o operador a uma srie temporal obtenemos a mesma srie retardada um perodo.
Bf (t ) = f (t 1)
B zt = zt 1
Def.) Operador Diferena: o operador polinmico (1-B). O resultado de aplicar o operador diferena a uma srie Zt com T observaes obter uma nova srie com T-1 observaes atravs
= (1 B ) zt = (1 B ) zt = zt zt 1
2 zt = (1 B ) 2 zt = (1 2 B + B 2 ) = zt 2 zt 1 + zt 2 s zt = (1 B s ) zt = zt zt s
Def.) Operadores Inversos: Verificam a propriedade que o produto por o operador inicial a unidade. (pe. o inverso do operador retardo o operador adiantado )
F zt = B 1 zt = zt +1 FB =1
(1 + B + 2 B 2 ....) zt = i =0 i B i zt i = (1 B ) 1 zt
(1 B ) 1 (1 B ) = ( B ) 1 ( B ) = 1
Aplicao de Operadores
Aplicando, srie de consumo eltrico em perodos mensais, os distintos operadores teremos que:
B 4 zt = zt 4
wt = (1 B ) zt
S t = (1 B ) zt
12
A srie transformada tm a mesma tendncia e estrutura estacional que a srie original. A srie diferena regular estacionria em mdia mas apresenta estrutura estacional. A srie diferena estacional estacionria em mdia e no apresenta estrutura estacional.
55000 50000 45000 40000 35000 30000 25000 20000 15000 10000 5000 0 -5000
91 92 93 94 95 96 97 98 99 00 01 02 03 04
Perdem-se 12 obvs.
Processo
2500 2250 2000 1750 1500 1250 1000 750 500 250
Hist.
z t = at
E ( zt ) = 0 Var ( zt ) = 2 Cov ( zt , zt k ) = 0
-3
-2
-1
1 0.8 Nota: Um processo rudo branco estacionrio em mdia e varincia. 0.6 0.4 3 0.2 0 -0.2 -0.4 2 -0.6 -0.8 -1 1
0 -1 -2 -3
90 91 92 93 94 95 96 97 98 99 00 01 02 03 04 05
ACF
-2*Sigma 2*Sigma
2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
PACF
1 0.8 0.6 0.4 0.2 0 -0.2 -0.4 -0.6 -0.8 -1
-2*Sigma 2*Sigma
2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
PROCESSOS ESTACIONRIOS
Autorregressivos AR(p)
Processo
~ zt = 1 ~ zt 1 + at
= at + at 1 + 2 at 2 + 3 at 3 ...
(1 1 B ) ~ zt = at ~ z = 1 /(1 )a
t 1
~ zt = zt c
Def.) Funo de Mdias de AR(1) :Tomando esperanas de Zt e dado que E(Zt) = E(Zt-1)=cts posto que o processo estacionrio temos que
Caracterizao
E ( zt ) = c /(1 1 )
zt = 1 zt 1 + at
j que
= c + 1
onde
c = (1 1 )
E ( zt k zt ) = 1 E ( zt k zt 1 ) + E ( zt k at )
k = 1 k 1 k > 0
onde
j que
2 z2 = 2 z2 + a
Def.) Funo de Autocorrelao de AR(1) : dividindo a funo de autocovarincias pela varincia do processo
k = 1 k 1
k = 1k
k 1
0 = 1
por tanto a funo de autocorrelao tende a zero com uma rpidez que depende de 1 quanto maior seja, menor ser o decrescimento, a condio de estacionariedade nos garante que a funo de autocorrelao converge.
(1 0.9 B ) zt = at
Valores prximos tem comportamentos similares e exibem acentuada tendncia que se reflexa na ACF
(1 + 0.9 B ) zt = at
A srie tende a oscilar e se reflexa na funo de autocorrelao que muda de sinal.
k = 0 .9 k
1 0.8 0.6 0.4 0.2 0 -0.2 -0.4 -0.6 -0.8 -1
Decrescimento lento exponencial em direo ao zero com parmetro positivo
k = (0.9) k
Alternncia de sinal
ACF
2*Sigma -2*Sigma
10
20
30
ACF
2*Sigma -2*Sigma
30
ACF
2*Sigma
-2*Sigma
30
A srie de consumo uma vez diferenciada no apresenta uma tendncia clara e o correlograma apresenta valores positivos que se amortizam com rapidez, o que nos sugere a existncia de um processo autorregressivo de ordem 1 1
32400 29700 27000 24300 21600 18900 16200 13500 10800 8100
0.8 0.6 0.4 0.2 0 -0.2 -0.4 -0.6 -0.8 -1
2*Sigma
ACF
-2*Sigma
92
93
94
95
96
97
98
99
00
01
02
03
10
20
30
Por tanto o modelo estatstico proposto para representar o comportamento da srie consumo eltrico em perodos anuais
wt = 1wt 1 + at
wt = (1 B) zt
(1 1 B)zt = at
(1 1 B)zt = at
Realizando uma estimativa por mxima verisimilitude
Name Value StDs TStudent RefuseProb RegularAR 0.88149 0.17150 5.13991 0.00061
Pouco ajuste !?!
(1 0.88149 B)(1 B) zt = at
Predio de um perodo para frente
R2Coeficient StandardError
0.471662 11451.6037
Nota: O R2 baixo mas o erro padro menor que no modelo com tendncia determinista.
No apresenta nenhuma estrutura
02
03
1 0.8 E (at ) = 0 0.6 Var ( at ) = 2 0.4 0.2 Cov (at , at k ) = 0 0 -0.2 -0.4 -0.6 -0.8 -1 10 20
ACF
2*Sigma
-2*Sigma
30
Processo
A sequncia de coeficientes ii proporciona a funo de autocorrelao parcial (PACF) Em um processo AR(p) a PACF ter os p primeiros coeficientes distintos de zero.
PROCESSOS ESTACIONRIOS
Autorregressivos AR(2)
Processo
~ z t = 1 ~ z t 1 + 2 ~ z t 2 + at
1 , 2
(1 1 B 2 B 2 ) ~ z t = at
Onde
~ zt = zt c
Def.) Funo de Mdias de AR(2) :Tomando esperanas de Zt e dado que E(Zt) = E(Zt-1)=cts posto que o processo estacionrio temos que
E ( z t ) = c /(1 1 2 )
Caracterizao
z t = 1 z t 1 + 2 z t 2 + at
E ( z t k z t ) = 1 E ( z t k z t 1 ) + 2 E ( z t k z t 2 ) + E ( z t k at )
k = 1 k 1 + 2 k 2
1 = 1 0 + 2 1
k 1
onde Varincia do processo: para que seja positiva tm-se que cumprir que os parmetros do processo estejam na regio:
2 a 2 (1 2 ) a 0 = (1 + 2 )(1 1 2 )(1 + 1 2 )
1 < 2 < 1
0 = 0 + 0 + 2 2 1 1 +
2 1 2 2
1 2 < 1 1 + 2 < 1
Def.) Funo de Autocorrelao de AR(2) : dividindo a funo de autocovarincias pela varincia do processo
k = 1 k 1 + 2 k 2
para
k 1
,
para
como i = i
k = 1 1 =
1 1 2
k = 2 2 =
1 2
2 1
+ 2
,para
k k 3 k = A1G1k + A2 G2
0.32 X 2 1.2 X + 1 = 0 X = G11 1.2 1.2 2 4 0.32 0.64 1 = 2.5 G2 = 1.25 1.2 0.4 = 0.64
(1 0.4 B )(1 0.8 B ) z t = at z t = 1.2 z t 1 0.32 z t 2 + at zt = 1 at (1 0.4 B )(1 0.8 B) 1 = 1 + 0.4 B + 0.4 2 B 2 + ... (1 0.4 B) 1 = 1 + 0.8 B + 0.8 2 B 2 + ... (1 0.8 B) z t = (1 + 0.4 B + 0.4 2 B 2 + ...) (1 + 0.8 B + 0.8 2 B 2 + ...)at
k = A1 0.4 k + A2 0.8 k
k = 0 1 = A1 + A2 k = 1 0.91 = 0.4 A1 + 0.8 A2 0.11 k 0.51 k 0.8 k = 0.4 + 0.4 0.4
PACF
(1 0.6 B 0.2 B 2 ) zt = at
Sinal Distinto
(1 + 0.6 B 0.2 B ) zt = at
2
PROCESSOS ESTACIONRIOS
Mdia Mvel MA(q)
Processo
~ zt = at 1 at 1 ~ zt = (1 1 B ) at
( B ) zt = 1i B i zt = (1 + 1 B + 12 B 2 + ...) ~ zt = at
i =0
AR ()
onde 1< 1 <1 uma constante a determinar, at um processo rudo branco e Def.) Funo de Autocovarincias de MA(1) : se obtm como
Representao infinita com coeficientes que decrescem em progresso geomtrica, somente possvel a representao se 1 < 1
~ zt = zt c .
zt = at 1at 1 = ( B ) at
2 ( B) = a ( B) ( B 1 ) = ( B ) ( F ) 2 2 ( B) = a (1 1 B )(1 1 F ) = a { 1F + (1 + 12 ) 1B}
0 = (1 + ) 2 1 = 1 a = 0 k 2 k
2 a 2 1
Caracterizao
Def.) Funo de Autocorrelao de MA(1) : dividindo a funo de autocovarincias pela varincia do processo. Por tanto o correlograma do processo ter unicamente um valor distinto de zero no primeiro 1 = 1 (1 + 12 ) retardo.
k = 0 k > 1
Def.) Funo de Autocorrelao Parcial de MA(1) : utilizando as equaes de Yule-Walker com y k = 0 k > 1 depois de manipulaes algbricas obtemos que (Box-Cox 70)
1 = 1 (1 + 12 )
kk = {1 } /{1
k 1 2 1
2 k +1 1
Por tanto a funo est dominada por um decrescimento exponencial que depender do valor de 1 . Quando 1 positivo a funo negativa e negativo a funo alterna de sinal.
zt = (1 0.99 B ) at
1 0.8 0.6 0.4 0.2 0 -0.2 -0.4 -0.6 -0.8 -1
zt = at 1at 1
1 = 1 (1 + 12 ) = -0.4999747
ACF
-2*Sigma 2*Sigma
zt = (1 + 0.99 B ) at 1 = 1 (1 + 12 ) = 0.49997475
ACF
-2*Sigma 2*Sigma
zt = at 1at 1
10
15
20
10
15
20
= {1 } /{1
PACF
-2*Sigma 2*Sigma
| |<
PACF
-2*Sigma 2*Sigma
20
10
15
20
11 0
1 <
1 0
ARIMA(0,d,1)
Decaimento exponencial
< 1
1 < < 1
1 0 2 0
ARIMA(0,d,2)
comportamento ACF
comportamento PACF
regio de admisibilidade
2 1 < 1 2 + 1 < 1
2 2
1 1
< 1 < 1
Def.) Processo Integrado de Ordem h- I(h): quando ao diferenciar-lo h vezes se obtm um processo estacionrio. So processos no estacionrios unicamente em mdia e tm a propriedade de converter-se em estacionrios tomando uma diferena. Um processo estacionrio sempre I(0) .
2000 1800 1600 1400 1200 1000 800 600 400 200 0
89-Ene 89-Abr 89-Jul 89-Oct 90-Feb 90-May 90-Ago 90-Dic 91-Mar 91-Jun 91-Sep 92-Ene 92-Abr 92-Jul 92-Nov 93-Feb 93-May 93-Ago 93-Dic 94-Mar 94-Jun 94-Oct 95-Ene 95-Abr 95-Jul 95-Nov 96-Feb 96-May 96-Sep 96-Dic 97-Mar 97-Jun 97-Oct 98-Ene 98-Abr 98-Ago 98-Nov 99-Feb 99-May 99-Sep 99-Dic 00-Mar 00-Jul 00-Oct 01-Ene 01-Abr 01-Ago 01-Nov 02-Feb 02-Jun 02-Sep 02-Dic 03-Mar 03-Jul 03-Oct 04-Ene 04-May
Nota:A maioria das sries reais so no estacionrias e seu nvel mdio varia com o tempo, sem embargo podem converter-se em estacionrias tomando diferenas
2000 1800 1600 1400 1200 1000 800 600 400 200 0
(1 B) zt = at
Processo Alisamento Exponencial Simples. IMA(1,1).
t 1 Orden t 1. ARIMA(0,1,0) Proceso Homogneo de
(1 B) z = (1 B)a
(1 B) d zt = at
Processo ARFIMA(p,d,q)
p ( B) d zt = q ( B)at
Processo
zt = at
zt = zt 1 + at
120 110 100 90 80 70 60 50 40 30 20 10 0 -10
91 92 93 94 95 96
E ( zt ) = 0 2 Var ( zt ) = a t
2 Cov ( z t , z t k ) = a (t k )
Hist.
0
Diminuio muito lenta
1 0.8 0.6 0.4 0.2 0 -0.2 -0.4 -0.6 -0.8 -1
25
50
75
100
ACF
-2*Sigma 2*Sigma
Valor prximo a 1
1 0.8 0.6 0.4 0.2 0 -0.2 -0.4 -0.6 -0.8 -1
10
20
30
PACF
-2*Sigma 2*Sigma
97
98
99
00
01
02
03
Para el grfico se ha generado un paseo aleatorio mediante una serie aleatoria en fechado diario de media cero y varianza la unidad.
04
10
20
30
Srie do IBEX-35
A srie de cotizaes do IBEX_35 em perodos dirios um processo no estacionrio em mdia e em varincia. Sem embargo no correlograma se aprecia uma estrutura muito parecida ao correlograma de um passeio aleatrio, o que nos leva a propor esta estrutura como modelo para representar a cotizao da bolsa. E ( at ) = 0 At no um passeio 2 Ibex35t = at aleatrio Var ( a )
Ibex35t = Ibex35t 1 + at
Cov (at , at k ) 0
Uma vez tomada a diferena regular (1-B) observamos que a srie estacionria em mdia nu=0 mas no assim em varincia que apresenta perodos de muita instabilidade. Uma representao mais adequada do processo deveria introduzir a varincia do erro como varivel explicativa (p.e.modelo GARCH), por tanto no podemos concluir que o IBEX35 seja um passeio aleatrio.
12500
10000
7500
ACF
-2*Sigma 2*Sigma
30
5000
2500
0
90 91 91 91 92 92 92 93 93 93 94 94 94 95 95 95 96 96 96 97 97 97 98 98 98 99 99 99 00 00 00 01 01 01 02 02 02 03 03 03
PACF
-2*Sigma 2*Sigma
30
Processo
p ( B ) d ~ zt = q ( B ) at
Definimos
p ( B ) = (1 1 B ... p B p ) q ( B ) = (1 1 B ... q B q )
zt = at + i =1 i at i = ( B )at
MA( ) MA( )
p + d ( B ) = p ( B )(1 B ) d = (1 1 B ... p + d B p + d )
zt = at + 1at 1 + 2 at 2 + ... = ( B )at ( B)~ z = ( B )a
p+d t q t
p + d ( B ) ( B ) = q ( B )
( B ) zt = zt + i =1 i zt i = at p + d ( B)~ z t = q ( B ) at p + d ( B ) = q ( B ) ( B )
Os
AR ( )
i obtm-se igualando os coeficientes em B desta expresso.