Você está na página 1de 80

Caractersticas dos Processos ARMA

Aula 02
Bueno, 2011, Captulos 2 e 3

Enders, 2009, Captulo 2.2 a 2.6


Morettin e Toloi, 2006, Captulo 5.2

Introduo
A expresso geral de uma srie temporal, para o caso
univariado, dada por

xt = f(xt-1, xt-2, ..., at).


Para

que

(1)

se

torne

operacional,

(1)

necessrio

especificarmos trs fatos: a forma funcional de f(), o nmero


de lags, e uma estrutura para o termo aleatrio.

PROCESSOS ARMA

Processos AR
Se por exemplo, especificarmos uma funo linear nos
parmetros com apenas uma defasagem (lag) e uma
perturbao do tipo rudo branco estacionrio (mdia zero,

varincia constante e no-autocorrelacionada), o resultado


ser o seguinte processo autorregressivo de primeira ordem,

AR(1):
xt = 0 + 1xt-1 + at.

(2)

O processo autorregressivo de ordem p, AR(p), pode ser


escrito da seguinte forma:
xt = 0 + 1xt-1 + 2xt-2 + ...+ pxt-p + at.

(3)

OPERADOR LAG
O operador lag (ou, operador defasagem), representado por
L, aplicado a uma varivel indexada em t (tempo), d o valor
anterior na srie temporal.

Tem-se, assim,
Lxt = xt-1

L2xt = xt-2
(1 L)xt = xt Lxt = xt xt-1 = xt

em que,
conhecido como operador diferena.

Processos AR
Usando os resultados do slide anterior, em (3), podemos

escrever um modelo AR(p), como,


(1 1L 2L2 ... pLp)xt = 0 + at
em que

(L) = 1 1L 2L2 ... pLp


(polinmio autorregressivo de grau p)

(4)

CONDIO DE ESTACIONARIEDADE
PROCESSO AR(p)
Considere que xt siga o seguinte processo
xt = 0 + 1xt-1 + 2xt-2 + ...+ pxt-p + t
em que

t ~ RB(0,2).
Condies de Estacionariedade:
As razes da equao caracterstica (L) = 0, devem ser, em
mdulo, maiores do que 1 (razes fora do crculo unitrio).

PROPRIEDADES DOS PROCESSOS AR


PROCESSO AR(1)
Considere que xt siga o seguinte processo
xt = 0 + 1xt-1 + t
em que

t ~ RB(0,2).
Prova-se que, se
|1| < 1,
ento xt ser considerado estacionrio.

PROPRIEDADES DOS PROCESSOS AR


PROCESSO AR(1) cont.
Caso |1| < 1, tem-se que
E(xt) = 0 / (1 1) = .
Ou seja, a esperana incondicional de xt constante e
invariante no tempo.
Prova-se, tambm, que, se |1| < 1, a varincia incondicional

de xt constante e igual a
2

x2 E ( xt ) 2 2
1 1

PROPRIEDADES DOS PROCESSOS AR


PROCESSO AR(1) cont.
Exerccio*

a) Encontre a FACV do processo AR(1), que foi apresentado


nos slides anteriores.
b) Verifique que a FAC do processo dada por

h
h 1 h 1 1 ,

h 1, 2 , 3...

PROPRIEDADES DOS PROCESSOS AR


PROCESSO AR(2)
Considere que xt siga o seguinte processo
xt = 0 + 1xt-1 + 2xt-2 + t

em que

t ~ RB(0,2).
Condies de Estacionariedade
2 + 1 < 1
2 - 1 < 1
-1 < 2 < 1

PROPRIEDADES DOS PROCESSOS AR


PROCESSO AR(2) cont.
Baseando-se no resultado anterior, tem-se que

E(xt) = 0 / (1 1 2).
Ou seja, a esperana incondicional de xt constante e

invariante no tempo.
Prova-se, tambm, que, sob as mesmas condies do slide
anterior, a varincia incondicional de xt constante e igual a
( 1 2 ) 2
0
( 1 2 )( 1 1 2 )( 1 1 2 )

PROPRIEDADES DOS PROCESSOS AR


PROCESSO AR(2) cont.
Exerccio
Prove que a FACV do processo AR(2) dada por:

j 1 j 1 2 j 2 , j 0
com

2
0
1 1 1 2 2

PROPRIEDADES DOS PROCESSOS AR


PROCESSO AR(2) cont.
Exerccio
Prove que a FAC do processo AR(2) dada por:

h 1 h 1 2 h 2 , h 3, 4 , 5 , ...
com

1
1
1 2

12

1 2

PROPRIEDADES DOS PROCESSOS AR


PROCESSO AR(p)
Exerccio
Prove que a FACV do processo AR(p) dada por:

j 1 j 1 2 j 2 ... p j p , j 0
com

2
0
1 11 2 2 ... p p
Do resultado anterior, prove que a FAC dada por:

j 1 j 1 2 j 2 ... p j p , j 0

PROPRIEDADES DOS PROCESSOS AR


FATO
Muitas vezes difcil fazer a distino entre processos AR de
diferentes ordens com base apenas nos correlogramas. (Pq?)
Funo de Auto-correlao Parcial (FACP)
Essa distino possvel com base no clculo dos
coeficientes de correlao parcial.
Por exemplo, num processo AR(2), o parmetro 2 o
coeficiente de correlao parcial entre xt e xt-2, mantendo xt-1
constante.

PROPRIEDADES DOS PROCESSOS AR


PROCESSO AR(p) cont.
Observao
De maneira geral, esperamos que:

a FAC emprica de uma srie temporal estacionria que


seja modelada por um processo AR(p) amortea para zero;

j a FACP, esperamos que seja aproximadamente zero para


todas as ordens superiores ordem p do processo.

PROPRIEDADES DOS PROCESSOS AR


Exemplos
Observando os correlogramas, a seguir, indique um modelo
inicial para cada srie temporal.

PROCESSOS ARMA

Processos MA
Voltando expresso geral de uma srie temporal,
xt = f(xt-1, xt-2, ..., at).

(1)

possvel assumir que o termo de perturbao at tenha uma


estrutura expressa por

at = t 1t-1 ... qt-q

(5)

em que

t um processo rudo branco estacionrio.


Ou seja, aqui estamos assumindo que at no um processo

rudo branco.

Processos MA
Dessa forma, uma possvel especificao para o processo xt

dada por um processo de mdias mveis de ordem q,


MA(q):

xt = 0 + t 1t-1 ... qt-q.

(6)

Usando os resultados do slide 5, em (6), podemos escrever

xt = 0 + (1 1L 2L2 ... qLq)t

(7)

em que

(L) = 1 1L 2L2 ... qLq


(polinmio de mdias mveis de grau q)
As equaes (6) e (7) especificam um processo MA(q) puro.

PROPRIEDADES DOS PROCESSOS MA


PROCESSO MA(1)
O processo MA(1) dado por
xt = 0 + t 1t-1
em que

t ~ RB(0,2).
No difcil mostrar que
E(xt) = E(0 + t 1t-1) = 0.

Ou seja, a esperana incondicional de xt constante e


invariante no tempo.

PROPRIEDADES DOS PROCESSOS MA


PROCESSO MA(1) cont.
Ainda, a varincia incondicional de
xt = 0 + t 1t-1
dada por:

0 Var xt Var ( 0 t 1 t 1 ) Var ( t 1 t 1 )


Var ( t ) 12Var ( t 1 ) 21Cov t , t 1

2 12 2 2 1 12

PROPRIEDADES DOS PROCESSOS MA


PROCESSO MA(1) cont.
Ainda, a FACV dada por

(1 ) , 0

2
1 ,
1

2
0,

2
1

PROPRIEDADES DOS PROCESSOS MA


PROCESSO MA(1) cont.
Baseado no resultado anterior, no difcil ver que a FAC fica
dada por

1
1
2
(1 1 )

2 3 ... 0

Ou seja, no caso do MA(1) a FAC trunca no lag 1.

PROPRIEDADES DOS PROCESSOS MA


PROCESSO MA(1) cont.
Observao
O processo MA(1) pode ser invertido para dar t como uma
srie infinita em funo de xt, xt-1, ...
t = xt + 1xt-1 + 12xt-2 + ...
ou, ainda,

xt = t 1xt-1 12xt-2 ...


que um processo AR().

PROPRIEDADES DOS PROCESSOS MA


PROCESSO MA(1) cont.
Observao (cont.)
Todavia, a equao
xt = t 1xt-1 12xt-2 ...
s far sentido se
| 1 | < 1.
Se tal restrio no for observada, ento os valores mais
distantes de xt tero um maior efeito no valor presente.

PROPRIEDADES DOS PROCESSOS MA


PROCESSO MA(1) cont.
Observao (cont.)

A condio |1| < 1, conhecida por condio de


invertibilidade. semelhante condio de estacionariedade
para um processo AR(1), mas a estacionariedade de um
processo MA(1) no impe nenhuma condio para 1.

PROPRIEDADES DOS PROCESSOS MA


PROCESSO MA(1) cont.
Observao (cont.)
Ainda, como a equao xt = t 1xt-1 12xt-2 ... denota um

AR(), as auto-correlaes parciais no caem bruscamente,


mas, decrescem, amortecendo gradualmente para zero; mas,
como vimos anteriormente, as auto-correlaes so iguais a
zero a partir da segunda, inclusive.

PROPRIEDADES DOS PROCESSOS MA


PROCESSO MA(1) cont.
Observao (cont.)

As propriedades de um processo MA(1) puro so exatamente

ao contrrio das de um processo AR(1) puro. Ou seja, a FAC


de um processo MA(1) nula aps o lag 1 e a FACP decai

exponencialmente para zero.

PROPRIEDADES DOS PROCESSOS MA


PROCESSO MA(q)
O processo MA(q) dado por
xt = 0 + t 1t-1 2t-2 ... qt-q
em que

t ~ RB(0,2)
Condies de Invertibilidade:
As razes da equao caracterstica (L) = 0 devem estar fora
do crculo unitrio, em que

(L) = 1 1L 2L2 ... qLq.

PROPRIEDADES DOS PROCESSOS MA


PROCESSO MA(q) cont.
Observao

Em geral, num processo estacionrio MA(q), os q primeiros


coeficientes da FAC so diferentes de zero, e os restantes
iguais a zero. J os coeficientes da FACP, apresentam um
decaimento amortecido para zero.

PROPRIEDADES DOS PROCESSOS MA


PROCESSO MA(2)
Exerccio
Considere o processo MA(2) dado por
xt = 0 + t 1t-1 2t-2
em que

t ~ RB(0,2).
(i) Encontre a mdia, a varincia, a facv e a fac de xt.
(ii) Quais devem ser as condies de invertibilidade de um
processo MA(2)? Justifique a sua resposta.

PROPRIEDADES DOS PROCESSOS MA


Exemplos
Observando os correlogramas, a seguir, indique um modelo
inicial para cada srie temporal.

PROCESSOS ARMA

Processos ARMA
Voltando expresso geral de uma srie temporal,
xt = f(xt-1, xt-2, ..., at).

(1)

e combinando as equaes
xt = 0 + 1xt-1 + 2xt-2 + ...+ pxt-p + at.

(3)

xt = 0 + t 1t-1 ... qt-q.

(6)

teremos um processo misto, autorregressivo e de mdias


mveis, ARMA(p, q):

xt = + 1xt-1 + 2xt-2 + ...+ pxt-p + t 1t-1 ... qt-q

(8)

Processos ARMA
Ainda, utilizando os resultados do slide 5, em (8), podemos
escrever um modelo ARMA(p, q), como,

(1 1L 2L2 ... pLp)xt = + (1 1L 2L2 ... qLq)t

em que

(L) = 1 1L 2L2 ... pLp


(L) = 1 1L 2L2 ... qLq

(9)

PROPRIEDADES DOS PROCESSOS ARMA


PROCESSO ARMA(p,q)
Observao
A estacionariedade do processo exige que as razes de (L)
se situem fora do crculo unitrio;
A invertibilidade requer a mesma condio para as razes
de (L);
Verificadas estas condies, o processo ARMA(p, q) pode
ser expresso quer como um processo AR puro de ordem
infinita quer como um processo MA puro de ordem infinita.

PROPRIEDADES DOS PROCESSOS ARMA


PROCESSO ARMA(1,1)
O processo misto, sem constante, de ordem mais baixa o
processo ARMA(1, 1):
xt = xt-1 + t t-1.

Para esse caso, admitindo || < 1, possvel provar que:

1 2 2 2
0

1 2

PROPRIEDADES DOS PROCESSOS ARMA


PROCESSO ARMA(1,1) cont.
J a FACV do processo ARMA(1, 1) dada por

( )( 1 ) 2
1

2
1

h h 1, h 2 , 3, ...

E a FAC do processo fica dada por,

( )( 1 )
1
1 2 2

h h 1

h 2 , 3, ...

PROPRIEDADES DOS PROCESSOS ARMA


PROCESSO ARMA(1,1) cont.
Observao

1 depende tanto do parmetro da parte AR como do


parmetro da parte MA.

Os coeficientes seguintes decrescem exponencialmente,


com uma taxa de decrscimo dada pelo parmetro AR.

Contudo, e por comparao com o processo AR puro, os


coeficientes da FACP no decaem rapidamente, mas tm
um decrescimento amortecido para zero.

RESUMO
Padres de Correlao
Processo

FAC

FACP

AR(p)

Infinita:
decai
para
zero Finita: decai
(exponencialmente ou segundo bruscamente para zero a
uma senide amortecida).
partir do lag p.

MA(q)

Finita: decai bruscamente para Infinita: decai para zero


zero a partir do lag q.
(exponencialmente
ou
segundo uma senide
amortecida).

ARMA(p, q) Infinita:
decai
para
zero Infinita: decai para zero
(exponencialmente ou segundo (exponencialmente
ou
uma senide amortecida).
segundo uma senide
amortecida).

EXERCCIOS

Exerccio 1
Considere o modelo
yt = -0,2yt-1 + 0,48yt-2 + t + 0,6t-1 0,16t-2, t = 1, 2, ...
a) Escreva o modelo de interesse, utilizando os polinmios
caractersticos.

b) Encontre as razes dos polinmios caractersticos.


c) Escreva o modelo de interesse na forma fatorada.
Comente o resultado encontrado.

Exerccio 2
Considere o processo
yt = 0,5yt-1 + t 0,5t-1, t = 1, 2, ...
(a) O processo estacionrio?
(b) O processo invertvel?
(c) A memria deste processo semelhante memria

de um processo rudo branco?

Exerccio 3
Considere o processo

yt = t 0,6t-1 0,1t-2, t = 1, 2, ...

Verifique

se as condies de estacionariedade e

invertibilidade deste processo esto satisfeitas.

Leitura Complementar I
Modelos Lineares Estacionrios
Morettin e Toloi, 2006, Captulo 5.2

Modelos Lineares Estacionrios


Os

modelos

que

aqui

sero

estudados

so

casos

particulares de um modelo de filtro linear.

Tal modelo supe que a srie temporal seja gerada atravs


de um filtro linear (ou sistema linear), cuja entrada um
rudo branco (RB).

Na figura, a seguir, temos o exemplo de um esquema que


representa um filtro linear com srie de entrada at, funo
de transferncia (L) e srie de sada Zt.

Modelos Lineares Estacionrios

(L)
Zt

at
Filtro Linear

Figura 1 - Filtro linear com srie de entrada at, funo de

transferncia (L) e srie de sada Zt.

Modelos Lineares Estacionrios


Apenas para lembrar

E (at ) 0, t ,
Var (at ) , t ,
2
a

Cov(at , as ) E (at as ) 0, s t
Ou seja, at um RB estacionrio.

Modelos Lineares Estacionrios


Formalmente, temos que
Zt = + at + 1at-1 + 2at-2 + ... =

= + at + 1Lat + 2L2at + ... = + (L)at (1)


em que

parmetro determinando o nvel da srie


L operador defasagem

(L) = 1 + 1L + 2L2 + ... denominada


funo de transferncia do filtro.

Modelos Lineares Estacionrios


Zt, dado em (1), um processo linear (discreto).
Se a seqncia de pesos {j, j 1} for finita ou
infinita e convergente, o filtro estvel (somvel) e
Zt estacionria. Neste caso, a mdia do
processo.

Caso contrrio Zt no estacionria e no tem


significado especfico, a no ser como um ponto de
referncia para o nvel da srie.

Condies de Estacionariedade e Invertibilidade

A condio anterior tambm pode ser expressa na


condio de que (L), que a funo geradora dos pesos

, deve convergir para |L| 1, isto , dentro de e sobre o


crculo unitrio. Esse resultado discutido em detalhes no
Apndice A3.1 do livro de Box, Jenkins e Reinsel (1994,
pag. 85-86).

Modelos Lineares Estacionrios


No difcil, de (1), ver que,

E ( Z t ) E at j at j
j 1

e como
E(at) = 0, para todo t,
temos que
E(Zt) =

se a srie
j

convergir.

Modelos Lineares Estacionrios


Tambm no difcil ver que a facv, j, de Zt
dada por

j
com 0 = 1.

2
a

,
i i j
i 0

Modelos Lineares Estacionrios


Em particular, para j = 0, obtemos a varincia de Zt,

0 Var ( Z t )

2
a

j 0

2
j

A condio para que as duas expresses anteriores

existam que

j 0

2
j

Modelos Lineares Estacionrios

Assim verificamos que a mdia e a varincia

de Zt so constantes e a covarincia s
depende de j, logo, Zt estacionria.

Modelos Lineares Estacionrios


Podemos escrever

~
Zt Zt
em uma forma alternativa, como uma soma ponderada
de seus valores passados mais um rudo at:

~
~
~
~
Z t 1Z t 1 2 Z t 2 ... at j Z t j at
j 1

Segue-se que

j ~
1 j L Z t at

j 1

Modelos Lineares Estacionrios


ou

~
( L) Z t at
em que (L) o operador

( L) 1 1 L 2 L ...
2

Modelos Lineares Estacionrios


Mas,

~
Z t ( L)at ,
de modo que

~
( L) Z t at ( L) ( L)at at ,
ou seja,

( L) ( L) 1 ( L) ( L)
1

Esta relao pode ser usada para obter os pesos j em


funo dos pesos j e vice-versa.

Condies de Estacionariedade e Invertibilidade

Exemplo 1

Considere o processo
Zt = + (L)at
em que

j = ()j, j = 1, 2, 3, ...,
0 = 1;
|| < 1; e
at como definido anteriormente.

Condies de Estacionariedade e Invertibilidade

Exemplo 1 (cont.)
Temos que

1
j
,

1
j 0
j 0
j

logo, E(Zt) = .

Condies de Estacionariedade e Invertibilidade

Exemplo 1 (cont.)
Ainda, dado que j2 converge, obtemos

2
a

, j0
2
a

Condies de Estacionariedade e Invertibilidade

Exemplo 2
Para o modelo dado no Exemplo 1, considere, agora,

que = 1 e = 0; ento

Z t at at 1 ...
No difcil ver que j no converge. Dessa forma, o

processo ser no-estacionrio.

Condies de Estacionariedade e Invertibilidade

Exemplo 3
O modelo dado no Exemplo 2 deriva da equao

Z t Z t 1 at .
Assim, da equao anterior, no difcil observar que

Z t Z t 1 at .
Ou seja, a primeira diferena de Zt um RB estacionrio.
Dizemos que Zt um passeio aleatrio; seu valor no

instante t uma soma de choques aleatrios que entraram


no sistema desde o passado remoto at o instante t.

Condies de Estacionariedade e Invertibilidade

Exerccio

Considere o processo
Zt = (L)at
em que

j = ()j, j = 1, 2, 3, ...,

0 = 1; e
|| < 1.

Encontre (L) e escreva (L)Zt = at. Interprete.

Condies de Estacionariedade e Invertibilidade

Exemplo 4
Considere o processo
Zt = at + at-1,
ou seja,

1 = , j = 0, j > 1.
Assim, possvel afirmar que o processo estacionrio
para qualquer valor de ?

Condies de Estacionariedade e Invertibilidade

Exemplo 5
Utilizando o modelo proposto no Exemplo 4, vejamos como
deve ser para que possamos escrever Zt em termos de
seus valores passados.

1
Z t (1 L)at
Z t at (1 L 2 L2 ...) Z t at .
(1 L)
Assim, vem que

( L) 1 L 2 L2 ... (L) j e j ( ) j , j 1
j 0

Condies de Estacionariedade e Invertibilidade

Exemplo 5 (cont.)

seqncia

formada

pelos

pesos

ser

convergente se | | < 1 e neste caso dizemos que o


processo invertvel.

Segue-se que para o

processo ser invertvel o operador (L) deve


convergir para |L| 1, e

Z t Z t 1 Z t 2 ... at .
2

Condies de Estacionariedade e Invertibilidade

Proposio
Um processo linear geral ser estacionrio

se (L) convergir para |L| 1; ser


invertvel se (L) convergir para |L| 1. A

demonstrao

deste

fato

pode

ser

encontrada, por exemplo, em Box, Jenkins

& Reinsel (1994).

Leitura Complementar II
O Teorema de Wold

Teorema de Wold
Todo processo estacionrio de segunda ordem,
puramente no-determinstico, pode ser escrito como
um Polinmio Linear Geral (PLG), dado a seguir:

X t j t j , 0 1,

(a)

j 0

com {t} uma sequncia de v.a. no correlacionadas,


de mdia zero e varincia 2 constante (rudo branco
estacionrio - RB) e j so constantes satisfazendo
j2 < .

Teorema de Wold
Ainda,

Var ( X t ) 2 2j

E( X t )

j 0


j 0

jh

j 0

jh

j
j 0

2
j

Teorema de Wold
Processos ARMA so casos particulares de (a).
Exemplos:

1 , j 0 , j 1 X t t t 1 ~ MA( 1 ),
1 ( )

( 1 )

, h 0 , j 1;

j X t X t 1 t ~ AR( 1 ),
j

1, h h ;
j ( ) j 1 X t X t 1 t t 1 ~ ARMA( 1,1 ),
1 (1 )

( 1 2)
2

, h h 1, h 1;

Exerccios

Exerccio 1
O processo
Zt = (L)at
em que

j = ()j, j = 1, 2, 3, ...,
0 = 1; e
|| < 1.
invertvel?

Exerccio 2
Considere o seguinte processo

X t j t j ,
j 0

com

0 1
j ( ) j 1 , j 1
t ~ RB(0 ; 2)

Exerccio 2 (cont.)

a) O processo estacionrio? Justifique.

b) O processo invertvel? Justifique.

Exerccio 3

De acordo com as suposies feitas no exerccio


anterior para obter a estacionariedade do processo,
encontre a FACV e a FAC do mesmo.

Exerccio 4
O processo

X t 0,80 X t 1 t 0,80 t 1
em que

t ~ NID(0;1)

estacionrio e/ou invertvel? Justifique a sua


resposta. Construa a FAC terica desse processo.
Ainda, simule esse processo e construa a FAC do
processo simulado. Compare e comente os resultados.