Escolar Documentos
Profissional Documentos
Cultura Documentos
Modelagem Box and Jenkins PDF
Modelagem Box and Jenkins PDF
Glaura C. Franco
Depto. Estatstica - UFMG
Sumrio
1. Sries Temporais ............................................................................................................... 4
1.1 Anlise no domnio do tempo ............................................................................. 4
1.2 Operadores .......................................................................................................... 5
1.3 Estacionariedade e Ergodicidade ........................................................................ 5
1.4 Rudo Branco ...................................................................................................... 6
1.5 Transformao Box Cox .................................................................................. 6
2. Modelo de Box & Jenkins ................................................................................................. 7
2.1 Tipos de modelos ................................................................................................. 8
2.2 Estacionariedade dos Modelos Box & Jenkins ................................................... 8
2.3 Inversibilidade dos Modelos Box & Jenkins ....................................................... 9
2.4 Modelos no estacionrios ARIMA .................................................................. 10
2.5 Formas do modelo ARIMA ............................................................................... 11
2.6 Exerccios .......................................................................................................... 11
3. Funes de Autocorrelao e Autocorrelao Parcial .................................................... 13
3.1 Funo de Autocorrelao (FAC) ..................................................................... 13
3.2 Funo de Autocorrelao Parcial (FACP) ....................................................... 14
3.3 Exerccios .......................................................................................................... 16
4. Identificao de Modelos ................................................................................................ 17
4.1 Escolha de d ....................................................................................................... 17
4.2 Escolha de p e q ................................................................................................. 17
4.3 Teste de hipteses para k e kk ..................................................................... 18
4.4 Exerccios .......................................................................................................... 19
5. Estimao de Parmetros ................................................................................................ 20
5.1 Mtodo de Mnimos Quadrados ........................................................................ 20
5.2 Mtodo dos Momentos ...................................................................................... 21
5.3 Mtodo de Mxima Verossimilhana ................................................................ 22
5.4 Exerccios .......................................................................................................... 23
6. Validao do Modelo ...................................................................................................... 24
6.1 Sobrefixao ...................................................................................................... 24
6.2 Critrios de adequao ...................................................................................... 24
6.3 Anlise de Resduos .......................................................................................... 25
6.4 Teste de Box-Pierce (ou Ljung-Box) ................................................................ 25
6.5 Uso dos resduos para modificar o modelo ....................................................... 26
6.6 Exemplo ............................................................................................................. 26
6.7 Exerccios .......................................................................................................... 29
2
7. Previso ........................................................................................................................... 30
7.1 Previso com Erro Mdio Quadrtico Mnimo ................................................. 31
7.2 Varincia das Previses ..................................................................................... 32
7.2 Clculo das Previses ........................................................................................ 33
7.3 Atualizao das Previses ................................................................................. 33
7.4 Limites de Confiana para as Previses ............................................................ 34
7.5 Exerccios .......................................................................................................... 35
8. Modelos Sazonais ............................................................................................................ 36
Bibliografia ......................................................................................................................... 38
Uma srie temporal pode ser observada como uma realizao parcial de um processo
estocstico.
Objetivos:
- Modelagem;
- Previso e controle de qualidade;
- Periodicidade.
k = 0, 1, 2,...
k =
1 T
(Yt Y )(Yt k Y )
T t =k +1
Como a autocovarincia uma funo par, temos que para todo inteiro k, k = k . Portanto,
necessrio determinar k apenas para k 0.
k =
Claramente, 0 = 1 e
k dado por:
k
Cov[Yt , Yt k ]
.
=
0
Var (Yt )Var (Yt k )
k =
k
0
, k = 0,1,2,...
1.2. Operadores
a) Operador de retardo ou de translao para o passado: representa uma defasagem de k
perodos de tempo para trs. denotado por B e definido por:
B k Yt = Yt k .
F k Yt = Yt + k .
c) Operador diferena: uma transformao nos dados que consiste em tomar diferenas
sucessivas da srie original. denotado por e definido por
d Yt = (1 B ) Yt .
d
i) E[ ut ] = 0,
iii) E[ ut , ut +k ] = 0, para k = 1, 2, L
Yt
()
Yt c
, se 0
=
log Y , se = 0
t
Yt = + k u t k = + (B )u t
k =0
(B ) =
(B )
(B )
onde ( B ) = 1 1 B 2 B 2 L q B q e ( B ) = 1 1 B 2 B 2 L p B p so polinmios
~
de graus q e p, respectivamente. Chamando Yt = Yt , temos
~
Yt = (B )u t .
(B )Yt = (B )ut
~
(2.1)
onde u t um rudo branco, geralmente Gaussiano. De acordo com Box & Jenkins, o
modelo (2.1) denominado ARMA(p,q). De (2.1) pode-se escrever:
~
Yt = (B ). 1 (B )ut .
A partir deste ponto vamos assumir, sem perda de generalidade, que = 0 .
(B ) = k B k
k =0
pois (B ) uma soma finita. Portanto, podemos dizer que todo modelo MA
estacionrio.
Vamos inicialmente expressar o modelo geral ARMA na forma inversa, isto , expressando
o rudo ut em funo de Yt :
ut = (B ) 1 (B )Yt = (B )Yt
(B ) = j B j
j =0
(B ) = 0 B = 1.
Se wt = d Yt estacionria, podemos representar wt por um modelo ARMA(p,q), ou seja,
(B )wt = (B )ut
(2.2)
onde
(B ) = (B ) d = (B )(1 B )d
Portanto o modelo ARIMA supe que a d-sima diferena da srie Yt pode ser representada
por um modelo ARMA, estacionrio e inversvel. Na maioria dos casos usuais, d = 1 ou 2.
10
Yt = 1Yt 1 + L + p+ d Yt p d + ut 1ut 1 L q ut q
c) Forma Invertida
Representada em termos dos valores prvios de Yt e do valor atual de ut .
2.6. Exerccios
ut
1.3) Yt Yt 1 + 0,5Yt 2 = ut
ut
( )
~ i.i.d . N (0, )
~ i.i.d . N (0, )
2
2
Yt = ut 0,9ut 1
Para este modelo pede-se:
2.1) estacionrio?
2.2) inversvel?
2.3) Calcule os pesos 1 , 2 , L , 5 do modelo AR( ) equivalente.
11
Yt = 0,8Yt 1 + ut
Para este modelo pede-se:
3.1) estacionrio?
3.2) inversvel?
3.3) Calcule os pesos 1 , 2 , L , 5 do modelo MA( ) equivalente.
4) Seja o modelo MA(2) inversvel aplicado a Yt:
Yt = ut + 0,9ut 1 0,5ut 2
Pede-se determinar a sequncia 1 , 2 , L , 5 do polinmio (B ) correspondente.
5) Seja o modelo AR(2) estacionrio aplicado a Yt:
Yt = Yt 1 0,21Yt 2 + ut
Pede-se determinar a sequncia 1 , 2 , L , 5 do polinmio (B ) correspondente.
6) Seja o modelo linear para Yt:
Yt = 0,1Yt 1 + 0,9Yt 2 + ut
Para este modelo pede-se:
6.1) Verificar as condies de estacionariedade.
6.2) Em caso de no estacionariedade, como torn-lo estacionrio?
12
Seja wt uma srie temporal estacionria. A funo de autocovarincia para wt , como visto
na Seo 1.1, dada por:
Funo de Autocovarincia:
k = E ([wt ][wt k ]) .
k =
onde 0 = Var (wt ) .
k
,
0
k = 0, 1, 2,...
a) Modelos AR:
k = 1 k 1 + 2 k 2 + L + p k p
ou seja, k satisfaz equao:
(B ). k = 0
onde
(B ) = 1 1 B 2 B 2 L p B p .
13
b) Modelos MA:
k =
1 + 12 + L + q2
0
; k>q
c) Modelos ARMA:
Equaes de Yule-Walker:
1 = 1 + 2 1 + L + p p 1
= + +L+
1 1
2
p p 2
2
p = 1 p 1 + 2 p2 + L + p
14
1
M
k 1
1
1
M
k 2
L k 1 k1 1
L k 2 k 2 2
=
O
M L L
L 1 kk k
A autocorrelao parcial de um processo definida como a sequncia dos kk 's obtidos pela
resoluo das equaes acima, para k = 1,2,3,...
Usando a regra de Cramer para k = 1,2,3,... temos:
11 = 1
1
2
1
22 =
33 =
p1
1
p1
1
2
1
2
1
2
3
2
1
1
1
Em geral,
kk =
Pk*
Pk
15
3.3. Exerccios
Yt = ut 0,9ut 1
onde u t ~ N (0,2 )
Calcule as sequncias k e k , k = 0,1,...,5.
Yt = 0,8Yt 1 + ut
e k , k = 0,1,...,5.
5 = 0,17
Yt = 1Yt 1 + 2Yt 2 + u t
Sabendo-se que 1 = 0,7 e 2 = 0,6 , possvel deduzir o valor de 2 ?
6) Determine a funo de autocorrelao do seguinte processo estocstico:
Yt = 14 + u t + 0,4ut 1 0,2ut 2
7) Calcule as primeiras 5 autocorrelaes para um processo AR(2) com:
a) 1 = 0,6 , 2 = 0,2 ;
b) 1 = 0,6 , 2 = 0,2 .
Esboce as funes de autocorrelao.
8) a) Esboce a funo de autocorrelao do processo
Yt = 0,5Yt 1 + ut 0,8ut 1
b) Ache os coeficientes j da representao MA infinita.
9) O modelo
16
4.1 Escolha de d
4.2 Escolha de p e q
Uma vez que o grau d tenha sido identificado, o passo seguinte ser a escolha dos graus p e
q dos polinmios (B ) e (B ) do modelo ARMA aplicado srie wt = d Yt .
A identificao de p e q feita comparando-se o comportamento dos estimadores das
autocorrelaes ( k ) e das autocorrelaes parciais kk com as correspondentes funes
tericas.
( )
FAC
1 pico no lag 1
AR(1)
MA(2)
Decrescimento exponencial
1 pico no lag 1 e 1 pico no lag 2
( 1 0 e 2 0)
Mistura de exponenciais ou
ondas senides amortecidas
AR(2)
( 1 0)
FACP
Decrescimento exponencial
(11 0
e 22 0 )
Decrescimento exponencial
ARMA(1,1) Decrescimento exponencial
Tabela 4.1 - Comportamento terico da FAC e FACP para alguns modelos
17
Var ( k )
1 k 1 2
i .
T i = ( k 1)
(4.1)
Var ( k )
k 1
1
1 + 2 i2 .
T
i =1
Var (kk )
1
.
T
Exemplo 4.1: A partir de uma srie temporal formada por 144 observaes, obteve-se os
seguintes resultados:
k
k
1
-0,490
2
-0,040
3
-0,026
4
0,009
5
0,013
kk
0,08
-0,490
0,10
-0,318
0,10
-0,277
0,10
-0,159
0,10
0,113
e.p.( kk )
0,08
0,08
0,08
0,08
0,08
e.p.( k )
18
4.4 Exerccios
1) Numa srie temporal de tamanho 100 obteve-se os seguintes valores para as primeiras 5
autocorrelaes amostrais:
1 = 0,75
2 = 0,09
3 = 0,04
4 = 0,02
5 = 0,01
Pede-se determinar:
a) A significncia destes i estimados a um nvel de 95%.
b) Calcule as 3 primeiras autocorrelaes parciais ii , i=1,2,3 pelas equaes de YuleWalker e verifique a significncia destas a um nvel de 95%.
c) Que modelo ARMA(p,q) pede ter gerado estes dados?
1
-0,909
2
0,727
3
-0,540
4
0,454
5
-0,364
kk
-0,909
-0,317
-0,225
-0,136
-0,410
1
-0,508
2
0,013
3
-0,032
4
-0,015
5
0,043
kk
-0,508
-0,329
-0,220
-0,143
-0,093
19
p (B )Yt = q (B )ut
onde e so polinmios de grau, p e q, respectivamente, e
ut um processo rudo branco, com E (ut ) = 0 e Var (ut ) = u2 .
Vamos estimar:
p (B ) = (1 , 2 , L , p ), q (B ) = (1 , 2 , L , q ) e u2 = E (ut2 ) .
a) Modelo AR(1)
t =2
t =2
1 =
Y Y
t =2
T
t t 1
Y
t =2
2
t 1
20
b) Modelo MA(1)
Consideremos o modelo MA(1):
Yt = ut + 1ut 1
Colocando o modelo na forma invertida:
ut = 1 + 1 B + 12 B 2 + L Yt
Para T valores observados Y1 , L , YT temos:
T
t =2
t =2
a) Modelo AR(p)
Usar a relao
1 = 1 + 2 1 + L + p p 1
= + +L+
1 1
2
p p 2
2
p = 1 p 1 + 2 p2 + L + p
1 1
2 = 1
L M
p p 1
1
1
M
p 2
L p1
1
L p 2
2
L
M
L
1
p
b) Modelo MA(1)
Yt = ut + 1ut 1
Neste modelo: 1 =
1
1 + 12
1 1 4 12
Substituindo 1 por 1 : 1 =
2 1
Obs.: - Os estimadores de momentos dos modelos MA(q) e ARMA(p,q) so mais
complicados que no AR(p).
- Os estimadores so muito sensveis a arredondamentos.
ut = wt 1wt 1 L p wt p + 1ut 1 + L + q ut q .
f (u1 ,L , uT ) = (2 )
T / 2
t =1
( u )T exp
u t2
.
2 u2
22
( )
1 12
AR(1): Var 1
T
1 22
AR(2): Var 2
T
1 12
MA(1): Var 1
T
1 22
MA(2): Var 2
T
( )
( )
( )
()
(
(
)
)
( )
(
(
)
)
2
2
1 12 1 11
1 12 1 11
ARMA(1,1): Var 1
e Var 1
2
2
T
T
1 1
1 1
5.4. Exerccios
23
6.1. Sobrefixao
Princpio da parcimnia: entre 2 modelos que se ajustam igualmente bem uma srie Yt,
devemos preferir aquele que tem menor nmero de parmetros.
AIC = T ln u2 + T
(1 + p / T )
1 ( p + 2) / T
24
Se o modelo est correto, as nossas suposies iniciais feitas para os resduos devem ser
satisfeitas, isto , ut ~ N 0, u2 e independentes.
Q = N i2 (u )
i =1
i2 (u )
Q = N ( N + 2 )
i =1 N k
k
25
(B )wt = (B ) bt
* (B ) bt = * (B ) ut
onde ut rudo branco.
Ento bt = * (B ) *1 (B ) ut .
Assim, o novo modelo a ser tentado para wt
(B )wt = (B ) * (B ) *1ut
(B ) * (B )wt = (B ) * (B ) ut .
6.6. Exemplo
60
celtins
50
Autocorrelation
Lag
Corr
40
4
30
20
10
Index
20
40
60
80
100
120
14
LBQ
Lag
Corr
0,97 11,28
130,14
10
2
3
0,94
0,92
6,49
4,97
254,55
373,68
11
12
4
5
6
0,89
0,86
0,83
4,14
3,57
3,17
487,36
593,86
694,45
0,80
2,85
8
9
0,78
0,75
2,60
2,39
24
LBQ
Lag
Corr
0,72
2,22 1037,66
19
0,70
0,68
2,08 1111,60
1,95 1181,30
20
21
13
14
15
0,65
0,63
0,61
1,83 1246,48
1,71 1307,14
1,62 1364,12
788,66
16
0,58
876,84
959,76
17
18
0,56
0,53
34
LBQ
Lag
Corr
LBQ
0,51
1,27 1551,41
28
0,33
0,77 1795,16
0,48
0,46
1,19 1588,69
1,12 1622,77
29
30
0,31
0,30
0,73 1812,19
0,69 1827,74
22
23
24
0,43
0,41
0,40
1,05 1653,64
1,00 1682,16
0,95 1708,68
31
32
33
0,28
0,27
0,26
0,64 1841,60
0,61 1854,41
0,59 1866,49
1,52 1416,86
25
0,38
0,91 1733,23
34
0,25
0,57 1877,87
1,43 1465,65
1,35 1510,47
26
27
0,36
0,35
0,86 1755,57
0,82 1776,29
26
dif-1(celtins)
10
-10
Index
20
40
60
80
100
Autocorrelation
1,0
0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
Lag
Corr
LBQ
1 -0,18
-2,12
2 -0,00
-0,00
3 -0,07
-0,77
4 -0,06
5 -0,12
6 -0,03
12
Lag
22
Corr
LBQ
4,59
10 -0,09
-1,02
4,59
11
0,05
0,56
5,25
12
0,15
1,60
-0,66
5,74
13
0,08
-1,35
-0,35
7,81
7,95
14 -0,04
15 0,05
Lag
1,0
0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
32
22
32
LBQ
Lag
PAC
Lag
PAC
Lag
PAC
Lag
PAC
18,67
28 -0,03 -0,25
32,52
-0,18
-2,12
10
-0,14
-1,62
19
-0,07
-0,78
28
-0,00
-0,05
20,02
29 -0,06 -0,60
33,18
24,59
30
0,92
34,76
2
3
-0,03
-0,08
-0,40
-0,90
11
12
-0,05
0,12
-0,53
1,42
20
21
-0,14
0,09
-1,68
1,05
29
30
-0,07
0,05
-0,83
0,62
-1,32
27,39
31 -0,11 -1,07
36,93
0,95
0,67
28,89
29,65
32 -0,01 -0,05
33 -0,02 -0,23
36,93
37,04
4
5
6
-0,09
-0,16
-0,11
-1,04
-1,86
-1,22
13
14
15
0,12
0,02
0,08
1,43
0,25
0,89
22
23
24
-0,13
0,00
0,01
-1,46
0,05
0,08
31
32
33
-0,02
-0,03
-0,04
-0,28
-0,38
-0,48
-0,10
-1,17
16
0,00
0,04
25
-0,05
-0,53
-0,10
0,01
-1,19
0,11
17
18
0,02
0,01
0,18
0,17
26
27
-0,15
-0,00
-1,76
-0,04
LBQ
10,58
19 -0,10
-0,99
10,98
20 -0,09
-0,95
14,27
21
0,17
1,73
0,86
15,27
22 -0,13
-0,38
0,50
15,46
15,82
23
24
0,10
0,07
Lag
Corr
0,09
7 -0,04
-0,45
8,19
16 -0,08
-0,84
16,80
25
0,01
0,05
29,66
8 -0,02
-0,27
8,28
17 -0,04
-0,42
17,05
26 -0,10
-1,03
31,50
0,91
9,29
18 -0,03
-0,35
17,23
27
0,07
0,71
32,41
8
9
0,08
12
Corr
120
Figura 6.2: Grfico da srie com a primeira diferena, Funo de Autocorrelao e Funo
de Autocorrelao Parcial amostrais da srie com a primeira diferena
dos Parmetros
Coef
e.p. Coef
0,6563
0,1245
0,8699
0,0796
0,1240
0,0234
T
5,27
10,93
5,30
P
0,000
0,000
0,000
Varincia = 4,299
Modelo2:
Estimativas dos Parmetros
Tipo
Coef
e.p. Coef
AR
1
-0,8728
21,1516
AR
2
-0,1258
3,9359
MA
1
-0,6868
21,1564
Constante
0,7030
0,3084
Resduos:
T
-0,04
-0,03
-0,03
2,28
P
0,967
0,975
0,974
0,024
Varincia = 4,520
27
T
5,38
6,33
-0,53
5,32
P
0,000
0,000
0,596
0,000
Varincia = 4,324
Pelos resultados acima, verificamos que o melhor modelo o ARIMA(1,1,1). A Figura 6.3
mostra os grficos de FAC e FACP dos resduos, onde podemos verificar que no existe
autocorrelao na srie dos rudos.
8
6
resduos
4
2
0
-2
-4
-6
-8
Index
20
40
60
80
100
120
Autocorrelation
Partial Autocorrelation
Lag
Corr
LBQ
1 -0,03
-0,31
2 0,08
3 -0,01
0,98
-0,09
4 -0,03
5 -0,09
6 -0,02
12
Lag
22
Corr
LBQ
0,10
10 -0,05
-0,55
1,09
1,09
11
12
0,08
0,17
0,94
1,89
-0,30
-1,09
-0,26
1,19
2,45
2,52
13 0,10
14 -0,01
15 0,04
7 -0,03
-0,32
2,64
8 -0,01
9 0,09
-0,07
1,06
2,64
3,92
Lag
Corr
LBQ
4,27
19 -0,12
-1,28
5,30
9,56
20 -0,11
21 0,12
-1,15
1,27
1,14
-0,13
0,44
11,21
11,24
11,49
22 -0,12
23 0,07
24 0,05
16 -0,09
-0,92
12,62
17 -0,07
18 -0,07
-0,70
-0,72
13,29
14,00
1,0
0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0
32
Lag
Corr
12
22
32
Lag
PAC
Lag
PAC
Lag
PAC
Lag
-0,03
-0,31
10
-0,05
-0,63
19
-0,11
-1,27
28
0,03
0,31
0,97
11
0,06
0,71
20
-0,14
-1,62
29
-0,04
-0,43
-0,04
12
0,18
2,11
21
0,09
1,10
30
0,08
0,91
13
14
0,11
-0,02
1,31
-0,23
22
23
-0,13
0,02
-1,47
0,22
31
32
-0,02
-0,02
-0,20
-0,21
0,02
0,26
24
0,00
0,03
33
-0,02
-0,19
-0,06
-0,69
25
-0,05
-0,61
-0,48
-0,51
26
27
-0,12
0,05
-1,42
0,54
LBQ
16,32
28 -0,04 -0,40
27,01
0,08
18,24
20,66
29 -0,07 -0,73
30 0,06 0,60
27,93
28,56
-0,00
-1,28
0,76
0,53
23,17
24,09
24,54
31 -0,11 -1,14
32 -0,02 -0,22
33 -0,03 -0,30
30,88
30,97
31,15
4
5
-0,03
-0,10
-0,39
-1,11
-0,02
-0,27
15
-0,01
-0,16
16
25 -0,01
-0,06
24,54
26 -0,10
27 0,05
-1,05
0,45
26,38
26,73
8
9
-0,00
0,09
-0,06
1,07
17
18
-0,04
-0,04
PAC
Figura 6.3: Grfico dos resduos do modelo ARIMA(1,1,1) juntamente com a FAC e a
FACP
28
6.7. Exerccios
218
177
197
216
265
232
286
249
283
348
330
226
169
213
220
247
215
288
242
282
344
335
229
176
212
223
271
243
285
277
278
335
230
177
213
228
226
211
269
289
312
333
232
176
209
241
256
254
278
261
289
371
232
185
195
257
226
255
294
292
302
362
248
191
197
254
256
261
281
280
285
342
217
179
193
255
272
236
276
278
291
340
212
190
197
257
253
227
284
274
289
344
173
190
191
271
216
205
290
271
261
358
172
183
215
264
260
255
289
284
298
343
180
188
211
251
239
196
289
251
299
355
174
200
232
228
264
190
329
305
305
348
187
193
244
233
273
232
325
322
336
313
171
180
257
226
276
224
298
265
338
322
172
181
227
235
237
238
290
270
350
325
192
195
235
249
235
215
272
302
345
364
2) A partir de uma srie temporal formada por 100 observaes, foi ajustado o seguinte
modelo:
Yt = (1 0,75 B )ut
Os coeficientes das funes ACF e PACF dos resduos esto apresentados no quadro
abaixo:
k
1
2
3
4
5
-0,500
0,330
-0,220
-0,150
0,430
k
-0,500 -0,030 -0,020 -0,010 -0,001
kk
Pode-se considerar adequado o modelo ajustado? Caso contrrio, use os resduos para
modificar o modelo proposto.
29
Captulo 7: Previso
Clculo do valor esperado de uma observao futura condicionado aos valores passados e
ao valor presente da varivel. Ou seja, chamando de Yt (l ) o valor previsto para um
horizonte de l perodos de tempo futuros e t o perodo de origem da previso, ento,
Yt (l ) = E[Yt + l | Yt , Yt 1 ,L] .
(7.1)
Yt = ut + 1ut 1 + 2 ut 2 + L = j ut j = (B )ut
(7.2)
j =0
c) Forma Invertida
O valor atual da srie Yt funo de valores anteriores Yt-j e do valor atual do resduo ut.
(7.3)
j =0
Notao:
Seja Yt(l) uma funo linear das observaes presentes e passadas da srie Yt. Colocando o
modelo na forma de choques aleatrios, temos
(7.4)
j =0
Vamos denotar por Et [Yt +l ] o valor esperado de Yt+l, condicional ao conhecimento das
observaes at o instante t, isto :
[ ]
[ ]
Et ut + j = 0 ; j = 1,2, L e Et u t j = ut j ; j = 0,1,2,L
Ento
Et [Yt + l ] = l ut + l +1ut 1 + L
et (l ) = Yt +l Yt (l ) .
Pode ser provado (Box-Jenkins, 1976) que a previso tima (no sentido do erro mdio
quadrtico mnimo) aquela em que os l + j so substitudos por l + j .
31
(7.5)
[ ]
2
Var Yt (l ) = Var [et (l )] = Et et2 (l ) = Et [ 0 ut +l + 1ut +l 1 + L + l 1ut +1 ] .
Os resduos ut's podem ser obtidos atravs das previses e erros para l=1 passo frente.
Da equao (7.5) podemos escrever para et(1):
32
Sendo a previso feita com erro mdio quadrtico mnimo, podemos ento obter a
expresso para Yt (l ) = E (Yt +l | Yt , Yt 1 ,L) = Et [Yt +l ] diretamente da equao (7.1) como
segue:
[ ]
ii) Esperana condicional dos Yt's ainda no realizados so as respectivas previses, isto ,
[ ]
[ ]
[ ]
Quando Yt+1 observado, as previses anteriores feitas na origem t podem ser facilmente
atualizadas para a origem t+1 com o uso dos pesos j 's.
Yt +1 (l ) = 0 E t +1 [u t +l +1 ] + 1 Et +1 [u t +l ] + L + l 1 Et +1 [u t + 2 ] + l Et +1 [u t +1 ] + l +1 Et +1 [u t ] + L
e
Yt +1 (l ) = l u t +1 + l +1u t + l + 2 u t 1 + L
Suposio:
(Yt +l
2
2
2
2
| Yt , Yt 1 , L) ~ N Yt (l ); 0 + 1 + L + l 1 u
1444424444
3
t2+ l
[(
) ]
Yt (l ) z / 2 t +l
34
7.6. Exerccios
Yt = u t + 0,5u t 1 + 0,4ut 2 + 18
com 2 = 4.
35
a) Modelos MA sazonais
Yt = ut 1u t S L Q ut QS = 1 1 B S L Q B QS u t
Este modelo tem ordem QS e conhecido como modelo sazonal MA(Q)S.
b) Modelos AR sazonais
Yt 1Yt S L PYt PS = (1 1 B S L P B PS ) = ut
Este modelo tem ordem PS e conhecido como modelo sazonal AR(P)S.
Este modelo se aplica maioria das sries sazonais reais, ou seja, realizaes de processos
que apresentam correlao serial dentro e entre perodos sazonais.
Definio: ARIMA(p,d,q)(P,D,Q)S
(B S ) (B ) SD d Yt = (B S ) (B )ut
onde
B S = 1 1 B S 2 B 2 S L P B PS
(B ) = (1 1 B 2 B 2 L p B p )
( ) (
SD = (1 B S )
d = (1 B )
36
(B S ) = (1 1 B S 2 B 2 S L Q B QS )
(B ) = 1 1 B 2 B 2 L q B q
23,6
24,6
24,7
22,0
20,4
19,8
18,6
21,4
22,0
23,5
22,3
23,9
25,3
24,0
21,9
23,4
21,5
21,3
19,6
21,5
21,8
22,3
23,2
22,7
23,5
25,1
25,4
23,2
20,6
20,4
20,7
23,0
22,0
24,2
23,7
24,0
24,4
23,7
24,5
23,0
20,2
19,5
20,2
21,1
21,5
23,5
22,9
23,1
22,2
23,3
23,4
22,4
21,8
18,8
19,0
21,5
21,4
24,1
23,5
24,0
23,4
24,3
24,9
22,5
22,2
19,8
20,6
21,6
22,1
24,6
22,9
23,6
23,2
24,6
24,2
22,0
21,0
19,1
18,5
20,7
23,5
21,9
22,8
23,6
22,7
24,5
22,0
21,6
19,8
21,0
20,1
21,9
22,2
23,2
26,8
22,9
22,9
24,3
23,5
23,1
22,4
21,8
20,9
21,1
22,0
22,2
22,9
22,9
26,1
26,8
24,8
23,4
24,0
21,9
21,1
20,8
21,9
24,2
24,5
23,7
22,6
25,0
24,3
23,4
21,8
18,6
19,0
21,9
22,4
24,3
23,5
23,1
24,4
24,8
25,5
24,1
22,8
20,1
19,7
21,9
21,7
24,5
24,1
23,4
25,5
25,5
24,5
23,9
22,7
20,4
21,5
22,5
22,6
25,9
24,3
22,7
25,3
24,4
24,5
23,8
23,0
20,1
18,7
20,7
24,1
22,9
22,4
23,6
24,7
24,6
24,3
24,4
21,1
20,0
19,3
20,6
23,6
22,4
22,8
22,6
37
Bibliografia
ANDERSON, O.D. (1976) Time Series Analysis and Forecasting: Box and Jenkins
Approach. London: Butterwoerths.
BOWERMAN, B.L., OCONNELL, R.T. (1993) Forecasting and Time Series: an Applied
Approach, 3a. ed. Wadsworth, Inc.
BOX, G.E.P. and JENKINS, G.M. (1976) Time Series Analysis: Forecasting and Control.
San Francisco: Holden-Day.
BROCKWELL, P.J, DAVIS, R.A. (2002) Introduction to Time series and Forecasting, 2a
ed. New York: Springer.
CHATFIELD, C. (1989) The Analysis of Time Series: An Introduction. London, Chapman
and Hall.
MORETTIN, P. A., TOLOI, C. M. (2004) Anlise de Sries Temporais. So Paulo: Edgard
Blucher.
NELSON, C.R. (1973) Applied Time Series Analysis. San Francisco: Holden-Day.
PEA, D. (2005) Anlisis de Series Temporales. Madrid: Alianza Editorial.
POLE, A., WEST, M., HARRISON, J. (1994) Applied Bayesian Forecasting and Time
Series Analysis, Chapman and Hall.
WEI, W.S. Time Series Analysis: Univariate and Multivariate Methods (1990) AddisonWesley Publishing Company.
38