CapituLo 15 Andlise de Fourier 15.1 Introdugao A Anilise de Fourier ou Andlise Harménica tem sido utilizada. tradicionalmente, para resolver algumas equacées diferenciais parciais que aparecem na Fisica Matema- tica, como a equagao do calor e a equagSo das ondas. Na anélise de séries temporais, resultantes da abservaciio de processos estoc: cos, 0 objetivo basico é 0 de aproximar uma fungio do tempo por uma combinacao linear de harménicos (componentes senoidais), 03 coeficientes dos quais sfo as trans- formadas de Fourier discretas da série. Em muitas aplicagdes, como em Meteorologia e Oceanografia, estamos em busca, de periodicidades nos dados observados. Hé duas situagdes que freqiientemente ocorrem: (a) conhecemos freqiiéncias ¢ queremos estimar amplitudes e fases; (b} queremos estimar amplitudes, freqiiéncias e fases. No primeiro caso temos, por exemplo, o fendmeno das marés, onde as freqiiéncias so determinadas astronomicamente. O segundo caso é a situagio mais geral encon- trada na pritica. Vale a pena ressaltar que, mesmo que os dados nfo apresentem periodicidades, a Andlise Harménica é titil para analisé-los em componentes harménicas periddicas. 15.2 Modelos com uma periodicidade Consideraremos aqui o modelo Zp = p+ Reos(wt +4) +e (15.1) ou, equivalentemente, Z, = w+ Acos(wt) + Bsen(wt) +r , (15.2)416 CAPITULO 15. ANALISE DE FOURIE= em que A= Roos, B = —Rsend; BR é denominado amplitude, @ é 0 angulo de fase w 6a freqiténcia e €, a componente aleatéria. De (15.1) e (15.2) temos que R= 4B, arctg 8 : A>0, arcts, = -«, A<0, B>0, @ = ¢ arctg 3 +a, A<0, B<0, (15.3 -} A=0, B>0, 3 A=0,B<0, arbitritio, A=0eB=0, Iremos resolver o problema clementar de estimar yz, Ae B para um w fixada. conhecido ou nao. O método a usar seré o de minimos quadrados (MQ). 15.2.1 Estimadores de MQ: freqiiéncia conhecida Suponba Z,...,Zy wma série temporal gerada pelo modelo (15.2). Os estima- dores de minimos quadrados (ft, Ae B) sero obtidos quando minimizarmos a some de quadrados dos erros, - SQR(u, A,B) = )> (4: — wp — Acos(wt) — Bsen(wt))* (54 tI Assim, derivando (15.4} com relacao a w, A e B e igualando a zero, temos que os estimadores de minimos quadrados podem ser obtidos resolvendo 0 coujunto de equacées Me (4 - ji — Acos(wt) — Bsen(wt)) 7 t x it i ¥ coset (2:- A= Acos(wt) — Bsen(wt)) = 0, (15.5 = Ysenwt) (2: — fa Aoos(wt) — Bisen (wt) =0. a Uma maneira alternativa de obter os estimadores de MQ é reescrever (15.2 utilizando notagdo matricial, Z=Wo+e (15.6TEE MODELOS COM UMA PERIODICIDADE AZ om que Z = (Zi, 22,...,Zny, 9 = (u, A, B), 1 cos(w) —sen{w) w 1 con(2) n(Qu) : 1 cos(Nw) sen(Nw) fornecendo o estimador . 6 = (W'w)-'w’z, (15.7) com v XN N os(wt) ¥ sen(wt) » fa wi W'W = | S> cos(wt) YLeos*(wt) 3S) cos(we)sen(wt) | (15.8) a a x sen(wt) x cos(wt)sen(wt) s sen? (wt) A a a 5 No caso em que w = w, = 288k = 1,2, -:[}], podemos utilizar as relacdes de ortogonalidade, N N SL eos(wit) = V sen(wit) = 0, tal = x 0, G#k, VK eos(wet) cos(wjt)= 4 N, joka N/2, (15.9) = N/2, G=kAN/2, N 0, G#k, DY sen(wyt)sen(wjt) = ist 0s (wyt)sen(wjt) =0, todo j ek, obtendo No o WW=/o0N2 0 |, wér. (45.10) 0 0 NpNE" Otro 4s CAPITULO 15. ANALISE DE FOURIE> Substituindo (15.10) em (15.7), temos a solugdo NW N x DS Zcos(wt), w én, a ~ » Hi Ny B= HD Zeno, wt; B=0, ewan, So 2l-4 a R= A+ Bed =arctg (-4) . uando w # 225 e nao muito préxima de zero, uma solucio aproximada é dai_ W «i por g, x VA ~ 2) coswe), (15.22 (2, ~ Z)sen (wt), 1 B= 4 Bed = merg (-4) . A ‘Veja Bloomfield (2000) para detalhes. A adequagéo do modelo (15.2) pode ser verificada examinando a soma de qu: drados residuais N x SQR (a, 4,8) = sQR = ve MA - 2 - Acoswt — Bsenwt)? ra i + YA cos(wt) + Bsen{ut))? . i Quando w = 28k, temos x i=l at Aea . MODELOS COM UMA PERIODICIDADE. 419 =, portanto, SQR = SQT— Nie (15.18) nde SQT=DW,, (Zt Quando w ¥ ? Z)? denota a soma de quadrados total. , temos x x ora SQR® YZ Z)— F(A +B), a csto 6, SQR = SQT- oR . (15.14) A quantidade & A? (ou XA? quando w ¢ *%#) pode sor interpretada como a suantidade de variabilidade nos dados, devido & presenga da freqiiéncia w. Exemplo 15-1. Vamos ajustar um modelo harménico, com uma tinica periodicidade onhecida e igual a 12 meses, A série Ay - Cananéia, constituida de 120 observagées ~rensais no perfodo de janeiro de 1976 a dezembro de 1985. A Figura 15.1 apresenta » grafico da série. cuenta Figura 15.1: Série Ay - Cananéia. O modelo ajustado (veja 0 Quadro 15.1) 6 dado por > nt 2, = 01,53 +2, Theos (55) +2,56sen am (15.15) com A? = (2,74)? + (2,56)? = 14,06 e ¢ = arctg (- ) = 0,240.420 - CAPITULO 15. ANALISE DE FOURIZ: ‘The xegression equation so Cananeia = 21,3 1 2,74 could + 2,56 sent2 Predictor soot 8B coat . > Constant. 24,5817 0, 0878 279,000 coal? 217376 ov tae 95 0,000 Sena 2/5620 0, 1242 60,008 S = 0,9617 ReSq = 88,68 -RSg(aaj) = 88,44 Quadro 15.1: Ajustamento de um modelo harménico, com freqiiéncia 24/12. & série Aj - Cananéia (saida editada do MINITAB). A Figura 15.2 apresenta a série original e 0 modelo ajustado (expresséio (15.15 Conansia Figura 15.2: Série A; - Cananéia () e série ajustada (- - -) utilizando um harménico de periodo 12, modelo (15.15). 15.2.2 Estimadores de MQ: freqiiéncia desconhecida Iremos estender o método utilizado na seco anterior de forma a incluir a est! magao da freqiiéncia w. Nesta seco os estimadores de yz, Ae B dependeriio de « » portanto, serdio denotados por fiw), A(w) e Bw), respectivamente. © melhor valor para w, utilizando 0 critério de minimos quadrados, é o valor é w que minimiza a soma de quadrados residual, SQR, dada pela expresso (15. ou, equivalentemente, maximiza a quantidade Bw) = (w) + Bw), (15.16 com A(w) e B(w) dados pela expresséio (15.12).E FOURIE? o um, uir a esti- io de we, » valor d= 0 (15.12 15.2, MODELOS COM UMA PERIODICIDADE 421 Maximizar R?(w) é equivalente a maximizar a quantidade 1) = 2 Rw) (15.17) ® a py 2 — (Se -%) wnat) rn (de - rene!) | : =i = devominada periodograma. Assim, estimamos w maximizando R?(w) (expressio (15.16)) ou, equivalente- mente, maximizando 0 periodograma (expressio (15.17), ¢ obtemos os demais esti- madores do modelo utilizando (15-11) Una outra maneira de estimar os parametros ¢ observar que (15.2), para w desconhecido, é um modelo de xegress%o ndo-linear e, assim, a utilizacao de técnicas apropriadas para minimizagio de fungdes n&o-lineares podem ser empregadas. Exemplo 15.2. Vamos ajustar um modelo harménico com freqiiéncia desconhecida & série Ay - Manchas, com 176 observagdes amuais de 1949 a 1924. A Figura 15.3 apresenta a séric original e o periodograma calculado nas freqiién- cias de Fourier. Analisando os valores do periodograma, Tabela, 15.1, verificamos que o valor maximo, igual a 20.383,7, ocorre quando j = 15, indicando uma periodicidade de N/15 = 176/15 = 11,73 anos, Apresentaremos no Capitulo 16 um teste de hipdtese, para verificar a significdncia dessa periodicidade, Figura 15.3: Série Ag - Manchas. Periodograma e fac e facp amostrais.422 CAPITULO 15. ANALISE DE FOURIE> Quadro 15.2: Ajustamento de um modelo harménico com freqiiéncia Qn /'15, ‘Tabela 15.1: ‘The regression equation is manchas = 44,9 - 19,7 C3 = Predictor Coe. Constant. 46,760 cs 719,714 ce 8,525 S = 31,43 Re 8,53 ce 8B Cost r > 2,385 18,89 0,009 3,381 “5,88 0,000 3,351 “2,54 0,012 13,28 R-Sg(adj) = 18,38 & série Ay - Manchas. Valores do periodograma da série Az - Manchas, nas freqiiéncias 2nj/n, 1 " Var(B) Cov(A, B) © ES (15.22) | Walker (1971), também, mostra que, sob a hipstese de rufdo branco gaussia- no, todos os estimadores so assintoticamente normais. Para niais detalhes, ver Bloomfield (2000). Cov(A, 8) = Cov(B,@) 15.3 Modelos com periodicidades miultiplas ‘Vamos considerar, para. slustrar, apenas 0 modelo com duas componentes pe- riddicas, Z, = p+ Arcos(wit) + Bysen(wyt) + 42 cos(wet) + Bysen(wot) tee. (15.23) —————426 CAPETULO 15, ANALISE DE FOURIER Quando w1 ¢ w2 sio freqiiéncias conhecidas, 0 modelo (15.23) 6 uma regressé: linear, seguindo a equagiio (15.6) onde, agora, 9 = (u, Ai, Aa, Bi, Bo)! e 1 cos(wi) sen(w1) —cos(w,) sem(w) we | 1 os(21) sen(2ur) cos(2u2) sen(2u2) 1 cos(Nwy) sen(Nu) cos(Nw) sen(Nwe) Quando wi = 3% @ wy = 2H, isto 6, séio freaiiéncias de Fourier, a solugao exats 6 dada por i= Z, Nn Aj = FD Zcosluit), i=1,2, = x B= Wd, Zeno) i= 1,2), (15.22 x L . ¥ 4-1, B= 0, para w <7. ma Quando wy € wy so fregiléncias desconhecidas, 0 modelo (15.23) torna-se w=: modelo nfo-linear. A extensio natural do método utilizado anteriormente (seg& 15.2.2) 6 notar que para a1 e w fixos, 0 modelo é linear nos outros parémetro: Assim, estimativas condicionais de w; ew podem ser encontradas utilizando wat SQR = U(w1,20) = S7(2; — fA, costw:t) ~ 5 —Ay cos(wot) — Bysen(wnt))?, sen(wyt) onde ji, A;, Bi, Az e By sio fungdes de w € w2. Pode-se entao utilizar métodes numéricos para minimizar a fungao U. Bloomfield (2000) sugere um procedimento denominado método de decrescimer- to cictico. Exemplo 15.3. Vamos ajustar un modelo harménico & série Ag - Fortaleza; ¢ acordo com Morettin et al. (1985), essa série apresenta duas componentes periddicas que consideraremos desconhecidas. A Figura 15.6 apresenta o gréfico da série. O= resultados do ajustamento do modelo (15.23) usando regressiio néo linear estao 1.15.3. MODELOS COM PERIODICIDADES MULTIPLAS 427 Quadro 15.4; observamos que By ndo é significativamente diferente de zero (P = },10). Eliminando By e reestimando 0 modelo temos (Quadro 15.5) By = 1430 + 158 .cos(0, 25554) — 152sen(0, 25554) + 165.c0s(0, 0968t), (15.25) com 42 = (469, 49)*. As froqiiéncias estimadas & = 0,2555 e & = 0,0968 correspondem periodici- dades de 2r/0,2555 = 24,59 anos ¢ 27/0,0968 = 64,90 anos, respectivamente. A Figura 15.7 apresenta a série original e o modelo ajustado, dado por (15.25). Voltaremos a analisar essa mesma série, utilizando a metodologia apresentada na préxima segso. *** Nonlinear Regression Model *** Formula: fortaleza$Fort ~ a0 + al * cos(wl * fortaleza$t) + bi * sin(wl * fortaleza$t) + a2 * cos(w2 * fortaleza$ t) + b2 * sin(w2 * fortalezast) Parameters: value std. Error t value a0 1427.5900000 39.41210000 36.222300 al 162.4920000 84.65740000 1.919430 bl -149.3440000 68,22790000 -1.692710 wl 0.2558190 0,00579038 44.180000 a2 158.9480000 64.02920000 2.482430 b2 -48.8105000 108.62600000 0.449344 w2 0.0994142 0,0076028@ 13.075900 Residual standard error: 470.86 on 142 degrees of freedom Correlation of Parameter Estimates: a al bi wi a2 b2 al -0.0642 bl -0.0341 0.5910 wl -0.0550 0.7660 0.7790 a2 -0.0168 -0.1020 -0.1640 -0.1470 b2 0.1560 0.1300 0.0848 0.1160 -0.4130 w2 -0.0909 0.1510 0.0810 0.1360 -0.4640 0.8670 Quadro 15.4:Regressio néo-linear — Série Ag - Fortaleza.428 CAPITULO 15. ANALISE DE FOUR: ; li | h : : Int HMMA nag sores Foraaca — Petts) Figura 15.6: Série Ag - Fortaleza, periodograma, fac e facp amostrais. *** Nonlinear Regression Model *** Formla: Fort ~ a0 + al * cosiwi * t) + bl * sin(wi t) + aa ¥ cae (wa * ©) Parameter: Value Std, Brrox + value a0 1430,640000 38.75300000 36.91120 al 158.048009 84.94520000 2.86058 wi 0.258537 0,00576155 4.35220 bl -152.530000 B6.38840000 -1.76562 a2 168.§80000 Sé.2amZ0000 2.94305 2 9.096824 0.00370495 26.1263 Residual standard error: 469,493 on 143 degrees of freedom Correlation of Parameter Bstimates aa wt bi aa al -a. wi -0. 0.7700 bi -o- 0.5870 0.7630 a2 -0 0.0479 -0.1030 0.1390 we 0 0.0619 0.0458 -0,0280 9.0423 Quadro 15.5: Ajustamento do modelo (15.25}.Se 154. ANALISE DE FOURIER OU HARMONICA 429 Figura 15.7: Série Ag - Fortaleza ( -) ¢ série ajustada (- --) utilizando 0 modelo (15.25). 15.4 Andlise de Fourier ou harménica Um procedimento altemativo para descobrir periodicidades desconhecidas em : ‘uma dada série temporal consiste em ajustar o modelo para todas as freqtiéucias de dl Fourier, isto 6, ajustar 0 modelo Onjt 2nit Zy= a+ y [o cos + son? tay coomt ta lyvsNy (15:26) cujos coeficientes, denomiinados coeficientes de Fourier, sfio dados por | ay = (15.27) ¢ que sio exatamente iguais as estimativas de minimos quadrados dos parametros do modelo (15.6). "A expressio (15.26) fornece a decomposigao da série Z; em component viédieas; tal decomposigio 6 denominada anélise de Fourier ou andlise harmonica. s pe ————————430 CAPITULO 15. ANALISE DE FOURIEZ Assim, a anélise de Fourier ae one A partigao da variabilidade da série componentes de freqiiéncias 2F, 42, ...r. A componente de freqiiéncia w; 4; coswyt + bysenuyt = Ry cos(w;t + 63), tem amplitude dada por Ry — yare a? +B? e fase gy = arctg (+ Pode-se demonstra que xo y= Ma- 7 = > B+ Nake et jt e, conseqiientemente ry 2, @e WG-2 =5 x FE + aby , (15.25 = = m was. pias. sa RP ‘ou seja, temos uma partic¢ao da varidneia da série com “+ representando a contz:- bnigao do j-ésimo harménico. © gréfico “ x j 6 denominado espectro de linhas, Exemplo 15.4. Suponha uma série determintstica e peri Zu5 = Z, Vt. iica de periodo S, iste Assim, podemos escrever Zi, Z....,Zs como wma combinagio linear de senoz cossenos : 13] (a, coswyt + bysenuyt), t= =o ew, =, k= 0,1,2,..., [8]. Como Z = Zs, a expressiio (15.29) vale para todo ¢. Multiplicando ( por Z e somando de 1 até N, temos Sy (15.2: S impar, (153 ee] saa+5 So (eh +08) + Say, $ par a Assim, pode-se afirmar que o espectro de linhas de uma série determi periodicidade $ anula-se excoto nas freqiiéncias wy, = 28, k = 0,1,..., freqiiéneia w = 2 6 denominada fregiiéncia fundamental e corresponde a uma o seno (cosseno) de periodo igual a §. Para 2, temos o primeiro harménico | perfodo igual a $/2, e assim sucessivamente.a 25.4, ANALISE DE FOURIER OU HARMONICA 431 Exemplo 15.5. Anélise de Fourier da série A, - Cananéia. A Tabela 15.2 apresenta as amplitudes dos 60 harménicos, isto 6 Rj, j = 1s.++5[?p] (N = 120 spservacées). A Figura 15.8 apresenta 0 espectro de linhas (4 x i): Notamos ne 0 valor 7,02 corresponde ao espectro para j = 10, responsiivel por 88,62% da variabilidade da série; este harménico corresponde & periodicidade de 12 meses. Tabela 15.2: Andlise de Fourier da série Ay - Cananéia: amplitudes Rl. li Bla 0,1692 | 16 0,0916 | 31 0,0343 | 46 0,0473 0,1333 | 17 0,1200 | 32 00,0138 | 47 0,0725 0,2811 | 18 00,1967 | 33 0,0540 | 48 00,1625 0,3051 | 19 0,1949 | 34 0,0548 | 49 0,1316 20 00,3088 ) 35 0,2151 50 0,2362 0,2271 | 21 0,1284 | 36 0,2287 | 51 00,0989 0,4458 | 22 0,2484 | 37 0,1266 | 52 0,0962 0,2856 | 23 0,1665 | 38 0,1142 | 53 0,2386 0,2230 | 24 0,1253 | 39 0,0993 | 54 0,0993 10 3,7472 | 25 0,1292 | 40 0,1668 | 55 0,1140 11 0,2859 | 26 0,2369 | 41 0,1822 | 56 0,0822 42 0,1559 | 27 0,1752 | 42 0,1184 | 57 0,1026 13 0,1359 | 28 0,1467 | 43 0,0578 | 58 0,1396 14 0,3104 | 29 0,1510 | 44 0.0368 | 59 0,0858 15 0,0630 | 30 0.1623 | 45 0,1500 | 60 0,0685 CoO NS 2 g B a8 a | £ £6) 15.3: 2 ef) 82) g | Bog beers sarrenirrinr nm crraicer rere 1 5 9 1817 21 25 29 33 37 41 45 49 53 97 harmdénico Figura 15.8: Espectro de linhas da série ‘A, - Cananéia.132 CAPITULO 15. ANALISE DE FOURIZ> Exemplo 15.6, Anslise harmonica da série As - Fortaleza, A Tabela 15.3 aprese:= as amplitudes dos harménicos (Rj, j 191) e a Figura 15.9, 0 espectro | linhas que corresponde & particio da variancia da série, dada pela expressio (1 Notamos que varias componentes de freqiiéncias contribuem para a varidncia séries. Os dois harménicos principais sio w1, ewe = 228 que contribu conjuntamente, com 18.08% da variancia da série. As periodicidades corresponc tes a esses harménicos 880 12,42 ¢ 24,83 anos, respectivamente. ‘Tabela 15.3 - Andlise de Fourier da série Ag - Fortaleza: amplitudes dos 75 harménicos. 7 Rl &[ i Rl i Rls _® 1 110,06) 16 125,82 [31 6454/46 13,74 [61 77,17 2 95,94} 17 47,78 | 32 12,60) 47 45,88 | 62 58,71 3 64,99) 18 82,39 | 33 117,75 | 48 31,60 | 63 81,41 4 76,92] 19 65,72} 34 42,32 | 49 87,44 | 64 60,18 5 32,16 | 20 112,80 | 35 137,74) 50 8641 | 65 76,09 6 7 8 9 188,99 | 21 29,07 | 36 20,02 | 51 19,04 | 66 51,52 76,81 | 22 35,80 | 37 55,17 | 52 29,92 | 67 68,04 97,52 | 23 60,85 | 38 39,05 | 53 48,39 | 68 62.45 19,57 | 24 21,26 | 39 31,50 | 54 67,91 | 69 57,39 10 48,14] 25 47,13 | 40 67.07 | 55 59,79 | 70 40,67 11 123,50] 26 68.37 | 41 93,94 | 56 56,68 | 71 82,04 12 229,74] 27 110,81 | 42 131,10 | 57 46,46 | 72 57,20 13° 104,82 | 28 30,90 | 43. 104,17 | 58 18,76 | 73 72,92 14 40,16 | 29° 113,12 | 44 123,79 | 59 25,83 | 74 82.46 15 138,63 | 30 105,39 | 45 19,78 | 60 92,34 | 75 16,96 Midbalal Ih I. val visclblatueit. 1 6 11 16 21 26 31 36 41 46 51 56 61 66 71 harménico Figura 15.9: Espectro de linhas da série Ag - Fortaleza.ee, see PROBLEMAS 433 I 15.5 Problemas B a 1. Utilizando (15.1) e (15.2) mostre que R? = A?+B? ¢ que o satisfaz a expressdo (15.3). . Supondo w, = 24, k = 1,...,[¥], demonstre as relacées de ortogonalidade dadas pela expressio (15.9). ., Zy, gerada pelo modelo (15.2). Mos- Suponha uma série temporal, Z1, Z2 2 os estimadores de MQ dos parametros tre que para w = Leos séio dados pela expresso (15.11). |. Considerando os resultados do Problema 3, mostre que a soma de quadrados residuais (SQR) é dada pela expressio (15.13). . Considere Zp = i, Gne?"!"", fn = ff, uma série periddica e deterministica de perfodo T. Mostre que a _ (tant haze dence ‘cu + on) : Expresse cn @ ¢n, em fungdo de Gy e vice-versa.