Aula 35 - ST II - Modelos Arma - Novo

Processos ARMA
Aula 35
Gujarati, 2006 (tradução da 4a. ed. em inglês) – cap. 21 e 22

Processos ARMA
A expressão geral de uma série temporal, para o caso

univariado, é
xt = f(xt-1, xt-2, ..., at). (1)
Para que a equação (1) se torne operacional, é necessário

especificarmos três fatos: a forma funcional de f(), o número
de lags, e uma estrutura para o termo aleatório.
Processos ARMA
Se por exemplo, especificarmos uma função linear nos
parâmetros com apenas uma defasagem (lag) e uma
perturbação do tipo ruído branco estacionário (média zero,
variância constante e não-autocorrelacionada), o resultado
será 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 variável indexada em t (tempo), dá o valor
anterior na série temporal.
Tem-se, assim,
Lxt = xt-1
L2xt = xt-2
(1 – L)xt = xt – Lxt = xt – xt-1 = xt
em que,
 é conhecido como operador diferença.

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

escrever um modelo AR(p), como,
(1 – 1L – 2L2 – ... – pLp)xt = 0 + at (4)
em que
(L) = 1 – 1L – 2L2 – ... – pLp
(polinômio autorregressivo de grau p)
Processos ARMA
Ainda, é possível assumir uma estrutura um pouco mais

complicada para o termo perturbação at.
Por exemplo, at pode ser expresso por
at = t – 1t-1 – ... – qt-q (5)
em que
t é um processo ruído branco estacionário.

Ou seja, aqui estamos assumindo que at não é um processo
ruído branco.
Processos ARMA
Dessa forma, uma possível especificação para o processo xt
é dada por um processo de médias móveis de ordem q,
MA(q):
xt = 0 + t – 1t-1 – ... – qt-q. (6)
Usando os resultados do slide 4, em (6), podemos escrever
xt = 0 + (1 – 1L – 2L2 – ... – qLq)t (7)
em que
(L) = 1 – 1L – 2L2 – ... – qLq
(polinômio de médias móveis de grau q)
As equações (6) e (7) especificam um processo MA(q) puro.
Processos ARMA
Combinando as equações (3) e (6), temos um processo
misto, autorregressivo e de médias móveis, ARMA(p, q):
xt = 0 + 1xt-1 + 2xt-2 + ...+ pxt-p + t – 1t-1 – ... – qt-q (8)
Usando os resultados do slide 4, em (8), podemos escrever

um modelo ARMA(p, q), como,
(1 – 1L – 2L2 – ... – pLp)xt = 0 + (1 – 1L – 2L2 – ... – qLq)t
(9)
em que
(L) = 1 – 1L – 2L2 – ... – pLp
(L) = 1 – 1L – 2L2 – ... – qLq
PROPRIEDADES
DOS
PROCESSOS ARMA
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,
então xt será considerado estacionário.
PROCESSO AR(1) – cont.
Baseando-se no resultado anterior, tem-se que
E(xt) = 0 / (1 – 1) = .
Ou seja, a esperança incondicional de xt é constante e

invariante no tempo.
Prova-se, também, que, sob a mesma condição do slide
anterior, a variância incondicional de xt é constante e igual a

 x2  E ( xt   ) 2    2
2
1  1
Exercício*
a) Encontre a FACV do processo AR(1), que foi apresentado

nos slides anteriores.
b) Verifique que a FAC do processo é dada por
h
 h  1 h 1  1 , h  1, 2 , 3...
PROCESSO AR(2)
xt = 0 + 1xt-1 + 2xt-2 + t
em que
t ~ RB(0,2).
Condições de Estacionariedade
2 + 1 < 1
2 - 1 < 1
-1 < 2 < 1
Baseando-se no resultado anterior, tem-se que
E(xt) = 0 / (1 – 1 – 2).

Prova-se, também, que, sob as mesmas condições do slide
anterior, a variância incondicional de xt é constante e igual a
( 1   2 ) 2
0 
( 1   2 )( 1  1   2 )( 1  1   2 )
Exercício
Prove que a FACV do processo AR(2) é dada por:
 j  1 j 1  2 j  2 , j  0
com
 2
0 
1  1 1  2  2
Exercício
Prove que a FAC do processo AR(2) é dada por:
 h  1 h 1   2  h  2 , h  3, 4 , 5 , ...
com
1 12
1  e 2   2
1  2 1  2
PROCESSO AR(p)
xt = 0 + 1xt-1 + 2xt-2 + ...+ pxt-p + t
em que
t ~ RB(0,2).
Condições de Estacionariedade:
As raízes da equação característica (L) = 0, devem estar fora
do círculo unitário.
PROCESSO AR(p) – cont.
Prova-se que a FACV do processo AR(p) é dada por:
 j  1 j 1  2 j 2  ...   p j  p , j  0
com
 2
0 
1  1 1  2  2  ...   p  p
Do resultado anterior, não é difícil ver que a FAC de um

processo AR(p) é dada por:
 j  1 j 1  2  j 2  ...   p  j  p , j  0
FATO
Muitas vezes é difícil fazer a distinção entre processos AR de
diferentes ordens com base apenas nos correlogramas. (Pq?)
Função de Auto-correlação Parcial (FACP)

Essa distinção é possível com base no cálculo dos
coeficientes de correlação parcial.
Por exemplo, num processo AR(2), o parâmetro 2 é o
coeficiente de correlação parcial entre xt e xt-2, mantendo xt-1
constante.
Observação
De maneira geral, esperamos que a FAC empírica de uma

série temporal estacionária que seja modelada por um
processo AR(p) amorteça para zero. Já a FACP, esperamos
que seja aproximadamente zero para todas as ordens
superiores à ordem p do processo.
Exemplos
Observando os correlogramas, a seguir, indique um modelo
inicial para cada série temporal.
PROPRIEDADES DOS PROCESSOS MA
PROCESSO MA(1)
O processo MA(1) é dado por
xt = 0 + t – 1t-1
em que
t ~ RB(0,2).
Não é difícil mostrar que

E(xt) = 0.
PROCESSO MA(1) – cont.
Ainda, a FACV é dada por
 0  ( 1  12 ) 2  1  1 2  2   3  ...  0
Baseado no resultado anterior, não é difícil ver que a FAC fica

dada por
1
1   2   3  ...  0
( 1  12 )
Observação
O processo MA(1) pode ser invertido para dar t como uma

série infinita em função de xt, xt-1, ...
t = xt + 1xt-1 + 12xt-2 + ...

ou, ainda,
xt = t – 1xt-1 – 12xt-2 – ...
que é um processo AR().

Observação (cont.)
Todavia, a equação
xt = t – 1xt-1 – 12xt-2 – ...
só fará sentido se
| 1 | < 1.
Se tal restrição não for observada, então os valores mais

distantes de xt terão um maior efeito no valor presente.
A condição |1| < 1, é conhecida por condição de

invertibilidade. É semelhante à condição de estacionariedade
para um processo AR(1), mas a estacionariedade de um
processo MA(1) não impõe nenhuma condição para 1.
Ainda, como a equação xt = t – 1xt-1 – 12xt-2 – ... denota um

AR(), as auto-correlações parciais não caem bruscamente,
mas, decrescem, amortecendo gradualmente para zero; mas,
como vimos anteriormente, as auto-correlações são iguais a
zero a partir da segunda, inclusive.
As propriedades de um processo MA(1) puro são exatamente

ao contrário das de um processo AR(1) puro. Ou seja, a FAC
de um processo MA(1) é nula após o lag 1 e a FACP decai
exponencialmente para zero.
PROCESSO MA(2)
Exercício
Considere o processo MA(2) dado por
xt = 0 + t – 1t-1 – 2t-2
em que
t ~ RB(0,2).
Encontre a média, a variância, a facv e a fac de xt.
Observação
A condição de invertibilidade de um processo MA(2) é

análoga à condição de estacionariedade de um processo
AR(2). Por outro lado, como deve ter sido percebido durante
a resolução do exercício anterior, para se observar a
estacionariedade do processo MA(2), nenhuma condição
sobre os parâmetros 1 e 2 precisaram ser impostas.
PROCESSO MA(q)
O processo MA(q) é dado por
xt = 0 + t – 1t-1 – 2t-2 – ... – qt-q
em que
t ~ RB(0,2)
Condições de Invertibilidade:
As raízes da equação característica (L) = 0 devem estar fora
do círculo unitário, em que
(L) = 1 – 1L – 2L2 – ... – qLq.
PROCESSO MA(q) – cont.
Observação
Em geral, num processo estacionário MA(q), os q primeiros

coeficientes da FAC são diferentes de zero, e os restantes
iguais a zero. Já os coeficientes da FACP, apresentam um
decrescimento amortecido para zero.
Exemplos
Observando os correlogramas, a seguir, indique um modelo
inicial para cada série temporal.
PROPRIEDADES DOS PROCESSOS ARMA
PROCESSO ARMA(p,q)
O processo ARMA(p, q) escreve-se da seguinte forma:
(L)xt =  +(L)t
em que
(L) = 1 – 1L – 2L2 – ... – pLp
(L) = 1 – 1L – 2L2 – ... – qLq
PROCESSO ARMA(p,q)
Observação
• A estacionariedade do processo exige que as raízes de (L)
se situem fora do círculo unitário;
• A invertibilidade requer a mesma condição para as raízes

de (L);
• Verificadas estas condições, 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.
PROCESSO ARMA(1,1)
O processo misto, sem constante, de ordem mais baixa é o

processo ARMA(1, 1):
xt = xt-1 + t – t-1.
Para esse caso, admitindo || < 1, é possível provar que:
1  2   2 2
0  
1 2
PROCESSO ARMA(1,1) – cont.
Já a FACV do processo ARMA(1, 1) é dada por
(  θ)( 1  θ) 2
γ1  σε e γh  γh 1, h  2 , 3, ...
1 2
E a FAC do processo fica dada por,
(  θ)( 1  θ)
ρ1  ρh  ρh 1 h  2 , 3, ...
1  2θ  θ 2
PROCESSO ARMA(1,1) – cont.
Observação
• O primeiro coeficiente depende tanto do parâmetro da
parte AR como do parâmetro da parte MA.
• Os coeficientes seguintes decrescem exponencialmente,

com uma taxa de decréscimo dada pelo parâmetro AR.
• Contudo, e por comparação com o processo AR puro, os

coeficientes da FACP não decaem rapidamente, mas têm
um decrescimento amortecido para zero.
PROPRIEDADES DOS PROCESSOS AR, MA E ARMA
Padrões de Correlação
Processo FAC FACP
AR(p) Infinita: decai para zero Finita: decai
exponencialmente ou segundo bruscamente para zero a
uma senóide amortecida. partir do lag p.
MA(q) Finita: decai bruscamente para Infinita: decai para zero
zero a partir do lag q ou exponencialmente.
segundo uma senóide
amortecida.
ARMA(p, q) Infinita: decai para zero Infinita: decai para zero
exponencialmente ou segundo exponencialmente ou
uma senóide amortecida. segundo uma senóide
amortecida.
Exercício 1 – (Questão 09 – 2005)
(0) A
(1) F
(2) F
(3) V
(4) V
Exercício 2
Considere o modelo
yt = -0,2yt-1 + 0,48yt-2 + t + 0,6t-1 –0,16t-2, t = 1, 2, ...
a) Escreva o modelo de interesse, utilizando os polinômios

característicos.
b) Encontre as raízes das equações características.
c) Escreva o modelo de interesse na forma fatorada.
Comente o resultado encontrado.
Teorema de Wold
Teorema de Wold
Todo processo estacionário de segunda ordem, puramente

não-determinístico, pode ser escrito como:

X t     j  t  j ,  0  1, (a)
j 0
com {t} uma seqüência de v.a. não correlacionadas, de

média zero e variância 2 constante (ruído branco
estacionário - RB) e j são constantes satisfazendo j2 < .
Teorema de Wold
Ainda,

E( X t )   Var ( X t )   2
 j
 2
j 0

 h   2  j j  h ,  j 
ψ 2
j 0
 
j 0
j jh
h  
 j
 2
j 0
Teorema de Wold
Processos ARMA são casos particulares de (a).
Exemplos:
ψ j   j  X t  X t 1  εt ~ AR( 1 ),
  1, ρh   ; h
ψ1  θ, ψ j  0 , j  1  X t  εt  θεt 1 ~ MA( 1 ),
ρ1  (  θ) , ρh  0 , j  1;
( 1  θ)
2
ψ j  (  θ ) j 1  X t  X t 1  εt  θεt 1 ~ ARMA( 1,1 ),
ρ1  (1   ) , ρh  ρh 1, h  1;
( 1  θ  2)
2
Exercício 3 – (Questão 11 – 2011)
(0) F (1) V (2) V (3) V (4) F

46
EXERCÍCIOS
Exercício 1
Considere o processo
yt = 0,5yt-1 + t – 0,5t-1, t = 1, 2, ...
(a) O processo descrito é estacionário?
(b) O processo descrito é invertível?
(c) A memória do processo descrito é semelhante à
memória de um processo ruído branco?

Exercício 2
Em relação aos modelos de Séries de Tempo pode-se
afirmar:
(0) No modelo de médias móveis de ordem 1,
Z t   0  ut 1  ut  1
em que
ut ~ RB(0, 2),
o parâmetro 0 não é a média do processo. (0) F
(1) Considere que Zt ~ ARMA(1,1), com média zero,

estacionário e invertível. Assim, é incorreto afirmar que os
parâmetros do processo gerador de Zt sejam livres de
restrições. (1) V
Exercício 3
yt = –0,6yt-1 + t + 0,6t-1, t = 1, 2, ...
Verifique se as condições de estacionariedade e

invertibilidade deste processo estão satisfeitas.
Exercício 4
yt = t –0,6t-1 –0,1t-2, t = 1, 2, ...
Verifique se as condições de estacionariedade e

invertibilidade deste processo estão satisfeitas.
LEITURA COMPLEMENTAR
Modelos Lineares Estacionários
Morettin e Toloi, 2006, Capítulo 5.2

Os modelos que aqui serão estudados são casos
particulares de um modelo de filtro linear.
Tal modelo supõe que a série temporal seja gerada através

de um filtro linear (ou sistema linear), cuja entrada é um
ruído branco (RB).
Na figura, a seguir, temos o exemplo de um esquema que

representa um filtro linear com série de entrada at, função
de transferência (L) e série de saída Zt.
(L)
at Zt
Filtro Linear
Figura 1 - Filtro linear com série de entrada at, função de

transferência (L) e série de saída Zt.
Apenas para lembrar
E (at )  0, t ,
Var (at )   , t ,
2
a
Cov(at , as )  E (at as )  0, s  t
Ou seja, at é um RB estacionário.
Formalmente, temos que
Zt = µ + at + 1at-1 + 2at-2 + ... =
= µ + at + 1Lat + 2L2at + ... = µ + (L)at (1)
em que
µ – parâmetro determinando o nível da série
L – operador defasagem
(L) = 1 + 1L + 2L2 + ... é denominada

função de transferência do filtro.
 Zt, dado em (1), é um processo linear (discreto).
 Se a seqüência de pesos {j, j ≥ 1} for finita ou

infinita e convergente, o filtro é estável (somável) e
Zt é estacionária. Neste caso, µ é a média do
processo.
 Caso contrário Zt é não estacionária e µ não tem

significado específico, a não ser como um ponto de
referência para o nível da série.
Condições de Estacionariedade e Invertibilidade
A condição anterior também pode ser expressa na
condição de que (L), que é a função geradora dos pesos
, deve convergir para |L| ≤ 1, isto é, dentro de e sobre o
círculo unitário. Esse resultado é discutido em detalhes no
Apêndice A3.1 do livro de Box, Jenkins e Reinsel (1994,
pag. 85-86).
Não é difícil, 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) = µ
se a série
j
convergir.
Também não é difícil ver que a facv, j, de Zt é

dada por

 j  2
a  i i j
 
i 0
,
com 0 = 1.
Em particular, para j = 0, obtemos a variância de Zt,

 0  Var ( Z t )   2
a 
j 0
2
j .
A condição para que as duas expressões anteriores

existam é que


j 0
2
j  .
Assim verificamos que a média e a variância

de Zt são constantes e a covariância só
depende de j, logo, Zt é estacionária.
Podemos escrever
~
Zt  Zt  
em uma forma alternativa, como uma soma ponderada
de seus valores passados mais um ruído 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 
ou
~
 ( L) Z t  at
em que (L) é o operador
 ( L)  1   1 L   2 L  ...
2
Mas,
~
Z t   ( L)at ,
de modo que
~
 ( L) Z t  at   ( L) ( L)at  at ,
ou seja,
 ( L) ( L)  1   ( L)   1 ( L)
Esta relação pode ser usada para obter os pesos j em
função dos pesos j e vice-versa.
Exemplo 1
Zt = µ + (L)at
em que
j = ()j, j = 1, 2, 3, ...,
0 = 1;
|| < 1; e
at como definido anteriormente.
Exemplo 1 (cont.)
Temos que
 
1

j 0
 j   
j
j 0 1
,
logo, E(Zt) = µ.
Exemplo 1 (cont.)
Ainda, dado que j2 converge, obtemos
 2
0  a
1 2
 j
j   , j0
2
1 2 a
Exemplo 2
Para o modelo dado no Exemplo 1, considere, agora,

que  = 1 e µ = 0; então
Z t  at  at 1  ...
Não é difícil ver que j não converge. Dessa forma, o

processo será não-estacionário.
Exemplo 3
O modelo dado no Exemplo 2 deriva da equação
Z t  Z t 1  at .
Assim, da equação anterior, não é difícil observar que
Z t  Z t 1  at .
Ou seja, a primeira diferença de Zt é um RB estacionário.
Dizemos que Zt é um passeio aleatório; seu valor no
instante t é uma soma de choques aleatórios que entraram
no sistema desde o passado remoto até o instante t.
Exercício
Zt = (L)at
em que
j = ()j, j = 1, 2, 3, ...,
0 = 1; e
|| < 1.
Encontre (L) e escreva (L)Zt = at. Interprete.
Exemplo 4
Zt = at + at-1,
ou seja,
1 = , j = 0, j > 1.
Assim, é possível afirmar que o processo é estacionário
para qualquer valor de  ?

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
Exemplo 5 (cont.)
A seqüência formada pelos pesos j será

convergente se | | < 1 e neste caso dizemos que o
processo é invertível. Segue-se que para o
processo ser invertível o operador (L) deve
convergir para |L| ≤ 1, e
Z t  Z t 1   Z t  2  ...  at .
2
Proposição
Um processo linear geral será estacionário

se (L) convergir para |L| ≤ 1; será
invertível se (L) convergir para |L| ≤ 1. A
demonstração deste fato pode ser
encontrada, por exemplo, em Box, Jenkins
& Reinsel (1994).
Teorema de Wold
Teorema de Wold
Todo processo estacionário de segunda ordem,

puramente não-determinístico, pode ser escrito como
um Polinômio Linear Geral (PLG), dado a seguir:

X t     j  t  j ,  0  1, (a)
j 0
com {t} uma seqüência de v.a. não correlacionadas,

de média zero e variância 2 constante (ruído branco
estacionário - RB) e j são constantes satisfazendo
j2 < .
Teorema de Wold
Ainda, 
E( X t )   Var ( X t )   2  2j
j 0

h  2
 
j 0
j jh , ψ 2
j 
 
j 0
j jh
h  
 j
 2
j 0
Teorema de Wold
Processos ARMA são casos particulares de (a).
Exemplos:
ψ j   j  X t  X t 1  εt ~ AR( 1 ),
  1, ρh   ; h
ψ1  θ, ψ j  0 , j  1  X t  εt  θεt 1 ~ MA( 1 ),
ρ1  (  θ) , ρh  0 , j  1;
( 1  θ)
2
ψ j  (  θ ) j 1  X t  X t 1  εt  θεt 1 ~ ARMA( 1,1 ),
ρ1  (1   ) , ρh  ρh 1, h  1;
( 1  θ  2)
2
Exercícios
Exercício 1
O processo
Zt = (L)at
em que
j = ()j, j = 1, 2, 3, ...,
0 = 1; e
|| < 1.
é invertível?
Exercício 2
Considere o seguinte processo


X t   j  t  j ,
j 0
com
ψ0  1
ψ j  (  θ ) j 1 , j  1
t ~ RB(0 ; 2)
Exercício 2 (cont.)
a) O processo é estacionário? Justifique.
b) O processo é invertível? Justifique.

Exercício 3
De acordo com as suposições feitas no exercício

anterior para obter a estacionariedade do processo,
encontre a FACV e a FAC do mesmo.
Exercício 4
O processo
X t  0,80 X t 1   t  0,80 t 1
em que
t ~ NID(0;1)
é estacionário e/ou invertível? Justifique a sua

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

Aula 35 - ST II - Modelos Arma - Novo

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Aula 35 - ST II - Modelos Arma - Novo

Enviado por

Direitos autorais:

Formatos disponíveis

Processos ARMA

Gujarati, 2006 (tradução da 4a. ed. em inglês) – cap. 21 e 22

A expressão geral de uma série temporal, para o caso

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

Para que a equação (1) se torne operacional, é necessário

xt = 0 + 1xt-1 + at. (2)

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

xt = 0 + 1xt-1 + 2xt-2 + ...+ pxt-p + at. (3)

O operador lag (ou, operador defasagem), representado por

(1 – L)xt = xt – Lxt = xt – xt-1 = xt

 é conhecido como operador diferença.

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

(1 – 1L – 2L2 – ... – pLp)xt = 0 + at (4)

Ainda, é possível assumir uma estrutura um pouco mais

Por exemplo, at pode ser expresso por

at = t – 1t-1 – ... – qt-q (5)

t é um processo ruído branco estacionário.

xt = 0 + t – 1t-1 – ... – qt-q. (6)

Usando os resultados do slide 4, em (6), podemos escrever

xt = 0 + (1 – 1L – 2L2 – ... – qLq)t (7)

xt = 0 + 1xt-1 + 2xt-2 + ...+ pxt-p + t – 1t-1 – ... – qt-q (8)

Usando os resultados do slide 4, em (8), podemos escrever

(1 – 1L – 2L2 – ... – pLp)xt = 0 + (1 – 1L – 2L2 – ... – qLq)t

Baseando-se no resultado anterior, tem-se que

Ou seja, a esperança incondicional de xt é constante e

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

b) Verifique que a FAC do processo é dada por

Considere que xt siga o seguinte processo

Ou seja, a esperança incondicional de xt é constante e

Prove que a FACV do processo AR(2) é dada por:

Prove que a FAC do processo AR(2) é dada por:

xt = 0 + 1xt-1 + 2xt-2 + ...+ pxt-p + t

 j  1 j 1  2 j 2  ...   p j  p , j  0

Do resultado anterior, não é difícil ver que a FAC de um

Função de Auto-correlação Parcial (FACP)

De maneira geral, esperamos que a FAC empírica de uma

Não é difícil mostrar que

Ainda, a FACV é dada por

 0  ( 1  12 ) 2  1  1 2  2   3  ...  0

Baseado no resultado anterior, não é difícil ver que a FAC fica

O processo MA(1) pode ser invertido para dar t como uma

t = xt + 1xt-1 + 12xt-2 + ...

xt = t – 1xt-1 – 12xt-2 – ...

que é um processo AR().

Se tal restrição não for observada, então os valores mais

A condição |1| < 1, é conhecida por condição de

Ainda, como a equação xt = t – 1xt-1 – 12xt-2 – ... denota um

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

A condição de invertibilidade de um processo MA(2) é

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

O processo ARMA(p, q) escreve-se da seguinte forma:

• A invertibilidade requer a mesma condição para as raízes

• Verificadas estas condições, o processo ARMA(p, q) pode

O processo misto, sem constante, de ordem mais baixa é o

Para esse caso, admitindo || < 1, é possível provar que:

Já a FACV do processo ARMA(1, 1) é dada por

E a FAC do processo fica dada por,

• Os coeficientes seguintes decrescem exponencialmente,

• Contudo, e por comparação com o processo AR puro, os

yt = -0,2yt-1 + 0,48yt-2 + t + 0,6t-1 –0,16t-2, t = 1, 2, ...

a) Escreva o modelo de interesse, utilizando os polinômios

Todo processo estacionário de segunda ordem, puramente

com {t} uma seqüência de v.a. não correlacionadas, de