Escolar Documentos
Profissional Documentos
Cultura Documentos
2011
Estrutura da Apresentao
Conceitos bsicos Momentos do processo estocstico Funes de autocovarincia e autocorrelao Processos autoregressivos mdia mveis (ARMA) Processos autoregressivos (AR) Estacionariedade do modelo de p-sima ordem Funes de autocovarincia e autocorrelao Processos Mdia Mvel (MA) Funes de autocovarincia e autocorrelao Processos mistos: ARMA(p,q) Funes de autocovarincia e autocorrelao Fatores comuns
Srie temporal: consiste basicamente de um conjunto de observaes sobre uma varivel, y , tomado em espao igualmente distribudo no tempo.
H dois aspectos no estudo de sries de tempo: anlise e modelagem. O objetivo da anlise sumarizar suas propriedades e caracterizar suas expresses mais destacadas.
Domnio do tempo:
tempo.
Domnio da frequncia:
Modelagem
As observaes no so independentes umas das outras. Seus valores esto prximos de valores adjacentes (correlao
serial)
Captar o padro de correlao serial pode melhorar a previso. Um processo estocstico pode ser denido como uma coleo de variveis aleatrias que so ordenados no tempo.
Exemplo
yt = t + t 1 , t = 1, . . . , T
2 Em que iid (0, ) e o parmetro.
(1)
possvel obeter um conjunto innito de realizaes no perodo t = 1, . . . , T . Portanto o modelo efetivamente dene uma distribuio conjunta de variveis y1 , . . . , yT .
mdia:
t = E (yt ), p/ t = 1, . . . , T
(2)
(3) (4)
necessrio:
(5) (6) (7)
E (yt ) =
2 E [(yt )2 ] = y = (0)
para todo t .
Contrapartidas amostrais
1. 2. 3.
() = C () = T 1
T t =+1
= y = T 1 yt
1
(8) (9)
(yt y )(yt y ), = 1, 2, . . .
(10)
condio mais forte, pela qual a distrib. conjunta de probab. de um conjunto de r observaes em instantes t1 , t2 , . . . , tr a mesma de um conjunto de observaes
Estrita estacionariedade:
E (t ) = 0 E (t , t ) =
=0 =0
(11)
(12)
(13)
Exemplo: MA(1)
= E (t ) + E (t 1 ) = 0
2 1. (0) = (1 + 2 )
(14)
2. (1) = 2 3. () = 0
Portanto,
(1) =
(1) 2 = = 2 ) 2 (0) (1 + (1 + 2 )
Exemplo: para = 0, 5
(1) =
0, 5 = = 0, 4 (1 + 2 ) (1 + 0, 25)
se
<0 >0
O correlograma:
(0) = C (0) = T 1 (yt y )2
1
T
(15) (16)
(T ) = C () = T 1
+1
(yt y )(yt y ),
= 1, 2, 3, . . .
Ento,
r () =
C () , C (0)
= 1, 2, 3, . . .
(17)
Uma classe geral de processos estocsticos pode ser formada introduzindo um no innito de defasagens em uma mdia mvel:
yt = J t J
J =0
(18)
Em que 0 , 1 , 2 , . . . so parmetros A condio 0 2 < deve ser imposta a m de assegurar que o j= J processo tenha varincia nita. Em alguns casos uma condio mais forte necessria: |J | < 0
E (t t ) = 0 E (t |It 1 ) = 0 f (t t J ) = f (t )f (t J )
(ARMA(p,q)) escrito (19)
Um processo como:
yt = 1 yt 1 + + p yt p + t + 1 t 1 + + q t q
Usando:
yt = J t j + J yt j
0 Parte MA
J 1
E (yt ) = E J t j
0
J 1
+ E ( J yt j ) = J yt J
Se | | < 1 este valor vai se tornando negligencivel medida que o tempo vai passando.
yt = 1 yt 1 + 2 yt 2 +
Determinista
t
Estocstica
t = 1, . . . , T
yt (1 1 L 2 L2 ) = t yt = (L)1 t = (L)t
com
(L) = (1 1 L 2 L) (L) = 0 + 1 L + 2 L2 + + L + . . .
Ento
(L)(L) = 1 (1 1 L 2 L )(0 + 1 L + 2 L + . . . ) = 1
2 2
J 2
yt 1 yt 1 2 yt 2 = 0
(26)
O modelo AR(p) ser estacionrio se as razes caractersticas da equao x p 1 x p1 p = 0 (27) se encontrarem dentro do crculo unitrio; ou se 1 1 L p Lp = 0 tiver suas razes fora do crculo unitrio. (28)
Quando | | < 1,
12
1
j =0
J t )yt ]
(32)
Que se reduz a
() = E (yt2 ) = (0)
(33)
Logo
() = () funo de autocorrelao (0)
1 2
1 = 1 (1) + 2 (2) +
(0) =
2 (0)
2 1 1 (1) 2 (2)
(43)
e
(0) =
2 1 1 (1) p (p )
(44)
yt = t + 1 t 1 + 2 t 2 + + q t q
(45)
E (yt2 ) = E (t + 1 t 1 + 2 t 2 + + q t q )
=
2 2 2 2 (1 + 1 + 2 + + q )
(46) (47)
= 1, 2, . . . , q >q
(48)
Inversibilidade:
yt = t + 1 t 1 yt 1 = t 1 + 1 t 2 yt = t + 1 (yt 1 1 t 2 )
E assim sucessivamente...
yt = yt 1 2 yt 2 ( )J yt J + t ( )J +1 t J 1
Ou ento
(52)
yt = (1 ( L))t yt = ( )J yt J + t
j =1
(53) (54)
Assim
(2) = 0
Em termos gerais: inversibilidade requer quer as razes de (L) encontrem-se fora do crculo unitrio.
(61)
Exemplo: ARMA(1,1)
yt = yt 1 + t + t 1 , t = 1, . . . , T yt =
1L
1L
t 1
yt = t + ( J 1 + J )t J
0
E (yt yt ) = E (yt 1 yt ) + E (t yt ) + E (t 1 yt ) () = ( 1) + E (t yt ) + E (t 1 yt )
= 0, 1, 2, . . .
(65) (66)
Se > 1,
E (t yt ) = 0 E (t 1 yt ) = 0
. Quando = 0,
E (t yt ) = 2 E (t 1 yt ) = ( + ) 2
Ento
Assim
(1) =
(1 + )( + ) 1 + 2 + 2
(70) (71)
() = ( 1) = 2, 3, . . .
As propriedades de modelos ARMA de ordem mais elevada podem ser derivadas de modo similar.
Fatores comuns
Se (L) e (L) tiverem uma raiz que a mesma em ambos polinmios, ento diz-se que tem um fator comum.
1. Modelo sobreparametrizado 2. Possveis problemas de identicao e computacional
Exemplo: ARMA(2,1)
yt = 0, 2yt 1 + 0, 15yt 2 + t + 0, 3t 1
Note que (1 0, 2L 0, 15L2 ) = (1 0, 5L)(1 + 0, 3L), ento
(1 + 0, 3L) t (1 0, 5L)(1 + 0, 3L)
(72)
yt =
(73) (74)
yt = 0, 5yt 1 + t