AULA:

Introduo s Sries Temporais

Prof. Victor Hugo Lachos Davila

Natureza e Fonte de Dados

Existe 3 tipos de dados disponvel para anlise:
Sries Temporais: quando os dados so observados em diferentes instantes do tempo, seja diariamente (preo de aes, relatrios meteorolgicos), mensalmente (taxa de desemprego, IPC), trimestralmente (PIB). Corte Transversal: quando os dados observados foram coletados no mesmo ponto do tempo (pesquisas de opinio, dados de censos) Dados em Painel: Aqui uma unidade em corte transversal pesquisada ao longo do tempo. (PIB de cada pais sul-americano para o perodo de 1990 a 2008)

Exemplos de sries temporais (1)

Rudo Branco Gaussiano

2.82 2.35 1.88 1.41 0.94 0.47 0 -0.47 -0.94 -1.41 0 3 6 9 12 15 18 21 24 27 30 33 36 39 42 45 48 51 54 57 60 63 66 69 72 75 78 81 84 87 90 93 96 99

X t~ N (0, 2 )

i.i.d

independente e identicamente distribudos (a.a.) O valor esperado constante A varincia constante Simtrica No correlacionados entre instantes diferentes

Exemplos de sries temporais (2)

Movimento de uma partcula com relao a um ponto

=0

Passeio Aleatrio

X t= + X t 1+ a t
a t ~ N (0, 2 ) i.i.d

=0.2
O valor esperado constante A varincia no constante Simtrica Correlacionados entre instantes diferentes

Exemplos de sries temporais (3)

Populao da Espanha

37800000 35700000 33600000 31500000 29400000 27300000 25200000 23100000 21000000 18900000 y1900m01d01 y1910m01d01 y1920m01d01 y1930m01d01 y1940m01d01 y1950m01d01 y1960m01d01 y1970m01d01 y1980m01d01 y1990m01d01

A mdia no constante A populao espanhola cresceu estritamente de dcada em dcada de maneira aparentemente lineal. Tendncia crescente Se tomamos a diferena yt - yt-1 pode-se observar as flutuaes quanto velocidade de crescimento.
3600000 3360000 3120000 2880000 2640000 2400000 2160000 1920000 1680000 1440000 y1910m01d01 y1920m01d01 y1930m01d01 y1940m01d01 y1950m01d01 y1960m01d01 y1970m01d01 y1980m01d01 y1990m01d01

870000 580000 290000 0 -290000 -580000 -870000 -1160000 -1450000 -1740000 -2030000 y1920m01d01 y1930m01d01 y1940m01d01 y1950m01d01 y1960m01d01 y1970m01d01 y1980m01d01 y1990m01d01

Exemplos de sries temporais (4)

Consumo eltrico

1960 1820 1680 1540 1400 1260 1120 980 840 700 560
91 92 93 94 95 96 97 98 99 00 01 02 03 04

As sries de consumo de eletricidade apresentam uma clara tendncia positiva que parece acelerar-se no final da srie. Por outro lado a srie apresenta uma marcada sazonalidade com consumos muito elevados nos meses de inverno devido ao efeito da temperatura. A srie parece ter maior disperso na medida que toma maiores valores. Se a sazonalidade estritamente peridica pode eliminar-se da srie com um componente determinista. Um truque poderia ser estudar separadamente as sries correspondentes em perodos equivalentes. Outra alternativa tomar diferenas de ordem apropriado.

624 572 520 468 416 364 312 260 208 156 104 y1980m01d01 y1980m07d01 y1981m01d01 y1981m07d01 y1982m01d01 y1982m07d01 y1983m01d01 y1983m07d01 y1984m01d01 y1984m07d01 y1985m01d01 y1985m07d01 y1986m01d01 y1986m07d01 y1987m01d01 y1987m07d01 y1988m01d01 y1988m07d01 y1989m01d01 y1989m07d01 y1990m01d01 y1990m07d01 y1991m01d01 y1991m07d01 y1992m01d01

Passageiros em linhas areas

Heteroscedasticidade Se a varincia no constante pode-se normalizar transformando apropriadamente os dados iniciais.

6.46 6.27 6.08 5.89 5.7 5.51 5.32 5.13 4.94 4.75 y1980m01d01 y1980m07d01 y1981m01d01 y1981m07d01 y1982m01d01 y1982m07d01 y1983m01d01 y1983m07d01 y1984m01d01 y1984m07d01 y1985m01d01 y1985m07d01 y1986m01d01 y1986m07d01 y1987m01d01 y1987m07d01 y1988m01d01 y1988m07d01 y1989m01d01 y1989m07d01 y1990m01d01 y1990m07d01 y1991m01d01 y1991m07d01 y1992m01d01

Exemplos de sries temporais (5)

As sries de nmero de passageiros por ms em linhas areas apresenta sazonalidade com um marcado crescimento onde a varincia aumenta na medida que toma maiores valores.

114

133

152

171

190

19
112 128 144 160 16 32 48 64 80 96 0

38

57

76

95

Se observa:

Venda diria de um jornal em uma banca

Mudanas de nvel.
04 05 06 07

y2004m01d02 y2004m01d19 y2004m02d05 y2004m02d22 y2004m03d10 y2004m03d27 y2004m04d13 y2004m04d30 y2004m05d17 y2004m06d03 y2004m06d20 y2004m07d07 y2004m07d24 y2004m08d10 y2004m08d27 y2004m09d13 y2004m09d30 y2004m10d17 y2004m11d03 y2004m11d20 y2004m12d07 y2004m12d24 y2005m01d10 y2005m01d27 y2005m02d13 y2005m03d02 y2005m03d19 y2005m04d05 y2005m04d22 y2005m05d09 y2005m05d26 y2005m06d12 y2005m06d29 y2005m07d16 y2005m08d02 y2005m08d19 y2005m09d05 y2005m09d22 y2005m10d09 y2005m10d26 y2005m11d12 y2005m11d29 y2005m12d16 y2006m01d02 y2006m01d19 y2006m02d05 y2006m02d22 y2006m03d11 y2006m03d28 y2006m04d14 y2006m05d01 y2006m05d18 y2006m06d04 y2006m06d21 y2006m07d08 y2006m07d25 y2006m08d11 y2006m08d28 y2006m09d14 y2006m10d01 y2006m10d18 y2006m11d04

Comportamentos peridicos a nvel semanal e a nvel anual.

001 011 021 08 09

Exemplos de sries temporais (6)

A influncia de efeitos como feriados, pontes, etc.

031

y2004m11d15 y2004m11d22 y2004m11d29 y2004m12d06 y2004m12d13 y2004m12d20 y2004m12d27 y2005m01d03 y2005m01d10 y2005m01d17 y2005m01d24 y2005m01d31 y2005m02d07 y2005m02d14 y2005m02d21 y2005m02d28 y2005m03d07 y2005m03d14 y2005m03d21 y2005m03d28 y2005m04d04 y2005m04d11 y2005m04d18 y2005m04d25 y2005m05d02 y2005m05d09 y2005m05d16 y2005m05d23 y2005m05d30 y2005m06d06 y2005m06d13 y2005m06d20 y2005m06d27 y2005m07d04 y2005m07d11 y2005m07d18 y2005m07d25 y2005m08d01 y2005m08d08

y2004m07d17 y2004m07d31 y2004m08d14 y2004m08d28 y2004m09d11 y2004m09d25 y2004m10d09 y2004m10d23 y2004m11d06 y2004m11d20 y2004m12d04 y2004m12d18 y2005m01d01 y2005m01d15 y2005m01d29 y2005m02d12 y2005m02d26 y2005m03d12 y2005m03d26 y2005m04d09

Venda de um tipo de produto em uma temporada

Exemplos de sries temporais (7)

Efeitos como o comeo das promoes produz um resultado em incremento instantneo das vendas que se transmite com certo decaimento.

Exemplos de sries temporais (8)

Temperatura mxima e mnima diria

39.2 34.3 29.4 24.5 19.6 14.7 9.8 4.9 0 -4.9 -9.8
1994 1995 1996 1997 1998 1999 2000 2001 2002 2003

34.3 29.4 24.5 19.6 14.7 9.8 4.9 0 -4.9 -9.8

As sries de temperaturas oscilam em torno de um valor central, (15 mx e 5 mn) mas sistematicamente alguns meses tem valores mais altos que outros. Por exemplo os meses de vero tem valores mais altos que os meses de inverno. Sries diferentes guardam altas correlaes. Tambm pode-se considerar o problema de modelar ambas simultaneamente, como Sries Temporais Multivariadas.

Processos Estocsticos
Um Processo Estocstico pode ser definido como uma coleo de variveis aleatrias ordenadas no tempo x t , t T ,onde T um conjunto ordenado de ndices.

Serie Temporal Observada

zt
Os Zt,, , t=0,1,2,3,.....n, so realizaes de xt

Conceito de Srie Temporal

Def.) Srie temporal : Uma serie temporal se considera como a realizao de um processo estocstico e que esto ordenadas em intervalos regulares de tempo (cada dia, cada ms, cada ano, etc)

{zt }
39.2 34.3 29.4 24.5 19.6 14.7 9.8 4.9 0 -4.9 -9.8
1994 1995 1996 1997 1998 1999 2000 2001 2002 2003

z1, z2 , z3,...zt
34.3 29.4 24.5 19.6 14.7 9.8 4.9 0 -4.9 -9.8

2000 1800 1600 1400 1200 1000 800 600 400 200 0
89-Ene 89-Abr 89-Jul 89-Oct 90-Feb 90-May 90-Ago 90-Dic 91-Mar 91-Jun 91-Sep 92-Ene 92-Abr 92-Jul 92-Nov 93-Feb 93-May 93-Ago 93-Dic 94-Mar 94-Jun 94-Oct 95-Ene 95-Abr 95-Jul 95-Nov 96-Feb 96-May 96-Sep 96-Dic 97-Mar 97-Jun 97-Oct 98-Ene 98-Abr 98-Ago 98-Nov 99-Feb 99-May 99-Sep 99-Dic 00-Mar 00-Jul 00-Oct 01-Ene 01-Abr 01-Ago 01-Nov 02-Feb 02-Jun 02-Sep 02-Dic 03-Mar 03-Jul 03-Oct 04-Ene 04-May

2000 1800 1600 1400 1200 1000 800 600 400 200 0

Os dados de sries temporais geralmente no so independentes, especialmente se os intervalos da amostra so curtos. As observaes prximas costumam ser mais parecidas que as mais distantes (p. ej. temperatura diria).

Caracterizao de Processos Estocsticos

Um processo estocstico fica caracterizado se definimos a funo da distribuio conjunta das variveis aleatrias (z1,z2,.. zT) para qualquer valor de T. Dizemos que conhecemos a estrutura probabilstica de um proceso estocstico quando conhecemos estas distribuies, sem embargo isto requer observar um grande nmero de realizaes que no costumam estar disponveis quando se trata de sries econmicas. Def.) Funo de Mdias :proporciona as esperanas das distribuies marginais de zt para cada instante

t = E[ z t ]
Def.) Funo de varincias do processo proporciona as varincias em cada instante temporal.

t2 = Var[ zt ]

Caracterizando o processo estocstico Zt

Def.) Funo de AutoCovarincias: descreve a Covarincias entre duas variveis do processo em dois instantes quaisquer.

(t , t + j ) = Cov( zt , zt + j ) = E[( zt t )( zt + j t + j )]

Def.) Funo de Autocorrelaon: mede a dependncia lineal entre os valores do processo no instante t e no instante t+j. Chamaremo coeficiente de correlao de orden (j) a:

(t , t + j ) =

Cov( zt , zt + j )

t t + j

o correlograma no mais que a representao dos coeficientes de autocorrelacin em funo do atraso j.

Tipos de processos estocsticos Processos Estocsticos

Processos Estacionrios
Um processo estocstico Zt estacionrio quando as propriedades estatsticas de qualquer sequncia finita z1,z2,.. zk de componentes de Zt so semelhantes s da sequncia z1+h,z2+h,.. zk+h para qualquer nmero inteiro h
0.8 0.64 0.48 0.32 0.16 0 -0.16 -0.32 -0.48 -0.64
00-Ene 00-Nov 01-Sep 02-Jul 03-May 04-Mar 05-Ene 05-Nov 06-Sep 07-Jul 08-May 09-Mar 10-Ene 10-Nov
91 92 93 94 95 96 97 98 99 00 01 02 03 04

Processos No Estacionrios
Um processo estocstico Zt no estacionrio quando as propriedades estatsticas de ao menos uma sequncia finita z1,z2,.. zk de componentes de Zt so diferentes das de sequncia z1+h,z2+h,.. zk+h para ao menos um nmero inteiro h
1960 1820 1680 1540 1400 1260 1120 980 840 700 560

Se existe a transformao: Processos Homogneos de Orden d

Processos Estocsticos Estacionrios

Def.) Processo Estocstico Estacionrio em Sentido Estrito : Um processo estocstico Zt estacionrio quando as propriedades estatsticas de qualquer sequncia finita z1,z2,.. zk de componentes de Zt so semelhantes s da sequncia z1+h,z2+h,.. zk+h para qualquer nmero inteiro h. Um processo estocstico Zt estacionrio quando a distribuio conjunta de qualquer conjunto de variveis no se modifica se transferimos as variveis no tempo.

F(xi , x j ,...xk ) = F(xi+h , x j+h ,...,xk+h )

Def.) Processo Estocstico Estacionrio em Sentido Dbil : Quando os momentos de primeira e segunda ordem do processo so constantes e a Covarincia entre duas variveis depende somente de sua separao no tempo

E(xt ) = Var(xt ) = 2

(t, t k) = (t, t + k) = k k = 0,1,2

0.8 0.64 0.48 0.32 0.16 0 -0.16 -0.32 -0.48 -0.64
00-Ene 00-Nov 01-Sep 02-Jul 03-May 04-Mar 05-Ene 05-Nov 06-Sep 07-Jul 08-May 09-Mar 10-Ene 10-Nov

Nota: Quando um processo estacionrio as propriedades estatsticas se simplificam notavelmente e sua caracterizao mais simples

Exemplos de Processos Estocsticos Estacionrios

Processo Rudo Branco. ARIMA(0,0,0)

zt = at
Processo Homogneo de orden 1. ARIMA(p,0,0)

Caracterizao
Mdia de Amostra

zt =Homogneo at Proceso de Orden 1. ARIMA(0,1,0)

Processo Autoregressivo de orden (p).ARIMA(p,0,0)

z t

t =1 t

Matriz de Covarincias

t =

1 T )( zt k z ) ( zt z T t = k +1

zt = 1 zt + .. + p zt p + at
Processo Mdia Mvel de ordem (q).ARIMA(0,0,q)

Autocorrelaes

rk = k o

zt = at + 1at 1 + .. + q at q
Processo ARIMA(p,0,q)

zt = 1 zt 1 + .. + p zt p + at + 1at 1 + .. + q at q

Estimao dos momentos de Processos Estacionrios

Dada uma srie temporal Zt nosso objetivo construir um modelo estatstico que capture toda a informao estatstica sistemtica contida em essa srie. Se consideramos Zt como uma realizao de um processo estocstico podemos obter estimativas de seus momentos de amostras tal que:

Caracterizao

t ) = Def.) Estimador Mdia de amostra: um estimador centrado da mdia populacional. E ( z

z t =

t =1 t

Def.) Estimador das Covarinias de orden k quando a mdia populacional desconhecida. um estimador enviesado da autocovarincias populacionais mas tm menores erros quadrticos de estimao que o estimador com mdia conhecida. Garante que a matriz de covarincias seja sempre definida positiva.
Mdia Desconhecida: Mdia Conhecida

k =

1 T )( zt k z ) ( zt z T t = k +1

~ = k

1 T ( zt )( zt k ) T k t = k +1

Def.) Estimador da matriz de covarincias:

1 0 0 ~ k = 1 M M k 1 k 2

L k 1 L k 2 O M L 0

Def.) Estimador das autocorrelaes de orden k:

rk = k o

Onde

a varincia do proceso

Conceito de Modelao Emprica

Def.) Modelao Emprica: Usando modelos estatsticos descrevem-se fenmenos estocsticos observveis
0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0 0.8 0.7 0.6 0.5 0.4 0.3 0.2 0.1 0
12 11 10 9 8 7 6 5 4 3 2
0101 0201 0301 0401 0501 0601 0701 0801 0901 1001

Srie Temporal:

z1, z2 , z3,...zt

12 11 10 9 8 7 6 5 4 3 2

-2

-1

Padro de regularidade: Histograma

150 120 90 60 30 0 2 3 4 5 6 7 8 9 10 11 12

150 120 90 60 30 0

= { f ( x, ) , , x x }

A ponte entre os padres de regularidade e os conceitos probabilsticos transformar o reconhecimento intuitivo de padres em informao estatstica sistemtica para ser utilizada na modelao.

zt = f (t , ) + at
onde f(t,B) uma funo conhecida determinista do tempo que depende de um vetor de parmetros B e at uma sequncia de variveis aleatrias independentes de mdia zero e varincia constante.

Modelo Lineal

zt = f (t , ) + at = o + 1 x1 + 2 x2 + ... + k xk + at at > RB(0, a )

1. 2. 3. 4. 5. 6. Modelo estocstico: A presena de trmino de error faz que a relao entre a varivel endgena e a explicativa seja estocstica. O modelo que relaciona as variveis endgena e explicativa lineal nos coeficientes beta. Os coeficientes beta so constantes no tempo. Existe uma relao causal desde as variveis explicativas at as variveis endgenas. As variveis x so linealmente independentes. As variveis x so deterministas.

Estimador Mnimos Quadrados Ordinrios

yt = X t + at at RB(0, a )
Parmetros desconhecidos do meu modelo beta e sigma

t = yt y t = yt X t a ) = a 'X 'y + ' X ' X ta t = yt ' yt 2 SR( ) = min ( y ' y 2 'X 'y + ' X ' X ) min SR( t t

XB

) a a SR ( 'X 'y + ' X ' X = t t = 2 ) SR ( = ( X ' X ) 1 X ' y =0 ) 2 SR( ' = X X ' def +

at=Y-XB

Propriedades do Estimador MCO

Se E(at)=0T ento o estimador MCO insesgado e E()=
= ( X ' X ) 1 X ' y = ( X ' X ) 1 X ' ( X + at ) ) = E[ + ( X ' X ) 1 X ' at ] = + ( X ' X ) 1 X ' E[at ] = E ( = ( X ' X ) 1 X ' at ) = E[( E ( ))( E ( ))] = E[( )( )] Var ( ) = E[( X ' X ) 1 X ' at a ' t X ( X ' X ) 1 ] = ( X ' X ) 1 X ' E[at a ' t ] X ( X ' X ) 1 Var (
2 2 ) = ( X ' X ) 1 X ' ( a Var ( I T ) X ( X ' X ) 1 = a ( X ' X ) 1

2 , a N( ( X ' X ) 1 )

necessrio um estimador da varincia, se demonstra que:

' a t at 2 a = T k ' a t at 2 2 =a E ( a ) = E T k

Mtodos Tradicionais
Os mtodos atuais de anlises de sries temporais entende-se melhor se connhecemos as limitaes de outros mtodos mais simples desenvolvidos para solucionar o problema da predio. Modelo com Tendncia Determinista

zt = + 1t + at
Modelo com Sazonalidade Cclica Determinista

zt = + A.sen( wt ) + B. cos(wt ) + at

Modelo de Ajuste de Mltiplos Ciclos Deterministas

zt = + A j sen( w j t ) + B j cos( w j t ) + at
j =1 j =1

Modelo com Tendncias Deterministas: Zt=bo+b1t+at

Dada a srie de consumo eltrico anual procedemos a representar-lo mediante um modelo estatstico consistente em uma constante, uma tendncia dependente do tempo e uma varivel aleatria de mdia zero e varincia constante. Nosso objetivo realizar uma previso de demanda de consumo para o ano seguinte.

zt = f (t , ) + at = o + 1t + at
Para isto realizamos uma regresso lineal com os seguintes resultados
Parmetros Estimados
B0 B1 Name Value StDs TStudent RefuseProb cte 265093.5 8403.6 31.5 6.49E-13 trend 17745.6 1058.8 16.8 1.09E-09

O modelo d um grande ajuste !?!

R2 Desv. Est.

0.955771 14283.3717

Modelo de Tendncia Lineal

z t = 265093.5 + 17745.6 t
506000 483000 460000 437000 414000 391000 368000 345000 322000 299000
91 92 93 94 95 96 97 98 99 00 01 02 03

Os resduos contm claramente informao, fato que nos leva a concluir que o modelo est mal especificado.
19200 14400 9600 4800 0 -4800 -9600 -14400 -19200 -24000
91 92 93 94

a t = zt z t
Erros MUITO ALTOS
95 96 97 98 99 00 01 02 03

A varincia no constante!

Modelo com sazonalidade cclica

Um modelo para a temperatura mdia diria uma estrutura harmnica no tempo da forma

zt = + Asen(t ) + B cos(t ) + at
onde uma constante (nvel) A e B do os desvios com respeito a = 2 a frequncia ( T = 365 dias , T=12, T=52)

Realizamos uma regresso lineal com os seguintes resultados

A B Value StDs TStudent RefuseProb 7.82323835 0.06754142 115.828749 0 -2.57632028 0.09547423 -26.9844582 0 -4.14312321 0.09556174 -43.3554605 0

Os resduos so grandes e tm uma certa estrutura sazonal

Modelo com mltiplos ciclos de Fourier

Uma funo peridica pode descompor-se como uma superposio de funes harmnicas de distintas frequncias e amplitudes

zt = + A j sen ( j t ) + B j cos( j t ) + at
j =1 j =1

onde uma constante (nvel) Aj e Bj do os desvios com respeito a

T

= 2 n, n = 1,2,..., T / 2 so as frequncias ( T = 365 das )

O ajuste melhor

1992m05d01 1992m06d01 1992m07d01 1992m08d01 1992m09d01 1992m10d01 1992m11d01 1992m12d01 1993m01d01 1993m02d01 1993m03d01 1993m04d01 1993m05d01 1993m06d01 1993m07d01 1993m08d01 1993m09d01 1993m10d01 1993m11d01 1993m12d01 1994m01d01 1994m02d01 1994m03d01 1994m04d01 1994m05d01 1994m06d01 1994m07d01 1994m08d01 1994m09d01 1994m10d01 1994m11d01 1994m12d01 1995m01d01 1995m02d01 1995m03d01 1995m04d01 1995m05d01 1995m06d01 1995m07d01 1995m08d01 1995m09d01 1995m10d01 1995m11d01 1995m12d01 1996m01d01 1996m02d01 1996m03d01 1996m04d01 1996m05d01 1996m06d01 1996m07d01 1996m08d01 1996m09d01 1996m10d01 1996m11d01 1996m12d01 1997m01d01 1997m02d01 1997m03d01 1997m04d01 1997m05d01 1997m06d01 1997m07d01 1997m08d01 1997m09d01 1997m10d01 1997m11d01 1997m12d01 1998m01d01 1998m02d01 1998m03d01 49800 58100 66400 74700 83000 91300 99600 107900 116200 124500

Normalmente as sries apresentam tendncias no constantes e padres estacionais irregulares:

O padro estacional constante ao largo dos anos no consumo eltrico Ainda que apresente estacionalidade no se ajusta bem aos ciclos de Fourier

A Sazonalidade das sries econmicas pode a vezes ser representada com ciclos de Fourier

Limitaes dos mtodos deterministas

Tipos de perodos
A agregao nos dados sempre conduz a perda de informao. Sempre que seja possvel se deve construir modelos sobre sries temporais com a maior profundidade de desagregao.
6753.6 6748.8 6744 6739.2 6734.4 6729.6 6724.8 6720 6715.2 6710.4 92 93 95 97 99 01 03

1960 1820 1680 1540 1400 1260 1120 980 840 700 560
91 92 93 94 95 96 97 98 99 00 01 02 03 04

Poca Informacin

91

92

93

94

95

96

97

98

99

00

01

02

03

91/01 91/07 92/01 92/07 93/01 93/07 94/01 94/07 95/01 95/07 96/01 96/07 97/01 97/07 98/01 98/07 99/01 99/07 00/01 00/07 01/01 01/07 02/01 02/07 03/01 03/07 04/01 04/07

504000 483000 462000 441000 420000 399000 378000 357000 336000 315000

56000 52500 49000 45500 42000 38500 35000 31500 28000 24500 21000

Objetivo da anlise das Sries Temporais

O objetivo da anlise de uma srie temporal consiste em elaborar um modelo estatstico que descreva adequadamente a procedncia de dita srie, de maneira que as implicaes tericas do modelo resultem compatveis com as pautas de amostras observadas nas sries temporais. Depois o modelo elaborado a partir da srie temporal pode ser utilizado para prever a evoluo futura da srie ou explicar a relao entre os distintos componentes do modelo.
2000 1800 1600 1400 1200 1000 800 600 400 200 0
89-Ene 89-Abr 89-Jul 89-Oct 90-Feb 90-May 90-Ago 90-Dic 91-Mar 91-Jun 91-Sep 92-Ene 92-Abr 92-Jul 92-Nov 93-Feb 93-May 93-Ago 93-Dic 94-Mar 94-Jun 94-Oct 95-Ene 95-Abr 95-Jul 95-Nov 96-Feb 96-May 96-Sep 96-Dic 97-Mar 97-Jun 97-Oct 98-Ene 98-Abr 98-Ago 98-Nov 99-Feb 99-May 99-Sep 99-Dic 00-Mar 00-Jul 00-Oct 01-Ene 01-Abr 01-Ago 01-Nov 02-Feb 02-Jun 02-Sep 02-Dic 03-Mar 03-Jul 03-Oct 04-Ene 04-May

2000 1800 1600 1400 1200 1000 800 600 400 200 0

Pautas de Amostras
t = E[ zt ] t2 = Var[ zt ]
(t , t + j ) =
1 0.8 0.6 0.4 0.2 0 -0.2 -0.4 -0.6 -0.8 -1 10 20

Modelo Estatstico

Prever, Descrever
1.04 0.78 0.52 0.26 0 -0.26 -0.52 -0.78 05 06 07 08 09 09 10 11 12

Cov( zt , zt + j )

t t + j
2*Sigma -2*Sigma

zt = + at zt = o + 1t + at
zt = + Rsen( wt + ) + at
zt = (1 1 B ... q B q )at (1 1 B ... p B p ) zt = at

30

Construo do modelo
Modelo de sries temporais univariantes

Observaes

Filtro (fatores externos)

Rudo ou Noise (fatores estruturais)

T ( X t ) = Ft +

( B) at ( B)
Ft = i ( B ) F t
i
2.2

1960 1820 1680 1540 1400 1260 1120 980 840 700 560
91 92 93 94 95 96 97 98 99 00 01 02 03 04

1.65

( B) (T ( X t ) Ft ) = at ( B)

1.1
Ruido Blanco

0.55 0 -0.55 -1.1 -1.65 -2.2 -2.75

Operadores: Diferena, Retardo, Inverso

Uma propriedade importante dos processos estacionrios que os processos obtidos atravs das combinaes lineares dos processos estacionrios so tambm estacionrios. Ou seja se Zt estacionrio ento o processo wt = zt zt 1 tambm estacionrio. Para poder operar com processos estacionrios definimos os siguientes operadores

Operadores

Def.) Operador Retardo: um operador linear que aplicado a uma funo temporal proporciona a essa funo retardada um perodo. Em particular se aplicamos o operador a uma srie temporal obtenemos a mesma srie retardada um perodo.

Bf (t ) = f (t 1)
B zt = zt 1

B = Bazt 1 = aBzt = a zt 1 B k zt = B..Bzt = zt k (1 1 B 2 B 2 ) zt = zt 1 zt 1 2 zt 2

Def.) Operador Diferena: o operador polinmico (1-B). O resultado de aplicar o operador diferena a uma srie Zt com T observaes obter uma nova srie com T-1 observaes atravs

= (1 B ) zt = (1 B ) zt = zt zt 1

2 zt = (1 B ) 2 zt = (1 2 B + B 2 ) = zt 2 zt 1 + zt 2 s zt = (1 B s ) zt = zt zt s

Def.) Operadores Inversos: Verificam a propriedade que o produto por o operador inicial a unidade. (pe. o inverso do operador retardo o operador adiantado )

F zt = B 1 zt = zt +1 FB =1

(1 + B + 2 B 2 ....) zt = i =0 i B i zt i = (1 B ) 1 zt

(1 B ) 1 (1 B ) = ( B ) 1 ( B ) = 1

Aplicao de Operadores
Aplicando, srie de consumo eltrico em perodos mensais, os distintos operadores teremos que:

B 4 zt = zt 4
wt = (1 B ) zt
S t = (1 B ) zt
12

A srie transformada tm a mesma tendncia e estrutura estacional que a srie original. A srie diferena regular estacionria em mdia mas apresenta estrutura estacional. A srie diferena estacional estacionria em mdia e no apresenta estrutura estacional.

55000 50000 45000 40000 35000 30000 25000 20000 15000 10000 5000 0 -5000
91 92 93 94 95 96 97 98 99 00 01 02 03 04

Operador B move a srie para a direita!

Perdem-se 12 obvs.

A srie Wt continua tendo estrutura

Processo Rudo Branco. ARIMA(0,0,0)

Def.) Processo Rudo Branco: um processo estocstico onde todas as variveis aleatrias seguem uma distribuio normal de mdia zero, varincia constante e as covarincias so nulas.

Processo
2500 2250 2000 1750 1500 1250 1000 750 500 250

Hist.

z t = at

E ( zt ) = 0 Var ( zt ) = 2 Cov ( zt , zt k ) = 0

-3

-2

-1

1 0.8 Nota: Um processo rudo branco estacionrio em mdia e varincia. 0.6 0.4 3 0.2 0 -0.2 -0.4 2 -0.6 -0.8 -1 1
0 -1 -2 -3
90 91 92 93 94 95 96 97 98 99 00 01 02 03 04 05

ACF

-2*Sigma 2*Sigma

2 4 6 8 10 12 14 16 18 20 22 24 26 28 30

PACF
1 0.8 0.6 0.4 0.2 0 -0.2 -0.4 -0.6 -0.8 -1

-2*Sigma 2*Sigma

2 4 6 8 10 12 14 16 18 20 22 24 26 28 30

PROCESSOS ESTACIONRIOS
Autorregressivos AR(p)

Processos Autorregressivos AR(1). ARIMA(1,0,0)

Def.) Proceso Autorregressivo AR(1) : um processo estocstico {zt} que estabelece uma dependncia linear sobre o primeiro retardo da varivel. Dizemos que uma srie Zt segue um processo autorregressivo de primeira ordem se foi gerada por:

Processo

~ zt = 1 ~ zt 1 + at

Onde 1< 1 <1 uma constante a determinar, at um processo rudo branco e

= at + at 1 + 2 at 2 + 3 at 3 ...

(1 1 B ) ~ zt = at ~ z = 1 /(1 )a
t 1

~ zt = zt c

Def.) Funo de Mdias de AR(1) :Tomando esperanas de Zt e dado que E(Zt) = E(Zt-1)=cts posto que o processo estacionrio temos que

Caracterizao

E ( zt ) = c /(1 1 )
zt = 1 zt 1 + at

j que

= c + 1

onde

c = (1 1 )

Def.) Funo de Autocovarincias de AR(1) : se obtm como

E ( zt k zt ) = 1 E ( zt k zt 1 ) + E ( zt k at )

multiplicado Zt-k e tomando esperanas onde E(at)=0

2 a 0 = (1 12 )

k = 1 k 1 k > 0

onde

j que

2 z2 = 2 z2 + a

Def.) Funo de Autocorrelao de AR(1) : dividindo a funo de autocovarincias pela varincia do processo

k = 1 k 1

k = 1k

k 1

que a soluo da equao em diferenas com

0 = 1

por tanto a funo de autocorrelao tende a zero com uma rpidez que depende de 1 quanto maior seja, menor ser o decrescimento, a condio de estacionariedade nos garante que a funo de autocorrelao converge.

Processos Autorregressivos AR(1). ARIMA(1,0,0)

Vamos a representar duas realizaes de um processo AR(1) com distintos valores do parmetro e suas funes de autocorrelao tericas.

(1 0.9 B ) zt = at
Valores prximos tem comportamentos similares e exibem acentuada tendncia que se reflexa na ACF

(1 + 0.9 B ) zt = at
A srie tende a oscilar e se reflexa na funo de autocorrelao que muda de sinal.

700 600 500 400 300 200 100 0 -100 -200

00 01 02 03 04 05 06

400 300 200 100 0 -100 -200 -300

00 01 02 03 04 05 06

k = 0 .9 k
1 0.8 0.6 0.4 0.2 0 -0.2 -0.4 -0.6 -0.8 -1
Decrescimento lento exponencial em direo ao zero com parmetro positivo

k = (0.9) k
Alternncia de sinal

ACF
2*Sigma -2*Sigma

10

20

30

1 0.8 0.6 0.4 0.2 0 -0.2 -0.4 -0.6 -0.8 -1 10 20

ACF
2*Sigma -2*Sigma

30

Consumo Eltrico Anual AR(1)

A srie de consumo eltrico em perodos anuais claramente no estacionria, com um primeiro valor do correlograma muito prximo que indica a necessidade de tomar uma primeira diferena regular.
504000 483000 462000 441000 420000 399000 378000 357000 336000 315000
91 92 93 94 95 96 97 98 99 00 01 02 03

1 0.8 0.6 0.4 0.2 0 -0.2 -0.4 -0.6 -0.8 -1 10 20

ACF
2*Sigma

-2*Sigma

30

A srie de consumo uma vez diferenciada no apresenta uma tendncia clara e o correlograma apresenta valores positivos que se amortizam com rapidez, o que nos sugere a existncia de um processo autorregressivo de ordem 1 1
32400 29700 27000 24300 21600 18900 16200 13500 10800 8100
0.8 0.6 0.4 0.2 0 -0.2 -0.4 -0.6 -0.8 -1
2*Sigma

ACF

-2*Sigma

92

93

94

95

96

97

98

99

00

01

02

03

10

20

30

Por tanto o modelo estatstico proposto para representar o comportamento da srie consumo eltrico em perodos anuais

wt = 1wt 1 + at

wt = (1 B) zt

(1 1 B)zt = at

Consumo Eltrico Anual AR(1)

Dada a srie de consumo eltrico em perodos mensais procedemos a representar-la atravs de um modelo estatstico consistente em uma diferena regular e um processo autorregressivo de orden 1 tal que:

(1 1 B)zt = at
Realizando uma estimativa por mxima verisimilitude

Name Value StDs TStudent RefuseProb RegularAR 0.88149 0.17150 5.13991 0.00061
Pouco ajuste !?!

(1 0.88149 B)(1 B) zt = at
Predio de um perodo para frente

z t +1 = 1.881490 zt 0.881490 zt 1 = 547794.515

513000 494000 475000 456000 437000 418000 399000 380000 361000 342000 323000
93 94 95 96 97 98 99 00 01 02 03

R2Coeficient StandardError

0.471662 11451.6037

Nota: O R2 baixo mas o erro padro menor que no modelo com tendncia determinista.
No apresenta nenhuma estrutura

19200 16000 12800 9600 6400 3200 0 -3200 -6400 -9600

94 95 96 97 98 99 00 01

02

03

1 0.8 E (at ) = 0 0.6 Var ( at ) = 2 0.4 0.2 Cov (at , at k ) = 0 0 -0.2 -0.4 -0.6 -0.8 -1 10 20

ACF
2*Sigma

-2*Sigma

30

Funo de Autocorrelao Parcial

Determinar a ordem de um processo autorregressivo a partir de sua funo de autocorrelao difcil ao ser uma mescla de decrescimentos exponenciais e sinusoidais, que se amortizam ao avanar o retardo e no apresenta rasgos fcilmente identificveis para determinar a ordem do processo. Para resolver este problema introduz-se a funo de autocorrelao parcial. Def.) Coeficiente de Autocorrelao Parcial de ordem k. o coeficiente de correlao entre observaes separadas k perodos quando eliminamos a dependncia produzida pelos valores intermedirios. Se elimina de Zt o efeito Zt-1, Zt-2,, Zt-k+1

Processo

z t = 1 z t 1 + ... + k 1 z t k +1 + u t z t k = 1 z t 1 + ... + k 1 z t k +1 + vt Corr (u t , vt )

Se elimina de Zt o efeito Zt-1, Zt-2,, Zt-k+1 Coeficiente de autocorrelao de ordem k

Esta definio anloga a de coeficiente de correlao parcial da regresso mltipla.

z t = 11 .z t 1 + 1,t z t = 21 .z t 1 + 22 .z t 2 + 2.t .... z t = k1 z t 1 + ... + kk z t k + k .t

A sequncia de coeficientes ii proporciona a funo de autocorrelao parcial (PACF) Em um processo AR(p) a PACF ter os p primeiros coeficientes distintos de zero.

PROCESSOS ESTACIONRIOS
Autorregressivos AR(2)

Processos Autorregressivos AR(2). ARIMA(1,0,0)

Def.) Processo Autorregressivo AR(2) : um processo estocstico {zt} que estabelece uma dependncia linear sobre o primeiro e segundo retardo da varivel. Diremos que uma srie Zt segue um processo autorregressivo de segunda ordem se foi gerada por:

Processo

~ z t = 1 ~ z t 1 + 2 ~ z t 2 + at
1 , 2

(1 1 B 2 B 2 ) ~ z t = at

Onde

so duas constantes a determinar, at um processo rudo branco e

~ zt = zt c

Def.) Funo de Mdias de AR(2) :Tomando esperanas de Zt e dado que E(Zt) = E(Zt-1)=cts posto que o processo estacionrio temos que

E ( z t ) = c /(1 1 2 )

Caracterizao

Def.) Funo de Autocovarincias de AR(2) : se obtm como

z t = 1 z t 1 + 2 z t 2 + at

multiplicado Zt-k e tomando esperanas onde E(at)=0 temos

E ( z t k z t ) = 1 E ( z t k z t 1 ) + 2 E ( z t k z t 2 ) + E ( z t k at )

k = 1 k 1 + 2 k 2
1 = 1 0 + 2 1

k 1

onde Varincia do processo: para que seja positiva tm-se que cumprir que os parmetros do processo estejam na regio:
2 a 2 (1 2 ) a 0 = (1 + 2 )(1 1 2 )(1 + 1 2 )

1 < 2 < 1

0 = 0 + 0 + 2 2 1 1 +
2 1 2 2

1 2 < 1 1 + 2 < 1

Def.) Funo de Autocorrelao de AR(2) : dividindo a funo de autocovarincias pela varincia do processo

k = 1 k 1 + 2 k 2
para

k 1
,
para

como i = i

k = 1 1 =

1 1 2

k = 2 2 =

Resolver a Equao em diferenas

1 2

2 1

+ 2

,para

k k 3 k = A1G1k + A2 G2

Equao em diferenas para um AR(2)

(1 G1 B)(1 G2 B) z t = at z t = 1.2 z t 1 0.32 z t 2 + at
Resolver a Equao em diferenas

Expresso do processo AR(2) como soma de inovaes

0.32 X 2 1.2 X + 1 = 0 X = G11 1.2 1.2 2 4 0.32 0.64 1 = 2.5 G2 = 1.25 1.2 0.4 = 0.64

(1 0.4 B )(1 0.8 B ) z t = at z t = 1.2 z t 1 0.32 z t 2 + at zt = 1 at (1 0.4 B )(1 0.8 B) 1 = 1 + 0.4 B + 0.4 2 B 2 + ... (1 0.4 B) 1 = 1 + 0.8 B + 0.8 2 B 2 + ... (1 0.8 B) z t = (1 + 0.4 B + 0.4 2 B 2 + ...) (1 + 0.8 B + 0.8 2 B 2 + ...)at

G1 = 0.4 G2 = 0.8 (1 0.4 X )(1 0.8 X ) = 0.32 X 2 1.2 X + 1

Funo de Autocorrelao para o processo AR(2)

k = A1 0.4 k + A2 0.8 k
k = 0 1 = A1 + A2 k = 1 0.91 = 0.4 A1 + 0.8 A2 0.11 k 0.51 k 0.8 k = 0.4 + 0.4 0.4

Processos Autorregressivos AR(2)

ACF

zero a partir do segundo retardo

PACF

(1 0.6 B 0.2 B 2 ) zt = at

Razes Reais ACF

Sinal Distinto

(1 + 0.6 B 0.2 B ) zt = at
2

PACF Razes Reais

PROCESSOS ESTACIONRIOS
Mdia Mvel MA(q)

Processo Mdia Mvel MA(1). ARIMA(0,0,1)

Def.) Processo Mdia Mvel MA(1): um processo estocstico {zt} gerado pela combinao linear das duas ltimas inovaes.

Processo

~ zt = at 1 at 1 ~ zt = (1 1 B ) at

( B ) zt = 1i B i zt = (1 + 1 B + 12 B 2 + ...) ~ zt = at
i =0

AR ()

onde 1< 1 <1 uma constante a determinar, at um processo rudo branco e Def.) Funo de Autocovarincias de MA(1) : se obtm como

Representao infinita com coeficientes que decrescem em progresso geomtrica, somente possvel a representao se 1 < 1

~ zt = zt c .

zt = at 1at 1 = ( B ) at
2 ( B) = a ( B) ( B 1 ) = ( B ) ( F ) 2 2 ( B) = a (1 1 B )(1 1 F ) = a { 1F + (1 + 12 ) 1B}

0 = (1 + ) 2 1 = 1 a = 0 k 2 k
2 a 2 1

Caracterizao

Def.) Funo de Autocorrelao de MA(1) : dividindo a funo de autocovarincias pela varincia do processo. Por tanto o correlograma do processo ter unicamente um valor distinto de zero no primeiro 1 = 1 (1 + 12 ) retardo.

k = 0 k > 1

Def.) Funo de Autocorrelao Parcial de MA(1) : utilizando as equaes de Yule-Walker com y k = 0 k > 1 depois de manipulaes algbricas obtemos que (Box-Cox 70)

1 = 1 (1 + 12 )

kk = {1 } /{1
k 1 2 1

2 k +1 1

Por tanto a funo est dominada por um decrescimento exponencial que depender do valor de 1 . Quando 1 positivo a funo negativa e negativo a funo alterna de sinal.

Processos Mdia Mvel MA(1). ARIMA(0,0,1)

Vamos representar duas realizaes de um processo MA(1) com distintos valores de parmetro e suas funces tericas de autocorrelao simples e parcial.

zt = (1 0.99 B ) at
1 0.8 0.6 0.4 0.2 0 -0.2 -0.4 -0.6 -0.8 -1

zt = at 1at 1

1 = 1 (1 + 12 ) = -0.4999747
ACF
-2*Sigma 2*Sigma

1 0.8 0.6 0.4 0.2 0 -0.2 -0.4 -0.6 -0.8 -1

zt = (1 + 0.99 B ) at 1 = 1 (1 + 12 ) = 0.49997475
ACF
-2*Sigma 2*Sigma

zt = at 1at 1

10

15

20

10

15

20

Decrescimento lento exponencial em direo a zero com k 2 2 k +1 parmetro positivo kk 1 1 1

= {1 } /{1

1 0.8 0.6 0.4 0.2 0 -0.2 -0.4 -0.6 -0.8 -1 5 10 15

PACF
-2*Sigma 2*Sigma

1 0.8 0.6 0.4 0.2 0 -0.2 -0.4 -0.6 -0.8 -1

Alternncia de sinal com parmetro negativo k kk 1

| |<

PACF
-2*Sigma 2*Sigma

20

10

15

20

Comportamento das ACF e PACF de um processo ARIMA(p,d,q)

Ordem comportamento ACF comportamento PACF regiao de admisibilidade Ordem ARIMA(1,d,0) decai exponencialmente

11 0
1 <

1 0

ARIMA(0,d,1)

Decaimento exponencial

< 1

1 < < 1
1 0 2 0

ARIMA(2,d,0) Misturas de exponenciais e ondas senides amortecidas

ARIMA(0,d,2)

comportamento ACF

comportamento PACF

Misturas de exponenciais 11 0 e ondas senides 22 0 amortecidas 1 < 2 < 1 1 < 2 < 1

regio de admisibilidade

2 1 < 1 2 + 1 < 1

2 2

1 1

< 1 < 1

Ordem comportamento ACF comportamento PACF regio de admisibilidade

ARIMA(1,d,1) Decai exponencialmente aps o lag 1 Decai exponencialmente aps o lag 1

1< <1 1< <1

Processos Estocsticos No Estacionrios

Def.) Processo Estocstico No Estacionrio : Um processo estocstico Zt no estacionrio quando as propriedades estatsticas de ao menos uma sequncia finita z1,z2,.. zk de componentes de Zt so diferentes das da secuencia z1+h,z2+h,.. zk+h para ao menos um nmero inteiro h. Um processo estocstico Zt no estacionrio quando a distribuio conjunta de qualquier conjunto de variveis se modifica se modificamos as variveis no tempo.

F(xi , x j ,...xk ) F(xi+h , x j+h ,...,xk +h )

E(xt )
Se o nvel da srie no estvel no tempo podendo ter tendncia crescente ou decrescente diremos que a srie no estacionria em mdia. Se a varincia ou as covarincias variam com o tempo diremos que a srie no estacionria nas covarincias.

Var(xt ) 2 (t, t k) (t, t + k)

Def.) Processo Integrado de Ordem h- I(h): quando ao diferenciar-lo h vezes se obtm um processo estacionrio. So processos no estacionrios unicamente em mdia e tm a propriedade de converter-se em estacionrios tomando uma diferena. Um processo estacionrio sempre I(0) .
2000 1800 1600 1400 1200 1000 800 600 400 200 0
89-Ene 89-Abr 89-Jul 89-Oct 90-Feb 90-May 90-Ago 90-Dic 91-Mar 91-Jun 91-Sep 92-Ene 92-Abr 92-Jul 92-Nov 93-Feb 93-May 93-Ago 93-Dic 94-Mar 94-Jun 94-Oct 95-Ene 95-Abr 95-Jul 95-Nov 96-Feb 96-May 96-Sep 96-Dic 97-Mar 97-Jun 97-Oct 98-Ene 98-Abr 98-Ago 98-Nov 99-Feb 99-May 99-Sep 99-Dic 00-Mar 00-Jul 00-Oct 01-Ene 01-Abr 01-Ago 01-Nov 02-Feb 02-Jun 02-Sep 02-Dic 03-Mar 03-Jul 03-Oct 04-Ene 04-May

Nota:A maioria das sries reais so no estacionrias e seu nvel mdio varia com o tempo, sem embargo podem converter-se em estacionrias tomando diferenas

2000 1800 1600 1400 1200 1000 800 600 400 200 0

Processos Estocsticos No Estacionrios

Passeio Aleatrio. ARIMA(0,1,0)

(1 B) zt = at
Processo Alisamento Exponencial Simples. IMA(1,1).
t 1 Orden t 1. ARIMA(0,1,0) Proceso Homogneo de

(1 B) z = (1 B)a

Processos Integrados ARIMA(p,d,q)

(1 1 B ... p B p )(1 B ) d ~ zt = (1 1 B ... q B q ) at

Processos de Memria Longa

(1 B) d zt = at

0.5 < d < 0.5

Processo ARFIMA(p,d,q)

p ( B) d zt = q ( B)at

0.5 < d < 0.5

Passeio Aleatrio. ARIMA(0,1,0)

Def.) Passeio aleatrio : um processo estocstico cujas primeiras diferenas formam um processo rudo branco.

Processo

zt = at

zt = zt 1 + at
120 110 100 90 80 70 60 50 40 30 20 10 0 -10
91 92 93 94 95 96

E ( zt ) = 0 2 Var ( zt ) = a t

2 Cov ( z t , z t k ) = a (t k )

500 400 300 200 100

Hist.

A varincia cresce com o tempo

0
Diminuio muito lenta
1 0.8 0.6 0.4 0.2 0 -0.2 -0.4 -0.6 -0.8 -1

25

50

75

100

ACF

-2*Sigma 2*Sigma

Valor prximo a 1
1 0.8 0.6 0.4 0.2 0 -0.2 -0.4 -0.6 -0.8 -1

10

20

30

PACF

-2*Sigma 2*Sigma

97

98

99

00

01

02

03

Para el grfico se ha generado un paseo aleatorio mediante una serie aleatoria en fechado diario de media cero y varianza la unidad.

04

10

20

30

Srie do IBEX-35
A srie de cotizaes do IBEX_35 em perodos dirios um processo no estacionrio em mdia e em varincia. Sem embargo no correlograma se aprecia uma estrutura muito parecida ao correlograma de um passeio aleatrio, o que nos leva a propor esta estrutura como modelo para representar a cotizao da bolsa. E ( at ) = 0 At no um passeio 2 Ibex35t = at aleatrio Var ( a )

Ibex35t = Ibex35t 1 + at

Cov (at , at k ) 0

Uma vez tomada a diferena regular (1-B) observamos que a srie estacionria em mdia nu=0 mas no assim em varincia que apresenta perodos de muita instabilidade. Uma representao mais adequada do processo deveria introduzir a varincia do erro como varivel explicativa (p.e.modelo GARCH), por tanto no podemos concluir que o IBEX35 seja um passeio aleatrio.
12500

10000

7500

1 0.8 0.6 0.4 0.2 0 -0.2 -0.4 -0.6 -0.8 -1 10 20

ACF

-2*Sigma 2*Sigma

30

5000

2500

A varincia do modelo no constante

0
90 91 91 91 92 92 92 93 93 93 94 94 94 95 95 95 96 96 96 97 97 97 98 98 98 99 99 99 00 00 00 01 01 01 02 02 02 03 03 03

1 0.8 0.6 0.4 0.2 0 -0.2 -0.4 -0.6 -0.8 -1 10 20

PACF

-2*Sigma 2*Sigma

30

Processo Integrado ARIMA(p,d,q)

Def.) Processos autorregressivos integrados de mdia mvel ARIMA(pd,q) : um processo ARMA que possui uma ou vrias razes unidade no operador.

Processo

(1 1 B ... p B p )(1 B ) d ~ zt = (1 1 B ... q B q ) at

zt = zt onde at um processo rudo branco com ~ Sendo p a ordem da parte autorregressiva , q a ordem da parte mdia mvel e d o nmero de razes unitrias. O processo chama-se integrado porque zt obtm-se como soma infinita de wt. Por exemplo se
wt = (1 B ) ~ zt
t ~ zt = (1 B ) 1 wt = (1 + B + B 2 + B 3 ...) wt = j = wt

p ( B ) d ~ zt = q ( B ) at

Definimos

p ( B ) = (1 1 B ... p B p ) q ( B ) = (1 1 B ... q B q )

como a equao caracterstica do processo autorregressivo

Duas representaes alternativas do processo ARIMA como 1.) Soma de Inovaes:

zt = at + i =1 i at i = ( B )at

MA( ) MA( )

p + d ( B ) = p ( B )(1 B ) d = (1 1 B ... p + d B p + d )
zt = at + 1at 1 + 2 at 2 + ... = ( B )at ( B)~ z = ( B )a
p+d t q t

p + d ( B ) ( B ) = q ( B )

Os i obtm-se igualando os coeficientes em B desta expresso

2.) Soma de valores passados:

( B ) zt = zt + i =1 i zt i = at p + d ( B)~ z t = q ( B ) at p + d ( B ) = q ( B ) ( B )
Os

AR ( )
i obtm-se igualando os coeficientes em B desta expresso.