Documentos de Académico
Documentos de Profesional
Documentos de Cultura
26 de maio de 2017
1
2
Captulo 3
3.1
E(Yt ) = 0 = 0
Cov(Yt , Yt1 ) = E(Yt )(Yt1 ) = E(t + 2.4t1 + 0.8t2 )(t1 + 2.4t2 + 0.8t3 )
= (2.4 + 1.92) 2 = 4.32
Cov(Yt , Yt2 ) = E(Yt )(Yt2 ) = E(t + 2.4t1 + 0.8t2 )(t2 + 2.4t3 + 0.8t4 )
= 0.8E(2t2 ) = 0.8 2 = 0.8
3.2
Yt = 1.1Yt1 0.18Yt2 + t
(1 1.1L + 0.18L2 )Yt = t
Yt = (1 1.1L + 0.18L2 )1 t
Encontrando a varincia : 0
Yt2 = 1.1Yt Yt1 0.18Yt Yt2 + Yt t
E(Yt2 ) = 1.1E(Yt Yt1 ) 0.18E(Yt Yt2 ) + E(Yt t )
0 = 1.11 0.182 + 2
Encontrando a autocovarincia j :
Yt Ytj = 1.1Yt1 Ytj 0.18Yt2 Ytj + Ytj t
E(Yt Ytj ) = 1.1E(Yt1 Ytj ) 0.18E(Ytj Yt2 ) + E(Ytj t )
j = 1.1j1 0.18j2
Captulo 3. Processos ARMA estacionrios 3
j = 1.1j1 0.18j2
2 = 1.1(0.9322) 0.18
= 0.8454
0 = 1.11 0 0.182 0 + 2
= 1.1(0.9322)0 0.18(0.8454)0 + 2
= 1.025420 0.1521760 + 2
(1 1.02542 + 0.152176)0 = 2
2
0 = 7.9 2
(1 1.02542 + 0.152176)
3.3
0 + [1 1 0 ]L + [2 1 1 2 0 ]L2 + [3 1 2 2 1 3 0 ]L3
+ [4 1 3 2 2 3 1 4 0 ]L4 + ... + [j 1 j1 2 j2 ... p1 1 p 0 ]Lp = 1
Captulo 3. Processos ARMA estacionrios 4
Para j = p, p + 1, ....
Com isso temos o seguinte sistema de equaes:
0 = 1
1 1 0 = 0
2 1 1 2 0 = 0
3 1 2 2 1 3 0 = 0
4 1 3 2 2 3 1 4 0 = 0
..
.
j 1 j1 2 j2 ... p1 1 p jp = 0
Resolvendo a partir de 0 :
0 = 1
1 1 0 = 0 1 = 1
2 1 1 2 0 = 0 2 = 21 + 2
3 1 2 2 1 3 0 = 0 3 = 1 2 + 2 1 + 3 0
..
.
j 1 j1 2 j2 ... p1 1 p 0 = 0 j = 1 j1 + 2 j2 + ... + p1 1 + p jp
Para j = p, p + 1, ....
Portanto os valores de j so a soluo para a equao de diferenas de nsima ordem com valor inicial 0 = 1
e 1 = 2 = ... = p+1 = 0. Ento, dos resultados das equaes em diferena:
j 1
j1
0
= Fj .
.. .
. .
p+1 0
Isto
(j)
j = f11
3.4
c
(L)c = 0 c + 1 Lc + 2 L2 c + 3 L3 c + ... =
1 1 L 2 L2
como Lj c = c j
c
(L)c (1)c = 0 c + 1 c + 2 c + 3 c + ... =
1 1 2
3.5
X
|j | <
j=0
Considere primeiro o caso em que as duas razes 1 e 2 sejam reais e distintas. Dado que j = c1 1 + c2 2 ,
temos:
|c1 j1 + c2 j2 |
X X
|j | =
j=0 j=0
|c1 j1 | + |c2 j2 |
X
<
j=0
|c1 | |c2 |
= +
(1 |1 |) (1 |2 |)
<
Considere o caso em que 1 e 2 sejam razes complexas conjugadas distintas. Deixe R |i | representar o
modulo de 1 ou 2 . Ento 0 6 R < 1. Dado que no caso de razes complexas conjugadas distintas,
c1 j1 + c2 j2 = 2Rj cos(j) + 2Rj sen(j).
|c1 j1 + c2 j2 |
X X
|j | =
j=0 j=0
X
= |2Rj cos(j) 2Rj sen(j)|
j=0
X
X
6 |2| Rj | cos(j)| + |2| Rj |sen(j)|
j=0 j=0
X
X
6 |2| |Rj | + |2| |Rj
j=0 j=0
(|| + ||)
=2
(1 R)
Mas
X |k1 |
|k1 | ||j = <
j=0
(1 ||)
e
X
|jj1 | = 1 + 2|| + 3||2 + 4|3 +
j=0
3.6 AR():
(1 + 1 L + 2 L2 + )(Yt ) = t
M A(q):
(Yt ) = (1 + 1 L + 2 L2 + + q Lq )t
Dado que as razes de 1 + 1 z + 2 z 2 + + q z q so todas reais e distintas e esto fora do crculo unitrio e
o processo M A(q) invertvel, temos:
(1 + 1 L + 2 L2 + )(1 + 1 L + 2 L2 + + q Lq ) = 1
1 = 1 + 1 L + 2 L2 +
+ 1 L + 1 1 L2 + 1 2 L3 +
+ 2 L2 + 2 1 L3 + 2 2 L4 +
..
.
+ q Lq + q 1 Lq+1 + q 2 Lq+1 +
1 = 1 + (1 + 1 )L
+ (2 + 1 1 + 2 )L2
+ (3 + 1 2 + 2 1 + 3 )L3
..
.
+ (j + 1 j1 + + q1 1 + q )Lj
Para j = q, q + 1, . Para a igualdade valer, os coeficientes dos Li s devem ser zero, ento:
1 + 1 = 0 1 = 1
2 + 1 1 + 2 = 0 2 = 1 1 2 = 2 + 12
3 + 1 2 + 2 1 + 3 = 0 3 = 1 2 2 1 3 = 13 + 21 2 3
..
.
j + 1 j1 + + q1 1 + q = 0 j = 1 j1 q1 1 q
3.7 AR():
(1 + 1 L + 2 L2 + )(Yt ) = t
M A(q):
( n )( q )
1
Y Y
Yt = (1 j L) (1 j L) t
j=0 j=n+1
Ento: ( n )( q )
(1 1
Y Y
(1 + 1 L + 2 L2 + ) (1 j L) j L) =1
j=0 j=n+1
Captulo 3. Processos ARMA estacionrios 7
( n )( q )
1
Y Y
1= (1 j L) (1 j L)
j=0 j=n+1
( n )( q )
1
Y Y
+ 1 L (1 j L) (1 j L)
j=0 j=n+1
( n )( q )
1
Y Y
2
+ 2 L (1 j L) (1 j L)
j=0 j=n+1
..
.
( )( )
1
2 n 2 q
1= 1 + 1 L + 2 L + + n L 1 q n+1 L + n+2 L + + q L
Q
j
j=n+1
( )( )
1
+ 1 L 1 + 1 L + 2 L2 + + n Ln 1 q n+1 L + n+2 L2 + + q Lq
Q
j
j=n+1
( )( )
1
+ 2 L2 1 + 1 L + 2 L2 + + n Ln 1 q n+1 L + n+2 L2 + + q Lq
Q
j
j=n+1
..
.
( 1 + 1 L + 2 L2 + + n Ln )
1= 1 + 1 L + 2 L2 + + n Ln q n+1 L + n+2 L2 + + q Lq
Q
j
j=n+1
(
+ 1 L 1 + 1 L + 2 L2 + + n Ln
1 L1 + 1 L + 2 L2 + + n Ln )
q n+1 L + n+2 L2 + + q Lq
Q
j
j=n+1
(
+ 2 L2 1 + 1 L + 2 L2 + + n Ln
2 L2 1 + 1 L + 2 L2 + + n Ln )
2 q
q n+1 L + n+2 L + + q L
Q
j
j=n+1
..
.
Captulo 3. Processos ARMA estacionrios 8
Como no exerccio 6, devemos realizar as multiplicaes e isolar os Li s para derivar o algoritmo dos
coeficientes.
3.8
Yt = (1 + 2.4L + 0.8L2 )t
Ento 1 + 2.4z + 0.8z 2 = (1 + 0.4z)(12 z) como uma raiz, 2 est est fora do crculo unitrio, o termo
(1 + 0.4z)(1 + 2z) no invertvel. O operador invertvel
gY (z) = 2 (1 + 1 z + 2 z 2 )(1 + 1 z 1 + 2 z 2 )
= 2 (1 + 1 z + 2 z 2 + 1 z 1 + 12 + 1 2 z + 1 z 2 + 1 2 z 1 + 22 z 2 )
= 2 [1 + 2 z 2 + (1 + 1 2 )z + (1 + 12 + 22 )z 0 + 2 z 2 + (1 + 1 2 )z 1 ]
2 [(1 1 z)(1 2 z)(1 1 z 1 )(1 2 z 1 )]
gY = 2 22 [(1 1 z)(1 1 1 1 1
2 z)(1 1 z )(1 2 z )]
= (1)4[(1 + 0.4z)(1 + 0.5z)(1 + 0.5z 1 )(1 + 0.5z 1 )]
= 4[(1 + 0.9z + 0.2z 2 )(1 + 0.9z 1 + 0.2z 2 )]
= 4[z 0 + 0.9z + 0.2z 2 + 0.9z 1 + 0.18z 0 + 0.18z + 0.2z 2 + 0.018z 1 + 0.2z 0 ]
As autocovarincias podem ser encontradas derivando a funo geradora de autocovarincias com respeito a
z j em que j a ordem de defasagem desejada para a autocovarincia.
Lembrando que z 0 = 1 para encontrarmos a autocovarincia de ordem zero. Ento:
gy
0 = = 4[1 + 0.81 + 0.4] = 7.4
z 0
gy
1 = 1 = 4[0.9 + 0.18] = 4.32
z
gy
2 = 2 = 4[0.2] = 0.8
z
tm a varincia 22 = 4 vezes menor que o processo gerado pelo operador no invertvel 1 + 2.4L + 0.8L2 .
Para verificao, vamos gerar as autocovarincias do processo invertvel, conforme a frmula padro. Como
1 = 0.9, 2 = 0.2 e 2 = 1, as autocovarincias so:
Isto ocorre pois a varincia, 2 das s s deveria ter sido substituda por 2 22 . Conclui-se que quando existe
uma raiz i fora do crculo unitrio, as autocovarincias do proceso invertvel associado devem ser infladas
por um fator de
m
Y
2i .
i=n+1
Captulo 4
Previso
h i
(m)0 0(m) 1(m) 2(m) m
(m)
h i
= 1 + 2 2 + 2 m + 2
1
1
0 + 2 1 + 2 m1 + 2
1 + 2 0 + 2 m2 + 2
. .. .. .. ..
..
. . . .
m1 + 2 m2 + 2 0 + 2
1
E Yt+1 X0t E Xt X0t
h i0
Para Xt = 1 Yt
1
h i 1 E[Yt ]
(1)0 = E[Yt+1 ] E[Yt+1 Yt ]
E[Yt ] E[Yt2 ]
" #
h i 1 0 + 2
= 1 + 2
0 1
1 h i
= 0 + 3 1 3 2 + 1 + 2
0
1 h i
= 0 1 1
0
h i
= (1 1 ) 1
E[Yt+1 |Yt ] = 0 Xt
" #
h i 1
= (1 1 ) 1
Yt
E Yt+1 |Yt = (1 1 ) + 1 Yt
Captulo 4. Previso 11
Portanto a previso de Yt+1 com base em informaes somente do perodo t uma mdia ponderada entre o
valor esperado de Yt () e Yt , em que o fator de ponderao o coeficiente de autocorrelao de primeira
defasagem, 1 .
a) Processo AR(1):
Yt = c + Yt1 + t
Equao 4.2.9:
(L)
E[Yt+s |t , t1 , ] = + t
Ls
Se o processo AR(1) for invertvel ele pode ser escrito da forma
c t
Yt = +
1 L 1 L
= + (L)t , (L) = 1 + L + 2 L2 +
Yt+1 = + t+1 + t + 2 t1 +
E[Yt+1 |t , t1 , ] = + t + 2 t1 +
[1 + 2 + 4 + + 2(n2) ]
E(Yn |Yn1 , Yn2 , , Y1 ) = + Yn1 E(Yn1 |Yn2 , Yn3 , , Y1 )
[1 + 2 + 4 + + 2(n1) ]
Yn = n + n1
As autocovarincias so:
1
1 =
1 2
O preditor se torna
1
E Yt+1 |Yt = + (Yt )
1 2
O resduo desta predio
" #
1
Yt+1|t = Yt+1 + (Yt )
1 2
1
= + 1 Yt + 2 Yt1 + t+1 (Yt )
1 2
!
1 1 2
= Yt + 2 Yt1 + t+1
1 2 1 2
(" ! #" #)
1 1 2
E(Yt+1|t Y1 ) = E Yt + 2 Yt1 + t+1 + 1 Yt2 + 2 Yt3 + t1
1 2 1 2
6= 0
Yt = + t + t1
E[Yt+1 |Yt ].
Yt = (1 + L)t .
Substituindo o processo
M A(1)
na frmula temos:
" #
1 + L (Yt )
Yt+1|t =+
L 1 + L
+
h 1 + L i
=
L +
(Yt )
Yt+1|t = +
1 + L
Expandindo a soma infinita representada:
4.3
1 2 3
= 2 6 4
3 4 12
1 0 0
E1 = 2 1 0
3 0 1
1 0 0 1 2 3 1 2 3
0
E1 E1 = H = 2 1 0 2 6 4 0 1 0
3 0 1 3 4 12 0 0 1
1 2 3 1 2 3
= 0 2 2 0 1 0
0 2 3 0 0 1
1 0 0
= 0 2 2
0 2 3
Captulo 4. Previso 14
1 0 0
E2 = 0 1 0
0 1 1
1 0 0 1 0 0 1 0 0
E2 HE2 0 = 0 1 0 0 2 2 0 1 1
0 1 1 0 2 3 0 0 1
1 0 0 1 0 0
= 0 2 2 0 1 1
0 0 1 0 0 1
1 0 0
= 0 2 0
0 0 1
1
E2 E1 E1 0 E2 0 = E2 E1 (E2 E1 )0 = A1 A0 =D
0
= ADA
1
1 0 0 1 0 0
A = (E2 E1 )1 = 0 1 0 2 1 0
0 1 1 3 0 1
1
1 0 0
= 2 1 0
5 1 1
1 0 0
= 2 1 0
3 1 1
1 0 0 1 0 0 1 2 3
0
AA = 2 1 0 0 2 0 0 1 1
3 1 1 0 0 1 0 0 1
1
Y4 = Y4 + k43 k33 Y3 + h41 h1 1
22 Y2 + 41 11 Y1 ,
Y3 = Y3 31 1 1 1
11 Y1 h32 h22 (Y2 21 11 Y1 )
Substituindo em Y4 nos d:
1
Y4 = Y4 + k43 k33 (Y3 31 1 1 1
11 Y1 h32 h22 (Y2 21 11 Y1 ))
+ h41 h1 1 1
22 (Y2 21 11 )Y1 + 41 11 Y1
h41 h1 1 1
22 k43 k33 h32 h22
Captulo 4. Previso 15
J o elemento (4, 2) de A
h41 h1
22
1
Dado que k43 k33 h32 h1
22 6= 0, os termos so diferentes e a resposta no.
t + (1 1 L 2 L2 p Lp )t
Yt =
(1 1 L 2 L2 p Lp )
t + t 1 t1 2 t2 p tp
= .
(1 1 L 2 L2 p Lp )
Com t sendo um rudo branco. Se Zt segue um processo M A(q), ele pode ser escrito como
Yt = Xt + Zt
t
= + (1 + 1 L + 2 L2 + + q Lq )t
1 1 L 2 L2 p Lp
t + (1 1 L 2 L2 p Lp )(1 + 1 L + 2 L2 + + q Lq )t
=
1 1 L 2 L2 p Lp
1 1 L 2 L2 p Lp
+ 1 L 1 1 L2 1 2 L3 1 p Lp+1
+ 2 L2 2 1 L3 2 2 L4 2 p Lp+2
.
+ ..
+ q Lq q 1 L1+q q 2 L2+q q p Lp+q
Captulo 5
[1 + 2 + 4 + + 2(t2) ]
y = yt yt1 ,
[1 + 2 + 4 + + 2(t1) ]
e 5.4.12
1 + 2 + 4 + + 2t
dtt = E(Yt2 ) = 2 .
1 + 2 + 4 + + 2(t1)
as duas equaes so compostas por uma razo de somas finitas, com isso temos:
2(t2)
[1 + 2 + 4 + + 2(t2) ] [ 1
12
]
= 2(t1)
[1 + 2 + 4 + + 2(t1) ] 1
2
1
[1 2(t2) ]
=
1 2(t1)
e
12t
1 + 2 + 4 + + 2t 12
=
1 + 2 + 4 + + 2(t1) 12(t1)
12
1 2t
=
1 2(t1)
Se 2 = 2 e = , ento:
[1 + 2 + 4 + + 2(t2) ]
y = yt yt1 ,
[1 + 2 + 4 + + 2(t1) ]
[1 2(t2) ]
= yt yt1
1 2(t1)
Captulo 5. Estimao de Mxima Verossimilhana 18
1 + 2 + 4 + + 2t
dtt = E(Yt2 ) = 2
1 + 2 + 4 + + 2(t1)
1 2t
= 2
1 2(t1)
Agora se 2 = 2 2 e = 1 :
1 [1 + 2 + 4 + + 2(t2) ]
y = yt yt1 ,
[1 + 2 + 4 + + 2(t1) ]
[1 2(t2) ]
= yt 1 yt1
1 2(t1)
1 + 2 + 4 + + 2t
dtt = E(Yt2 ) = 2
1 + 2 + 4 + + 2(t1)
1 2t
= 2 2
1 2(t1)
[1 2(t2) ] [1 2(t2) ]
1
1 2(t1) 1 2(t1)
e
1 2t 1 2t
2
1 2(t1) 1 2(t1)
" # " #
31 3
g() = g( (0) ) =
42 4
" # " #
3 0 1 4 0
H( (0)
)= [H( (0) )]1 =
0 4 12 0 3
5.3 a)
T
T T (yt )2
L (, 2 ; y1 , y2 , , yT ) =
X
log(2) log( 2 )
2 2 t=1
2 2
T
L X 2(yt )
=0 = 0,
t=1
2 2
T T
1
X X
yt = T = T yt
t=1 t=1
T
L T 2(yt )2
X
= 0 = 0,
2 2 2 t=1
4 4
T T
T 1 X 2 2 1
X
= (y t ) = T (yt )2
2 2 2 4 t=1 t=1
b)
T
2L X 2 T
= = 2
2 t=1
2 2
T T
2L X 4(yt ) X (yt )
2
= 4
=
t=1
4 t=1
4
T T
2L 2T X 4 2 (yt )2 T X (yt )2
= =
( 2 )2 4 4 t=1 4 8 2 4 t=1 6
T T
2L X 4(yt ) X (yt )
= =
2 t=1
4 4
t=1
4
T
(yt )
T2
P
2 L () t=1
4
=
0 PT
(yt ) T
T
(yt )2
P
4 2 4 6
t=1 t=1
T
(yt )
T2
P
2 L ()
4
1
I2D = T T 1 t=1
=E
0 T T
P (yt ) T P (yt )2
=
4 2 4 6
t=1 t=1
Captulo 5. Estimao de Mxima Verossimilhana 20
c) A inversa de I2D :
" # " #
1 1/2 4 0 2 0
I2D = 2 6 2 =
0 1/ 0 2 4
Multiplicando por T 1 :
" #
1 1 2 /T 0
T I2D =
0 2 4 /T
Captulo 6
Anlise Spectral
0 = 2 [1 + 2 ]
1 = 2
k = 0 k > 2
1
sY () = 2 [1 + 2 ] + 2 2 cos()
2
= 2 1 2 [1 + 2 + 2 cos()]
Integrando 6.1.9:
Z 2
2
d =
2 2
2
= [ ()]
2
2
= 2
2
= 2
Captulo 6. Anlise Spectral 22
Integrando 6.1.12:
Z
1 2 2 1 2 2
(2) [1 + + 2 cos()]d = (2) + + 2sen()
1 2 2 2
= (2) ( + + 2sen()) ( + () + 2sen())
= (2)1 2 ( + 2 + 2sen()) + + 2 2sen())
1 2 2
= (2) 2(1 + )
= 2 [1 + 2 ]
Captulo 7
7.1 Por continuidade, |g(XT , cT ) g(, c)| > somente se |XT | + |cT c| > para algum . Mas cT c e
p
XT significa que existe um N tal que |cT c| < /2 para todo T N , com isso P {|cT c| > /2} = 0,
e tal que P {|XT | > /2} < para todo T N . Ento P {|XT | + |cT c| > } menor que para
todo T N , implicando que P {g(XT , cT ) g(, c)| > } < .
7.2 a)
X
Yt = 0.8i ti = t
i=0
T
1X
Yt = t
T t=1
Var[Yt ] = E[Yt2 ] E[Yt ]2 , dado que E[Yt ] = 0
(" T
#2 )
1X
Var[Yt ] = E[Yt2 ] =E t
T t=1
T
1 X
= 2E (t + 0.8t1 + 0.82 t2 + )(t + 0.8t1 + 0.82 t2 + )
T t=1
T
1 X
= 2E 2t + 0.8t t1 + 0.82 t t2 + + 0.8t t1 + 0.82 2t1 + 0.83 t1 t2 +
T t=1
T
1 X
2 4 6
= 2 1 + 0.8 + 0.8 + 0.8 +
T t=1
1 T 2.77
= 2 2
=
T 1 0.8 T
2.77
lim T Var[Yt ] = lim T =
T T T
b) De uma distribuio normal padronizada, o valor da varivel z que possui 95% de confiana 1.645.
Portanto:
T
1.645 = 0.1 T = 751, 67
2.77
7.3 No, pois uma sequncia de diferena martingale possui varincia que pode depender do tempo.
Captulo 7. Teoria de distribuio assinttica 24
7.4 Sim, pois uma sequncia de diferena martingale possui mdia zero, porm, com a adio do fato de que sua
varincia seja constante (no dependente do tempo), Yt se torna estacionrio em covarincia.
7.5 Uma sequncia {Yt } uniformemente integrvel se para cada > 0, existe um c > 0 tal que
X
X
E(|Xt,k | [|Yt |c] ) = E
u v [tu tkv E(tu tkv )] [|Yt |c]
u=0 v=0
X
X
E u v [tu tkv E(tu tkv )] [|Y |c]
t
u=0 v=0
Como {j }
j=0 absolutamente somvel podemos colocar o operador de esperana dentro do somatrio.
X
X
E(|Xt,k | [|Yt |c] ) = E u v [tu tkv E(tu tkv )] [|Yt |c]
u=0 v=0
X r 1/r
E|Yt,k | (r1)/r
X
u v E [tu tkv E(tu tkv )]
u=0 v=0
c
X 1/r
E|Xt,k | (r1)/r
0
X
E(|Xt,k | [|Yt |c] ) u v M
u=0 v=0
c
XX
E|Xt,k | = E
u v [tu tkv E(tu tkv )]
u=0 v=0
X
X
u v E [tu tkv E(tu tkv )]
u=0 v=0
=K
Temos que:
X
1/r (r1)/r
X 0 K
E(|Xt,k | [|Yt |c] ) u v M
u=0 v=0
c
Desde que {j }
j=0 seja absolutamente somvel, o lado direito da desigualdade pode ser suficientemente
pequeno (< ) se escolhermos c suficientemente grande.
Captulo 7. Teoria de distribuio assinttica 25
p
7.6 Pela proposio 7.1, s preciso mostrar que Yt . Como a varincia de Yt converge para zero quando t
tende ao infinito ( 2 /T 0) e Yt , Yt converge em mdia quadrtica para e portanto tambm converge
em probabilidade.
Onde Yt Yt . Mas
T T
1 X 1 X
Yt Ytk = (Yt + )(Ytk + )
T k t=k+1 T k t=k+1
T T T
1 X 1 X 1 X
= Yt Ytk + Ytk + Ytk + 2
T k t=k+1 T k t=k+1 T k t=k+1
= E(Yt + )(Ytk + )
= E(Yt Ttk ).
26
Captulo 8
8.2 O valor crtico a 5% para uma varivel 2 (2) 5.99. Uma varivel F (2, N ) ir ter um valor crtico que se
aproxime de 5.99/2 = 3.00 conforme N . necessrio um N em torno de 300 observaes antes que o
valor crtico de uma varivel F (2, N ) alcance 3.03, ou dentro de 1% de valor limite.
T p
1 0.
P
Se xt ut uma sequncia martingale, E(xt ut ) = 0 xu
T t=1 t t
Captulo 8. Linear Regression Models 27
Por [8.2.26]
T
1X
lim E[xt ut ut x0t ] = 2 Q.
T T
t=1
1
cT
P P P
1 (1/T ) yt1 (1/T ) ytp (1/T ) yt
P 2
(1/T ) yt1 ytp
P P P
1,T (1/T ) yt1 (1/T ) yt1 (1/T ) yt1 yt
. = .. .. .. ..
.
. . . . .
P 2
ytp yt1
P P P
p,T (1/T ) ytp (1/T ) (1/T ) y tp (1/T ) ytp yt
1
1
p 0 + 2 p1 + 2
1 + 2
.. .. .. ..
. . . .
p1 + 2 0 + 2 p + 2
Captulo 10
Ou em forma vetorial:
t = F t1 + vt ,
Com
A F(pp) F(pp)
t
0
h i
0
Q = E[vv ] = E .
t 0 0
..
0
2t 0 0 1 0 0
0
0 0
2
0 0 0
=E
.. .. .. .. = .. .. .. ..
. . . . . . . .
0 0 0 0 0 0
Realizando a operao vec nos dois lados da equao 10.2.19 para o processo escalar:
0 1
1
0
..
.
.
. .
p1 0
1 0
0
0
.
1 2 ..
.
. = [Ip2 A ] .
p2 0
.. ..
. .
0
p1
p2 0
. .
. .
. .
0 0
dado que [Ip2 A ]1 uma matriz p2 p2 e o vetor coluna do lado direito tem dimenso P 2 1, o produto
dos dois termos pode ser feito da seguinte forma. Deixe que [Ip2 A ]1 seja igual a uma matriz H e que ela
seja particionada em p2 vetores coluna hj de dimenso p2 1 com j = 1, 2, , p2 .
h i
H = h1 h2 hp2
Com isso os p primeiros termos do lado esquerdo do processo escalar empilhado o vetor coluna
0
1
2
..
.
p1
e os p primeiros termos do lado direito desta mesma equao um vetor composto pelos p primeiros elementos
do vetor h i
2 h1 2 ,
(p 1)
Captulo 10. Processos Vetoriais Estacionrios em Covarincia 30
2 H 2 [Ip2 A ]1
k = E[(yt )(ytk )0 ]
k = E[(yt )(ytk )0 ]
(" # )
Xt h i
=E Xtk Ytk
Yt
" #
Xt Xtk Xt Ytk
=E
Yt Xtk Yt Ytk
" #
Xt Xt Xt Yt
0 = E
Yt Xt Yt Yt
" #
(t + t1 )(t + t1 ) (t + t1 )(h1 Xt1 + ut )
=E
(h1 Xt1 + ut )(t + t1 ) (h1 Xt1 + ut )(h1 Xt1 + ut )
" #
(t + t1 )(t + t1 ) (t + t1 )(h1 (t1 + t2 ) + ut )
=E
(h1 (t1 + t2 ) + ut )(t + t1 ) (h1 (t1 + t2 ) + ut )(h1 (t1 + t2 ) + ut )
" #
2 [1 + 2 ] h1 2
=
h1 2 2 h21 [1 + 2 ] + u2
" #
Xt Xt1 Xt Yt1
1 = E
Yt Xt1 Yt Yt1
" #
(t + t1 )(t1 + t2 ) (t + t1 )(h1 Xt2 + ut1 )
=E
(h1 Xt1 + ut )(t1 + t2 ) (h1 Xt1 + ut )(h1 Xt2 + ut1 )
" #
(t + t1 )(t1 + t2 ) (t + t1 )(h1 (t2 + t3 ) + ut1 )
=E
(h1 (t1 + t2 ) + ut )(t1 + t2 ) (h1 (t1 + t2 ) + ut )(h1 (t2 + t3 ) + ut1 )
" #
2 0
=
h1 [1 + 2 ] h21 2
2
" #
Xt Xt2 Xt Yt2
2 = E
Yt Xt2 Yt Yt2
" #
(t + t1 )(t2 + t3 ) (t + t1 )(h1 Xt3 + ut2 )
=E
(h1 Xt1 + ut )(t2 + t3 ) (h1 Xt1 + ut )(h1 Xt3 + ut2 )
" #
(t + t1 )(t2 + t3 ) (t + t1 )(h1 (t3 + t4 ) + ut2 )
=E
(h1 (t1 + t2 ) + ut )(t2 + t3 ) (h1 (t1 + t2 ) + ut )(h1 (t3 + t4 ) + ut2 )
" #
0 0
=
h1 2 0
b) Equao 10.4.3:
sy () = (2)1 Gy (ei ) = (2)1 k eik .
X
k=
1
sy () = (2)1 k eik
X
k=1
2
X (k)
sy ()22 = Y Y cos(k) = h21 2 cos() + 2 h21 [1 + 2 ]
k=2
+ u2 + h21 2 cos()
= 2 [h21 [1 + 2 ] + h21 2 cos()] + u2
2
(k)
XY eik = h1 2 ei2 + h1 2 [1 + 2 ]ei + h1 2
X
sy ()12 =
k=2
2
(k)
Y X eik = h1 2 + h1 2 [1 + 2 ]ei + h1 2 ei2
X
21
sy () =
k=2
" #
1 sy ()11 sy ()12
sy () =
2 sy ()21 sy ()22
O cospectrum entre X e Y :
c) Equao 10.4.45:
" #" #" #
1 0 sXX () 0 1 h(ei )
sy () =
h(e ) 1 0 sU U () 0 1
" #
sXX () sXX ()h(ei )
= i i ,
h(e )sXX () h(e )sXX ()h(ei ) + sU U ()
onde
h(ei ) = hk eik
X
k=
(k)
sXX () = (2)1 XX eik
X
k=
= (2)1 2 ei + 2 [1 + 2 ] + 2 ei
= (2)1 2 1 + 2 cos() + 2
sU U () = (2)1 u2
sXX ()[h1 ei ] = (2)1 2 ei + 2 [1 + 2 ] + 2 ei [h1 ei ]
1 i2 i
= (2) h1 2 e + [1 + ]e 2
+
1
= (2) h1 2 {cos(2) isen(2)} + [1 + ]{cos() isen()} + 2
sXX ()h(ei ) = (2)1 2 ei + 2 [1 + 2 ] + 2 ei [h1 ei ]
1 i i2
= (2) h1 2 + [1 + ]e 2
+ e
1
= (2) h1 2 2
+ [1 + ]{cos() + isen()} + {cos(2) + isen(2)}
h(ei )sXX ()h(ei ) + sU U () = (2)1 h1 2 ei2 + [1 + 2 ]ei + [h1 ei ] + sU U
= (2)1 h21 2 e i 2
+ [1 + ] + e i
+ (2)1 u2
= (2)1 h21 2 2{cos()} + [1 + ] + (2)1 u2
2
d) Equao 10.4.49:
Z
1 sY X () ik
hk = (2) e d.
sXX ()
Captulo 10. Processos Vetoriais Estacionrios em Covarincia 33
Quando k = 1:
[h1 2 ei + h1 2 [1 + 2 ] + h1 2 ei ]
Z
1
= (2) d
2 1 + 2 cos() + 2
Z h1 2 ei + [1 + 2 ] + ei
= (2)1 d
2 1 + 2 cos() + 2
Z h1 2 1 + 2 cos() + 2
= (2)1 d
2 1 + 2 cos() + 2
Z
= (2)1 h1 d = h1
Quando k 6= 1:
Z
hk = (2)1 h1 ei eik d
Z
= (2)1 h1 e(k1)i d
Z Z
= (2)1 h1 cos([k 1])d + i(2)1 h1 sen([k 1])d
= ([k 1]2)1 h1 sen([k 1]) i([k 1]2)1 h1 cos([k 1])
=0