Analise Espectral Pr´ atica´ · 2019. 3. 22. · Analise Espectral Pr´ atica´ Airlane Pereira...
Transcript of Analise Espectral Pr´ atica´ · 2019. 3. 22. · Analise Espectral Pr´ atica´ Airlane Pereira...
-
Análise Espectral Prática
Airlane Pereira Alencar
22 de Março de 2019
Alencar, A.P. (IME-USP) Análise Espectral Prática 22 de Março de 2019 1 / 37
-
Índice
1 Pré-requisitos
2 Espectro
3 Aliasing
4 FFT
5 Tendência e Ajuste Sazonal
6 Periodograma Suavizado e Largura de banda
7 Estimador Suavizado do Espectro
8 Referências
Alencar, A.P. (IME-USP) Análise Espectral Prática 22 de Março de 2019 2 / 37
-
Pré-requisitos
Já vimosProcessos estocásticos;Estacionariedade;Exemplos;Função de autocovariância: propriedades e estimação;Modelos Harmônicos.Espectro e seus estimadores (vou revisar)
Alencar, A.P. (IME-USP) Análise Espectral Prática 22 de Março de 2019 3 / 37
-
Espectro
Caracterização de processos estacionários
Uma condição suficiente para que o espectro (densidade) exista é∫ ∞−∞|γ(τ)|dτ
-
Espectro
Espectro tempo discreto: t ∈ Z
Se∞∑
k=∞|γk |
-
Espectro
Espectro: parametrizações e simplificações
Tempo discreto (prática)
Como f (λ) é par e de perı́odo 2π, basta visualizar f (λ),0 < λ < π.Se considero a frequência ω = λ2π (λ = 2πω), tenho ω ∈ [0,1/2] eo perı́odo é 1/ω (=12 meses). (SS)
f (λ) =1
2π
∞∑k=−∞
γke−iλk =1
2π
∞∑k=−∞
γkcos(λk)
Alencar, A.P. (IME-USP) Análise Espectral Prática 22 de Março de 2019 6 / 37
-
Espectro
Exemplos: Encontre f (λ)
X = {X (t), t ∈ Z} processo estacionário∞∑
k=−∞|γk |
-
Espectro
Exemplos: Encontre f (λ)
MA centrado Yt = 13(Xt−1 + Xt + Xt+1), Xt ∼ RB
γk =
3σ2/9 , se k = 0;2σ2/9 , se |k | = 1;σ2/9 , se |k | = 2;0 , se |k | > 3;
f (λ) =1
2π
∞∑k=−∞
γke−iλk =
=1
2π
[3σ2
9+
2σ2
9(e−iλ + eiλ) +
σ2
9(e−iλ2 + eiλ2)
]=
12π
σ2
9[3 + 4 cos(λ) + 2 cos(2λ)]
curve((1/9)*(1/(2*pi))*(3+4*cos(x)+2*cos(2*x)), 0, pi)Alencar, A.P. (IME-USP) Análise Espectral Prática 22 de Março de 2019 8 / 37
-
Espectro
Exemplos: Encontre f (λ)
MA centrado Yt = 13(Xt−1 + Xt + Xt+1), Xt ∼ RB
f (λ) =1
2πσ2
9[3 + 4 cos(λ) + 2 cos(2λ)]
curve((1/9)*(1/(2*pi))*(3+4*cos(x)+2*cos(2*x)), 0, pi)
Alencar, A.P. (IME-USP) Análise Espectral Prática 22 de Março de 2019 9 / 37
-
Aliasing
Teorema Cramér - Tempo contı́nuo
X = {X (t), t ∈ R} processo estacionário real com FACv contı́nua.Então existe proc. estac. {Z (λ), λ ∈ R} de incrementos ortogonais talque
X (t) =∫ ∞−∞
eitλdZX (λ), ∀t ∈ R
onde ZX (λ) tem incrementos ortogonais:E(dZX (λ)) = 0, ∀λE |dZX (λ)|2 = dF (λ), ∀λ
Integral estocástica:∫ b
a g(t)dX (t) = E{∑
g(ti)[X (ti)− X (ti−1)]}2Tem equivalente para tempo discreto.X (t) pode ser aproximado por soma de componentes harmônicas deamplitutes aleatórias.
Alencar, A.P. (IME-USP) Análise Espectral Prática 22 de Março de 2019 10 / 37
-
Aliasing
Aliasing
O processo Yt é amostrado a cada ∆t unidades:Yt = ∆X (t .∆t), t = . . . ,−1,0,1, . . .. Pelo teorema da representação
Yt =∫ ∞−∞
eit∆tλdZX (λ)
=∞∑
k=−∞
∫ (2k+1) π∆t
(2k−1) π∆t
exp[it∆t
(λ+
2kπ∆t
)]dZX
(λ+
2kπ∆t
)
exp[it∆t
(λ+
2kπ∆t
)]= exp
[it∆tλ+
(it∆t
2kπ∆t
)]= exp [it∆tλ+ (2kπit)] = exp [it∆tλ]
Yt =∞∑
k=−∞
∫ + π∆t
− π∆t
exp [it∆tλ] dZX
(λ+
2kπ∆t
)Tenho dZY (λ) =
∑∞k=−∞ dZX
(λ+ 2kπ∆t
)Alencar, A.P. (IME-USP) Análise Espectral Prática 22 de Março de 2019 11 / 37
-
Aliasing
Aliasing
Tenho dZY (λ) =∑∞
k=−∞ dZX(λ+ 2kπ∆t
)Todas as frequências λ+ 2πk∆t , k ∈ Z são confundidas com λ.A frequência 2π∆t é chamada de freq. de Nyquist.Não observo perı́odo menor que 2∆t .
Alencar, A.P. (IME-USP) Análise Espectral Prática 22 de Março de 2019 12 / 37
-
FFT
Teorema Bochner-Wiener-KhintchineX = {X (t), t ∈ R} processo estacionário real e FACv γ(τ) contı́nua ∀τ .γ(τ) é FACv de processo estacionário⇔
γ(τ) =
∫ ∞−∞
eiλτdFλ, ∀τ ∈ R
onde F (λ) é função real, não decrescente e limitada.Prova: Ondas p. 116 A.3
Herglotz
X = {X (t), t ∈ Z} processo estacionário real com FACv γk .γk é FACv de processo estacionário⇔
γk =
∫ π−π
eiλkdFλ, ∀k ∈ Z
onde F (λ) é função real, não decrescente e limitada.Alencar, A.P. (IME-USP) Análise Espectral Prática 22 de Março de 2019 13 / 37
-
FFT
PeriodogramaSupomos que Xt é processo estacionário centrado com FACV γk .O Periodograma, estimador do espectro f (λp) para λp = 2πpN , é
I(N)p =∣∣∣d (N)p ∣∣∣2 = 12πN
∣∣∣∣∣N−1∑t=0
Xte−iλp t∣∣∣∣∣2
(3)
A transformada d (N)p necessita de N multiplicações e N somas.Fatorando N = r .s, temos:
t = r t1 + t00, . . . ,N − 1 0, . . . , s − 1 0, . . . , r − 1
ex: r = 3; s = 5 : t = 3t1 + t0, t1 = 0, . . . ,4; t0 = 0,1,2Para as frequências λp = 2πpN ,p = 0, . . . ,N − 1, façop = sp1 + p0,p1 = 0, . . . , r − 1,p0 = 0, . . . , s − 1.
Alencar, A.P. (IME-USP) Análise Espectral Prática 22 de Março de 2019 14 / 37
-
FFT
d (N)p =N−1∑t=0
Xte−iλp t =r−1∑t0=0
s−1∑t1=0
Xrt1+t0exp[−i 2πp
r .s(rt1 + t0)
]
=r−1∑t0=0
exp[−i 2πp
r .s(t0)] s−1∑
t1=0
Xrt1+t0exp[−i 2πp�r .s
(�r t1)]
Agora p = sp1 + p0:
exp[−i 2π(sp1 + p0)
st1
]=((((
((((exp [−i2πp1t1]exp[−i 2πp0t1
s
]
Alencar, A.P. (IME-USP) Análise Espectral Prática 22 de Março de 2019 15 / 37
-
FFT
d (N)p =r−1∑t0=0
exp[−i 2πp
r .s(t0)] s−1∑
t1=0
Xrt1+t0exp[−i 2πp0
st1
]
=r−1∑t0=0
exp[−i 2πp
r .s(t0)]α(p0, t0)
Tem α(p0, t0) tem s valores de p0 e r valores de t0 e cada α tem somade s parcelas = r .s2 operaçõesDepois tenho soma de r parcelas e N valores de p: Nr
r .s.s + Nr = N(s + r) < N2
Se fatoro em mais fatores N = r1r2 . . . rk posso reduzir o número deoperações.Para N = 2k , tenho 2kN = 2 log2(N).N operações.Se não tenho potência de 2, posso imputar zeros até obter N ′ econsiderar as freq. ω = 2πkN′ e usar taper nos extremos.
Alencar, A.P. (IME-USP) Análise Espectral Prática 22 de Março de 2019 16 / 37
-
Tendência e Ajuste Sazonal
Xt = θ1φ1(t) + . . .+ thetaqφq(t) + Yt ,
Yt processo com média zero e espectro desconhecido hY (ω)
Ajusto modelo usando MQO, θ̂∗ = (X T X )−1X T y , e calculoresı́duo estacionário ŶtSe fura suposições de erros RB, uso MQP:θ̂ = (X T Σ−1X )−1X T Σ−1yGrenander e Rosenblatt(1957a ch7) obtêm condições para que oestimador θ̂∗ seja eficiente com relação a θ̂. Assim, podemosusar MQO para tirar tend e saz. e depois estimar hY () a partir dosresı́duos como se estivesse usando Yt observado.
Alencar, A.P. (IME-USP) Análise Espectral Prática 22 de Março de 2019 17 / 37
-
Tendência e Ajuste Sazonal
Condições1 Φr (n) =
∑nt=1 |φr (t)|2 →n→∞∞ para cada r
2 limn→∞Φr (n + 1)
Φr (n)= 1 para cada r
3 limn→∞∑n
t=1φr (t+h)φ∗s (t)
[Φr (n).Φs(n)]1/2= Rrs(h) existe
4 A matriz R(0) é não singular.
Alencar, A.P. (IME-USP) Análise Espectral Prática 22 de Março de 2019 18 / 37
-
Tendência e Ajuste Sazonal
As condições são satisfeitas por ex:
Polinômios: µt = θ1 + θ2t + . . .+ θqtq−1
Reg. Trigonométrica: µt = θ1 + θ2exp(iλ1t) + . . .+ θqexp(iλqt)ou µt =
∑qr=1[Ar cos(λr t) + Br sin(λr t)]
Obs: também podemos retirar tendências e sazonalidade comdiferenças (filtros lineares).
Alencar, A.P. (IME-USP) Análise Espectral Prática 22 de Março de 2019 19 / 37
-
Periodograma Suavizado e Largura de banda
I(N)j =1
2πN
(N∑
t=1
Zte−iλj t)(
N∑s=1
Zseiλj s)
=1
2πN
N∑t=1
N∑s=1
ZtZse−iλj (t−s)h=t−s
=1
2π
N−1∑h=−(N−1)
1N
N−|h|∑t=1
ZtZt+he−iλj h
=1
2π
N−1∑h=−(N−1)
γ̂(h)e−iλj h
Alencar, A.P. (IME-USP) Análise Espectral Prática 22 de Março de 2019 20 / 37
-
Periodograma Suavizado e Largura de banda
Periodograma - Observações
∑Nt=1(Zt − Z̄ )2 =
∑[ N2 ]k=−[ N−12 ]
2πI(N)k
I(N)k é a contribuição da freq λk = 2πk/N à variabilidade da série.An. Harmônica Zt = µ+ A cos(ωt) + B sin(ωt) + et equivZ = Wθ + etUsamos ortogonalidade e temos o periodograma como
I(ω) =N8π
(Â2(ω) + B̂2(ω))
=1
2πN
( N∑t=1
(Zt − Z̄ ) cos(ωt)
)2+
(N∑
t=1
(Zt − Z̄ ) sin(ωt)
)2
Alencar, A.P. (IME-USP) Análise Espectral Prática 22 de Março de 2019 21 / 37
-
Periodograma Suavizado e Largura de banda
Propriedades do Periodograma
γ̂h =1N
N−|h|∑t=1
ZtZt+h (4)
é f. não negativa definida (Wei, 2006) e é est. consistente para γh.
E [I(N)j ] =1
2π
N−1∑h=−(N−1)
E [γ̂(h)]e−iλj h
=1
2π
N−1∑h=−(N−1)
(1− |h|
N
)γ(h)e−iλj h
→N→∞
f (λ) =1
2π
∞∑k=−∞
γke−iλk
O periodograma é estimador assintoticamente não viesado doespectro.
Alencar, A.P. (IME-USP) Análise Espectral Prática 22 de Março de 2019 22 / 37
-
Periodograma Suavizado e Largura de banda
Propriedades da DFT
Teo 15.5 TCL
Se Zt for gaussiano e o espectro contı́nuo, então as variáveis d(N)j são
assint. indep. quando N →∞ com dist. assint. Nc1 (0, f (λj)), j 6= 0,N/2e N1(0, f (λj)), j = 0,N/2 (Morettin, 1979).
Teo 15.6 sem normalidadeSe Zt for estacionário (γ0
-
Periodograma Suavizado e Largura de banda
Distribuição do Periodograma
Teo 15.7
As ordenadas do periodograma I(N)j são vas assint. indep. e
I(N)jD→{ 1
2 f (λj)χ22, j 6= 0,N/2
f (λj)χ21, j = 0,N/2
Então para N grande
Var(I(N)j ) ={ 1
22 f2(λj)2 ∗ 2 = f 2(λj), j 6= 0,N/2
2f 2(λj), j = 0,N/2
Var(I(N)j ) não vai para 0 quando N →∞, logo I(N)j é assint. não
viesado mas não é estimador consistente do espectro.
Alencar, A.P. (IME-USP) Análise Espectral Prática 22 de Março de 2019 24 / 37
-
Estimador Suavizado do Espectro
Voltando à esperança do periodograma
E [I(N)j ] =1
2π
N−1∑h=−(N−1)
E [γ̂(h)]e−iλj h
=1
2π
N−1∑h=−(N−1)
(1− |h|
N
)γ(h)e−iλj h
=1
2π
N−1∑h=−(N−1)
w(h)γ(h)e−iλj h
com kernel de Bartlett w(h).O estimador suavizado do espectro é
f̂ (λ) =1
2π
∞∑h=−∞
wM(h)γ̂(h)e−iλj h
Alencar, A.P. (IME-USP) Análise Espectral Prática 22 de Março de 2019 25 / 37
-
Estimador Suavizado do Espectro
Estimador Suavizado
O estimador suavizado do espectro é
f̂ (λ) =1
2π
∞∑h=−∞
wM(h)γ̂(h)e−iλh (5)
com pesos w(h) (lag window) tal que
0 ≤ wM(h) ≤ wM(0) = 1wM(−h) = wM(h)wM(h) = 0, |h| ≥ M
Alencar, A.P. (IME-USP) Análise Espectral Prática 22 de Março de 2019 26 / 37
-
Estimador Suavizado do Espectro
Espectro Suavizado
Como f̂ (λ) é a TF do produto dos pesos e covariância amostral, entãopelo Teo. da Convolução:
f̂ (λ) =∫ ∞−∞
WM(λ− α)I(N)(α)dα (6)
é tb suavização do periodograma com pesos
WM(λ) =1
2π
N−1∑h=−(N−1)
wM(h)e−iλh
Janela espectral WM(λ) correspondente a wM(h) satisfaz
WM(−λ) = WM(λ)∫∞−∞WM(λ)dλ = wM(0) = 1
Alencar, A.P. (IME-USP) Análise Espectral Prática 22 de Março de 2019 27 / 37
-
Estimador Suavizado do Espectro
Janelas - Priestley 437-449
Janela wM(h) WM(λ)Truncada I|h|≤M DM(λ)Bartlett 1− |h|M I|h|≤M FM(λ) FéjerTukey 1− 2a + 2a cos(πhM )I|h|≤M aDM(λ−
πM ) + (1− 2a)DM(λ)+aDM(λ+ πM )
Daniell sin(πh/M)πh/MM2π I|λ|≤π/M
em queDM(λ) = 12π
∑Ms=−M cos(sλ) =
12π
sin[(M+1/2)λ]sin(λ/2) é o núcleo de Dirichlet;
FM(λ) = 12π∑
=Ms=−M
(1− |s|M
)cos(sλ) = 12πM [
sin(Mλ/2)sin(λ/2) ]
2 é o núcleode Féjer.
Alencar, A.P. (IME-USP) Análise Espectral Prática 22 de Março de 2019 28 / 37
-
Estimador Suavizado do Espectro
Viés e Variância assintótica para algumas janelas
Daniel: Viés= − π2
6M2h′′(ω) e Var=
M.h2(ω)N
Bartlett: Viés= − 1M
h(1)(ω) e Var=M.h2(ω)
N23
h(1)(ω) = 12π∑∞
s=−∞ |s|R(s)e−iωs
M ↑ ⇒ Var ↑ Viés ↓
Também tem que escolher M de modo que não se sobreponham asjanelas de 2 picos.
Alencar, A.P. (IME-USP) Análise Espectral Prática 22 de Março de 2019 29 / 37
-
Estimador Suavizado do Espectro
Teo 15.8
Se a janela WM(λ) é concentrada ao redor de λ = 0 e f (λ) é aprox.constante no intervalo de freq. semelhante ã largura do pico deWM(λ), então
E (̂f (λ)) ≈ f (λ)
Cov (̂f (λ), (̂f (µ)) ≈ 2πN
∫ π−π
WM(λ− α)[WM(µ− α)WM(µ+ α)]
f 2(α)dα
Var (̂f (λ)) ≈ 2πN
f 2(λ)∫ π−π
W 2M(α)dα < Var(I(N)(λ)) =
f 2(λ)2
Alencar, A.P. (IME-USP) Análise Espectral Prática 22 de Março de 2019 30 / 37
-
Estimador Suavizado do Espectro
Estimador Suavizado do Periodograma
Trocando a integral em (6) pela soma:
f̂ (λ) ≈N/2∑
j=−(N−1)/2
WM(λ− λj)I(N)j (7)
para λj = 2πj/NEm Ondas e Ondaletas ou SS(2016), assintoticamente
I(N)jf (λj)/2
∼ χ22 (j 6= 0,N) (8)
Para M e N grandes (M/N →N→∞
0)
f̂ (λ)f (λ)
∼ combinação de dists χ22 indep
∼ cχ2rAlencar, A.P. (IME-USP) Análise Espectral Prática 22 de Março de 2019 31 / 37
-
Estimador Suavizado do Espectro
Dist. Periodograma Suavizado
Priestley p.466
f̂ (λ) ∼ combinação de dists χ22 indep∼ cχ2r
E(
f̂ (λ))→ f (λ) = cr
Var(
f̂ (λ))≈ 2π
Nf 2(λ)
∫ π−π
W 2M(α)dα ≈ c22r
c = f (λj )r e r =[E(
f̂ (λ))
]2
[Var(
f̂ (λ))
]/2= N
π∫ π−π W
2M (α)dα
A partir de f̂ (λj) ∼f (λj )
r χ2r , podemos obter IC para f (λ)[
rf̂ (λ)
b; r
f̂ (λ)a
]
Alencar, A.P. (IME-USP) Análise Espectral Prática 22 de Março de 2019 32 / 37
-
Estimador Suavizado do Espectro
Observações
Dividindo por γ(0), temos ρ(τ) =∫∞−∞ e
iλτdG(λ);F (λ) é definida a menos de uma constante e podemos fixarF (−∞) = 0 e F (∞) = γ(0)γ(0) =
∫∞−∞ dF (λ) , F (λ) é chamada de distribuição espectral de
X(t) sobre o eixo das frequênciasIntegral Riemann-Stieltjes (Priestley p.155) t0. . . . , tn ∈ (a,b):
R =∫ b
ag(t)dF (t) = lim
max(ti−ti−1)→∞
n∑i=1
g(ti)[F (ti)− F (ti−1)].
Alencar, A.P. (IME-USP) Análise Espectral Prática 22 de Março de 2019 33 / 37
-
Estimador Suavizado do Espectro
Decomposição do Espectro
Discreta + Contı́nuaComo F (λ) parece f. dist. pode ser decomposta nas componentesdiscreta, contı́nua e singular em F (λ) = a1Fd (λ) + a2Fc(λ) + a3Fs(λ)com a1 + a2 + a3 = 1Na prática nem considera a singular e temos mistura de funçãoescada e contı́nua
γ(τ) =∞∑
j=−∞eiλjτp(λj) +
∫ ∞−∞
eiλτ fc(λ)dλ
Se temos∑∞
k=∞ |γk |
-
Estimador Suavizado do Espectro
Processo Harmônico - Priestley p147
Xt =K∑
i=1
Aicos(ωi t + φi)
K ,Ai fixas e para estudar proc. estocásticos consideramosφi ∼ U(−π, π).Exercı́cio
E(Xt ) = 0
γ(h) =K∑
i=1
(A2i /2)cos(ωih)
Alencar, A.P. (IME-USP) Análise Espectral Prática 22 de Março de 2019 35 / 37
-
Estimador Suavizado do Espectro
Observações
Na prática, se conheço K e as frequências, ajusto modelo deregressão e para os resı́duos verifico se tem mais frequênciasocultas e depois considero modelo com senos e cossenosincluindo todas as frequências relevantes.Ideia: usar os testes para periodicidades como o de Fisher masele assume que fora as frequências relevantes, temos RB, masagora temos a parte contı́nua do espectro de Processo LinearGeral.
Alencar, A.P. (IME-USP) Análise Espectral Prática 22 de Março de 2019 36 / 37
-
Referências
Referências
All Time series analysis
PriestleyMorettin e ToloiShumway e Stoffer
Alencar, A.P. (IME-USP) Análise Espectral Prática 22 de Março de 2019 37 / 37
Pré-requisitosEspectroAliasingFFTTendência e Ajuste SazonalPeriodograma Suavizado e Largura de bandaEstimador Suavizado do EspectroReferências