1.

Serii de timp
◼ Serie de timp: o mulţime de observaţii xt,
fiecare fiind înregistrată la un moment sau
la o perioadă de timp
◼ Serie de timp discretă, xt: mulţimea
timpilor T0 la care se fac observaţiile este
discretă
◼ Serie de timp continuă, x(t): observaţiile
se fac continuu într-un anumit interval de
timp
 1.Serii de timp
◼ Seria de timp xt, tT0 este o realizare a
familiei de variabile aleatoare Xt, tT0
◼ Proces stocastic: familie de variabile
aleatoare Xt, tT definită pe spaţiul de
probabilitate (,,).
◼ Funcţiile Xt(),  pe T sunt
cunoscute ca realizările procesului
stocastic Xt, tT.
 1.Serii de timp
◼ Dacă Xt, tT este un proces astfel încât
Var(Xt)< pentru orice tT, atunci funcţia
de autocovarianţă x(,) a lui Xt este
definită astfel:
x(r,s)=Cov(Xr,Xs)=E((Xr-E(Xr)) (Xs-E(Xs))),
r,sT
 2. Serii de timp staţionare
◼ Seria de timp Xt, tZ cu Z=0,1, 2,.... se
numeşte staţionară dacă
 E(Xt2)< pentru toţi tZ
 E(Xt)=m pentru toţi tZ
 x(r,s)= x(r+t,s+t) pentru toţi r,s,tZ

◼ x(h)= x(h,0)=Cov(Xt+h,Xt) pentru toţi t,hZ

◼ x(.) se va numi funcţia de autocovarianţă a lui
Xt iar x(h) va fi valoarea ei la deplasarea h.
 3. Funcţia de autocorelaţie şi
funcţia parţială de autocorelaţie
◼ Exemple:
 Xt=f+ut – serie staţionară
 Xt=a + bt +ut – serie nestaţionară
◼ Funcţia de autocorelaţie (ACF) a lui Xt
este definită ca funcţia a cărei valoare la
‘lag’ h este:
 x(h)= x(h)/ x(0)=Corr(Xt+h,Xt), t,hZ
n
 ( xt − x)( xt −k − x)
◼ Pe eşantion: rk = t =k +1
n
2
 ( xt − x )
t =1
 3. Funcţia de autocorelaţie şi
funcţia parţială de autocorelaţie
◼ Funcţia parţială de autocorelaţie (k) la ‘lag’ k
este corelaţia dintre X1 şi Xk+1 ajustată pentru
intervenţia observaţiilor X2,...Xk.
◼ Funcţia parţială de autocorelaţie (PACF) , (.) a
unui proces staţionar de timp este definită astfel:
 (1)=Corr(X2,X1)=(1)
 (k)=Corr(Xk+1- Xk+1,X1- X1), k2
Psp (1, X ,...,X ) Psp (1, X ,...,X )
deci este corelaţia a două2 k rezidualuri obţinute
2 k

după regresia lui Xk+1 şi a lui X1 în observaţiile

intermediare X2,...Xk.
 4. Descompunerea seriilor de timp

◼ Descompunerea clasică a unei serii de timp

după un model aditiv este următoarea:
Xt=mt+st+Yt
 mt este ‘componenta tendinţă’
 st este ‘componenta sezonală’
 Yt este componenta ‘zgomot aleator’ care este
staţionară
 5. Diferenţierea seriilor de timp
◼ Operatorul de diferenţiere se defineşte astfel:
Xt=Xt - Xt-1 =(1-B)Xt
unde B este operatorul backward shift: BXt=Xt-1.
◼ Procesul Xt se numeşte zgomot alb cu media zero şi
varianţa 2 dacă:
 E(Xt)=0
 2 dacă h = 0
  ( h) = 
0 dacă h  0
◼ Dacă variabilele aleatoare Xt sunt independente şi
identic repartizate cu media 0 şi varianţa 2 atunci se va
scrie:
Xt ~ IID(0,2)
 6. Model AR(p)
◼ Un model autoregresiv de ordin p, AR(p),
poate fi scris în următorul fel:
yt= + 1yt-1+ ... + pyt-p + t
coeficienţii 1, 2, ..., p fiind coeficienţii de
autoregresie pentru yt în yt-1,...,yt-p cu  termenul
constant.
◼ Termenul eroare, t, este presupus a avea
următoarele proprietăţi:
 E(t) = 0; Var(t) = 2
 Cov(t, t-k) = 0, k0
 Cov(t, yt-k) = 0, k>0
 7. Model MA(q)

◼ Un model de medie mobilă de ordin q,

MA(q), poate fi scris în următorul fel:
yt=  + t - 1t-1 - ... - qt-q
unde 1, ..., q sunt coeficienţi de medie
mobilă iar termenul eroare îndeplineşte
aceleşi condiţii ca şi în cazul schemei
autoregresive.
 Model ARMA(p,q)

◼ Combinând componentele modelelor AR şi MA se

obţine un nou model:
yt =  + 1yt-1+ ... + pyt-p + t - 1t-1 - ... - qt-q
◼ Folosind operatorul backward shift se obţine:
 (B)yt =  + (B) t
 (B) = 1 - 1B - ... - pBp
 (B) = 1 - 1B - ... - qBq
Acest model se va numi ARMA(p,q)
Model ARIMA(p,d,q)

◼ Dacă diferenţierea este necesară

pentru a produce o serie staţionară:
 wt=dyt şi
 (B)wt =  + (B) t
Atunci se va numi schemă
ARIMA(p,d,q).