Neste trabalho analisamos alguns processos com a propriedade de longa dependência e sazonalidade. Nosso estudo tem por objetivo principal estudar os processos k Factor GARMA p, λ, u, q e SARFIMA p, d, q P, D, Q s, onde s é a sazonalidade. Para os processos k Factor GARMA p, λ, u, q , baseados no conheci- mento das freqüências de Gegenbauer, propomos estimadores da classe semi- paramétrica para o correspondente parâmetro λ. Apresentamos importantes resultados envolvendo a função densidade espectral e os coeficientes das representações auto-regressiva e média móvel destes processos. No estudo dos processos SARFIMA p, d, q P, D, Q s, demonstramos algumas propriedades destes processos, tais como a expressão da função densidade espectral, o seu comportamento próximo às freqüências sazonais, a estacionariedade, as dependências intermediária e longa, a função de autocovariância e a sua expressão assintótica. Investigamos também as condições necessárias e suficientes para a causalidade e a inversibilidade destes processos SARFIMA. Analisamos a ergodicidade e apresentamos a previsão de erro quadrático médio mínimo para estes processos. Apresentamos diversos estimadores na classe dos métodos semiparamétricos para estimar, tanto o parâmetro de diferenciação d, bem como o de diferenciação sazonal D. Na classe paramétrica, apresentamos um método que estima todos os parâmetros do processo. Propomos nova metodologia de estimação para os parâmetros d e D, os chamados estimadores robustos. Introduzimos dois métodos de contaminação por outliers, o modelo multiparamétrico e a contaminação por mistura. Através de simulações de Monte Carlo, analisamos o comportamento dos estimadores das classes semiparamétrica e paramétrica para os parâmetros do processo SARFIMA. Nestas simulações, os processos são considerados com e sem contaminação por outliers do tipo aditivo e de inovação. Apresentamos o teste de verossimilhança para detectar e identificar outliers em processos SARFIMA. Desenvolvemos um estimador para a magnitude de outliers dos tipos aditivo e de inovação. Demonstramos que este estimadoré não viciado e normalmente distribuído. Realizamos a análise da série temporal dos níveis mensais do rio Nilo, em Aswan, com e sem contaminação por outliers do tipo aditivo. / In this work we analyze some processes with long memory and seasonality properties. The main goal is to study the k Factor GARMA p, λ, u, q and SARFIMA p, d, q P, D, Q s processes, where s is the seasonality. For the k Factor GARMA p, λ, u, q process, based on the knowledge of the Gegenbauer frequencies, we propose some estimators in the semiparame- tric class for the corresponding parameter λ. We present important results related to the spectral density function and to the coefficients of the autore- gressive and moving average infinite representations for these processes. In the study of the SARFIMA p, d, q P, D, Q s processes, we prove several properties, such as its spectral density function expression and its behavior near the seasonal frequencies, the stationarity, the intermediate and long memory, the autocovariance function and its asymptotic expres- sion. We also investigate necessary and sufficient conditions for the causality and the invertibility of SARFIMA processes. We analyze the ergodicity and we present the minimum mean squared error forecasting for these processes. We present several estimators in the semiparametric class to estimate both, the degree of differencing d and the seasonal differencing parameter D. In the parametric class, we introduce one method that estimates all the process parameters. We propose a new estimation methodology for the parameters d and D, based on robustness. We introduce two methods for outliers contami- nation, the so-called multi-parametric model and the mixing contamination. Through Monte Carlo simulations, we analyze the semiparametric and pa- rametric estimators behavior for the parameters of SARFIMA processes. In these simulations, the process is considered with and without contamination by addictive and innovation outliers. We present the likelihood test to detect and to identify outliers in SARFIMA processes. We also develop one estima- tor for the outlier’s magnitude for the addictive and innovation types. We show the unbiased property and normal distribution for this estimator. We carry out the analysis on the Nile River monthly flows at Aswan time series, with and without addictive outlier contamination.

Neste trabalho analisamos alguns processos com a propriedade de longa dependência e sazonalidade. Nosso estudo tem por objetivo principal estudar os processos k Factor GARMA p, λ, u, q e SARFIMA p, d, q P, D, Q s, onde s é a sazonalidade. Para os processos k Factor GARMA p, λ, u, q , baseados no conheci- mento das freqüências de Gegenbauer, propomos estimadores da classe semi- paramétrica para o correspondente parâmetro λ. Apresentamos importantes resultados envolvendo a função densidade espectral e os coeficientes das representações auto-regressiva e média móvel destes processos. No estudo dos processos SARFIMA p, d, q P, D, Q s, demonstramos algumas propriedades destes processos, tais como a expressão da função densidade espectral, o seu comportamento próximo às freqüências sazonais, a estacionariedade, as dependências intermediária e longa, a função de autocovariância e a sua expressão assintótica. Investigamos também as condições necessárias e suficientes para a causalidade e a inversibilidade destes processos SARFIMA. Analisamos a ergodicidade e apresentamos a previsão de erro quadrático médio mínimo para estes processos. Apresentamos diversos estimadores na classe dos métodos semiparamétricos para estimar, tanto o parâmetro de diferenciação d, bem como o de diferenciação sazonal D. Na classe paramétrica, apresentamos um método que estima todos os parâmetros do processo. Propomos nova metodologia de estimação para os parâmetros d e D, os chamados estimadores robustos. Introduzimos dois métodos de contaminação por outliers, o modelo multiparamétrico e a contaminação por mistura. Através de simulações de Monte Carlo, analisamos o comportamento dos estimadores das classes semiparamétrica e paramétrica para os parâmetros do processo SARFIMA. Nestas simulações, os processos são considerados com e sem contaminação por outliers do tipo aditivo e de inovação. Apresentamos o teste de verossimilhança para detectar e identificar outliers em processos SARFIMA. Desenvolvemos um estimador para a magnitude de outliers dos tipos aditivo e de inovação. Demonstramos que este estimadoré não viciado e normalmente distribuído. Realizamos a análise da série temporal dos níveis mensais do rio Nilo, em Aswan, com e sem contaminação por outliers do tipo aditivo. / In this work we analyze some processes with long memory and seasonality properties. The main goal is to study the k Factor GARMA p, λ, u, q and SARFIMA p, d, q P, D, Q s processes, where s is the seasonality. For the k Factor GARMA p, λ, u, q process, based on the knowledge of the Gegenbauer frequencies, we propose some estimators in the semiparame- tric class for the corresponding parameter λ. We present important results related to the spectral density function and to the coefficients of the autore- gressive and moving average infinite representations for these processes. In the study of the SARFIMA p, d, q P, D, Q s processes, we prove several properties, such as its spectral density function expression and its behavior near the seasonal frequencies, the stationarity, the intermediate and long memory, the autocovariance function and its asymptotic expres- sion. We also investigate necessary and sufficient conditions for the causality and the invertibility of SARFIMA processes. We analyze the ergodicity and we present the minimum mean squared error forecasting for these processes. We present several estimators in the semiparametric class to estimate both, the degree of differencing d and the seasonal differencing parameter D. In the parametric class, we introduce one method that estimates all the process parameters. We propose a new estimation methodology for the parameters d and D, based on robustness. We introduce two methods for outliers contami- nation, the so-called multi-parametric model and the mixing contamination. Through Monte Carlo simulations, we analyze the semiparametric and pa- rametric estimators behavior for the parameters of SARFIMA processes. In these simulations, the process is considered with and without contamination by addictive and innovation outliers. We present the likelihood test to detect and to identify outliers in SARFIMA processes. We also develop one estima- tor for the outlier’s magnitude for the addictive and innovation types. We show the unbiased property and normal distribution for this estimator. We carry out the analysis on the Nile River monthly flows at Aswan time series, with and without addictive outlier contamination.

Neste trabalho apresentamos os principais resultados encontrados na literatura, relacionados a processos ARCH, GARCH e EGARCH. Descrevemos os processos FIEGARCH e introduzimos resultados relacionados a estacionariedade e a ergodicidade desses processos. Retomamos os resultados clássicos, relacionados aos métodos de identificação/seleção de modelos para séries temporais, os principais métodos de estimação dos parâmetros e apresentamos vários resultados relacionados a previsão. Apresentamos os principais conceitos relacionados µas medidas de risco e aquelas utilizadas na literatura. Como aplicação, apresentamos a estimação de medidas de risco, tanto para processos FIEGARCH simulados como para séries temporais reais. / In this work we present the main results found in the literature regarding ARCH, GARCH and EGARCH processes. We describe the FIEGARCH processes and introduce results related to stationarity and ergodicity of these processes, among other interesting results. We review the classical results and methods in model identi¯cation/selection for time series, the main methods of parameter estimation and several important results concerning the forecasting. We also present the main concepts related to risk measures and the one considered in the literature. As an application of the whole methodology, we present the estimation of risk measures for both simulated FIEGARCH processes and observed time series.

Neste trabalho apresentamos os principais resultados encontrados na literatura, relacionados a processos ARCH, GARCH e EGARCH. Descrevemos os processos FIEGARCH e introduzimos resultados relacionados a estacionariedade e a ergodicidade desses processos. Retomamos os resultados clássicos, relacionados aos métodos de identificação/seleção de modelos para séries temporais, os principais métodos de estimação dos parâmetros e apresentamos vários resultados relacionados a previsão. Apresentamos os principais conceitos relacionados µas medidas de risco e aquelas utilizadas na literatura. Como aplicação, apresentamos a estimação de medidas de risco, tanto para processos FIEGARCH simulados como para séries temporais reais. / In this work we present the main results found in the literature regarding ARCH, GARCH and EGARCH processes. We describe the FIEGARCH processes and introduce results related to stationarity and ergodicity of these processes, among other interesting results. We review the classical results and methods in model identi¯cation/selection for time series, the main methods of parameter estimation and several important results concerning the forecasting. We also present the main concepts related to risk measures and the one considered in the literature. As an application of the whole methodology, we present the estimation of risk measures for both simulated FIEGARCH processes and observed time series.

Neste trabalho analisamos alguns processos com a propriedade de longa dependência e sazonalidade. Nosso estudo tem por objetivo principal estudar os processos k Factor GARMA p, λ, u, q e SARFIMA p, d, q P, D, Q s, onde s é a sazonalidade. Para os processos k Factor GARMA p, λ, u, q , baseados no conheci- mento das freqüências de Gegenbauer, propomos estimadores da classe semi- paramétrica para o correspondente parâmetro λ. Apresentamos importantes resultados envolvendo a função densidade espectral e os coeficientes das representações auto-regressiva e média móvel destes processos. No estudo dos processos SARFIMA p, d, q P, D, Q s, demonstramos algumas propriedades destes processos, tais como a expressão da função densidade espectral, o seu comportamento próximo às freqüências sazonais, a estacionariedade, as dependências intermediária e longa, a função de autocovariância e a sua expressão assintótica. Investigamos também as condições necessárias e suficientes para a causalidade e a inversibilidade destes processos SARFIMA. Analisamos a ergodicidade e apresentamos a previsão de erro quadrático médio mínimo para estes processos. Apresentamos diversos estimadores na classe dos métodos semiparamétricos para estimar, tanto o parâmetro de diferenciação d, bem como o de diferenciação sazonal D. Na classe paramétrica, apresentamos um método que estima todos os parâmetros do processo. Propomos nova metodologia de estimação para os parâmetros d e D, os chamados estimadores robustos. Introduzimos dois métodos de contaminação por outliers, o modelo multiparamétrico e a contaminação por mistura. Através de simulações de Monte Carlo, analisamos o comportamento dos estimadores das classes semiparamétrica e paramétrica para os parâmetros do processo SARFIMA. Nestas simulações, os processos são considerados com e sem contaminação por outliers do tipo aditivo e de inovação. Apresentamos o teste de verossimilhança para detectar e identificar outliers em processos SARFIMA. Desenvolvemos um estimador para a magnitude de outliers dos tipos aditivo e de inovação. Demonstramos que este estimadoré não viciado e normalmente distribuído. Realizamos a análise da série temporal dos níveis mensais do rio Nilo, em Aswan, com e sem contaminação por outliers do tipo aditivo. / In this work we analyze some processes with long memory and seasonality properties. The main goal is to study the k Factor GARMA p, λ, u, q and SARFIMA p, d, q P, D, Q s processes, where s is the seasonality. For the k Factor GARMA p, λ, u, q process, based on the knowledge of the Gegenbauer frequencies, we propose some estimators in the semiparame- tric class for the corresponding parameter λ. We present important results related to the spectral density function and to the coefficients of the autore- gressive and moving average infinite representations for these processes. In the study of the SARFIMA p, d, q P, D, Q s processes, we prove several properties, such as its spectral density function expression and its behavior near the seasonal frequencies, the stationarity, the intermediate and long memory, the autocovariance function and its asymptotic expres- sion. We also investigate necessary and sufficient conditions for the causality and the invertibility of SARFIMA processes. We analyze the ergodicity and we present the minimum mean squared error forecasting for these processes. We present several estimators in the semiparametric class to estimate both, the degree of differencing d and the seasonal differencing parameter D. In the parametric class, we introduce one method that estimates all the process parameters. We propose a new estimation methodology for the parameters d and D, based on robustness. We introduce two methods for outliers contami- nation, the so-called multi-parametric model and the mixing contamination. Through Monte Carlo simulations, we analyze the semiparametric and pa- rametric estimators behavior for the parameters of SARFIMA processes. In these simulations, the process is considered with and without contamination by addictive and innovation outliers. We present the likelihood test to detect and to identify outliers in SARFIMA processes. We also develop one estima- tor for the outlier’s magnitude for the addictive and innovation types. We show the unbiased property and normal distribution for this estimator. We carry out the analysis on the Nile River monthly flows at Aswan time series, with and without addictive outlier contamination.

Neste trabalho apresentamos os principais resultados encontrados na literatura, relacionados a processos ARCH, GARCH e EGARCH. Descrevemos os processos FIEGARCH e introduzimos resultados relacionados a estacionariedade e a ergodicidade desses processos. Retomamos os resultados clássicos, relacionados aos métodos de identificação/seleção de modelos para séries temporais, os principais métodos de estimação dos parâmetros e apresentamos vários resultados relacionados a previsão. Apresentamos os principais conceitos relacionados µas medidas de risco e aquelas utilizadas na literatura. Como aplicação, apresentamos a estimação de medidas de risco, tanto para processos FIEGARCH simulados como para séries temporais reais. / In this work we present the main results found in the literature regarding ARCH, GARCH and EGARCH processes. We describe the FIEGARCH processes and introduce results related to stationarity and ergodicity of these processes, among other interesting results. We review the classical results and methods in model identi¯cation/selection for time series, the main methods of parameter estimation and several important results concerning the forecasting. We also present the main concepts related to risk measures and the one considered in the literature. As an application of the whole methodology, we present the estimation of risk measures for both simulated FIEGARCH processes and observed time series.

Resumo não disponível

Conforme diversos artigos, as sequênncias de DNA apresentam longa dependência, isto é, mesmo para tempos bastante distantes entre si, a correlação entre as variáveis aleatórias é não desprezível. Neste trabalho, verificamos se esta longa dependência pode ser explicada pelos processos auto-regressivos médias móveis fracionariamente integráveis (ARFIMA(p; d; q)), através da análise de diversas sequências de DNA em todos os domínios da vida. Para estimar o parâmetro de diferenciação d utilizamos os seguintes métodos de estimação: semiparamétrico baseado na equação de regressão linear utilizando a função periodograma, em versão clássica e robusta; o da máxima verossimilhança (ver Fox e Taqqu, 1986), utilizando a aproximação sugerida por Whittle (1953) e o método semiparamétrico R/S(n), proposto por Hurst (1951). O objetivo principal deste trabalho é analisar o método da análise de flutuações destendenciadas ("Detrended Fluctuation Analysis" - DFA), pro- posto por Peng et al. (1994). Este método é estabelecido como uma importante ferramenta para detectar longa dependência em séries temporais não estacionárias. Descrevemos o método DFA e analisamos sua consistência e distribuição assintótica como um estimador para o parâmetro fracionário d. / In the literature it is stated that the DNA sequences present the long- range dependence property. In this work, we analyze this long dependence property in view of the autoregressive moving average fractionally integrated ARFIMA (p; d; q) processes through the analysis of several DNA sequences in all life domain. For estimating the fractional parameter d we consider the following estimation methods: the semiparametric regression method based on the periodogram function, in both classical and robust version; the maximum likelihood method (see Fox and Taqqu, 1986), by considering the approximation suggested by Whittle (1953) and the semiparametric R/S(n) method, proposed by Hurst (1951). The main goal of this work is to consider the detrended °uctuation analysis (DFA), proposed by Peng et al. (1994). This is a well known method for analyzing the long-range dependence in non-stationary time series. In this work we describe the DFA method and we prove its consistency and its asymptotic distribution as an estimator for the fractional parameter d.

Resumo não disponível

Conforme diversos artigos, as sequênncias de DNA apresentam longa dependência, isto é, mesmo para tempos bastante distantes entre si, a correlação entre as variáveis aleatórias é não desprezível. Neste trabalho, verificamos se esta longa dependência pode ser explicada pelos processos auto-regressivos médias móveis fracionariamente integráveis (ARFIMA(p; d; q)), através da análise de diversas sequências de DNA em todos os domínios da vida. Para estimar o parâmetro de diferenciação d utilizamos os seguintes métodos de estimação: semiparamétrico baseado na equação de regressão linear utilizando a função periodograma, em versão clássica e robusta; o da máxima verossimilhança (ver Fox e Taqqu, 1986), utilizando a aproximação sugerida por Whittle (1953) e o método semiparamétrico R/S(n), proposto por Hurst (1951). O objetivo principal deste trabalho é analisar o método da análise de flutuações destendenciadas ("Detrended Fluctuation Analysis" - DFA), pro- posto por Peng et al. (1994). Este método é estabelecido como uma importante ferramenta para detectar longa dependência em séries temporais não estacionárias. Descrevemos o método DFA e analisamos sua consistência e distribuição assintótica como um estimador para o parâmetro fracionário d. / In the literature it is stated that the DNA sequences present the long- range dependence property. In this work, we analyze this long dependence property in view of the autoregressive moving average fractionally integrated ARFIMA (p; d; q) processes through the analysis of several DNA sequences in all life domain. For estimating the fractional parameter d we consider the following estimation methods: the semiparametric regression method based on the periodogram function, in both classical and robust version; the maximum likelihood method (see Fox and Taqqu, 1986), by considering the approximation suggested by Whittle (1953) and the semiparametric R/S(n) method, proposed by Hurst (1951). The main goal of this work is to consider the detrended °uctuation analysis (DFA), proposed by Peng et al. (1994). This is a well known method for analyzing the long-range dependence in non-stationary time series. In this work we describe the DFA method and we prove its consistency and its asymptotic distribution as an estimator for the fractional parameter d.