Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Sries Temporais
Processos Estocsticos
um conjunto de variveis aleatrias ordenadas no
tempo.
Varivel aleatria contnua: Y(t)
Varivel aleatria discreta: Yt
Processos Estocsticos
Processo Estocstico Realizao
No estudo de sries temporais usamos uma realizao
particular para fazer inferncias sobre o processo
estocstico subjacente
E(Yt) =
Constante ao longo
do tempo
Varincia:
Var(Yt) = E(Yt - )2 = 2
Constante ao longo
do tempo
Covarincia:
k = E[(Yt - )(Yt+k - )]
Depende apenas do
intervalo entre os
dois perodos de
tempo
Rudo Branco
Ou Processo Puramente Aleatrio
Quando:
Sua mdia zero;
A varincia 2 constante;
serial no correlacionado.
Yt Yt 1 ut
O modelo acima um AR(1)
Hiptese do Mercado de Capitais Eficiente: argumenta
que o preo das aes so um passeio aleatrio. No
possvel prever o preo de amanh com base no preo
de hoje.
Yt Y0 ut
E (Yt ) Y0
var(Yt ) t
(Yt Yt 1 ) Yt ut
A primeira diferena estacionria!!!
ut rudo branco conforme definido anteriormente
Yt Yt 1 ut
conhecido com parmetro de deslocamento
Yt Yt 1 ut
Yt se desloca para cima ou para baixo dependendo de
Este tambm um modelo AR(1)
E (Yt ) Y0 t
var(Yt ) t
Yt Yt 1 ut
1 1
Yt 1 2t 3Yt 1 ut
Passeio aleatrio puro: se 1=0, 2=0, 3=1
Yt Yt 1 ut
escrevendo:
Yt (Yt Yt 1 ) ut
Yt 1 2t 3Yt 1 ut
Passeio aleatrio com deslocamento: se 10, 2=0,
3=1
Yt 1 Yt 1 ut
escrevendo:
Yt (Yt Yt 1 ) 1 ut
Yt 1 2t 3Yt 1 ut
Tendncia determinstica: se 10, 2 0, 3=0
Yt 1 2t ut
E (Yt ) 1 2t
Yt 1 2t Yt 1 ut
A varincia e a mdia no so constantes, entretanto, a
mdia pode ser prevista:
Yt (Yt Yt 1 ) 1 2t ut
que significa que Yt no estacionrio.
Yt 1 2t 3Yt 1 ut
estacionrio em torno de uma tendncia
determinstica.
Testes de Estacionariedade
Anlise Grfica
Observar se h tendncias de aumento ou diminuio na srie
temporal;
Y Y Y
t k
Y Y
Testes de Estacionariedade
Funo de Autocorrelao e Correlograma
Assim, observa-se os valores de autocorrelao verificando
at que defasagem ele relevante.
Observar figuras 21.6 e 21.7
Como decidir se o coeficiente de correlao em determinada
defasagem significativo?
Verificando se os intervalos de confiana para k incluem o valor 0,
sabendo-se que, segundo Bartlett, k ~ N (0; 1/n) => complicado!
Olhando a estatstica Q de Box e Pierce e a estatstica LB de Ljung e
Box
A hiptese nula de que todos os k so at aquela defasagem iguais a
zero
Ao rejeitar a hiptese nula, significa que algum coeficiente de
correlao diferente de zero e, portanto, a srie no-estacionria
Yt Yt 1 ut
1 1
Yt Yt 1 Yt 1 Yt 1 ut
( 1)Yt 1 ut
Yt Yt 1 ut
onde ( 1)
Yt Yt 1 ut
Yt 1 Yt 1 ut
Yt 1 2t Yt 1 ut
Yt 1 2t Yt 1 i Yt i t
i 1
Modelos de Previso
Para modelos de previso ver Levine, Cap. 16:
Para ajuste exponencial seo 16.3
Modelo de tendncia linear, modelo de tendncia
quadrtica e modelo de tendncia exponencial seo
16.4
Previso de sries temporais para dados sazonais
seo 16.7
(Yt ) 1 (Yt 1 ) ut
onde a mdia de Y
ut um rudo branco
Y no perodo t uma proporo (=1) do seu valor no
perodo (t-1) mais um choque ou distrbio aleatrio no
perodo t
Os valores de Y so expressos em torno de sua mdia
Este um processo auto-regressivo estocstico de
primeira ordem, ou AR(1)
Yt 0ut 1ut 1
onde uma constante
u o termo de erro estocstico de rudo branco
Y no perodo t igual a uma constante mais uma mdia
mvel dos termos de erro presentes e passados
Y segue um processo de mdia mvel de primeira
ordem ou MA(1)
De forma mais geral, um processo MA(q)
Mtodo Box-Jenkins
Ajuda a identificar se um processo AR puro, MA
puro, ARMA ou ARIMA
Consiste em 4 etapas:
1. Identificao: encontra os valores adequados de p, d e q
2. Estimao: por MQO ou outros mtodos no-lineares
3. Verificao de diagnstico: para verificar a qualidade do
ajuste
4. Previso: bom para previses, especialmente de curto prazo
AR(p)
MA(q)
Declina exponencialmente
ARMA(p,q)
Diminui exponencialmente
Diminui exponencialmente
Yt Y Y
*
*
1 t 1
*
8 t 8
*
12 t 12