AULA:

Introduo s Sries
Temporais

Prof. Victor Hugo Lachos Davila

Natureza e Fonte de Dados

Existe 3 tipos de dados disponvel para anlise:
Sries Temporais: quando os dados so observados em diferentes instantes do tempo, seja
diariamente (preo de aes, relatrios meteorolgicos), mensalmente (taxa de desemprego, IPC),
trimestralmente (PIB).
Corte Transversal: quando os dados observados foram coletados no mesmo ponto do tempo
(pesquisas de opinio, dados de censos)
Dados em Painel: Aqui uma unidade em corte transversal pesquisada ao longo do tempo. (PIB
de cada pais sul-americano para o perodo de 1990 a 2008)

Exemplos de sries temporais (1)

Rudo Branco Gaussiano

X t~ N (0, 2 )

2.82

i.i.d

2.35
1.88

independente e identicamente distribudos

(a.a.)

1.41
0.94
0.47
0

O valor esperado constante

-0.94

A varincia constante

-1.41

Simtrica
0
3
6
9
12
15
18
21
24
27
30
33
36
39
42
45
48
51
54
57
60
63
66
69
72
75
78
81
84
87
90
93
96
99

-0.47

No correlacionados entre instantes

diferentes

Exemplos de sries temporais (2)

Movimento de uma partcula com relao a um ponto

=0

Passeio Aleatrio

X t= + X t 1+ a t
a t ~ N (0, 2 )

i.i.d

=0.2
O valor esperado constante
A varincia no constante
Simtrica
Correlacionados entre instantes diferentes

Exemplos de sries temporais (3)

Populao da Espanha

A mdia no constante

37800000
35700000
33600000

A populao espanhola cresceu estritamente

de dcada em dcada de maneira
aparentemente lineal. Tendncia crescente

31500000
29400000
27300000
25200000

870000

3600000

580000

3360000

290000

3120000

2880000

-290000

2640000

-580000

2400000

-870000

2160000

-1160000

1920000

-1450000

1680000

-1740000

y1990m01d01

y1980m01d01

y1970m01d01

y1960m01d01

y1950m01d01

y1940m01d01

y1930m01d01

-2030000
y1920m01d01

y1990m01d01

y1980m01d01

y1970m01d01

y1960m01d01

y1950m01d01

y1940m01d01

1440000
y1930m01d01

y1990m01d01

y1980m01d01

y1970m01d01

y1960m01d01

y1950m01d01

y1940m01d01

y1930m01d01

y1920m01d01

y1910m01d01

y1900m01d01

18900000

Se tomamos a diferena yt - yt-1 pode-se

observar as flutuaes quanto velocidade de
crescimento.

y1920m01d01

21000000

y1910m01d01

23100000

Exemplos de sries temporais (4)

Consumo eltrico

91
92
93
94
95
96
97
98
99
00
01
02
03
04

1960
1820
1680
1540
1400
1260
1120
980
840
700
560

As sries de consumo de eletricidade

apresentam uma clara tendncia positiva que
parece acelerar-se no final da srie.
Por outro lado a srie apresenta uma marcada
sazonalidade com consumos muito elevados
nos meses de inverno devido ao efeito da
temperatura.
A srie parece ter maior disperso na medida
que toma maiores valores.
Se a sazonalidade estritamente peridica
pode eliminar-se da srie com um
componente determinista.
Um truque poderia ser estudar
separadamente as sries correspondentes
em perodos equivalentes.
Outra alternativa tomar diferenas de
ordem apropriado.

624
572
520
468
416
364
312
260
208
156
104

y1980m01d01
y1980m07d01
y1981m01d01
y1981m07d01
y1982m01d01
y1982m07d01
y1983m01d01
y1983m07d01
y1984m01d01
y1984m07d01
y1985m01d01
y1985m07d01
y1986m01d01
y1986m07d01
y1987m01d01
y1987m07d01
y1988m01d01
y1988m07d01
y1989m01d01
y1989m07d01
y1990m01d01
y1990m07d01
y1991m01d01
y1991m07d01
y1992m01d01

y1980m01d01
y1980m07d01
y1981m01d01
y1981m07d01
y1982m01d01
y1982m07d01
y1983m01d01
y1983m07d01
y1984m01d01
y1984m07d01
y1985m01d01
y1985m07d01
y1986m01d01
y1986m07d01
y1987m01d01
y1987m07d01
y1988m01d01
y1988m07d01
y1989m01d01
y1989m07d01
y1990m01d01
y1990m07d01
y1991m01d01
y1991m07d01
y1992m01d01

Exemplos de sries temporais (5)

Passageiros em linhas areas

As sries de nmero de passageiros por ms

em linhas areas apresenta sazonalidade com
um marcado crescimento onde a varincia
aumenta na medida que toma maiores valores.

Heteroscedasticidade
Se a varincia no constante pode-se
normalizar transformando apropriadamente
os dados iniciais.
6.46
6.27
6.08
5.89
5.7
5.51
5.32
5.13
4.94
4.75

171

152

133

57

38

19

0
y2004m11d15
y2004m11d22
y2004m11d29
y2004m12d06
y2004m12d13
y2004m12d20
y2004m12d27
y2005m01d03
y2005m01d10
y2005m01d17
y2005m01d24
y2005m01d31
y2005m02d07
y2005m02d14
y2005m02d21
y2005m02d28
y2005m03d07
y2005m03d14
y2005m03d21
y2005m03d28
y2005m04d04
y2005m04d11
y2005m04d18
y2005m04d25
y2005m05d02
y2005m05d09
y2005m05d16
y2005m05d23
y2005m05d30
y2005m06d06
y2005m06d13
y2005m06d20
y2005m06d27
y2005m07d04
y2005m07d11
y2005m07d18
y2005m07d25
y2005m08d01
y2005m08d08

190

y2004m01d02
y2004m01d19
y2004m02d05
y2004m02d22
y2004m03d10
y2004m03d27
y2004m04d13
y2004m04d30
y2004m05d17
y2004m06d03
y2004m06d20
y2004m07d07
y2004m07d24
y2004m08d10
y2004m08d27
y2004m09d13
y2004m09d30
y2004m10d17
y2004m11d03
y2004m11d20
y2004m12d07
y2004m12d24
y2005m01d10
y2005m01d27
y2005m02d13
y2005m03d02
y2005m03d19
y2005m04d05
y2005m04d22
y2005m05d09
y2005m05d26
y2005m06d12
y2005m06d29
y2005m07d16
y2005m08d02
y2005m08d19
y2005m09d05
y2005m09d22
y2005m10d09
y2005m10d26
y2005m11d12
y2005m11d29
y2005m12d16
y2006m01d02
y2006m01d19
y2006m02d05
y2006m02d22
y2006m03d11
y2006m03d28
y2006m04d14
y2006m05d01
y2006m05d18
y2006m06d04
y2006m06d21
y2006m07d08
y2006m07d25
y2006m08d11
y2006m08d28
y2006m09d14
y2006m10d01
y2006m10d18
y2006m11d04

Exemplos de sries temporais (6)

Venda diria de um jornal em uma banca

160

144

128

112
96

80

64

48

32

16
0

114

95

76

Se observa:

Comportamentos peridicos a nvel

semanal e a nvel anual.

Mudanas de nvel.

A influncia de efeitos como feriados,

pontes, etc.

031

021

011

001
09

08

07

06

05

04

y2004m11d06
y2004m11d20
y2004m12d04
y2004m12d18
y2005m01d01
y2005m01d15
y2005m01d29
y2005m02d12
y2005m02d26
y2005m03d12
y2005m03d26
y2005m04d09

y2004m07d17
y2004m07d31
y2004m08d14
y2004m08d28
y2004m09d11
y2004m09d25
y2004m10d09
y2004m10d23

Exemplos de sries temporais (7)

Venda de um tipo de produto em uma temporada

Efeitos como o comeo das promoes

produz um resultado em incremento
instantneo das vendas que se transmite
com certo decaimento.

Exemplos de sries temporais (8)

Temperatura mxima e mnima diria

2003

2002

2001

2000

1999

1998

1997

1996

34.3
29.4
24.5
19.6
14.7
9.8
4.9
0
-4.9
-9.8
1995

1994

39.2
34.3
29.4
24.5
19.6
14.7
9.8
4.9
0
-4.9
-9.8

As sries de temperaturas oscilam em torno de

um valor central, (15 mx e 5 mn) mas
sistematicamente alguns meses tem valores
mais altos que outros. Por exemplo os meses
de vero tem valores mais altos que os meses
de inverno.
Sries diferentes guardam altas correlaes.
Tambm pode-se considerar o problema de
modelar ambas simultaneamente, como Sries
Temporais Multivariadas.

Processos Estocsticos
Um Processo Estocstico pode ser definido como uma coleo de variveis aleatrias
ordenadas no tempo x t , t T ,onde T um conjunto ordenado de ndices.

Serie Temporal
Observada

zt
Os Zt,, , t=0,1,2,3,.....n, so realizaes de xt

Conceito de Srie Temporal

Def.) Srie temporal : Uma serie temporal se considera como a realizao de um processo estocstico e que esto
ordenadas em intervalos regulares de tempo (cada dia, cada ms, cada ano, etc)

z1, z2 , z3,...zt

39.2
34.3
29.4
24.5
19.6
14.7
9.8
4.9
0
-4.9
-9.8
2003

2002

2001

2000

1999

1998

1997

1996

1995

1994

34.3
29.4
24.5
19.6
14.7
9.8
4.9
0
-4.9
-9.8

2000
1800
1600
1400
1200
1000
800
600
400
200
0

2000
1800
1600
1400
1200
1000
800
600
400
200
0
89-Ene
89-Abr
89-Jul
89-Oct
90-Feb
90-May
90-Ago
90-Dic
91-Mar
91-Jun
91-Sep
92-Ene
92-Abr
92-Jul
92-Nov
93-Feb
93-May
93-Ago
93-Dic
94-Mar
94-Jun
94-Oct
95-Ene
95-Abr
95-Jul
95-Nov
96-Feb
96-May
96-Sep
96-Dic
97-Mar
97-Jun
97-Oct
98-Ene
98-Abr
98-Ago
98-Nov
99-Feb
99-May
99-Sep
99-Dic
00-Mar
00-Jul
00-Oct
01-Ene
01-Abr
01-Ago
01-Nov
02-Feb
02-Jun
02-Sep
02-Dic
03-Mar
03-Jul
03-Oct
04-Ene
04-May

{zt }

Os dados de sries temporais geralmente no so independentes, especialmente se os

intervalos da amostra so curtos.
As observaes prximas costumam ser mais parecidas que as mais distantes (p. ej.
temperatura diria).

Caracterizao de Processos Estocsticos

Um processo estocstico fica caracterizado se definimos a funo da distribuio conjunta das variveis aleatrias (z1,z2,.. zT)
para qualquer valor de T. Dizemos que conhecemos a estrutura probabilstica de um proceso estocstico quando
conhecemos estas distribuies, sem embargo isto requer observar um grande nmero de realizaes que no costumam estar
disponveis quando se trata de sries econmicas.
Def.) Funo de Mdias :proporciona as esperanas das distribuies marginais de zt para cada instante

t = E[ z t ]
Def.) Funo de varincias do processo proporciona as varincias em cada instante temporal.

t2 = Var[ zt ]

Caracterizando
o processo
estocstico Zt

Def.) Funo de AutoCovarincias: descreve a Covarincias entre duas variveis do processo em dois instantes
quaisquer.

(t , t + j ) = Cov( zt , zt + j ) = E[( zt t )( zt + j t + j )]

Def.) Funo de Autocorrelaon: mede a dependncia lineal entre os valores do processo no instante t e no
instante t+j. Chamaremo coeficiente de correlao de orden (j) a:

(t , t + j ) =

Cov( zt , zt + j )

t t + j

o correlograma no mais que a representao dos coeficientes de autocorrelacin em funo do atraso j.

Tipos de processos estocsticos

Processos
Estocsticos
Processos Estacionrios

Processos No Estacionrios

Um processo estocstico Zt estacionrio quando

as propriedades estatsticas de qualquer
sequncia finita z1,z2,.. zk de componentes de Zt
so semelhantes s da sequncia z1+h,z2+h,.. zk+h
para qualquer nmero inteiro h

Um processo estocstico Zt no estacionrio

quando as propriedades estatsticas de ao menos
uma sequncia finita z1,z2,.. zk de componentes de
Zt so diferentes das de sequncia z1+h,z2+h,.. zk+h
para ao menos um nmero inteiro h
1960
1820
1680
1540
1400
1260
1120
980
840
700
560

Se existe a transformao:
Processos Homogneos de Orden d

04

03

02

01

00

99

98

97

96

95

94

93

92

91

10-Nov

10-Ene

09-Mar

08-May

07-Jul

06-Sep

05-Nov

05-Ene

04-Mar

03-May

02-Jul

01-Sep

00-Nov

00-Ene

0.8
0.64
0.48
0.32
0.16
0
-0.16
-0.32
-0.48
-0.64

Processos Estocsticos Estacionrios

Def.) Processo Estocstico Estacionrio em Sentido Estrito : Um processo estocstico Zt estacionrio quando as
propriedades estatsticas de qualquer sequncia finita z1,z2,.. zk de componentes de Zt so semelhantes s da sequncia
z1+h,z2+h,.. zk+h para qualquer nmero inteiro h.
Um processo estocstico Zt estacionrio quando a distribuio conjunta de qualquer conjunto de variveis no se modifica
se transferimos as variveis no tempo.

F(xi , x j ,...xk ) = F(xi+h , x j+h ,...,xk+h )

Def.) Processo Estocstico Estacionrio em Sentido Dbil : Quando os momentos de primeira e segunda ordem do
processo so constantes e a Covarincia entre duas variveis depende somente de sua separao no tempo

E(xt ) =
Var(xt ) = 2

(t, t k) = (t, t + k) = k k = 0,1,2

10-Nov

10-Ene

09-Mar

08-May

07-Jul

06-Sep

05-Nov

05-Ene

04-Mar

03-May

02-Jul

01-Sep

00-Nov

00-Ene

Nota: Quando um processo

estacionrio as propriedades
estatsticas se simplificam
notavelmente e sua
caracterizao mais simples

0.8
0.64
0.48
0.32
0.16
0
-0.16
-0.32
-0.48
-0.64

Exemplos de Processos Estocsticos Estacionrios

Processo Rudo Branco. ARIMA(0,0,0)

zt = at
Processo Homogneo de orden 1. ARIMA(p,0,0)

zt =Homogneo
at
Proceso
de Orden 1. ARIMA(0,1,0)
Processo Autoregressivo de orden (p).ARIMA(p,0,0)

zt = 1 zt + .. + p zt p + at
Processo Mdia Mvel de ordem (q).ARIMA(0,0,q)

zt = at + 1at 1 + .. + q at q
Processo ARIMA(p,0,q)

zt = 1 zt 1 + .. + p zt p + at + 1at 1 + .. + q at q

Caracterizao
Mdia de Amostra

zt

t =1 t

Matriz de Covarincias

t =

1 T
( zt z)( zt k z)
T t = k +1

Autocorrelaes

rk = k o

Estimao dos momentos de Processos Estacionrios

Dada uma srie temporal Zt nosso objetivo construir um modelo estatstico que capture toda a informao estatstica
sistemtica contida em essa srie. Se consideramos Zt como uma realizao de um processo estocstico podemos obter
estimativas de seus momentos de amostras tal que:

Caracterizao

Def.) Estimador Mdia de amostra: um estimador centrado da mdia populacional. E ( zt ) =

zt =

t =1 t

Def.) Estimador das Covarinias de orden k quando a mdia populacional desconhecida. um estimador
enviesado da autocovarincias populacionais mas tm menores erros quadrticos de estimao que o estimador com
mdia conhecida. Garante que a matriz de covarincias seja sempre definida positiva.
Mdia Desconhecida:

k =

Mdia Conhecida

~k =

1 T
( zt z)( zt k z)
T t = k +1

Def.) Estimador da matriz de covarincias:

1
0

~
k = 1
M
M

k 1 k 2

L k 1
L k 2
O M

L 0

Def.) Estimador das autocorrelaes de orden k:

rk = k o

Onde

a varincia do proceso

1
T
( zt )( zt k )

T k t = k +1

Conceito de Modelao Emprica

Def.) Modelao Emprica: Usando modelos estatsticos descrevem-se fenmenos estocsticos observveis

-2

-1

Padro de
regularidade:
Histograma

= { f ( x, ) , , x x }

1001

0901

0801

0701

0601

0501

0401

z1, z2 , z3,...zt

12
11
10
9
8
7
6
5
4
3
2
0301

Srie Temporal:

12
11
10
9
8
7
6
5
4
3
2
0201

0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0

0101

0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0

150

150

120

120

90

90

60

60

30

30

0
2

10

11

A ponte entre os padres de regularidade e os conceitos probabilsticos transformar o reconhecimento

intuitivo de padres em informao estatstica sistemtica para ser utilizada na modelao.

zt = f (t , ) + at
onde f(t,B) uma funo conhecida determinista do tempo que depende de um vetor de parmetros B e at uma
sequncia de variveis aleatrias independentes de mdia zero e varincia constante.

12

Modelo Lineal

zt = f (t , ) + at = o + 1 x1 + 2 x2 + ... + k xk + at
at > RB(0, a )
1.

Modelo estocstico: A presena de trmino de error faz que a relao entre

a varivel endgena e a explicativa seja estocstica.

2.

O modelo que relaciona as variveis endgena e explicativa lineal nos

coeficientes beta.

3.

Os coeficientes beta so constantes no tempo.

4.

Existe uma relao causal desde as variveis explicativas at as variveis

endgenas.

5.

As variveis x so linealmente independentes.

6.

As variveis x so deterministas.

Estimador Mnimos Quadrados Ordinrios

yt = X t + at

at RB(0, a )

at = yt y t = yt X t

Parmetros desconhecidos
do meu modelo beta e
sigma

XB

'
SR( ) = atat = yt yt 2 ' X ' y + ' X ' X

'
min SR( ) = min ( yt yt 2 ' X ' y + ' X ' X )

SR ( ) atat
=
= 2 ' X ' y + ' X ' X

SR ( )
= 0 = ( X ' X ) 1 X ' y

2 SR( )
'
=
X
X
'

def +

at=Y-XB

Propriedades do Estimador MCO

Se E(at)=0T ento o estimador MCO insesgado e E()=

= ( X ' X ) 1 X ' y = ( X ' X ) 1 X ' ( X + at )

E ( ) = E[ + ( X ' X ) 1 X ' at ] = + ( X ' X ) 1 X ' E[at ] =

= ( X ' X ) 1 X ' at
Var ( ) = E[( E ( ))( E ( ))] = E[( )( )]
Var ( ) = E[( X ' X ) 1 X ' at a ' t X ( X ' X ) 1 ] = ( X ' X ) 1 X ' E[at a ' t ] X ( X ' X ) 1
Var ( ) = ( X ' X ) 1 X ' ( a2 I T ) X ( X ' X ) 1 = a2 ( X ' X ) 1

N ( , a2 ( X ' X ) 1 )
necessrio um estimador da varincia, se demonstra que:
'
a
t at
2
a =
T k

'

a
t at
2

= a2
E ( a ) = E

T k

Mtodos Tradicionais
Os mtodos atuais de anlises de sries temporais entende-se melhor se connhecemos as limitaes de
outros mtodos mais simples desenvolvidos para solucionar o problema da predio.
Modelo com Tendncia Determinista

zt = + 1t + at
Modelo com Sazonalidade Cclica Determinista

zt = + A.sen( wt ) + B. cos(wt ) + at

Modelo de Ajuste de Mltiplos Ciclos Deterministas

k

j =1

j =1

zt = + A j sen( w j t ) + B j cos( w j t ) + at

Modelo com Tendncias Deterministas:

Zt=bo+b1t+at
Dada a srie de consumo eltrico anual procedemos a representar-lo mediante um modelo estatstico consistente em uma
constante, uma tendncia dependente do tempo e uma varivel aleatria de mdia zero e varincia constante. Nosso objetivo
realizar uma previso de demanda de consumo para o ano seguinte.

zt = f (t , ) + at = o + 1t + at

O modelo d um
grande ajuste !?!

Para isto realizamos uma regresso lineal com os seguintes resultados

Parmetros Estimados

R2
Desv. Est.

0.955771
14283.3717

Os resduos contm claramente

informao, fato que nos leva a concluir
que o modelo est mal especificado.

at = zt zt

A varincia no
constante!

03

02

01

00

99

98

94

93

Erros
MUITO
ALTOS
91

03

02

01

00

99

98

97

96

95

94

93

92

91

19200
14400
9600
4800
0
-4800
-9600
-14400
-19200
-24000

97

506000
483000
460000
437000
414000
391000
368000
345000
322000
299000

96

zt = 265093.5 + 17745.6 t

95

Modelo de Tendncia Lineal

92

B0
B1

Name Value
StDs TStudent RefuseProb
cte
265093.5 8403.6
31.5 6.49E-13
trend
17745.6 1058.8
16.8 1.09E-09

Modelo com sazonalidade cclica

Um modelo para a temperatura mdia diria uma estrutura harmnica no tempo da forma

zt = + Asen(t ) + B cos(t ) + at
onde
uma constante (nvel)
A e B do os desvios com respeito a
= 2

a frequncia ( T = 365 dias , T=12, T=52)

Realizamos uma regresso lineal com os seguintes resultados

A
B

Value
StDs
TStudent
RefuseProb
7.82323835 0.06754142 115.828749
0
-2.57632028 0.09547423 -26.9844582
0
-4.14312321 0.09556174 -43.3554605
0

Os resduos so grandes e tm
uma certa estrutura sazonal

Modelo com mltiplos ciclos de Fourier

Uma funo peridica pode descompor-se como uma superposio de funes harmnicas
de distintas frequncias e amplitudes
k

j =1

j =1

zt = + A j sen ( j t ) + B j cos( j t ) + at
onde
uma constante (nvel)
Aj e Bj do os desvios com respeito a

= 2 n, n = 1,2,..., T / 2 so as frequncias ( T = 365 das )

T

O ajuste melhor

1992m05d01
1992m06d01
1992m07d01
1992m08d01
1992m09d01
1992m10d01
1992m11d01
1992m12d01
1993m01d01
1993m02d01
1993m03d01
1993m04d01
1993m05d01
1993m06d01
1993m07d01
1993m08d01
1993m09d01
1993m10d01
1993m11d01
1993m12d01
1994m01d01
1994m02d01
1994m03d01
1994m04d01
1994m05d01
1994m06d01
1994m07d01
1994m08d01
1994m09d01
1994m10d01
1994m11d01
1994m12d01
1995m01d01
1995m02d01
1995m03d01
1995m04d01
1995m05d01
1995m06d01
1995m07d01
1995m08d01
1995m09d01
1995m10d01
1995m11d01
1995m12d01
1996m01d01
1996m02d01
1996m03d01
1996m04d01
1996m05d01
1996m06d01
1996m07d01
1996m08d01
1996m09d01
1996m10d01
1996m11d01
1996m12d01
1997m01d01
1997m02d01
1997m03d01
1997m04d01
1997m05d01
1997m06d01
1997m07d01
1997m08d01
1997m09d01
1997m10d01
1997m11d01
1997m12d01
1998m01d01
1998m02d01
1998m03d01

Limitaes dos mtodos deterministas

A Sazonalidade das sries econmicas pode a vezes ser representada com ciclos de Fourier

O padro estacional
constante ao largo
dos anos no consumo
eltrico

Normalmente as sries apresentam tendncias no constantes e padres estacionais

irregulares:
124500

116200

107900

99600

91300

83000

74700

66400

58100

49800

Ainda que apresente

estacionalidade no
se ajusta bem aos
ciclos de Fourier

Tipos de perodos
A agregao nos dados sempre conduz a perda de informao. Sempre que seja possvel se deve construir modelos sobre
sries temporais com a maior profundidade de desagregao.

03

02

01

00

99

98

97

96

95

94

93

92

03

01

99

97

95

93

92

56000
52500
49000
45500
42000
38500
35000
31500
28000
24500
21000
91/01
91/07
92/01
92/07
93/01
93/07
94/01
94/07
95/01
95/07
96/01
96/07
97/01
97/07
98/01
98/07
99/01
99/07
00/01
00/07
01/01
01/07
02/01
02/07
03/01
03/07
04/01
04/07

504000
483000
462000
441000
420000
399000
378000
357000
336000
315000

Poca
Informacin

91

04

03

02

01

00

99

98

97

96

95

94

93

92

91

1960
1820
1680
1540
1400
1260
1120
980
840
700
560

6753.6
6748.8
6744
6739.2
6734.4
6729.6
6724.8
6720
6715.2
6710.4

Objetivo da anlise das Sries Temporais

O objetivo da anlise de uma srie temporal consiste em elaborar um modelo estatstico que descreva adequadamente a
procedncia de dita srie, de maneira que as implicaes tericas do modelo resultem compatveis com as pautas de
amostras observadas nas sries temporais. Depois o modelo elaborado a partir da srie temporal pode ser utilizado para
prever a evoluo futura da srie ou explicar a relao entre os distintos componentes do modelo.
2000
1800
1600
1400
1200
1000
800
600
400
200
0
89-Ene
89-Abr
89-Jul
89-Oct
90-Feb
90-May
90-Ago
90-Dic
91-Mar
91-Jun
91-Sep
92-Ene
92-Abr
92-Jul
92-Nov
93-Feb
93-May
93-Ago
93-Dic
94-Mar
94-Jun
94-Oct
95-Ene
95-Abr
95-Jul
95-Nov
96-Feb
96-May
96-Sep
96-Dic
97-Mar
97-Jun
97-Oct
98-Ene
98-Abr
98-Ago
98-Nov
99-Feb
99-May
99-Sep
99-Dic
00-Mar
00-Jul
00-Oct
01-Ene
01-Abr
01-Ago
01-Nov
02-Feb
02-Jun
02-Sep
02-Dic
03-Mar
03-Jul
03-Oct
04-Ene
04-May

2000
1800
1600
1400
1200
1000
800
600
400
200
0

2*Sigma
-2*Sigma

10

20

30

(1 1 B ... p B p ) zt = at

12

11

zt = (1 1 B ... q B q )at

10

zt = + Rsen( wt + ) + at

09

t t + j

1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1

09

Cov( zt , zt + j )

08

(t , t + j ) =

1.04
0.78
0.52
0.26
0
-0.26
-0.52
-0.78
07

zt = + at
zt = o + 1t + at

t2 = Var[ zt ]

Prever, Descrever

06

t = E[ zt ]

Modelo Estatstico

05

Pautas de Amostras

Construo do modelo
Modelo de sries temporais univariantes

Filtro
(fatores externos)

Observaes

T ( X t ) = Ft +

Rudo ou Noise
(fatores estruturais)

( B)
at
( B)
Ft = i ( B ) F t
i

2.2

04

03

02

01

00

99

98

97

96

95

94

93

92

91

1.65

( B)
(T ( X t ) Ft ) = at
( B)

1.1
Ruido Blanco

1960
1820
1680
1540
1400
1260
1120
980
840
700
560

0.55
0
-0.55
-1.1
-1.65
-2.2
-2.75

Operadores: Diferena, Retardo, Inverso

Uma propriedade importante dos processos estacionrios que os processos obtidos atravs das combinaes lineares dos
processos estacionrios so tambm estacionrios.
Ou seja se Zt estacionrio ento o processo wt = zt zt 1 tambm estacionrio.
Para poder operar com processos estacionrios definimos os siguientes operadores

Operadores

Def.) Operador Retardo: um operador linear que aplicado a uma funo temporal proporciona a essa funo retardada um
perodo. Em particular se aplicamos o operador a uma srie temporal obtenemos a mesma srie retardada um perodo.

Bf (t ) = f (t 1)
B zt = zt 1

B =
Bazt 1 = aBzt = a zt 1
B k zt = B..Bzt = zt k
(1 1 B 2 B 2 ) zt = zt 1 zt 1 2 zt 2

Def.) Operador Diferena: o operador polinmico (1-B). O resultado de aplicar o operador diferena a uma srie Zt com
T observaes obter uma nova srie com T-1 observaes atravs

= (1 B )
zt = (1 B ) zt = zt zt 1

2 zt = (1 B ) 2 zt = (1 2 B + B 2 ) = zt 2 zt 1 + zt 2
s zt = (1 B s ) zt = zt zt s

Def.) Operadores Inversos: Verificam a propriedade que o produto por o operador inicial a unidade. (pe. o inverso do
operador retardo o operador adiantado )

F zt = B 1 zt = zt +1

(1 + B + 2 B 2 ....) zt = i =0 i B i zt i = (1 B ) 1 zt

FB =1

(1 B ) 1 (1 B ) = ( B ) 1 ( B ) = 1

Aplicao de Operadores
Aplicando, srie de consumo eltrico em perodos mensais, os distintos operadores teremos que:

B 4 zt = zt 4

A srie transformada tm a mesma tendncia e estrutura estacional que a srie original.

wt = (1 B ) zt

A srie diferena regular estacionria em mdia mas apresenta estrutura estacional.

S t = (1 B ) zt

A srie diferena estacional estacionria em mdia e no apresenta estrutura estacional.

12

55000

Operador B move a
srie para a direita!

50000
45000
40000
35000
30000
25000

A srie Wt
continua tendo
estrutura

20000
15000

Perdem-se 12 obvs.

10000
5000
0

04

03

02

01

00

99

98

97

96

95

94

93

92

91

-5000

Processo Rudo Branco. ARIMA(0,0,0)

Processo

Def.) Processo Rudo Branco: um processo

estocstico onde todas as variveis aleatrias seguem
uma distribuio normal de mdia zero, varincia
constante e as covarincias so nulas.

2500
2250
2000
1750
1500
1250
1000
750
500
250

E ( zt ) = 0
Var ( zt ) = 2
Cov ( zt , zt k ) = 0

z t = at

Hist.

-3

1
0.8
Nota: Um processo rudo branco estacionrio em mdia e varincia. 0.6
0.4
3
0.2
0
-0.2
-0.4
2
-0.6
-0.8
-1
1
0

-2

-1

ACF

-2*Sigma
2*Sigma

2 4 6 8 10 12 14 16 18 20 22 24 26 28 30

PACF

-1
-2

05

04

03

02

01

00

99

98

97

96

95

94

93

92

91

90

-3

1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1

-2*Sigma
2*Sigma

2 4 6 8 10 12 14 16 18 20 22 24 26 28 30

PROCESSOS ESTACIONRIOS
Autorregressivos AR(p)

Processos Autorregressivos AR(1). ARIMA(1,0,0)

Def.) Proceso Autorregressivo AR(1) : um processo estocstico {zt} que estabelece uma
dependncia linear sobre o primeiro retardo da varivel. Dizemos que uma srie Zt segue um processo
autorregressivo de primeira ordem se foi gerada por:

~
zt = 1 ~
zt 1 + at

(1 1 B ) ~
zt = at
~z = 1 /(1 )a

= at + at 1 + 2 at 2 + 3 at 3 ...

Onde 1< 1 <1 uma constante a determinar, at um processo rudo branco e

~
zt = zt c

Def.) Funo de Mdias de AR(1) :Tomando esperanas de Zt e dado que E(Zt) = E(Zt-1)=cts
posto que o processo estacionrio temos que

E ( zt ) = c /(1 1 )

Processo

j que

= c + 1

onde

Caracterizao

c = (1 1 )

Def.) Funo de Autocovarincias de AR(1) : se obtm como

zt = 1 zt 1 + at

E ( zt k zt ) = 1 E ( zt k zt 1 ) + E ( zt k at )

k = 1 k 1 k > 0

onde

multiplicado Zt-k e tomando esperanas onde E(at)=0

a2
0 =
(1 12 )

j que

z2 = 2 z2 + a2

Def.) Funo de Autocorrelao de AR(1) : dividindo a funo de autocovarincias pela varincia do processo

k = 1 k 1

k = 1k

k 1

que a soluo da equao em diferenas com

0 = 1

por tanto a funo de autocorrelao tende a zero com uma rpidez que depende de 1 quanto maior seja, menor ser o
decrescimento, a condio de estacionariedade nos garante que a funo de autocorrelao converge.

Processos Autorregressivos AR(1). ARIMA(1,0,0)

Vamos a representar duas realizaes de um processo AR(1) com distintos valores do parmetro e suas funes de
autocorrelao tericas.

(1 0.9 B ) zt = at

(1 + 0.9 B ) zt = at

Valores prximos tem comportamentos similares e

exibem acentuada tendncia que se reflexa na ACF

A srie tende a oscilar e se reflexa na funo de

autocorrelao que muda de sinal.

700
600
500
400
300
200
100
0
-100
-200

k = 0 .9 k
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1

Decrescimento lento exponencial em direo ao zero com

parmetro positivo

ACF
2*Sigma
-2*Sigma

10

20

30

06

05

04

03

02

01

00

06

05

04

03

02

01

00

400
300
200
100
0
-100
-200
-300

k = (0.9) k
Alternncia de sinal

1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1

ACF
2*Sigma
-2*Sigma

10

20

30

Consumo Eltrico Anual AR(1)

A srie de consumo eltrico em perodos anuais claramente no estacionria, com um primeiro valor do correlograma muito
prximo que indica a necessidade de tomar uma primeira diferena regular.

03

02

01

00

99

98

97

96

95

94

93

92

91

504000
483000
462000
441000
420000
399000
378000
357000
336000
315000

1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1

ACF
2*Sigma

-2*Sigma

10

20

30

A srie de consumo uma vez diferenciada no apresenta uma tendncia clara e o correlograma apresenta valores
positivos que se amortizam com rapidez, o que nos sugere a existncia de um processo autorregressivo de ordem
1
1

03

02

01

00

99

98

97

96

95

94

93

92

32400
29700
27000
24300
21600
18900
16200
13500
10800
8100

0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1

2*Sigma

-2*Sigma

10

20

30

Por tanto o modelo estatstico proposto para representar o comportamento da srie consumo eltrico em perodos
anuais

wt = 1wt 1 + at

(1 1 B)zt = at

wt = (1 B) zt

ACF

Consumo Eltrico Anual AR(1)

Dada a srie de consumo eltrico em perodos mensais procedemos a representar-la atravs de um modelo estatstico
consistente em uma diferena regular e um processo autorregressivo de orden 1 tal que:

(1 1 B)zt = at

Name
Value
StDs
TStudent RefuseProb
RegularAR 0.88149 0.17150
5.13991
0.00061

Realizando uma estimativa por mxima verisimilitude

(1 0.88149 B)(1 B) zt = at

Pouco ajuste !?!

Predio de um perodo para frente

zt +1 = 1.881490 zt 0.881490 zt 1 = 547794.515

513000
494000
475000
456000
437000
418000
399000
380000
361000
342000
323000

R2Coeficient
StandardError

0.471662
11451.6037

03

02

No apresenta
nenhuma estrutura

1
0.8
E (at ) = 0
0.6
Var ( at ) = 2 0.4
0.2
Cov (at , at k ) = 0 0
-0.2
-0.4
-0.6
-0.8
-1
03

01

00

99

98

97

96

95

94

19200
16000
12800
9600
6400
3200
0
-3200
-6400
-9600

02

01

00

99

98

97

96

95

94

93

Nota: O R2 baixo mas o erro padro

menor que no modelo com tendncia
determinista.

ACF
2*Sigma

-2*Sigma

10

20

30

Funo de Autocorrelao Parcial

Determinar a ordem de um processo autorregressivo a partir de sua funo de autocorrelao difcil ao ser uma mescla
de decrescimentos exponenciais e sinusoidais, que se amortizam ao avanar o retardo e no apresenta rasgos fcilmente
identificveis para determinar a ordem do processo. Para resolver este problema introduz-se a funo de autocorrelao
parcial.
Def.) Coeficiente de Autocorrelao Parcial de ordem k. o coeficiente de correlao entre
observaes separadas k perodos quando eliminamos a dependncia produzida pelos valores
intermedirios.
Se elimina de Zt o efeito Zt-1, Zt-2,, Zt-k+1

Processo

z t = 1 z t 1 + ... + k 1 z t k +1 + u t

Se elimina de Zt o efeito Zt-1, Zt-2,, Zt-k+1

z t k = 1 z t 1 + ... + k 1 z t k +1 + vt

Coeficiente de autocorrelao de ordem k

Corr (u t , vt )

Esta definio anloga a de coeficiente de correlao parcial da regresso mltipla.

z t = 11 .z t 1 + 1,t
z t = 21 .z t 1 + 22 .z t 2 + 2.t
....
z t = k1 z t 1 + ... + kk z t k + k .t

A sequncia de coeficientes ii
proporciona a funo de
autocorrelao parcial (PACF)
Em um processo AR(p) a PACF ter
os p primeiros coeficientes distintos de
zero.

PROCESSOS ESTACIONRIOS
Autorregressivos AR(2)

Processos Autorregressivos AR(2). ARIMA(1,0,0)

Def.) Processo Autorregressivo AR(2) : um processo estocstico {zt} que estabelece uma dependncia
linear sobre o primeiro e segundo retardo da varivel. Diremos que uma srie Zt segue um processo
autorregressivo de segunda ordem se foi gerada por:

~
z t = 1 ~
z t 1 + 2 ~
z t 2 + at

Onde

1, 2

Processo

(1 1 B 2 B 2 ) ~
z t = at

so duas constantes a determinar, at um processo rudo branco e

~
zt = zt c

Def.) Funo de Mdias de AR(2) :Tomando esperanas de Zt e dado que E(Zt) = E(Zt-1)=cts
posto que o processo estacionrio temos que

E ( z t ) = c /(1 1 2 )

Caracterizao

Def.) Funo de Autocovarincias de AR(2) : se obtm como

z t = 1 z t 1 + 2 z t 2 + at

multiplicado Zt-k e tomando esperanas onde E(at)=0 temos

E ( z t k z t ) = 1 E ( z t k z t 1 ) + 2 E ( z t k z t 2 ) + E ( z t k at )

k = 1 k 1 + 2 k 2

k 1

onde

1 = 1 0 + 2 1

Varincia do processo: para que seja positiva tm-se que

cumprir que os parmetros do processo estejam na regio:

0 = 0 + 0 + 2 2 1 1 +
2
1

2
2

2
a

(1 2 ) a2
0 =
(1 + 2 )(1 1 2 )(1 + 1 2 )

1 < 2 < 1

1 2 < 1
1 + 2 < 1

Def.) Funo de Autocorrelao de AR(2) : dividindo a funo de autocovarincias pela varincia do processo

k = 1 k 1 + 2 k 2
para

k = 1 1 =

1
1 2

k 1
,

para

como i = i

k = 2 2 =

2
1

1 2

Resolver a Equao em diferenas

+ 2

,para

k 3 k = A1G1k + A2 G2k

Equao em diferenas para um AR(2)

(1 G1 B)(1 G2 B) z t = at

Expresso do processo AR(2) como

soma de inovaes

z t = 1.2 z t 1 0.32 z t 2 + at
Resolver a Equao em diferenas

(1 0.4 B )(1 0.8 B ) z t = at

0.32 X 2 1.2 X + 1 = 0
X =
G11

1.2 1.2 2 4 0.32

0.64
= 2.5 G21 = 1.25

1.2 0.4
=
0.64

G1 = 0.4 G2 = 0.8
(1 0.4 X )(1 0.8 X ) = 0.32 X 2 1.2 X + 1
Funo de Autocorrelao para o processo AR(2)

k = A1 0.4 k + A2 0.8 k

z t = 1.2 z t 1 0.32 z t 2 + at
1
at
(1 0.4 B )(1 0.8 B)
1
= 1 + 0.4 B + 0.4 2 B 2 + ...
(1 0.4 B)

zt =

1
= 1 + 0.8 B + 0.8 2 B 2 + ...
(1 0.8 B)

k = 0 1 = A1 + A2
k = 1 0.91 = 0.4 A1 + 0.8 A2
0.11 k 0.51 k
0.8
k =
0.4 +
0.4
0.4

z t = (1 + 0.4 B + 0.4 2 B 2 + ...)

(1 + 0.8 B + 0.8 2 B 2 + ...)at

Processos Autorregressivos AR(2)

ACF

zero a partir do
segundo retardo

(1 0.6 B 0.2 B 2 ) zt = at

PACF

Razes Reais
ACF

Sinal Distinto

(1 + 0.6 B 0.2 B ) zt = at
2

PACF
Razes Reais

PROCESSOS ESTACIONRIOS
Mdia Mvel MA(q)

Processo Mdia Mvel MA(1). ARIMA(0,0,1)

Def.) Processo Mdia Mvel MA(1): um processo estocstico {zt} gerado pela combinao linear
das duas ltimas inovaes.

Processo

( B ) zt = 1i B i zt = (1 + 1 B + 12 B 2 + ...) ~zt = at

~
zt = at 1 at 1
~
zt = (1 1 B ) at

AR ()

i =0

Representao infinita com coeficientes que decrescem em progresso

geomtrica, somente possvel a representao se
1 < 1

onde 1< 1 <1 uma constante a determinar, at um processo rudo branco e

~
zt = zt c .

Def.) Funo de Autocovarincias de MA(1) : se obtm como

zt = at 1at 1 = ( B ) at

0 = (1 + )

2
1 = 1 a
= 0 k 2
k
2
a

( B) = a2 ( B) ( B 1 ) = ( B ) ( F )

( B) = a2 (1 1 B)(1 1 F ) = a2 { 1 F + (1 + 12 ) 1 B}

Caracterizao

2
1

Def.) Funo de Autocorrelao de MA(1) : dividindo a funo de autocovarincias pela varincia do processo.
Por tanto o correlograma do processo ter unicamente um valor distinto de zero no primeiro
1 = 1 (1 + 12 ) retardo.

k = 0 k > 1

Def.) Funo de Autocorrelao Parcial de MA(1) : utilizando as equaes de Yule-Walker com

y k = 0 k > 1 depois de manipulaes algbricas obtemos que (Box-Cox 70)

kk = {1 } /{1
k
1

2
1

2 k +1
1

1 = 1 (1 + 12 )

Por tanto a funo est dominada por um decrescimento exponencial que depender
do valor de 1 . Quando 1 positivo a funo negativa e negativo a funo
alterna de sinal.

Processos Mdia Mvel MA(1). ARIMA(0,0,1)

Vamos representar duas realizaes de um processo MA(1) com distintos valores de parmetro e suas funces tericas de
autocorrelao simples e parcial.

zt = at 1at 1

zt = at 1at 1

zt = (1 0.99 B ) at
1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1

1 = 1 (1 + 12 ) = -0.4999747
ACF
-2*Sigma
2*Sigma

10

15

1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1

PACF
-2*Sigma
2*Sigma

10

15

20

ACF
-2*Sigma
2*Sigma

20

Decrescimento lento exponencial em direo a zero com

k
2
2 k +1
parmetro positivo
kk
1
1
1

= {1 } /{1

1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1

zt = (1 + 0.99 B ) at
1 = 1 (1 + 12 ) = 0.49997475

1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1

10

15

20

Alternncia de sinal com parmetro negativo

k
kk
1

| |<

PACF
-2*Sigma
2*Sigma

10

15

20

Comportamento das ACF e PACF de um processo

ARIMA(p,d,q)
Ordem
comportamento ACF
comportamento PACF
regiao de admisibilidade
Ordem

comportamento ACF

comportamento PACF

regio de admisibilidade

Ordem
comportamento ACF
comportamento PACF
regio de admisibilidade

ARIMA(1,d,0)

ARIMA(0,d,1)

1 0

decai exponencialmente

11 0
1 <

Decaimento exponencial

1 < < 1

< 1

ARIMA(2,d,0)

ARIMA(0,d,2)

1 0
2 0

Misturas de exponenciais
e ondas senides
amortecidas

Misturas de exponenciais
11 0
e ondas senides
22 0
amortecidas
1 < 2 < 1 1 < 2 < 1

2 1 < 1
2 + 1 < 1

< 1

< 1

ARIMA(1,d,1)
Decai exponencialmente aps o lag 1
Decai exponencialmente aps o lag 1

1< <1
1< <1

Processos Estocsticos No Estacionrios

Def.) Processo Estocstico No Estacionrio : Um processo estocstico Zt no estacionrio quando as propriedades
estatsticas de ao menos uma sequncia finita z1,z2,.. zk de componentes de Zt so diferentes das da secuencia z1+h,z2+h,..
zk+h para ao menos um nmero inteiro h.
Um processo estocstico Zt no estacionrio quando a distribuio conjunta de qualquier conjunto de variveis se modifica
se modificamos as variveis no tempo.

F(xi , x j ,...xk ) F(xi+h , x j+h ,...,xk +h )

E(xt )

Var(xt ) 2
(t, t k) (t, t + k)

Se o nvel da srie no estvel no tempo podendo ter tendncia crescente ou

decrescente diremos que a srie no estacionria em mdia.
Se a varincia ou as covarincias variam com o tempo diremos que a srie no
estacionria nas covarincias.

Def.) Processo Integrado de Ordem h- I(h): quando ao diferenciar-lo h vezes se obtm um processo estacionrio. So
processos no estacionrios unicamente em mdia e tm a propriedade de converter-se em estacionrios tomando uma
diferena. Um processo estacionrio sempre I(0) .
2000
1800
1600
1400
1200
1000
800
600
400
200
0
89-Ene
89-Abr
89-Jul
89-Oct
90-Feb
90-May
90-Ago
90-Dic
91-Mar
91-Jun
91-Sep
92-Ene
92-Abr
92-Jul
92-Nov
93-Feb
93-May
93-Ago
93-Dic
94-Mar
94-Jun
94-Oct
95-Ene
95-Abr
95-Jul
95-Nov
96-Feb
96-May
96-Sep
96-Dic
97-Mar
97-Jun
97-Oct
98-Ene
98-Abr
98-Ago
98-Nov
99-Feb
99-May
99-Sep
99-Dic
00-Mar
00-Jul
00-Oct
01-Ene
01-Abr
01-Ago
01-Nov
02-Feb
02-Jun
02-Sep
02-Dic
03-Mar
03-Jul
03-Oct
04-Ene
04-May

Nota:A maioria das sries reais

so no estacionrias e seu nvel
mdio varia com o tempo, sem
embargo podem converter-se em
estacionrias tomando diferenas

2000
1800
1600
1400
1200
1000
800
600
400
200
0

Processos Estocsticos No Estacionrios

Passeio Aleatrio. ARIMA(0,1,0)

(1 B) zt = at
Processo Alisamento Exponencial Simples.
IMA(1,1).

(1 B) z = (1 B)a

t
1 Orden
t 1. ARIMA(0,1,0)
Proceso Homogneo
de

Processos Integrados ARIMA(p,d,q)

(1 1 B ... p B p )(1 B ) d ~
zt = (1 1 B ... q B q ) at
Processos de Memria Longa

(1 B) d zt = at

0.5 < d < 0.5

Processo ARFIMA(p,d,q)

p ( B) d zt = q ( B)at

0.5 < d < 0.5

Passeio Aleatrio. ARIMA(0,1,0)

Processo

Def.) Passeio aleatrio : um processo estocstico

cujas primeiras diferenas formam um processo rudo
branco.

E ( zt ) = 0
Var ( zt ) = a2t

zt = at

zt = zt 1 + at

Cov ( z t , z t k ) = a2 (t k )

A varincia cresce com o tempo

120

Hist.

500
400
300
200
100

25

50

75

Diminuio
muito lenta

110
100

ACF

1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1

90
80
70
60
50
40

-2*Sigma
2*Sigma

10

Valor prximo a 1

30

20

20
10
0

04

03

02

01

00

99

98

97

96

95

94

93

92

-10
91

100

Para el grfico se ha generado un paseo aleatorio mediante una serie aleatoria en

fechado diario de media cero y varianza la unidad.

30

PACF

1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1

-2*Sigma
2*Sigma

10

20

30

Srie do IBEX-35
A srie de cotizaes do IBEX_35 em perodos dirios um processo no estacionrio em mdia e em varincia. Sem
embargo no correlograma se aprecia uma estrutura muito parecida ao correlograma de um passeio aleatrio, o que nos leva a
propor esta estrutura como modelo para representar a cotizao da bolsa.
E ( at ) = 0
At no um passeio
2
Ibex35t = at
aleatrio
Var ( a )
t

Ibex35t = Ibex35t 1 + at

Cov (at , at k ) 0

Uma vez tomada a diferena regular (1-B) observamos que a srie estacionria em mdia nu=0 mas no assim em varincia
que apresenta perodos de muita instabilidade. Uma representao mais adequada do processo deveria introduzir a varincia do
erro como varivel explicativa (p.e.modelo GARCH), por tanto no podemos concluir que o IBEX35 seja um passeio aleatrio.

ACF

1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1

12500

10000

7500

-2*Sigma
2*Sigma

10

20

30

5000

2500

A varincia do
modelo no
constante

90
91
91
91
92
92
92
93
93
93
94
94
94
95
95
95
96
96
96
97
97
97
98
98
98
99
99
99
00
00
00
01
01
01
02
02
02
03
03
03

PACF

1
0.8
0.6
0.4
0.2
0
-0.2
-0.4
-0.6
-0.8
-1

-2*Sigma
2*Sigma

10

20

30

Processo Integrado ARIMA(p,d,q)

Def.) Processos autorregressivos integrados de mdia mvel ARIMA(pd,q) : um processo
ARMA que possui uma ou vrias razes unidade no operador.

Processo

(1 1 B ... p B p )(1 B ) d ~
zt = (1 1 B ... q B q ) at

p ( B ) d ~zt = q ( B )at

zt = zt
onde at um processo rudo branco com ~
Sendo p a ordem da parte autorregressiva , q a ordem da parte mdia mvel e d o nmero de razes unitrias. O processo
chama-se integrado porque zt obtm-se como soma infinita de wt. Por exemplo se
wt = (1 B ) ~
zt
t
~
zt = (1 B ) 1 wt = (1 + B + B 2 + B 3 ...) wt = j = wt

Definimos

p ( B ) = (1 1 B ... p B p )

como a equao caracterstica do processo autorregressivo

q ( B ) = (1 1 B ... q B q )
Duas representaes alternativas do processo ARIMA como
1.) Soma de Inovaes:

zt = at + i =1 i at i = ( B )at

MA( )

p + d ( B ) = p ( B )(1 B ) d = (1 1 B ... p + d B p + d )
zt = at + 1at 1 + 2 at 2 + ... = ( B )at
( B ) ~z = ( B )a
p+d

p + d ( B ) ( B ) = q ( B )

MA( )

Os i obtm-se igualando os coeficientes em B desta expresso

2.) Soma de valores passados:

( B ) zt = zt + i =1 i zt i = at

AR ( )

p + d ( B ) ~zt = q ( B )at
p + d ( B ) = q ( B ) ( B )

Os

i obtm-se igualando os coeficientes em B desta expresso.