Escolar Documentos
Profissional Documentos
Cultura Documentos
Uma série temporal pode ser observada como uma realização parcial de um processo estocástico.
Trabalharemos com séries temporais a tempo discreto, onde os dados são coletados diariamente,
semanalmente, mensalmente ou anualmente.
ANÁLISE NO DOMÍNIO DO TEMPO
Mede a magnitude do evento que ocorre em determinado instante de tempo (ano, trimestre, mês,
semana, dia, etc.)
Objetivos:
- Modelagem;
- Previsão e controle de qualidade;
- Periodicidade.
SÉRIES REAIS
Neste curso serão utilizadas 4 séries reais para ilustrar os métodos apresentados:
1. IPCA: Série do Índice de Preços ao Consumidor Amplo de Belo Horizonte (jan/97 a out/05).
2. TEMPERATURA: Série de temperatura global Media, de 1900 a 1997. Os dados foram calculados
como um desvio da temperatura global média anual do período 1961-1990.
4. CEP: Série do consumo de energia elétrica das Centrais Elétricas do Paraná (jan/80 a dez/94).
IPCA (%)
-1,00
-0,50
0,00
0,50
1,00
1,50
2,00
2,50
3,00
jan/97
jun/97
nov/97
abr/98
set/98
fev/99
jul/99
dez/99
mai/00
out/00
mar/01
Período ago/01
jan/02
jun/02
nov/02
FIGURA 1 : SÉRIE IPCA
abr/03
set/03
fev/04
jul/04
dez/04
mai/05
out/05
FIGURA 2 : SÉRIE TEMPERATURA GLOBAL
Time Series Plot of FORTAL
500
400
300
FORTAL
200
100
550
500
450
CEP
400
350
300
250
Month jan jan jan jan jan jan jan jan
Year 1980 1982 1984 1986 1988 1990 1992 1994
𝐵𝑘 𝑌𝑡 = 𝑌𝑡−𝑘
𝐹 𝑘 𝑌𝑡 = 𝑌𝑡+𝑘
Operador diferença: é uma transformação nos dados que consiste em tomar diferenças
sucessivas da série original. É denotado por 𝛻 e definido por: d indica a ordem da diferença
𝛻 𝑑 𝑌𝑡 = 1 − 𝐵 𝑑 𝑌𝑡
ESTACIONARIEDADE
conserva sua média e variabilidade ao longo do tempo
Se o processo estocástico que gerou a série de observações é invariante com respeito ao tempo, diz-
se que o mesmo é estacionário. Um processo estacionário pode ser classificado em:
Essa é uma afirmação muito forte da
estacionariedade porque como em cada tempo t
Estritamente estacionário: Quando a distribuição de 𝑌𝑡 é a mesma de 𝑌𝑡+𝑘 . temos uma variável aleatória, é possível que em
tempos distintos a v.a. assuma Distribuições de
Probabilidade distintas. Por isso, é preferível assumir
o Fracamente Estacionário
𝐸 𝑌𝑡 = 𝜇;
𝑉𝑎𝑟 𝑌𝑡 = 𝜎 2 .
Em termos práticos, uma série é fracamente estacionária quando ela se desenvolve no tempo ao redor
de uma média e variância constantes, indicando um padrão de equilíbrio.
PROCESSO NÃO ESTACIONÁRIO HOMOGÊNEO
Um processo é não estacionário homogêneo se, ao tomarmos suas diferenças sucessivas,
encontramos um processo estacionário. Por exemplo, seja a série temporal não estacionária abaixo:
50
40
Zt (n=100)
30
20
10
Index 10 20 30 40 50 60 70 80 90 100
𝑊𝑡 = 𝛻𝑌𝑡 = 𝑌𝑡 − 𝑌𝑡−1
1
Dif 1(Yt)
0
-1
-2
-3
Index 10 20 30 40 50 60 70 80 90 100
Se a série diferenciada é estacionária, dizemos que a série original é integrada de ordem 1, ou I(1).
AUTOCOVARIÂNCIA
É a covariância entre 𝑌𝑡 e 𝑌𝑡−𝑘 separados por 𝑘 intervalos de tempo:
Autocovariância para medir relação linear entre Yt e Yt-k
Se temos uma série real, o estimador amostral aproximadamente não-tendencioso (para grandes
amostras) da autocovariância é dado por:
𝑇
1
𝛾𝑘 = 𝑌𝑡 − 𝑌 𝑌𝑡−𝑘 − 𝑌 .
𝑇
𝑡=𝑘+1
Como a autocovariância é uma função par, temos que para todo inteiro 𝑘, 𝛾𝑘 = 𝛾−𝑘 . Portanto, é
necessário determinar 𝛾𝑘 apenas para 𝑘 ≥ 0.
AUTOCORRELAÇÃO
𝛾𝑘 𝐶𝑜𝑣 𝑌𝑡 , 𝑌𝑡−𝑘
𝜌𝑘 = =
𝛾0 𝑉𝑎𝑟 𝑌𝑡 𝑉𝑎𝑟 𝑌𝑡−𝑘
𝛾𝑘
𝜌𝑘 = , 𝑘 = 0,1,2, …
𝛾0
FUNÇÃO DE AUTOCORRELAÇÃO AMOSTRAL (ACF)
onde x é a série e lag.max é o número de lags que se quer utilizar no cálculo da ACF. Se não
for especificado um número, como no caso acima, o R usa o default de 10 × 𝑙𝑜𝑔10 (𝑇/𝑚)
onde 𝑇 é o número de observações e 𝑚 é o número de séries
ACF da série IPCA
aqui sempre vai ser 1 porque vimos
que correlação de zero é um
ACF da série TEMPERATURA GLOBAL
Aqui vemos altas correlações de ordens iniciais
ACF da série FORTAL
Series fortal
1.0
0.8
0.6
0.4
ACF
0.2
0.0
-0.2
-0.4
0 20 40 60 80
Lag
RUÍDO BRANCO
Ou seja, ruído branco é quando os ruídos (ora podemos pensar
Seja 𝑢𝑡 um processo estocástico. como os erros da regressão) seguem comportamento ideal de
esperança zero e variância constante ao longo do tempo
i. 𝐸 𝑢𝑡 = 0,
ii. 𝐸 𝑢𝑡2 = 𝜎 2 < ∞ e
iii. 𝐸 𝑢𝑡 , 𝑢𝑡+𝑘 = 0 𝑘 = 0, ±1, ±2, …
1.0
0.8
0.6
ACF
0.4
0.2
0.0
-0.2
0 5 10 15 20 25
Lag
TRANSFORMAÇÃO BOX - COX
Para séries temporais que não apresentam variância constante, é necessário transformar a série
original para estabilizá-la. Através da transformação Box-Cox, pode-se obter uma série mais
simétrica e com variância constante, ou seja, próxima da distribuição normal, quando valores
apropriados de 𝜆 na equação abaixo são encontrados,
𝑌𝑡𝜆 − 𝑐
𝑌𝑡
(𝜆)
= , 𝑠𝑒 𝜆 ≠ 0
𝜆
𝑙𝑜𝑔𝑌𝑡 , 𝑠𝑒 𝜆 = 0
Obs.:
𝜆 e c são parâmetros a serem estimados.
𝜆 é obtido a partir de uma varredura sobre um intervalo de valores possíveis, no qual procura-
se identificar aquele que apresente a menor soma dos quadrados dos resíduos.