Artigo Pag 27 - 44

Revista Eletrnica de Economia da Universidade Estadual de Gois UEG ISSN: 1809 970-X
Revista de Economia, Anpolis, v.8, n.2, p. 27-44, jul./dez. 2012.

[http://www.prp.ueg.br/revista/index.php/economia/index]
Edio comemorativa dos 50 anos do Curso de Economia
27
PREVISO DE PREOS DO BOI GORDO COM MODELOS ARIMA E
SARIMA
1

Saulo Jardim de Araujo
2

Alan Figueiredo de Aredes
3

Vladimir Faria dos Santos
4

Resumo: O artigo teve como objetivo avaliar a eficcia dos modelos de sries
temporais ARIMA (Auto-Regressivo Integrado de Mdias Mveis) e SARIMA
(Modelo Sazonal Auto-Regressivo Integrado de Mdias Mveis) na previso de preos
do boi gordo em Campos dos Goytacazes-RJ. Para isso, foi usada a metodologia de
Box-Jenkins para a modelagem da srie de preos do boi gordo na localidade, sendo o
poder de previso dos modelos medido pelo indicador Erro Quadrado Mdio de
Previso (EQMP). De acordo com os resultados, conclui-se que os modelos so
instrumentos eficazes na previso dos preos do boi, especialmente o modelo SARIMA
que apresentou o menor EQMP.

Palavras-chaves: Preo, sries, previso.

Abstract: The paper aimed to assess the effectiveness of time series models ARIMA
(Autoregressive Integrated Moving Averages) and SARIMA (Model Seasonal
Autoregressive Integrated Moving Averages) in predicting live cattle prices in Campos
dos Goytacazes-RJ. For this, we used the Box-Jenkins methodology for modeling the
number of live cattle prices in the locality, and the predictive power of the models
measured by the Mean Square Error of Prediction (EQMP). According to the results, it
is concluded that the models are effective tools in forecasting the price of cattle,
especially the SARIMA model that had the lowest EQMP.

Keywords: Price, series, prediction.

1. INTRODUO
A anlise dos preos agrcolas de crucial importncia para a empresa rural. Ela
permite que o empresrio avalie com mais preciso o retorno da atividade agrcola e o
risco de perdas financeiras ocasionadas por oscilaes desfavorveis dos preos dos
produtos e dos fatores de produo. Permite que o produtor rural aloque melhor seus

1
Pesquisa realizada com Auxlio Pesquisa APQ1, FAPERJ.
2
Graduando em Cincias Econmicas. Departamento de Cincias Econmicas. Universidade Federal
Fluminense (UFF). E-mail: saulojardim@id.uff.br.
3
Doutor em Economia Aplicada. Departamento de Cincias Econmicas. Universidade Federal
Fluminense (UFF). E-mail: aredess@yahoo.com.br.
4
Doutor em Economia Aplicada. Departamento de Cincias Econmicas. Departamento de Cincias
Econmicas. Universidade Federal Fluminense (UFF). E-mail: vladi_fs@yahoo.com.br.
28
recursos, elevando as margens de retorno do capital investido e diminui os riscos da
atividade.
A previso de preos um instrumento de grande relevncia na tomada de
deciso, especialmente no que se refere ao agronegcio, que caracterizado pela
exposio a distrbios irregulares. Nesse sentido, serve como ferramenta no
planejamento, avaliao de polticas e minimizao dos riscos na tomada de deciso dos
produtores, compradores e investidores (BRESSAN e LIMA, 2005).
Assim, o monitoramento dos preos e suas projees oferecem ao administrador
elementos indispensveis ao negcio agrcola. Segundo Vale et al. (2002) a seleo de
preos a serem utilizados no processo de anlise um dos passos bsicos do
planejamento, sendo necessrio um estudo de preos com critrio para estabelecer o
preo que ser utilizado na anlise.
Segundo Vale et al. (2002), entre as caractersticas mais desejveis de um
planejamento constam-se as perspectivas de preos. De acordo com os autores, o
planejamento definido como o ato de organizar recursos como terra, trabalho, capital e
administrao para que os objetivos da empresa sejam atingidos. Para Woiler e Mathias
(1986) o planejamento pode ser entendido como um processo de tomada de decises
interdepende que procuram levar a empresa para uma situao futura.
Diante da importncia dos preos no planejamento e na tomada de deciso, o
artigo tem como objetivo avaliar a eficcia dos modelos de srie temporais ARIMA
(Auto-Regressivo Integrado de Mdias Mveis) e SARIMA (Modelo Sazonal Auto-
Regressivo Integrado de Mdias Mveis) na previso de preos do boi gordo em
Campos dos Goytacazes-RJ. Espera-se que os modelos sejam eficazes e que possam ser
empregados como critrios no planejamento e tomada de deciso dos pecuaristas,
aumentando os rendimentos e reduzindo os riscos de variao dos preos na atividade.
O mercado da carne do boi foi escolhido para o estudo devido a importncia
econmica do setor para o pas e, em especial, para a regio de Campos dos Goytacazes.
Como apontam Ponciano et al. (2004), na regio Norte Fluminense se destacam como
principais atividades a produo de cana-de-aucar, pecuria bovina e caf. Quase 70%
dos estabelecimentos possuem como atividades principais a produo de cana-de-aucar
e bovinos.

29

2. MATERIAIS E MTODOS
2.1. Formao de preos e riscos na bovinocultura de corte
Pode-se dizer que o preo da carne bovina determinado por diversos fatores,
que vo deste os relacionados produo como o clima e preo dos insumos at os
relacionados fase de consumo, como o preo de produtos concorrentes e variveis
macroeconmicas (inflao, taxa de juros, cmbio e PIB) que afetam a demanda do
produto.
Como aponta Ardes (2009), considerando que a carne suna, bovina e de frango
so substitutas, espera-se que seus preos estejam relacionados e que uma mudana no
preo de uma dessas carnes seja transmitida as demais. Dessa forma, por exemplo, uma
alta no preo da carne de frango deve ocasionar a maior procura de carne suna e bovina
por parte do consumidor, promovendo, a elevao dos preos desses dois tipos de carne.
Estudo realizado pelo autor mostra que os preos da carne bovina e de frango
causam no sentido de Granger o preo da carne suna; o preo da carne suna causa o
preo da carne bovina; e o preo da carne bovina causa o preo da carne de frango.
Assim, ressaltando a interdependncia entre os preos desses produtos. Medeiros e
Montevechi (2005) tambm apontam que os produtos substitutos podem afetar muito o
preo do boi. Segundo eles, IEL, CNA e SEBRAE (2000) apontam que o frango o
principal substituto da carne bovina e, que dessa forma, mudanas em seus preos
podem afetar o consumo e o preo da carne bovina.
No que diz respeito ao clima e ao processo produtivo, segundo Medeiros e
Montevechi (2005), existem ainda trs fases para a finalizao da produo da carne
bovina, a saber: cria, recria e engorda. O Quadro 1 demonstra as trs fases, e nele pode-
se verificar que as duas principais variveis para a produo de carne bovina na maioria
das propriedades so a qualidade dos pastos - que varivel dependente do clima - e a
eficincia produtiva, que est diretamente ligada a velocidade de crescimento do animal
e que, por fim, o principal determinador das variaes nos preos do produto
(MEDEIROS; MONTEVECHI, 2005).

30

QUADRO 1 Caractersticas e fases da pecuria bovina no Brasil.

Fonte: Medeiros e Montevechi (2005), criada a partir de dados Schouchana e Caffagni
(2001), IEL, CNA e SEBRAE (2000).

De acordo com Igreja (1987), citado por Medeiros e Montevechi (2005), a
formao de preos da bovinocultura de corte esta relacionado s variaes sazonais
(Figura 1) e ao ciclo plurianual, que pode ser entendido analisando a Figura 2.
Conforme Medeiros e Montevechi (2005), no perodo das guas observa-se uma
maior quantidade de forrageira disponvel para o gado, com isso aumenta-se a criao
de animais, o que causa uma queda no preo do bovino, devido expanso da oferta.
Em contra partida, no perodo de seca ocorre o contrrio, como pode-se observar na
Figura 1.

31

Figura 1 - Ciclo anual da pecuria de corte da regio Centro-Sul do Brasil.
Fonte: Medeiros e Montevechi (2005), criada a partir de dados Kassouf (1988), IEL,
CNA e SEBRAE (2000).

Em relao ao ciclo plurianual do bovino, pode-se ver na Figura 2 que o preo
do animal est relacionado com as expectativas futuras do mercado (MEDEIROS;
MONTEVECHI, 2005).

Figura 2 - Fases do ciclo plurianual da pecuria de corte no Brasil.
32
Fonte: Medeiros e Montevechi (2005), criada a partir de dados de Kassouf (1988), IEL, CNA e SEBRAE
(2000).

Nesse sentido, nota-se que so muitas as variveis que podem afetar o nvel de
preo da carne bovina, sendo estas fontes de risco atividade pecuria, uma vez que as
receitas obtidas pelos bovinocultores so formadas a partir dos preos recebidos pelo
produto. Assim, quanto menor o nvel de preo recebido pelo pecuarista menor sua
margem de lucro e menor a capitalizao do setor. O que revela a importncia do
planejamento da produo e do monitoramento dos preos para o bom desempenho da
atividade.

2.2. Modelo ARIMA e SARIMA
O modelo ARMA (Auto-Regressivo e de Mdia Mvel) de Box e Jenkins (1976)
dado pela estimao da regresso da varivel dependente Y em funo das defasagens
da prpria varivel Y, indicado por p termos auto-regressivos, e em funo dos erros
aleatrios, indicado por q termos mdia mvel, sendo o modelo indicado como ARMA.
Assim, o modelo ARMA (1,1) pode ser escrito como:

em que Y a srie temporal; u o termo de erro aleatrio; e u , o e | so os
parmetros a serem estimados (GUJARATI, 2000).
Porm, como a maioria das sries temporais econmicas naturalmente no-
estacionrias, a aplicao do modelo exige a transformao das mesmas por d
diferenas para torn-las estacionrias. O modelo assim obtido denominado ARIMA
(Auto-Regressivo Integrado de Mdia Mvel), sendo apresentado como ARIMA
(p,d,q).
Assim, para uma srie no estacionria em nvel e um modelo com p termos
auto-regressivos e q termos mdia mvel, temos o modelo ARIMA (p,d,q), escrito
como:

em que A o operador de diferenas.
1 1 0 1 1
+ + + =
t t t t
u u Y Y | | o u
q t q t t p t p t t
u u u Y Y Y

+ + + + + = A | | | o o u
1 1 0 1 1
33
Porm, muitas sries de preos apresentam um componente sazonal e pode ser
necessrio modelar esse a fim de obter um modelo mais confivel. Assim, foram
desenvolvidos os modelos SARIMA (Modelo Sazonal Auto-Regressivo Integrado de
Mdias Mveis), que so os modelos ARIMA sazonais (PACHECO, 2001). Conforme
o autor, tal modelo apresentado como SARIMA (p,d,q)(P,D,Q)
s
, em que s o perodo
correspondente a sazonalidade. Em termos de equao, tem-se:

em que ) (
s
B u so os coeficientes sazonais de autorregresso; ) (
s
B O so os
coeficientes sazonais das mdias mveis; e
D s
B ) 1 ( o operador de diferena de
ordem D de diferenciao sazonal (PACHECO, 2001).

2.3. A metodologia de Box-Jenkins
Conforme Gujarati (2000), a metodologia de Box-Jenkins para modelagem de
um processo ARIMA consiste em quatro etapas:
a) Identificao: a primeira etapa consiste em obter os valores apropriados para p, d e q.
Para isso, pode-se empregar o correlograma e o correlograma parcial, que so as
representaes grficas da Funo de Autocorrelao (FAC) e Funo de
Autocorrelao Parcial (FACP) contra o tamanho da defasagem;
b) Estimativa: estimam-se os parmetros do modelo, o que pode ser feito por meio de
mnimos quadrados ou pelo mtodo de estimativa no-linear;
c) Checagem de diagnstico: verificado se o modelo estimado ajusta-se bem aos
dados. Uma maneira de fazer esta checagem ver se os resduos do modelo so rudos
brancos. Caso sejam, aceita-se o modelo. Caso contrrio, o processo deve ser
recomeado a fim de se identificar outro modelo; e
d) Previso: o modelo usado para fazer previses.

34
2.4. Teste de raiz unitria
Antes de realizar o teste de causalidade e estimar as equaes de transmisso de
preos necessrio verificar se as sries de dados so estacionrias. Caso estas no
sejam estacionrias, elas devem ser diferenciadas at se tornarem estacionrias.
Para essa verificao pode-se empregar a anlise grfica e a Funo de
Autocorrelao (FAC). Porm, um teste mais especfico o teste de raiz unitria de
Dickey-Fuller Aumentado (ADF). Conforme Gurajati (2000), a equao de teste de raiz
unitria ADF representada como:
t
m
i
i t i t t
Y Y t Y c o o | | + A + + + = A

=

1
1 2 1
,
em que A o operador de diferena da varivel em estudo, no caso
t
Y ;
1
| e
2
| , os
parmetros intercepto e tendncia; o , o parmetro da varivel defasada Y
t-i
;
=

A
m
i
i t i
Y
1
o , o termo de diferenas defasadas; e
t
c , o erro aleatrio.
A no estacionariedade da varivel constatada pela existncia de raiz unitria
na srie de dados. Para isso, deve-se estimar a equao acima e testar a significncia
estatstica do parmetro o , com as seguintes hipteses:

0 :
0 :
1
0
=
=
o
o
H
H

Caso a hiptese nula testada no for rejeitada, a srie possui raiz unitria.
Confirmada a presena de raiz unitria na srie esta deve ser diferenciada e testada
novamente para a presena de raiz em diferenas, sendo realizadas d diferenciaes at
que o teste de raiz unitria seja rejeitado.

2.5. Critrio de avaliao de previso
Para avaliar a eficcia dos modelos de previso, pode-se usar o mtodo
estatstico Erro Quadrado Mdio de Previso (EQMP). Conforme Morettin e Toloi
(2004), o EQMP pode ser usado para comparar a eficcia entre modelos de previso,
quando se quer o modelo com melhores previses. O mtodo dado por:
35
n VP VO EQMP
n
h
h t h t
/ ) (
1
2
(
=

=
+ +

em que h=1,2,3,...,n; que corresponde as previses para os ltimos n dias.

2.6. Fonte de dados
Os dados utilizados so referentes srie de preos mensal da arroba do boi na
regio de Campos dos Goytacazes-RJ, no perodo de 01/2005 a 12/2009. A srie foi
obtida junto ao ANUALPEC (2010). As modelagens foram feitas de janeiro de 2005 a
dezembro de 2008 e as previses foram realizadas para o perodo de janeiro a dezembro
de 2009. A pesquisa foi feita para esse perodo devido a disponibilidade de dados.

3. RESULTADOS E DISCUSSO
Conforme Gujarati (2000), o primeiro passo para analisar toda uma srie
temporal fazer a representao grfica dos dados. Nesse sentido, foi plotada em um
grfico (Figura 3) a srie de preos do boi gordo em Campos dos Goytacazes RJ. Pela
anlise grfica, os preos apresentaram uma tendncia de alta irregular, sendo esse um
comportamento tpico de uma srie no estacionria.

Figura 3 - Srie de preos do boi gordo em Campos dos Goytacazes, 01/2005 a 12/2009.
Fonte: ANUALPEC (2010).
36
Como os modelos de previso ARMA necessitam que a srie de preos seja
estacionria, aplicou-se nos dados o teste de raiz unitria ADF para verificar se a mesma
estacionria. Pelo teste de raiz unitria, verificou-se que a srie de preo no
estacionria, pois o valor do teste calculado (estatstica t) de -3,03 menor, em valor
absoluto, do que os valores crticos de -4,12; -3,49 e -3,17, ao nvel de 1%, 5% e 10%,
respectivamente (Tabela 1).

Tabela 1: Teste de raiz unitria ADF da srie de preos original.
Fonte: Resultados da pesquisa.

Dado que a srie de preos no estacionria, utilizou-se a primeira diferena
nos dados com intuito de adequar a srie para a estimao dos modelos ARIMA e
SARIMA. Analisando a Tabela 2, o coeficiente estimado da estatstica para a srie em
primeira diferena foi de -5,53, ou seja, maior (em mdulo) que os pontos crticos,
inclusive ao nvel de significncia estatstica de 1%, sendo a srie de preos em primeira
diferena estacionria, ou seja, integrada de ordem 1, I(1) (Tabela 2).

Tabela 2: Teste de raiz unitria da srie de preos na primeira diferena.
Nvel de Significncia Valores Crticos Estatstica
1% -2,61 -5,53
5% -1,95
10% -1,61

Identificada a ordem de integrao da srie (d), o prximo passo foi identificar o
nmero de termos auto-regressivos (p) e o nmero de termos de mdia mvel (q) no
modelo. Para isso, foi usada a Funo de Autocorrelao (FAC) e a Funo de
Autocorrelao Parcial (FACP).
Nvel de Significncia Valores Crticos Estatstica
1% -4,12 -3,03
5% -3,49
10% -3,17

37
A Figura 4 apresenta a FAC e a FACP obtidas para as sries de preos em nvel.
Observa-se que a FAC inicia com um valor alto e diminui gradualmente, tendo 11
defasagens fora do intervalo de confiana de 95%, o que deixa os coeficientes
estatisticamente diferentes de zero. O que um indicativo de no estacionariedade.
Observa-se tambm pela Figura 4 que a FACP possui quatro defasagens fora do
intervalo de confiana.

Figura 4 - Funo de Autocorrelao (FAC/AC) e de Autocorrelao Parcial (FACP/PAC) da srie em
nvel.

38
Diante desse resultado, obteve-se tambm a FAC e FACP da srie de preos em
primeira diferena (Figura 5). Os resultados motraram que a FAC da primeira diferena
da srie no apresenta caracteristicas de uma srie no estacionria, corrolabrorando o
teste de raiz unitria ADF.

Figura 5 - Funes de Autocorrelao (FAC/AC) e de Autocorrelao Parcial (FACP/PAC) da srie em
diferena.

Assim, usando a FAC e a FACP, foram identificados os modelos a serem
estimados. Conforme Gujarati (2000), essas funes e os correlogramas resultantes so
as principais ferramentas de identificao dos modelos ARIMA. Segundo o autor, no
39
caso da FAC e da FACP o que se deve procurar a similaridade entre as FAC e FACPs
tericas e as amostrais, de forma que essas mostrem a direo para a identificao dos
modelos, o que requer uma grande habilidade.
Nesse sentido, foi identificado um modelo ARIMA (10,1,0), contendo apenas
termos auto-regressivos, visto que a FAC da srie em diferena teve um padro senoidal
e a FACP da srie em diferena apresentou picos nas defasagens. O modelo citado
possui ento dois componentes auto-regressivos, referentes s defasagens 1 e 10 da
FACP, que esto fora do intervalo de confiana.
Depois de identificado o modelo, esse foi estimado. Pela Tabela 3 pode-se notar
que o modelo ARIMA (10,1,0) teve bom ajustamento com todas as defasagens
estatisticamente significativas a 10%, exceto para o termo intercepto. Alm disso, a
equao teve uma estatstica F estatisticamente significativa a 1%.

Tabela 3: Resultado da estimao do modelo ARIMA (10,1,0).
Variveis Coeficiente Erro padro Estatstica t P-valor
C 1,270223 2,429734 0,522783 0,6045
AR(1) 0,288473 0,152868 1,887074 0,0677
AR(10) 0,490036 0,166615 2,941117 0,0058
R
2
0,260914 Prob. (Est. F) 0,005859


Pelo fato da FAC ter apresentado um comportamento senoidal indicando a
existncia de um comportamento sazonal na srie de preos, o que j era esperado
devido ao preo do boi estar relacionado s variaes sazonais, foi tambm estimado um
modelo SARIMA.
Conforme Medeiros et al. (2006), quando uma srie apresenta um componente
peridico deve-se acrescentar uma componente sazonal ao modelo ARIMA, o qual
passa a ser denominado modelo SARIMA, que construdo usando a mesma
metodologia empregada para a estimao do modelo ARIMA.
Assim, buscou-se modelar novamente a srie de preos a fim de obter um
modelo SARIMA que se adequasse aos dados. Para isso, realizou-se a diferenciao
sazonal da srie de preos. A Figura 6 apresenta as novas FAC e FACP obtidas.
40
Conforme as Figuras, foi estimado um modelo SARIMA (12,1,12)(0,1,1), uma vez que
as funes apresentaram picos nas defasagens 2 e 12 (Figura 6).

Figura 6 - Funes de Autocorrelao (FAC/AC) e de Autocorrelao Parcial (FACP/PAC) da srie em
diferena sazonal.

O modelo estimado SARIMA (12,1,12)(0,1,1) teve um bom ajustamento sendo
todas as variveis auto-regressivas e de mdia mvel estatisticamente significativas a
10%. Alm disso, a estatstica F foi significativa a 1% (Tabela 4). Nota-se tambm que
a defasagem MA(2) no foi includa no modelo, pois ela no foi estatisticamente
significativa a 10%.

41
Tabela 4: Resultados da estimao do Modelo SARIMA (12,1,12)(0,1,1).
Variveis Coeficiente Erro padro Estatstica t P-valor
C 0,333176 0,353147 0,943447 0,3579
AR(2) -0,390393 0,224115 -1,741934 0,0986
AR(12) -0,800471 0,136824 -5,850373 0,0000
MA(12) 0,919490 0,035777 25,70025 0,0000
SMA(1) 0,511337 0,118972 4,297956 0,0004
R
2
0,903686 Prob,(Est, F) 0,000000


Com a finalidade de checar o ajuste dos modelos, realizou-se o teste de raiz
unitria ADF para os resduos dos modelos gerados, com objetivo de indentificar se
esses resduos so estacionrios. Os resduos mostraram-se estacionrios, sendo os
modelos adequados para a realizao das previses de preos. A Tabela 5 apresenta os
resultados do teste de raiz unitria, os quais no identificaram raizes unitrias nas sries
de resduos.

Tabela 5: Teste de raiz unitria ADF para os resduos dos modelos estimados.

Aps a checagem do modelo, foi realizada as previses e obtidos os preos
previstos e o EQMP para cada modelo. Para efeito de melhor comparao, as novas
previses foram apresentas juntamente com os preos observados no mercado, como
pode ser visto na Tabela 6.

Nvel de Significncia Valores Crticos ARIMA SARIMA
1% -2,61 -7,29 -4,36
5%
-1,95
-1,61

10% -1,61

42
Tabela 6: Resultado da eficcia dos modelos de previses.
Ms Preo observado ARIMA SARIMA
jan/09 77,27 76,62 78,55
fev/09 75,00 77,25 75,86
mar/09 71,65 74,49 71,98
abr/09 69,63 70,81 70,27
mai/09 70,60 69,19 70,69
jun/09 74,71 71,05 75,88
jul/09 75,19 76,09 76,48
ago/09 75,12 75,49 75,02
set/09 74,94 75,26 75,29
out/09 74,97 75,05 76,76
nov/09 74,92 75,14 75,05
dez/09 74,80 75,06 75,70
Assim, os resultados mostram que o modelo SARIMA (12,1,12)(0,1,1) teve as
melhores previses, uma vez que apresentou o menor EQMP (Tabela 7).

Tabela 7: Erro Percentual de Previso (EPP) e Erro Quadrado Mdio de Previso
(EQMP).
Ms ARIMA SARIMA
EQMP
5,928 0,842

4. CONCLUSO
A anlise dos preos agrcolas de crucial importncia para a empresa rural. Ela
permite que o empresrio avalie com mais preciso o retorno da atividade agrcola e o
risco de perdas financeiras ocasionadas freqentemente por oscilaes desfavorveis
dos preos dos produtos e dos fatores de produo.
O planejamento agrcola e dos preos permite que o produtor rural aloque
melhor seus recursos, elevando as margens de retorno do capital investido e diminua os
riscos da atividade. Assim, o monitoramento dos preos e suas projees oferecem ao
administrador elementos indispensveis ao negcio agrcola.
Nesse sentido, o artigo teve como objetivo avaliar a eficcia dos modelos de
srie temporais ARIMA (Auto-Regressivo Integrado de Mdias Mveis) e SARIMA
(Modelo Sazonal Auto-Regressivo Integrado de Mdias Mveis) na previso dos preos
43
em campos dos Goytacazes. Para isso, foi usada a metodologia de Box-Jenkins para a
modelagem desses modelos e usada a srie de preos do boi gordo nessa localidade,
sendo o poder de previso dos modelos medido pela estatstica Erro Quadrado Mdio de
Previso (EQMP).
Seguindo a metodologia de estimao dos modelos, foram identificados dois
modelos de previso de preo: ARIMA (10,1,0) e SARIMA (12,1,12)(0,1,1); sendo que
o modelo SARIMA teve a melhor performance, sendo capaz de minimizar de forma
mais eficiente o EQMP. O melhor desempenho desse modelo deve-se ao fato dele
considerar o componente sazonal presente na srie de preos.
Por fim, conclui-se que os modelos so eficazes na previso dos preos do boi
gordo e que podem ser usados como ferramentas de apoio a tomada de deciso dos
pecuaristas de Campos dos Goytacazes-RJ. Portanto, os modelos possuem a capacidade
de reduzir o risco inerente atividade, possibilitando uma melhor gesto e maiores
ganhos.

5. REFERNCIAS BIBLIOGRFICAS
ANUALPEC. Anurio da Pecuria Brasileira. So Paulo: FNP Consultoria &
Comrcio, 2010. 360 p.
ARDES, A. F. Relao de causalidade entre os preos de carnes no varejo.
Informaes Econmicas (Impresso), v. 39, p. 66-72, 2009.
BOX, G. P.; JENKINS, G. M. Time series analysis: forecasting and Control.
NewYork: Holden Day, p.575, 1976.
BRESSAN, A. A.; LIMA, J. E.. Modelos de Previso de Preos aplicados aos contratos
futuros de boi gordo na BM&F. Nova Economia, v. 12, p. 117-140, 2003.
GUJARATI, D. N. Econometria bsica. 3 ed. So Paulo: Pearson Makron Books,
2000. 846 p.
IEL; CNA; SEBRAE. Estudo sobre a eficincia econmica e competitiva da cadeia
agroindustrial da pecuria de corte no Brasil. Braslia: IEL. 414p. 2000.
44
IGREJA, A. C. M. Evoluo da pecuria bovina de corte no estado de So Paulo no
perodo de 1969-984. Piracicaba. 197 p. Dissertao (mestrado) Escola Superior de
Agricultura Luiz de Queiroz, Universidade de So Paulo, 1987.
KASSOUF, A. L. Previso de preos na pecuria de corte do Estado de So Paulo.
Piracicaba. 102 p. Dissertao (mestrado) Escola Superior de Agricultura Luiz de
Queiroz, Universidade de So Paulo, 1988.
MEDEIROS, A. L.; MONTEVECHI, J. A. B. Modelagem da equao de previso do
preo da arroba de boi gordo atravs da regresso linear mltipla. XII SIMPEP
Bauru, SP, Brasil, 7 a 9 de Novembro de 2005.
MEDEIROS, A. L.; MONTEVECHI, J. A. B.; REZENDE, M. L.; REIS, R. P.
Modelagem ARIMA na previso do preo da arroba do boi gordo. In: XLIV
Congresso da Sociedade Brasileira de Economia e Sociologia Rural, 2006, Fortaleza.
XLIV Congresso da Sociedade Brasileira de Economia e Sociologia Rural. Fortaleza:
SOBER, 2006. v. 1.
MORETTIN, P. A.; TOLOI, C. M. C. Anlise de sries temporais. So Paulo: Edgard
Blcher, 2004. 535 P.
PACHECO, A. G. F. Estudo da influncia de varveis meteorolgicas no
aparecimento de casos graves de leptospirose em Salvador-BA via modelos se
sries temporais. Rio de Janeiro. 122 p. Dissertao (mestrado) Escola Nacional de
Sade Pblica, 2001.
PONCIANO, N. J.; SOUZA, P. M.; MATA, H. T. C.; VIEIRA, J. R.; MORGADO, I.
F.. Anlise de viabilidade econmica e de risco da fruticultura na regio norte
fluminense. Revista de Economia e Sociologia Rural, Braslia - DF, v. 42, n. 4, p.
615-635, 2004.
SCHOUCHANA, F.; CAFFAGNI, L. C. Fatores que determinam o preo do bezerro.
Resenha BM&F, n. 143, 67-75 p. 2001.
VALE, S. M. L. R.; SILVA JNIOR, A. G.; COSTA, F. A. ERU 430: Administrao
rural. Viosa: Universidade Federal de Viosa, 2002. 143 p. (Apostila).
WOILER, S.; MATHIAS, W. F. Projetos: planejamento, elaborao e anlise. So
Paulo: Atlas, 1996. 294 p.

Artigo Pag 27 - 44

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Artigo Pag 27 - 44

Transféré par

Droits d'auteur :

Formats disponibles

Revista Eletrnica de Economia da Universidade Estadual de Gois UEG ISSN: 1809 970-X

Revista de Economia, Anpolis, v.8, n.2, p. 27-44, jul./dez. 2012.

Vous aimerez peut-être aussi