Apostila Series Temporais UNESP

Apostila de Anlise de Sries Temporais
Autor: Prof. Manoel Ivanildo Silvestre Bezerra

DMEC/ FCT / UNESP
Curso de Estatstica
Disciplina Semestral - 2006
Sumrio
1 Introduo
1.1 Exemplos de sries . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1.3 Estacionariedade . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4
4
5
6
2 Conceitos Bsicos
2.1 Processo Estocstico . . . . . . . . . . . . . . .
2.2 Especificao de um Processo Estocstico . . .
2.3 Mdias e Covarincias . . . . . . . . . . . . . .
2.3.1 Propriedades da Esperana . . . . . . .
2.3.2 Propriedades da Varincia . . . . . . . .
2.3.3 Propriedades da Covarincia . . . . . .
2.3.4 Propriedades da Correlao . . . . . . .
2.3.5 Outras Propriedades Importantes . . . .
2.4 Exemplos . . . . . . . . . . . . . . . . . . . . .
2.4.1 Exemplo 1: O passeio aleatrio . . . . .
2.4.2 Exemplo 2: (Mdia-Mvel de ordem 1) .
2.5 Estacionariedade para um Processo Estocstico
2.5.1 Rudo Branco . . . . . . . . . . . . . . .
2.6 A Funo de Autocorrelao Amostral . . . . .
2.7 Exerccios . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
7
7
8
8
9
9
9
10
10
10
10
12
12
13
14
14
3 Modelos de Decomposio
3.1 Modelo com Mdia constante . . . . . . . . . .
3.2 Mtodo de Regresso . . . . . . . . . . . . . . .
3.2.1 Tendncia Linear . . . . . . . . . . . . .
3.2.2 Tendncia Ciclca ou Sazonal . . . . . .
3.2.3 Tendncia Cosseno . . . . . . . . . . . .
3.3 Sazonalidade . . . . . . . . . . . . . . . . . . .
3.3.1 Sazonalidade determinstica - mtodo de
3.4 Anlise Residual . . . . . . . . . . . . . . . . .
3.5 Exerccios . . . . . . . . . . . . . . . . . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
regresso
. . . . . .
. . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
17
17
18
18
19
19
19
21
22
22
4 Modelos de Suavizao Exponencial

4.1 Modelos para sries localmente constantes . . . . . . . . . . . .
4.1.1 Mdias Mveis Simples (MMS) . . . . . . . . . . . . . .
4.1.2 Suavizao Exponencial Simples (SES) . . . . . . . . . .
4.2 Modelos para sries que apresentam Tendncia . . . . . . . . .
4.2.1 Suavizao Exponencial Biparamtrica de Holt (SEH) .
4.3 Modelos para sries sazonais . . . . . . . . . . . . . . . . . . . .
4.3.1 Suavizao Exponencial Sazonal de Holt-Winters (HW)
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
23
23
23
24
25
25
25
25
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
manoel@fct.unesp.br
SUMRIO
5 Modelos de Box-Jenkins para Sries Estacionrias

5.1 Processo Linear Geral . . . . . . . . . . . . . . . . . .
5.2 Modelo Mdias-Mveis (MA(q)) . . . . . . . . . . . .
5.2.1 O modelo MA(1) . . . . . . . . . . . . . . . . .
5.2.2 O Modelo MA(q) . . . . . . . . . . . . . . . . .
5.3 Modelo Autoregressivo AR(p) . . . . . . . . . . . . . .
5.3.1 O Modelo AR(1) . . . . . . . . . . . . . . . . .
5.3.2 O Modelo AR(2) . . . . . . . . . . . . . . . . .
5.3.3 O Processo Autoregressivo geral . . . . . . . .
5.4 O Modelo Autoregressivo-Mdias Mveis ARMA(p,q)
5.4.1 O modelo ARMA(1,1) . . . . . . . . . . . . . .
5.5 Invertibilidade . . . . . . . . . . . . . . . . . . . . . .
5.6 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
27
27
28
29
29
30
30
31
33
34
34
36
37
6 Modelos para Sries Temporais No-Estacionrias

6.1 O Modelo Autoregressivo-Integrado-Mdias-Mveis ARIMA(p,d,q)
6.1.1 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6.1.2 Algumas Transformaes para tornar a srie Estacionria .
6.2 Formas do Modelo ARIMA . . . . . . . . . . . . . . . . . . . . . .
6.2.1 Forma da Equao Diferenas . . . . . . . . . . . . . . . . .
6.2.2 Forma de Choques Aleatrios . . . . . . . . . . . . . . . . .
6.2.3 Termo constante no Modelo ARIMA . . . . . . . . . . . . .
6.3 Construo dos Modelos ARIMA . . . . . . . . . . . . . . . . . . .
6.3.1 Funo de Autocorrelao Parcial (facp) . . . . . . . . . . .
6.3.2 A Funo de Autocorrelao Parcial Amostral (fapa) . . . .
6.4 Idendificao (ou Especificao) dos Modelos ARIMA . . . . . . .
6.4.1 Procedimento . . . . . . . . . . . . . . . . . . . . . . . . . .
6.5 Intervalo de Confiana para a FAC Amostral . . . . . . . . . . . .
6.6 Exerccos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
39
39
40
40
41
41
41
41
42
43
44
44
44
45
46
7 Estimao dos Parmetros

7.1 Estimativas Preliminares . . . . . . . . . . . . . . . . . . . . .
7.1.1 Processos AR(p) . . . . . . . . . . . . . . . . . . . . .
7.1.2 Processos MA(q) . . . . . . . . . . . . . . . . . . . .
7.1.3 Processos ARMA(p,q) . . . . . . . . . . . . . . . . . .
7.2 O Mtodo dos Momentos . . . . . . . . . . . . . . . . . . . .
7.2.1 Modelo Autoregressivo . . . . . . . . . . . . . . . . . .
7.2.2 Modelos Mdias-Mveis . . . . . . . . . . . . . . . . .
7.2.3 Modelos ARMA . . . . . . . . . . . . . . . . . . . . .
7.2.4 Estimativas da Varincia do Rudo . . . . . . . . . . .
7.3 Estimativas de Mnimos Quadrados . . . . . . . . . . . . . . .
7.3.1 Modelos Autoregressivos . . . . . . . . . . . . . . . . .
7.3.2 Modelos Mdias Mveis . . . . . . . . . . . . . . . . .
7.3.3 Modelos Autoregressivos-Mdias-Mveis . . . . . . . .
7.4 Estimativas de Mxima Verossimilhana . . . . . . . . . . . .
7.5 Mnimos Quadrados No-Condicional para o Modelo ARMA
7.6 Propriedades das Estimativas . . . . . . . . . . . . . . . . . .
7.7 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
47
47
47
47
48
48
48
49
49
49
50
50
52
53
53
55
55
56
8 Diagnstico do Modelo
8.1 Anlise Residual . . . . . . .
8.2 Autocorrelao dos Resduos
8.3 O Teste de Box-Pierce . . . .
8.4 Exerccios . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
58
58
59
59
60
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
manoel@fct.unesp.br
SUMRIO
9 Previso com Modelos ARIMA

9.1 Clculo da Previso de Erro Quadrtico Mdio Mnimo . . . . . . .
9.2 Tendncia Determinstica . . . . . . . . . . . . . . . . . . . . . . . .
9.3 Previso ARIMA . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
9.3.1 Modelo AR(1) . . . . . . . . . . . . . . . . . . . . . . . . . .
9.3.2 Erro de Previso . . . . . . . . . . . . . . . . . . . . . . . . .
9.3.3 Modelo MA(1) . . . . . . . . . . . . . . . . . . . . . . . . . .
9.3.4 Erro de Previso . . . . . . . . . . . . . . . . . . . . . . . . .
9.3.5 O Caminho Aleatrio . . . . . . . . . . . . . . . . . . . . . .
9.3.6 Erro de Previso . . . . . . . . . . . . . . . . . . . . . . . . .
9.4 Modelo ARMA Estacionrio - Caso Geral . . . . . . . . . . . . . . .
9.4.1 Modelo ARMA(1,1) . . . . . . . . . . . . . . . . . . . . . . .
9.5 Modelos No-Estacionrios ARIMA . . . . . . . . . . . . . . . . . .
9.5.1 Modelo ARIMA(1,1,1) . . . . . . . . . . . . . . . . . . . . . .
9.5.2 Erro de Previso . . . . . . . . . . . . . . . . . . . . . . . . .
9.6 Atualizao das Previses . . . . . . . . . . . . . . . . . . . . . . . .
9.7 Intervalo de Confiana para Previso . . . . . . . . . . . . . . . . . .
9.8 Transformaes e Previses . . . . . . . . . . . . . . . . . . . . . . .
9.9 Resumo de Previses para alguns Modelos ARIMA . . . . . . . . . .
9.9.1 AR(1): Zt = (Zt1 ) + at . . . . . . . . . . . . . . .
9.9.2 MA(1): Zt = + at at1 . . . . . . . . . . . . . . . . . . .
9.9.3 IMA(1,1) com termo constante: Zt = Zt1 + 0 + at at1
9.9.4 IMA(2,2): Zt = 2Zt1 Zt2 + 0 + at 1 at1 2 at2 . .
9.10 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
61
61
61
62
62
63
64
64
65
65
66
66
66
67
67
67
68
68
69
69
70
70
70
70
10 Modelos Sazonais
10.1 Sazonalidade Determinstica . . . . . .
10.2 Identificao . . . . . . . . . . . . . . .
10.3 Estimao . . . . . . . . . . . . . . . .
10.4 Previso . . . . . . . . . . . . . . . . .
10.5 Sazonalidade Estocstica . . . . . . . .
10.6 Identificao, Estimao e Verificao
10.7 Exemplos de Modelos Sazonais . . . .
10.7.1 Exemplo 1 . . . . . . . . . . . .
10.7.2 Exemplo 2 . . . . . . . . . . . .
10.7.3 Exemplo 3 . . . . . . . . . . . .
10.7.4 Exemplo 4 . . . . . . . . . . . .
10.7.5 Exemplo 5 . . . . . . . . . . . .
10.7.6 Exemplo 6 . . . . . . . . . . . .
10.7.7 Exemplo 7 . . . . . . . . . . . .
10.7.8 Exemplo 8 . . . . . . . . . . . .
10.8 Exerccios . . . . . . . . . . . . . . . .
72
72
73
73
73
74
74
75
75
75
75
75
76
76
76
77
77
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
A Esperana Condicional
79
B Predio de Erro Quadrtico Mdio Mnimo
80
Captulo 1
Introduo
Uma srie temporal qualquer conjunto de observaes ordenadas no tempo. Alguns
exemplos so citados abaixo:
a) Estimativas trimestrais do Produto Interno Bruto (PIB);
b) Valores dirios da temperatura em Presidente Prudente;
c) ndices dirios da bolsa de valores de So Paulo;
d) Quantidade anual de chuva na cidade do Recife;
e) Um registro de mars no porto de Santos.
Nos exemplos de a) a d) temos sries temporais discretas, enquanto que e)
um exemplo de srie contnua. Podemos obter uma srie temporal discreta a partir
da amostragem de uma srie temporal contnua considerando intervalos de tempos
iguais, t. Assim para analisar a srie e) ser necessrio amostr-la, convertendo-a
e observando-a no intervalo de tempo [0, T ], supondo uma srie discreta com N
T
pontos, onde N = t
(T horas).
Existem dois enfoques utilizados na anlise de sries temporais. Em ambos, o
objetivo construir modelos para estas sries. No primeiro enfoque, a anlise
feita no domnio temporal e os modelos propostos so modelos paramtricos (com
um nmero finito de parmetros). No segundo, a anlise conduzida no domnio
de frequncias e os modelos propostos so modelos no-paramtricos.
Dentre os modelos paramtricos temos, por exemplo, os modelos ARIMA, que
sero estudados neste curso nos prximos captulos.
No domnio de frequncias temos a anlise espectral, que tem inmeras aplicaes em cincias fsicas e engenharia, principalmente na engenharia eltrica, e
que consiste em decompor a srie dada em componentes de frequncias e onde a
existncia do espectro a caracterstica fundamental. Este tipo de anlise no ser
estudado nestas notas de aulas, para detalhes o aluno deve consultar Jenkins e
Watts (1968), Koopmans (1974), Morettin (1979), Marple (1987) e Kay (1988).
1.1
Exemplos de sries
Exemplo1: Vamos supor que desejamos medir a temperatura do ar, de um local,

durante 24 horas, poderamos obter um grfico semelhante a figura abaixo:
manoel@fct.unesp.br
CAPTULO 1. INTRODUO
Figura 1.1: Temperatura do ar, de dado local, durante 24 horas.

Cada curva do grfico chamada de trajetria ou srie temporal ou funo
amostral. No grfico acima Z (j) (t) o valor da temperatura no instante t, para
a j esima trajetria (j-simo dia de observao). Para cada t fixo, teremos os
valores de uma varivel aleatria Z(t) que ter certa distribuio de probabilidade.
Na realidade o que chamamos de srie temporal, uma parte de uma trajetria,
dentre muitas que poderiam ter sido observadas. O parmetro t pode ser funo de
algum outro parmetro fsico como por exemplo: espao e volume.
Exemplo 2:Seja
0
Z(t) = [Z1 (t), Z2 (t), Z3 (t)]
(1.1)
um vetor (r 1) e (p 1) onde as trs componentes denotam, a altura, a temperatura e a presso de um ponto no oceano, respectivamente, e t=(tempo, latitude,
longitude), ou seja, uma srie multivariada (r=3) e multidimensional (p=3).
Exemplo 3: Seja Z(t) o nmero de acidentes ocorridos em rodovias do estado
de So Paulo, por ms. Neste exemplo r=1 e p=2, com t=(ms, rodovia).
1.2
Objetivos
Dada uma srie temporal {Z(t1 ), ..., Z(tN )} , observada nos instantes t1 , ..., tN ,
podemos estar interessados em:
i) Investigar o mecanismo gerador da srie temporal;
ii) Fazer previses de valores futuros da srie; podendo ser a curto ou longo
prazo;
iii) Descrever apenas o comportamento da srie atravs de grficos;
iv) Procurar periodicidades relevantes nos dados.
Em todos estes casos podemos construir modelos probabilsticos ou estocsticos,
tanto no domnio do tempo como no domnio da freqncia, por exemplo: um sinal
aleatrio com freqncia medida em Hz. Devemos construir modelos simples e com
menor nmero de parmetros possveis.
manoel@fct.unesp.br
1.3
CAPTULO 1. INTRODUO
Estacionariedade
Uma srie temporal estacionria quando ela se desenvolve aleatoriamente, no

tempo, em torno de uma mdia constante, refletindo alguma forma de equilbrio
estvel. Entretanto, a maior parte das sries que encontramos na prtica apresenta
alguma forma de no estacionariedade. As sries econmicas apresentam em geral
tendncias lineares positivas ou negativas. Podemos ter, tambm, uma forma de
no-estacionariedade explosiva, como o crescimento de uma colnia de bactrias.
A classe dos modelos ARIMA (autoregressivos-integrados-mdias-mveis), sero
capaz de descrever de maneira satisfatria sries estacionrias e no-estacionrias,
mas que no apresentam comportamento explosivo. Este tipo de estacionariedade
chamado homogneo; a srie pode ser estacionria, flutuando ao redor de um nvel,
por um certo tempo, depois mudar de nvel e flutuar ao redor de um novo nvel e
assim por diante, ou ento mudar de inclinao, ou ambas as coisas. A figura 1.2
ilustra esta forma de no-estacionariedade.
Figura 1.2: Srie no estacionria quanto ao nvel e inclinao.

Como a maioria dos procedimentos de anlise estatstica de sries temporais
supem que estas sejam estacionrias, devemos transformar os dados originais, se
estes no formam uma srie estacionria. A transformao mais comum consiste
em tomar diferenas sucessivas da srie original, at se obter uma srie estacionria.
A primeira diferena de Zt definida por
Zt = Zt Zt1 ,
(1.2)
a segunda diferena :
2 Zt
2 Zt
2 Zt
= [Zt ] = [Zt Zt1 ]

(1.3)
= Zt Zt1
= Zt 2Zt1 + Zt2
De modo geral, a n esima diferena de Zt n Zt = n1 Zt . Em situaes

normais, ser suficiente tomar uma ou duas diferenas para que a srie se torne
estacionria.
Captulo 2
Conceitos Bsicos
Neste captulo vamos descrever os conceitos bsicos utilizados dentro da teoria dos
modelos de sries temporais. Inicialmente vamos introduzir os conceitos de processos estocsticos, mdia e funo de covarincia, processo estacionrio, e funo de
autocorrelao.
2.1
Processo Estocstico
Seja T um conjunto arbritrio. Um processo estocstico uma famlia Z = {Zt , t T }

tal que, para cada t T, Zt uma varivel aleatria (v.a.) definida num espao de
probabilidades (, A, P ) .
O conjunto T normalmente tomado como o conjunto dos inteiros Z = {0, 1, 2, ...}
ou o conjunto dos reais R. Como, para t T, Zt uma v.a. definida sobre , na
realidade Zt uma funo de dois argumentos, Z(t, ), t T, .
Figura 2.1: Um processo estocstico interpretado como uma famlia de variveis

aleatrias.
manoel@fct.unesp.br
CAPTULO 2. CONCEITOS BSICOS
Figura 2.2: Um processo estocstico interpretado como uma famlia de trajetrias.

O conjunto dos valores {Zt , t T } chamado espao dos estados, E, do processo
estocstico, e os valores de Zt so chamados estados. Onde Zt e T podem ser
discretos ou contnuos.
2.2
Especificao de um Processo Estocstico
Sejam t1 , t2 , ..., tn elementos quaisquer de T e consideremos

F (Z1 , ..., Zn ; t1 , ..., tn ) = P {Z(t1 ) 5 z1 , ..., Z (tn ) 5 zn }
(2.1)
ento, o processo estocstico Z = {Z(t), t T } estar especificado se as distribuies

finito-dimensionais de (2.1), so conhecidas para todo n = 1.
Contudo, em termos prticos, no conhecemos todas essas distribuies finitodimensionais. Estudaremos ento certas caractersticas associadas a (2.1) e que
sejam simples de calcular e interpretar.
Uma maneira de especificar o processo Z seria determinar todos os produtos dos
momentos, ou seja,
(r1 , ..., rn ; t1 , ..., tn ) = E Z r1 (t1 )...Z rn (tn)

(2.2)
Z Z
...
Z1r1 ...Znr1 f (z1 , ..., zn ; t1 , ..., tn )dz1 ...dzn
(r, t) =
onde f (Z, t) a funo de densidade e probabilidade de F (Z, t). Porm o que vai
nos interessar so os momentos de baixa ordem, ou seja, os chamados processos estacionrios de 2a ordem. Consideramos somente os momentos de primeira e segunda
ordem, que sero apresentados a seguir.
2.3
Mdias e Covarincias
Para um processo estocstico {Zt : t = 0, 1, 2, ...} a funo mdia (f.m.) definida por
= E (Zt ) , para t = 0, 1, 2, ...
(2.3)
e a funo de autocovarincia (facv ) como
8
manoel@fct.unesp.br
t,s = Cov(Zt , Zs ) = E [(Zt t ) (Zs s )] para t, s = 0, 1, 2, ...
(2.4)
onde E [(Zt t ) (Zs s )] = E (Zt Zs ) t s .

A funo de autocorrelao (fac) dada por
t,s
t,s = Corr(Zt , Zs ) =
t,t . s,s
(2.5)
onde t,s = Cov(Zt , Zs ), t,t = V ar(Zt ) e s,s = var(Zs ).
2.3.1
Propriedades da Esperana
E1. Se h (x) uma funo tal que
E [h (x)] =
|h (x)| f (x) dx < ento
h (x) f (x) dx
R R
E2. Se X e Y tem fdp conjunta f (x, y) e

E [h(X, Y )] =
|h (x, y)| f (x, y) dx < , ento
h(x, y)f (x, y)dxdy
E3. Como um corolrio para E2 ns temos o importante resultado

E (aX + bY + c) = aE (X) + bE (Y ) + c
E4. Temos tambm que
E (XY ) =
xyf (x, y)dxdy.
Temos ainda que, a varincia da varivel aleatria X definida como 2X = V ar (X) =

2
E [X E(X)] .
2.3.2
Propriedades da Varincia
V1. V ar(X) = 0.
V2. V ar(a + bX) = b2 V ar(X).
V3. Se X e Y so independentes, ento
p V ar (X +
pY ) = V ar(X) + V ar(Y ).
V4. V ar(X) = E(X 2 ) [E(X)]2 e V ar (X) = 2X = X (desvio-padro de
X).
2.3.3
Propriedades da Covarincia
CV1. Se X e Y so independentes, ento Cov(X, Y ) = 0.

CV2. Cov (a + bX, c + dY ) = bd.Cov(X, Y ).
CV3. Cov(X, Y ) = E(X, Y ) E(X)E(Y ).
CV4. V ar (X + Y ) = V ar(X) + V ar(Y ) + 2Cov(X, Y ).
CV5. Cov(X + Y, Z) = Cov(X, Z) + Cov(Y, Z).
CV6. Cov(X, X) = V ar(X).
CV7. Cov(X, Y ) = Cov(Y, X).
manoel@fct.unesp.br
2.3.4
Propriedades da Correlao
CR1. 1 5 Corr 5 1.
CR2. Corr (a + bX, c + dY ) = sin al (bd) Corr(X, Y ) onde
1 se bd > 0
0 se bd = 0
sin al (bd) =
1 se bd < 0
Y Y
X
CR3. Corr(X, Y ) = Cov X
.
X , Y
CR4. Corr(X, Y ) = 1 se e somente se existem constantes a e b tal que
P (Y = a + bX) = 1.
2.3.5
Outras Propriedades Importantes
i) t,t = V ar(Zt ), t,t = 1

ii) t,s = s,t0 , t,s = s,t
iii) t,s 5 t,t s,s , t,s 5 1, ou 1 5 t,s 5 1.

Na correlao podemos verificar que valores prximos de 1 indicam forte dependncia (linear) e valores prximos de 0 indicam fraca dependncia (linear). Se
t,s = 0, Zt e Zs so no-correlacionadas. Agora se Zt e Zs so independentes,
ento t,s = 0.
Para analisar as propriedades da covarincia de vrios modelos de sries temporais, o seguinte resultado ser utilizado: se c1 , c2 , ..., cm e d1 , d2 , ..., dn so constantes
e t1 , t2 , ..., tm e s1 , s2 , ..., sn so pontos no tempo, ento
m
n
m X
n
X
X
X
Cov
ci Z(ti ),
dj Z(sj ) =
ci dj Cov [Z(ti ), Z(sj )]
(2.6)
i=1
j=1
i=1 j=1
podemos dizer que, a covarincia entre duas combinaes lineares a soma de

todas as covarincias entre termos de suas combinaes lineares. Esta expresso
pode ser verificada utilizando as propriedades de esperana e covarincia. Como
caso especial, podemos obter o seguinte resultado
V ar
" n
X
i=1
2.4
2.4.1
ci Z(ti ) =
n
X
c2i V ar [Z(ti )] + 2
i=1
n X
i1
X
ci cj Cov [Z(ti ), Z(tj )]
(2.7)
i=2 j=1
Exemplos
Exemplo 1: O passeio aleatrio
Seja a1 , a2 , ... variveis aleatrias independentes, identicamentes distribudas, cada

uma com mdia 0 e varincia 2a . A srie temporal, Zt , construda da seguinte
maneira:
Z1
Z2
Zt
= a1
= a1 + a2
..
.
= a1 + a2 + ... + at
ou
10
(2.8)
manoel@fct.unesp.br
Zt = Zt1 + at
(2.9)
Obtendo a funo mdia de (2.8) temos:

t
= E(Zt ) = E (a1 + a2 + ... + at )

= E (a1 ) + E (a2 ) + ... + E (at )
= 0 + 0 + ... + 0 = 0
como E (at ) = 0, ns temos:

t = 0 p/ todo t
e tambm
V ar (Zt ) = V ar (a1 + a2 + ... + at )
= V ar (a1 ) + V ar (a2 ) + ... + V ar (at )
= 2a + 2a + ... + 2a = t 2a
ou
V ar (Zt ) = t 2a
Observe que a varincia do processo cresce linearmente com o tempo. Suponha
agora que 1 5 t 5 s, teremos ento
t,s
=
=
=
=
Cov(Zt , Zs )
Cov (a1 + a2 + ... + at , a1 + a2 + ... + as )
Cov (a1 , a1 ) + Cov (a2 , a2 ) + ... + Cov (at , at )
2a + 2a + ... + 2a = t 2a
onde
Cov (at , as ) = 0 para t 6= s
temos ento que a facv dada por
t,s = t 2a , para 1 5 t 5 s
e a fac dada por
t,s =
t
s,
para 1 5 t 5 s
O passeio aleatrio um exemplo simples que representa diversos fenmenos

como o movimento comum de preos e ttulos e tambm a posio de pequenas
partculas suspensas dentro de um fludo, chamado movimento Browniano.
11
manoel@fct.unesp.br
2.4.2
Exemplo 2: (Mdia-Mvel de ordem 1)
Suponha
Zt = at 0.5at1
onde at so v.a.i.i.d. com mdia zero e varincia 2a .

t
= E (Zt )
= E (at ) 0.5E (at1 ) = 0
e
V ar(Zt ) = V ar (at 0.5at1 )
= 2a + 0.52 2a = 1.25 2a .
Tambm
Cov (Zt , Zt1 ) = Cov (at 0.5at1 , at1 0.5at2 )
= 0.5Cov (at1 , at1 )
ou
t,t1 = 0.5 2a
Alm disso
Cov (Zt , Ztk ) = 0 para k = 2
ento podemos concluir que
t,s =
0.5 2a se |t s| = 1
0 se |t s| > 1
Para t,s temos

t,s =
2.5
0.4 se |t s| = 1
0 se |t s| > 1
Estacionariedade para um Processo Estocstico
A estacionariedade a suposio mais importante para um processo estocstico,

com relao ao estudo que faremos. A idia bsica de estacionariedade que as
leis de probabilidade que atuam no processo no mudam com o tempo, isto , o
processo mantm o equilbrio estatstico.
Especificamente um processo estocstico Z(t) considerado estritamente estacionrio se a distribuio conjunta de Z(t1 ), Z (t2 ) , ..., Z (tn ) a mesma distribuio
conjunta de Z(t1 k), Z (t2 k) , ..., Z (tn k) , para todos os tempos t1 , t2 , ..., tn e
para todos os lags(posies) k (constante).
Quando n = 1, a distribuio de Zt igual a distribuio de Ztk para qualquer
k, ou seja, se os Z 0 s so identicamente distribudos, E (Zt ) = E (Ztk ), para todo t
e k, e as funes mdia, t , e varincia V ar (Zt ) = V ar (Ztk ) so constantes para
todo tempo t.
12
manoel@fct.unesp.br
Quando n = 2, a distribuio de (Zt , Zs ) a mesma de (Ztk , Zsk ) , do qual

temos Cov (Zt , Zs ) = Cov (Ztk , Zsk ) para todo t, s e k.
Fazendo k = s temos:
t,s
= Cov (Zt , Zs ) = Cov (Ztk , Zsk )

= Cov(Zts , Zss ) = Cov(Zts , Z0 )
= ts,0
t,s
= Cov (Ztt , Zst ) = Cov (Z0 , Zst )

= Cov (Z0 , Zts )
= 0,st
e agora k = t
da podemos concluir que

t,s = 0,|ts| , onde |t s| =
t s p/ t > s
s t p/ s > t
A covarincia entre Zt e Zs depende somente da diferena temporal |t s| e

no dos tempos t e s. Alem disso, para um processo estacionrio simplificando a
notao temos
k
k
= Cov (Zt , Ztk ) e
(2.10)
= Corr (Zt , Ztk ) = k

0
As propriedades gerais para um processo estacinrio so:

i) 0 = V ar (Zt ) , 0 = 1
ii) k = k , k = k
iii) | k | 5 0 , |k | 5 1.
(2.11)
Se um processo estritamente estacionrio e tem varincia finita, ento a facv

depende somente de um certo lag k.
Uma definio que semelhante a estritamente estacionria mas matematicamente mais fraca, a seguinte: um processo estoctico Zt dito ser fracamente (ou
de segunda-ordem) estacionrio se:
i) a funo mdia constante p/ todo tempo t,
ii) t,tk = 0,k p/ todo tempo t e de lag k.
2.5.1
Rudo Branco
Um importante exemplo de processo estacionrio o rudo branco, o qual definido

como uma seqncia de variveis aleatrias independente, identicamente distribudas {at }. Muitos processos podem ser construdos a partir do rudo branco. Pode-se
verificar facilmente que a seqncia {at } estritamente estacionria
P [a (t1 ) 5 x1 , a (t2 ) 5 x2 , ..., a (tn ) 5 xn ]
= P [a (t1 ) 5 x1 ] P [a (t2 ) 5 x2 ] ...P [a (tn ) 5 xn ]
13
manoel@fct.unesp.br
so variveis aleatrias independentes

= P [a (t1 k) 5 x1 ] P [a (t2 k) 5 x2 ] ...P [a (tn k) 5 xn ]
identicamente distribudas
= P [a (t1 k) 5 x1 , a (t2 k) 5 x2 , ..., a (tn k) 5 xn ].
Temos tambm que t = E (at ) constante com facv dada por
V ar(at ) se t = s
t,s =
0 se t 6= s
e fac dada por
k =
1 para k = 0
0 para k 6= 0
O termo rudo branco resulta do fato que em uma anlise de freqncia do modelo, podemos mostrar que todas as freqncias so iguais. Geralmente assumimos
que o rudo branco tem mdia zero e varincia 2a .
2.6
A Funo de Autocorrelao Amostral
Considere uma sequncia de valores Z1 , Z2 , ..., Zt . Assumindo que esta srie seja
estacionria, vamos estimar a funo de autocorrelao k (fac) para k = 1, 2, ..., N
1. O caminho mais indicado calcular as correlaes amostrais entre os pares
(Z1 , Zk+1 ) , (Z2 , Zk+2 ) , ..., (Ztk , Zt ). A fac amostral rk definida como:
rk =
onde
ck =
ento
ck
, k = 0, 1, 2, ..., N 1
c0
N k
1 X
Zt Z Zt+k Z , k = 0, 1, ..., N 1.
N t=1
b
k = rk =
Nk
P
t=1
Zt Z
Zt+k Z
n
2
P
Zt Z
, k = 0, 1, ..., N 1.
t=1
sendo Z a mdia amostral, temos ainda que ck = ck e rk = rk .O grfico de rk k

chamado de correlograma.
2.7
Exerccios
1) Suponha E (X) = 2, V ar (X) = 9, E (Y ) = 0, V ar (Y ) = 4, e Corr(X, Y ) = 1/4.

Encontre:
a) V ar(X + Y )
b) Cov(X, X + Y )
c) Corr(X + Y, X Y )
2) Se X e Y so dependentes mas V ar (X) = V ar (Y ) , encontre Cov (X + Y, X Y ) .
3) Seja X uma varivel aleatria com mdia e varincia 2 , e seja Zt = X
para todo t.
a) Mostrar que Zt estritamente e fracamente estacionria.
14
manoel@fct.unesp.br
b) Encontre a funo de autocovarincia de Zt .

c) Fazer o grfico de Zt em funo de t.
4) Mostre que a funo de autocorrelao do exemplo 1 :
r
t
t,s =
, para 1 5 t 5 s
s
5) Seja {at } um rudo branco com mdia zero. Encontre a funo de autocorrelao para os seguintes processos:
a) Zt = at + 1/3at1 .
b) Zt = at + 2at1 + 0.5.
6) Suponha Zt = 5 + 2t + Xt , onde Xt uma srie estacionria com mdia zero
e facv k . Encontre:
a) A funo mdia para Zt .
b) A facv para Zt .
c) Zt uma srie estacionria?
7) Suponha Zt uma srie estacionria com funo de autocovarincia k .
a) Mostrar que Wt = Zt = Zt Zt1 estacionria e encontre a mdia e a
facv para Wt .
b) Mostrar que Ut = Wt = 2 Zt estacionria (no precisa encontrar necessariamente a facv).
8) Seja Xt uma srie estacionria com X = 0, 2 = 1 e k = (mdia, varincia
e fac, respectivamente). Suponha que t e t > 0, funes no-constantes. A srie
observada formada como:
Zt = t + t Xt
Para a srie Zt determine: a) A mdia, a varincia e a facv.
b) Mostrar que a fac de Zt depende somente de um lag k. Zt estacionria?
9) Suponha Cov (Xt , Xtk ) = k que no depende de t, mas E (Xt ) = 3t.
a) Xt estacionria?
b) Seja Zt = 7 3t + Xt . Zt estacionria?
10) Suponha Zt = A + Xt , onde Xt estacionria e A uma varivel aleatria,
com mdia A e varincia 2A , mas independente de Xt . Encontre:
a) A mdia de Zt , em termos das mdias de A e Xt .
b) A fac de Zt , em termos da varincia de A e facv de Xt .
11) Suponha Zt = 0 + 1 t + Xt onde Xt estacionria.
a) Mostrar que Zt no estacionria, mas Zt estacionria.
b) Generalizando, mostrar que se Zt = t + Xt no-estacionria, onde t um
polinmio em t de grau d, ento m Zt estacionria para m = d e no estacionria
para 0 5 m < d.
n
P
12) Seja Zt uma srie estacionria com facv k . Seja Z = n1
Zt
t=1
Mostrar que

=
V ar Z
=
|k|
1
k
n
k=n+1
n1
0
k
2X
1
+
k
n
n
n
1
n
n1
X
k=1
13) Calcular a mdia e a facv para cada um dos seguintes processos. Dentro de
cada caso determine se o processo estacionrio.
a) Zt = 0 + tat .
b) Wt = Zt , onde Zt definido como em a)
c) Zt = at .at1 .
15
manoel@fct.unesp.br
14) Considere a srie temporal abaixo:

ANO Produto Interno Bruto
1964 27.614
1965 44.073
1966 63.746
1967 86.171
1968 122.430
1969 161.900
1970 208.300
1971 276.807
1972 363.167
1973 498.307
1974 719.519
Dados em milhes de Cruzeiros.
FONTE: Boletim do Banco do Brasil, dezembro de 1976
a) Faa o grfico da srie; ela estacionria?
b) Obtenha a primeira diferena da srie e faa o grfico correspondente; a
diferena estacionria?
c) Mesmas questes de b) para a segunda diferena.
15) Considere a srie abaixo:
Exportao de suco concentrado de laranja
ANO 1970 1971 1972 1973 1974 1975
Valor 15
35
41
64
60
82
ANO 1976 1977 1978 1979 1980
Valor 101
177
333
432
460
Dados em US$ 1.000.000
FONTE: Revista Veja, no 468, Fev. de 1981.
a) A srie estacionria? Tem tendncia?
b) Considere a diferena Zt ; estacionria?
c) Tome agora log Zt ; a srie estacionria?
d) Investigue se a srie log Zt estacionria ou no.
16
Captulo 3
Modelos de Decomposio
Nas sries temporais, em geral, a funo mdia totalmente aleatria em funo do
tempo, e ns vimos que numa srie estacionria a funo mdia constante para
todo o tempo. Frequentemente ns precisamos modelar sries que exibem comportamentos com alguma tendncia. Neste captulo apresentaremos alguns mtodos de
modelagem para tendncias determinsticas e estocsticas.
3.1
Modelo com Mdia constante
Considere o modelo
Zt = + Xt
(3.1)
onde E (Xt ) = 0 para todo t. Desejamos estimar utilizando a srie Z1 , Z2 , ..., Zn .

A estimativa mais comum de a mdia amostral:
n
b=Z=
1X
Zt
n t=1
(3.2)

O
b um estimador no-viciado de , ou seja, E Z = . Para analisar a
preciso de Z como estimativa de , devemos fazer algumas suposies sobre Xt .
Vamos supor {Xt } uma srie estacionria com fac k . Ento a mesma fac aplica-se
a {Zt }, ou seja, se {Zt } estacionria ento:

V ar Z
=

=
V ar Z
|k|
1
k
n
k=n+1
"
#
n1
X
0
k
1
1+2
k .
n
n
0
n
n1
X
(3.3)
k=1

Se a srie {Xt } um rudo branco, ento k = 0 para k = 1 e V ar Z = n0 =
2
n . Para muitos processos estacionrios, a fac decai rapidamente quando o k cresce,
alm disso
k=0
Com exceo da varivel
k < .
17
(3.4)
manoel@fct.unesp.br
CAPTULO 3. MODELOS DE DECOMPOSIO
t
Zt = cos 2
+ , t = 0, 1, 2, ...
12
onde U [0, 1] . Sobre a suposio (3.4) acima e dado que o tamanho da amostra
n grande, temos a seguinte aproximao para (3.3)
X
k , para n grande.
V ar Z 0
n
(3.5)
k=
Note que a varincia inversamente proporcional ao tamanho da amostra n.
3.2
Mtodo de Regresso
O mtodo clssico de anlise de regresso pode ser utilizado para estimar os parmetros do modelo assim como suas tendncias. Ns vamos considerar precisamente as
tendncias: linear, quadrtica, sazonais e cosseno.
3.2.1
Tendncia Linear
Considere o modelo com tendncia determinstica linear

Zt = 0 + 1 t + Xt
(3.6)
onde 0 e 1 so o intercepto e a inclinao, respectivamente, e os parmetros

desconhecidos. O mtodo clssico de minmos quadrados (ou regresso) utilizado
para estimar os parmentros 0 e 1 , que minimizam
Q ( 0 , 1 ) =
n
X
t=1
(Zt 0 1 t) .
(3.7)
A soluo pode ser obtida calculando as derivadas parciais com relao a 0 e 1

igualando-as a zero, encontrando as equaes normais
N 0 + 1
0
n
X
t=1
t + 1
n
X
t =
t=1
n
X
t2
t=1
n
X
t=1
n
X
Zt
(3.8)
tZt .
t=1
Da encontraremos os seguintes estimadores de minmos quadrados:

b
b t
= Z
1
n
X Zt Z t t
=
n
2
P
t=1
tt
(3.9)
t=1
onde t = (n + 1) /2, t = 1, 2, ..., n. Uma forma matricial de representar o problema

seria:
Z = Y + X
onde
18
(3.10)
manoel@fct.unesp.br
Z1
Z = ... , Y =
Zt
1
1
..
.
1
2
..
.
1 t
com t = 1, 2, ..., n.
e X =
, =
1
X1
..
.
Xt
(3.11)
teremos ento o seguinte estimador de minmos quadrados
3.2.2
b = YT Y 1 YT Z.
(3.12)
Tendncia Ciclca ou Sazonal
Vamos considerar o seguinte modelo para a tendncia sazonal

Zt = t + Xt
(3.13)
onde t = t+12 , e E (Xt ) = 0 para todo t. A suposio mais geral para t que
temos 12 constantes (parmetros) 1 , 2 , ..., 12 , que poderemos escrever como:
1 , para t = 1, 13, 25, ...
2 , para t = 2, 14, 26, ...

(3.14)
t =
..
12 , para t = 12, 24, 36, ...

Sendo este o modelo de mdias sazonais.
3.2.3
Tendncia Cosseno
O modelo de mdias sazonais contm 12 parmetros independentes, mas algumas

vezes no adequado para estimar tendncias sazonais quando, por exemplo, alguns
meses do ano so semelhantes. Em alguns casos a tendncia sazonal pode ser modelada economicamente com curvas cossenos que incorpora uma esperada, e suave,
mundana de tempos em tempos entretanto preservando a sazonalidade.
Considere a curva cosseno
t = cos (2f t + )
onde a amplitude, f a freqncia, e a fase da curva. Como t varia, a curva
oscila entre um mximo de e um minmo de . Desde que a curva se repete,
extamente a cada 1/f unidade de tempos, 1/f o perodo. Para dados mensais, a
1
mais importante freqncia f = 12
, na qual a curva cosseno se repetir a cada 12
meses.
3.3
Sazonalidade
Nesta seo ser ajustada uma srie para a componente sazonal, ou seja, estima-se
a srie e subtrai-se de Zt no modelo. A seguir tem-se um modelo com tendncia e
sazonalidade
Zt = Tt + St + at , t = 1, ..., N.
(3.15)
Um procedimeto de ajuste sazonal consiste:
a) Obter estimativas Sbt de St .
19
manoel@fct.unesp.br
Tabela 3.1: Observaes

Anos
Jan
1
1
Z11
2
Z21
..
..
.
.
p
Mdias
mensais de uma srie temporal com p annos

Fev Mar Dez Mdias
2
3
12
Z12 Z13
Z112 Z 1.
Z22 Z23
Z212 Z 2.
..
..
.
..
..
. ..
.
.
.
Zp1
Z .1
Zp2
Z .2
Zp3
Z .3
Zp12
Z .12
Z p.
Z
b) Calcular
ZtSA = Zt Sbt
(3.16)
Zt = Tt St at
(3.17)
ZtSA = Zt /Sbt
(3.18)
Se o modelo for multiplicativo, da forma
a srie sazonalmente ajustada ser
O modelo (3) geralmente adequado para sries econmicas, que apresentam um

crescimento exponencial. Estimando St comete-se um erro de ajustamento sazonal,
dado por:
t = St Sbt

o procedimento de ajustamento sazonal timo se minimizar E 2t .
Sem perda de generalidade considere o caso que tem-se dados mensais e o nmero
total de observaes, N, mltiplo de 12, isto , N = 12p, p = nmero de anos, de
modo que os dados podem ser representados como na tabela 3. Considere o modelo
abaixo
Zij = Tij + Sj + aij , i = 1, ..., p; j = 1, ..., 12.
neste modelo a sazonalidade considerada constante. Para sazonalidade noconstante, ou seja, o padro sazonal muda de ano para ano, deve-se considerar
o modelo
Zij = Tij + Sij + aij , i = 1, ..., p; j = 1, ..., 12.
A notao da tabela 3. padro com:
12
Z i. =
1 X
Zij , i = 1, ..., p.
12 j=1
Z .j =
1X
Zij , j = 1, ..., 12.
p j=1
p 12
N
1 XX
1 X
Z=
Zij =
Zt
12p j=1 j=1
N t=1
20
manoel@fct.unesp.br
3.3.1
Sazonalidade determinstica - mtodo de regresso
Os mtodos de regresso so timos para sries que apresentam sazonalidade determinstica, ou seja, esta pode ser prevista perfeitamente a partir de meses anteriores.
Ento, no modelo 3. tem-se que
m
X
Tt =
j tj ;
j=0
St =
j djt
onde djt so variveis peridicas e at rudo branco, com mdia zero e varincia
2a .
Supondo a sazonalidade constante, j no depende de T. Pode-se ter, por exemplo,
1, se o perodo t corresponde ao ms j, j = 1, ..., 12.

djt =
0, caso contrrio.
Neste caso,
d1t + d2t + ... + d12,t = 1, t = 1, ..., N.
de modo que a matriz de regresso no de posto completo, mas de posto m + 12
(temos m + 13 parmetros). Impondo-se a restrio adicional:
12
X
j = 0
j=1
obtm-se um modelo de posto completo:

Zt =
m
X
j tj +
j=0
11
X
j Djt + at
j=1
onde agora
Djt =
1, se o perodo t corresponde ao ms j,
1, se o perodo t corresponde ao ms 12
0, caso contrrio.
Utilizando o mtodo de mnimos quadrados pode-se obter os estimadores de j

e j , ou seja, a partir de uma amostra Z1 , ..., ZN obtm-se o modelo matricial:
Z = C + D + a
onde
Z =
D =
Z1
.. , C =
ZN
1
1
..
.
1
2
..
.
1 N
D11
D21
..
.
D12
D22
..
.
..
.
DN 1
DN 2
DN,11
D1,11
D2,11
..
.
..
.
1
2m
..
.
Nm
, =
21
(3.19)
, =
1
2
..
.
11
0
1
..
.
m
, a =
a1
a2
..
.
aN
manoel@fct.unesp.br
A equao (3.) pode ser escrita na forma:

Z = X + a
onde
X = [C : D] e =
de modo que:
h 0 i1 0
b= XX
XZ
so os estimadores de mnimos quadrados.
3.4
Anlise Residual
Podemos notar que, o componente estocstico no observado {Xt } pode ser estimado, ou predito, por
bt = Zt
X
bt
Predito um termo realmente melhor. Ns utilizamos o termo estimativa para um

parmetro desconhecido, e o termo predito para uma estimativa de uma varivel
bt o t esima estimativa residual. Se
aleatria no observada. Ns chamamos X
a tendncia do modelo rasoavelmente correta, ento os resduos comportam-se
mais ou menos igual ao verdadeiro componente estocstico, e vrias suposies sobre o componente estocstico podem ser confirmadas observando os resduos. Se o
componente estocstico rudo branco, ento os resduos comportam-se semelhante
a variveis aleatrias independentes (normal) com mdia zero e desvio padro S.
Desde que o ajuste de mnimos quadrados de alguma tendncia contenha um termo
constante, automaticamente podemos produzir resduos com mdia zero, se considbt /S, e ser possvel checar a independncia e a
erarmos os resduos padronizado X
normalidade.
3.5
Exerccios
1) Verifique as equaes (3.9) para as estimativas de minmos quadrados quando

Zt = 0 + 1 t + Xt .
2) Suponha Zt = + at at1 . Encontre a V ar(Z) onde
n
Z=
1X
Zt
n t=1
3) Suponha Zt = + Zt1 + at . Verifique que
1 + 0
V ar(Z)
1
n
22
Captulo 4
Modelos de Suavizao
Exponencial
A anlise de regresso teve durante muito tempo razovel aceitao como mtodo de
ajustar modelos auto-regressivos, com o objetivo de calcular previses de srie temporais. Entretanto, quando o nmero de observaes muito pequeno, tal anlise
no apropriada, pois a hiptese bsica de independncia dos resduos quase sempre violada, produzindo estimadores inconsistentes, nos impossibilitando de testar
hipteses e estabelecer intervalos de confiana para os parmetros (Morettin e Toloi,
1985).
4.1
Modelos para sries localmente constantes
Considere o caso da srie temporal Z1 , ..., ZN , localmente composta de seu nvel

mais um rudo aleatrio,
Zt = t + at , t = 1, ..., N.
onde E (at ) = 0, V ar(at ) = 2a e t um parmetro desconhecido, que pode vriar
lentamente com o tempo.
4.1.1
Mdias Mveis Simples (MMS)
Procedimento - A tcnica de mdia mvel consiste em calcular a mdia aritmtica

das r observaes mais recentes, isto ,
Mt =
Zt + Zt1 + ... + Ztr+1

r
ou
Zt Ztr
r
Sendo assim, Mt uma estimativa do nvel t que no leva em conta as observaes mais antigas, o que razovel devido ao fato do parmetro variar suavemente
com o tempo.
Determinao de r - Um valor grande de r faz com que a previso acompanhe
lentamente as mudanas do parmetro ; um valor pequeno implica numa reao
mais rpida.
Casos Extremos - i) Se r = 1, ento o valor mais recente da srie utilizado
como previso de todos valores futuros; ii) Se r = N , ento a previso ser igual a
Mt = Mt1 +
23
manoel@fct.unesp.br
CAPTULO 4. MODELOS DE SUAVIZAO EXPONENCIAL
mdia aritmtica de todos os dados observados. Este caso s indicado quando a

srie altamente aleatria.
Assim, o valor de r deve ser proporcional aleatoriedade de at . Deveria-se
escolher o valor de r de tal maneira que a previso tivesse o menor EQMMP (erro
quadrtico mdio mnimo de previso).
Vantagens - i) Simples aplicao; ii) Para nmero pequeno de observaes; iii)
Permite uma flexibilidade grande devido variao de r de acordo com o padro
da srie.
Desvantagens - i) Somente para prever sries estacionrias, pois os pesos
atribudos s r observaes so todos iguais; ii) Necessidade de armazenar pelo
menos (r 1) observaes; e iii) dificuldade em determinar o valor de r.
Na prtica, o mtodo MMS no utilizado frequentemente, pois o mtodo AES
possui as vantagens anteriores e mais algumas.
4.1.2
Suavizao Exponencial Simples (SES)
Procedimento
A SES pode ser descrita matematicamente por:
Zt
Zt
= Zt + (1 ) Z t1 , Z 0 = Z1 , t = 1, ..., N.
t1
X
=
(1 )k Ztk + (1 )t Z 0 , t = 1, ..., N.
(4.1)
(4.2)
k=0
onde Z t denominado valor exponencialmente suavizado e a cte de suavizao,

0 6 6 1. A equao (3.) pode ser obtida de
Mt = Mt1 +
substituindo Ztr por Z t1 e
1
r
Zt Ztr
r
por . Fazendo a expanso de (3.) temos que

2
Z t = Zt + (1 ) Zt1 + (1 ) Zt2 + ...

significa que o SES uma mdia ponderada que d pesos maiores s observaes
mais recentes, eliminando uma das desvantagens do mtodo de MMS.
Determinao da cte
Quanto menor for o valor mais estveis sero as previses finais, uma vez que
a utilizao de baixo valor de implica que pesos maiores so dados s observaes
passadas e, consequentemente, qualquer flutuao aletria, no presente, exercer
um peso menor no clculo da previso. Quanto mais aleatria a srie estudada,
menores sero os valores da cte de suavizao. O efeito de grande ou pequeno
completamente anlago (em direo oposta) ao efeito do parmetro r no mtodo
MMS.
Vantagens - i) fcil entendimento; ii) aplicao no dispendiosa; iii) grande
flexibilidade permitida pela variao da cte de suavizao ; iv) necessidade de
2
armazenar Zt , Z t e ; v) o valor de = r1
fornece previses semelhantes ao
mtodo MMS com parmetro r.
A principal desvantagem a dificuldade em determinar o valor mais apropriado
da cte de suavizao, que pode ser superada atravs da utilizao da suavizao
exponencial adaptativo de Trigg e Leach (Moretti e Toloi, 1985).
24
manoel@fct.unesp.br
4.2
Modelos para sries que apresentam Tendncia
As tcnicas apresentadas anteriormente no so adequadas para analisar sries temporais que apresentem tendncia. Considere ento a srie temporal no sazonal
Zt = t + Tt + at , t = 1, ..., N
onde t o nvel, Tt a tendncai e at o rudo branco com mdia zero e varincia
constante.
4.2.1
Suavizao Exponencial Biparamtrica de Holt (SEH)
Procedimento
O mtodo SES quando aplicado a uma srie que apresenta tendncia linear
positiva (ou negativa), fornece previses que subestimam continuamente os valores
reais. Para evitar esse erro sistemtico, um dos mtodos aplicveis o SEH. Esse
mtodo similar, em princpio, ao SES, a diferena que ao invs de suavizar s o
nvel, ele utiliza uma nova constante de alisamento para modelar a tendncia da
srie.
Os valores do nvel e da tendncia da srie, no instante t, sero estimados por
Z t = AZt + (1 A) Z t1 + Tbt1 , 0 < A < 1 e t = 2, ..., N

(4.3)
(4.4)
Tbt = C Z t Z t1 + (1 C) Tbt1 , 0 < C < 1 e t = 2, ..., N
as constantes A e C so denominadas ctes de suavizao.

Determinao das Constantes
O procedimento anlogo ao de determinao da constante de suavizao de um
SES, s que ao invs de escolher o valor de que torna a soma de EQMP mnimo,
escolhe-se o valor do vetor (A,C) tal que isto ocorra (Morettin e Toloi, 1985).
Vantagens e Desvantagens - As vantagens so semelhantes s do mtodo
anterior. A desvantagem principal dificuldade em determinar os valores mais
apropriados das ctes de suavizao, A e C.
4.3
Modelos para sries sazonais
Para sries sazonais que apresentam um padro de comportamento mais complexo,

existem outras formas de suavizao tais como os mtodos de Holt-Winters e o
mtodo de suavizao exponencial geral.
4.3.1
Suavizao Exponencial Sazonal de Holt-Winters (HW)
Procedimeto
Existem dois tipos de procedimento cuja utilizao depende das caractersticas
da srie considerada. Tais procedimentos so baseados em trs equaes com constantes de suavizao diferentes, que so associadas a cada uma das componentes
do padro da srie: nvel, tendncia e sazonalidade.
Considere ento a srie sazonal com tendncia aditiva
Zt = t + Tt + St + at , t = 1, ..., N
onde t o nvel, Tt a tendnca, St a sazonalidade e at o rudo branco com
mdia zero e varincia constante. As estimativas do fator sazonal, nvel e tendncia
25
manoel@fct.unesp.br
da srie so dados por:
Sbt = D Zt Z t + (1 D) Sbts , 0 < D < 1
Z t = A Zt Sbts + (1 A) Z t1 + Sbt1 , 0 < A < 1
Tbt = C Z t Z t1 + (1 C) Tbt1 , 0 < C < 1.
respectivamente A, C e D so as constantes de suavizao. Existem tambm a srie

sazonal multiplicativa.
Vantagens e Desvantagens - As vantagens so semelhantes s da utilizao
do mtodo de Holt, sendo que os mtodos de HW so adequados anlise de srie
com padro de comportamento mais geral. As desvantagens so as dificuldades em
determinar os valores mais apropriados das constantes de suavizao e a impossibilidade e/ou dificuldade de estudar as propriedades estatsticas, tais como mdia
e varincia de previso e, consequentemente, construo de um intervalo de confiana. Um procedimento alternativo que no possui tais desvantagens a Suavizao
Exponencial Geral de Brown.
As contantes de suavizao (A,C,D) devem ser determinadas de tal forma que
a soma de quadrado dos erros de suavizao seja mnima.
Para maiores detalhes, principalmente sobre previso, consultar Morettin e Toloi
(2004) e outros autores l citados.
26
Captulo 5
Modelos de Box-Jenkins para

Sries Estacionrias
Apresentaremos neste captulo os principais modelos de Box-Jenkins para estimao
e previso de sries temporais. Sendo estes modelos pertencentes a famlia dos
autoregressivos-mdias-mveis (ARMA), subdividindo em dois outros modelos: o
autoregressivo (AR) e mdias-mveis (MA).
5.1
Processo Linear Geral
Seja Zt uma srie temporal observada, at o rudo branco, ou seja, uma seqncia
de variveis aleatrias independentes identicamente distribudas, com E (at ) = 0, e
varincia 2a para todo t. Podemos representar um modelo linear geral como uma
combinao linear ponderada, do termo atual, mais os termos passados do rudo
branco:
Zt = at + 1 at1 + 2 at2 + ...
(5.1)
onde
X
i=1
2i <
e o coeficiente de at igual a 1, sem perda de generalidade, ou seja, 0 = 1.

Um caso importante quando os 0 s so uma seqncia que decai exponencialmente, ou seja:
j = j , 1 < < 1.
Ento
Zt = at + at1 + 2 at2 + ...
Para este exemplo vamos ter:
E (Zt ) = E at + at1 + 2 at2 + ...
= E (at ) + E (at1 ) + 2 E (at2 ) + ...

= 0 (mdia constante).
e varincia
27
CAPTULO 5. MODELOS DE BOX-JENKINS PARA SRIES

manoel@fct.unesp.br
ESTACIONRIAS
V ar (Zt ) = V ar at + at1 + 2 at2 + ...
= V ar(at ) + 2 V ar(at1 ) + 4 V ar(at2 ) + ...

(desde que os a0t s sejam independentes)
= 2a 1 + 2 + 4 + ...
1
(soma de uma srie geomtrica)
= 2a
1 2
Tambm
Cov (Zt , Zt1 ) = Cov at + at1 + 2 at2 + ..., at1 + at2 + 2 at3 + ...
= Cov(at1 , at1 ) + Cov 2 at2 , at2 + ...
= 2a + 3 + 5 + ...
= 2a
1 2
Alm disso
Corr (Zt , Zt1 ) =
2a 1
2
1
2a 1
2
De maneira semelhante podemos calcular:

Cov (Zt , Ztk ) = 2a
e
k
1 2
Corr (Zt , Zt1 ) = k , k = 0, 1, 2, ...

importante observar que o processo definido desta maneira estacionrio. A
estrutura de autocovarincia depende somente do lag na posio k.
Para o processo linear geral definido em (4.1) vamos ter:
E (Zt ) = 0
k
= Cov (Zt , Ztk ) = 2a
i i+k , k = 0
i=0
com 0 = 1.
5.2
Modelo Mdias-Mveis (MA(q))
Considere a srie Zt , fazendo os 0 s = 0 s no processo linear geral e tomando a

srie como finita, chamamos de mdias-mveis de ordem q o modelo:
Zt
= at 1 at1 2 at2 ... q atq

ou abreviadamente M A(q)
(5.2)
Esta terminologia vem do fato que Zt obtido aplicando os pesos 1, 1 , 2 , ..., q ,

as variveis at , at1 , at2 , ..., atq e ento movendo os mesmos pesos 1 unidade do
tempo a frente e aplicando-lhes a at+1 , at, at1 , ..., atq+1 para obter Zt+1 .
28

manoel@fct.unesp.br
ESTACIONRIAS
5.2.1
O modelo MA(1)
Considere o seguinte modelo:

Zt = at 1 at1
onde
E (Zt ) = 0
e a varincia igual a:
0
temos ainda que a facv :

1
= V ar(Zt ) = V ar (at 1 at1 )
= 2a + 2 2a = 2a 1 + 2
= Cov (Zt , Zt1 )

= Cov (at 1 at1 , at1 1 at2 )
= Cov (at1 , at1 ) = 2a
e para k = 2 teremos
k = Cov (Zt , Ztk ) = 0
E a fac ser dada por:
k =
5.2.2
2a
2a (1+2 )
1, k = 0
= (1+
2) , k = 1
0, k = 2
O Modelo MA(q)
Considere o modelo dado em (4.2)

Zt = at 1 at1 2 at2 ... q atq
onde
E (Zt ) = 0
e a varincia
0
= V ar (Zt ) = V ar (at 1 at1 2 at2 ... q atq )
= 1 + 21 + ... + 2q 2a
a facv dada por

1
=
=
=
=
Cov (Zt , Zt1 )

Cov (at 1 at1 ... q atq , at1 1 at2 ... q atq1 )
1 2a + 1 2 2a + ... + q1 q 2a
(1 + 1 2 + ... + q1 q ) 2a , para k = 1
29

manoel@fct.unesp.br
ESTACIONRIAS
e
2 = (2 + 1 3 + ... + q2 q ) 2a , para k = 2
e para k = q + 1 vamos ter k = 0. Enquanto que a fac ser dada por
(
k +1 k+1 +...+qk q
, k = 1, ..., q
1+21 +...+ 2q
k =
0, para k > q
5.3
Modelo Autoregressivo AR(p)
Chamamos de autoregressivo de ordem p o modelo:

Zt
= 1 Zt1 + 2 Zt2 + ... + p Ztp + at

ou simplesmente AR(p)
(5.3)
onde os Zt1 , Zt2 , ..., Ztp so independentes de at . Os valores da srie Zt so

uma combinao linear dos p valores passados mais um termo at , no qual incorpora
coisas na srie at o tempo t que no explicado pelos valores passados.
5.3.1
O Modelo AR(1)

Zt = Zt1 + at
onde
E (Zt ) = 0, para todo t
e a varincia
0
= V ar (Zt ) = V ar (Zt1 + at )
= 2 V ar (Zt1 ) + 2a = 2 0 + 2a
2a
=
, || < 1.
1 2
A facv para k = 1
1
=
=
=
=
Cov (Zt , Zt1 ) = E (Zt Zt1 )

E [(Zt1 + at ) (Zt2 + at1 )]
E [Zt1 Zt2 + Zt1 at1 + at Zt2 + at at1 ]
2 E [Zt1 Zt2 ] + E [Zt1 at1 ] + E [at Zt2 ] + E [at at1 ]
onde
E (at Ztj ) = 0, j > 0
6= 0, j < 0
= 2a , j = 0
30

manoel@fct.unesp.br
ESTACIONRIAS
sendo assim temos
1
= 2 1 + 2a
=
2a
1 2
para k = 2
2 = 1 .
No geral a facv ser
k =
k
2a , para k = 0, 1, 2, ...
1 2
e a fac para o caso geral ser

k =
k
= k , para k = 0, 1, 2, ...
0
Desde que || < 1, a fac uma exponencial decrescente, a medida que k cresce.
Se 0 < < 1, todas as correlaes so positivas; se 1 < < 0 a autocorrelao
de lag 1 negativa (1 = ) e os sinais das autocorrelaes so alternadamente
positivo e negativo.
Considere o modelo AR(1):
Zt = Zt1 + at
substituindo t por t 1, temos:
Zt1 = Zt2 + at1
agora substituindo Zt1 em Zt , temos:
Zt
= (Zt2 + at1 ) + at
= 2 Zt2 + at1 + at
repetindo este processo k 1 vezes, vamos ter:

Zt = at + at1 + 2 at2 + ... + k1 at(k1) + k Ztk
para k grande vamos ter:
Zt = at + at1 + 2 at2 + ... = 0 at + 1 at1 + 2 at2 + ...
(5.4)
onde || < 1 e j = j . Temos ainda que os at so independente de Zt1 , Zt2 , ...

e 2a > 0, a soluo de Zt = Zt1 + at ser estacionria se e somente se || < 1.
5.3.2
O Modelo AR(2)

Zt = 1 Zt1 + 2 Zt2 + at
(5.5)
onde at independente de Zt1 e Zt2 . Para analisar a estacionariedade deste

processo AR(2), vamos introduzir o polinmio caracterstico:
31

manoel@fct.unesp.br
ESTACIONRIAS
(x) = 1 1 x 2 x2
e a equao caracterstica
1 1 x 2 x2 = 0
A equao quadrtica, acima tem duas razes (possivelmente complexas). Suponha at independente de Zt1 , Zt2 , ..., uma soluo estacionria para a equao (4.5)
existir se e somente se a raiz da equao caracterstica AR excede a unidade em
valor absoluto. Este procedimento pode ser generalizado para o modelo AR(p).
Para o caso AR(1) a equao caracterstica 1 x = 0 com raiz 1/, que exceda 1
em valor absoluto se e somente se || < 1. Para a equao caracterstica do AR(2)
temos a seguinte soluo:
q
1 21 + 42
x=
22
as razes da equao acima excede a 1 em mdulo se e somente se, simultaneamente
1 + 2 < 1, 2 1 < 1 e |2 | < 1.
Essas so as condies de estacionariedade para o AR(2).
Para encontrar a fac para o AR(2), multiplicamos ambos os lados da equao
(4.5) por Ztk , k = 1, 2, ..., e tomamos as esperanas
k
= E (Zt Ztk ) = E [(1 Zt1 + 2 Zt2 + at ) Ztk ]

= E (Zt1 Ztk ) + E (2 Zt2 Ztk ) + E (at Ztk ) .
Assumindo estacionariedade, mdias zero, e que at independente de Ztk ns

temos
k = 1 k1 + 2 k2 , k = 1, 2, ...
(5.6)
dividindo por 0
k
0
k
k1
+ 2 k2 , k = 1, 2, ...
0
0
= 1 k1 + 2 k2 , k = 1, 2, ...
= 1
(5.7)
As equaes (4.6) e/ou (4.7) so chamadas de equaes de Yule-Walker. Para

k = 1, 0 = 1, 1 = 1 temos
1
1
= 1 0 + 2 1
1
=
1 2
e para k = 2
2
= 1 1 + 2 0
=
21 + 2 (1 2 )
.
1 2
32

manoel@fct.unesp.br
ESTACIONRIAS
Podemos calcular sucessivamente os valores de k atravs das equaes de YuleWalker.
A varincia do processo AR(2) obtida atravs da equao (4.5)
0
= V ar (Zt ) = V ar (1 Zt1 + 2 Zt2 + at )

= 21 0 + 22 0 + 21 2 1 + 2a
= 21 + 22 0 + 21 2 1 + 2a
utilizando as equaes de Yule-Walker vamos ter

0 =
(1 2 ) 2a
(1 2 ) 1 21 22 221 2
Os coeficientes j no processo linear geral (4.1) para um AR(2) so mais complexos do que o AR(1). Entretanto, podemos substituir a representao (4.1) e
definir a equao do AR(2) para Zt , Zt1 , e Zt2 e obter os coeficientes de aj .
Encontrando
0
1 1 0
= 1
= 0
e
j 1 j1 2 j2 = 0, j = 2, 3, ...
Estas equaes podem ser resolvidas recursivamente obtendo 0 = 1, 1 = 1 ,
2 = 21 + 2 , e assim por diante.
5.3.3
O Processo Autoregressivo geral
Considere agora o modelo autoregressivo de ordem p

Zt = 1 Zt1 + 2 Zt2 + ... + p Ztp + at
(5.8)
com polinmio caracterstico

(x) = 1 1 x 2 x2 ... p xp
e a correspondente equao caracterstica AR
1 1 x 2 x2 ... p xp = 0.
Considerando que at independente de Zt1 , Zt2 , ..., uma soluo estacionria
para a equao (4.8) existe se e somente se as p razes da equao caracterstica AR
maior do que a unidade em mdulo.
Assumindo que a equao (4.8) estacionria e multiplicando-a por Ztk , dividindo pela varincia e tomando as esperanas temos:
k = 1 k1 + 2 k2 + ... + p kp , k = 1.
(5.9)
Fazendo k = 1, 2, ..., p na equao (4.9) e utilizando 0 = 1 e k = k , obtemos as

equaes de Yule-Walker
33

manoel@fct.unesp.br
ESTACIONRIAS
1
2
= 1 + 2 1 + ... + p p1
= 1 1 + 2 + ... + p p2
..
.
= 1 p1 + 2 p2 + ... + p
(5.10)
Dados os valores 1 , 2 , ..., p , estas equaes podem ser resolvidas para obtermos:
1 , 2 , ..., p . Para obter a varincia multiplicamos a equao (4.8) por Zt , e tomamos
as espereranas encontrando:
0 = 1 1 + 2 2 + ... + p p + 2a
utilizando k = k / 0 podemos escrever
V ar (Zt ) = 0 =
2a
1 1 1 2 2 ... p p
(5.11)
observando que

E (at Zt ) = E at 1 Zt1 + 2 Zt2 + ... + p Ztp + at

= E a2t = 2a
e a varincia do processo expressa em termos dos parmetros 1 , 2 , ..., p , 2a , e

os desconhecidos valores de 1 , 2 , ..., p .
Assumindo estacionariedade, o processo pode ser expressado na forma linear
geral da equao (4.1), mas os pesos so funes complicadas dos parmetros
1 , 2 , ..., p , mas podem ser encontrados numericamente.
5.4
O Modelo Autoregressivo-Mdias Mveis ARMA(p,q)
Se considerarmos uma srie formada pelas as partes autoregressiva e mdias-mveis,

vamos ter um modelo mais geral de sries temporais, ou seja, se
Zt = 1 Zt1 + 2 Zt2 + ... + p Ztp + at 1 at1 2 at2 ... q atq (5.12)
ns dizemos que Zt um processo autoregressivo mdias-mveis de ordens p e q,
respectivamente, e parmetros 0 s e 0 s, ou abreviadamente ARMA(p,q).
5.4.1
O modelo ARMA(1,1)
Considere o seguinte modelo

Zt = Zt1 + at at1
onde E (Zt ) = 0, para todo t, E (at ) = 0 e V ar (at ) =
de Yule-Walker, antes porm, observamos que:
(5.13)
2a .
Vamos obter as equaes
E (at Zt ) = E [at (Zt1 + at at1 )] = 2a

e
34

manoel@fct.unesp.br
ESTACIONRIAS
E (at1 Zt ) = E [at1 (Zt1 + at at1 )]

= 2a 2a = ( ) 2a
Se multiplicamos a equao (4.13) por Ztk e tomamos as esperanas, temos:
k
= E (Zt Ztk ) = E [(Zt1 + at at1 ) Ztk ]

= E (Zt1 Ztk ) + E (at Ztk ) E (at1 Ztk )
variando o k
0
1
= 1 + 2a ( ) 2a , k = 0
= 0 2a , k = 1
(5.14)
e
k = k1 , k = 2
(5.15)
resolvendo as equaes (4.14) e (4.15) vamos ter a varincia:
1 2 + 2
0 =
1 2
a facv
k =
(1 ) ( ) k1 2
a , para k = 1
1 2
e a fac
k =
(1 ) ( ) k1
, para k = 1
1 2 + 2
A forma linear geral pode ser obtida da mesma maneira que a equao (4.5),
definimos
Zt = at + ( )
j1 atj
j=1
onde j = ( ) j1 , para j = 1. Com a condio de estacionariedade || < 1,

ou a raiz da equao 1 x = 0 maior do que 1 em valor absoluto.
O modelo ARMA(1,1) equivalente a:
AR () :
e
(1 x)
Zt = 1 x + 2 x ... (1 x) Zt = at
(1 x)
M A () : Zt =
(1 x)
at = 1 + x + 2 x2 + ... (1 x) at
(1 x)
A funo de autocorrelao do modelo ARMA(1,1) semelhante a do AR(1)

(exponenciais amortecidas), o primeiro comporta-se como exponenciais amortecidas
para k > 0, enquanto que o segundo o comportamento de exponenciais amortecidas
para k = 0.
35

manoel@fct.unesp.br
ESTACIONRIAS
Para o modelo geral ARMA(p,q), ns temos que dado que at independente
de Zt1 , Zt2 , ..., uma soluo estacionria para Zt , satisfazendo a equao (4.13)
existe, se e somente se, as razes da equao caracterstica AR, (x) = 0, excede a
unidade em valor absoluto.
Se as condies de estacionariedade so satisfeitas, ento o modelo pode ser
escrito como um processo linear geral com os pesos j determinados da seguinte
forma:
0
1
2
= 1
= 1 + 1
= 2 + 2 + 1 1
..
.
= j p jp + ... + 1 j1
onde j = 0 para j > 0 e j = 0 para j > q.

Agora assumindo estacionariedade pode-se mostrar que a fac satisfaz:
k = 1 k1 + 2 k2 + ... + p kp , k > q
(5.16)
Podemos tambm desenvolver para k = 0, 1, ..., q que envolve 1 , 2 , ..., q .

Teorema: Se Xt v ARM A(p1 , q1 ) e Yt v ARM A(p2 , q2 ), sendo Xt e Yt independentes, seja Zt = Xt + Yt ento Zt v ARM A(p, q) onde p 5 p1 + p2 ,
q 5 max(p1 + q2 , p2 + q1 ).
Prova: Seja X (B) Xt = X (B) t e Y (B) Yt = Y (B) at onde X , Y , X
e Y so polinmios em B de ordem p1 , p2 , q1 e q2 , respectivamente. Onde t e at
so rudos brancos independentes. Como Zt = Xt + Yt , ento multiplicando Zt por
X (B) Y (B) temos:
X (B) Y (B) Zt = X (B) Y (B) Xt + X (B) Y (B) Yt
como X (B) Xt = X (B) t ARM A(p1 , q1 ) e Y (B) Yt = Y (B) at ARM A(p2 , q2 )
vamos ter:
X (B) Y (B) Zt = X (B) Y (B) t + X (B) Y (B) at
AR (p1 + p2 ) = M A (q1 + p2 ) + M A (p1 + q2 )
Utilizando o fato que a soma de dois processos de mdias mveis independentes
tambm um processo MA de ordem igual ou menor ao max das ordens, temos que
Zt um processo ARM A(p, q) onde p 5 p1 + p2 , q 5 max(p1 + q2 , p2 + q1 ).
5.5
Invertibilidade
Ns vimos que um processo AR pode ser reescrito como um processo MA de ordem

infinita atravs de pesos 0 s. Alm disso podemos escrever um processo MA como
um autoregressivo. Considere o modelo abaixo:
Zt = at at1
(5.17)
reescrevendo a equao acima como at = Zt + at1 , e ento substituindo t por t 1

e at1 na equao modificada, temos:
36

manoel@fct.unesp.br
ESTACIONRIAS
at
= Zt + (Zt1 + at2 )
= Zt + Zt1 + 2 at2
Se || < 1, podemos continuar a substituio e obter:

at
Zt
= Zt + Zt1 + 2 Zt2 + ...
= Zt1 2 Zt2 ... + at
ento se || < 1, ns vimos que o MA(1) pode ser invertido (transformado) para
um AR(), ento dizemos que o modelo MA(1) invertvel.
Para um modelo geral MA(q), definimos o polinmio caracterstico MA
como:
(x) = 1 1 x 2 x2 ... q xq
e a correspondente equao caracterstica
1 1 x 2 x2 ... q xq = 0
Pode-se ento, demonstrar que o modelo MA(q) invertvel, e existiro constantes
j , tal que:
Zt =
j Ztj + at
j=1
se e somente se as razes da equao caracterstica MA excede a unidade em valor

absoluto.
Proposio: Um processo linear geral ser estacionrio se a srie (x) converge
para |x| 5 1; ser invertvel se (x) converge para |x| 5 1.
Podemos tirar algumas concluses sobre estacionariedade e invertibilidade, so
elas:
1) Para o modelo AR(p) no h restries sobre os parmetros j para assegurar
a invertibilidade.
2) Para o modelo MA(q) no h restries sobre os parmetros j para que o
processo seja estacionrio.
3) Para o modelo ARMA(p,q) o processo estacionrio se as raizes da equao
caracterstica (x) = 0 excede a unidade em valor absoluto e o processo invertvel
se todas as razes (x) = 0 excede a unidade em valor absoluto, ou seja, fora do
crculo unitrio.
5.6
Exerccios
1) Esboe a fac para cada um dos seguintes modelos ARMA:

a) AR(2) com 1 = 1.2 e 2 = 0.7
b) MA(2) com 1 = 1 e 2 = 0.6
c) ARMA(1,1) com = 0.7 e = 0.4
2) Suponha Zt um processo AR(1) com 1 < < 1.
a) Encontre a facv para Wt = Zt Zt1 em termos de e 2a .
b) Em particular, mostrar que V ar (Wt ) = 22a / (1 + ) .
3) Encontre a fac para o processo definido por
Zt = 5 + at 0.5at1 + 0.25at2
37

manoel@fct.unesp.br
ESTACIONRIAS
4) Descreva as caractersticas importantes da fac dos seguintes modelos: a)
MA(1), b) MA(2), c) AR(1), d) AR(2) e e) ARMA(1,1).
5) Para o modelo ARMA(2,1)
Zt = 0.8Zt1 + at + 0.7at1 + 0.6at2
mostrar que
a) k = 0.8k1 para k = 3 e
b) 2 = 0.81 + 0.62a / 0 .
6) Considere dois processos MA(2), um com 1 = 2 = 1/6 e outro com 1 = 1
e 2 = 6. Mostrar que estes processos tem extamente a mesma fac. Como so as
razes dos correspondentes polinmios caractersticos, compare-as.
7) Considere o no-estacionrio modelo AR(1)
Zt = 3Zt1 + at
P
j
a) Mostrar que Zt =
j=1 (1/3) at+j satisfaz a equao AR(1) e realmente
estacionria.
b) Quando est soluo no satisfatria.
8) Considere o modelo
Zt = at1 at2 + 0.5at3
a) Encontre a facv para Zt .
b) Mostrar que Zt um modelo estacionrio ARMA(p,q). Identifique p, q e os
0 s e 0 s.
9) Considre os modelos:
i) Zt = at + 0.8at1 .
ii) Zt 0.4Zt1 = at 0.3at1 + 0.8at2
iii) Zt = 0.3Zt1 + 0.6Zt2 + at .
Pede-se:
a) Escreva-os utilizando o operador X;
b) Identifique cada um dos modelos abaixo, assim como os seus parmetros;
c) Verifique se cada um deles so estacionrios e/ou invertveis.
38
Captulo 6
Modelos para Sries

Temporais No-Estacionrias
Os modelos apresentados at o momento so adequados para sries estacionrias, ou
seja, aquelas onde a mdia constante por todo tempo, mas em geral, na prtica,
as sries so no-estacionrias. Como, por exemplo, as sries econmicas. Para
torna a srie estacionria deve-se tomar diferenas quantas vezes for necessrio, at
atingir estacionariedade. O procedimento o seguinte:
Wt
= Zt Zt1
= (1 X) Zt
= Zt
Os modelos que apresentaremos a partir de agora, sero para sries cujo comportamento so no-estacionrio.
6.1
O Modelo Autoregressivo-Integrado-Mdias-Mveis
ARIMA(p,d,q)
As sries Zt , tais que, tomando-se um nmero finito de diferenas, d, tornam-se

estacionrias, so chamadas no-estacionrias homogneas. Se
Wt = d Zt
estacionria, podemos representar Wt por um modelo ARMA(p,q), ou seja,
(X) Wt = (X) at
(6.1)
Se Wt uma diferena de Zt , ento Zt uma integral de Wt , da dizemos

que Zt segue um modelo autoregressivo-integrado-mdias-mveis, ou modelo ARIMA(p,d,q),
(X) d Zt = (X) at
(6.2)
de ordem (p,d,q), se p e q so as ordens de (X) e (X) , respectivamente.

No modelo (5.1) todas as razes de (X) esto fora do crculo unitrio. Escrever
(5.2) equivalente a escrever
(X) Zt = (X) at
39
(6.3)
manoel@fct.unesp.br
CAPTULO 6. MODELOS PARA SRIES TEMPORAIS

NO-ESTACIONRIAS
onde (X) um operador autoregressivo no-estacionrio, de ordem p+d, com d

razes iguais a 1 (sobre o crculo unitrio) e as restantes p esto fora do crculo
unitrio, ou seja,
(X) = (X) d = (X) (1 X)d
(6.4)
Portanto o modelo (5.2) supe que a d-sima diferena da srie Zt pode ser representada por um modelo ARMA, estacionrio e invertvel. Na maioria dos casos
usuais, d=1 ou d=2, que correspondem a dois casos interessantes e comuns de noestacionariedade homgenea:
1) Sries no-estacionrias quanto ao nvel: oscilam ao redor de um nvel mdio
durante algum tempo e depois saltam para outro nvel temporrio. Para tornlas estacionrias suficiente tomar uma diferena, este o caso tpico de sries
econmicas.
2) Sries no-estacionrias quanto a inclinao: oscilam numa direo por algum
tempo e depois mudam para outra direo temporria. Para torn-las estacionrias
necessrio tomar a segunda diferena.
6.1.1
Exemplos
Alguns casos particulares do modelo ARIMA:

i) ARIMA(0,1,1): Zt = (1 X) at
ii) ARIMA(1,1,1): (1 X) Zt = (1 X) at
iii) ARIMA(p,0,0): AR(p); ARIMA(0,0,q): MA(q); ARIMA(p,0,q): ARMA(p,q).
Um modelo que considerado importante o caso i) IMA(1,1): IntegradoMdias-Mveis. Utilizado especialmente na rea de economia.
6.1.2
Algumas Transformaes para tornar a srie Estacionria
Tomar diferenas pode no ser suficiente para se alcanar estacionariedade, principalmente, no caso das sries econmicas. Uma transformao, no linear, utilizada
para srie Zt Zt = ln Zt , que ser suficiente para obter a homogeneidade. Outro
procedimento usualmente, utilizado em sries temporais econmicas :
ln Zt = ln Zt ln Zt1
A principal razo para se fazer uma transformao tentar estabilizar a varincia. Uma transformao, tambm adequada, seria: utilizar um grfico que traz no
eixo das abscissas mdias de subconjuntos de observaes da srie original e no eixo
das ordenadas a amplitude de cada um destes subconjuntos. Seja Zt1 , ..., Ztk um
subconjunto com k observaes, ento calculamos:
Z
k
1X
Zt
k i=1 i
(medida de posio)
e
W
= max (Zti ) min (Zti )

(medida de variabilidade)
o par Z, W ser um ponto do grfico. O nmero de elementos em cada subsrie

pode ser igual ao perodo, no caso de sries sazonais. Se W independente de
Z, obteremos pontos espalhados ao redor de uma reta paralela ao eixo das abscissas e neste caso no haver necessidade de transformao. Se W for diretamente
proporcional a Z, a transformao logartmica apropriada.
40
manoel@fct.unesp.br

NO-ESTACIONRIAS
Uma classe geral de transformaes que podem ser utilizadas a de Box-Cox,

definida por:
(
Zt c
()
, 6= 0
Zt =
ln Zt , = 0
onde e c so parmetros a serem estimados. Para c = 1 temos:
Zt 1
ln Zt se 0
6.2
Formas do Modelo ARIMA
O modelo ARIMA dado em (5.2) pode ser representado de trs formas:

a) Em termos de valores prvios de Zt e do valor atual e prvios de at ;
b) Em termos de valor atual e prvios de at ;
c) Em termos de valores prvios de Zt e do valor atual de at .
6.2.1
Forma da Equao Diferenas
Esta a forma usual do modelo, til para calcular previses:

Zt = 1 Zt1 + 2 Zt2 + ... + p+d Ztpd + at 1 at1 ... q atq
(6.5)
onde (X) = 1 1 X 2 X 2 ... p+d X p+d .
6.2.2
Forma de Choques Aleatrios
Uma forma conveniente para se calcular a varincia dos erros de previso :

Zt
= at + 1 at1 + 2 at2 + ...

= (X) at
(6.6)
(X) Zt = (X) (X) at
(6.7)
Desta equao obtemos

e utilizando (5.3) segue-se que
(X) (X) = (X) .
(6.8)
Logo, os pesos j da forma (5.6) podem ser obtidos de (5.8) identificando-se coeficientes de X, X 2 , etc.:
1 1 X ... p+d X p+d 1 + 1 X + 2 X 2 + ... = 1 1 X ... q X q
6.2.3
Termo constante no Modelo ARIMA
No modelo ARIMA(p,d,q)
(X) Wt
onde Wt
= (X) at
= d Zt .
(6.9)
Se um termo constante for omitido, ento E (Wt ) = W = 0. O modelo acima pode

descrever o que chamaramos de tendncias estocsticas, no sentido que o processo no estacionrio e muda de nvel e/ou inclinao, no decorrer do tempo. A
tendncia (ou no-estacionariedade) estocstica caracterizada pela existncia de
41
manoel@fct.unesp.br

NO-ESTACIONRIAS
zeros de (X) = 1 X sobre o crculo unitrio. Alm da no-estacionariedade estocstica, muitas sries podem apresentar uma tendncia determinstica. Podemos
ter Zt como a soma de um polinmio mais um processo ARIMA(p,d,q):
Zt
m
X
j tj +
j=0
(X)
at
d (X)
(6.10)
= Tt + Yt
onde Tt uma tendncia determinstica e Yt um processo ARIMA(p,d,q). Segue-se
que Zt no-estacionrio se m > 0 e/ou d > 0.
Tomando d diferenas temos:
(X)
at , se m = d
(X)
(X)
at , se m < d
(X)
d Zt
= 0 +
d Zt
(6.11)
onde 0 = d d!, obtendo-se uma srie estacionria. Significando que podemos incluir
uma tendncia polinomial determinstica de grau d no modelo, bastando acrescentar
uma constante 0 :
(X) Zt = 0 + (X) at
(6.12)
Se m > d, podemos obter um modelo no-estacionrio, tomando d diferenas,
devido a tendncia determinstica, e tomando m diferenas, obteremos um processo
estacionrio, mas no invertvel.
Se 0 6= 0,
Wt = Wt1 + ... + p Wtp + 0 + at 1 at1 ... q atq
(6.13)
e obtemos a mdia
W
ou
e se
teremos:
= E (Wt ) = 1 W + ... + p W
0
=
1 1 ... p
0 = W 1 1 ... p
(6.14)
(6.15)
ft = Wt E (Wt )
W
ft = (X) at
(X) W
No que segue, quando d > 0, suporemos W = 0 e portanto 0 = 0.
6.3
Construo dos Modelos ARIMA
Nesta seo vamos apresentar os estgios do ciclo iterativo do mtodo de Box e

Jenkins, para construo dos modelos ARIMA, que so: 1) identificao; 2) estimao e 3) verificao. Dentre estes estgios o mais dficil fase de identificao
do modelo ARIMA, que ser utilizado para ajustar os dados. Esta escolha feita a
partir das autocorrelaes e autocorrelaes parciais estimadas, dentre as quais esperamos que representem adequadamente as verdadeiras quantidades tericas, que
so desconhecidas. Anteriormente definimos a facv e fac, agora vamos definir a
funo de autocorrelao parcial (facp).
42
manoel@fct.unesp.br
6.3.1

NO-ESTACIONRIAS
Funo de Autocorrelao Parcial (facp)
Ns podemos definir a correlao entre Zt e Ztk removendo o efeito das variveis

Zt1 , Zt2 , ..., Ztk+1 . Esta medida, para sries estacionrias, chamada a autocorrelao parcial at a posio k e ser denotada por kk , se Zt uma srie
normalmente distribudos, ou seja,
kk = Corr (Zt , Ztk /Zt1 , Zt2 , ..., Ztk+1 )
(6.16)
onde kk o coeficiente de correlao da distribuio de Zt , Ztk condicional a

Zt1 , Zt2 , ..., Ztk+1 . Um mtodo geral para encontrar a facp para um processo
estacionrio com fac k o seguinte : para um dado k, mostra-se que kk satisfaz
as equaes de Yule-Walker:
j = k1 j1 + k2 j2 + ... + kk jp , j = 1, 2, ..., k
(6.17)
Mais explicitamente
1
2
= k1 + k2 1 + ... + kk j1
= k1 1 + k2 + ... + kk k2
..
.
= k1 k1 + k2 k2 + ... + kk
(6.18)
Estas equaes podem ser resolvidas sucessivamente para k = 1, 2, ..., e obtendo-se

kk , da seguinte maneira:
11
22
e para k = 3
= 1
=
1
1
kk
em geral
1
2
1
1
1
1
2
1
1
2
21
= 2
1 21
1
1
1
1
1
1
2
2
3
2
1
1
(6.19)
(6.20)
|Pk |
(6.21)
|Pk |
onde Pk a matriz de autocorrelao, e Pk a matriz Pk com a ltima coluna
substituda pelo vetor de autocorrelao.
Pode-se demonstrar que, para os processos estudados temos:
(i) um processo AR(p) tem facp kk 6= 0, para k 5 p e kk = 0, para k > p;
(ii) Um processo MA(q) tem facp que se comporta de maneira similar a fac de
um processo AR(p), para o MA(1) temos:
kk =
2
1 + 2 + 4
e
k 1 2
, k=1
kk =
1 2(k+1)
(iii) Um processo ARMA(p,q) tem facp que se comporta como a facp de um processo
MA.
22 =
43
manoel@fct.unesp.br
6.3.2

NO-ESTACIONRIAS
A Funo de Autocorrelao Parcial Amostral (fapa)
Para srie temporal observada vamos precisar calcular a estimativa da fapa. Ns

chamamos esta funo estimada de funo de autocorrelao parcial amostral e
b .
denotamos por
kk
Levinson (1974) e Durbin (1960) descobriram um mtodo eficiente para obter as
solues para as equaes (5.18), considerando as facp ou fapa. Eles demonstraram
que independentemente as equaes (5.18) podem ser resolvidas recursivamente
como segue:
k1
P
k1,j kj
k
j=1
kk =
(6.22)
k1
P
1
k1,j j
j=1
onde
kj = k1,j kk k1,kj , para j = 1, 2, ..., k 1.
(6.23)
Por exemplo, utilizando 11 = 1 , ns temos

22 =
2 11 1
21
= 2
1 11 1
1 21
b .
Nas estimativas vamos substituir b
k por rk , e obtemos fapa
kk
6.4
Idendificao (ou Especificao) dos Modelos

ARIMA
O objetivo da identificao determinar os valores de p,d e q do modelo ARIMA(p,d,q), alm de obter estimativas preliminares dos parmetros a serem utilizados no estgio de estimao.
6.4.1
Procedimento
I) Inicialmente diferenamos a srie Zt , tantas vezes quantas necessrias, para se

obter uma srie estacionria, de modo que o processo d Zt seja reduzido a um
ARMA(p,q). O nmero de diferenas, d, necessrias para que o processo se torne
estacionrio, alcanado quando a fac amostral de Wt = d Zt decresce rapidamente
para zero;
II) Identificamos o processo ARMA(p,q) resultante, atravs da anlise das fac e
facp estimadas, cujo comportamentos devem ser semelhantes aqueles das respectivas
quantidades tericas (AR, MA e ARMA).
- Geralmente, na prtica d=0, 1, ou 2, e ser suficiente inspecionar as primeiras
15 ou 20 autocorrelaes da srie e de suas diferenas.
- Convm testar se E (Wt ) = W zero, comparando W com o seu desvio-padro
estimado. A tabela abaixo fornece as varincias de W para alguns modelos usuais.
Se d=0, W = Z.
Tabela -
Varincias Aproximadas p/ W
AR (1)
M A (1)
c0 (1+r1 )
n(1r1 )
c0 (1+2r1 )
n
AR (2)
c0 (1+r1 )(12r12 +r2 )
n(1r1 )(1r2 )
, n=N d
ARM
h A (1, 21)i
2r1
c0
n 1 + r1 r2
M A (2)
c0 (1+2r1 +2r2 )
n
44

NO-ESTACIONRIAS
manoel@fct.unesp.br
6.5
Intervalo de Confiana para a FAC Amostral
Apresentaremos a seguir o intervalo de confiana para a faca, antes porm, sabemos

que a faca definida como:
b
j =
onde
cj =
sendo
bj
cj
= rj = , j = 0, 1, ..., N 1
b0
c0
Nj
1 X
Zt Z (Zt+j Z) , j = 0, 1, ..., N 1
N t=1
Z=
temos que a varincia de rj
V ar (rj )
=
N
1 X
Zt e rj = rj
N t=1
1 X 2
k + k+j kj 4j k kj + 22k 2j
N
(6.24)
(6.25)
(6.26)
(6.27)
k=
para um processo estacionrio normal (Gaussiano).

Para um processo em que as autocorrelaes so nulas para k > q, obtem-se:
#
"
q
X
1
2k , j > q
(6.28)
1+2
V ar (rj )
=
N
k=1
substituindo k por rk , temos:

#
"
q
X
1
2
rk , j > q
1+2
(rj ) =
N
2
(6.29)
k=1
Para N suficientemente grande, sob a hiptese H0 : j = 0, j > q a distribuio
N 0, 2 (rj ) . Assim, pode-se construir um intervalo de confiana aproximado para

as autocorrelaes:
rj t (rj )
(6.30)
onde t o valor da estatstica t-Student com N 1 graus de liberdade, tal que
P (t < t < t ) = . Na prtica utiliza-se t = 2, de modo que podemos considerar
j como significativamente diferente de zero se
|rj | > 2(rj ), j > q.
Para facp sob a hiptese que o processo AR(p),

1
b
V ar
, j > p.
jj w
N
De modo que
(6.31)
(6.32)

1
b
(6.33)

jj w , j > p.
N
b ter distribuio aproximadamente normal, com
Alm disso, para N grande,
jj
mdia zero e varincia (5.32), de modo que consideraremos jj significativamente
diferente de zero se

2
b
(6.34)
jj > , j > p.
N
45

NO-ESTACIONRIAS
manoel@fct.unesp.br
6.6
Exerccos
1) Considere os dois modelos:

A : Zt = 0.9Zt1 + 0.09Zt2 + at
B : Zt = Zt1 + at 0.1at1
a) Identifique e especifique os modelos ARIMA.
b) Qual a semelhana entre eles? (Compare os pesos 0 s e 0 s).
2) Identifique e especifique cada modelo ARIMA:
a) Zt = Zt1 0.25Zt2 + at + 0.5at1
b) Zt = 2Zt1 Zt2 + at
c) Zt = 0.5Zt1 + 0.5Zt2 + at 0.5at1 + 0.25at2 .
3) Suponha que {Zt } gerada como
Zt = at + cat1 + cat2 + ... + ca0 , t > 0
a) Encontre a funo mdia e a facv para Zt . Zt estacionria?
b) Encontre a funo mdia e facv para Zt . Esta srie estacionria?
c) Identifique e especifique Zt como um modelo ARIMA.
4) Suponha que Zt = A + Bt + Xt onde A e B so variveis aleatrias independentes do passeio aleatrio Xt .
a) A srie Zt estacionria?
b) A srie Zt estacionria?
5) De uma srie de 100 observaes, obteve-se: r1 = 0.49, r2 = 0.31, r3 =
0.21, r4 = 0.11, e |rk | 5 0.09 para k > 4. Com base somente nestas informaes,
que modelo ARIMA ns poderamos especificar para esta srie?
6) Um srie estacionria de tamanho N = 121 produz as seguintes autocorreb = 0.8,
b = 0.6,
b = 0.08, e
b = 0.00. Basedo
laes parciais estimadas:
11
22
33
44
somente nestas informaes, que modelo poderamos especificar para esta srie?
7) Para uma srie de 169 observaes, encontramos que: r1 = 0.41, r2 = 0.42,
r3 = 0.26, r4 = 0.21, e r5 = 0.16. Qual modelo se ajustaria a este padro de
autocorrelaes?
8) As autocorrelaes amostrais para a primeira diferena so dadas na tabela
abaixo (N = 100).
FACA
Zt
Zt
1
0.97
-0.42
2
0.97
0.18
3
0.93
-0.02
4
0.85
0.07
5
0.80
-0.10
6
0.71
-0.09
Baseado nas informaes, quais modelos ARIMA poderamos identificar para a

srie?
9) Para a srie de tamanho 64, as facp amostrais so dadas por:
1
0.47
2
-0.34
3
0.20
4
0.02
5
0.15
6
-0.06
Quais modelos poderamos considerar neste caso?

10) Suponha Xt um processo estacionrio AR(1) com parmetro , mas que
podemos somente observar
Zt = Xt + Nt
onde Nt um rudo branco independente de Xt .
a) Encontre a fac para o processo Zt em termos de , 2X , e 2N .
b) Qual modelo ARMA podemos identificar para Zt ?
46
Captulo 7
Estimao dos Parmetros

Neste captulo vamos trabalhar com a estimao dos parmetros para o modelo
ARIMA, considerando a srie temporal observada Z1 , Z2 , ..., Zn . Assumiremos que
o modelo j foi especificado, isto , ns j especificamos os valores para p,d e q utlizando os mtodos do captulo 5. Com relao a sries no-estacionrias, faremos
a d-sima diferena da srie observada at torna-l um processo estacionrio ARMA(p,q). Na prtica, ns trabalhamos com a d-sima diferena da srie temporal
original, estimando os parmetros, a partir, do modelo completo. Para simplificar o
estudo sobre estimao, definimos Z1 , Z2 , ..., Zn como um processo estacionrio observado da srie original, depois de diferenada adequadamente. Primeiramente
apresentaremos as estimativas preliminares, em seguida apresentaremos os estimadores do mtodo do momentos, de mnimos quadrados e o estimador de mxima
verossimilhana.
7.1
Estimativas Preliminares
na identificao do modelo que so obtidas as estimativas preliminares, que sero

utilizadas como valores iniciais, para as estimativas finais dos parmetros. Estas
estimativas so obtidas atravs das rj da srie Wt = d Zt .
7.1.1
Processos AR(p)
Para esses processos, resolvemos as equaes de Yule-Walker, com b

j substitudo
por rj . A estimativa da varincia do rudo banco :
b0 1 1 1 ... p p
b2a =
b .
com
b0 substitudo por c0 , e os j por suas estimativas
j
7.1.2
Processos MA(q)
Para esses processos, vamos utilizar a equao

j
k + 1 k+1 + ... + qk q
, j = 0, 1, ..., q
1 + 21 + ... + 2q
= 0, j > q.
j e a varincia do rudo estimada como

substituindo j por rj e j por b
b2a =
b0
2
2
b
1 + 1 + ... + b
q
47
manoel@fct.unesp.br
CAPTULO 7. ESTIMAO DOS PARMETROS
onde
b0 = c0 .
7.1.3
Processos ARMA(p,q)
Para esses processos, obtemos as estimativas iniciais para 1 , ..., p , resolvendo as

equaes:
b b
b , j = q + 1, ..., q + p
b
j =
1 j1 + ... + p b
jp
substituindo b
j por rj . Depois a partir das relaes entre as autocorrelaes 1 , ..., q ,
1 , ..., b
q e
b2a .
1 , ..., p e 1 , ..., q , obtemos b
Obs.: Na tabela 9.2 do Morettin (1987) temos estimativas iniciais para os
parmetros dos modelos mais utilizados na prtica.
7.2
O Mtodo dos Momentos
O mtodo dos momentos geralmente um dos mais faceis, dos mtodos para obter
estimativas dos parmetros. O mtodo consiste de equacionar momentos amostrais
com momentos tericos e resolver as equaes resultante para obter estimativas dos
parmetros desconhecidos.
7.2.1
Modelo Autoregressivo
Considere o modelo AR(1). Para este modelo ns temos: 1 = . Ento podemos

estimar simplesmente por:
b = r1
Agora consideramos o caso AR(2). A relao entre os parmetros 1 e 2 e os

vrios momentos dado pelas equaes de Yule-Walker:
1
2
= 1 + 1 2
= 1 1 + 2
O mtodo dos momentos substitui 1 por r1 e 2 por r2 para obter:

r1
r2
= 1 + r1 2
= r1 1 + 2
resolvendo estas equaes obtemos:

b = r1 (1 r2 )
1
1 r12
(7.1)
2
b = r2 r1
(7.2)
2
1 r12
Para o caso geral AR(p) o procedimento semelhante: substituimos k por rk nas
equaes de Yule-Walker para obter:
r1
r2
rp
= 1 + r1 2 + ... + rp1 p
= r1 1 + 2 + ... + rp2 p
..
.
= rp1 1 + rp2 + ... + p
(7.3)
b , ...,
b , em termos de r1 , ..., rp .
Estas equaes lineares sero resolvidas para obter
1
p
O mtodo recursivo de Durbin-Levinson (equaes 5.22) um algoritmo adequado
para resolver estas equaes, mas estar sujeito a erros, principalmente se soluo
est no limite de estacionariedade (na circunferncia de raio unitrio).
48
manoel@fct.unesp.br
7.2.2
Modelos Mdias-Mveis
Para o caso do modelo MA o mtodo dos momentos, no to fcil. Vamos considerar o processo MA(1). Da fac do MA temos:
1 =
, || < 1.
1 + 2
(7.4)
Podemos resolver a equao acima com relao a . Se |r1 | < 0.5,ento as duas
razes so dadas por:
0.5
1
1
1
2r1
4r12
Dentre as solues s uma satisfaz a condio de invertibilidade, que pode ser escrita
como:
0.5
1 + 1 4r12
b
(7.5)
=
2r1
Se r1 = 0.5, a soluo real nica, ou seja, 1, mas por outro lado, no
invertvel. Se |r1 | > 0.5, no existe solues reais, e o mtodo dos momentos
no produz um estimador adequado para , alm disso a especificao do modelo
torna-se duvidosa.
Para modelos MA(q), de ordem grande, o mtodo dos momentos torna-se bastante complicado. As equaes resultantes em funo dos 0 s, no so lineares,
entretanto, e suas solues preciso ser numricas. Porm haver vrias soluces
mltiplas, das quais somente uma ser invertvel.
7.2.3
Modelos ARMA
Para esse modelo vamos considerar somente o ARMA(1,1). Da equao abaixo

(captulo 4):
(1 ) ( ) k1
, para k = 1
(7.6)
k =
1 2 + 2
Notando que 2 /1 = , ns podemos primeiro estimar como
b = r2
r1
Ento podemos substituir (6.7) em (6.6) e obter
b
b
1
r1 =
b + 2
1 2
(7.7)
(7.8)
par obter a estimativa de b

, resolvemos a equao em funo de , e considerando
somente a soluo invertvel.
7.2.4
Estimativas da Varincia do Rudo
O parmetro final a ser estimado a varincia 2a . Dentre todos os casos, ns

podemos primeiro estimar 0 = V ar (Zt ) pela varincia amostral
S2 =
n
2
P
Zt Z
t=1
n1
(7.9)
e da utilizamos a relao (captulo 4) que existe entre 0 , 2a e os 0 s, e 0 s para

estimar 2a .
49
manoel@fct.unesp.br
Para os modelos AR(p), temos:
b r1 ...
b rp S 2
b2a = 1
1
p
Em particular, para um processo AR(1),
b2a = 1 r12 S 2
b = r1 .
desde que
1
Para o caso MA(q), ns temos:
b2a =
S2
1
2
+b
1
2
+ ... + b
q
Para o processo ARMA(1,1), temos:
b2
1
2
b2a =
2S
b
b
b
1 2 +
7.3
(7.10)
(7.11)
(7.12)
(7.13)
Estimativas de Mnimos Quadrados
Como j sabemos, o mtodo dos momentos no satisfatrio para modelos com

termos mdias mveis, precisaramos aplicar outros mtodos, e uma das alternativa
o mtodo de mnimos quadrados.
7.3.1
Modelos Autoregressivos
Considere o caso AR(1), onde

Zt = (Zt1 ) + at
(7.14)
Ns podemos v-lo como um modelo de regresso com varivel preditora Zt1 e

varivel resposta Zt . A estimao de mnimos quadrados consiste em minimizar
a soma de quadrados das diferenas (Zt ) (Zt1 ) . Desde que somente
Z1 , Z2 , ..., Zn so observados, ns podemos somente somar de t = 2 at t = n. Seja
S (, ) =
n
X
t=2
[(Zt ) (Zt1 )]2
(7.15)
Onde S geralmente chamada de funo da soma de quadrados condicional. De

acordo com o princpio de mnimos quadrados, ns estimamos e com respeito aos
valores que minimizam S (, ) , dado os valores observados da srie Z1 , Z2 , ..., Zn .
Vamos considerar as derivadas S / = 0 e S / = 0. Ou seja,
n
S X
2 [(Zt ) (Zt1 )] (1 + ) = 0
=
t=2
simplificando e resolvendo para , temos
n
P
t=2
Zt
n
P
Zt1
t=2
(n 1) (1 )
50
(7.16)
manoel@fct.unesp.br
Para n grande, temos
n
n
X
X
Zt
Zt1
Z
n1
n1
t=2
t=2
Alm disso, temos que a equao (6.) reduz-se a
Z Z
=Z
1
(7.17)
Podemos dizer ento que

b = Z.
Considere a minimizao de S , Z com relao a

n
S X
2 Zt Z Zt1 Z
Zt1 Z = 0
=
t=2
simplificando e resolvendo para , temos

n
P
Zt Z Zt1 Z
b = t=2
n
2
P
Zt1 Z
(7.18)
t=2
2
b = r1 ; alm disso os estimadores de mnimos
Exeto para o termo Zn Z ,
quadrados e mtodo dos momentos so quase idnticos, especialmente para grandes
amostras.
Para o processo geral AR(p), os mtodos utilizados para obter as equaes (6.16)
e (6.17) podem facilmente ser extendidos para produzir o mesmo resultado, ou seja,
b = Z.
Para generalizar as estimativas dos 0 s, ns podemos considerar o modelo de
segunda ordem, AR(2). Substituindo
b por Z na funo da soma de quadrados
condicional
n
X
(7.19)
S (1 , 2 ) =
Zt Z 1 Zt1 Z 2 Zt2 Z
t=3
Fazendo S /1 = 0, temos
2
n
X
Zt1 Z = 0
Zt Z 1 Zt1 Z 2 Zt2 Z
(7.20)
t=3
que podemos escrever como
n
n
n
X
X
X
2
Zt Z Zt1 Z =
Zt1 Z 1 +
Zt2 Z Zt1 Z 2
t=3
t=3
t=3
Agora se dividimos ambos os lados por
n
P
t=3
Zt Z
r1 = 1 + r1 2
(7.21)
, obtemos:
(7.22)
Fazendo o mesmo para S /2 = 0, vamos ter

r2 = r1 1 + 2
(7.23)
Podemos verificar que trata-se das equaes de Yule-Walker amostrais para o modelo
AR(2).
Inteiramente anlogo ao resultado obtido, segue-se para o caso do modelo geral
AR(p), as estimativas de mnimos quadrados dos 0 s, podem ser obtidas resolvendose as equaes amostrais de Yule-Walker, e com uma boa aproximao.
51
manoel@fct.unesp.br
7.3.2
Modelos Mdias Mveis
Considere agora a estimao de mnimos quadrados de no modelo MA(1):

Zt = at at1
(7.24)
Vamos supor que o modelo MA(1) invertvel, ou seja, || < 1, ento podemos
express-lo como
(7.25)
Zt = Zt1 2 Zt2 ... + at
que um modelo AR() . Alm disso, podemos obter o estimador de mnimos
quadrados, escolhendo o valor do parmetro que minimiza
X
S () =
a2t
(7.26)
onde, implicitamente, at = at () uma funo da srie observada e o parmetro .

Da equao (6.25), claramente podemos observar que o problema de mnimos
quadrados no-linear nos parmetros. Alm disso, para o caso simples MA(1),
S no pode ser minimizado analiticamente, e precisamos recorrer a tcnicas de
otimizao numrica.
Para uma da srie observada Z1 , Z2 , ..., Zn e um particular valor de , vamos
reescrever a equao (6.24) como
at = Zt + at1
(7.27)
Utilizando a equao (6.27), os valores a1 , ..., an podem ser calculados recursivamente dado um o valor inicial a0 . Um condio inicial, que se utiliza a0 = 0,
obtendo
= Z1
(7.28)
= Z2 + a1
..
.
an = Zn + an1
Pn
e alm disso calculamos S () = t=1 a2t , condicional a a0 = 0 para o particular
valor de .
Para o caso simples de um parmetro, podemos variar no intervalo (1, 1), que
garante invertibilidade do modelo, e encontrar a soma de mnimos quadrados. Para
os modelos MA(q), um algoritmo de otimizao numrica, como o Gauss-Newton,
prefervel. A aproximao de Gauss-Newton consiste em aproximar at = at ()
para uma funo linear de em torno da estimativa inicial b
. Que

dat b
b
b
at () at +
(7.29)
d
a1
a2
Nota-se que dat () /d pode ser calculado recursivamente diferenciando ambos os

lados da equao (6.27) para obter
dat ()
dat1 ()
=
+ at1 ()
d
d
(7.30)
com valor incial dat () /d = 0.

Desde que a aproximao em (6.28) linear em , a soma de quadrados calculada pode ser minimizada analiticamente levando a uma nova estimativa de . Este
processo pode ser repetido com b
substitudo pela nova estimativa, calculando as
mudanas em ambos, nas estimativas de e na soma de quadrados, quando a soma
52
manoel@fct.unesp.br
torn-se pequena e o parmetro atingir a convergncia. O mtodo dos momentos

pode ser utilizado para obter as primeiras estimativas de , mas em muitos casos
o procedimento converge para a soma de mnimos quadrados de uma estimativa
arbritria, tal como = 0.1.
Para os modelos MA de altas ordens, as idias so anlogas. Ns calculamos
at = at (1 , ..., q ) recursivamente de
at = Zt + 1 at1 + ... + q atq
(7.31)
como a0 = a1 = ... = a1q = 0. A soma de quadrados minimizada conjuntamente

com relao a 1 , 2 , ..., q utilizando o algoritmo multivariado de Gauss-Newton
(Box e Jenkins, 1976).
7.3.3
Modelos Autoregressivos-Mdias-Mveis
Vamos considerar somente o modelo ARMA(1,1):

Zt = Zt1 + at at1
(7.32)
Como
caso MA, consideramos at = at (, ) e desejamos minimizar S (, ) =
Pn no
2
a
.
Podemos
reescrever a equao (6.32) como
t=1 t
at = Zt Zt1 + at1
(7.33)
Z ( = Z). EntretanPara obter a1 , ns temos que supor Z0 = 0 ( = 0) ou Z0 =P

to, uma melhor aproximao, seria simplesmente minimizar nt=1 a2t . As derivadas
necessrias para o algoritmo de Gauss-Newton podem de novo serem obtidas recursivamente da equao (6.33).
Para o modelo geral ARMA(p,q), calculamos at = at 1 , ..., p , 1 , ..., q para

t = p + 1, ..., n de
at = Zt 1 Zt1 ... p Ztp + 1 at1 + ... + q atq
(7.34)
Pn
com ap = ap1 = ... = a1q = 0 e ento numericamente minimizamos t=1 a2t para
obter as estimativas de mnmos quadrados condicional de 1 , ..., p , 1 , ..., q . Um
termo constante pode ser includo no modelo.
Para o conjunto de parmetros 1 , ..., q , que corresponde a invertibilidade do
modelo, os valores ap = ap1 = ... = a1q = 0 tero muito pouca influncia nas
estimativas finais dos parmetros para grandes amostras
7.4
Estimativas de Mxima Verossimilhana
A vantagem dos mtodos de mxima verossimilhana que todas as informaes

nos dados so utilizadas, ao invs de utilizar somente os primeiros momentos, como o caso do mnimos quadrados. Outra vantagem que, sobre certas condies
gerais, muitos resultados j so conhecidos, para o caso de grandes amostras. Entretanto, uma desvantagem que para os primeiros valores de t, devemos trabalhar
especificamente com a funo de densidade de probabilidade (f.d.p.) conjunta.
Para um dado conjunto de observaes Z1 , Z2 , ..., Zn , a funo de verossimilhana L definida como a f.d.p. conjunta dos dados observados, em funo dos
parmetros do modelo. Para os modelos ARIMA, L ser uma funo de 0 s, 0 s,
e 2a dadas as observaes Z1 , Z2 , ..., Zn . Os estimadores de mxima verossimilhana so definidos como aqueles valores dos parmetros, com relao aos dados observados, que so os mais verossmeis (provveis), e maximizam a funo de
verossimilhana.
53
manoel@fct.unesp.br
Inicialmente analisaremos os modelos AR(1). A suposio mais comum que o

rudo branco seja uma varivel aleatria normal independente, identicamente distribuda com mdia 0 e varincia 2a , a f.d.p. para cada uma
0.5
a2
exp 2 , < a <
(7.35)
f (a) = 2 2a
2 a
e, como so v.a.i.i.d. a f.d.p. conjunta para a2 , ..., an
!
n
1 X 2
2 (n1)/2
exp 2
a ,
f (a) = 2a
2a t=2 t
(7.36)
Agora considerando
Z2 = (Z1 ) + a2
Z3 = (Z2 ) + a3
..
.
Zn = (Zn1 ) + an
(7.37)
Seja Z1 = z1 , vamos utilizar uma transformao linear de a2 , ..., an e Z2 , ..., Zn (com

jacobiano igual a 1). Alm disso, a f.d.p. conjunta de Z2 , ..., Zn /Z1 = z1 pode ser
obtida utilizando (6.37) pela substituio de a0 s em termos dos z 0 s em (6.36)
(
)
X
n
1
2
2 (n1)/2
f (z2 , ..., zn /z1 ) = 2 a
exp
2
[(Zt ) (Zt1 )]
2a t=2
(7.38)
Agora consideramos a f.d.p. marginal de Z1 , que tambm normal com mdia
e varincia 0 = 2a / 1 2 . Multiplicando (6.38) por f (z1 ) , temos
f (z2 , ..., zn /z1 ) f (z1 ) =
f (z2 , ..., zn , z1 ) f (z1 )

f (z1 )
(7.39)
que a f.d.p. conjunta de Z1 , Z2 , ..., Zn . Interpretada como uma funo de parmetros

, , e 2a , e a funo de verossimilhana do AR(1) dada por:
1
2 0.5
2
2 n/2
L , , a = 2 a
exp 2 S (, )
(7.40)
1
2 a
onde
S (, ) =
n
X
t=2
[(Zt ) (Zt1 )]2 + 1 2 (Z1 )2
(7.41)
A soma S (, ) chamada a soma de quadrados no-condicional.

Como regra geral o logaritmo da funo de verossimilhana matematicamente,
mais conveniente, do que a anterior. Para o caso AR(1), a funo log-verossimilhana,
dada por:
1
1
n
, , 2a = log 2 log 2a + log 1 2 2 S (, )
(7.42)
2
2
2
2a
Dado os valores de e , , , 2a pode ser maximizada analiticamnete com

relao a 2a :
n 1
1 2 2
=
+
S (, ) = 0
(7.43)
2a
2 2a 2 a
54
manoel@fct.unesp.br
determinamos ento o estimador de 2a , em termos de e :
ou
c2 = S (, )
a
n
(7.44)
c2 = S (, )
(7.45)
a
n2
na primeira expresso o vcio menor.
Considere agora a estimao de e . Uma comparao entre as duas soma de
quadrados, condicional, S (, ) , e no-condicional, S (, ), vamos ter:
2
S (, ) = S (, ) + 1 2 (Z1 )
(7.46)
os valores de e que minimizam S ou S so semelhantes e
S (, ) S (, )
7.5
(7.47)
Mnimos Quadrados No-Condicional para o

Modelo ARMA
A definio da funo de verossimilhama associada a soma de quadrados nocondicional. Para o modelo ARMA consideravelmente mais complicada, ento
citaremos a expresso da forama da funo da soma de quadrados no-condicional.
Segundo Box e Jenkins (1976), temos que para o modelo geral ARMA(p,q)
n
X
a2t
(7.48)
b
at = E (at /Z1 , ..., Zn )
(7.49)
S (, , 0 ) =
t=
onde
Note que, para t 5 0, o b
at ser visto como previso backward no tempo dos termos
de at , dado Z1 , ..., Zn . Por esta razo, eles frequentemente tem sido chamados back
forecasts, mas o termo mais apropriado backcasts.
7.6
Propriedades das Estimativas
As propriedades dos estimadores de mxima verossimilhana e mnimos quadrados

(condicional e no-condicional), so iguais para o caso de grandes amostras, e podem
ser obtidas modificando-se a teoria de mxima verossimilhana nesses casos. Para
mais detalhes consultar Box e Jenkins (1976) e Feller (1976).
Para n suficientemente grande, os estimadores so no-viciados e seguem aproximadamente uma distribuio normal. As varincias e correlaes, para o AR, so
as seguintes,
2
b 1
AR(1) : V ar()
n
(7.50)
b )
b ) V ar(
AR(2) : V ar(
1
2
b )
b ,
: Corr(
1
2
55
1
n
22
1
= 1
1 2
manoel@fct.unesp.br
para o MA
1 2
M A(1) : V ar(b
)
n
(7.51)
1 22
2 )
M A(2) : V ar(b
1 ) V ar(b
n
1
2 )
: Corr(b
1 , b
1 2
e para o modelo ARMA
2
1
2
2
1
1
b
: V ar()
n
0.5
1 2 1 2
b b
: Corr(,
)
1
2
b 1
ARM A(1, 1) : V ar()
n
7.7
Exerccios
(7.52)
1) Para uma srie de tamanho 100, foi calculado r1 = 0.8, r2 = 0.5, r3 = 0.4, Z = 2,
e uma varincia amostral de 5. Se assumimos que o modelo AR(2) com um termo
constante adequado, como podemos obter as estimativas (simples) de 1 , 2 , 0 , e
2a ?
2) Assumindo que os seguintes dados sejam de um processo estacionrio, calcule
as estimativas de , 0 , e 1 :
6, 5, 4, 6, 4
3) Se {Zt } satisfaz um modelo AR(1) com ' 0.7, de que modo podemos
estimar o verdadeiro valor de = 1 com uma confiana 95% que o nosso erro
5 0.1?
4) Considere um processo MA(1) para o qual sabemos que a mdia zero.
Baseado num srie de tamanho 3, ns observamos Z1 = 0, Z2 = 1, e Z3 = 0.5.
a) Mostrar que a estimativa de mnimos quadrados condicional de = 0.5.
b) Encontrar uma estimativa da varincia do rudo 2a .
5) Dado os dados Z0 = 10, Z1 = 10, Z2 = 9, e Z3 = 9.5, desejamos ajustar um
modelo IMA(1,1) com um termo constante.
a) Encontrar a estimativa de mnimos quadrados condicional de .
b) Estime 2a .
6) Considere duas parametrizaes do modelo AR(1):
I. Zt = (Zt1 ) + at
II. Zt = Zt1 + 0 + at
onde 0 = (1 ) . Estimar e ou e 0 utilizando o mnimos quadrados
condicionado a Z1 .
Mostrar que com o modelo I ns somos levado a resolver equaes no-lineares
para obter as estimativas, enquanto que no modelo II precisamos somente resolver
equaes lineares.
7) Suponha que para um modelo ARMA(1,1), com N=152, foi obtido: = 0.85,
= 0.6 e 2a = 0.086. Obtenha intervalos de confiana para e , com nvel de
95% de confiana.
56
manoel@fct.unesp.br
8) Uma srie com 400 observaes apresentou os seguintes resultados:

j
1
2
3
4
5
6
7
jj 0.8 -0.5 0.07 -0.02 -0.01 0.05 0.04
a) Explique por que podemos ajustar srie um modelo AR(2);
b) Obtenha as estimativas de 1 e 2 do modelo AR(2) utilizando as equaes
de Yule-Walker, e as estimativas do termo 0 e a V ar (at ) ;
c) Verifique se o modelo ajustado satisfaz as condies de estacionariedade;
b e
b como sendo os verdadeiros valores de e do processo
d) Utilizando
1
2
1
2
AR(2), e determine os valores de b
1 , b
2 e b
3 .
9) Suponha que um programa de identificao forneceu os seguintes resultados:
j
1
2
3
4
5
6
rj
-0.82 0.41 -0.12 0.08 -0.09 0.05
jj -0.82 -0.43 -0.05 0.25 0.20 0.12
N = 100, Z = 0.08, SZ2 = 2.4.
Identifique um modelo para Zt e obtenha as estimativas preliminares dos parmetros.
57
Captulo 8
Diagnstico do Modelo
Nesta seo faremos o diagnstico do modelo, comeando com a anlise residual, e
depois anlise de modelos sobre-parametrizada, que so, modelos mais gerais do que
o modelo especificado mas contm o modelo especificado como um caso especial.
8.1
Anlise Residual
No captulo 3 apresentamos algumas idias de anlise residual para checar a adequacidade de uma tendncia determinstica ajustada. No modelo autoregressivo
definimos facilmente os resduos. Considere em particular um modelo AR(2) com
um termo constante:
Zt = 1 Zt1 + 2 Zt2 + 0 + at
(8.1)
tendo estimado 1 , 2 , e 0 , os resduos so defindos como:
b Zt1
b Zt2 b
0
b
at = Zt
1
2
(8.2)
Os resduos iniciais b
a1 e b
a2 podem ser obtidos do procedimento de estimao utilizando valores passados para Z0 e Z1 .
Para o modelo geral ARMA, precisamos colocar na forma autoregressiva de
ordem infinita, para definir os resduos, apresentada no captulo 4, teremos ento a
seguinte equao
X
Zt =
j Ztj + at
(8.3)
j=1
os resduos sero definidos como
b
at = Zt
X
j=1
bj Ztj
(8.4)
Aqui os j no so estimados diretamente a expresso acima, mas de funes

implictas de 0 s e 0 s, utilizando a equao (6.34). No captulo 8 veremos que a
equao
X
bt =
Z
bj Ztj
(8.5)
j=1
a melhor previso de Zt baseada em Zt1 , Zt2 , .... Alm disso a equao (7.4)
pode ser escrita como
Resduos = Real Predito(estimado)
ou seja,
b
at = Zt Zbt
58
(8.6)
manoel@fct.unesp.br
8.2
CAPTULO 8. DIAGNSTICO DO MODELO
Autocorrelao dos Resduos
Para checar a independncia do rudo (erro) no modelo, vamos considerar inicialmente a funo de autocorrelao residual amostral, rbk . Para um n suficientemente
grande, verifica-se que os rbk so normalmente distribudos com mdia zero,
1
n
V ar (b
rk )
(8.7)
e
Corr (b
rk , rbj ) 0, para k 6= j
(8.8)
Sempre sob a suposio que o modelo ajustado apropriado. As autocorrelaes rbk

so calculadas por
n
P
b
at b
atk
t=k+1
(8.9)
rbk =
n
P
b
a2t
t=1
Se considerarmos um modelo AR(1) especificado e estimado corretamente, mostrase que para um n grande
2
,
n
1 1 2 2k2
V ar (b
rk )
, k > 1,
n
1 2 2k2
, k>1
Corr (b
r1 , rbk ) sin ()
1 1 2 2k2
V ar (b
r1 )
onde
(8.10)
(8.11)
1, se > 0
0, se = 0
sin () =
1, se < 0
Para um modelo AR(2) mostra-se que:
V ar (b
r1 )
22
n
(8.12)
2
22 + 21 (1 + 2 )
(8.13)
n
Se os parmetros 1 e 2 no estiverem na regio de estacionariedade, ento
V ar (b
r2 )
V ar (b
rk )
8.3
1
, para k = 3
n
(8.14)
O Teste de Box-Pierce
Box e Pierce (1970) propuseram um teste para as autocorrelaes dos resduos estimados, que, apesar de no detectar quebras especficas no comportamento de rudo
branco, pode indicar se esses valores so muito altos. Se o modelo for adequado, a
estatstica:
K
X
rbk2
Q = n (n + 2)
(8.15)
(n k)
k=1
tem uma distribuio Qui-Quadrado, , com K p q graus de liberdade (Ljung

e Box, 1978). A hiptese de rudo branco para os resduos rejeitada para valores
grandes de Q. Em geral basta tomar as primeiras 20 ou 25 primeiras rbk .
59
manoel@fct.unesp.br
8.4
CAPTULO 8. DIAGNSTICO DO MODELO
Exerccios
1) Suponha que os resduos obtidos ajustando-se o modelo Zt = (1 0.6X) at a

uma srie com N=127 observaes, forneceram as seguintes autocorrelaes residuais:
k
1
2
3
4
5
6
7
8
9
10
rk (a) -0.4 0.02 -0.07 -0.01 -0.07 -0.02 -0.15 -0.07 0.04 0.02
a) Verifique se h valores discrepantes;
b) Use o teste de Box-Pierce para verificar se o modelo adequado.
b = 1.56 e
2) Suponha que os resduos obtidos, ajustando-se o modelo AR(2),
1
b
2 = 0.66, de uma srie com N=120 observaes, forneceu as seguintes autocorrelaes residuais:
j
1
2
3
4
5
6
7
8
9
10
11
rba (j) 0.18 -0.06 -0.04 -0.11 -0.04 0.13 0.19 -0.14 0.07 0.09 0.11
a) Verifique atravs do teste de Box-Pierce se o modelo adequado.
b) H indicaes de valores discrepantes?
3) Suponha que os resduos b
at do modelo (1 X) Zt = (1 + 0.6X) at ajustados
a uma srie com N=80 observaes, forneceu as seguintes autocorrelaes residuais:
k
1
2
3
4
5
6
7
8
9
10
rba (k) 0.39 0.2 0.09 0.04 0.09 -0.13 -0.05 0.06 0.11 -0.02
a) Verifique se o modelo adequado utilizando a estatstica de Box-Pierce.
b) H indicaes de valores discrepantes?
60
12
0.09
Captulo 9
Previso com Modelos

ARIMA
Um dos principais objetivos da anlise de sries temporais fazer previses futuras,
a partir do modelo identificado, estimado e adequado. Neste captulo vamos considerar os clculos para as previses, e apresentaremos, tambm, as suas propriedades
para os modelos com tendncia determinstica e para modelos ARIMA.
9.1
Clculo da Previso de Erro Quadrtico Mdio

Mnimo
Seja a srie Zt , Zt1 , ..., Z1 , desejamos prever um valor Zt+h , ou seja, a origem t e
o horinzonte h. A previso de erro quadrtico mdio mnimo (EQMM), denotada
por Zbt (h) , dada por
Zbt (h) = E (Zt+h /Zt , Zt1 , ..., Z1 )
(9.1)
(Rever as propriedades de esperana condicional e EQMM de Predio nos

apndices F e G).
9.2
Tendncia Determinstica
Considere o modelo com tendncia determinstica

Zt = t + Xt
(9.2)
onde o componente estocstico, Xt , tem mdia zero e varincia 2a .

Para o modelo na equao (8.2) temos
bt (h) = E t+h + Xt+h /Zt , Zt1 , ..., Z1

Z
= E t+h /Zt , Zt1 , ..., Z1 + E (Xt+h /Zt , Zt1 , ..., Z1 )

= t+h + E (Xt+h )
ou
Zbt (h) = t+h , h = 1
(9.3)
bt (h) = 0 + 1 (t + h)
Z
(9.4)
desde que para h = 1, Xt+h seja independente de Zt , Zt1 , ..., Z1 .

Para o caso da tendncia linear, t = 0 + 1 t, a previso
61
manoel@fct.unesp.br
CAPTULO 9. PREVISO COM MODELOS ARIMA
Para uma tendncia sazonal de 12 meses, t = t+12 , nossa previso ser

b
Zt (h) = t+h = t+12+h = Zbt (h + 12) . Alm disso, a previso ser peridica.
O erro de previso, et (h) , dado por
et (h) = Zt+h Zbt (h)
= t+h + Xt+h t+h
= Xt+h
ento
E (et (h)) = E (Xt+h ) = 0
(9.5)
estas previses so no-viciadas, e

V ar [et (h)] = V ar (Xt+h ) = 0
(9.6)
e a varincia do erro de previso.
9.3
Previso ARIMA
Para os modelos ARIMA as previses podem ser obtidas por diferentes caminhos.
Cada expresso contribuie para o nosso entendimento dos procedimentos de previso
com respeito a clculo, atualizao, preciso, ou comportamento da previso a longo
prazo.
9.3.1
Modelo AR(1)
Considere o processo AR(1) com mdia diferente de zero

Zt = (Zt1 ) + at
(9.7)
Considere a previso de 1 unidade no tempo futuro (horizonte: h = 1). Substituindo

t por t + 1 na equao (8.7), temos
Zt+1 = (Zt ) + at+1
(9.8)
Dado que Zt , Zt1 , ..., Z1 , tomamos a esperana condicional de ambos os lados da

equao acima e obtemos:
Zbt (1) = E [(Zt /Zt , Zt1 , ..., Z1 ) ] + E [at+1 /Zt , Zt1 , ..., Z1 ]
(9.9)
Agora das propriedades de esperana condicional sabemos que E (H (X) /X = x) =

H (x) , temos
E (Zt /Zt , Zt1 , ..., Z1 ) = Zt
(9.10)
Alm disso at+1 independente de Zt , Zt1 , ..., Z1 , obtemos ento a seguinte equao
E [at+1 /Zt , Zt1 , ..., Z1 ] = E (at+1 ) = 0
(9.11)
Sendo assim, podemos escrever

bt (1) = + (Zt )
Z
(9.12)
Vimos que, uma proporo multiplica o desvio (Zt ) somado com a mdia
teremos o prximo valor futuro (horizonte).
Agora para o caso geral para um tempo futuro h. Substituindo t por t + h na
equao (8.7), e tomando as esperanas condicionais de ambos os lados, obtemos
bt (h) = + Z
bt (h 1) , h = 1
Z
(9.13)
62
manoel@fct.unesp.br
bt (h 1) e, para h = 1, at+h independesde que E (Zt+h1 /Zt , Zt1 , ..., Z1 ) = Z

dente de Zt , Zt1 , ..., Z1 . A equao (8.13) recursiva em h, e chamada de equao
diferena de previso. A partir da recurso obtemos a equao
bt (h) = Zbt (h 1) +
Z
h
i
= Zbt (h 2) +
..
.
i
h
= h1 Zbt (1) +
ou
bt (h) = + h (Zt ) , h = 1
Z
(9.14)
bt (h) , para h grande

Z
(9.15)
No caso geral, desde que || < 1, temos simplesmente
9.3.2
Erro de Previso
O erro de previso a 1 passo, et (1) , dado como

bt (1)
et (1) = Zt+1 Z
= (Zt ) + + at+1 [ + (Zt )]
ou
et (1) = at+1
(9.16)
Da equao (8.16) veremos que a varincia do erro de previso a 1 passo dada

por
V ar [et (1)] = 2a
(9.17)
Para investigar as propriedades do erro de previso a longo prazo, conveniente

expressar o modelo AR(1) na forma de um processo linear geral, ou MA()
Zt = + at + at1 + 2 at2 + ...
(9.18)
Temos ento
et (h) = Zt+h h (Zt )
= at+h + at+h1 + ... + h1 at+1 + h at + ... h (at + at1 + ...)
vamos ter
et (h) = at+h + at+h1 + ... + h1 at+1
(9.19)
que pode ser escrito como

et (h) =
h1
X
j at+hj
(9.20)
j=0
esta equao pode ser utilizada para o caso geral dos modelos ARIMA. Note que
E [et (h)] = 0, assim as previses so no-viciadas. Portanto da equao (8.20)
temos
h1
X
2j
(9.21)
V ar [et (h)] = 2a
j=0
Ns vimos que a varincia do erro de previso cresce quando h aumenta.
63
manoel@fct.unesp.br
Em particular para o caso AR(1)

1 2h
, h>1
1 2
(9.22)
1
, para h grande
1 2
(9.23)
V ar [et (h)] = 2a
Para o tempo a longo prazo temos
V ar [et (h)] 2a
ou
V ar [et (h)] V ar (Zt ) = 0 , para h grande
(9.24)
A equao (8.24) ser vlida para todos os processos ARMA estacionrios.
9.3.3
Modelo MA(1)
Vamos considerar o caso MA(1) com a mdia diferente de zero:

Zt = + at at1
(9.25)
De novo substituindo t por t + 1 na equao (8.25) e tomando as esperanas de

ambos os lados, temos
bt (1) = E (at /Zt , Zt1 , ..., Z1 )
Z
(9.26)
E (at /Zt , Zt1 , ..., Z1 ) = at
(9.27)
Entretanto, vimos no captulo 4 que, para um modelo invertvel, at uma funo

de Zt , Zt1 , ....Assim utilizando as propriedades de esperana condicional temos
Utilizando (8.27) e (8.26), temos que a previso a 1 passo para o modelo MA(1)
invertvel :
bt (1) = at
(9.28)
Z
9.3.4
Erro de Previso
O erro de previso a 1 passo dado por

bt (1)
et (1) = Zt+1 Z
= + at+1 at ( at )
et (1) = at+1
do processo linear geral temos ainda que
et (h) =
h1
X
j at+hj
j=0
V ar [et (h)] = 2a
h1
X
2j
j=0
com 1 = e j = 0 para j > 1.

Para um tempo a longo prazo temos
bt (h) = + E (at+h /Zt , Zt1 , ..., Z1 ) E (at+h1 /Zt , Zt1 , ..., Z1 )

Z
Mas para h > 1 ambos at+h e at+h1 so independentes de Zt , Zt1 , ..., Z1 . Consequentemente, estes valores esperados condicionais so zero, e temos
bt (h) = , para h > 1
Z
64
(9.29)
manoel@fct.unesp.br
9.3.5
O Caminho Aleatrio
Para ilustrar a previso com sries no-estacionrias, considere o caminho aleatrio

definido por
Zt = Zt1 + 0 + at , para t = m
(9.30)
Aqui
e
bt (1) = E (Zt /Zt , Zt1 , ..., Z1 ) + 0 + E (at+1 /Zt , Zt1 , ..., Z1 )

Z
bt (1) = Zt + 0
Z
(9.31)
bt (h 1) + 0 , h = 1
Zbt (h) = Z
(9.32)
Similarmente, a forma da equao diferena para o h a longo prazo
Recursivamente podemos obter a expresso
bt (h) = Zt + h0 , h = 1
Z
Se 0 6= 0, a previso no converge a longo prazo, mas segue uma linha reta com
inclinao 0 para todo h.
Note que a presena ou falta do termo constante 0 altera significativamente a
previso. Portanto, os termos constantes no so includos nos modelos ARIMA a
menos que, haja evidncia que a mdia na srie diferenada seja significativamente
diferente de zero.
9.3.6
Erro de Previso
Vimos que nos modelos AR(1) e MA(1), o erro de previso a 1 passo

et (1) = Zt+1 Zbt (1) = at+1
Tambm aqui temos
bt (h)
et (h) = Zt+h Z
= (Zt + h0 + at+1 + ... + at+h ) (Zt + h0 )
=
h1
X
at+hj
j=0
de acordo com a equao (8.20), desde que no modelo j = 1 para todo j. Da

equao (8.21) ns temos
V ar [et (h)] = 2a
h1
X
12
j=0
que ,
V ar [et (h)] = h 2a , h = 1
(9.33)
Em contraste com o caso estacionrio, aqui V ar [et (h)] cresce sem limite a medida
que o h aumenta. Ns vimos que esta propriedade caracterstica da varincia do
erro de previso para todos os processos ARIMA no-estacionrios.
65
manoel@fct.unesp.br
9.4
Modelo ARMA Estacionrio - Caso Geral
Para o caso geral do modelo ARMA(p,q) estacionrio e invertvel, a forma da

equao diferena para o cculo da previso dada por
bt (h 2) + ... + p Zbt (h p) + 0
(9.34)
Zbt (h) = 1 Zbt (h 1) + 2 Z
1 E (at+h1 /Zt , Zt1 , ..., Z1 ) 2 E (at+h2 /Zt , Zt1 , ..., Z1 )
... E(at+hq /Zt , Zt1 , ..., Z1 )
onde
E (at+j /Zt , Zt1 , ..., Z1 ) =
0, para j = 1
at+j , para j 5 0
Notamos que Zbt (j) uma previso verdadeira para j > 0, mas
9.4.1
bt (j) = Zt+j , para (p 1) 5 j 5 0

Z
(9.35)
(9.36)
Modelo ARMA(1,1)
Considere o modelo ARMA(1,1), temos
com
e para caso mais geral
Zbt (1) = Zt + 0 at
(9.37)
bt (h 1) + 0 para h = 2
Zbt (h) = Z
(9.38)
bt (1) + 0
bt (2) = Z
Z
As equaes (8.37) e (8.38) podem ser resolvidas recursivamente para obter-se

a expresso
bt (h) = + h (Zt ) h1 at , para h = 1
(9.39)
Z
Como as equaes (8.34) e (8.35) indicam, os termos do rudo at , at1 , ..., at(q1)
aparecem diretamente no clculo das previses para h = 1, 2, ..., q. Entretanto, para
h > q tomamos a parte autoregressiva da equao diferena, ou seja,
bt (h 1) + 2 Z
bt (h 2) + ... + p Z
bt (h p) + 0 para h > q (9.40)
bt (h) = 1 Z
Z
Se considerarmos 0 = 1 1 2 ... p , podemos escrever (8.40) como

i
i
i
h
h
h
bt (h) = 1 Zbt (h 1) +2 Z
bt (h 2) +...+p Z
bt (h p) para h > q
Z
(9.41)
bt (h) decai para zero quando h aumenNo processo estacionrio ARMA, Z
ta, e a longo prazo a previso simplismente a mdia do processo, como visto
anteriormente.
9.5
Modelos No-Estacionrios ARIMA
Como foi mostrado no caminho aleatrio, a previso dos modelos ARIMA semelhante a previses para o modelo estacionrios ARMA, mas existe algumas diferenas. Vamos considerar um modelo ARIMA(p,1,q), que pode ser escrito como um
ARMA(p+1,q) no-estacionrio, ou seja,
= 1 Zt1 + 2 Zt2 + ... + p+1 Ztp1 + 0
+at 1 at1 2 at2 ... q atq
para t > m
Zt
66
(9.42)
manoel@fct.unesp.br
onde
1
j
p+1
= 1 + 1
= j j1 , j = 2, 3, ..., p
= p
(9.43)
para a ordem geral de d diferenas, substituimos p + d por p + 1, e vamos ter p + d

coeficientes .
9.5.1
Modelo ARIMA(1,1,1)
Considere o modelo
Zt Zt1 = (Zt1 Zt2 ) + 0 + at at1
(9.44)
Zt = (1 + )Zt1 Zt2 + 0 + at at1
(9.45)
ou
A previso ser dada por
9.5.2
bt (1) = (1 + )Zt Zt1 + 0 at

Z
bt (1) Zt + 0
bt (2) = (1 + )Z
Z
..
.
b
bt (h 1) Z
bt (h 2) + 0 para h > 2
Zt (h) = (1 + )Z
(9.46)
Erro de Previso
O erro de previso ser dado por

et (h) =
h1
X
j at+hj , h = 1
(9.47)
j=0
com
E [et (h)] = 0, h = 1
e
V ar [et (h)] = 2a
h1
X
2j , h = 1
(9.48)
(9.49)
j=0
Entretanto, para os modelos no-estacionrios os pesos j no decaem para zero

quando j aumenta. Alm disso, para alguns modelos no-estacionrios, a equao
(8.49) mostra que o a varincia do erro de previso crescer sem limite quando o
h aumenta. Este fato no ser tambm uma supresa, desde que com sries noestacionrias o futuro distante quase incerto.
9.6
Atualizao das Previses
Vamos calcular as previses de Zt+h+1 feitas a partir de duas origens:

bt+1 (h) = h at+1 + h+1 at + h+2 at1 + ...
t+1 : Z
bt (h + 1) = h+1 at + h+2 at1 + ...
t : Z
(9.50)
bt (h + 1) + h at+1
Zbt+1 (h) = Z
(9.52)
(9.51)
Subtraindo (8.51) de (8.50) temos que:
67
manoel@fct.unesp.br
Assim, a previso de Zt+h+1 , feita no instante t, pode ser atualizada quando

um novo dado, Zt+1 , observado. Deste modo, faremos a previso de Zt+h+1 , na
bt (h + 1) um mltiplo do erro de previso et (1) =
origem t + 1, adicionando-se Z
b
Zt+1 Zt (1) = at+1 .
9.7
Intervalo de Confiana para Previso
Para um modelo com tendncia determinstica com rudo branco at , ns temos que
bt (h) = t+l
Z
V ar [et (h)] = V ar (at+h ) = 0
bt (h) = at+h normalSe at N 0, 2 , ento o erro de previso et (h) = Zt+h Z

mente distribudo.
Alm disso, para um dado nvel de confiana 1 , podemos utilizar a tabela da
normal padronizada para encontrar um intervalo de (1 /2) 100% de confiana,
ou seja
"
#
Zt+h Zbt (h)
P z (1 /2) < p
< z (1 /2) = 1
(9.53)
V ar [et (h)]
ou
h
i
p
p
bt (h) z (1 /2) V ar [et (h)] < Zt+h < Z
bt (h) + z (1 /2) V ar [et (h)]
P Z
(9.54)
temos que (1 /2) 100% de confiana que as observaes futuras estaro contida
dentro dos limites
p
bt (h) z (1 /2) V ar [et (h)]
Z
(9.55)
9.8
Transformaes e Previses
Se Zt a srie original, e Yt = g (Zt ) uma transformao (instantnea, que no

involve Ztj , j = 1) de Zt . Uma das principais razes de se fazer uma transformao
que Yt pode ser Gaussiana e, neste caso, a previso tima (no sentido de mnimos
quadrados) uma funo linear das observaes.
Em Econmia, comum termos sries com tendncia na mdia, de modo que
tomando-se diferenas obtm-se sries estacionrias. Mas se a varincia aumenta
com o tempo, s tomar diferenas pode no ser suficiente e uma transformao dos
dados dever ser tentada. O usual, para sries econmicas, tomar uma diferena
do logaritmo da srie original. Para que a transformao logartmica seja apropriada, a mdia e o desvio-padro (ou outra medida de variabilidade) devero ser
proporcionais.
O problema que se apresenta o de obter previso para Zt+h , dado que temos
um modelo para Yt e temos previses para:
Yt+h = g (Zt+h )
(9.56)
Uma maneira ingnua de proceder considerar a equao (8.56) e substituir

previses por valores futuros:
bt (h) .
Ybt (h) = g Z
(9.57)
68
manoel@fct.unesp.br
bt (h) em funo de Ybt (h) a partir de (8.57); em particDepois, tentamos obter Z

ular, se g admite inversa, temos que
bt (h) = g 1 Ybt (h) .

Z
Por exemplo, se
Yt = ln Zt
ento Zt = exp (Yt ), e uma previso para Zt+h ser
bt (h) = exp Ybt (h)

Z
:
(9.58)
(9.59)
Contudo, pode-se demonstrar que, no caso de Yt ser gaussiana, a previso tima
1
b
exp Yt (h) + V ar [et (h)]
(9.60)
2
Vemos, ento, que o procedimento (8.59) conduz a previses viciadas e, como consequncia, o EQM de previso aumentar.
Se Yt = ln Zt segue um modelo ARIMA,
ento sabemos que a distribuio
b
condiconal de Yt+h , dado o passado, N Yt (h) , V ar [et (h)] , e um intervalo de
confiana para Yt+h , com coeficiente de 95% de confiana, ser
0.5
ar [et (h)]
Ybt (h) 1.96 Vd
(9.61)
Daqui, segue-se que um intervalo de confiana para Zt+h , com coeficiente de

95% de confiana, ser
0.5
b
d
exp Yt (h) 1.96 V ar [et (h)]
(9.62)
Lembremos que Vd
ar [et (h)] a estimativa de V ar [et (h)], com 2a substitudo
c
2
por a , no ajuste do modelo Yt .
9.9
9.9.1
Resumo de Previses para alguns Modelos ARIMA

AR(1): Zt = (Zt1 ) + at
bt (h 1)
Zbt (h) = + Z
= + h (Zt )
para h grande
1 2h
1 2
2a
para h grande
1 2
= j para j > 0
V ar [et (h)] = 2a
69
manoel@fct.unesp.br
9.9.2
MA(1): Zt = + at at1
bt (h) =
Z
V ar [et (h)] =
j
9.9.3
at para h = 1
para h > 1
2a
2
a para
h=1
1 + 2 para h > 1
para h = 1
0 para h > 1
IMA(1,1) com termo constante: Zt = Zt1 +0 +at at1

bt (1) = Zt + 0 at
Z
Zbt (h) = Zt + h0 at
X
= h0 + (1 )
j Ztj
j=0
V ar [et (h)] =
1 + (h 1) 1 2
j = 1 para j > 0
2a
Note que se 0 6= 0, a previso segue uma reta com inclinao 0 , mas se 0 = 0,

bt (h) o mesmo para todo h.
que o caso usual, ento Z
9.9.4
IMA(2,2): Zt = 2Zt1 Zt2 + 0 + at 1 at1 2 at2

bt (1) = 2Zt Zt1 + 0 1 at 2 at1
Z
bt (1) Zt + 0 2 at
bt (2) = 2Z
Z
bt (h 1) Z
bt (h 2) + 0 , para h > 2
bt (h) = 2Z
Z
0
= A + Bh + h2 , para h = 1
2
(9.63)
bt (2) + 0
A = 2Zbt (1) Z
(9.64)
j = 1 + 2 + (1 1 2 ) j para j > 0
(9.66)
onde
bt (1) 3 0
B = Zbt (2) Z
(9.65)
2
Se 0 6= 0, ento a previso segue uma curva quadrtica em h, mas se 0 = 0, a
bt (1) e passar atravs das
previso forma uma linha reta com inclinao Zbt (2) Z
bt (2). Podemos mostrar que a V ar [et (h)] uma
bt (1) e Z
duas previses iniciais Z
funo cbica de h (Box e Jenkins,1976). Ns temos tambm
9.10
Exerccios
bt (1) .
1) Para um modelo AR(1) com Zt = 12.2, = 0.5, e = 10.8, encontrar Z
2) Suponha que as vendas anuais (em milhes de reais) de uma empresa, segue
o modelo AR(2):
Zt = 5 + 1.1Zt1 0.5Zt2 + at , com 2a = 2
70
manoel@fct.unesp.br
a) Se as vendas para 1985, 1984, e 1983 foram R$10 milhes, R$11 milhes, e
R$9 milhes, respectivamente, prever as vendas para 1986 e 1987.
b) Mostrar que 1 = 1.1 para este modelo.
c) Calcule um intervalo de 95% de confiana para os anos de 1986 e 1987.
d) Se as vendas em 1986 so de R$12 milhes, qual ser a previso para 1987.
3) Considere o modelo
Zt = 0 + 1 t + Xt com Xt = Xt1 + at
Assumindo que 0 , 1 , e so conhecidos. Mostrar que o eqm mnimo de previso
a h passos a frente pode ser escrito como
Zbt (h) = 0 + 1 (t + h) + h (Zt 0 1 t)
4) Verifique a equao (8.22)

5) Verifique a equao (8.39)
bt (h) , h = 1, 2, ..., para os seguintes modelos
6) Obtenha a funo de previso Z
ARIMA:
2
a) 1
X
0.25X
Zt =
(1 +0.5X) at
2
b) Zt 1 0.5X + 0.5X = at 1 0.5X 0.25X 2
7) Considere o modelo Zt = 0.8(Zt ) + at , at N (0, 1) . Suponha os
seguintes dados:
t
1 2 3 4 5 6 7
Zt 6 5 4 6 4 7 5
bt (h) para h = 1, 2, 3 e 25.
Obtenha: a) Z
b) A V ar [et (h)] para h = 1, 2, 3 e 25.
c) Os intervalos com 95% de confiana para Z8 , Z9 e Z10 .
8) As seguintes observaes Z91 , Z92 , ..., Z100 representam os valores de uma srie
temporal ajustada pelo modelo:
Zt Zt1 = at 1.1at1 + 0.3at2 , onde os valores so
Z = [166; 172; 172; 169; 164; 168; 171; 167; 168; 172]
b100 (h), h = 1, 2, ..., 10 (utilize b
a99 = b
a100 = 0).
a) Calcule as previses Z
2
b) Sabendo que a = 1.1, calcule a V ar [et (h)], h = 1, 2, ...10 e construa intervalos de confiana para os valores Zt+h .
c) Determine os coeficientes j e, utilizando a nova observao Z101 = 174,
b101 (h) , h = 1, ..., 9.
calcule as previses atualizadas Z
9) Considere o modelo Zt = 0.8Zt + at , com at N (0, 1) .
a) Obtenha Zbt (h) para h = 1, 2, 3, 4.
b) Obtenha a V ar [et (h)], h = 1, 2, 3, 4.
t
1
2
3
4
5
6
7
c) Suponha os dados:
Zt 0.66 0.57 0.66 -1.47 -1.38 -1.9 -0.7
bt (h) para h = 1, 2, 3, 4.
c.1) Calcule Z
c.2) Obtenha um intervalo de 95% de confiana para Z8 e Z9 .
10) a) Mostre como se faz previses no modelo ARIMA(1,1,1) utilizando a
bt (1) = at+1 para que as previses
equao diferena. Utilize o fato que Zt+1 Z
fiquem apenas em funo das observaes.
b) Mostre como previses podem ser atualizadas.
c) Utilizando o modelo do item a), suponha que sua srie Z1 , Z2 , ..., Z100 .
Quando o valor real Z101 for conhecido como voc atualizaria sua previso?
71
Captulo 10
Modelos Sazonais
No captulo 3 vimos um pouco sobre tendncia sazonal, neste captulo vamos estudar
os modelos sazonais determinsticos e estocsticos, procurando dar mais enfase aos
modelos estocsticos, ou seja, os modelos de Box-Jenkins, para sries sazonais,
chamados SARIMA.
possvel que, mesmo aps eliminar a componente sazonal determinstica, ainda
reste correlao significativa em:
(i) lags de baixa ordem, indicando que os resduos ainda so correlacionados,
podendo-se ajust-los atravs de um modelo ARIMA;
(ii) lags sazonais, isto , mltiplos de perodo s. Isto significa que h necessidade de se considerar uma sazonalidade estocstica, ou seja, ajustar srie original
um modelo ARIMA sazonal (SARIMA).
Consideraremos, por simplicidade, dados observados mensalmente e sazonalidade de perodo s = 12. Trataremos, separadamente, os dois tipos de sazonalidade.
10.1
Sazonalidade Determinstica
Quando Zt exibe um comportamento sazonal determinstico com perodo 12, um

modelo que pode ser til :
Zt = t + Nt
(10.1)
onde t uma funo determinstica perodica, satisfazendo t t12 = 0, ou
(10.2)
1 X 12 t = 0
e Nt um processo estacionrio que pode ser modelado por um ARMA(p, q).

Dessa maneira, Nt satisfaz equao
(X) Nt = (X) at
(10.3)
onde at rudo branco e t tem soluo geral dada por:

t = +
6
X
j=1
j cos
(2jt)
(2jt)
+ j sen
12
12
(10.4)
onde , j , j , j = 1, ..., 6, so constantes desconhecidas.
Para um modelo sazonal determinstico, aplicando a diferena sazonal 1 X 12

expresso (9.1), temos:
(10.5)
1 X 12 Zt = 1 X 12 t + 1 X 12 Nt
72
manoel@fct.unesp.br
CAPTULO 10. MODELOS SAZONAIS
de acordo com (9.2), temos:
1 X 12 Zt = 1 X 12 Nt
(10.6)
Substituindo (9.3) em (9.5), temos:
1 X 12 Zt
(X) 1 X 12 Zt
(X) Wt
onde Wt = 1 X 12 Zt .
10.2
(X)
1 X 12
at
(X)
= 1 X 12 (X) at
= 1 X 12 (X) at
=
(10.7)
Identificao
A identificao de modelos da forma (9.7) feita em 2 passos:

e de , j e , j = 1, ..., 6, em
I. Obtemos as estimativas preliminares
e,
ej ,
j
j
(9.4), atravs de uma anlise de regresso de Zt sobre 1, sen (2jt)
e cos (2jt)
12
12 ,
j = 1, ..., 6.
II. Calculamos os resduos:
6
X
(2jt) e
(2jt)
et = Zt
N
e
e j cos
+ j sen
12
12
j=1
e examinamos as funes de autocorrelao e autocorrelao parcial para identificar
um modelo ARMA(p,q) para Nt .
10.3
Estimao
A estimao de mxima verossimilhana dos parmetros , j e j , j = 1, ..., 6,

obtida por mtodos similares aqueles apresentados na estimao dos parmetros de
um modelo ARMA.
10.4
Previso
As previses de valores futuros Zt+h , dados Z1 , ..., Zt , so obtidos observando que:

bt (h) = E (Zt+h /Zt , Zt1 , ..., Z1 )
Z
= E t+h + Nt+h /Yt , Yt1 , ..., Y1

= t+h + E (Nt+h /Yt , Yt1 , ..., Y1 )
vamos ter
ct (h)
Zbt (h) = t+h + N
(10.8)
ct (h) so calculados utilizando os modelos (9.4) e (9.3), respectionde t+h e N

vamente. O
et obtido atravs de (9.4), substituindo cada um dos parmetros
pelos seus estimadores de minmos quadrados de , j e j e substituindo Nt por
et = Zt
N
et .
73
manoel@fct.unesp.br
10.5
Sazonalidade Estocstica
Pode ser adequado considerar t em (9.1) como um processo estocstico satisfazendo:
1 X 12 t = Yt
(10.9)
onde Yt um processo estacionrio. Aplicando, agora, o operador 1 X 12

equao (9.1), obtemos:
1 X 12 Zt = 1 X 12 t + 1 X 12 Nt
De acordo com (9.9), temos:
1 X 12 Zt = Yt + 1 X 12 Nt
(10.10)
com Y (X) Yt = Y (X) at e N (X) Nt = N (X) t , onde at e t so rudos brancos

independentes.
Podemos demonstrar que a expresso (9.10) equivalente a:
1 1 X 12 ... P X 12P 1 X 12 Zt = 1 1 X 12 ... Q X 12Q t

(10.11)
ou
12
X 12 D
(10.12)
t
12 Zt = X
onde (X) = 1 1 X 12 ... P X 12P o operador

AR-Sazonal de ordem
12Q
P, estacionrio; (X) = 1 1 X 12 ...
o
operador MA-Sazonal
Q
12
de ordem Q, invertvel; 12 = 1 X
o operador diferena Sazonal; 12 =
D
1 X 12 , indicando o nmero de diferenas sazonais , onde t pode ser,

eventualmente, rudo branco; neste caso, a fac do processo Zt zero para todos os
lags no-sazonais e o modelo (9.11) denominado modelo sazonal puro.
Supondo, que o processo t em (9.12) satisfaz um modelo ARIMA(p,d,q),
(X) t = (X) at
(10.13)
onde at um processo de rudo branco. Ento, demonstra-se que Zt satisfaz o

modelo
12
(X) X 12 D
(10.14)
at
12 Zt = (X) X
onde (X) = 1 1 X ... p X p e (X) = (1 1 X ... q X q ), e os demais polinmios definidos em (9.12).

O modelo (9.14) denominado ARIMA sazonal multiplicativo (SARIMA) de
ordem (p,d,q)(P, D, Q)12 .
10.6
Identificao, Estimao e Verificao
Em princpio no teremos nenhuma dificuldade adicional nestas trs etapas para os

modelos sazonais. A diferena que temos que diferenar a srie com respeito a
e 12 (se s = 12), a fim de produzir estacionariedade, obtendo valores para d e D.
Inspecionamos as fac e facp amostrais da srie adequadamente diferenada nos
lags 1,2,3,... para obter valores de p e q nos lags 12,24,36,... para obter valores
de P e Q, selecionando-se, desse modo, um modelo tentativo.
Estimam-se os valores dos parmetros identificados, utilizando estimadores de
mxima verossimilhana.
Finalmente, para verificar se o modelo proposto adequado, utilizam-se testes
de autocorrelao residual, Box-Pierce, etc.
74
manoel@fct.unesp.br
10.7
Exemplos de Modelos Sazonais
10.7.1
Exemplo 1
Modelo Sazonal MA(Q)s de ordem Q:

Zt = at 1 ats ... Q atQs
com polinmio caracterstico sazonal MA
(X) = 1 1 X s ... Q X sQ
(10.15)
(10.16)
podemos verificar que esta srie estacionria e que a fac ser diferente de zero
somente nos lags sazonais de s, 2s, 3s, ..., Qs. Temos um caso especial quando
q = Qs, com todos os 0 s = 0, exceto para s, 2s, ..., Qs. Particularmente,
ks =
k + 1 k+1 + ... + Qk Q
, k = 1, ..., Q
1 + 21 + ... + 2Q
(10.17)
o modelo ser invertvel se as razes de (X) = 0 excede a unidade em valor

absoluto.
10.7.2
Exemplo 2
Modelo Sazonal AR(P)s de ordem P:

Zt = 1 Zts + ... + P ZtP s + at
com polinmio caracterstico sazonal AR
(X) = 1 1 X 12 ... P X 12P
(10.18)
(10.19)
Estamos supondo que at independente de Zt1 , Zt2 , ... e, para a srie ser estacionria as razes de (X) = 0 so maiores que 1 em valor absoluto. Novamete um
caso especial quando p = P s, com todos os 0 s = 0, exceto nos lags s, 2s, ..., P s.
10.7.3
Exemplo 3
Modelo Sazonal Multiplicativo ARMA(p,q)(P, Q)s :
(10.20)
(X) X 12 Zt = (X) X 12 at
12
com
caractersticos AR s (X) e X
, e polinmios MAs (X) e
polinmios
X 12 .
10.7.4
Exemplo 4
Modelo ARIMA(0,1,1)(1, 0, 1)12

Zt Zt1 = (Zt12 Zt13 ) + at at1 at12 + at13
(10.21)
A funo de previso a um passo dada por:

Zbt (1) = Zt + Zt11 Zt12 at at12 + at12
bt (1) + Zt10 Zt11 at10 + at11
Zbt (2) = Z
(10.22)
Os termos do rudo at13 , at12 , ..., at entram na previso para h = 1, 2, ..., 13, mas
para h > 13 tomamos a parte autoregressiva do modelo, e temos
Zbt (2) = Zbt (h 1) + Zt (h 12) Zt (h 13) , para h > 13
(10.23)
Para entender melhor os modelos de previso, vamos considerar alguns casos

especiais a seguir.
75
manoel@fct.unesp.br
10.7.5
Exemplo 5
O modelo sazonal AR(1)12

Vamos ter ento
Zt = Zt12 + at
(10.24)
bt (h) = Z
bt (h 12)
Z
(10.25)
bt (h) = k+1 Zt+r11

Z
(10.26)
Entretanto podemos escrev-lo como
onde k e r so definidos por h = 12k + r + 1 com 0 5 r < 12 e k = 0, 1, 2, ....Em

outras palavras, k a parte inteira de (h 1) /12, e r/12 a parte fracional de
(h 1) /12.
Vamos determinar os pesos 0 s para esse modelo, sabendo que, somente para os
mltiplos de 12, eles so diferente de zero, ou seja
j/12
, j = 0, 12, 24, ...
(10.27)
j =
0, caso contrrio
temos ento que a varincia do erro de previso pode ser escrita como
V ar [et (h)] =
1 2k+2 2
1 2 a
(10.28)
onde h = 12k + r + 1.
10.7.6
Exemplo 6
Modelo sazonal MA(1)12, temos

Zt = at at12 + 0
(10.29)
Neste caso temos a seguinte funo de previso

b (1) = at11 + 0
Z
b (2) = at10 + 0
Z
..
.
b
Z (h) = 0 , para h > 12
(10.30)
Aqui obtemos diferentes previses para os meses do primeiro ano, mas para os anos
seguintes as previses so dadas pela mdia do processo.
Para este modelo 0 = 1, 12 = , e j = 0 caso contrrio. Alm disso,
teremos a seguinte varincia para o erro de previso
2
a , 215 2h 5 12
V ar [et (h)] =
(10.31)
1 + a , h > 12
10.7.7
Exemplo 7
Modelo ARIMA(0, 0, 0) (0, 1, 1) 12, temos

Zt Zt12 = at at12
76
(10.32)
manoel@fct.unesp.br
Com funo de previso dada por:

b (1) = Zt11 at11
Z
b (2) = Zt10 at10
Z
..
.
b
Zt (12) = Zbt (h 12) , h > 12
(10.33)
Observamos que todos os meses de janeiro, fevereiro,..., dezembro, tem previses

idnticas entre si, e assim por diante.
Neste caso temos j = 1 , para j = 12, 24, ..., e zero caso contrrio. A
varincia do erro de previso dada, ento, por
h
i
(10.34)
V ar [et (h)] = 2a 1 + k (1 )2 ,
onde h = 12k + r + 1, k = 0, 1, ..., e 0 5 r < 12.
10.7.8
Exemplo 8
Modelo ARIMA(0, 1, 1) (0, 1, 1) 12, temos

Zt = Zt1 + Zt12 Zt13 + at at1 at12 + at13
(10.35)
A funo de previso satisfaz

bt (1) = Zt + Zt11 Zt12 at1 at11 + at12
Z
bt (1) + Zt10 Zt11 at10 + at11
bt (2) = Z
Z
..
.
b
bt (11) + Zt Zt1 at + at1
Zt (12) = Z
b (12) + Z
bt (1) Zt + at
bt (13) = Z
Z
(10.36)
bt (h) = Z
b (h 1) + Z
bt (h 12) Zbt (h 13) , para h > 13
Z
Para entender o padro geral dessas previses, podemos utilizar a representao

bt (h) = A1 + A2 h +
Z
6
X
2jh
2jh
B1j cos
+ B2j sin
, h>0
12
12
j=0
(10.37)
onde Aj e Bj so independentes de Zt , Zt1 , ..., ou, alternativamente, determinados

bt (13) .
bt (1) , Zbt (2) , ..., Z
das previses iniciais Z
Este resultado
segue-se
da teoria geral das equaes diferenas e envolve as razes
de (1 X) 1 X 12 = 0. (ver Abraham & Box, 1978).
10.8
Exerccios
1) Baseado em dados trimestrais, um modelo sazonal da forma

Zt = Zt4 + at 1 at1 2 at2
foi ajustado para srie temporal.
a) Encontrar os 4 primeiros pesos 0 s deste modelo.
b) Suponha que 1 = 0.5, 2 = 0.25, e 2a = 1 e que os dados para os ltimos
4 trimestres so:
77
manoel@fct.unesp.br
I
II III IV
Srie
25 20 25 40
Resduo 2
1
2
3
Encontre a previso para os prximos 4 trimestres.
c) Encontre um intervalo de 95% de confiana para as previses em b.
2) Para o modelo sazonal Zt = Zt4 + at at1 , com || < 1, encontrar 0
e k para k > 0.
3) Identifique os seguintes modelos sazonais multiplicativos ARIMA:
a) Zt = 0.5Zt1 + Zt4 0.5Zt5 + at 0.3at1 .
b) Zt = Zt1 + Zt12 Zt13 + at 0.5at1 0.5at12 + 0.25at13 .
4) Suponha que o processo {Zt } se desenvolve de acordo com
Zt = Zt4 + at , para t > 4
com Zt = at para t = 1, 2, 3, 4. Encontrar a funo varincia e a funo de
autocorrelao para {Zt } .
78
Apndice A
Esperana Condicional
Se X e Y tem f.d.p. conjunta f (x, y) e seja f (x) a f.d.p. marginal de X, ento a
f.d.p. condicional de Y |X = x dada por
f (x, y)
.
f (x)
f (x|y) =
A esperana condicional de Y |X = x ento definida como

Z
yf (y|x) dy.
E (Y |X = x) =
Observe que a mdia da distribuio condicional, e alm disso, tem todas as

propriedades de mdias comum e valores esperados. Por exemplo,
E (aY + bZ|X = x) = aE (Y |X = x) + bE (Z|X = x)
e
E [h (Y ) |X = x] =
h (y) f (y|x) dy.
Pode-se demonstrar a seguinte propriedade

E [h (X) |X = x] = h (X)
a varivel aleatria h (X) pode ser tratada como uma constante. Contudo geralmente,
E [h (X, Y ) |X = x] = E [h (x, Y ) |X = x] .
Se fizer E [h (X) |X = x] = g (x) , ento g (X) = Y uma v.a., e
E [g (X)] = E (Y ) .
Que pode ser escrito como E [E (Y |X)] = E (Y ) .Se Y independente de X, ento
E (Y |X) = E (Y ) .
79
Apndice B
Predio de Erro Quadrtico

Mdio Mnimo
Suponha Y uma v.a. com mdia y e varincia 2y . Se o objetivo fazer a predio
de Y utilizando somente uma constante c, qual a melhor escolha para c? Um bom
critrio escolher um valor de c que minimiza o erro quadrtico mdio (EQM) de
predio, ou seja,
2
min g (c) = E (Y c) .
Expandindo g (c) , temos

g (c) = E Y 2 2cE (Y ) + c2
como g (c) uma funo quadrtica em c, resolvendo a equao g 0 (c) = 0, encontrase o ponto de mnimo da funo, tem-se ento
g 0 (c) = 2E (Y ) + 2c = 0
encontrando
c = E (Y ) = y
nota-se que
2
min g (c) = E Y y = 2y .
(B.1)
(B.2)
Agora considere a situao em que uma segunda v.a. X utilizada, e deseja-se

utilizar o valor observado de X para predizer Y.Seja = Corr(X, Y ).
Supondo que, somente funes lineares a+bX podem ser utilizadas para predi.
O EQM ento dado por
g (a, b) = E (Y a bX)2
expandindo a funo g (a, b) tem-se

g (a, b) = E Y 2 + a2 + b2 E X 2 2aE (Y ) + 2abE (X) 2bE (XY ) .
A funo quadrtica em a e b. Alm disso, pode-se encontrar o ponto de mnimo

resolvendo simultaneamente as equaes lineares
g (a, b)
g (a, b)
=0e
= 0.
a
b
tem-se
g (a, b)
= 2a 2E (Y ) + 2bE (X) = 0
a
80
manoel@fct.unesp.br
APNDICE B. PREDIO DE ERRO QUADRTICO MDIO MNIMO

g (a, b)
= 2bE X 2 + 2aE (X) 2E (XY ) = 0
b
as quais podemos escrever como
a + E (X) b = E (Y )

E (X) a + E X 2 b = E (XY )
(B.3)
(B.4)
multiplicando (B.3) por E (X) e subtraindo de (B.4) obtm-se:

E X 2 b E 2 (X) b = E (XY ) E (X) E (Y )
obtendo
b=
ou
E (XY ) E (X) E (Y )
Cov(X, Y )
=
E (X 2 ) E 2 (X)
V ar (X)
b = Corr (X, Y )
V ar (Y )
y
=
V ar (X)
x
ento substituindo em (B.3) o valor de b obtm-se:

a = E (Y )
a = y
y
E (X)
x
x x
Se Yb a predio de EQM mnimo de Y , baseado numa funo linear de X, ento

pode-se escrever
y
y
Yb = y x + X
(B.5)
x
x
ou
Yb y
X x
=
y
x
em termos de v.a. padronizadas Y 0 e X 0 , tem-se Y 0 = X 0 .
Pode-se verificar tambm que
Prova
y
y
b
min g b
a, b = E Y x + X = 2y 1 2 .
x
x
2

y
y
min g b
a, bb
= E Y x + X
x
x
!2
b y
Y
X
x
= 2y E
y
x
= 2y V ar (Y 0 ) + 2 V ar (X 0 ) 2Cov (Y 0 , X 0 )
= 2y 1 + 2 2 = 2y 1 2 .
Considere agora o caso mais geral do problema de predio de Y com uma funo
arbitrria de X. Desde que o critrio escolhido seja minimizar o EQM de predio,
precisa-se escolher uma funo h (X) que minimize
2
E [Y h (X)]
81
(B.6)
manoel@fct.unesp.br
APNDICE B. PREDIO DE ERRO QUADRTICO MDIO MNIMO
pode-se escrever esta funo como:

n
o
E [Y h (X)]2 = E E [Y h (X)]2 |X
para X = x obtm-se
E [Y h (X)]2 |X = x = E [Y h (x)]2 |X = x
(B.7)
(B.8)
para cada valor de x, h (x) uma constante, e pode-se aplicar o resultado E (Y ) = y

para a distribuio condicional Y |X = x. Alm disso, para cada x, a melhor escolha
de h (x)
h (x) = E (Y |X = x) .
Desde que a escolha de h (x) minimize a esperana interna na equao (B.7), a
funo h (x), tambm fornece o mnimo da equao (B.5), e
h (X) = E (Y |X)
(B.9)
o melhor preditor de Y de todas as funes de X.

Se X e Y tem distribuio normal bivariada, mostra-se que
E (Y |X) = y +
y
(X x )
x
(B.10)
observa-se que as solues (B.10) e (B.5) coincidem. Neste caso, a melhor de todas
as funes linear.
Agora se a predio de Y for baseada numa funo de variveis aleatrias
X1 , X2 , ..., Xn , ento pode-se argumentar facilmente que o preditor de EQM mnimo
dado por
E (Y |X1 , X2 , ..., Xn )
82
Referncias Bibliogrficas
[1] BOX, G.E.P. & JENKINS, G.W. Time Series Analysis, Forecasting and Control.
Holden-Day, 1976.
[2] BOX, G.E.P. & JENKINS, G.W. and REINSEL, G.C. Time Series Analysis:
Forecasting and Control. Third Edition. Prentice-Hall, Englewood Clis, N.J.,
1994
[3] MORETTIN, P.A. & TOLOI, C.M. Previso de Sries Temporais. So Paulo,
Atual, 1985.
[4] MORETTIN, P.A. & TOLOI, C.M. Anlise de Sries Temporais. Editora
Edgard Blcher, So Paulo, 2004.
[5] CRYER, J.D. Time Series Analysis. PWA- Dent Publishing Company-Boston,
1986.
[6] CHATFIELD, C. The Analysis of Time Series: An Introduction. Chapman-Hall,
1984.
[7] MONTGOMERY, D.C. & JONHSON, L.A. Forecasting and Time Series Analysis New York, Mcgraw-Hill, 1976.
83

Apostila Series Temporais UNESP

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Apostila Series Temporais UNESP

Enviado por

Direitos autorais:

Formatos disponíveis

Apostila de Anlise de Sries Temporais

Autor: Prof. Manoel Ivanildo Silvestre Bezerra

4 Modelos de Suavizao Exponencial

5 Modelos de Box-Jenkins para Sries Estacionrias

6 Modelos para Sries Temporais No-Estacionrias

7 Estimao dos Parmetros

9 Previso com Modelos ARIMA

B Predio de Erro Quadrtico Mdio Mnimo

Exemplo1: Vamos supor que desejamos medir a temperatura do ar, de um local,

Figura 1.1: Temperatura do ar, de dado local, durante 24 horas.

Z(t) = [Z1 (t), Z2 (t), Z3 (t)]

Uma srie temporal estacionria quando ela se desenvolve aleatoriamente, no

Figura 1.2: Srie no estacionria quanto ao nvel e inclinao.

= [Zt ] = [Zt Zt1 ]

De modo geral, a n esima diferena de Zt n Zt = n1 Zt . Em situaes

Seja T um conjunto arbritrio. Um processo estocstico uma famlia Z = {Zt , t T }

Figura 2.1: Um processo estocstico interpretado como uma famlia de variveis

CAPTULO 2. CONCEITOS BSICOS

Figura 2.2: Um processo estocstico interpretado como uma famlia de trajetrias.

Especificao de um Processo Estocstico

Sejam t1 , t2 , ..., tn elementos quaisquer de T e consideremos

ento, o processo estocstico Z = {Z(t), t T } estar especificado se as distribuies

(r1 , ..., rn ; t1 , ..., tn ) = E Z r1 (t1 )...Z rn (tn)

CAPTULO 2. CONCEITOS BSICOS

t,s = Cov(Zt , Zs ) = E [(Zt t ) (Zs s )] para t, s = 0, 1, 2, ...

onde E [(Zt t ) (Zs s )] = E (Zt Zs ) t s .

onde t,s = Cov(Zt , Zs ), t,t = V ar(Zt ) e s,s = var(Zs ).

E1. Se h (x) uma funo tal que

|h (x)| f (x) dx < ento

E2. Se X e Y tem fdp conjunta f (x, y) e

|h (x, y)| f (x, y) dx < , ento

h(x, y)f (x, y)dxdy

E3. Como um corolrio para E2 ns temos o importante resultado

xyf (x, y)dxdy.

Temos ainda que, a varincia da varivel aleatria X definida como 2X = V ar (X) =

CV1. Se X e Y so independentes, ento Cov(X, Y ) = 0.

CAPTULO 2. CONCEITOS BSICOS

Outras Propriedades Importantes

i) t,t = V ar(Zt ), t,t = 1

iii) t,s 5 t,t s,s , t,s 5 1, ou 1 5 t,s 5 1.

podemos dizer que, a covarincia entre duas combinaes lineares a soma de

ci cj Cov [Z(ti ), Z(tj )]

Seja a1 , a2 , ... variveis aleatrias independentes, identicamentes distribudas, cada

CAPTULO 2. CONCEITOS BSICOS

Obtendo a funo mdia de (2.8) temos:

= E(Zt ) = E (a1 + a2 + ... + at )

como E (at ) = 0, ns temos:

O passeio aleatrio um exemplo simples que representa diversos fenmenos

CAPTULO 2. CONCEITOS BSICOS

Exemplo 2: (Mdia-Mvel de ordem 1)

onde at so v.a.i.i.d. com mdia zero e varincia 2a .

Para t,s temos

Estacionariedade para um Processo Estocstico

A estacionariedade a suposio mais importante para um processo estocstico,

CAPTULO 2. CONCEITOS BSICOS

Quando n = 2, a distribuio de (Zt , Zs ) a mesma de (Ztk , Zsk ) , do qual

= Cov (Zt , Zs ) = Cov (Ztk , Zsk )

= Cov (Ztt , Zst ) = Cov (Z0 , Zst )

da podemos concluir que

A covarincia entre Zt e Zs depende somente da diferena temporal |t s| e

= Cov (Zt , Ztk ) e

= Corr (Zt , Ztk ) = k

As propriedades gerais para um processo estacinrio so: