APOSTILA SOBRE

MODELAGEM BOX AND JENKINS

Glaura C. Franco
Depto. Estatstica - UFMG

Sumrio
1. Sries Temporais ............................................................................................................... 4
1.1 Anlise no domnio do tempo ............................................................................. 4
1.2 Operadores .......................................................................................................... 5
1.3 Estacionariedade e Ergodicidade ........................................................................ 5
1.4 Rudo Branco ...................................................................................................... 6
1.5 Transformao Box Cox .................................................................................. 6
2. Modelo de Box & Jenkins ................................................................................................. 7
2.1 Tipos de modelos ................................................................................................. 8
2.2 Estacionariedade dos Modelos Box & Jenkins ................................................... 8
2.3 Inversibilidade dos Modelos Box & Jenkins ....................................................... 9
2.4 Modelos no estacionrios ARIMA .................................................................. 10
2.5 Formas do modelo ARIMA ............................................................................... 11
2.6 Exerccios .......................................................................................................... 11
3. Funes de Autocorrelao e Autocorrelao Parcial .................................................... 13
3.1 Funo de Autocorrelao (FAC) ..................................................................... 13
3.2 Funo de Autocorrelao Parcial (FACP) ....................................................... 14
3.3 Exerccios .......................................................................................................... 16
4. Identificao de Modelos ................................................................................................ 17
4.1 Escolha de d ....................................................................................................... 17
4.2 Escolha de p e q ................................................................................................. 17
4.3 Teste de hipteses para k e kk ..................................................................... 18
4.4 Exerccios .......................................................................................................... 19
5. Estimao de Parmetros ................................................................................................ 20
5.1 Mtodo de Mnimos Quadrados ........................................................................ 20
5.2 Mtodo dos Momentos ...................................................................................... 21
5.3 Mtodo de Mxima Verossimilhana ................................................................ 22
5.4 Exerccios .......................................................................................................... 23
6. Validao do Modelo ...................................................................................................... 24
6.1 Sobrefixao ...................................................................................................... 24
6.2 Critrios de adequao ...................................................................................... 24
6.3 Anlise de Resduos .......................................................................................... 25
6.4 Teste de Box-Pierce (ou Ljung-Box) ................................................................ 25
6.5 Uso dos resduos para modificar o modelo ....................................................... 26
6.6 Exemplo ............................................................................................................. 26
6.7 Exerccios .......................................................................................................... 29
2

7. Previso ........................................................................................................................... 30
7.1 Previso com Erro Mdio Quadrtico Mnimo ................................................. 31
7.2 Varincia das Previses ..................................................................................... 32
7.2 Clculo das Previses ........................................................................................ 33
7.3 Atualizao das Previses ................................................................................. 33
7.4 Limites de Confiana para as Previses ............................................................ 34
7.5 Exerccios .......................................................................................................... 35
8. Modelos Sazonais ............................................................................................................ 36
Bibliografia ......................................................................................................................... 38

Captulo 1: Sries temporais

Definio: Uma Srie Temporal um conjunto de observaes geradas sequencialmente no
tempo.

Uma srie temporal pode ser observada como uma realizao parcial de um processo
estocstico.

Caracterstica principal: as variveis so dependentes.

Denotaremos a srie temporal por Y1 , Y2 ,..., YT onde T o tamanho da srie. Trabalharemos

com sries temporais a tempo discreto, onde os dados so coletados diariamente,
semanalmente, mensalmente ou anualmente.

Objetivos:

- Modelagem;
- Previso e controle de qualidade;
- Periodicidade.

1.1. Anlise no domnio do tempo

Mede a magnitude do evento que ocorre em determinado instante de tempo. Utiliza as
funes de autocovarincia e autocorrelao.

Autocovarincia: a covarincia entre Yt e o seu valor Yt-k separado por k intervalos de

tempo.

k = Cov[Yt , Yt k ] = E ([Yt ][Yt k ]),

k = 0, 1, 2,...

Se temos uma srie, o estimador amostral aproximadamente no-tendencioso (para grandes

amostras) da autocovarincia dado por:

k =

1 T
(Yt Y )(Yt k Y )
T t =k +1

Como a autocovarincia uma funo par, temos que para todo inteiro k, k = k . Portanto,
necessrio determinar k apenas para k 0.

Autocorrelao: a autocorrelao a autocovarincia padronizada. Serve para medirmos o

comprimento e a memria de um processo, ou seja, a extenso para a qual o valor tomado
no tempo t depende daquele tomado no tempo t-k,

k =
Claramente, 0 = 1 e
k dado por:

k
Cov[Yt , Yt k ]
.
=
0
Var (Yt )Var (Yt k )

k = k . Um estimador amostral da autocorrelao de defasagem

k =

k
0

, k = 0,1,2,...

1.2. Operadores
a) Operador de retardo ou de translao para o passado: representa uma defasagem de k
perodos de tempo para trs. denotado por B e definido por:
B k Yt = Yt k .

b) Operador de avano ou de translao para o futuro: representa uma defasagem de k

perodos de tempo para frente. denotado por F e definido por:

F k Yt = Yt + k .
c) Operador diferena: uma transformao nos dados que consiste em tomar diferenas
sucessivas da srie original. denotado por e definido por

d Yt = (1 B ) Yt .
d

1.3. Estacionariedade e Ergodicidade

Se o processo estocstico que gerou a srie de observaes invariante com respeito ao
tempo, diz-se que o mesmo estacionrio. Um processo estacionrio pode ser classificado
em:
a) Estritamente estacionrio: Quando as sries Yt e Yt+k esto distribudas identicamente
qualquer que seja k.
b) Fracamente estacionrio (ou estacionrio de segunda ordem): quando a sua funo valor
mdio constante e sua funo de covarincia depende somente da diferena, em valor
absoluto de t s t j .

Em termos prticos, uma srie fracamente estacionria quando ela se desenvolve no

tempo ao redor de uma mdia e varincia constantes, indicando um padro de equilbrio.
Assim, uma srie Yt ser estacionria se os dois primeiros momentos forem constantes ao
longo do tempo, ou seja,
E (Yt ) = ,
Var (Yt ) = 2 .

Se o processo for Gaussiano e estacionrio de segunda ordem, ele ser estritamente

estacionrio.

No Estacionariedade Homognea: Um processo estacionrio homogneo se, ao

tomarmos suas diferenas sucessivas, encontramos um processo estacionrio.
Ergodicidade: Um processo estocstico dito "ergdico" se apenas uma realizao do
mesmo o suficiente para se obter todas as estatsticas do mesmo.

1.4. Rudo Branco

O processo ut, t = 0,1,... um rudo branco se

i) E[ ut ] = 0,

ii) E[ ut2 ] = u2 < e

iii) E[ ut , ut +k ] = 0, para k = 1, 2, L

Alm disto, k = 1 para k = 0 e k = 0 , para k = 1, 2, L

1.5. Transformao Box - Cox

Para sries temporais que no apresentam varincia constante, necessrio transformar a

srie original para estabiliz-la. Atravs da transformao Box-Cox, pode-se obter uma
srie mais simtrica e com varincia constante, ou seja, prxima da distribuio normal,
quando valores apropriados de na equao abaixo so encontrados,

Yt

()

Yt c
, se 0

=
log Y , se = 0
t

O valor de e c so parmetros a serem estimados. O obtido a partir de uma varredura

sobre um intervalo de valores possveis, no qual procura-se identificar aquele que apresente
a menor soma dos quadrados dos resduos.

Captulo 2: Modelo de Box & Jenkins

A metodologia de Box & Jenkins (1976) est fundamentada em quatro passos:

1. Identificao: Identifica-se um modelo apropriado para a srie em questo;

2. Estimao: Estima-se os parmetros do modelo identificado;
3. Verificao do modelo: necessrio checar a adequao do modelo atravs da anlise
de resduos;
4. Previso: o modelo final usado para prever futuros valores da srie.

A modelagem proposta por Box & Jenkins da forma

Yt = + k u t k = + (B )u t
k =0

onde o filtro linear definido por

(B ) =

(B )
(B )

onde ( B ) = 1 1 B 2 B 2 L q B q e ( B ) = 1 1 B 2 B 2 L p B p so polinmios
~
de graus q e p, respectivamente. Chamando Yt = Yt , temos
~
Yt = (B )u t .

Desta forma, os modelos de Box & Jenkins so dados por:

(B )Yt = (B )ut
~

(2.1)

onde u t um rudo branco, geralmente Gaussiano. De acordo com Box & Jenkins, o
modelo (2.1) denominado ARMA(p,q). De (2.1) pode-se escrever:
~
Yt = (B ). 1 (B )ut .
A partir deste ponto vamos assumir, sem perda de generalidade, que = 0 .

2.1. Tipos de modelos

a) Modelos Mdias Mveis (MA)

O modelo que tem (B ) 1 chamado Modelo Mdias Mveis.
Notao: MA(q)
O nome Mdias Mveis vem do fato que Yt uma funo soma algbrica
ponderada dos ut que se movem no tempo.

b) Modelos Auto-Regressivos (AR)

O modelo que tem (B ) 1 chamado Modelo Auto-Regressivo.
Notao: AR(p)
O nome Auto-Regressivo se deve ao fato de que Yt no instante t funo dos Y's
nos instantes anteriores a t.

c) Modelos Auto-Regressivos - Mdias Mveis (ARMA)

o modelo que tem tanto uma parte AR ( () 1) como uma parte MA ( () 1) .
Notao: ARMA(p,q)

2.2. Estacionariedade dos Modelos Box & Jenkins

Proposio 1: Um processo estocstico Yt = (B )ut ser estacionrio se a srie

(B ) = k B k
k =0

converge para B < 1 .

a) Estacionariedade dos modelos MA

Como (B ) = (B ) para modelos MA, a convergncia de (B ) para B < 1 trivial,

pois (B ) uma soma finita. Portanto, podemos dizer que todo modelo MA
estacionrio.

b) Estacionariedade dos modelos AR

Os modelos AR devem ter as razes do polinmio 1 (B ) = (B ) = 0 fora do crculo

unitrio como condio de estacionariedade.

c) Estacionariedade dos modelos ARMA

Um modelo ARMA(p,q) ser estacionrio se (B ) satisfizer as condies de

estacionariedade de um modelo AR.

2.3. Inversibilidade dos Modelos Box & Jenkins

Vamos inicialmente expressar o modelo geral ARMA na forma inversa, isto , expressando
o rudo ut em funo de Yt :
ut = (B ) 1 (B )Yt = (B )Yt

Proposio 2: Um processo estocstico ut = (B )Yt ser inversvel se a srie

(B ) = j B j
j =0

converge para B < 1 .

a) Inversibilidade dos modelos AR

Como (B ) = (B ) para modelos AR, a convergncia de (B ) para B < 1 trivial,

pois (B ) uma soma finita. Portanto, podemos dizer que todo modelo AR
inversvel.

b) Inversibilidade dos modelos MA

Os modelos MA devem ter as razes do polinmio 1 (B ) = (B ) = 0 fora do crculo

unitrio como condio de inversibilidade.

c) Inversibilidade dos modelos ARMA

Um modelo ARMA(p,q) ser inversvel se (B ) satisfizer as condies de

inversibilidade de um modelo MA.

2.4. Modelos no estacionrios ARIMA

Um processo no estacionrio homogneo dado por

Yt = (1 B )Yt = wt

onde um polinmio do tipo AR, = (1 B ) , em que a condio de estacionariedade

foi violada.

(B ) = 0 B = 1.
Se wt = d Yt estacionria, podemos representar wt por um modelo ARMA(p,q), ou seja,

(B )wt = (B )ut

(2.2)

Dizemos que Yt segue um modelo Auto-Regressivo - Integrado - Mdia Mvel, ou

ARIMA(p,d,q).
No modelo (2.2), todas as razes de (B ) esto fora do crculo unitrio.
Seja (B ) o operador auto-regressivo no estacionrio de ordem p+d:
(B )Yt = (B )ut

onde

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

Portanto o modelo ARIMA supe que a d-sima diferena da srie Yt pode ser representada
por um modelo ARMA, estacionrio e inversvel. Na maioria dos casos usuais, d = 1 ou 2.

10

2.5. Formas do modelo ARIMA

O modelo ARIMA pode ser representado de 3 formas.

a) Forma de Equao de Diferenas

Representado em termos de valores prvios de Yt e do valor atual. bastante utilizado para
calcular previses.

Yt = 1Yt 1 + L + p+ d Yt p d + ut 1ut 1 L q ut q

b) Forma de Choques Aleatrios

Representado em termos do valor atual e prvio de ut . uma forma conveniente para se
calcular a varincia dos erros de previso.

Yt = ut + 1ut 1 + 2ut 2 + L = (B )ut

c) Forma Invertida
Representada em termos dos valores prvios de Yt e do valor atual de ut .

(B )Yt = Yt 1Yt 1 2Yt 2 L = ut

2.6. Exerccios

1) Os seguintes processos so estacionrios? Justifique.

1.1) Yt = u t + u t 1
u t ~ i.i.d . N 0, 2
1.2) Yt = Yt 1 + u t

ut

1.3) Yt Yt 1 + 0,5Yt 2 = ut

ut

( )
~ i.i.d . N (0, )
~ i.i.d . N (0, )
2
2

2) Seja o modelo MA(1):

Yt = ut 0,9ut 1
Para este modelo pede-se:
2.1) estacionrio?
2.2) inversvel?
2.3) Calcule os pesos 1 , 2 , L , 5 do modelo AR( ) equivalente.
11

3) Seja o modelo AR(1):

Yt = 0,8Yt 1 + ut
Para este modelo pede-se:
3.1) estacionrio?
3.2) inversvel?
3.3) Calcule os pesos 1 , 2 , L , 5 do modelo MA( ) equivalente.
4) Seja o modelo MA(2) inversvel aplicado a Yt:

Yt = ut + 0,9ut 1 0,5ut 2
Pede-se determinar a sequncia 1 , 2 , L , 5 do polinmio (B ) correspondente.
5) Seja o modelo AR(2) estacionrio aplicado a Yt:

Yt = Yt 1 0,21Yt 2 + ut
Pede-se determinar a sequncia 1 , 2 , L , 5 do polinmio (B ) correspondente.
6) Seja o modelo linear para Yt:

Yt = 0,1Yt 1 + 0,9Yt 2 + ut
Para este modelo pede-se:
6.1) Verificar as condies de estacionariedade.
6.2) Em caso de no estacionariedade, como torn-lo estacionrio?

12

Captulo 3: Funes de Autocorrelao e Autocorrelao Parcial

3.1 Funo de Autocorrelao (FAC)

Seja wt uma srie temporal estacionria. A funo de autocovarincia para wt , como visto
na Seo 1.1, dada por:

Funo de Autocovarincia:

k = Cov(wt , wt k ) = E ([wt E (wt )][wt k E (wt k )])

Assumindo que E (wt ) = E (wt k ) = 0 , temos

k = E ([wt ][wt k ]) .

A funo de autocorrelao, tambm vista na Seo 1.1 dada por:

Funo de Autocorrelao (FAC):

k =
onde 0 = Var (wt ) .

k
,
0

k = 0, 1, 2,...

a) Modelos AR:

A funo de autocorrelao de um AR(p) dada por:

k = 1 k 1 + 2 k 2 + L + p k p
ou seja, k satisfaz equao:

(B ). k = 0

onde

(B ) = 1 1 B 2 B 2 L p B p .

Assim, para modelos AR as autocorrelaes decrescem exponencialmente, podendo

ou no ter componentes senoidais amortecidas.

13

b) Modelos MA:

A funo de autocorrelao de um MA(q) dada por:

k + 1k +1 + L + q k q
; k = 1,2, L , q

k =
1 + 12 + L + q2

0
; k>q

A funo de autocorrelao do modelo MA(q) apresenta "q" picos (valores)

diferentes de zero (isto , para k=1,2,...,q) e identicamente nula para k > q.

c) Modelos ARMA:

Como um modelo ARMA uma mistura de modelos AR e MA, sua funo de

autocorrelao uma combinao das autocorrelaes dos processos componentes.

3.2. Funo de Autocorrelao Parcial (FACP)

A idia de autocorrelao pode ser estendida. Se medirmos a correlao entre duas

observaes seriais, Yt e Yt + k , eliminando a dependncia dos termos intermedirios,
Yt +1 , Yt + 2 ...Yt + k 1 , temos o que se denomina autocorrelao parcial, representada por:

Cov Yt , Yt k Yt 1 ...., Yt ( k +1) .

Equaes de Yule-Walker:
1 = 1 + 2 1 + L + p p 1
= + +L+
1 1
2
p p 2
2

p = 1 p 1 + 2 p2 + L + p

Consideremos o sistema de equao de Yule-Walker reescrito como a seguir:

14

1
M

k 1

1
1
M

k 2

L k 1 k1 1
L k 2 k 2 2

=
O
M L L

L 1 kk k

A autocorrelao parcial de um processo definida como a sequncia dos kk 's obtidos pela
resoluo das equaes acima, para k = 1,2,3,...
Usando a regra de Cramer para k = 1,2,3,... temos:

11 = 1
1
2
1

22 =

33 =

p1
1
p1

1
2

1
2

1
2
3
2
1

1
1

Em geral,

kk =

Pk*
Pk

onde | . | o determinante da matriz, Pk a matriz de autocorrelao e Pk* a matriz Pk

com a ltima coluna substituda pelo vetor de autocorrelaes.

15

3.3. Exerccios

1) Seja o modelo MA(1):

Yt = ut 0,9ut 1
onde u t ~ N (0,2 )
Calcule as sequncias k e k , k = 0,1,...,5.

2) Seja o modelo AR(1):

Calcule as sequncias k

Yt = 0,8Yt 1 + ut
e k , k = 0,1,...,5.

3) Sabe-se que os valores das 5 primeiras autocorrelaes tericas de um processo so:

1 = 0,70
2 = 0,49
3 = 0,34
4 = 0,24
Que modelo ARMA(p,q) originou estes coeficientes?
Obs.: Os valores p e q so pequenos.

5 = 0,17

5) Seja o modelo AR(2) estacionrio aplicado a Yt:

Yt = 1Yt 1 + 2Yt 2 + u t
Sabendo-se que 1 = 0,7 e 2 = 0,6 , possvel deduzir o valor de 2 ?
6) Determine a funo de autocorrelao do seguinte processo estocstico:

Yt = 14 + u t + 0,4ut 1 0,2ut 2
7) Calcule as primeiras 5 autocorrelaes para um processo AR(2) com:
a) 1 = 0,6 , 2 = 0,2 ;
b) 1 = 0,6 , 2 = 0,2 .
Esboce as funes de autocorrelao.
8) a) Esboce a funo de autocorrelao do processo
Yt = 0,5Yt 1 + ut 0,8ut 1
b) Ache os coeficientes j da representao MA infinita.
9) O modelo

Yt = 0,2Yt 1 + 0,48Yt 2 + u t + 0,6ut 1 0,16ut 2

est sobre-parametrizado?
10) Seja o processo AR(2) aplicado a Yt . Sendo conhecida a primeira autocorrelao
parcial 11 = 0,9 e sabendo-se que 2 = 0,8 pede-se determinar 22 .

16

Captulo 4: Identificao de Modelos

A identificao da ordem do modelo ARIMA(p,d,q) se faz atravs das funes de
autocorrelao (FAC) e autocorrelao parcial (FACP).

4.1 Escolha de d

Se uma srie apresenta no-estacionariedade, as autocorrelaes estimadas tero valores

absolutos altos para todos os lags. Neste caso, aplicamos sucessivamente o operador
diferena srie e calculamos sua autocorrelao, que indicar quando uma srie com
caractersticas de um processo estacionrio foi obtida.

4.2 Escolha de p e q

Uma vez que o grau d tenha sido identificado, o passo seguinte ser a escolha dos graus p e
q dos polinmios (B ) e (B ) do modelo ARMA aplicado srie wt = d Yt .
A identificao de p e q feita comparando-se o comportamento dos estimadores das
autocorrelaes ( k ) e das autocorrelaes parciais kk com as correspondentes funes
tericas.

( )

Obs.: A maioria das sries estacionrias, na prtica, apresentam p + q 2 .

Na Tabela 4.1 so apresentados os comportamentos esperados da FAC e FACP de alguns

modelos da classe ARMA mais comuns.
Modelo
MA(1)

FAC
1 pico no lag 1

AR(1)
MA(2)

Decrescimento exponencial
1 pico no lag 1 e 1 pico no lag 2
( 1 0 e 2 0)
Mistura de exponenciais ou
ondas senides amortecidas

AR(2)

( 1 0)

FACP
Decrescimento exponencial

1 pico no lag 1 (11 0 )

Mistura de exponenciais ou ondas
senides amortecidas
1 pico no lag 1 e 1 pico no lag 2

(11 0

e 22 0 )
Decrescimento exponencial
ARMA(1,1) Decrescimento exponencial
Tabela 4.1 - Comportamento terico da FAC e FACP para alguns modelos

17

4.3. Teste de hipteses para k e kk

Para o processo estacionrio Gaussiano, a frmula de Bartlett diz que

Var ( k )

1 k 1 2
i .
T i = ( k 1)

(4.1)

Para T suficientemente grande, se k = 0 , ento a distribuio de k aproximadamente

normal, isto :

k ~ N [0; Var ( k )].

Substituindo k por k em (4.1), temos

Var ( k )

k 1
1

1 + 2 i2 .
T
i =1

Com relao s autocorrelaes parciais, a frmula de Quenouille determina que a

varincia dos kk 's para lags k suficientemente grandes dada por:

Var (kk )

1
.
T

Exemplo 4.1: A partir de uma srie temporal formada por 144 observaes, obteve-se os
seguintes resultados:

k
k

1
-0,490

2
-0,040

3
-0,026

4
0,009

5
0,013

kk

0,08
-0,490

0,10
-0,318

0,10
-0,277

0,10
-0,159

0,10
0,113

e.p.( kk )

0,08

0,08

0,08

0,08

0,08

e.p.( k )

Como houve um corte rpido no coeficiente de autocorrelao a partir do lag k = 1, e

os coeficientes de autocorrelao parcial tm um decaimento exponencial, pode-se
dizer que a srie temporal foi gerada por um processo MA(1).

18

4.4 Exerccios

1) Numa srie temporal de tamanho 100 obteve-se os seguintes valores para as primeiras 5
autocorrelaes amostrais:
1 = 0,75

2 = 0,09

3 = 0,04

4 = 0,02

5 = 0,01

Pede-se determinar:
a) A significncia destes i estimados a um nvel de 95%.
b) Calcule as 3 primeiras autocorrelaes parciais ii , i=1,2,3 pelas equaes de YuleWalker e verifique a significncia destas a um nvel de 95%.
c) Que modelo ARMA(p,q) pede ter gerado estes dados?

2) A partir de uma srie temporal de tamanho 200 obteve-se os seguintes estimadores da

FAC e FACP:
k
k

1
-0,909

2
0,727

3
-0,540

4
0,454

5
-0,364

kk

-0,909

-0,317

-0,225

-0,136

-0,410

Pede-se verificar a significncia destes estimadores e em seguida identificar um

possvel modelo gerador destes dados.
3) Para uma srie temporal de tamanho 100 ajustou-se o seguinte modelo:
Yt = (1 0,324 B )ut

Os estimadores da FAC e FACP dos resduos estimados foram:

k
k

1
-0,508

2
0,013

3
-0,032

4
-0,015

5
0,043

kk

-0,508

-0,329

-0,220

-0,143

-0,093

Pelo exposto, voc consideraria este modelo ajustado adequado?

19

Captulo 5: Estimao de Parmetros

Consideremos o modelo ARMA(p,q).

p (B )Yt = q (B )ut
onde e so polinmios de grau, p e q, respectivamente, e
ut um processo rudo branco, com E (ut ) = 0 e Var (ut ) = u2 .
Vamos estimar:

p (B ) = (1 , 2 , L , p ), q (B ) = (1 , 2 , L , q ) e u2 = E (ut2 ) .

5.1. Mtodo de Mnimos Quadrados

a) Modelo AR(1)

Consideremos o modelo AR(1):

Yt = 1Yt 1 + ut

Para calcular os estimadores de mnimos quadrados, devemos minimizar a soma de

quadrados das diferenas
ut = Yt 1Yt 1

Dado T observaes, a soma de quadrados de t = 2 a t = T :

T

t =2

t =2

S ( ) = ut2 = [Yt 1Yt 1 ]

Derivando em relao a e igualando a zero temos:

T

1 =

Y Y
t =2
T

t t 1

Y
t =2

2
t 1

20

b) Modelo MA(1)
Consideremos o modelo MA(1):
Yt = ut + 1ut 1
Colocando o modelo na forma invertida:

ut = 1 + 1 B + 12 B 2 + L Yt
Para T valores observados Y1 , L , YT temos:
T

t =2

t =2

S ( ) = ut2 = Yt + 1Yt 1 + 12Yt 2 + L

Utilizar procedimento numrico para minimizar S ( ) .

5.2. Mtodo dos Momentos

Consiste em substituir a mdia amostral Y , a varincia amostral 0 e a correlao amostral

k nas equaes do modelo e resolver estas equaes.

a) Modelo AR(p)
Usar a relao

k = 1 k 1 + 2 k 2 + L + p k p , k>1 (Equao de Yule-Walker)

para obter o seguinte sistema de equaes:

1 = 1 + 2 1 + L + p p 1
= + +L+

1 1
2
p p 2
2

p = 1 p 1 + 2 p2 + L + p

Substituindo k por k , obtemos as estimativas 1 L , p resolvendo o sistema de

equaes:
21

 1 1

2 = 1
L M

p p 1

1
1
M

p 2

L p1
1

L p 2
2

L
M

L
1
p

b) Modelo MA(1)
Yt = ut + 1ut 1
Neste modelo: 1 =

1
1 + 12

1 1 4 12
Substituindo 1 por 1 : 1 =
2 1
Obs.: - Os estimadores de momentos dos modelos MA(q) e ARMA(p,q) so mais
complicados que no AR(p).
- Os estimadores so muito sensveis a arredondamentos.

5.3. Mtodo de Mxima Verossimilhana

Para o modelo ARMA(p,q) temos

ut = wt 1wt 1 L p wt p + 1ut 1 + L + q ut q .

Sob a suposio de normalidade dos u t , temos que a funo densidade conjunta de

u1 , u 2 ,L, uT

f (u1 ,L , uT ) = (2 )

T / 2

t =1

( u )T exp

u t2
.
2 u2

Os estimadores dos parmetros so obtidos maximizando-se a verossimilhana acima, o

que deve ser feito atravs de procedimentos numricos. Para isto, necessrio obter valores
iniciais para os wt e u t . Esta questo de valores iniciais pode ser resolvida por meio de dois
procedimentos: um condicional, em que os valores iniciais desconhecidos so substitudos
por valores que supomos serem razoveis; outro, incondicional, em que os valores iniciais
so estimados utilizando um procedimentos denominado backforecasting.

22

Varincia dos estimadores

Uma avaliao da preciso dos parmetros assim estimados pode ser feita a partir da
varincia desses estimadores e da construo dos respectivos intervalos de confiana e teste
de hipteses.
Da teoria de inferncia estatstica sabe-se que os estimadores de mxima verossimilhana
tm distribuio aproximadamente normal, se T grande, com esperana igual ao
verdadeiro parmetro e matriz de covarincia igual ao inverso da matriz de informao de
Fisher.
Para os modelos geralmente utilizados na prtica, as varincias estimadas esto sintetizadas
a seguir:

( )

1 12

AR(1): Var 1
T
1 22
AR(2): Var 2
T
1 12
MA(1): Var 1
T
1 22
MA(2): Var 2
T

( )

( )

( )

()

(
(

)
)

( )

(
(

)
)

2
2
1 12 1 11
1 12 1 11

ARMA(1,1): Var 1
e Var 1

2
2
T
T
1 1
1 1

5.4. Exerccios

1) Como voc estimaria e em um modelo ARMA(1,1) utilizando as duas primeiras

autocorrelaes amostrais?
2) Determinar os estimadores de Mnimos Quadrados para 1 e 2 em um modelo AR(2).
3) Seja a seguinte srie temporal:
Y1= 14 Y2= 27,6 Y3= 7,7 Y4= 0,4 Y5=17,8 Y6=10,5 Y7=13,6 Y8=9 Y9=6,8 Y10=13,7
Estime de um modelo MA(1) usando o mtodo dos Momentos.
4) Seja a seguinte srie temporal:
Y1= 28,2 Y2= 19,2 Y3= 28 Y4= 22,4 Y5=31,9 Y6=30,7 Y7=11,2 Y8=1 Y9=8,8 Y10=18
Estime de um modelo AR(1) usando o mtodo de Mnimos Quadrados.

23

Captulo 6: Validao do Modelo

Objetivo: Verificar se o modelo estimado para a srie Yt est representando adequadamente

o comportamento da srie temporal em estudo. Se o modelo for adequado ns o
utilizaremos para fins de previso. Seno, termos que retornar fase de identificao.

6.1. Sobrefixao

Estimamos um modelo com parmetros extras e examinamos se estes so significativos e se

sua incluso diminui significativamente a varincia residual.
O resultado da aplicao deste procedimento pode ser resumido como abaixo:
1) Aceitamos como correto o modelo testado quando o modelo com parmetros adicionais
est sobre-identificando o modelo testado.
2) Rejeitamos a hiptese do modelo identificado ser correto, caso as estimativas dos
parmetros adicionais sejam coerentes.

Princpio da parcimnia: entre 2 modelos que se ajustam igualmente bem uma srie Yt,
devemos preferir aquele que tem menor nmero de parmetros.

6.2 Critrios de Adequao

Uma estatstica muito utilizada para verificar a adequao de um modelo o Critrio de

Akaike (AIC). O AIC dado por:
AIC = T ln u2 + 2 p
onde p = nmero de parmetros do modelo.
O melhor modelo aquele que apresenta menor AIC.
Problema: O AIC tende a superestimar o nmero de parmetros no modelo. Assim, podese calcular o AIC corrigido:

AIC = T ln u2 + T

(1 + p / T )
1 ( p + 2) / T

24

6.3. Anlise de Resduos

A anlise de resduos feita da seguinte forma:

Constri-se a srie de resduos estimados ( ut ) atravs da aplicao do modelo que for

escolhido para representar a srie. Aplica-se o mtodo de Box-Jenkins para a srie de
resduos estimados.

Se o modelo est correto, as nossas suposies iniciais feitas para os resduos devem ser
satisfeitas, isto , ut ~ N 0, u2 e independentes.

Neste caso, procedemos da seguintes forma:

1) Faz-se um grfico da srie ut e observa-se a sua estacionariedade e se sua mdia igual
a zero (prximo).
2) Se a srie ut for estacionria, calcula-se as suas funes de autocorrelao e
autocorrelao parcial amostral.
3) Se as funes em (2) indicarem que o processo gerador de ut um rudo branco, o
modelo escolhido para Yt poder ser utilizado para fins de previso ou controle. Seno,
podemos utilizar a anlise dos resduos para identificar outro modelo para a srie.

6.4. Teste de Box-Pierce (ou Ljung-Box)

A partir da srie dos resduos estimados podemos calcular as k primeiras autocorrelaes

dos resduos, isto :
i (u ) ; i = 1,2,L, k
O teste proposto por Box-Pierce assume que, se o modelo fixado correto, ento a
estatstica:
k

Q = N i2 (u )
i =1

que foi modificado por Ljung e Box (1978) para

i2 (u )
Q = N ( N + 2 )
i =1 N k
k

tem, aproximadamente, uma distribuio Qui-Quadrado com M = k - (p+q) graus de

liberdade e N = T - d o nmero de termos da srie estacionria.
A hiptese de rudo branco rejeitada para valores grandes de Q.

25

6.5. Uso dos resduos para modificar o modelo

Seja o modelo ajustado

(B )wt = (B ) bt

onde bt so os resduos do modelo proposto.

Se bt no rudo branco, podemos utilizar os mtodos de identificao para ajustar um
modelo para os resduos

* (B ) bt = * (B ) ut
onde ut rudo branco.
Ento bt = * (B ) *1 (B ) ut .
Assim, o novo modelo a ser tentado para wt

(B )wt = (B ) * (B ) *1ut
(B ) * (B )wt = (B ) * (B ) ut .

6.6. Exemplo

Seja a srie CELTINS (Centrais Eltricas do Tocantins) no perodo de jan/86 a abr/97

(T=136 observaes mensais). Na Figura 6.1 encontra-se o grfico e a FAC da srie. A
partir destes dois grficos podemos constatar que a srie no estacionria. Assim,
necessrio tomar a primeira diferena da srie.

60

celtins

50

Autocorrelation

Autocorrelation Function for celtins

1,0
0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0

Lag

Corr

40
4

30
20
10

Index

20

40

60

80

100

120

14

LBQ

Lag

Corr

0,97 11,28

130,14

10

2
3

0,94
0,92

6,49
4,97

254,55
373,68

11
12

4
5
6

0,89
0,86
0,83

4,14
3,57
3,17

487,36
593,86
694,45

0,80

2,85

8
9

0,78
0,75

2,60
2,39

24

LBQ

Lag

Corr

0,72

2,22 1037,66

19

0,70
0,68

2,08 1111,60
1,95 1181,30

20
21

13
14
15

0,65
0,63
0,61

1,83 1246,48
1,71 1307,14
1,62 1364,12

788,66

16

0,58

876,84
959,76

17
18

0,56
0,53

34

LBQ

Lag

Corr

LBQ

0,51

1,27 1551,41

28

0,33

0,77 1795,16

0,48
0,46

1,19 1588,69
1,12 1622,77

29
30

0,31
0,30

0,73 1812,19
0,69 1827,74

22
23
24

0,43
0,41
0,40

1,05 1653,64
1,00 1682,16
0,95 1708,68

31
32
33

0,28
0,27
0,26

0,64 1841,60
0,61 1854,41
0,59 1866,49

1,52 1416,86

25

0,38

0,91 1733,23

34

0,25

0,57 1877,87

1,43 1465,65
1,35 1510,47

26
27

0,36
0,35

0,86 1755,57
0,82 1776,29

Figura 6.1: Grfico da srie e Funo de Autocorrelao amostral

26

dif-1(celtins)

10

-10
Index

20

40

60

80

100

Autocorrelation Function for dif-1(celtin

Partial Autocorrelation Function for dif-1(celtin

Partial Autocorrelation

Autocorrelation

1,0
0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0

Lag

Corr

LBQ

1 -0,18

-2,12

2 -0,00

-0,00

3 -0,07

-0,77

4 -0,06
5 -0,12
6 -0,03

12
Lag

22

Corr

LBQ

4,59

10 -0,09

-1,02

4,59

11

0,05

0,56

5,25

12

0,15

1,60

-0,66

5,74

13

0,08

-1,35
-0,35

7,81
7,95

14 -0,04
15 0,05

Lag

1,0
0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0

32

22

32

LBQ

Lag

PAC

Lag

PAC

Lag

PAC

Lag

PAC

18,67

28 -0,03 -0,25

32,52

-0,18

-2,12

10

-0,14

-1,62

19

-0,07

-0,78

28

-0,00

-0,05

20,02

29 -0,06 -0,60

33,18

24,59

30

0,92

34,76

2
3

-0,03
-0,08

-0,40
-0,90

11
12

-0,05
0,12

-0,53
1,42

20
21

-0,14
0,09

-1,68
1,05

29
30

-0,07
0,05

-0,83
0,62

-1,32

27,39

31 -0,11 -1,07

36,93

0,95
0,67

28,89
29,65

32 -0,01 -0,05
33 -0,02 -0,23

36,93
37,04

4
5
6

-0,09
-0,16
-0,11

-1,04
-1,86
-1,22

13
14
15

0,12
0,02
0,08

1,43
0,25
0,89

22
23
24

-0,13
0,00
0,01

-1,46
0,05
0,08

31
32
33

-0,02
-0,03
-0,04

-0,28
-0,38
-0,48

-0,10

-1,17

16

0,00

0,04

25

-0,05

-0,53

-0,10
0,01

-1,19
0,11

17
18

0,02
0,01

0,18
0,17

26
27

-0,15
-0,00

-1,76
-0,04

LBQ

10,58

19 -0,10

-0,99

10,98

20 -0,09

-0,95

14,27

21

0,17

1,73

0,86

15,27

22 -0,13

-0,38
0,50

15,46
15,82

23
24

0,10
0,07

Lag

Corr

0,09

7 -0,04

-0,45

8,19

16 -0,08

-0,84

16,80

25

0,01

0,05

29,66

8 -0,02

-0,27

8,28

17 -0,04

-0,42

17,05

26 -0,10

-1,03

31,50

0,91

9,29

18 -0,03

-0,35

17,23

27

0,07

0,71

32,41

8
9

0,08

12

Corr

120

Figura 6.2: Grfico da srie com a primeira diferena, Funo de Autocorrelao e Funo
de Autocorrelao Parcial amostrais da srie com a primeira diferena

A Figura 6.2 apresenta os grficos referentes primeira diferena da srie. Atravs do

grfico da srie e da FAC, podemos observar que a srie se tornou estacionria. Ainda na
Figura 6.2, podemos ver que existe apenas um pico significativo no primeiro lag de cada
um dos grficos da FAC e FACP. Isto nos leva ao ajuste inicial de um modelo
ARIMA(1,1,1) aos dados. O modelo apresentado abaixo:
Modelo1:
Estimativas
Tipo
AR
1
MA
1
Constante
Resduos:

dos Parmetros
Coef
e.p. Coef
0,6563
0,1245
0,8699
0,0796
0,1240
0,0234

T
5,27
10,93
5,30

P
0,000
0,000
0,000

Varincia = 4,299

1a Sobrefixao: Ajuste do modelo ARIMA(2,1,1)

Modelo2:
Estimativas dos Parmetros
Tipo
Coef
e.p. Coef
AR
1
-0,8728
21,1516
AR
2
-0,1258
3,9359
MA
1
-0,6868
21,1564
Constante
0,7030
0,3084
Resduos:

T
-0,04
-0,03
-0,03
2,28

P
0,967
0,975
0,974
0,024

Varincia = 4,520
27

2a Sobrefixao: Ajuste do modelo ARIMA(1,1,2)

Modelo3:
Estimativas dos Parmetros
Tipo
Coef
e.p. Coef
AR
1
0,7270
0,1350
MA
1
0,9624
0,1521
MA
2
-0,0601
0,1132
Constante
0,09826
0,01847
Resduos:

T
5,38
6,33
-0,53
5,32

P
0,000
0,000
0,596
0,000

Varincia = 4,324

Pelos resultados acima, verificamos que o melhor modelo o ARIMA(1,1,1). A Figura 6.3
mostra os grficos de FAC e FACP dos resduos, onde podemos verificar que no existe
autocorrelao na srie dos rudos.
8
6

resduos

4
2
0
-2
-4
-6
-8
Index

20

40

60

80

100

120

Partial Autocorrelation Function for resduos

Autocorrelation

Partial Autocorrelation

Autocorrelation Function for resduos

1,0
0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0

Lag

Corr

LBQ

1 -0,03

-0,31

2 0,08
3 -0,01

0,98
-0,09

4 -0,03
5 -0,09
6 -0,02

12
Lag

22

Corr

LBQ

0,10

10 -0,05

-0,55

1,09
1,09

11
12

0,08
0,17

0,94
1,89

-0,30
-1,09
-0,26

1,19
2,45
2,52

13 0,10
14 -0,01
15 0,04

7 -0,03

-0,32

2,64

8 -0,01
9 0,09

-0,07
1,06

2,64
3,92

Lag

Corr

LBQ

4,27

19 -0,12

-1,28

5,30
9,56

20 -0,11
21 0,12

-1,15
1,27

1,14
-0,13
0,44

11,21
11,24
11,49

22 -0,12
23 0,07
24 0,05

16 -0,09

-0,92

12,62

17 -0,07
18 -0,07

-0,70
-0,72

13,29
14,00

1,0
0,8
0,6
0,4
0,2
0,0
-0,2
-0,4
-0,6
-0,8
-1,0

32
Lag

Corr

12

22

32

Lag

PAC

Lag

PAC

Lag

PAC

Lag

-0,03

-0,31

10

-0,05

-0,63

19

-0,11

-1,27

28

0,03

0,31

0,97

11

0,06

0,71

20

-0,14

-1,62

29

-0,04

-0,43

-0,04

12

0,18

2,11

21

0,09

1,10

30

0,08

0,91

13
14

0,11
-0,02

1,31
-0,23

22
23

-0,13
0,02

-1,47
0,22

31
32

-0,02
-0,02

-0,20
-0,21

0,02

0,26

24

0,00

0,03

33

-0,02

-0,19

-0,06

-0,69

25

-0,05

-0,61

-0,48
-0,51

26
27

-0,12
0,05

-1,42
0,54

LBQ

16,32

28 -0,04 -0,40

27,01

0,08

18,24
20,66

29 -0,07 -0,73
30 0,06 0,60

27,93
28,56

-0,00

-1,28
0,76
0,53

23,17
24,09
24,54

31 -0,11 -1,14
32 -0,02 -0,22
33 -0,03 -0,30

30,88
30,97
31,15

4
5

-0,03
-0,10

-0,39
-1,11

-0,02

-0,27

15

-0,01

-0,16

16

25 -0,01

-0,06

24,54

26 -0,10
27 0,05

-1,05
0,45

26,38
26,73

8
9

-0,00
0,09

-0,06
1,07

17
18

-0,04
-0,04

PAC

Figura 6.3: Grfico dos resduos do modelo ARIMA(1,1,1) juntamente com a FAC e a
FACP

28

6.7. Exerccios

1) A srie abaixo (leia na horizontal) refere-se ao consumo de energia eltrica da CEP

(Centrais Eltricas do Paran) no perodo de jan/80 a mar/95. Ajuste o melhor modelo BoxJenkins, faa a adequao do modelo, juntamente com uma anlise de resduos.
211
200
198
224
236
260
246
247
263
346
346

218
177
197
216
265
232
286
249
283
348
330

226
169
213
220
247
215
288
242
282
344
335

229
176
212
223
271
243
285
277
278
335

230
177
213
228
226
211
269
289
312
333

232
176
209
241
256
254
278
261
289
371

232
185
195
257
226
255
294
292
302
362

248
191
197
254
256
261
281
280
285
342

217
179
193
255
272
236
276
278
291
340

212
190
197
257
253
227
284
274
289
344

173
190
191
271
216
205
290
271
261
358

172
183
215
264
260
255
289
284
298
343

180
188
211
251
239
196
289
251
299
355

174
200
232
228
264
190
329
305
305
348

187
193
244
233
273
232
325
322
336
313

171
180
257
226
276
224
298
265
338
322

172
181
227
235
237
238
290
270
350
325

192
195
235
249
235
215
272
302
345
364

2) A partir de uma srie temporal formada por 100 observaes, foi ajustado o seguinte
modelo:
Yt = (1 0,75 B )ut
Os coeficientes das funes ACF e PACF dos resduos esto apresentados no quadro
abaixo:
k
1
2
3
4
5
-0,500
0,330
-0,220
-0,150
0,430
k
-0,500 -0,030 -0,020 -0,010 -0,001

kk

Pode-se considerar adequado o modelo ajustado? Caso contrrio, use os resduos para
modificar o modelo proposto.

29

Captulo 7: Previso
Clculo do valor esperado de uma observao futura condicionado aos valores passados e
ao valor presente da varivel. Ou seja, chamando de Yt (l ) o valor previsto para um
horizonte de l perodos de tempo futuros e t o perodo de origem da previso, ento,

Yt (l ) = E[Yt + l | Yt , Yt 1 ,L] .

O valor de Y no tempo t+l obtido pela equao do modelo ARIMA.

J vimos que o modelo (B ) d Yt = (B ) ut pode ser escrito em 3 formas diferentes:
{
wt

a) Forma de Equao de Diferenas

O valor atual da srie Yt funo de valores anteriores Yt-j e valores atual e anteriores dos
resduos ut.
Yt = 1Yt 1 + L + p + d Yt p d + ut 1ut 1 L qut q

(7.1)

b) Forma de Choques Aleatrios

O valor atual da srie Yt funo dos valores atual e anteriores dos resduos ut.

Yt = ut + 1ut 1 + 2 ut 2 + L = j ut j = (B )ut

(7.2)

j =0

c) Forma Invertida
O valor atual da srie Yt funo de valores anteriores Yt-j e do valor atual do resduo ut.

(B )Yt = Yt 1Yt 1 2Yt 2 L = j Yt j = ut

(7.3)

j =0

Notao:

Yt+l: l 1: Valor terico a ser previsto l-passos frente a partir da origem t.

Yt(l): previso obtida pelo modelo do valor Yt+l (previso feita na origem t, l-passos
frente).
A equao geral de previso obtida diretamente da equao (7.1) para t+l.
30

7.1. Previso com Erro Mdio Quadrtico Mnimo

Seja Yt(l) uma funo linear das observaes presentes e passadas da srie Yt. Colocando o
modelo na forma de choques aleatrios, temos

Yt + l = j ut +l j = 0ut +l + 1ut +l 1 + L + l +1ut 1 + L

(7.4)

j =0

Vamos denotar por Et [Yt +l ] o valor esperado de Yt+l, condicional ao conhecimento das
observaes at o instante t, isto :

Et [Yt +l ] = E [Yt +l | Yt , Yt 1 ,L, Y1 ]

Aplicando este operador equao (7.4) teremos:

Et [Yt + l ] = 0 Et [ut + l ] + 1 Et [ut + l 1 ] + L + l Et [ut ] + l +1 Et [u t 1 ] + L

porm, sabemos que

[ ]

[ ]

Et ut + j = 0 ; j = 1,2, L e Et u t j = ut j ; j = 0,1,2,L

Ento
Et [Yt + l ] = l ut + l +1ut 1 + L

Vamos definir o erro de previso como

et (l ) = Yt +l Yt (l ) .

Desejamos determinar l + j ; j = 0,1, L tal que E et2 (l ) seja mnimo.

Pode ser provado (Box-Jenkins, 1976) que a previso tima (no sentido do erro mdio
quadrtico mnimo) aquela em que os l + j so substitudos por l + j .
31

Assim, o erro de previso l-passos frente et(l) ser:

et (l ) = 0ut +l + 1ut +l 1 + L + l 1ut +1 .

(7.5)

7.2. Varincia da Previso

Podemos tambm facilmente obter a varincia da previso Yt (l ) atravs dos erros de

previso da equao (7.5), ou seja:

[ ]

2
Var Yt (l ) = Var [et (l )] = Et et2 (l ) = Et [ 0 ut +l + 1ut +l 1 + L + l 1ut +1 ] .

Sendo os ut's no-correlacionados, com mdia nula e varincia u2 temos

Var [et (l )] = ( 02 + 12 + L + l21 ) u2 .

Os resduos ut's podem ser obtidos atravs das previses e erros para l=1 passo frente.
Da equao (7.5) podemos escrever para et(1):

et (1) = Yt +1 Yt (1) = 0u t +1 = ut +1 pois 0 = 1 .

Assim, o resduo ut+1 o erro da previso de Yt+1 feita na origem t.

32

7.3. Clculo das Previses

Sendo a previso feita com erro mdio quadrtico mnimo, podemos ento obter a
expresso para Yt (l ) = E (Yt +l | Yt , Yt 1 ,L) = Et [Yt +l ] diretamente da equao (7.1) como
segue:

Yt (l ) = 1 Et [Yt +l 1 ] + L + p +d Et Yt +l p d + Et [ut +l ] 1 Et [ut +l 1 ] L q Et ut +l q

A expresso acima constitui o modelo geral da previso. Para sua implementao

computacional, substitumos as diversas esperanas condicionais pelos seu valores
correspondentes satisfazendo s seguintes restries:

i) Esperana condicional dos Yt's j realizados so as prprias realizaes, isto ,

[ ]

Et Yt j = E (Yt j | Yt , Yt 1 ,L) = Yt j para j = 0, 1, 2, ...

ii) Esperana condicional dos Yt's ainda no realizados so as respectivas previses, isto ,

[ ]

Et Yt + j = E (Yt + j | Yt , Yt 1 ,L) = Yt ( j ) para j = 1, 2, ...

iii) Esperana condicional dos ut's,

[ ]

Et ut j = E (ut j | u t , ut 1 ,L) = ut j , para j = 0, 1, 2, ...

[ ]

Et ut + j = E (ut + j | u t , ut 1 ,L) = 0 para j = 1, 2, ...

7.4. Atualizao das Previses

Quando Yt+1 observado, as previses anteriores feitas na origem t podem ser facilmente
atualizadas para a origem t+1 com o uso dos pesos j 's.

Considerando a forma de choques aleatrios, temos

Yt (l + 1) = 0 Et [u t +l +1 ] + 1 Et [ut +l ] + L + l 1 Et [ut + 2 ] + l Et [u t +1 ] + l +1 Et [ut ] + L

33

Yt +1 (l ) = 0 E t +1 [u t +l +1 ] + 1 Et +1 [u t +l ] + L + l 1 Et +1 [u t + 2 ] + l Et +1 [u t +1 ] + l +1 Et +1 [u t ] + L

Aplicando as regras (i), (ii) e (iii) obtemos, para l 1 :

Yt (l + 1) = l +1u t + l + 2 u t 1 + L

e
Yt +1 (l ) = l u t +1 + l +1u t + l + 2 u t 1 + L

Subtraindo as duas expresses acima temos:

Yt +1 (l ) = Yt (l + 1) + l u t +1

7.5. Intervalo de Confiana para as Previses

Suposio:

(Yt +l

2
2
2
2
| Yt , Yt 1 , L) ~ N Yt (l ); 0 + 1 + L + l 1 u
1444424444
3

t2+ l

[(

) ]

Desta forma, um intervalo de confiana de 100(1-)% para as observaes futuras Yt+l

dado por:

Yt (l ) z / 2 t +l

onde: z / 2 o quantil /2 da distribuio normal e

t +l o desvio-padro da distribuio de (Yt + l | Yt , Yt 1 ,L) .

34

7.6. Exerccios

1) Para uma srie temporal ajustou-se o seguinte modelo ARIMA(0,1,1)

Yt = (1 + 0,8B )u t
Expressar YT + l atravs de:
Forma de equao de diferenas;
i)
ii)
Forma de choques aleatrios;
iii)
Forma invertida.
2) Idntico questo (1), s que aplicado ao modelo ARIMA(1,1,1) da forma:
(1 0,5B )(1 B )Yt = (1 + 0,6 B )ut
3) Seja eT +l|T = YT +l YT (l ) o erro de previso l- passos frente cometido na origem T e

eT + l |T j = YT + l j YT j (l ) o erro de previso l-passos frente cometido na origem T-j.

Verifique se estes erros esto correlacionados.
4) Se uT = 1,5, calcule previses 1 e 2 passos frente para o modelo:
Yt = ut + 0,5ut 1 + 100
5) Dado que YT = 2,0, YT-1 = 1,0 e uT = 0,3, calcule previses 1, 2 e 3 passos frente para o
modelo:
Yt = 0,6Yt 1 + 0,2Yt 2 + u t + 0,6ut 1
6) Calcule previses e seus EQMs para um modelo AR(2) com 1 = 0,5, 2 = - 0,2 e 2 =
3, para l =1,2 e 3, se YT = 2, YT-1 = 1.
7) A partir de 110 observaes da srie temporal Yt estimou-se o seguinte modelo:

Yt = u t + 0,5u t 1 + 0,4ut 2 + 18

com 2 = 4.

Sabendo-se que u109 = 1,9 e u110 = 1,7, pede-se:

i)
As previses para os instantes 111, 112 e 113 feitas na origem t=110;
ii)
Calcule o EQM das previses calculadas em (i);
Sabendo que u111 = 1,8, atualize as previses para o instante 112.
iii)

35

Captulo 8: Modelos sazonais

Sazonalidade: Tendncia do processo em repetir um certo tipo de comportamento dentro
de um perodo sazonal (geralmente 12 meses para sries mensais, 4 meses para sries
trimestrais, etc.).

a) Modelos MA sazonais

Seja S o perodo sazonal e considere o seguinte modelo MA aplicado srie Yt

Yt = ut 1u t S L Q ut QS = 1 1 B S L Q B QS u t
Este modelo tem ordem QS e conhecido como modelo sazonal MA(Q)S.

b) Modelos AR sazonais

Yt 1Yt S L PYt PS = (1 1 B S L P B PS ) = ut
Este modelo tem ordem PS e conhecido como modelo sazonal AR(P)S.

c) Modelos ARMA sazonais

Yt 1Yt S L PYt PS = ut 1ut S L Q ut QS

Este modelo o modelo sazonal ARMA(P,Q)S.

d) Modelos ARIMA multiplicativos

Este modelo se aplica maioria das sries sazonais reais, ou seja, realizaes de processos
que apresentam correlao serial dentro e entre perodos sazonais.
Definio: ARIMA(p,d,q)(P,D,Q)S

(B S ) (B ) SD d Yt = (B S ) (B )ut
onde
B S = 1 1 B S 2 B 2 S L P B PS
(B ) = (1 1 B 2 B 2 L p B p )

( ) (

SD = (1 B S )

d = (1 B )

36

(B S ) = (1 1 B S 2 B 2 S L Q B QS )

(B ) = 1 1 B 2 B 2 L q B q

Exerccio: Os dados abaixo correspondem srie de temperatura de Belo Horizonte no

perodo de jan/72 a dez/89 (Unidade de medida: Graus Celsius). Ajuste o melhor modelo
Box-Jenkins, faa a adequao do modelo, juntamente com uma anlise de resduos.
25,0
24,1
24,3
21,3
20,9
21,0
19,7
21,9
21,5
23,5
23,5
24,2
25,4
25,8
23,3
23,4
21,5
21,6
20,1
22,8
22,0
22,1
22,7
23,8
24,2
25,1
23,3
22,7
21,6
19,5
19,4
21,1
24,0
23,4
24,0
22,2

23,6
24,6
24,7
22,0
20,4
19,8
18,6
21,4
22,0
23,5
22,3
23,9
25,3
24,0
21,9
23,4
21,5
21,3
19,6
21,5
21,8
22,3
23,2
22,7
23,5
25,1
25,4
23,2
20,6
20,4
20,7
23,0
22,0
24,2
23,7
24,0

24,4
23,7
24,5
23,0
20,2
19,5
20,2
21,1
21,5
23,5
22,9
23,1
22,2
23,3
23,4
22,4
21,8
18,8
19,0
21,5
21,4
24,1
23,5
24,0
23,4
24,3
24,9
22,5
22,2
19,8
20,6
21,6
22,1
24,6
22,9
23,6

23,2
24,6
24,2
22,0
21,0
19,1
18,5
20,7
23,5
21,9
22,8
23,6
22,7
24,5
22,0
21,6
19,8
21,0
20,1
21,9
22,2
23,2
26,8
22,9
22,9
24,3
23,5
23,1
22,4
21,8
20,9
21,1
22,0
22,2
22,9
22,9

26,1
26,8
24,8
23,4
24,0
21,9
21,1
20,8
21,9
24,2
24,5
23,7
22,6
25,0
24,3
23,4
21,8
18,6
19,0
21,9
22,4
24,3
23,5
23,1
24,4
24,8
25,5
24,1
22,8
20,1
19,7
21,9
21,7
24,5
24,1
23,4

25,5
25,5
24,5
23,9
22,7
20,4
21,5
22,5
22,6
25,9
24,3
22,7
25,3
24,4
24,5
23,8
23,0
20,1
18,7
20,7
24,1
22,9
22,4
23,6
24,7
24,6
24,3
24,4
21,1
20,0
19,3
20,6
23,6
22,4
22,8
22,6

Obs.: Os dados so lidos na vertical

37

Bibliografia
ANDERSON, O.D. (1976) Time Series Analysis and Forecasting: Box and Jenkins
Approach. London: Butterwoerths.
BOWERMAN, B.L., OCONNELL, R.T. (1993) Forecasting and Time Series: an Applied
Approach, 3a. ed. Wadsworth, Inc.
BOX, G.E.P. and JENKINS, G.M. (1976) Time Series Analysis: Forecasting and Control.
San Francisco: Holden-Day.
BROCKWELL, P.J, DAVIS, R.A. (2002) Introduction to Time series and Forecasting, 2a
ed. New York: Springer.
CHATFIELD, C. (1989) The Analysis of Time Series: An Introduction. London, Chapman
and Hall.
MORETTIN, P. A., TOLOI, C. M. (2004) Anlise de Sries Temporais. So Paulo: Edgard
Blucher.
NELSON, C.R. (1973) Applied Time Series Analysis. San Francisco: Holden-Day.
PEA, D. (2005) Anlisis de Series Temporales. Madrid: Alianza Editorial.
POLE, A., WEST, M., HARRISON, J. (1994) Applied Bayesian Forecasting and Time
Series Analysis, Chapman and Hall.
WEI, W.S. Time Series Analysis: Univariate and Multivariate Methods (1990) AddisonWesley Publishing Company.

38