Introdução à Análise de

Séries Temporais

Aula 34

Gujarati, 2006 (tradução da 4a. ed. em inglês) – cap. 21 e 22

 O que é uma
série temporal?
Uma série temporal é qualquer conjunto de
observações ordenadas no tempo, espaço,
volume ou algum outro parâmetro físico.
São exemplos de séries temporais:
 preço mensal da cesta básica na cidade de São
Paulo;
 índice diário da Bolsa de Valores de São Paulo;
 número de acidentes ocorridos, a cada
quilômetro, numa certa rodovia Federal;
 número mensal de automóveis de passeio
comercializados no Brasil.
 Exemplo 01

Figura 1 – Série Mensal do Custo da Cesta Básica, medido pelo

DIEESE, no município de São Paulo, no período de
Ago/1994 a Nov/2010.
 Exemplo 02

Figura 2 – Série mensal do número total de passageiros

internacionais (em milhares de passageiros), no
período de 01/1949 – 12/1960.
 Exemplo 03

Figura 3 – Série mensal de vendas de automóveis nacionais ao mercado

interno no atacado (refere-se apenas a carros de passeio /
passageiros e de uso misto, não englobando veículos
comerciais leves nem veículos comerciais pesados). Fonte:
ANFAVEA.
 Exemplo 04

Figura 4 – Série mensal sobre a produção de cimento no Brasil, em milhares de

toneladas, no período de 01/1970 a 12/2007.
(Sindicato Nacional da Industria do Cimento - SNIC).
 Exemplo 05

Figura 5 – Série diária de log-retornos da ação Petrobras, no

período de 03/01/1995 – 28/12/2000.
 Exemplo 06

300

250

Preço Médio da Cesta Básica

200

150

100

50

Porto Alegre Curitiba Florianópolis

Figura 6 – Séries mensais de preços médios da cesta básica, em reais, nas

cidades de Porto Alegre, Curitiba e Florianópolis, coletadas
desde janeiro de 1995 até janeiro de 2010.
 Quais são os objetivos da
Análise de Séries Temporais?
Estudar procedimentos adequados para análise
de um conjunto de dados com estrutura de
correlação entre as observações.

Ainda,

(i) descrever apenas o comportamento da série;

neste caso, a construção do gráfico da série, a
verificação da existência de tendências, ciclos
e variações sazonais, a construção de
histogramas e diagramas de dispersão podem
ser ferramentas úteis;
(ii) investigar o processo gerador da série
temporal; por exemplo, analisando uma série
de valores mensais de vendas de automóveis
no Brasil, podemos querer saber como estes
valores de vendas foram gerados;

(iii) fazer previsões futuras da série; estas podem

ser a curto prazo, como para série de vendas,
produção ou estoque, ou a longo prazo, como
para séries de produtividade;

(iv) procurar periodicidades relevantes nos dados;

neste caso, a análise espectral pode ser de
grande utilidade.
Domínios de análise
 Domínio do tempo
Procedimento baseado no fato de que a correlação
entre valores adjacentes da série temporal é melhor
explicada em termos de uma regressão dos valores
passados da série e de um ruído (modelos
paramétricos).

Domínio da freqüência
Procedimento baseado no fato de que uma série
temporal pode ser decomposta como uma
superposição linear de senos e co-senos com
períodos diferentes (modelos não-paramétricos).
 Modelos para
Séries Temporais
 Modelos para Séries Temporais

Os modelos utilizados para descrever séries

temporais são processos estocásticos, isto é,
processos controlados por leis probabilísticas.

Definição – Seja T um conjunto arbitrário. Um

processo estocástico é uma família X = {X(t), t T}, tal
que, para cada t T, X(t) é uma variável aleatória.
 Modelos para Séries Temporais
Para cada t  T, X(t) é uma v.a. definida
sobre , na realidade X(t) é uma função de
dois argumentos, X(t, ), t  T ,   .

Por outro lado, para cada   , fixado,

obteremos uma função de t, ou seja, uma
realização ou trajetória do processo, ou
ainda, uma série temporal.
 Processo estocástico interpretado como uma
família de variáveis aleatórias.
X(t, )
fX(x)

. .
. (t)

t
t1 t2 t3
 Modelos para Séries Temporais

O conjunto de valores {X(t), t  T} é chamado de

espaço de estados, S, do processo estocástico e os
valores de X(t) podem ser chamados de estados.

Se o conjunto T for finito ou enumerável, como T = Z,

o processo diz-se com parâmetro discreto. Por outro
lado, se T for um intervalo de , teremos um
processo com parâmetro contínuo.
 Modelos para Séries Temporais

O espaço de estados também pode ser discreto ou

contínuo:
 No caso discreto X(t) pode representar uma
contagem, como o número de transações de uma
ação, durante um dia.
 Já no caso contínuo, X(t) pode representar uma
medida que varia continuamente, como o retorno de
um ativo ou volume negociado, em cada dia.
 Modelos para Séries Temporais

Vale notar que ao se definir um processo estocástico

é necessário introduzir três características:

(a) O espaço onde está definido o processo;

(b) O conjunto dos índices T;
(c) A estrutura de dependência da v.a., X(t), t  T.
 Modelos para Séries Temporais

Como o processo estocástico X(t), t  T, é uma v.a.,

estaremos interessados em obter a distribuição
conjunta de {X(1), ..., X(K)}.
Mas, na prática, só dispomos de uma única realização
do processo.
Logo, se torna necessário introduzir certas restrições
para que seja possível obter esta distribuição
conjunta.
 Modelos para Séries Temporais
Por exemplo, no instante t = 1 só observamos x1, que
é o valor que a v.a. X(1) assume neste instante de
tempo, mas desejamos recuperar a distribuição da v.a.
X(1). Aqui, vale observar que esta distribuição pode
depender de mais de um parâmetro e, portanto, é
impossível recuperá-la com uma única observação.
No caso dos processos estocásticos, as restrições
que devem ser impostas são de dois tipos
(a) Na heterogeneidade temporal; e
(b) Na memória do processo.
Restrição na Heterogeneidade Temporal
Seja um dado subconjunto de índices T, por exemplo,
{1  t1 < t2 < ... < tm}.
Uma restrição na heterogeneidade temporal é, por exemplo,
assumir que a distribuição conjunta de
{X(t1), X(t2), ..., X(tm)}
é igual à distribuição conjunta de
{X(t1+), X(t2 +), ..., X(tm +)},
para qualquer inteiro   1.
Ou seja, estamos assumindo que a distribuição conjunta é
invariante por translações. Note que essa restrição implica que
tanto a média quanto a variância do processo são invariantes no
tempo.
Restrição na Heterogeneidade Temporal
X(t, )
fX(x)

. .
. (t)

t
t1 t2 t3
Estamos assumindo que a distribuição de probabilidades é a mesma em todos
os instantes de tempo – grau zero de heterogeneidade temporal.
 Restrição na Memória do Processo

Com relação à memória do processo estocástico, a primeira

idéia é fazer com que o processo não tenha memória, isto é, seja
não correlacionado ou independente. A restrição de
independência é muito forte e pouco plausível, uma vez que
séries temporais econômicas apresentam algum tipo de
dependência temporal. Assim, uma forma de abrandar essa
suposição é fazer com que para instantes de tempo muito
afastados não exista correlação. Dessa forma, o processo tem
memória, mas tal memória vai diminuindo com o aumento dos
intervalos entre os instantes de tempo.
Estacionariedade
 PROCESSOS ESTACIONÁRIOS

Intuitivamente, um processo X(t) é estacionário se

ele se desenvolve no tempo de modo que a
escolha de uma origem dos tempos não seja
importante. Em outras palavras, as características
de X(t+), para todo , são as mesmas de X(t).
 PROCESSO ESTRITAMENTE ESTACIONÁRIO

Um processo estocástico
X = {X(t): t  T = 1, 2, ...}
diz-se estritamente estacionário (ou estacionário de
primeira ordem) se, para cada conjunto de índices
1  t1 < t2 < ... < tm,
a distribuição conjunta de
{X(t1), X(t2), ..., X(tm)}
é igual à distribuição conjunta de
{X(t1+), X(t2 +), ..., X(tm +)},
para qualquer inteiro   1.
 PROCESSO ESTACIONÁRIO EM COVARIÂNCIA

Um processo estocástico

{X(t): t = 1, 2, ...},

com segundo momento finito [E(xt2) < ] diz-se estacionário

em covariância (ou fracamente estacionário ou estacionário
de segunda ordem ou sentido amplo) se, e somente se:
 PROCESSO ESTACIONÁRIO EM COVARIÂNCIA

(i) E(X(t)) = , constante, t;

(ii) Var(X(t)) = E(X(t) - )2 = 2, constante, t;

(iii)  = E[(X(t) - )(X(t-) - )] = Cov(X(t), X(t-)), para qualquer

t e qualquer   1, depende somente de , e não de t.

 Função de Autocovariância
Seja {Xt, t  Z} um processo estacionário real discreto, de
média zero e facv  = Cov(Xt, Xt-) = E{XtXt-}.

Proposição – A facv  satisfaz as seguintes

propriedades:

(i) 0 > 0;

(ii) - = ;

(iii) ||  0;

 Exercício
Considere o seguinte processo

yt = ut, t = 1, 2, ...

em que
ut ~ NID(0, u2);

Pergunta-se: yt é estacionário de segunda ordem?

 PROCESSO ESTACIONÁRIO EM COVARIÂNCIA

Definição (ruído branco): Dizemos que a seqüência

aleatória
{t, t  Z }
é um ruído branco discreto se as v.a. t são não
correlacionadas, isto é, Cov(t, t-) = 0,   0.

Um tal processo será estacionário se

E(t) =  e Var(t) = 2, para todo t.
 Função de Autocorrelação

Tendo calculado os valores da Função de Autocovariância

(), os coeficientes de autocorrelação para uma série
temporal estacionária são definidos por

Cov( xt , xt  )
  Corr ( xt , xt  ) 
Var ( xt )  Var ( xt  )
 Função de Autocorrelação
Que fica reduzida à expressão:

Cov( xt , xt  )
  Corr ( xt , xt  )  
Var ( xt )  Var ( xt  )

Cov( xt , xt  )  
 
Var ( xt ) 0

caso a série temporal seja estacionária.

 Função de Autocorrelação

A expressão anterior é conhecida por função de

autocorrelação, FAC, à representação gráfica da FAC
dá-se o nome de correlograma.
 Função de Autocorrelação

Observação
A função de autocorrelação (FAC) proporciona evidências de
uma série temporal não-estacionária. Tipicamente, tais séries
apresentam FACs significativas para muitas defasagens.
Exercícios
 Exercício 1

Verifique se o processo

yt = et + 1et-1, t = 1, 2, ...

em que

{et} é i.i.d. com média = 0 e variância igual a e2;

é estacionário de segunda ordem.

 Exercício 2

Suponha que a sequência {yt: t = 1, 2, ...} tenha sido gerada

por

yt = 0 + 1t + et,

em que:

(i) 1  0;

(ii) {et: t = 1, 2, ...} é uma sequência i.i.d. com média

zero e variância igual a e2.
 Exercício 2 (cont.)

Verifique se:

(a) {yt} é estacionária;

(b) yt – E(yt) é estacionária?

(c) yt – yt-1 é estacionária?

(d) Qual a intuição dos procedimentos (b) e (c)?

 Exercício 3

Suponha que a seqüência {yt: t = 0, 1, 2, ...} tenha sido gerada

por

yt = yt-1 + et,

em que:

(i) y0 = 0;

(ii) {et: t = 1, 2, ...} é uma seqüência i.i.d.

com média zero e variância igual a e2.

Verifique se {yt} é estacionária.