SUMÁRIO

LISTA DE FIGURAS...........................................................................................................I
1. INTRODUÇÃO ........................................................................................................ 2
1.1 Formulação do Problema ........................................................................................ 2

1.2 Hipóteses ................................................................................................................. 2

1.3 Objectivos do Estudo .............................................................................................. 3

1.3.1 Objectivo Geral ................................................................................................... 3

1.3.2 Objectivos Específicos ........................................................................................ 3

2. FUNDAMENTAÇÃO TEÓRICA ........................................................................... 4

2.1 Tipos de Séries Temporais ......................................................................................... 4
2.1.1 Séries Temporais Estocásticas ............................................................................ 4

2.1.2 Séries Temporais Contínuas, Discretas, Univariadas e Multivariadas ................ 5

2.2. Características das Séries Temporais ......................................................................... 5

2.2.1 Autocorrelação .................................................................................................... 5

2.2.2 Tendência ............................................................................................................ 6

2.2.3 Sazonalidade........................................................................................................ 6

2.2.4 Estacionariedade.................................................................................................. 7

2.3 Componentes de Séries Temporais ............................................................................ 7

2.4 Decomposição da Série Temporal .............................................................................. 8
2.5 Exercícios Práticos ..................................................................................................... 9
CONCLUSÃO.................................................................................................................... 11
FONTES BIBLIOGRÁFICAS ......................................................................................... 12
1. INTRODUÇÃO

O presente trabalho tem como o tema análise de séries temporais, esta análise visa a
compreender e prever fenómenos, em que a informação (dados) é recolhida em intervalos
de tempo iguais (horas, dias, semanas, etc), ao longo de um período mais ou menos longo, é
uma faceta particular da estatística.
O trabalho está estruturado da seguinte maneira: começaremos por fazer a definição,
abordaremos sobre os tipos de séries temporais, suas características, seus componentes, a
sua decomposição e apresentaremos exercícios práticos.

1.1 Formulação do Problema

O problema geralmente é formulado em forma interrogativa, pois desta maneira
indica directamente o quê estudar e suscita a busca da resposta. Deve-se situar a formulação
do problema em um espaço, quer dizer, o contexto físico em que se produzirá o estudo.
(ALVARENGA, 2012, p. 15).
Uma série temporal corresponde a uma coleção de observações feitas
sequencialmente ao longo do tempo (ou baseadas em alguma outra variável, como espaço e
profundidade, por exemplo), de forma que as observações vizinhas são dependentes, e o
objectivo é analisar e modelar essa dependência. Uma análise da série temporal é um
método para tentar entender a série temporal, e a estrutura que gerou a mesma.
Face a dissertação acima coloca-se a seguinte questão de partida: Qual é a
importância da análise de séries temporais?

1.2 Hipóteses
De acordo com Alvarenga (2012, p. 27), “hipóteses são preposições, ou tentativas de
explicação sobre a relação entre duas ou mais variáveis, as que se supõe que possam ser
encontradas ao realizar um estudo científico”. Tendo em conta o problema em causa,
traçamos as seguintes hipóteses:
H1: Auxiliar na compreensão e previsão de fenómenos contribuindo na tomada de
decisões estratégicas;
H2: Proporcionar melhor identificação de períodos de crescimento ou decrescimento.

2
1.3 Objectivos do Estudo
Segundo Cervo & Bervian (2002), os objectivos definem a natureza do trabalho, o
tipo de problema, o material a colectar, etc.
A realização do estudo em causa, leva-nos a atingir determinadas metas, nisto
traçamos os seguintes objectivos:

1.3.1 Objectivo Geral

Responde ao problema genérico quer dizer a pergunta substantiva de investigação e
referem-se aos resultados que se espera lograr, ao “Para que?” da investigação.
(ALVARENGA, 2012, p.19).
❖ Compreender a importância da análise de séries temporais, bem como suas
características e os seus componentes.

1.3.2 Objectivos Específicos

Os objectivos específicos referem-se aos aspectos parciais dos problemas que devem
ser estudados. Encaminham e facilitam a tarefa no processo de investigação. Devem ser
formulados com clareza e ter sequência, indicando com precisão as variáveis a estudar e as
actividades a desenvolver. (ALVARENGA, 2012, p. 19).
❖ Compulsar as teorias que fundamentam o tema;
❖ Identificar os tipos de séries temporais existentes;
❖ Descrever as características que uma série temporal pode apresentar;
❖ Ilustrar os componentes de séries temporais e sua decomposição.

3
2. FUNDAMENTAÇÃO TEÓRICA

A análise de séries temporais é um importante instrumento no entendimento do

mercado e na formulação de planos de acção e estratégias. O histórico de uma variável pode
ser utilizado na identificação de períodos de crescimento ou decrescimento, sazonalidade e
ainda para “prever” observações futuras.
Uma série temporal é uma sequência de realizações (observações) de uma variável ao
longo do tempo, ou seja, é uma sequência de números coletados em intervalos regulares
durante um período de tempo (dias, meses, trimestres, anos).

Esbarramos com séries temporais o tempo todo no dia-a-dia, elas normalmente

aparecem nos meios de comunicação na forma de gráfico mostrando índices ou medições
como taxas de desemprego, flutuações nos preços de um produto, etc… Essa estatística é
muito utilizada dentro das ciências económicas com aplicação em diversas outras áreas
como: demografia, meteorologia, epidemiologia, ecologia, ciências sociais, dentre outras.

Alguns exemplos de séries temporais são: valores diários de poluição em uma cidade,
valores mensais de temperatura registrados em uma cidade, índices diários da Bolsa de
Dívida e Valores de Angola (BODIVA), acidentes ocorridos nas rodovias da cidade de
Luanda durante um mês...
O objectivo da análise de séries temporais é identificar padrões não aleatórios na
série temporal de uma variável de interesse, e a observação deste comportamento passado
pode permitir fazer previsões sobre o futuro, orientando a tomada de decisões.

2.1 Tipos de Séries Temporais

Os tipos de séries temporais são: estocásticas, contínuas, discretas, univariadas e
multivariadas.

2.1.1 Séries Temporais Estocásticas

Séries temporais estocásticas ou aleatórias, são aquelas em que o futuro é apenas
parcialmente determinado por valores passados, sendo o modelo para estas séries muitas
vezes chamado de um processo estocástico.

4
 Um processo estocástico pode ser descrito como uma família de variáveis aleatórias
{𝑥1 , 𝑥2 , , … , 𝑥t, 𝑡 ∈ 𝑇} indexadas no tempo, onde T é um conjunto ordenado de índices.
Esta notação é usada quando as observações não são igualmente espaçados no tempo.
Uma série temporal estocástica é não-estacionária quando a sua média varia com o
tempo. Nestas séries só é possível determinar uma parte dos dados, pelo que geram piores
previsões que as séries estacionárias.

2.1.2 Séries Temporais Contínuas, Discretas, Univariadas e Multivariadas

São séries temporais contínuas quando os valores são recolhidos de uma forma
contínua ao longo do tempo, caso contrário estamos na presença de séries temporais
discretas.
As séries temporais podem também ainda ser classificadas como univariadas se as
observações são únicas e registadas sequencialmente durante intervalos de tempo iguais
(dias, mês, anos, etc.) ou multivariadas se as observações são múltiplas.

2.2. Características das Séries Temporais

2.2.1 Autocorrelação
A autocorrelação é definida como uma observação que num determinado instante
está relacionada às observações passadas, as observações podem estar autocorrelacionadas
em diversas ordens.
A autocorrelação de primeira ordem caracteriza séries onde uma observação está
correlacionada com a observação imediatamente anterior (fevereiro e janeiro, por exemplo).
A autocorrelação de segunda ordem caracteriza séries temporais onde uma observação está
correlacionada com as observações a 2 unidades de tempo no passado (fevereiro e dezembro,
por exemplo).
A identificação da autocorrelação é feita através da Função de Autocorrelação. (ACF
– Autocorrelation Function), além disso, testes como o de Durbin Watson auxiliam na
identificação da autocorrelação de primeira ordem.
No exemplo de ACF mostrado abaixo a significância da ordem de autocorrelação é
avaliada através dos intervalos de confiança (em azul). Dessa forma, esta série possui
autocorrelação de primeira ordem, uma vez que o ponto no lag 1 é significativo. No R, a
autocorrelação no lag 0 é sempre igual a 1, por default.

5
 Figura nº 01 - Exemplo de autocorrelação

Fonte: https://operdata.com.br/blog/caracteristicas-das-series-temporais/

2.2.2 Tendência
A tendência de uma série temporal é definida como um padrão de
crescimento/descrecimento da variável em um certo período de tempo. Existem testes
específicos para a identificação da tendência, como o Teste de Wald e o de Cox-Stuart.
Entretanto, uma técnica muito utilizada é o ajuste de uma Regressão Linear Simples para a
identificação da inclinação da reta de tendência.
Vale lembrar que o ajuste da Regressão Linear, neste caso, pode levar a resultados
enviesados e, para evitar este problema, estimadores robustos à autocorrelação podem ser
utilizados.
No exemplo abaixo, consideramos os dados referentes ao número de passageiros
internacionais no transporte aéreo entre os anos de 1949 e 1961. Pode-se observar uma clara
tendência crescente na série ao longo dos anos.

Figura nº 02 - Número de passageiros internacionais no transporte aéreo

Fonte: https://operdata.com.br/blog/caracteristicas-das-series-temporais/

2.2.3 Sazonalidade
A sazonalidade pode ser definida como padrões de comportamento que se repetem
em específicas épocas do ano. Por exemplo, o número de passageiros que utilizam o

6
transporte aéreo geralmente é maior em períodos de férias escolares do que nos demais meses
do ano, fato que pode ser verificado na Figura 2. A sazonalidade, muitas vezes, pode ser
identificada de maneira visual.
A sazonalidade pode ser determinística ou estocástica.
Sazonalidade determinística é quando pressupomos um padrão sazonal regular e
estável no tempo, desta forma podemos prever o comportamento sazonal perfeitamente a
partir de dados anteriores.
Uma série temporal possui sazonalidade estocástica quando a componente sazonal
da série varia com o tempo. Este procedimento pode ser utilizado e normalmente é utilizado
quando temos um padrão sazonal constante.

2.2.4 Estacionariedade
A estacionariedade é um importante conceito na modelagem de séries temporais e
é caracterizada por uma variável que se comporta de forma aleatória ao longo do tempo ao
redor de uma média constante. Basicamente, séries temporais que possuem tendência e ou
sazonalidade não são estacionárias e é necessário o uso de técnicas adequadas a tal situação.

Figura nº 03 - Exemplo de uma série estacionária

Fonte: https://operdata.com.br/blog/caracteristicas-das-series-temporais/

2.3 Componentes de Séries Temporais

Séries temporais são observações coletadas ao longo do tempo. Os componentes de
uma série temporal são: tendência, sazonalidade, cíclico e o componente aleatório.
Tendência: temos uma tendência quando há aumento ou queda de longo prazo nos
dados. Não precisa ser linear e pode ocorrer mudanças de tentência nos dados, como sair de
uma tendência crescente para uma decrescente.

7
 Sazonalidade: existe sazonalidade quando a série é influenciada por fatores
sazonais, que podem ser trimestrais, mensais, semanais ou diários. A sazonalidade se
apresenta em períodos fixos e conhecidos.

Cíclico: padrões cíclicos existem quando os dados apresentam subidas e descidas

que não tem períodos fixos. É comum que esses períodos tenham pelo menos dois anos. O
que diferencia os padrões cíclicos da sazonalidade é que não apresentam um período fixo,
enquanto as flutuações sazonais acontecem por um período possível de identificar no
calendário, além da duração das flutuações cíclicas serem maiores que as sazonais.
Irregular: Existe quando há flutuações randômicas, causadas por eventos
imprevisíveis e não periódicos. Esse componente é também conhecido como ruído.
Vale destacar que uma série temporal pode ter diferentes combinações desses
componentes, ou mesmo apresentar um componente para um tempo gráfico e outros
componentes se aumentarmos o período do gráfico.

2.4 Decomposição da Série Temporal

Podemos pensar numa série temporal (yt) como a junção de três componentes: um
sazonal (St), um para tendência-cíclica (Tt) e um componente para tudo o que resta (Et).
Representando o modelo de forma aditiva temos:
yt = St + Tt + Et
Ou representando o modelo em sua forma multiplicativa:
yt = St × Tt × Et
Como identificar se o modelo a ser usado deve ser o aditivo ou multiplicativo?
A análise gráfica pode ser usada para identificar o tipo de resarial modelo a ser usado
Modelo aditivo - variação constante em toda série.
Modelo multiplicativo - variação não constante com o tempo.

Figura nº 04 - Exemplo de Modelo aditivo

8
 Fonte: http://files.estatistica-empresarial.webnode.com.br/200000049-
b7249b81ea/SERIES%20TEMPORAIS%20site.pdf

Figura nº 05 - Exemplo de Modelo multiplicativo

Fonte: http://files.estatistica-empresarial.webnode.com.br/200000049-
b7249b81ea/SERIES%20TEMPORAIS%20site.pdf

2.5 Exercícios Práticos

Exemplo nº 1
Tome-se a seguinte função linear, que chamaremos de função "f": yt = a + b ∙ xt
A convenção utilizada nesta série temporal é a seguinte:
y representa o dado obtido.
a representa o intercepto
x representa a variável que determina y.
o subscrito "t" indica o período à qual o dado se refere.
Se fôssemos analisar a função yt = 1 + 2 ∙ xt a partir do período em que x = 0, teríamos:

Período Valor assumido por x (informação Valor assumido por y (consequência do

coletada pelo pesquisador) valor que x assumiu)
𝑡=0 X0 = 0 Y0 = 1 + 2 ∙ 𝑋 0 = 1 + 2 ∙ 0 = 1
𝑡=1 X1 = 1 Y1 = 1 + 2 ∙ 𝑋 1 = 3

9
 𝑡=2 X2 = 2 Y2 = 1 + 2 ∙ 𝑋 2 = 5

No exemplo nº 01 estamos na presença de um componente determinístico porque

os valores da série podem ser escritos através de uma função
matemática perfeitamente determinada por uma ou mais variáveis.

Exemplo nº 2
Suponha que dois irmãos façam uma aposta anual em dinheiro. A quantidade de
dinheiro a ser paga ao irmão 1 é determinada pela série temporal: gt = a + b ∙ xt ∙ Et
onde
gt é o valor em reais que o irmão 1 vai receber. Se o valor for negativo, o irmão 1 deve
pagar ao irmão 2, em vez de receber.
a = intercepto = -2
b = inclinação = 0,2
xt é a o número de anos que o irmão 1 tem no dia da aposta.
Et é uma variável aleatória com distribuição binomial que assume o valor 10 se chover
no dia, e -20 se não chover. Note-se que esta variável introduz a incerteza, pois não se
pode saber, a priori, quanto o irmão 1 deverá pagar para, ou receber do, irmão 2.

ano Idade do Choveu? Valor de 𝝐t Valor de

irmão 1 (consequência de ter chovido ou
(variável xt) não)
(=valor a ser pago ou recebido)
t=0 19 Sim 10 g0 = −2 + 0,2 ∙ 19 + 10 = 11,8 𝑘𝑧
t=1 20 Não -20 g1 = −2 + 0,2 ∙ 20 − 20 = −18 𝑘𝑧
t=2 21 Sim 10 g2 = −2 + 0,2 ∙ 21 + 10 = 12,2 𝑘𝑧
t=3 22 Não -20 g3 = −2 + 0,2 ∙ 22 − 20 = −17,6 𝑘𝑧

No exemplo nº 02 estamos na presença de um componente estocástico porque não

se poder determinar o seu valor exacto mesmo conhecendo a sua especificação e o valor de
todos os seus determinantes, isto porque a série possui uma natureza intrinsecamente
aleatória.

10
CONCLUSÃO

A presente pesquisa teve como objectivo geral “Compreender a importância da

análise de séries temporais, bem como suas características e os seus componentes”. Para
atingir esse objectivo, foi realizado um estudo com o tema “Análise de séries temporais”.
Com vista aos objectivos específicos espelhados no trabalho, foram todos alcançados no que
tange o primeiro “Compulsar as teorias que fundamentam o tema” foi possível compulsar
com teorias de inúmeros autores de modo a proporcionar melhor compreensão da temática
em estudo.

O segundo objectivo que foi “Identificar os tipos de séries temporais existentes”

detectou-se que existem cinco tipos de séries temporais que são estocásticas, contínuas,
discretas, univariadas e multivariadas. No que tange ao terceiro objectivo “Descrever as
características que uma série temporal pode apresentar” foi possível constatar no decorrer
da pesquisa que uma série temporal apresenta as características de autocorrelação, tendência,
sazonalidade e estacionariedade. Já o quarto e o último objectivo específico da pesquisa que
foi “Ilustrar os componentes de séries temporais e sua decomposição”, constatou-se que os
componentes de uma série temporal são: tendência, sazonalidade, cíclico e o componente
aleatório. Quanto a decomposição de série temporal ele apresenta dois tipos de modelos que
são modelo aditivo e modelo multiplicativo.

Das hipóteses propostas de modo a responder à questão de partida 1º Auxiliar na

compreensão e previsão de fenómenos contribuindo na tomada de decisões estratégicas e 2º
Proporcionar melhor identificação de períodos de crescimento ou decrescimento, foram
todas confirmadas.

Assim sendo os resultados revelaram que análise de séries temporais é um importante

instrumento no entendimento do mercado e na formulação de planos de acção e estratégias.
Ela pode ser utilizada na identificação de períodos de crescimento ou decrescimento,
sazonalidade e ainda para “prever” observações futuras. O objectivo da análise de séries
temporais é identificar padrões não aleatórios na série temporal de uma variável de interesse,
e a observação deste comportamento passado pode permitir fazer previsões sobre o futuro,
orientando a tomada de decisões.

11
FONTES BIBLIOGRÁFICAS

ALVARENDA, Estelbina. Metodologia de investigação quantitativa e qualitativa. 2ª

Edição, A4 Diseños, Assunção, 2012.

CERVO, A. L. BERVIAN, P. A. Metodologia científica. 5.ed. São Paulo: PrenticenHall,

2002.

MORETTIN, Pedro A. e TOLOI, Clélia M (1981). Modelos para Previsão de Séries

Temporais, Edgard Blucher,.

MORETTIN, P. A.; TOLOI, C. M. de C. Séries temporais. São Universid Fac de

EspeciaPaulo: Atual, 2005, 420 p

XAVIER, Jorge Manuel Nunes. Análise e previsão de séries temporais com modelos arima
e análise espectral singular, 2016.

GUIMARÃES, Ednaldo Carvalho. Séries temporais. Universidade Federal de Uberlândia.

https://profes.com.br/isadora.lupchinski/blog/caracteristicas-das-series-temporais

https://econoquant.github.io/2017/02/22/componentes-de-series-temporais/

http://www.portalaction.com.br/series-temporais/introducao

https://www.inf.ufsc.br/~marcelo.menezes.reis/Cap4.pdf

http://files.estatisticaempresarial.webnode.com.br/200000049b7249b81ea/SERIES%20TE
MPORAIS%20site.pdf

12