Séries Temporais

1 – Introdução à previsão

Uma vez que as condições econômicas e de negócios variam ao longo do tempo, os gerentes
de negócios precisam encontrar maneiras de se manter a par dos efeitos que essas mudanças
terão em suas operações. Uma técnica que os gerentes de negócios podem empregar como
uma ajuda no planejamento de necessidades operacionais futuras é a previsão. Embora seja
grande o número de métodos de previsão disponíveis, todos tem um objetivo em comum –
fazer previsões sobre eventos futuros, de modo que essas projeções possam ser incorporadas
ao processo da decisão. Por exemplo, o governo deve ser capaz de prever fatos como
desemprego, inflação, produção industrial e a expectativa de receitas decorrentes do imposto
de renda de pessoas físicas e jurídicas, modo a formular suas políticas, assim como o
departamento de marketing de uma empresa de comercio varejista deve ser capaz de prever a
demanda do produto, o retorno de vendas, as preferências do consumidor, estoques e assim
por diante, a fim de que possa tomar decisões oportunas e ágeis com relação ao seu
planejamento estratégico.

2 – Introdução à Análise de Séries Temporais

Uma série temporal é um conjunto de dados numéricos obtidos durante períodos regulares ao
longo do tempo.

Por exemplo, o preço diário de fechamento de determinada ação na bolsa de Nova York
constitui uma série temporal. Outros exemplos de séries temporais nos negócios ou na
economia são:

 As publicações mensais do Índice de Preços ao consumidor (IPC);

 As informações trimestrais sobre o Produto Interno Bruto (PIB);

 Os registros sobre vendas anuais de determinada empresa.

As séries temporais, no entanto, não se restringem a dados econômicos ou relativos aos

negócios. O Conselho Diretor da sua faculdade, por exemplo, pode desejar estudar
tendências sobre matrículas ao longo da última década; temperatura de um paciente a cada
hora; eletroencefalogramas; etc.

3 – Objetivos da Análise de Séries Temporais

O pressuposto básico da análise de séries temporais é de que os fatores que influenciaram

padrões da atividade no passado e no presente continuarão a fazê-lo, mais ou menos da
mesma maneira, no futuro. Portanto, os principais objetivos da análise de séries temporais
são identificar e isolar esses fatores de influência, para fins de previsão (prognósticos), bem
como para planejamento e controle gerencial.

4 – O modelo clássico
O modelo, ou decomposição, clássico considera as séries temporais como sendo compostas
de quatro padrões, ou elementos, básicos:

T: Tendência;

C: Variações Cíclicas;

S: Variações Sazonais;

I: Variações Irregulares;

O termo Tendência, ou componente secular, indica a direção geral dos valores estudados.
Sua principal característica é um movimentar constante e suave ao longo do tempo de
avaliação. É uma variável influenciada por uma série de fatores, como o crescimento
populacional da região a que se refere, pelas preferencias dos indivíduos, escassez de
matérias-primas e pela legislação aplicável naqueles instantes.

Os ciclos são caracterizados pelos movimentos oscilatórios e aproximadamente regulares dos

dados, no longo prazo (períodos maiores que um ano), em torno da tendência secular. Os
ciclos podem ser devidos a muitos fatores, principalmente aos fenômenos naturais, como
estações do ano, períodos de chuva ou calor intenso e até a manchas solares. Também
podem ser devidos a fenômenos socioeconômicos, como os períodos de recessão ou euforia
típicos dos ciclos econômicos.

As variações sazonais (também chamadas de estacionais, por estarem muitas vezes

associadas às estações do ano) são assemelhadas aos fenômenos cíclicos. A diferença
fundamental entre eles é o tempo entre duas cristas consecutivas: no caso dos ciclos, esse
tempo é superior a um ano; no caso da sazonal idade, ele é inferior a um ano (neste último
caso, os fenômenos são ditos de curto prazo). Como exemplos de eventos sazonais podemos
citar os artigos de estação, como sorvetes livros didáticos, ovos de páscoa e cartões de natal,
assim como a queda de produção no verão (em decorrência das férias), os ciclos
meteorológicos (que afetam a produção agrícola e as atividades ao ar livre, como a
construção civil) e os administrativos (pagamento de impostos e do 13° salário, balanços
anuais, etc.).

Finalmente, as variações irregulares ou aleatórias podem ser provocadas por causas naturais
– como secas, enchentes, geadas, epidemias e terremotos – ou por causas sociais – como
períodos de relações internacionais tumultuadas, de guerras, greves e eleições e até por
planos econômicos, assim como podem ser devidas a eventos não identificados. O efeito
provocado por este componente, em geral não mensurável, é de curta duração e intensidade
variável (desde imperceptível até a mudança na própria direção das tendências e dos ciclos).

a)
12

Tendência
10
8

y
6
4
2

Tempo
0
1

10

11

12

13

14

15

16

17

18

19

20
 16 14 12 10

y ciclos
8
6
4
2
0
1

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24
2015
25 20 15 10 5 0

y Sazonais
1

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24
2016
y Sazonais
20
10
0
1

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24
2017
y Sazonais
20
10
0
1

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

5 – Modelos Multiplicativo e Aditivo

Há duas variantes do modelo clássico. Uma é chamada “multiplicativa” e a outra “aditiva”. A

primeira considera uma série temporal como se fosse resultante do produto das
componentes individuais, enquanto que a última considera a série temporal como a
resultante da soma das componentes individuais. Assim, o modelo multiplicativo tem a
forma.

Y=T x C x S x I

E o modelo aditivo tem a forma

Y=T + C + S + I
 30

Tendencia + SAZONAL
25
20
15
10
5
0

TEMPO
1

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28
6 – Tendência

A tendência se refere ao movimento dos dados a longo prazo, para cima e para baixo. Há
duas finalidades básicas ao isolar a tendência numa serie temporal:

 Identificar a tendência e usá-la em previsões;

Remover a tendência, de modo a permitir o estudo das outras componentes da série.

Assim, em termos de previsão, a investigação da tendência pode lançar luzes na direção de

uma série a longo prazo.

A direção a longo prazo da demanda é de interesse vital para qualquer empresa.

Frequentemente, a estratégia adotada por uma empresa depende da expectativa da
demanda – crescer, diminuir ou permanecer estacionária durante longo período. O aumento
da demanda pode sugerir a necessidade de expansão das instalações, de aumento de capital,
de contratação de funcionários, etc. Inversamente, a redução da demanda pode sugerir a
necessidade de considerar esquemas promocionais e de propaganda, pesquisa de novos
produtos, redução do orçamento, etc. Além disso, a tendência em variáveis como
crescimento populacional, déficits governamentais, impostos, tempo atmosférico, etc., é
fonte de preocupação e merece análise.

Por outro lado, os movimentos de tendência frequentemente podem obscurecer outras

componentes de uma série temporal. Por exemplo, os padrões sazonal e cíclico podem torna-
se menos patentes quando a tendência está presente. Estratégias a curto prazo em geral
dependem mais de fatores sazonais e cíclicos do que de uma tendência a longo prazo. Por
exemplo, as fabricas trabalham durante horas extras ou demitem parte dos seus funcionários
de acordo com as variações sazonais na demanda. Analogamente, o custo de empréstimos
pode acusar padrões cíclicos, e uma empresa pode, assim, planejar seu orçamento de acordo
com isso. Há dois métodos gerais para isolar a tendência de uma série temporal:

 Usar modelos de regressão;

 Usar uma média móvel.

7 – Isolamento da Tendência com o uso da Análise de Regressão

 Os modelos de regressão utilizados anteriormente podem ser aplicados à análise de dados de
séries temporais substituindo-se a variável dependente x pelo tempo (t= 1,2,3...) e usando-se
os correspondentes valores da série temporal como variável dependente y. O fundamento
lógico é que se supõe que o sistema casual que influencia a série temporal seja uma função
do tempo (varie sistematicamente com o tempo).
40

NOVA CRESCIMENTO RAPIDO INDÚSTRIA MADURA

INDÚSTRIA
35
30
25
20
15
10
5
0
1

10

11

12

13

14

15

16

17
A tendência pode ser linear ou curvilínea. O crescimento de um produto ou de uma indústria,
por exemplo, frequentemente segue um padrão curvilíneo como o ilustrado na figura. Mas há
muitos casos em que o modelo linear é adequado. De fato, nossa discussão se limitará a
tendências lineares, em razão da larga aplicabilidade dos modelos lineares na prática e de sua
simplicidade.

Demonstrando a equação de regressão linear, substituindo a escala (x) da variável

independente por uma escala de tempo (t), obtemos uma equação da forma:

YX = a + bX

Onde Yt = valor predito da série temporal;

a= valor de YX quando X = 0;

b =coeficiente angular da reta;

X= número de períodos de tempo.

As equações para a e b são:

Onde n é o número de observações.

Portanto, y =

Note que os anos estão “codificados”. Isto é, 1954, 1955, 1956, etc., foram substituídos por
1,2,3, etc.

Assim, a componente linear desses dados é representada pela equação y = 9,52 + 0,52t. A
reta pode ser o valor de y quando t = 10: y = 9,52 + 0,52 . 10 = 14,72. A reta acha-se grafada
na figura.

Se os dados são vendas anuais em milhares de unidades, e a finalidade da análise é prever

vendas futuras, podemos levar os valores de t na equação para obter as vendas projetadas
para anos futuros. Por exemplo, a estimativa de vendas para 1954 (t = 21) seria:

Y = 9,52 + 0,52 . 21 = 20,44 milhares, ou 20.440.

8 – Médias Móveis

Um segundo método de análise da tendência é a utilização de uma média móvel. Uma média
móvel é uma média dos últimos k pontos, digamos 10, 15 ou 22 observações. Por exemplo, se
a média é composta das 12 últimas observações (k = 12), então à medida que se considera
cada nova observação (incluída na média), despreza-se a mais antiga (a 12° na contagem para
trás). Uma média móvel é a média das últimas k observações.

Calcula primeiro um total móvel para cinco períodos (soma das cinco últimas
observações), e que a média móvel se obtém, dividindo-se o total móvel pelo número de
períodos (valores) naquele total. Assim há sempre k observações no total móvel, de modo
que a média “se move” à medida que se acrescentam novos pontos e se abandonam pontos
antigos. Assim para calcular a próxima média, elimine o valor mais antigo e acrescente o mais
novo.

A prática usual consiste em posicionar a média móvel, seja num ponto (tempo) a meio
caminho entre a mais nova e a mais antiga observação, ou num ponto que corresponda à
observação mais recente. O exemplo acima ilustra este último processo. Se a finalidade é
predizer o próximo valor, usa-se o valor da média móvel corrente. Se o intento é de apenas
regularizar os dados, então é mais apropriado centrar a média móvel entre o primeiro ponto
e o último. Na verdade, esta última técnica é usada com maior frequência.

O efeito da utilização de uma média móvel é remover variações sazonais, cíclicas, irregulares
e aleatórias; o que resta é considerado tendência. O problema é que é quase impossível
remover completamente variações cíclicas e irregulares por tal processo. O ideal seria que se
escolhesse um período de tempo bastante longo para a média móvel permitir remover
variações cíclicas e algumas variações irregulares. Entretanto, quanto mais dados incluímos
na média, menos sensível ela se torna a observações recentes. Às vezes se usa um esquema
de ponderação que atribui maior peso a períodos recentes do que a dados mais antigos.

Uma vantagem do método das médias móveis sobre o da tendência linear é que
aquele abrange tendências tanto lineares como não lineares. Uma desvantagem é que os
primeiros valores e os últimos não têm valores correspondentes na média móvel, embora
tenham valores de tendência linear.
 9 – Variações Cíclicas e Irregulares

As variações cíclicas são variações periódicas de amplitude superior a um ano.

Ordinariamente, tais variações não podem ser separadas das variações irregulares, de modo
que são analisadas conjuntamente. Para isolar variações cíclicas, as outras variações modo
que são analisadas conjuntamente. Para isolar variações cíclicas, as outras variações
(tendência e sazonal) devem ser removidas dos dados da série. As variações sazonais são
efetivamente removidas utilizando-se cifras anuais (pois as variações sazonais se definem
como ciclos de um ano ou menos de duração), ou, no caso de se utilizarem cifras mensais,
empregando-se uma média móvel de 12 meses. Em seguida, extrai-se a tendência dos dados,
e o que resta é considerado como o total das variações cíclicas e irregulares.

A remoção da tendência exige uma reta (ou curva) de tendência. Esta se obtém utilizando-se
uma equação de regressão ou uma média móvel de longo prazo. A remoção da tendência dos
dados depende do modelo que está sendo usado – se multiplicativo ou aditivo. No modelo
aditivo, cada observação é subtraída do correspondente valor de tendência. O resultado é
uma série de desvios em relação à tendência.

Tendência
12
10
8

y
6
4
2

Tempo
0
1

10

11

12

13

14

15

16

17

18

19

20

ciclos
16
14

y
12
10
8
6
4
2
0
1

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

10 – Variações Sazonais

As variações sazonais são as que ocorrem regularmente dentro do período de um ano. Há

duas finalidades para o fato de isolarmos a componente sazonal de uma série temporal. Uma
remover aquele padrão a fim de escutar as variações cíclicas. A outra é identificar os fatores
sazonais de forma que eles possam ser levados em conta na tomada de decisões. Por
exemplo, se um fabricante constata variações sazonais na demanda de certo produto, ele
poderá querer ajustar seu orçamento, seu esquema de produção, de mão de obra, etc.

Para enfrentar os padrões sazonais, é preciso primeiro identifica-los e determinar-lhe o

alcance. A técnica mais usada para análise da variação sazonal é o método da razão-para-a-
média-móvel (ratio-to-moving-average method).

O método da Razão-para-a-Média-Móvel

Esse método dá índices semanais, mensais ou trimestrais que caracterizam observações de

série temporais em termos de percentagem do total anual (isto é, como relativos sazonais).
Por exemplo, se o mês de junho tem índice sazonal de 0,80, isso indica que as vendas de
junho são 80% da média mensal. Se um trimestre tem índice sazonal de 2,00, isso significa
que as vendas daquele trimestre são aproximadamente o dobro da média de vendas para
todos os trimestres.

Técnica para a aplicação do método:

1. O primeiro passo consiste em obter uma média móvel anual a fim de remover as
variações sazonais. Logo, se os dados estão em forma trimestral, é necessário uma média
móvel de 4 períodos; se os dados são mensais, deve-se ter uma média móvel de 12
variações sazonais estão automaticamente excluídas.

Surge agora o problema da centragem dos dados quando se usa um número par de períodos
para a média móvel anual, porque o centro não corresponderá a nenhum dos pontos
originais. Por exemplo, com dados trimestrais, o centro está entre o segundo e o terceiro
trimestre, não correspondendo especificamente a nenhum trimestre. Uma forma de
contornar o problema é achar uma média móvel de dois períodos para as médias móveis, isto
dará um ponto central que corresponderá a um ponto dos dados.

2. O próximo passo é dividir os dados originais pelos valores correspondentes da média

móvel. Na realidade, isso remove as variações de tendência e cíclicas dos dados, deixando
apenas as variações sazonais, irregulares e aleatórias. Simbolicamente, temos

3. Em seguida, agrupam-se os relativos de períodos semelhantes e determina-se a razão

sazonal média para cada período. Se forem usados dados mensais, por exemplo,
agrupam-se todos os janeiros e acha-se a média de janeiro; agrupam-se todos os
fevereiros e acha-se a média mensal de fevereiro; e assim por diante. Analogamente, se
são usados dados trimestrais, achamos primeiro a média de todos os primeiros
trimestres, em seguida a média de todos os segundos trimestres, etc. em geral, calcula-se
uma “média modificada”. Isso envolve a remoção tanto como do valor de cada grupo
antes de calcular a média.

4. Finalmente, “padronizam-se” as cifras resultantes. Consegue-se isso ajustando os

relativos, de modo que sua soma seja igual ao número de períodos. Logo, se há 12
períodos, o total dos relativos sazonais de ser 12.

11 – Recomposição
Se o objetivo de uma análise de série temporal é focalizar uma única componente da série, a
técnica precedente é adequada. Às vezes, entretanto, queremos agrupar todos os
componentes. Por exemplo, uma companhia pode querer predizer a venda de junho tendo
constatado que há variações sazonais na demanda, bem como fatores cíclicos e de tendência.
É pois, útil vermos como as componentes individuais podem combinar-se para produzir uma
cifra total. O processo de recomposição difere, conforme se trate de modelo multiplicativo ou
de modelo aditivo.