Sie sind auf Seite 1von 84

Apostila de Anlise de Sries Temporais

Autor: Prof. Manoel Ivanildo Silvestre Bezerra


DMEC/ FCT / UNESP
Curso de Estatstica
Disciplina Semestral - 2006
Sumrio
1 Introduo 4
1.1 Exemplos de sries . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3 Estacionariedade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2 Conceitos Bsicos 7
2.1 Processo Estocstico . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2 Especicao de um Processo Estocstico . . . . . . . . . . . . . . . 8
2.3 Mdias e Covarincias . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.3.1 Propriedades da Esperana . . . . . . . . . . . . . . . . . . . 9
2.3.2 Propriedades da Varincia . . . . . . . . . . . . . . . . . . . . 9
2.3.3 Propriedades da Covarincia . . . . . . . . . . . . . . . . . . 9
2.3.4 Propriedades da Correlao . . . . . . . . . . . . . . . . . . . 10
2.3.5 Outras Propriedades Importantes . . . . . . . . . . . . . . . . 10
2.4 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.4.1 Exemplo 1: O passeio aleatrio . . . . . . . . . . . . . . . . . 10
2.4.2 Exemplo 2: (Mdia-Mvel de ordem 1) . . . . . . . . . . . . . 12
2.5 Estacionariedade para um Processo Estocstico . . . . . . . . . . . . 12
2.5.1 Rudo Branco . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.6 A Funo de Autocorrelao Amostral . . . . . . . . . . . . . . . . . 14
2.7 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3 Modelos de Decomposio 17
3.1 Modelo com Mdia constante . . . . . . . . . . . . . . . . . . . . . . 17
3.2 Mtodo de Regresso . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.2.1 Tendncia Linear . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.2.2 Tendncia Ciclca ou Sazonal . . . . . . . . . . . . . . . . . . 19
3.2.3 Tendncia Cosseno . . . . . . . . . . . . . . . . . . . . . . . . 19
3.3 Sazonalidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.3.1 Sazonalidade determinstica - mtodo de regresso . . . . . . 21
3.4 Anlise Residual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.5 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
4 Modelos de Suavizao Exponencial 23
4.1 Modelos para sries localmente constantes . . . . . . . . . . . . . . . 23
4.1.1 Mdias Mveis Simples (MMS) . . . . . . . . . . . . . . . . . 23
4.1.2 Suavizao Exponencial Simples (SES) . . . . . . . . . . . . . 24
4.2 Modelos para sries que apresentam Tendncia . . . . . . . . . . . . 25
4.2.1 Suavizao Exponencial Biparamtrica de Holt (SEH) . . . . 25
4.3 Modelos para sries sazonais . . . . . . . . . . . . . . . . . . . . . . . 25
4.3.1 Suavizao Exponencial Sazonal de Holt-Winters (HW) . . . 25
1
manoel@fct.unesp.br SUMRIO
5 Modelos de Box-Jenkins para Sries Estacionrias 27
5.1 Processo Linear Geral . . . . . . . . . . . . . . . . . . . . . . . . . . 27
5.2 Modelo Mdias-Mveis (MA(q)) . . . . . . . . . . . . . . . . . . . . 28
5.2.1 O modelo MA(1) . . . . . . . . . . . . . . . . . . . . . . . . . 29
5.2.2 O Modelo MA(q) . . . . . . . . . . . . . . . . . . . . . . . . . 29
5.3 Modelo Autoregressivo AR(p) . . . . . . . . . . . . . . . . . . . . . . 30
5.3.1 O Modelo AR(1) . . . . . . . . . . . . . . . . . . . . . . . . . 30
5.3.2 O Modelo AR(2) . . . . . . . . . . . . . . . . . . . . . . . . . 31
5.3.3 O Processo Autoregressivo geral . . . . . . . . . . . . . . . . 33
5.4 O Modelo Autoregressivo-Mdias Mveis ARMA(p,q) . . . . . . . . 34
5.4.1 O modelo ARMA(1,1) . . . . . . . . . . . . . . . . . . . . . . 34
5.5 Invertibilidade . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
5.6 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
6 Modelos para Sries Temporais No-Estacionrias 39
6.1 O Modelo Autoregressivo-Integrado-Mdias-Mveis ARIMA(p,d,q) . 39
6.1.1 Exemplos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
6.1.2 Algumas Transformaes para tornar a srie Estacionria . . 40
6.2 Formas do Modelo ARIMA . . . . . . . . . . . . . . . . . . . . . . . 41
6.2.1 Forma da Equao Diferenas . . . . . . . . . . . . . . . . . . 41
6.2.2 Forma de Choques Aleatrios . . . . . . . . . . . . . . . . . . 41
6.2.3 Termo constante no Modelo ARIMA . . . . . . . . . . . . . . 41
6.3 Construo dos Modelos ARIMA . . . . . . . . . . . . . . . . . . . . 42
6.3.1 Funo de Autocorrelao Parcial (facp) . . . . . . . . . . . . 43
6.3.2 A Funo de Autocorrelao Parcial Amostral (fapa) . . . . . 44
6.4 Idendicao (ou Especicao) dos Modelos ARIMA . . . . . . . . 44
6.4.1 Procedimento . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
6.5 Intervalo de Conana para a FAC Amostral . . . . . . . . . . . . . 45
6.6 Exerccos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
7 Estimao dos Parmetros 47
7.1 Estimativas Preliminares . . . . . . . . . . . . . . . . . . . . . . . . . 47
7.1.1 Processos AR(p) . . . . . . . . . . . . . . . . . . . . . . . . . 47
7.1.2 Processos MA(q) . . . . . . . . . . . . . . . . . . . . . . . . 47
7.1.3 Processos ARMA(p,q) . . . . . . . . . . . . . . . . . . . . . . 48
7.2 O Mtodo dos Momentos . . . . . . . . . . . . . . . . . . . . . . . . 48
7.2.1 Modelo Autoregressivo . . . . . . . . . . . . . . . . . . . . . . 48
7.2.2 Modelos Mdias-Mveis . . . . . . . . . . . . . . . . . . . . . 49
7.2.3 Modelos ARMA . . . . . . . . . . . . . . . . . . . . . . . . . 49
7.2.4 Estimativas da Varincia do Rudo . . . . . . . . . . . . . . . 49
7.3 Estimativas de Mnimos Quadrados . . . . . . . . . . . . . . . . . . . 50
7.3.1 Modelos Autoregressivos . . . . . . . . . . . . . . . . . . . . . 50
7.3.2 Modelos Mdias Mveis . . . . . . . . . . . . . . . . . . . . . 52
7.3.3 Modelos Autoregressivos-Mdias-Mveis . . . . . . . . . . . . 53
7.4 Estimativas de Mxima Verossimilhana . . . . . . . . . . . . . . . . 53
7.5 Mnimos Quadrados No-Condicional para o Modelo ARMA . . . . 55
7.6 Propriedades das Estimativas . . . . . . . . . . . . . . . . . . . . . . 55
7.7 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
8 Diagnstico do Modelo 58
8.1 Anlise Residual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
8.2 Autocorrelao dos Resduos . . . . . . . . . . . . . . . . . . . . . . 59
8.3 O Teste de Box-Pierce . . . . . . . . . . . . . . . . . . . . . . . . . . 59
8.4 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
2
manoel@fct.unesp.br SUMRIO
9 Previso com Modelos ARIMA 61
9.1 Clculo da Previso de Erro Quadrtico Mdio Mnimo . . . . . . . 61
9.2 Tendncia Determinstica . . . . . . . . . . . . . . . . . . . . . . . . 61
9.3 Previso ARIMA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
9.3.1 Modelo AR(1) . . . . . . . . . . . . . . . . . . . . . . . . . . 62
9.3.2 Erro de Previso . . . . . . . . . . . . . . . . . . . . . . . . . 63
9.3.3 Modelo MA(1) . . . . . . . . . . . . . . . . . . . . . . . . . . 64
9.3.4 Erro de Previso . . . . . . . . . . . . . . . . . . . . . . . . . 64
9.3.5 O Caminho Aleatrio . . . . . . . . . . . . . . . . . . . . . . 65
9.3.6 Erro de Previso . . . . . . . . . . . . . . . . . . . . . . . . . 65
9.4 Modelo ARMA Estacionrio - Caso Geral . . . . . . . . . . . . . . . 66
9.4.1 Modelo ARMA(1,1) . . . . . . . . . . . . . . . . . . . . . . . 66
9.5 Modelos No-Estacionrios ARIMA . . . . . . . . . . . . . . . . . . 66
9.5.1 Modelo ARIMA(1,1,1) . . . . . . . . . . . . . . . . . . . . . . 67
9.5.2 Erro de Previso . . . . . . . . . . . . . . . . . . . . . . . . . 67
9.6 Atualizao das Previses . . . . . . . . . . . . . . . . . . . . . . . . 67
9.7 Intervalo de Conana para Previso . . . . . . . . . . . . . . . . . . 68
9.8 Transformaes e Previses . . . . . . . . . . . . . . . . . . . . . . . 68
9.9 Resumo de Previses para alguns Modelos ARIMA . . . . . . . . . . 69
9.9.1 AR(1): Z
t
= (Z
t1
) +a
t
. . . . . . . . . . . . . . . 69
9.9.2 MA(1): Z
t
= +a
t
a
t1
. . . . . . . . . . . . . . . . . . . 70
9.9.3 IMA(1,1) com termo constante: Z
t
= Z
t1
+
0
+a
t
a
t1
70
9.9.4 IMA(2,2): Z
t
= 2Z
t1
Z
t2
+
0
+a
t

1
a
t1

2
a
t2
. . 70
9.10 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
10 Modelos Sazonais 72
10.1 Sazonalidade Determinstica . . . . . . . . . . . . . . . . . . . . . . . 72
10.2 Identicao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
10.3 Estimao . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
10.4 Previso . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
10.5 Sazonalidade Estocstica . . . . . . . . . . . . . . . . . . . . . . . . . 74
10.6 Identicao, Estimao e Vericao . . . . . . . . . . . . . . . . . 74
10.7 Exemplos de Modelos Sazonais . . . . . . . . . . . . . . . . . . . . . 75
10.7.1 Exemplo 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
10.7.2 Exemplo 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
10.7.3 Exemplo 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
10.7.4 Exemplo 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
10.7.5 Exemplo 5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
10.7.6 Exemplo 6 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
10.7.7 Exemplo 7 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
10.7.8 Exemplo 8 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
10.8 Exerccios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
A Esperana Condicional 79
B Predio de Erro Quadrtico Mdio Mnimo 80
3
Captulo 1
Introduo
Uma srie temporal qualquer conjunto de observaes ordenadas no tempo. Alguns
exemplos so citados abaixo:
a) Estimativas trimestrais do Produto Interno Bruto (PIB);
b) Valores dirios da temperatura em Presidente Prudente;
c) ndices dirios da bolsa de valores de So Paulo;
d) Quantidade anual de chuva na cidade do Recife;
e) Um registro de mars no porto de Santos.
Nos exemplos de a) a d) temos sries temporais discretas, enquanto que e)
um exemplo de srie contnua. Podemos obter uma srie temporal discreta a partir
da amostragem de uma srie temporal contnua considerando intervalos de tempos
iguais, t. Assim para analisar a srie e) ser necessrio amostr-la, convertendo-a
e observando-a no intervalo de tempo [0, T], supondo uma srie discreta com N
pontos, onde N =
T
t
(T horas).
Existem dois enfoques utilizados na anlise de sries temporais. Em ambos, o
objetivo construir modelos para estas sries. No primeiro enfoque, a anlise
feita no domnio temporal e os modelos propostos so modelos paramtricos (com
um nmero nito de parmetros). No segundo, a anlise conduzida no domnio
de frequncias e os modelos propostos so modelos no-paramtricos.
Dentre os modelos paramtricos temos, por exemplo, os modelos ARIMA, que
sero estudados neste curso nos prximos captulos.
No domnio de frequncias temos a anlise espectral, que tem inmeras apli-
caes em cincias fsicas e engenharia, principalmente na engenharia eltrica, e
que consiste em decompor a srie dada em componentes de frequncias e onde a
existncia do espectro a caracterstica fundamental. Este tipo de anlise no ser
estudado nestas notas de aulas, para detalhes o aluno deve consultar Jenkins e
Watts (1968), Koopmans (1974), Morettin (1979), Marple (1987) e Kay (1988).
1.1 Exemplos de sries
Exemplo1: Vamos supor que desejamos medir a temperatura do ar, de um local,
durante 24 horas, poderamos obter um grco semelhante a gura abaixo:
4
manoel@fct.unesp.br CAPTULO 1. INTRODUO
Figura 1.1: Temperatura do ar, de dado local, durante 24 horas.
Cada curva do grco chamada de trajetria ou srie temporal ou funo
amostral. No grco acima Z
(j)
(t) o valor da temperatura no instante t, para
a j esima trajetria (j-simo dia de observao). Para cada t xo, teremos os
valores de uma varivel aleatria Z(t) que ter certa distribuio de probabilidade.
Na realidade o que chamamos de srie temporal, uma parte de uma trajetria,
dentre muitas que poderiam ter sido observadas. O parmetro t pode ser funo de
algum outro parmetro fsico como por exemplo: espao e volume.
Exemplo 2:Seja
Z(t) = [Z
1
(t), Z
2
(t), Z
3
(t)]
0
(1.1)
um vetor (r 1) e (p 1) onde as trs componentes denotam, a altura, a temper-
atura e a presso de um ponto no oceano, respectivamente, e t=(tempo, latitude,
longitude), ou seja, uma srie multivariada (r=3) e multidimensional (p=3).
Exemplo 3: Seja Z(t) o nmero de acidentes ocorridos em rodovias do estado
de So Paulo, por ms. Neste exemplo r=1 e p=2, com t=(ms, rodovia).
1.2 Objetivos
Dada uma srie temporal {Z(t
1
), ..., Z(t
N
)} , observada nos instantes t
1
, ..., t
N
,
podemos estar interessados em:
i) Investigar o mecanismo gerador da srie temporal;
ii) Fazer previses de valores futuros da srie; podendo ser a curto ou longo
prazo;
iii) Descrever apenas o comportamento da srie atravs de grcos;
iv) Procurar periodicidades relevantes nos dados.
Em todos estes casos podemos construir modelos probabilsticos ou estocsticos,
tanto no domnio do tempo como no domnio da freqncia, por exemplo: um sinal
aleatrio com freqncia medida em Hz. Devemos construir modelos simples e com
menor nmero de parmetros possveis.
5
manoel@fct.unesp.br CAPTULO 1. INTRODUO
1.3 Estacionariedade
Uma srie temporal estacionria quando ela se desenvolve aleatoriamente, no
tempo, em torno de uma mdia constante, reetindo alguma forma de equilbrio
estvel. Entretanto, a maior parte das sries que encontramos na prtica apresenta
alguma forma de no estacionariedade. As sries econmicas apresentam em geral
tendncias lineares positivas ou negativas. Podemos ter, tambm, uma forma de
no-estacionariedade explosiva, como o crescimento de uma colnia de bactrias.
A classe dos modelos ARIMA (autoregressivos-integrados-mdias-mveis), sero
capaz de descrever de maneira satisfatria sries estacionrias e no-estacionrias,
mas que no apresentam comportamento explosivo. Este tipo de estacionariedade
chamado homogneo; a srie pode ser estacionria, utuando ao redor de um nvel,
por um certo tempo, depois mudar de nvel e utuar ao redor de um novo nvel e
assim por diante, ou ento mudar de inclinao, ou ambas as coisas. A gura 1.2
ilustra esta forma de no-estacionariedade.
Figura 1.2: Srie no estacionria quanto ao nvel e inclinao.
Como a maioria dos procedimentos de anlise estatstica de sries temporais
supem que estas sejam estacionrias, devemos transformar os dados originais, se
estes no formam uma srie estacionria. A transformao mais comum consiste
em tomar diferenas sucessivas da srie original, at se obter uma srie estacionria.
A primeira diferena de Z
t
denida por
Z
t
= Z
t
Z
t1
, (1.2)
a segunda diferena :

2
Z
t
= [Z
t
] = [Z
t
Z
t1
] (1.3)

2
Z
t
= Z
t
Z
t1

2
Z
t
= Z
t
2Z
t1
+Z
t2
De modo geral, a n esima diferena de Z
t

n
Z
t
=

n1
Z
t

. Em situaes
normais, ser suciente tomar uma ou duas diferenas para que a srie se torne
estacionria.
6
Captulo 2
Conceitos Bsicos
Neste captulo vamos descrever os conceitos bsicos utilizados dentro da teoria dos
modelos de sries temporais. Inicialmente vamos introduzir os conceitos de proces-
sos estocsticos, mdia e funo de covarincia, processo estacionrio, e funo de
autocorrelao.
2.1 Processo Estocstico
Seja T um conjunto arbritrio. Um processo estocstico uma famlia Z = {Z
t
, t T}
tal que, para cada t T, Z
t
uma varivel aleatria (v.a.) denida num espao de
probabilidades (, A, P) .
O conjunto T normalmente tomado como o conjunto dos inteiros Z = {0, 1, 2, ...}
ou o conjunto dos reais R. Como, para t T, Z
t
uma v.a. denida sobre , na
realidade Z
t
uma funo de dois argumentos, Z(t, ), t T, .
Figura 2.1: Um processo estocstico interpretado como uma famlia de variveis
aleatrias.
7
manoel@fct.unesp.br CAPTULO 2. CONCEITOS BSICOS
Figura 2.2: Um processo estocstico interpretado como uma famlia de trajetrias.
O conjunto dos valores {Z
t
, t T} chamado espao dos estados, E, do processo
estocstico, e os valores de Z
t
so chamados estados. Onde Z
t
e T podem ser
discretos ou contnuos.
2.2 Especicao de um Processo Estocstico
Sejam t
1
, t
2
, ..., t
n
elementos quaisquer de Te consideremos
F(Z
1
, ..., Z
n
; t
1
, ..., t
n
) = P {Z(t
1
) 5 z
1
, ..., Z (t
n
) 5 z
n
} (2.1)
ento, o processo estocstico Z = {Z(t), t T} estar especicado se as distribuies
nito-dimensionais de (2.1), so conhecidas para todo n = 1.
Contudo, em termos prticos, no conhecemos todas essas distribuies nito-
dimensionais. Estudaremos ento certas caractersticas associadas a (2.1) e que
sejam simples de calcular e interpretar.
Uma maneira de especicar o processo Z seria determinar todos os produtos dos
momentos, ou seja,
(r
1
, ..., r
n
; t
1
, ..., t
n
) = E

Z
r1
(t
1
)...Z
rn
(t
n)

(2.2)
(r, t) =
Z

...
Z

Z
r
1
1
...Z
r
1
n
f(z
1
, ..., z
n
; t
1
, ..., t
n
)dz
1
...dz
n
onde f(Z, t) a funo de densidade e probabilidade de F(Z, t). Porm o que vai
nos interessar so os momentos de baixa ordem, ou seja, os chamados processos esta-
cionrios de 2
a
ordem. Consideramos somente os momentos de primeira e segunda
ordem, que sero apresentados a seguir.
2.3 Mdias e Covarincias
Para um processo estocstico {Z
t
: t = 0, 1, 2, ...} a funo mdia (f.m.) deni-
da por
= E(Z
t
) , para t = 0, 1, 2, ... (2.3)
e a funo de autocovarincia (facv) como
8
manoel@fct.unesp.br CAPTULO 2. CONCEITOS BSICOS

t,s
= Cov(Z
t
, Z
s
) = E[(Z
t

t
) (Z
s

s
)] para t, s = 0, 1, 2, ... (2.4)
onde E[(Z
t

t
) (Z
s

s
)] = E(Z
t
Z
s
)
t

s
.
A funo de autocorrelao (fac) dada por

t,s
= Corr(Z
t
, Z
s
) =

t,s

t,t
.
s,s
(2.5)
onde
t,s
= Cov(Z
t
, Z
s
),
t,t
= V ar(Z
t
) e
s,s
= var(Z
s
).
2.3.1 Propriedades da Esperana
E1. Se h(x) uma funo tal que
R

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


E[h(x)] =
Z

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

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


E[h(X, Y )] =
Z

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


E3. Como um corolrio para E2 ns temos o importante resultado
E(aX +bY +c) = aE(X) +bE(Y ) +c
E4. Temos tambm que
E(XY ) =
Z

xyf(x, y)dxdy.
Temos ainda que, a varincia da varivel aleatria X denida como
2
X
= V ar (X) =
E[X E(X)]
2
.
2.3.2 Propriedades da Varincia
V1. V ar(X) = 0.
V2. V ar(a +bX) = b
2
V ar(X).
V3. Se X e Y so independentes, ento V ar (X +Y ) = V ar(X) +V ar(Y ).
V4. V ar(X) = E(X
2
) [E(X)]
2
e
p
V ar (X) =
p

2
X
=
X
(desvio-padro de
X).
2.3.3 Propriedades da Covarincia
CV1. Se X e Y so independentes, ento Cov(X, Y ) = 0.
CV2. Cov (a +bX, c +dY ) = bd.Cov(X, Y ).
CV3. Cov(X, Y ) = E(X, Y ) E(X)E(Y ).
CV4. V ar (X +Y ) = V ar(X) +V ar(Y ) + 2Cov(X, Y ).
CV5. Cov(X +Y, Z) = Cov(X, Z) +Cov(Y, Z).
CV6. Cov(X, X) = V ar(X).
CV7. Cov(X, Y ) = Cov(Y, X).
9
manoel@fct.unesp.br CAPTULO 2. CONCEITOS BSICOS
2.3.4 Propriedades da Correlao
CR1. 1 5 Corr 5 1.
CR2. Corr (a +bX, c +dY ) = sinal (bd) Corr(X, Y ) onde
sinal (bd) =

1 se bd > 0
0 se bd = 0
1 se bd < 0
CR3. Corr(X, Y ) = Cov

X
X
X
,
Y
Y
Y

.
CR4. Corr(X, Y ) = 1 se e somente se existem constantes a e b tal que
P (Y = a +bX) = 1.
2.3.5 Outras Propriedades Importantes
i)
t,t
= V ar(Z
t
),
t,t
= 1
ii)
t,s
=
s,t
0 ,
t,s
=
s,t
iii)

t,s

t,t

s,s
,

t,s

5 1, ou 1 5
t,s
5 1.
Na correlao podemos vericar que valores prximos de 1 indicam forte de-
pendncia (linear) e valores prximos de 0 indicam fraca dependncia (linear). Se

t,s
= 0, Z
t
e Z
s
so no-correlacionadas. Agora se Z
t
e Z
s
so independentes,
ento
t,s
= 0.
Para analisar as propriedades da covarincia de vrios modelos de sries tempo-
rais, o seguinte resultado ser utilizado: se c
1
, c
2
, ..., c
m
e d
1
, d
2
, ..., d
n
so constantes
e t
1
, t
2
, ..., t
m
e s
1
, s
2
, ..., s
n
so pontos no tempo, ento
Cov

m
X
i=1
c
i
Z(t
i
),
n
X
j=1
d
j
Z(s
j
)

=
m
X
i=1
n
X
j=1
c
i
d
j
Cov [Z(t
i
), Z(s
j
)] (2.6)
podemos dizer que, a covarincia entre duas combinaes lineares a soma de
todas as covarincias entre termos de suas combinaes lineares. Esta expresso
pode ser vericada utilizando as propriedades de esperana e covarincia. Como
caso especial, podemos obter o seguinte resultado
V ar
"
n
X
i=1
c
i
Z(t
i
)
#
=
n
X
i=1
c
2
i
V ar [Z(t
i
)] + 2
n
X
i=2
i1
X
j=1
c
i
c
j
Cov [Z(t
i
), Z(t
j
)] (2.7)
2.4 Exemplos
2.4.1 Exemplo 1: O passeio aleatrio
Seja a
1
, a
2
, ... variveis aleatrias independentes, identicamentes distribudas, cada
uma com mdia 0 e varincia
2
a
. A srie temporal, Z
t
, construda da seguinte
maneira:
Z
1
= a
1
(2.8)
Z
2
= a
1
+a
2
.
.
.
Z
t
= a
1
+a
2
+... +a
t
ou
10
manoel@fct.unesp.br CAPTULO 2. CONCEITOS BSICOS
Z
t
= Z
t1
+a
t
(2.9)
Obtendo a funo mdia de (2.8) temos:

t
= E(Z
t
) = E(a
1
+a
2
+... +a
t
)
= E(a
1
) +E(a
2
) +... +E(a
t
)
= 0 + 0 +... + 0 = 0
como E(a
t
) = 0, ns temos:

t
= 0 p/ todo t
e tambm
V ar (Z
t
) = V ar (a
1
+a
2
+... +a
t
)
= V ar (a
1
) +V ar (a
2
) +... +V ar (a
t
)
=
2
a
+
2
a
+... +
2
a
= t
2
a
ou
V ar (Z
t
) = t
2
a
Observe que a varincia do processo cresce linearmente com o tempo. Suponha
agora que 1 5 t 5 s, teremos ento

t,s
= Cov(Z
t
, Z
s
)
= Cov (a
1
+a
2
+... +a
t
, a
1
+a
2
+... +a
s
)
= Cov (a
1
, a
1
) +Cov (a
2
, a
2
) +... +Cov (a
t
, a
t
)
=
2
a
+
2
a
+... +
2
a
= t
2
a
onde
Cov (a
t
, a
s
) = 0 para t 6= s
temos ento que a facv dada por

t,s
= t
2
a
, para 1 5 t 5 s
e a fac dada por

t,s
=
q
t
s
, para 1 5 t 5 s
O passeio aleatrio um exemplo simples que representa diversos fenmenos
como o movimento comum de preos e ttulos e tambm a posio de pequenas
partculas suspensas dentro de um udo, chamado movimento Browniano.
11
manoel@fct.unesp.br CAPTULO 2. CONCEITOS BSICOS
2.4.2 Exemplo 2: (Mdia-Mvel de ordem 1)
Suponha
Z
t
= a
t
0.5a
t1
onde a
t
so v.a.i.i.d. com mdia zero e varincia
2
a
.

t
= E(Z
t
)
= E(a
t
) 0.5E(a
t1
) = 0
e
V ar(Z
t
) = V ar (a
t
0.5a
t1
)
=
2
a
+ 0.5
2

2
a
= 1.25
2
a
.
Tambm
Cov (Z
t
, Z
t1
) = Cov (a
t
0.5a
t1
, a
t1
0.5a
t2
)
= 0.5Cov (a
t1
, a
t1
)
ou

t,t1
= 0.5
2
a
Alm disso
Cov (Z
t
, Z
tk
) = 0 para k = 2
ento podemos concluir que

t,s
=

0.5
2
a
se |t s| = 1
0 se |t s| > 1
Para
t,s
temos

t,s
=

0.4 se |t s| = 1
0 se |t s| > 1
2.5 Estacionariedade para um Processo Estocsti-
co
A estacionariedade a suposio mais importante para um processo estocstico,
com relao ao estudo que faremos. A idia bsica de estacionariedade que as
leis de probabilidade que atuam no processo no mudam com o tempo, isto , o
processo mantm o equilbrio estatstico.
Especicamente um processo estocstico Z(t) considerado estritamente esta-
cionrio se a distribuio conjunta de Z(t
1
), Z (t
2
) , ..., Z (t
n
) a mesma distribuio
conjunta de Z(t
1
k), Z (t
2
k) , ..., Z (t
n
k) , para todos os tempos t
1
, t
2
, ..., t
n
e
para todos os lags(posies) k (constante).
Quando n = 1, a distribuio de Z
t
igual a distribuio de Z
tk
para qualquer
k, ou seja, se os Z
0
s so identicamente distribudos, E(Z
t
) = E(Z
tk
), para todo t
e k, e as funes mdia,
t
, e varincia V ar (Z
t
) = V ar (Z
tk
) so constantes para
todo tempo t.
12
manoel@fct.unesp.br CAPTULO 2. CONCEITOS BSICOS
Quando n = 2, a distribuio de (Z
t
, Z
s
) a mesma de (Z
tk
, Z
sk
) , do qual
temos Cov (Z
t
, Z
s
) = Cov (Z
tk
, Z
sk
) para todo t, s e k.
Fazendo k = s temos:

t,s
= Cov (Z
t
, Z
s
) = Cov (Z
tk
, Z
sk
)
= Cov(Z
ts
, Z
ss
) = Cov(Z
ts
, Z
0
)
=
ts,0
e agora k = t

t,s
= Cov (Z
tt
, Z
st
) = Cov (Z
0
, Z
st
)
= Cov (Z
0
, Z
ts
)
=
0,st
da podemos concluir que

t,s
=
0,|ts|
, onde |t s| =

t s p/ t > s
s t p/ s > t
A covarincia entre Z
t
e Z
s
depende somente da diferena temporal |t s| e
no dos tempos t e s. Alem disso, para um processo estacionrio simplicando a
notao temos

k
= Cov (Z
t
, Z
tk
) e (2.10)

k
= Corr (Z
t
, Z
tk
) =

k

0
As propriedades gerais para um processo estacinrio so:
i)
0
= V ar (Z
t
) ,
0
= 1 (2.11)
ii)
k
=
k
,
k
=
k
iii) |
k
| 5
0
, |
k
| 5 1.
Se um processo estritamente estacionrio e tem varincia nita, ento a facv
depende somente de um certo lag k.
Uma denio que semelhante a estritamente estacionria mas matematica-
mente mais fraca, a seguinte: um processo estoctico Z
t
dito ser fracamente (ou
de segunda-ordem) estacionrio se:
i) a funo mdia constante p/ todo tempo t,
ii)
t,tk
=
0,k
p/ todo tempo t e de lag k.
2.5.1 Rudo Branco
Um importante exemplo de processo estacionrio o rudo branco, o qual denido
como uma seqncia de variveis aleatrias independente, identicamente distribu-
das {a
t
}. Muitos processos podem ser construdos a partir do rudo branco. Pode-se
vericar facilmente que a seqncia {a
t
} estritamente estacionria
P [a (t
1
) 5 x
1
, a (t
2
) 5 x
2
, ..., a (t
n
) 5 x
n
]
= P [a (t
1
) 5 x
1
] P [a (t
2
) 5 x
2
] ...P [a (t
n
) 5 x
n
]
13
manoel@fct.unesp.br CAPTULO 2. CONCEITOS BSICOS
so variveis aleatrias independentes
= P [a (t
1
k) 5 x
1
] P [a (t
2
k) 5 x
2
] ...P [a (t
n
k) 5 x
n
]
identicamente distribudas
= P[a (t
1
k) 5 x
1
, a (t
2
k) 5 x
2
, ..., a (t
n
k) 5 x
n
].
Temos tambm que
t
= E(a
t
) constante com facv dada por

t,s
=

V ar(a
t
) se t = s
0 se t 6= s
e fac dada por

k
=

1 para k = 0
0 para k 6= 0
O termo rudo branco resulta do fato que em uma anlise de freqncia do mod-
elo, podemos mostrar que todas as freqncias so iguais. Geralmente assumimos
que o rudo branco tem mdia zero e varincia
2
a
.
2.6 A Funo de Autocorrelao Amostral
Considere uma sequncia de valores Z
1
, Z
2
, ..., Z
t
. Assumindo que esta srie seja
estacionria, vamos estimar a funo de autocorrelao
k
(fac) para k = 1, 2, ..., N
1. O caminho mais indicado calcular as correlaes amostrais entre os pares
(Z
1
, Z
k+1
) , (Z
2
, Z
k+2
) , ..., (Z
tk
, Z
t
). A fac amostral r
k
denida como:
r
k
=
c
k
c
0
, k = 0, 1, 2, ..., N 1
onde
c
k
=
1
N
Nk
X
t=1

Z
t
Z

Z
t+k
Z

, k = 0, 1, ..., N 1.
ento
b
k
= r
k
=
Nk
P
t=1

Z
t
Z

Z
t+k
Z

n
P
t=1

Z
t
Z

2
, k = 0, 1, ..., N 1.
sendo Z a mdia amostral, temos ainda que c
k
= c
k
e r
k
= r
k
.O grco de r
k
k
chamado de correlograma.
2.7 Exerccios
1) Suponha E(X) = 2, V ar (X) = 9, E(Y ) = 0, V ar (Y ) = 4, e Corr(X, Y ) = 1/4.
Encontre:
a) V ar(X +Y )
b) Cov(X, X +Y )
c) Corr(X +Y, X Y )
2) Se X e Y so dependentes mas V ar (X) = V ar (Y ) , encontre Cov (X +Y, X Y ) .
3) Seja X uma varivel aleatria com mdia e varincia
2
, e seja Z
t
= X
para todo t.
a) Mostrar que Z
t
estritamente e fracamente estacionria.
14
manoel@fct.unesp.br CAPTULO 2. CONCEITOS BSICOS
b) Encontre a funo de autocovarincia de Z
t
.
c) Fazer o grco de Z
t
em funo de t.
4) Mostre que a funo de autocorrelao do exemplo 1 :

t,s
=
r
t
s
, para 1 5 t 5 s
5) Seja {a
t
} um rudo branco com mdia zero. Encontre a funo de autocor-
relao para os seguintes processos:
a) Z
t
= a
t
+ 1/3a
t1
.
b) Z
t
= a
t
+ 2a
t1
+ 0.5.
6) Suponha Z
t
= 5 +2t +X
t
, onde X
t
uma srie estacionria com mdia zero
e facv
k
. Encontre:
a) A funo mdia para Z
t
.
b) A facv para Z
t
.
c) Z
t
uma srie estacionria?
7) Suponha Z
t
uma srie estacionria com funo de autocovarincia
k
.
a) Mostrar que W
t
= Z
t
= Z
t
Z
t1
estacionria e encontre a mdia e a
facv para W
t
.
b) Mostrar que U
t
= W
t
=
2
Z
t
estacionria (no precisa encontrar neces-
sariamente a facv).
8) Seja X
t
uma srie estacionria com
X
= 0,
2
= 1 e
k
= (mdia, varincia
e fac, respectivamente). Suponha que
t
e
t
> 0, funes no-constantes. A srie
observada formada como:
Z
t
=
t
+
t
X
t
Para a srie Z
t
determine: a) A mdia, a varincia e a facv.
b) Mostrar que a fac de Z
t
depende somente de um lag k. Z
t
estacionria?
9) Suponha Cov (X
t
, X
tk
) =
k
que no depende de t, mas E(X
t
) = 3t.
a) X
t
estacionria?
b) Seja Z
t
= 7 3t +X
t
. Z
t
estacionria?
10) Suponha Z
t
= A+X
t
, onde X
t
estacionria e A uma varivel aleatria,
com mdia
A
e varincia
2
A
, mas independente de X
t
. Encontre:
a) A mdia de Z
t
, em termos das mdias de A e X
t
.
b) A fac de Z
t
, em termos da varincia de A e facv de X
t
.
11) Suponha Z
t
=
0
+
1
t +X
t
onde X
t
estacionria.
a) Mostrar que Z
t
no estacionria, mas Z
t
estacionria.
b) Generalizando, mostrar que se Z
t
=
t
+X
t
no-estacionria, onde
t
um
polinmio em t de grau d, ento
m
Z
t
estacionria para m = d e no estacionria
para 0 5 m < d.
12) Seja Z
t
uma srie estacionria com facv
k
. Seja Z =
1
n
n
P
t=1
Z
t
Mostrar que
V ar

=
1
n
n1
X
k=n+1

1
|k|
n

k
=

0
n
+
2
n
n1
X
k=1

1
k
n

k
13) Calcular a mdia e a facv para cada um dos seguintes processos. Dentro de
cada caso determine se o processo estacionrio.
a) Z
t
=
0
+ta
t
.
b) W
t
= Z
t
, onde Z
t
denido como em a)
c) Z
t
= a
t
.a
t1
.
15
manoel@fct.unesp.br CAPTULO 2. CONCEITOS BSICOS
14) Considere a srie temporal abaixo:
ANO Produto Interno Bruto
1964 27.614
1965 44.073
1966 63.746
1967 86.171
1968 122.430
1969 161.900
1970 208.300
1971 276.807
1972 363.167
1973 498.307
1974 719.519
Dados em milhes de Cruzeiros.
FONTE: Boletim do Banco do Brasil, dezembro de 1976
a) Faa o grco da srie; ela estacionria?
b) Obtenha a primeira diferena da srie e faa o grco correspondente; a
diferena estacionria?
c) Mesmas questes de b) para a segunda diferena.
15) Considere a srie abaixo:
Exportao de suco concentrado de laranja
ANO 1970 1971 1972 1973 1974 1975
Valor 15 35 41 64 60 82
ANO 1976 1977 1978 1979 1980
Valor 101 177 333 432 460
Dados em US$ 1.000.000
FONTE: Revista Veja, n
o
468, Fev. de 1981.
a) A srie estacionria? Tem tendncia?
b) Considere a diferena Z
t
; estacionria?
c) Tome agora log Z
t
; a srie estacionria?
d) Investigue se a srie log Z
t
estacionria ou no.
16
Captulo 3
Modelos de Decomposio
Nas sries temporais, em geral, a funo mdia totalmente aleatria em funo do
tempo, e ns vimos que numa srie estacionria a funo mdia constante para
todo o tempo. Frequentemente ns precisamos modelar sries que exibem compor-
tamentos com alguma tendncia. Neste captulo apresentaremos alguns mtodos de
modelagem para tendncias determinsticas e estocsticas.
3.1 Modelo com Mdia constante
Considere o modelo
Z
t
= +X
t
(3.1)
onde E(X
t
) = 0 para todo t. Desejamos estimar utilizando a srie Z
1
, Z
2
, ..., Z
n
.
A estimativa mais comum de a mdia amostral:
b = Z =
1
n
n
X
t=1
Z
t
(3.2)
O b um estimador no-viciado de , ou seja, E

= . Para analisar a
preciso de Z como estimativa de , devemos fazer algumas suposies sobre X
t
.
Vamos supor {X
t
} uma srie estacionria com fac
k
. Ento a mesma fac aplica-se
a {Z
t
}, ou seja, se {Z
t
} estacionria ento:
V ar

=

0
n
n1
X
k=n+1

1
|k|
n

k
(3.3)
V ar

=

0
n
"
1 + 2
n1
X
k=1

1
k
n

k
#
.
Se a srie {X
t
} um rudo branco, ento
k
= 0 para k = 1 e V ar

=

0
n
=

2
n
. Para muitos processos estacionrios, a fac decai rapidamente quando o k cresce,
alm disso

X
k=0

k
< . (3.4)
Com exceo da varivel
17
manoel@fct.unesp.br CAPTULO 3. MODELOS DE DECOMPOSIO
Z
t
= cos

t
12
+

, t = 0, 1, 2, ...
onde U [0, 1] . Sobre a suposio (3.4) acima e dado que o tamanho da amostra
n grande, temos a seguinte aproximao para (3.3)
V ar


0
n

X
k=

k
, para n grande. (3.5)
Note que a varincia inversamente proporcional ao tamanho da amostra n.
3.2 Mtodo de Regresso
O mtodo clssico de anlise de regresso pode ser utilizado para estimar os parmet-
ros do modelo assim como suas tendncias. Ns vamos considerar precisamente as
tendncias: linear, quadrtica, sazonais e cosseno.
3.2.1 Tendncia Linear
Considere o modelo com tendncia determinstica linear
Z
t
=
0
+
1
t +X
t
(3.6)
onde
0
e
1
so o intercepto e a inclinao, respectivamente, e os parmetros
desconhecidos. O mtodo clssico de minmos quadrados (ou regresso) utilizado
para estimar os parmentros
0
e
1
, que minimizam
Q(
0
,
1
) =
n
X
t=1
(Z
t

1
t)
2
. (3.7)
A soluo pode ser obtida calculando as derivadas parciais com relao a
0
e
1
igualando-as a zero, encontrando as equaes normais
N
0
+
1
n
X
t=1
t =
n
X
t=1
Z
t
(3.8)

0
n
X
t=1
t +
1
n
X
t=1
t
2
=
n
X
t=1
tZ
t
.
Da encontraremos os seguintes estimadores de minmos quadrados:
b

0
= Z
b

1
t (3.9)
b

1
=
n
X
t=1

Z
t
Z

t t

n
P
t=1

t t

2
onde t = (n + 1) /2, t = 1, 2, ..., n. Uma forma matricial de representar o problema
seria:
Z = Y +X (3.10)
onde
18
manoel@fct.unesp.br CAPTULO 3. MODELOS DE DECOMPOSIO
Z =

Z
1
.
.
.
Z
t

, Y =

1 1
1 2
.
.
.
.
.
.
1 t

, =

e X =

X
1
.
.
.
X
t

(3.11)
com t = 1, 2, ..., n.
teremos ento o seguinte estimador de minmos quadrados
b
=

Y
T
Y

1
Y
T
Z. (3.12)
3.2.2 Tendncia Ciclca ou Sazonal
Vamos considerar o seguinte modelo para a tendncia sazonal
Z
t
=
t
+X
t
(3.13)
onde
t
=
t+12
, e E(X
t
) = 0 para todo t. A suposio mais geral para
t
que
temos 12 constantes (parmetros)
1
,
2
, ...,
12
, que poderemos escrever como:

t
=

1
, para t = 1, 13, 25, ...

2
, para t = 2, 14, 26, ...
.
.
.

12
, para t = 12, 24, 36, ...
(3.14)
Sendo este o modelo de mdias sazonais.
3.2.3 Tendncia Cosseno
O modelo de mdias sazonais contm 12 parmetros independentes, mas algumas
vezes no adequado para estimar tendncias sazonais quando, por exemplo, alguns
meses do ano so semelhantes. Em alguns casos a tendncia sazonal pode ser mod-
elada economicamente com curvas cossenos que incorpora uma esperada, e suave,
mundana de tempos em tempos entretanto preservando a sazonalidade.
Considere a curva cosseno

t
= cos (2ft +)
onde a amplitude, f a freqncia, e a fase da curva. Como t varia, a curva
oscila entre um mximo de e um minmo de . Desde que a curva se repete,
extamente a cada 1/f unidade de tempos, 1/f o perodo. Para dados mensais, a
mais importante freqncia f =
1
12
, na qual a curva cosseno se repetir a cada 12
meses.
3.3 Sazonalidade
Nesta seo ser ajustada uma srie para a componente sazonal, ou seja, estima-se
a srie e subtrai-se de Z
t
no modelo. A seguir tem-se um modelo com tendncia e
sazonalidade
Z
t
= T
t
+S
t
+a
t
, t = 1, ..., N. (3.15)
Um procedimeto de ajuste sazonal consiste:
a) Obter estimativas
b
S
t
de S
t
.
19
manoel@fct.unesp.br CAPTULO 3. MODELOS DE DECOMPOSIO
Tabela 3.1: Observaes mensais de uma srie temporal com p annos
Anos Jan Fev Mar Dez Mdias
1 2 3 12
1 Z
11
Z
12
Z
13
Z
112
Z
1.
2 Z
21
Z
22
Z
23
Z
212
Z
2.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
p Z
p1
Z
p2
Z
p3
Z
p12
Z
p.
Mdias Z
.1
Z
.2
Z
.3
Z
.12
Z
b) Calcular
Z
SA
t
= Z
t

b
S
t
(3.16)
Se o modelo for multiplicativo, da forma
Z
t
= T
t
S
t
a
t
(3.17)
a srie sazonalmente ajustada ser
Z
SA
t
= Z
t
/
b
S
t
(3.18)
O modelo (3) geralmente adequado para sries econmicas, que apresentam um
crescimento exponencial. Estimando S
t
comete-se um erro de ajustamento sazonal,
dado por:

t
= S
t

b
S
t
o procedimento de ajustamento sazonal timo se minimizar E

2
t

.
Sem perda de generalidade considere o caso que tem-se dados mensais e o nmero
total de observaes, N, mltiplo de 12, isto , N = 12p, p = nmero de anos, de
modo que os dados podem ser representados como na tabela 3. Considere o modelo
abaixo
Z
ij
= T
ij
+S
j
+a
ij
, i = 1, ..., p; j = 1, ..., 12.
neste modelo a sazonalidade considerada constante. Para sazonalidade no-
constante, ou seja, o padro sazonal muda de ano para ano, deve-se considerar
o modelo
Z
ij
= T
ij
+S
ij
+a
ij
, i = 1, ..., p; j = 1, ..., 12.
A notao da tabela 3. padro com:
Z
i.
=
1
12
12
X
j=1
Z
ij
, i = 1, ..., p.
Z
.j
=
1
p
p
X
j=1
Z
ij
, j = 1, ..., 12.
Z =
1
12p
p
X
j=1
12
X
j=1
Z
ij
=
1
N
N
X
t=1
Z
t
20
manoel@fct.unesp.br CAPTULO 3. MODELOS DE DECOMPOSIO
3.3.1 Sazonalidade determinstica - mtodo de regresso
Os mtodos de regresso so timos para sries que apresentam sazonalidade deter-
minstica, ou seja, esta pode ser prevista perfeitamente a partir de meses anteriores.
Ento, no modelo 3. tem-se que
T
t
=
m
X
j=0

j
t
j
;
S
t
=
X

j
d
jt
onde d
jt
so variveis peridicas e a
t
rudo branco, com mdia zero e varincia

2
a
.
Supondo a sazonalidade constante,
j
no depende de T. Pode-se ter, por ex-
emplo,
d
jt
=

1, se o perodo t corresponde ao ms j, j = 1, ..., 12.
0, caso contrrio.
Neste caso,
d
1t
+d
2t
+... +d
12,t
= 1, t = 1, ..., N.
de modo que a matriz de regresso no de posto completo, mas de posto m+ 12
(temos m+ 13 parmetros). Impondo-se a restrio adicional:
12
X
j=1

j
= 0
obtm-se um modelo de posto completo:
Z
t
=
m
X
j=0

j
t
j
+
11
X
j=1

j
D
jt
+a
t
onde agora
D
jt
=

1, se o perodo t corresponde ao ms j,
1, se o perodo t corresponde ao ms 12
0, caso contrrio.
Utilizando o mtodo de mnimos quadrados pode-se obter os estimadores de
j
e
j
, ou seja, a partir de uma amostra Z
1
, ..., Z
N
obtm-se o modelo matricial:
Z = C +D+a (3.19)
onde
Z =

Z
1
.
.
.
Z
N

, C =

1 1 1
1 2 2
m
.
.
.
.
.
.
.
.
.
.
.
.
1 N N
m

, =

1
.
.
.

D =

D
11
D
12
D
1,11
D
21
D
22
D
2,11
.
.
.
.
.
.
.
.
.
.
.
.
D
N1
D
N2
D
N,11

, =

2
.
.
.

11

, a =

a
1
a
2
.
.
.
a
N

21
manoel@fct.unesp.br CAPTULO 3. MODELOS DE DECOMPOSIO
A equao (3.) pode ser escrita na forma:
Z = X +a
onde
X =[C : D] e =

de modo que:
b =
h
X
0
X
i
1
X
0
Z
so os estimadores de mnimos quadrados.
3.4 Anlise Residual
Podemos notar que, o componente estocstico no observado {X
t
} pode ser esti-
mado, ou predito, por
b
X
t
= Z
t
b
t
Predito um termo realmente melhor. Ns utilizamos o termo estimativa para um
parmetro desconhecido, e o termo predito para uma estimativa de uma varivel
aleatria no observada. Ns chamamos
b
X
t
o t esima estimativa residual. Se
a tendncia do modelo rasoavelmente correta, ento os resduos comportam-se
mais ou menos igual ao verdadeiro componente estocstico, e vrias suposies so-
bre o componente estocstico podem ser conrmadas observando os resduos. Se o
componente estocstico rudo branco, ento os resduos comportam-se semelhante
a variveis aleatrias independentes (normal) com mdia zero e desvio padro S.
Desde que o ajuste de mnimos quadrados de alguma tendncia contenha um termo
constante, automaticamente podemos produzir resduos com mdia zero, se consid-
erarmos os resduos padronizado
b
X
t
/S, e ser possvel checar a independncia e a
normalidade.
3.5 Exerccios
1) Verique as equaes (3.9) para as estimativas de minmos quadrados quando
Z
t
=
0
+
1
t +X
t
.
2) Suponha Z
t
= +a
t
a
t1
. Encontre a V ar(Z) onde
Z =
1
n
n
X
t=1
Z
t
3) Suponha Z
t
= +Z
t1
+a
t
. Verique que
V ar(Z)

1 +
1

0
n

22
Captulo 4
Modelos de Suavizao
Exponencial
A anlise de regresso teve durante muito tempo razovel aceitao como mtodo de
ajustar modelos auto-regressivos, com o objetivo de calcular previses de srie tem-
porais. Entretanto, quando o nmero de observaes muito pequeno, tal anlise
no apropriada, pois a hiptese bsica de independncia dos resduos quase sem-
pre violada, produzindo estimadores inconsistentes, nos impossibilitando de testar
hipteses e estabelecer intervalos de conana para os parmetros (Morettin e Toloi,
1985).
4.1 Modelos para sries localmente constantes
Considere o caso da srie temporal Z
1
, ..., Z
N
, localmente composta de seu nvel
mais um rudo aleatrio,
Z
t
=
t
+a
t
, t = 1, ..., N.
onde E(a
t
) = 0, V ar(a
t
) =
2
a
e
t
um parmetro desconhecido, que pode vriar
lentamente com o tempo.
4.1.1 Mdias Mveis Simples (MMS)
Procedimento - A tcnica de mdia mvel consiste em calcular a mdia aritmtica
das r observaes mais recentes, isto ,
M
t
=
Z
t
+Z
t1
+... +Z
tr+1
r
ou
M
t
= M
t1
+
Z
t
Z
tr
r
Sendo assim, M
t
uma estimativa do nvel
t
que no leva em conta as obser-
vaes mais antigas, o que razovel devido ao fato do parmetro variar suavemente
com o tempo.
Determinao de r - Um valor grande de r faz com que a previso acompanhe
lentamente as mudanas do parmetro ; um valor pequeno implica numa reao
mais rpida.
Casos Extremos - i) Se r = 1, ento o valor mais recente da srie utilizado
como previso de todos valores futuros; ii) Se r = N, ento a previso ser igual a
23
manoel@fct.unesp.br CAPTULO 4. MODELOS DE SUAVIZAO EXPONENCIAL
mdia aritmtica de todos os dados observados. Este caso s indicado quando a
srie altamente aleatria.
Assim, o valor de r deve ser proporcional aleatoriedade de a
t
. Deveria-se
escolher o valor de r de tal maneira que a previso tivesse o menor EQMMP (erro
quadrtico mdio mnimo de previso).
Vantagens - i) Simples aplicao; ii) Para nmero pequeno de observaes; iii)
Permite uma exibilidade grande devido variao de r de acordo com o padro
da srie.
Desvantagens - i) Somente para prever sries estacionrias, pois os pesos
atribudos s r observaes so todos iguais; ii) Necessidade de armazenar pelo
menos (r 1) observaes; e iii) diculdade em determinar o valor de r.
Na prtica, o mtodo MMS no utilizado frequentemente, pois o mtodo AES
possui as vantagens anteriores e mais algumas.
4.1.2 Suavizao Exponencial Simples (SES)
Procedimento
A SES pode ser descrita matematicamente por:
Z
t
= Z
t
+ (1 ) Z
t1
, Z
0
= Z
1
, t = 1, ..., N. (4.1)
Z
t
=
t1
X
k=0
(1 )
k
Z
tk
+ (1 )
t
Z
0
, t = 1, ..., N. (4.2)
onde Z
t
denominado valor exponencialmente suavizado e a cte de suavizao,
0 6 6 1. A equao (3.) pode ser obtida de
M
t
= M
t1
+
Z
t
Z
tr
r
substituindo Z
tr
por Z
t1
e
1
r
por . Fazendo a expanso de (3.) temos que
Z
t
= Z
t
+(1 ) Z
t1
+(1 )
2
Z
t2
+...
signica que o SES uma mdia ponderada que d pesos maiores s observaes
mais recentes, eliminando uma das desvantagens do mtodo de MMS.
Determinao da cte
Quanto menor for o valor mais estveis sero as previses nais, uma vez que
a utilizao de baixo valor de implica que pesos maiores so dados s observaes
passadas e, consequentemente, qualquer utuao aletria, no presente, exercer
um peso menor no clculo da previso. Quanto mais aleatria a srie estudada,
menores sero os valores da cte de suavizao. O efeito de grande ou pequeno
completamente anlago (em direo oposta) ao efeito do parmetro r no mtodo
MMS.
Vantagens - i) fcil entendimento; ii) aplicao no dispendiosa; iii) grande
exibilidade permitida pela variao da cte de suavizao ; iv) necessidade de
armazenar Z
t
, Z
t
e ; v) o valor de =
2
r1
fornece previses semelhantes ao
mtodo MMS com parmetro r.
A principal desvantagem a diculdade em determinar o valor mais apropriado
da cte de suavizao, que pode ser superada atravs da utilizao da suavizao
exponencial adaptativo de Trigg e Leach (Moretti e Toloi, 1985).
24
manoel@fct.unesp.br CAPTULO 4. MODELOS DE SUAVIZAO EXPONENCIAL
4.2 Modelos para sries que apresentamTendncia
As tcnicas apresentadas anteriormente no so adequadas para analisar sries tem-
porais que apresentem tendncia. Considere ento a srie temporal no sazonal
Z
t
=
t
+T
t
+a
t
, t = 1, ..., N
onde
t
o nvel, T
t
a tendncai e a
t
o rudo branco com mdia zero e varincia
constante.
4.2.1 Suavizao Exponencial Biparamtrica de Holt (SEH)
Procedimento
O mtodo SES quando aplicado a uma srie que apresenta tendncia linear
positiva (ou negativa), fornece previses que subestimam continuamente os valores
reais. Para evitar esse erro sistemtico, um dos mtodos aplicveis o SEH. Esse
mtodo similar, em princpio, ao SES, a diferena que ao invs de suavizar s o
nvel, ele utiliza uma nova constante de alisamento para modelar a tendncia da
srie.
Os valores do nvel e da tendncia da srie, no instante t, sero estimados por
Z
t
= AZ
t
+ (1 A)

Z
t1
+
b
T
t1

, 0 < A < 1 e t = 2, ..., N (4.3)


b
T
t
= C

Z
t
Z
t1

+ (1 C)
b
T
t1
, 0 < C < 1 e t = 2, ..., N (4.4)
as constantes A e C so denominadas ctes de suavizao.
Determinao das Constantes
O procedimento anlogo ao de determinao da constante de suavizao de um
SES, s que ao invs de escolher o valor de que torna a soma de EQMP mnimo,
escolhe-se o valor do vetor (A,C) tal que isto ocorra (Morettin e Toloi, 1985).
Vantagens e Desvantagens - As vantagens so semelhantes s do mtodo
anterior. A desvantagem principal diculdade em determinar os valores mais
apropriados das ctes de suavizao, A e C.
4.3 Modelos para sries sazonais
Para sries sazonais que apresentam um padro de comportamento mais complexo,
existem outras formas de suavizao tais como os mtodos de Holt-Winters e o
mtodo de suavizao exponencial geral.
4.3.1 Suavizao Exponencial Sazonal de Holt-Winters (HW)
Procedimeto
Existem dois tipos de procedimento cuja utilizao depende das caractersticas
da srie considerada. Tais procedimentos so baseados em trs equaes com con-
stantes de suavizao diferentes, que so associadas a cada uma das componentes
do padro da srie: nvel, tendncia e sazonalidade.
Considere ento a srie sazonal com tendncia aditiva
Z
t
=
t
+T
t
+S
t
+a
t
, t = 1, ..., N
onde
t
o nvel, T
t
a tendnca, S
t
a sazonalidade e a
t
o rudo branco com
mdia zero e varincia constante. As estimativas do fator sazonal, nvel e tendncia
25
manoel@fct.unesp.br CAPTULO 4. MODELOS DE SUAVIZAO EXPONENCIAL
da srie so dados por:
b
S
t
= D

Z
t
Z
t

+ (1 D)
b
S
ts
, 0 < D < 1
Z
t
= A

Z
t

b
S
ts

+ (1 A)

Z
t1
+
b
S
t1

, 0 < A < 1
b
T
t
= C

Z
t
Z
t1

+ (1 C)
b
T
t1
, 0 < C < 1.
respectivamente A, C e D so as constantes de suavizao. Existem tambm a srie
sazonal multiplicativa.
Vantagens e Desvantagens - As vantagens so semelhantes s da utilizao
do mtodo de Holt, sendo que os mtodos de HW so adequados anlise de srie
com padro de comportamento mais geral. As desvantagens so as diculdades em
determinar os valores mais apropriados das constantes de suavizao e a impossi-
bilidade e/ou diculdade de estudar as propriedades estatsticas, tais como mdia
e varincia de previso e, consequentemente, construo de um intervalo de con-
ana. Um procedimento alternativo que no possui tais desvantagens a Suavizao
Exponencial Geral de Brown.
As contantes de suavizao (A,C,D) devem ser determinadas de tal forma que
a soma de quadrado dos erros de suavizao seja mnima.
Para maiores detalhes, principalmente sobre previso, consultar Morettin e Toloi
(2004) e outros autores l citados.
26
Captulo 5
Modelos de Box-Jenkins para
Sries Estacionrias
Apresentaremos neste captulo os principais modelos de Box-Jenkins para estimao
e previso de sries temporais. Sendo estes modelos pertencentes a famlia dos
autoregressivos-mdias-mveis (ARMA), subdividindo em dois outros modelos: o
autoregressivo (AR) e mdias-mveis (MA).
5.1 Processo Linear Geral
Seja Z
t
uma srie temporal observada, a
t
o rudo branco, ou seja, uma seqncia
de variveis aleatrias independentes identicamente distribudas, com E(a
t
) = 0, e
varincia
2
a
para todo t. Podemos representar um modelo linear geral como uma
combinao linear ponderada, do termo atual, mais os termos passados do rudo
branco:
Z
t
= a
t
+
1
a
t1
+
2
a
t2
+... (5.1)
onde

X
i=1

2
i
<
e o coeciente de a
t
igual a 1, sem perda de generalidade, ou seja,
0
= 1.
Um caso importante quando os
0
s so uma seqncia que decai exponencial-
mente, ou seja:

j
=
j
, 1 < < 1.
Ento
Z
t
= a
t
+a
t1
+
2
a
t2
+...
Para este exemplo vamos ter:
E(Z
t
) = E

a
t
+a
t1
+
2
a
t2
+...

= E(a
t
) +E(a
t1
) +
2
E(a
t2
) +...
= 0 (mdia constante).
e varincia
27
manoel@fct.unesp.br
CAPTULO 5. MODELOS DE BOX-JENKINS PARA SRIES
ESTACIONRIAS
V ar (Z
t
) = V ar

a
t
+a
t1
+
2
a
t2
+...

= V ar(a
t
) +
2
V ar(a
t1
) +
4
V ar(a
t2
) +...
(desde que os a
0
t
s sejam independentes)
=
2
a

1 +
2
+
4
+...

=
2
a
1
1
2
(soma de uma srie geomtrica)
Tambm
Cov (Z
t
, Z
t1
) = Cov

a
t
+a
t1
+
2
a
t2
+..., a
t1
+a
t2
+
2
a
t3
+...

= Cov(a
t1
, a
t1
) +Cov

2
a
t2
, a
t2

+...
=
2
a

+
3
+
5
+...

=
2
a

1
2
Alm disso
Corr (Z
t
, Z
t1
) =

2
a

1
2

2
a
1
1
2
=
De maneira semelhante podemos calcular:
Cov (Z
t
, Z
tk
) =
2
a

k
1
2
e
Corr (Z
t
, Z
t1
) =
k
, k = 0, 1, 2, ...
importante observar que o processo denido desta maneira estacionrio. A
estrutura de autocovarincia depende somente do lag na posio k.
Para o processo linear geral denido em (4.1) vamos ter:
E(Z
t
) = 0

k
= Cov (Z
t
, Z
tk
) =
2
a

X
i=0

i+k
, k = 0
com
0
= 1.
5.2 Modelo Mdias-Mveis (MA(q))
Considere a srie Z
t
, fazendo os
0
s =
0
s no processo linear geral e tomando a
srie como nita, chamamos de mdias-mveis de ordem q o modelo:
Z
t
= a
t

1
a
t1

2
a
t2
...
q
a
tq
(5.2)
ou abreviadamente MA(q)
Esta terminologia vem do fato que Z
t
obtido aplicando os pesos 1,
1
,
2
, ...,
q
,
as variveis a
t
, a
t1
, a
t2
, ..., a
tq
e ento movendo os mesmos pesos 1 unidade do
tempo a frente e aplicando-lhes a a
t+1
, a
t,
a
t1
, ..., a
tq+1
para obter Z
t+1
.
28
manoel@fct.unesp.br
CAPTULO 5. MODELOS DE BOX-JENKINS PARA SRIES
ESTACIONRIAS
5.2.1 O modelo MA(1)
Considere o seguinte modelo:
Z
t
= a
t

1
a
t1
onde
E(Z
t
) = 0
e a varincia igual a:

0
= V ar(Z
t
) = V ar (a
t

1
a
t1
)
=
2
a
+
2

2
a
=
2
a

1 +
2

temos ainda que a facv :

1
= Cov (Z
t
, Z
t1
)
= Cov (a
t

1
a
t1
, a
t1

1
a
t2
)
= Cov (a
t1
, a
t1
) =
2
a
e para k = 2 teremos

k
= Cov (Z
t
, Z
tk
) = 0
E a fac ser dada por:

k
=

1, k = 0

2
a

2
a
(1+
2
)
=

(1+
2
)
, k = 1
0, k = 2
5.2.2 O Modelo MA(q)
Considere o modelo dado em (4.2)
Z
t
= a
t

1
a
t1

2
a
t2
...
q
a
tq
onde
E(Z
t
) = 0
e a varincia

0
= V ar (Z
t
) = V ar (a
t

1
a
t1

2
a
t2
...
q
a
tq
)
=

1 +
2
1
+... +
2
q

2
a
a facv dada por

1
= Cov (Z
t
, Z
t1
)
= Cov (a
t

1
a
t1
...
q
a
tq
, a
t1

1
a
t2
...
q
a
tq1
)
=
1

2
a
+
1

2
a
+... +
q1

2
a
= (
1
+
1

2
+... +
q1

q
)
2
a
, para k = 1
29
manoel@fct.unesp.br
CAPTULO 5. MODELOS DE BOX-JENKINS PARA SRIES
ESTACIONRIAS
e

2
= (
2
+
1

3
+... +
q2

q
)
2
a
, para k = 2
e para k = q + 1 vamos ter
k
= 0. Enquanto que a fac ser dada por

k
=
(

k
+1
k+1
+...+
qk
q
1+
2
1
+...+
2
q
, k = 1, ..., q
0, para k > q
5.3 Modelo Autoregressivo AR(p)
Chamamos de autoregressivo de ordem p o modelo:
Z
t
=
1
Z
t1
+
2
Z
t2
+... +
p
Z
tp
+a
t
(5.3)
ou simplesmente AR(p)
onde os Z
t1
, Z
t2
, ..., Z
tp
so independentes de a
t
. Os valores da srie Z
t
so
uma combinao linear dos p valores passados mais um termo a
t
, no qual incorpora
coisas na srie at o tempo t que no explicado pelos valores passados.
5.3.1 O Modelo AR(1)
Considere o seguinte modelo:
Z
t
= Z
t1
+a
t
onde
E(Z
t
) = 0, para todo t
e a varincia

0
= V ar (Z
t
) = V ar (Z
t1
+a
t
)
=
2
V ar (Z
t1
) +
2
a
=
2

0
+
2
a
=

2
a
1
2
, || < 1.
A facv para k = 1

1
= Cov (Z
t
, Z
t1
) = E(Z
t
Z
t1
)
= E[(Z
t1
+a
t
) (Z
t2
+a
t1
)]
= E[Z
t1
Z
t2
+Z
t1
a
t1
+a
t
Z
t2
+a
t
a
t1
]
=
2
E[Z
t1
Z
t2
] +E[Z
t1
a
t1
] +E[a
t
Z
t2
] +E[a
t
a
t1
]
onde
E(a
t
Z
tj
) = 0, j > 0
6= 0, j < 0
=
2
a
, j = 0
30
manoel@fct.unesp.br
CAPTULO 5. MODELOS DE BOX-JENKINS PARA SRIES
ESTACIONRIAS
sendo assim temos

1
=
2

1
+
2
a
=

1
2

2
a
para k = 2

2
=
1
.
No geral a facv ser

k
=

k
1
2

2
a
, para k = 0, 1, 2, ...
e a fac para o caso geral ser

k
=

k

0
=
k
, para k = 0, 1, 2, ...
Desde que || < 1, a fac uma exponencial decrescente, a medida que k cresce.
Se 0 < < 1, todas as correlaes so positivas; se 1 < < 0 a autocorrelao
de lag 1 negativa (
1
= ) e os sinais das autocorrelaes so alternadamente
positivo e negativo.
Considere o modelo AR(1):
Z
t
= Z
t1
+a
t
substituindo t por t 1, temos:
Z
t1
= Z
t2
+a
t1
agora substituindo Z
t1
em Z
t
, temos:
Z
t
= (Z
t2
+a
t1
) +a
t
=
2
Z
t2
+a
t1
+a
t
repetindo este processo k 1 vezes, vamos ter:
Z
t
= a
t
+a
t1
+
2
a
t2
+... +
k1
a
t(k1)
+
k
Z
tk
para k grande vamos ter:
Z
t
= a
t
+a
t1
+
2
a
t2
+... =
0
a
t
+
1
a
t1
+
2
a
t2
+... (5.4)
onde || < 1 e
j
=
j
. Temos ainda que os a
t
so independente de Z
t1
, Z
t2
, ...
e
2
a
> 0, a soluo de Z
t
= Z
t1
+a
t
ser estacionria se e somente se || < 1.
5.3.2 O Modelo AR(2)
Considere o seguinte modelo:
Z
t
=
1
Z
t1
+
2
Z
t2
+a
t
(5.5)
onde a
t
independente de Z
t1
e Z
t2
. Para analisar a estacionariedade deste
processo AR(2), vamos introduzir o polinmio caracterstico:
31
manoel@fct.unesp.br
CAPTULO 5. MODELOS DE BOX-JENKINS PARA SRIES
ESTACIONRIAS
(x) = 1
1
x
2
x
2
e a equao caracterstica
1
1
x
2
x
2
= 0
A equao quadrtica, acima tem duas razes (possivelmente complexas). Supon-
ha a
t
independente de Z
t1
, Z
t2
, ..., uma soluo estacionria para a equao (4.5)
existir se e somente se a raiz da equao caracterstica AR excede a unidade em
valor absoluto. Este procedimento pode ser generalizado para o modelo AR(p).
Para o caso AR(1) a equao caracterstica 1x = 0 com raiz 1/, que exceda 1
em valor absoluto se e somente se || < 1. Para a equao caracterstica do AR(2)
temos a seguinte soluo:
x =

1

q

2
1
+ 4
2
2
2
as razes da equao acima excede a 1 em mdulo se e somente se, simultaneamente

1
+
2
< 1,
2

1
< 1 e |
2
| < 1.
Essas so as condies de estacionariedade para o AR(2).
Para encontrar a fac para o AR(2), multiplicamos ambos os lados da equao
(4.5) por Z
tk
, k = 1, 2, ..., e tomamos as esperanas

k
= E(Z
t
Z
tk
) = E[(
1
Z
t1
+
2
Z
t2
+a
t
) Z
tk
]
= E(Z
t1
Z
tk
) +E(
2
Z
t2
Z
tk
) +E(a
t
Z
tk
) .
Assumindo estacionariedade, mdias zero, e que a
t
independente de Z
tk
ns
temos

k
=
1

k1
+
2

k2
, k = 1, 2, ... (5.6)
dividindo por
0

0
=
1

k1

0
+
2

k2

0
, k = 1, 2, ... (5.7)

k
=
1

k1
+
2

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

1
=
1

0
+
2

1
=

1
1
2
e para k = 2

2
=
1

1
+
2

0
=

2
1
+
2
(1
2
)
1
2
.
32
manoel@fct.unesp.br
CAPTULO 5. MODELOS DE BOX-JENKINS PARA SRIES
ESTACIONRIAS
Podemos calcular sucessivamente os valores de
k
atravs das equaes de Yule-
Walker.
A varincia do processo AR(2) obtida atravs da equao (4.5)

0
= V ar (Z
t
) = V ar (
1
Z
t1
+
2
Z
t2
+a
t
)
=
2
1

0
+
2
2

0
+ 2
1

1
+
2
a
=

2
1
+
2
2

0
+ 2
1

1
+
2
a
utilizando as equaes de Yule-Walker vamos ter

0
=
(1
2
)
2
a
(1
2
)

1
2
1

2
2

2
2
1

2
Os coecientes
j
no processo linear geral (4.1) para um AR(2) so mais com-
plexos do que o AR(1). Entretanto, podemos substituir a representao (4.1) e
denir a equao do AR(2) para Z
t
, Z
t1
, e Z
t2
e obter os coecientes de a
j
.
Encontrando

0
= 1

0
= 0
e

j1

j2
= 0, j = 2, 3, ...
Estas equaes podem ser resolvidas recursivamente obtendo
0
= 1,
1
=
1
,

2
=
2
1
+
2
, e assim por diante.
5.3.3 O Processo Autoregressivo geral
Considere agora o modelo autoregressivo de ordem p
Z
t
=
1
Z
t1
+
2
Z
t2
+... +
p
Z
tp
+a
t
(5.8)
com polinmio caracterstico
(x) = 1
1
x
2
x
2
...
p
x
p
e a correspondente equao caracterstica AR
1
1
x
2
x
2
...
p
x
p
= 0.
Considerando que a
t
independente de Z
t1
, Z
t2
, ..., uma soluo estacionria
para a equao (4.8) existe se e somente se as p razes da equao caracterstica AR
maior do que a unidade em mdulo.
Assumindo que a equao (4.8) estacionria e multiplicando-a por Z
tk
, di-
vidindo pela varincia e tomando as esperanas temos:

k
=
1

k1
+
2

k2
+... +
p

kp
, k = 1. (5.9)
Fazendo k = 1, 2, ..., p na equao (4.9) e utilizando
0
= 1 e
k
=
k
, obtemos as
equaes de Yule-Walker
33
manoel@fct.unesp.br
CAPTULO 5. MODELOS DE BOX-JENKINS PARA SRIES
ESTACIONRIAS

1
=
1
+
2

1
+... +
p

p1
(5.10)

2
=
1

1
+
2
+... +
p

p2
.
.
.

p
=
1

p1
+
2

p2
+... +
p
Dados os valores
1
,
2
, ...,
p
, estas equaes podem ser resolvidas para obtermos:

1
,
2
, ...,
p
. Para obter a varincia multiplicamos a equao (4.8) por Z
t
, e tomamos
as espereranas encontrando:

0
=
1

1
+
2

2
+... +
p

p
+
2
a
utilizando
k
=
k
/
0
podemos escrever
V ar (Z
t
) =
0
=

2
a
1
1

2
...
p

p
(5.11)
observando que
E(a
t
Z
t
) = E

a
t

1
Z
t1
+
2
Z
t2
+... +
p
Z
tp
+a
t

= E

a
2
t

=
2
a
e a varincia do processo expressa em termos dos parmetros
1
,
2
, ...,
p
,
2
a
, e
os desconhecidos valores de
1
,
2
, ...,
p
.
Assumindo estacionariedade, o processo pode ser expressado na forma linear
geral da equao (4.1), mas os pesos so funes complicadas dos parmetros

1
,
2
, ...,
p
, mas podem ser encontrados numericamente.
5.4 O Modelo Autoregressivo-Mdias Mveis AR-
MA(p,q)
Se considerarmos uma srie formada pelas as partes autoregressiva e mdias-mveis,
vamos ter um modelo mais geral de sries temporais, ou seja, se
Z
t
=
1
Z
t1
+
2
Z
t2
+... +
p
Z
tp
+a
t

1
a
t1

2
a
t2
...
q
a
tq
(5.12)
ns dizemos que Z
t
um processo autoregressivo mdias-mveis de ordens p e q,
respectivamente, e parmetros
0
s e
0
s, ou abreviadamente ARMA(p,q).
5.4.1 O modelo ARMA(1,1)
Considere o seguinte modelo
Z
t
= Z
t1
+a
t
a
t1
(5.13)
onde E(Z
t
) = 0, para todo t, E(a
t
) = 0 e V ar (a
t
) =
2
a
. Vamos obter as equaes
de Yule-Walker, antes porm, observamos que:
E(a
t
Z
t
) = E[a
t
(Z
t1
+a
t
a
t1
)] =
2
a
e
34
manoel@fct.unesp.br
CAPTULO 5. MODELOS DE BOX-JENKINS PARA SRIES
ESTACIONRIAS
E(a
t1
Z
t
) = E[a
t1
(Z
t1
+a
t
a
t1
)]
=
2
a

2
a
= ( )
2
a
Se multiplicamos a equao (4.13) por Z
tk
e tomamos as esperanas, temos:

k
= E(Z
t
Z
tk
) = E[(Z
t1
+a
t
a
t1
) Z
tk
]
= E(Z
t1
Z
tk
) +E(a
t
Z
tk
) E(a
t1
Z
tk
)
variando o k

0
=
1
+
2
a
( )
2
a
, k = 0 (5.14)

1
=
0

2
a
, k = 1
e

k
=
k1
, k = 2 (5.15)
resolvendo as equaes (4.14) e (4.15) vamos ter a varincia:

0
=

1 2 +
2

1
2
a facv

k
=
(1 ) ( )
1
2

k1

2
a
, para k = 1
e a fac

k
=
(1 ) ( )
1 2 +
2

k1
, para k = 1
A forma linear geral pode ser obtida da mesma maneira que a equao (4.5),
denimos
Z
t
= a
t
+ ( )

X
j=1

j1
a
tj
onde
j
= ( )
j1
, para j = 1. Com a condio de estacionariedade || < 1,
ou a raiz da equao 1 x = 0 maior do que 1 em valor absoluto.
O modelo ARMA(1,1) equivalente a:
AR() :
(1 x)
(1 x)
Z
t
=

1 x +
2
x ...

(1 x) Z
t
= a
t
e
MA() : Z
t
=
(1 x)
(1 x)
a
t
=

1 +x +
2
x
2
+...

(1 x) a
t
A funo de autocorrelao do modelo ARMA(1,1) semelhante a do AR(1)
(exponenciais amortecidas), o primeiro comporta-se como exponenciais amortecidas
para k > 0, enquanto que o segundo o comportamento de exponenciais amortecidas
para k = 0.
35
manoel@fct.unesp.br
CAPTULO 5. MODELOS DE BOX-JENKINS PARA SRIES
ESTACIONRIAS
Para o modelo geral ARMA(p,q), ns temos que dado que a
t
independente
de Z
t1
, Z
t2
, ..., uma soluo estacionria para Z
t
, satisfazendo a equao (4.13)
existe, se e somente se, as razes da equao caracterstica AR, (x) = 0, excede a
unidade em valor absoluto.
Se as condies de estacionariedade so satisfeitas, ento o modelo pode ser
escrito como um processo linear geral com os pesos
j
determinados da seguinte
forma:

0
= 1

1
=
1
+
1

2
=
2
+
2
+
1

1
.
.
.

j
=
j

jp
+... +
1

j1
onde
j
= 0 para j > 0 e
j
= 0 para j > q.
Agora assumindo estacionariedade pode-se mostrar que a fac satisfaz:

k
=
1

k1
+
2

k2
+... +
p

kp
, k > q (5.16)
Podemos tambm desenvolver para k = 0, 1, ..., q que envolve
1
,
2
, ...,
q
.
Teorema: Se X
t
v ARMA(p
1
, q
1
) e Y
t
v ARMA(p
2
, q
2
), sendo X
t
e Y
t
in-
dependentes, seja Z
t
= X
t
+ Y
t
ento Z
t
v ARMA(p, q) onde p 5 p
1
+ p
2
,
q 5 max(p
1
+q
2
, p
2
+q
1
).
Prova: Seja
X
(B) X
t
=
X
(B)
t
e
Y
(B) Y
t
=
Y
(B) a
t
onde
X
,
Y
,
X
e
Y
so polinmios em B de ordem p
1
, p
2
, q
1
e q
2
, respectivamente. Onde
t
e a
t
so rudos brancos independentes. Como Z
t
= X
t
+Y
t
, ento multiplicando Z
t
por

X
(B)
Y
(B) temos:

X
(B)
Y
(B) Z
t
=
X
(B)
Y
(B) X
t
+
X
(B)
Y
(B) Y
t
como
X
(B) X
t
=
X
(B)
t
ARMA(p
1
, q
1
) e
Y
(B) Y
t
=
Y
(B) a
t
ARMA(p
2
, q
2
)
vamos ter:

X
(B)
Y
(B) Z
t
=
X
(B)
Y
(B)
t
+
X
(B)
Y
(B) a
t
AR(p
1
+p
2
) = MA(q
1
+p
2
) +MA(p
1
+q
2
)
Utilizando o fato que a soma de dois processos de mdias mveis independentes
tambm um processo MA de ordem igual ou menor ao max das ordens, temos que
Z
t
um processo ARMA(p, q) onde p 5 p
1
+p
2
, q 5 max(p
1
+q
2
, p
2
+q
1
).
5.5 Invertibilidade
Ns vimos que um processo AR pode ser reescrito como um processo MA de ordem
innita atravs de pesos
0
s. Alm disso podemos escrever um processo MA como
um autoregressivo. Considere o modelo abaixo:
Z
t
= a
t
a
t1
(5.17)
reescrevendo a equao acima como a
t
= Z
t
+a
t1
, e ento substituindo t por t1
e a
t1
na equao modicada, temos:
36
manoel@fct.unesp.br
CAPTULO 5. MODELOS DE BOX-JENKINS PARA SRIES
ESTACIONRIAS
a
t
= Z
t
+ (Z
t1
+a
t2
)
= Z
t
+Z
t1
+
2
a
t2
Se || < 1, podemos continuar a substituio e obter:
a
t
= Z
t
+Z
t1
+
2
Z
t2
+...
Z
t
=

Z
t1

2
Z
t2
...

+a
t
ento se || < 1, ns vimos que o MA(1) pode ser invertido (transformado) para
um AR(), ento dizemos que o modelo MA(1) invertvel.
Para um modelo geral MA(q), denimos o polinmio caracterstico MA
como:
(x) = 1
1
x
2
x
2
...
q
x
q
e a correspondente equao caracterstica
1
1
x
2
x
2
...
q
x
q
= 0
Pode-se ento, demonstrar que o modelo MA(q) invertvel, e existiro constantes

j
, tal que:
Z
t
=

X
j=1

j
Z
tj
+a
t
se e somente se as razes da equao caracterstica MA excede a unidade em valor
absoluto.
Proposio: Um processo linear geral ser estacionrio se a srie (x) converge
para |x| 5 1; ser invertvel se (x) converge para |x| 5 1.
Podemos tirar algumas concluses sobre estacionariedade e invertibilidade, so
elas:
1) Para o modelo AR(p) no h restries sobre os parmetros
j
para assegurar
a invertibilidade.
2) Para o modelo MA(q) no h restries sobre os parmetros
j
para que o
processo seja estacionrio.
3) Para o modelo ARMA(p,q) o processo estacionrio se as raizes da equao
caracterstica (x) = 0 excede a unidade em valor absoluto e o processo invertvel
se todas as razes (x) = 0 excede a unidade em valor absoluto, ou seja, fora do
crculo unitrio.
5.6 Exerccios
1) Esboe a fac para cada um dos seguintes modelos ARMA:
a) AR(2) com
1
= 1.2 e
2
= 0.7
b) MA(2) com
1
= 1 e
2
= 0.6
c) ARMA(1,1) com = 0.7 e = 0.4
2) Suponha Z
t
um processo AR(1) com 1 < < 1.
a) Encontre a facv para W
t
= Z
t
Z
t1
em termos de e
2
a
.
b) Em particular, mostrar que V ar (W
t
) = 2
2
a
/ (1 +) .
3) Encontre a fac para o processo denido por
Z
t
= 5 +a
t
0.5a
t1
+ 0.25a
t2
37
manoel@fct.unesp.br
CAPTULO 5. MODELOS DE BOX-JENKINS PARA SRIES
ESTACIONRIAS
4) Descreva as caractersticas importantes da fac dos seguintes modelos: a)
MA(1), b) MA(2), c) AR(1), d) AR(2) e e) ARMA(1,1).
5) Para o modelo ARMA(2,1)
Z
t
= 0.8Z
t1
+a
t
+ 0.7a
t1
+ 0.6a
t2
mostrar que
a)
k
= 0.8
k1
para k = 3 e
b)
2
= 0.8
1
+ 0.6
2
a
/
0
.
6) Considere dois processos MA(2), um com
1
=
2
= 1/6 e outro com
1
= 1
e
2
= 6. Mostrar que estes processos tem extamente a mesma fac. Como so as
razes dos correspondentes polinmios caractersticos, compare-as.
7) Considere o no-estacionrio modelo AR(1)
Z
t
= 3Z
t1
+a
t
a) Mostrar que Z
t
=
P

j=1
(1/3)
j
a
t+j
satisfaz a equao AR(1) e realmente
estacionria.
b) Quando est soluo no satisfatria.
8) Considere o modelo
Z
t
= a
t1
a
t2
+ 0.5a
t3
a) Encontre a facv para Z
t
.
b) Mostrar que Z
t
um modelo estacionrio ARMA(p,q). Identique p, q e os

0
s e
0
s.
9) Considre os modelos:
i) Z
t
= a
t
+ 0.8a
t1
.
ii) Z
t
0.4Z
t1
= a
t
0.3a
t1
+ 0.8a
t2
iii) Z
t
= 0.3Z
t1
+ 0.6Z
t2
+a
t
.
Pede-se:
a) Escreva-os utilizando o operador X;
b) Identique cada um dos modelos abaixo, assim como os seus parmetros;
c) Verique se cada um deles so estacionrios e/ou invertveis.
38
Captulo 6
Modelos para Sries
Temporais No-Estacionrias
Os modelos apresentados at o momento so adequados para sries estacionrias, ou
seja, aquelas onde a mdia constante por todo tempo, mas em geral, na prtica,
as sries so no-estacionrias. Como, por exemplo, as sries econmicas. Para
torna a srie estacionria deve-se tomar diferenas quantas vezes for necessrio, at
atingir estacionariedade. O procedimento o seguinte:
W
t
= Z
t
Z
t1
= (1 X) Z
t
= Z
t
Os modelos que apresentaremos a partir de agora, sero para sries cujo comporta-
mento so no-estacionrio.
6.1 OModelo Autoregressivo-Integrado-Mdias-Mveis
ARIMA(p,d,q)
As sries Z
t
, tais que, tomando-se um nmero nito de diferenas, d, tornam-se
estacionrias, so chamadas no-estacionrias homogneas. Se
W
t
=
d
Z
t
estacionria, podemos representar W
t
por um modelo ARMA(p,q), ou seja,
(X) W
t
= (X) a
t
(6.1)
Se W
t
uma diferena de Z
t
, ento Z
t
uma integral de W
t
, da dizemos
que Z
t
segue um modelo autoregressivo-integrado-mdias-mveis, ou modelo ARI-
MA(p,d,q),
(X)
d
Z
t
= (X) a
t
(6.2)
de ordem (p,d,q), se p e q so as ordens de (X) e (X) , respectivamente.
No modelo (5.1) todas as razes de (X) esto fora do crculo unitrio. Escrever
(5.2) equivalente a escrever
(X) Z
t
= (X) a
t
(6.3)
39
manoel@fct.unesp.br
CAPTULO 6. MODELOS PARA SRIES TEMPORAIS
NO-ESTACIONRIAS
onde (X) um operador autoregressivo no-estacionrio, de ordem p+d, com d
razes iguais a 1 (sobre o crculo unitrio) e as restantes p esto fora do crculo
unitrio, ou seja,
(X) = (X)
d
= (X) (1 X)
d
(6.4)
Portanto o modelo (5.2) supe que a d-sima diferena da srie Z
t
pode ser rep-
resentada por um modelo ARMA, estacionrio e invertvel. Na maioria dos casos
usuais, d=1 ou d=2, que correspondem a dois casos interessantes e comuns de no-
estacionariedade homgenea:
1) Sries no-estacionrias quanto ao nvel: oscilam ao redor de um nvel mdio
durante algum tempo e depois saltam para outro nvel temporrio. Para torn-
las estacionrias suciente tomar uma diferena, este o caso tpico de sries
econmicas.
2) Sries no-estacionrias quanto a inclinao: oscilam numa direo por algum
tempo e depois mudam para outra direo temporria. Para torn-las estacionrias
necessrio tomar a segunda diferena.
6.1.1 Exemplos
Alguns casos particulares do modelo ARIMA:
i) ARIMA(0,1,1): Z
t
= (1 X) a
t
ii) ARIMA(1,1,1): (1 X) Z
t
= (1 X) a
t
iii) ARIMA(p,0,0): AR(p); ARIMA(0,0,q): MA(q); ARIMA(p,0,q): ARMA(p,q).
Um modelo que considerado importante o caso i) IMA(1,1): Integrado-
Mdias-Mveis. Utilizado especialmente na rea de economia.
6.1.2 Algumas Transformaes para tornar a srie Estacionria
Tomar diferenas pode no ser suciente para se alcanar estacionariedade, princi-
palmente, no caso das sries econmicas. Uma transformao, no linear, utilizada
para srie Z
t
Z

t
= lnZ
t
, que ser suciente para obter a homogeneidade. Outro
procedimento usualmente, utilizado em sries temporais econmicas :
lnZ
t
= lnZ
t
lnZ
t1
A principal razo para se fazer uma transformao tentar estabilizar a varin-
cia. Uma transformao, tambm adequada, seria: utilizar um grco que traz no
eixo das abscissas mdias de subconjuntos de observaes da srie original e no eixo
das ordenadas a amplitude de cada um destes subconjuntos. Seja Z
t1
, ..., Z
t
k
um
subconjunto com k observaes, ento calculamos:
Z =
1
k
k
X
i=1
Z
t
i
(medida de posio)
e
W = max (Z
ti
) min(Z
ti
)
(medida de variabilidade)
o par

Z, W

ser um ponto do grco. O nmero de elementos em cada subsrie


pode ser igual ao perodo, no caso de sries sazonais. Se W independente de
Z, obteremos pontos espalhados ao redor de uma reta paralela ao eixo das abscis-
sas e neste caso no haver necessidade de transformao. Se W for diretamente
proporcional a Z, a transformao logartmica apropriada.
40
manoel@fct.unesp.br
CAPTULO 6. MODELOS PARA SRIES TEMPORAIS
NO-ESTACIONRIAS
Uma classe geral de transformaes que podem ser utilizadas a de Box-Cox,
denida por:
Z
()
t
=
(
Z

t
c

, 6= 0
lnZ
t
, = 0
onde e c so parmetros a serem estimados. Para c = 1 temos:
Z

t
1

lnZ
t
se 0
6.2 Formas do Modelo ARIMA
O modelo ARIMA dado em (5.2) pode ser representado de trs formas:
a) Em termos de valores prvios de Z
t
e do valor atual e prvios de a
t
;
b) Em termos de valor atual e prvios de a
t
;
c) Em termos de valores prvios de Z
t
e do valor atual de a
t
.
6.2.1 Forma da Equao Diferenas
Esta a forma usual do modelo, til para calcular previses:
Z
t
=
1
Z
t1
+
2
Z
t2
+... +
p+d
Z
tpd
+a
t

1
a
t1
...
q
a
tq
(6.5)
onde (X) = 1
1
X
2
X
2
...
p+d
X
p+d
.
6.2.2 Forma de Choques Aleatrios
Uma forma conveniente para se calcular a varincia dos erros de previso :
Z
t
= a
t
+
1
a
t1
+
2
a
t2
+... (6.6)
= (X) a
t
Desta equao obtemos
(X) Z
t
= (X) (X) a
t
(6.7)
e utilizando (5.3) segue-se que
(X) (X) = (X) . (6.8)
Logo, os pesos
j
da forma (5.6) podem ser obtidos de (5.8) identicando-se coe-
cientes de X, X
2
, etc.:

1
1
X ...
p+d
X
p+d

1 +
1
X +
2
X
2
+...

= 1
1
X ...
q
X
q
6.2.3 Termo constante no Modelo ARIMA
No modelo ARIMA(p,d,q)
(X) W
t
= (X) a
t
(6.9)
onde W
t
=
d
Z
t
.
Se um termo constante for omitido, ento E(W
t
) =
W
= 0. O modelo acima pode
descrever o que chamaramos de tendncias estocsticas, no sentido que o proces-
so no estacionrio e muda de nvel e/ou inclinao, no decorrer do tempo. A
tendncia (ou no-estacionariedade) estocstica caracterizada pela existncia de
41
manoel@fct.unesp.br
CAPTULO 6. MODELOS PARA SRIES TEMPORAIS
NO-ESTACIONRIAS
zeros de (X) = 1 X sobre o crculo unitrio. Alm da no-estacionariedade es-
tocstica, muitas sries podem apresentar uma tendncia determinstica. Podemos
ter Z
t
como a soma de um polinmio mais um processo ARIMA(p,d,q):
Z
t
=
m
X
j=0

j
t
j
+
(X)

d
(X)
a
t
(6.10)
= T
t
+Y
t
onde T
t
uma tendncia determinstica e Y
t
um processo ARIMA(p,d,q). Segue-se
que Z
t
no-estacionrio se m > 0 e/ou d > 0.
Tomando d diferenas temos:

d
Z
t
=
0
+
(X)
(X)
a
t
, se m = d (6.11)

d
Z
t
=
(X)
(X)
a
t
, se m < d
onde
0
=
d
d!, obtendo-se uma srie estacionria. Signicando que podemos incluir
uma tendncia polinomial determinstica de grau d no modelo, bastando acrescentar
uma constante
0
:
(X) Z
t
=
0
+ (X) a
t
(6.12)
Se m > d, podemos obter um modelo no-estacionrio, tomando d diferenas,
devido a tendncia determinstica, e tomando m diferenas, obteremos um processo
estacionrio, mas no invertvel.
Se
0
6= 0,
W
t
= W
t1
+... +
p
W
tp
+
0
+a
t

1
a
t1
...
q
a
tq
(6.13)
e obtemos a mdia

W
= E(W
t
) =
1

W
+... +
p

W
(6.14)
=

0
1
1
...
p
ou

0
=
W

1
1
...
p

(6.15)
e se
f
W
t
= W
t
E(W
t
)
teremos:
(X)
f
W
t
= (X) a
t
No que segue, quando d > 0, suporemos
W
= 0 e portanto
0
= 0.
6.3 Construo dos Modelos ARIMA
Nesta seo vamos apresentar os estgios do ciclo iterativo do mtodo de Box e
Jenkins, para construo dos modelos ARIMA, que so: 1) identicao; 2) esti-
mao e 3) vericao. Dentre estes estgios o mais dcil fase de identicao
do modelo ARIMA, que ser utilizado para ajustar os dados. Esta escolha feita a
partir das autocorrelaes e autocorrelaes parciais estimadas, dentre as quais es-
peramos que representem adequadamente as verdadeiras quantidades tericas, que
so desconhecidas. Anteriormente denimos a facv e fac, agora vamos denir a
funo de autocorrelao parcial (facp).
42
manoel@fct.unesp.br
CAPTULO 6. MODELOS PARA SRIES TEMPORAIS
NO-ESTACIONRIAS
6.3.1 Funo de Autocorrelao Parcial (facp)
Ns podemos denir a correlao entre Z
t
e Z
tk
removendo o efeito das variveis
Z
t1
, Z
t2
, ..., Z
tk+1
. Esta medida, para sries estacionrias, chamada a auto-
correlao parcial at a posio k e ser denotada por
kk
, se Z
t
uma srie
normalmente distribudos, ou seja,

kk
= Corr (Z
t
, Z
tk
/Z
t1
, Z
t2
, ..., Z
tk+1
) (6.16)
onde
kk
o coeciente de correlao da distribuio de Z
t
, Z
tk
condicional a
Z
t1
, Z
t2
, ..., Z
tk+1
. Um mtodo geral para encontrar a facp para um processo
estacionrio com fac
k
o seguinte : para um dado k, mostra-se que
kk
satisfaz
as equaes de Yule-Walker:

j
=
k1

j1
+
k2

j2
+... +
kk

jp
, j = 1, 2, ..., k (6.17)
Mais explicitamente

1
=
k1
+
k2

1
+... +
kk

j1
(6.18)

2
=
k1

1
+
k2
+... +
kk

k2
.
.
.

k
=
k1

k1
+
k2

k2
+... +
kk
Estas equaes podem ser resolvidas sucessivamente para k = 1, 2, ..., e obtendo-se

kk
, da seguinte maneira:

11
=
1
(6.19)

22
=

1
1

1

2

1
1

1
1

=

2

2
1
1
2
1
e para k = 3

kk
=

1
1

2

1
1
2

2

1

3

1
1

2

1
1
1

2

1
1

(6.20)
em geral

kk
=
|P

k
|
|P
k
|
(6.21)
onde P
k
a matriz de autocorrelao, e P

k
a matriz P
k
com a ltima coluna
substituda pelo vetor de autocorrelao.
Pode-se demonstrar que, para os processos estudados temos:
(i) um processo AR(p) tem facp
kk
6= 0, para k 5 p e
kk
= 0, para k > p;
(ii) Um processo MA(q) tem facp que se comporta de maneira similar a fac de
um processo AR(p), para o MA(1) temos:

22
=

2
1 +
2
+
4
e

kk
=

1
2

1
2(k+1)
, k = 1
(iii) Um processo ARMA(p,q) tem facp que se comporta como a facp de um processo
MA.
43
manoel@fct.unesp.br
CAPTULO 6. MODELOS PARA SRIES TEMPORAIS
NO-ESTACIONRIAS
6.3.2 A Funo de Autocorrelao Parcial Amostral (fapa)
Para srie temporal observada vamos precisar calcular a estimativa da fapa. Ns
chamamos esta funo estimada de funo de autocorrelao parcial amostral e
denotamos por
b

kk
.
Levinson (1974) e Durbin (1960) descobriram um mtodo eciente para obter as
solues para as equaes (5.18), considerando as facp ou fapa. Eles demonstraram
que independentemente as equaes (5.18) podem ser resolvidas recursivamente
como segue:

kk
=

k1
P
j=1

k1,j

kj
1
k1
P
j=1

k1,j

j
(6.22)
onde

kj
=
k1,j

kk

k1,kj
, para j = 1, 2, ..., k 1. (6.23)
Por exemplo, utilizando
11
=
1
, ns temos

22
=

2

11

1
1
11

1
=

2

2
1
1
2
1
Nas estimativas vamos substituir b
k
por r
k
, e obtemos fapa
b

kk
.
6.4 Idendicao (ou Especicao) dos Modelos
ARIMA
O objetivo da identicao determinar os valores de p,d e q do modelo ARI-
MA(p,d,q), alm de obter estimativas preliminares dos parmetros a serem utiliza-
dos no estgio de estimao.
6.4.1 Procedimento
I) Inicialmente diferenamos a srie Z
t
, tantas vezes quantas necessrias, para se
obter uma srie estacionria, de modo que o processo
d
Z
t
seja reduzido a um
ARMA(p,q). O nmero de diferenas, d, necessrias para que o processo se torne
estacionrio, alcanado quando a fac amostral de W
t
=
d
Z
t
decresce rapidamente
para zero;
II) Identicamos o processo ARMA(p,q) resultante, atravs da anlise das fac e
facp estimadas, cujo comportamentos devem ser semelhantes aqueles das respectivas
quantidades tericas (AR, MA e ARMA).
- Geralmente, na prtica d=0, 1, ou 2, e ser suciente inspecionar as primeiras
15 ou 20 autocorrelaes da srie e de suas diferenas.
- Convm testar se E(W
t
) =
W
zero, comparando W com o seu desvio-padro
estimado. A tabela abaixo fornece as varincias de W para alguns modelos usuais.
Se d=0, W = Z.
Tabela - Varincias Aproximadas p/ W , n = N d
AR(1) MA(1) ARMA(1, 1)
c
0
(1+r
1
)
n(1r
1
)
c
0
(1+2r
1
)
n
c0
n
h
1 +
2r
2
1
r
1
r
2
i
AR(2) MA(2)
c
0
(1+r
1
)(12r
2
1
+r
2)
n(1r1)(1r2)
c
0
(1+2r
1
+2r
2
)
n
44
manoel@fct.unesp.br
CAPTULO 6. MODELOS PARA SRIES TEMPORAIS
NO-ESTACIONRIAS
6.5 Intervalo de Conana para a FAC Amostral
Apresentaremos a seguir o intervalo de conana para a faca, antes porm, sabemos
que a faca denida como:
b
j
=
b
j
b
0
= r
j
=
c
j
c
0
, j = 0, 1, ..., N 1 (6.24)
onde
c
j
=
1
N
Nj
X
t=1

Z
t
Z

(Z
t+j
Z)

, j = 0, 1, ..., N 1 (6.25)
sendo
Z =
1
N
N
X
t=1
Z
t
e r
j
= r
j
(6.26)
temos que a varincia de r
j

V ar (r
j
)

=
1
N

X
k=

2
k
+
k+j

kj
4
j

kj
+ 2
2
k

2
j

(6.27)
para um processo estacionrio normal (Gaussiano).
Para um processo em que as autocorrelaes so nulas para k > q, obtem-se:
V ar (r
j
)

=
1
N
"
1 + 2
q
X
k=1

2
k
#
, j > q (6.28)
substituindo
k
por r
k
, temos:

2
(r
j
)

=
1
N
"
1 + 2
q
X
k=1
r
2
k
#
, j > q (6.29)
Para N sucientemente grande, sob a hiptese H
0
:
j
= 0, j > q a distribuio
N

0,
2
(r
j
)

. Assim, pode-se construir um intervalo de conana aproximado para


as autocorrelaes:
r
j
t

(r
j
) (6.30)
onde t

o valor da estatstica t-Student com N 1 graus de liberdade, tal que


P (t

< t < t

) = . Na prtica utiliza-se t

= 2, de modo que podemos considerar

j
como signicativamente diferente de zero se
|r
j
| > 2(r
j
), j > q. (6.31)
Para facp sob a hiptese que o processo AR(p),
V ar

jj

w
1
N
, j > p. (6.32)
De modo que

jj

w
1

N
, j > p. (6.33)
Alm disso, para N grande,
b

jj
ter distribuio aproximadamente normal, com
mdia zero e varincia (5.32), de modo que consideraremos
jj
signicativamente
diferente de zero se

jj

>
2

N
, j > p. (6.34)
45
manoel@fct.unesp.br
CAPTULO 6. MODELOS PARA SRIES TEMPORAIS
NO-ESTACIONRIAS
6.6 Exerccos
1) Considere os dois modelos:
A : Z
t
= 0.9Z
t1
+ 0.09Z
t2
+a
t
B : Z
t
= Z
t1
+a
t
0.1a
t1
a) Identique e especique os modelos ARIMA.
b) Qual a semelhana entre eles? (Compare os pesos
0
s e
0
s).
2) Identique e especique cada modelo ARIMA:
a) Z
t
= Z
t1
0.25Z
t2
+a
t
+ 0.5a
t1
b) Z
t
= 2Z
t1
Z
t2
+a
t
c) Z
t
= 0.5Z
t1
+ 0.5Z
t2
+a
t
0.5a
t1
+ 0.25a
t2
.
3) Suponha que {Z
t
} gerada como
Z
t
= a
t
+ca
t1
+ca
t2
+... +ca
0
, t > 0
a) Encontre a funo mdia e a facv para Z
t
. Z
t
estacionria?
b) Encontre a funo mdia e facv para Z
t
. Esta srie estacionria?
c) Identique e especique Z
t
como um modelo ARIMA.
4) Suponha que Z
t
= A+Bt +X
t
onde A e B so variveis aleatrias indepen-
dentes do passeio aleatrio X
t
.
a) A srie Z
t
estacionria?
b) A srie Z
t
estacionria?
5) De uma srie de 100 observaes, obteve-se: r
1
= 0.49, r
2
= 0.31, r
3
=
0.21, r
4
= 0.11, e |r
k
| 5 0.09 para k > 4. Com base somente nestas informaes,
que modelo ARIMA ns poderamos especicar para esta srie?
6) Um srie estacionria de tamanho N = 121 produz as seguintes autocorre-
laes parciais estimadas:
b

11
= 0.8,
b

22
= 0.6,
b

33
= 0.08, e
b

44
= 0.00. Basedo
somente nestas informaes, que modelo poderamos especicar para esta srie?
7) Para uma srie de 169 observaes, encontramos que: r
1
= 0.41, r
2
= 0.42,
r
3
= 0.26, r
4
= 0.21, e r
5
= 0.16. Qual modelo se ajustaria a este padro de
autocorrelaes?
8) As autocorrelaes amostrais para a primeira diferena so dadas na tabela
abaixo (N = 100).
FACA 1 2 3 4 5 6
Z
t
0.97 0.97 0.93 0.85 0.80 0.71
Z
t
-0.42 0.18 -0.02 0.07 -0.10 -0.09
Baseado nas informaes, quais modelos ARIMA poderamos identicar para a
srie?
9) Para a srie de tamanho 64, as facp amostrais so dadas por:
1 2 3 4 5 6
0.47 -0.34 0.20 0.02 0.15 -0.06
Quais modelos poderamos considerar neste caso?
10) Suponha X
t
um processo estacionrio AR(1) com parmetro , mas que
podemos somente observar
Z
t
= X
t
+N
t
onde N
t
um rudo branco independente de X
t
.
a) Encontre a fac para o processo Z
t
em termos de ,
2
X
, e
2
N
.
b) Qual modelo ARMA podemos identicar para Z
t
?
46
Captulo 7
Estimao dos Parmetros
Neste captulo vamos trabalhar com a estimao dos parmetros para o modelo
ARIMA, considerando a srie temporal observada Z
1
, Z
2
, ..., Z
n
. Assumiremos que
o modelo j foi especicado, isto , ns j especicamos os valores para p,d e q ut-
lizando os mtodos do captulo 5. Com relao a sries no-estacionrias, faremos
a d-sima diferena da srie observada at torna-l um processo estacionrio AR-
MA(p,q). Na prtica, ns trabalhamos com a d-sima diferena da srie temporal
original, estimando os parmetros, a partir, do modelo completo. Para simplicar o
estudo sobre estimao, denimos Z
1
, Z
2
, ..., Z
n
como um processo estacionrio ob-
servado da srie original, depois de diferenada adequadamente. Primeiramente
apresentaremos as estimativas preliminares, em seguida apresentaremos os esti-
madores do mtodo do momentos, de mnimos quadrados e o estimador de mxima
verossimilhana.
7.1 Estimativas Preliminares
na identicao do modelo que so obtidas as estimativas preliminares, que sero
utilizadas como valores iniciais, para as estimativas nais dos parmetros. Estas
estimativas so obtidas atravs das r
j
da srie W
t
=
d
Z
t
.
7.1.1 Processos AR(p)
Para esses processos, resolvemos as equaes de Yule-Walker, com b
j
substitudo
por r
j
. A estimativa da varincia do rudo banco :
b
2
a
= b
0

1
1

1
...
p

com b
0
substitudo por c
0
, e os
j
por suas estimativas
b

j
.
7.1.2 Processos MA(q)
Para esses processos, vamos utilizar a equao

j
=

k
+
1

k+1
+... +
qk

q
1 +
2
1
+... +
2
q
, j = 0, 1, ..., q
= 0, j > q.
substituindo
j
por r
j
e
j
por
b

j
e a varincia do rudo estimada como
b
2
a
=
b
0
1 +
b

2
1
+... +
b

2
q
47
manoel@fct.unesp.br CAPTULO 7. ESTIMAO DOS PARMETROS
onde b
0
= c
0
.
7.1.3 Processos ARMA(p,q)
Para esses processos, obtemos as estimativas iniciais para
1
, ...,
p
, resolvendo as
equaes:
b
j
=
b

1
b
j1
+... +
b

p
b
jp
, j = q + 1, ..., q +p
substituindo b
j
por r
j
. Depois a partir das relaes entre as autocorrelaes
1
, ...,
q
,

1
, ...,
p
e
1
, ...,
q
, obtemos
b

1
, ...,
b

q
e b
2
a
.
Obs.: Na tabela 9.2 do Morettin (1987) temos estimativas iniciais para os
parmetros dos modelos mais utilizados na prtica.
7.2 O Mtodo dos Momentos
O mtodo dos momentos geralmente um dos mais faceis, dos mtodos para obter
estimativas dos parmetros. O mtodo consiste de equacionar momentos amostrais
com momentos tericos e resolver as equaes resultante para obter estimativas dos
parmetros desconhecidos.
7.2.1 Modelo Autoregressivo
Considere o modelo AR(1). Para este modelo ns temos:
1
= . Ento podemos
estimar simplesmente por:
b
= r
1
Agora consideramos o caso AR(2). A relao entre os parmetros
1
e
2
e os
vrios momentos dado pelas equaes de Yule-Walker:

1
=
1
+
1

2
=
1

1
+
2
O mtodo dos momentos substitui
1
por r
1
e
2
por r
2
para obter:
r
1
=
1
+r
1

2
r
2
= r
1

1
+
2
resolvendo estas equaes obtemos:
b

1
=
r
1
(1 r
2
)
1 r
2
1
(7.1)
e
b

2
=
r
2
r
2
1
1 r
2
1
(7.2)
Para o caso geral AR(p) o procedimento semelhante: substituimos
k
por r
k
nas
equaes de Yule-Walker para obter:
r
1
=
1
+r
1

2
+... +r
p1

p
(7.3)
r
2
= r
1

1
+
2
+... +r
p2

p
.
.
.
r
p
= r
p1

1
+r
p2
+... +
p
Estas equaes lineares sero resolvidas para obter
b

1
, ...,
b

p
, em termos de r
1
, ..., r
p
.
O mtodo recursivo de Durbin-Levinson (equaes 5.22) um algoritmo adequado
para resolver estas equaes, mas estar sujeito a erros, principalmente se soluo
est no limite de estacionariedade (na circunferncia de raio unitrio).
48
manoel@fct.unesp.br CAPTULO 7. ESTIMAO DOS PARMETROS
7.2.2 Modelos Mdias-Mveis
Para o caso do modelo MA o mtodo dos momentos, no to fcil. Vamos con-
siderar o processo MA(1). Da fac do MA temos:

1
=

1 +
2
, || < 1. (7.4)
Podemos resolver a equao acima com relao a . Se |r
1
| < 0.5,ento as duas
razes so dadas por:

1
2r
1

1
4r
2
1
1

0.5
Dentre as solues s uma satisfaz a condio de invertibilidade, que pode ser escrita
como:
b
=
1 +

1 4r
2
1

0.5
2r
1
(7.5)
Se r
1
= 0.5, a soluo real nica, ou seja, 1, mas por outro lado, no
invertvel. Se |r
1
| > 0.5, no existe solues reais, e o mtodo dos momentos
no produz um estimador adequado para , alm disso a especicao do modelo
torna-se duvidosa.
Para modelos MA(q), de ordem grande, o mtodo dos momentos torna-se bas-
tante complicado. As equaes resultantes em funo dos
0
s, no so lineares,
entretanto, e suas solues preciso ser numricas. Porm haver vrias soluces
mltiplas, das quais somente uma ser invertvel.
7.2.3 Modelos ARMA
Para esse modelo vamos considerar somente o ARMA(1,1). Da equao abaixo
(captulo 4):

k
=
(1 ) ( )
1 2 +
2

k1
, para k = 1 (7.6)
Notando que
2
/
1
= , ns podemos primeiro estimar como
b
=
r
2
r
1
(7.7)
Ento podemos substituir (6.7) em (6.6) e obter
r
1
=

1
b

1 2
b
+
2
(7.8)
par obter a estimativa de
b
, resolvemos a equao em funo de , e considerando
somente a soluo invertvel.
7.2.4 Estimativas da Varincia do Rudo
O parmetro nal a ser estimado a varincia
2
a
. Dentre todos os casos, ns
podemos primeiro estimar
0
= V ar (Z
t
) pela varincia amostral
S
2
=
n
P
t=1

Z
t
Z

2
n 1
(7.9)
e da utilizamos a relao (captulo 4) que existe entre
0
,
2
a
e os
0
s, e
0
s para
estimar
2
a
.
49
manoel@fct.unesp.br CAPTULO 7. ESTIMAO DOS PARMETROS
Para os modelos AR(p), temos:
b
2
a
=

1
b

1
r
1
...
b

p
r
p

S
2
(7.10)
Em particular, para um processo AR(1),
b
2
a
=

1 r
2
1

S
2
(7.11)
desde que
b

1
= r
1
.
Para o caso MA(q), ns temos:
b
2
a
=
S
2
1 +
b

2
1
+... +
b

2
q
(7.12)
Para o processo ARMA(1,1), temos:
b
2
a
=

1
b

1 2
b

b
+
b

2
S
2
(7.13)
7.3 Estimativas de Mnimos Quadrados
Como j sabemos, o mtodo dos momentos no satisfatrio para modelos com
termos mdias mveis, precisaramos aplicar outros mtodos, e uma das alternativa
o mtodo de mnimos quadrados.
7.3.1 Modelos Autoregressivos
Considere o caso AR(1), onde
Z
t
= (Z
t1
) +a
t
(7.14)
Ns podemos v-lo como um modelo de regresso com varivel preditora Z
t1
e
varivel resposta Z
t
. A estimao de mnimos quadrados consiste em minimizar
a soma de quadrados das diferenas (Z
t
) (Z
t1
) . Desde que somente
Z
1
, Z
2
, ..., Z
n
so observados, ns podemos somente somar de t = 2 at t = n. Seja
S

(, ) =
n
X
t=2
[(Z
t
) (Z
t1
)]
2
(7.15)
Onde S

geralmente chamada de funo da soma de quadrados condicional. De


acordo com o princpio de mnimos quadrados, ns estimamos e com respeito aos
valores que minimizam S

(, ) , dado os valores observados da srie Z


1
, Z
2
, ..., Z
n
.
Vamos considerar as derivadas S

/ = 0 e S

/ = 0. Ou seja,
S

=
n
X
t=2
2 [(Z
t
) (Z
t1
)] (1 +) = 0
simplicando e resolvendo para , temos
=
n
P
t=2
Z
t

n
P
t=2
Z
t1
(n 1) (1 )
(7.16)
50
manoel@fct.unesp.br CAPTULO 7. ESTIMAO DOS PARMETROS
Para n grande, temos
n
X
t=2
Z
t
n 1

n
X
t=2
Z
t1
n 1
Z
Alm disso, temos que a equao (6.) reduz-se a
b
Z Z
1
= Z (7.17)
Podemos dizer ento que b = Z.
Considere a minimizao de S

, Z

com relao a
S

=
n
X
t=2
2

Z
t
Z

Z
t1
Z

Z
t1
Z

= 0
simplicando e resolvendo para , temos
b
=
n
P
t=2

Z
t
Z

Z
t1
Z

n
P
t=2

Z
t1
Z

2
(7.18)
Exeto para o termo

Z
n
Z

2
,
b
= r
1
; alm disso os estimadores de mnimos
quadrados e mtodo dos momentos so quase idnticos, especialmente para grandes
amostras.
Para o processo geral AR(p), os mtodos utilizados para obter as equaes (6.16)
e (6.17) podem facilmente ser extendidos para produzir o mesmo resultado, ou seja,
b = Z.
Para generalizar as estimativas dos
0
s, ns podemos considerar o modelo de
segunda ordem, AR(2). Substituindo b por Z na funo da soma de quadrados
condicional
S

(
1
,
2
) =
n
X
t=3

Z
t
Z

Z
t1
Z

Z
t2
Z

2
(7.19)
Fazendo S

/
1
= 0, temos
2
n
X
t=3

Z
t
Z

Z
t1
Z

Z
t2
Z

Z
t1
Z

= 0 (7.20)
que podemos escrever como
n
X
t=3

Z
t
Z

Z
t1
Z

=
n
X
t=3

Z
t1
Z

1
+
n
X
t=3

Z
t2
Z

Z
t1
Z

2
(7.21)
Agora se dividimos ambos os lados por
n
P
t=3

Z
t
Z

2
, obtemos:
r
1
=
1
+r
1

2
(7.22)
Fazendo o mesmo para S

/
2
= 0, vamos ter
r
2
= r
1

1
+
2
(7.23)
Podemos vericar que trata-se das equaes de Yule-Walker amostrais para o modelo
AR(2).
Inteiramente anlogo ao resultado obtido, segue-se para o caso do modelo geral
AR(p), as estimativas de mnimos quadrados dos
0
s, podem ser obtidas resolvendo-
se as equaes amostrais de Yule-Walker, e com uma boa aproximao.
51
manoel@fct.unesp.br CAPTULO 7. ESTIMAO DOS PARMETROS
7.3.2 Modelos Mdias Mveis
Considere agora a estimao de mnimos quadrados de no modelo MA(1):
Z
t
= a
t
a
t1
(7.24)
Vamos supor que o modelo MA(1) invertvel, ou seja, || < 1, ento podemos
express-lo como
Z
t
= Z
t1

2
Z
t2
... +a
t
(7.25)
que um modelo AR() . Alm disso, podemos obter o estimador de mnimos
quadrados, escolhendo o valor do parmetro que minimiza
S

() =
X
a
2
t
(7.26)
onde, implicitamente, a
t
= a
t
() uma funo da srie observada e o parmetro .
Da equao (6.25), claramente podemos observar que o problema de mnimos
quadrados no-linear nos parmetros. Alm disso, para o caso simples MA(1),
S

no pode ser minimizado analiticamente, e precisamos recorrer a tcnicas de


otimizao numrica.
Para uma da srie observada Z
1
, Z
2
, ..., Z
n
e um particular valor de , vamos
reescrever a equao (6.24) como
a
t
= Z
t
+a
t1
(7.27)
Utilizando a equao (6.27), os valores a
1
, ..., a
n
podem ser calculados recursiva-
mente dado um o valor inicial a
0
. Um condio inicial, que se utiliza a
0
= 0,
obtendo
a
1
= Z
1
(7.28)
a
2
= Z
2
+a
1
.
.
.
a
n
= Z
n
+a
n1
e alm disso calculamos S

() =
P
n
t=1
a
2
t
, condicional a a
0
= 0 para o particular
valor de .
Para o caso simples de um parmetro, podemos variar no intervalo (1, 1), que
garante invertibilidade do modelo, e encontrar a soma de mnimos quadrados. Para
os modelos MA(q), um algoritmo de otimizao numrica, como o Gauss-Newton,
prefervel. A aproximao de Gauss-Newton consiste em aproximar a
t
= a
t
()
para uma funo linear de em torno da estimativa inicial
b
. Que
a
t
() a
t

da
t

d
(7.29)
Nota-se que da
t
() /d pode ser calculado recursivamente diferenciando ambos os
lados da equao (6.27) para obter
da
t
()
d
=
da
t1
()
d
+a
t1
() (7.30)
com valor incial da
t
() /d = 0.
Desde que a aproximao em (6.28) linear em , a soma de quadrados calcu-
lada pode ser minimizada analiticamente levando a uma nova estimativa de . Este
processo pode ser repetido com
b
substitudo pela nova estimativa, calculando as
mudanas em ambos, nas estimativas de e na soma de quadrados, quando a soma
52
manoel@fct.unesp.br CAPTULO 7. ESTIMAO DOS PARMETROS
torn-se pequena e o parmetro atingir a convergncia. O mtodo dos momentos
pode ser utilizado para obter as primeiras estimativas de , mas em muitos casos
o procedimento converge para a soma de mnimos quadrados de uma estimativa
arbritria, tal como = 0.1.
Para os modelos MA de altas ordens, as idias so anlogas. Ns calculamos
a
t
= a
t
(
1
, ...,
q
) recursivamente de
a
t
= Z
t
+
1
a
t1
+... +
q
a
tq
(7.31)
como a
0
= a
1
= ... = a
1q
= 0. A soma de quadrados minimizada conjuntamente
com relao a
1
,
2
, ...,
q
utilizando o algoritmo multivariado de Gauss-Newton
(Box e Jenkins, 1976).
7.3.3 Modelos Autoregressivos-Mdias-Mveis
Vamos considerar somente o modelo ARMA(1,1):
Z
t
= Z
t1
+a
t
a
t1
(7.32)
Como no caso MA, consideramos a
t
= a
t
(, ) e desejamos minimizar S

(, ) =
P
n
t=1
a
2
t
. Podemos reescrever a equao (6.32) como
a
t
= Z
t
Z
t1
+a
t1
(7.33)
Para obter a
1
, ns temos que supor Z
0
= 0 ( = 0) ou Z
0
= Z ( = Z). Entretan-
to, uma melhor aproximao, seria simplesmente minimizar
P
n
t=1
a
2
t
. As derivadas
necessrias para o algoritmo de Gauss-Newton podem de novo serem obtidas recur-
sivamente da equao (6.33).
Para o modelo geral ARMA(p,q), calculamos a
t
= a
t

1
, ...,
p
,
1
, ...,
q

para
t = p + 1, ..., n de
a
t
= Z
t

1
Z
t1
...
p
Z
tp
+
1
a
t1
+... +
q
a
tq
(7.34)
com a
p
= a
p1
= ... = a
1q
= 0 e ento numericamente minimizamos
P
n
t=1
a
2
t
para
obter as estimativas de mnmos quadrados condicional de
1
, ...,
p
,
1
, ...,
q
. Um
termo constante pode ser includo no modelo.
Para o conjunto de parmetros
1
, ...,
q
, que corresponde a invertibilidade do
modelo, os valores a
p
= a
p1
= ... = a
1q
= 0 tero muito pouca inuncia nas
estimativas nais dos parmetros para grandes amostras
7.4 Estimativas de Mxima Verossimilhana
A vantagem dos mtodos de mxima verossimilhana que todas as informaes
nos dados so utilizadas, ao invs de utilizar somente os primeiros momentos, co-
mo o caso do mnimos quadrados. Outra vantagem que, sobre certas condies
gerais, muitos resultados j so conhecidos, para o caso de grandes amostras. En-
tretanto, uma desvantagem que para os primeiros valores de t, devemos trabalhar
especicamente com a funo de densidade de probabilidade (f.d.p.) conjunta.
Para um dado conjunto de observaes Z
1
, Z
2
, ..., Z
n
, a funo de verossimil-
hana L denida como a f.d.p. conjunta dos dados observados, em funo dos
parmetros do modelo. Para os modelos ARIMA, L ser uma funo de
0
s,
0
s,
e
2
a
dadas as observaes Z
1
, Z
2
, ..., Z
n
. Os estimadores de mxima verossim-
ilhana so denidos como aqueles valores dos parmetros, com relao aos da-
dos observados, que so os mais verossmeis (provveis), e maximizam a funo de
verossimilhana.
53
manoel@fct.unesp.br CAPTULO 7. ESTIMAO DOS PARMETROS
Inicialmente analisaremos os modelos AR(1). A suposio mais comum que o
rudo branco seja uma varivel aleatria normal independente, identicamente dis-
tribuda com mdia 0 e varincia
2
a
, a f.d.p. para cada uma
f (a) =

2
2
a

0.5
exp

a
2
2
2
a

, < a < (7.35)


e, como so v.a.i.i.d. a f.d.p. conjunta para a
2
, ..., a
n

f (a) =

2
2
a

(n1)/2
exp

1
2
2
a
n
X
t=2
a
2
t
!
, (7.36)
Agora considerando
Z
2
= (Z
1
) +a
2
(7.37)
Z
3
= (Z
2
) +a
3
.
.
.
Z
n
= (Z
n1
) +a
n
Seja Z
1
= z
1
, vamos utilizar uma transformao linear de a
2
, ..., a
n
e Z
2
, ..., Z
n
(com
jacobiano igual a 1). Alm disso, a f.d.p. conjunta de Z
2
, ..., Z
n
/Z
1
= z
1
pode ser
obtida utilizando (6.37) pela substituio de a
0
s em termos dos z
0
s em (6.36)
f (z
2
, ..., z
n
/z
1
) =

2
2
a

(n1)/2
exp
(

1
2
2
a

n
X
t=2
[(Z
t
) (Z
t1
)]
2
)
(7.38)
Agora consideramos a f.d.p. marginal de Z
1
, que tambm normal com mdia
e varincia
0
=
2
a
/

1
2

. Multiplicando (6.38) por f (z


1
) , temos
f (z
2
, ..., z
n
/z
1
) f (z
1
) =
f (z
2
, ..., z
n
, z
1
) f (z
1
)
f (z
1
)
(7.39)
que a f.d.p. conjunta de Z
1
, Z
2
, ..., Z
n
. Interpretada como uma funo de parmetros
, , e
2
a
, e a funo de verossimilhana do AR(1) dada por:
L

, ,
2
a

=

2
2
a

n/2

1
2

0.5
exp

1
2
2
a
S (, )

(7.40)
onde
S (, ) =
n
X
t=2
[(Z
t
) (Z
t1
)]
2
+

1
2

(Z
1
)
2
(7.41)
A soma S (, ) chamada a soma de quadrados no-condicional.
Como regra geral o logaritmo da funo de verossimilhana matematicamente,
mais conveniente, do que a anterior. Para o caso AR(1), a funo log-verossimilhana,
dada por:

, ,
2
a

=
n
2
log 2
n
2
log
2
a
+
1
2
log

1
2

1
2
2
a
S (, ) (7.42)
Dado os valores de e ,

, ,
2
a

pode ser maximizada analiticamnete com


relao a
2
a
:

2
a
=
n
2
1

2
a
+
1
2

2
a

2
S (, ) = 0 (7.43)
54
manoel@fct.unesp.br CAPTULO 7. ESTIMAO DOS PARMETROS
determinamos ento o estimador de
2
a
, em termos de e :
c

2
a
=
S (, )
n
(7.44)
ou
c

2
a
=
S (, )
n 2
(7.45)
na primeira expresso o vcio menor.
Considere agora a estimao de e . Uma comparao entre as duas soma de
quadrados, condicional, S

(, ) , e no-condicional, S (, ), vamos ter:


S (, ) = S

(, ) +

1
2

(Z
1
)
2
(7.46)
os valores de e que minimizam S

ou S so semelhantes e
S

(, ) S (, ) (7.47)
7.5 Mnimos Quadrados No-Condicional para o
Modelo ARMA
A denio da funo de verossimilhama associada a soma de quadrados no-
condicional. Para o modelo ARMA consideravelmente mais complicada, ento
citaremos a expresso da forama da funo da soma de quadrados no-condicional.
Segundo Box e Jenkins (1976), temos que para o modelo geral ARMA(p,q)
S (, ,
0
) =
n
X
t=
a
2
t
(7.48)
onde
ba
t
= E(a
t
/Z
1
, ..., Z
n
) (7.49)
Note que, para t 5 0, o ba
t
ser visto como previso backward no tempo dos termos
de a
t
, dado Z
1
, ..., Z
n
. Por esta razo, eles frequentemente tem sido chamados back
forecasts, mas o termo mais apropriado backcasts.
7.6 Propriedades das Estimativas
As propriedades dos estimadores de mxima verossimilhana e mnimos quadrados
(condicional e no-condicional), so iguais para o caso de grandes amostras, e podem
ser obtidas modicando-se a teoria de mxima verossimilhana nesses casos. Para
mais detalhes consultar Box e Jenkins (1976) e Feller (1976).
Para n sucientemente grande, os estimadores so no-viciados e seguem aprox-
imadamente uma distribuio normal. As varincias e correlaes, para o AR, so
as seguintes,
AR(1) : V ar(
b
)
1
2
n
(7.50)
AR(2) : V ar(
b

1
) V ar(
b

2
)
1
2
2
n
: Corr(
b

1
,
b

2
)

1
1
2
=
1
55
manoel@fct.unesp.br CAPTULO 7. ESTIMAO DOS PARMETROS
para o MA
MA(1) : V ar(
b
)
1
2
n
(7.51)
MA(2) : V ar(
b

1
) V ar(
b

2
)
1
2
2
n
: Corr(
b

1
,
b

2
)

1
1
2
e para o modelo ARMA
ARMA(1, 1) : V ar(
b
)
1
2
n

2
(7.52)
: V ar(
b
)
1
2
n

2
: Corr(
b
,
b
)

1
2

1
2

0.5
1
7.7 Exerccios
1) Para uma srie de tamanho 100, foi calculado r
1
= 0.8, r
2
= 0.5, r
3
= 0.4, Z = 2,
e uma varincia amostral de 5. Se assumimos que o modelo AR(2) com um termo
constante adequado, como podemos obter as estimativas (simples) de
1
,
2
,
0
, e

2
a
?
2) Assumindo que os seguintes dados sejam de um processo estacionrio, calcule
as estimativas de ,
0
, e
1
:
6, 5, 4, 6, 4
3) Se {Z
t
} satisfaz um modelo AR(1) com ' 0.7, de que modo podemos
estimar o verdadeiro valor de =
1
com uma conana 95% que o nosso erro
5 0.1?
4) Considere um processo MA(1) para o qual sabemos que a mdia zero.
Baseado num srie de tamanho 3, ns observamos Z
1
= 0, Z
2
= 1, e Z
3
= 0.5.
a) Mostrar que a estimativa de mnimos quadrados condicional de = 0.5.
b) Encontrar uma estimativa da varincia do rudo
2
a
.
5) Dado os dados Z
0
= 10, Z
1
= 10, Z
2
= 9, e Z
3
= 9.5, desejamos ajustar um
modelo IMA(1,1) com um termo constante.
a) Encontrar a estimativa de mnimos quadrados condicional de .
b) Estime
2
a
.
6) Considere duas parametrizaes do modelo AR(1):
I. Z
t
= (Z
t1
) +a
t
II. Z
t
= Z
t1
+
0
+a
t
onde
0
= (1 ) . Estimar e ou e
0
utilizando o mnimos quadrados
condicionado a Z
1
.
Mostrar que com o modelo I ns somos levado a resolver equaes no-lineares
para obter as estimativas, enquanto que no modelo II precisamos somente resolver
equaes lineares.
7) Suponha que para um modelo ARMA(1,1), com N=152, foi obtido: = 0.85,
= 0.6 e
2
a
= 0.086. Obtenha intervalos de conana para e , com nvel de
95% de conana.
56
manoel@fct.unesp.br CAPTULO 7. ESTIMAO DOS PARMETROS
8) Uma srie com 400 observaes apresentou os seguintes resultados:
j 1 2 3 4 5 6 7

jj
0.8 -0.5 0.07 -0.02 -0.01 0.05 0.04
a) Explique por que podemos ajustar srie um modelo AR(2);
b) Obtenha as estimativas de
1
e
2
do modelo AR(2) utilizando as equaes
de Yule-Walker, e as estimativas do termo
0
e a V ar (a
t
) ;
c) Verique se o modelo ajustado satisfaz as condies de estacionariedade;
d) Utilizando
b

1
e
b

2
como sendo os verdadeiros valores de
1
e
2
do processo
AR(2), e determine os valores de b
1
, b
2
e b
3
.
9) Suponha que um programa de identicao forneceu os seguintes resultados:
j 1 2 3 4 5 6
r
j
-0.82 0.41 -0.12 0.08 -0.09 0.05

jj
-0.82 -0.43 -0.05 0.25 0.20 0.12
N = 100, Z = 0.08, S
2
Z
= 2.4.
Identique um modelo para Z
t
e obtenha as estimativas preliminares dos parmet-
ros.
57
Captulo 8
Diagnstico do Modelo
Nesta seo faremos o diagnstico do modelo, comeando com a anlise residual, e
depois anlise de modelos sobre-parametrizada, que so, modelos mais gerais do que
o modelo especicado mas contm o modelo especicado como um caso especial.
8.1 Anlise Residual
No captulo 3 apresentamos algumas idias de anlise residual para checar a ad-
equacidade de uma tendncia determinstica ajustada. No modelo autoregressivo
denimos facilmente os resduos. Considere em particular um modelo AR(2) com
um termo constante:
Z
t
=
1
Z
t1
+
2
Z
t2
+
0
+a
t
(8.1)
tendo estimado
1
,
2
, e
0
, os resduos so dendos como:
ba
t
= Z
t

1
Z
t1

2
Z
t2

0
(8.2)
Os resduos iniciais ba
1
e ba
2
podem ser obtidos do procedimento de estimao uti-
lizando valores passados para Z
0
e Z
1
.
Para o modelo geral ARMA, precisamos colocar na forma autoregressiva de
ordem innita, para denir os resduos, apresentada no captulo 4, teremos ento a
seguinte equao
Z
t
=

X
j=1

j
Z
tj
+a
t
(8.3)
os resduos sero denidos como
ba
t
= Z
t


X
j=1
b
j
Z
tj
(8.4)
Aqui os
j
no so estimados diretamente a expresso acima, mas de funes
implictas de
0
s e
0
s, utilizando a equao (6.34). No captulo 8 veremos que a
equao
b
Z
t
=

X
j=1
b
j
Z
tj
(8.5)
a melhor previso de Z
t
baseada em Z
t1
, Z
t2
, .... Alm disso a equao (7.4)
pode ser escrita como
Resduos = Real Predito(estimado)
ou seja,
ba
t
= Z
t

b
Z
t
(8.6)
58
manoel@fct.unesp.br CAPTULO 8. DIAGNSTICO DO MODELO
8.2 Autocorrelao dos Resduos
Para checar a independncia do rudo (erro) no modelo, vamos considerar inicial-
mente a funo de autocorrelao residual amostral, b r
k
. Para um n sucientemente
grande, verica-se que os b r
k
so normalmente distribudos com mdia zero,
V ar (b r
k
)
1
n
(8.7)
e
Corr (b r
k
, b r
j
) 0, para k 6= j (8.8)
Sempre sob a suposio que o modelo ajustado apropriado. As autocorrelaes b r
k
so calculadas por
b r
k
=
n
P
t=k+1
ba
t
ba
tk
n
P
t=1
ba
2
t
(8.9)
Se considerarmos um modelo AR(1) especicado e estimado corretamente, mostra-
se que para um n grande
V ar (b r
1
)

2
n
, (8.10)
V ar (b r
k
)
1

1
2

2k2
n
, k > 1,
e
Corr (b r
1
, b r
k
) sin()

1
2

2k2
1

1
2

2k2
, k > 1 (8.11)
onde
sin() =

1, se > 0
0, se = 0
1, se < 0
Para um modelo AR(2) mostra-se que:
V ar (b r
1
)

2
2
n
(8.12)
e
V ar (b r
2
)

2
2
+
2
1
(1 +
2
)
2
n
(8.13)
Se os parmetros
1
e
2
no estiverem na regio de estacionariedade, ento
V ar (b r
k
)
1
n
, para k = 3 (8.14)
8.3 O Teste de Box-Pierce
Box e Pierce (1970) propuseram um teste para as autocorrelaes dos resduos esti-
mados, que, apesar de no detectar quebras especcas no comportamento de rudo
branco, pode indicar se esses valores so muito altos. Se o modelo for adequado, a
estatstica:
Q = n(n + 2)
K
X
k=1
b r
2
k
(n k)
(8.15)
tem uma distribuio Qui-Quadrado,
2
, com K p q graus de liberdade (Ljung
e Box, 1978). A hiptese de rudo branco para os resduos rejeitada para valores
grandes de Q. Em geral basta tomar as primeiras 20 ou 25 primeiras b r
k
.
59
manoel@fct.unesp.br CAPTULO 8. DIAGNSTICO DO MODELO
8.4 Exerccios
1) Suponha que os resduos obtidos ajustando-se o modelo Z
t
= (1 0.6X) a
t
a
uma srie com N=127 observaes, forneceram as seguintes autocorrelaes residu-
ais:
k 1 2 3 4 5 6 7 8 9 10
r
k
(a) -0.4 0.02 -0.07 -0.01 -0.07 -0.02 -0.15 -0.07 0.04 0.02
a) Verique se h valores discrepantes;
b) Use o teste de Box-Pierce para vericar se o modelo adequado.
2) Suponha que os resduos obtidos, ajustando-se o modelo AR(2),
b

1
= 1.56 e
b

2
= 0.66, de uma srie com N=120 observaes, forneceu as seguintes autocorre-
laes residuais:
j 1 2 3 4 5 6 7 8 9 10 11 12
b r
a
(j) 0.18 -0.06 -0.04 -0.11 -0.04 0.13 0.19 -0.14 0.07 0.09 0.11 0.09
a) Verique atravs do teste de Box-Pierce se o modelo adequado.
b) H indicaes de valores discrepantes?
3) Suponha que os resduos ba
t
do modelo (1 X) Z
t
= (1 + 0.6X) a
t
ajustados
a uma srie com N=80 observaes, forneceu as seguintes autocorrelaes residuais:
k 1 2 3 4 5 6 7 8 9 10
b r
a
(k) 0.39 0.2 0.09 0.04 0.09 -0.13 -0.05 0.06 0.11 -0.02
a) Verique se o modelo adequado utilizando a estatstica de Box-Pierce.
b) H indicaes de valores discrepantes?
60
Captulo 9
Previso com Modelos
ARIMA
Um dos principais objetivos da anlise de sries temporais fazer previses futuras,
a partir do modelo identicado, estimado e adequado. Neste captulo vamos consid-
erar os clculos para as previses, e apresentaremos, tambm, as suas propriedades
para os modelos com tendncia determinstica e para modelos ARIMA.
9.1 Clculo da Previso de Erro Quadrtico Mdio
Mnimo
Seja a srie Z
t
, Z
t1
, ..., Z
1
, desejamos prever um valor Z
t+h
, ou seja, a origem t e
o horinzonte h. A previso de erro quadrtico mdio mnimo (EQMM), denotada
por
b
Z
t
(h) , dada por
b
Z
t
(h) = E(Z
t+h
/Z
t
, Z
t1
, ..., Z
1
) (9.1)
(Rever as propriedades de esperana condicional e EQMM de Predio nos
apndices F e G).
9.2 Tendncia Determinstica
Considere o modelo com tendncia determinstica
Z
t
=
t
+X
t
(9.2)
onde o componente estocstico, X
t
, tem mdia zero e varincia
2
a
.
Para o modelo na equao (8.2) temos
b
Z
t
(h) = E

t+h
+X
t+h
/Z
t
, Z
t1
, ..., Z
1

= E

t+h
/Z
t
, Z
t1
, ..., Z
1

+E(X
t+h
/Z
t
, Z
t1
, ..., Z
1
)
=
t+h
+E(X
t+h
)
ou
b
Z
t
(h) =
t+h
, h = 1 (9.3)
desde que para h = 1, X
t+h
seja independente de Z
t
, Z
t1
, ..., Z
1
.
Para o caso da tendncia linear,
t
=
0
+
1
t, a previso
b
Z
t
(h) =
0
+
1
(t +h) (9.4)
61
manoel@fct.unesp.br CAPTULO 9. PREVISO COM MODELOS ARIMA
Para uma tendncia sazonal de 12 meses,
t
=
t+12
, nossa previso ser
b
Z
t
(h) =
t+h
=
t+12+h
=
b
Z
t
(h + 12) . Alm disso, a previso ser peridica.
O erro de previso, e
t
(h) , dado por
e
t
(h) = Z
t+h

b
Z
t
(h)
=
t+h
+X
t+h

t+h
= X
t+h
ento
E(e
t
(h)) = E(X
t+h
) = 0 (9.5)
estas previses so no-viciadas, e
V ar [e
t
(h)] = V ar (X
t+h
) =
0
(9.6)
e a varincia do erro de previso.
9.3 Previso ARIMA
Para os modelos ARIMA as previses podem ser obtidas por diferentes caminhos.
Cada expresso contribuie para o nosso entendimento dos procedimentos de previso
com respeito a clculo, atualizao, preciso, ou comportamento da previso a longo
prazo.
9.3.1 Modelo AR(1)
Considere o processo AR(1) com mdia diferente de zero
Z
t
= (Z
t1
) +a
t
(9.7)
Considere a previso de 1 unidade no tempo futuro (horizonte: h = 1). Substituindo
t por t + 1 na equao (8.7), temos
Z
t+1
= (Z
t
) +a
t+1
(9.8)
Dado que Z
t
, Z
t1
, ..., Z
1
, tomamos a esperana condicional de ambos os lados da
equao acima e obtemos:
b
Z
t
(1) = E[(Z
t
/Z
t
, Z
t1
, ..., Z
1
) ] +E[a
t+1
/Z
t
, Z
t1
, ..., Z
1
] (9.9)
Agora das propriedades de esperana condicional sabemos que E(H (X) /X = x) =
H (x) , temos
E(Z
t
/Z
t
, Z
t1
, ..., Z
1
) = Z
t
(9.10)
Alm disso a
t+1
independente de Z
t
, Z
t1
, ..., Z
1
, obtemos ento a seguinte equao
E[a
t+1
/Z
t
, Z
t1
, ..., Z
1
] = E(a
t+1
) = 0 (9.11)
Sendo assim, podemos escrever
b
Z
t
(1) = +(Z
t
) (9.12)
Vimos que, uma proporo multiplica o desvio (Z
t
) somado com a mdia
teremos o prximo valor futuro (horizonte).
Agora para o caso geral para um tempo futuro h. Substituindo t por t + h na
equao (8.7), e tomando as esperanas condicionais de ambos os lados, obtemos
b
Z
t
(h) = +

b
Z
t
(h 1)

, h = 1 (9.13)
62
manoel@fct.unesp.br CAPTULO 9. PREVISO COM MODELOS ARIMA
desde que E(Z
t+h1
/Z
t
, Z
t1
, ..., Z
1
) =
b
Z
t
(h 1) e, para h = 1, a
t+h
indepen-
dente de Z
t
, Z
t1
, ..., Z
1
. A equao (8.13) recursiva em h, e chamada de equao
diferena de previso. A partir da recurso obtemos a equao
b
Z
t
(h) =

b
Z
t
(h 1)

+
=

h
b
Z
t
(h 2)
i
+
.
.
.
=
h1
h
b
Z
t
(1)
i
+
ou
b
Z
t
(h) = +
h
(Z
t
) , h = 1 (9.14)
No caso geral, desde que || < 1, temos simplesmente
b
Z
t
(h) , para h grande (9.15)
9.3.2 Erro de Previso
O erro de previso a 1 passo, e
t
(1) , dado como
e
t
(1) = Z
t+1

b
Z
t
(1)
= (Z
t
) + +a
t+1
[ +(Z
t
)]
ou
e
t
(1) = a
t+1
(9.16)
Da equao (8.16) veremos que a varincia do erro de previso a 1 passo dada
por
V ar [e
t
(1)] =
2
a
(9.17)
Para investigar as propriedades do erro de previso a longo prazo, conveniente
expressar o modelo AR(1) na forma de um processo linear geral, ou MA()
Z
t
= +a
t
+a
t1
+
2
a
t2
+... (9.18)
Temos ento
e
t
(h) = Z
t+h

h
(Z
t
)
= a
t+h
+a
t+h1
+... +
h1
a
t+1
+
h
a
t
+...
h
(a
t
+a
t1
+...)
vamos ter
e
t
(h) = a
t+h
+a
t+h1
+... +
h1
a
t+1
(9.19)
que pode ser escrito como
e
t
(h) =
h1
X
j=0

j
a
t+hj
(9.20)
esta equao pode ser utilizada para o caso geral dos modelos ARIMA. Note que
E[e
t
(h)] = 0, assim as previses so no-viciadas. Portanto da equao (8.20)
temos
V ar [e
t
(h)] =
2
a
h1
X
j=0

2
j
(9.21)
Ns vimos que a varincia do erro de previso cresce quando h aumenta.
63
manoel@fct.unesp.br CAPTULO 9. PREVISO COM MODELOS ARIMA
Em particular para o caso AR(1)
V ar [e
t
(h)] =
2
a
1
2h
1
2
, h > 1 (9.22)
Para o tempo a longo prazo temos
V ar [e
t
(h)]
2
a
1
1
2
, para h grande (9.23)
ou
V ar [e
t
(h)] V ar (Z
t
) =
0
, para h grande (9.24)
A equao (8.24) ser vlida para todos os processos ARMA estacionrios.
9.3.3 Modelo MA(1)
Vamos considerar o caso MA(1) com a mdia diferente de zero:
Z
t
= +a
t
a
t1
(9.25)
De novo substituindo t por t + 1 na equao (8.25) e tomando as esperanas de
ambos os lados, temos
b
Z
t
(1) = E(a
t
/Z
t
, Z
t1
, ..., Z
1
) (9.26)
Entretanto, vimos no captulo 4 que, para um modelo invertvel, a
t
uma funo
de Z
t
, Z
t1
, ....Assim utilizando as propriedades de esperana condicional temos
E(a
t
/Z
t
, Z
t1
, ..., Z
1
) = a
t
(9.27)
Utilizando (8.27) e (8.26), temos que a previso a 1 passo para o modelo MA(1)
invertvel :
b
Z
t
(1) = a
t
(9.28)
9.3.4 Erro de Previso
O erro de previso a 1 passo dado por
e
t
(1) = Z
t+1

b
Z
t
(1)
= +a
t+1
a
t
( a
t
)
e
t
(1) = a
t+1
do processo linear geral temos ainda que
e
t
(h) =
h1
X
j=0

j
a
t+hj
e
V ar [e
t
(h)] =
2
a
h1
X
j=0

2
j
com
1
= e
j
= 0 para j > 1.
Para um tempo a longo prazo temos
b
Z
t
(h) = +E(a
t+h
/Z
t
, Z
t1
, ..., Z
1
) E(a
t+h1
/Z
t
, Z
t1
, ..., Z
1
)
Mas para h > 1 ambos a
t+h
e a
t+h1
so independentes de Z
t
, Z
t1
, ..., Z
1
. Conse-
quentemente, estes valores esperados condicionais so zero, e temos
b
Z
t
(h) = , para h > 1 (9.29)
64
manoel@fct.unesp.br CAPTULO 9. PREVISO COM MODELOS ARIMA
9.3.5 O Caminho Aleatrio
Para ilustrar a previso com sries no-estacionrias, considere o caminho aleatrio
denido por
Z
t
= Z
t1
+
0
+a
t
, para t = m (9.30)
Aqui
b
Z
t
(1) = E(Z
t
/Z
t
, Z
t1
, ..., Z
1
) +
0
+E(a
t+1
/Z
t
, Z
t1
, ..., Z
1
)
e
b
Z
t
(1) = Z
t
+
0
(9.31)
Similarmente, a forma da equao diferena para o h a longo prazo
b
Z
t
(h) =
b
Z
t
(h 1) +
0
, h = 1 (9.32)
Recursivamente podemos obter a expresso
b
Z
t
(h) = Z
t
+h
0
, h = 1
Se
0
6= 0, a previso no converge a longo prazo, mas segue uma linha reta com
inclinao
0
para todo h.
Note que a presena ou falta do termo constante
0
altera signicativamente a
previso. Portanto, os termos constantes no so includos nos modelos ARIMA a
menos que, haja evidncia que a mdia na srie diferenada seja signicativamente
diferente de zero.
9.3.6 Erro de Previso
Vimos que nos modelos AR(1) e MA(1), o erro de previso a 1 passo
e
t
(1) = Z
t+1

b
Z
t
(1) = a
t+1
Tambm aqui temos
e
t
(h) = Z
t+h

b
Z
t
(h)
= (Z
t
+h
0
+a
t+1
+... +a
t+h
) (Z
t
+h
0
)
=
h1
X
j=0
a
t+hj
de acordo com a equao (8.20), desde que no modelo
j
= 1 para todo j. Da
equao (8.21) ns temos
V ar [e
t
(h)] =
2
a
h1
X
j=0
1
2
que ,
V ar [e
t
(h)] = h
2
a
, h = 1 (9.33)
Em contraste com o caso estacionrio, aqui V ar [e
t
(h)] cresce sem limite a medida
que o h aumenta. Ns vimos que esta propriedade caracterstica da varincia do
erro de previso para todos os processos ARIMA no-estacionrios.
65
manoel@fct.unesp.br CAPTULO 9. PREVISO COM MODELOS ARIMA
9.4 Modelo ARMA Estacionrio - Caso Geral
Para o caso geral do modelo ARMA(p,q) estacionrio e invertvel, a forma da
equao diferena para o cculo da previso dada por
b
Z
t
(h) =
1
b
Z
t
(h 1) +
2
b
Z
t
(h 2) +... +
p
b
Z
t
(h p) +
0
(9.34)

1
E(a
t+h1
/Z
t
, Z
t1
, ..., Z
1
)
2
E(a
t+h2
/Z
t
, Z
t1
, ..., Z
1
)
... E(a
t+hq
/Z
t
, Z
t1
, ..., Z
1
)
onde
E(a
t+j
/Z
t
, Z
t1
, ..., Z
1
) =

0, para j = 1
a
t+j
, para j 5 0
(9.35)
Notamos que
b
Z
t
(j) uma previso verdadeira para j > 0, mas
b
Z
t
(j) = Z
t+j
, para (p 1) 5 j 5 0 (9.36)
9.4.1 Modelo ARMA(1,1)
Considere o modelo ARMA(1,1), temos
b
Z
t
(1) = Z
t
+
0
a
t
(9.37)
com
b
Z
t
(2) =
b
Z
t
(1) +
0
e para caso mais geral
b
Z
t
(h) =
b
Z
t
(h 1) +
0
para h = 2 (9.38)
As equaes (8.37) e (8.38) podem ser resolvidas recursivamente para obter-se
a expresso
b
Z
t
(h) = +
h
(Z
t
)
h1
a
t
, para h = 1 (9.39)
Como as equaes (8.34) e (8.35) indicam, os termos do rudo a
t
, a
t1
, ..., a
t(q1)
aparecem diretamente no clculo das previses para h = 1, 2, ..., q. Entretanto, para
h > q tomamos a parte autoregressiva da equao diferena, ou seja,
b
Z
t
(h) =
1
b
Z
t
(h 1) +
2
b
Z
t
(h 2) +... +
p
b
Z
t
(h p) +
0
para h > q (9.40)
Se considerarmos
0
=

1
1

2
...
p

, podemos escrever (8.40) como


b
Z
t
(h) =
1
h
b
Z
t
(h 1)
i
+
2
h
b
Z
t
(h 2)
i
+...+
p
h
b
Z
t
(h p)
i
para h > q
(9.41)
No processo estacionrio ARMA,
b
Z
t
(h) decai para zero quando h aumen-
ta, e a longo prazo a previso simplismente a mdia do processo, como visto
anteriormente.
9.5 Modelos No-Estacionrios ARIMA
Como foi mostrado no caminho aleatrio, a previso dos modelos ARIMA semel-
hante a previses para o modelo estacionrios ARMA, mas existe algumas difer-
enas. Vamos considerar um modelo ARIMA(p,1,q), que pode ser escrito como um
ARMA(p+1,q) no-estacionrio, ou seja,
Z
t
=
1
Z
t1
+
2
Z
t2
+... +
p+1
Z
tp1
+
0
+a
t

1
a
t1

2
a
t2
...
q
a
tq
para t > m (9.42)
66
manoel@fct.unesp.br CAPTULO 9. PREVISO COM MODELOS ARIMA
onde

1
= 1 +
1
(9.43)

j
=
j

j1
, j = 2, 3, ..., p

p+1
=
p
para a ordem geral de d diferenas, substituimos p +d por p +1, e vamos ter p +d
coecientes .
9.5.1 Modelo ARIMA(1,1,1)
Considere o modelo
Z
t
Z
t1
= (Z
t1
Z
t2
) +
0
+a
t
a
t1
(9.44)
ou
Z
t
= (1 +)Z
t1
Z
t2
+
0
+a
t
a
t1
(9.45)
A previso ser dada por
b
Z
t
(1) = (1 +)Z
t
Z
t1
+
0
a
t
(9.46)
b
Z
t
(2) = (1 +)
b
Z
t
(1) Z
t
+
0
.
.
.
b
Z
t
(h) = (1 +)
b
Z
t
(h 1)
b
Z
t
(h 2) +
0
para h > 2
9.5.2 Erro de Previso
O erro de previso ser dado por
e
t
(h) =
h1
X
j=0

j
a
t+hj
, h = 1 (9.47)
com
E[e
t
(h)] = 0, h = 1 (9.48)
e
V ar [e
t
(h)] =
2
a
h1
X
j=0

2
j
, h = 1 (9.49)
Entretanto, para os modelos no-estacionrios os pesos
j
no decaem para zero
quando j aumenta. Alm disso, para alguns modelos no-estacionrios, a equao
(8.49) mostra que o a varincia do erro de previso crescer sem limite quando o
h aumenta. Este fato no ser tambm uma supresa, desde que com sries no-
estacionrias o futuro distante quase incerto.
9.6 Atualizao das Previses
Vamos calcular as previses de Z
t+h+1
feitas a partir de duas origens:
t + 1 :
b
Z
t+1
(h) =
h
a
t+1
+
h+1
a
t
+
h+2
a
t1
+... (9.50)
t :
b
Z
t
(h + 1) =
h+1
a
t
+
h+2
a
t1
+... (9.51)
Subtraindo (8.51) de (8.50) temos que:
b
Z
t+1
(h) =
b
Z
t
(h + 1) +
h
a
t+1
(9.52)
67
manoel@fct.unesp.br CAPTULO 9. PREVISO COM MODELOS ARIMA
Assim, a previso de Z
t+h+1
, feita no instante t, pode ser atualizada quando
um novo dado, Z
t+1
, observado. Deste modo, faremos a previso de Z
t+h+1
, na
origem t + 1, adicionando-se
b
Z
t
(h + 1) um mltiplo do erro de previso e
t
(1) =
Z
t+1

b
Z
t
(1) = a
t+1
.
9.7 Intervalo de Conana para Previso
Para um modelo com tendncia determinstica com rudo branco a
t
, ns temos que
b
Z
t
(h) =
t+l
e
V ar [e
t
(h)] = V ar (a
t+h
) =
0
Se a
t
N

0,
2

, ento o erro de previso e


t
(h) = Z
t+h

b
Z
t
(h) = a
t+h
normal-
mente distribudo.
Alm disso, para um dado nvel de conana 1, podemos utilizar a tabela da
normal padronizada para encontrar um intervalo de (1 /2) 100% de conana,
ou seja
P
"
z (1 /2) <
Z
t+h

b
Z
t
(h)
p
V ar [e
t
(h)]
< z (1 /2)
#
= 1 (9.53)
ou
P
h
b
Z
t
(h) z (1 /2)
p
V ar [e
t
(h)] < Z
t+h
<
b
Z
t
(h) +z (1 /2)
p
V ar [e
t
(h)]
i
(9.54)
temos que (1 /2) 100% de conana que as observaes futuras estaro contida
dentro dos limites
b
Z
t
(h) z (1 /2)
p
V ar [e
t
(h)] (9.55)
9.8 Transformaes e Previses
Se Z
t
a srie original, e Y
t
= g (Z
t
) uma transformao (instantnea, que no
involve Z
tj
, j = 1) de Z
t
. Uma das principais razes de se fazer uma transformao
que Y
t
pode ser Gaussiana e, neste caso, a previso tima (no sentido de mnimos
quadrados) uma funo linear das observaes.
Em Econmia, comum termos sries com tendncia na mdia, de modo que
tomando-se diferenas obtm-se sries estacionrias. Mas se a varincia aumenta
com o tempo, s tomar diferenas pode no ser suciente e uma transformao dos
dados dever ser tentada. O usual, para sries econmicas, tomar uma diferena
do logaritmo da srie original. Para que a transformao logartmica seja apro-
priada, a mdia e o desvio-padro (ou outra medida de variabilidade) devero ser
proporcionais.
O problema que se apresenta o de obter previso para Z
t+h
, dado que temos
um modelo para Y
t
e temos previses para:
Y
t+h
= g (Z
t+h
) (9.56)
Uma maneira ingnua de proceder considerar a equao (8.56) e substituir
previses por valores futuros:
b
Y
t
(h) = g

b
Z
t
(h)

. (9.57)
68
manoel@fct.unesp.br CAPTULO 9. PREVISO COM MODELOS ARIMA
Depois, tentamos obter
b
Z
t
(h) em funo de
b
Y
t
(h) a partir de (8.57); em partic-
ular, se g admite inversa, temos que
b
Z
t
(h) = g
1

b
Y
t
(h)

.
Por exemplo, se
Y
t
= lnZ
t
(9.58)
ento Z
t
= exp(Y
t
), e uma previso para Z
t+h
ser
b
Z
t
(h) = exp

b
Y
t
(h)

(9.59)
Contudo, pode-se demonstrar que, no caso de Y
t
ser gaussiana, a previso tima
:
exp

b
Y
t
(h) +
1
2
V ar [e
t
(h)]

(9.60)
Vemos, ento, que o procedimento (8.59) conduz a previses viciadas e, como con-
sequncia, o EQM de previso aumentar.
Se Y
t
= lnZ
t
segue um modelo ARIMA, ento sabemos que a distribuio
condiconal de Y
t+h
, dado o passado, N

b
Y
t
(h) , V ar [e
t
(h)]

, e um intervalo de
conana para Y
t+h
, com coeciente de 95% de conana, ser
b
Y
t
(h) 1.96

d
V ar [e
t
(h)]

0.5
(9.61)
Daqui, segue-se que um intervalo de conana para Z
t+h
, com coeciente de
95% de conana, ser
exp

b
Y
t
(h) 1.96

d
V ar [e
t
(h)]

0.5

(9.62)
Lembremos que
d
V ar [e
t
(h)] a estimativa de V ar [e
t
(h)], com
2
a
substitudo
por
c

2
a
, no ajuste do modelo Y
t
.
9.9 Resumo de Previses para alguns Modelos ARI-
MA
9.9.1 AR(1): Z
t
= (Z
t1
) +a
t
b
Z
t
(h) = +

b
Z
t
(h 1)

= +
h
(Z
t
)
para h grande
V ar [e
t
(h)] =
2
a
1
2h
1
2


2
a
1
2
para h grande

j
=
j
para j > 0
69
manoel@fct.unesp.br CAPTULO 9. PREVISO COM MODELOS ARIMA
9.9.2 MA(1): Z
t
= +a
t
a
t1
b
Z
t
(h) =

a
t
para h = 1
para h > 1
V ar [e
t
(h)] =


2
a
para h = 1

2
a

1 +
2

para h > 1

j
=

para h = 1
0 para h > 1
9.9.3 IMA(1,1) com termo constante: Z
t
= Z
t1
+
0
+a
t
a
t1
b
Z
t
(1) = Z
t
+
0
a
t
b
Z
t
(h) = Z
t
+h
0
a
t
= h
0
+ (1 )

X
j=0

j
Z
tj
V ar [e
t
(h)] =
2
a

1 + (h 1)

1
2

j
= 1 para j > 0
Note que se
0
6= 0, a previso segue uma reta com inclinao
0
, mas se
0
= 0,
que o caso usual, ento
b
Z
t
(h) o mesmo para todo h.
9.9.4 IMA(2,2): Z
t
= 2Z
t1
Z
t2
+
0
+a
t

1
a
t1

2
a
t2
b
Z
t
(1) = 2Z
t
Z
t1
+
0

1
a
t

2
a
t1
(9.63)
b
Z
t
(2) = 2
b
Z
t
(1) Z
t
+
0

2
a
t
b
Z
t
(h) = 2
b
Z
t
(h 1)
b
Z
t
(h 2) +
0
, para h > 2
= A+Bh +

0
2
h
2
, para h = 1
onde
A = 2
b
Z
t
(1)
b
Z
t
(2) +
0
(9.64)
e
B =
b
Z
t
(2)
b
Z
t
(1)
3
2

0
(9.65)
Se
0
6= 0, ento a previso segue uma curva quadrtica em h, mas se
0
= 0, a
previso forma uma linha reta com inclinao
b
Z
t
(2)
b
Z
t
(1) e passar atravs das
duas previses iniciais
b
Z
t
(1) e
b
Z
t
(2). Podemos mostrar que a V ar [e
t
(h)] uma
funo cbica de h (Box e Jenkins,1976). Ns temos tambm

j
= 1 +
2
+ (1
1

2
) j para j > 0 (9.66)
9.10 Exerccios
1) Para um modelo AR(1) com Z
t
= 12.2, = 0.5, e = 10.8, encontrar
b
Z
t
(1) .
2) Suponha que as vendas anuais (em milhes de reais) de uma empresa, segue
o modelo AR(2):
Z
t
= 5 + 1.1Z
t1
0.5Z
t2
+a
t
, com
2
a
= 2
70
manoel@fct.unesp.br CAPTULO 9. PREVISO COM MODELOS ARIMA
a) Se as vendas para 1985, 1984, e 1983 foram R$10 milhes, R$11 milhes, e
R$9 milhes, respectivamente, prever as vendas para 1986 e 1987.
b) Mostrar que
1
= 1.1 para este modelo.
c) Calcule um intervalo de 95% de conana para os anos de 1986 e 1987.
d) Se as vendas em 1986 so de R$12 milhes, qual ser a previso para 1987.
3) Considere o modelo
Z
t
=
0
+
1
t +X
t
com X
t
= X
t1
+a
t
Assumindo que
0
,
1
, e so conhecidos. Mostrar que o eqm mnimo de previso
a h passos a frente pode ser escrito como
b
Z
t
(h) =
0
+
1
(t +h) +
h
(Z
t

1
t)
4) Verique a equao (8.22)
5) Verique a equao (8.39)
6) Obtenha a funo de previso
b
Z
t
(h) , h = 1, 2, ..., para os seguintes modelos
ARIMA:
a)

1 X 0.25X
2

Z
t
= (1 + 0.5X) a
t
b) Z
t

1 0.5X + 0.5X
2

= a
t

1 0.5X 0.25X
2

7) Considere o modelo Z
t
= 0.8(Z
t
) + a
t
, a
t
N (0, 1) . Suponha os
seguintes dados:
t 1 2 3 4 5 6 7
Z
t
6 5 4 6 4 7 5
Obtenha: a)
b
Z
t
(h) para h = 1, 2, 3 e 25.
b) A V ar [e
t
(h)] para h = 1, 2, 3 e 25.
c) Os intervalos com 95% de conana para Z
8
, Z
9
e Z
10
.
8) As seguintes observaes Z
91
, Z
92
, ..., Z
100
representam os valores de uma srie
temporal ajustada pelo modelo:
Z
t
Z
t1
= a
t
1.1a
t1
+ 0.3a
t2
, onde os valores so
Z = [166; 172; 172; 169; 164; 168; 171; 167; 168; 172]
a) Calcule as previses
b
Z
100
(h), h = 1, 2, ..., 10 (utilize ba
99
= ba
100
= 0).
b) Sabendo que
2
a
= 1.1, calcule a V ar [e
t
(h)], h = 1, 2, ...10 e construa inter-
valos de conana para os valores Z
t+h
.
c) Determine os coecientes
j
e, utilizando a nova observao Z
101
= 174,
calcule as previses atualizadas
b
Z
101
(h) , h = 1, ..., 9.
9) Considere o modelo Z
t
= 0.8Z
t
+a
t
, com a
t
N (0, 1) .
a) Obtenha
b
Z
t
(h) para h = 1, 2, 3, 4.
b) Obtenha a V ar [e
t
(h)], h = 1, 2, 3, 4.
c) Suponha os dados:
t 1 2 3 4 5 6 7
Z
t
0.66 0.57 0.66 -1.47 -1.38 -1.9 -0.7
c.1) Calcule
b
Z
t
(h) para h = 1, 2, 3, 4.
c.2) Obtenha um intervalo de 95% de conana para Z
8
e Z
9
.
10) a) Mostre como se faz previses no modelo ARIMA(1,1,1) utilizando a
equao diferena. Utilize o fato que Z
t+1

b
Z
t
(1) = a
t+1
para que as previses
quem apenas em funo das observaes.
b) Mostre como previses podem ser atualizadas.
c) Utilizando o modelo do item a), suponha que sua srie Z
1
, Z
2
, ..., Z
100
.
Quando o valor real Z
101
for conhecido como voc atualizaria sua previso?
71
Captulo 10
Modelos Sazonais
No captulo 3 vimos um pouco sobre tendncia sazonal, neste captulo vamos estudar
os modelos sazonais determinsticos e estocsticos, procurando dar mais enfase aos
modelos estocsticos, ou seja, os modelos de Box-Jenkins, para sries sazonais,
chamados SARIMA.
possvel que, mesmo aps eliminar a componente sazonal determinstica, ainda
reste correlao signicativa em:
(i) lags de baixa ordem, indicando que os resduos ainda so correlacionados,
podendo-se ajust-los atravs de um modelo ARIMA;
(ii) lags sazonais, isto , mltiplos de perodo s. Isto signica que h necessi-
dade de se considerar uma sazonalidade estocstica, ou seja, ajustar srie original
um modelo ARIMA sazonal (SARIMA).
Consideraremos, por simplicidade, dados observados mensalmente e sazonali-
dade de perodo s = 12. Trataremos, separadamente, os dois tipos de sazonalidade.
10.1 Sazonalidade Determinstica
Quando Z
t
exibe um comportamento sazonal determinstico com perodo 12, um
modelo que pode ser til :
Z
t
=
t
+N
t
(10.1)
onde
t
uma funo determinstica perodica, satisfazendo
t

t12
= 0, ou

1 X
12

t
= 0 (10.2)
e N
t
um processo estacionrio que pode ser modelado por um ARMA(p, q).
Dessa maneira, N
t
satisfaz equao
(X) N
t
= (X) a
t
(10.3)
onde a
t
rudo branco e
t
tem soluo geral dada por:

t
= +
6
X
j=1

j
cos
(2jt)
12
+
j
sen
(2jt)
12

(10.4)
onde ,
j
,
j
, j = 1, ..., 6, so constantes desconhecidas.
Para um modelo sazonal determinstico, aplicando a diferena sazonal

1 X
12

expresso (9.1), temos:

1 X
12

Z
t
=

1 X
12

t
+

1 X
12

N
t
(10.5)
72
manoel@fct.unesp.br CAPTULO 10. MODELOS SAZONAIS
de acordo com (9.2), temos:

1 X
12

Z
t
=

1 X
12

N
t
(10.6)
Substituindo (9.3) em (9.5), temos:

1 X
12

Z
t
=

1 X
12

(X)
(X)
a
t
(10.7)
(X)

1 X
12

Z
t
=

1 X
12

(X) a
t
(X) W
t
=

1 X
12

(X) a
t
onde W
t
=

1 X
12

Z
t
.
10.2 Identicao
A identicao de modelos da forma (9.7) feita em 2 passos:
I. Obtemos as estimativas preliminares e , e
j
,
e

j
de ,
j
e
j
, j = 1, ..., 6, em
(9.4), atravs de uma anlise de regresso de Z
t
sobre 1, sen
(2jt)
12
e cos
(2jt)
12
,
j = 1, ..., 6.
II. Calculamos os resduos:
e
N
t
= Z
t
e
6
X
j=1

e
j
cos
(2jt)
12
+
e

j
sen
(2jt)
12

e examinamos as funes de autocorrelao e autocorrelao parcial para identicar


um modelo ARMA(p,q) para N
t
.
10.3 Estimao
A estimao de mxima verossimilhana dos parmetros ,
j
e
j
, j = 1, ..., 6,
obtida por mtodos similares aqueles apresentados na estimao dos parmetros de
um modelo ARMA.
10.4 Previso
As previses de valores futuros Z
t+h
, dados Z
1
, ..., Z
t
, so obtidos observando que:
b
Z
t
(h) = E(Z
t+h
/Z
t
, Z
t1
, ..., Z
1
)
= E

t+h
+N
t+h
/Y
t
, Y
t1
, ..., Y
1

=
t+h
+E(N
t+h
/Y
t
, Y
t1
, ..., Y
1
)
vamos ter
b
Z
t
(h) =
t+h
+
c
N
t
(h) (10.8)
onde
t+h
e
c
N
t
(h) so calculados utilizando os modelos (9.4) e (9.3), respecti-
vamente. O e
t
obtido atravs de (9.4), substituindo cada um dos parmetros
pelos seus estimadores de minmos quadrados de ,
j
e
j
e substituindo N
t
por
e
N
t
= Z
t
e
t
.
73
manoel@fct.unesp.br CAPTULO 10. MODELOS SAZONAIS
10.5 Sazonalidade Estocstica
Pode ser adequado considerar
t
em (9.1) como um processo estocstico satisfazen-
do:

1 X
12

t
= Y
t
(10.9)
onde Y
t
um processo estacionrio. Aplicando, agora, o operador

1 X
12


equao (9.1), obtemos:

1 X
12

Z
t
=

1 X
12

t
+

1 X
12

N
t
De acordo com (9.9), temos:

1 X
12

Z
t
= Y
t
+

1 X
12

N
t
(10.10)
com
Y
(X) Y
t
=
Y
(X) a
t
e
N
(X) N
t
=
N
(X)
t
, onde a
t
e
t
so rudos brancos
independentes.
Podemos demonstrar que a expresso (9.10) equivalente a:

1
1
X
12
...
P
X
12P

1 X
12

D
Z
t
=

1
1
X
12
...
Q
X
12Q

t
(10.11)
ou

X
12

D
12
Z
t
=

X
12

t
(10.12)
onde (X) =

1
1
X
12
...
P
X
12P

o operador AR-Sazonal de ordem


P, estacionrio; (X) =

1
1
X
12
...
Q
X
12Q

o operador MA-Sazonal
de ordem Q, invertvel;
12
=

1 X
12

o operador diferena Sazonal;


12
=

1 X
12

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

X
12

D
12
Z
t
= (X)

X
12

a
t
(10.14)
onde (X) =

1
1
X ...
p
X
p

e (X) = (1
1
X ...
q
X
q
), e os de-
mais polinmios denidos em (9.12).
O modelo (9.14) denominado ARIMA sazonal multiplicativo (SARIMA) de
ordem (p,d,q)(P, D, Q)
12
.
10.6 Identicao, Estimao e Vericao
Em princpio no teremos nenhuma diculdade adicional nestas trs etapas para os
modelos sazonais. A diferena que temos que diferenar a srie com respeito a
e
12
(se s = 12), a m de produzir estacionariedade, obtendo valores para d e D.
Inspecionamos as fac e facp amostrais da srie adequadamente diferenada nos
lags 1,2,3,... para obter valores de p e q nos lags 12,24,36,... para obter valores
de P e Q, selecionando-se, desse modo, um modelo tentativo.
Estimam-se os valores dos parmetros identicados, utilizando estimadores de
mxima verossimilhana.
Finalmente, para vericar se o modelo proposto adequado, utilizam-se testes
de autocorrelao residual, Box-Pierce, etc.
74
manoel@fct.unesp.br CAPTULO 10. MODELOS SAZONAIS
10.7 Exemplos de Modelos Sazonais
10.7.1 Exemplo 1
Modelo Sazonal MA(Q)s de ordem Q:
Z
t
= a
t

1
a
ts
...
Q
a
tQs
(10.15)
com polinmio caracterstico sazonal MA
(X) =

1
1
X
s
...
Q
X
sQ

(10.16)
podemos vericar que esta srie estacionria e que a fac ser diferente de zero
somente nos lags sazonais de s, 2s, 3s, ..., Qs. Temos um caso especial quando
q = Qs, com todos os
0
s = 0, exceto para s, 2s, ..., Qs. Particularmente,

ks
=

k
+
1

k+1
+... +
Qk

Q
1 +
2
1
+... +
2
Q
, k = 1, ..., Q (10.17)
o modelo ser invertvel se as razes de (X) = 0 excede a unidade em valor
absoluto.
10.7.2 Exemplo 2
Modelo Sazonal AR(P)s de ordem P:
Z
t
=
1
Z
ts
+... +
P
Z
tPs
+a
t
(10.18)
com polinmio caracterstico sazonal AR
(X) =

1
1
X
12
...
P
X
12P

(10.19)
Estamos supondo que a
t
independente de Z
t1
, Z
t2
, ... e, para a srie ser esta-
cionria as razes de (X) = 0 so maiores que 1 em valor absoluto. Novamete um
caso especial quando p = Ps, com todos os
0
s = 0, exceto nos lags s, 2s, ..., Ps.
10.7.3 Exemplo 3
Modelo Sazonal Multiplicativo ARMA(p,q)(P, Q)s :
(X)

X
12

Z
t
= (X)

X
12

a
t
(10.20)
com polinmios caractersticos AR s (X) e

X
12

, e polinmios MAs (X) e

X
12

.
10.7.4 Exemplo 4
Modelo ARIMA(0,1,1)(1, 0, 1)12
Z
t
Z
t1
= (Z
t12
Z
t13
) +a
t
a
t1
a
t12
+a
t13
(10.21)
A funo de previso a um passo dada por:
b
Z
t
(1) = Z
t
+Z
t11
Z
t12
a
t
a
t12
+a
t12
(10.22)
b
Z
t
(2) =
b
Z
t
(1) +Z
t10
Z
t11
a
t10
+a
t11
Os termos do rudo a
t13
, a
t12
, ..., a
t
entram na previso para h = 1, 2, ..., 13, mas
para h > 13 tomamos a parte autoregressiva do modelo, e temos
b
Z
t
(2) =
b
Z
t
(h 1) +Z
t
(h 12) Z
t
(h 13) , para h > 13 (10.23)
Para entender melhor os modelos de previso, vamos considerar alguns casos
especiais a seguir.
75
manoel@fct.unesp.br CAPTULO 10. MODELOS SAZONAIS
10.7.5 Exemplo 5
O modelo sazonal AR(1)12
Z
t
= Z
t12
+a
t
(10.24)
Vamos ter ento
b
Z
t
(h) =
b
Z
t
(h 12) (10.25)
Entretanto podemos escrev-lo como
b
Z
t
(h) =
k+1
Z
t+r11
(10.26)
onde k e r so denidos por h = 12k + r + 1 com 0 5 r < 12 e k = 0, 1, 2, ....Em
outras palavras, k a parte inteira de (h 1) /12, e r/12 a parte fracional de
(h 1) /12.
Vamos determinar os pesos
0
s para esse modelo, sabendo que, somente para os
mltiplos de 12, eles so diferente de zero, ou seja

j
=


j/12
, j = 0, 12, 24, ...
0, caso contrrio
(10.27)
temos ento que a varincia do erro de previso pode ser escrita como
V ar [e
t
(h)] =
1
2k+2
1
2

2
a
(10.28)
onde h = 12k +r + 1.
10.7.6 Exemplo 6
Modelo sazonal MA(1)12, temos
Z
t
= a
t
a
t12
+
0
(10.29)
Neste caso temos a seguinte funo de previso
b
Z (1) = a
t11
+
0
(10.30)
b
Z (2) = a
t10
+
0
.
.
.
b
Z (h) =
0
, para h > 12
Aqui obtemos diferentes previses para os meses do primeiro ano, mas para os anos
seguintes as previses so dadas pela mdia do processo.
Para este modelo
0
= 1,
12
= , e
j
= 0 caso contrrio. Alm disso,
teremos a seguinte varincia para o erro de previso
V ar [e
t
(h)] =


2
a
, 1 5 h 5 12

1 +
2

2
a
, h > 12
(10.31)
10.7.7 Exemplo 7
Modelo ARIMA(0, 0, 0) (0, 1, 1) 12, temos
Z
t
Z
t12
= a
t
a
t12
(10.32)
76
manoel@fct.unesp.br CAPTULO 10. MODELOS SAZONAIS
Com funo de previso dada por:
b
Z (1) = Z
t11
a
t11
(10.33)
b
Z (2) = Z
t10
a
t10
.
.
.
b
Z
t
(12) =
b
Z
t
(h 12) , h > 12
Observamos que todos os meses de janeiro, fevereiro,..., dezembro, tem previses
idnticas entre si, e assim por diante.
Neste caso temos
j
= 1 , para j = 12, 24, ..., e zero caso contrrio. A
varincia do erro de previso dada, ento, por
V ar [e
t
(h)] =
2
a
h
1 +k (1 )
2
i
, (10.34)
onde h = 12k +r + 1, k = 0, 1, ..., e 0 5 r < 12.
10.7.8 Exemplo 8
Modelo ARIMA(0, 1, 1) (0, 1, 1) 12, temos
Z
t
= Z
t1
+Z
t12
Z
t13
+a
t
a
t1
a
t12
+a
t13
(10.35)
A funo de previso satisfaz
b
Z
t
(1) = Z
t
+Z
t11
Z
t12
a
t1
a
t11
+a
t12
(10.36)
b
Z
t
(2) =
b
Z
t
(1) +Z
t10
Z
t11
a
t10
+a
t11
.
.
.
b
Z
t
(12) =
b
Z
t
(11) +Z
t
Z
t1
a
t
+a
t1
b
Z
t
(13) =
b
Z (12) +
b
Z
t
(1) Z
t
+a
t
e
b
Z
t
(h) =
b
Z (h 1) +
b
Z
t
(h 12)
b
Z
t
(h 13) , para h > 13
Para entender o padro geral dessas previses, podemos utilizar a representao
b
Z
t
(h) = A
1
+A
2
h +
6
X
j=0

B
1j
cos
2jh
12
+B
2j
sin
2jh
12

, h > 0 (10.37)
onde A
j
e B
j
so independentes de Z
t
, Z
t1
, ..., ou, alternativamente, determinados
das previses iniciais
b
Z
t
(1) ,
b
Z
t
(2) , ...,
b
Z
t
(13) .
Este resultado segue-se da teoria geral das equaes diferenas e envolve as razes
de (1 X)

1 X
12

= 0. (ver Abraham & Box, 1978).


10.8 Exerccios
1) Baseado em dados trimestrais, um modelo sazonal da forma
Z
t
= Z
t4
+a
t

1
a
t1

2
a
t2
foi ajustado para srie temporal.
a) Encontrar os 4 primeiros pesos
0
s deste modelo.
b) Suponha que
1
= 0.5,
2
= 0.25, e
2
a
= 1 e que os dados para os ltimos
4 trimestres so:
77
manoel@fct.unesp.br CAPTULO 10. MODELOS SAZONAIS
I II III IV
Srie 25 20 25 40
Resduo 2 1 2 3
Encontre a previso para os prximos 4 trimestres.
c) Encontre um intervalo de 95% de conana para as previses em b.
2) Para o modelo sazonal Z
t
= Z
t4
+a
t
a
t1
, com || < 1, encontrar
0
e
k
para k > 0.
3) Identique os seguintes modelos sazonais multiplicativos ARIMA:
a) Z
t
= 0.5Z
t1
+Z
t4
0.5Z
t5
+a
t
0.3a
t1
.
b) Z
t
= Z
t1
+Z
t12
Z
t13
+a
t
0.5a
t1
0.5a
t12
+ 0.25a
t13
.
4) Suponha que o processo {Z
t
} se desenvolve de acordo com
Z
t
= Z
t4
+a
t
, para t > 4
com Z
t
= a
t
para t = 1, 2, 3, 4. Encontrar a funo varincia e a funo de
autocorrelao para {Z
t
} .
78
Apndice A
Esperana Condicional
Se X e Y tem f.d.p. conjunta f(x, y) e seja f(x) a f.d.p. marginal de X, ento a
f.d.p. condicional de Y |X = x dada por
f (x|y) =
f (x, y)
f (x)
.
A esperana condicional de Y |X = x ento denida como
E(Y |X = x) =
Z

yf (y|x) dy.
Observe que a mdia da distribuio condicional, e alm disso, tem todas as
propriedades de mdias comum e valores esperados. Por exemplo,
E(aY +bZ|X = x) = aE(Y |X = x) +bE(Z|X = x)
e
E[h(Y ) |X = x] =
Z

h(y) f (y|x) dy.


Pode-se demonstrar a seguinte propriedade
E[h(X) |X = x] = h(X)
a varivel aleatria h(X) pode ser tratada como uma constante. Contudo geral-
mente,
E[h(X, Y ) |X = x] = E[h(x, Y ) |X = x] .
Se zer E[h(X) |X = x] = g (x) , ento g (X) = Y uma v.a., e
E[g (X)] = E(Y ) .
Que pode ser escrito como E[E(Y |X)] = E(Y ) .Se Y independente de X, ento
E(Y |X) = E(Y ) .
79
Apndice B
Predio de Erro Quadrtico
Mdio Mnimo
Suponha Y uma v.a. com mdia
y
e varincia
2
y
. Se o objetivo fazer a predio
de Y utilizando somente uma constante c, qual a melhor escolha para c? Um bom
critrio escolher um valor de c que minimiza o erro quadrtico mdio (EQM) de
predio, ou seja,
ming (c) = E(Y c)
2
.
Expandindo g (c) , temos
g (c) = E

Y
2

2cE(Y ) +c
2
como g (c) uma funo quadrtica em c, resolvendo a equao g
0
(c) = 0, encontra-
se o ponto de mnimo da funo, tem-se ento
g
0
(c) = 2E(Y ) + 2c = 0
encontrando
c = E(Y ) =
y
(B.1)
nota-se que
ming (c) = E

Y
y

2
=
2
y
. (B.2)
Agora considere a situao em que uma segunda v.a. X utilizada, e deseja-se
utilizar o valor observado de X para predizer Y.Seja = Corr(X, Y ).
Supondo que, somente funes lineares a+bX podem ser utilizadas para predi.
O EQM ento dado por
g (a, b) = E(Y a bX)
2
expandindo a funo g (a, b) tem-se
g (a, b) = E

Y
2

+a
2
+b
2
E

X
2

2aE(Y ) + 2abE(X) 2bE(XY ) .


A funo quadrtica em a e b. Alm disso, pode-se encontrar o ponto de mnimo
resolvendo simultaneamente as equaes lineares
g (a, b)
a
= 0 e
g (a, b)
b
= 0.
tem-se
g (a, b)
a
= 2a 2E(Y ) + 2bE(X) = 0
80
manoel@fct.unesp.br APNDICE B. PREDIO DE ERRO QUADRTICO MDIO MNIMO
e
g (a, b)
b
= 2bE

X
2

+ 2aE(X) 2E(XY ) = 0
as quais podemos escrever como
a +E(X) b = E(Y ) (B.3)
E(X) a +E

X
2

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

X
2

b E
2
(X) b = E(XY ) E(X) E(Y )
obtendo
b =
E(XY ) E(X) E(Y )
E(X
2
) E
2
(X)
=
Cov(X, Y )
V ar (X)
ou
b = Corr (X, Y )
s
V ar (Y )
V ar (X)
=

x
ento substituindo em (B.3) o valor de b obtm-se:
a = E(Y )

x
E(X)
a =
y

x
Se
b
Y a predio de EQM mnimo de Y , baseado numa funo linear de X, ento
pode-se escrever
b
Y =
y

x
+

x
X (B.5)
ou
b
Y
y

y
=
X
x

x
em termos de v.a. padronizadas Y
0
e X
0
, tem-se Y
0
= X
0
.
Pode-se vericar tambm que
ming

ba,
b
b

= E

x
+

x
X

2
=
2
y

1
2

.
Prova
ming

ba,
b
b

= E

x
+

x
X

2
=
2
y
E

b
Y
y

y

X
x

x
!
2
=
2
y

V ar (Y
0
) +
2
V ar (X
0
) 2Cov (Y
0
, X
0
)

=
2
y

1 +
2
2

=
2
y

1
2

.
Considere agora o caso mais geral do problema de predio de Y com uma funo
arbitrria de X. Desde que o critrio escolhido seja minimizar o EQM de predio,
precisa-se escolher uma funo h(X) que minimize
E[Y h(X)]
2
(B.6)
81
manoel@fct.unesp.br APNDICE B. PREDIO DE ERRO QUADRTICO MDIO MNIMO
pode-se escrever esta funo como:
E[Y h(X)]
2
= E
n
E

[Y h(X)]
2
|X
o
(B.7)
para X = x obtm-se
E

[Y h(X)]
2
|X = x

= E

[Y h(x)]
2
|X = x

(B.8)
para cada valor de x, h(x) uma constante, e pode-se aplicar o resultado E(Y ) =
y
para a distribuio condicional Y |X = x. Alm disso, para cada x, a melhor escolha
de h(x)
h(x) = E(Y |X = x) .
Desde que a escolha de h(x) minimize a esperana interna na equao (B.7), a
funo h(x), tambm fornece o mnimo da equao (B.5), e
h(X) = E(Y |X) (B.9)
o melhor preditor de Y de todas as funes de X.
Se X e Y tem distribuio normal bivariada, mostra-se que
E(Y |X) =
y
+

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

Das könnte Ihnen auch gefallen