You are on page 1of 59

•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit

Universidade Federal do Rio de Janeiro
Instituto de Matem´atica
Departamento de M´etodos Estat´ısticos
An´alise de S´eries Temporais
Prof. H´elio Migon
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Sum´ario
1 Introdu¸c˜ao 3
1.1 No¸c˜oes B´asicas . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Fundamentos Probabil´ısticos . . . . . . . . . . . . . . 9
1.3 Processos Estacion´arios . . . . . . . . . . . . . . . . . 14
1.4 Modelos de s´eries temporais . . . . . . . . . . . . . . . 27
2 Modelos de Regress˜ao 35
2.1 Revis˜ao de Modelos Lineares . . . . . . . . . . . . . . 38
2.2 Previs˜ao . . . . . . . . . . . . . . . . . . . . . . . . . 43
2.3 Modelos Sazonais . . . . . . . . . . . . . . . . . . . . 47
3 Capitulo 52
4 Modelos ARIMA 53
4.1 Introdu¸c˜ao . . . . . . . . . . . . . . . . . . . . . . . . 55
4.2 Modelo de Filtro Linear . . . . . . . . . . . . . . . . . 56
4.3 Estacionariedade e Invertibilidade . . . . . . . . . . . . 59
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
1. Introdu¸c˜ao
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
1.1. No¸ c˜oes B´asicas
S´erie temporal: conjunto de observa¸c˜oes ordenadas (no tempo).
Tempo pode ser: espa¸co, profundidade, ...
Observa¸c˜oes vizinhas s˜ao dependentes.
Estudos de s´eries temporais: modelagens, an´alise dessa dependˆencia,
t´ecnicas espec´ıficas a s´eries temporais.
Exemplos de aplica¸c˜oes:
Economia: pre¸cos di´arios de a¸c˜oes; taxa de desemprego.
Medicina: n´ıveis de eletrocardiograma ou eletroencefalograma.
Epidemiologia: casos semanais de sarampo; casos mensais de AIDS.
Metereologia: temperatura di´aria; registro de mar´es, . . .
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Classifica¸c˜ao:
S´erie temporal ´e o conjunto de observa¸c˜oes {Y (t), t ∈ T}, Y : vari´avel
de interesse, T: conjunto de ´ındices
Tipos de s´eries temporais
1. Discreta: T = {t
1
, t
2
, . . . , t
n
}
Ex: Exporta¸c˜oes mensais de 1970 a 1980
{01/1970, 02/1970, . . . , 11/1980, 12/1980} .
Nota¸c˜ao: Y
t
2. Cont´ınua: T = {t : t
1
< t < t
2
}
Ex: Registro da mar´e no Rio durante 1 ano T = [0, 24] se unidade
de tempo ´e a hora.
Nota¸c˜ao: Y (t)
3. Multivariada: Observa¸c˜oes s˜ao Y
1
(t), . . . , Y
k
(t), t ∈ T.
Ex: Vendas semanais Y
1
(t) e gastos com propaganda Y
2
(t).
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Y pode tamb´em ser discreto ou cont´ınuo. Muitas vezes, Y ´e discreto
mas pode ser tratado como cont´ınuo.
Ex: N´ umero de casos notificados de AIDS. Nesse curso, s´eries
s˜ao univariadas, discretas e observada em tempos equiespa¸cados.
Podemos identificar T com {1, 2, . . . , n}
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Objetivos de uma an´alise de s´eries temporais
Os principais objetivos s˜ao:
i) Compreender o mecanismo gerador da s´erie;
ii) Predizer o comportamento futuro da s´erie.
Compreender o mecanismo da s´erie possibilita:
• Descrever efetivamente o comportamento da s´erie;
• Encontrar periodicidades na s´erie;
• Tentar obter raz˜oes para o comportamento da s´erie (possivelmente
atrav´es de vari´aveis auxiliares);
• Controlar a trajet´oria da s´erie.
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Predizer o futuro possibilita:
• Fazer planos a longo, m´edio e curto prazo;
• Tomar decis˜oes apropriadas.
Objetivos (i) e (ii) est˜ao ligados.
´
E poss´ıvel ocorrer bem rotineira-
mente se o modelo ´e adequado, a n˜ao ser nos raros casos de modelos
determin´ısticos.
Futuro envolve incerteza =⇒ previs˜oes n˜ao s˜ao perfeitas.
Objetivo ´e reduzir ao m´aximo os erros de previs˜ao.
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
1.2. Fundamentos Probabil´ısticos
Defini¸c˜ao: Seja T um conjunto arbitr´ario. Um processo estoc´astico
´e uma fam´ılia {Y (t), t ∈ T} tal que, ∀t ∈ T , Y (t) ´e uma vari´avel
aleat´oria.
S´erie temporal ´e um processo estoc´astico. O conjunto de valores
{Y (t), t ∈ T} ´e chamado de espa¸co de estados e os valores Y(t) s˜ao
chamados de estados.
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Para cada t, Y (t) tem uma distribui¸c˜ao de probabilidade. Pode ser a
mesma ou n˜ao.
Um poss´ıvel valor de um processo estoc´astico ´e uma trajet´oria em t.
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Uma forma alternativa de defini¸c˜ao de processo estat´ıstico ´e uma
fam´ılia de v.a. {Y (t), t ∈ T} ´e um processo estoc´astico se as v.a.
Y (t
1
), Y (t
2
), ..., Y (t
n
) tem f.d. finito-dimensionais
F(y
1
, ..., y
n
; t
1
, ..., t
n
) = Pr(Y (t
1
) ≤ y
1
, ..., Y (t
n
) ≤ y
n
)
conhecidas para todo n ≥ 1 satisfazendo as condi¸c˜oes de:
• Simetria: Para qualquer permuta¸c˜ao j
1
, . . . , j
n
dos ´ındices
1, 2, . . . , n temos:
F(y
j
1
, . . . , y
j
n
; t
j
1
, . . . , t
j
n
= F(y
1
, . . . , y
n
; t
1
, . . . , t
n
)
Ex: (n = 3) F(y
2
, y
1
, y
3
; t
2
, t
1
, t
3
) = F(y
1
, y
2
, y
3
; t
1
, t
2
, t
3
)
• Consistˆencia:
limF(y
1
, . . . , y
n
; t
1
, . . . , t
n
) = F(y
1
, . . . , y
n−1
; t
1
, . . . , t
n−1
)
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Essa defini¸c˜ao n˜ao ´e muito ´ util na pr´atica pois ´e muito dif´ıcil a especi-
fica¸c˜ao de todas as distribui¸c˜oes finito-dimensionais Normalmente, o
que se faz ´e concentrar nos primeiros momentos. Estes s˜ao:
i) Fun¸c˜ao m´edia: µ(t) = E{Y (t)}
ii) Fun¸c˜ao auto-covariˆancia (facv):
γ(t
1
, t
2
) = E[Y (t
1
) −µ(t
1
)][Y (t
2
) −µ(t
2
)]
= E{Y (t
1
)Y (t
2
)} −µ(t
1
)µ(t
2
)
Em particular se t
1
= t
2
= t,
γ(t, t) = V {Y (t)} ´e a variˆancia de Y (t) denotada por V (t) ou
σ
2
(t).
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
A (facv) fornece a forma de dependˆencia temporal do processo Y (t).
Ela n˜ao traduz a for¸ca dessa dependˆencia pois depende da unidade de
medi¸c˜ao de Y .
Para denotar esse problema, a (facv) ´e comumente substituida
pela:
iii) Fun¸c˜ao de auto-correla¸c˜ao: ρ(t
1
, t
2
) = γ(t
1
, t
2
)/σ(t
1
)σ(t
2
)
A importˆancia da fun¸c˜ao m´edia e da facv deve-se ao fato de que se
as distribui¸c˜oes finito-dimensionais de Y (t) s˜ao normais est˜ao basta
conhecer µ e γ para conhecer todo o processo.
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
1.3. Processos Estacion´arios
Como a quantidade de parˆametros ´e usualmente maior que o n´ umero
de observa¸c˜oes, s˜ao necess´arias hip´oteses simplificadoras.
A mais comum em s´eries temporais ´e a de estacionariedade. Basica-
mente isso significa que o comportamento da s´erie n˜ao se altera com o
passar do tempo, ou seja, m´edia e facv n˜ao mudam se caminharmos no
tempo.
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Tecnicamente, existem duas formas de estacionariedade:
• estrita (ou forte);
• fraca (ou ampla ou de 2
a
ordem).
Um processo estoc´astico Y (t) ´e estritamente estacion´ario se suas dis-
tribui¸c˜oes finito-dimensionais s˜ao invariantes por transla¸c˜oes no tempo,
isto ´e,
F(y
1
, . . . , y
n
; t
1
+ τ, . . . , t
n
+ τ) = F(y
1
, . . . , y
n
; t
1
, . . . , t
n
),
∀t
1
, . . . , t
n
, τ
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
O processo deslocado τ unidades no tempo permanece com as mesmas
caracter´ısticas.
Em particular com n = 1 e t
2
= t
1
+ τ temos que:
F(y
1
; t
2
) = F(y
2
; t
1
)
e, portanto,
µ = µ(t)
e
σ
2
= σ
2
(t)
s˜ao constantes.
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Al´em disso,
F(y
1
, y
2
; t
1
+ τ, t
2
+ τ) = F(y
1
, y
2
; t
1
, t
2
)
Logo,
γ(t
1
, t
2
) = γ(t
1
+ τ, t
2
+ τ)
Fazendo τ = −t
2
e t = t
1
−t
2
temos que:
γ(t
1
, t
2
) = γ(t
1
−t
2
, 0) = γ(t, 0) = γ(t)
A facv depende apenas da distˆancia entre os pontos considerados.
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Um processo estoc´astico Y (t) ´e fracamente estacion´ario se:
1. E{Y (t)} = µ(t) = µ
2. V {Y (t)} = σ
2
(t) = σ
2
3. Corr{Y (t
1
), Y (t
2
)} = γ(t
1
, t
2
) = γ(t
2
−t
1
)
Se os momentos existem, ent˜ao:
Estacionariedade forte → Estacionariedade fraca
A volta s´o vale se a Distribui¸c˜ao finito-dimensionais de Y (t) s˜ao
normais (Processo Gaussiano).
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Observe que a fun¸c˜ao de auto-correla¸c˜ao de processos estacion´arios ´e:
ρ(t
1
, t
2
) =
σ(t
1
, t
2
)
σ(t
1
)σ(t
2
)
=
γ(t
2
−t
1
)
σ
2
(t
1
)
=
γ(t)
γ(0)
= ρ(t)
De agora em diante, consideraremos apenas processos estacion´arios ou
pass´ıveis de “estacionariza¸c˜ao”por transforma¸c˜oes.
Conceito n˜ao t˜ao importante em modelos dinˆamicos.
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Ap´os observar a s´erie temporal discreta Y
1
, . . . , Y
n
, γ
k
ser´a estimado
por:
c
k
=
1
n
n−k
¸
t=1
(Y
i
−Y )(Y
i+k
−Y )
onde
Y =
1
n
¸
n
t=1
Y
i
e
k = 0, 1, . . . , n −1
c
k
´e a facv amostral.
ρ
k
pode ent˜ao ser estimado por r
k
=
c
k
c
0
, fun¸c˜ao de autocorrela¸c˜ao
amostral.
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Como normalmente as s´eries n˜ao apresentam esse comportamento
est´avel, recorre-se a transforma¸c˜oes nos dados. As transforma¸c˜oes mais
comuns s˜ao:
• Transforma¸c˜ao Box-Cox: Considere a fun¸c˜ao da forma:
g(y) =
(y
λ
−1)
λ
(1)
Se
λ = 1, g ´e a identidade,
λ = −1, g ´e a transforma¸c˜ao inversa,
λ = 1/2, g transforma y em

y,
e lim
λ→0
g(y) = log(y)
Essas transforma¸c˜oes s˜ao usadas principalmente para estudar a
variˆancia.
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
• Opera¸c˜ao Diferen¸ca (∆): Define-se o operador diferen¸ca
atrav´es de:
∆y
t
= y
t
−y
t−1
(2)
Aplicando-se o operador novamente obtem-se a 2
a
diferen¸ca:

2
y
t
= ∆(∆y
t
)
= ∆(y
t
−y
t−1
)
= (y
t
−y
t−1
) −(y
t−1
−y
t−2
)
= y
t
−2y
t−1
+ y
t−2
A n-´esima diferen¸ca de y
t
´e obtida recursivamente por:

n
y
t
= ∆(∆
n−1
y
t
) (3)
Normalmente, uma ou duas diferen¸cas s˜ao suficientes para tornar
a s´erie estacion´aria.
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Modelagem, aprendizado e previs˜ao
Central `a an´alise de s´erie temporais est´a a constru¸c˜ao de um modelo.
Modelo - esquema de descri¸c˜ao (e explica¸c˜ao) que organiza informa¸c˜ao
(e experiˆencia) de forma a propiciar aprendizagem e previs˜ao.
Bom modelo permite aprendizado levando a previs˜oes ade-
quadas.
• Devido `a incerteza presente, modelo ´e probabil´ıstico.
• Deve tamb´em ser econˆomico (parsimˆonia).
• Descri¸c˜ao deve ser relativamente simples e flex´ıvel para poder se
adaptar ao futuro (incerto) e facilitar aprendizado.
• Aprendizado ´e processamento de informa¸c˜ao atrav´es do modelo.
• Previs˜ao ´e hip´otese, conjectiva ou especula¸c˜ao sobre o futuro.
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Esquema de sistema de previs˜ao:
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Crit´erios de Previs˜ao
O melhor crit´erio para escolher um modelo de previs˜ao ´e a sua ca-
pacidade preditiva, ou seja, qu˜ao perto est˜ao as previs˜oes dos valores
posteriormente observados.
Suponha que observamos uma s´erie at´e o instante t e queremos prever
o valor da s´erie no instante t + h.
Denotaremos por
ˆ
Y
t
(h) a previs˜ao de Y
t+h
no instante t.
Ex:
ˆ
Y
t−1
(1) ´e a previs˜ao de Y
t
no instante t −1
t ´e a origem da previs˜ao
h ´e o horizonte da previs˜ao
Observe que
ˆ
Y
t
(h) ´e uma v.a. conhecida apenas dada a hist´oria ob-
servada do processo at´e o tempo t. Associado a
ˆ
Y
t
(h) temos o erro de
previs˜ao Y
t+h

ˆ
Y
t
(h)
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Se erros de previs˜ao positivos e negativos s˜ao igualmente importantes
faz sentido procurar previs˜oes que minimizem o erro absoluto m´edio
E[Y
t+h

ˆ
Y
t
(h)] e o erro quadr´atico m´edio E[Y
t+h

ˆ
Y
t
(h)]
2
Podemos identificar dois procedimentos distintos de constru¸c˜ao de
modelos de previs˜ao:
i) baseia-se em teorias e inclui muitas vari´aveis - econom´etrico;
ii) baseia-se no comportamento observado da s´erie - s´eries temporais.
Privilegiaremos o segundo.
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
1.4. Modelos de s´eries temporais
Modelos podem ser divididos em 2 classes :
(i) param´etricos - N
o
finito de parˆametros. An´alise ´e feita no dom´ınio
do tempo.
(ii) n˜ao-param´etricos - N
o
infinito de parˆametros. An´alise ´e feita no
dom´ınio da frequˆencia.
O curso ser´ a basicamente sobre modelos param´etricos.
Os modelos dessa classe podem ser genericamente escritos como
Y
t
= S
t
+ ε
t
ou seja
Observa¸c˜ao = Sinal + Ru´ıdo
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Assim temos:
(a) Modelos de regress˜ao (CAP.2)
• Ru´ıdos s˜ao n˜ao-correlacionados
• S
t
= x
t
β
Exemplos :
1. Modelo de tendˆencia linear
S
t
= α + βt
2. Modelo de curva de crescimento
Y
t
= αe
βt+ε
t
,
ou seja
log Y
t
= log α + βt + ε
t
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
(b) Modelos de alisamento exponencial
• O sinal novamente descreve uma fun¸c˜ao como em (a).
• Rela¸c˜ao do sinal vale apenas “localmente”.
• Parˆametros sujeitos a pequenas varia¸c˜oes temporais
(a)“Localmente”constante. (b)“Localmente”linear.
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
(c) Modelos Autoregressivos (AR)
Como em (a) com
S
t
= φ
1
y
t−1
+ φ
2
y
t−2
+ . . . + φ
p
y
t−p
N´ıvel (sinal) atual depende dos n´ıveis passados.
(d) Modelos lineares estacion´arios
S
t
= Ψ
1
ε
t−1
+ Ψ
2
ε
t−2
+ . . . =

¸
i=1
Ψ
i
ε
t−i
Esse processo ´e estacion´ario se
¸

i=1

2
) < ∞
Inclui os modelos ARMA (que ser˜ao estudados no CAP.4) que inclui
os modelos AR em (c).
Os modelos ARIMA s˜ao uma generaliza¸c˜ao dos modelos ARMA que
visam basicamente tornar o processo estacion´ario atrav´es de opera¸c˜oes
diferen¸ca.
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
(e) Modelos de espa¸co de estados ou dinˆamicos (CAP.5)
S
t
= X
t
β
t
generalizando os modelos de regress˜ao
β
t
= G
t+1
β
t
+ W
t
Esses modelos incluem os modelos ARIMA. Podem ser usados tanto
do ponto de vista cl´assico quanto Bayesiano.
Ex: X
t
= 1, β
t
= β
t
, G
t
= 1 e W
t
= W
t
logo
y
t
= β
t
+ ε
t
,
β
t
= β
t−1
+ W
t
.
Equivale ao modelo de alisamento exponencial para s´eries “local-
mente”constantes.
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
(f ) Modelos de equa¸c˜oes simultˆaneas ou econom´etricos
Y
t
T
Γ + X
t
B =
t
Y
t
- Vari´aveis end´ogenas
X
t
- Vari´aveis ex´ogenas
Se Γ tem posto m´aximo ent˜ao ap´os observar amostra de tamanho n
Y
t
= X
t
T + E
onde:
Y
T
= (Y
1
Y
2
...Y
n
)
X
T
= (X
1
X
2
...X
n
)
T = BΓ
−1
E
T
= (
1

2
...
n
)
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Fenˆomenos T´ıpicos de S´eries Temporais
Boa parte das s´eries tˆem caracter´ısticas t´ıpicas, as principais s˜ao:
i) Tendˆencia: ´e o efeito de longo prazo na m´edia. Especifica¸c˜ao de
longo prazo ´e dif´ıcil.
A S´erie acima apresenta tendˆencia de crescimento linear.
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
ii) Sazonalidade: efeitos ligados `a varia¸c˜oes peri´odicas (semanal,
mensal, anual, etc.).
Ex: Medidas de Temperatura (aumenta no ver˜ao e diminui no inverno).
iii) Ciclos: varia¸c˜oes que apesar de peri´odicas n˜ao s˜ao associ-
adas automaticamente a nenhuma medida temporal.
Ex: Ciclos Econˆomicos (5 e 7 anos) e Ciclos de epidemias.
Uma das tarefas mais importantes em ST ´e identificar estas compo-
nentes visando a decomposi¸c˜ao da s´erie estudada.
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
2. Modelos de Regress˜ao
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Conforme visto no cap´ıtulo 1 podemos pensar na S´erie Temporal como
uma cole¸c˜ao de observa¸c˜oes determinadas por um sinal dependendo
de uma forma determin´ıstica do tempo `as quais s˜ao superpostos erros
n˜ao correlacionados.
Procura-se neste caso usar modelos de regress˜ao para caracterizar
o sinal que controla a s´erie.
EXEMPLOS:
1- Modelo de Tendˆencia Linear: S
t
= a + bt;
2- Modelo de Crescimento Exponencial: y
t
= ye
bt+t
;
3- Modelo de Regress˜ao Linear Simples: S
t
= a + bx
t
;
4- Modelo de Regress˜ao N˜ao Linear: S
t
= 1/(a + bx
t
);
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Os modelos 2 e 4 n˜ao s˜ao lineares nos parˆametros, embora Z possa ser
parametrizado atrav´es da transforma¸c˜ao logar´ıtmica:
log(a) + bt +
t
Os modelos aqui considerados ser˜ao lineares. Importante ´e a lineari-
dade nos parˆametros.
Ex: Um modelo que pode ser usado para ST descrevendo uma curva S.
log(S
t
) = a + b/t,
que embora n˜ao seja linear em t, ´e linear em a e b, ap´os transforma¸c˜ao
logar´ıtmica.
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
2.1. Revis˜ao de Modelos Lineares
Vari´avel dependente: Y
Vari´aveis explicativas: X
1
, ..., X
p
Relacionadas atrav´es de: Y
t
= β
0
+
¸
p
i=1
β
i
x
it
+ ε
t
onde t = 1, . . . , n
Podemos escrever:
S
t
= x
T
t
β
x
T
t
= (1, x
1t
, ..., x
pt
)
β
T
t
= (β
0
, β
1
, ..., β
p
)
Os erros ε
t
s˜ao n˜ao-correlacionados com: E[ε
t
] = 0 e V [ε
t
] = σ
2
Comumente se assume tamb´em que os ε
t
s˜ao normais.
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Usando nota¸c˜ao matricial pode-se escrever:
Y = Xβ + ε
Y
T
= (y
1
, ..., y
n
) X
T
= (x
1
, ..., x
n
) ε
T
= (ε
1
, ..., ε
n
)
onde:
E[ε] = 0 e V [ε] = σ
2
I
n
O crit´erio para estima¸c˜ao de β ´e a minimiza¸c˜ao de:
S(β) =
n
¸
t=1
(y
t
−x
T
t
β)
2
Para β minimizar S(β) ´e preciso que X
T
X
ˆ
β = X
T
Y
Se X tem posto m´aximo (var. explicativas s˜ao linearmente indepen-
dentes), ent˜ao X
T
X pode ser invertido fornecendo
ˆ
β = (X
T
X)
−1
X
T
Y
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Propriedades:
i) E[
ˆ
β] = β e V [
ˆ
β] = σ
2
(X
T
X)
−1
.
ii) Se os erros tem distribui¸c˜ao normal ent˜ao
ˆ
β tamb´em tem.
iii) Os valores ajustados de Y s˜ao
ˆ
Y = X
ˆ
β e os res´ıduos ε s˜ao dados
por ε = Y −
ˆ
Y .
iv) Definindo:
• Soma Total dos Quadrados por STQ =
¸
n
t=1
(Y
t

¯
Y )
2
• Soma do Erros Quadrados por SEQ =
¸
n
t=1
(Y
t

ˆ
Y
t
)
2
• Soma dos Quadrados da Regress˜ao por SQR =
¸
n
t=1
(
ˆ
Y
t

¯
Y ])
2
Temos que STQ = SEQ + SQR.
Normalmente mede-se o ajuste da regress˜ao atrav´es de
R
2
= 1 −
SEQ
STQ
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
v) Se σ
2
´e desconhecido, ele ´e estimado por S
2
=
SEQ
n−p−1
onde
SEQ
σ
2
∼ χ
2
n−p−1
e portanto E[S
2
] = σ
2
e a variˆancia de
ˆ
β ´e estimada
por
ˆ
V [
ˆ
β] = S
2
(X
T
X)
−1
vi) Usando o fato que t
i
=
ˆ
β
i
−β
i
S

c
ii
∼ t
n−p−1
(0, 1) onde c
ii
´e o i-´esimo
elemento da diagonal de (X
T
X)
−1
pode-se obter:
- Intervalo de confian¸ca 100(1 −α) para β
i
da forma:
[
ˆ
β
i
−t
α/2,n−p−1
S

c
ii
;
ˆ
β
i
+ t
α/2,n−p−1
S

c
ii
];
onde t
α/2,n−p−1
´e o percentil 100(1 −α/2) da t com n −p −1 g.l.
- Teste de n´ıvel de α para testar H : β
i
= 0 que rejeita H
se
|
ˆ
β
i
|
S

c
ii
> t
α/2,n−p−1
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
vii) O teste simultˆaneo da regress˜ao testa a hip´otese
H
0
: β
1
= β
2
= ... = β
p
vs. H
1
: algumβ
i
= 0.
Ele rejeita H
0
se
SQR
p
SEQ
(n−p−1)
> F
α
(p, n −p −1),
onde F
α
(p, n−p −1) ´e o percentil 100(1 −α)% da distribui¸c˜ao F
com p e n −p −1 graus de liberdade.
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
2.2. Previs˜ao
Suponha que se deseja prever Y
s
baseado nos valores x
1s
, . . . , x
ps
. De-
notando o preditor por
´
Y
s
e o erro de previs˜ao ´e dado por e
s
= Y
s

´
Y
s
,
se utilizarmos como crit´erio a minimiza¸c˜ao do EQM dado por
E[e
2
s
] = E[Y
s

´
Y
s
]
2
obtemos
´
Y
s
= E[Y
s
] = x
T
s
B onde x
T
s
= (x
1s
, . . . , x
ps
).
Como B ´e desconhecido, podemos substitu´ı-lo por seu estimador
fornecendo a previs˜ao
´
Y
s
= x
T
s
B
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Propriedades:
i) E[
´
Y
s
] = x
T
s
B e V (
´
Y
s
) = σ
2
x
T
s
(X
T
X)
−1
x
s
ii) E[Y
s

´
Y
s
] = 0 e V (Y
s

´
Y
s
) = σ
2
[1 + x
T
s
(X
T
X)
−1
x
s
]
Como σ
2
´e desconhecido, estima-se V (Y
s

´
Y
s
) por
´
V (Y
s

´
Y
s
)
dado por S
2

1 + x
T
s
(X
T
X)
−1
x
s

iii) Se os erros s˜ao normais ent˜ao
Y
s

´
Y
s

´
V (Y
s

´
Y
s
)
t
n−p−1
(0, 1) O intervalo de
confian¸ca 100(1 −α)% para Y
s
´e dado por:
¸
´
Y
s
−t
α/2,n−p−1

´
V (Y
s

´
Y
s
) ;
´
Y
s
+ t
α/2,n−p−1

´
V (Y
s

´
Y
s
)

•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Correla¸c˜ao serial entre os erros
Normalmente em regress˜ao, assume-se que os erros
t
n˜ao s˜ao correla-
cionados.
Em dados de s´eries temporais ´e razo´avel esperar que isso n˜ao aconte¸ca,
i.e., o erro no tempo t,
t
, esteja relacionado aos erros cont´ıguos,
t−1
e

t+1
.
O n˜ao reconhecimento das correla¸c˜ao podem levar a ajustes incorretos.
Importante estudar as autocorrela¸c˜oes da s´erie, ρ
k
.
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
J´a vimos que ρ
k
’s dadas por:
¸
n−k
t=1
(Y
t
−Y )(Y
t+k
−Y )
¸
n
t=1
(Y
t
−Y )
2
Pode ser mostrado que se ρ
k
= 0 e n ´e grande, vale aproximadamente
que
r
k
∼ N(0, n
−1
)
e portanto o teste de n´ıvel α = 0, 05 rejeita a hip´otese ρ
k
= 0 se

n | r
k
|> 1, 96.
Observe que temos de fazer v´arios testes simultˆaneos e o n´ıvel para um
teste global ´e outro.
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
2.3. Modelos Sazonais
S´eries sazonais ocorrem com frequˆencia em v´arias ´areas:
- consumo mensal de eletricidade em uma dada regi˜ao;
- produ¸c˜ao mensal de leite;
- n´ umero de casamentos em cada mˆes;
- etc.
A sazonalidade muitas vezes tem padr˜ao bem estabelecido e est´avel
(consumo de eletricidade ´e maior no ver˜ao).
Muito da sazonalidade ´e devido `a rota¸c˜ao da Terra em torno do Sol e
´as decorrˆencias clim´aticas.
´
E importante modelar para melhor compreender e estimar.
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Normalmente, al´em de sazonalidade, a s´erie est´a sujeita `a tendˆencias e
ciclos. Isso vai ser visto na pr´oxima se¸c˜ao.
Al´em disso, o espa¸co de tempo pra completar um ciclo sazonal (per´ıodo)
pode assumir v´arios valores. Se a sazonalidade ´e anual (mais comum) e
os dados s˜ao trimestrais (per´ıodo = 4), se os dados s˜ao mensais (per´ıodo
= 12) e se os dados s˜ao semanais (per´ıodo = 52).
Vamos assumir aqui que s´erie ´e modelada apenas pela sazonalidade e
o per´ıodo sazonal (denotado por s) ser´a tomado como 12.
Vamos nos concentrar no caso mais comum: dados mensais e sazonal-
idade anual.
A sazonalidade pode ser modelada por indicadores sazonais ou por
fun¸c˜oes trigonom´etricas.
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Modelagem com indicadores sazonais
S
t
=
s
¸
i=1
β
i
x
ti
onde
x
ti
=

1, tempo t corresponde ao per´ıodo i
0, caso contrario.
ou, mais comumente,
S
t
= β
0
+
s
¸
i=1
β
i
x
ti
β
0
representa o n´ıvel m´edio da s´erie
β
i
representa o efeito do per´ıodo i na s´erie, i = 1, 2, ..., s
O modelo acima tem s + 1 parˆametros mas a matriz n˜ao tem posto
m´aximo: a primeira coluna ´e a soma das outras.
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
´
E necess´ario impor alguma restri¸c˜ao sobre os parˆametros. As mais
comuns s˜ao:
i) Omitir o n´ıvel m´edio β
0
ii) Fazer com que um dos β’s seja zero. Nesse caso, β
0
passa a ser o
n´ıvel da s´erie para esse per´ıodo e β
i
´e o efeito do per´ıodo i com-
parado com o n´ıvel do per´ıodo escolhido;
iii) Restringir
¸
s
i=1
β
i
= 0. Nesse caso, a soma dos efeitos ´e nula , ou
equivalentemente S
t
= −
¸
s
i=1
β
i
x
ti
.
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Adotando a op¸c˜ao (iii) temos que
S
t
= β
0
+
s−1
¸
i=1
β
i
x
ti
+ β
s
x
ts
= β
0
+
s−1
¸
i=1
β
i
x
ti

s−1
¸
i=1
β
i
x
ts
= β
0
+
s−1
¸
i=1
β
i
(x
ti
−x
ts
)
= β
0
+
s−1
¸
i=1
β
i
x

ti
onde
x

ti
=

1, t corresponde ao per´ıodo i
-1, t corresponde ao per´ıodo s
0, caso contrario.
E a teoria de regress˜ao pode ser utilizada.
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
3. Capitulo
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
4. Modelos ARIMA
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Classe muito popular de modelos bastante desenvolvida na d´ecada pas-
sada. Depende apenas dos dados para a especifica¸c˜ao do modelo.
ARIMA - Auto Regressivo Intregado Moving Average (M´edias
M´oveis).
O ciclo de inferˆencia consiste em:
Identifica¸c˜ao −→ Estima¸c˜ao −→ Verifica¸c˜ao −→ Previs˜ao.
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
4.1. Introdu¸c˜ao
Recorda¸c˜ao do Cap´ıtulo 1 (operadores):
i) By
t
= y
t−1
; B
m
y
t
= y
t−m
(backward)
ii) Fy
t
= y
t+1
; F
m
y
t
= y
t+m
(forward)
iii) ∆y
t
= y
t
−y
t−1
= (1 −B)y
t
; ∆ = (1 −B)
iv) Sy
t
=

¸
j=0
y
t−j
= y
t
+ y
t−1
+ ... = (1 + B + B
2
+ ...)y
t
.
Logo, S = (1 + B + B
2
+ ...).
Como (1+B+B
2
+...)(1−B) = 1, temos que S = (1−B)
−1
= ∆
−1
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
4.2. Modelo de Filtro Linear
Os modelos aqui estudados s˜ao supostos gerados por filtros lineares.
Esquema de um filtro:
a
t
−→ Ψ(B) −→ y
t
onde:
a
t
´e a entrada do filtro (ru´ıdo branco);
Ψ ´e a fun¸c˜ ao de transferˆencia do filtro;
y
t
´e a sa´ıda do filtro.
Matematicamente, y
t
= Ψ(B)a
t
= a
t
+ Ψ
1
a
t−1
+ Ψ
2
a
t−2
+ ...
Se E[y
t
] = µ, trabalhamos com (y
t
-µ) ao inv´es de y
t
.
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Como a
t
´e ru´ıdo branco, temos que:
• E[a
t
] = 0, ∀t;
• Var[a
t
] = σ
2
, ∀t;
• E[a
t
a
s
] = 0, ∀(t, s).
E[y
t
] = µ +E[a
t

1
a
t−1

2
a
t−2
+...]. Como E[a
t
] = 0, temos que
E[y
t
] = µ se

¸
j=1
Ψ
j
< ∞
Logo, y
t
´e estacion´aria com m´edia µ se a soma acima converge. Caso
contr´ario, µ serve com referˆencia de posi¸c˜ao da s´erie n˜ao estacion´aria.
- γ
0
= V[y
t
] =

¸
j=0
V[Ψ
j
a
t−j
] = σ
2

¸
j=0
Ψ
2
j
- γ
1
= Cov[y
t
,y
t−j
] = Cov[

¸
k=0
Ψ
k
a
t−k
,

¸
k=0
Ψ
k
a
t−k−j
] = Ψ
0
Ψ
j
σ
2
+
Ψ
1
Ψ
j+1
σ
2
+ ... = σ
2

¸
k=0
Ψ
k
Ψ
k+j
.
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
Se escrevermos y
t
como fun¸c˜ao de y
t−1
, y
t−2
, . . . ao inv´es de
a
t−1
, a
t−2
, . . . , temos
y
t
= Π
1
y
t−1
+ Π
2
y
t−2
+ . . . + a
t
Da´ı,
(1 −

¸
j=1
Π
j
B
j
)y
t
= a
t
ou Π(B)y
t
= a
t
, com Π(B) = 1 - Π
1
B - Π
2
B
2
- ....
Como y
t
= Ψ(B)a
t
e Π(B)Ψ(B)a
t
= a
t
. Logo:
Π(B)Ψ(B) = 1 −→ Π(B) = Ψ
−1
(B).
Pode-se obter Π

j
s como fun¸c˜ao dos Ψ

j
s e vice-versa.
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit
4.3. Estacionariedade e Invertibilidade
Suponha que Ψ
j
= Φ
j
¸
Ψ
j
=
¸
Φ
j
= 1/(1 −Φ)
A s´erie ´e estacion´aria. (Se Φ=1, a s´erie ´e n˜ao estacion´aria com y
t
=
a
t
+ a
t−1
+ . . . que ´e o mesmo que dizer que y
t
= a
t
+ y
t−1
. Nesse
caso, y
t
´e um passeio aleat´orio. No entanto, ∆y
t
= a
t
´e um a s´erie
estacion´aria!)
N˜ao ´e dificil obter que
γ
0
= σ
2
/(1 - Φ
2
)
e
γ
j
= Φ
j
j
2
/(1 - Φ
2
)

Sum´rio a
1 Introdu¸˜o ca 1.1 No¸˜es B´sicas . . . . . . . . co a 1.2 Fundamentos Probabil´ ısticos 1.3 Processos Estacion´rios . . . a 1.4 Modelos de s´ries temporais . e . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 4 9 14 27

2 Modelos de Regress˜o a 35 2.1 Revis˜o de Modelos Lineares . . . . . . . . . . . . . . 38 a 2.2 Previs˜o . . . . . . . . . . . . . . . . . . . . . . . . . 43 a 2.3 Modelos Sazonais . . . . . . . . . . . . . . . . . . . . 47 3 Capitulo 52

4 Modelos ARIMA 53 4.1 Introdu¸˜o . . . . . . . . . . . . . . . . . . . . . . . . 55 ca 4.2 Modelo de Filtro Linear . . . . . . . . . . . . . . . . . 56 4.3 Estacionariedade e Invertibilidade . . . . . . . . . . . . 59
•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit

1.

Introdu¸˜o ca

•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit

1.1.

No¸˜es B´sicas co a

S´rie temporal: conjunto de observa¸˜es ordenadas (no tempo). e co Tempo pode ser: espa¸o, profundidade, ... c Observa¸˜es vizinhas s˜o dependentes. co a Estudos de s´ries temporais: modelagens, an´lise dessa dependˆncia, e a e t´cnicas espec´ e ıficas a s´ries temporais. e Exemplos de aplica¸˜es: co Economia: pre¸os di´rios de a¸˜es; taxa de desemprego. c a co Medicina: n´ ıveis de eletrocardiograma ou eletroencefalograma. Epidemiologia: casos semanais de sarampo; casos mensais de AIDS. Metereologia: temperatura di´ria; registro de mar´s, . . . a e

•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit

Classifica¸˜o: ca S´rie temporal ´ o conjunto de observa¸˜es {Y (t), t ∈ T }, Y : vari´vel e e co a de interesse, T : conjunto de ´ ındices Tipos de s´ries temporais e 1. Discreta: T = {t1, t2, . . . , tn} Ex: Exporta¸˜es co mensais de {01/1970, 02/1970, . . . , 11/1980, 12/1980} . Nota¸˜o: Yt ca 1970 a 1980

2. Cont´ ınua: T = {t : t1 < t < t2} Ex: Registro da mar´ no Rio durante 1 ano T = [0, 24] se unidade e de tempo ´ a hora. e Nota¸˜o: Y (t) ca 3. Multivariada: Observa¸˜es s˜o Y1(t), . . . , Yk (t), t ∈ T . co a Ex: Vendas semanais Y1(t) e gastos com propaganda Y2(t).

•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit

. Y ´ discreto e mas pode ser tratado como cont´ ınuo. Muitas vezes. Nesse curso. . s´ries u e s˜o univariadas. 2. . n} •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit . Ex: N´mero de casos notificados de AIDS. .Y pode tamb´m ser discreto ou cont´ e ınuo. discretas e observada em tempos equiespa¸ados. a c Podemos identificar T com {1.

o e •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit . e ii) Predizer o comportamento futuro da s´rie.Objetivos de uma an´lise de s´ries temporais a e Os principais objetivos s˜o: a i) Compreender o mecanismo gerador da s´rie. e • Encontrar periodicidades na s´rie. e • Tentar obter raz˜es para o comportamento da s´rie (possivelmente o e atrav´s de vari´veis auxiliares). e a • Controlar a trajet´ria da s´rie. e Compreender o mecanismo da s´rie possibilita: e • Descrever efetivamente o comportamento da s´rie.

Futuro envolve incerteza =⇒ previs˜es n˜o s˜o perfeitas. o ´ Objetivos (i) e (ii) est˜o ligados. o a a Objetivo ´ reduzir ao m´ximo os erros de previs˜o. e a a •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit . E poss´ ocorrer bem rotineiraa ıvel mente se o modelo ´ adequado.Predizer o futuro possibilita: • Fazer planos a longo. a n˜o ser nos raros casos de modelos e a determin´ ısticos. e • Tomar decis˜es apropriadas. m´dio e curto prazo.

2. Y (t) ´ uma vari´vel e ılia e a aleat´ria. o S´rie temporal ´ um processo estoc´stico. Um processo estoc´stico ca a a ´ uma fam´ {Y (t). •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit . Fundamentos Probabil´ ısticos Defini¸˜o: Seja T um conjunto arbitr´rio. ∀t ∈ T . t ∈ T } ´ chamado de espa¸o de estados e os valores Y(t) s˜o e c a chamados de estados.1. t ∈ T } tal que. O conjunto de valores e e a {Y (t).

a Um poss´ valor de um processo estoc´stico ´ uma trajet´ria em t.Para cada t. Y (t) tem uma distribui¸˜o de probabilidade. ıvel a e o •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit . Pode ser a ca mesma ou n˜o.

. . . . . t1. Y (tn) tem f. jn dos ´ ca ındices 1. . . finito-dimensionais F (y1. .a. tn−1) •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit . 2. . t1... . . .. . ılia e a Y (t1). . . y3. . .. . . t ∈ T } ´ um processo estoc´stico se as v. t1. . . t1. .. . . t3) • Consistˆncia: e lim F (y1. yn. tj1 . .d. tn) = P r(Y (t1) ≤ y1. . t2. . . yn..Uma forma alternativa de defini¸˜o de processo estat´ ca ıstico ´ uma e fam´ de v. yjn . t2.. . {Y (t). . y3. Y (t2). . . . Y (tn) ≤ yn) conhecidas para todo n ≥ 1 satisfazendo as condi¸˜es de: co • Simetria: Para qualquer permuta¸˜o j1. . t3) = F (y1. . n temos: F (yj1 . . t1. yn. tjn = F (y1. y2. . . ... yn−1.. . . tn) = F (y1.. . y1.. . t1.a. . tn) Ex: (n = 3) F (y2.

o ca co que se faz ´ concentrar nos primeiros momentos. t2) = E[Y (t1) − µ(t1)][Y (t2) − µ(t2)] = E{Y (t1)Y (t2)} − µ(t1)µ(t2) Em particular se t1 = t2 = t. t) = V {Y (t)} ´ a variˆncia de Y (t) denotada por V (t) ou e a 2 σ (t).Essa defini¸˜o n˜o ´ muito util na pr´tica pois ´ muito dif´ a especica a e ´ a e ıcil fica¸˜o de todas as distribui¸˜es finito-dimensionais Normalmente. Estes s˜o: e a i) Fun¸˜o m´dia: µ(t) = E{Y (t)} ca e ii) Fun¸˜o auto-covariˆncia (facv): ca a γ(t1. •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit . γ(t.

t2)/σ(t1)σ(t2) ca ca A importˆncia da fun¸˜o m´dia e da facv deve-se ao fato de que se a ca e as distribui¸˜es finito-dimensionais de Y (t) s˜o normais est˜o basta co a a conhecer µ e γ para conhecer todo o processo. •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit . e Ela n˜o traduz a for¸a dessa dependˆncia pois depende da unidade de a c e medi¸˜o de Y . t2) = γ(t1. a (facv) ´ comumente substituida e pela: iii) Fun¸˜o de auto-correla¸˜o: ρ(t1.A (facv) fornece a forma de dependˆncia temporal do processo Y (t). ca Para denotar esse problema.

1. s˜o necess´rias hip´teses simplificadoras. ou seja. Basicae e mente isso significa que o comportamento da s´rie n˜o se altera com o e a passar do tempo.3. co a a o A mais comum em s´ries temporais ´ a de estacionariedade. m´dia e facv n˜o mudam se caminharmos no e a tempo. •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit . Processos Estacion´rios a Como a quantidade de parˆmetros ´ usualmente maior que o n´mero a e u de observa¸˜es.

. co a co isto ´. existem duas formas de estacionariedade: • estrita (ou forte). . . yn. τ •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit . . yn. t1 + τ. tn). . . . tn. e F (y1. . . . tn + τ ) = F (y1. . . . t1. . . . . . . ∀t1. .Tecnicamente. • fraca (ou ampla ou de 2a ordem). Um processo estoc´stico Y (t) ´ estritamente estacion´rio se suas disa e a tribui¸˜es finito-dimensionais s˜o invariantes por transla¸˜es no tempo.

a •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit . t1) e. Em particular com n = 1 e t2 = t1 + τ temos que: F (y1. t2) = F (y2.O processo deslocado τ unidades no tempo permanece com as mesmas caracter´ ısticas. µ = µ(t) e σ 2 = σ 2(t) s˜o constantes. portanto.

t2) = γ(t1 − t2. t1. y2. γ(t1. e F (y1. y2. 0) = γ(t. t2 + τ ) = F (y1. t2 + τ ) Fazendo τ = −t2 e t = t1 − t2 temos que: γ(t1. t1 + τ. t2) = γ(t1 + τ. a •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit .Al´m disso. t2) Logo. 0) = γ(t) A facv depende apenas da distˆncia entre os pontos considerados.

Y (t2)} = γ(t1. E{Y (t)} = µ(t) = µ 2. ent˜o: a Estacionariedade forte → Estacionariedade fraca A volta s´ vale se a Distribui¸˜o finito-dimensionais de Y (t) s˜o o ca a normais (Processo Gaussiano). •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit . Corr{Y (t1).Um processo estoc´stico Y (t) ´ fracamente estacion´rio se: a e a 1. V {Y (t)} = σ 2(t) = σ 2 3. t2) = γ(t2 − t1) Se os momentos existem.

t2) γ(t2 − t1) γ(t) = = = ρ(t) σ(t1)σ(t2) σ 2(t1) γ(0) ρ(t1.Observe que a fun¸˜o de auto-correla¸˜o de processos estacion´rios ´: ca ca a e σ(t1. t2) = De agora em diante. ca co Conceito n˜o t˜o importante em modelos dinˆmicos. a a a •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit . consideraremos apenas processos estacion´rios ou a pass´ ıveis de “estacionariza¸˜o”por transforma¸˜es.

. . 1. ck . . . γk ser´ estimado o e a por: 1 ck = n onde 1 Y = n t=1 Yi e k = 0. c0 fun¸˜o de autocorrela¸˜o ca ca •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit . . Yn. . . e ρk pode ent˜o ser estimado por rk = a amostral.Ap´s observar a s´rie temporal discreta Y1. . n − 1 n n−k (Yi − Y )(Yi+k − Y ) t=1 ck ´ a facv amostral.

g ´ a identidade. e λ = −1. e limλ→0 g(y) = log(y) Essas transforma¸˜es s˜o usadas principalmente para estudar a co a variˆncia. g transforma y em y. recorre-se a transforma¸˜es nos dados. As transforma¸˜es mais a co co comuns s˜o: a • Transforma¸˜o Box-Cox: Considere a fun¸˜o da forma: ca ca (y λ − 1) g(y) = λ Se λ = 1.Como normalmente as s´ries n˜o apresentam esse comportamento e a est´vel. e ca √ λ = 1/2. a •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit (1) . g ´ a transforma¸˜o inversa.

e a •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit .• Opera¸˜o Diferen¸a (∆): Define-se o operador diferen¸a ca c c atrav´s de: e ∆yt = yt − yt−1 (2) Aplicando-se o operador novamente obtem-se a 2a diferen¸a: c ∆2 y t = = = = ∆(∆yt) ∆(yt − yt−1) (yt − yt−1) − (yt−1 − yt−2) yt − 2yt−1 + yt−2 A n-´sima diferen¸a de yt ´ obtida recursivamente por: e c e ∆nyt = ∆(∆n−1yt) (3) Normalmente. uma ou duas diferen¸as s˜o suficientes para tornar c a a s´rie estacion´ria.

modelo ´ probabil´ a e ıstico. aprendizado e previs˜o a Central ` an´lise de s´rie temporais est´ a constru¸˜o de um modelo. a e o ca •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit . • Deve tamb´m ser econˆmico (parsimˆnia). • Aprendizado ´ processamento de informa¸˜o atrav´s do modelo. e ca e • Previs˜o ´ hip´tese. e o o • Descri¸˜o deve ser relativamente simples e flex´ para poder se ca ıvel adaptar ao futuro (incerto) e facilitar aprendizado.esquema de descri¸˜o (e explica¸˜o) que organiza informa¸˜o ca ca ca (e experiˆncia) de forma a propiciar aprendizagem e previs˜o. a a e a ca Modelo .Modelagem. conjectiva ou especula¸˜o sobre o futuro. • Devido ` incerteza presente. e a Bom modelo permite aprendizado levando a previs˜es adeo quadas.

Esquema de sistema de previs˜o: a •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit .

e ˆ Denotaremos por Yt(h) a previs˜o de Yt+h no instante t. conhecida apenas dada a hist´ria obe o ˆ servada do processo at´ o tempo t.a. Associado a Yt(h) temos o erro de e ˆ previs˜o Yt+h − Yt(h) a •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit . Suponha que observamos uma s´rie at´ o instante t e queremos prever e e o valor da s´rie no instante t + h. ou seja. qu˜o perto est˜o as previs˜es dos valores a a o posteriormente observados.Crit´rios de Previs˜o e a O melhor crit´rio para escolher um modelo de previs˜o ´ a sua cae a e pacidade preditiva. a ˆ Ex: Yt−1(1) ´ a previs˜o de Yt no instante t − 1 e a t ´ a origem da previs˜o e a h ´ o horizonte da previs˜o e a ˆ Observe que Yt(h) ´ uma v.

Se erros de previs˜o positivos e negativos s˜o igualmente importantes a a faz sentido procurar previs˜es que minimizem o erro absoluto m´dio o e 2 ˆ ˆ E[Yt+h − Yt(h)] e o erro quadr´tico m´dio E[Yt+h − Yt(h)] a e Podemos identificar dois procedimentos distintos de constru¸˜o de ca modelos de previs˜o: a i) baseia-se em teorias e inclui muitas vari´veis . •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit . e e Privilegiaremos o segundo.s´ries temporais.econom´trico. a e ii) baseia-se no comportamento observado da s´rie .

a e Os modelos dessa classe podem ser genericamente escritos como Yt = S t + ε t ou seja Observa¸˜o = Sinal + Ru´ ca ıdo •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit . ınio e O curso ser´ basicamente sobre modelos param´tricos.1.No infinito de parˆmetros. An´lise ´ feita no a e a a e dom´ da frequˆncia. (ii) n˜o-param´tricos .4. Modelos de s´ries temporais e Modelos podem ser divididos em 2 classes : (i) param´tricos . An´lise ´ feita no dom´ e a a e ınio do tempo.No finito de parˆmetros.

ou seja log Yt = log α + βt + εt •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit .Assim temos: (a) Modelos de regress˜o (CAP. Modelo de tendˆncia linear e St = α + βt 2.2) a • Ru´ ıdos s˜o n˜o-correlacionados a a • St = x t β Exemplos : 1. Modelo de curva de crescimento Yt = αeβt+εt .

•First •Prev •Next •Last •Go Back •Full Screen •Close •Quit .(b) Modelos de alisamento exponencial • O sinal novamente descreve uma fun¸˜o como em (a). ca • Rela¸˜o do sinal vale apenas “localmente”. (b)“Localmente”linear. ca • Parˆmetros sujeitos a pequenas varia¸˜es temporais a co (a)“Localmente”constante.

+ φpyt−p N´ (sinal) atual depende dos n´ ıvel ıveis passados.(c) Modelos Autoregressivos (AR) Como em (a) com St = φ1yt−1 + φ2yt−2 + .4) que inclui a os modelos AR em (c). . . Os modelos ARIMA s˜o uma generaliza¸˜o dos modelos ARMA que a ca visam basicamente tornar o processo estacion´rio atrav´s de opera¸˜es a e co diferen¸a. . (d) Modelos lineares estacion´rios a ∞ St = Ψ1εt−1 + Ψ2εt−2 + . c •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit . . = i=1 Ψiεt−i Esse processo ´ estacion´rio se e a ∞ 2 i=1 (Ψ ) <∞ Inclui os modelos ARMA (que ser˜o estudados no CAP.

Podem ser usados tanto do ponto de vista cl´ssico quanto Bayesiano. βt = βt. •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit . Gt = 1 e Wt = Wt logo yt = βt + εt. a Ex: Xt = 1.(e) Modelos de espa¸o de estados ou dinˆmicos (CAP. Equivale ao modelo de alisamento exponencial para s´ries “locale mente”constantes.5) c a St = Xt βt generalizando os modelos de regress˜o a βt = Gt+1βt + Wt Esses modelos incluem os modelos ARIMA. βt = βt−1 + Wt.

.... n) t •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit ..(f ) Modelos de equa¸˜es simultˆneas ou econom´tricos co a e YtT Γ + XtB = Yt .Xn) BΓ−1 ( 1 2.Vari´veis end´genas a o Xt ..Yn) (X1X2.Vari´veis ex´genas a o Se Γ tem posto m´ximo ent˜o ap´s observar amostra de tamanho n a a o Yt = XtT + E onde: YT XT T ET = = = = (Y1Y2.

Fenˆmenos T´ o ıpicos de S´ries Temporais e Boa parte das s´ries tˆm caracter´ e e ısticas t´ ıpicas. as principais s˜o: a i) Tendˆncia: ´ o efeito de longo prazo na m´dia. A S´rie acima apresenta tendˆncia de crescimento linear. Especifica¸˜o de e e e ca longo prazo ´ dif´ e ıcil. e e •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit .

ii) Sazonalidade: efeitos ligados ` varia¸˜es peri´dicas (semanal. anual. ca e •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit . a iii) Ciclos: varia¸˜es que apesar de peri´dicas n˜o s˜o associco o a a adas automaticamente a nenhuma medida temporal. Ex: Medidas de Temperatura (aumenta no ver˜o e diminui no inverno). Ex: Ciclos Econˆmicos (5 e 7 anos) e Ciclos de epidemias. etc.). o Uma das tarefas mais importantes em ST ´ identificar estas compoe nentes visando a decomposi¸˜o da s´rie estudada. a co o mensal.

2. Modelos de Regress˜o a •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit .

a 4.Modelo de Crescimento Exponencial: yt = yebt+ t. a a •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit . e EXEMPLOS: 1.Modelo de Tendˆncia Linear: St = a + bt.Conforme visto no cap´ ıtulo 1 podemos pensar na S´rie Temporal como e uma cole¸˜o de observa¸˜es determinadas por um sinal dependendo ca co de uma forma determin´ ıstica do tempo `s quais s˜o superpostos erros a a n˜o correlacionados.Modelo de Regress˜o Linear Simples: St = a + bxt.Modelo de Regress˜o N˜o Linear: St = 1/(a + bxt). e 2. 3. a Procura-se neste caso usar modelos de regress˜o para caracterizar a o sinal que controla a s´rie.

log(St) = a + b/t.Os modelos 2 e 4 n˜o s˜o lineares nos parˆmetros. ap´s transforma¸˜o a e o ca logar´ ıtmica. ´ linear em a e b. Importante ´ a linearia e dade nos parˆmetros. a Ex: Um modelo que pode ser usado para ST descrevendo uma curva S. embora Z possa ser a a a parametrizado atrav´s da transforma¸˜o logar´ e ca ıtmica: log(a) + bt + t Os modelos aqui considerados ser˜o lineares. que embora n˜o seja linear em t. •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit .

. .2.. Xp a Relacionadas atrav´s de: Yt = β0 + e Podemos escrever: p i=1 βixit + εt onde t = 1.. .... βp) t Os erros εt s˜o n˜o-correlacionados com: E[εt] = 0 e V [εt] = σ 2 a a Comumente se assume tamb´m que os εt s˜o normais. .. xpt) t β T = (β0... . x1t.. β1. e a •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit .1. . Revis˜o de Modelos Lineares a Vari´vel dependente: Y a Vari´veis explicativas: X1. . n St = x T β t xT = (1.

ent˜o X T X pode ser invertido fornecendo β = (X T X)−1X T Y a •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit . yn) onde: E[ε] = 0 e V [ε] = σ 2In X T = (x1... . explicativas s˜o linearmente indepena a ˆ dentes)... ... εn) O crit´rio para estima¸˜o de β ´ a minimiza¸˜o de: e ca e ca n S(β) = t=1 (yt − xT β)2 t ˆ Para β minimizar S(β) ´ preciso que X T X β = X T Y e Se X tem posto m´ximo (var.Usando nota¸˜o matricial pode-se escrever: ca Y = Xβ + ε Y T = (y1. . xn) εT = (ε1....

ii) Se os erros tem distribui¸˜o normal ent˜o β tamb´m tem.Propriedades: ˆ i) E[β] = β e ˆ V [β] = σ 2(X T X)−1. iv) Definindo: • Soma Total dos Quadrados por ST Q = • Soma do Erros Quadrados por SEQ = n ¯ 2 t=1 (Yt − Y ) n ˆ 2 t=1 (Yt − Yt ) n ˆ ¯ 2 t=1 (Yt − Y ]) • Soma dos Quadrados da Regress˜o por SQR = a Temos que ST Q = SEQ + SQR. ca a ˆ e ˆ iii) Os valores ajustados de Y s˜o Y = X β e os res´ a ˆ ıduos ε s˜o dados a ˆ por ε = Y − Y . Normalmente mede-se o ajuste da regress˜o atrav´s de a e R2 = 1 − SEQ ST Q •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit .

Teste de n´ de α para testar H : βi = 0 que rejeita H ıvel ˆi | β se S|√cii > tα/2. onde tα/2.n−p−1 ´ o percentil 100(1 − α/2) da t com n − p − 1 g. 1) onde cii ´ o i-´simo e e S elemento da diagonal de (X T X)−1 pode-se obter: ˆ .l.SEQ v) Se σ 2 ´ desconhecido.n−p−1S cii .n−p−1 •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit . ele ´ estimado por S 2 = n−p−1 onde e e SEQ 2 2 ˆe ∼ χ2 a n−p−1 e portanto E[S ] = σ e a variˆncia de β ´ estimada σ2 ˆ ˆ por V [β] = S 2(X T X)−1 −β vi) Usando o fato que ti = βi√ciii ∼ tn−p−1(0. βi + tα/2.n−p−1S cii].Intervalo de confian¸a 100(1 − α) para βi da forma: c √ √ ˆ ˆ [βi − tα/2. e .

vii) O teste simultˆneo da regress˜o testa a hip´tese a a o H0 : β1 = β2 = ... Ele rejeita H0 se SQR p SEQ (n−p−1) > Fα (p. onde Fα (p. n − p − 1) ´ o percentil 100(1 − α)% da distribui¸˜o F e ca com p e n − p − 1 graus de liberdade. H1 : algumβi = 0. •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit . = βp vs. n − p − 1).

Denotando o preditor por Ys e o erro de previs˜o ´ dado por es = Ys − Ys.2. Previs˜o a Suponha que se deseja prever Ys baseado nos valores x1s. .2. . . . podemos substitu´ por seu estimador e ı-lo fornecendo a previs˜o a Ys = x T B s •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit . . . . xps. . s s Como B ´ desconhecido. xps). a e se utilizarmos como crit´rio a minimiza¸˜o do EQM dado por e ca E[e2] = E[Ys − Ys]2 s obtemos Ys = E[Ys] = xT B onde xT = (x1s.

1) O intervalo de confian¸a 100(1 − α)% para Ys ´ dado por: c e Ys − tα/2.n−p−1 V (Ys − Ys) . Ys + tα/2. estima-se V (Ys − Ys) por V (Ys − Ys) dado por S 2 1 + xT (X T X)−1xs s iii) Se os erros s˜o normais ent˜o √ Ys−Ys a a V (Ys −Ys ) tn−p−1(0.n−p−1 V (Ys − Ys) •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit .Propriedades: i) E[Ys] = xT B e V (Ys) = σ 2xT (X T X)−1xs s s ii) E[Ys − Ys] = 0 e V (Ys − Ys) = σ 2[1 + xT (X T X)−1xs] s 2 e Como σ ´ desconhecido.

t−1 e t+1 .Correla¸˜o serial entre os erros ca Normalmente em regress˜o. a ca Importante estudar as autocorrela¸˜es da s´rie. assume-se que os erros a cionados. ρk . t. O n˜o reconhecimento das correla¸˜o podem levar a ajustes incorretos. co e •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit . o erro no tempo t.. esteja relacionado aos erros cont´ ıguos. e e a a c i. t n˜o s˜o correlaa a Em dados de s´ries temporais ´ razo´vel esperar que isso n˜o aconte¸a.e.

e •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit . 05 rejeita a hip´tese ρk = 0 se n | rk |> 1. n−1) e ıvel o √portanto o teste de n´ α = 0. Observe que temos de fazer v´rios testes simultˆneos e o n´ para um a a ıvel teste global ´ outro. vale aproximadamente e que rk ∼ N (0.J´ vimos que ρk ’s dadas por: a n−k t=1 (Yt − Y )(Yt+k − n 2 t=1 (Yt − Y ) Y) Pode ser mostrado que se ρk = 0 e n ´ grande. 96.

3. •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit . ca n´mero de casamentos em cada mˆs. Modelos Sazonais S´ries sazonais ocorrem com frequˆncia em v´rias ´reas: e e a a consumo mensal de eletricidade em uma dada regi˜o. a produ¸˜o mensal de leite. e a Muito da sazonalidade ´ devido ` rota¸˜o da Terra em torno do Sol e e a ca a ´s decorrˆncias clim´ticas. A sazonalidade muitas vezes tem padr˜o bem estabelecido e est´vel a a (consumo de eletricidade ´ maior no ver˜o). u e etc.2. e a ´ E importante modelar para melhor compreender e estimar.

o espa¸o de tempo pra completar um ciclo sazonal (per´ e c ıodo) pode assumir v´rios valores. Vamos assumir aqui que s´rie ´ modelada apenas pela sazonalidade e e e o per´ ıodo sazonal (denotado por s) ser´ tomado como 12. a s´rie est´ sujeita ` tendˆncias e e e a a e ciclos. A sazonalidade pode ser modelada por indicadores sazonais ou por fun¸˜es trigonom´tricas.Normalmente. a Vamos nos concentrar no caso mais comum: dados mensais e sazonalidade anual. co e •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit . al´m de sazonalidade. Se a sazonalidade ´ anual (mais comum) e a e os dados s˜o trimestrais (per´ a ıodo = 4). se os dados s˜o mensais (per´ a ıodo = 12) e se os dados s˜o semanais (per´ a ıodo = 52). Isso vai ser visto na pr´xima se¸˜o. o ca Al´m disso.

caso contrario. tempo t corresponde ao per´ ıodo i 0.. s ou. 2.. s e O modelo acima tem s + 1 parˆmetros mas a matriz n˜o tem posto a a m´ximo: a primeira coluna ´ a soma das outras.Modelagem com indicadores sazonais s St = i=1 βixti onde xti = 1.. . a e •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit . mais comumente. St = β0 + i=1 βixti β0 representa o n´ m´dio da s´rie ıvel e e βi representa o efeito do per´ ıodo i na s´rie. i = 1.

´ E necess´rio impor alguma restri¸˜o sobre os parˆmetros. Nesse caso. Nesse caso. s •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit . β0 passa a ser o n´ da s´rie para esse per´ ıvel e ıodo e βi ´ o efeito do per´ e ıodo i comparado com o n´ do per´ ıvel ıodo escolhido. ou e s equivalentemente St = − i=1 βixti. iii) Restringir i=1 βi = 0. a soma dos efeitos ´ nula . As mais a ca a comuns s˜o: a i) Omitir o n´ m´dio β0 ıvel e ii) Fazer com que um dos β’s seja zero.

caso contrario. E a teoria de regress˜o pode ser utilizada.Adotando a op¸˜o (iii) temos que ca s−1 St = β0 + i=1 s−1 βixti + βsxts s−1 = β0 + i=1 s−1 βixti − i=1 βixts = β0 + i=1 s−1 βi(xti − xts) βix∗ ti i=1 = β0 + onde   1. a •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit . t corresponde ao per´ ıodo i ∗ -1. t corresponde ao per´ ıodo s xti =  0.

3. Capitulo •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit .

Modelos ARIMA •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit .4.

Classe muito popular de modelos bastante desenvolvida na d´cada pase sada. o O ciclo de inferˆncia consiste em: e Identifica¸˜o −→ Estima¸˜o −→ Verifica¸˜o −→ Previs˜o. ca ca ca a •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit . Depende apenas dos dados para a especifica¸˜o do modelo.Auto Regressivo Intregado Moving Average (M´dias e M´veis). ca ARIMA .

S = (1 + B + B 2 + ... Logo..).)(1−B) = 1.....1. = (1 + B + B 2 + .)yt. Como (1+B+B 2 +. ∆ = (1 − B) ∞ iv) Syt = j=0 yt−j = yt + yt−1 + .4.. temos que S = (1−B)−1 = ∆−1 •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit . B myt = yt−m (backward) ii) F yt = yt+1 . F myt = yt+m (forward) iii) ∆yt = yt − yt−1 = (1 − B)yt . Introdu¸˜o ca Recorda¸˜o do Cap´ ca ıtulo 1 (operadores): i) Byt = yt−1 .

.2.. e •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit . Modelo de Filtro Linear Os modelos aqui estudados s˜o supostos gerados por filtros lineares. Se E[yt] = µ. e ıdo Ψ ´ a fun¸ao de transferˆncia do filtro. e c˜ e yt ´ a sa´ do filtro. e ıda Matematicamente. a Esquema de um filtro: at −→ Ψ(B) −→ yt onde: at ´ a entrada do filtro (ru´ branco).4. yt = Ψ(B)at = at + Ψ1at−1 + Ψ2at−2 + . trabalhamos com (yt-µ) ao inv´s de yt.

• E[atas] = 0.γ1 = Cov[yt.. Caso e a e contr´rio. = σ 2 Ψk Ψk+j .γ0 = V[yt] = j=0 V[Ψj at−j ] = σ ∞ 2 j=0 Ψ2 j ∞ . s). Ψk at−k−j ] = Ψ0Ψj σ 2 + k=0 k=0 Ψ1Ψj+1σ 2 + . Como E[at] = 0. ∀t.Como at ´ ru´ branco. ∀t. ∀(t.. E[yt] = µ + E[at + Ψ1at−1 + Ψ2at−2 + .. yt ´ estacion´ria com m´dia µ se a soma acima converge. • Var[at] = σ 2. k=0 •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit .. µ serve com referˆncia de posi¸˜o da s´rie n˜o estacion´ria. a e ca e a a ∞ ∞ .]. temos que ∞ E[yt] = µ se j=1 Ψj < ∞ Logo.yt−j ] = Cov[ ∞ Ψk at−k . temos que: e ıdo • E[at] = 0.

..Π1B . com Π(B) = 1 . Logo: Π(B)Ψ(B) = 1 −→ Π(B) = Ψ−1(B). + at Da´ ı. . Pode-se obter Πj s como fun¸˜o dos Ψj s e vice-versa. . yt−2. ... (1 − j=1 ∞ Πj B j )yt = at ou Π(B)yt = at. at−2. . temos yt = Π1yt−1 + Π2yt−2 + . . Como yt = Ψ(B)at e Π(B)Ψ(B)at = at. ao inv´s de ca e at−1. .Π2B 2 . . .. ca •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit .Se escrevermos yt como fun¸˜o de yt−1.

. yt ´ um passeio aleat´rio. ∆yt = at ´ um a s´rie e o e e estacion´ria!) a N˜o ´ dificil obter que a e γ0 = σ 2/(1 .4. Nesse e caso. (Se Φ=1. que ´ o mesmo que dizer que yt = at + yt−1. a s´rie ´ n˜o estacion´ria com yt = e e a e e a a at + at−1 + . .3. No entanto.Φ2) e γj = Φj j 2/(1 . Estacionariedade e Invertibilidade Suponha que Ψj = Φj Ψj = Φj = 1/(1 − Φ) A s´rie ´ estacion´ria.Φ2) •First •Prev •Next •Last •Go Back •Full Screen •Close •Quit .