Análise de Processos Aleatórios em Séries Temporais

Conhecimentos Especficos Mtodos Quantitativos Anatel
Aula 11 Processos Aleatrios

Prof. Alexandre Lima
Aula 11
Sumrio
0
Exemplo de Questo Discursiva ...................................................................................... 2
Noes de Processos Estocsticos .................................................................................. 6

1.1
Introduo ........................................................................................................................ 6
1.2
Processos Estocsticos .............................................................................................. 13
1.3
Especificao de um Processo Estocstico ........................................................ 15
1.4
Estacionariedade.......................................................................................................... 19
1.4.1
Estacionariedade de Segunda Ordem ............................................................................ 20
1.5
Propriedades da Funo de Autocovarincia .................................................... 21
1.6
Ergodicidade .................................................................................................................. 21
1.7
Processos Lineares Estacionrios .......................................................................... 22
1.7.1
Rudo Branco ................................................................................................................ 22
1.7.2
Processos Autorregressivos (AR) ................................................................................. 22
1.7.3
Processos de Mdias Mveis ........................................................................................ 33
1.7.4
Processos Autorregressivos e de Mdias Mveis ......................................................... 35
1.8
1.8.1
Processos Lineares No Estacionrios ................................................................. 36

Modelo ARIMA ............................................................................................................ 36
O Mnimo que Voc Precisa Saber ................................................................................ 38
Exerccios de Fixao ......................................................................................................... 40
Gabarito .................................................................................................................................. 47
Resoluo dos Exerccios de Fixao ........................................................................... 48
1
www.pontodosconcursos.com.br | Prof. Alexandre Lima

Ol, tudo bem com voc?

Vrios alunos tm perguntado no forum se eu tenho alguma ideia sobre temas
que podero ser cobrados na prova discursiva da Anatel. Como no estou
ministrando curso nessa rea, tenho evitado entrar no mrito da discusso,
por uma questo de tica profissional.
No obstante, no me sinto impedido de compartilhar com voc a minha
soluo para uma questo discursiva sobre anlise de regresso linear que foi
proposta recentemente pelo CESPE. Espero que essa dica possa contribuir para
a sua aprovao!
Vamos aula de hoje?
Exemplo de Questo Discursiva
(Analista do MPU Estatstica/CESPE-UnB/2013) Um estudo sobre a

qualidade da gesto pblica em programas de assistncia social considerou um
modelo de regresso linear simples na forma yk = a + bx k + k , em que yk um
indicador que representa a capacidade administrativa do municpio k , a
varivel regressora xk denota o valor do gasto pblico per capta do municpio
k em programas de assistncia social, e k = 1,2,..., 5.564 . Os coeficientes do
modelo so representados por a e b , e k representa o erro aleatrio com
mdia zero e varincia constante. Sob a hiptese de que esses erros aleatrios
sejam normais (independentes e identicamente distribudos), a tabela 1 abaixo
mostra as estimativas dos coeficientes que foram obtidos pelo mtodo dos
mnimos quadrados ordinrios e a tabela 2 apresenta o resultado da anlise
de varincia (ANOVA). A Figura 1 mostra o diagrama de disperso entre as
variveis yk e xk e um esboo da reta ajustada.
tabela 1
coeficiente
Estimativa
Erro padro
Razo t
P(|T| > t)
a
b
40,0
0,2
10,0
0,05
4,0
4,0
< 0,001
< 0,001
tabela 2
fonte de
variao
modelo
erro
Total
graus de
liberdade
1
5.562
5.563
soma de
quadrados
2.500
47.500
50.000
quadrado
mdio
QM(modelo)
8,54
8,99
razo F
p-valor
292,73
< 0,001
2

Com base no conjunto de informaes acima, redija um texto dissertativo que

apresente anlise estatstica acerca dos resultados produzidos pelo referido
estudo. Ao elaborar seu texto, faa, necessariamente, o que se pede a seguir.
Descreva as distribuies amostrais dos estimadores dos coeficientes do
modelo, de suas mdias e varincias. [valor: 13,00 pontos]
Analise os resultados mostrados nas tabelas 1 e 2. [valor: 12,50
pontos]
Apresente diagnstico do modelo, com base na figura. [valor: 12,50
pontos]
Resoluo
Quesito 1: Descreva as distribuies amostrais dos estimadores dos
coeficientes do modelo, de suas mdias e varincias.
Seja o modelo de Regresso Linear Simples (RLS) yk = E (Y | xk ) + k = a + bxk + k ,
em que o operador E (.) denota o valor esperado. Admita que a e b sejam os
estimadores do intercepto a e da inclinao b , respectivamente. A varivel
independente X suposta controlada e fixa. Para cada valor xk de X teremos
associada uma distribuio de probabilidades para Y , onde supomos que a
disperso a mesma para cada valor de X . Os erros aleatrios k so
normais, independentes e identicamente distribudos com mdia zero e
varincia constante 2 , ou seja, ~ N (0, 2 ) . Isto que implica y k ~ N (a + bxk , 2 ) .
Para o estimador b temos
b =
n
k =1
( xk x )( yk y )
n
k =1
( xk x ) 2
S XY
S XX
E (b) = b
Var (b) =
n
k =1
( xk x ) 2
2
S XX
3

em que x a mdia aritmtica dos xk , y a mdia aritmtica dos yk e Var (.)

denota a varincia. Para o estimador a temos
a = y bx
E ( a ) = a
Var ( a ) =
n
Var (b) k =1 X k2
Como os estimadores a e b so combinaes lineares de variveis aleatrias

normais e independentes, os yk , ambos tm distribuio normal com as
mdias e varincias dadas anteriormente:
Var (b) n X k2
k =1
a ~ N a,
b ~ N b,
S XX
Quesito 2: Analise os resultados mostrados nas tabelas 1 e 2.

Os resultados da tabela 1 permitem que a significncia da regresso seja
testada pelo uso do teste t. Assuma a hiptese nula de no existir linha de
regresso, ou seja, H0: b = 0 . Se essa hiptese for verdadeira, ento X no
explica a variao de Y e pode ser que o melhor estimador de Y para qualquer
X seja y = y ou que a relao verdadeira entre X e Y no seja linear. Os
resultados da tabela 1 indicam que a hiptese nula deve ser rejeitada, ou seja,
h linha de regresso, porque a ocorrncia do valor T = b / EP (b) = 4,0 , quando a
hiptese nula verdadeira, inverossmil, pois a probabilidade P(|T| > t)
praticamente nula (P(|T| > t) < 0,001).
A tabela 2 nos permite testar a significncia da regresso pela anlise de
varincia (ANOVA). Como o p-valor da razo F obtida praticamente nulo (pvalor < 0,001), a ANOVA confirma a existncia de linha de regresso.
Na tabela 2, SQR (soma de quadrados da regresso) = 2.500, SQE (soma de
quadrados dos erros) = 47.500 e SQT (soma de quadrados total) = 50.000,
em que SQT = ( yk y ) 2 , SQR = ( y k y ) 2 e SQE = ( yk y k ) 2 . A estatstica
R 2 = SQR / SQT (coeficiente de determinao) mede o lucro relativo que se

ganha ao introduzir o modelo de RLS. A ideia simples: deve-se verificar se
compensa ou no utilizar o modelo yk = a + bx k + k . Para tal, observa-se a
reduo no resduo k = yk y k quando comparado com o modelo yk = y + k . Se
a reduo for muito pequena, os dois modelos sero praticamente
equivalentes, e isso ocorrer quando a inclinao for zero ou muito pequena,
no compensando usar um modelo mais complexo.
Dito de outra forma, o coeficiente de determinao nos d o valor da
percentagem da variao total de Y em relao a sua mdia y (
4

SQT = ( yk y ) 2 ) que explicada pelo modelo de regresso. O modelo obtido
explica somente 5% da variabilidade total. Isto indica que pouco compensa o

uso do modelo yk = a + bx k + k no lugar de yk = y + k .
Quesito 3: Apresente diagnstico do modelo, com base na figura.
Em primeiro lugar, a figura sugere que a varincia residual no constante
(ela maior para pequenos valores de X do que para grandes valores de X).
Portanto, h heterocedasticidade.
Sabe- se que o coeficiente de correlao r e o coeficiente de determinao R2
esto relacionados pela frmula r 2 = R 2 . Logo, r = + 0,05 0,22 . O diagrama de
disperso confirma visualmente o baixo valor obtido para a correlao.
No possvel fazer a anlise de resduos, pois o grfico correspondente no
foi fornecido pela questo.
5

Noes de Processos Estocsticos
1.1
Introduo
As sries temporais podem ser estacionrias ou no estacionrias. A

Figuras 1 e 2 ilustram uma srie estacionria e outra no estacionria,
respectivamente.
Figura 1: srie temporal estacionria.
Note que a srie da Fig. 1 (a) flutua em torno de uma mesma mdia
(neste caso igual a zero) e que (b) a sua variabilidade parece ser
constante ao longo do tempo. As caractersticas (a) e (b) so tpicas
de sries estacionrias. Definiremos formalmente o que uma srie
estacionria mais adiante nesta aula.
Por outro lado, a srie da Fig. 2 no flutua em torno de uma mesma mdia
e por esta razo que ela dita no estacionria.
6

Figura 2: srie temporal no estacionria.

As sries temporais tambm podem ser determinsticas ou estocsticas. A
srie temporal estacionria determinstica mais simples dada por uma
constante , ou seja,
(1)
yt =
em que t denota o ndice de tempo. Suponha que a srie (1) tenha incio no
tempo t = 0 . Ento ela consiste na sequncia { y 0 = , y1 = , y 2 = ,...}. A Fig. 3
ilustra (1) com = 1 e 16 amostras (ou pontos).
Figura 3: srie temporal estacionria determinstica.

7

A srie (1) ser estacionria e estocstica se a ela for acrescentado um

componente aleatrio t idntica e independentemente extrado de uma
distribuio Normal N (0, 2 )
(2)
yt = + t .
A srie autorregressiva1
(3)
yt = + 0,5 yt 1
estacionria e determinstica. Essa srie converge para 2 medida que

t aumenta2. Ela se tornar estacionria e estocstica se a ela for
acrescentado um termo t como o de (2).
Uma srie no estacionria tem uma tendncia, que pode ter uma
natureza determinstica ou estocstica. Uma srie no estacionria
determinstica, acrescida de um componente aleatrio extrado de uma dada
distribuio, flutua em torno de uma tendncia. Por exemplo, a srie
(4)
yt = + t + t
em que um valor constante, no estacionria com tendncia

determinstica (vide Fig. 4).
Uma srie no estacionria com tendncia estocstica move-se em torno
de mdias flutuantes. A srie
(5)
yt = yt 1 + t ,
denominada passeio aleatrio3, no estacionria com tendncia

estocstica. A Fig. 2 mostra uma realizao de um passeio aleatrio.
Esta srie auto-regressiva por que o valor atual
y t (valor de y no tempo t) depende de y t 1 (valor de y no instante
de tempo discreto imediatamente anterior t-1). Diz-se que t representa o tempo discreto quando t = 0,1, 2,... , ou seja,
quando t Z .
y
y
y
2
y t = + t 1 yt = + + t 2 y t = + + + t 3 . Desenvolvendo para infinitos termos,
2
2
4
2 4
8
i
1
temos que: y t = 1 +
= (1 + 1) = 2 .
2
i =1
3
A srie (5) chamada de passeio aleatrio porque o valor da srie no tempo t igual ao valor da srie no tempo
t 1 mais um movimento completamente aleatrio determinado por t .
8

Figura 4: srie no estacionria com tendncia determinstica.
A srie
(6)
yt = + yt 1 + t ,
em que uma constante denominada drift, conhecida como o passeio

aleatrio com drift (vide Fig. 5).
Figura 5: passeio aleatrio, = 1, com drift = 0,2 (linha cheia

superior), sem drift = 0 (linha cheia inferior) e linha tracejada com
declividade 0,2.
9

O procedimento de estimao dos parmetros de uma srie temporal depende

de a srie ser estacionria ou no. Portanto, deve-se primeiramente
verificar se a srie sob anlise ou no estacionria. As sries
estacionrias so anlogas s sries convergentes do clculo.
As inferncias estatsticas feitas sobre uma srie temporal s tero validade se
os resduos do modelo estimado forem estacionrios.
Do que foi visto at agora, a idia central a seguinte: as sries no

estacionrias no tm mdia e varincia constantes ao longo do
tempo, contrariamente s sries estacionrias.
Em economia e finanas, por exemplo, h sries estacionrias e no
estacionrias. Em geral, retornos de aes4 so sries estacionrias. A Fig. 6
mostra a srie dos retornos dirios da New York Stock Exchange (NYSE Bolsa
de Valores de Nova York) de 02/02/1984 a 31/12/1991. fcil constatar que o
crash da bolsa ocorre em t = 938 (19/10/1987), pois os retornos oscilam com
maiores amplitudes nas vizinhanas desta data. Os dados mostrados pela Fig.
6 so tpicos de sries de retornos de aes. Em geral, a mdia da srie parece
estar estabilizada em um valor prximo de zero. Entretanto, a volatilidade (ou
variabilidade) da srie varia com o tempo. De fato, os dados da Fig. 6 possuem
um cluster (aglomerado) de volatilidade em t = 938. Um dos problemas da
anlise deste tipo de srie temporal a previso da volatilidade dos retornos
futuros. Modelos Autoregressive Conditional Heteroskedasticity (ARCH),
Generalized Autoregressive Conditional Heteroskedasticity (GARCH) e de
volatilidade estocstica foram desenvolvidos com a finalidade de lidar com este
tipo de problema. A boa notcia que estes modelos (avanados) no sero
vistos neste curso, pois entendo que esto fora do escopo da prova.
Um dos objetivos em finanas a avaliao de riscos de uma carteira de ativos (instrumentos) financeiros. O risco
freqentemente mensurado em termos de variaes de preos dos ativos. Seja Pt o preo de um ativo no instante t,
normalmente um dia de negcio. A variao de preos entre os dias t-1 e t dada por Pt = Pt Pt 1 e a variao
relativa de preos ou retorno lquido simples por Rt =
Pt Pt 1 Pt
P
=
. Note que Rt = t 1 . Chamamos 1 + Rt de
Pt 1
Pt 1
Pt 1
retorno bruto simples. Denotando pt = log Pt (sendo o logaritmo na base e), definimos o retorno composto
Pt
= log(1 + Rt ) = pt pt 1 . Na prtica, prefervel
Pt 1
trabalhar com retornos, que so livres de escala, do que com preos, pois os primeiros tm propriedades estatsticas
mais interessantes (como estacionariedade).
continuamente ou simplesmente log-retorno como rt = log
10

Figura 6. Retornos dirios da NYSE no perodo 02/02/1984 a

31/12/1991 (2.000 dias). O crash da Bolsa ocorre em t = 938. No dia
19 de outubro de 1987, conhecido como Black Monday, o ndice Dow
Jones Industrial Average (DJIA) despencou 22,61%.
ndices de preos so exemplos comuns de sries no estacionrias.
At aqui, chamamos as equaes (1) a (6) pelo nome de sries. Na verdade,
essas equaes especificam modelos ou processos estocsticos. Um
processo estocstico um mecanismo gerador de sries temporais.
Esse mecanismo gerador pode ser um programa de computador ou uma lei
fsica, por exemplo. Uma srie temporal uma realizao de um
processo estocstico.
Suponha o seguinte experimento: as variaes da tenso eltrica nos terminais
de um resistor so visualizadas na tela de um osciloscpio5 (vide Fig. 7) como
uma funo do tempo. Essas (pequenas) flutuaes aleatrias da tenso no
resistor so devidas corrente de rudo trmico6 que atravessa o resistor.
Admita que a cada instante em que pressionamos o boto de reset do
osciloscpio, conseguimos visualizar o grfico da tenso durante o intervalo de
1 segundo que segue o reset. Observaremos, a cada oportunidade em que
pressionarmos o reset, uma forma de onda diferente na tela do osciloscpio.
Devido complexidade dos fatores que determinam a forma de onda obtida a
cada reset, no h como usar as leis da Fsica para prever o formato exato do
grfico que aparecer na tela do osciloscpio. Se ns repetirmos este
5
6
O osciloscpio um instrumento de medida eletrnico que mostra o grfico da tenso versus tempo em sua tela.
O rudo trmico o rudo gerado pela agitao trmica dos eltrons no interior do resistor.
11

experimento n vezes, aparecero n formas de onda (ou realizaes)

diferentes na tela do equipamento; no obstante, as n formas de onda so
similares num sentido estatstico, dado que tm a mesma mdia e varincia7.
Figura 7. osciloscpio digital. Fonte: Agilent Technologies.
As Figs. 8 e 9 mostram 2 realizaes de um processo estocstico do tipo rudo

trmico com distribuio N (0,1) que foram simuladas por um programa de
computador.
Figura 8. Realizao 1 do rudo trmico.
Isto de fato acontece porque o rudo trmico um processo estocstico estacionrio.
12

Figura 9. Realizao 2 do rudo trmico.

1.2
Processos Estocsticos
Seja T um conjunto arbitrrio8. Um processo estocstico (ou aleatrio)

uma famlia9 {Y (t ), t T } , tal que, para cada t T , Y (t ) uma varivel
aleatria (ou seja, um processo estocstico uma seqncia de variveis
aleatrias).
Um processo estocstico pode ser definido como uma sequncia de

variveis aleatrias.
Observe que vrios autores da rea de sries temporais utilizam o termo srie
temporal como sinnimo de processo estocstico, o que no est de acordo
com a definio dada acima. Contudo, comum o uso do termo srie temporal
como sinnimo de processo estocstico (fizemos isso na introduo desta
aula). Note que o contexto indica se o termo srie temporal refere-se a um
processo aleatrio ou a uma srie temporal propriamente dita.
Quando o conjunto T da definio acima o conjunto dos nmeros inteiros =
{0, 1, 2, ...}, diz-se {Y (t ), t T } um processo estocstico de tempo
discreto; {Y (t ), t T } um processo de tempo contnuo se T tomado como
8
9
Pode ser o conjunto dos nmeros inteiros ou dos nmeros reais, por exemplo.
Note que y(t ) (ou y t ) uma realizao (funo temporal) do processo aleatrio {Y (t ), t T } . Ento o processo
{Y (t ), t T } consiste em um conjunto ou famlia de funes temporais (esta uma definio alternativa de processo
estocstico). O nmero de realizaes possveis infinito.
13

o conjunto dos nmeros reais. Os processos analisados em Econometria so de

tempo discreto. Outras reas do conhecimento como a Fsica e a Engenharia
tambm estudam processos de tempo contnuo, alm dos de tempo discreto. O
processo rudo trmico ilustrado pelas Figs. 8 e 9 um processo de tempo
contnuo. A srie dos retornos dirios da NYSE da Fig. 6 de tempo discreto.
A rigor, a varivel aleatria Y (t ) da definio uma funo de dois argumentos
Y (t , ) , t T , ( representa um resultado do experimento aleatrio),
uma vez que definida sobre um espao amostral . Para cada resultado
tem-se uma realizao (trajetria, funo temporal ou srie temporal) y (t ) . O
conjunto de todas as realizaes tambm pode ser chamado de ensemble.
Note-se que uma funo temporal uma funo determinstica, e que, para
cada t fixo, y (t ) um nmero.
O restante deste curso tambm adota a notao Y (t ) (ou Yt ) para um processo
estocstico {Y (t ), t T } , o que usual na literatura de sries temporais.
A Fig. 10 ilustra a interpretao de um processo aleatrio como uma seqncia
(ou famlia) de variveis aleatrias. Vemos, na Fig. 10, que para cada t T ,
temos uma varivel aleatria Y (t , ) , com uma funo densidade de
probabilidade f Y ( y ) . Por outro lado, para cada , fixado, obteremos uma
funo de t, ou seja, uma realizao do processo, como mostra a Fig. 11. O
conjunto de todas as funes yi (t ) , i = 0, 1, 2,... , o chamado ensemble.
Observe que cada srie temporal yi (t ) uma funo de t, no aleatria, e para
cada t fixo, yi (t ) um nmero.
fY(y)
Y(t, )
(t1)
(t2)
t1
(t)
t2
t
Figura 10. Processo estocstico como uma seqncia de variveis

aleatrias.
14

Y(t, )
y1(t)
y2(t)
(t)
y3(t)
yn(t)
t1
t2
tn
Figura 11. Processo estocstico como uma famlia de funes

temporais (realizaes).
O conjunto de valores de {Y (t ), t T } chamado de espao de estados, S, do
processo estocstico e os valores de Y (t ) podem ser chamados de estados. O
espao de estados pode ser contnuo ou discreto. No primeiro caso, Y (t )
representa uma medida que varia continuamente, como o retorno de um ativo
ou o volume (em reais) negociado em cada dia de uma bolsa de valores. No
segundo caso, Y (t ) pode representar uma contagem, como o nmero de
transaes de uma ao durante um dia , por exemplo.
Um processo aleatrio yt puramente estocstico uma seqncia de
variveis aleatrias mutuamente independentes. O rudo trmico um
exemplo de processo puramente estocstico.
Um processo Independente e Identicamente Distribudo (IID),
denotado por yt ~ IID, um processo puramente estocstico e
Identicamente Distribudo. O rudo trmico tambm um processo IID.
1.3
Especificao de um Processo Estocstico
15

Um processo Y (t ) completamente especificado por meio de suas

distribuies finito-dimensionais (ou funes de distribuio de
probabilidade10 de ordem n)
(7)
FY ( y1 , y 2 ,..., y n ; t1 , t 2 ,..., t n ) = P{Y (t1 ) y1 , Y (t 2 ) y 2 ,...,Y (t n ) y n }
em que t 1 , t 2 ,..., t n so elementos quaisquer de T e n 1 .

A funo densidade de probabilidade de ordem n associada distribuio
finito-dimensional (7)11 dada por
(8)
f Y ( y1 , y 2 ,..., y n ; t1 , t 2 ,..., t n ) =
n FY ( y1 , y 2 ,..., y n ; t1 , t 2 ,..., t n )
y1y 2 ...y n
Aplicando-se a frmula da densidade de probabilidade condicional j vista no

curso de Estatstica
(9)
f Y ( y n | y n 1 ,..., y1 ) =
f Y ( y1 ,..., y n 1 , y n )
,
f Y ( y1 ,.., y n1 )
f Y ( y1 ,..., y n 1 , y n ) denota f Y ( y1 , y 2 ,..., y n ; t1 , t 2 ,..., t n ) , seguidamente sobre

f Y ( y1 ,..., y n 1 , y n ) obtm-se a regra da cadeia da probabilidade
em que
(10)
f Y ( y1 ,..., y n 1 , y n ) = f Y ( y1 ) f Y ( y 2 | y1 ) f Y ( y3 | y 2 , y1 )... f Y ( y n | y n 1 ,..., y1 ) .
Quando Yt uma seqncia de variveis mutuamente independentes, (10)

pode ser reescrita como
(11)
f Y ( y1 ,..., y n 1 , y n ) = f Y ( y1 ) f Y ( y 2 ) f Y ( y3 )... f Y ( y n )
em que f Y ( y1 ), f Y ( y 2 ),..., f Y ( y n ) denotam as densidades marginais de y1 , y 2 ,..., y n ,

respectivamente.
Nota: no esperamos que as definies dadas acima sejam cobradas na sua
prova. Isto no seria razovel. Apresentamos as relaes (7) a (11) com a
finalidade de introduzir para voc a teoria dos processos estocsticos. No
teramos como definir de forma precisa (e correta!) um objeto matemtico
complexo como um processo estocstico sem recorrer a uma notao mais
pesada como a que foi empregada at o momento neste item. Para a prova
10
A funo de distribuio de probabilidade de primeira ordem FY(y) tambm conhecida como funo de distribuio
acumulada.
11
Supondo-se que a mesma seja diferenvel.
16

em si, concentre o seu esforo na memorizao dos tpicos importantes e no

aprendizado da soluo dos exerccios propostos nas aulas.
O conhecimento de todas as distribuies finito-dimensionais (7) muito difcil
de ocorrer na prtica, seno impossvel. O que se faz estudar certas
caractersticas associadas a (7) e que sejam simples de calcular e interpretar.
Considere os momentos de ordem n das variveis aleatrias Y (t1 ),Y (t 2 ),...,Y (t n )
para qualquer n 1 , ou seja
(12)
( r1 ,..., rn ; t1 ,..., t n ) = E{Y r (t1 )...Y r (t n )} = ... y r ... y r f Y ( y1 ,..., y n 1 , y n )dy1 ...dy n
1
Usualmente, restringimos o estudo a momentos de baixa ordem (primeira e

segunda ordens) porque uma das suposies bsicas feitas na anlise de sries
temporais que o processo estocstico gerador dos dados seja um processo
estacionrio ou no explosivo. Informalmente, um processo estacionrio
oscila ao redor de uma mdia constante, com uma varincia tambm
constante. H dois tipos de estacionariedade, forte e fraca, como ser
visto mais adiante. Em particular, para a classe de processos que nos interessa
(a dos processos estacionrios), consideramos momentos de primeira e
segunda ordem.
A mdia de Yt dada por
(13)
t = E[Y (t )] =
yf
( y; t )dt ,
em que f Y ( y; t ) a funo densidade de probabilidade de primeira ordem de
A funo de autocovarincia (ou simplesmente autocovarincia) (t , t )

do processo {Y (t ), t T } a covarincia das variveis aleatrias Yt e Yt :
(14)
(t , t ) = E[(Yt t )(Yt t )] = E[Yt Yt ] t t
17

em que Yt denota o processo no instante de tempo12 t e t a mdia de
Yt .
12
O lapso de tempo
entre as variveis aleatrias yt e yt denominado defasagem ou lag (termo ingls).

18

A varincia do processo Y (t ) definida como

(15)
Var[Y (t )] = (t , t ) = E[Y 2 (t )] 2 (t ) .
Note que as definies (13) e (15) no representam nenhuma novidade, pois

j conhecemos as definies de mdia e varincia. O que pode causar uma
certa estranheza o fato da mdia e da varincia serem em geral dependentes
do tempo; isto ser verdade se o processo no for estacionrio.
A funo de autocorrelao (FAC) do processo Yt definida por

(16)
(t , t ) =
(t , t )
.
(t , t ) (t , t )
A grandeza (t , t ) uma medida do grau de dependncia linear entre as

variveis aleatrias Yt e Yt , ou seja, quantifica o quanto o diagrama de
disperso de Yt versus Yt se aproxima de uma reta.
1.4
Estacionariedade
Um processo aleatrio Y (t ) estacionrio em sentido estrito (ou

estritamente estacionrio) se
(17)
FY ( y1 , y2 ,..., yn ; t1 , t 2 ,..., tn ) = FY ( y1 , y2 ,..., yn ; t1 + c, t2 + c,..., tn + c)
para qualquer constante c.

De acordo com (17), as propriedades estatsticas de um processo
estacionrio em sentido estrito Y (t ) no mudam com uma translao do
mesmo, ou seja, Y (t ) e Y (t + c ) possuem as mesmas estatsticas para qualquer
defasagem c . Esta condio bastante forte e difcil de ser verificada
empiricamente, porque muitas vezes no se sabe quais so as distribuies
finito-dimensionais que caracterizam um determinado processo aleatrio na
prtica. Sendo assim, adota-se uma caracterizao parcial do processo
por meio da estimao de momentos de baixa ordem como mdia,
autocorrelao e autocovarincia e assume-se uma condio mais
19

fraca de estacionariedade, conhecida como estacionariedade fraca ou

estacionariedade de segunda ordem, que ser definida mais adiante.
1.4.1
Estacionariedade de Segunda Ordem
Um processo estocstico {Y (t ), t T } fracamente

estacionrio de segunda ordem se e somente se
estacionrio
ou
(i)
E[Y (t )] = (t ) = , constante, para todo t T ;
(ii)
E[Y 2 (t )] < , para todo t T ;
(iii)
(t , t ) uma funo apenas do valor absoluto da defasagem | | .
A primeira condio afirma que a mdia igual para todo perodo, mesmo que
a distribuio da varivel aleatria v se alterando ao longo do tempo. A
segunda condio afirma apenas que o segundo momento no centrado deve
ser finito, ainda que desigual em diferentes instantes. A terceira condio
estabelece que a varincia sempre igual para todo instante de tempo e
que a autocovarincia no depende do tempo, mas apenas da distncia
temporal (defasagem) entre as observaes.
Daqui para frente, os processos estacionrios de segunda ordem sero
chamados simplesmente de processos estacionrios (est implcito que so
estacionrios de segunda ordem) e a autocovarincia de um processo
estacionrio ser denotada por ( ) . Note que a FAC ( ) de um processo
estacionrio dada por
(18)
( ) =
( )
( )
=
.
(0) (0) (0)
Note ainda que a varincia de um processo estacionrio dada por

(19)
Var[Y (t )] = (0) = 2 .
Visualmente, observa-se estacionariedade se uma srie flutua em

torno de uma mdia fixa e se a varincia da srie constante ao longo
do tempo. No obstante, so necessrios testes estatsticos para verificar ou
no a estacionariedade da srie.
20

1.5
Propriedades da Funo de Autocovarincia
Seja {Y (t ), t T } um processo estacionrio de mdia zero e funo de

autocovarincia ( ) = E[Yt Yt ] . Ento ( ) satisfaz as seguintes propriedades:
(i)
(ii)
(iii)
(0) > 0 ;
( ) = ( ) ;
| ( ) | ( 0) .
Tipicamente, a funo de autocovarincia de um processo estacionrio tende

para a sua mdia.
1.6
Ergodicidade
Com a propriedade de estacionariedade apenas no possvel estimar o

modelo de uma srie temporal. Essencialmente, necessrio que o processo
estocstico estacionrio gerador dos dados satisfaa a propriedade de
ergodicidade.
Um processo estacionrio ergdico quando os seus momentos

amostrais (mdias temporais que so calculadas utilizando-se apenas
uma nica realizao) convergem para os momentos da populao.
Portanto, possvel estimar os momentos (mdias estatsticas) de um
processo ergdico se temos acesso a pelo menos uma realizao do
processo. A ergodicidade uma propriedade mais restritiva do que a
estacionariedade, ou seja, todo processo ergdico estacionrio, mas
a recproca no verdadeira.
Suponha uma particular realizao, s, de um processo estocstico, justamente
a nica srie que se observa. A mdia temporal dessa srie dada por
y (s) =
1
N
(s)
t
t =1
Se y (s ) convergir para , existe ergodicidade. Ou seja, se a mdia temporal

convergir para a mdia do processo Y (t ) h ergodicidade. Tendo isso, a srie
temporal pode ser estimada normalmente, mesmo com uma realizao apenas
do processo.
21

1.7
Processos Lineares Estacionrios
Esta seo apresenta alguns tipos de processos estacionrios que costumam

ser cobrados em prova. Daremos nfase aos processos auto-regressivos (AR),
de mdias mveis (MA) e combinao destes, denominados processos ARMA.
1.7.1
Rudo Branco
Um processo fundamental para a anlise das sries temporais de tempo

discreto o chamado rudo branco. Uma seqncia { t }, t = 0,1,2,... , um
rudo branco se cada valor nela tiver mdia zero, varincia constante e
no for correlacionado com qualquer realizao da prpria srie13, ou
seja, se as seguintes relaes so vlidas:
(i)
(ii)
(iii)
E[ t ] = 0, t ;
E[ t2 ] = 2 , t ;
E[ t t ] = 0, para 0 .
Um processo t do tipo rudo branco denotado por t ~ RB(0, 2 ) . Um rudo

branco gaussiano ou normal denotado por t ~ N(0, 2 ) .
Diz-se que um processo que obedea s condies (i), (ii) e (iii) acima um
rudo branco porque o seu espectro de freqncias similar ao da luz branca
que possui todas as freqncias14. Por ltimo, observe que um rudo
branco um processo estacionrio.
1.7.2
Processos Autorregressivos (AR)
1.7.2.1
Modelos AR Simples
1.7.2.1.1 O Modelo AR(1)

Considere o modelo
(20) Yt = 0 + 1Yt 1 + t ,
13
Definiu-se mdia zero por convenincia, mas possvel definir rudo branco com mdia no nula (o que no usual).
A anlise de processos aleatrios no domnio da freqncia (ou anlise espectral) no faz parte do escopo deste
curso. Este tipo de anlise amplamente empregado nas cincias naturais e sociais. Uma excelente referncia sobre o
assunto o livro Spectral Analysis for Physical Applications: Multitaper and Conventional Univariate Techniques, de
Percival e Walden, Ed. Cambridge, 1993.
14
22

em que 0 e 1 so parmetros e t ~ RB(0, 2 ) . Observe que este modelo pode

ser interpretado como um modelo de regresso linear simples se Yt a
varivel dependente e Yt 1 a varivel explanatria. O modelo (20),
conhecido como modelo AR(1), tambm pode ser posto na forma
(21) Yt = 0 + 1 BYt + t ,
em que B o operador atraso unitrio15 (ou operador retroativo)
definido por
(22) BYt = Yt 1 .
Tomando a esperana de ambos os membros da equao (20) obtemos
E[Yt ] = 0 + 1 E[Yt 1 ] ,
pois
E[ t ] = 0 .
Sob
condio
de
estacionariedade
do
modelo
(20),
E[Yt ] = E[Yt 1 ] = e portanto
= 0 + 1
ou
(23) E[Yt ] = =
0
.
1 1
Este resultado tem duas implicaes para Yt. Em primeiro lugar, a mdia
de Yt existe se 1 1 . Em segundo lugar, a mdia de Yt zero se e somente se
0 = 0 . Portanto, para um processo AR(1) estacionrio, o termo

constante 0 est relacionado mdia de Yt e 0 = 0 implica E[Yt ] = 0 .
Fazendo 0 = (1 1 ) , o modelo AR(1) pode ser reescrito como
(24) Yt = 1 (Yt 1 ) + t
conhecida como a forma de mdia ajustada, muito utilizada pelos analistas
de sries temporais16. Fazendo a transformao X t = Yt , (24) fica na forma
15
O operador B defasa a srie em uma unidade de tempo discreto.

bastante usual, quando vamos analisar uma dada srie na prtica, o uso do procedimento de demean (desconto da
mdia); ou seja, na prtica, sempre analisamos a forma de mdia ajustada da srie.
16
23

(25)
X t = 1 X t 1 + t
A Fig. 12 mostra realizaes de processos AR(1) com 1 = 0,8 e 1 = 0,8 .
Figura 12. Simulaes de processos AR(1) com 1=0,8 e 1=-0,8.
Demonstra-se que a varincia do modelo AR(1) dada por

(26) Var(Yt ) =
2
,
1 2
para 12 < 1 .
A condio 12 < 1 resulta do fato de que a varincia de uma varivel aleatria

limitada17 e no negativa. Conseqentemente, a estacionariedade de um
modelo AR(1) implica
17
Na verdade, uma varivel aleatria pode ter varincia infinita se a sua distribuio de probabilidade for de cauda
pesada. Um exemplo bem conhecido de distribuio de cauda pesada a distribuio de Pareto. Neste curso,
consideraremos que toda varivel aleatria possua uma varincia finita.
24

(27) 1 < 1 < 1
ou
(28) | 1 |< 1
Ressaltamos que (27) (ou (28)) a condio necessria e suficiente de

estacionariedade do modelo AR(1).
Pode-se demonstrar que a autocovarincia de um modelo AR(1) dada por
2
= var(Yt ), = 0
(29) = 1 12
1 1 ,
>0
onde
usamos
propriedade
= .
Tambm
podemos
expressar
autocovarincia de defasagem na forma

1 2
.
(30) =
1 2
1
A FAC de um processo AR(1) satisfaz

(31) = 1 1 ,
para > 0 .
Como 0 = 1 , ns temos = 1 . Este resultado nos diz que o valor

absoluto
da
FAC de um
modelo
estacionrio
AR(1) decai
exponencialmente taxa 1 com valor 0 = 1 . O decaimento exponencial da
FAC de um modelo AR(1) com 1 positivo monotnico, conforme pode-se
constatar no grfico superior da Fig. 13 (em que adotou-se o valor 1 = 0,8 ).
Por outro lado, o plot da FAC de um modelo AR(1) com 1 = 0,8 (grfico
inferior da Fig. 13) mostra que h dois decaimentos exponenciais alternados
(um positivo e outro negativo) com taxa 12 .
25

Figura 13. FAC de modelos AR(1) com 1=0,8 e 1=-0,8.
A forma de mdia ajustada (25) do modelo AR(1) pode ser reescrita como
(32) ( B) X t = t .
em que ( B) = 1 1 B , denominado operador autorregressivo de ordem 1,
um polinmio18 na varivel complexa B . A equao caracterstica do modelo
AR(1) definida como
(33) ( B ) = 1 1 B = 0
18
Note que
2 ( B) = (1 B) 2 = 1 2B + 2 B 2
e que B Yt = B ( B (Yt )) = B (Yt 1 ) = Yt 2 .

2
26

e a raiz de (33) B = 1 / 1 . Demonstra-se que a estacionariedade do modelo

AR(1) satisfeita se o valor absoluto (ou mdulo) da raiz da equao
1
> 1 ou 1 < 1 .
caracterstica (33) maior do que 1:
O processo AR(1)
( B) X t = t ,
em que X t = Yt ( denota a mdia de Yt), ESTACIONRIO quando a
raiz de ( B ) = 1 1 B = 0 cai fora do crculo unitrio19. Isto implica 1 < 1 .
1.7.2.1.2 O Modelo AR(2)
Um modelo AR(2) assume a forma
(34) Yt = 0 + 1Yt 1 + 2Yt 2 + t .
Neste caso,
(35) E[Yt ] = =
0
1 1 2
desde que 1 + 2 1 . Usando 0 = (1 1 2 ) , podemos reescrever o modelo

AR(2) como
(36) (Yt ) = 1 (Yt 1 ) + 2 (Yt 2 ) + t
ou como
(37)
X t = 1 X t 1 + 2 X t 2 + t
se fizermos a transformao X t = Yt .
A Fig. 14 mostra uma realizao de modelo AR(2) de mdia nula e parmetros
1 = 0,5 e 2 = 0,3 .
19
Lembre que B est definida no plano complexo!
27

Figura 14. srie AR(2) com 1=0,5 e 2=0,3.

Demonstra-se que a autocovarincia do modelo AR(2) dada por
(38) = 1 1 + 2 2
para > 0 .
Dividindo-se (38) por 0 , obtemos a expresso da FAC do processo AR(2):

(39) = 1 1 + 2 2
para > 0 .
Em particular, temos que a FAC de lag-1 satisfaz

(40) 1 =
1
.
1 2
As Eqs. (38) e (39) afirmam que a autocovarincia e a autocorrelao de um

processo AR(2) seguem uma equao de diferenas auto-regressiva de ordem
2.
A equao caracterstica do modelo AR(2)
(41) ( B) = 1 1 B 2 B 2 = 0 .
O modelo AR(2) estacionrio quando as razes de 1 1B 2 B 2 = 0
estiverem fora do crculo unitrio. Neste caso, pode-se demonstra-se que
1 e 2 devem satisfazer s seguintes restries:
28

(i)
1 + 2 < 1
(ii)
2 1 < 1
(iii)
1 < 2 < 1
Se as razes da equao caracterstica forem reais, ento o grfico da FAC do

processo AR(2) uma soma de exponenciais. Caso as razes da equao
caracterstica seja um par de complexos conjugados, isto , pares de razes do
tipo B1 = k + iw e B2 = k iw , em que k e w so nmeros reais e i = 1 denota o
nmero imaginrio, a FAC constituda de uma senide amortecida20. A Fig.
15 ilustra as FACs tericas de modelos AR(2) com 1=0,5 e 2=0,3 (parte
superior) e 1=1,0 e 2=-0,89 (parte inferior).
Figura 15. FACs de modelos AR(2).
20
Estes resultados no sero demonstrados neste curso. Mas bom sab-los para a prova.
29

Exemplo. Seja o modelo AR(2) X t = 0,5 X t 1 + 0,3 X t 2 + t . Este modelo

estacionrio porque os coeficientes 1 = 0,5 e 2 = 0,3 satisfazem as trs
restries dadas acima:
1 + 2 = 0,5 + 0,3 = 0,8 < 1

2 1 = 0,3 0,5 = 0,2 < 1
1 < 2 = 0,3 < 1
Tambm podemos verificar que o modelo estacionrio se calcularmos as
razes da equao caracterstica de X t = 0,5 X t 1 + 0,3 X t 2 + t :
X t 0,5 X t 1 0,3 X t 2 = t
(1 0,5 B 0,3B 2 ) X t = t
Logo a equao caracterstica
1 0,5B 0,3B 2 = 0 ou
0,3B 2 0,5B + 1 = 0
cujas razes so B1 1,174 ou B2 2,84 , que esto fora do crculo unitrio (vide
Fig. 16 abaixo).
eixo imaginrio
Im{B}
Plano Complexo
raiz
B1= -2,84
x
raiz
B1=1,174
1
x
Re{B}
eixo real
Figura 16. Razes da equao caracterstica do Exemplo 1.
30

1.7.2.2
O Modelo AR(p)
Um processo {Y (t ), t T } AR de ordem p, denotado por Yt~AR(p), se

satisfaz equao de diferenas
(42) Yt = 0 + 1Yt 1 + 2Yt 2 + ... + pYt p + t ,
em que p um inteiro no negativo, 0 , 1 ,..., p so parmetros reais e t
~RB(0,2).
Os resultados do AR(1) e do AR(2) podem ser generalizados para o modelo
AR(p). A mdia do modelo estacionrio
(43) E[Yt ] = =
0
1 1 ... p
desde que 1 1 ... p 0 . O modelo (42) pode ser colocado na forma de mdia
ajustada
(44)
X t = 1 X t 1 + 2 X t 2 + ... + p X t p + t
se fizermos a transformao X t = Yt .
A equao caracterstica associada ao modelo
(45) ( B ) = 1 1 B ... p B p = 0
em que (B ) chamado de operador autorregressivo de ordem p.
Se os mdulos de todas as razes de (45) forem maiores do que 1

(razes fora do crculo unitrio), ento a srie Yt~AR(p) estacionria.
A FAC do modelo AR(p) dada por
(46) = 1 1 + 2 2 + ... + p p
para > 0 .
31

O grfico da FAC de um processo AR(p) em geral constitudo de uma

mistura de exponenciais (devidas s razes reais da equao
caracterstica) e senides amortecidas (devidas aos pares de razes
complexas conjugadas da equao caracterstica).
1.7.2.3
Identificao de Modelos AR(p)
Na prtica, a ordem de uma srie AR desconhecida e deve ser especificada

de forma emprica. H duas abordagens para se determinar o valor de p: i) uso
da Funo de Autocorrelao Parcial (FACP) e ii) uso de algum critrio de
seleo (identificao) de modelo. Este ltimo critrio ser apresentado na
seo sobre o modelo ARMA(p,q).
1.7.2.3.1
FACP de Modelos AR(p)
Seja mi o i-simo coeficiente de um processo AR(m), de modo que o ltimo

coeficiente seja mm . Para este processo, a FAC segue (46). Fazendo-se = 1,
..., m em (46) e levando-se em conta que = (simetria par da FAC),
obtm-se as Equaes de Yule-Walker
1 = m1 + m 2 1 + ... + mm m1
= + + ... +
m1 1
m2
mm m 2
(47) 2
(...)
m = m1 m1 + m 2 m2 + ... + mm
que podem ser reescritas na forma matricial

1

(48) 1
...
m1
1
1
...
m 2
... m1 m1 1
... m 2 m 2 2
=
... ... ... ...

...
1 mm m
Resolvendo-se as Equaes de Yule-Walker sucessivamente para m = 1, 2, ...,

obtm-se
11 = 1
32

1
2
1
1
2
22 =
33 =
1
2
e
1
2
3
2
1
1
1
assim
sucessivamente
para
os
demais
ii ,
4i p.
seqncia
{mm , m = 1,2,...} a FACP. Demonstra-se que um modelo AR(p) tem mm 0

para m p e mm = 0 para m > p .
1.7.3
Processos de Mdias Mveis
Considere o processo estocstico

(49) Yt = + t 1 t 1
em que t ~RB(0,2) e uma constante.
Uma vez que Yt depende do erro atual t e do erro no instante de tempo
discreto imediatamente anterior t 1 , ento o processo (49) denominado
mdia mvel de ordem 1, sendo denotado por MA(1) (MA a abreviatura de
Moving Average). Se o processo tambm dependesse de t 2 seria chamado de
MA(2), e assim por diante.
Demonstra-se que a mdia do modelo MA(1) de (49) dada por
(50) E[Yt ] =
e a varincia por
(51) Var [Yt ] = (1 + 12 ) 2 .
Diz-se que {Y (t ), t T } um processo de mdias mveis de ordem q,
denotado por MA(q), se satisfizer equao de diferenas
33

(52) Yt = + t 1 t 1 ... q t q
em que , 1 ,..., q so constantes reais e t ~RB(0,2).
Um processo Y (t ) MA(q) sempre estacionrio21, com mdia , e como as

inovaes ( o nome tcnico dos termos t , t 1 ,..., t q ) do modelo so no
correlacionadas, pode-se obter a varincia do processo,
(53) Var[Yt ] = 2 (1 + 12 + ... + q2 ) .
Suponha = 0 . A FAC do processo MA(q)
+ 1 +1 + ... + q q
, = 1,..., q
2
2
1
...
+
+
+
1
q
(54) = 0
>q
<0

Observe que a FAC de um processo MA(q) anula-se para | |> q , ou seja,

para defasagens maiores do que a ordem q do modelo. Este resultado
muito importante, pois trata-se de um critrio de identificao de
sries MA(q).
Define-se o operador de mdias mveis de ordem q por
(55) ( B ) = 1 1 B ... q B q .
Desta forma, o processo MA(q) pode ser reescrito na forma compacta
(estamos supondo que a mdia seja nula)
(56) Yt = ( B) t .
21
Isto acontece porque o modelo no recursivo.
34

1.7.4
Processos Autorregressivos e de Mdias Mveis
Um processo auto-regressivo e de mdias mveis, de ordem (p,q), denotado

por ARMA(p,q), definido por
(57) Yt = 1 (Yt 1 ) + ... + p (Yt p ) + t 1 t 1 ... q t q
em que t ~RB(0,2). Segue-se que a mdia do processo . Usando os
operadores autorregressivo e de mdias mveis definidos anteriormente,
podemos escrever (57) na forma compacta
(58) ( B) X t = ( B) t
em que X t = Yt .
Um modelo muito usado o ARMA(1,1), ou seja,
(59)
X t = X t 1 + t t 1 .
Para um processo ARMA(p,q) a condio de estacionariedade a

mesma que para processos AR(p), ou seja, as razes de (B)=0 devem
estar fora do crculo unitrio.
Demonstra-se que as autocorrelaes de lags 1, 2, ..., q so afetadas
diretamente pelos parmetros de mdias mveis, enquanto que para > q as
mesmas comportam-se como nos modelos AR.
1.7.4.1
Identificao do Modelo
A idia bsica de um critrio de seleo (ou critrio de informao) de modelo

ARMA escolher as ordens k e l que minimizam a quantidade
(60) P ( k , l ) = ln k2,l + ( k + l )
C(N )
N
em que k2,l uma estimativa da varincia residual obtida ajustando-se um

modelo ARMA(k,l) s N observaes da srie e C(N) uma funo do tamanho
35

C(N )
denominada termo penalizador e aumenta
N
quando o nmero de parmetros aumenta, enquanto que k2,l diminui.
da srie. A quantidade ( k + l )
Akaike props o critrio de informao

(61)
AIC (k , l ) = ln k2,l +
2( k + l )
N
conhecido como AIC. Deve-se especificar valores limites superiores K e L para

k e l e calcular (61) para todas as combinaes possveis (k,l) com 0 k K e
0 l L . Em geral, K e L so funes de N, por exemplo, K = L = ln L.
Para o caso de modelos AR(p) o critrio AIC reduz-se a
(62)
AIC ( k ) = ln k2 +
2k
,
N
kK.
Outro critrio sistemtico bastante utilizado o Bayesian Information Criteria

(BIC)
(63) BIC ( k , l ) = ln k2,l +
ln N
(k + l ) .
N
Para o caso de modelos AR(p), o BIC reduz-se a

(64) BIC ( k ) = ln k2 +
1.8
1.8.1
k ln N
.
N
Processos Lineares No Estacionrios

Modelo ARIMA
Seja o operador diferena, denotado por , definido por

(65) Yt = Yt Yt 1 = (1 B)Yt
e o operador soma, denotado por S, dado por
(66) SYt = Yt i =Yt + Yt 1 + Yt 2 + ... =

i =0
(1 + B + B 2 + ...)Yt = (1 B ) 1Yt = 1Yt .
36

Se o processo Xt que corresponde diferena de ordem d = 1, 2, ..., de

Yt
(67)
X t = (1 B ) d Yt = d Yt
estacionrio, ento pode-se representar Xt por meio de um modelo

ARMA(p,q)
(68) ( B) X t = ( B) (t ) .
Neste caso,
(69) ( B ) d Yt = ( B ) (t ) .
um modelo ARIMA(p,d,q) e diz-se que Yt uma integral de Xt , pois
(70) Yt = S d X t
e da que surge o termo integrado do acrnimo ARIMA, indicando que (69)
um modelo integrado de ordem d, denotado por Yt~I(d).
Um processo ARIMA(p,d,q) possui d razes sobre o crculo unitrio.
Este tipo de processo dito no estacionrio homogneo (no sentido de ser
no explosivo) ou portador de razes unitrias. Observe-se que
(i)
d = 1 corresponde ao caso de sries no estacionrias homogneas
quanto ao nvel (oscilam ao redor de um nvel mdio durante algum tempo e
depois saltam para outro nvel temporrio);
(ii) d = 2 corresponde ao caso de sries no estacionrias homogneas
quanto inclinao (oscilam numa direo por algum tempo e depois mudam
para outra direo temporria).
37

O Mnimo que Voc Precisa Saber
- Mdia de um processo aleatrio Yt: t = E[Y (t )] =
yf
( y; t ) dt ,
- Autocovarincia de Yt: (t , t ) = E[(Yt t )(Yt t )] = E[Yt Yt ] t t

- Varincia de Yt: Var[Y (t )] = (t , t ) = E[Y 2 (t )] 2 (t ) .
- Funo de autocorrelao (FAC) de Yt: (t , t ) =
(t , t )
.
(t , t ) (t , t )
- Um processo estocstico Yt fracamente estacionrio ou estacionrio de

segunda ordem se e somente se
(i)
E[Y (t )] = (t ) = , constante, para todo t T ;
(ii)
(iii)
E[Y 2 (t )] < , para todo t T ; e

(t , t ) uma funo apenas do valor absoluto da defasagem | | .
- FAC ( ) de um processo estacionrio: ( ) =
( )
( )
=
.
(0) (0) (0)
- Varincia de um processo estacionrio dada por: Var[Y (t )] = (0) = 2 .

- Visualmente, observa-se estacionariedade se uma srie flutua em
torno de uma mdia fixa e se a varincia da srie constante ao longo
do tempo.
- Propriedades da funo de autocovarincia ( ) = E[Yt Yt ] de um processo
estacionrio Yt de mdia nula:
(i)
(ii)
(iii)
(0) > 0 ;
( ) = ( ) ;
| ( ) | ( 0) .
- Modelo AR(1) com mdia nula: X t = 1 X t 1 + t .

- Condio de estacionariedade de um modelo AR(1): 1 < 1 < 1 ou | 1 |< 1 .
- Modelo AR(2) com mdia nula: X t = 1 X t 1 + 2 X t 2 + t .
38

- Condio de estacionariedade de um modelo AR(2): razes de

1 1B 2 B 2 = 0 fora do crculo unitrio.
- Operador autorregressivo de ordem p: ( B ) = 1 1 B ... p B p = 0
- Operador de mdias mveis de ordem q: ( B ) = 1 1 B ... q B q .
- Processo MA(q) com mdia nula: Yt = ( B) t .
- Processo MA(q) sempre estacionrio.
- Modelo ARMA(p,q): ( B) X t = ( B) t .
- Modelo ARIMA(p,d,q): ( B ) d Yt = ( B ) (t ) .
39

Exerccios de Fixao
(ANTT Cargo 15/CESPE-UnB/2013) Com relao aos modelos de sries

temporais, julgue os prximos itens.
1. Um processo autorregressivo de ordem p, AR(p), estacionrio somente se
as p razes da equao polinomial forem menores que um.
2. A suposio de estacionariedade no coloca restrio sobre a forma como xt
e xt-1 so relacionadas entre si.
3. Para processos autorregressivos de ordem 1, AR(1), a funo de
autocorrelao, Cor ( yt , yt k ) , apresenta decaimento exponencial medida que k
cresce, considerando-se que k uma constante qualquer.
(ANTT Cargo 15/CESPE-UnB/2013) Considere que uma srie temporal
{ X t } seja gerada por
jB j
X t =
j =0 j!
Z t ,
em que B representa o operador de atraso (backshift), tal que {BZ t = Z t 1} ,

seja uma constante real e Z t seja um rudo aleatrio com mdia nula e
varincia unitria. Acerca da srie temporal { X t } , julgue os itens subsequentes.
4. A mdia e a varincia do processo { X t } so, respectivamente, iguais a 0 e
1.
5. Se = 5 , o processo { X t } no estacionrio.
6. (BACEN/FCC/2006) Seja um modelo auto-regressivo de ordem 1, ou
AR(1), em que ( t ) caracteriza o processo conhecido como rudo branco:
yt = yt 1 + t , com > 0
1 2k
, sendo k um nmero real, e tambm que a srie yt
k 1
estacionria, tem-se que
Sabendo que =
(A)
1
< k <1
2
40

(B) k <
2
ou k > 1
3
(C) k <
1
ou k > 1
2
(D)
2
< k <1
3
(E)
1
2
<k<
2
3
7. (BACEN/ESAF/2002) Considere a srie temporal com periodicidade

determinstica
xt = 1 cos(2t ) + 2 sin(2t )
com t {0,1, 2,...}
onde 1 e 2 so realizaes independentes da distribuio normal padro.

Assinale a opo correta.
(A) A srie temporal xt estacionria e tem funo de autocovarincia
( h ) = cos( h ).
(B) A srie temporal xt estacionria e tem funo de autocovarincia
( h ) = sen ( h ).
(C) A srie temporal xt estacionria e tem funo de autocovarincia
( h ) = cos( 2 h ).
(D) A srie temporal xt no estacionria.
(E) A srie temporal xt estacionria e tem funo de autocovarincia
( h ) = sin( 2 h ).
8. (BACEN/ESAF/2001) A evoluo de uma srie mensal de receitas, aps a
remoo da tendncia e efeitos sazonais, define um processo fracamente
estacionrio que obedece lei de formao de um processo auto-regressivo de
mdias mveis ARMA(p,q). O natural p a ordem da parte auto-regressiva e o
natural q a ordem do processo de mdias mveis. Sabe-se que a funo de
autocorrelao da srie tem queda exponencial e que a funo de
autocorrelao parcial no se anula na defasagem (lag) de ordem 2, mas se
anula a partir da defasagem (lag) de ordem 3, inclusive.
Assinale a opo que d os valores de p e q.
(A) p=0 e q=0
(B) p=0 e q=2
(C) p=1 e q=1
41

(D) p=2 e q=2

(E) p=2 e q=0
9. (Indita) Seja a srie yt = yt 1 + t , conhecida como passeio aleatrio, em
que t denota um rudo branco normal de mdia nula e varincia unitria.
Assinale a opo correta acerca deste processo.
(A) do tipo MA(1).
(B) estacionrio.
(C) Possui uma raiz unitria.
(D) Possui duas razes unitrias.
(E) um processo ARMA(1,1).
10. (Indita) Uma srie financeira segue o modelo yt = yt 1 + 0.89 yt 2 + t , em
que t ~RB(0,2) . Assinale a alternativa com uma afirmativa falsa sobre este
processo.
(A) No um modelo auto-regressivo e de mdias mveis.
(B) No um modelo de mdias mveis.
(C) auto-regressivo de ordem 2.
(D) O processo no estacionrio.
(E) O processo estacionrio.
11. (Indita) Julgue as assertivas a seguir:
I)
A grosso modo, diz-se que um processo estocstico estacionrio se suas

mdia e varincia forem constantes ao longo do tempo e o valor da
covarincia entre dois perodos de tempo no depender da defasagem
entre os dois perodos, mas dos tempos efetivos em que a covarincia
calculada.
II)
Tipicamente, a FAC de um processo AR(p) declina exponencialmente ou

com um padro de onda senoidal amortecida, ou ambos.
III) O passeio aleatrio um processo no estacionrio.

(A) (I) verdadeira; (II) e (III) so falsas.
(B) (I) falsa; (II) e (III) so verdadeiras.
(C) Todas so falsas.
(D) Todas so verdadeiras.
(E) Apenas (II) verdadeira.
42


I)
As observaes de um rudo branco so correlacionadas.
II)
A srie
yt = + t + t , em que e so constantes, t denota o tempo e t

um rudo branco, no estacionria com tendncia aleatria.
III) Um processo aleatrio corresponde a uma realizao de uma srie

temporal.
(A) Todas so falsas.
(C) (I) verdadeira; (II) e (III) so falsas.
(BACEN/CESPE-UnB/1997/Adaptada) Com o auxlio dos grficos, julgue
os itens abaixo, a respeito de correlao e de sries temporais.
43

y
. .
..
. .
.
. .
.
. . . . . . . . . . .. . . . . .
. . .
. .
.
. .
.
. . .
. .
.
..
. .
x
Grfico I: diagrama de disperso
Resduos
Grfico II: diagrama de disperso
. .
.
.
.
.
. .
1
.
2
10
Tempo (em anos)
Grfico III: grfico de resduos
13. No Grfico I, o coeficiente

aproximadamente igual a 1.
de
correlao
linear
de
Pearson
14. No grfico II, existe forte correlao entre as variveis representadas.

15. O grfico III indica que a componente tendncia no foi eliminada no
modelo de srie temporal ajustado.
16. Sries com mdia e varincia constantes ao longo do tempo so
denominadas estacionrias.
17. Sries temporais de observaes com perodo anual devem ser ajustadas
considerando-se quatro componentes principais tendncia (T), sazonal (S),
cclica (C) e irregular (I) - , sendo o seu modelo multiplicativo clssico
expresso pela equao Yi = Ti x Si x Ci x Ii em que Yi a observao no ano i.
(Inditas) Julgue os itens a seguir.
18. Um processo ergdico no estacionrio.
44

19. Um processo de mdias mveis de ordem q, denotado por MA(q), nem

sempre estacionrio.
20.
(BACEN/Cesgranrio/2010)
Seja
uma
srie
estacionria
caracterizada por um processo autorregressivo de ordem [AR(1)]:
yt,
yt yt 1 = t
onde t um processo estocstico do tipo rudo branco e > 0 .
Sabendo-se que =
(A)
1
2
< <
2
3
(B)
1
< <1
2
(C) <
2
ou 1
3
(D) < 1 ou
(E)
1 2
, sendo um nmero real, tem-se que
1
2
3
2
< <1
3
21. (SUSEP-Aturia/ESAF/2010) Um modelo ARIMA(1,1,1) sem termo

constante para uma varivel Yt tem um coeficiente autoregressivo e um
coeficientede do termo de mdia mvel . Seja o operador B tal que BYt = Yt-1,
seja tal que = 1 B , e seja at a representao do rudo branco. Assim, uma
representao compatvel desse modelo ARIMA :
(A) (1
B)Y = (1 B)a
t
t
(B) (1 ) BYt = (1 )at

(C) Yt = Bat
(D) BYt = at
(E) (1 ) BYt = (1 )at
(ANTT Cargo 15/CESPE-UnB/2013) A respeito do mtodo de estimao
por MQO, julgue os itens que se seguem
22. Um elevado valor da estatstica R2 em um modelo de regresso linear
simples com uma varivel independente x e uma varivel dependente y
implica, necessariamente, causalidade entre y e x.
45

23. A estatstica R2 utilizada como critrio de seleo para diferentes formas

funcionais de estimao de uma varivel dependente yt , podendo-se, por
exemplo, mediante essa estatstica, comparar o desempenho do modelo
yt = a + xt + ut com o desempenho do modelo ln yt = a + ln xt + ut , em que xt a
varivel independente e ut uma varivel aleatria de mdia igual a zero.
46

Gabarito
1E
2C
3C
4E
5E
6E
7C
8E
9C
10 E
11 B
12 A
13 E
14 C
15 C
16 C
17 E
18 E
19 E
20 A
21 A
22 E
23 E
47

Resoluo dos Exerccios de Fixao
(ANTT Cargo 15/CESPE-UnB/2013) Com relao aos modelos de sries

temporais, julgue os prximos itens.
1. Um processo autorregressivo de ordem p, AR(p), estacionrio somente se
as p razes da equao polinomial forem menores que um.
Resoluo
Um processo de mdia nula { X (t )} AR de ordem p, denotado por Xt ~ AR(p),
se satisfaz equao de diferenas
X t = 1 X t 1 + 2 X t 2 + ... + p X t p + t ,
em que p um inteiro no negativo, 1 ,..., p so coeficientes reais e t

~RB(0,2).
A equao caracterstica associada de modelo AR(p)
( B) = 1 1 B ... p B p = 0
em que (B ) chamado de operador autorregressivo de ordem p.
Se todas as p razes da equao caracterstica ( B ) = 0 carem fora do

crculo unitrio, ento a srie Xt ~ AR(p) estacionria.
Logo, um processo autorregressivo de ordem p, AR(p), estacionrio somente
se as p razes da equao polinomial ( B ) = 0 carem foram do crculo unitrio,
ou seja, se forem maiores que um. Item errado.
GABARITO: E
2. A suposio de estacionariedade no coloca restrio sobre a forma como xt
e xt-1 so relacionadas entre si.
Resoluo
Grosso modo, diz-se que um processo estocstico estacionrio se suas mdia
e varincia forem constantes ao longo do tempo e o valor da covarincia entre
dois perodos de tempo depender apenas da distncia ou defasagem entre os
48

dois perodos, e no do perodo de tempo efetivo em que a covarincia

calculada . Item correto.
GABARITO: C
3. Para processos autorregressivos de ordem 1, AR(1), a funo de
autocorrelao, Cor ( yt , yt k ) , apresenta decaimento exponencial medida que k
cresce, considerando-se que k uma constante qualquer.
Resoluo
correto afirmar que a funo de autocorrelao de um processo AR(1)
apresenta decaimento exponencial medida que k cresce, considerando-se
que k uma constante qualquer.
GABARITO: C
(ANTT Cargo 15/CESPE-UnB/2013) Considere que uma srie temporal
{ X t } seja gerada por
jB j
X t =
j =0 j!
Z t ,
em que B representa o operador de atraso (backshift), tal que {BZ t = Z t 1} ,

seja uma constante real e Z t seja um rudo aleatrio com mdia nula e
varincia unitria. Acerca da srie temporal { X t } , julgue os itens subsequentes.
4. A mdia e a varincia do processo { X t } so, respectivamente, iguais a 0 e
1.
Resoluo
jB j
X t =
j =0 j!
0 B0
1 B1Z t 2 B 2 Z t 3 B 3 Z t
Z t =
Z
+
+
+
+ ...
t
0!
1!
2!
3!
jB j
X t =
j =0 j!
2
3
Z t = Z t + Z t 1 + Z t 2 + Z t 3 + ...
1!
2!
3!
Clculo da mdia
2
3
2
3
E ( X t ) = E Z t + Z t 1 + Z t 2 + Z t 3 + ... = E ( Z t ) + E ( Z t 1 ) +
E ( Z t 2 ) + E ( Z t 3 )
1!
2!
3!
2!
3!
49

E ( X t ) = E (Z t ) + E (Z t ) +
2
2!
E (Z t ) +
3
3!
E (Z t ) = 0 + .0 +
2
2!
.0 +
3
3!
.0 + ... = 0
pois o rudo aleatrio estacionrio com mdia nula, ou seja, vale
E ( Z t ) = E ( Z t 1 ) = E ( Z t 2 ) = E ( Z t 3 ) = ...0
Clculo da varincia
2
2
3
Var ( X t ) = Var Z t + Z t 1 +
Z t 2 + Z t 3 + ... = Var ( Z t ) + 2Var ( Z t 1 ) + Var ( Z t 2 ) + ...
1!
2!
3!
2!
(valores sucessivos do rudo aleatrio so independentes)

2
2
2
2
2 3
2 3
2
2
Var( X t ) = Var( Z t ) 1 + + + + ... = 1 + + + + ... diferente de 1
2! 3!
2! 3!
para 0. Item errado.
(pois a varincia do processo rudo aleatrio unitria)

GABARITO: E
5. Se = 5 , o processo { X t } no estacionrio.
Resoluo
jB j
X t =
j =0 j!
2
3
Z t = Z t + Z t 1 + Z t 2 + Z t 3 + ... = h j Z t j
1!
2!
3!
j =0
2 3
em ht = 1, , , .... .
1! 2! 3!
(ht uma sequncia determinstica).
Note que { X t } est escrito na forma de mdia mvel de ordem infinita
(MA()).
A srie temporal { X t } estacionria se
S = | h j | <
j =0
50

Prova:
Xt =
j =0
j =0
h j Zt j | h j || Zt j |
Como o processo {Z t } estacionrio, temos que
| Z t | BZ
Logo,
X t BZ | h j |
j =0
Conclui-se que a srie temporal { X t } estacionria se S = | h j | < uma

j =0
srie convergente.
Clculo da srie S
S = | h j | = 1+ | | +
j =0
| |2 | |3
| 2 | | 3 |
+
+ ... = 1+ | | +
+
+ ... = e| | , < <
2!
3!
2!
3!
A srie converge para o valor e| | , < < . Desta forma, o processo

estacionrio para qualquer valor de . Item errado.
GABARITO: E
6. (BACEN/FCC/2006) Seja um modelo auto-regressivo de ordem 1, ou
AR(1), em que ( t ) caracteriza o processo conhecido como rudo branco:
yt = yt 1 + t , com > 0
1 2k
, sendo k um nmero real, e tambm que a srie yt
k 1
estacionria, tem-se que
Sabendo que =
(A)
1
< k <1
2
(B) k <
2
ou k > 1
3
51

(C) k <
1
ou k > 1
2
(D)
2
< k <1
3
(E)
1
2
<k<
2
3
Resoluo
Um processo AR(1) de mdia nula ( = 0)
yt = yt 1 + t
estacionrio se e somente se a raiz de ( B ) = 1 B = 0 cai fora do crculo
unitrio. Isto implica < 1 1 < < 1 . Como o enunciado especifica que > 0 ,
tem-se que a condio 0 < < 1 deve ser obedecida.
No enunciado, =
1 2k
.
k 1
Logo, temos que resolver as inequaes: (I)
1 2k
1 2k
< 1 e (II)
> 0 (porque o
k 1
k 1
enunciado especificou > 0 ).

RESOLUO DA INEQUAO (I)
1 2k
1 2k
3k + 2
<1
1 < 0
< 0 . Vamos chamar a funo do numerador de
k 1
k 1
k 1
y ( k ) = 3k + 2 e a do denominador de g ( k ) = k 1 .
Agora temos que determinar as razes de y(k) e g(k) e as posies das

respectivas retas (declividade > 0 crescente e declividade < 0
decrescente).
52

y ( k ) = 3k + 2
3k + 2 = 0 k =
2
3
+
-
2/3
g (k ) = k 1
k 1 = 0 k = 1
+
-
2/3
Sendo assim,
y/g
3k + 2
2
< 0 quando k < ou k > 1 .
k 1
3
RESOLUO DA INEQUAO (II)

1 2k
> 0 y (k ) = 1 2k e g (k ) = k 1 .
k 1
y (k ) = 1 2k
1 2k = 0 k = 1 / 2
+
1/2
g (k ) = k 1
k 1 = 0 k = 1
+
-
53

1/2
Portanto,
y/g
1 2k
> 0 quando 1 / 2 < k < 1 .
k 1
Como (I) e (II) devem ser satisfeitas simultaneamente, temos que k deve
satisfazer:
{ k < 2 / 3 ou k > 1 } { 1 / 2 < k < 1 }
Ento, 1 / 2 < k < 2 / 3 .
GABARITO: E
7. (BACEN/ESAF/2002) Considere a srie temporal com periodicidade
determinstica
xt = 1 cos(2t ) + 2 sin(2t )
com t {0,1, 2,...}
onde 1 e 2 so realizaes independentes da distribuio normal padro.

Assinale a opo correta.
(A) A srie temporal xt estacionria e tem funo de autocovarincia
( h ) = cos( h ).
(B) A srie temporal xt estacionria e tem funo de autocovarincia
( h ) = sen ( h ).
(C) A srie temporal xt estacionria e tem funo de autocovarincia
( h ) = cos( 2 h ).
(D) A srie temporal xt no estacionria.
(E) A srie temporal xt estacionria e tem funo de autocovarincia
( h ) = sin( 2 h ).
Resoluo
Uma anlise rpida das alternativas sugere que deve-se calcular a mdia e a
autocovarincia da srie temporal dada. Repare que o examinador chama o
54

processo xt = 1 cos(2t ) + 2 sin(2t ) de srie temporal, o que comum na literatura,

conforme alertamos na aula.
Clculo da mdia
E[ xt ] = E[ 1 cos(2t ) + 2 sin(2t )]
E[ xt ] = E[ 1 cos(2t )] + E[ 2 sin(2t )]
E[ xt ] = cos(2t ) E[ 1 ] + sin(2t ) E[ 2 ]
determinsticas!)
(porque
cos(2t)
sin(2t)
so
funes
E[ xt ] = cos(2t ) 0 + sin(2t ) 0 (porque a normal padro tem mdia nula)

E[ xt ] = = 0 logo h estacionariedade de primeira ordem, pois a mdia
constante e este fato elimina a alternativa D.
Clculo da autocovarincia
Aprendemos que
Cov[ xt xt h ] = E[( xt t )( xt h t h )]
Como t = 0 para qualquer t, segue-se que
Cov[ xt xt h ] = E[ xt xt h ] = E{[1 cos(2t ) + 2 sin(2t )] [1 cos(2(t h)) + 2 sin(2(t h))]}

Cov[ xt xt h ] = E[ 12 cos(2t ) cos(2t 2h)] + E[ 1 2 cos(2t ) sin(2t 2h)]
+ E[ 1 2 sin(2t ) cos(2t 2h)] + E[ 22 sin(2t ) sin(2t 2h)]
Cov[ xt xt h ] = cos(2t ) cos(2t 2h) E[ 12 ] + cos(2t ) sin(2t 2h) E[ 1 2 ]
+ sin(2t ) cos(2t 2h) E[ 1 2 ] + sin(2t ) sin(2t 2h) E[ 22 ]
Mas E[ 12 ] = E[ 22 ] = 1 e E[ 1 2 ] = 0 (1 e
que 1 e
caso,
2 so no correlacionados), haja vista
2 so realizaes independentes da distribuio normal padro. Neste
Cov[ xt xt h ] = cos(2t ) cos(2t 2h) + sin(2t ) sin(2t 2h)

Para prosseguir com a soluo, precisamos aplicar as seguintes identidades
trigonomtricas:
55

sin x sin y =
1
[cos( x y ) cos( x + y )]] e cos x cos y = 1 [cos( x y ) + cos( x + y )]]
2
2
Cov[ xt xt h ] =
1
[cos(2t 2t + 2h) + cos(2t + 2t 2h)] + 1 [cos(2t 2t + 2h) cos(2t + 2t 2h)]
2
2
Cov[ xt xt h ] =
cos(2h) cos(2h) cos(2h) cos(2h)

+
+
2
2
2
2
Cov[ xt xt h ] = cos( 2 h ) = ( h ) estacionariedade de segunda ordem
GABARITO: C
8. (BACEN/ESAF/2001) A evoluo de uma srie mensal de receitas, aps a
remoo da tendncia e efeitos sazonais, define um processo fracamente
estacionrio que obedece lei de formao de um processo auto-regressivo de
mdias mveis ARMA(p,q). O natural p a ordem da parte auto-regressiva e o
natural q a ordem do processo de mdias mveis. Sabe-se que a funo de
autocorrelao da srie tem queda exponencial e que a funo de
autocorrelao parcial no se anula na defasagem (lag) de ordem 2, mas se
anula a partir da defasagem (lag) de ordem 3, inclusive.
Assinale a opo que d os valores de p e q.
(A) p=0 e q=0
(B) p=0 e q=2
(C) p=1 e q=1
(D) p=2 e q=2
(E) p=2 e q=0
Resoluo
Como a autocorrelao tem queda exponencial, trata-se um modelo AR(p).
Este fato por si s j elimina as alternativas B, C e D, em que aparecem
mdias mveis.
Um modelo AR(p) tem FACP mm 0 para m p e mm = 0 para m > p . Logo tratase de um modelo AR com p =2 parmetros.
GABARITO: E
56

9. (Indita) Seja a srie yt = yt 1 + t , conhecida como passeio aleatrio, em

que t denota um rudo branco normal de mdia nula e varincia unitria.
Assinale a opo correta acerca deste processo.
(A) do tipo MA(1).
(B) estacionrio.
(C) Possui uma raiz unitria.
(D) Possui duas razes unitrias.
(E) um processo ARMA(1,1).
Resoluo
A equao caracterstica do passeio aleatrio :
1 B = 0 B =1 (uma raiz unitria). O passeio aleatrio de um processo I(1)
(integrado de ordem 1). Logo, no estacionrio. Alm disso, observe-se que
o passeio aleatrio AR.
GABARITO: C
10. (Indita) Uma srie financeira segue o modelo yt = yt 1 + 0.89 yt 2 + t , em
que t ~RB(0,2) . Assinale a alternativa com uma afirmativa falsa sobre este
processo.
(A) No um modelo auto-regressivo e de mdias mveis.
(B) No um modelo de mdias mveis.
(C) auto-regressivo de ordem 2.
(D) O processo no estacionrio.
(E) O processo estacionrio.
Resoluo
O processo AR(2) com parmetros 1=1,0 e 1=0,89. Este processo no
estacionrio porque 1 + 1=1,89>1.
Podemos chegar mesma concluso (no estacionariedade) se calcularmos
as razes da equao caracterstica do modelo
1-x-0,89x2=0.
As razes so x1=0,6379 e x2=-1,7615 |x2|=1,7615>1 (esta raiz est fora
do crculo unitrio).
57

GABARITO: E
I)
A grosso modo, diz-se que um processo estocstico estacionrio se

suas mdia e varincia forem constantes ao longo do tempo e o valor da
covarincia entre dois perodos de tempo no depender da defasagem
entre os dois perodos, mas dos tempos efetivos em que a covarincia
calculada.
II)
Tipicamente, a FAC de um processo AR(p) declina exponencialmente ou

com um padro de onda senoidal amortecida, ou ambos.
III)
O passeio aleatrio um processo no estacionrio.
(A) (I) verdadeira; (II) e (III) so falsas.

(C) Todas so falsas.
Resoluo
A afirmativa (I) falsa porque o valor da covarincia entre dois perodos de
tempo depende apenas da defasagem entre os dois perodos.
A afirmativa (II) verdadeira, conforme o exposto na aula terica.
A ltima assertiva verdadeira, pois o processo aleatrio integrado de ordem
1.
GABARITO: B
I)
As observaes de um rudo branco so correlacionadas.
II)
A srie
yt = + t + t , em que e so constantes, t denota o tempo e t

um rudo branco, no estacionria com tendncia aleatria.
III) Um processo aleatrio corresponde a uma realizao de uma srie

temporal.
(A) Todas so falsas.
58


(C) (I) verdadeira; (II) e (III) so falsas.
Resoluo
A assertiva (I) falsa porque
E[ t t ] = 0,
para 0 . Uma seqncia
{ t }, t = 0,1,2,... , um rudo branco se cada valor nela tiver mdia zero,

varincia constante e no for correlacionado com qualquer realizao da
prpria srie.
A assertiva (II) falsa porque no estacionria com tendncia
determinstica.
A assertiva (III) falsa tendo em vista que os dados de qualquer srie
temporal podem ser pensados como sendo gerados por um processo aleatrio
ou estocstico.
GABARITO: A
59

(BACEN/CESPE-UnB/1997/Adaptada) Com o auxlio dos grficos, julgue

os itens abaixo, a respeito de correlao e de sries temporais.
. .
..
. .
.
. .
.
. . . . . . . . .. . . . . .
.
. .
.
. .
.
. . .
. .
.
..
. .
x
Grfico I: diagrama de disperso
Resduos
Grfico II: diagrama de disperso
. .
.
.
.
.
. .
1
.
2
10
Tempo (em anos)
Grfico III: grfico de resduos
13. No Grfico I, o coeficiente

aproximadamente igual a 1.
de
correlao
linear
de
Pearson
Resoluo
O grfico mostra que no h dependncia linear entre y e x, pois os
pontos no se aproximam de uma reta. De fato, a dependncia funcional
entre y e x praticamente inexistente, pois y tende a flutuar em torno de um
valor mdio constante. Item errado.
GABARITO: E
14. No grfico II, existe forte correlao entre as variveis representadas.
Resoluo
60

O grfico mostra que h uma dependncia funcional no linear entre y e x,

logo existe uma forte correlao de natureza no linear entre as variveis.
Lembre-se de que possvel definir outros tipos de correlao alm da linear.
Item certo.
GABARITO: C
15. O grfico III indica que a componente tendncia no foi eliminada no
modelo de srie temporal ajustado.
Resoluo
O grfico dos resduos do modelo estimado mostra que ainda h uma
tendncia no linear que no foi eliminada pelo modelo estimado da srie
temporal. A afirmao est certa. O tpico estimao do modelo ser
apresentado em aula posterior.
GABARITO: C
16. Sries com mdia e varincia constantes ao longo do tempo so
denominadas estacionrias.
Resoluo
Quando o examinador fizer meno a uma srie estacionria, voc poder
assumir que se trata de uma srie com estacionariedade de segunda ordem.
Um processo estacionrio (de segunda ordem) tem mdia e varincias
constantes e uma funo de autocovarincia que no depende do tempo, mas
apenas da distncia temporal (defasagem) entre as observaes. Item
correto.
GABARITO: C
17. Sries temporais de observaes com perodo anual devem ser ajustadas
considerando-se quatro componentes principais tendncia (T), sazonal (S),
cclica (C) e irregular (I) - , sendo o seu modelo multiplicativo clssico
expresso pela equao Yi = Ti x Si x Ci x Ii em que Yi a observao no ano i.
Resoluo
Este item afirma que as sries "devem ser ajustadas (...) sendo o seu modelo
multiplicativo". Qual a base para se afirmar, de antemo, que o modelo
multiplicativo mais adequado que o aditivo? O Ciclo Iterativo de Box-Jenkins
diz que a metodologia de construo de um modelo baseada nos seguintes
passos: 1) postular a classe geral do modelo, 2) identificar o modelo, 3)
61

estimar os parmetros do modelo identificado e 4) diagnosticar o modelo

(voltar para o item 1 se o modelo for inadequado). Sendo assim, precisamos
identificar a classe do modelo, antes de estim-lo. A escolha do modelo
adequado depende da natureza dos dados. por isso que o item errado.
Com relao ao modelo multiplicativo, seja, por exemplo, o modelo Z(t) =
T(t).S(t).a(t), em que T(t) denota a tendncia, S(t) a sazonalidade e a(t) a
perturbao aleatria. O modelo multiplicativo muitas vezes adequado para
sries econmicas que apresentam um crescimento exponencial. Tomando-se
logaritmos, obtemos o modelo aditivo log{Z(t)} = log{T(t)} + log{S(t)} +
log{a(t)}.
GABARITO: E
(Inditas) Julgue os itens a seguir.
18. Um processo ergdico no estacionrio.
Resoluo
Um processo estacionrio ergdico quando os seus momentos amostrais
(mdias temporais que so calculadas utilizando-se apenas uma nica
realizao) convergem para os momentos da populao. Portanto, possvel
estimar os momentos (mdias estatsticas) de um processo ergdico se temos
acesso a pelo menos uma realizao do processo. A ergodicidade uma
propriedade mais restritiva do que a estacionariedade, ou seja, todo processo
ergdico estacionrio, mas a recproca no verdadeira. Item errado.
GABARITO: E
19. Um processo de mdias mveis de ordem q, denotado por MA(q), nem
sempre estacionrio.
Resoluo
Um processo MA(q) sempre estacionrio, pois no envolve recurses,
como a classe mais geral dos processos ARMA(p,q). Item errado.
GABARITO: E
20.
(BACEN/Cesgranrio/2010)
Seja
uma
srie
estacionria
caracterizada por um processo autorregressivo de ordem [AR(1)]:
yt,
yt yt 1 = t
62

onde t um processo estocstico do tipo rudo branco e > 0 .

Sabendo-se que =
(A)
1
2
< <
2
3
(B)
1
< <1
2
(C) <
2
ou 1
3
(D) < 1 ou
(E)
1 2
, sendo um nmero real, tem-se que
1
2
3
2
< <1
3
Resoluo
Um processo AR(1) de mdia nula ( = 0)
yt = yt 1 + t
estacionrio se e somente se a raiz de ( B ) = 1 B = 0 cai fora do crculo
unitrio. Isto implica < 1 1 < < 1 . Como o enunciado especifica que > 0 ,
tem-se que a condio 0 < < 1 deve ser obedecida.
No enunciado, =
1 2
.
1
Logo, temos que resolver as inequaes: (I)
1 2
1 2
< 1 , e (II)
>0.
1
1
RESOLUO DA INEQUAO (I)

1 2
1 2
3 + 2
<1
1 < 0
< 0 . Vamos chamar a funo do numerador de
1
1
1
y ( ) = 3 + 2 e a do denominador de g ( ) = 1 .
Agora temos que determinar as razes de y ( ) e g ( ) e as posies das

respectivas retas (declividade > 0 crescente e declividade < 0
decrescente).
63

y ( ) = 3 + 2
3 + 2 = 0 =
2
3
+
-
2/3
g ( ) = 1
1 = 0 = 1
+
-
2/3
Sendo assim,
y/g
3 + 2
2
< 0 quando < ou > 1 .
3
1
RESOLUO DA INEQUAO (II)

1 2
> 0 y ( ) = 1 2 e g ( ) = 1 .
1
y ( ) = 1 2
1 2 = 0 = 1 / 2
+
1/2
g ( ) = 1
1 = 0 =1
+
-
64

1/2
Portanto,
y/g
1 2
> 0 quando 1 / 2 < < 1 .
1
Como (I) e (II) devem ser satisfeitas simultaneamente, temos que deve
satisfazer:
{ < 2 / 3 ou > 1 } { 1 / 2 < < 1 }
Logo, 1 / 2 < < 2 / 3 .
GABARITO: A
21. (SUSEP-Aturia/ESAF/2010) Um modelo ARIMA(1,1,1) sem termo
constante para uma varivel Yt tem um coeficiente autoregressivo e um
coeficientede do termo de mdia mvel . Seja o operador B tal que BYt = Yt-1,
seja tal que = 1 B , e seja at a representao do rudo branco. Assim, uma
representao compatvel desse modelo ARIMA :
(A) (1
B)Y = (1 B)a
t
t
(B) (1 ) BYt = (1 )at

(C) Yt = Bat
(D) BYt = at
(E) (1 ) BYt = (1 )at
Resoluo
Vimos que um modelos ARIMA(1,d,1) definido por
( B ) d Yt = ( B )a (t )
em que ( B ) = 1 B denota o polinmio autorregressivo, o operador
diferena e ( B ) = 1 B representa o polinmio de mdias mveis. Temos, para
65

o processo aleatrio da questo, d = 1. Assim, o modelo ARIMA(1,1,1) ser

dado por
( B)Yt = ( B)a(t ) (1 B)Yt = (1 B)at

GABARITO: A
(ANTT Cargo 15/CESPE-UnB/2013) A respeito do mtodo de estimao
por MQO, julgue os itens que se seguem
22. Um elevado valor da estatstica R2 em um modelo de regresso linear
simples com uma varivel independente x e uma varivel dependente y
implica, necessariamente, causalidade entre y e x.
Resoluo
o coeficiente R2 de uma regresso linear simples exprime a porcentagem da
variao total de y (SQT) que explicada pela reta de regresso ajustada.
Essa grandeza chamada coeficiente de determinao. O R2 quantifica o
grau de ajuste de um conjunto de dados reta de regresso estimada.
Quanto mais prximo de 1 estiver R2 melhor ter sido nosso trabalho para
explicar a variao em y, com y = a + bx , e maior ser a capacidade de previso
de nosso modelo sobre todas as observaes amostrais.
Um elevado valor da estatstica R2 em um modelo de regresso linear simples
com uma varivel independente x e uma varivel dependente y no implica,
necessariamente, causalidade entre y e x. CORRELAO NO CAUSALIDADE.
A CORRELAO MEDE APENAS A RELAO LINEAR
Item errado.
GABARITO: E
23. A estatstica R2 utilizada como critrio de seleo para diferentes formas
funcionais de estimao de uma varivel dependente yt , podendo-se, por
exemplo, mediante essa estatstica, comparar o desempenho do modelo
yt = a + xt + ut com o desempenho do modelo ln yt = a + ln xt + ut , em que xt a
varivel independente e ut uma varivel aleatria de mdia igual a zero.
Resoluo
A estatstica R2 no deve ser utilizada como critrio de seleo de modelo
(forma funcional). Item errado.
GABARITO: E
66

Bons estudos e at a prxima aula.

Alexandre Lima
alexandre@pontodosconcursos.com.br
67

Análise de Processos Aleatórios em Séries Temporais

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Análise de Processos Aleatórios em Séries Temporais

Uploaded by

Copyright:

Available Formats

Conhecimentos Especficos Mtodos Quantitativos Anatel

Aula 11 Processos Aleatrios

Exemplo de Questo Discursiva ...................................................................................... 2

Noes de Processos Estocsticos .................................................................................. 6

Processos Estocsticos .............................................................................................. 13

Especificao de um Processo Estocstico ........................................................ 15

Estacionariedade de Segunda Ordem ............................................................................ 20

Propriedades da Funo de Autocovarincia .................................................... 21

Processos Lineares Estacionrios .......................................................................... 22

Rudo Branco ................................................................................................................ 22

Processos Autorregressivos (AR) ................................................................................. 22

Processos de Mdias Mveis ........................................................................................ 33

Processos Autorregressivos e de Mdias Mveis ......................................................... 35

Processos Lineares No Estacionrios ................................................................. 36

O Mnimo que Voc Precisa Saber ................................................................................ 38

Exerccios de Fixao ......................................................................................................... 40

Resoluo dos Exerccios de Fixao ........................................................................... 48

Conhecimentos Especficos Mtodos Quantitativos Anatel

Ol, tudo bem com voc?

Exemplo de Questo Discursiva

(Analista do MPU Estatstica/CESPE-UnB/2013) Um estudo sobre a

Conhecimentos Especficos Mtodos Quantitativos Anatel

Com base no conjunto de informaes acima, redija um texto dissertativo que

Conhecimentos Especficos Mtodos Quantitativos Anatel

em que x a mdia aritmtica dos xk , y a mdia aritmtica dos yk e Var (.)

Como os estimadores a e b so combinaes lineares de variveis aleatrias

Quesito 2: Analise os resultados mostrados nas tabelas 1 e 2.

R 2 = SQR / SQT (coeficiente de determinao) mede o lucro relativo que se

Conhecimentos Especficos Mtodos Quantitativos Anatel

SQT = ( yk y ) 2 ) que explicada pelo modelo de regresso. O modelo obtido

explica somente 5% da variabilidade total. Isto indica que pouco compensa o

Conhecimentos Especficos Mtodos Quantitativos Anatel

Noes de Processos Estocsticos

As sries temporais podem ser estacionrias ou no estacionrias. A

Figura 1: srie temporal estacionria.

Conhecimentos Especficos Mtodos Quantitativos Anatel

Figura 2: srie temporal no estacionria.

Figura 3: srie temporal estacionria determinstica.

Conhecimentos Especficos Mtodos Quantitativos Anatel

A srie (1) ser estacionria e estocstica se a ela for acrescentado um

estacionria e determinstica. Essa srie converge para 2 medida que

em que um valor constante, no estacionria com tendncia

denominada passeio aleatrio3, no estacionria com tendncia

Esta srie auto-regressiva por que o valor atual

y t (valor de y no tempo t) depende de y t 1 (valor de y no instante

t 1 mais um movimento completamente aleatrio determinado por t .

Conhecimentos Especficos Mtodos Quantitativos Anatel

Figura 4: srie no estacionria com tendncia determinstica.

em que uma constante denominada drift, conhecida como o passeio

Figura 5: passeio aleatrio, = 1, com drift = 0,2 (linha cheia

Conhecimentos Especficos Mtodos Quantitativos Anatel

O procedimento de estimao dos parmetros de uma srie temporal depende

Do que foi visto at agora, a idia central a seguinte: as sries no

continuamente ou simplesmente log-retorno como rt = log

Conhecimentos Especficos Mtodos Quantitativos Anatel

Figura 6. Retornos dirios da NYSE no perodo 02/02/1984 a

Conhecimentos Especficos Mtodos Quantitativos Anatel

experimento n vezes, aparecero n formas de onda (ou realizaes)

Figura 7. osciloscpio digital. Fonte: Agilent Technologies.

As Figs. 8 e 9 mostram 2 realizaes de um processo estocstico do tipo rudo

Figura 8. Realizao 1 do rudo trmico.

Isto de fato acontece porque o rudo trmico um processo estocstico estacionrio.

Conhecimentos Especficos Mtodos Quantitativos Anatel