Professional Documents
Culture Documents
Aula 11
Sumrio
0
Introduo ........................................................................................................................ 6
1.2
1.3
1.4
Estacionariedade.......................................................................................................... 19
1.4.1
1.5
1.6
Ergodicidade .................................................................................................................. 21
1.7
1.7.1
1.7.2
1.7.3
1.7.4
1.8
1.8.1
Gabarito .................................................................................................................................. 47
1
www.pontodosconcursos.com.br | Prof. Alexandre Lima
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
www.pontodosconcursos.com.br | Prof. Alexandre Lima
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
www.pontodosconcursos.com.br | Prof. Alexandre Lima
E ( a ) = a
Var ( a ) =
n
Var (b) k =1 X k2
k =1
a ~ N a,
b ~ N b,
S XX
5
www.pontodosconcursos.com.br | Prof. Alexandre Lima
1.1
Introduo
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
www.pontodosconcursos.com.br | Prof. Alexandre Lima
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).
yt = + t .
A srie autorregressiva1
(3)
yt = + 0,5 yt 1
yt = + t + t
yt = yt 1 + t ,
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
8
www.pontodosconcursos.com.br | Prof. Alexandre Lima
A srie
(6)
yt = + yt 1 + t ,
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).
10
www.pontodosconcursos.com.br | Prof. Alexandre Lima
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
www.pontodosconcursos.com.br | Prof. Alexandre Lima
12
www.pontodosconcursos.com.br | Prof. Alexandre Lima
Processos Estocsticos
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
www.pontodosconcursos.com.br | Prof. Alexandre Lima
fY(y)
Y(t, )
(t1)
(t2)
t1
(t)
t2
t
Y(t, )
y1(t)
y2(t)
(t)
y3(t)
yn(t)
t1
t2
tn
15
www.pontodosconcursos.com.br | Prof. Alexandre Lima
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
f Y ( y n | y n 1 ,..., y1 ) =
f Y ( y1 ,..., y n 1 , y n )
,
f Y ( y1 ,.., y n1 )
em que
(10)
f Y ( y1 ,..., y n 1 , y n ) = f Y ( y1 ) f Y ( y 2 ) f Y ( y3 )... f Y ( y n )
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
www.pontodosconcursos.com.br | Prof. Alexandre Lima
(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
(13)
t = E[Y (t )] =
yf
( y; t )dt ,
17
www.pontodosconcursos.com.br | Prof. Alexandre Lima
Yt .
12
O lapso de tempo
Var[Y (t )] = (t , t ) = E[Y 2 (t )] 2 (t ) .
(t , t ) =
(t , t )
.
(t , t ) (t , t )
Estacionariedade
estacionrio
ou
(i)
(ii)
(iii)
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)
Var[Y (t )] = (0) = 2 .
1.5
(0) > 0 ;
( ) = ( ) ;
| ( ) | ( 0) .
Ergodicidade
1
N
(s)
t
t =1
21
www.pontodosconcursos.com.br | Prof. Alexandre Lima
1.7
Rudo Branco
E[ t ] = 0, t ;
E[ t2 ] = 2 , t ;
E[ t t ] = 0, para 0 .
1.7.2.1
Modelos AR Simples
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
www.pontodosconcursos.com.br | Prof. Alexandre Lima
E[Yt ] = 0 + 1 E[Yt 1 ] ,
pois
E[ t ] = 0 .
Sob
condio
de
estacionariedade
do
modelo
(20),
= 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
15
23
www.pontodosconcursos.com.br | Prof. Alexandre Lima
(25)
X t = 1 X t 1 + t
2
,
1 2
para 12 < 1 .
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
www.pontodosconcursos.com.br | Prof. Alexandre Lima
ou
(28) | 1 |< 1
(29) = 1 12
1 1 ,
>0
onde
usamos
propriedade
= .
Tambm
podemos
expressar
para > 0 .
25
www.pontodosconcursos.com.br | Prof. Alexandre Lima
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
26
www.pontodosconcursos.com.br | Prof. Alexandre Lima
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
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
27
www.pontodosconcursos.com.br | Prof. Alexandre Lima
para > 0 .
para > 0 .
1
.
1 2
(i)
1 + 2 < 1
(ii)
2 1 < 1
(iii)
1 < 2 < 1
20
Estes resultados no sero demonstrados neste curso. Mas bom sab-los para a prova.
29
www.pontodosconcursos.com.br | Prof. Alexandre Lima
X t 0,5 X t 1 0,3 X t 2 = t
(1 0,5 B 0,3B 2 ) X t = t
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
30
www.pontodosconcursos.com.br | Prof. Alexandre Lima
1.7.2.2
O Modelo AR(p)
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.
para > 0 .
31
www.pontodosconcursos.com.br | Prof. Alexandre Lima
m1 1
m2
mm m 2
(47) 2
(...)
m = m1 m1 + m 2 m2 + ... + mm
m1
1
1
...
m 2
... m1 m1 1
... m 2 m 2 2
=
... ... ... ...
...
1 mm m
11 = 1
32
www.pontodosconcursos.com.br | Prof. Alexandre Lima
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
(52) Yt = + t 1 t 1 ... q t q
em que , 1 ,..., q so constantes reais e t ~RB(0,2).
2
2
1
...
+
+
+
1
q
(54) = 0
>q
<0
21
34
www.pontodosconcursos.com.br | Prof. Alexandre Lima
1.7.4
X t = X t 1 + t t 1 .
Identificao do Modelo
C(N )
N
35
www.pontodosconcursos.com.br | Prof. Alexandre Lima
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 )
AIC (k , l ) = ln k2,l +
2( k + l )
N
AIC ( k ) = ln k2 +
2k
,
N
kK.
ln N
(k + l ) .
N
k ln N
.
N
36
www.pontodosconcursos.com.br | Prof. Alexandre Lima
X t = (1 B ) d Yt = d Yt
37
www.pontodosconcursos.com.br | Prof. Alexandre Lima
yf
( y; t ) dt ,
(t , t )
.
(t , t ) (t , t )
(ii)
(iii)
( )
( )
=
.
(0) (0) (0)
(0) > 0 ;
( ) = ( ) ;
| ( ) | ( 0) .
39
www.pontodosconcursos.com.br | Prof. Alexandre Lima
Exerccios de Fixao
jB j
X t =
j =0 j!
Z t ,
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
www.pontodosconcursos.com.br | Prof. Alexandre Lima
(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
xt = 1 cos(2t ) + 2 sin(2t )
II)
II)
A srie
43
www.pontodosconcursos.com.br | Prof. Alexandre Lima
. .
..
. .
.
. .
.
. . . . . . . . . . .. . . . . .
. . .
. .
.
. .
.
. . .
. .
.
..
. .
x
Grfico I: diagrama de disperso
Resduos
. .
.
.
.
.
. .
1
.
2
10
de
correlao
linear
de
Pearson
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
46
www.pontodosconcursos.com.br | Prof. Alexandre Lima
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
www.pontodosconcursos.com.br | Prof. Alexandre Lima
( B) = 1 1 B ... p B p = 0
em que (B ) chamado de operador autorregressivo de ordem p.
jB j
X t =
j =0 j!
Z t ,
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
www.pontodosconcursos.com.br | Prof. Alexandre Lima
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
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!
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.
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
www.pontodosconcursos.com.br | Prof. Alexandre Lima
Prova:
Xt =
j =0
j =0
h j Zt j | h j || Zt j |
| Z t | BZ
Logo,
X t BZ | h j |
j =0
srie convergente.
Clculo da srie S
S = | h j | = 1+ | | +
j =0
| |2 | |3
| 2 | | 3 |
+
+ ... = 1+ | | +
+
+ ... = e| | , < <
2!
3!
2!
3!
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
www.pontodosconcursos.com.br | Prof. Alexandre Lima
(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
1 2k
1 2k
< 1 e (II)
> 0 (porque o
k 1
k 1
52
www.pontodosconcursos.com.br | Prof. Alexandre Lima
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
+
1/2
g (k ) = k 1
k 1 = 0 k = 1
+
-
53
www.pontodosconcursos.com.br | Prof. Alexandre Lima
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 )
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
Cov[ xt xt h ] = E[( xt t )( xt h t h )]
Como t = 0 para qualquer t, segue-se que
Mas E[ 12 ] = E[ 22 ] = 1 e E[ 1 2 ] = 0 (1 e
que 1 e
caso,
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 ] =
2
2
2
2
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
www.pontodosconcursos.com.br | Prof. Alexandre Lima
GABARITO: E
11. (Indita) Julgue as assertivas a seguir:
I)
II)
III)
II)
A srie
E[ t t ] = 0,
59
www.pontodosconcursos.com.br | Prof. Alexandre Lima
. .
..
. .
.
. .
.
. . . . . . . . .. . . . . .
.
. .
.
. .
.
. . .
. .
.
..
. .
x
Grfico I: diagrama de disperso
Resduos
. .
.
.
.
.
. .
1
.
2
10
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
www.pontodosconcursos.com.br | Prof. Alexandre Lima
yt,
yt yt 1 = t
62
www.pontodosconcursos.com.br | Prof. Alexandre Lima
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
1 2
1 2
< 1 , e (II)
>0.
1
1
63
www.pontodosconcursos.com.br | Prof. Alexandre Lima
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
+
1/2
g ( ) = 1
1 = 0 =1
+
-
64
www.pontodosconcursos.com.br | Prof. Alexandre Lima
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 ) 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
67
www.pontodosconcursos.com.br | Prof. Alexandre Lima