Sries Temporais

Uma serie temporal qualquer conjunto de observaes ordenado

que se obtm em perodos regulares atravs do tempo. So
exemplos de series temporais:
(i)

Sries temporais

(ii)
(iii)
(iv)
(v)

Valores mensais de temperatura na Cidade de Belo Horizonte

MG;
ndices dirios da bolsa de valores de So Paulo;
Registros de vendas totais por ano da GM;
ndices de preos do consumidor, calculada mensalmente;
Valores de poluio na cidade de Ouro Preto.

Objetivos

VICENTE GARIBAY CANCHO

Descrever os padres da serie no passado;

Previses de valores futuros conhecendo o passado.

2004

1. Componentes de dados de sries temporais

Exemplo 1: Os seguintes dados representam as vendas netas anuais da
empresa Eastem Kodak desde 1970 ao 1992:
Ano
1970
1971
1972
1973
1974
1975
1976
1977
1978
1979
1980
1981

Vendas
(em 1000 de
milhes)
2,8
3,0
3,5
4,0
4,6
5,0
5,4
6,0
7,0
8,0
9,7
10,3

Ano
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992

Vendas
(em 1000 de
milhes)
10,8
10,2
10,6
10,6
11,5
13,3
17,0
18,4
18,9
19,4
20,1

O modelo aditivo clssico de sries temporais :

O exame das sries temporais poder revelar a presena dos
seguintes movimentos caractersticos, ou temporais:
Tendncia secular (T);
Variaes sazonais ou estacionais (S);
Variaes cclicas (C) ;
Variaes irregulares ou aleatrias (I).

Yt = Tt + Ct + I t

Dados anuais

Yt = Tt + C t + S t + I t

Dados menores de um ano

Exemplo 2: Os dados da tabela correspondem as vendas anuais

da fabrica GM, a nvel mundial, de automveis, caminhes, e
nibus durante o perodo de 23 anos
Ano

Para dados anuais o modelo multiplicativo clssico de sries

temporais:

1970
1971
1972
1973
1974
1975
1976
1977
1978
1979
1980
1981

Yt = Tt Ct I t

O modelo multiplicativo clssico de sries temporais para dados

menores de um ano:c

Yt = Tt Ct S t I t

Vendas
(em de milhes
de unidades)
5,3
7,8
7,8
8,7
6,7
6,6
8,6
9,1
9,5
9,0
7,1
6,8

Ano
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992

Vendas
(em de milhes
de unidades)
6,2
7,8
8,3
9,3
8,6
7,8
8,1
7,9
7,5
7,0
7,2
6

Alisando a sries temporais anuais

Mdias Mveis
Alisamento exponencial

Mtodo das mdias mveis

Para uma srie de n anos, a mdia mvel de ordem L, denotado por
MAi(L), para o i calcula-se da forma seguinte:

MAi ( L) =

1 ( L 1) / 2
Yi +t
L t =(1 L ) / 2

(1)

Sendo L um nmero impar de anos

L 1
L 1
L 1
i=

+ 2, L n +
+ 1,
2
2
2
7

Ano

Para ilustrar o uso da equao em (1), suponha que desejamos

calcular as mdias mveis de cinco anos de uma srie que
contem n=11 anos. J que L=5, ento i=3,4,5,6,7,8,9,. Portanto
temos:

MA3 (5) =

1.970
1.971
1.972
1.973
1.974
1.975
1.976
1.977
1.978
1.979
1.980
1.981
1.982
1.983
1.984
1.985
1.986
1.987
1.988
1.989
1.990
1.991
1.992

Y + Y2 + Y3 + Y4 + Y5
1 2
Y3+t = 1
5 t = 2
5

MA4 (5) = (1 / 5)(Y2 + Y3 + Y4 + Y5 + Y6 )

MA5 (5) = 1 / 5(Y3 + Y4 + Y5 + Y6 + Y7 )

MA6 (5) = 1 / 5(Y4 + Y5 + Y6 + Y7 + Y8 )

MA7 (5) = 1 / 5(Y5 + Y6 + Y7 + Y8 + Y9 )
MA8 (5) = 1 / 5(Y6 + Y7 + Y8 + Y9 + Y10 )
MA9 (5) = 1 / 5(Y7 + Y8 + Y9 + Y10 + Y10 )

Vendas
5,3
7,8
7,8
8,7
6,7
6,6
8,6
9,1
9,5
9,0
7,1
6,8
6,2
7,8
8,3
9,3
8,6
7,8
8,1
7,9
7,5
7,0
7,2

MAi(3)
*
7,0
8,1
7,7
7,3
7,3
8,1
9,1
9,2
8,5
7,6
6,7
6,9
7,4
8,5
8,7
8,6
8,2
7,9
7,8
7,5
7,2
*

MAi(5)
*
*
7,3
7,5
7,7
7,9
8,1
8,6
8,7
8,3
7,7
7,4
7,2
7,7
8,0
8,4
8,4
8,3
8,0
7,7
7,5
*
*

MAi(7)
*
*
*
7,4
7,9
8,1
8,3
8,1
8,1
8,0
7,9
7,8
7,8
7,7
7,8
8,0
8,3
8,2
8,0
7,7
*
*
*

10

Grfico de mdias mveis de 5 anos

Actual

9,5

Smoothed
Actual
Smoothed

Vend

8,5

7,5
Moving Average

6,5

Length:

MAPE: 13,0993

5,5
0

10

MAD:

1,0178

MSD:

1,3933

20

Time

11

12

Alisamento exponencial simples

A tcnica de alisamento exponencial simples de uma serie de
tempo no perodo i baseado em 3 termos: o valor observado da
srie de tempo Yi, o valor alisado exponencialmente no perodo
anterior Ei-1, e o peso ou coeficiente de alisamento . Portanto,
para alisar uma srie de tempo em qualquer tempo i temos a
seguinte equao:

Grfico de mdias mveis de 7 anos

Actual

9,5

Smoothed
Actual
Smoothed

Vend

8,5

Ei = Yi + (1 ) Ei 1

( 2)

7,5

onde E0 o alisamento
considerados E0=Y0 e 0< <1.

Moving Average
Length:
7

6,5

MAPE: 11,8668

5,5

MAD:
MSD:

10

no

perodo

inicial

geralmente

Para a escolha do coeficiente de alisamento considerasse:

0,9232
1,1852

20

Time

2
L +1

Por exemplo, se L=3 =0,50; L=7 =0,25

13

14

Exemplo 3
Alisando os dados do exemplo 2, considerando =0,25 e
considerando o ponto de inicio Y1970=5,3, ento E0==5,3. A srie

Da definio de alisamento exponencial simples, considere que

no perodo inicial seja E0.

alisado para o ano 1971 calculada como segue:

Perodo 1 : E 1 = Y1 + (1 ) E 0

E1971 = Y1971 + (1 ) E1970

2 : E 2 = Y2 + (1 ) E1 = Y2 + (1 )(Y1 + (1 ) E 0 ) =

= Y2 + (1 )Y1 + (1 ) 2 E0

= (0,25)(7,8) + (0,75)(5,3) = 5,9

3 : E3 = Y3 + (1 )E2 = Y2 + (1 ) Y2 + (1 )Y1 + (1 ) 2 E0 =

A srie alisada para o ano 1972:.

E1972 = Y1972 + (1 ) E1971

= Y3 + (1 )Y2 + (1 ) 2 Y1 + (1 ) 3 E 0

= (0,25)(7,8) + (0,75)(5,9) = 6,4

i : Ei = Yi + (1 )Yi1 + (1 ) 2 Yi2 + L+ (1 )i E0

Assim sucessivamente para os 23 anos da srie:

combinao linear de todos os passados, ponderados de acordo

com a constante de alisamento .
15

Vendas
5,3
7,8
7,8
8,7
6,7
6,6
8,6
9,1
9,5
9,0
7,1
6,8
6,2
7,8
8,3
9,3
8,6
7,8
8,1
7,9
7,5
7,0
7,2

=0,25
5,30
5,93
6,39
6,97
6,90
6,83
7,27
7,73
8,17
8,38
8,06
7,74
7,36
7,47
7,68
8,08
8,21
8,11
8,11
8,05
7,92
7,69
7,57

=0,50
5,30
6,55
7,18
7,94
7,32
6,96
7,78
8,44
8,97
8,98
8,04
7,42
6,81
7,31
7,80
8,55
8,58
8,19
8,14
8,02
7,76
7,38
7,29

Srie alisada exponecialmente

Vendas

Ano
1970
1971
1972
1973
1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992

16

10
9
8
7
6
5
1969 1973 1977 1981 1985 1989 1993

Vendas
a=0,25
a=0,50

Anos
17

18

Previso

Anlise de Regresso em Sries Temporais

A componente que se estuda em uma srie de tempo
principalmente a tendncia. Nesta aula apresentaremos, o
mtodo de mnimos quadrados para avaliar o ajuste de uma linha
reta ou de uma curva para a componente tendncia de uma
srie temporal. Neste caso, a varivel dependente o Y e o tempo
t, a varivel dependente

No caso de mdias mveis a previso de valores futuros dada pela

ltima mdia mvel calculada, isto ,

Yi +1 = MAi ( L)

1. Modelo Linear
No caso de alisamento exponencial a previso de valores futuros
dada pela ltimo valor exponencialmente suavizado, isto ,

Relembre que o modelo de regresso linear simples (MRLS) dado

por:

Yi = 0 + 1 X i + i

Yi +1 = Ei

Onde o estimador de mnimos quadrados de 0 e 1

respectivamente:

0 = Y + 1 X e 1 =

S xy
S xx

so

Y = 0 + 1 X
144244
3
Modelo Ajustado

19

Exemplo 4: Considere os dados de exemplo 1,

Ano
1970 (0)
1971 (1)
1972 (2)
1973 (3)
1974 (4)
1975 (5)
1976 (6)
1977 (7)
1978 (8)
1979 (9)
1980 (10)
1981 (11)

Vendas
(em 1000 de
milhes)
2,8
3,0
3,5
4,0
4,6
5,0
5,4
6,0
7,0
8,0
9,7
10,3

Ano
1982 (12)
1983 (13)
1984 (14)
1985 (15)
1986 (16)
1987 (17)
1988 (18)
1989 (19)
1990 (20)
1991 (21)
1992 (22)

20

Predictor
Constant
X

Vendas
(em 1000 de
milhes)
10,8
10,2
10,6
10,6
11,5
13,3
17,0
18,4
18,9
19,4
20,1

S = 1,365

Coef
1,2011
0,80030

SE Coef
0,5510
0,04290

R-Sq = 94,3%

T
P
2,18
0,041
18,66
0,000

R-Sq(adj) = 94,0%

Para projetar as vendas para o ano de 1993, substitumos X=23, na

equao estimada,

Y23 = 1,20 + 0,80(23) = 19,6

A linha de regresso ajustado considerando que X=0,1,...,22

dado por:

Y = 1,20 + 0,80 X
21

22

2. Modelo Quadrtico
Considere o modelo de regresso polinomial de segunda ordem
dada por:

Ajuste linear da tendncia

Yi = 0 + 1 X i + 2 X i2 + i

25,0

Para os dados das vendas da Kodak o modelo ajustado dado

por:

Vendas

20,0

Yi = 2,9217 + 0,308 X i + 0,0233 X i2

Source
Regression
Error
Total

15,0
10,0

DF
SS
2 665,847
20
21,423
22 687,270

MS
F
P
332,924 310,817 0,000
1,071

5,0
Source
DF
Linear
1
Quadratic 1

10

15

20

25

Tempo

Seq SS
F
P
648,160 348,032 0,000
17,687
16,513
0,001

Para projetar as vendas para o ano de 1993, substitumos X=23, na

equao estimada,
23

24

3.Modelo Exponencial
Quando uma srie parece estar incrementado a uma rapidez
cada vez maior tal que a diferena percentual de uma
observao a outra constante, podemos ajustar uma equao
de tendncia exponencial da forma:

Y1993 = 2,9217 + 0,308(23) + 0,0233(23) = 21,28

(3,1)

Yi = 0 1 i i
X

onde 0 o intercepto e 100(1-1)% a taxa de crescimento

composta anual em percentagens. Se tomarmos o logaritmo (em
base 10) em ambos lados da equao em (3,1) e considerando o
termo aleatrio temos o modelo.

log Yi = Log 0 + log( 1 ) X i + log i

Que linear em X, portanto podemos utilizar o mtodo de mnimos

quadrados para ajustar o modelo aos dados anteriores
25

A equao estimada dada:

A equao estimada exponencial pode ser expressada como:

log Yi = 0,49949 + 0,0389 X i

(1)

Yi = (3,155)(1,0937) X i

Predictor
Coef SE Coef
T
P
Constant
0,49949 0,01918
26,04 0,000
X
0,038902 0,001493
26,05 0,000
S = 0,04751

R-Sq = 97,0%

26

Para projetar as vendas para o ano de 1993, substitumos X=23, na

equao estimada,

Y1993 = (3,155)(1,0937) 23 = 24,76

R-Sq(adj) = 96,9%

Ou na equao estimada (1):

As estimativas de 0 e 1 pode-se obter tomando antilogaritmo no

coeficiente do modelo ajustado:

0 = anti log(0,49949) = 3,155

As vendas netas estimadas durante o ano base

1970

= anti log(0,0389) = 1,0937

O valor :100(1,0937-1)% = 9,37% a taxa de

crescimento anual composta estimada das
vendas Da Kodak

(2)

log Y1993 = 0,49949 + 0,0389(23) = 1,3937

Y1993 = anti log(1,3937) = 24,76

27

28

Modelo auto-regressivo para o ajuste da tendncia e previso

Num modelo auto-regressivo, os valores correntes de uma srie Y i
dependem apenas de seus valores passados e do erro aleatrio.
Em termos de equao, tal modelo, denotado por AR(p), tem a
seguinte expresso geral:

Ajuste da tendncia exponencial

25

Y = +Y + Y +L+ Y +
i

Vendas

20

i 1

i 2

i p

(1)

onde k , k = 0,1,K , p so parmetros do modelo AR(p), p indica o

15

Yi , Yi 1 , K , Yi p so valores
nmero de defasagens de Yi ,
observados da srie no tempo, i,i-1,,i-p, respectivamente e
o termo aleatrio.

10

Modelo auto-regressivo de 1 ordem,

0
1970

1980

Yi = 0 + 1Yi 1 + i

1990

Ano

29

30

Modelo auto-regressivo de 2 ordem,

onde o estimador de mnimos quadrados de e S o

Yi = 0 + 1Yi 1 + 2Yi 2 + i

desvio padro de .
p

Uma questo que surge na fase de especificao desse modelo

a determinao do nmero timo de defasagens a ser utilizado
na estimao. Existem vrios procedimentos que podem auxiliar
na determinao da ordem apropriada de defasagens p, o mais
recomendado o teste de significncia do parmetro autoregressivo de maior ordem, ou seja,

Para um nvel de significncia , rejeita-se H0 se |Zobs| z/2, em

caso contrrio no se rejeita.

O modelo auto-regressivo de ordem p estimado tem a seguinte

forma:

Y = + Y + Y + L + Y
i

H 0 : p = 0 contra H 0 : p 0

i 1

i2

i p

Onde ,L so estimadores de mnimos quadrados de ,L

0

A estatstica de teste

Z=

Para predizer j anos na frente a partir do n-simo perodo atual,

temos:

~ N (0,1)

Sob H 0

Y = + Y

n+ j

+ Y

n + j 1

n+ j 2

+ L + Y
p

( 2)

n+ j p

31

Para j>0, Y a previso de Yn+j, a partir do perodo anual,

enquanto para j0, Y , valor estimado de Yn+j.

32

Para predizer dois anos na frente a equao (3) se reduz a:.

n+ j

n+ j

Yn + 2 = 0 + 1Yn +1 + 2Yn + 3Yn 1

Assim, para fazermos previses j anos na frente, a partir do

AR(3) o modelo (2) se reduz.

Y = + Y
n+ j

n + j 1

+ Y
2

n+ j 2

+ Y

n + j 3

Para predizer trs anos na frente a equao (3) se reduz a:.

Y = + Y + Y + Y

(3)

n +3

Por exemplo, para predizer um ano na frente precisamos

somente dos valores observados de Yn,Yn-1 e Yn_2. Ou seja,
equao (3) se reduz a:

n+ 2

n +1

Para predizer quatro anos na frente a equao (3) se reduz a:.

Y = + Y + Y + Y
n+4

n +3

n+2

n +1

Y = + Y + Y + Y
n +1

n 1

n2

Exemplo: Desenvolvimento dos modelos auto-regressivo de primeira,

segunda e terceira ordem para os dados das vendas Eastman-Kodak
(1970-1992)
33

34

Modelo auto-regressivo de 3 ordem ajustado aos dados,

Ano

Vendas( Y i )

Y i =1

Yi 2

| Yi2

1970
1971
1972
1973
1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

2.8
3.0
3.5
4.0
4.6
5.0
5.4
6.0
7.0
8.0
9.7
10.3
10.8
10.2
10.6
10.6
11.5
13.3
17.0
18.4
18.9
19.4
20.1

*
2.8
3.0
3.5
4.0
4.6
5.0
5.4
6.0
7.0
8.0
9.7
10.3
10.8
10.2
10.6
10.6
11.5
13.3
17.0
18.4
18.9
19.4

*
*
2.8
3.0
3.5
4.0
4.6
5.0
5.4
6.0
7.0
8.0
9.7
10.3
10.8
10.2
10.6
10.6
11.5
13.3
17.0
18.4
18.9

*
*
*
2.8
3.0
3.5
4.0
4.6
5.0
5.4
6.0
7.0
8.0
9.7
10.3
10.8
10.2
10.6
10.6
11.5
13.3
17.0
18.4

Y = 0, 446 + 1,534 Y 0,739 Y + 0, 281Y

i

Predictor
Constant
Yi-1
Yi-2
Yi-3
S = 0,8251

35

Coef

i 1

i2

SE Coef
0,4301

T
1,04

0,4459
1,5343
-0,7394

0,2179
0

i 3

P
0,315

0,2450

6,26

0,000

0,4226

-1,75

0,099

0,2688

0,81

0,429

R-Sq = 97,9%

R-Sq(adj) = 97,5%

36

Teste de significncia para o parmetro de maior ordem, isto s,

Modelo auto-regressivo de 2 ordem ajustado aos dados,

H 0 : 3 = 0 contra H 1 : 3 0
A estatstica de teste observada
Z 0bs =

p
S

0,2179
= 0,81
0,2688

Predictor
Constant
Yi-1
Yi-2

Coef SE Coef
0,4728
0,3825
1,4530
0,2132
-0,4548
0,2249

S = 0,7939

R-Sq = 98,0%

T
P
1,24 0,232
6,82 0,000
-2,02 0,058

R-Sq(adj) = 97,8%

H 0 : 2 = 0 contra H 1 : 2 0
A estatstica de teste observada

Para =0,05, o valor crtico resultou Z0,025=1,96>Zobs=0,81 H0 no se

rejeita. Portanto, conclumos que o parmetro de terceira ordem
no modelo AR(3), no significativamente importante e pode ser
eliminado do modelo.

Z 0bs =

p
S

0,4548
= 2,02
0,2249

Para =0,05, o valor crtico resultou |Zobs|=2,02>Z0,025=1,96. Rejeitase H0.

37

38

Modelo auto-regressivo de 2 ordem ajustado aos dados,

Para o 1995 (trs ano na frente)

Yi = 0,473 + 1, 453Yi 1 0,453Yi 2

Y26 = 0, 437 + 1, 453Y25 0, 455Y24 =

sendo a origem o ano 1970.

= 0, 437 + 1, 453 ( 21,4) 0,455 ( 20 ,8) = 22 ,1

Previses das vendas netas na Eastam Kodak para os anos de

1993-1996 obtem-se da seguinte equao:

Para o 1996 (quatro ano na frente)

Yn + j = 0,437 + 1,453Yn + j 1 0,455Yn + j 2

Y27 = 0, 437 + 1, 453Y26 0,455Y25 =

Para o 1993 (um ano na frente)

= 0, 437 + 1, 453 ( 22 ,1) 0,455 ( 21,4) = 22 ,7

Y24 = 0,437 + 1,453Y23 0,455Y22 =

= 0,437 + 1,453(20,1) 0,455(19,4) = 20,8

Para o 1994 (dois ano na frente)

Y25 = 0,437 + 1,453Y24 0,455Y23 =

= 0,437 + 1,453(20,8) 0,455(20,1) = 21,4
39

40

Seleo de um modelo para uma previso adequada

Dos quatro modelos apresentados para o ajuste de tendncia dos
dados. Qual deles o melhor modelo? Se temos interesse em
fazer previses

Ajuste de modelo AR(2)

Para responder essas questes tem-se trs abordagens como

guias para a escolha de modelos.

20

Vendas

1. Fazer uma anlise residual;

2. Quantificar a magnitude do residual;
10

3. Utilizar o principio da parcimnia

1. Anlise residual
Um resduo definido como:

0
1970

1980

ei =Yi Yi,

1990

Ano

41

i =1,L,n
42

2. Quantificao do residual
A medida utilizada na anlise de regresso a variao no
explicada, ou seja:
n

Variao no explicada = SQR = Yi Yi

i =1

Outra medida para o estudo de adequabilidade dos diferentes

modelos de previso o desvio mdio absoluto (MAD, por suas
siglas: mean absolute deviation)
n

MAD =
3. Principio da parcimnia

Y i Yi

i =1

Aps fazer a anlise residual e comparar as medidas MAD para

cada modelo, ainda acreditamos que 2 ou mais modelos
parecem ajustar adequadamente aos dados, ento devemos
utilizar o principio da parcimnia para seleo do modelo, isto ,
devemos selecionar o modelo mais simples que se ajusta de
maneira adequada.
43

2,8
3,0
3,5
4,0
4,6
5,0
5,4
6,0
7,0
8,0
9,7
10,3
10,8
10,2
10,6
10,6
11,5
13,3
17,0
18,4
18,9
19,4
20,1
MAD

Linear
ei
Yi
1,2011
1,5989
2,0014
0,9986
2,8017
0,6983
3,6020
0,3980
4,4023
0,1977
5,2026 -0,2025
6,0029 -0,6028
6,8032 -0,8031
7,6035 -0,6034
8,4038 -0,4037
9,2041
0,4959
10,0043 0,2956
10,8046 -0,0046
11,6049 -1,4049
12,4052 -1,8052
13,2055 -2,6055
14,0058 -2,5058
14,8061 -1,5061
15,6064 1,39358
16,4067 1,99328
17,2070 1,69298
18,0073 1,39269
18,8076 1,29239
1,08

Quadrtico
ei
Yi
2,9217
-0,122
3,2528
-0,253
3,6285
-0,129
4,0489
-0,049
4,5140
0,0860
5,0238
-0,024
5,5783
-0,178
6,1775
-0,178
6,8213
0,178
7,5099
0,490
8,2432
1,457
9,0211
1,279
9,8438
0,956
10,7111
-0,51
11,6231
-1,02
12,5798
-1,98
13,5813
-2,08
14,6274
-1,33
15,7182
1,28
16,8536
1,55
18,0338
0,87
19,2587
0,14
20,5283
-0,43
0,73

Exponencial
ei
Yi
3,1586 -0,3586
3,4546 -0,4546
3,7783 -0,2783
4,1323 -0,1323
4,5196
0,0804
4,9431
0,0569
5,4063 -0,0063
5,9129
0,0870
6,4670
0,5330
7,0730
0,9269
7,7358
1,9642
8,4607
1,8393
9,2536
1,5464
10,1207 0,0793
11,0691 -0,4692
12,1064 -1,5064
13,2409 -1,7409
14,4816 -1,1816
15,8387 1,16131
17,3229 1,07709
18,9462 -0,0462
20,7216 -1,3216
22,6634 -2,5634
0,85

AR(2)
ei
Yi
*
*
*
*
3,5583 -0,0583
4,1938 -0,1938
4,6929 -0,0929
5,3373 -0,3373
5,6456 -0,2456
6,0449 -0,0448
6,7347 0,26528
7,9148 0,08519
8,9130 0,78702
10,9282 -0,6282
11,0269 -0,2268
11,4805 -1,2805
10,3813 0,2187
11,2354 -0,6354
11,0534 0,44656
12,3611 0,93888
14,5672 2,43285
19,1245 -0,7245
19,4759 -0,5759
19,5657 -0,1656
20,0648 0,03522
0,49

Modelo linear
2
1

Resduo

Vendas
(Yi)

0
-1
-2
-3
0

10

20

45

46

Modelo Exponencial

Modelo Quadrtico
2

RESIDUAL

Residual

Ano
1970
1971
1972
1973
1974
1975
1976
1977
1978
1979
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992

44

0
-1

-1

-2
-2
0

10

-3

20

10

20

47

48

Modelo AR(2)

RESIDUAL

-1

10

20

49