Análise de séries temporais: os 3 passos fundamentais

Aula 06
Professor: Jeronymo Marcondes

Econometria p/ BACEN 2016
Teoria e exercícios comentados
Prof. Jeronymo Marcondes Aula 06
AULA 06 – Séries de Tempo/ parte 2
SUMÁRIO PÁGINA
1. Passos na análise de série de tempo 2
2. Passo 1 - Identificação 2
2.1 Teste de estacionariedade 3
2.2 Identificação de um modelo ARIMA 10
3. Passo 2 – estimação 22
4. Passo 3 – grau de ajustamento e diagnóstico 23
4.1 Diagnóstico 23
4.2 Ajustamento 24
Lista de exercícios resolvidos com gabarito 46
Gabarito 59
E aí pessoal? Estão estudando firme? Hora de acelerar. Antes de iniciarmos, uma

dica de concurseiro.
DICAS DE UM CONCURSEIRO
Essa é para o pessoal que está estudando por livros

para o concurso! Entenda uma coisa, você não está
estudando para redigir sua tese de doutorado, ok?
Foco no edital! Muitas pessoas vão te indicar livros
mirabolantes de 1500 páginas para estudo. Esse não
é o objetivo! Tentem maximizar o tempo de estudo.
Utilizem bibliografias que abordam o conteúdo de
forma completa, mas simples! Lembrem-se, há uma
dezena de matérias que caem, não é só uma!
Objetividade galera!
Bem, na última aula abordamos aspectos teóricos da análise de séries temporais.

Agora vamos nos focar na fórmula que qualquer analista tem de seguir para analisar
uma série temporal. Portanto, esta aula terá foco prático, ensinando quais são os
passos para estimar uma série de tempo. Será uma aula curta e mais simples!
Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 1 de 60

1. Passos na análise de série de tempo
Olha gente, a teoria econométrica aponta três passos que devem ser seguidos ao
estimarmos uma série temporal:
1) Identificação
2) Estimação
3) Avaliação de ajustamento e diagnóstico
Resumidamente, a ideia é verificar qual é o modelo, da classe ARIMA, que a série

que você está estudando se enquadra, seguindo-se da estimação do modelo e da
avaliação de sua capacidade de descrever a dinâmica da série.
Então vamos lá.
Primeira coisa que vocês têm de fazer é revisar todo o conteúdo da aula anterior e ter
certeza que este está bem entendido na sua cabeça. Vamos precisar nos utilizar
de uma série de conceitos ensinados na aula anterior.
2. Passo 1 - Identificação
Antes de qualquer coisa, precisamos avaliar se a série que estamos estudando é

realmente estacionária, pois, caso não seja, qualquer avaliação dos parâmetros a
serem estimados será inconsistente.
Só para dar mais uma pincelada na ideia intuitiva dessa necessidade, suponha
que você tenha uma série não estacionária. Então, conforme vimos na aula
anterior, os choques sobre a variável analisada serão persistentes. Assim, é
impossível avaliar se um determinado movimento na variável foi decorrente da própria
dinâmica da mesma, ou se trata-se de um efeito retardado de um choque ocorrido no
passado. Assim, qualquer estimativa de um parâmetro auto-regressivo é
inconsistente!

2.1 Teste de estacionariedade
Vocês se lembram, não? A necessidade de identificar se sua série é ou não

estacionária é essencial.
-“Professor, mas como eu sei se a série é estacionária”?
É exatamente isso que vou explicar agora. Suponha uma série de dados para uma
variável qualquer ( ):
(1)
Sendo os erros.
Nesse caso, a série será estacionária se . Se , a série é não estacionária,

ou apresenta raiz unitária! Ou seja, no caso de um modelo AR(1), a série será
considerada como portadora de raiz unitária se .
Nós já te mostramos na aula anterior que, se , a média e a variância da série

não mais serão constantes, bem como a covariância não dependerá somente da
defasagem (ou “lag”) da variável. Portanto, uma variável com raiz unitária não é
estacionária.
Só um detalhe, uma série não estacionária pode ter mais de uma raiz unitária!
Lembram-se do conceito de uma variável I(2)? É uma variável que precisa ser
diferenciada duas vezes para se tornar estacionária, ou seja, que possui 2 raízes
unitárias.
Uma pergunta que sempre surge é: “e se ”? Nesse caso, a série é chamada de

explosiva! Essa tem propriedades de análise semelhantes a uma série com raiz
unitária. Assim, apesar de haver algumas diferenças conceituais, não é nada
que você precise se preocupar para sua prova.

Mas, chega de papo, como você pode identificar se a amostra que você está
estudando tem raiz unitária? Bom, se você está trabalhando com uma amostra, não
basta estimar o coeficiente auto-regressivo e verificar se o mesmo é igual a 1. Isso
abre a necessidade de um teste estatístico para verificação desse fato. Em termos
leigos, averiguar qual a probabilidade de que o mesmo seja igual a 1.
É assim, lembre-se que eu disse que, normalmente, ao diferenciar uma variável uma
vez, a mesma se torna estacionária? Então, o caso da raiz unitária que estamos
mostrando acima é um destes casos. Veja, vamos diferenciar a equação (1):
O que é equivalente a diminuir dos dois lados da equação (1):
Opa! Então a última linha acima nos dá uma nova equação, com .
Agora, me responda, como testar se essa nova equação tem raiz unitária? É isso
mesmo! Basta realizar um teste de hipóteses sob os parâmetros da equação estimada
acima, de forma que a hipótese nula seja , o que é equivalente a .
Mas, atenção, apesar de a ideia ser a mesma, a distribuição a ser usada para este
teste não pode ser a t de Student nem a Normal. Por motivos da teoria estatística
que fogem ao escopo desse curso, saibam que, para realizar o teste de hipóteses
sobre o coeficiente estimado , precisaremos de uma nova distribuição. Portanto,
podem ficar felizes, teremos que aprender a manusear outra tabelinha.

O teste a ser utilizado para a análise de chama-se teste de Dickey-Fuller (DF).

Este é realizado tal como um teste de hipóteses sobre os coeficientes de forma usual,
porém os valores limites para a rejeição da hipótese nula são diferentes.
O teste DF pode ser realizado de diversas formas, em equações com intercepto (

), sem intercepto ( ) e com tendência e intercepto (
). Cada uma destas aplicações do teste apresenta diferentes
valores críticos na distribuição DF, conforme vocês podem verificar na tabela no fim
do texto.
Vocês se lembram do que é uma tendência determinística? Se não, vou dar uma
ajuda. Uma variável tendência se comporta de forma que a primeira observação seja
igual a 1, a segunda igual a 2, a terceira igual a três e assim por diante.
A ideia por detrás da inclusão de uma tendência no teste de raiz unitária é excluir a
possibilidade de que o comportamento explosivo de uma variável seja decorrente de
um modelo com tendência estacionária, tal como:
Veja o modelo acima! Se este for o modelo original e você estimá-lo por meio de um
AR, ao não levar em conta a tendência estacionária, você pode acabar concluindo
que o modelo possui raiz unitária.
Bom, nós só falamos do AR(1). Mas, qual a contrapartida do processo de raiz unitária
em modelos auto-regressivos de ordem mais alta? Já adianto, vocês não tem que
saber isso para todas as ordens possíveis de modelos AR, até porque há infinitas
possibilidades. Mas, no caso do AR(2), vale a pena saber.

Um modelo AR(2), dado por:

,
será estacionário se, conjuntamente:
“Está bem professor! Agora é só aplicar o teste DF no AR(2)”!
Bom, o teste DF só funciona para testar raiz unitária em modelos AR(1). Caso um
modelo AR possua ordem maior que 1, precisamos de um outro teste: o teste de
Dickey-Fuller aumentado (ADF). Gente, a derivação desse teste está fora do escopo
desse curso, assim, vou dar a vocês uma exemplificação de seu uso em um modelo
AR(2), sem intercepto e tendência determinística:
E se fosse um AR(3)?
E assim por diante. A metodologia é testar se com os valores críticos da

distribuição DF. Essa equação poderia, sem problemas, incluir os termos tendência e
intercepto.
Percebam que a metodologia de aplicação é exatamente a mesma descrita para o

teste DF em AR(1). A única coisa que muda são as n variáveis incluídas na
regressão para um AR(n).
Vamos fazer um exercício inventado para vocês aprenderem a usar a tabela DF.

Exercício 1
Se um economista tivesse estimado um modelo explicativo para a renda

nacional, de forma que:
Sabendo que os desvios padrões das variáveis são os valores em parênteses

localizados bem abaixo delas e que a tabela da distribuição DF encontra-se no
fim do texto, pergunta-se: o processo em questão é estacionário a 5% de
significância?
Resolução
Bom, o que está sendo perguntado é se o processo possui raiz unitária. Simples:
Olhem a tabela no fim do texto!
Procurem a tabela que dá os valores com coeficiente e sem tendência, que é o

nosso caso. Agora, procure o valor 5% na linha relacionada ao modelo com
intercepto. Você vai encontrar -2,86.
Assim:
ó �
Portanto, a série é estacionaria a 5% de significância.

Retornando.
Obs. Inversão de modelos
Oba! Um tópico importante, a inversão de modelos ARIMA.
“O que é isso”?
Simples!
Se um modelo auto-regressivo de primeira ordem, AR, for estacionário (isso é, não

possui raiz unitária), o mesmo pode ser escrito como um processo de médias móveis,
MA, de ordem infinita. Ou seja, suponha um AR(1):
Da mesma forma, suponha um modelo MA(1), tal que:
Suponha, adicionalmente, que este modelo é invertível, ou seja, .
Assim, se o modelo MA(1) é invertível, podemos reescrevê-lo como:
Entenderam? Todo modelo auto-regressivo de ordem 1, sem raiz unitária, pode ser
reescrito como um MA infinito, tal como todo MA(1) invertível pode ser reescrito como
um AR infinito.
Decorem, porque isso cai! Dêem uma olhada.

Exercício 2
(BACEN – 2010) Sobre séries temporais, analise as proposições a seguir:

I – Se um processo de médias móveis (MA) de primeira ordem for estacionário,
ele pode ser representado como um processo auto-regressivo (AR) de ordem
infinita
II – Se um processo AR for estacionário, este pode ser representado por um MA
de ordem infinita
III – Uma série de tempo é um conjunto ordenado de variáveis aleatórias, isto é,
um processo estocástico, portanto uma série de tempo y(t) pode ser
representada pela função densidade conjunta dos y(t) (t = 1, 2...n); assim,
trabalhar com uma série de tempo é inferir sobre o processo estocástico com
uma única realização desse processo.
Estão corretas as proposições:

a) Apenas I
b) Apenas I e II
c) Apenas I e III
d) Apenas II e III
e) Todas
Resolução
Vamos lá.
Alternativa (I). Veja que a imposição para que um MA possa ser transformado em um
AR infinito é que o mesmo seja invertível, até porque, todo MA é estacionário.
Alternativa (II). Essa é exatamente a definição que estipulamos no tópico acima.
Alternativa (III). Perfeito! Quem não se lembra dessa definição, dê uma olhadinha na
aula anterior.

2.2 Identificação de um modelo ARIMA
A ideia na identificação dos modelos ARIMA é dizer qual o modelo dessa classe que
melhor se adéqua à dinâmica da série que você está estudando. Ou seja, quando
você for estimar uma regressão de uma série de dados histórica com base na
metodologia Box-Jenkins, você precisa saber qual o modelo que você irá utilizar,
como um AR ou ARMA, por exemplo.
Uma das formas para identificar qual o modelo que você irá utilizar é por meio da
função de autocorrelação. Assim, a análise da função de autocorrelação (FAC)
para uma variável e suas defasagens permitirá que visualizemos o tipo de
modelo que melhor se adéqua à série.
Bom, como podemos testar a autocorrelação entre a variável em estudo e suas

defasagens? Para isso, tenho que lembrá-los de uma definição de estatística, o
conceito do coeficiente correlação. Para duas variáveis e , o coeficiente de
correlação é:
Antes de avançarmos, preciso ensinar dois conceitos para vocês.
Beleza! Vou mostrar para vocês como se comporta a FAC de um AR(1). Suponha:

A variância deste modelo é dada por:
Lembrem-se das propriedades:
Assim, como, neste caso, o último membro é igual à zero, já que, por hipótese, a
variável explicativa e o termo do erro não podem ser autocorrelacionados, podemos
escrever:
Sabendo que a variância dos erros é dada por
Assim:
E a covariância?
A covariância entre e é dada por:
Para o modelo acima:
Como, por hipótese do modelo de regressão linear, não pode haver correlação entre
as variáveis explicativas e o termo de erro:

Portanto:
Assim:
Não é difícil! Basta substituir a equação no operador esperança em uma das variáveis
e, assim, resolver para o coeficiente de correlação, que é a divisão da covariância
pela variância.
E se fosse um coeficiente de correlação com duas defasagens ( )? Começamos com

o cálculo da covariância:
Substituindo encontrado com base na equação:
Encontramos:
Agora basta trabalharmos o operador, pois só há uma variável do lado direito, .

Assim:
Como, por hipótese, os dois últimos membros da equação são iguais a zero:
Assim:

Estão enxergando um padrão? É isso aí, em um processo estacionário, a covariância

e, por consequência, a autocorrelação entre uma variável e uma versão defasada
dela mesma é igual ao coeficiente da variável defasada elevada ao número de
defasagens de diferença entre elas. Simplificando:
Mas, se o processo é estacionário, você concorda comigo que Então, a

correlação entre uma variável e suas defasagens tende a assumir um valor cada vez
menor quanto maior for a diferença entre elas. Por exemplo, com base no que
demonstramos, pode-se afirmar que:
É isso que a FAC irá mostrar para vocês. A FAC é uma função que demonstra qual a
dinâmica da correlação entre uma variável e suas defasagens.
Então, como se comporta a FAC de um modelo AR(1) estacionário? Dêem uma

olhada no gráfico de uma FAC de um processo AR.
No eixo horizontal estão descritas o número de defasagens.
E como é o comportamento da FAC de um MA? Vou ensinar agora!

No caso do MA, a FAC para um processo MA(1), dado por:
A variância do processo é dada por:
Agora a covariância:
Como, por hipótese, os erros não são autocorrelacionados:
Portanto, a autocorrelação de 1ª ordem do processo será:
Olha gente, se você fizer as mesmas operações para as autocorrelações de ordens

maiores, vocês irão encontrar:
Ou seja, para um MA(1), a função de autocorrelação só é diferente de zero na primeira

defasagem e igual a zero para as demais. Isso vale para todas as ordens do processo,
como, por exemplo, no caso de um MA(3), a FAC é diferente de zero nas três
primeiras defasagens e igual a zero nas demais. Veja o gráfico de uma FAC para um
MA (1):

Gente, não vou derivar todas as autocorrelações dos processos MA e ARMA, a

forma de realização é exatamente a mesma mostrada acima. Então decorem as
características dos processos em termos das suas funções de autocorrelação:
FAC AR MA ARMA
Finita e truncada
Infinita e Infinita e
Comportamento na ordem do
declinante declinante
processo
Bom, mas isso é o suficiente para identificar um processo? Não, pois, no caso dos
modelos AR e ARMA, não há como dizer qual a ordem do processo. Para isso nos
utilizamos da função de autocorrelação parcial (FACP).
A definição da FACP nada mais é que a autocorrelação existente entre uma a variável
em estudo e uma determinada defasagem do processo, excluídas influências das
outras defasagens.

- “Professor, não entendi”!
Beleza! A título de exemplo, suponha um processo AR(2):
Qual é a autocorrelação parcial entre e ?
Essa é fácil! Esse efeito “mantido tudo mais constante” te diz alguma coisa? É a
própria definição do coeficiente estimado por meio de Mínimos Quadrados Ordinários
(MQO)! Então, a autocorrelação parcial entre e é o próprio coeficiente .Ea
correlação entre e ? Claro que é !
Agora, qual a autocorrelação parcial entre e ? É zero! Pois, nós supomos que
o processo é AR(2), então o coeficiente de é zero, já que não afeta o processo!
O mesmo vale para , , e por aí vai! Portanto, a FACP de um processo AR
é truncada na ordem do processo!
E a FACP para um MA? Bom, isso foge um pouco ao escopo do curso, pois
precisamos de um pouco mais de matemática do que é cobrado pelo concurso! Mas,
entendam a ideia! Um MA(1), se invertível, não pode ser escrito como um AR de
ordem infinita?
Como seria a FACP de um AR(infinito)? Seria declinante, pois ! Portanto, a

FACP de um MA é declinante!
Bom, como eu disse antes, decorem!

FACP AR MA ARMA
Finita e truncada
Infinita e Infinita e
Comportamento na ordem do
declinante declinante
processo
Exercício 3
(ANS – 2007) Para o modelo autoregressivo
Onde é o ruído branco de média zero e variância , a autocorrelação de

ordem 1 é:
a) 0,28
b) 0,63
c) 0,28
d) 0,25/
e) 0,38

Resolução
Bom pessoal, vamos derivar o processo:
Lembrem-se que a única coisa impositiva é que a diferença entre as duas defasagens
seja igual a 1. O fato de ter usado e é apenas para simplificar! Vamos lá:
Agora, vamos substituir a covariância (de ordem 1) e a variância pelas variáveis e

, respectivamente:
Alternativa (a)
Bom, com o intuito de facilitar sua vida, vale a pena decorar!

Para um processo AR(2), tal como:

,
a autocorrelação de primeira ordem é dada

por:
Agora vocês vão entender porque decorar isso!
Exercício 4
(EPE – 2007) A demanda de um certo derivado de petróleo segue um modelo

auto-regressivo de ordem 2:
Sendo e ( é a autocorrelação de primeira ordem). O valor de

é:
a) 0,25
b) 0,20
c) 0,15
d) 0,10
e) 0,05

Resolução
Aplique a fórmula! Ou resolva de novo, você que sabe! Mas:
Alternativa (a).
(MPE – 2006/modificada) Para o processo ARIMA (1,d,1), julgue a afirmativa
Exercício 5
A função de autocorrelação parcial só é diferente de zero no lag 1
Resolução
Pensem no quadro da FACP! Por se tratar de um ARIMA (1,d,1), este processo tem
componentes auto-regressivos e de médias móveis. Portanto, a FACP não é truncada
na ordem, mas declinante! Assim, ela não é diferente de zero somente na ordem do
processo!

Exercício 6
A função de autocorrelação só é diferente de zero nos lags 1 e 2
Resolução
Mesma coisa da questão anterior. Pensem no quadro da FAC! Ela é declinante em

processo ARMA e ARIMA, portanto ela não é diferente de zero, somente, nos lags 1
e 2.
(IBGE – 2010) Seja um processo MA(1), , onde é um ruído

branco normal, com média zero e variância constante. Considere o processo
, t = 1,2,...,n, e avalie as afirmações a seguir:
Exercício 7
A função de autocorrelação do processo é infinita e decrescente
Resolução
Viram como essa definição cai? Força na peruca e lembrem-se do quadro da FAC.
No caso, trata-se de um MA, portanto a FAC é truncada na ordem do processo.
Exercício 8
A função de autocorrelação parcial de é finita
Resolução
Se você substituir o processo em , verá que se trata de um MA! Portanto, a FACP

é infinita e declinante!

3. Passo 2 – estimação
Bom, agora que já vimos como testar a estacionariedade de um processo, bem como
verificar qual a classe de modelos ARIMA que melhor explica sua série, chegou a
hora de estimar o modelo!
A forma de estimar um modelo por meio da metodologia Box-Jenkins é,

simplesmente, utilizando o método de MQO! Não tem segredo, aplique os
estimadores de MQO!
Porém, não é a única forma, muitos autores pregam o uso do estimador de Máxima
Verossimilhança. Além disso, há outras formas que visam estimar versões não
lineares desses modelos, que fogem ao escopo do curso!
Nós já estudamos que o problema central trazido por Mann-Wald é que, sem a
satisfação de algumas hipóteses, haverá problemas concernentes ao viés dos
estimadores. Assim, precisamos garantir que o modelo a ser estimado surja de uma
série estacionária e não produza erros serialmente correlacionados.
Porém, mesmo com a satisfação de tais hipóteses, você vai ouvir muita gente falar:
-“Não dá para confiar nessa série de tempo, é muito curta”!
Isso decorre da análise destes autores, que afirmam que, mesmo satisfeitas tais
hipóteses, o estimador de modelos auto-regressivos só terá propriedades desejáveis
em grandes amostras!
Bom, mas tudo isso é um blá blá blá, feito de maneira muito superficial! O que
interessa é que, normalmente, estimam-se tais modelos por meio de MQO, mas
não é a única forma!

4. Passo 3 – grau de ajustamento e diagnóstico
4.1 Diagnóstico
Então, para que o método seja adequado, precisamos garantir que a série não possua
resíduos serialmente correlacionados, ok? Ou seja, estamos verificando se o modelo
que estimamos é adequado, pois, caso os resíduos sejam autocorrelacionados, a
especificação funcional não está correta! Somado a outras hipóteses, estamos
averiguando se os resíduos se comportam como ruído branco.
Mas, como testar isso? Bom, normalmente, não estaremos trabalhando com a
população, mas com uma amostra. Assim, não basta calcularmos a FAC para os
resíduos, pois precisaremos testar estatisticamente se a correlação entre eles é igual
a zero!
Há mais de uma forma. Como elas não são muito cobradas em provas, só vou ensinar
a mais comum.
A mais comum parte do cálculo amostral do coeficiente autocorrelação para os

resíduos ( ). Este teste advém da estatística de Box-Pierce ( ):
Sendo o número de observações e o somatório para todas as autocorrelações

amostrais. Sob a hipótese nula de que estas autocorrelações são iguais a zero, a
estatística tem distribuição com grau de liberdade igual ao número de
autocorrelações testadas.
O valor limite deste teste é dado por:
Sendo o número de observações.

Ao aplicar esta fórmula você terá um intervalo de confiança (que vai do valor negativo
ao valor positivo do número encontrado). Se as autocorrelações amostrais calculadas
estiverem dentro do intervalo, aceitamos a hipótese nula de que todas estas são
iguais a zero.
Nesse diapasão, você será capaz de testar se as autocorrelações entre os resíduos

são estatisticamente diferentes de zero!
Pessoal, só um parêntese não se esqueça dos testes que eu já ensinei para testar
autocorrelação nos resíduos, ok? Como o teste de Durbin-Watson e o teste h de
Durbin!
4.2 Ajustamento
Está bem, você já tem conhecimentos suficientes para testar autocorrelação nos
resíduos. Mas, se mais de um modelo possuir resíduos com comportamento de ruído
branco? E agora, José?
Aí entram alguns critérios de seleção de ajustamento de modelos. Agora só vou

repetir o que já ensinei na aula 02, pois é igualzinho! É só para você lembrar!
Bom, um critério fácil de lembrar é o R² ajustado:
Sendo o número de variáveis explicativas, e a soma dos quadrados dos

resíduos e totais da regressão, respectivamente.
OPA! Vou fazer um “mea culpa” aqui! Na aula 02, a fórmula colocada foi:

O que não é igual ao que mostrei agora! Bom, considerem o que eu coloquei
agora! Na verdade, houve erro de digitação!
Mas, esta fórmula seria possível! Alguns autores consideram o número de

parâmetros, incluindo o intercepto! Neste caso, a fórmula da aula 02 estaria
correta, mas os graus de liberdade da soma de quadrados explicados ( )
deveria ser e não !
Outros critérios muito utilizados são os critérios de Akaike (AI) e Schwarz (SC).
- “Professor, como eu calculo tais critérios?”
Olha pessoal, isso não é muito importante, mas, só por desencargo de consciência,
vou mostrar. Minha opinião: não perca muito tempo decorando as fórmulas. Vamos
lá.
ln ln
ln
ln ln
Sendo o número de observações.
O que é importante é o seguinte: quanto menor o valor desta estatística, “melhor”

o modelo.

Vocês perceberam que a ideia é a mesma? Você está avaliando a perda de graus de
liberdade ao serem acrescentadas novas variáveis em um modelo. Perceba que a
comparação é: será que a perda de graus de liberdade foi mais que compensada
pela variância explicada de variáveis adicionais incluídas em um modelo?
Lembraram? Vamos treinar.
(ANPEC – 2008) Julgue as afirmativas
Exercício 9
No processo AR(1), , em que e que é um ruído

branco de média nula e variância constante, a média de é
Resolução
Vamos tirar a esperança:
Isolando:

Exercício 10
O processo MA(1), , em que é um ruído branco de média nula e

variância constante, será estacionário mesmo que
Resolução
Perfeito! O coeficiente em questão só define a invertibilidade do processo, pois um

MA sempre é estacionário.
Exercício 11
Seja a função de autocorrelação do processo AR(1), definido no exercício 9,

dada por . É correto afirmar que .
Resolução
Olhem a fórmula na página 12:
Verdadeiro, ok?

(ANPEC – 2009) Julgue a afirmativa
Exercício 12
A estatística Dickey-Fuller para testar a presença de raiz unitária em séries

temporais possui sempre distribuição normal
Resolução
Nós já dissemos que a estatística DF não se utiliza da distribuição normal, mas de

uma distribuição DF, com valores críticos próprios, tal como na tabela no fim do texto!
(BACEN – CESPE\2013) Julgue as afirmativas.
Exercício 13
Em um processo estocástico gaussiano, uma série temporal é dita estritamente

estacionária se a sua média for constante e a sua função de autocovariância
depender da defasagem temporal.
Resolução
Já discutimos isso pessoal. Quais são os requisitos para que uma série seja dita
estacionária? Lembrem-se da aula anterior:
“Assim, podemos definir uma série estacionária como aquela que possui média
e variância constantes e finitas, além de covariância igual para o mesmo valor
de defasagem”.

Portanto, alternativa errada, pois o enunciado não definiu completamente o processo
além do fato de citar autocovariância, o que não faz parte da definição.
Exercício 14
Nos modelos em que aparecem valores defasados da variável dependente no

segundo membro — cujo exemplo mais simples é em que os
distúrbios ( ) são serialmente independentes —, as consequências de se
utilizar os estimadores de mínimos quadrados para o caso de violação da
independência entre o distúrbio e a variável explicativa é a possibilidade de
obtenção de estimativas viesadas e perda de eficiência.
Resolução
No caso, está sendo utilizado um caso de um processo auto-regressivo, mas este

enunciado serve para todo tipo de regressão. O que o enunciado está falando é que,
se houver correlação entre a variável explicativa e o termo de erro, as estimativas
serão viesadas e não mais eficientes. Ora, nós sabemos que essa é uma das
hipóteses necessárias para garantir o não viés dos estimadores.
Alternativa correta.
Exercício 15
No modelo de regressão linear clássico, a premissa de linearidade, necessária

à estimativa dos parâmetros do modelo, indica que não existe uma relação
linear exata entre qualquer variável independente do modelo.
Resolução
Não é isso! Qual é o problema econométrico relacionado a relação linear exata entre
variáveis explicativas? Colinearidade perfeita!

Quando falamos em regressão linear o que estamos falando é que a forma funcional
estimada é linear, ou seja, os seus elementos não estão “elevados a potência maiores
do que 1”.
Alternativa errada.
Exercício 16
(METRO – CESPE\2013) Assinale a opção correspondente a processo

estacionário, com base nos modelos de Box e Jenkins e no princípio da
parcimônia.
a)AR, ARIMA ou ARMA
b)MA, ARIMA ou ARMA
c)SARIMA ou ARIMA
d)AR ou IMA
e)AR, MA ou ARMA
Resolução
O único caso que contém processo estacionários são os que não tem o “I”, tal como
ARIMA e SARIMA (você não precisa saber o que é isso). Este exercício é fácil,
alternativa (e).

Exercício 17
(METRO – CESPE\2013)Considere os processos de médias móveis (moving

average) Wt ~ MA(q1) e Zt ~ MA(q2), em que q1 e q2 representam as ordens
desses processos e Wt e Zt são independentes. Então, nesse caso, o processo
St = Wt + Zt será um processo de médias móveis de ordem igual a
a)min{q1, q2}.
b)q1.
c)q1 + q2.
d)max{q1, q2}.
e)q2.
Resolução
Tente pensar um pouco, afinal esta questão vai além do escopo deste curso, mas dá
para fazer. Suponha dois processos:
Assim:
Ora, qual é a maior ordem deste processo? 2! Portanto, a ordem deste processo será
igual ao máximo da ordem destes dois processos. Não invente, pense deste jeito mais
simples que você chega na solução sem complicações, isso é ser um concurseiro.
Alternativa (d).

Exercício 18
(EPE = CESGRANRIO/2012)
Resolução
O R² da regressão com uma única variável (x1) é dado por:
Se acrescentarmos uma nova variável ao modelo, o R² irá aumentar. Nós já

estudamos isso, certo? Lembre-se do conceito de R² ajustado! A ideia deste último é
levar em conta a perda de gruas de liberdade após a inclusão de uma nova variável!
O R² tradicional sempre aumenta após a inclusão de uma variável.
Portanto, o R² será maior ou igual a 0,8 após a inclusão da variável x2.
Alternativa (d).

Exercício 19
(IBGE - CESGRANRIO/2013)
Resolução
Vamos repetir os cálculos que fizemos ao longo desta aula a fim de calcularmos a
variância e a autocovariância de ordem 2 do processo acima. Vamos começar com a
variância:

E a autocovariância? Nós já criamos um jeito de conhece-la sem ser necessário
realizar todos os cálculos. Veja nos nossos exemplos da aula e você verá que:
Para encontrar a autocovariância, basta multiplicar a correlação de segunda ordem

(que é o próprio coeficiente que multiplica a variável defasada, que, no nosso
exemplo, é ) pela variância do processo ( ). Assim:
Alternativa (c).
Exercício 20
(IBGE – CESGRANRIO/2013)

Resolução
Trata-se de uma FAC declinante e uma FACP truncada em 1. Lembre-se:

Portanto, estamos tratando de um AR(1), com coeficiente que multiplica a primeira

defasagem igual a 0,8. Neste caso, nos restringimos às alternativas (a) e (d), pois
todas as outras representam processo de médias móveis ((b) e (c)) ou AR de ordem
superiores ((e)).
Agora, precisamos saber se há um intercepto associado ao processo. Veja, o

enunciado diz que a média incondicional do processo é igual a 10. Se não houver
intercepto, não tem como a média do processo ser definida. Vamos nos basear na
alternativa (a) e calcular a média:
Ou seja, a alternativa (a) é compatível com as informações do enunciado.
Alternativa (a).

Exercício 21
Resolução
Lembre-se de que nós não podemos incluir variáveis dummies (binárias) relativas a
todas as possíveis ocorrências em um modelo. Na aula 01 estudamos esta variável
no caso de avaliarmos um modelo sob diferentes sexos dos indivíduos:

Perceba que no modelo deste exercício, não há uma binária relativa ao quarto
trimestre. Claro, pois esta será determinada pelo valor do intercepto! Isso porque,
quando estivermos no quarto trimestre, todas as outras dummies assumirão valores
iguais a zero, sobrando somente o intercepto e as variáveis PIB e Inflação.
Assim, o coeficiente relativo ao quarto trimestre será o próprio intercepto. E no caso

do terceiro trimestre? A dummie relativa ao mesmo assumirá valor igual a 1 e as
outras serão iguais a zero:
Portanto, o coeficiente relativo ao terceiro trimestre será a0 + a3.
Alternativa (e).
Exercício 22
(ICMS-RJ – FCC\2013) Considere o modelo , i = 1,2,3,... onde:
I. yi e xi representam, respectivamente, o tempo de reação a certo estímulo, em
segundos, e a idade, em anos, do indivíduo i.
II. e representam os parâmetros desconhecidos do modelo.
III. representa o erro aleatório com as respectivas hipóteses para a regressão
linear simples.
IV. As estimativas de e foram obtidas pelo método de mínimos quadrados
por meio de 10 observações, utilizando-se as seguintes informações:
Nessas condições, a soma de quadrados residuais do modelo é igual a

a) 785
b) 810
c) 515
d) 920
e) 460

Resolução
Para resolver esta questão precisamos encontrar a estimativa para o parâmetro do

modelo de regressão. Isso será feito por:
Assim, o estimador será dado por:
Assim, a soma dos quadrados explicados:
E a soma dos quadrados totais:
Portanto, a soma dos quadrados dos resíduos é:
Alternativa (d).

Exercício 23
(ISS Recife – FGV\2014) Numa regressão linear simples, obteve-se um

coeficiente de correlação igual a 0,78. O coeficiente de determinação é
aproximadamente igual a
(A) 0,36.
(B) 0,48.
(C) 0,50.
(D) 0,61.
(E) 0,69.
Resolução
Para este exercício, você deveria ter decorado que:
çã çã
Assim:
Alternativa (d).

Exercício 24
(ISS Recife – FGV\2014) Avalie se as seguintes propriedades de um estimador

de um certo parâmetro são desejáveis:
I. Ser não tendencioso para esse parâmetro.
II. Ter variância grande.
III. Ter erro quadrático médio grande.
Assinale:
(A) se apenas a propriedade I estiver correta.
(B) se apenas as propriedades I e II estiverem corretas.
(C) se apenas as propriedades I e III estiverem corretas.
(D) se apenas as propriedades II e III estiverem corretas.
(E) se todas as propriedades estiverem corretas
Resolução
I.Perfeito. Sempre queremos um estimador não viesado.

II.Errado. Quanto maior a variância, menor a capacidade de predição de um
estimador.
III.Errado. Pois, o erro quadrático médio é uma combinação de Viés e Variância.
Assim, buscamos um estimador com baixo valor de erro quadrático médio.
Alternativa (a).

Exercício 25
(COMPESA – 2014/FGV) Suponha o seguinte modelo econométrico, estimado

por um economista:
lnPIB(t) = 10 + 2*lnC(t) + 0,5*lnC(t-1) + û,
(0,01) (0,06) (0,12)
R² = 0,2
em que, lnPIBt é o logaritmo neperiano do PIB no ano t, lnC(t) é o logaritmo
neperiano do consumo no ano t e lnC(t – 1) a sua defasagem em um período. O
número entre parênteses embaixo de cada estimativa é o p-valor referente à
estatística de teste t, que testa a hipótese do determinado coeficiente ser nulo.
O termo R² mede o coeficiente de determinação. A partir dessas informações,
assinale a afirmativa correta.
(A) O modelo não é globalmente significante a um nível de 1% .
(B) A estatística do teste t para o intercepto indica que o mesmo não é
significante a um nível de 5% .
(C) O efeito contemporâneo do consumo sobre o PIB é positivo, mas
estatisticamente nulo ao nível de 10% .
(D) O efeito defasado do consumo sobre o PIB é positivo, mas estatisticamente
nulo ao nível de 10% .
(E) As variáveis de consumo explicam apenas 0,2% da variação do PIB ao longo
do tempo.
Resolução
a)Não podemos afirmar isso com base nas informações disponíveis.

b)O intercepto tem p-valor menor do que 0,05, o que garante que o memso é
significante a 5%.
c)Errado, pois, como o p-valor é menor do que 0,1, o mesmo é significante a 10%.
d)Alternativa correta.
e)As variáveis explicam 20% da variação do PIB, pois o R² é igual à 0,2.
Alternativa (d).

(ANTT – CESPE\2013) Julgue as afirmativas.
Exercício 26
A suposição de homocedasticidade é fundamental para mostrar que os

estimadores de MQO são não viesados.
Resolução
A hetereocedasticidade não causa viés dos estimadores, apenas resulta no fato de
que os mesmos não serão mais eficientes.
Alternativa errada.
Exercício 27
Se o estimador de MQO for não viesado e consistente, então ele será,
necessariamente, eficiente.
Resolução
Não necessariamente. A eficiência exige que, além de não viesado, o mesmo tenha
a menor variância dentre os estimadores lineares não viesados.
Alternativa errada.

Exercício 28
De acordo com a hipótese de consistência do estimador de MQO, à medida que

o numero de observações aumenta, o valor esperado do estimador converge
para o valor do parâmetro a ser estimado e a variância do estimador converge
para zero.
Resolução
Esta é a própria definição de estimador consistente, pois o mesmo tende para o valor
populacional conforme a amostra tende para o infinito.
Exercício 29
Na análise de séries temporais, a suposição de ausência de autocorrelacao

serial dos resíduos deve sempre ser verificada para garantir que os estimadores
de mínimos quadrados ordinários sejam não viesados e consistentes.
Resolução
Cuidado! Isso só é verdade quando uma das variáveis explicativas for uma versão
defasada da variável dependente. Caso contrário, a autocorrelação só gera perda de
eficiência e a impossibilidade de confiarmos nos testes de hipóteses.

Exercício 30
Na presença de multicolinearidade, a variância e a covariância dos estimadores

serão afetadas, sendo possível que sejam alterados tanto os sinais quanto a
magnitude dos estimadores.
Resolução
Não se perca ao avaliar a alternativa! Tal como eu expliquei para vocês, sob
multicolinearidade muito intensa, o sinal e as estatísticas de teste ficam muito
sensíveis a mudanças no número de observações ou mudança da forma funcional.
Assim, os estimadores podem apresentar valores alterados.

Lista de exercícios resolvidos com gabarito
Exercício 2
(BACEN – 2010) Sobre séries temporais, analise as proposições a seguir:

I – Se um processo de médias móveis (MA) de primeira ordem for estacionário,
ele pode ser representado como um processo auto-regressivo (AR) de ordem
infinita
II – Se um processo AR for estacionário, este pode ser representado por um MA
de ordem infinita
III – Uma série de tempo é um conjunto ordenado de variáveis aleatórias, isto é,
um processo estocástico, portanto uma série de tempo y(t) pode ser
representada pela função densidade conjunta dos y(t) (t = 1, 2...n); assim,
trabalhar com uma série de tempo é inferir sobre o processo estocástico com
uma única realização desse processo.
Estão corretas as proposições:

a) Apenas I
b) Apenas I e II
c) Apenas I e III
d) Apenas II e III
e) Todas

Exercício 3
(ANS – 2007) Para o modelo autoregressivo
Onde é o ruído branco de média zero e variância , a autocorrelação de

ordem 1 é:
a) 0,28
b) 0,63
c) 0,28
d) 0,25/
e) 0,38
Exercício 4
(EPE – 2007) A demanda de um certo derivado de petróleo segue um modelo

auto-regressivo de ordem 2:
Sendo e ( é a autocorrelação de primeira ordem). O valor de

é:
a) 0,25
b) 0,20
c) 0,15
d) 0,10
e) 0,05

(MPE – 2006/modificada) Para o processo ARIMA (1,d,1), julgue a afirmativa
Exercício 5
A função de autocorrelação parcial só é diferente de zero no lag 1
Exercício 6
A função de autocorrelação só é diferente de zero nos lags 1 e 2
(IBGE – 2010) Seja um processo MA(1), , onde é um ruído

branco normal, com média zero e variância constante. Considere o processo
, t = 1,2,...,n, e avalie as afirmações a seguir:
Exercício 7
A função de autocorrelação do processo é infinita e decrescente
Exercício 8
A função de autocorrelação parcial de é finita
(ANPEC – 2008) Julgue as afirmativas
Exercício 9
No processo AR(1), , em que e que é um ruído

branco de média nula e variância constante, a média de é

Exercício 10
O processo MA(1), , em que é um ruído branco de média nula e

variância constante, será estacionário mesmo que
Exercício 11
Seja a função de autocorrelação do processo AR(1), definido no exercício 9,

dada por . É correto afirmar que .
(ANPEC – 2009) Julgue a afirmativa
Exercício 12
A estatística DIckey-Fuller para testar a presença de raiz unitária em séries

temporais possui sempre distribuição normal
(BACEN – CESPE\2013) Julgue as afirmativas.
Exercício 13
Em um processo estocástico gaussiano, uma série temporal é dita estritamente

estacionária se a sua média for constante e a sua função de autocovariância
depender da defasagem temporal.

Exercício 14
Nos modelos em que aparecem valores defasados da variável dependente no

segundo membro — cujo exemplo mais simples é em que os
distúrbios ( ) são serialmente independentes —, as consequências de se
utilizar os estimadores de mínimos quadrados para o caso de violação da
independência entre o distúrbio e a variável explicativa é a possibilidade de
obtenção de estimativas viesadas e perda de eficiência.
Exercício 15
No modelo de regressão linear clássico, a premissa de linearidade, necessária

à estimativa dos parâmetros do modelo, indica que não existe uma relação
linear exata entre qualquer variável independente do modelo.
Exercício 16
(METRO – CESPE\2013) Assinale a opção correspondente a processo

estacionário, com base nos modelos de Box e Jenkins e no princípio da
parcimônia.
a)AR, ARIMA ou ARMA
b)MA, ARIMA ou ARMA
c)SARIMA ou ARIMA
d)AR ou IMA
e)AR, MA ou ARMA

Exercício 17
(METRO – CESPE\2013)Considere os processos de médias móveis (moving

average) Wt ~ MA(q1) e Zt ~ MA(q2), em que q1 e q2 representam as ordens
desses processos e Wt e Zt são independentes. Então, nesse caso, o processo
St = Wt + Zt será um processo de médias móveis de ordem igual a
a)min{q1, q2}.
b)q1.
c)q1 + q2.
d)max{q1, q2}.
e)q2.
Exercício 18
(EPE = CESGRANRIO/2012)

Exercício 19
(IBGE - CESGRANRIO/2013)
Exercício 20


Exercício 21

Exercício 22
(ICMS-RJ – FCC\2013) Considere o modelo , i = 1,2,3,... onde:
I. yi e xi representam, respectivamente, o tempo de reação a certo estímulo, em
segundos, e a idade, em anos, do indivíduo i.
II. e representam os parâmetros desconhecidos do modelo.
III. representa o erro aleatório com as respectivas hipóteses para a regressão
linear simples.
IV. As estimativas de e foram obtidas pelo método de mínimos quadrados
por meio de 10 observações, utilizando-se as seguintes informações:
Nessas condições, a soma de quadrados residuais do modelo é igual a

a) 785
b) 810
c) 515
d) 920
e) 460
Exercício 23
(ISS Recife – FGV\2014) Numa regressão linear simples, obteve-se um

coeficiente de correlação igual a 0,78. O coeficiente de determinação é
aproximadamente igual a
(A) 0,36.
(B) 0,48.
(C) 0,50.
(D) 0,61.
(E) 0,69.

Exercício 24
(ISS Recife – FGV\2014) Avalie se as seguintes propriedades de um estimador

de um certo parâmetro são desejáveis:
I. Ser não tendencioso para esse parâmetro.
II. Ter variância grande.
III. Ter erro quadrático médio grande.
Assinale:
(A) se apenas a propriedade I estiver correta.
(B) se apenas as propriedades I e II estiverem corretas.
(C) se apenas as propriedades I e III estiverem corretas.
(D) se apenas as propriedades II e III estiverem corretas.
(E) se todas as propriedades estiverem corretas

Exercício 25
(COMPESA – 2014/FGV) Suponha o seguinte modelo econométrico, estimado

por um economista:
lnPIB(t) = 10 + 2*lnC(t) + 0,5*lnC(t-1) + û,
(0,01) (0,06) (0,12)
R² = 0,2
em que, lnPIBt é o logaritmo neperiano do PIB no ano t, lnC(t) é o logaritmo
neperiano do consumo no ano t e lnC(t – 1) a sua defasagem em um período. O
número entre parênteses embaixo de cada estimativa é o p-valor referente à
estatística de teste t, que testa a hipótese do determinado coeficiente ser nulo.
O termo R² mede o coeficiente de determinação. A partir dessas informações,
assinale a afirmativa correta.
(A) O modelo não é globalmente significante a um nível de 1% .
(B) A estatística do teste t para o intercepto indica que o mesmo não é
significante a um nível de 5% .
(C) O efeito contemporâneo do consumo sobre o PIB é positivo, mas
estatisticamente nulo ao nível de 10% .
(D) O efeito defasado do consumo sobre o PIB é positivo, mas estatisticamente
nulo ao nível de 10% .
(E) As variáveis de consumo explicam apenas 0,2% da variação do PIB ao longo
do tempo.
(ANTT – CESPE\2013) Julgue as afirmativas.
Exercício 26
A suposição de homocedasticidade é fundamental para mostrar que os

estimadores de MQO são não viesados.

Exercício 27
Se o estimador de MQO for não viesado e consistente, então ele será,
necessariamente, eficiente.
Exercício 28
De acordo com a hipótese de consistência do estimador de MQO, à medida que

o numero de observações aumenta, o valor esperado do estimador converge
para o valor do parâmetro a ser estimado e a variância do estimador converge
para zero.
Exercício 29
Na análise de séries temporais, a suposição de ausência de autocorrelacao

serial dos resíduos deve sempre ser verificada para garantir que os estimadores
de mínimos quadrados ordinários sejam não viesados e consistentes.
Exercício 30
Na presença de multicolinearidade, a variância e a covariância dos estimadores

serão afetadas, sendo possível que sejam alterados tanto os sinais quanto a
magnitude dos estimadores.

2-d 22-d
3-a 23-d
4-a 24-a
5-F 25-d
6-F 26-F
7-F 27-F
8-F 28-V
9-F 29-F
10-V 30-V
11-V
12-F
13-F
14-V
15-F
16-e
17-d
18-d
19-c
20-a
21-e
Tranquilo pessoal? Segue em anexo a tabela da distribuição DF!
Um abraço e bons estudos!


Análise de séries temporais: os 3 passos fundamentais

Caricato da

Informazioni sul documento

Descrizione originale:

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Análise de séries temporais: os 3 passos fundamentais

Caricato da

Copyright:

Formati disponibili

Aula 06

Professor: Jeronymo Marcondes

AULA 06 – Séries de Tempo/ parte 2

E aí pessoal? Estão estudando firme? Hora de acelerar. Antes de iniciarmos, uma

Essa é para o pessoal que está estudando por livros

Bem, na última aula abordamos aspectos teóricos da análise de séries temporais.

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 1 de 60

1. Passos na análise de série de tempo

Resumidamente, a ideia é verificar qual é o modelo, da classe ARIMA, que a série

Então vamos lá.

Antes de qualquer coisa, precisamos avaliar se a série que estamos estudando é

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 2 de 60

2.1 Teste de estacionariedade

Vocês se lembram, não? A necessidade de identificar se sua série é ou não

-“Professor, mas como eu sei se a série é estacionária”?

Nesse caso, a série será estacionária se . Se , a série é não estacionária,

Nós já te mostramos na aula anterior que, se , a média e a variância da série

Uma pergunta que sempre surge é: “e se ”? Nesse caso, a série é chamada de

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 3 de 60

O que é equivalente a diminuir dos dois lados da equação (1):

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 4 de 60

O teste a ser utilizado para a análise de chama-se teste de Dickey-Fuller (DF).

O teste DF pode ser realizado de diversas formas, em equações com intercepto (

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 5 de 60

Um modelo AR(2), dado por:

será estacionário se, conjuntamente:

“Está bem professor! Agora é só aplicar o teste DF no AR(2)”!

E assim por diante. A metodologia é testar se com os valores críticos da

Percebam que a metodologia de aplicação é exatamente a mesma descrita para o

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 6 de 60

Se um economista tivesse estimado um modelo explicativo para a renda

Sabendo que os desvios padrões das variáveis são os valores em parênteses

Olhem a tabela no fim do texto!

Procurem a tabela que dá os valores com coeficiente e sem tendência, que é o

Portanto, a série é estacionaria a 5% de significância.

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 7 de 60

Obs. Inversão de modelos

Oba! Um tópico importante, a inversão de modelos ARIMA.

Se um modelo auto-regressivo de primeira ordem, AR, for estacionário (isso é, não

Da mesma forma, suponha um modelo MA(1), tal que:

Suponha, adicionalmente, que este modelo é invertível, ou seja, .

Assim, se o modelo MA(1) é invertível, podemos reescrevê-lo como:

Decorem, porque isso cai! Dêem uma olhada.

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 8 de 60

(BACEN – 2010) Sobre séries temporais, analise as proposições a seguir:

Estão corretas as proposições:

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 9 de 60

2.2 Identificação de um modelo ARIMA

Bom, como podemos testar a autocorrelação entre a variável em estudo e suas

Antes de avançarmos, preciso ensinar dois conceitos para vocês.

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 10 de 60

A variância deste modelo é dada por:

Lembrem-se das propriedades:

Sabendo que a variância dos erros é dada por

A covariância entre e é dada por:

Para o modelo acima:

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 11 de 60

E se fosse um coeficiente de correlação com duas defasagens ( )? Começamos com

Substituindo encontrado com base na equação:

Agora basta trabalharmos o operador, pois só há uma variável do lado direito, .

Prof. Jeronymo Marcondes www.estrategiaconcursos.com.br 12 de 60

Estão enxergando um padrão? É isso aí, em um processo estacionário, a covariância