MÉTODOS QUANTITATIVOS

AULA 6

Prof. Ricardo Zannardini

 CONVERSA INICIAL

Olá! Chegamos à sexta e última aula de Métodos Quantitativos. Nessa

aula abordaremos as séries temporais e teremos a oportunidade não só de
compreender melhor os conceitos relacionados a essas séries, mas também de
aprendermos a importância e a utilização desses conhecimentos em situações
reais, bem como as relações das séries temporais com outros importantes temas
da disciplina de Métodos Quantitativos.

TEMA 1 – SÉRIES TEMPORAIS

Uma série temporal é uma importante distribuição estatística cuja principal

característica é a de que a variável que é objeto de estudo está organizada em
função de determinados períodos de tempo.
É muito comum o uso de séries temporais em problemas práticos
relacionados ao processamento de sinais tais como áudio, vídeo, imagens,
comunicação sem fio, sistemas de controle, entre outros.
Também é possível encontrarmos séries temporais em problemas
relacionados a matemática financeira, matemática aplicada, estatística,
marketing e muito mais.
Quando trabalhamos com séries temporais, a ordem de observação dos
dados é fundamental. Esses dados não são organizados necessariamente em
ordem crescente ou decrescente, mas em ordem de datas de ocorrência.
Como exemplo, podemos considerar os valores mensais pagos pelo
consumo de energia elétrica durante um certo intervalo de tempo:

Mês Janeiro Fevereiro Março Abril Maio Junho

Valor R$ 234,66 R$ 268,21 R$ 255,10 R$ 248,27 R$ 266,67 R$ 252,13

Podemos observar que nesse caso há uma série de dados que estão
associados ao tempo.
Graficamente esses dados são distribuídos como segue:

2
 Gráfico 1 – Energia elétrica

É importante ressaltar que no caso de séries temporais não é possível

organizar esses dados em ordem crescente, pois nosso objetivo é verificar
variações e tendências desses dados em relação ao tempo.
Uma série temporal geralmente é uma sequência de pontos observados
em intervalos uniformes, mas não é obrigatório que os intervalos de coleta de
dados sejam regulares.
Temos ainda, como exemplos de séries temporais, muitas outras
situações, tais como os níveis diários de produção de uma indústria, as
quantidades de acidentes anuais em uma determinada rodovia, a cotação diária
do dólar, a inflação de um país medida a cada ano e muitos outros exemplos.
No entanto, se considerarmos, por exemplo, os salários dos diversos
trabalhadores de uma empresa referentes ao mês de janeiro, temos vários dados
associados a esses salários, mas não temos uma série temporal, pois não
estamos analisando o comportamento de uma variável em relação ao tempo e
sim um conjunto de dados obtidos em um determinado mês.
Se pensarmos, por exemplo, em uma pesquisa de preços de um certo
modelo de refrigerador em diversas lojas, teremos os respectivos valores, mas
também não é o caso de uma série temporal. Isso ocorre porque temos os preços
do refrigerador em diferentes lojas, mas não temos o acompanhamento desses
preços com o passar do tempo.
Quando estamos trabalhando com uma série temporal, temos alguns
elementos relacionados ao comportamento dessa variável.

3
 Um deles é a tendência. Por meio da tendência é possível observarmos
se há crescimento ou decrescimento da variável.
Temos também a estacionalidade. Esse comportamento ocorre quando
não há mudanças em relação à variável. Nesse caso não ocorre crescimento e
nem decrescimento. A variável apresenta um equilíbrio estável em torno de um
valor constante.
Um outro comportamento é a sazonalidade. Esse comportamento é
muito corriqueiro quando há mudanças tais como crescimento e decrescimento
que ocorrem em determinadas épocas.
Além desses elementos, há situações onde ocorrem períodos cíclicos.
Esse tipo de comportamento se refere às mudanças que se repetem em
determinados períodos de tempo.
Por exemplo, podemos imaginar uma loja de materiais escolares que tem
a cada mês um determinado volume de vendas e identifica que todos os anos,
nos meses de janeiro e fevereiro, há um aumento considerável nessas vendas.
Por meio das séries temporais podemos estudar o comportamento de
uma variável de uma forma mais completa e coerente, observando essa variável
não só em um determinado instante de tempo, mas durante um período,
podendo assim conhecer o histórico dessa variável e consequentemente tendo
condições de melhorar a qualidade dos estudos feitos.
Para compreendermos melhor alguns desses elementos, vamos pensar
em um exemplo associado a uma indústria que produz pacotes de massa para
pastel.
Durante os meses do ano, a produção dessa indústria acompanha a
demanda e por esse motivo tem variações.
A tabela a seguir apresenta os doze meses do ano e as respectivas
quantidades produzidas.

Mês Produção Mês Produção

Janeiro 12.000 Julho 17.000
Fevereiro 13.000 Agosto 17.000
Março 14.000 Setembro 17.000
Abril 13.000 Outubro 18.000
Maio 15.000 Novembro 19.000
Junho 15.000 Dezembro 20.000

Graficamente é possível observarmos que a produção apresenta um

crescimento com o passar do tempo. Podemos dizer então que há uma
tendência de crescimento.

4
 Gráfico 2 – Produção de pacotes de massa de pastel

Quando pensamos em séries temporais, podemos utilizar os

conhecimentos adquiridos para realizarmos os estudos necessários.

TEMA 2 – O USO DA REGRESSÃO LINEAR NO ESTUDO DE SÉRIES

TEMPORAIS

Em muitos casos, podemos utilizar a regressão linear para obter

estimativas e analisar melhor o comportamento de séries temporais.
No exemplo apresentado anteriormente, utilizamos um gráfico de linha
para representarmos as quantidades de pacotes de massa para pastel que são
produzidos a cada mês. Dessa maneira é possível acompanhar a relação que
há entre os meses de ano e as respectivas produções.
No entanto, muitas vezes é preciso saber se há uma correlação entre os
dados, qual é a taxa de crescimento ou qual é a previsão de produção para um
determinado mês.
Com base nos meses e nas produções, podemos utilizar o GeoGebra para
obter a reta que melhor se aproxima ao seguinte conjunto de pontos:

Mês Produção Mês Produção

Janeiro 12000 Julho 17000
Fevereiro 13000 Agosto 17000
Março 14000 Setembro 17000
Abril 13000 Outubro 18000
Maio 15000 Novembro 19000
Junho 15000 Dezembro 20000

5
 Inicialmente, precisamos criar uma lista de pontos. Nessa lista iremos
associar o número 1 ao mês de janeiro, o 2 ao mês de fevereiro e assim por
diante:
Lista={(1,12000),(2,13000),(3,14000),(4,13000),(5,15000),(6,15000),(7,1
7000),(8,17000),(9,17000),(10,18000),(11,19000),(12,20000)}
Agora podemos utilizar o comando RegressãoLinear para obtermos a reta
de regressão e o respectivo gráfico:

RegressãoLinear[Lista]

A reta de regressão é dada por y=692,31x+11333,33.

Nesse caso é possível observar que a estimativa de crescimento é de
aproximadamente 692 unidades a cada mês. Esse valor corresponde ao
coeficiente angular da reta.
Gráfico 3 – Estimativa de crescimento

Fonte: GeoGebra, 2017.

Também é possível calcularmos o coeficiente de correlação de Pearson.

O comando a ser utilizado é CoeficienteDeCorrelação.

6
 Logo, basta digitarmos

CoeficienteDeCorrelação[Lista]

na caixa de entrada do GeoGebra.

Como o coeficiente corresponde a 0,9779, ou seja, 97,79%, a correlação
é forte.
Nem sempre a reta de regressão é a que melhor se ajusta a uma série
temporal. Podemos ter situações em que esse ajuste é feito por outros tipos de
funções.

TEMA 3 – AJUSTES NÃO LINEARES PARA SÉRIES TEMPORAIS

Em muitos casos não há um comportamento linear para uma série

temporal. Vamos ver a seguir alguns exemplos.

3.1 Exemplo 1

Um investidor decidiu aplicar R$ 100.000,00 em um fundo cuja

remuneração está sujeita a variações. A tabela a seguir apresenta o saldo desse
investidor a cada mês durante um ano:

Mês Saldo Mês Saldo

Janeiro R$ 5.348,05 Julho R$ 43.044,98
Fevereiro R$ 12.013,83 Agosto R$ 51.230,33
Março R$ 15.436,57 Setembro R$ 55.010,76
Abril R$ 23.910,14 Outubro R$ 62.667,77
Maio R$ 29.015,10 Novembro R$ 73.098,99
Junho R$ 33.006,99 Dezembro R$ 81.084,06

Nesse caso é possível utilizarmos uma função exponencial para fazermos

o ajuste a esses pontos.
O procedimento é bastante parecido com o que foi feito na regressão
linear.
Primeiro precisamos criar uma lista de pontos:
Lista={(1,5348.05),(2,12013.83),(3,15436.57),(4,23910.14),(5,29015.10),(6,330
06.99),(7,43044.98),(8,51230.33),(9,55010.76),(10,62667.77),(11,73098.99),(12
,81084.06)}
Em seguida, vamos utilizar o comando RegressãoExponencial:

RegressãoExponencial[Lista]

7
 A função exponencial que melhor se ajusta aos pontos é y=7724,28e 0,22x
onde e= 2,718281828...
O gráfico é apresentado a seguir.
Gráfico 4 – Representação da função (Exemplo 1)

Fonte: GeoGebra, 2017.

3.2 Exemplo 2

Um supermercado fez um levantamento das vendas de potes de sorvete

nos anos de 2015 e 2016. Os dados foram obtidos a cada dois meses e são
apresentados a seguir:

8
 Mês/Ano Vendas
Janeiro de 2015 560
Março de 2015 410
Maio de 2015 350
Julho de 2015 180
Setembro de 2015 290
Novembro de 2015 420
Janeiro de 2016 550
Março de 2016 390
Maio de 2016 330
Julho de 2016 200
Setembro de 2016 320
Novembro de 2016 490

Atribuindo os números 1, 2, 3 e assim por diante a cada mês e criando a

respectiva lista de pontos, temos:
Lista={(1,560),(2,410),(3,350),(4,180),(5,290),(6,420),(7,550),(8,390),(9,330),(1
0,200),(11,320),(12,490)}
Como há um comportamento dos pontos em que notamos aumentos e
diminuições em períodos específicos, uma curva que se ajusta melhor a esses
pontos é uma sinusoidal, ou seja, uma curva relacionada à função seno.
O comando do GeoGebra é RegressãoSinusoidal:

RegressãoSinusoidal[Lista]

Podemos perceber que há um aumento do consumo de potes de sorvete

em janeiro e uma redução em julho de cada ano.

Gráfico 5 – Consumo de potes de sorvete

Fonte: GeoGebra, 2017.

Esse tipo de comportamento é cíclico, pois temos uma repetição de

comportamentos em determinados intervalos de tempo.
9
 Também há a possibilidade de ocorrerem oscilações aleatórias em séries
temporais.
Esses acontecimentos nem sempre podem ser previstos. Enchentes,
terremotos, epidemias ou outros eventos podem acontecer de forma isolada,
sem que seja possível prevê-los. Também podemos ter mudanças drásticas na
economia, greves, crises em determinados países, novas descobertas e muitos
outros eventos. Existem muitos elementos que podem ocorrer de forma
randômica.
Sendo assim, ao analisarmos séries temporais precisamos ter o maior
número possível de informações e também verificar se há sinais de tendência,
de sazonalidade, de ciclo ou de aleatoriedade.

TEMA 4 – MÉDIA MÓVEL

Além da regressão linear ou não linear, é muito comum o uso do método

da média móvel para a análise de séries temporais.
O método da média móvel consiste em considerarmos uma sequência de
médias de valores em um determinado período de tempo do problema a ser
analisado.
Essa sequência de médias apresenta uma tendência do que se está
observando.
É possível utilizarmos médias referentes a curtos períodos de tempo ou a
períodos de tempo maiores. Quanto mais curta for a média, maior será a
sensibilidade às variações que podem ocorrer.
Como o número de valores utilizados para o cálculo da média móvel é
fixo, a cada nova observação considerada na média móvel, a mais antiga é
eliminada.
Repetindo esse procedimento para todo o conjunto de pontos, temos uma
sequência de médias móveis que tem como objetivo suavizar o comportamento
da série temporal e com isso auxiliar no estudo da série.
Se considerarmos o conjunto de n dados observados e calcularmos a
sequência de médias de k desses dados, temos

10
 y1  y2    yk
MM 1 
k
y2  y3    yk 1
MM 2 
k
y3  y 4    y k  2
MM 3 
k
e assim por diante.
Por exemplo, vamos considerar o problema da indústria que produz
pacotes de massa para pastel cuja produção de pacotes em relação ao tempo é
dada a seguir:

Mês Produção Mês Produção

Janeiro 12000 Julho 17000
Fevereiro 13000 Agosto 17000
Março 14000 Setembro 17000
Abril 13000 Outubro 18000
Maio 15000 Novembro 19000
Junho 15000 Dezembro 20000

Vamos calcular as médias móveis para k=5. O primeiro valor obtido é

dado pela soma dos cinco primeiros valores com o resultado dividido por 5:
y1  y2    yk
MM 1 
k
12000  13000  14000  13000  15000
MM1 
5
67000
MM 1 
5
MM1  13400
Depois precisamos calcular a soma do segundo ao sexto elemento e
dividir o resultado por 5:
y2  y3    yk 1
MM 2 
k
13000  14000  13000  15000  15000
MM 2 
5
70000
MM 2 
5
MM 2  14000
Esse procedimento se repete até calcularmos a última média móvel.
A tabela a seguir apresenta os resultados.

11
 Mês Produção Média Móvel para k=5
Janeiro 12.000 ---
Fevereiro 13.000 ---
Março 14.000 ---
Abril 13.000 ---
Maio 15.000 (12.000+13.000+14.000+13.000+15.000)/5=13.400
Junho 15.000 (13.000+14.000+13.000+15.000+15.000)/5=14.000
Julho 17.000 (14.000+13.000+15.000+15.000+17.000)/5=14.800
Agosto 17.000 (13.000+15.000+15.000+17.000+17.000)/5=15.400
Setembro 17.000 (15.000+15.000+17.000+17.000+17.000)/5=16.200
Outubro 18.000 (15.000+17.000+17.000+17.000+18.000)/5=16.800
Novembro 19.000 (17.000+17.000+17.000+18.000+19.000)/5=17.600
Dezembro 20.000 (17.000+17.000+18.000+19.000+20.000)/5=18.200

É importante observar que, como estamos considerando 5 períodos,

temos as médias móveis apenas a partir do mês de maio.
É possível representarmos graficamente os valores da média móvel.
No gráfico a seguir, temos a comparação entre os dados originais e a
média móvel.
Gráfico 6 – Dados originais e média móvel

Também é possível fazermos a comparação entre os dados originais, a

média móvel e a reta de regressão.

Gráfico 7 – Comparação entre os métodos

Comparação entre os métodos

25000
20000
15000
10000
5000
0

Dados originais Média móvel Reta de regressão

12
 TEMA 5 – APLICAÇÕES

Sabemos que as séries temporais estão diretamente relacionadas a

situações reais do nosso cotidiano.
Vamos acompanhar alguns exemplos nos quais é possível observar a
importância das séries temporais.

5.1 Exemplo 1

De acordo com dados do IBGE, a tabela a seguir apresenta o rendimento

médio mensal de pessoas em idade ativa.

Tabela 1 – Rendimento médio mensal de pessoas em idade ativa

1 Rendimento
1.1 - Pessoas em idade ativa
Tabela 1.1.2 - Rendimento médio mensal real das pessoas de 10 anos ou mais de idade,
com rendimento, segundo as classes de percentual das pessoas de 10 anos ou mais de idade,
em ordem crescente de rendimento - Brasil - 1999/2009

Classes de percentual Rendimento médio mensal real das pesso as de 10 ano s o u mais de idade,
das pesso as de 10 ano s o u mais de idade, co m rendimento (R$ ) (1)
em o rdem crescente de rendimento (%)
1999 2001 2002 2003 2004 2005 2006 2007 2008 2009
S im ple s

T o tal 1 054 1 034 1 000 9 17 9 18 966 1 026 1 052 1 071 1 094

A té 10 125 105 88 66 73 84 86 102 103 109

M ais de 10 a 20 258 263 252 219 224 251 257 297 308 312

M ais de 20 a 30 274 311 315 322 329 362 406 425 433 465

M ais de 30 a 40 351 347 341 332 345 366 413 433 442 472

M ais de 40 a 50 466 465 448 419 427 457 488 515 537 554

M ais de 50 a 60 590 588 576 534 547 574 613 635 665 682

M ais de 60 a 70 778 752 716 678 687 724 778 816 837 863

M ais de 70 a 80 1074 1034 995 923 930 971 1028 1054 1086 1102

M ais de 80 a 90 1693 1628 1566 1443 1448 1488 1584 1629 1647 1672

M ais de 90 a 100 4 936 4 848 4 712 4 234 4 177 4 384 4 613 4 613 4 646 4 709

M ais de 95 a 100 7 042 6 964 6 765 6 072 5 973 6 303 6 616 6 586 6 642 6 738

M ais de 99 a 100 13 741 14 115 13 470 12 087 11988 12 862 13 453 13 328 13 400 13 810

Fonte: IBGE, S.d.

Esse é um caso de séries temporais, pois são apresentados dados

referentes a cada faixa etária em determinados intervalos de tempo.

13
 5.2 Exemplo 2

Ainda considerando dados do IBGE, temos o rendimento médio mensal

real de pessoas em idade ativa separados por grandes regiões e registrados a
cada ano no período que vai de 1999 a 2009.

Tabela 2 – Rendimento médio mensal real de pessoas em idade ativa separados

por grandes regiões – 1999-2009

1 Rendimento
1.1 - Pessoas em idade ativa
Tabela 1.1.5 - Rendimento médio mensal real das pessoas de 10 anos ou mais de idade,
por Grandes Regiões e sexo - 1999/2009

Rendimento médio mensal real das pesso as de 10 ano s o u mais de idade

(R$ ) (1)

A no
Grandes Regiõ es
B rasil
(2)
No rte urbana No rdeste Sudeste Sul Centro -Oeste

T o tal

1999 621 484 351 766 711 677

2001 631 494 354 781 728 700

2002 631 491 360 778 716 727

2003 587 438 332 718 703 656

2004 603 480 353 720 733 702

2005 639 504 372 773 760 732

2006 692 540 418 834 812 781

2007 704 555 425 835 847 851

2008 734 571 456 864 875 895

2009 750 598 477 875 901 899

H o m e ns

1999 867 663 474 1076 1000 953

2001 864 688 470 1073 997 973

2002 852 662 467 1060 975 995

2003 787 579 428 969 961 882

2004 804 638 448 968 994 946

2005 842 667 467 1029 1018 968

2006 901 698 514 1107 1069 1017

2007 919 723 529 1099 1125 1115

2008 950 735 563 1134 1137 1175

2009 969 765 588 1142 1179 1180

M ulhe re s

1999 393 320 236 482 433 411

2001 417 311 245 517 468 441

2002 426 331 259 519 473 472

2003 401 305 240 487 462 440

2004 418 332 265 495 489 471

2005 451 354 281 539 519 509

2006 499 392 328 586 574 557

2007 505 401 328 593 586 595

2008 535 418 357 618 630 627

2009 549 444 374 632 641 634

Fo nte: IB GE, Direto ria de P esquisas, Co o rdenação de Trabalho e Rendimento , P esquisa Nacio nal po r A mo stra de Do micílio s 1998/2009.
No ta: Exclusive as info rmaçõ es das pesso as sem declaração de rendimento .
(1) Valo res inflacio nado s pelo INP C co m base em setembro de 2009. (2) Exclusive o rendimento das pesso as da área rural de Ro ndô nia, A cre,
A mazo nas, Ro raima, P ará e A mapá.

Fonte: IBGE, S.d.

14
 5.3 Exemplo 3

Neste exemplo temos mais um exemplo de série temporal. Este é o gráfico

associado à dívida líquida do setor público. É possível perceber que há um
crescimento acentuado nos dois últimos anos.

Gráfico 8 – Dívida Líquida do Setor Público

Fonte: Freitas, 2017.

5.4 Exemplo 4:

Gerado a partir dos dados do Banco Central do Brasil, o gráfico a seguir

é um exemplo de série temporal e apresenta a soma das exportações com a
receita de serviços de 1947 a 2007.

Gráfico 9 – Exportações Bens e Serviços/RTC

Fonte: Cysne; Grahl, 2007.

15
 5.5 Exemplo 5:

Neste exemplo temos a projeção da inflação acumulada em 12 meses.

Gráfico 10 – Projeção da inflação acumulada em 12 meses

Fonte: Wilher, 2017.

Nesse caso temos mais um exemplo de uma série temporal relacionada

a dados reais.

FINALIZANDO

Estamos chegando ao final não só da nossa aula de Métodos

Quantitativos, mas também da disciplina. Nesta aula vimos o que são séries
temporais e como muitos fenômenos do nosso cotidiano estão diretamente
relacionados com o tempo. Vimos que é possível acompanhar a evolução de
variáveis em decorrência da variação do tempo e com isso como podemos fazer
previsões ou estimativas. Vimos também que há diversos fenômenos de caráter
aleatório que existem, mas não podem ser previstos com exatidão. Esperamos
que todos os temas abordados tenham sido úteis não só para o bom
desempenho acadêmico, mas também para melhorias no desempenho pessoal
e profissional.

16
 REFERÊNCIAS
CASTANHEIRA, N. P. Matemática Aplicada. 3. ed. Curitiba: Ibpex, 2010.

CYSNE, R. P.; GRAHL, P. G. Brasil 2007: uma análise das contas externas. Rio
de Janeiro: FGV, 2007.

DEMANA, F. D.; WAITS, B. K.; FOLEY, G. D.; KENNEDY, D. Pré-Cálculo. 2. ed,

São Paulo: Pearson, 2013.

FLEMING, D. M.; GONÇALVES, M. B. Cálculo A: Função de uma variável.

2. ed. São Paulo: Pearson, 2007.

FREITAS, W. Encontrando séries temporais do Banco Central com rbcb. Análise

Macro, 26 mar. 2017. Disponível em:
<https://analisemacro.com.br/economia/dados-macroeconomicos/encontrando-
series-temporais-do-banco-central-com-rbcb/>. Acesso em: 05 out. 2017.

GEOGEBRA. [S.l.]: International GeoGebra Corporation, 2017. Disponível em:

<https://www.geogebra.org/>. Acesso em: 05 out. 2017.

WILHER, V. Replicando modelos VAR/VEC do Banco Central. Análise Macro,

26 jun. 2017. Disponível em:
<https://analisemacro.com.br/economia/macroeconometria/replicando-modelos-
varvec-do-banco-central/>. Acesso em: 05 out. 2017.

17