Escolar Documentos
Profissional Documentos
Cultura Documentos
Livro Processos Cap 5 Parte
Livro Processos Cap 5 Parte
srie no instante T + k ser denotada por Z$ T + k . O nmero de instantes frente para o qual
feita a previso (neste caso, k) chamado de horizonte de previso. Por exemplo, a previso
de ZT+1 denotada por Z$ T +1 .
A dependncia serial entre os valores da srie um aspecto essencial, pois nos permite gerar
previses de valores futuros da srie. Estas previses seriam puro chute se no houvesse
dependncia serial. Tambm, diferentes sries possuem diferentes graus de previsibilidade; por
exemplo, freqentemente mais fcil prever uma srie de temperaturas mdias mensais do que a
taxa mensal de inflao. Logo, no se pode garantir que a previso encontrada por este ou aquele
mtodo ser sempre boa, tudo depende das caractersticas da srie que est sendo estudada! No
entanto, um aspecto deve ser levado em conta ao fazermos previses de sries temporais: o nvel de
incerteza aumenta com o horizonte de previso quanto mais longe no futuro, maior a incerteza
associada previso. Isto intuitivamente razovel, sempre mais difcil prever o futuro distante, e a
nossa previso estar cercada de incertezas!
203
Uma medida do acerto das nossas previses o erro de previso k-passos frente, definido a
seguir.
ek (t ) = Z t Z t k (k )
e1 (t ) = Z t Z t 1 (1)
Um bom modelo de previso produz previses com erro pequeno, e assim interessante
acompanhar quantidades como a soma dos quadrados dos erros de previso, ou a soma dos valores
absolutos dos erros de previso.
E como funcionam estas ferramentas quantitativas que nos permitem prever o futuro de uma
srie temporal?
Vamos utilizar o passado (dados histricos) para descrever a trajetria mais provvel da srie no
futuro.
Isso no uma bola de cristal!
Na maioria dos problemas o passado traz informaes relevantes sobre o que ir ocorrer no
futuro, pois existe correlao entre as variveis em diversos instantes.
claro que o conhecimento do passado no nos diz exatamente como ser o futuro, e ento
sempre existe incerteza associada s nossas previses !
Mas, podemos ter uma boa idia de quais sero os valores mais provveis no futuro !
Ou seja, podemos especificar previses futuras e limites de confiana.
204
Sries temporais ocorrem com enorme freqncia na prtica. No quadro a seguir exibimos os grficos
de algumas sries temporais reais.
Vendas Mensais de
embalagens de 290 ml
Refrigerantes
em
V E ND AS - E M BALAG E NS 2 9 0 ml
1050.00
950.00
300
850.00
250
750.00
200
650.00
150
550.00
100
450.00
50
350.00
g ua 290
lim 290
la ra nj290
jan-78jan-79jan-80jan-81jan-82jan-83jan-84jan-85jan-86jan-87jan-88jan-89jan-90jan-91jan-92jan-93jan-94jan-95jan-96jan-97
m s e a no
38.00
36.00
34.00
32.00
30.00
28.00
26.00
24.00
22.00
20.00
BRPREC
ARGPREC
MEXPREC
205
230
220
210
200
190
180
170
160
150
80%
60%
40%
20%
Jul96
Feb95
Sep93
Apr92
Nov90
-20%
Jun89
0%
Jan88
Jun-94
Nov-94
Jan-94
Aug-93
Oct-92
Mar-93
May-92
Jul-91
Dec-91
Feb-91
Apr-90
Sep-90
Jun-89
Nov-89
Jan-89
IPC-RJ (FGV)
100%
Podemos fazer uma distino bsica entre duas grandes classes de modelos:
Modelos Univariados: a srie temporal explicada (prevista) apenas pelos seus valores
passados;
Modelos Multivariados ou Causais: a srie temporal explicada (prevista) pelos seus valores
passados e tambm pelos valores passados de outras variveis.
Neste captulo consideraremos apenas modelos univariados.
206
Tendncia Quadrtica
A sazonalidade indica a repetio de um padro na srie dentro do perodo de um ano. Por exemplo,
vendas de sorvete so altas no vero e baixas no inverno. No quadro 5.1.1., as sries de
temperatura, consumo de energia eltrica e vendas de refrigerantes so claramente sazonais, mas
no se pode dizer o mesmo das outras sries.
207
Os ciclos indicam padres que se repetem na srie em perodos superiores a um ano. Por exemplo,
ciclos relacionados atividade econmica ou ciclos meteorolgicos.
Seja Z T = Z1 , Z 2 ,..., Z T
para explicar o comportamento da srie a cada instante e permitir a produo de previses futuras.
Suponha que o modelo geral para uma observao qualquer no instante t genrico : Z t = ( t ) + t
onde t um rudo aleatrio com mdia zero e varincia constante 2 . O termo (t) representa o
nvel mdio da srie, que funo apenas do instante de tempo.
Iremos estudar trs casos particulares: (t) constante, uma funo linear e uma funo quadrtica
do tempo.
208
VAR( Z t ) = 2 = constante
(5.2.1)
A seguir derivamos estimadores para os parmetros desconhecidos dos modelos de nvel constante,
linear e quadrtico e encontramos as respectivas equaes de previses.
Freqentemente iremos supor que os erros 1, 2, ..., T so independentes com uma distribuio de
probabilidade conhecida (por exemplo, a Normal) com mdia zero e varincia constante. Das
equaes acima fcil ver que a estimao da varincia de Zt (que igual varincia de t) no
apresenta grandes dificuldades, basta utilizar os estimadores usuais da varincia de uma amostra
aleatria. Por isso, na discusso a seguir, ns nos concentraremos na estimao dos parmetros que
definem o nvel mdio da srie.
Z T (k ) = E{Z T + k | Z T } = E{a1 + T + k | Z T } = a1 (T )
(5.2.2)
E como podemos estimar a constante a1 (nvel mdio da srie)? Existem diversas possibilidades,
mostradas a seguir.
209
a1 (T ) = M T =
Z T N +1 + ... + Z T 1 + Z T
N
(5.2.3)
Uma questo crucial neste caso definir qual o tamanho da janela a ser usada, isto , quantas
observaes sero utilizadas no clculo da mdia mvel. Note que, se N = 1, apenas a ltima
observao usada, e o mtodo se reduz ao mtodo ingnuo. Por outro lado, se N = T (tamanho da
srie), temos o chamado mtodo conservador, em que todas as observaes disponveis so
empregadas na estimao do nvel mdio da srie, e a1 (T ) = Z , a mdia amostral da srie.
O tamanho da janela utilizada (N) pode ser escolhido como aquele inteiro positivo que minimiza a
soma de quadrados dos erros de previso 1 passo frente, isto , escolhe-se N de forma a
minimizar:
T
S ( N ) = e12 (t )
t =1
a1 (T ) = M T =
Z T N +1 + ... + Z T 1 + Z T
Z ZT N
= M T 1 + T
N
N
(5.2.4)
Onde MT-1 a mdia mvel de tamanho N calculada no instante anterior. Em outras palavras, o
estimador do nvel envolve uma informao atual (representada por ZT, o ltimo valor observado da
srie) e uma informao passada (MT-1 e ZT-N).
O mtodo de amortecimento exponencial estende esta idia de ponderao da informao presente e
passada. Na equao (5.2.4) substitua ZT-N por MT-1. Isso nos leva ao seguinte estimador:
a1 (T ) = M T 1 +
Z T M T 1 1
1
= Z T + 1 M T 1
N
N
N
N
1
1
1
a1 (T ) = ZT + 1 M T 1 = ZT + 1 a1 (T 1)
N
N
210
(5.2.5)
(5.2.6)
Esta expresso no til do ponto de vista preditivo, pois o lado direito contm os outputs (erros de
previso um passo frente) enquanto o dado esquerdo contm os inputs (observaes). Mas, esta
expresso importante em termos estruturais, pois se os es (erros de previso um passo frente)
so substitudos por choques aleatrios, o modelo resultante um ARIMA (0,1,1), que ser estudado
na prxima seo. Num modelo ARIMA(0,1,1) o mtodo de amortecimento exponencial simples
estudado aqui fornece previses timas.
(5.2.7)
Esta ltima equao mostra claramente como funciona o mtodo de amortecimento exponencial:
cada estimativa do nvel (dada por MT) uma soma ponderada da observao atual (ZT) e das
observaes passadas. Os pesos decrescem exponencialmente, e a taxa de decaimento dos pesos
depende da constante .
211
peso de Z T k 1
(1 )k 1
log(2)
=
= k .log(1 ) = log(2) k =
peso de Z T
2
2
log(1 )
onde
log(.)
indica o logaritmo natural. Como k indica uma defasagem, deve-se escolher o valor k inteiro no
negativo que satisfaz (aproximadamente) esta equao.
Tabela 5.2.1. Meia Vida das Observaes como Funo de
0,99
0,15
0,95
0,23
0,90
0,30
0,80
0,43
0,70
0,58
0,60
0,76
0,50
1,00
0,45
1,16
0,40
1,36
0,35
1,61
0,30
1,94
0,25
2,41
0,20
3,11
0,15
4,27
0,10
6,58
0,05
13,51
0,02
34,31
0,01
68,97
Nota: reparametrizao
Em alguns livros encontra-se o mtodo de amortecimento escrito de maneira diferente. Seja = 1-
na equao (5.2.7). Em termos de esta equao torna-se:
212
(5.2.8)
Logo, o peso da observao atual (1-) e o da k-sima observao no passado k (1-). Nesta
parametrizao, valores altos de indicam que a memria do processo relativamente longa, ou
seja, a influncia das observaes passadas demora a decair.
Exemplo 5.2.1.
A tabela a seguir exibe os primeiros valores da srie temporal: Zt = 2 + et onde os et s so rudos iid
com distribuio Normal de mdia 0 e desvio padro . Supomos que em t = 0, Z0 = 0 (apenas para
permitir a inicializao do processo), e o objetivo aqui demonstrar a estimao seqencial de a1 por
amortecimento exponencial e mdias mveis (de tamanho 2, 3 e 4). Note que, dependendo da
escolha da constante de amortecimento (ou da janela utilizada na mdia mvel), a estimativa do nvel
mais ou menos nervosa (e oscila mais ou menos medida que recebemos cada valor da srie).
Verifique os valores estimados para o nvel da srie. Faa (em casa) o grfico da evoluo no nvel
estimado ao longo do tempo para todos os mtodos indicados.
Instante t
Estimador
MM(2)
Erros (e(t)) Srie (Z(t))
Estimador
MM(3)
-1,512
0,488
0,244
0,080
2,080
1,284
0,856
-0,433
1,567
1,824
1,379
0,437
2,437
2,002
0,107
2,107
-0,025
Estimador
Estimador
Estimador Amort. Expo. Amort. Expo.
MM(4)
(Alfa = 0.2)
(Alfa = 0.3)
0,098
0,147
0,494
0,692
1,034
0,709
0,816
2,028
1,643
1,054
1,227
2,272
2,037
2,048
1,265
1,370
1,975
2,041
2,173
2,021
1,407
1,478
-0,192
1,808
1,891
1,963
2,082
1,487
1,527
0,629
2,629
2,219
2,137
2,130
1,716
1,830
0,463
2,463
2,546
2,300
2,219
1,865
1,940
10
0,332
2,332
2,398
2,475
2,308
1,958
2,005
11
-0,469
1,531
1,931
2,109
2,239
1,873
1,830
12
0,538
2,538
2,034
2,134
2,216
2,006
2,072
13
0,277
2,277
2,408
2,115
2,170
2,060
2,087
14
0,017
2,017
2,147
2,277
2,091
2,052
2,047
15
-0,256
1,744
1,880
2,013
2,144
1,990
1,959
213
E (Z t ) = a1 + a 2 .t e VAR(Z t ) = 2 = VAR( t )
(5.2.9)
Neste modelo necessrio estimar trs parmetros: a1 (coeficiente linear da srie), a2 (coeficiente
angular da reta, ou seja, a taxa de crescimento da srie) e 2 (a varincia da srie).
(5.2.10)
A previso dada pela equao (5.2.10) pode ser escrita de uma forma ligeiramente diferente, desde
que faamos uma mudana da origem.
A partir dos valores estimados de a1 e a2 podemos encontrar a previso de uma observao futura
qualquer, apenas aplicando a equao (5.2.10).
SSE =
Z ( a + a t )]
[1
44244
3
t
t =1
(5.2.11)
SSE chamado de soma dos quadrados dos erros (ou soma do quadrado dos resduos). O mtodo
de mnimos quadrados bastante geral, e se aplica estimao de um nmero qualquer de
parmetros a1, a2, ..., ak (supe-se que k menor que o tamanho da srie, para permitir a estimao).
214
Considere, de maneira mais geral, um modelo com a seguinte estrutura: Z t = f (a1 , a 2 ,...., a k , t ) + t
onde f(.) uma funo (possivelmente no linear) do tempo e dos parmetros desconhecidos. Ento
a soma dos quadrados dos erros dada por:
SSE =
t =1
t =1
M [2]
T =
M T + M T 1 + ... + M T N +1
N
(5.2.12)
N 1
.a 2 (T )
2
E{M [2]
T } = a1 (T ) + T .a 2 (T ) ( N 1) a 2 (T )
E{M T } = a1 (T ) + T .a 2 (T )
a 1 (T ) = 2.E{M T } E{M T[ 2] } - T .a 2 (T )
a 2 (T ) =
2
{
E{M T } E{M T[ 2] }}
( N 1)
(5.2.13)
215
a 1 (T ) = M T + (M T M T[2 ] ) - T .a 2 (T ) = 2.M T M T[ 2] T .a 2 (T )
a 2 (T ) =
2
{M T M T[2] }
( N 1)
(5.2.14)
O estimador 1(T) encontrado corrigindo-se a mdia mvel simples (MT) pela diferena entre ela e a
mdia mvel dupla. Se, na verdade, no existisse uma tendncia linear, o fator de correo seria
pequeno.
Z T + k = a1 (T ) + a 2 (T ).(T + k ) = 2.M T M T[ 2 ] T .a 2 (T ) + T .a 2 (T ) + k .a 2 (T ) =
= 2.M T M T[ 2] + k .a 2 (T ) = 2.M T M T[ 2 ] + k .
M T M T[ 2 ]
N 1
a1 (T ) = M T + M T M T[2 ] = 2.M T M T[ 2]
a 2 (T ) =
2
M T M T[ 2]
( N 1)
(5.2.15)
Exemplo 5.2.2.
Um ponto importante a ser lembrado quando tratamos de mtodos de mdias mveis : estes
procedimentos implicam num conjunto de pesos definidos para as observaes passadas. Isso nos
permite compar-los com os mtodos de amortecimento exponencial.
Por exemplo, considere um modelo linear onde os parmetros desconhecidos so estimados por
mdias mveis simples e duplas de tamanho 3. Como podemos escrever os estimadores em termos
dos valores observados da srie?
Note que, neste caso, para qualquer instante t maior que 3:
Mt =
Z t + Z t 1 + Z t 2
3
216
M t[ 2] =
M t + M t 1 + M t 2
3
2
ZT +1 = a1 (T ) + a2 (T )(
M T M T[ 2] =
. 1) = 2 M T M T[ 2] +
3 1
M + M T 1 + M T 2
= 2M T M T[ 2] + M T M T[ 2] = 3.M T 2.M T[ 2] = 3.M T 2 T
=
3
1 7
1 7.(ZT + ZT 1 + ZT 2 ) 2(ZT 1 + ZT 2 + ZT 3 ) 2(ZT 2 + ZT 3 + ZT 4 )
= M T 2M T 1 2 M T 2 =
=
3
3
3
3
3 3
1 7
5
3
4
2
= ZT + ZT 1 + ZT 2 +
ZT 3 +
ZT 4
3
3
3
3
3
3
(5.2.16)
)
}
a1 (T ) = M T + M T M T[2 ] = 2.M T M T[ 2]
a 2 (T ) =
(1 )
{M
M T[ 2]
(5.2.17)
Ou seja, estes estimadores tm a mesma forma que na equao (5.2.15). No entanto, agora MT e
MT[2] no mais representam as mdias mveis descritas no tem 5.2.2., e so calculados atravs
das equaes (5.2.16).
ZT + k = a1 (T ) + a2 (T ).(k ) = 2.M T M T[ 2] +
M T M T[ 2] .k
1
(5.2.18)
217
M1 = Z1
a1 (1) = Z1
a 2 (1) =
(Z 2 Z1 ) + (Z 4 Z3 )
2
(5.2.19)
a1 (T ) = M T
(Z 2 Z1 ) + (Z 4 Z3 )
2
218
Exemplo 5.2.3.
Considere uma srie temporal puramente determinstica, Zt = 2 + 3.t. A tabela a seguir exibe alguns
valores da srie e as previses um passo frente de Zt usando: 1) uma mdia mvel simples de
tamanho 3, 2) a mdia mvel simples e a mdia mvel dupla, como na equao (5.2.15). Verifique os
valores encontrados na tabela, e note que o erro da previso um passo frente obtida atravs da
equao (5.2.15) nulo em todos os instantes.
Srie Z(t)
Instante (puramente
determinstica)
t
1
5,00
2
8,00
3
11,00
4
14,00
5
17,00
6
20,00
7
23,00
8
26,00
9
29,00
10
32,00
11
35,00
12
38,00
13
41,00
14
44,00
15
47,00
MM(3)
8,00
11,00
14,00
17,00
20,00
23,00
26,00
29,00
32,00
35,00
38,00
41,00
44,00
Erro de
Previso 1 Previso 1
passo
passo
frente de Z(t)
frente
usando
usando
MM(3)
MM(3)
MM Dupla (3)
8,00
11,00
14,00
17,00
20,00
23,00
26,00
29,00
32,00
35,00
38,00
41,00
6,00
6,00
6,00
6,00
6,00
6,00
6,00
6,00
6,00
6,00
6,00
6,00
Previso 1
passo
frente =
Diferena
Erro de
entre
MM(3) +
Previso 1
MM(3) e
(MM(3)passo frente
MM Dupla MMDup(3)) +
usando MM
(3)
tendncia
Dupla
11,00
14,00
17,00
20,00
23,00
26,00
29,00
32,00
35,00
38,00
41,00
3,00
3,00
3,00
3,00
3,00
3,00
3,00
3,00
3,00
3,00
3,00
20,00
23,00
26,00
29,00
32,00
35,00
38,00
41,00
44,00
47,00
0,00
0,00
0,00
0,00
0,00
0,00
0,00
0,00
0,00
0,00
Exemplo 5.2.4.
Considere o exemplo anterior, mas agora adicione um erro aleatrio Zt. O modelo gerador destes
dados : Zt = 2 + 3.t + et onde os ets so rudos aleatrios independentes Normais, com mdia zero
e varincia . Refaa o exemplo anterior e note que os erros de previso um passo frente usando
mdias mveis simples so consideravelmente maiores que os erros encontrados quando usamos a
equao (5.2.15) para prever Zt. Calcule a soma do quadrado dos erros de previso um passo
frente segundo os dois mtodos.
Instante
t
Erros
(e(t))
Srie
(Z(t))
MM(3)
Erro de
Previso 1
Erro de
passo frente Previso 1
Previso 1 Previso 1
passo
= MM(3) +
passo
passo
Diferena
frente de Z(t)
frente
entre MM(3)
(MM(3)frente
usando
e MM Dupla MMDup(3)) +
usando
usando
MM(3)
tendncia
MMDupla
MM(3)
MM Dupla (3)
(3)
-0,150
4,850
-0,639
7,361
0,122
11,122
7,778
0,638
14,638
11,041
7,778
6,861
0,599
17,599
14,453
11,041
6,559
11,090
3,363
0,867
20,867
17,701
14,453
6,413
14,398
3,303
21,179
-0,31
-1,092
21,908
20,125
17,701
4,207
17,426
2,698
24,307
-2,40
-0,117
25,883
22,886
20,125
5,758
20,237
2,649
25,521
0,36
219
0,548
29,548
25,780
22,886
6,662
22,930
2,850
28,183
1,36
10
-0,543
31,457
28,962
25,780
5,677
25,876
3,086
31,479
-0,02
11
-0,345
34,655
31,886
28,962
5,693
28,876
3,010
35,135
-0,48
12
-0,845
37,155
34,422
31,886
5,268
31,757
2,665
37,907
-0,75
13
-0,923
40,077
37,295
34,422
5,654
34,535
2,761
39,752
0,32
14
-0,489
43,511
40,248
37,295
6,216
37,322
2,926
42,817
0,69
15
-0,387
46,613
43,400
40,248
6,366
40,314
3,086
46,099
0,51
Exemplo 5.2.5.
No grfico a seguir mostramos o consumo comercial de energia eltrica anual no Brasil no perodo
1963 a 1998, e os resultados do ajuste de um modelo de Holt srie.
Consumo Comercial (GWh)
45,000
40,000
35,000
30,000
25,000
20,000
15,000
10,000
5,000
0
1963
1965
1967
1969
1971
1973
1975
1977
1979
1981
Componente
Constante de
Amortecimento
Valor Final
Nvel
Tendncia
0.8086
0.9994
41539
3536
1983
1985
1987
1989
1991
1993
1995
1997
1999
As previses geradas pelo modelo para o perodo 1999-2002 so indicadas a seguir, assim como os
respectivos erros de previso em 1999 e 2000.
Ano
1999
2000
2001
2002
Limite Inferior
Previso
(2.5%)
42,949
44,570
46,842
49,362
Previso
Limite
Superior
Previso
(97.5%)
Valor Real
45,074
48,610
52,145
55,681
47,199
52,650
57,448
62,000
43,583
47,365
Erro
Percentual
Absoluto de
Previso
3.4%
2.6%
220
Analogamente aos modelos constante e linear, existem diversos mtodos para a estimao dos
parmetros que especificam o nvel da srie. Aqui, ao contrrio dos casos anteriores, no iremos
exibir em detalhes as equaes de atualizao.
SSE =
t =1
M[3]
T =
M T[ 2] + M T[ 2]1 + ... + M T[ 2] N +1
N
(5.2.20)
221
Os estimadores dos parmetros do modelo so obtidos como funes das mdias mveis simples,
dupla e tripla.
a i (T ) = f i [ M T , M T[ 2 ] , M T[ 3 ] ] ; i = 1, 2, 3
3) Amortecimento Exponencial
M T = ZT + (1 ) M T 1
M T[ 2] = M T + (1 ) M T[ 2]1
M T[3] = M T[3] + (1 ) M T[3]1
Onde [0,1] a nica constante de amortecimento usada para atualizar todas as mdias mveis.
Os estimadores dos parmetros a1, a2 e a3 (correspondentes origem transladada para o instante T)
no instante T so obtidos atravs das equaes:
(1 )(2 ) a (T )
1
M T = a1 (T )
a 2 (T ) +
3
2. 2
MT
[ 2]
2(1 )(3 2 )
1
= a1 (T ) 2
a 3 (T )
a 2 (T ) +
2. 2
MT
[ 3]
3.(1 )(4 3 )
1
= a1 (T ) 3
a 3 (T )
a 2 (T ) +
2. 2
222
Existem dois tipos de modelos para a sazonalidade: modelos aditivos e multiplicativos. Nos
modelos aditivos, o padro sazonal no se altera medida que o nvel da srie muda. Ao contrrio,
nos modelos multiplicativos, a sazonalidade da srie afetada pelo nvel da mesma, como indicado
nos grficos a seguir.
MODELO ADITIVO
Zt = (t) + t + t
MODELO MULTIPLICATIVO
Zt = (t) . t . t ou Zt = (t) . t + t
(5.3.1)
Neste caso precisamos estimar o nvel da srie (a1) e os fatores sazonais t para todos os meses t.
Note que, no caso de dados mensais, precisamos estimar 12 fatores sazonais e o nvel, ou seja,
existem 13 parmetros a serem estimados. No caso de dados trimestrais, existem 4 fatores sazonais
(e tambm o nvel), o que resulta na estimao de 5 parmetros. Na verdade, se S o perodo
sazonal, existem S fatores sazonais a serem estimados, mas a soma destes fatores est sujeita a
uma restrio, e na prtica o nmero de fatores sazonais a serem estimados S 1. Logo, na
prtica, no modelo mensal devemos estimar 11 fatores sazonais (pois o remanescente obtido a
partir da restrio).
223
Z T (k ) = E{Z T + k | Z T } = a1 (T ). T + k (T )
(5.3.2)
T + k (T )
T + k (T )
ZT
a1 (T ) =
+ (1 ).a1 (T 1)
(
T
1
)
m (T )
Z
m (T ) (T ) = T + (1 ). m (T ) (T 1)
a1 (T )
(5.3.3)
(5.3.4)
Note que, nas equaes (5.3.3) e (5.3.4) so usadas duas constantes de amortecimento diferentes,
uma para o nvel e outra para o fator sazonal.
Alm disso, uma caracterstica importante da atualizao do fator sazonal : ele s muda quando
recebemos uma informao referente ao ms m(T). Por exemplo, o fator sazonal referente ao ms
de maio s atualizado quando recebemos uma informao relativa a este ms. Ou seja:
Em seguida, os fatores sazonais estimados so normalizados, de tal forma que a sua soma seja igual
ao perodo sazonal (S). Esta condio de normalizao vlida para fatores sazonais multiplicativos.
No caso de fatores aditivos, sua soma (para todos os meses) zero.
S
j =1
(T ) = S
(5.3.5)
ZS
Mdia do Ano 1
ZS+2
...
Z2S
Mdia do Ano 2
.
ZJS -(S-2)
...
...
.
ZJS
Mdia do Ano J
Ano 1
Z1
Z2
Ano 2
ZS+1
Ano J
.
ZJS -(S-1)
Z (1)
Z (2)
Z (J )
J = T/S
224
C1 =
...
Z1
Z (1)
...
CJS ( S 1) =
CS =
...
...
Z JS ( S 1)
Z(J)
ZS
Z (1)
...
CJS =
Z JS
Z(J)
O fator sazonal grosseiro para o ms i apenas a observao Zi dividida pela mdia do ano
correspondente. Este procedimento simples funciona bem desde que a srie no apresente
componente de tendncia, Do contrrio, se existe tendncia, as estimativas dos fatores sazonais
encontradas por este mtodo iro conter componentes de tendncia, e as previses resultantes sero
prejudicadas.
Note que, neste passo, encontramos J (um para cada ano em que existem dados) fatores sazonais
para cada ms. No passo seguinte tomamos a mdia destes J fatores para obter um nico fator
sazonal para o ms i.
i (0) =
C
i =1
*
i
225
(5.3.6)
Neste caso precisamos estimar o nvel da srie (a1), sua taxa de crescimento (a2) e os fatores
sazonais t para todos os meses t. A atualizao de parmetros feita seqencialmente, pelo
mtodo de Holt-Winters descrito a seguir.
Suponha que no instante T-1 conhecemos as estimativas do nvel, taxa de crescimento e fatores
sazonais dadas por: a1 (T 1), a 2 (T 1) e j (T 1) . O procedimento de atualizao bem
semelhante ao apresentado antes (modelo com nvel constante e sazonalidade multiplicativa). A
grande diferena em relao ao modelo da seo 5.3.1. que agora temos mais uma quantidade a
ser atualizada seqencialmente, a taxa de crescimento a2.
ZT
a1 (T ) =
+ (1 )[a1 (T 1) + a 2 (T 1)]
m (T ) (T 1)
Note que, do lado direito da equao (5.3.7), o termo
ZT
m (T ) (T 1)
(5.3.7)
representa a observao do
instante T dessazonalizada.
Atualizao da tendncia
(5.3.8)
A equao de atualizao da tendncia exatamente igual do mtodo de Holt (usado para sries
com tendncia linear e sem sazonalidade), como indicado na expresso (5.2.19). Note que o termo
a1 (T ) a1 (T 1) a diferena entre os nveis estimados nos instantes T e T-1.
m* (T ) = T + (1 ) m (T ) (T 1)
a1 (T )
(5.3.9)
(5.3.10)
A atualizao dos fatores sazonais feita apenas no ms correspondente ao fator sazonal que se
procura estimar. Logo, pela equao (5.3.10) segue que o fator sazonal permanece fixo at
recebermos a informao relativa ao ms atual. Quando esta informao recebida (isto , quando o
instante T corresponde ao ms m(T)), o fator sazonal estimado atravs da expresso (5.3.9). Nesta
equao nota-se que o fator sazonal correspondente ao ms m(T) atualizado no instante T uma
226
mdia ponderada da estimativa feita no ano passado para o fator deste ms e tambm da
observao sem o nvel (dada por
ZT
).
a1 (T )
* (T )
.S
j (T ) = S j
*
j (T )
j =1
O objetivo desta normalizao fazer com que os fatores sazonais encontrados pela equao (5.3.9)
tenham soma igual a S (perodo sazonal).
Z T + k (T ) = [a1 (T ) + k .a 2 (T )] m (T + k ) (T )
(5.3.11)
Inicializao do Mtodo
A exemplo do que fizemos na seo anterior, aqui encontramos estimativas iniciais para o nvel, taxa
de crescimento e fatores sazonais.
Sejam Z (1) , Z ( 2) ,...., Z ( J ) as mdias anuais, onde J o ltimo ano disponvel.
A estimativa inicial da taxa de crescimento :
Z ( J ) Z (1)
a 2 (0) =
(J 1)S
A estimativa inicial do nvel :
(S + 1) a (0)
a1 (0 ) = Z (1)
2
2
A estimativa inicial dos fatores sazonais :
Zt
Ct =
onde t = 1, 2, ...., JS e i o ano correspondente ao instante t.
Z S + 1 m(t ).a (0)
2
(i ) 2
227
a1 (T ) = Z T m (T ) (T 1) + (1 )[a1 (T 1) + a 2 (T 1)]
Note que, do lado direito da equao (5.3.12), o termo Z T m (T ) (T 1)
(5.3.12)
representa a observao
do instante T dessazonalizada.
Atualizao da tendncia
(5.3.13)
m* (T ) = [Z T a1 (T )] + (1 ) m (T ) (T 1)
(5.3.14)
(5.3.15)
Note que, em (5.3.14), o termo Z T a1 (T ) uma medida da variao sazonal dos dados, obtida
pela diferena entre a observao atual e a estimativa mais recente do nvel.
Da equao (5.3.15) conclui-se que as estimativas de cada fator sazonal s so atualizadas uma vez
a cada ano, quando observamos o dado correspondente quele ms.
A previso 1 passo frente no instante T obtida substituindo-se os parmetros desconhecidos a1,
a2 e por suas estimativas, isto :
Z T +1 (T ) = [a1 (T ) + a 2 (T )] + m (T +1) (T )
(5.3.16)
importante lembrar que os fatores sazonais aditivos sofrem uma restrio diferente dos fatores
multiplicativos. No caso dos fatores aditivos, a sua soma (para todos os meses) zero.
Inicializao do mtodo
Montgomery e Johnson sugerem obter as estimativas iniciais dos parmetros atravs de um
procedimento de mnimos quadrados ordinrios, que permite a estimao simultnea dos S + 2
parmetros desconhecidos.
228
Exemplo 5.3.1.
O prximo grfico exibe o nvel dos reservatrios (isto , a combinao das usinas hidroeltricas) na
regio Sudeste do Brasil entre Janeiro de 1989 e Agosto de 2001.
90
80
70
60
50
40
30
20
10
ja
n/
89
ju
l/8
9
ja
n/
90
ju
l/9
0
ja
n/
91
ju
l/9
1
ja
n/
92
ju
l/9
2
ja
n/
93
ju
l/9
3
ja
n/
94
ju
l/9
4
ja
n/
95
ju
l/9
5
ja
n/
96
ju
l/9
6
ja
n/
97
ju
l/9
7
ja
n/
98
ju
l/9
8
ja
n/
99
ju
l/9
9
ja
n/
00
ju
l/0
0
ja
n/
01
ju
l/0
1
Valor
Final
25.109
-0.179
1.028
1.181
1.282
1.241
1.176
1.126
1.052
0.936
0.877
0.751
0.727
0.829
229
Este modelo foi ento ajustado at Dezembro de 2000 e as previses obtidas para o perodo entre
Janeiro e Agosto de 2001 para testar sua capacidade preditiva. A prxima tabela apresenta os
valores reais e ajustados no perodo, alm dos erros percentuais de previso.
Limite
Erro de
Superior
previso
Limite Inferior
do IC 95% Previso do IC 95% Valor Real (em %)
Data
jan/01
24.3
48.9
-5.2
36.6
31.4
fev/01
27.4
59.0
-9.8
43.2
33.4
mar/01
28.1
65.1
-12.1
46.6
34.5
abr/01
24.6
63.7
-12.0
44.2
32.2
mai/01
20.7
61.2
-11.2
40.9
29.7
jun/01
17.2
59.0
-9.6
38.1
28.6
jul/01
13.7
56.3
-8.2
35.0
26.8
ago/01
9.4
52.3
-7.4
30.9
23.5
Erro de
previso
(em %)
-5.2
-5.8
-4.1
-2.5
-1.4
0.1
0.4
-0.1