Escolar Documentos
Profissional Documentos
Cultura Documentos
Angela P. Ansuj
Maria Emlia Camargo
Deoclcio Gomes Petry
Programa de Ps-Graduao em Mtodos Quantitativos
Departamento de Estatstica - Centro de Cincias Naturais e Exatas - UFSM
Santa Maria, RS.
RESUMO
Aplicou-se os modelos ARIMA e de retropropagao na anlise do comportamento da srie de vendas de uma
empresa de pDI1e mdio de Santa Maria, no perodo de janeiro de 1979 a dezembro de 1989. Inicialmente, avaliou-se
os dados a partir de uma anlise exploratria e das funes de autocorrelao e de autocorrelao parcial, com o
objetivo de verilicar a existncia de componentes sazonais, de no estacionaridade e aleatoriedade dos dados. O
nmero de unidades da camada inte.mediria foi determinado por tentativas. Utilizou-se a anlise da srie residual
p"1'3 detelminar o modelo mais adequado aos dados, bem como para escoUter a meUtor rede. A previso pontual obtida
"travs da rede Neural foi superior ao modelo ARIMA de Box-Jenkins.
58
PRODUO
Esse evento externo, cujos efeitos inf1uenciam a srie em estudo, deve ser incorporado
ao modelo, como uma informao adicional
srie. Esta incorporao de informao chama-se de interveno. modelo de interveno pode ser representado por:
Introduo
tj
(I)
t
f(k, x, t)
L
j=l
w j (B)
a, (B)
tj
+ Tl t
(2)
Metodologias
As sries indicadoras de intervenes podem ser representadas por trs tipos de variveis binrias.
Seja uma srie temporal para a qual veriticou-se e estimou-se um modelo ARIMA com
o qual vm se fazendo previses h algum
tempo; num dado instante ocorre um evento
independente do fenmeno que originou a
srie temporal, mas cujos efeitos podem se
manifestar sobre ela.
59
previso
Y=
(x, -
xl
MSE=
k -
tss
RMSE = .JMSE
4 - a camada de sada composta de uma
nica unidade e portadora da informao desejada: a previso;
RMSE
nRMSE=---
as
arv (average relative variance) = nRMSE2
60
PRODUO
Modelos estimados
Anlise Preliminar
Varincia = 0.00227
Inicialmente avaliou-se os dados a partir
de uma anlise exploratria e das funes de
autocorrelao e de autocorrelao parcial,
verificando-se a existncia de componentes
sazonais, de no estacionariedade e aleatoriedade dos dados.
XII~
~t~ 1
Xlt~2
X4t~3
X5t~2
<\lI
86
1;1
1;2
1;3
1;4
1;5
-0.37774
-056638
-0.14228
-0.22293
-0.17447
-0.11857
-0.99164
Instante
Perodo
99
MAR/87
131
NOV/89
123
MAR/89
115, 127, ... JUN/88
108
DEV87
-4.05
-6.45
-4.93
-5.06
-4.21
3.37
2.99
R2 = 0.98015
AIC = -5.9484
BIC = -5.7841
Treinamento
Rede Neural
Arquitetura
- 12 unidades sazonais
O O.... O
O O.... O
O O
O.... O
O O O I .... O
Concluso
........................
A srie de vendas apresentou uma sazonalidade marcante, para a qual foi necessrio 12
unidades binrias (O ou I) para determinar o
peso relativo e o ms.
O O O O.... I
ii) duas unidades na camada escondida;
62
PRODUO
o modelo obtido pela rede neural foi superior ao modelo ARlMA, tanto no ajuste como
na previso.
Referncias
Bibliogrficas
63