Universidade Federal do Cear - UFC

Pr-reitoria de Pesquisa e Ps-Graduao

Mestrado em Gesto Logstica
Seminrios de Pesquisa II Prof. Bosco Arruda

APLICAO DE ANLISE DE SRIES

TEMPORAIS MULTIVARIADAS NA TOMADA DE
DECISES DE PROCESSOS LOGSTICOS DO
COMRCIO EXTERIOR CEARENSE

Aluno: Diego Duarte Lima

Orientadora: Slvia Maria Freitas

2012
Roteiro
Introduo
Justificativa
Objetivos
Comrcio Exterior
Anlise de Sries Temporais Multivariadas
Resultados para os principais setores
Cronograma
Referncias Bibliogrficas

GESLOG 2
Introduo
O desenvolvimento industrial no Cear observado na ltima
dcada, pelas ampliaes do distrito industrial, aeroporto e
portos e dos planos siderrgica e refinaria requerem das
empresas uma sistematizao avanada, de sua produo,
distribuio e comercializao de produtos. Esta sistematizao
pode ser otimizada pelo estudo do comportamento da demanda
dos mercados. Mtodos estatsticos robustos podem ento ser
aplicados a fim de mensurar, qualificar e prever estas demandas.
Este trabalho apresentar a utilizao de mtodos estatsticos
de modelagem de dados, para previso de demandas. Sero
utilizados modelos univariados e multivariados na rea de sries
temporais, mtodos de anlise multivariada podem ser aplicados
quando da necessidade de identificao de variveis
correlacionadas, para a aplicao dos mtodos de previso
anteriormente citados.

GESLOG 3
Justificativa
Em meio ao desenvolvimento industrial e comercial no
Estado v-se a necessidade da implementao da logstica
nos diversos segmentos dos setores citados. Analisar e
otimizar os modais de distribuio de mercadorias e
produtos assim como os sistemas de transportes so atuais
e importantes objetos de estudo da logstica. Previamente
a estas anlises nos deparamos com a motivao de
identificar futuras demandas para evitar excessos ou faltas
no processo logstico final, reduzindo assim as percas e
maximizando lucros.
Desta forma a aplicao de mtodos estatsticos de
identificao de variveis e de modelagem no tempo para
identificao de informaes futuras se encaixam dentro
do processo de produtividade logstica.

GESLOG 4
Objetivos
Geral:
Apresentar comunidade a aplicao de modelagem de dados no
tempo para previso e estabelecimento de parmetros mais
precisos para a tomada de decises nos processos logsticos.

Especficos:
Implementar mtodos de Anlise de Sries Temporais
Multivariadas como ferramenta de previso de demanda aos dados
de comrcio exterior cearense que integram processos logsticos
como controle de estoques e aquisio de suprimentos;
Apresentar o principal modelo de previso para cada um dos cinco
principais setores das exportaes cearenses.
Aplicar os dados inferidos por intermdio dos modelos estatsticos
nos processos logsticos gerando decises mais concisas e
precisas.

GESLOG 5
Estrutura da Dissertao

Captulo 1 Introduo, Justificativa e

Objetivos
Captulo 2 Comrcio Exterior Cearense
Captulo 3 Anlise de Sries Temporais
Multivariadas
Captulo 4 Aplicao Metodolgica nos
Dados de Comex
Captulo 5 Inferncias e Concluses

GESLOG 6
Comrcio Exterior Cearense
A poltica de industrializao do Cear teve incio em meados dos anos
1980, baseada na estratgia de concesses financeiras e apoio de
infraestrutura. Vale ressaltar que os setores de maiores investimentos
foram: metal-mecnico, papelaria, qumica, cermicas, txteis,
vesturio, produtos alimentares, mveis domsticos, caladista e seus
subsidirios.
Porm, durante a dcada de 90 que o Cear comea a dar resposta a
sua poltica de industrializao. Nesse perodo tambm aconteceu a
implantao do Plano Real, que conforme visto anteriormente
possibilitou o crescimento das importaes. O Cear passou a importar
mais bens industrializados, como mquinas, aparelhos e material
eltrico, produtos metalrgicos.
As exportaes, a partir de 2000, ganharam mais destaque com o
crescimento do valor exportado de calados e suas partes, castanha-de-
caju, produtos metalrgicos, produtos txteis e produtos alimentares.
Isso mostra o reflexo da poltica de industrializao do Estado.

GESLOG 7
Exportaes Cearenses 2011

GESLOG 8
Exportaes Cearenses de
Castanha de Caju
OBS ANO MS VALOR VOLUME
1 1996 1 11.648.128 2.503.838
2 1996 2 10.542.422 2.262.817
3 1996 3 9.251.767 2.111.508
4 1996 4 17.425.469 3.740.642
5 1996 5 14.161.868 2.892.682
6 1996 6 9.420.196 2.006.250
7 1996 7 14.817.243 3.092.214
8 1996 8 14.057.788 3.067.239
9 1996 9 12.574.342 2.762.810
10 1996 10 9.783.230 2.313.757
11 1996 11 12.536.568 2.819.545
12 1996 12 13.765.983 3.118.954
13 1997 1 14.296.504 3.360.870
... ... ... ... ...
154 2008 10 6.404.103 1.056.752
155 2008 11 9.373.377 1.586.829
156 2008 12 11.980.022 2.339.124

GESLOG 9
Grfico da Srie

GESLOG 10
Tendncia e Sazonalidade das
Variveis da Srie
Teste de Tendncia
-H0: No existe tendncia na srie
-H1: Existe tendncia na srie
O teste utilizado para investigar estas hipteses foi o teste
de Cox e Stuart (teste do sinal - no paramtrico).
Varivel Valor:
Rejeitamos a Hiptese H0, ou seja, existe tendncia a 5%
de significncia.
Varivel Volume:
Rejeitamos a Hiptese H0, ou seja, existe tendncia a 5%
de significncia.

GESLOG 11
Tendncia e Sazonalidade das
Variveis da Srie
Teste de Sazonalidade
-Ho: No existe sazonalidade determinstica
-H1: Existe sazonalidade determinstica
Para testar a existncia de sazonalidade foi aplicado o teste
de Friedman (teste no paramtrico).
Varivel Valor:
Como T-calc(16.01775) < T-tab(19.67514) , aceitamos a
hiptese H0, a um nvel de significncia de 5% , portanto,
podemos concluir que no existe sazonalidade.
Varivel Volume:
Como T-calc(19.52071) < T-tab(19.67514), aceitamos a
hiptese H0, a um nvel de significncia de: 5%, portanto,
podemos concluir que no existe sazonalidade.

GESLOG 12
Modelo ARIMA
Modelo Autoregressivo Integrado de Mdias Mveis
Def.: Seja Zt uma srie temporal no-estacionria. Se
estacionria e uma diferena de Zt, ento Zt uma
integral de Wt, da dizemos que Zt segue um modelo
autoregressivo integrado de mdias mveis, ou modelo
ARIMA (p,d,q), BEZZERRA (2006),

de ordem (p,d,q), p e q so as ordens do modelo

autoregressivo e modelo mdias mveis, respectivamente e
at a componente aleatria suposta rudo branco, com
mdia zero e varincia constante.

GESLOG 13
Estatsticas Descritivas
Name of Variable = VALOR

Mean of Working Series

10.801.395
Standard Deviation
2.895.923
Number of Observations
156 Name of Variable = VALOR
Period(s) of Differencing 1
Mean of Working Series 2.141,252
Standard Deviation 2.356.551
Number of Observations 155
Observation(s) eliminated by differencing 1

GESLOG 14
Autocorrelaes

GESLOG 15
Estimao
Maximum Likelihood Estimation

Iter Loglike MA1,1 MA1,2

Lambda R Crit

0 -2474.2 0.50278 0.14585

0.00001 1
1 -2474.2 0.49996 0.14450 1E-6
0.004666
2 Standard 0.50021
-2474.2 0.14468 Approx
1E-7
Parameter
0.000474 Estimate Error t Value Pr > |t|
Lag 3 -2474.2 0.50020 0.14467 0.1
0.000053
MA1,1 0.50020 0.08029 6.23 <.0001
1
MA1,2 0.14467 0.08095 1.79 0.0739
2
GESLOG 16
Correlao dos Parmetros
Estimados
Correlations of Parameter Estimates
Parameter MA1,1 MA1,2
MA1,1 1.000 -0.576
MA1,2 -0.576 1.000

GESLOG 17
 Diagnstico do Modelo
Autocorrelation Check of Residuals

Lag Chi-Square DF Pr>ChiSq

---------------------Autocorrelations-------------------

6 5.14 4 0.2733 -0.016 -0.049 0.101 -0.037

0.058 -0.119
12 10.83 10 0.3710 0.105 0.017 0.116 -0.084
-0.015 0.046
18 16.50 16 0.4188 -0.141 0.007 -0.067 -0.087
-0.020 -0.024
24 25.70 22 0.2647 -0.138 0.010 -0.102 -0.091
0.066 0.090
30 32.53 28 0.2533 0.070 -0.108 -0.022 -0.074
-0.037 -0.108

GESLOG 18
Previses
Forecasts for variable VALOR

Obs Forecast Std Error 95% Confidence

Limits

157 10674895.4 2082045 6594162.9

14755627.8
158 10320252.4 2327613 5758213.8
14882290.9
159 10320252.4 2442234 5533561.1
15106943.7
160 10320252.4 2551712 5318989.3
15321515.4
161 10320252.4 2656682 5113252.3
15527252.5
162 10320252.4 2757659 4915340.9
15725163.9
163 10320252.4
GESLOG
2855067 4724424.8 19
15916080.0
Modelo ARMAV
Modelo Autoregressivo Mdias Mveis Vetorial
Este mtodo, proposto por PANDIT e WU (1983), consiste
basicamente em ajustar sucessivamente modelos ARMAV (n,
n-1) para n = 1, 2, ... , at que uma reduo no significativa
no determinante da matriz da soma de quadrados e produtos
cruzados (SQP) dos resduos seja obtida.
A reduo do determinante da matriz SQP pode ser julgada
atravs do teste de Wilks, tambm denominado critrio F, que
dado pela razo de dois determinantes, ou seja:

Onde A0 a matriz SQP do modelo ajustado sem restrio

(modelo com mais parmetros) e A 1 a matriz SQP do modelo
ajustado com restrio (modelo com menos parmetros).

GESLOG 20
Modelo ARMAV
O critrio baseado na seguinte estatstica:

onde

r = m x nmeros de parmetros
s = m x nmeros de parmetros restritos a zero
T = nmero de observaes
m = nmero de sries

GESLOG 21
Critrios de Ajustamento
O critrio do erro de predio final (FPE) foi desenvolvido
por Akaike para selecionar a ordem de modelos auto-
regressivos. O FPE definido como sendo o erro de
predio do modelo ajustado. O procedimento consiste em
ajustar auto-regresses de ordem k = 0,1, ... , L a uma
srie Yt usando mnimos quadrados. Ento a estatstica:

calculada para cada ordem. A ordem com o menor valor

de FPE(k) ento selecionada como a melhor.

GESLOG 22
Estimao
The VARMAX Procedure
Type of Model
VAR(2)

AR Coefficient Estimates

Lag Variable VALOR

VOLUME
1 VALOR -0.23691
-1.09820
VOLUME -0.02882
-0.34707
2 VALOR -0.26050
-0.43483
VOLUME -0.04109
-0.15663

GESLOG 23
Diagnstico do Modelo
Portmanteau Test for Cross Correlations of
Residuals

Lag DF Chi-Square
Pr > ChiSq
3 4 5.32
0.2558

GESLOG 24
 Previses
Forecasts

Variable Obs Forecast Stand. Error 95% Confidence

VALOR 157 9532337.2683 2117451.9222 5382207.7618

13682466.775
158 9700480.3858 2407898.8196 4981085.4209
14419875.351
159 10496866.951 2560056.6485 5479248.1216
15514485.780
160 10064370.478 2887274.1300 4405417.1699
15723323.786
161 9988859.0100 3130938.5908 3852332.1342
16125385.886
162 10175741.555 3320765.9044 3667159.9807
16684323.128
163 10113872.993 3530642.8823 3193940.1016
GESLOG 25
Modelo Espao de Estados
Esta metodologia proposta por AKAIKE (1976) considera a
representao de um modelo em espao de estados dada
pelas equaes de atualizao e observao,
respectivamente:

GESLOG 26
Anlise de Correlao
Cannica
Com o objetivo de determinar a dimenso do vetor v , AKAIKE
t
(1976) introduziu o conceito de realizao mnima, que
obtida atravs de uma anlise de correlaes cannicas entre o
conjunto de observaes passadas YPt e futuras YFt, onde

A anlise de correlao cannica seleciona uma combinao

linear das variveis dos vetores YP e YF de dimenses k1 e k2,
respectivamente, da forma

Calcula-se ento os coeficientes de correlaes C 1, C2, ...

Supondo que a partir de k todos os coeficientes sejam
significativamente nulos, ento k a dimenso de vt.

GESLOG 27
Identificao

Information Criterion for Autoregressive Models

Lag=0 Lag=1 Lag=2 Lag=3 Lag=4 Lag=5

8177.002 8163.308 8152.433 8157.25 8160.217
8165.287
Lag=6 Lag=7 Lag=8 Lag=9 Lag=10
8160.534 8167.882 8172.123 8173.838 8179.26

GESLOG 28
Estimao
Yule-Walker Estimates for Minimum AIC

--------Lag=1-------
--------Lag=2-------
VALOR VOLUME VALOR
VOLUME

VALOR -0.27789 -0.82411 -0.25038

-0.39694
VOLUME -0.03783 -0.28767 -0.03886
-0.14858

GESLOG 29
Modelo Estimado
State Vector
VALOR(T;T) VOLUME(T;T)
VALOR(T+1;T)
Estimate of Transition
Matrix
0 0 1
0.018984 -0.10796
0.209596
Input Matrix for
-0.30186 0.924391
Innovation
0.098893
1 0
0 1
-0.35918
-0.74633 Variance Matrix for
Innovation
4.316E12 8.847E11
8.847E11 1.956E11

GESLOG 30
Parmetros Estimados
Parameter Estimates
Parameter Estimate Std.
Error t Value

F(2,1) 0.018984
0.017365 1.09
F(2,2) -0.10796
0.079800 -1.35
F(2,3) 0.209596
0.012041 17.41
F(3,1) -0.30186
0.323916 -0.93
F(3,2) 0.924391
1.466720 0.63
F(3,3) 0.098893
0.158500 0.62
G(3,1)GESLOG-0.35918 31
0.295704 -1.21
Previses
OBS VALOR FOR1 RES1 STD1 VOLUME FOR2 RE
STD2

157 . 10045262.63 . 2077515.08 . 1900207.53

442321.78
158 . 9766066.35 . 2313255.13 . 1850677.35
491850.74
159 . 9920305.21 . 2409700.88 . 1881385.28
520675.85
160 . 9977608.72 . 2523888.59 . 1891341.93
552364.50
161 . 9968661.78 . 2647249.68 . 1887812.79
584527.74
162 . 9963241.51 . 2764325.53 . 1885221.03
614755.03
163 . 9965702.06 . 2875038.57 . 1884246.81
643303.93
164 . 9968743.91 .
GESLOG 2981535.84 . 1883369.42
32
Consideraes Finais
Aps analisar o ajuste dos trs modelos citados e suas
respectivas previses, conclui-se que o modelo Armav foi o
que mais se adequou aos dados de exportao do setor de
Castanha de Caju. Estimando intervalos de confiana
consistentes aos dados reais subseqentes srie.

GESLOG 33
Cronograma

GESLOG 34
Referncias Bibliogrficas
1. ROCHA, Enivaldo Carvalho; PEREIRA, Basilio de Bragana.
Mtodos Automticos de Previso de Sries Temporais
Multivariadas. Revista Brasileira de Estatstica, Rio de
Janeiro, v. 58, n.209, p. 105-146, UFRJ-IME, 1997.
2. PEREIRA, Basilio de Bragana. Sries Temporais
Multivariadas. 6 Simpsio Nacional de Probabilidade e
Estatstica. Rio de Janeiro,UFRJ-IME, 1984.
3. BEZERRA, Manoel Ivanildo Silvestre. Apostila de Anlise de
Sries Temporais. So Paulo, 2006. Disponvel em
http://www.scribd.com/doc/5515941/Apostila-Series-Tempor
ais
. Acesso em 3/abril/2009
4. MORETTIN, Pedro A.; TOLOI Cllia M.C.. Anlise de Sries
Temporais. 2 Edio, So Paulo, Edgard Blucher , 2006.
5. BROCKLEBANK, John C.; DICKEY, David A.. SAS for
Forecasting Time Series. 2 Edio, Cary, John Wiley, 2003.

GESLOG 35