Você está na página 1de 55

Minerao e Previso de Sries

Temporais

Tiago Alessandro Espnola Ferreira
taef@cin.ufpe.br



Recife 2
o
Semestre de 2001
Sumrio
Introduo
Sries Temporais
Modelos Automticos
Modelos de Box & Jenkins - ARIMA
Aplicaes do Modelo ARIMA
Concluses
Introduo
Previso um elemento chave na tomada de deciso
Sistema de
Previso
Planejamento
de Produo
Planejamento
Financeiro
Gerenciamento
de Estoque
Escalonamento
de Pessoal
Planejamento de
Oportunidades
Controle de
Processo
Previso
Previso
Predio de eventos futuros, com o
intuito de diminuio de risco na
tomada de deciso.
Erro
Ponto timo!
Custo da
Previso
Custo Total
Perdas Devido
a Incerteza
Custo Vs Benefcio
Deciso
Baseando-se em sistemas de Previso:
+ =
Deciso
Previso Erro
Algumas Definies
Perodo da Previso Unidade bsica de tempo
na previso.
Horizonte da Previso No. de perodos cobertos.
Intervalo de Previso Freqncia de atualizao
Poderamos requerer uma previso para as prximas dez
semanas, com uma anlise semanal, assim o horizonte seria
dez semanas e o perodo de uma semana
Sries temporais
Uma srie temporal uma seqncia de
observaes sobre uma varivel de interesse. A
varivel observada em pontos temporais discretos,
usualmente eqidistantes, e a anlise de tal
comportamento temporal envolve a descrio do
processo ou fenmeno que gera a seqncia.
Padres de Sries Temporais
Processamentos que permanecem constantes sobre
um certo nvel todo o tempo, com variaes de
perodo a perodo devido a causas aleatrias.
Padres que ilustram tendncias no nvel dos
processos, de maneira que a variao de um perodo
ao outro atribuda a uma tendncia mais uma
variao aleatria.
Processos que variam ciclicamente no tempo,
como em processos sazonais (exemplo: o clima).
Modelos de Previso de Sries
Temporais
Os procedimentos de previso de sries
temporais podem ser divididos, grosseiramente, em
duas categorias:
a) Automticos, que so aplicados diretamente, com
a estilizao de programas simples de computador;
b) No-Automticos, que exigem a interveno de
pessoal especializado, para serem aplicados
Modelos Automticos
Previso de Sries Localmente Constantes

N t a Z
t t t
, , 1 , = + =

t
o nvel da srie
A
t
um rudo branco
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1
0 10 20 30 40 50 60 70 80 90 100
Mdias Mveis Simples
(MMS)

r
Z Z Z
M
r t t t
t
1 1 +
+ + +
=

Clculo da mdia aritmtica
das r ltimas observaes
Previso

( )
t t
M h Z =

Principal Vantagem:
Simples Utilizao
Principal desvantagem:
Determinao de r
Exemplo de MMS
( ) 1
2
1
=

r
t
Z

( ) 1
3
1
=

r
t
Z

( ) 1
4
1
=

r
t
Z

( ) 1
5
1
=

r
t
Z

( ) 1
2
1
=

r
t
Z

( ) 1
3
1
=

r
t
Z

( ) 1
4
1
=

r
t
Z

( ) 1
5
1
=

r
t
Z

1

1095,10









2

1067,10









3

1364,30

1081,10







4

1510,90

1215,70

1175,50





5

1260,20

1437,60

1314,10

1259,35



6

1229,50

1385,55

1378,47

1300,63

1259,52

7

1205,60

1244,85

1333,53

1341,23

1286,40

8

1237,60

1217,55

1231,77

1301,55

1314,10

9

1414,60

1221,60

1224,23

1233,23

1288,76

10

1299,30

1326,10

1285,93

1271,83

1269,50

11

1420,60

1356,95

1317,17

1289,28

1277,32

12

1360,30

1359,95

1378,17

1343,03

1315,54

13

1304,40

1390,45

1360,07

1373,70

1346,48

14

1213,20

1332,35

1361,77

1346,15

1359,84

15

1360,60

1258,80

1292,63

1324,63

1319,56

16

1587,60

1286,90

1292,73

1309,63

1331,82

17

1431,60

1474,10

1387,13

1366,45

1365,22

18

1267,50

1509,60

1459,93

1398,25

1379,48

19

1429,00

1349,55

1428,90

1411,83

1372,10

20

1517,00

1348,25

1376,03

1428,93

1415,26

21

1506,50

1473,00

1404,50

1411,28

1446,54

22

1627,30

1511,75

1484,17

1430,00

1430,32

23

1650,50

1566,90

1550,27

1519,95

1469,46

24

1606,00

1638,90

1594,77

1575,33

1546,06

Perodo

Valor real de Zt

EQM



24091,94

19869,50

13763,68

14534,43

( ) 1
2
1
=

r
t
Z

( ) 1
3
1
=

r
t
Z

( ) 1
4
1
=

r
t
Z

( ) 1
5
1
=

r
t
Z

25

1696,40

1597,57

26

1767,50

1645,05

27

1554,80

1680,10

28

1727,50

1656,17

29

2231,80

1686,55

Perodo

Valor real de
Z
t


Previso

30

2111,70

1800,40

Exemplo de MMS
Alisamento Exponencial
Simples (AES)
Previso
Principal Vantagem:
Fcil Entendimento
Principal desvantagem:
Determinao de o
( ) N t Z Z Z Z Z
t t t
, , 1 , 1
1 0 1
= = + =

o o
Com 0 < o <1, constante de alisamento
( )

, 3 , 2 , 1 = = h Z h Z
t t
Exemplo do AES
0
200
400
600
800
1000
1200
0 20 40 60 80 100 120 140
Preos Mdio da Saca de Feijo
Exemplo do AES
121

1228,90

944,70

122

1316,90

1226,06

123

1735,20

1315,99

124

1978,20

1731,01

125

2116,30

1975,73

126

2191,80

2114,89

127

2436,10

2191,03

128

2946,40

2433,65

129

3002,10

2941,27

130

4708,20

3001,49

131

4500,80

4691,13

Perodo

Valor real de Z
t


Previso

132

4262,40

4502,70

Modelos Automticos
Previso de Sries com Tendncia
N t a T Z
t t t
, , 1
1
= + + =
-0,05
0
0,05
0,1
0,15
0,2
0,25
0,3
0 20 40 60 80 100 120

t
o nvel da srie
T
1
a tendncia (linear em t)
A
t
um rudo branco
Alisamento Exponencial Linaer
de Brown
( )
1 1 1
, 1 Z Z Z Z Z
t t t
= + =

o o
Previso
( ) h b a h Z
t t t , 2 , 1

+ =
t t t
Z Z a = 2
, 1

( )
t t t
Z Z b

=
o
o
1
, 2

onde
Exemplo do AELB
0
200
400
600
800
1000
1200
1400
1600
0 20 40 60 80 100 120 140
Srie do ICV - So Paulo de 1970 a 1980
Exemplo do AELB
Modelos Automticos
Previso de Sries Sazonais
N t a T F Z
t t t t t
, , 1 , = + + =
t t t t t
a F T Z + + + =
Sazonalidade Multiplicativa
Sazonalidade Aditiva
Gera-se trs equaes de alisamento, uma para a
sazonalidade, uma para a tendncia e outra para a srie
Este mtodo chamado de Alisamento Exponencial
Sazonal de Holt-Winters
Mtodo HW Multiplicativo
Forma Multiplicativa:
( ) N s t D F D
Z
Z
D F
s t
t
t
t
, , 1 , 1 0 , 1

+ = < < +
)
`

=

( )( ) N s t A T Z A
F
Z
A Z
t t
s t
t
t
, , 1 , 1 0 1
1 1

+ = < < + +
)
`

( ) ( ) N s t C T C Z Z C T
t t t t
, , 1 , 1 0 , 1
1 1


+ = < < + =

Equaes de Alisamento:
Equao de Previso:
( ) ( ) s h F T h Z h Z
s h t t t t
, , 2 , 1 ,

= + =
+
Exemplo do HW Multiplicativo
0
5000
10000
15000
20000
25000
0 20 40 60 80 100 120 140 160
ndice do Produto Industrial do Brasil 1969 at 1980
Exemplo do HW Multiplicativo
Previso para IPI
15000
16000
17000
18000
19000
20000
21000
22000
23000
1 2 3 4 5 6 7 8 9 10 11 12
Observaes Futuras
V
a
l
o
r

d
o

I
P
V
Valor Real
Previso
t
Z ( ) 139 , , 128 , 1
1

t Z
t
128

21614,00

21418,04
129

19717,00

20787,00
130

22133,00

21540,37
131

20503,00

20480,11
132

18800,00

19715,21
133

19577,00

18921,75
134

18992,00

18276,10
135

21022,00

20676,11
136

19064,00

20034,13
137

21067,00

20861,99
138

21553,00

21133,07

Perodo
T

Valor Real

Previso

139

21513,00

21919,51

Filtragem Adaptativa
Esta uma tcnica baseada em uma mdia ponderada da
observaes passadas da sries temporal
( )

+ =
+
=
t
k t i
k t i i
P Z Z
1
1

So ponderados os k perodos mais recentes porque:


So considerados os mais relevantes;
Se considerarmos todos os t valores da srie temporal, seria
necessrio t pesos, que poderiam ser determinados de modo a obter
exatamente o termo de ordem (t + 1), o que no desejvel porque
estaramos fazendo com que eles se adaptassem no s ao padro de
comportamento da srie, mas tambm componente aleatria.
Pesos Iniciais
A determinao dos pesos inicias pode ser feita de
duas maeiras:
Mtodo de Makridaski
Mtodo Silva
Mtodo Makridakis
Primeiramente so especificados valores iniciais
todos iguais a 1,0, isto , P
i
= 1,0, i = 1, ... k. A seguir
calculada a previso para Z
t+1
, , utilizando-se a equao de
previso, que comparada com o valor observado Z
t+1
e
sendo calculado o erro de previso. Os pesos so ento
ajustados de modo a reduzir o erro na prxima previso.
Este processo repetido at que se encontre o melhor
conjunto de pesos.
Mtodo Silva
Neste mtodo quer minimizar o erro:

=
=
k N
i
i
E S
1
2
( )

+
=
+ + + +
= =
1
1
1 1
1

k i
j
j i j k i k i k i i
Z P Z Z Z E onde
O problema resume-se a resolver o sistema:
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )



+ + + + + +
+ + + + + +
+ + +
= + + +
= + + +
= + + +
k i k i k k i i k i i k i
k i i k k i i i i i
k i i k k i i i i i
Z Z P Z P Z Z P Z Z
Z Z P Z Z P Z P Z Z
Z Z P Z Z P Z Z P Z
1
2
1 2 1 1 1 1
1 1 1 2
2
1 1 1
1 2 1 1
2

Atualizao dos Pesos


Depois de se gerar os pesos iniciais, este mtodo de Filtragem
adaptativa pode passar a atualiza os pesos dinamicamente,
segundo a expresso:
+
+
+ =
'
2
i k t
i k t t
i i
Z
Z e
P P o
Onde 1 0 s so
Exemplo do Mtodo de Filtragem
Adaptativa - Makridakis
Exemplo do Mtodo de Filtragem
Adaptativa - Makridakis
Para o = 0,36 Calculado tal que minimize os erros
( )
t 1 2 3
4 5 6 7
8 9 10 11
4839 , 0 0711 , 0 0032 , 0 1142 , 0
0097 , 0 0635 , 0 0531 , 0 0532 , 0
0203 , 0 0917 , 0 2205 , 0 3923 , 0 1
Z Z Z Z
Z Z Z Z
Z Z Z Z Z
t t t
t t t t
t t t t t
+ +
+ + + + +
+ + + + =


Exemplo do Mtodo de Filtragem


Adaptativa - Makridakis
( ) 0 , 1

1
=

o
t
Z ( ) 36 , 0 , 1

1
=

o
t
Z
131

432,90

388,35

388,35

132

455,10

413,58

430,32

133

432,30

437,16

463,91

134

465,30

452,81

468,66

135

620,07

494,06

509,22

136

677,80

573,66

632,32

137

633,60

577,62

657,48

138

539,70

564,07

639,28

139

613,50

562,68

603,65

140

653,40

625,21

671,80

141

635,70

629,12

670,53

Perodo
T

Valor Real
Z
t


Previso

Previso

142

715,50

618,08

648,08

Modelos de Box & Jenkins
Box & Jenkins propuseram um mtodo
iterativo para a identificao do modelo de
uma srie temporal Modelo ARIMA.
Este mtodo envolve investigaes sobre os
dados da srie, sem a necessidade de se ter
informaes prvias sobre a srie
Este um procedimento muito poderoso,
porm necessita de um conhecimento muito
apurado
Modelos De Box & Jenkins
Modelo
satisfatrio?
Escolhe um ou mais modelos candidatos
ARIMA
Estima os parmetros dos modelos
escolhidos
Checagem dos modelos quando
adequao
Previso
Sim No
Estagio 1: Identificao
Estgio 2: Estimao
Estgio 3: Verificao
Modelos Auto-Regressivos
AR(p)
( )
t t
a Z B = u
~
O modelo AR(p) pode ser escrito por:
Onde u(B) o operador Auto-Regressivo: u(B) = 1-|
1
B - |
2
B
2
- ... - |
p
B
p

E B o operador translao para o passado:
m t t
m
t t
Z Z B Z BZ

= =
1
Pode-se mostrar que a Funo de Auto-
Correlao para um modelo AR(p) :
p j p j j j
+ + + = | | |
2 2 1 1
FAC AR(p)
Podemos provar que a fac pode ser escrita de forma geral:
j
p p
j j
j
G A G A G A + + + =
2 2 1 1

Onde para que o modelo convirja temos que |G


i
| < 1, logo.
1. Se G
i
for real, o termo A
i
G
i
j
decai geometricamente para
zero (amortecimento exponencial);
2. Um par de razes complexas conjugadas contribui com
um termo da forma Ad
j
Sen(2tfj+F) (senoide amortecida),
onde f uma freqncia, F uma fase, e o termo Ad
j
a
amplitude que decresce com o incremento de j, uma vez que
|d|<1.

FAC AR(p)
Funo De Auto-Correlao
0
0,2
0,4
0,6
0,8
1
1 3 5 7 9
1
1
1
3
1
5
1
7
1
9
j
Funo de Auto-Correlao
-1
-0,5
0
0,5
1
1 3 5 7 9
1
1
1
3
1
5
1
7
1
9
j
Modelo de Mdias Mveis
MA(q)
O modelo MA(q) pode ser escrito por:
( ) ( )
t t
q
q
a B a B B B Z O = = u u u
2
2 1
1
~
( )
q
q
B B B B u u u = O
2
2 1
1 Onde O(B) o Operador Mdias Mveis:

>
=
+ + +
+ + + +
=
+ +
q j
q j
q
j q q j j j
j
, 0
, , 1 ,
1
2 2
1
2 2 1 1

u u
u u u u u u u

Pode-se mostrar que a Funo de Auto-Correlao para um modelo MA(q) :


Vemos que a fac para um MA(q) finita de extenso q.
FAC MA(1)
Para um modelo MA(1), q = 1, e supondo que u = -0,8 (para o modelo ser
estvel, | u | < 1):
Funa de Auto-Correlao
-1
-0,8
-0,6
-0,4
-0,2
0
0,2
0,4
0,6
0,8
1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
j
Modelos Mistos ARMA(p,q)
O modelo ARMA(p,q) pode ser escrito por:
q t q t t p t p t t
a a a Z Z Z

+ + + = u u | |
1 1 1 1
~ ~ ~
( ) ( )
t t
a B Z B O = u
~
ou
Pode-se mostrar que a Funo de Auto-Correlao para um modelo ARMA(p,q) :
( ) ( ) ( ) q j j j
za q za a p j p j j j
+ + + + =

u u u u u 1
1 2 2 1 1
Mas que para j > q:
q j
p j p j j j
> + + + =

,
2 2 1 1
| | |
( ) ( )
j t t za
Z a E j

=
~

onde
do que se deduz que as Auto-Correlaes de lags 1, 2, ..., q sero afetadas
pelos parmetros de mdias mveis, mas para j > q as mesmas comportam-se
como no modelos auto-regressivos.

FAC ARMA(1, 1)
Para um Modelo ARMA(1, 1), pode-se mostrar que:
( )
( )( )
2
2
1
2
2
2
0
1
1
1
2 1
a
a
o
|
u | |u

o
|
|u u

+
=
1
=
j j
|
E para j > q
Assim, se temos | = 0,8 e
u = -0,3, o grfico da fac
ser:
Funo de Auto-Correlao
0,00
0,10
0,20
0,30
0,40
0,50
0,60
0,70
0,80
0,90
1,00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
j
FACP
Box & Jenkins proporam um segundo mtodo de anlise: A Funo de
Auto-Correlao Parcial: |
kk

As facp podem ser calculadas a partir das eqs. de Yule-Walke:


(
(
(
(

=
(
(
(
(

(
(
(
(

k kk
k
k
k k
k
k

|
|
|



2
1
2
1
2 1
2 1
1 1
1
1
1
FACP AR, MA, ARMA
i. Um processo AR(p) tem facp |
kk
= 0 para k menor ou
igual a p, e |
kk
= 0 para k maior que p;
ii. Um processo MA(q) tem facp que se comportam de
maneira similar s fac de um processo AR(p): so
dominadas por exponenciais e/ou senoides amortecidas;
iii. Um processo ARMA(p,q) tem facp que se comportam
como a facp de um processo MA puro.

FACP AR, MA e ARMA
Fun a de A ut o- C or r e la o P a r c ia l pa r a A R ( 1 )
- 1
- 0 , 8
- 0 , 6
- 0 , 4
- 0 , 2
0
0 , 2
0 , 4
0 , 6
0 , 8
1
1 2 3 4 5 6 7 8 9 10
j
Fun o de A ut o- C or r e la o P a r c ia l pa r a M A ( 1 )
- 1
- 0 , 8
- 0 , 6
- 0 , 4
- 0 , 2
0
0 , 2
0 , 4
0 , 6
0 , 8
1
1 2 3 4 5 6 7 8 9 10
j
Fun o de A ut o- C or r e la o P a r c ia l pa r a A R M A ( 1 , 1 )
- 1
- 0 , 8
- 0 , 6
- 0 , 4
- 0 , 2
0
0 , 2
0 , 4
0 , 6
0 , 8
1
1 2 3 4 5 6 7 8 9 10
j
AR(1)
MA(1)
ARMA(1, 1)
Modelos ARIMA
As sries que podem ser representados pelos modelos j vistos tem que
ser estacionria. Assim um procedimento de torna-las estacionrias
tiramos diferenas:
( )
t t t t t
Z Z B Z Z W A = = =

1
1
t
d
t
Z W A =
Ou tirando d
diferenas:
( ) ( )
t t
d
a B Z B u = A u
ou
Que o modelo ARIMA(p, q, d).
Identificao
De forma geral, o modelo ARIMA parcimonioso, logo em
geral d = 0, 1 ou 2 suficiente para obtermos a identificao
dos modelos
Faz as diferenas
Calcula-se as fac e facp para os dados
Analisa-se As funes obtidas com as dos modelos vistos.
Identifica-se um conjunto de possveis modelos
Estimao
Existem basicamente dois procedimentos de estimao:
1)Procedimento Condicional
2)Procedimento No Condicional ou Incondicional
Todos dos mtodos realizam a minimizao da funo de
verossimilhana(condicional e no condiciona)
( ) ( )

=
=
n
t
t
a W W n a a W W n S
1
* * 2 * *
*
, , , ,
( ) ( )

=
=
n
t
t
a W W n a a W W n S
1
* * 2 * *
, , , ,
Exemplo de Estimao
Supondo Um Modelo ARIMA (0, 1,1)

W
t
= AZ
t
= (1-uB) a
t

E suponha u = 0,8 , termos A
t
= W
t
+ 0,8 a
t-1


Assim, supondo o mtodo condicional ,
( ) ( ) ( )

= =

= = = =
9
1
9
1
2
1 0
2
*
26 , 801 8 , 0 0 8 , 0 8 , 0
t t
t t t
a W a a S
O menor valor de S
*
para u = -0,4
Verivicao
Existem vrios mtodos de verificao, contudo exibiremos o mtodo do
Periodogram acumulado:
( ) ( ) ( )
(
(

|
.
|

\
|
+ |
.
|

\
|
=

= =
2
1
2
1
1
2 sen 2 cos
2
n
t
i t
n
t
i t a
t f a t f a
n
f I t t
E o espectro aculumado :
( ) ( )

>
< s
<
= =
}
2
1
,
2
1
0 , 2
0 , 0
2
2
0
f
f f
f
dg g p f P
a
a
f
a a
o
o
E o periodograma Acumulado
uma estimativa do espectro
acumulado:
( )
( )
2
1
a
j
i
i a
j
n
f I
f C
o

=
=
Rudo Branco
Aplicao do mtodo ARIMA
FAC e FACP
Fun o de A ut o- C or r e la o P a r c ia l, d = 0
- 1
- 0 , 8
- 0 , 6
- 0 , 4
- 0 , 2
0
0 , 2
0 , 4
0 , 6
0 , 8
1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 2 0
La gs
Fun o de A ut o- C or r e la o P a r c ia l, d = 1
- 1
- 0 , 8
- 0 , 6
- 0 , 4
- 0 , 2
0
0 , 2
0 , 4
0 , 6
0 , 8
1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 2 0
La gs
Fun o de A ut o- C or r e la o P a r c ia l, d = 2
- 1
- 0 , 8
- 0 , 6
- 0 , 4
- 0 , 2
0
0 , 2
0 , 4
0 , 6
0 , 8
1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 2 0
La gs
d=0
d=1
d=2
FAC FACP
Estimativa
( ) n S O u,
t t t
a Z Z = A A
1
) 04 , 0 ( 82 , 0
2 1
2
) 07 , 0 ( 12 , 0 , 0 ) 07 , 0 ( 13 , 0

= A
t t t t
a a a Z
226

0,018

Nmero de
Observaes


Modelo Fitados

Varincia
Residual

226

0,019

Modelos escolhido: ARIMA (1, 1, 0) e ARIMA (0, 2, 2)
Verificao
ARIMA(1, 1, 0)
ARIMA(0, 2, 2)
Concluses
Os modelos Automticos so bem mais
fceis de serem utilizados, porem requer um
conhecimento prvio sobre a srie.
O Modelo ARIMA bem mais preciso do
que os modelos automticos mencionados,
porm requer mo de obrar super qualificada.

Você também pode gostar