Escolar Documentos
Profissional Documentos
Cultura Documentos
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
=
=
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
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
>
=
+ + +
+ + + +
=
+ +
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
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.