Академический Документы
Профессиональный Документы
Культура Документы
Modelos de Previso
"Unless the method is 100% accurate, it must be simple enough so people who use it know how to use it intelligently (understand it, explain it, and replicate it). "The most important element of any forecast scheme is that thing between the keyboard and the chair".
Noes elementares:
Define-se Srie Cronolgica como um conjunto ordenado de valores de uma varivel registados periodicamente no tempo. So quatro as componentes bsicas que podem integrar uma srie Temporal :
Tendncia: movimento geral que se mantm por um perodo longo de tempo. Sazonalidade: consiste nas flutuaes peridicas da varivel. Ciclo: tipo de perodo no constante e superior variao sazonal. Erro: reflecte flutuaes a curto prazo, com um carcter errtico e imprevisvel.
DEGEI - UA, L.M.Ferreira
5
Tendncia Sazonalidade
Ciclo
Comparao de Mtodos
Uma vez especificado o modelo de previso, utiliza-se o modelo para produzir previses para instantes passados, as quais se comparam com os valores observados, constituindo-se uma srie de erros de previso et. Ser escolhido o mtodo que conduzir a menores erros no passado, esperando-se que no futuro ele se comporte tambm comparativamente melhor que as alternativas. Vai-se ento recorrer a uma medida de sntese dos erros calculados - Erro Quadrtico Mdio:
1 n 2 $ E Q M = ( yi yi ) n i =1
DEGEI - UA, L.M.Ferreira
7
Modelos de Previso
+ +
Sazonalidade
+ + + + + + + +
Rudo
Tendncia
Underlying Value
10
Zt = Tt + St + Ct + Et
Modelo Multiplicativo:
Z t = Tt St Ct Et
DEGEI - UA, L.M.Ferreira
11
Sazonalidade Multiplicativa
Sazonalidade Aditiva
12
Procedimentos de clculo:
1)
Atendendo a que a componente cclica tem um carcter irregular, dificilmente os seus valores futuros podero ser previstos atravs de mtodos estatsticos. A sua identificao s possvel quando se dispe de sries longas, sendo frequente ignorar esta componente para sries curtas. A Sazonalidade e parte da aleatoriedade pode ser eliminada da srie original (ao menos em parte) aplicando uma mdia mvel centrada de comprimento adequado (igual ao ciclo sazonal)
2)
Nota: Uma mdia mvel centrada (no instante t), Mt, definida como a mdia aritmtica das observaes da varivel numa vizinhana (centrada no tempo) do instante t.
13
Mt =
Z t N + Z t N +1 + + Z t + + Z t + N 1 + Z t + N N
Mt =
1 1 1 Yt N + Yt N +1 + + Yt + + Yt + N 1 + Yt + N N2 2
Procura no tempo
100 90
Procura
80 70 60 50 40 0 1 2 3 4 5 6 7 8 9 10 11 12
Xt M.M.C
Tempo
15
Zt = St + Tt + Et
Zt = St Tt Et
St = Zt Tt Et
St = Zt / Tt
Constri-se uma srie auxiliar que contm o factor Sazonal e o erro (tem valor mdio nulo). De forma a atenuar a influncia da componente aleatria, calcula-se a mdia dos valores para cada uma das estaes, estimando-se desta forma a componente sazonal para cada estao do ciclo sazonal.
16
centradas. Para tal pode ajustar-se uma funo polinomial (linear o mais usado) ou exponencial.
4) Uma vez isoladas e estimadas as diversas componentes, as
previses para perodos futuros so elaborados atravs da projeco dessas componentes para os instantes em causa e sua composio pela equao:
17
S j = S j S
S S
j j
18
No caso do Modelo Multiplicativo, a soma dos factores sazonais dever ser igual durao do ciclo sazonal. Deve-se ento, se necessrio, para corrigir as estimativas deve-se multiplicar cada uma das estimativas por:
J =1
19
T 1 2 3 4 5 6 7 8 9 10 11 12 13
MM C
S t= Y t - M M C
824 717 774 834 730 640 574 640 693 587 480 415 472
[S_]
7 7 5 ,8 7 3 9 ,0 7 1 0 ,4 6 8 3 ,6 6 5 5 ,4 6 2 6 ,8 5 9 4 ,8 5 6 3 ,0 5 2 9 ,4
-1 ,8 9 5 ,0 1 9 ,6 -4 3 ,6 -8 1 ,4 1 3 ,2 9 8 ,2 2 4 ,0 -4 9 ,4
III IV V I II III IV V I
S j = S j S j
S S
j j
20
10
21
22
11
Modelos de Previso
nt = a0 y t + a1y t 1 + ... + an 1 y t n + 1
Em que ai o peso atribudo observao do instante t-i. Estes pesos so decrescentes com a antiguidade (por referncia ao instante t), isto , a0>a1>>an-1, e obrigatoriamente a sua soma unitria.
24
12
O modelo de alisamento exponencial simples, aplicvel a sries localmente estacionrias, pondera todos os valores histricos da srie com pesos sucessivamente menores medida que estes se afastam do valor mais recente.
O modelo representado por:
~ ~ Zt = Zt + (1 )Zt 1
Note-se que se trata de uma frmula recursiva, em que o parmetro conhecido por constante de amortecimento e est limitado ao intervalo [0, 1].
25
Tratando-se de uma srie localmente estacionria, a previso para perodos futuros (K passos adiante, para qualquer valor K=1, 2,) baseada na estimada do nvel no instante t, isto :
yt +k = nt = yt + (1 ) nt 1
O valor da constante de amortecimento , escolhido de modo a minimizar o EQM simulaes sobre a srie original. No que diz respeito inicializao :
~ 1 = 1
DEGEI - UA, L.M.Ferreira
26
13
t 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Yt 25 19 17 9 26 11 21 13 15 22 8 26 16 24 14 26 14 16 17 13
(C=0,2) 25 23,8 22,44 19,75 21 19 19,4 18,12 17,5 18,4 16,32 18,25 17,8 19,04 18,03 19,63 18,5 18 17,8 16,84
C=0,2 Previso 25 23,8 22,44 19,75 21 19 19,4 18,12 17,5 18,4 16,32 18,25 17,8 19,04 18,03 19,63 18,5 18 17,8 E.Q.M
Erro^2 36 46,24 180,63 39,04 100,03 3,99 40,97 9,74 20,28 108,1 93,74 5,08 38,4 25,43 63,45 31,67 6,26 1 23,05 45,95
(C = 0 ,7 ) 25 2 0 ,8 1 8 ,1 4 1 1 ,7 4 2 1 ,7 2 1 4 ,2 2 1 8 ,9 7 1 4 ,7 9 1 4 ,9 4 1 9 ,8 8 1 1 ,5 6 2 1 ,6 7 1 7 ,7 2 2 ,1 1 1 6 ,4 3 2 3 ,1 3 1 6 ,7 4 1 6 ,2 2 1 6 ,7 7 1 4 ,1 3
C = 0 ,7 P re v is o 25 2 0 ,8 1 8 ,1 4 1 1 ,7 4 2 1 ,7 2 1 4 ,2 2 1 8 ,9 7 1 4 ,7 9 1 4 ,9 4 1 9 ,8 8 1 1 ,5 6 2 1 ,6 7 1 7 ,7 2 2 ,1 1 1 6 ,4 3 2 3 ,1 3 1 6 ,7 4 1 6 ,2 2 1 6 ,7 7
E rro ^2 36 1 4 ,4 4 8 3 ,5 4 2 0 3 ,2 9 1 1 4 ,9 7 4 6 ,0 1 3 5 ,5 8 0 ,0 4 4 9 ,8 9 1 4 1 ,1 6 2 0 8 ,3 9 3 2 ,1 4 3 9 ,6 8 6 5 ,7 8 9 1 ,5 3 8 3 ,3 6 0 ,5 5 0 ,6 1 1 4 ,1 9 6 6 ,3 8
27
5 0 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
28
14
Modelos de Previso
)
0A1e0C1
~ Z2 = Z2
DEGEI - UA, L.M.Ferreira
T2 = Z 2 Z1
30
15
~ Z t (h ) = Z t + h T t
onde h o nmero de passos frente que se deseja prever. O procedimento para determinao de A e C idntico ao da determinao de , s que, neste caso teremos de determinar o vector (A, C ) que torne mnimo o EQM.
31
T
1 2 3 4 5 6 7 8 9 10 11 12
Yt
290 308 300 319 320 340 349 346 350 356 364 375
Zt
Tt
Prev iso
Erro^2
308,0 313,0 321,8 325,9 336,5 347,2 351,5 354,3 357,6 362,8 371,3
18,0 11,5 10,1 7,2 8,9 9,8 7,0 4,9 4,1 4,7 6,6 326,0 324,5 331,9 333,1 345,4 357,0 358,5 359,2 361,7 367,5 676,0 30,3 141,0 47,7 12,7 120,8 72,6 10,0 5,4 55,8
117,2
32
16
Alisam en to E xp o n en cial d e H o lt 400 380 360 340 320 300 280 260 240 220 200 0 1 2 3 4 5 6 7 8 9 10 11 12 13
33
34
17
Modelos de Previso
Z t = t F t + T t + t
t Nvel
F t - Factor Sazonal
DEGEI - UA, L.M.Ferreira
t Rudo
T t Tendncia
36
18
Zt F t = D ~ + (1 D ) F t s Zt
Zt ~ ~ Z t = A + (1 A) Z t 1 + Tt 1 Ft s
~ ~ ~ T t = C Z t Z t 1 + (1 C ) Tt 1
t = S + 1,K , N
t = S + 1,K , N
t = s + 1, K , N
0 A 1; 0 C 1 e 0 D 1 e S o perodo de Sazonalidade
37
Note-se que os S primeiros valores so utilizados para estimar os valores iniciais dos factores sazonais.
1 S ~ ZS = Zj S J =1
j = 1, K , S
ZJ FJ = ~ ZS
TS = 0
DEGEI - UA, L.M.Ferreira
38
19
~ Z t (h ) = Z t + h T t F t + h S
~ Z t (h ) = Z t + h T t F t + h 2 S
h = 1, K , S
h = S + 1, K ,2 S
39
Z = + F +T +
t t t t
~ F t = D Z t Z t + (1 D ) F t s
~ ~ Z t = A Z t Ft s + (1 A ) Z t 1 + Tt 1
0 D 1
0 A 1
~ ~ ~ T t = C Z t Z t 1 + (1 C ) Tt 1
DEGEI - UA, L.M.Ferreira
0 C 1
40
20
~ Z (h) = Z + h T + F ~ Z (h) = Z + h T + F
t t t t t t
t +hS
h = 1,K, S h = S + 1, K,2S
t + h2 S
$ T
~ Z
=0
= 1 S S J =1 Z J J = 1, K , S
~ (Z Z )
J S
41
t
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 A C D
Yt
32 212 495 198 74 290 615 214 103 293 653 320 120 350 795 0,10 1,00 0,25
Zt
Tt
Ft
-202,3 -22,3 260,8 -36,3 -192,8 -6,7 281,5 -45,6 -194,8 -11,1 290,6 -42,9 -208,0 -15,5 316,3
Previso
Erro^2
234,3 238,6 250,1 271,1 287,8 303,6 317,4 335,3 354,6 367,7 378,8 401,7
0,0 4,3 11,5 21,0 16,7 15,8 13,8 17,9 19,2 13,1 11,1 22,9 S=4 Zs =
32,0 220,7 522,3 255,9 111,7 312,7 612,7 307,6 179,0 369,7 680,5
1764,0 4808,5 8597,4 1752,6 75,4 389,7 1621,2 152,7 3479,1 387,6 13119,7
42
21
900 800 700 600 500 400 300 200 100 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 Yt Previso
43
44
22