MODELOS PARA PREVISAO DE SERIES TEMPORAIS Pedro Alberto Morettin Clélia Maria de Castro ToloiCOPYRIGHT © - 1981 - by PEDRO ALBERTO MORETTIN . CLELIA MARIA DE CASTRO TOLOL Nenhuma parte deste livro pode ser reproduzida, por qualquer processo, sem a permiss&o dos autores. INSTITUTO DE MATEMATICA PURA B APLICADA Rua Luiz de Camdes, 68 - 20.060 - Rio de Janeiro’- RJCONTEODO D0 VOLUME 1 PREFACIO. © ep eee ee ee ee eee CAP.1 - PRELIMINARES. . . . 1.9 - Problemas . . L 2 3 4 - Estacionariedade. . . s 6 7 - Consideragoes Gerais. . . . -Notagao..... CAP.2 — MODELOS PARA SERIES TEMPORAIS . . 2.1 - Introdugao. » 2 ee Processos EstocAsticos. . Especificagao de um Processo Processes Estacionarios . . . Tipos de Modelos... .... Problemas.. 1... PARTE 1 ~ MODELOS DE DECOMPOSIGAO: COMPONENTES NAO OBSERVAVEIS. CAP.3 - TENDENCIAS, ©. 3. see eee 2.2 - PNRD aa ko B.l- 2 3- 4 5 Introdugao. . Tend@ncia Polinomial. Suavizagdo. . . . . Diferengas. « Testes de ‘endéncias. 3.6 - Problemas . . . CAP.4 - SAZONALIDADE. . . . 4,1 = Introdugio. . ee ee 2 3- Ae 5 6 7 Problemas . . ~ Sazonalidade Deterministica ~ Modelos e Procedimentos de Previsao ~ Transformagoes. . . . . . - ~ Algumas Séries Temporais Reais. . . +8 - Objetivo e Roteiro. .... ~ Objetivos da Andlise de Séries Temporais. Estoc&stico Método de Sazonalidade Estocastica — Método de Médias Moveis. Modelo com Componentes Deterministicas e Estocasticas Testes para Sazonalidade Deterministica . PARTE 2 ~ MODELOS DE ALISAMENTO EXPONENGIAL . . CAP.5 - MODELOS PARA SERIES LOCALMENTE CONSTANTES 5.1 ~ Médias Maveis Simples (MS)... . 5.1.1 - Procedimento,. 2... + ~ Comentarios Finais..- -. 1. eee RegressaoCAP.6 ~ PARTE 3 CAP.8 — 5.2 5.3 - 5.3 - MODELOS PARA SERIES QUE 5.1.2 - Previsdo. pe ee eee ee ee 5.1.3 ~ Determinagao der... 2.2... 5.1.4 - Vantagens e desvantagens do método. So1.5 - Exemplo. se. ee eee eee Alisamento Exponencial Simples (AES)... . 5.2.1 - Procedimento. » 1 ee ee ee 5.2.2 - Previsao. see ee ee ee ee 5.2.3 - Determinagao da constantea... . 5.2.4 - Vantagens e-desvantagens do AES . . 5.2.5 Exemplo. see ee ee ee eee eee Alisamento Exponencial Adaptativo de Trigg e Leach. 5.3.1 = Procedimento. .. 2... oe 5.3.2 - Previsdow se ee ee : 5.3, : 5.3.4 = Exemplo. . 1... Problemass- see. eee 3 ~ Vantagens e desvantagens. . APRESENTAM TENDENCIA, 6.1 - Alisamento Exponencial Linear de Brown (AELB) 6.2 - 6.3 ~ 6.4 - 6.1.1 - Procedimento. ... + 6.1.2 - Prevision , ee 6.1.3 - Determinagao da constante a. . 6.1.4 - Vantagens e desvantagens.". . 6.1.5 -Exemplo. see. ee ee ee Alisamento Exponencial Biparamétrico de 6.2.1 ~ Procedimento.. 2... 0... 6.2.2 - Previsto.. 1. ee ee 6.2.3 - Determinac&o das constantes de alisamento 6.2.4 - Vantagens e desvantagens..... 2... 6.2.5 ~ Exemplo. ses eee eee Alisamento Exponencial Quadratico 6.3.1 - Procedimento. . . 6.3.2 - Previsto. . . . . 6.3.3 - Exemplo... . Problemas ss... 7. 1s MODELOS PARA SERIES SAZONAIS. . . . 7,1 ~ Alisamento Exponencial Sazonal de 7.3 ~ 7.1.1 - Procedimento. . 1. . 7.1.2 - Previsto. .. 1... Holt. de Brown (AEQB) . Holt-Winters (HW) 7.1.3 - Vantagens e desvantagens. 2... 2... PeL.4 ~ Bxemplo se ve ee ee ee ee 7.2 - Alisamento Exponencial Geral (Método de 7.2.6 - Exemplo. 2... Problemas » es se. se ee ~ MODELOS DE AUTO-REGRESSAO . . . . MODELOS DE REGRESSAO, ... ~~... B.1- Modelo Geral, .... ee ee Brown) (AEG). 7.2.1 - Procedimento. . . see 7.2.2 ~ Estimagao dos coeficientes. . . 7.2.3 - Previsao. see ee ee ee eee 7.2.4 - Vantagens ¢ desvantagens. . . . . 7.2.5 - Determinagdo do fator de desconto 94 96 97 97 100 100 100 103 103 104 105 105 106 107 107 110 113 113 ws 114 116 116 116 118 118 119 120 120 120 122 122 123 123 126 129 129 129 131 133 134 135 135 136 240 143 144 1s 148 151 152 152-we- 8.2 - Estimagio do Modelo, 6. ee ee ee ee 8,3 - Testes_de Hipdteses e Intervalos de Confianga .. . 8.4 -Previsdo ee ee ee eee 8.5 - Erros Auto~ correlacionados.. 6. 1 eee ee eee 8.6 - Teste para Correlacao Serial em Modelos Auto-regres~ sivos. . errr ran ar er nan nan anen 8.7 - Regressac “Stepwise”. 2 TDI! 8.B-Exemplos ss eee ee ee tee lle 8.9= Problems... 1... ee. ete ele CAP. 9 - FILTRAGEM ADAPTATIVA . ee. ee ee ee ee 9,1 - Procedimento ss. epee ee ee ee 9.2 Previsto. ee ee ee eee 9.3 - Vantagens ¢ Desvantagens... 1.1 t le 9.4 - Determinagao Inicial.dos Pesos...) te 9.5 - Atualizagao dos Pesos... see le 9.6 - Algumas Criticas Feitas por Diversos Autores... . 9.7 - aplicagdes do Método... ee. ee ee ee 9.8- Exel... eee ee ee le 9.9 - Problems... eee ee ee eee PARTE 4 - MODELOS DE BOX & JENKINS... .... 0.04 CAP.10 - MODELOS ARMA. ee ee ee ee ee 10.1 - 10.2 - 10.3 - 10.4 = 10,5 - 10.6 - 10.7 - Introdugio. . . Condigdes de Estacionariedade @ Invertibilidade Modelos Auto-regressivos. . . Modelos de Médias Moveis. . Modelos Mistos: Auto-regressivos-Médias Foungao de Auto-correlagao Parcial . . . Problems ss eee ee ee ee CaP.11 ~ MODELOS ARIMAL se ee eee ee 11.1 - Séries Estaciondries. .... . 1.0 11.2 ~ Formas do Modelo ARIMA... 11,3 - Termo Constante no Modelo... su. 11.4 - Modelos Sazonais. . 2. ee 11.5 - Problems... eee eee CAP.12 - CONSTRUGAO DE MODELOS ARIMA... 1a 12,1 - Introdugdo. oe ee ee 12.2 - Identificagdo we. ee 12.3 - Estimagao. ee. ee 12.4 - Verificagdo. ee. ee 12.5 - Modelos Sazonais. - 2... se eae 12.6 ~ Formas Alternativas de Identificagao. . 12.7 - Problems. eee eee ee ee CAP.13 - PREVISAO COM MODELOS ARIMA. . 2... . ae 13.1 - Introdugdo. ee Moveis. 13.2 - Galculo da Previsio de Erro Quadratico Médio Minimo 13.3 - 13.4 - 13.5 - 13.6 ~ Formas Basicas de Previsao...... « Atualizagao das Previsces ss... 0. Intervalos de Confianga. 6. ee ee ee ee Séries Sazonais .. ee ee ee 154 155 157 159 163 166 168 170 173 173 173 174 175 177 180 182 182 185 189 191 191. 195 197 207 213 220 225 229 229 235 238 240 245 247 247 251 268 294 302 314 3u7 323 323 324 326 329 334 335BIBLIOGRAFIA. -vi- Transformagoes € Previsdes. . + « Exemplos de Aplicagao ss. 1+ + Problemas . - 336 339 347 350PREFACLO © abjetive deste trabathe & apresentar, de modo siste- matics, oS procedimentos de previsdo para series temporais u- nivariadas. Nao inckudnos, portanto, modelos muttivariados (co- mo modelos de guncdes de trans feréneia,modetos de éntervencao, modefos MARMA), que sexfo objeto de estudo futuro. 0 nlvet do trabathe & introdutinio,destinad aatunes de graduacto de Eotatistica e Areas agins. Poderd, eontudo, ser utilizado om outnas areas com as devédas adaptagGes.. Embora eLementan, o tratamente & rigohoso e sempre que possivel a jus~ tificagto format. de un procedimento @ apresentada. Tivemos a preocupacdy de inckuin um nimero vartado de e- xemplos e estes sa0 desenvolvidos utitizando-se,namaioria das vezes, series temporais reais. Em partiou£ar, as series uti- Lizadas sao séries econimicas brasiteitas, com todas as Limi~, tagGes que tais séries normakmente sdo cofhidas. As partes 1, 2@ 3 sa0 dedicadas acs chamados métodos automaticos de previsdo. Para alguns destes nao existe um tha- tamento estatisticn adequado mas devido ao gato de senem fa- cilmente aplicavers e apresentarom resultades satisfatorios om muitas situacdes, a sua inckusdo & fustigioada. As partes 4 ¢ 5 sao dedicadas a duas metodokogias que tim recebido muita atengdo na ittima década; a parte 4 apre- senta ob modekos de Box & Jenkins e 0 connespondente procedi- * mento de previsao e a parte 5 0 metodo Bayesiano de previsio. Estudos empiricos recentes mostram a grande vantagem do meto- do de Box & Jenkins em neagdo aos demais. A apticacao do mé- todo Bayesiano @ bastante recente ea nao disponibitidade de programas de computador adequados tem side um faton inibidon vvii-- viii - de sua maion dégusde. Anbos o§ m&todos reguerem do usuiiréc un conhecimento gonmal mais sogésticade do que aquete necessaiic para a wtilizacéc des matodes autonétices. A pante 6 do trabatho faz uma comparache dos princkpais metodos de previsdo, como intuito de estabelecen quag (ou quais) dees & (sao) "mais eficiente(s)" em termos de forne- cen mefhores previsoes, seguido afgum oritério fixado. Muitas pessoas contribuinan para que este trabalho fos~ se Levade a bom texno. Queronios extemar nossos aghadecimen- tos: — @ Comlssao Organizadora do 13° Coldquio Brasileiro de Mate~ matica, pelo convite para ministraumos um curso baseado no contelido destas notas; —a@ Francisco A. Pino, por nos fer oferectdo as stries geradas, utitizadas na parte 4° e parte das séries do Apéndice A; —@ Merli Mikael da Costa Neves, por ter Lido os oniginais e@ ter apontado eros e omissdes; ~ a Reinaldo €. Souza e@ Jodo José Farias Neto, por nos Lorem fornecide o prograna de computador regerente ao Netedo Baye- séiano e@ por toda a afuda a nods prestada,atnavés de cartas 2 confertneias; — a Basilio de Braganga Pereira, pox nos ter fornecido, em di- versas acasides, regertncias sobre o Metodo Bayesiano. — a Celso L. Martone, por nos ter fornecido algumas das series econdinicas do Apéndice A, Finakmente, queremos agradecer ao Sr. Joao Baptista Es- teves de Oliveira, pelo magnZhico trabatho de preparacao dos oniginais, especialmente digzceis, dada agrande quantidade de figuras. e tabelas, Sto Paulo, maio de 1981 Pedro Alberto Norettin Clélia Maria de Castro ToloiCAPTTULO + PRELIMINARES 1,1 = CONS IDERAGOES GERAIS Uma série temporal é qualquer conjunto de observa- gdes ordenadas no tempo. S80 exemplos de séries temporais: i} estimativas trimestrais do PNB; ii) valores diarios da temperatura da cidade de Sao Paulo; iii) indices didrios da Bolsa de Valores do Rio de Janeiro; iv) quantidade mensal de chuva na cidade de Avaré; v) valores mensais de vendas de automéveis no Brasil; vi) um registro de marés no porto de Santos. Nos exemplos i) —v) temos séries temporais discretas, enquanto vi) € um exemplo de uma série contiaua. Muitas vezes, uma série temporal discreta é obtida através da amostragem de uma série temporal continua em intervalos de tempos iguais,A. Assim, para analisar a série vi) serd necessario amostra-la (em intervalos de tempo de uma hora, por exemplo}, converten-, do a série continua, observada no intervalo [0,7], digamos, em uma série discreta com N pontos, onde N=-1. Em outros casos, como para séries iv) ou v), temos que o valor da série num da- do instante @ obtido acumulando-se (ou agregando-se) valores em -Lintervalos de tempos iguais. Ha, basicamente, dois enfoques usados na andlise de séries temporais. Em ambos, o objetivo é construir modelos ra as séries, com propésitos determinados. No primeiro enfo- que, a andlise & feita no dominio temporal e os modelos propos- tos sao modelos parametricos (com um numero finito de parametros). No segundo, a andlise & conduzida no dominio de {negiiéucias ¢ os modelos propostos sio modelos nao paranétricos, Dentre os modelos paramétricos temos, por exemplo, os modelos ARIMA, que serdo estuados com detalhes nos Capitu- los 10 e 11. No dominio de freqtiéncias temos a andlise espeetral,que tem iniimeras aplicagdes'em ciéncias fisicas e engenharia,eque consiste em decompor a série dada em componentes de freqiién- cia e onde a existéncia do espectto é a caracteristica fundamen- tal. Este tipo de an@lise nao sera estudado nestas notas e pa~ ra detalhes 0 leitor deve consultar Jenkins & Watts (1968), Koopmans (1974) ou Morettin (1979). 1.2 - NOTACAO A definicgao formal de processo estocdstico e série temporal sera dada no Capitulo 2, No momento, para motivar a discuss80, considere 0 exemplo a seguir. Imaginemos que dese- jamos medir a temperatura do ar, de dado local,durante 24 ho- ras; podemos obter um gr4fico semelhante ao da Figura 1.1. Vamos designar por Z(t) a temperatura no instante t (dado em horas, por exemplo). Notamos que, para dois dias di-FIG, 1,1- Temperatura do ar, de dado local, durante 24 horas ferentes, obtemos duas curvas que nfo sido, em geral, as mes- mas. Estas curvas so chamadas trajetérias do processo fisico que esta sendo observado e este (0 processo estocdstico) nada mais 8 do que o conjunto de todas as possiveis trajetérias que po- derfamos observar. Cada trajetéria é também chamada uma série tomporak ou funcdo anostral, Designando-se por. 24) (15) 0 valor da temperatura no instante t=15, para a primeira trajetéria (pri- meiro dia de observacio), teremos um niimero real, para o se- gundo dia teremos outro niimero real, 2°?) (15). Em geral,deno- taremos uma trajetéria qualquer por 243) (t). Para cada t ¢ixo, teremos os valores de uma variavel afeatdnia Z(t), que teré cer- ta distribuic3o de probabilidades. Na realidade, o que chamamos de série temporal, é u- ma pute de uma trajetéria, dentre muitas que poderiam ter si- do observadas, Em algumas situagdes (como em Oceanografia,por exemplo), quando temos dados experimentais, € possivel obser- var algumas trajetérias do processo sob consideragio, mas na maioria dos casos (como em Economia ou Astronomia) ,quando nao& possivel fazer experimentagdes, temos uma sd trajetéria pa- va andlise. Temos referido o parametro t como sendo o tempo, mas a série Z(t) poderd ser funco de algum outro parametro fisi- co, como espago ou volume. De modo bastante geral, uma série temporal poder’ ser um vetor 2(t), de ordem r 1, onde por sua vez, t é@ um ve- tor pxl. Por exemplo, Z(t) =(2Z4(t).2Z,(t),23(t)1', onde as 3 componentes denotam, respectivamente, a altura, a temperatura e a pressado de um ponto do oceano e t =(tempo, latitude, lon- gitude). Dizemos que a série 6 muttivariada (r =3) © mubtidinen- sional (p =3). Como outro exemplo, considere Z(t) como sendo o niimero de acidentes ocorridos em rodovias do Estado de Séo Pau- lo, por més. Aqui, r=lep » com t= (més, rédovia). 1.3 - OBJETIVOS DA ANALISE DE SERIES TEMPORAIS Obtida a série temporal Z(t,),..-,2(ty), observada nos instantes ty,+-+,ty, podemos estar interessados em: a) investigar o mecanismo gerador da série temporal; por exemplo, analisando uma série de alturas de ondas,po- demos querer saber como estas endas foram geradas; b) fazer previsdes de valores futuros da sériesestas po- dem ser a curto prazo, como para séries de vendas,pro- dugZo ou estoque, ou a longo prazo, como para séries populacionais, de produtividade, etc. c) descrever apenas o comportamento da série;neste caso, a construgao do grafico, a verificagéo da existéncia-5- de tendéncias, ciclos e variagées sazonais,a constru- cao de histogramas e diagramas de dispersao, etc. ,po- dem ser ferramentas iiteis ; 4) procurar periodicidades relevantes nos dados; neste caso, a andlise espectral, mencionada anteriormente, pode ser de grande utilidade. Em todos os casos, modeos probabélisticos ou estocdsticos so construidos, no dominio temporal ov de freqiiéncias. Estes modelos devem ser simples e parcimoniosos (no sentido que o ni- mero de parametros envolvidos deve ser o menor possivel)e se, possivel, sua utilizagio nio deve apresentar dificuldades is pessoas interessadas em manipuld-tos. Muitas situagdes om ciéncias ffSicas ,engenharia,ci @ncias biolégicas e sociais envolvem o conceito de séstem di- nimica, caracterizado por uma série de entada X(t), uma série de satda Z(t) © uma fungiio de transgerincia v(t) (Figura 1.2). X(t) v(t) Z(t) FIG. 1.2 - Sistema dinamico De particular importancia so os sistemas Lineates,on-— de a saida @ relacionada com a entrada através de um funcio- nal linear envolvendo v(t). Um exemplo tipico @ 2(t) = J ver)x¢ter). Qa.) a Problemas de interesse aqui sao: a) estimnr a functio de transgeréneéa v(t), conhecendo-se as sé-ries de entrada e saida; b) fazer previsdes da série Z(t), com o conhecimento de ob- servagoes da série de entrada X(t); c) estudar o comportamento do sistema, simufando-se a série de entrada; d) controlar a série de safda Z(t), de modo a trazé-la o mais prdximo possivel de um valor desejado,ajustando- se convenientemente a série de entrada X(t);este con- trole é necessdrio devido a perturbagdes que normal- mente afetam um sistema dinamico. A equacdo (1.1) @ também chamada modelo de fungao de wansferéneia, Para detalhes, a referéncia € Box & Jenkins (1970). 1,4 - ESTACIONARI EDADE Uma das suposigdes mais freqiientes que se faz a res~ peito de uma série temporal é a de que ela & estacionaria, ou seja, ela se desenvolve no tempo aleatoriamente ao redor de u- ma média constante, refletindo alguma forma de equilibrio es- tvel. Todavia, a maior parte das séries que encontramos na pratica apresentam alguma forma de nao estacionariedade. Assim, as séries econémicas apresentam em geral tendéncias,sendo o ca- so mais simples aquele em que a série fiutua uo redor de uma reta, com inclinagio positiva ou negativa (tendéncia linear) - Podemos ter, também, uma forma de nao estacionarie~ dade explosiva, como o crescimento de uma colonia de bactérias. Uma série pode ser estacionaria durante um perfodo muito longo, como a série vi) da segio 1.1, mas pode ser es--7- taciondria apenas em perfodos muito curtos, mudando de nivel e/ou inclinacio. A classe dos modelos ARIMA, j4 mencionados antes, se- ré capaz de descrever de mancira satisfatdria séries estacio- narias e séries nio estacionarias, mas que nado apresentem com- portamento explosivo. Este tipo de nado estacionaricdade é cha- mado homegéneo; a série pode ser estaciondria, flutuando ao re~ dor de um nivel, por certo tempo, depois mudar de nivel e flue tuar ao redor de um novo nivel e assim por diante, ou entao mudar de inclinag&o, ou ambas as coisas. A Figura 1.3 ilustra esta forma de nao estacionariedade. t FIG. 1.3-Série nao estacionaria quanto ao nivel e inclinagdo Como a maioria dos procedimentos de ‘andlise estatis- tica de séries tenporais supdem que estas sejam estaciondrias, sera necessario transformar os dados originais, se estes nao formam uma série estaciondria. A transformagao mais comum consiste em tomar difenencas sucessivas da série original, até se obter uma série estaciondria. A primeira diferenga de Z(t) @ definida por AZ(t) = 2(t) -2(t-1), (1.2)a segunda diferenga é APZ(t) ACLAZ(t)] = OC2(t)-2(t-1)1, (1.3) ou seja, A®Z(t) = 2(t) -22(t-1) #2 (t-2). qa.4) De modo geral, a n-ésima diferenca de Z(t} é Mace) = aca 1z(e)1. (2.3) Em situagées normais, serd suficiente tomar uma ou duas diferencas para que a série se torne estacionfria.Volta- remos a este assunto mais tarde. 1.5 - MODELOS E PROCEDIMENTOS DE PREVISAO Vimos que um modelo é uma descricgdo probabilistica de uma série temporal e cabe ao usuario decidir como utilizar este modelo tendo em vista seus objetivos. Na segao 1.3 vimos quais sao os principais objetivos ao analisar uma série tem- poral. 0 propdsito destas notas € estudar certos procedimentos ou métodos de previsio. Embora estas duas palavras irfo ser u- sadas livremente no texto, o termo "método" no @ de todo cor- reto. Segundo Priestley (1979), "ndo ht algo chamado "método" de previsdo ou algo chamado "método" de previsao ARMA (ou Box- Jenkins). Ha algo chamado método de previsao de “"minimos qua- drados", e este, de fato,fornece a2 base para virtualmente to- dos os estudos tedricos”. Além disso, "todos os "métodes" de previsdo sao simplesmente diferentes procedimentos computacio- nais para calcular a mesma quantidade, a saber, a preVisfo de ie-9- minimos quadrados de um valor futuro a partir de combinagées lineares de valores passados". Um modelo que descreve uma série nao conduz, neces~ sariamente, a um procedimento (ou formula) de previsdo. Sera necess4rio especificar uma funcdo perda, além do modelo, para se chegar ao procedimento. Uma fungao perda que é utilizada freqiientemente & 0 erro quadn&tico médio, embora em algumas oca- sides, outros critérios ou fungdes perdas sejam mais apro- priados. Suponhamos que temos observagées de uma série tem- poral até o instante t e queiramos prever o valor da série no instante t+h (Figura 1.4). FIG. 1.4-Observacdes de uma série temporal com previsdes de origem t e horizonte h Diremos que t & a orégem e 2,(h) & a proviso de Z(t+h), de onigem t e horizonte h. O erro quadratico médio de previsio & BLZ(tth)-2,(h) 1?. (1.6) Entao, dado o modelo que descreve a série temporal até o instante t e dado que queremos minimizar (1.6), obtere- mos uma farmita nara 7 Hy- 10 - Etimologicamente (mae e videxe], a palavra previsdo su- gere que se quer ver uma coisa antes que ela exista.Alguns au- tores preferem a palavra ptedigiv, para indicar algo que deve- yA existir no futuro. Ainda outros utilizam o termo projegio. Nestas notas, iremos usar consistentemente a palavra previsao, com 0 sentido indicado acima. f£ importante salientar que a previsdo ndo constitui um fin em si, mas apenas um meio de fornecer informagées para uma conseqtiente tomada de decisdes,visando a determinados ob- jetivos. Os procedimentos de previsao utilizados na pratica variam muito, podendo ser simples e intuitivos ou mais quan- titativos ¢ complexos. No primeiro caso pouca ou nenhuma and- lise de dados € envolvida, enquanto que no segundo caso esta andlise pode ser consideravel. ’ Em Economia ha dois procedimentos predominantes: e- conométrico e de séries temporais. No primeiro, o analista se baseia fortemente na teoria econdmica para construir um mode- lo, incluindo muitas variaveis, enquanto que no segundo nao ha esta limitagio, dado que o estatistico deixa "os dados fala~- rem por si" para’construir seu modelo, estando mesmo prepara- do para usar um modelo que ndo se harmonize com a teoria eco- ndmica, desde que produza previsdes superiores. Neste trabalho nos restringiremos aos procedimentos estatisticos de previs’o de séries temporais, ou seja, a pro- cedimentos que conduzem a uma equac&o de previsdo obtida di~ retamente dos dados disponiveis, sem recorrer a uma possivel-1ll- teoria subjacente. Contudo, parece razoavel adotar um enfoque hibrido, pois tipicamente, os procedimentos econométricos e de séries temporais produzem previsées de qualidades compardveis (Ash- ley & Granger (1979)). 1.6 - TRANSFORMAGOES Ha,basicamente, duas razdes para se transformar os dados originais: estabilizar’a variancia e tornar 0 efeito sa- zonal aditivo (ver Capitulo 4). £ comum em séries econdmicas a existéncia de tendéncias e pode ocorrer um acréscimo da va- riancia da série (ou de suas diferengas) 4 medida que o tempo passa. Neste caso, uma transformagao logarftmica pode ser a- dequada. Entretanto, Nelson (1976) conciuiu que transformagSes nao melhoram a qualidade da previsao; Makridakis & Hibon (1979) verificaram que os dados transformados tém pouco efeito na me- lhoria da previsao e, sob bases mais tedricas, Granger § New- bold (1976) mostram que as previsdées dos anti-logaritmos dos dados transformados séo estimadores viciados ¢ deveriam, por- tanto, serem ajustados, mas isto néo 6 feito nos principais programas de computador, o que significa que depois que os da~ dos so transformados, um vicio & introduzido nas previsées, decorrente de tal transformagdio. Além disso Granger & Newbold observam que a heteroscedasticidade no afeta a adequagio da previsdo, pois ela ndo implica em estimadores viciados, como no caso de regressio niltipla.-12- Quando se tem um conjunto de dados que apresenta um padrao sazonal qualquer, € muito comum fazer um ajustamento sa- zonal dos dados e depois usar um modelo ndo sazonal para se fazer a previsdo. Plosser (1979) analisa este problema e con- clui que “parece ser preferfvel fazer a previso usando dire- tamente o modelo sazonal ao invés de ajustar sazonalmente a série e depois utilizar um modelo nao sazonal". 1.7-ALGUMAS SERIES TEMPORAIS REAIS Nesta secdo vamos apresentar algumas séries que se- vio utilizadas para ilustrar as técnicas a serem desenvolvidas. As observacées de cada série e o respectivo grdfico sao dados no Apéndice A. Série A (Leite): Produg3o de Leite no Estado de Sao Paulo,com- posta de 60 dados medidos mensalmente e com periodicidade aparente de 12 meses; Série B (M1): Meios de Pagamentos no Brasil (= moeda clrculan- te + depdsitos a vista), composta de 120 ob- servagées mensais e com periodicidade aparen- te de 12 meses; Série C (1P1): Fndice de Produto Industrial do Brasil, compos- ta de 139 observagdes mensais e com periodi- cidade aparente de 12 meses; Série D- (Revista): Vendas de uma Revista no Brasi!,composta de 82 observagdes mensals, com periodicidade a- parente de 12 meses; Série E (Ovos}: Pregos médios de Ovos Recebidos pelos Produto- res do Estado de Sa0 Paulo, com 142 observa- gdes mensais com periodicidade aparente de 12 meses 5-13- Série F (Café): Prego Médio de Café Recebido pelos Produtores do Estado de So Paulo, com 144 observacdes mensais e no sazonal; Série 6 (Energia): Consumo de Energia Elétrica no Estado do Es~ pirito Santo, com 14i observagoes mensais e aparentemente nao sazonal; Série (ICV): Tndice de Custo de Vida de S30 Paulo, com 126 observacdes mensais e nado sazonal; Série | (Importagdes): Importagdes feitas pelo Brasil, com 150 observagdes mensais e aparentemente no sazonal; Série J (Fei jo): Precos médios de Fei j3o Recebido pelos Produ- tores do Estado de So Paulo, con 132 obser- servagdes mensais e aparentemente n3o sazonal. 1,8- OBJETIVO £ ROTEIRO Como j4 dissemos, o objetivo do trabalho é apresen- tar os principais métodos de previsao de séries temporais que podem ser divididos em duas categorias: a) automAticos: que sio aplicados diretamente com a uti- lizacgio de um computador; b) no automaticos: exigem a intervengao de pessoal es- pecializado, para serem aplicados. Dos métodos utilizados,o de Box & Jenkins mereceu en- foque maior que os demais, por sua recente e ampla divigacio, dificuidade de aplicacdo (nao autom&tico) e aparente superio- vidade. Para o método Bayesiano, embora a teoria seja desen- volvida de modo geral, a aplicacio serf feita apenas para um caso particular (modelo de crescimento linear), dada a inexis- téncia, até o momento, de programas de computador adequados.~ 44 - Sera feita uma comparagdo entre os diversos proce~ dimentos, para as séries listadas na segao anterior, com ex- cecio do método Bayesiano, que seré comparado com os demais a~ penas para algumas das dez séries, devido 2 dificuldade men- cionada acima. No Capitulo 2 introduzimos algumas definigdes basi- cas, necessarias para a melhor compreensao do trabalho e apre- sentamos os modelos mais utilizados para séries de tempo. Nos Capitulos. 3-e 4 apresentamos o modelo classico que consiste em decompor uma série temporal em componentes de tendéncia, sa~ zonal e aleatéria, devido & sua utilidade, notadamente em E- conomia. Os Capftulos 5, 6 e 7 trazem os prin ipais métodos de alisamento exponencial ¢ nos Capitulos 8 e $ s&o desenvol- vidos 0s modelos de auto-regressao. A metodologia de Box § Jenkins 6 discutida nos Ca- pitulos 10, 11, 12 e 13, o Filtro de Kalman no Capitulo 14 ¢ 0 Mé- todo Bayesiano no Capitulo 15, Finalmente, nos Capitulos 16 e 17 sao feitas comparacdes entre os métodos- : Os programas utilizados no decorrer do trabalho fo- vam: a) PDQ, ESTIMATE e FORECAST, do Econometric Software Pa- ckage (ESP), para o método de Box & Jenkins. b) MCL-EM, apresentado em Farias Neto (1980), para o mé- todo Bayesian c) uma montagem do programa O2R do Biomedical Computer- 15 = Package (BMD), para o método de Regressao: 4) programas apresentados em Silva (1975), com algumas no- dificagées, para os métodos adaptativos; e) programas especialmente désenvolvidos para os demais métodos ; £) BMD-O2T, para avaliar possiveis periodicidades das sé- vies, através da andlise espectral. 149 - PROBLEMAS 1. Classifique as séries a seguir (discreta ou continua multivariada ou multidimensional). Especifique Z(t) ,t, T, ps a) indices diarios da Bolsa de Valores do Rio de Ja- neiro, de janeiro de 1960 a dezembro de 1970; b) registro de marés no porto de Santos,através de um aparelho medidor (marégrafo), durante 30 dias; ¢) medidas da pressao uterina e pressio sanguinea de uma mulher durante o parto; d) niimero de ocorréncias de meningite por més e por municipio de SGo Paulo; e) medidas das trés componentes de velocidade de um fluxo turbulento (como 0 oceano) durante certo in~ tervalo de tempo. 2. Considere a série temporal abaixo. a) Faca o grdfico da série; ela & estacionaria? b) Obtenha‘a primeira diferenga da série e faca o gra- fico correspondente; a diferenca é estaciondria?~ 16 = c) Mesmas questées de b) para a segunda diferenga. Produto Interne Ano -Beuto do Brasil 1964 27.614 1965 44.073 1966 63,746 1967 86.171 1968 122.430 1969 161.900 1970 208.306 197 276.807 1972 363.167 1973 498.307 1974 719.519 Dados em milkées de Cruzeiros. FONTE: Boletim do Banco Central, dez. 1976. 3. Considere a Série A do Apéndice A: producaio de leite no Estado de Sao Paulo. a} A série @ estacionaria? b) Obtenha 42, ¢ ALS estas séries sio estacionirias? 4. Considere a Série G do Apéndice A: Consumo de Energia Elétrica no Estado do Espirito Santo. a) A série @ estaciondria? Tem tendéncia? b) Considere a série diferengada A2,; 6 estaciondria? ¢) Tome agora log Z,; a série & estacionaria? d) Investigue se a série Alog Le é estaciondria ou no. 5. Responda as questées a)~d) do Problema 4 para a série abaixo: Exportagoes de suco concentrado de laranja 1970 15 | 1973 64 | 1976 101 | 1979 432 1971 35 | 1974 60 | 1977 177 | 1980 460 1972 41 | 1975 82 | 1978 333, Dados em US$1.000.000 FONTE: Revista Veja, n 468, Fev, 1981, -@-CAPITULO MODELOS PARA SERIES TEMPORAIS 2.1 ~ INTRODUGAO Os modelos utilizados para descrever séries tempo- vais sao processos estocdsticos, isto €, processos controla- dos por leis probabilfsticas. : Qualquer que seja a classificagio que fagamos para os modelos de séries temporais, podemos considerar um niimero muito grande de modelos diferentes para descrever 0 comporta- mento de uma série particular. A construgao destes modelos de- pende de varios fatores, tais como o comportamento do fendme- no ou o conhecimento a priori que temos de sua natureza e do objetivo da anlise. Na pratica, depende, também, da existén- cia de métodos Stimos de estimagao e da disponibilidade de pro- gramas ("software") adequados. . Como veremos em segdo posteriores, nas aplicacées em- Piricas, os tipos de modelos para séries temporais, para os quais existem procedimentos Stimos de estimacdéo, s4o em nime- ro limitado e estZo longe de serem os melhores. 2.2~-PROCESSOS ESTOCASTICOS No cap{tulo anterior introduzimos informalmente a no- -17-- 18 - cdo de processo estocdstico ou fungo aleatéria. Vamos dar,a- gora, a definigio precisa. DEFINIGAO - Seja T um conjunto arbitrario. Um processo estocas- tico & uma familia 2 ={Z(t),teT}, tal que, para cada téT, Z(t) é uma varidvel aleatéria. Nestas condigées, um processo estocdstico & uma fa- nilia de variaveis aleatdrias (v.a.), que suporemos definidas num mesmo espago de probabilidades (9,A,P). 0 conjunto T é nor- malmente tomado como 0 conjunto dos inteiros Z={0,21,42,...} ou o conjunto dos reais R. Também, para cada téT, Z(t) sera uma v.a. real. Como, para t@T, Z(t) € uma v.a. definida sobre 2, na realidade 2(t) € uma fungdo de dois argunentos,2(t,w) ,teT wé2. A Figura 2.1 ilustra esta interpretacao de um processo esto- castico. FIG. 2.1-Um processo estocéstico interpretado como uma familia de variaveis aleatérias.~ 19 - Vemos, na figura, que para cada t€T, temos uma v.a. Z(t,wW), com uma distribuigdo de probabilidades;é possivel que a fungdo densidade de probabilidades (f¢p) no instante t, se~ ja diferente da fap no instante t,, para dois instantes t, e tz quaisquer, mas a situagdo usual € aquela em que a fdp de Z(t,w) € a mesma, para todo téT. » Por outro lado, para cada w6 fixado, obteremos uma fungio de t, ou seja, uma realizacdo ou trajetdnia do processo, ou ainda, uma s&<éa tomporat. Vamos designar as realizacées de 2(t,w) por 24) (ty, 2) (t), etc. 0 conjunto de todas estas trajetérias é chamado o “ensemble”. Observemos que cada realizacao 2°5) (t) & uma fun- Ho do tempo t no aleatéria e para cada t fixo 24) ¢t) @ um nimero real. Una maneira de encarar a distribuigo de proba~ bilidades de Z(t,w), para um t fixado, € considerar a propor- cao de trajetérias que passam por uma "jancla" de amplitude A. Tal proporcao seré £(z)+d, se £(2) é a fdp de Z(t,w). Ver Fi- gura 2.2. FIG, 2.2-Um processo estocastico interpretado- 20 = O conjunto dos valores {Z(t),t€T} € chamado espace dos estados, E, do processo estocastico, e os valores de Z(t) sio chamados estados. Se o conjunto T for finito ou. enumeravel, como T = = {1,2,...,N} du T=Z, o processo diz-se com pardmetro discrete. Se T for um intervalo de R obtemos um processo com patimetro continu. 0 espago dos estados, E, também pode ser discreto ou continuo. No primeiro caso,’Z(t) pode representar uma con- tagem, como por exemplo, o niimero de chamadas telefénicas que chegam a uma central durante um perfodo de duas horas. No se- gundo caso, Z(t) representa uma medida que varia continuamen- te, como temperatura, voltagem, altura de ondas, etc. Em nossas consideragdes futuras teremos para estudo uma série temporal 2°J)(t) (uma realizagio de um processo es- tocdstico), que denotaremos simplesmente Z(t) e observagses feitas em instantes discretos e equiespacgados no tempo ,que de- notaremos 2; ,2),+++;2y ou,entdo, Z,, t=1,2,.+.,Ns 2.3-ESPECIFICAGAO DE UM PROCESSO ESTOCASTICO Sejam t,,t),..+,t, elementos quaisquer de T e con- sideremos F(Zyseeesty peers ty) = P{Z (ty) szy see iZ(tq)seqhe (20) Ent&o, o processo estocastico Z={Z(t),t€T} estara especificado se conhecermos as désinibuigées ¢inito-dinensionais (2.1), para todo n21. Isto significa que, para n=1, nds co- nhecemos as distribuigdes uni-dimensionais da v.a. zt), t eT,-21- para n=2, nés conhecemos as distribuicées bi-dimensionais da Vea. (Z(t,).2Z(ty)), ty,t,€T, e assim por diante.As funcdes de distribuigdo (f.d.) (2.1) devem satisfazer as duas condicées seguintes: 4) (Condigo de Simetria) para qualquer permutagio j,,.. vodqr dos indices 1,2,...,n, temos . ) FE(2y sees s2ystzseeest,) (2-2) di) (Condig&io de Compatibilidade) para m0; b) y(-1) = y(7)s (2.14) ©) Ivf) | s C0. 4) y(t) @ positiva deginida, no sentido que non ga ghitstet O57 20 para quaisquer nimeros reais aj,...,a, © Tys+++sT)&R. (ver Problema 2). A fungdo de auto-cometagic (fac) do processo Z é defi- nida por (2.15) TET. Segue-se que p(0) =1 e propriedades andlogas a (2.14) va- lem também para p(t). entao Se observarmos uma série temporal 2),-++, y(k) sera estimada por {Nek . . cyt WL Fe) CoD k=0,1,..+,N-1, (2.16) gil N z x onde Z=5 J 2, € a média amostrat; cy & denominada facv amoatral tel ea funcio de auto-corretagio amostral Yr K=O0,1,e04,Ned (2.17) é@ um estimador de p(t).2.5-TIPOS DE MODELOS Podemos classificar os modelos para séries temporais em duas classes, segundo o nimero de parametros envolvidos a) modelos paramétricos, onde este niimero de pardmetros & finito; b) modelos nao paramétricos, que envolvem um niimero in- finito de parametros. Na classe de modelos paramétricos a andlise é feita no dominio do tempo. Dentre estes modelos os mais freqiiente~ mente usados sao os modelos de erro (ou de regress4o), os mo- delos autoregressivos — médias méveis (ARMA) ¢ os modelos au- toregressivos — integrados — médias mdveis (ARIMA). Os modelos nao paramétricos mais utilizados sao a fungaio de auto-covariancia (ou auto-correlagao) e sua transfor- mada de Fourier, °o espectro. Do ponto de vista matematico estas fungdes sdo pa- res de Fourier e portanto equivalentes. A vantagem de se des— crever a série no dominio de freqiiéncias est4 no fato de se eliminar o problema da correlagio serial, pois na analise es- pectral os componentes sao ortogonais. Se Z={Z(t),t=0,#1,+2,...} 6 um processo estaciona~ rio ese J |y(|<* definimos 0 especiro de Z como pele 12 5 £0) = ap 2 ye iat, (2.18) pte : -40. 2) polinémio harménico, ou seja, uma combinacdo linear de senos e cossenos com coeficiente constantes,da forma £(t) = F fencosngt+fqsemige}, (2.27) n=]-32- com iy, 2, se £(t) tem periodo p. QO modelo de erro é classico para a analise de séries econdmicas, onde £(t) & composta da adigao ou multiplicacio de ambos os tipos de funcao: (2.26) representara a tendéncia e (2.27) as flutuagdes ciclicas e as variagdes sazonais. Ou se- ja, £(t) # TE +Sye (2.28) de modo que tS, ta. (2-29) t Normalmente, T, @ a componente ciclo-tendéncia, in- cluindo as flutuagdes ciclicas de longo periodo, que nao po- dem ser detectadas com os dados disponiveis, enquanto que S, & a componente sazonal ou anual. 0 modelo (2.29) sera estuda- do com algum detalhe nos Capitulos 3 e 4. b) Modelos ARIMA A hipdtese de erros nao correlacionados introduz sé- vias limitagdes na validade dos modelos do tipo (2.20), para descrever 0 comportamento de séries econdmicas e sociais, on- de os erros observados sao auto-correlacionados e influencian a evolugdo do processo. Para estes caso, os modelos ARIMA sao fiteis para os propositos que temos em vista. Duas classes de processos po- dem ser descritos pelos modelos ARIMA: i) processos Lineanes estacionarios,passiveis de representacao na forma~ 33 - 1 Berm = ay Hayy Fay tee = 2 Mater Wg 71+ (2.30) Em (2.30) a, @ rufdo branco e m=E(Z,); Vyas & uma seqiiéncia de parémetros tal que J pr hean#1,... 5. Responda as questdes de 4. para o caso em que by = ait para todo k, 6. Considere as observacées: t 1961 1962 1963 1964 1965 1966 1967 , 1S 19 1B P22 1820 Galcule cy @ Tey K=0,1,.06,6. 7. Considere 0 modelo (2.20) com as suposicédes (2.21) ¢ con £(t) =a +B8t. Obtenha os estimadores de minimos qua- drados de a e B para os dados do problema 6. 8. Suponha £(t) dada por (2.26), com m=2.0btenha 4?£(t) e A°£(t). De modo geral, para um m qualquer, calcular A4E(t), isto 8, a d-ésima diferenga de f(t), d um in- teiro qualquer. we Obtenha os valores suavizados 2¢ definidos no proble- ma 4, para os dados do problema 6. Faga um grafico pa-10. 12. 13. 14. 1s. 16. = 36 - ra Z, ¢ Z¥. Use n=1 e by =, para todo k. Para o problema anterior, supondo Var(a,} =oR =1, ob- + * at tenha Var(at) © Cov(at.at,,): Considere os dados de PIB do Brasil, do problema 2 do Capitulo 1, arredondados em bilhdes de cruzeiros.Cal- cule a média amostral 2, ¢g,¢q.y.C3+CqsT9s7y> > Tas 14 @ faga o grafico de r,, j=0,1,++.,4 » onde a, & rui- Considere o processo estocdstico 2, = 7 do branco, com t =0,#1,#2,... € {. com probabilidade 1/2 . -1, com probabilidade 1/2. a) Obter a média do processo 23 b) Calcule y(t), T= 0,#1,42, ¢) Calcule p(t), t#0,#1,-.- e faga o seu grafico. r : Tz = pict Prove que A*Z, y (0) G45 j=0 Considere os dados do problema 5, do Capitulo 1. a) Obtenha 2¢, para b, = 1/3, qualquer que seja k; b) Caicule Z, Cys] -yCz, TysTyrT2 Ts & faca os res- pectivos graficos. Suponha {a,,t=1,2,...} uma seqtiéncia de v.a. indepen- dentes e identicamente distribuidas, com P(a,=0) = P(a,=1) = 1/2. a) O processo a, ta, cos t € estaciondrio? b) O processo a; +a, cos t ta, sent & estacionadrio? Se {X,,t€T} e (¥,,t6T} sHo estaciondrios, {aX,*bY,,ter} sera estaciondrio? - @ -PARTE 1 NODELOS DE DECONPOSICAO: COMPONENTES NAO OBSERVAVEIS. PARTE 1 MODELOS DE DECOMPOSICAO: COMPONENTES NAO OBSERVAVEIS Um modelo classico para séries temporais supde que a série temporal Z,, t=l,...,N, possa ser escrita como a soma de trés componentes: uma tendéncia, uma componente sazonal e um termo aleatério: Observando a Série H do Apéndice A,notamos que hd um aumento gradual das observacdes; dizemos que a série apresen- ta uma tendéncia, crescente no caso. Pode haver um declinio da série, em outros casos. De modo geral, a tendéncia em séries econémicas ou demogrdficas é causada por fatores que sido me- didos durante perfodos longos de tempo. A componente sazonal aparece quando as observacdes sao intra-anuais, isto €, registradas mensalmente,trimestral- mente ou semanalmente, por exemplo. E também chamada componente anual ou estacional e pode ser considerada aproximadamente pe- riddica. A Série A do Apéndice A apresenta uma periodicidade mar- cante de 12 meses enquanto que na Série B o fendmeno nao é tao evidente. -37-- 38 - Era comum, historicamente, incluir no modelo una com ponente ciclica, para representar movimentos com perfodos lon- gos, geralmente maiores que um ano. Contudo, como destacam Gran~ ger § Newbold (1977), "nao ha evidéncias que séries macroeco- némicas modernas contenham componentes periédicas além da sa~ zonal". Por outro lado, aquilo que parece ser uma tendéncia na série pode ser parte de um ciclo com perfodo muito grande ,que nao @ detectdvel devido ac fato de estamos observando a série em um intervalo de tempo pequeno comparado com 0 periodo do ciclo. No que segue nao consideraremos @ existéncia de ciclos com perfodos maiores que doze meses. Removendo-se as componentes T, ¢ S, 0 que sobra é a componente aleatéria ou residual a,. A suposicgao normal é que a, seja um processo estocastico puramente aleatério (ruido bran- t co), se bem que em alguns casos podemos considerad-1o un pro- cesso estaciondrio, digamos, com média zero e variancia cons- tante. 0 modelo acima & dito aditivo, que & adequado por e~ xemplo quando S, ndo depende das outras componentes, como Ty. Se as amplitudes sazonais variam com a tendéncia um modelo mais adequado é 0 multiplicative. z= Tye S yr age que obviamente pode ser transformado num aditivo tonando-se lo- garitmos!se Z* =1ogz,, Tf =logT,, etc., obtemos Zt = TE +St tat.= 39 - £ possivel considerar modelos mistos, da forma TLS, ta, por exemplo, ou entao modelos mais complicados, Este assunto sera discutido no capitulo seguinte. © problema que se apresenta é o de modelar conveni- entemente as trés componentes Ty, Sy © a, a fim de se fazer previsdes de valores futuros da série. O que se faz usualmen- te € representar f(t) =T, +S, por alguma fungio suave do tem- po, por exemplo, uma mistura de polinémios e fungdes trigono- métricas. Deste modo, encara-se’ f(t) como uma fungao detenmé- nistica do tempo. Todavia, € possivel considerar sazonalidade estooastica, por exemplo, quando ela varia com o tempo e neste caso sera necessdrio usar modelos diferentes para S,. Uma discussio elaborada sobre a histéria da idéia de utilizar componentes nao observdveis em séries temporais eco- nomicas pode ser encontrada no Capitulo 1 de Nerlove, Grether § Carvalho (1979).CAPITULO TENDENCIAS 3.1 INTRODUGAO Consideremos as observagdes {Z,,t=1,...,N} de uma sé- rie temporal. Vimos que um modelo de decomposicao consiste em escrever Z, como uma soma dé trés componentes nao observaveis, 2, = Ty +8, tay, (3.1) onde T, e S, representam a tendéncia e sazonalidade,respecti- vamente, enquanto que a, é uma componente aleatéria, de média zero e variancia constante oj. Se {a,,t=1,...,N} sio observa~ gdes de um rufdo branco, entao E(a,a,) =0, s=t, mas podere- mos, eventualmente, relaxar esta suposigdo, tomando {a,} como um processo estacionario. Segue-se que {Z,} serd uma sirie nio estacionaria. © interesse principal em considerar um modelo do ti- po (3.1) serd o de estimar S, © construir a série livre de sa~ zonalidade ou sazonalmente ajustada. Isto 6, se é uma es- timativa de See ~ (3.2) € a série sazonalmente ajustada. Hd varias razdes para consi- ~40-- 41 - derar este procedimento de-ajustamento sazonal, que serdo es- tudadas no Capitulo 4. As componentes The Sy sao, em geral, bastante relacionadas e a infivéncie da tendéncia sobre a con- ponente sazonal pode ser muito forte, por duas razdes (Pierce (1979)): a) métodos de estimac4o de S, podem ser bastante afeta- dos se nao levarmos em conta a tendéncia; b) @ especificagio de S, depende da especificacio de T,. Por isso, ndo poderemos isolar uma das componentes sem tentar isolar a outra. Estimando-se T, e S, e subtraindo de Z, obteremos uma estimativa da componente aleatéria a,. Neste capitulo vamos supor que a componente sazonal S, ndo esteja presente. Ou seja, o modelo que consideraremos sera = T, ta, tte (3.3) onde a, 6 rufdo branco, com média 6 ¢ variancia 03. Os mais utili- Ha varios métodos de se estimar T, zados consistem em: i) ajustar uma funcdo do tempo, como um polinomio, uma exponencial ou outra fungo suave de t; m suavizar (ou filtrar) os valores da série ao redor de um ponto, para estimar a tendéncia naquele ponto Estimando-se a tendéncia através de J, podemos ob- ter a série ajustada para tendéncia ou livre de tendéncia, Y, = Z, -T.- 42 - Um procedimento que & também utilizado para climi- nar a tendéncia de uma série & aquele de tomar diferencas,co- mo foi definido na seco 1.4, Normalmente, para séries econd- micas por exemplo, a primeira diferenga ja € estacionaria. 3.2 - TENDENCIA POLINOMIAL Um procedimento muitas vezes utilizado é ajustar u- ma curva aos valores observados da série para estimar T, ¢ fa- zer previsées. Tradicionalmente sao utilizadas fungdes expo- nenciais, logisticas, de Gompertz mas vamos nos limitar a des- crever brevemente o ajuste de um polindmio. 0 problema mais sé- rio que se encontra ao estimar T, através de um polinomio é que, embora ele possa se ajustar bem ao conjunto de valores obser- vados, extrapolagdes futuras podem ser bastantes ruins. Suponha, entdo, que T. 4 = Bg tByt tee. +B Lt™ (3-4) onde o grau m do polindmio € bem menor que o nimero de obser- vacgées N. Para estimar os parametros 85 utilizamos o método dos minimos quadrados, ou seja, minimizamos N . £(Bq voy) 7 Lp Bq “Bit oor+ BRED (3.5) obtendo-se os estimadores de minimos quadrados usuais 8) .2,.- so Bye Este @ um assunto conhecido (ver, por exemplo, Draper §- 43 - Smith, (1966)) e nZo serd discutido mais aqui. Assim como no problema usual de regressao, também aqui é possivel transfor- mar ao “varidveis independentes" 1,t,t?,...,t™ em "variaveis “independentes ortogonais". Especificamente, nosso modelo pas~ $a a ser escrito Te = Gq Fazdgy lt) + + ep bay (t) » (3.6) onde Spy (t) =1, ¢yy(t),+++.4py(t) so polindmios ortogonais de graus zero, um, ..., m, respectivamente. 0 polindmio ortogo- nal de grau k & dado por 1 dye) = tec Cute. +c, Cmpt + Cp 0kN), k=1,...,N-L e onde os C)(K,N) dependem de Ne do, grau do po- linémio ¢ sio determinados por N yt Mae = 0 jek. Segue-se que hd uma relaclo entre os a; eos By © os estimadores de minimos quadrados dos a; em (3.6) sdo dados por N D 2yrdyy (4) - 225, j20,1,e.+ sm. (3.7) y 2 eatin Para detalhes, ver Anderson (1971, pag.31) e Draper § Smith (1966, pag. 150). EXEMPLO 3.1 - Na Tabela 3.1 apresentamos parte dos dados da Série G: Consumo de Energia Elétrica no Espirito Santo. Sao 24 —- 44 - observacdes, referentes aos anos 1977 e 1978 e arredondadas. Notamos que, para este periods, um polindmio de primeiro grau é adequado para representar T,. TABELA 3.1- Série G, Consumo de Energia rica no Espfrito Santo, jande 1977 a dez.de 1978 t : t z, 1 84,6 | 13 1103 2 89,9 | 14 11841 3 81,9 | 15 116,5 4 95,4 | 16 134,2 5 91,2 | 17 134,7 6 89,8 | 18 1448 7 89,7 | 19 Tal 8 97,9 | 20 1592 9 103,4 | 21 168,2 210 107,6 | 22 175,2 n 120,4 | 23 174,45 12 109,6 | 24 17347 PONTE: Tabela 4-7, Apendice A Q modelo (3.3) reduz-se a 2, = By tByt tay (3.8) e minimizando a soma dos quadrados dos residuos N £(Bg. By) = 22780783)? obtemos as equacdes nonmais (3.9)= 45 - As solugdes de (3.9) sao Bo =@ ~Byts (3.10) N _ tells lLedy ew) (3.211) be hays onde a hte € a média amostral das N= 24 observacgées e ima o -i Wea Levando em conta que N N ye = AGED. 500, fF 2, = 2.918,2, Z=121,47, F=12,5, t=1 tel } t? = AGH CN) 2 4 900, ; +2, = 41.318,6, tal t=l obtemos = 68,445, = 4,242. Logo, um estimador de T, 6 T, = 68,445 +4, 242.= 46 - Podemos verificar facilmente, neste caso, que as for- mulas (3.11) e (3.7) coincidem. Pode-se mostrar que eon (4) 21s yy) = t dO) 1N z @ que os coeficientes 8, © a; so relacionados por = 0; +0; G+1.Ma. + £05 (MN) oq, (3.12) jet j=0,1,....m. Usando (3.7) vemos que N N 1 N 1 N Qe ytelt 20) 2 eZ, - 701) YZ L e 1 Oy) [t- 5001) 1? ¥ te -S0en) ey iN Ra 2 a? que coincide com (3.T1). Por outro lado, 8, =a,, usando (5.12). Também, i Ze dqy(t) ee, t7ON 2 eby?on (t) enquanto que = ap #Cy(1.Nay = og - 12,5, ou seja, By = &p - 12,58, = 2-12.58, = Z-TB,. que € (3.10).- 47 ~ Para calcular os estimadores a, através de (3.7) u- tilizamos tabuvas de polindmios ortogonais, que sao construfdos para diversos graus m e diversos valores de N. Ver Fisher § Yates (1964),por exemplo. Utilizando o modelo estimado para T, podemos prever valores futuros da série. Por exemplo, na Tabela 3.2, temos os valores reais e previstos para janeiro, fevereiro, marco e a- bril de 1979. Observe que o valor para margo de 1979 & bastan- te "anormal" e 0 erro de previsdo neste caso é grande. TABELA 3.2 - Valores reais e previstos para a Série G, jan.-mar. de 1979 3 erro de h 2. yl) crevisao (n(n?) 179,8 174.5 553 2 | 185,8 178,7 7,1 3 | 270,3 1830 87,3 4} 1969 187,2 97 De modo geral, o valor previsto h passos a frente 2y(h), dadas as observagées até o instante t =N eo erro de © previsdo correspondente é (3.13) ey Ch) = 2Neh Por sua vez, 24) = Trane (3.14) para h=1,2,3,...-- 48 - — ralg+ aA ® (epefooera eyurT) 32 ‘(eToys eyutT)?z ep oorzez9— te VaNOLE at 5 ” — BL6T OT ounsuoy Loz- 49 - Na Figura 3.1 temos os grdficos de Z, ede T, dada pela reta de regressdo. 3.3 ~ SUAVIZACAO Quando supomos que a tendéncia possa ser representa- da por um polindmio de baixo grau, isto implica que usamos to- das as observacdes Zu t »N para estimar o polindmio, que representard T, sobre todo o intervalo de tempo considerado. A idéia de se usar algum tipo de suavizagdo 6 que a tendéncia num instante t serd estimada usando-se observagées Z,: com s ao redor de t, por exemplo, usamos as observagées ZeemMemers oto 2 pan PATA estimar Ty. O que fazemos é usar um gittro Linear, ou seja, uma o- peragdo que transforma a série Z, na série Ze: 24 = FLZ,1, t=1,...,N. (3.15) t Dado o modelo (3.3), transformando-o através de F, obtemos t ttat. (3.16) onde TE =FLT,J,az =Fla,]. Queremos que F seja tal que TE eT, e af =0, de modo que suavizando-se as observagoes 2, obtenha- mos FIZ,] = 2 eT, Dadas as observagées 2,,-.-,2y, 0 filtro F comumen- te utilizado € da forma Fn zt i tentl,...,N-n, (3.17) C52 445° nd tt5- 50 - onde J c, =1. Observe que perdenos a observagées no inicio je-n . . en no final da série original. Zt seré uma estimativa da ten- déncia no instente t e também dizemos que (3.17) & um filtro de médias moveis.O caso mais simples & aquele em que para todo j, de modo que (3.18) De (3.3) temos n we J ot. = J ofl, ta.4.] t ni ti joy J BIT ou seja, ze = (3.19) onde a ata} csaeyse (3.20) que E(Zt) = dado que T,,; #T,, supondo-se a tendéncia "suave. Ou seja. a série original e a série suavizada tém praticamente a mesma média, para cada t. Por outro lado, (3.22)-~51- dado que Var(a,) =03, constante. Gomo Var(Z,) o e Var(Zt) = = Var(at}, segue-se de (3.22) que a série suavizada tera uma variancia menor se c, 20, ¥j. Mas 0 filtro (3.17) introduz u- ma correlagio nos residuos. De fato, nossa suposigao era que E(a,a,) = Cov(a,,a,) =0, s#t- FE facil ver (Problema 4 do Ca- pitulo 2) que " a B(atatyy) (3.23) =0 : he2n+1,-.. - A série livre de tendéncia seré 2,-Zt e B(Z, - 2) representa o vicio de estimag3o, dado por a v(t) = T(t) -_ 2 SiTeeg? (3.24) e como vimos, v(t) =0, 34 que B(2#) =E(Z,)- © erro quadrdtico médio do estimador & ECT, -25)? Var (Zt) +? (t) (3.25) 4 2 q cf ve (t). n A idéia € escolher nm (dado que of € conhecido) de modo que (3.25) seja o menor possivel; todavia, 0 vicio v(t) e a variancia de 2* variam de modo oposto em relagdo a n (por que?). Desta maneira, cabe ao usudrio selecionar o valor de n adequado; para dados mensais usualmente tomamos médias moveis-52- de 12 observagoes sucessivas. Segundo Anderson (1971), hd trés desvantagens prin- cipais neste processo de suavizacdo: i) Inferéncias estatfisticas derivadas do método sao 1li- mitadas, dado que ele nao € baseado em nenhum modelo probabilfstico; ii) ndo podemos obter-as estimativas da tendéncia nos ins- tantes t=1 .)n e t 2N-ntl,...,N; iii) nao fornece um meio de fazer previsdes. A idéia de estimar TY, através de (3.17) surge quan- do tentamos ajustar um polindmio aos primeiros (2n+1) valores da série e usamos este polinémio para estimar T, no instante (ntl), depois aos (2n+1) pontos seguintes, etc.Resulta que T, sera uma combinagao linear de 2Z. ++>Zean> Com coeficientes ten’? independentes de t. Para detalhes, ver Kendall (1973, Capitu- lo 3) © Durbin (1962).-Em particular, Durbin mostra que o mé- todo de suavizacaéo e o método de tomar diferencas, a ser dis- cutido a seguir, sio equivalentes a ajustar polinimios de bai- xa ordem. EXEMPLO 3.2 -.Para ilustrar o procedimento, consideremos os da- dos da Tabela 3.1 e n=1 em (3.18), ou Seja, teremos médias u/)- veis centradas de trés termos: 1 ae at = x,iy tty t=2,3,+--,23. Assim, tel _ 84,6489, 9481,9 2 = py thgtts) = 85,5, etc.~ 53 - Os valores estimados estdo na Tabela 3.2, juntamen- te coma série Y,=2,-2Z%, livre de tendéncia.-Dado o modelo (3.3) esta série deveria satisfazer as suposicdes do mesmo. Verifique se isto acontece, Os valores de aa estéo na Figura 3.1; observe que o grafico de 2 mais suave que Z,, dando uma idgia melhor da t existéncia de tendéncia na série. Se o nimero de termos que entram na média mével for par, entao estaremos estimando a tendéncia para um valor Ty, tal que t nao coincide com um dos instantes de tempo consi- derados. TABELA 3.2 - Médias méveis centrada de trés termos para os dados da Tabela 3.1 * 8 t oz 2 az | it ze Y, AZ, 1 84,6 - > - 73°°120,3 112,70 -2,4 -3,1 2 89,9 85,5 4,4 5,3 14 118,1 115,0 341 7,8 3 81,9 89,1 -7,2 -8,0] 15 116,5 122,9 -6,4 ~1,6 4 95,4 89,5 5,9 13,5 16° (134,2 128,5 5,7 17,7 5 91,2 92,1 0,9 -a,2 | 17 134,7 1379 3,2 9,5 6 89,8 90,2 -0,4 -1,4 18 144,8 141,3 3,5 10,1 7 89,7 92,5 -2,8 -0,1 19 144,4 149,5 -5,1 -0,4 8 97,9 97,0 0,9 8,2 20 159,2 157,3 1,9 14,8 9 103,4 103,0 0,4 5,5 | 21 168,2 167,5 0,7 9,0 10 107,6 110,5 =2,9 4,2 { 22 175.2 172,6 2,6 7,0 41 120,4 112,5 7,9 12,8 f 23 174,5 174,5 0,0 -0,7 12° (109,6 113,4 -3,8 -10,8 | 24 173,7 > - -0,8 2, =dados da Tabela 3.1; 2k =média movel centrada Y, * série livre de tendéncia; AZ, =a 1 diferenga da série. Assim, considerando-se a média dos 4 primeiros valo- ; feng = 243 _ res, estaremos estimando a tendéncia T, para t = Ay = 2,5.Pa ra centrar em um instante de tempo dado ,considera-se cada termo da nédia mivel como média de 2 observacées sucessivas.- 54 - , Por exemplo, para médias méveis de 12 observagées, tomamos ee a = Fefteg* Meet o-* Mers * Lesa} (3.28) =7,8,...,12p+6, sendo a série observada durante (p+1) anos. Por exemplo, Z, +2, ty +2y 4rfz, +22) * 22g t+0. #2249 +245}. Neste caso, perdemos 6 observacées em cada extremo da série observada. Estimativas da tendéncia para os instan~ tes iniciais e finais podem ser obtidas por uma extensio do método exposto. Nao trataremos deste assunto aqui. Ver Kendall (1973) para detalhes. 3.4 = DIFERENCAS Considere T, representada por um polinémio; ent&o to-~ mando-se um namero apropriado de diferengas obteremos uma cons- tante. Por exemplo,. se £ fAcil ver que se T, é dada por (3.4), ento- 55 - aig, se mad = (3.27) 0, sem0, ou seja, existe uma tendéncia crescente. Este teste € amplamente conhecido e nao sera discutido aqu’ Todavia, & aconselhdvel estabelecer se existe compo- ponente de tendincia na série antes de aplicar qualquer procedimen- to para sua estimacao. Se existe outra componente (como S,) na série, além de T,, terfamos que eliminad-la antes de testar a presenga de T,- Esta observacdo também vale para 0 caso em que quisermos testar a presenga de S,: teremos que eliminar, antes, T,. Es- e se assunto serd tratado no Capitulo 4. Existem alguns testes nio paramétricos que sao iteis para se testar se hd tendéncia em um conjunto de observagées. Contudo, estes em geral se baseiam em hipdteses que podem nao estar verificadas para o caso de uma série temporal; em par- ticular, uma suposicao comum é que as observagées constituem uma amostra de uma populagao, e assim elas serao independen- tes. Deste modo, estes testes devem ser utilizados com cautela e, em geral, s&o pouco poderosos para detectar alter~ nativas de interesse. Teste de Seqiiéncias (Wald-Wolfowi tz) Considere as N observacées 2, +N de uma sé- 60 - rie temporal ¢ seja m a mediana destes valores. Atribuimos a cada valor 2, 0 simbolo A se ele for maior ou igual am e B se ele for menor que m. Teremos, entdo, N= (ny pontos A) + (n, pontos B). A estatistica usada no teste é T, = nimero total de seqiiéncias (isto €, grupos de simbolos iguais). Rejeitamos a hipdtese nula H de que a seqiiéncia é aleatéria contra a alternativa K que existe uma tendéncia se ha poucas seqiiéncias, ou seja, se T) & pequeno. Para um dado a, rejeitamos H se T; sees 2yigedy), onde cad, sen é par e c= Sh, se N & immar. : i i + . <2, i- A cada par (Z;,2;,,) associamos 0 sinal + se 2; <2i,, © 0 si ite nal - se 2; >234,, eliminando os empates. Seja n o nimero de pares onde Z; *Zi4,Queremos testar: P(252;,,), Vit nfo existe tendéncia contra K: P(Z;<2,,.) #P(Z;>25,.), Vit existe tendéncia. Este € um teste bilateral. Um teste unilateral para testar H: nao existe tendéncia positiva contra K: existe ten- d&ncia positiva € obtido substituindo-se = por s e + por >, respectivamente em H e K acima Seja T, =ntimero de pares com sinal +. Entaéo, para n<20, a regra de decisao € baseada na distribuicdo binomial ¢ para n >20 podemos usar a aproximagao normal. Considere o teste unilateral mencionado acima. Va- lores grandes de T, indicam que + € mais provdvel que -, por- tanto rejeitamos H se T, 2n-t, onde t € encontrado numa tabe- la da distribuigio binomial, com parametros p t en, para’um dado nivel a. Teste Baseado no Coeficiente de Correlagao de Spearman Este teste 6, em geral, mais poderoso que o teste de Cox-Stuart. Chamemos de R, 0 posto de Z, dentre as N observa- goes. Se houver observagdes empatadas use postos médios. Seja 3 0 thers 2 CR -tl*, tFl onde t =1,2,...,N sfo os postos "naturais" dos instantes de- 62 - tempo. Rejeitamos a hipétese de que nao existe tendéncia se T; for grande ou pequeno. A distribuicaéo de T, & tabelada; ver, por exemplo, Tabela 9, de Conover cag71). 0 teste pode ser feito também en fungo do coeficiente de correlaggo de Speammn, dado por oT, e=l- N(N?=1) EXEMPLO 3.4 - Vamos considerar os testes acima para os dados da Tabela 3.1. Na Tabela 3.3 temos os c&lculos necessérios pa- ra se obter as estatisticas T,, T, ¢ Ts. Fixemos a = 0,05 em todos os testes. TABELA 3.3 - Valores da Série G (Energia) e valores de R, © (R.-t)? -t]? =e t 2, Re CR ee | eZ, ER tT “1 84,6 2 1 13° 110,30 12 1 2 999 5 9 14°118,1 14 3819 10° 4 15° 116,5 130 4 4 98,4 7° 9 16 134,216 a 5 91,2 6 1 17 134,717 0 6 9,8 4 4 18 144,819 1 7 89,7 3 16 19 144,418 1 @ 979 8 0 20 159,220 0 9 1034 9 0 21 168,221 0 10 107,6 10 0 22 175,2 24° 4 11 120,4 18 16 23° 174,523 0 12 109,6 11 1 24. 173,5 2200 4 Teste de Seqiiéncias A mediana 6 i= 13,4, ny =n) =12 © Ty Consultando uma tabela, encontramos w,=8, logo rejeitamos H: nao existe tendéncia.- 65 - Teste de Cox-Stuart c=12 e os pares (2;,23,)2) sao (2 2a a) reves (24 2+%24). facilmente identificdveis na Tabela 3.3. Aqui Ty = 12 e obviamente rejeitamos H. Como n<20, a aproximacio nor- mal nao 6 adequada. Teste baseado em T, Aqui T; =76 © os quantis W472 © ¥y_4/2 so dados por 1.366 e 3.234 respectivamente (ver Tabela 9, Conover). Como Ts j =0,1,2,...) tal que E((D,4y-8,)73 =0. Se g é linear, ent&io {Dy} diz-se determintstioa Linear. Prove que D, = = are, » conhecido ¢ D, = ce 8, conhecidos, séo deterministicas lineares. * Suponha que o modelo seja da forma Z, =g(t)+h(t) +a,, onde g(t) & periddica de perfodo T e h(t) representa tendéncia, por exemplo. Admita que } g(t) =0. Mostre que uma média mével com T termos ¢ Soeficientes iguais eliminara g(t), isto é, T T 1 1 ; z( ej) =F Lae) Thy te T5321 Prove as relacdes (3.30) e (3.31).CAPITULO SAZONALIDADE, 4.4 ~ INTRODUGAO Neste capitulo nosso objetivo sera ajustar uma sé- rie para a componente sazonal, ou seja, estimar S, e subtrair a série estimada de 2, no modelo Zz (4.1) = TFS, tage t=l,2,--- Desta maneira, um procedimento de ajustamento sazonal con- siste em: a) Obter estimativas S, de S,; bd) caleular SA 28 - (4.2) Se o modelo for multiplicativo, da forma zy = T,Sia,> (4.3) a série sazonalmente ajustada sera SA _ $ ae" = 2, 18,- (4.4) Como ja salientamos, o modelo (4.3) € muitas vezes ~65-- 66 - adequado para séries econdmicas, que apresentam um crescimen- to exponencial. Tomando-se logaritmos, obtemos 0 modelo adi- tivo (4.1). Ao se estimar S, estaremos, en geral,cometendo um er- ro de ajustamento sazonal, dado por 6, = 5, -5 (4.5) Dizemos que um procedimento de ajustamento sazonal & 6timo se minimiza E(62). A importdncia de se considerar procedimentos de a~ justamento sazonais pode melhor ser ilustrada pelo seguinte trecho, extraido de Pierce (1980): “Tem havido no passado um interesse em se ter dados disponiveis sobre fenémenos importantes, sociais ¢ econdmicos, para os quais a variagao sazonal foi removida. As razdes re- lacionam-se, geralmente, com a idéia que nossa habilidade em reconhecer, interpretar ou reagir a movimentos importantes nado sazonais, numa série (tais como pontos de mudanga e outros e- ventos ciclicos, novos padrées emergentes,a ocorréncias nao es- peradas para as quais causas possiveis sdo procuradas) & per- turbada pela presenga dos movimentos sazonais". Além disso, @ dificil definir, tanto do ponto de vis- ta conceitual como estatistico, o que seja sazonalidade. Enpiricamente, consideraremos como sazonais os fe- némenos que ocorrem regularmente de ano para ano, como um au~ mento de vendas de passagens aéreas no verdo, aumento da pro- dugdo de leite nos meses de novembro, dezembro e janeiro (Sé--67- rie A), aumento de vendas no comércio na época do Natal, etc. Consideremos a Série A do Apéndice ‘+ Vemos que a sé- rie tem um comportamento aproximadamente periddico, havendo semelhangas a cada s=12 meses. Chamaremos s de pertodo, mes- mo que o padraéo ndo seja exatamente periédico. A Tabela A.1 do Apéndice A mostra as observacées da Série A, de dezembro de 1975 a novembro de 1980. Temos uma tabela com s 2) colunas e ha dois intervalos de tempo que sio importantes, més e ano.0 que se observa em séries sazonais € que ocorrem relagées: a) entre observagdes para meses sucessivos em um ano par- ticular; b) entre as observagdes para o mesmo més em anos suces- sivos. Assim, a observagio 2, corresponde a janeiro de 1977 € reiacionada com os demais meses de 1977 bem como os demais meses de janeiro de 1976, 1978, etc. Notemos a semelhanga com Andlise de Variancia,os me- ses representando "tratamentos” e os anos representando as "ré- plicas". Assim, Z, @ relacionada com 2, ;,Z,_95-++, mas tam- bém com 2 . . Isto implica que séries sazonais sio t-s*24-25°" caracterizadas por apresentarem correlagaéo alta em “lags sa~ zonais", isto é, lags que séo miltiplos do perfodo s. Um pro~ cedimento de ajustamento sazonal sera tal que esta correlacao sera destruida (ou pelo menos removida em grande parte). Sem perda de generalidade consideraremos 0 caso que temos dados mensais e 0 niimero total de observacdes, N, & um= 68 - maltiplo de 12, isto é, N=12p, p=nimero de anos. Suporemos, também, que temos um niimero completo de anos, de modo que os dados podem ser representados como na Tabela 4.1. TABELA 4.1 - Observacdes mensais de uma série temporal com p anos Heses anos | Jan fev Mar ... Dez | Médias 1 2 3 12 1 Zi ye Fags Aa 2} ar Fon Fog e+ 2o,12 we z P| pr 752 493 plz | 4p nédias |3,, 2 Ege Eg] 2 A notagio +1 € padrdo e 2, isl...up. (4.6) wees], (4.7) 12 N ze 1 Zs lee = z (4.8) 2p Qi gh aj ON eh t Vemos, pois, que é conveniente re-escrever 0 modelo (4.1) na forma (4.9) No modelo (4.9) estamos supondo que a sazonalidade @ constante, ou seja, nfo muda de ano para ano. No caso de sa- zonalidade nao constante o modelo fica. - 69 - B21,...,p je1,...,12. (4.10) No modelo (4.9) temos que o padrdo sazonal nao va- ria muito de ano para ano e pode ser apresentado por 12 cons~ tantes, 0 que n&o ocorre com (4.10). Existem varios procedimentos para se estimar $,, sen- do que 0s mais usuais sdo: a) Método de regressio; b) Método de médias méveis. Um outro enfoque é incorporar a variagdo sazonal e a tendéncia em um modelo ARIMA, a ser estudado na Parte 4. 4.2 SAZONALIDADE DETERMINISTICA — METODO DE REGRESSAO. Os métodos de regressdo sao 6timos para séries que apresentam sazonalidade deterministicn, ou seja, esta pode ser pre- vista perfeitamente a partir de meses anteriores. EntGo, no modelo (4.1), temos que no , - gti (4.11) 58 12 Sy jbatifie (4.12) onde {4;,) so varidveis periSdicas (senos, cossenos ou varid- veis sazonais “dunfnies"); a, @ ruido branco, com média zero e variancia o2. Como estamos supondo sazonalidade constante, %, nao depende de T, Podemos ter por exemplo,- 70 ~ 1, se 0 perfodo t corresponde ao nés jy nl, -.12 deo . (4.13) 0, caso contrario. Neste caso, aye tag tee yg, TP (4.14) de modo que a matriz de regressao ndo @ de posto completo,mas de posto m+12 (observe que temos m+13 pardmetros: o4,+ Ba) “12 BosBysr Impondo-se a restrigdo adicional Ja, = 0. (4.15) obtemos um modelo de posto completo ~ ib = j a 8 jt + hesae "4 (4.16) onde agora 1, sé o periodo t corresponde ao més j, D;, = {r1, se 0 perfodo t corresponde ao més 12, °- (4.17) 0, caso contrario, seeeydd Deste modo podemos utilizar a teoria usual de mini- mos quadrados e obter os estimadores de 4; e 83> ou seja, pa~ ya uma amostra Z,, oly obtemos o modelo 2=CB+Data (4.18) onde5g By a LB, (4.19) Pir Pay Dy D. lo. p =| ?2 Pz a [2 Nea [otters ux ft LO Pay 1 a, A equacdo (4.18) pode ser escrita na forma z= Xyta, (4.20) onde X= (CDI e@ y= de modo que oe rye lye yr Cex) Ee (4.21) so os estimadores usuais de minimos quadrados. EXEMPLO 4.1 - Consideremos a Série G — [ndice de Produto In- dustrial do Brasil, janeiro de 1969 a julho de 1980, com N= = 139 observagées. Analisando o grafico da série resolveu-se considerar o modelo (4.16) com uma tendéncia linear, ou seja, i 1 2, = By *B,t * bose 78e (4.22) Utilizando-se um programa de regressio para resol-I -72- . [*| . | 8) 97,95 ay 816,67 . -1.404,12 . -50,65 . -667,69 . 32,11 as |. |= 215,66 |. : 712,87 : 918,52 . 281,19 1.142,24 any 154,58 ver (4.21), obtemos, (4.23) de modo que a constante sazonal para dezembro sera -517,84, devido a (4.15). Na Tabela 4,2 temos as previsées para os meses de agosto a dezembro de 1980, utilizando (4.22) e (4.23). TABELA 4.2 - Previsdes para a Série C (IPI) de agosto a dezembro de 1980 wes h 24 39(h) 1980 agosto 1 22.101,83 setembro 2 21,562,46 outubro 3 22.521, 46 novenbro 4 21.631,55 aezembro 5 21.057,28 Por exemplo,-~ 73 - Zy5g(4) = 7.470,32 + (97,95) (140) + 918,51 22.101,83 enquanto que By 59(S) = 7.470,32 + (97,95) (144) ~ 517,84 = 21.057, 28. Qs valores estimados a5 sdo chamados médias mensais ou constantes sazonais. EXEMPLO 4.2 - Séries econdmicas em geral apresentam um cres- cimento exponencial, dai o uso de modelos multiplicativos;to- mando-se logaritmos e uma diferenga obtemos, em geral,uma sé- vie estaciondria. Donde, se 2% = log Z,, um modelo adequado-para um gran- de niimero de séries econdmicas & 42 ate = a+ Lajdje tats (4.24) ge onde ae = hds, e at ha, (4.24) também pode ser escrita 12 atte B+ T8545, 488, (4.25) gal onde = 3; Ja2,+4+,12 (4.26) 4.3. - SAZONALIDADE ESTOCASTICA ~ METODO DE MEDIAS MOVEIS No Capitulo 3 vimos como estimar Ty, no modelo 2,2 Ty tay- 74 - através de um filtro linear, ou seja, tentl,...,Nen. (4.27) A série Z,-7, estimard, entdo, a série residual a,- Agora, além de T,, temos a componente S,, que que~ remos estimar. 0 procedimento a ser utilizado & semelhante: dado o modelo (4.1), estimamos T, através de (4.27) ¢€ consi- deramos (4.28) Esta série fornecera meios para estimar S, © método de nédias ndveis € apropriado quando tenos uma sé- rie temporal cuja componente sazonal varia com 0 tempo,ou se- ja, para séries cuja sazonalidade & estocastica, Todavia, este procedimento € aplicado usualnente mes- mo para padrao sazonal constante. Pode-se demonstrar (ver Pierce (1979)) que este procedimento é Stimo para a classe dos mode- Jos ARIMA"). Isto &, se modelanosT, © S, por modelos ARINA da forma bp (BT, = vy Bley, (4.29) Ng(B)S, = Ve (BIE, onde ©, ¢ &, sao ruidos brancos, entdo € possivel encontrar um filtro da forma (1) -Para a notagdo a seguir, ver Capitulo 10.- 75 - (4.30) tal que £(6*) = (8, seja minimo. Observemos que se T, & dado por (4.27), entdo Y, em (4.28) pode ser escrito na mesma forma. De fato, seja B o operador tal que BZ, = Z En- t-1° tio, (4.27) pode ser escrito a = J Y c,B/Z, = c(B)2,, 52,5 nj tj jen a . onde c(B} = J 5B. Segue-se que jenow eipsy - €*y WIadVL= 79 - sé que agora para os anos 1973-1976. Na Tabela 4,3 calculamos Te através de uma média mével centrada de 12 méses, 5 . e . 1 i, = ele hh gery *2e06)> t87,B, 004,42. (4.40) (& facil ver que este procedimento gera uma série que nao con- tém uma componente sazonal; ver Problema 2). A tabela mostra os residuos ¥, =2,-¥, © 0s valores de Y. wjrJel.-..,12+ Segue-se que ALE = 54,75, A Gltima coluna fornece as estimativas das constan- 12. Observe que } 8; 5= tes sazonais, §;, j-1,. = 0,04, devido aos arredondamentos. TABELA 4.4 - Série C (IPI) livre de componente sazonal, de janeiro de 1973 a dezembro de 1976 Més 1973 1974 1975 1976 . ganeiro | 42.671,68 | 14.450,68 | 14.481,68 | 15.702,68 Fevereiro | 12.746,22 | 13.919,22 | 14.262,22 | 16.765,22 Margo 12.335,28 | 14.246,28 | 14.279,28 | 16.720,28 Abril 12.139,51 | 14.256,51 | 14.999,51 | 16.248,51 Maio 12.825,63 | 14.371,63 | 14.636,63 | 16.714,63 Junho 13.381,97 | 13.668,97 | 15.090,97 | 17.172,97 sulho 12.983,04 | 14,649,04 | 15.033,04 | 16.838,04 Agosto 13.587,62 | 14.622,62 | 14.740,62 | 17.211,62 Setembro | 13.576,68 | 14.454,68 | 15.277,68 | 17.132,68 outubro | 14.098,38 | 14.610,36 | 14.954,36 | 16-823,36 Novembro | 14.502,32 | 14.284,82 | 15.208,82 | 16.924,82 Dezembro | 14.602,15 | 14.289,15 | 15.425,15 | 17-242,18~ 80 - (epefooesa euett) 3461 a, g2 2 (efeus eyutt)*z ep sexoreA - T*y VaNoTE SZeT v6 261 e- 81 - A Tabela 4.4 mostra a série livre da componente sa- z8A zonal, isto &, 2, =2,-8,. 2, e aes estdo ilustradas na Figu- ra 4.1. 44.4 MODELO COM COMPONENTES DETERMINISTICAS & ESTOCASTI CAs‘) Um modelo para 2, que levaria em conta componentes Tre Sy deterministicas e estocdsticas seria 2. Tet Toe tS 2g tSop tape . (4.41) onde mn , 1.7) av, tendéncia deterministica, representada por jro um polinémio de grau m; 12 12 Sip “hte sazonalidade deterministica com shit T,,: tendéncia estocdstica, representada por um modelo zt ARIMA pp (B)aq,43 Sp_! sazonalidade estocastica, representada por um mo- delo ARIMA Yg (BJ ay, Este tipo de modelo nao sera estudado nestas notas. Problemas relacionados com estimacao de tendéncia e sazonali- dade estocadstica podem ser encontrados em Pierce (1979). 4.5 - TESTES PARA SAZONALIDADE DETERMINISTICA Dado o modelo (4.16), sazonalidade deterministica (1) -Esta segio pode ser omitida sem perda de descontinuidade na leitura,- 82 - existe se os a5 nao so todos nulos. Se H: 0 (4.42) Fee yy @ aceita, nao € necessdrio ajustar a série para efeito sa- zonal. E claro que supondo os a, ruidos brancos, as supo- sigdes do modelo linear geral estéo satisfeitas e os testes usuais podem ser aplicados para testar H. Ver Draper & Smith (1966), por exemplo. Como usamos o procedimento de médias méveis como um modo alternative de estimar a componente sazonal (embora nao seja mais adequado para sazonalidade deterministica) seria in- teressante que tivéssemos algum teste formal para verificar a existéncia de sazonalidade na série. Podemos usar aqui dois ‘enfoques, paramétrico e nao paramétrico, e antes de usar qualquer um deles é conveniente eliminar a tendéncia, se ela esta presente na série. Assim, 0 teste seré aplicado aos residuos Y,=2,-T,, no caso do modelo aditivo. Considere, pois, a Tabela 4.1, onde os 2;; so subs- tituidos por Y. »12, p = nimero de anos. Testes nao-paramétricos Uma possibilidade @ usar o teste de Kruskal-Wallis. Aqui, cada coluna da Tabela 4.1 € suposta uma amostra de uma populagdo, isto 6, temos k (igual a 12, no caso) amostras, de- 83 - tamanho nj (iguais @ p, para a Tabela completa 4.1), ou seja, as observacées so Yap wecok, isl,.c.nj, N= Jn. i j jad As observagdes Y,; sdo substituidas por seus postos J Rjj, obtidos ordenando-se todas as N observacdes. Seja R.j a soma dos postos associados 4 j-ésima amostra (coluna), A hipétese H de ndo existéncia de sazonalidade é re- jeitada se a estatistica 2 Ty = wae Jab -soen (4.43) & maior ou igual ao valor critico Ty, onde Th. € tal que Py(T2Ty) = =a, a=nfivel de significancia do teste. Ver Tabela 12 de CO- nover (1971), por exemplo. Para nj suficiontemente grande, sob H, a distribui- Go deTy pode ser aproximada por uma varidvel x? com k-1 graus de liberdade (11, no caso de dados mensais). Uma critica & aplicag&o do teste de Kruskal-Wallis 8 que uma de suas suposigées diz que as varidveis dentro de cada amostra sejam independentes 2 que as amostras Sejam inde- pendentes entre si, o que evidentemente nao ocorre no caso em questo: hd dependéncia entre observagées de um mesmo més ,pa— ra diferentes anos, e entre observagées de virios meses, den- tro de um mesmo ano.= 84 - Outra possibilidade 6 aplicar o Teste de Friedman, para amostras relacionadas.Neste caso os meses sao considera- dos “tratamentos” e os anos sdo considerados “blocos". A or- denacio 6 feita dentro de cada bloco ao invés de ordenar to- das as N observagées. Mas mesmo aqui, os blocos sao conside- rados independentes, ou seja, as observagSes de um ano sao in- dependentes das observagées de outro ano qualquer. A estatistica de Friedman é k = priesty, LR y-Se ae). (4.44) je onde p=niimero de blocos = ntimero de anos, k=niimero de trata- mentos =12, € Rj denota a soma dos postos na j-ésima coluna, isto 6, Bas: onde Ray =posto’de Ya5 dentro do bloco i, de 1 até k. A dis- tribuigdo de T, pode ser aproximada por um x* com k-1 graus de liberdade. Testes paranétricos Podemos utilizar um teste F rotineiro a uma analise de variancia. 0 modelo subjacente & Yj = 8; tea i=l, > jl... supondo 4) 7M (.9%), independentes. Sob a hipdtese nula H: S,=++. Sy, a estatisticaK 3 (¥,,~-¥)* N-k bn , a) =e 2 1 Ya 5-¥..)2 jh id > tom uma distribuicao F(k-1,N-k). Vemos, pois, que condigSes para se aplicar este tes- te incluem a validade do modelo aditivo e normalidade dos re- siduos. A conclusio € que devemos ser cautelosos ao utili- ammos estes testes, devido As suposicdes envolvidas para sua a- Plicagao e a possibilidade das mesmas nao serem validas para © modelo sob consideragfo. Neste sentido, o uso do modelo de re- gresséo (4.16)oferece vantagens, jd que podemos usar toda a teg- via estatistica disponivel para o modelo linear geral. Para o mé- todo de médias méveis nao hé uma teoria desenvolvida, de modo que propriedades dos estimadores 8),...,5, nfo sao conhecidas, exceto o trabalho de Durbin (1962), no qual sao obtidas as va- riancias de 8;. je1,-..,12, para o caso de médias méveis cen- trada de 12 meses. 4.6 - COMENTARIOS FINAIS Apresentamos, acima, alguns procedimentos que tém si- do utilizados para o ajustamento sazonal de uma série tempo- ral. Evidentemente, nio sendo este o tema central destas no- tas, muito se omitiu e o leitor interessado poderd consultar as referéncias mencionadas para outros desenvolvimentos nesta importante area de aplicagées. Em particular, sio de importan-- 86 - cia os trabalhos de Jorgenson (1964), Cleveland et a1. (1979), Durbin § Murphy (1975), Nerlove (1964), Stephenson & Farr (1972). Dois excelentes artigos que fazem uma resenha so- bre o assunto sao Pierce (1978) e Pierce (1980). Ver também Gait (1975). Um dos métodos de ajustamento sazonal mais utiliza- dos, notadamente por agéncias governamentais, é 0 chamado Mé~ todo X-11 do Bureau do Censo dos EVA. Para uma observacéo des~ te procedimento ver Shiskin, Young § Musgrave (1967). Um método, conhecido por X-11-ARIMA, foi desenvel- vido pelo Statistics Canada. Ver Dagum (1975). Uma estratégia para construir modelos para uma sé- yie temporal, em particular para tratar de tendéncias e sazo- nalidade & apresentada por Parzen (1978). Finalmente, os anais de uma importante reunifio sobre ajusta~ mento sazonal realizada em Washington, em 1976, aparecem em Zeliner (1979)- 44.7 ~ PROBLEMAS 1. Para os dados da Tabela 4.3 verificar a existéncia de sazonalidade através de um teste paramétrico e um nao paramétrico. . 2. Suponha T, dada por (4.40). Prove que: a) Ty, =£(t) tat, onde £(t) nfo contém componente sa- zonal;- 87 - b) encontre E(az) e Var(at); c) 08 at sio independentes? Considere as médias mensais (4.32) e a média geral (4.34). Defina médias mensais e geral da série origi- nal Z eZ, respectivamente, como nestas relagées. eg Prove que 1 3s . tiple jeet2,L Carta aped)Arape neh jel 6 7,1 “beagl jo 82,2 (2a aged rape of 1 Prove que se } S, t1 forma (yjeosajt + yjsend st) : Pye ters tq aPi 2g = = 2m i 1 onde 2, fp. Relacione os y;, y! ea. vo j TABELA 4.5, Trimestre | 2, Trimestre | 2, 1962 1 3 1964 1 6 2 2 2 3 3 4 3 5 4 6 4 8 1963 1 3 1965 1 4 2 5 2 9 3 4 3 10 4 7 4 8- 88 - S. Considere os dados da Tabela 4.5 e 0 modelo 4.1: a) estime a tendéncia através de uma média mével cen- trada de 4 termos; b) Obtenha a série livre de tendéncia e facga seu gra- Fico; c) obtenha estimativas das constantes sazonais S,.-- ++,S4 © 4 série sazonalmente ajustada; 4) obtenha os residuos af =2,~-1,~-S,; hd evidéncias de que eles nfo sejam aleatérios? 6. Considere a Série A do Apéndice A‘ a) baseado em uma inspec3o visual da série, sugira um modelo para Z,; b) estime as componen 5 que forem postuladas no mo- delo; c) teste para a existéncia destas componentes. 7. Para o& dados da Tabela 4.5 obtenha estimativas de T, eS, usando o modelo 4 2, = By faye Desi +a Obtenha previsdes para os 4 trimestres de 1966. 8. (Teste para modeto aditivo) - Vimos que a estrutura de uma série temporal é aditiva se S, independe de T, e & mul- tiplicativa se existe uma dependéncia entre estas duas componentes. Um teste para verificar se o modelo 6 a- ditivo ou multiplicativo @ baseado em um grafico da= 89 - amplitude sazonal contra a tendéncia anual, definidas abaixo (Morry (1975)). Cada ano da série & represen- tado por um ponto neste grafico (Figura 4.2). multiplicative adi.tivo FIGUBA 4,2 - Grafico da amplitude sazonal x tendéncia anual Se a reta ajustada a estes pontos for paralela ao ei- xo das abcissas, ha uma indicagdo que a amplitude sa- zonal nao depende da tendéncia e o modelo & aditivo. Se a reta tem inclinag’o diferente de zero, temos uma dependéncia de S, sobre T, © 0 modelo & multiplicati- vo. Além do grafico, podemos encontrar a reta de mi- nimos quadrados e testar a hipdtese de que a inclina~ gio 6 zero (o que pode ser questionavel, pois o teste t usado nesta situagao é baseado na suposicao de nor- malidade dos dados). A tendéncia anual 6 definida por- 90 - p=nimero de anos, n=12 para dados mensais e n=4 para dados trimestrais; a amplitude sazonal & definida por 1? z seh, |?ag 7715 Em ambas as formulas Ty & uma estimativa para a ten- déncia do ano i, més j. No caso de estimar Tj; atra- vés de uma média mével de 12 meses, ha problema em obter t, e 8, para os primeiros © Gltimos meses.Nes- te caso, definimos: para o primeiro ano: Me - 41s S78, Ti to 7 para o Ultimo ano, p: a ea Sk . 184, 5 = t., ei , 7 Td. P oy pit Sp 76,1 \ a) Para o Exemplo 4.3, verifique se o modelo € adi- tivo ou multiplicativo; b) Idem, para a série do Problema 5.PARTE 2 MODELOS DE ALISAMENTO EXPONENCIALPARTE 2 MODELOS DE ALISAMENTO EXPONENCIAL A maioria dos métodos de previsao se baseia na idéia de que observagdes passadas contém informagdes sobre o padrao de comportamento de série temporal. 0 propésito dos métodos é distinguir o padrao de qualquer rufdo que possa estar contido nas observagées e entao usar esse padrao para prever valores futuros da série. Uma grande classe de métodos de previsao, que ten- tam tratar ambas as causas de flutuagdes em séries de tempo, é a dos alisamentos. Técnicas especificas desse tipo assumem que os valores extremos da série representam a aleatoricdade e, assim, através do alisamento desses extremos, pode se iden- tificar o padrdo basico. Como veremos a seguir, a grande popularidade atri- bufda aos métodos de alisamento é devida 4 simplicidade, 4 e- ficiéncia computacional e sua razovel preVisdo. Analisamos, inicialmente,*no Capitulo $, alguns mé- todos de alisamento exponencial para processos com média local- mente constante; processos que apresentam tendéncia sao abor- -91-- 92 - dados no Capitulo 6 e, finalmente, no Capitulo 7 estudamos os processos sazonais. Apresentamos, para cada método, o procedimento uti-~ lizado e a equacao de previsdo, discutindo a melhor escotha de seus parametros, vantagens e desvantagens de sua aplicagéo, fi- nalizando com a apresentagao de um exemplo.CAPITULO MODELOS PARA SERIES LOCALMENTE CONSTANTES Vamos considerar, neste cap{tulo, o caso de uma sé- rie temporal, 2,,-+.,2y, localmente composta de seu nivel mais um ruido aleatério, isto é, 2, = up t4, tT Be tate 6.0) onde E(a,) =0, var(a,) =or ee @ um parametro desconhecido que +t) pode variar lentamente com o tempo. 5.1- MEDIAS MOVEIS SIMPLES (MMS) 5.1.1 -Procedimento A técnica de média mével consiste em calcular a mé- dia aritmética das r observacées mais recentes, isto é, Z, +2. +o... 2 tT *t-1 tortl (5.2) ou <2. etter (5.3) Assim, M, & uma estimativa do nivel y, que nao leva fe em conta (ou nao pondera) as observagdes mais antigas, o que * -93-= 94 - € razoivel devido ao fato do parametro variar suavemente com o tempo. © nome média mével @ utilizado porque, a cada perio- do, a observacao mais antiga é substituida pela mais recente, calculando-se uma média nova. 5.1,2 -Previsao A previsdo de todos os- valores futuros € dada pela Gltima média mdvel calculada, isto é, 2,(h) = M,, ¥h>0 (5.4) ou de (5.3) s s z 2 - Zn) = 2, (+1) + tor, yhoo. (5.5) A equacdo (5.5) pode ser interpretada como um meca- nismo de atualizacio de previsaéo, pois a cada instante (ou a cada nova observacio) corrige a estimativa prévia de Z,,,- A média e o EQM de previsdo sdo,respectivamente ,da- dos por E@,()) = (Eb) 1 (5.6) i"; zi lytek rel Ty yy? se : _ a EMCO) = BCyy-2, 00)? = #[2pay- DS) rebel 2 ~a{2,- bo et) - (5.7)~ 95 - q Phd rh = EGE) 4 i "eee ap) = do Flat hej) onde E(Zt) 04 +uz, 04=Var (Z,)=Var (a,)= constante, B(Z,2, pig) = COWZ gs 2p ad teen Uma maneira de tornar a expressdo (5.7) mais compac- ta @ substituir E(2,2, 4) por C,{h), Vh. Assim, reh-1 r-h-1 EQM = C,(0) - “f ve (nek) + do ao Cyn jg GO (5.8) je No case paxtiou£an, em que o modelo tiver média global- mente constante, teremos, de (5.6) E(Z,(h)} Yuruw (5.9) * ks0 © que equivale a dizer que a previsio um estimador nao vi- ciado do nivel. A variancia € dada por rly var (2, (8)) = var( 2, -tzk) «2, (5.10) Assuminds que a,~W(0,02), podemos afirmar que : 24h) ~u [uz] e construir um intervalo de confianga com coe- ficiente de confianga y para Z,,, dado por . o 5 oy CEy0h) = 2 Es 2,08) +2, 2) (5.11)= 96 - onde 2, é 0 valor tabelado de uma distribuicgdo N(0,1} tal que -2 0. Na Tabela 5.3, refazemos os cAlculos dessas previsées, mudan- do a origem a cada nova observacio. ada a cada nova observacio, ando MHS —Série G - Energia Perfodo } Valor Real | Previsao t z, 2.40 25 1.696,4 1.597,57 26 1.767,5 1.645,05 27 tissaia_ | 1 680;10 28 1.727,5 1.656,17 29 2.231,8 1.686, 55, 30 2.111,7 1.800,40 red, obtemos: Z,, +2,,+2,, +2 Z,,(1) = 22.23 24 "25 = 1 645,05 4 1.820,40- 100 - 5.2 ALISAMENTO EXPONENCIAL SIMPLES (AES) 5.2.1 ~ Procedimento 0 AES pode ser descrito matematicamente por , t=1,.-.,N (5.12) = 0%, * a2 > 2 ow tl k. t = al (1-a) “2,4 + Gad 1. tel,...,N (5.13) =0 onde ae & denominado valor exponencialmente alisado © @ éa constante de alisamento, 0 por a. Efetuando a expansdo de (5.13) temos que ay a2, taCl-a)Zy_ taCd-a)?Z yg t+ (5.14) o que significa que o AES & uma média ponderada que di pesos maiores 4s observagées mais recentes, eliminando uma das des- vantagens do método de MMS. 5.2.2- Previsao A previsdo de todos os valores futuros é dada pelo G1timo valor exponencialmente alisado, isto 6, ¥h > 0 (3-15) ou 2,(h) = a2, + (1-0) 2,_, (+1), (5.16)- 101 - que pode ser interpretada como uma equagdo de atualizagao de pre- visdo, dado que temos uma nova observagdo. Além disso, a pre~ visio feita de acordo com (5.12) reduz o problema de armaze- nagem de observagdes, pois pode ser calculada utilizando ape- nas a observagdo mais recente, a previsio imediatamente ante- rior e 0 valor de a. Para h=1, pode-se demonstrar que (5.16) se reduz a 2.) = oe, +2, (8.17) onde e, =Z,-%,_,(1) € 0 erro de previsdo a um passo. Assim, a nova previsdo pode ser obtida da anterior, adicionando-se um m@ltiplo do erro de previsio, indicando que a previsio estd sempre alerta a mudangas no nivel da série, revelada pelo er- ro de previsio. © cAlculo da média e do EQM de previsao € feito de modo andlogo ao do método MMS e fornece os resultados: s tol B(Z,(h)) = a Lore ek (5.18) . toh-1 k FQM(Z,(h)) = C,(0) ~ 20 eo (1-2) *c, (hk) + (5.19) teh-L toh-l . kej ; + at (0) IC, ng GHW eo sto toh-j No caso particular, em que o modelo tiver média glo- balmente constante, teremos, de (5.18)- 102 - s tol k t BG, (m)) = on F G-ayE = wea-G-a) "a e quando t + © B(Z,(m)) = (5-20) ou seja, a previsao € nfo viciada quando temos uma série tem- poral com um grande nimero de observacées. s t. var(2,(h)) = var{ J 1 k a(1-a) Ka, | 0 t-k. t-1 var[ Joc) F ora. 3] t-1 Je? (1a) 2Xo2 k=0 ao2C1-(1-a)2*) 2-0 e quando t + © Var(Z,(h)) = (8.21) Novamente, supondo a, ~N(0,07), podemos construir um intervalo de confianga assintético para Z. utilizando (5.20) trh? e (5.21). Tal intervalo @ dado por, (2.0 Bak to ee, VE] 2201 onde %, € 0 coeficiente da N(0,1) € Z,(h) 6 dado por (5.15). No Apéndice C, prova-se que o método de AES & timo- 103 - (mo sentido de fornecer erros de previsao que sao ruidos bran- cos) se 24 @ gerado por um processo ARIMA(0,1,1). 5.2.3-Determinago da Constante a Quanto menor for o valor dec, mais estdveis serio as previsdes finais, uma vez que a utilizacao de baixo valor de a implica que pesos maiores sio dados 4s observacdes pas- sadas e, consequentemente, qualquer flutuagdo aleatéria, no presente, exercerd um peso menor no cdlculo da previsao. Em geral, quanto mais aleatéria for a série estudada,menores se- réo os valores da constante de alisamento. 0 efeito dea gran- de ou pequeno & completamente andlogo (em diregdo oposta) ao efeito do parametro r no método MMS. Brown (1962), faz alguns comentarios sobre a deter- minagdo dessa constante, de acordo com alguns critérios tais como tipo de autocorrelagao entre os dados e custo de previ- sGo. Um procedimento mais objetivo & selecionar o valor que fornece a "melhor previsio" das observagdes jd obtidas, como foi espe- cificado no método MMS, segdo 5.1.3. 5.2.4 ~Vantagens e Desvantagens do AES O AES & um método muito utilizado devido as seguin- tes vantagens: i) fcil entendimento; i) aplicagdo nao dispendiosa; iii) grande flexibilidade permitida pela variacio da cons- tante de alisamento a;- 104 - iv) necessidade de armazenar somente 2,, 2, ea, € v) o valor de a= ={p fornece previsdes semethantes ao né- todo MMS com pardmetre r (Montgomery & Johnson,1976). A principal desvantagem é a dificuldade em determi- nar o valor mais apropriado da constante de alisamento que po- de ser superada através da utilizacgio do alisamento exponen- cial adaptativo de Trigg §Leach (segdo 5.3)/ 5.2.5 - Exemplo 0 método & aplicado & Série de Prego de Feijao (Sé- rie J — Apéndice A), no perfodo entre janeiro de 1970 edezem- bro de 1979, para valores de a no intervalo [0,01;0,99] com in- cremento de 0,01. 0 valor para o qual se obtém melhor ajusta- mento € a =0,99, como ilustrado na Tabela 5.4. TABELA 5.4 - Soma dos Desvios Quadraticos de Ajustamento utillzando AES, para para alguns valores de a ~ Série J - Fei jao Soma de Quadrados a de Ajustamento ($) (formula 5.12) 0,80 512.195,53 0,90 486 856,43 0,95 477.802,71 0,96 476.269, 58 9,97 474,828,00 0,98 473.477, 64 0,99 472.218,23 As previsdes para todos os meses de 1980,com origem em dezembro de 1979 (t =120), sao dadas por- 105 - 2yq9Ch) = 02429 * a) *2Z449(1) = 0,99 «945,80 +0,01 x 835,02, portanto Zyy9() = 944,09, Yn>0, que podem ser atualizadas a cada nova observagdéo, cujos cal- culos sio apresentados na Tabela 5.5 TABELA 5.5 - Previsdo atualizada a cada nova observagao e seu respectivo erro, utilizando AES—Se~ rie J - Feijao Perfodo | valor Real | Previsdo | Erro de t 5 ZoNay | Previsgo : . el) 121 1.228,90 944,70 | 284,20 122 1.316,90 1,226,06 90,84 123 1.735 ,20 1.315,99 419,21 124 1.978,20 1.731,01 247,19 125, 2.116,30 1.97573 140,57, 126 2.191,80 2.714,89 76,91 127 2.436,10 2.191503, (245,07 128 2i9a6,40 | 21433,65 | 512,75 129 3.002,10 2.941,27 60,83 130 41708,20 | 31001,49 | 1.706,71 131 4.500,80 4.691,13 -790,33 132 4.262,40 | 4.502,70 | -2a0,30 0 fato dos erros de previsdo serem quase que todos positivos € normal quando se aplica o método a uma série que apresenta tendéncia positiva, o que também justifica o alto valor encontrado para a constante de alisamento. 5.3-ALISAMENTO EXPONENCIAL ADAPTATIVO DE TRIGG & LEACH 5.3.1 - Procedimento - Este método tem uma vantagem com relagao ao AES por- 106 - nao necesSitar especificacao da constante de alisamento a. Ele @ adaptative no sentido de possibilitar alteracdo no valor de a, quando ocorrer uma mudanca no padrdo bdsico da série. © método é baseado na quantidade t 8.7 a (5.23) t My onde . EL = Be, + (1-B)EL_y> (5.24) M, = Bleg| + -8)Mp_y> (5.25) -1,_,(), erro de previsdo no instante t ¢ 6 =0,1 ou 0,2. Pode-se mostrar que a quantidade (5.23) varia no in- tervalo [-1,1]. Valores de S, préximos de zero indicam que o sistema de previsdo esta sob controle (erros de previsdo pe- quenos), valores préximos de +1 indicam erros muito grandes (sistema fora de controle). 5.3.2 -Previsio E baseada no seguinte argumento: aumentar a constan- te de alisamento quando o sistema estiver fora de controle Ss proximo de #1), de modo a dar pesos maiores aos dados mais re- centes e diminuir a constante de alisamento quando o sistema estiver sob controle (S;=0). Trigg § Leach (1967) definem es- sa constante porE. t} >| xt 8 My oe (5.26) A previsdo € feita de maneira semelhante ao AES, substituindo a por a, em (5.16), t Z. = 2.) = ap2, + 1-0.) 2), (he), Vh>O. (5.27) Wheelwright § Makridakis (1978) utilizam em (5.26) Op, OM lugar de o,, introduzindo uma defazagem de um perfodo, que permite uma estabilidade maior ao sistema, de modo a “ovitar a sensibilidade As observagées espirias". 5.3.3 - Vantagens e Desvantagens Possui todas as vantagens do método AES e a vantagem adicional de nfo ser necessdrio especificar-a constante de a- lisamento. . Uma desvantagem @ que sua extensdo para métodos que utilizam varias constantes de alisamento, nao é muito clara. Chow (1965) descreve um procedimento adaptative que pode ser estendido:para o caso de mUltiplas constantes de alisamento. 5.3.4 - Exemplo Vamos aplicar o método 4 série de Consumo de Ener- gia Blétrica (Série G — Apéndice A), no perfodo de janeiro de 1968 a dezembro de 1969. Os resultados do ajustamento do modelo séo apresen- tados na Tabela S.6.- 108 - Os valores iniciais das equagées de recorréncia (5.27), (5.24) e (5.25) foram e TABELA 5.6 - Ajustamento pelo método de Trigg & Leach — Série G Energia, de janeiro de 1968 a dezembro de 1969 valor Valor Erro Perfodo | Real | Ajustado | 7 Ef.) | ATisade a, z, 2.0 ted E. (6=0,2) a 10,951 2 10.671 10,951,00 + - 280,00 56,00 36,00 0,20 3 13.643 10.895,00 2.748 ,00 504,80 594,40 0,85 4 15.109 13.230,80 1-878 ,20 179,48 851,16 6,92 5 12.602 14.958,74 | -2.356,74 152,24 1.152,28 0,13 6 12.295 14.652,36 | -2-357,36 | -349,68 1.393,30 0,25 7 12.056 14.063,02 | -2.007,02 | -681,15 1.516,04 0,45 8 12.376 13.159,86 -783,86 | -701,69 4.369,60 0,51 9 14.146 | 12.760,09 | 1.385,91 | -284,17 | 1.372,86 0,2t 10 12.993, 13.051,13 -58,13 | -238,96 1,109,971 0,22 Ww 14.206 13.038,34 1.167 ,66 42,36 1.121,46 0,04 12 13,603 13,085,05 17,95 137,48, 4.000,76 o,14 13, 13.044 13.157,56 -113,56 87,27 823,32 0,14 14 12.432 13.145,07 | -1.013,07 | -132,80 861,27 0,15 15, 13.606 12.993,11 612,89 16,34 811,59 0,02 16 15.876 13.005,37 2.870 ,63 587,20 1.223,40 0,48 7 14.316 14,383 ,27 ~67,27 456,31 992,17 0,46 18 12.675, 14.352,33 | -1.677,33 29,58 1.129,20 0,03 19 14.290 44, 302,01 712,01 21,26 905,76 0,02 20 45.170 14,301,77 868,23 190,65 898,25 0,21 21 15,065 14,484,10 580,90 268,70 834,78 0,32 22 16.273, 14.669,99 1-603,04 535,56 988,43 0,54 23 16.505 15,535,62 969,38 622,32 984,62 0,63 24 416.060 16.146 ,33 -86,33 480,59 804,96 0,60 Por exemplo, By) = 2. - 2,0) = 10.671 - 10.951 = -280,00+~ 109 - Ey * Bey = 0,2*(-280,00) =-56,00, = Ble,| = 56,00, Gy = 6 = 0,2. 2,(1) = @22,+ (Aaiy)3, (1) = 0,2 10.672 + 0,8 «10.951 = 10.895 , os 52 ~Z,(1) = 13.643 -10.845 = 2.748, = Bes + (1-8)E, = 0,2 2.748 +0,8x(-56,00) =504,80, = Bles| + (1-B)M, = 594,40, = 0,85. 3 og = SM FyQ) = 2s+ (-ps)%,(1) = 0,85 15.643 + 0,28 x 10.895 = 15.250,80, etc. As previsées com origem em dezembro de 1969,para os meses subsequéntes a esta data (t>24) sdo dadas, de acordo com (5.27), por Zyq(h) = a yg2oq t Ureggd2g5(1), — ¥RP0, Z,4(h) = 0,60 x 16,060 +0,40 x16. 146,33 portaato Zy4(m) = 16-094,55 ¥h>0, ¢ s&o comparadas com alguns valores reais, na Tabela S.7~TABELA 5.7 - Previsdo utilizando o método de Tr com origem em dezembro de 1969 — Série G - - 110 - g-Leach, Energia to Erro de Ferfedo | Valor Reel | , neevisie Provisho . t 2a ins &o4,(h) ———_—_—_| 25 16.964 16.094,53, 269,47 26 17.675 16.094,53 | 1.580,47 27 15.548 16,094,53, 546,30 28 17.275 16.094,53 1,180 ,47 29 22.318 16.094 ,53 6.223,27 30 21,117 16.094,53 $.022,47 Podemos notar da tabela acima que os erros de pre- visio tendem a aumentar com o tempo, o que é natural, devido a forte tendéncia existente nas observacdes. Refazendo os cal- culos das previsées, mudando a origem a cada nova observacio, obtemos a Tabela 5.8. TABELA 5.8-Previsdo atualizada a cada nova observaco e seu respectivo erro, utilizando o método de Trigg-Leach -Série G~- Energia . ra? Erro de Perfodo| Valor Reat ) Previséo | pray; cS © a eM | ey) 25 16.964 16.094,53 869,47 558,37 817,86 26 17.675 16.685,77 989,23 644,54 852,13 27 15,548 17.437,58 | -1.889,58 137,72 1.059 ,62 28 17.275 | 17.191,93, 23,07 | 126,79 | 964,31 29 22,318 17.204,39 5,113,671 1,124,15 1.714,17 30 21117 | 201579,37 | "537,63 0,68 0,76 0,13 0,15 0,66 5.4 - PROBLEMAS 1. Provar a equacio (5.17). 2. Provar as equacdes (5.18) e (5.19).- lll - 3. Provar que $4 (equagio (5.23)) @ uma quantidade que va- ria no intervalo [-1,11. 4. Considere os primeiros 24 meses da série de Prego Men- sal de Café (Série F — Apéndice A). Calcule as previ- sdes, com origem em dezembro de 1971, para os meses de janeiro a junho de 1972, utilizando: i) 0 método de médias méveis com r =5; ii) 0 método de alisamento exponencial com a =0,9. Pergunta-se a) Qual dos dois métodos fornece as melhores previsdes de acordo com o critério de erro quadratico médio minimo? b) Atualizando as previsdes a cada nova observagio,qual seria sua conclusao? 5. As observacgdes da Tabela 5.9 referem-se a vendas de um determinado produto. Responda as seguintes questées: TABELA 5.9 - Série de vendas de um determinado produto elétrico no me 1975 | 1976 gan | 19,0} 62,0 Fev } 15,0 | 17,0 mar | 39,0 | 26,0 Abr } 102,0 | 29,0 Mai | 90,0 sun | 29,0 sul | 90,0 Ago | 46,0 set | 30,0 out | 66,0 wov | 80,0 Dez | 99,0 FONTE; Makridakis (1978).- 112 - a) Qual é 2 previsio para maio de 1976 utilizando mé- dias méveis de 3 meses, 5 meses ¢ 9 meses? b) E utilizando alisamento exponencial simples com a=0, 0,3; 0,7 ¢ 0,9? c) Assumindo que & padrdo da série continue avaler no futuro, gue valores de re a forneceriam erros de previséo minimos? Aplique o método de Trigg-Leach as observagoes da Ta- bela §.9, com o mesmo objetivo de prever as vendas de maio de 1976. Utilizando os resultados do exercicio an- terior, responda as questdes: a) Qual dos trés métodos fornece o melhor ajustamen- to? b) E a melhor previsdo? Considere as observagées da Série de Produgéo de Lei- te (Série A — Apéndice A), de janeiro de 1976 adezem- bro de 1978: a) Ajuste médias méveis com r=6,9 e 1 b) verifique qual delas fornece o melhor ajustamento e justifique o resultado, e c) utilize-as para prover os meses de janeiro de 1979, fevereiro de 1979 © margo de 1979, atualizando as previsdes a cada nova observacao e verifique se a que fornece a melhor previsio coincide comade me- lhor ajustamento. -©-CAPITULO MODELOS PARA SERIES QUE APRESENTAM TENDENCIA As técnicas vistas anteriormente nao sao adequadas para analisar séries temporais que apresentem tendéncia. Consideraremos, agora, o caso de uma série temporal nao sazonal, que é composta localmente da soma de nivel,tendéncia e resfiduo aleatério com média zero e variancia constante (-02), isto 6, 2, = be tT tay tel,...,N. (6.1) 6.1~ALISAMENTO EXPONENCIAL LINEAR DE BROWN (AELB) 6.1.1 = Procedimento © método de AES, quando aplicado a uma série que a- presenta tendéncia linear positiva (ou negativa),fornece pre- visdes que subestiman (ou superestimam) continuamente os va- lores reais. Para evitar esse erro sistemdtico, um dos méto- dos desenvolvidos foi o AELB. A base do método é calcular um segundo valor expo- nencialmente alisado, -1i3-- 114 - Zoos ad, + (-a)2,.,. 2, 7 24 (6.2) onde Z, ral, + (1a) 2, & equivalente a (5.12). 6.1.2 -Previsao Supondo que a série apresente uma tendéncia linear, 2, = bp tbyt tay, tel,...,N (6.3) a equacio de previsio é dada por 2,(h) = 6, +8, (teh), noo, (6.4) onde 6, e 6, sdo estimativas dos parametros b, e b, de (6.3), tendo como origem da varidvel tempo o instante correspondente a primeira observagio. Mudando a origem para o instante da t-ésima obser- vagao, temos +b, yn (6.5) onde (6.6) (6.7) sao estimativas assintdticas do intercepto e da tendéncia no instante t, respectivamente, pois utilizando (5.13) e (6.3), — tl k, t i) E(Z,) = a ce) B(Z,_,) + (l-a) Zy trl k t afte) (by +b2(t-k)) + (1-a) 2y.- 11s - Quando t + @, (i-a)* + Oe O20 1 C-a)™ ~8y | kG-«) = by +b,t --e 5, Como E(2,) =b, +byt, temos EG.) © E(2,) - P34] b,.- : (6.8) ii) Analogamente, utilizando (6.2) temos, EE) = EG,) -A) b, ou seja, > pipe) - BE) (6.9) Assim, de uma maneira que parece ser légica (6.10) Substituindo o valor de bz de (6.9) em (6.8) temos E(Z,) = B(Z,) +45 48518 (Z,)- 2) = 25(Z,) -E(2,). Assim uma estimativa razoavel para E(Z,) @ ae (6.11) e a previsdo para o instante (t+h), com origem emt, & 2,(h) = 4) 4 thb2 4.- 116 - 6.1.3 - Determinago da constante A constante de alisamento é determinada de modo a minimizar a soma de quadrados dos erros de ajustamento (como foi feito para os métodos MMS e AES). 6.1.4 -Vantagens e Desvantagens Possui todas as vantagens do método AES além de ser adequado as séries que apresentem tendéncia linear.As maiores desvantagens sao a determinacio da constante de alisamento ¢ a propria restrigao de tendéncia linesr. 6.1.5 - Exemplo . A titulo de ilustragdo, utilizamos 0 AELB para ajus- tar asérie de Indice de Custo de Vida (Série H ~ Apéndice A), para valores compreendidos entre janeiro de 1976 (t =1) e de~ zonbro de 1977 (t=24), calculando, em seguida, previsdes pa- ra alguns valores posteriores. © valor para a constante de alisamonto foi escolhi- do, arbitrariamente, igual a 0,2. Certamente, este nao € 0 va~ lor mais adequado; isto pode ser observado, analisando os vaq lores ajustados (coluna (2) da Tabela 6.1) que, até o perfedo 20, subestimam continuamente o valor real. Tal fato poderia ser evitado, utilizendo um valor maior para a constante de alisa~ mento, de forma a dar peso maior 4 observagao mais recente e@ fazendo com que o modelo se adaptasse de maneira mais répida & tendéncia crescente das observacoes.- 17 - TABELA 6.1 - Ajustamento pelo método de AELB — Série H - ICV, de Janeiro de 1976 a dezembro de 1977 at @ @ 4) iw) | @ < jaior | Valor | Alisemento | Alisamento Perfodo | ‘Real | Ajustado j Simple Duplo ae Oat Z| te z 2 , 4 238 - 238,00 238,00 - T - 2 251 - 240,60 238,52 242,68 0,52 3 256 243,20 243,68 238,55 247,81 | 1,03 4 263 248,84 247,54 (241,15 253,93 1,60 5 270 255,53 243,33 260,73 2,18 6 275 262,91 245,98 267,26 2,66 7 280 269,92 261,30 249,05 273,55 3,06 8 290 276,61 267,04 252,65 281,43 3,60 9 298 285,03, 273,23 256,77 289 ,69 4,12 10 305 293,81 279,58 261,33 297,83 4,56 qa 310 302,39 "285,66 266,20 305,12 4,87 12 38 309,99 292,13 271,38 312,88 5419 13 +329 318,07 299,50 (277,01 321,99 5,62 14 343 327,61 (308,20 (283,25 (333,15 6,24 15 359 339,39 318,36 290,27 346,45 7,02 16 375 353,47 329,69 298,15 361,23 7,88 12 383 369,11 340,35 306,59 374,11 B44 18 393 382,55, 350,88 315,45 386,31 8,86 19 400 395,17 360,70 324,50 396,90 9,05 20 407 405,95 369,96 . 333,59 406,33 9,09 21 415 424,35 378,97 342,67 415,27 9,08 22 424 433,29 387,98 351,73 424,23 9,06 23 436 443,43 397,58 360 ,90 434,26 9,17 26 ~ 449 443,32 407,86 370,29 445,43 9,39 Na realidade, deve-se fazer o ajustamento para to dos possiveis valores de a e escolher o que fornece EQM de a~” justamento minimo. Para tal, é necessdrio o auxflio de um com putador. Na Tabela 6.2, apresentamos as previsées do custo de «+ 56) com” vida para os meses de janeiro a junho de 1978 (h=1, origem en dezenbro de 1977 (t=24)- A seguir, Tabela 6.3, a- tualizamos as previsdes, a cada nova observagao (t= 24,..-,29 € h=1)-- 118 - TABELA 6.2 - Previsdo utilizando AELB, com origem em dezembro de 1977 - Série H — ICV Perfodo | Valor Observado Previsdo t ze Zyy(h), b= t-2h 25 456 a 454,82 26 474 464,21 27 486 473,60 28 495 482,99 29 510 492,38 30 535 501,77 Observe que Z4(h) = 8, oq +b, gh = 445,43 +9,39n. TABELA 6.3 -Previsdo atualizada a cada nova observagao, utilizando AELB — Série H— cv Perfodo | Valor Observado | Previsdo 3 3. 5. t z. 22,0) t Tt 2% 25 456 454,82 | 417,49 | 379,73 | 455,25 | 9,44 26 474 464,69 | 428,79 | 389,54 | 468,04 | 9,81 27 486 477,85 | 440,23 | 399,68 | 480,78 | 10,14 28 495 490,92 | 451,18 | 409,98 ] 492,38 | 10,30 29 510 502,68 | 462,94 | 420,57 | 505,31 | 10,59 30 535 515,90 6.2-ALISAMENTO EXPONENCIAL BIPARANETRICO DE HOLT 6.2.1 - Procedimento Este método @ similar, em principio, ao AELB, a di ferenga € que, ao invés de utilizar um alisamento duplo, ele alisa diretamente os valores da tendéncia. Isto pezmite a gran- de flexibilidadade de se utilizar constantes de alisamento com valores diferentes para o nivel e tendéncia.- 119 - Os valores do nivel e da tendéncia da série,no ins- tante t, serdo estimados por AZ, + (1A) (2, +), O t=2,...,N (6.17) = a2, + (1-a)Z t=2,.--,N (6.18) t-1°- 123 - 2, (1-0) 2,1 t=2,...,N (6.19) 6.3.2 - Previsao A previsdo para o valor 24,, utilizando os pardme- tros estimados, 6), 6, e 63, com a origem natural do tempo @y corresponde a t=1), 6 dada por 2,(h) = by +b, (eth) +36, (ten)? (6.20) Entretanto se mudarmos a origem dos tempos para o instante t, 2,0h) = €, , +d) ph+as pn? (6.21) onde = 32, -3%, +2 (6.22) a, ,=—e Zt 2G-0)? C(6-Sa)2Z, - 2(5-4o) 2, + (4-30)Z,1, (6-23) ag. t (ats]'@, - 28, + (6.24) A determinagao da constante a é feita de modo and- logo aos métodos anteriores. As vantagens e desvantagens sao semelhantes ao AELB, com a diferenga de que o método @ adequa- do as séries que apresentem tendéncia quadrética. A generali- zacdo para tendéncia de ordem maior pode ser encontrada em Mont- gomery § Johnson (1976). 6.3.3 - Exemplo Vamos aplicar 0 ABQB i série de Importacdo (Série I- 124 - — Apéndice A) para o perivdo de janeiro de 1973 a dezembro de 1974. : 0s valores iniciais utilizados para as equagdes (6-17), (6.18) ¢ (6.19) foram 2,22, +2, =2, e a constante de alisa- mento escofhida foi a=0,3. A Tabela 6.6 apresenta, a cada pe~ riodo, os valores alisados da variavel. TABELA 6.6 -Ajustamento pelo método de AEQB — Série | — Importagdes — janeiro de 1973 a dezembro de 1974 Perfodo | Valor Real 3 t Zz t t p 1 370,7 370,70 370,70 | 370,70 2 390,3 376,58 | + 372,46 | 371,23. . 3 4053 385,20 376,28 | 372,75 4 418,2 395,10 |. 381,92 | 375,50 5 4792 420,33 393,45 | 380,89 6 43659 425,30 403,01 | 387,52 7 53451 457,94 | 419,49 ) 397,11 8 588,7 497,17 | 442,79 | 410,81 9 520,1 04,05 | 461,17 | 425,92 10 62657 561,85 | 491,37 | 445,55 " 6264 581,22 | 518,33 | 467,39 . 12 725,6 624,53 550,19 | 492,23 13 173,58 669,22 585,90 | 520,33 4 827,6 716,73 | 625,45 | 551,78 15 923,,2 178,67 671,21 | 587,61 16 9074 817,29 | 715,03 | 625,84 7, 4,.212,5 935,85 ) 781,28 | 672,47 18 988,2 951,56 | 832,36 | 720,44 19 1.191,3 1,023,48 89,70 | 771,22 20 1,228,0 1.084,84 948,24 | 824,32 21 1,102,0 1.089,99 } 990,76 | 874,25 22 1.22340 1.129,89 | 1.032,50 | 921,73 23 4.136,1 4.131,75 | 1.062,28 | 963,89 24 | 1.428,5 | 1.130,78 | 1.082,83 | 999,57 a=0,3 Utilizando a Giltima linha dessa tabela e as equagoes (6.22), (6.23) ¢ (6-24) podemos estimar os valores dos para-- 125 - metros no instante 24, 81,24 = 3224-3224 * pau 24 = 3%1.130,78 -3*1.082,83 +999,57 = 1.143,42, se : 5 4p 24 = Fang Oe ~2(S-da) 2.4 + (4-Sa)Z541 = Fa pt Oh 100,78 ~ 2(S-4«0 ,3)1.082, 83 + (4-3:0,3) 999,571 = -12,96, +2 3,24 24 *2 24) : = i a my x : 2 (#3} (1.130, 78 - 2 *1.082,83 +999,57) = -6,49 e utilizd-los na equagdo (6.21) para fazer previsées (ver Ta- bela 6.7). TABELA 6.7 - Previsdo utilizando AEQB, com origem em dezembro 1974 - Série }~ Importacdes Perfodo | Valor Real | _ — Previsdo t z, Zoy lh), h=1,.0056 25 12,4 1.123,97 26 1.108,5, 1.091,54 27 1.043,8 1,046,13 28 1-036,6 987,74 29 1,026,0 813,21 30 990,4 832,02- 126 - 6.4 - PROBLEMAS 1. Demonstrar a equagio (6.9) TABELA 6.8-Vendas de Oleo Lubrificante Ano gan. |Fev. |Mar. JAbr. |Mai. |Jun, |dul. |Ago, 1975 1976 1977 1978 317 ( 194 | 312 | 316 | 322 | 334 | 317 | 356 | 428 | 411 | 494 | 412 460 | 395 | 392 | 447 | 452 | 571 | 517 | 397; 410 | 579 | 473 | 558 538 | 570 | 600 | 565 | 485 | 604 | 527 | 603 | 604 | 790 | 714 | 653 626 | 690 | 680 | 673 | 613 | 744 | 718| 767 | 728] 793 | 726 | 777 Fonte: Montgomery & Johnson (1976). 2. As observacGes da Tabela 6.8 referem-se a vendas de leo lubrificante. Assumindo que os dois primeiros a- nos de observacées (1975 e 1976) sdo utilizados para ajustar o modelo, utilize o AELB com a =0,10 ¢ proce- da da seguinte maneira: a) calcule as previsées para os préximos dois anos (1977 © 1978); b) calcule as previsdes atualizadas a cada nova obser- vagaéo, para o mesmo perfodo, e c) faga um gréfico de vendas x erro de previsio um pas- so & frente, isto é, 2,%e, CD, t=25,.4+,48, Da mesma forma que existe 0 AELB como uma extensao do AES para séries que apresentam tendéncia linear ,pode- mos utilizar uma extensdo do método de MMS, denomina- do médias néveis linear cuja equagio de previsio é dada por 2, (h) = a, +h,