202

Captulo 5: Introduo s Sries Temporais e aos Modelos ARIMA

Neste captulo faremos uma introduo s sries temporais. O nosso objetivo aqui puramente
operacional e estaremos mais preocupados com as definies bsicas e alguns exemplos simples, j
que o estudo de sries temporais to extenso que justifica um curso em separado.

Sries Temporais no so comumente estudadas em cursos bsicos de Estatstica. Por que? Pois no
estudo de Sries Temporais a noo de dependncia entre as observaes crucial. Ao contrrio, na
maioria dos procedimentos estudados em cursos elementares, supe-se que as observaes formam
uma amostra aleatria, isto , so independentes e identicamente distribudas.


5.1. Introduo - algumas consideraes sobre sries temporais


Definio 5.1.1. (Srie Temporal)
Uma Srie Temporal um conjunto de observaes ordenadas no tempo (no necessariamente
igualmente espaadas), e que apresentam dependncia serial (isto , dependncia entre instantes
de tempo). A notao usada aqui para denotar uma Srie Temporal Z
1
, Z
2
, Z
3
..., Z
T
, que indica
uma srie de tamanho T. O instante T geralmente indica o ltimo instante disponvel.

De uma maneira um pouco mais formal, dizemos que uma srie temporal uma realizao de um
processo estocstico.



Definio 5.1.2. (Processo ergdico)

Um processo estocstico dito ergdico se uma nica realizao do processo o suficiente para
caracteriz-lo. Na anlise de sries temporais existe apenas uma realizao do processo disponvel
e portanto precisamos supor que o processo subjacente ergdico, pois iremos usar apenas uma de
suas realizaes para caracteriz- lo.


Em geral, ao estudarmos uma Srie Temporal estaremos interessados em dois aspectos:
a) Anlise e Modelagem da Srie Temporal - descrever a srie, verificar suas caractersticas mais
relevantes e suas possveis relaes com outras sries;
b) Previso da Srie Temporal - a partir de valores passados da srie (e talvez de outras sries
tambm) encontrar boas previses (de curto prazo) de valores futuros da srie. A previso da
srie no instante T +k ser denotada por
$
Z
T k +
. O nmero de instantes frente para o qual
feita a previso (neste caso, k) chamado de horizonte de previso. Por exemplo, a previso
de Z
T+1
denotada por
$
Z
T+1
.


A dependncia serial entre os valores da srie um aspecto essencial, pois nos permite gerar
previses de valores futuros da srie. Estas previses seriam puro chute se no houvesse
dependncia serial. Tambm, diferentes sries possuem diferentes graus de previsibilidade; por
exemplo, freqentemente mais fcil prever uma srie de temperaturas mdias mensais do que a
taxa mensal de inflao. Logo, no se pode garantir que a previso encontrada por este ou aquele
mtodo ser sempre boa, tudo depende das caractersticas da srie que est sendo estudada! No
entanto, um aspecto deve ser levado em conta ao fazermos previses de sries temporais: o nvel de
incerteza aumenta com o horizonte de previso quanto mais longe no futuro, maior a incerteza
associada previso. Isto intuitivamente razovel, sempre mais difcil prever o futuro distante, e a
nossa previso estar cercada de incertezas!


203
Uma medida do acerto das nossas previses o erro de previso k-passos frente, definido a
seguir.


Definio 5.1.3. (Erro de Previso k passos frente)
O erro de previso k passos frente no instante t (onde k um inteiro maior ou igual a um) definido
como a diferena entre o valor real da srie no instante t e a previso deste valor feita k instantes
antes, isto :
( ) ( ) k Z Z t e
k t t k
=

Um caso particular importante o erro de previso um passo frente, dado por:
( ) ( ) 1

1 1
=
t t
Z Z t e

Um bom modelo de previso produz previses com erro pequeno, e assim interessante
acompanhar quantidades como a soma dos quadrados dos erros de previso, ou a soma dos valores
absolutos dos erros de previso.


E como funcionam estas ferramentas quantitativas que nos permitem prever o futuro de uma
srie temporal?

Vamos utilizar o passado (dados histricos) para descrever a trajetria mais provvel da srie no
futuro.
Isso no uma bola de cristal!
Na maioria dos problemas o passado traz informaes relevantes sobre o que ir ocorrer no
futuro, pois existe correlao entre as variveis em diversos instantes.
claro que o conhecimento do passado no nos diz exatamente como ser o futuro, e ento
sempre existe incerteza associada s nossas previses !
Mas, podemos ter uma boa idia de quais sero os valores mais provveis no futuro !
Ou seja, podemos especificar previses futuras e limites de confiana.



Por que usar previses quantitativas, baseadas em modelos estatsticos?

As previses quantitativas, baseadas em modelos estatsticos, so importantes pois podem ser
reproduzidas, isto : dois analistas diferentes chegam s mesmas concluses se utilizarem o mesmo
modelo.

Tambm, as previses obtidas por mtodos estatsticos tm uma justificativa terica - o resultado
encontrado no baseado apenas em argumentos do tipo : eu acho que..., baseado na minha
experincia ... , etc...

Finalmente, as previses so obtidas a partir de um modelo, que uma simplificao da realidade. O
processo de modelagem nos leva naturalmente a considerar apenas os aspectos essenciais do
nosso problema e por si s costuma trazer bastante informao sobre o problema que est sendo
tratado.


Afinal, o que queremos ao modelar uma srie temporal ?

Capturar toda a estrutura de dependncia existente na srie;
Logo, nos resduos no deve sobrar estrutura, pois ela j foi captada pelo modelo. Nota: o
resduo apenas a diferena entre o valor real e o ajustado por um modelo qualquer. Por
exemplo, seja Z
t
o valor real da srie no instante t, e
t
Z

seu valor ajustado pelo modelo. Ento, o

resduo no instante t apenas Z
t
-
t
Z

.

204
Em particular, se o modelo bom, os resduos no devem apresentar correlao serial (isto ,
correlao entre os resduos em diferentes instantes de tempo);
Explicar o comportamento da srie com o menor nmero de parmetros (parcimnia).


Dica Prtica .... Por onde comear
Em geral, a primeira coisa que fazemos ao estudar uma srie temporal construir um grfico para
mostrar a sua evoluo ao longo do tempo. Este procedimento simples costuma ser bastante
esclarecedor, e nos permite identificar como evolui a tendncia da srie, se existe ou no
sazonalidade, se ocorrem observaes aberrantes, etc ... Logo, a minha sugesto : sempre comece
a sua anlise da maneira mais simples faa o grfico da srie de interesse!



Sries temporais ocorrem com enorme freqncia na prtica. No quadro a seguir exibimos os grficos
de algumas sries temporais reais.


Quadro 5.1.1. - algumas sries temporais

Preos Mensais Internacionais de Celulose
em US$ fixos
Vendas Mensais de Refrigerantes em
embalagens de 290 ml
350.00
450.00
550.00
650.00
750.00
850.00
950.00
1050.00
jan-78jan-79jan-80jan-81jan-82jan-83jan-84jan-85jan-86jan-87jan-88jan-89jan-90jan-91jan-92jan-93jan-94jan-95jan-96jan-97

V E NDAS - EMBA L AGE NS 2 90 ml
m s e a no
0
50
100
150
200
250
300
gua290
lim290
laranj290


Temperatura Mxima Mensal no Rio de
Janeiro (mdia das mximas dirias)
Preos de Ttulos da Dvida Externa do
Brasil, Argentina e Mxico
20.00
22.00
24.00
26.00
28.00
30.00
32.00
34.00
36.00
38.00

Legend
BRPREC
ARGPREC
MEXPREC









205



Consumo Mdio de Energia Eltrica Inflao Mensal do Rio de Janeiro
Consumo Mdi o de Energi a El tri ca
150
160
170
180
190
200
210
220
230
J
a
n
-
8
9
J
u
n
-
8
9
N
o
v
-
8
9
A
p
r
-
9
0
S
e
p
-
9
0
F
e
b
-
9
1
J
u
l
-
9
1
D
e
c
-
9
1
M
a
y
-
9
2
O
c
t
-
9
2
M
a
r
-
9
3
A
u
g
-
9
3
J
a
n
-
9
4
J
u
n
-
9
4
N
o
v
-
9
4
Inflao Mensal no Rio de Janeiro
-20%
0%
20%
40%
60%
80%
100%
J
a
n
-
8
8
J
u
n
-
8
9
N
o
v
-
9
0
A
p
r
-
9
2
S
e
p
-
9
3
F
e
b
-
9
5
J
u
l
-
9
6
I
P
C
-
R
J

(
F
G
V
)


Podemos fazer uma distino bsica entre duas grandes classes de modelos:
Modelos Univariados: a srie temporal explicada (prevista) apenas pelos seus valores
passados;
Modelos Multivariados ou Causais: a srie temporal explicada (prevista) pelos seus valores
passados e tambm pelos valores passados de outras variveis.

Neste captulo consideraremos apenas modelos univariados.



Exemplo 5.1.3. (Alguns Modelos Univariados)

i) Naive (ingnuo)

A previso de Z
T+1
(valor da srie no instante T +1) apenas a ltima observao (Z
T
). claro que
voc no precisa de um software para ajustar isso e, em alguns casos, o nico mtodo
disponvel. Um exemplo clssico a previso do preo de uma ao - geralmente a melhor previso
para o preo de amanh o preo de hoje, o que certamente frustrante!


ii) Mdias mveis de tamanho N

A cada instante, a previso apenas a mdia das ltimas N observaes. Um dos problemas com
este mtodo a escolha de N, o tamanho da janela a ser utilizado. Quanto maior o valor de N, mais
suave a previso. Ao contrrio, se N pequeno, a previso tende a ser meio nervosa, isto ,
oscila muito. Uma caracterstica importante do mtodo de mdias mveis : todas as observaes
usadas para o clculo tm o mesmo peso (que 1/N). Mas, na prtica razovel supor que as
observaes mais recentes sejam mais relevantes para a previso dos prximos valores da srie, e
portanto deveriam receber um peso maior que as observaes mais antigas. Esta idia de pesar ou
ponderar as observaes de acordo com as suas idades leva aos diversos mtodos de
amortecimento exponencial.



iii) Amortecimento Exponencial (Exponencial Smoothing)

Existem inmeras variaes destes mtodos, para sries sazonais e no sazonais. A idia geral
parecida com a do mtodo de mdias mveis, mas os pesos das observaes decrescem medida
que as observaes esto mais longe no passado. A taxa de decrscimo do(s) peso(s)

206
determinada por uma ou mais constantes de amortecimento. A maior dificuldade na aplicao
escolher a(s) constante(s) de amortecimento, mas alguns softwares j ajustam os modelos de
amortecimento automaticamente com constantes de amortecimento otimizadas.

Na prtica, os mtodos de amortecimento so os mtodos de previso mais usados no dia a dia das
empresas, o que em parte explicado pela sua facilidade de implementao e capacidade em gerar
boas previses.


iv) Modelos ARIMA de Box e Jenkins

So modelos mais sofisticados, que usam as correlaes entre as observaes em diversos
instantes. A idia por trs dos modelos ARIMA envolve filtros lineares e algum conhecimento de
Teoria de Sistemas til. A identificao da estrutura do modelo um pouco complicada, mas alguns
softwares j identificam automaticamente a estrutura do modelo ARIMA, evitando o passo mais
complicado da anlise. Como casos particulares dos modelos ARIMA temos os processos AR
(Autoregressivo) e MA (Mdias mveis ou moving average), j estudados brevemente no captulo 2.

Os modelos ARIMA costumam apresentar melhores resultados que os mtodos de amortecimento
quando a srie relativamente longa e bem comportada.

Se a srie muito irregular, os resultados so, geralmente, inferiores aos obtidos por mtodos de
amortecimento.

Existem tambm modelos ARIMA multivariados, geralmente chamados de modelos de funo de
transferncia, mas eles no sero estudados aqui.



Decomposio de uma srie temporal

A maneira tradicional de analisar uma srie temporal atravs da sua decomposio nas
componentes de tendncia, ciclo e sazonalidade.

A tendncia de uma srie indica o seu comportamento de longo prazo, isto , se ela sobe, desce,
ou permanece estvel, e qual a velocidade destas mudanas. Nos casos mais comuns trabalhamos
com tendncia constante, linear ou quadrtica, como mostrado na prxima figura.


Quadro 5.1.2. Tendncia de uma srie
Tendncia Constante Tendncia Linear Tendncia Quadrtica





A sazonalidade indica a repetio de um padro na srie dentro do perodo de um ano. Por exemplo,
vendas de sorvete so altas no vero e baixas no inverno. No quadro 5.1.1., as sries de
temperatura, consumo de energia eltrica e vendas de refrigerantes so claramente sazonais, mas
no se pode dizer o mesmo das outras sries.

207

Os ciclos indicam padres que se repetem na srie em perodos superiores a um ano. Por exemplo,
ciclos relacionados atividade econmica ou ciclos meteorolgicos.


Caractersticas de uma srie temporal e estimadores

Um processo estocstico estacionrio de 2 ordem pode ser descrito (no domnio do tempo) por sua
mdia, varincia e funo de autocovarincia (ou de autocorrelao). Na prtica no conhecemos
totalmente o processo estocstico que gerou a srie que est sendo observada, e estas quantidades
(mdia, varincia, autocorrelao) devem ser estimadas a partir da srie temporal, como indicado no
captulo 2.



5.2. Mtodos de Amortecimento Exponencial (sries no sazonais)


Existem inmeras variaes de mtodos de amortecimento exponencial. Todas elas, na verdade, tm
uma caracterstica comum: a informao atual (representada pelo ltimo valor observado)
ponderada com a informao contida nos instantes anteriores. A existncia de uma ou mais
constantes de amortecimento ir determinar como funciona este mecanismo de ponderao ou, em
outras palavras, o quo rapidamente decai a influncia das observaes passadas. Os parmetros do
modelo sofrem uma atualizao seqencial, e a chegada de uma nova observao resulta numa nova
estimativa dos parmetros.

Nesta seo estudamos diversos mtodos de amortecimento exponencial para sries no sazonais.
A extenso destes mtodos para sries sazonais mostrada na prxima seo.

Os mtodos de amortecimento exponencial so formas at certo ponto arbitrrias de representar uma
srie temporal, mas so muito importantes na prtica, pois geralmente produzem previses razoveis
a partir de um esforo computacional baixo. Na verdade, estes mtodos so freqentemente citados
como os favoritos dos no especialistas em sries temporais, pela qualidade das previses
geradas e facilidade de implementao. Os mtodos de amortecimento mais famosos so: Brown,
Holt e Winters.

Um ponto potencialmente complicado em todos estes mtodos a escolha da(s) constante(s) de
amortecimento, mas na prtica isso no mais problema, j que a maioria dos softwares de sries
temporais ajusta modelos com a(s) constante(s) otimizadas.

Seja ( ) Z Z Z Z
T T
=
1 2
, ,..., uma srie temporal de tamanho T. Desejamos escrever um modelo geral
para explicar o comportamento da srie a cada instante e permitir a produo de previses futuras.


Suponha que o modelo geral para uma observao qualquer no instante t genrico : ( ) Z t
t t
= +
onde
t
um rudo aleatrio com mdia zero e varincia constante

2
. O termo (t) representa o
nvel mdio da srie, que funo apenas do instante de tempo.

Iremos estudar trs casos particulares: (t) constante, uma funo linear e uma funo quadrtica
do tempo.


A partir das propriedades da mdia e da varincia podemos concluir que:


208
( )
( )
( )
E Z t t
VAR Z
t
t
= =
= =

para todo
constante
123
2
, , ,....
(5.2.1)


A seguir derivamos estimadores para os parmetros desconhecidos dos modelos de nvel constante,
linear e quadrtico e encontramos as respectivas equaes de previses.

Freqentemente iremos supor que os erros
1
,
2
, ...,
T
so independentes com uma distribuio de
probabilidade conhecida (por exemplo, a Normal) com mdia zero e varincia constante. Das
equaes acima fcil ver que a estimao da varincia de Z
t
(que igual varincia de
t
) no
apresenta grandes dificuldades, basta utilizar os estimadores usuais da varincia de uma amostra
aleatria. Por isso, na discusso a seguir, ns nos concentraremos na estimao dos parmetros que
definem o nvel mdio da srie.



5.2.1. Modelo Constante (Horizontal)

Este um modelo apropriado quando a srie temporal apenas oscila em torno de um valor constante,
sem exibir tendncia de crescimento ou queda. A funo nvel mdio dada por: (t) =a
1
para
todo instante t =1, 2, 3, ....., T.


Neste modelo necessrio estimar apenas 2 parmetros:
a
1
(o nvel mdio da srie) e

2
(a varincia da srie).


A previso k passos frente obtida no instante T :

) ( } | { } | { ) (

1 1
T a Z a E Z Z E k Z
T k T T k T T
= + = =
+ +

(5.2.2)

Logo, se conhecermos um estimador do parmetro a
1
poderemos encontrar as previses pontuais
para qualquer horizonte de tempo k.


E como podemos estimar a constante a
1
(nvel mdio da srie)? Existem diversas possibilidades,
mostradas a seguir.







209
Modelo Constante - Estimao do nvel mdio da srie

1) Estimador ingnuo ( naive )

( )
T
Z T a =
1
onde Z
T
indica a ltima observao disponvel.


2) Estimador Mdias Mveis de tamanho N

O nvel mdio da srie num certo instante estimado como a mdia mvel de tamanho N usando as
observaes Z
T
, Z
T-1
, ..., Z
T-N+1
, isto :

N
Z Z Z
M T a
T T N T
T
+ + +
= =
+ 1 1
1
...
) (
(5.2.3)

Uma questo crucial neste caso definir qual o tamanho da janela a ser usada, isto , quantas
observaes sero utilizadas no clculo da mdia mvel. Note que, se N = 1, apenas a ltima
observao usada, e o mtodo se reduz ao mtodo ingnuo. Por outro lado, se N =T (tamanho da
srie), temos o chamado mtodo conservador, em que todas as observaes disponveis so
empregadas na estimao do nvel mdio da srie, e ( ) Z T a =
1
, a mdia amostral da srie.

O tamanho da janela utilizada (N) pode ser escolhido como aquele inteiro positivo que minimiza a
soma de quadrados dos erros de previso 1 passo frente, isto , escolhe-se N de forma a
minimizar:
S N e t
t
T
( ) ( ) =
=

1
2
1



3) Estimador pelo Mtodo de Amortecimento Exponencial

Note que o estimador do nvel da srie produzido pelo mtodo de mdias mveis pode ser escrito
como:

N
Z Z
M
N
Z Z Z
M T a
N T T
T
T T N T
T

+

+ =
+ + +
= =
1
1 1
1
...
) (
(5.2.4)

Onde M
T-1
a mdia mvel de tamanho N calculada no instante anterior. Em outras palavras, o
estimador do nvel envolve uma informao atual (representada por Z
T
, o ltimo valor observado da
srie) e uma informao passada (M
T-1
e Z
T-N
).

O mtodo de amortecimento exponencial estende esta idia de ponderao da informao presente e
passada. Na equao (5.2.4) substitua Z
T-N
por M
T-1
. Isso nos leva ao seguinte estimador:

1
1
1 1
1
1
1
) (

= + =
T T
T T
T
M
N
Z
N N
M
N
Z
M T a



Ou seja, este novo estimador tem a forma: (peso)*(informao atual) + (1 peso)*(informao
passada). Note que
1
(T) a previso do nvel da srie efetuada no instante atual T e podemos
reescrever esta ltima equao como:

( ) 1
1
1
1 1
1
1
) (
1 1 1

=

T a
N
Z
N
M
N
Z
N
T a
T T T


210

onde
1
(T 1) a mdia mvel de tamanho N calculada at (inclusive) a observao T-1, ou seja,
a estimativa prvia do nvel da srie, Em outras palavras: a previso atual do nvel (dada por
1
(T) )
baseada na ponderao do valor mais recente da srie (Z
T
) e da ltima previso para o nvel
(
1
(T 1)).

Uma forma mais geral de definir um estimador com esta caracterstica de ponderao das
informaes passadas e presentes :


( ) ( ) ( ) 1 1 . ) 1 (
1 1 1
+ = + = =

T a Z M Z M T a
T T T T

(5.2.5)

onde [0, 1] a constante de amortecimento, que controla a taxa de decaimento da informao.

A equao (5.2.5) apresenta algumas caractersticas interessantes:
1) bastante econmica do ponto de vista computacional, pois preciso guardar, a cada
instante, apenas o ltimo valor observado e a estimativa anterior do nvel, isto , no
precisamos guardar todos os valores anteriores da srie temporal para gerar a previso
do nvel;
2) o mtodo funciona bastante bem, desde que a srie no apresente uma tendncia.

Ao rearranjar os termos da equao (5.2.5) e encontramos:

( ) ( ) ( ) ( ) 1 1 ) 1 (
1 1 1 1
+ = + =

T a Z T a M Z T a
T T T

(5.2.6)

A expresso (5.2.6) freqentemente conhecida como forma de correo do erro. Nela, o
mecanismo de atualizao da previso do nvel fica explcito: o nvel estimado num instante T igual
ao nvel estimado no instante anterior mais um mltiplo do erro de previso um passo frente
cometido no instante anterior (que Z
T

1
(T-1)).

Seja e
T-1
o erro de previso um passo frente no instante T-1, isto :

e
T-1
= Z
T

1
(T-1) e ento podemos rearranjar os termos e escrever: Z
T =
e
T-1
+
1
(T-1).

Se aplicarmos a equao (5.2.6) previso do nvel no instante T +1 encontramos:

( ) ( ) ( ) ( ) ( )
T T T T
e T a T a Z T a M Z T a . ) 1 ( 1
1 1 1 1 1 1
+ = + = + = +
+ +

Da:
( ) ( ) ( ) ( ) ( ) ( ) ( ) ( )
T T T T T T T T T T T
e e e e e T a T a e e T a e T a e Z Z . 1 . 1 1
1 1 1 1 1 1 1 1 1
+ = + = + = + + =
+ + + + +


Esta expresso no til do ponto de vista preditivo, pois o lado direito contm os outputs (erros de
previso um passo frente) enquanto o dado esquerdo contm os inputs (observaes). Mas, esta
expresso importante em termos estruturais, pois se os es (erros de previso um passo frente)
so substitudos por choques aleatrios, o modelo resultante um ARIMA (0,1,1), que ser estudado
na prxima seo. Num modelo ARIMA(0,1,1) o mtodo de amortecimento exponencial simples
estudado aqui fornece previses timas.


Por substituies sucessivas na equao (5.2.5) encontramos:

M
T
=Z
T
+(1-) Z
T-1
+(1-)
2
Z
T-2
+... +(1-)
T-1
Z
1
(5.2.7)

Esta ltima equao mostra claramente como funciona o mtodo de amortecimento exponencial:
cada estimativa do nvel (dada por M
T
) uma soma ponderada da observao atual (Z
T
) e das
observaes passadas. Os pesos decrescem exponencialmente, e a taxa de decaimento dos pesos
depende da constante .

211

Qual o efeito da constante de amortecimento ? Note que, da equao (5.2.7), o peso da
observao Z
T-k
(1-)
k
(para k =0, 1, 2, ...). Logo, a razo entre os pesos da observao Z
T-k
e da
observao atual (Z
T
) (1-)
k
. Se grande (prximo de 1) os pesos decaem rapidamente, e uma
observao que est longe no passado no tem qualquer influncia sobre a estimativa atual do
nvel, que estimado usando quase exclusivamente as observaes mais recentes. Ao contrrio, se
pequeno (por exemplo, menor que 0.3), uma observao longe no passado pode ainda ter uma
influncia considervel na estimao do nvel feita hoje.


A tabela a seguir apresenta alguns valores de e a meia vida das observaes, isto , quantas
defasagens so necessrias at que o peso da observao se reduza metade. A meia vida das
observaes encontrada resolvendo a seguinte equao para k (o lag):

( )
( ) ( )
( )

= = =

1 log
) 2 log(
2 log 1 log .
2
1 1
2
1
de peso
de peso
k k
Z
Z
k
T
k T
onde log(.)
indica o logaritmo natural. Como k indica uma defasagem, deve-se escolher o valor k inteiro no
negativo que satisfaz (aproximadamente) esta equao.


Tabela 5.2.1. Meia Vida das Observaes como Funo de

nmero de "lags" at o peso
cair pela metade
0,99 0,15
0,95 0,23
0,90 0,30
0,80 0,43
0,70 0,58
0,60 0,76
0,50 1,00
0,45 1,16
0,40 1,36
0,35 1,61
0,30 1,94
0,25 2,41
0,20 3,11
0,15 4,27
0,10 6,58
0,05 13,51
0,02 34,31
0,01 68,97

Por exemplo, se =0,02, a observao situada h 34 lags contm aproximadamente metade da
informao do dado atual. Se =0,05, so necessrias cerca de 14 defasagens at que o peso da
observao caia pela metade.



Nota: reparametrizao
Em alguns livros encontra-se o mtodo de amortecimento escrito de maneira diferente. Seja =1-
na equao (5.2.7). Em termos de esta equao torna-se:


212

M
T
=(1-)Z
T
+(1-) Z
T-1
+
2
(1-) Z
T-2
+... +
T
(1-)Z
1
(5.2.8)

Logo, o peso da observao atual (1-) e o da k-sima observao no passado
k
(1-). Nesta
parametrizao, valores altos de indicam que a memria do processo relativamente longa, ou
seja, a influncia das observaes passadas demora a decair.


Exemplo 5.2.1.

A tabela a seguir exibe os primeiros valores da srie temporal: Z
t
=2 +e
t
onde os e
t
s so rudos iid
com distribuio Normal de mdia 0 e desvio padro . Supomos que em t =0, Z
0
=0 (apenas para
permitir a inicializao do processo), e o objetivo aqui demonstrar a estimao seqencial de a
1
por
amortecimento exponencial e mdias mveis (de tamanho 2, 3 e 4). Note que, dependendo da
escolha da constante de amortecimento (ou da janela utilizada na mdia mvel), a estimativa do nvel
mais ou menos nervosa (e oscila mais ou menos medida que recebemos cada valor da srie).
Verifique os valores estimados para o nvel da srie. Faa (em casa) o grfico da evoluo no nvel
estimado ao longo do tempo para todos os mtodos indicados.


Instante t Erros (e(t)) Srie (Z(t))
Estimador
MM(2)
Estimador
MM(3)
Estimador
MM(4)
Estimador
Amort. Expo.
(Alfa = 0.2)
Estimador
Amort. Expo.
(Alfa = 0.3)
1 -1,512 0,488 0,244 0,098 0,147
2 0,080 2,080 1,284 0,856 0,494 0,692
3 -0,433 1,567 1,824 1,379 1,034 0,709 0,816
4 0,437 2,437 2,002 2,028 1,643 1,054 1,227
5 0,107 2,107 2,272 2,037 2,048 1,265 1,370
6 -0,025 1,975 2,041 2,173 2,021 1,407 1,478
7 -0,192 1,808 1,891 1,963 2,082 1,487 1,527
8 0,629 2,629 2,219 2,137 2,130 1,716 1,830
9 0,463 2,463 2,546 2,300 2,219 1,865 1,940
10 0,332 2,332 2,398 2,475 2,308 1,958 2,005
11 -0,469 1,531 1,931 2,109 2,239 1,873 1,830
12 0,538 2,538 2,034 2,134 2,216 2,006 2,072
13 0,277 2,277 2,408 2,115 2,170 2,060 2,087
14 0,017 2,017 2,147 2,277 2,091 2,052 2,047
15 -0,256 1,744 1,880 2,013 2,144 1,990 1,959




5.2.2. Modelo Linear

Esta estrutura adequada quando existe uma tendncia clara de crescimento (ou queda) ao longo do
tempo, como indicado na prxima figura. A funo nvel mdio dada por: (t) =a
1
+a
2
.t para todo
instante t =1, 2, 3, ....., T.


213


O modelo linear pode ser escrito como:

T t t a a Z
t t
,...., 2 , 1 onde .
2 1
= + + = e os
t
so os erros (choques) aleatrios, supostos
independentes e identicamente distribudos com mdia zero e varincia constante
2
. Desta
expresso (e usando as propriedades da mdia e varincia) segue direto que:

( ) t a a Z E
t
.
2 1
+ = e ( ) ( )
t t
VAR Z VAR = =
2
(5.2.9)


Neste modelo necessrio estimar trs parmetros: a
1
(coeficiente linear da srie), a
2
(coeficiente
angular da reta, ou seja, a taxa de crescimento da srie) e
2
(a varincia da srie).


A previso k passos frente obtida no instante T :

( ) ( ) k T T a T a Z k T a a E Z Z E k Z
T T T k T T
+ + = + + + = =
+ +
). ( ) ( } | { } | { ) (

2 1 2 1

(5.2.10)

A previso dada pela equao (5.2.10) pode ser escrita de uma forma ligeiramente diferente, desde
que faamos uma mudana da origem.



Modelo Linear - Estimao dos parmetros a
1
e a
2


Analogamente ao que fizemos para o modelo constante, a seguir apresentaremos diversos
estimadores para os parmetros desconhecidos que descrevem a evoluo do nvel da srie.


A partir dos valores estimados de a
1
e a
2
podemos encontrar a previso de uma observao futura
qualquer, apenas aplicando a equao (5.2.10).


1) Estimadores de Mnimos Quadrados Ordinrios (MQO)

Nosso objetivo encontrar a
1
e a
2
tais que a seguinte soma seja minimizada:
2
1
2 1
] ) ( [ SSE

=

+ =
T
t
t
t
t a a Z
4 4 3 4 4 2 1
(5.2.11)

SSE chamado de soma dos quadrados dos erros (ou soma do quadrado dos resduos). O mtodo
de mnimos quadrados bastante geral, e se aplica estimao de um nmero qualquer de
parmetros a
1
, a
2
, ..., a
k
(supe-se que k menor que o tamanho da srie, para permitir a estimao).

214
Considere, de maneira mais geral, um modelo com a seguinte estrutura: ( )
t k t
t a a a f Z + = , ,...., ,
2 1

onde f(.) uma funo (possivelmente no linear) do tempo e dos parmetros desconhecidos. Ento
a soma dos quadrados dos erros dada por:

( ) ( )

= =
= =
T
t
T
t
t k t
t a a a f Z SSE
1 1
2 2
2 1
, ,...., ,

O mtodo de mnimos quadrados procura encontrar estimadores dos parmetros desconhecidos de
forma a minimizar a soma do quadrado dos erros (SSE).

Note que os estimadores por mnimos quadrados encontrados pela minimizao da soma do
quadrado dos erros so calculados usando a srie inteira, ou seja, usamos todos os dados
disponveis de uma s vez. Ao contrrio, nos mtodos mdias mveis e de amortecimento, a
atualizao dos parmetros seqencial, e o recebimento de uma nova observao resulta em novos
valores estimados para a
1
e a
2
.


2) Estimadores pelo Mtodo de Mdias Mveis Duplas

Defina a mdia mvel dupla de tamanho N como:

N
M ... M M
M
1 N T 1 T T [2]
T
+
+ + +
=
(5.2.12)

Onde M
T
a mdia mvel (simples) de tamanho N calculada usando todas as observaes at o
instante T (inclusive).

Por que usar mdias mveis duplas?
Se os dados exibem uma tendncia linear, o uso de mdias mveis simples para a previso dos
valores da srie induz a erros sistemticos, pois a mdia mvel simples segue a tendncia com um
certo atraso, e este efeito amplificado quando tentamos prever valores futuros. O mtodo de mdias
mveis duplas procura diminuir este efeito sistemtico.

Pode-se mostrar que:

) ( ) 1 ( ) ( . ) ( } E{M
) ( .
2
1
) ( . ) ( } E{M
2 2 1
[2]
T
2 2 1 T
T a N T a T T a
T a
N
T a T T a
+ =

+ =


Resolvendo o sistema anterior para a
1
e a
2
leva a:


{ } } { } {
) 1 (
2
) ( a
) ( . - } { } { . 2 ) ( a
] 2 [
2
2
] 2 [
1
T T
T T
M E M E
N
T
T a T M E M E T

=
=
(5.2.13)


Se substituirmos os valores esperados de M
T
e M
T
[2]
na expresso (5.2.13) pelos valores
efetivamente observados M
T
e M
T
[2]
encontramos os estimadores de a
1
e a
2
com base na srie
observada at o instante T, dados por:


215
[ ]
( )
{ }
] 2 [
2
2
] 2 [
T 2
2
T T 1
) 1 (
2
) ( a
) ( . 2.M ) ( . - M M ) ( a
T T
T T
M M
N
T
T a T M T a T M T

=
= + =
(5.2.14)

O estimador
1
(T) encontrado corrigindo-se a mdia mvel simples (M
T
) pela diferena entre ela e a
mdia mvel dupla. Se, na verdade, no existisse uma tendncia linear, o fator de correo seria
pequeno.


A previso k passos frente no instante T :
{ }

+ = + =
= + + = + + =
+
] 2 [ ] 2 [
2
] 2 [
2 2 2
] 2 [
2 1
1
2
. . 2 ) ( . . 2
) ( . ) ( . ) ( . . 2 ) ).( ( ) (

T T T T T T
T T k T
M M
N
k M M T a k M M
T a k T a T T a T M M k T T a T a Z



Expresso alternativa para as equaes de atualizao do mtodo de mdias mveis duplas

DeLurgio (1998) prope o uso de uma verso modificada das equaes de atualizao (5.2.14). As
novas (e mais simples) equaes de atualizao so:

[ ]
( )
{ }
] 2 [
2
] 2 [
T
2
T T 1
) 1 (
2
) ( a
2.M M M ) ( a
T T
T T
M M
N
T
M M T

=
= + =
(5.2.15)

E a equao de previso k passos frente torna-se:

{ }

+ = + = + =
+
] 2 [ ] 2 [
2
] 2 [
2 1
1
2
. . 2 ) ( . . 2 ) ).( ( ) (

T T T T T T k T
M M
N
k M M T a k M M k T a T a Z

Vantagens e Desvantagens deste mtodo
a implementao trivial;
os estimadores obtidos pelo mtodo no so muito influenciados por outliers;
a escolha do nmero timo de lags a serem usados nas mdias mveis simples e duplas no
trivial.



Exemplo 5.2.2.
Um ponto importante a ser lembrado quando tratamos de mtodos de mdias mveis : estes
procedimentos implicam num conjunto de pesos definidos para as observaes passadas. Isso nos
permite compar-los com os mtodos de amortecimento exponencial.

Por exemplo, considere um modelo linear onde os parmetros desconhecidos so estimados por
mdias mveis simples e duplas de tamanho 3. Como podemos escrever os estimadores em termos
dos valores observados da srie?

Note que, neste caso, para qualquer instante t maior que 3:

3
2 1
+ +
=
t t t
t
Z Z Z
M


216
3
2 1 ] 2 [
+ +
=
t t t
t
M M M
M

E assim a previso 1 passo frente no instante T (com a origem transladada) :

( ) ( )( ) ( )
( ) ( ) ( )

=
=

+ +

+ +

+ +

=
=

+ +
= = + =
=

+ = + =




+
4 3 2 1
4 3 2 3 2 1 2 1
2 1
2 1 ] 2 [ ] 2 [ ] 2 [
] 2 [ ] 2 [
2 1 1
3
2
3
4
3
3
3
5
3
7
3
1
3
2
3
2
3
. 7
3
1
2 2
3
7
3
1
3
2 . 3 . 2 . 3 2
1 3
2
2 1 .

T T T T T
T T T T T T T T T
T T T
T T T
T T T T T T T
T T T T T
Z Z Z Z Z
Z Z Z Z Z Z Z Z Z
M M M
M M M
M M M M M M M
M M M M T a T a Z




3) Mtodo de Amortecimento Exponencial Duplo (Mtodo de Brown)

Um mtodo semelhante ao anterior o mtodo de amortecimento exponencial duplo, tambm
conhecido como mtodo de Brown. Nele, uma nica constante de amortecimento empregada no
processo de atualizao de ambos os parmetros a
1
e a
2
. Analogamente ao mtodo de mdias
mveis duplas, a componente de tendncia estimada atravs da diferena entre um valor
amortecido simples e um duplo.

As equaes de atualizao no mtodo de Brown so:

] 2 [
1
[2]
T
1 T
M ) 1 ( M M
M ) 1 ( Z M

+ =
+ =
T T
T T


(5.2.16)

onde a constante de amortecimento.

Os estimadores de a
1
e a
2
encontrados pelo mtodo de Brown so:

[ ]
( )
( )
{ }
] 2 [
2
] 2 [
T
2
T T 1
1
) ( a
2.M M M ) ( a
T T
T T
M M T
M M T

=
= + =

(5.2.17)

Ou seja, estes estimadores tm a mesma forma que na equao (5.2.15). No entanto, agora M
T
e
M
T
[2]
no mais representam as mdias mveis descritas no tem 5.2.2., e so calculados atravs
das equaes (5.2.16).


A previso k passos frente no instante T :

{ }k M M M M k T a T a Z
T T T T k T
.
1
. 2 ) ).( ( ) (

] 2 [ ] 2 [
2 1

+ = + =
+

(5.2.18)


Escolha dos valores iniciais

Em todos os mtodos de amortecimento necessrio escolher valores iniciais dos parmetros de
forma a inicializar as equaes de atualizao. Algumas escolhas possveis so:

217

M
1
=Z
1


( ) ( )
2
) 1 ( a
) 1 ( a
3 4 1 2
2
1 1
Z Z Z Z
Z
+
=
=


Vantagens e Desvantagens do mtodo de Brown
modela o nvel e a tendncia da srie;
mais eficiente em termos computacionais que as mdias mveis duplas;
menos flexvel que o modelo de Holt (a seguir), que usa duas constantes de amortecimento.



4) Mtodo de Holt (2 parmetros)

Este mtodo bastante parecido com o anterior, mas agora existem duas constantes de
amortecimento diferentes, responsveis pela velocidade de decaimento da informao na estimao
dos coeficientes linear e angular, respectivamente.

O modelo de Holt implementado atravs das seguintes equaes:

( ) ( ) ( ) 1 . 1 .
2 1
+ + =

T a M Z M
T T T


( ) ( ) ( ) ( ) 1 . 1 .
2 1 2
+ =

T a M M T a
T T
(5.2.19)

( )
T
M T a =
1


onde e so as constantes de amortecimento.


Caractersticas importantes do mtodo

As constantes de amortecimento usadas para clculo do nvel e tendncia so diferentes;
Na equao de atualizao do nvel, o novo nvel funo de 3 variveis: a observao mais
recente (Z
T
), a estimativa anterior do nvel (M
T-1
) e a taxa de crescimento estimada no instante
anterior (
2
(T-1));
A taxa de crescimento atualizada funo da taxa de crescimento no instante anterior e tambm
depende da diferena entre os nveis nos instantes T-1 e T.


Escolha dos valores iniciais

Possveis escolhas so:

( ) ( )
2
) 1 ( a
) 1 ( a
3 4 1 2
2
1 1
Z Z Z Z
Z
+
=
=


Vantagens e Desvantagens do mtodo de Holt
modela o nvel e a tendncia da srie;
mais flexvel que o mtodo de Brown, pois usa constante de amortecimento separadas para o
nvel e a tendncia;
a contrapartida deste ganho em flexibilidade a existncia de um parmetro adicional a ser
otimizado, o que dificulta o processo de otimizao.


218

Exemplo 5.2.3.
Considere uma srie temporal puramente determinstica, Z
t =
2 +3.t. A tabela a seguir exibe alguns
valores da srie e as previses um passo frente de Z
t
usando: 1) uma mdia mvel simples de
tamanho 3, 2) a mdia mvel simples e a mdia mvel dupla, como na equao (5.2.15). Verifique os
valores encontrados na tabela, e note que o erro da previso um passo frente obtida atravs da
equao (5.2.15) nulo em todos os instantes.


Instante
t
Srie Z(t)
(puramente
determinstica) MM(3)
Previso 1
passo
frente de Z(t)
usando
MM(3)
Erro de
Previso 1
passo
frente
usando
MM(3) MM Dupla (3)
Diferena
entre
MM(3) e
MM Dupla
(3)
Previso 1
passo
frente =
MM(3) +
(MM(3)-
MMDup(3)) +
tendncia
Erro de
Previso 1
passo frente
usando MM
Dupla
1 5,00
2 8,00
3 11,00 8,00
4 14,00 11,00 8,00 6,00
5 17,00 14,00 11,00 6,00 11,00 3,00
6 20,00 17,00 14,00 6,00 14,00 3,00 20,00 0,00
7 23,00 20,00 17,00 6,00 17,00 3,00 23,00 0,00
8 26,00 23,00 20,00 6,00 20,00 3,00 26,00 0,00
9 29,00 26,00 23,00 6,00 23,00 3,00 29,00 0,00
10 32,00 29,00 26,00 6,00 26,00 3,00 32,00 0,00
11 35,00 32,00 29,00 6,00 29,00 3,00 35,00 0,00
12 38,00 35,00 32,00 6,00 32,00 3,00 38,00 0,00
13 41,00 38,00 35,00 6,00 35,00 3,00 41,00 0,00
14 44,00 41,00 38,00 6,00 38,00 3,00 44,00 0,00
15 47,00 44,00 41,00 6,00 41,00 3,00 47,00 0,00



Exemplo 5.2.4.
Considere o exemplo anterior, mas agora adicione um erro aleatrio Z
t
. O modelo gerador destes
dados : Z
t
=2 +3.t +e
t
onde os e
t
s so rudos aleatrios independentes Normais, com mdia zero
e varincia . Refaa o exemplo anterior e note que os erros de previso um passo frente usando
mdias mveis simples so consideravelmente maiores que os erros encontrados quando usamos a
equao (5.2.15) para prever Z
t
. Calcule a soma do quadrado dos erros de previso um passo
frente segundo os dois mtodos.


Instante
t
Erros
(e(t))
Srie
(Z(t)) MM(3)
Previso 1
passo
frente de Z(t)
usando
MM(3)
Erro de
Previso 1
passo
frente
usando
MM(3) MM Dupla (3)
Diferena
entre MM(3)
e MM Dupla
(3)
Previso 1
passo frente
= MM(3) +
(MM(3)-
MMDup(3)) +
tendncia
Erro de
Previso 1
passo
frente
usando
MMDupla
1 -0,150 4,850
2 -0,639 7,361
3 0,122 11,122 7,778
4 0,638 14,638 11,041 7,778 6,861
5 0,599 17,599 14,453 11,041 6,559 11,090 3,363
6 0,867 20,867 17,701 14,453 6,413 14,398 3,303 21,179 -0,31
7 -1,092 21,908 20,125 17,701 4,207 17,426 2,698 24,307 -2,40
8 -0,117 25,883 22,886 20,125 5,758 20,237 2,649 25,521 0,36

219
9 0,548 29,548 25,780 22,886 6,662 22,930 2,850 28,183 1,36
10 -0,543 31,457 28,962 25,780 5,677 25,876 3,086 31,479 -0,02
11 -0,345 34,655 31,886 28,962 5,693 28,876 3,010 35,135 -0,48
12 -0,845 37,155 34,422 31,886 5,268 31,757 2,665 37,907 -0,75
13 -0,923 40,077 37,295 34,422 5,654 34,535 2,761 39,752 0,32
14 -0,489 43,511 40,248 37,295 6,216 37,322 2,926 42,817 0,69
15 -0,387 46,613 43,400 40,248 6,366 40,314 3,086 46,099 0,51


Exemplo 5.2.5.
No grfico a seguir mostramos o consumo comercial de energia eltrica anual no Brasil no perodo
1963 a 1998, e os resultados do ajuste de um modelo de Holt srie.

Componente Constante de
Amortecimento
Valor Final
Nvel 0.8086 41539
Tendncia 0.9994 3536

As previses geradas pelo modelo para o perodo 1999-2002 so indicadas a seguir, assim como os
respectivos erros de previso em 1999 e 2000.

Ano Limite Inferior
Previso
(2.5%)
Previso Limite
Superior
Previso
(97.5%)
Valor Real Erro
Percentual
Absoluto de
Previso
1999 42,949 45,074 47,199 43,583 3.4%
2000 44,570 48,610 52,650 47,365 2.6%
2001 46,842 52,145 57,448
2002 49,362 55,681 62,000
Consumo Comercial (GWh)
0
5,000
10,000
15,000
20,000
25,000
30,000
35,000
40,000
45,000
1963 1965 1967 1969 1971 1973 1975 1977 1979 1981 1983 1985 1987 1989 1991 1993 1995 1997 1999

220
5.2.3. Modelo Quadrtico

A funo nvel mdio dada por (t) =a
1
+a
2
t +a
3
t
2
para t =1, 2, ...T. Agora existem trs
parmetros a serem estimados para o nvel, a
1
, a
2
e a
3
. Supondo que o modelo tem a forma:

2 2
3 2 1
) ( , 0 ) ( e ,...., 2 , 1 onde . . = = = + + + =
t t t t
VAR E T t t a t a a Z segue que:
E(Z
t
) = (t) =a
1
+a
2
t +a
3
t
2
e VAR(Z
t
) =
2
=constante.

O modelo quadrtico se aplica a sries que tm o comportamento indicado na figura a seguir.


A previso k passos frente no instante T dada por:

(T) a . + (T) a . + (T) a =
0) = T fazendo , isto da, translada origem a (com } ,...., , | a . E{a =
} ,...., , | { ) (

3
2
2 1
2 1
2
3 2 1
2 1
k k
Z Z Z k k a
Z Z Z Z E k Z
T
T k T T
+ +
= =
+



Analogamente aos modelos constante e linear, existem diversos mtodos para a estimao dos
parmetros que especificam o nvel da srie. Aqui, ao contrrio dos casos anteriores, no iremos
exibir em detalhes as equaes de atualizao.



1) Estimadores de Mnimos Quadrados Ordinrios (MQO)

Devemos encontrar os estimadores de a
1
, a
2
e a
3
que minimizem:

2
1
2
3 2 1
] ) . ( [ SSE

=

+ + =
T
t
t
t
t a t a a Z
4 4 4 3 4 4 4 2 1



2) Mdias Mveis Triplas

Defina a mdia mvel tripla de tamanho N avaliada no instante T como:



...
M
] 2 [
1
] 2 [
1
] 2 [
[3]
T
N
M M M
N T T T +
+ + +
=
(5.2.20)

Onde M
T
[2]
a mdia mvel dupla de tamanho N avaliada no instante T.

221


Os estimadores dos parmetros do modelo so obtidos como funes das mdias mveis simples,
dupla e tripla.

3 2, 1, = i ; ] , , [ ) (
] 3 [ ] 2 [
i i T T T
M M M f T a =




3) Amortecimento Exponencial

] 3 [
1
] 3 [ ] 3 [
] 2 [
1
] 2 [
1
) 1 (
) 1 (
) 1 (

+ =
+ =
+ =
T T T
T T T
T T T
M M M
M M M
M Z M





Onde [0,1] a nica constante de amortecimento usada para atualizar todas as mdias mveis.

Os estimadores dos parmetros a
1
, a
2
e a
3
(correspondentes origem transladada para o instante T)
no instante T so obtidos atravs das equaes:

( )( )
) (
. 2
2 1
) (
1
) (
3
2
2 1
T a T a T a M
T

=

( )( )
) (
. 2
2 3 1 2
) (
1
2 ) (
3
2
2 1
] 2 [
T a T a T a M
T

=

( )( )
) (
. 2
3 4 1 . 3
) (
1
3 ) (
3
2
2 1
] 3 [
T a T a T a M
T

=






5.3. Mtodos de Amortecimento Exponencial (sries sazonais)


Sries sazonais ocorrem com enorme freqncia na prtica. Por exemplo, sries de temperatura
mdia mensal e sries de consumo de energia eltrica so claramente sazonais, e exibem
caractersticas que se repetem ano a ano sempre no mesmo ms (ou semana, ou trimestre, ...). No
caso de sries de consumo de energia no Brasil, existe um ntido aumento de consumo nos meses de
vero, devido s elevadas temperaturas e ao uso de ar refrigerado. Entender a sazonalidade de uma
srie fundamental no apenas para gerar previses consistentes, mas tambm para propor polticas
governamentais ou empresariais. Por exemplo, o horrio de vero no Brasil conseqncia direta do
aumento de consumo observado neste perodo, e tem o objetivo de reduzir o consumo e evitar
black-outs cujas conseqncias em termos econmicos poderiam ser dramticas. A sazonalidade
pode ser modelada de duas formas: atravs de fatores sazonais ou atravs de funes
trigonomtricas. Aqui estaremos interessados apenas na modelagem atravs de fatores sazonais.

As tcnicas j estudadas de amortecimento exponencial podem ser estendidas para modelar sries
que apresentam tendncia e sazonalidade.


222
Um dos modelos mais utilizados na prtica (especialmente em empresas) o modelo de
amortecimento exponencial de Holt e Winters. Este procedimento capaz de modelar sries
sazonais e gera, na maioria dos casos, boas previses, a um custo computacional bastante baixo. O
modelo de Holt e Winters utiliza a idia de amortecimento das informaes passadas trs vezes para:
estimar o nvel da srie;
estimar a taxa de crescimento da srie;
estimar os fatores sazonais.
Em cada um dos passos indicados emprega-se uma constante de amortecimento diferente.

Seja S o perodo sazonal, por exemplo, S =12 no caso de dados mensais, S =4 no caso de
observaes trimestrais. Na discusso a seguir iremos nos referir, com freqncia, ao ms t, mas
todos os resultados se aplicam a perodos arbitrrios, e no se referem exclusivamente a dados
mensais. Denote por
t
o fator sazonal correspondente ao ms t, onde t =1, 2, ...S.


Existem dois tipos de modelos para a sazonalidade: modelos aditivos e multiplicativos. Nos
modelos aditivos, o padro sazonal no se altera medida que o nvel da srie muda. Ao contrrio,
nos modelos multiplicativos, a sazonalidade da srie afetada pelo nvel da mesma, como indicado
nos grficos a seguir.



MODELO ADITIVO MODELO MULTIPLICATIVO
Z
t
=(t) +
t
+
t
Z
t
=(t) .
t
.
t
ou Z
t
=(t) .
t
+
t







5.3.1. Modelo Horizontal (constante) Sazonal Multiplicativo

Neste caso o nvel da srie ((t)) uma constante, e a estrutura do modelo :

Z
t
=a
1
.
t
+e
t
(5.3.1)

Neste caso precisamos estimar o nvel da srie (a
1
) e os fatores sazonais
t
para todos os meses t.
Note que, no caso de dados mensais, precisamos estimar 12 fatores sazonais e o nvel, ou seja,
existem 13 parmetros a serem estimados. No caso de dados trimestrais, existem 4 fatores sazonais
(e tambm o nvel), o que resulta na estimao de 5 parmetros. Na verdade, se S o perodo
sazonal, existem S fatores sazonais a serem estimados, mas a soma destes fatores est sujeita a
uma restrio, e na prtica o nmero de fatores sazonais a serem estimados S 1. Logo, na
prtica, no modelo mensal devemos estimar 11 fatores sazonais (pois o remanescente obtido a
partir da restrio).


A previso k passos frente feita no instante T dada por:

223

( ) ( ) . } | { ) (

1
T T a Z Z E k Z
k T T k T T + +
= =
(5.3.2)

importante conhecer o significado dos estimadores de a
1
e
t
na equao (5.3.2).

( ) T a
1
indica o estimador do nvel da srie usando todas as observaes at o instante T (inclusive),
ou seja, a estimativa mais atualizada do nvel da srie.

( ) T
k T +
o estimador do fator sazonal correspondente ao ms T +k no futuro efetuado usando
todas as observaes at o instante T (inclusive). Ou seja, ( ) T
k T +
a estimativa mais atualizada
do fator sazonal que corresponde ao ms T +k.


Os parmetros do modelo so atualizados seqencialmente da forma indicada a seguir. Suponha
que, para um instante genrico T, as estimativas de a
1
e do fator sazonal para o instante anterior
esto disponveis (isto , so conhecidas), ou seja, ) 1 (
1
T a e ) 1 (
) (
T
T m
so dados, onde m(T)
o ms correspondente ao instante T. Ento, os parmetros atualizados no instante T so
encontrados a partir das seguintes frmulas:
) 1 ( ). 1 (
) 1 (
) (
1
) (
1
+

= T a
T
Z
T a
T m
T

(5.3.3)
) 1 ( ). 1 (
) (
) (
) (
1
) (
+

= T
T a
Z
T
T m
T
T m
(5.3.4)

Note que, nas equaes (5.3.3) e (5.3.4) so usadas duas constantes de amortecimento diferentes,
uma para o nvel e outra para o fator sazonal.

Alm disso, uma caracterstica importante da atualizao do fator sazonal : ele s muda quando
recebemos uma informao referente ao ms m(T). Por exemplo, o fator sazonal referente ao ms
de maio s atualizado quando recebemos uma informao relativa a este ms. Ou seja:
) ( e ,..., 2 , 1 para ) 1 ( ) ( T m j S j T T
j j
= =


Em seguida, os fatores sazonais estimados so normalizados, de tal forma que a sua soma seja igual
ao perodo sazonal (S). Esta condio de normalizao vlida para fatores sazonais multiplicativos.
No caso de fatores aditivos, sua soma (para todos os meses) zero.

=
=
S
j
j
S T
1
) (
(5.3.5)


necessrio fornecer estimativas iniciais do nvel e dos fatores sazonais. O procedimento de
inicializao descrito brevemente a seguir.


1 PASSO: Clculo das Mdias Anuais

Ano 1 Z
1
Z
2
... Z
S
Mdia do Ano 1
Z(1)


Ano 2 Z
S+1
Z
S+2
... Z
2S
Mdia do Ano 2
Z( ) 2


. . ... . J =T/S
Ano J Z
J S -(S-1)
Z
J S -(S-2)
... Z
J S
Mdia do Ano J
) (J Z



224

2 PASSO: Clculo dos fatores sazonais grosseiros C
i


C
Z
Z
1
1
1)
=
(

...
C
Z
Z
S
S
=
(1)

... ... ...
C
Z
Z
JS S
JS S
J


=
(
(
( )
1)
1)

...
C
Z
Z
JS
JS
J
=
( )


O fator sazonal grosseiro para o ms i apenas a observao Z
i
dividida pela mdia do ano
correspondente. Este procedimento simples funciona bem desde que a srie no apresente
componente de tendncia, Do contrrio, se existe tendncia, as estimativas dos fatores sazonais
encontradas por este mtodo iro conter componentes de tendncia, e as previses resultantes sero
prejudicadas.

Note que, neste passo, encontramos J (um para cada ano em que existem dados) fatores sazonais
para cada ms. No passo seguinte tomamos a mdia destes J fatores para obter um nico fator
sazonal para o ms i.


3 PASSO: Clculo dos fatores sazonais "suaves"

Os fatores sazonais para cada um dos meses so encontrados atravs da mdia dos fatores
encontrados no passo anterior, isto :


C C C C J
C C C C J
S J S S
S S S J S
1 1 1 1)
2
*
(
*
[ ... ]/
[ ... ]/
= + + +
= + + +
+
. . . . .


Por exemplo, o fator sazonal correspondente ao ms 1 a mdia dos fatores sazonais previamente
estimados para os meses 1, 13, 25, 37, ....


4 PASSO: Normalizao dos fatores sazonais "suaves"

A partir dos fatores sazonais suaves encontrados no passo anterior, calcula-se os fatores sazonais
normalizados simplesmente aplicando a restrio de que a soma dos fatores sazonais deve ser igual
a S (perodo sazonal). Ou seja, o fator sazonal normalizado correspondente ao ms i apenas:
( )
*
1
*
. 0
i
S
i
i
i
C
C
S

=
= onde
*
i
C o fator sazonal suave calculado no passo anterior.


5 PASSO: Obteno da estimativa inicial do nvel

A partir dos fatores sazonais normalizados ( ) 0
i
encontrados no passo anterior, e supondo que o
nvel inicial estimado seja igual mdia do primeiro ano de dados, ( ) 1
1
) 0 ( Z a = , pode-se inicializar o
processo de estimao. Em seguida usa-se as equaes (5.3.3) e (5.3.4) para obter as estimativas
do nvel e fatores sazonais em cada instante.



225

5.3.2. Modelo Linear Sazonal Multiplicativo

Neste caso o nvel da srie ((t)) uma funo linear, e a estrutura do modelo :

Z
t
=(a
1
+a
2
. t).
t
+e
t
(5.3.6)

Neste caso precisamos estimar o nvel da srie (a
1
), sua taxa de crescimento (a
2
) e os fatores
sazonais
t
para todos os meses t. A atualizao de parmetros feita seqencialmente, pelo
mtodo de Holt-Winters descrito a seguir.

Suponha que no instante T-1 conhecemos as estimativas do nvel, taxa de crescimento e fatores
sazonais dadas por: ) 1 ( e ) 1 ( , ) 1 (
2 1
T T a T a
j
. O procedimento de atualizao bem
semelhante ao apresentado antes (modelo com nvel constante e sazonalidade multiplicativa). A
grande diferena em relao ao modelo da seo 5.3.1. que agora temos mais uma quantidade a
ser atualizada seqencialmente, a taxa de crescimento a
2
.

Atualizao do nvel (a
1
)

)] 1 ( ) 1 ( )[ 1 (
) 1 (
) (
2 1
) (
1
+ +

= T a T a
T
Z
T a
T m
T

(5.3.7)

Note que, do lado direito da equao (5.3.7), o termo
( ) 1
) (
T
Z
T m
T

representa a observao do
instante T dessazonalizada.


Atualizao da tendncia


) 1 ( ). 1 ( )] 1 ( ) ( .[ ) (
2 1 1 2
+ = T a T a T a T a (5.3.8)

A equao de atualizao da tendncia exatamente igual do mtodo de Holt (usado para sries
com tendncia linear e sem sazonalidade), como indicado na expresso (5.2.19). Note que o termo
) 1 ( ) (
1 1
T a T a a diferena entre os nveis estimados nos instantes T e T-1.

Atualizao dos fatores sazonais (T)
j


) 1 ( ) 1 (
) (

) (
1
*
) (
+

= T
T a
Z
T m
T
T m
(5.3.9)

) ( ; ,..., 2 , 1 ); 1 ( ) (
*
T m j S j T T
j j
= = (5.3.10)

A atualizao dos fatores sazonais feita apenas no ms correspondente ao fator sazonal que se
procura estimar. Logo, pela equao (5.3.10) segue que o fator sazonal permanece fixo at
recebermos a informao relativa ao ms atual. Quando esta informao recebida (isto , quando o
instante T corresponde ao ms m(T)), o fator sazonal estimado atravs da expresso (5.3.9). Nesta
equao nota-se que o fator sazonal correspondente ao ms m(T) atualizado no instante T uma

226
mdia ponderada da estimativa feita no ano passado para o fator deste ms e tambm da
observao sem o nvel (dada por
( ) T a
Z
T
1

).


Normalizao (padronizao) dos fatores sazonais

S
T
T
T
S
j
j
j
j
.
) (
) (
) (
1
*
*

O objetivo desta normalizao fazer com que os fatores sazonais encontrados pela equao (5.3.9)
tenham soma igual a S (perodo sazonal).


A previso k passos frente no instante T obtida substituindo-se os parmetros desconhecidos a
1
,
a
2
e por suas estimativas, isto :

) ( )] ( . ) ( [ ) (

) ( 2 1
T T a k T a T Z
k T m k T + +
+ = (5.3.11)

Inicializao do Mtodo

A exemplo do que fizemos na seo anterior, aqui encontramos estimativas iniciais para o nvel, taxa
de crescimento e fatores sazonais.

Sejam
) ( ) 2 ( ) 1 (
,...., ,
J
Z Z Z as mdias anuais, onde J o ltimo ano disponvel.

A estimativa inicial da taxa de crescimento :
( )
( )S J
Z Z
a
J
1
0
) 1 ( ) (
2

=

A estimativa inicial do nvel :
( )
( )
( ) 0
2
1
0
2 ) 1 ( 1
a
S
Z a
+
=

A estimativa inicial dos fatores sazonais :
( ) ( )

=
0 .
2
1
2 ) (
a t m
S
Z
Z
C
i
t
t
onde t =1, 2, ...., J S e i o ano correspondente ao instante t.

Em seguida o procedimento igual ao da seo anterior.


5.3.3. Modelo Linear Sazonal Aditivo

A estrutura do modelo : Z
t
=a
1
+a
2
t +
t
+e
t
.

A atualizao seqencial dos parmetros anloga s equaes (5.3.7) a (5.3.10), com pequenas
modificaes, mostradas abaixo.

227

Atualizao do nvel (a
1
)

[ ] )] 1 ( ) 1 ( )[ 1 ( ) 1 ( ) (
2 1 ) ( 1
+ + = T a T a T Z T a
T m T
(5.3.12)

Note que, do lado direito da equao (5.3.12), o termo ( ) 1
) (
T Z
T m T
representa a observao
do instante T dessazonalizada.


Atualizao da tendncia

) 1 ( ). 1 ( )] 1 ( ) ( .[ ) (
2 1 1 2
+ = T a T a T a T a (5.3.13)

A equao de atualizao da tendncia exatamente igual do modelo multiplicativo e do mtodo
de Holt (expresses (5.3.8) e (5.2.19)).


Atualizao dos fatores sazonais (T)
j


[ ] ) 1 ( ) 1 ( ) (
) ( 1
*
) (
+ = T T a Z
T m T T m
(5.3.14)

) ( ; ,..., 2 , 1 ); 1 ( ) (
*
T m j S j T T
j j
= = (5.3.15)

Note que, em (5.3.14), o termo [ ] ) (
1
T a Z
T
uma medida da variao sazonal dos dados, obtida
pela diferena entre a observao atual e a estimativa mais recente do nvel.

Da equao (5.3.15) conclui-se que as estimativas de cada fator sazonal s so atualizadas uma vez
a cada ano, quando observamos o dado correspondente quele ms.

A previso 1 passo frente no instante T obtida substituindo-se os parmetros desconhecidos a
1
,
a
2
e por suas estimativas, isto :

) ( )] ( ) ( [ ) (

) 1 ( 2 1 1
T T a T a T Z
T m T + +
+ + = (5.3.16)

importante lembrar que os fatores sazonais aditivos sofrem uma restrio diferente dos fatores
multiplicativos. No caso dos fatores aditivos, a sua soma (para todos os meses) zero.

Inicializao do mtodo

Montgomery e J ohnson sugerem obter as estimativas iniciais dos parmetros atravs de um
procedimento de mnimos quadrados ordinrios, que permite a estimao simultnea dos S + 2
parmetros desconhecidos.


Requisitos mnimos para usar o mtodo de Holt e Winters

Para modelar adequadamente a sazonalidade, necessrio pelo menos 3 anos de dados
mensais e 4 anos de dados trimestrais.





228
Exemplo 5.3.1.

O prximo grfico exibe o nvel dos reservatrios (isto , a combinao das usinas hidroeltricas) na
regio Sudeste do Brasil entre J aneiro de 1989 e Agosto de 2001.


Os resultados de um modelo Holt-Winters ajustado a esta srie so:

Constante Valor
Componente Amortec. Final
Nvel 0.540 25.109
Tendncia 0.002 -0.179
Sazonalidade 0.529

Os fatores sazonais multiplicativos estimados so:

Fatores Sazonais
J an 1.028
Fev 1.181
Mar 1.282
Abr 1.241
Mai 1.176
J un 1.126
J ul 1.052
Ago 0.936
Set 0.877
Out 0.751
Nov 0.727
Dez 0.829


Nvel dos Reservatrios - Sudeste
0
10
20
30
40
50
60
70
80
90
100
ja
n
/
8
9
j
u
l
/
8
9
ja
n
/
9
0
j
u
l
/
9
0
ja
n
/
9
1
j
u
l
/
9
1
ja
n
/
9
2
j
u
l
/
9
2
ja
n
/
9
3
j
u
l
/
9
3
ja
n
/
9
4
j
u
l
/
9
4
ja
n
/
9
5
j
u
l
/
9
5
ja
n
/
9
6
j
u
l
/
9
6
ja
n
/
9
7
j
u
l
/
9
7
ja
n
/
9
8
j
u
l
/
9
8
ja
n
/
9
9
j
u
l
/
9
9
ja
n
/
0
0
j
u
l
/
0
0
ja
n
/
0
1
j
u
l
/
0
1

229
Este modelo foi ento ajustado at Dezembro de 2000 e as previses obtidas para o perodo entre
J aneiro e Agosto de 2001 para testar sua capacidade preditiva. A prxima tabela apresenta os
valores reais e ajustados no perodo, alm dos erros percentuais de previso.


Data
Limite Inferior
do IC 95% Previso
Limite
Superior
do IC 95% Valor Real
Erro de
previso
(em %)
jan/01 24.3 36.6 48.9 31.4 -5.2
fev/01 27.4 43.2 59.0 33.4 -9.8
mar/01 28.1 46.6 65.1 34.5 -12.1
abr/01 24.6 44.2 63.7 32.2 -12.0
mai/01 20.7 40.9 61.2 29.7 -11.2
jun/01 17.2 38.1 59.0 28.6 -9.6
jul/01 13.7 35.0 56.3 26.8 -8.2
ago/01 9.4 30.9 52.3 23.5 -7.4


Os erros so bastante grandes, o que certamente conseqncia de uma mudana no padro de
evoluo dos reservatrios, que se torna ntida a partir de 2001. Note que, neste ltimo ano, a
amplitude no nvel de reservatrios bem menor que nos anos anteriores, indicando que no foi
possvel recuperar o nvel dos reservatrios com as chuvas de vero. Portanto, (pelo menos a
posteriori) clara a necessidade de impor o racionamento de energia (iniciado em J unho de 2001).

Se agora consideramos apenas as previses um passo frente, a capcidade preditiva do modelo
sensivelmente melhor, como indicado na prxima tabela. Os erros, especialmente nos meses de
inverno, so sensilvelmente reduzidos.

Previses um passo frente
Data
Limite
Inferior do
IC 95% Previso
Limite
Superior
do IC 95% Valor Real
Erro de
previso
(em %)
jan/01 24.3 36.6 48.9 31.4 -5.2
fev/01 24.9 39.2 53.5 33.4 -5.8
mar/01 23.3 38.6 53.9 34.5 -4.1
abr/01 20.1 34.7 49.3 32.2 -2.5
mai/01 17.5 31.1 44.8 29.7 -1.4
jun/01 15.7 28.5 41.3 28.6 0.1
jul/01 14.5 26.4 38.2 26.8 0.4
ago/01 13.0 23.6 34.2 23.5 -0.1