Upload
binh
View
46
Download
0
Embed Size (px)
DESCRIPTION
Capítulo 4 – Métodos de Suavização Exponencial. Gueibi Peres Souza Robert Wayne Samohyl Rodrigo Miranda. Introdução. Métodos de suavização exponencial: Utilizam apenas dados da própria série para fazer previsões, como decomposição clássica. As previsões são feitas de forma rápida - PowerPoint PPT Presentation
Citation preview
Capítulo 4 – Métodos de Suavização Exponencial
Gueibi Peres Souza
Robert Wayne Samohyl
Rodrigo Miranda
Introdução
• Métodos de suavização exponencial:
– Utilizam apenas dados da própria série para fazer previsões, como decomposição clássica.
– As previsões são feitas de forma rápida– Melhores resultados para previsões de curto
prazo
Introdução
• O que será visto:– Suavização exponencial simples– Método de Holt– Método de Holt – Winters– Classificação Geral dos métodos
exponenciais– Métodos com tendência amortecida
Pesos atribuídos as observações passadas
para diversos métodos de previsão
Métodos Univariados
Previsão Ingênua Média SimplesPrevisão por Suavização Exponencial
100% do Peso a observação anterior
Todas as observações passadas recebem
o mesmo peso
Os pesos atribuídos as observações passadas
decaem exponencialmente
Suavização Exponencial Simples (simplória)
• Método para séries sem tendência e sem sazonalidadeNN
tempo
ob
serv
ado
Para todas as possibilidades de padrões de séries, veja
SES – equação (demonstração matemática e exemplos
numéricos passo a passo do capítulo 4 não constam nesta apresentação, desculpe!)
• Previsão (amanha) = peso*valor observado hoje + (1-peso)*valor previsto para hoje
Pt+1 = αOt + (1-α)Pt (4.3)
• Onde:– Pt é a previsão no período t
– Ot é o valor observado no período t
– α é a constante de suavização que varia entre 0 e 1.
• A previsão de Pt+1 é uma combinação do observado com o previsto em t
Demonstração da suavização exponencial simples. O valor previsto depende de todos os
valores passados.
Pt+1 = αOt + (1-α)Pt
Pt = αOt-1 + (1-α)Pt-1
Pt+1 = αOt + (1-α)[αOt-1+(1-α)Pt-1]
Pt+1 = αOt + α(1-α)Ot-1+(1-α)2Pt-1
Pt+1 = αOt + α(1-α)Ot-1+α(1-α)2Ot-2+ α(1-α)3Ot-3+...
+ α(1-α)t-1O1+(1-α)tP1 (4.5)
SES – Interpretando a equação
Pt+1 = αOt + α(1-α)Ot-1+α(1-α)2Ot-2+ α(1-α)3Ot-3+...+ α(1-α)t-1O1+(1-α)tP1
• a previsão (Pt+1) depende de todos os valores
observados, do mais recente (Ot) até o mais velho O1
• Quando α = 1, então Pt+1 = Ot e o método passa a ser
igual ao método ingênuo
• se α = 0 então Pt+1 = P1 e o método utiliza a previsão do primeiro período para prever todos os outros períodos.
SES – Pesos atribuídos as observações passadas despendendo do valor de α (tabela 4.2)
Ano / PeríodoPeso
eq. 4.5 α = 0,2 α = 0,5 α = 0,8
2005 / Ot-1 α 0,200 0,500 0,800
2004 / Ot-2 α (1 – α) 0,160 0,250 0,160
2003 / Ot-3 α (1 – α)2 0,128 0,125 0,032
2002 / Ot-4 α (1 – α)3 0,102 0,062 0,006
2001 / Ot-5 α (1 – α)4 0,081 0,031 0,001
2000 / Ot-6 α (1 – α)5 0,065 0,015 0,000
1999 / Ot-7 α (1 – α)6 0,052 0,007 0,000
1998 / Ot-8 α (1 – α)7 0,041 0,003 0,000
1997 / Ot-9 α (1 – α)8 0,033 0,001 0,000
1996 / Ot-10 α (1 – α)9 0,026 0,000 0,000
1995 / P1 (1 – α)10 0,107 0,000 0,000
SES – Pesos atribuídos as observações passadas despendendo do valor de α
(gráficos)α = 0.2
0,107
0,027 0,034 0,042 0,0520,066
0,0820,102
0,128
0,160
0,200
0
0,05
0,1
0,15
0,2
0,25
t-11 t-10 t-9 t-8 t-7 t-6 t-5 t-4 t-3 t-2 t-1
α = 0.5
0,001 0,001 0,002 0,004 0,008 0,016 0,0310,063
0,125
0,250
0,500
0
0,1
0,2
0,3
0,4
0,5
0,6
t-11 t-10 t-9 t-8 t-7 t-6 t-5 t-4 t-3 t-2 t-1
α = 0.8
0,000 0,000 0,000 0,000 0,000 0,000 0,001 0,006 0,032
0,160
0,800
00,10,20,30,40,50,60,70,80,9
t-11 t-10 t-9 t-8 t-7 t-6 t-5 t-4 t-3 t-2 t-1
SES – Análise dos gráficos
• O procedimento para encontrar α é definido através de algum critério que minimize as discrepâncias de ajustamento (Pt – Ot), como o DQM (Discrepância
quadrada média) ou o DPAM (Discrepância percentual absoluta média)
α = Suavização
α = Suavização
SES – Exemplo (tabela 4.1) para vários valores de α (figura 4.3)
130.000
150.000
170.000
190.000
210.000
230.000
250.000
270.000
1996 1998 2000 2002 2004 2006
vendas Gol 1000 alfa = 0,2 alfa = 0,5 alfa = 0,8
SES – Exemplo Produção Anual de Café
Resultados do exemplo: DM = 4,8, DPAM = 20,32% e
U de Theil = 0,64
0500
1.0001.5002.0002.5003.0003.5004.0004.5005.000
1980 1985 1990 1995 2000 2005
1000
to
n
Observado Modelo para alfa = 0,01
Conceito de Nível
• Nível é onde a observação está no período t• Todas as observações da série1 possuem um nível de
10 unidades• Todas as observações da série 2 possuem um nível de
7 unidades
Por que a SES não funciona em dados com tendência – exemplo (tabela 4.4).
• o crescimento médio da série é de aproximadamente 10.000 GWh ao ano
• quase todas as discrepâncias são negativas, a única exceção ocorre em 2001, quando houve o racionamento de energia elétrica
• As medidas de ajuste de método para este caso foram: DM = -10.269(indicação de viés nas previsões), DPAM = 7,15% e U de Theil = 1,01
050.000
100.000150.000200.000250.000300.000350.000400.000450.000
1970 1975 1980 1985 1990 1995 2000 2005
En
erg
ia (
GW
h)
Observado Modelo para alfa = 0,99
-30.000-25.000-20.000-15.000-10.000-5.000
05.000
10.00015.00020.00025.000
1970
1972
1974
1976
1978
1980
1982
1984
1986
1988
1990
1992
1994
1996
1998
2000
2002
2004
Método de Holt• O método de Holt foi desenvolvido para dados que apresentem
tendência.
tempo
ob
serv
ado
Para todas as possibilidades de padrões de séries, veja
Nível e Crescimento para o método de Holt
• Níveis diferentes com crescimento igual• Nível S1,1 = 11; nível S1,2 = 12 ;Crescimento c1,1 = S1,2 - S1,1 = 1• Nível S2,1 = 6; nível S2,2 = 7 ;Crescimento c2,1 = S2,2 – S2,1 = 1
Nível e Crescimento para o método de Holt
• Níveis diferentes com crescimento diferente• Nível S1,1 = 13; nível S1,2 = 16 ;Crescimento c1,1 = S1,2 - S1,1 = 3• Nível S2,1 = 6; nível S2,2 = 7 ;Crescimento c2,1 = S2,2 – S2,1 = 1
Cada período possui nível diferente,
cada dois períodos tem crescimento diferente.
Método de Holt – Exemplo (tabela 4.5): Produção anual de energia elétrica
• α = 0,99 e β = 0,01
• Resultados do exemplo: DM = -1.228 , DPAM = 2,82% e U
de Theil = 0,42
• Figura 4.9
050.000
100.000
150.000200.000250.000300.000350.000400.000450.000
1970 1975 1980 1985 1990 1995 2000 2005
En
erg
ia (
GW
h)
Observado Ajustado
Nível e Crescimento para o método de Holt
Exemplo (tabela 4.5) - Comparando discrepâncias da SES com Holt
050.000
100.000150.000200.000250.000300.000350.000400.000450.000
1970 1975 1980 1985 1990 1995 2000 2005
En
erg
ia (
GW
h)
Observado Ajustado
050.000
100.000150.000200.000250.000300.000350.000400.000450.000
1970 1975 1980 1985 1990 1995 2000 2005
En
erg
ia (
GW
h)
Observado Modelo para alfa = 0,99
Holt SES
-30000
-20000
-10000
0
10000
20000
30000
1970
1973
1976
1979
1982
1985
1988
1991
1994
1997
2000
2003
-30000
-20000
-10000
0
10000
20000
30000
1970 1973 1976 1979 1982 1985 1988 1991 1994 1997 2000 2003
Exemplo (tabela 4.5) - Comparando a SES com Holt
• Observando os dois histogramas percebe-se um viés nas discrepâncias da SES (entre -10000 e -5000), enquanto que no método de Holt as discrepâncias estão em torno de 0.
Histograma Holt
0 0 01
1011
9
3
0 01
02468
1012
-250
00
-200
00
-150
00
-100
00
-500
0 050
00
1000
0
1500
0
2000
0
2500
0
Ob
se
rva
çõ
es
Histograma SES
0 1
6
14
10
3
0 0 0 0 1
0
5
10
15
-250
00
-200
00
-150
00
-100
00
-500
0 050
00
1000
0
1500
0
2000
0
2500
0
Ob
se
rva
çõ
es
Por que o método de Holt não funciona em dados com sazonalidade – exemplo (tabela 4.6)
• α = 0,01 e β = 0,89 • Com o valor de α = 0,01, a
sazonalidade é suavizada ao invés de ter os seus índices calculados. O mês de dezembro, por exemplo, tem um número de consultas de aproximadamente 23% maior que a média do ano e o de fevereiro um número de 12 % abaixo
• As medidas de ajuste de método para este caso foram: DPAM = 6,45% e U de Theil = 0,744
1262330,19
1362330,19
1462330,19
1562330,19
1662330,19
1762330,19
1862330,19
1962330,19
2062330,19
dez/99 abr/01 set/02 jan/04 mai/05 out/06 fev/08
Observado Previsto Ajustado
fev/06
fev/05fev/04fev/03
fev/02fev/01
dez/05
dez/04dez/03dez/01
dez/02
-500000.00
-400000.00
-300000.00
-200000.00
-100000.00
0.00
100000.00
200000.00
300000.00
jan
/01
ma
i/01
set/0
1
jan
/02
ma
i/02
set/0
2
jan
/03
ma
i/03
set/0
3
jan
/04
ma
i/04
set/0
4
jan
/05
ma
i/05
set/0
5
jan
/06
ma
i/06
set/0
6
Método de Holt – Winters com sazonalidade Aditiva
• O método de Holt – Winters foi desenvolvido para dados que apresentas tendência e sazonalidade
tempo
ob
serv
ado
Para todas as possibilidades de padrões de séries, veja
Método de Holt – Winters com sazonalidade Multiplicativa
• Este é o método de previsão em que ocorrem mais casos, portanto é o mais utilizado.
tempo
ob
serv
ado
Para todas as possibilidades de padrões de séries, veja
Método de Holt – Winters aditivo – Exemplo (tabela 4.7): Número de consultas ao SPC
• α = 0,37, β = 0,01 e γ = 0,01 • Resultados do exemplo: DM = 1.804 , DPAM = 2,56% e U de Theil
= 0,26
1.262.330
1.362.330
1.462.330
1.562.330
1.662.330
1.762.330
1.862.330
1.962.330
2.062.330
2.162.330
dez/99 abr/01 set/02 jan/04 mai/05 out/06 fev/08
Observado Previsto Ajustado
Exemplo (tabela 4.7) - Comparando Holt com Holt - Winters
1262330,19
1362330,19
1462330,19
1562330,19
1662330,19
1762330,19
1862330,19
1962330,19
2062330,19
dez/99 abr/01 set/02 jan/04 mai/05 out/06 fev/08
Observado Previsto Ajustado
fev/06
fev/05fev/04fev/03
fev/02fev/01
dez/05
dez/04dez/03dez/01
dez/02
-500000
-400000
-300000
-200000
-100000
0
100000
200000
300000
jan/0
1
mai
/01
set/0
1
jan/0
2
mai
/02
set/0
2
jan/0
3
mai
/03
set/0
3
jan/0
4
mai
/04
set/0
4
jan/0
5
mai
/05
set/0
5
jan/0
6
mai
/06
set/0
6
1.262.330
1.362.330
1.462.330
1.562.330
1.662.330
1.762.330
1.862.330
1.962.330
2.062.330
2.162.330
dez/99 abr/01 set/02 jan/04 mai/05 out/06 fev/08
Observado Previsto Ajustado
Discrepâncias de Ajustamento:SPC
fev/06
dez/05fev/05
dez/04
fev/04
dez/03fev/03
dez/02
dez/01
fev/02
fev/01
-98.949
-48.949
1.051
51.051
101.051
151.051
jan/0
1
mai
/01
set/0
1
jan/0
2
mai
/02
set/0
2
jan/0
3
mai
/03
set/0
3
jan/0
4
mai
/04
set/0
4
jan/0
5
mai
/05
set/0
5
jan/0
6
mai
/06
set/0
6
Exemplo (tabela 4.7) - Comparando Holt com Holt - Winters
• As discrepâncias do método de Holt apresentaram uma maior variabilidade em relação ao método de Holt – Winters.
• Esta variabilidade maior das discrepâncias é causada pela sazonalidade dos dados que o método Holt não captou.
Histograma: Holt
02
12
10
2
78
1211 11
5 5
2
02468
101214
-450
000
-400
000
-350
000
-300
000
-250
000
-200
000
-150
000
-100
000
-500
00 0
5000
0
1000
00
1500
00
2000
00
2500
00
Ob
serv
açõ
es
Histograma: Holt - Winters
0 1 1 0
10
5
17
11
15
42 3
00
5
10
15
20
-150
000
-125
000
-100
000
-750
00
-500
00
-250
00 0
2500
0
5000
0
7500
0
1000
00
1250
00
1500
00
Ob
se
rva
çõ
es
Classificação mais ampla dos métodos de suavização exponencial (equações - tabela 4.8)
Tendência
Sazonalidade
Nenhuma Aditiva Multiplicativa
Nenhuma NN NA NM
Aditiva AN AA AM
Aditiva Amortecida AaN AaA AaM
Multiplicativa MN MA MM
Multiplicativa Amortecida MaN MaA MaM
Métodos sem tendência
AA
Horizonte
Pre
vis
ão
NA
Horizonte
Pre
vis
ão
NM
Horizonte
Pre
vis
ão
Tabela 4.10 e 4.11
Métodos com tendência aditiva
AN
Horizonte
Pre
vis
ão
AA
Horizonte
Pre
vis
ão
AM
Horizonte
Pre
vis
ão
Tabela 4.10 e 4.11
Métodos com tendência aditiva amortecida
AdN
Horizonte
Pre
vis
ão
AdA
Horizonte
Pre
vis
ão
AdM
Horizonte
Pre
vis
ão
Tabela 4.10 e 4.11
Métodos com tendência multiplicativa e multiplicativa amortecida
MN
Horizonte
Pre
vis
ão
MM
Horizonte
Pre
vis
ão
MdN
Horizonte
Pre
vis
ão
MdM
Horizonte
Pre
vis
ão
Tabela 4.10 e 4.11
Métodos com tendência amortecida, apresentar se tiver tempo.
• Para casos onde a tendência não é linear
• É aplicado uma constante de amortecimento da tendência φ
• Quando fi = 0,95 por exemplo:
1 1
1 2
1 2 10
t = 1 amortecimento = φ = 0,95
t = 2 amortecimento = φ + φ = 1,853
t = 10 amortecimento = φ + φ + ... + φ = 7,654
Amortecimento φ = 1, 0,95, 0,85 para os dados de produção de energia elétrica no Brasil (tabela 4.9)
Ano tΦ = 1 (Holt) Φ = 0,95 Φ = 0,85
amortecimento Previsão amortecimento Previsão amortecimento Previsão
2005 1 1 396.582 0,950 396.118 0,850 395.191
2006 2 2 405.854 1,853 404.486 1,573 401.890
2007 3 3 415.125 2,710 412.435 2,187 407.584
2008 4 4 424.397 3,524 419.987 2,709 412.424
2009 5 5 433.669 4,298 427.162 3,152 416.538
2010 6 6 442.940 5,033 433.977 3,529 420.035
2011 7 7 452.212 5,732 440.452 3,850 423.007
2012 8 8 461.484 6,395 446.603 4,123 425.533
2013 9 9 470.756 7,025 452.446 4,354 427.681
2014 10 10 480.027 7,624 457.998 4,551 429.506
Amortecimento φ = 1, 0,95, 0,85 para os dados de produção de energia elétrica no Brasil (tabela 4.5) -
gráfico
250.000
300.000
350.000
400.000
450.000
500.000
1995 2000 2005 2010 2015
En
erg
ia (
GW
h)
Observado fi = 1 fi = 0,95 fi = 0,85
Seleção automática do Métodos exponenciais - exemplo com dados da venda do carro Gol 1000
• Vendas de carro de Jan/1996 a Dez/2005.• Nº de observações: 120
5615,75
10615,75
15615,75
20615,75
25615,75
30615,75
35615,75
0 20 40 60 80 100 120 140
Seleção automática do Métodos exponenciais - exemplo com dados da venda do carro Gol 1000
Tendência e sazonalidade
Método Parâmetros DPAM U de Theil AIC
1 – NA α = 0,47 γ = 0,17 14,73 0,775 2514,602
2 – NM α = 0,39 γ = 0,01 14,60 0,706 2520,469
3 – AA α = 0,48 β = 0,02 γ = 0,17 15,08 0,778 2521,328
4 – AM α = 0,43 β = 0,01 γ = 0,01 14,91 0,707 2525,526
5 – AaA α = 0,40 β = 0,36 γ = 0,17 φ = 0,36 14,74 0,733 2520,506
6 – AaM α = 0,32 β = 0,44 γ = 0,01 φ = 0,44 14,63 0,707 2525,862
7 – MM α = 0,40 β = 0,01 γ = 0,01 14,70 0,710 2526,080
8 - MaM α = 0,33 β = 0,45 γ = 0,01 φ = 0,45 14,66 0,705 2525,240
Tabela 4.14 atualizada
Conclusões
• Os métodos exponenciais obtém bons resultados para previsões de curto prazo (1 a 4 meses), e podem ser feitas com horizontes até o ciclo sazonal.
• Não confiar cegamente nas previsões calculadas por um dos métodos
• Utilizar a experiência para analisar as previsões
• Sempre verificar as discrepâncias de ajustamento e as discrepâncias de previsão.
• Se possível, recalcular as previsões a cada novo período, as previsões com poucos passos a frente em geral (mas não sempre) são melhores que muitos passos.