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 Simples Previsão 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 sazonalidade observado NN tempo 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) Peso Ano / Período 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 α = 0.5 0,25 0,6 0,200 0,2 0,160 0,15 0,4 0,128 0,107 0,042 0,052 0,027 0,034 0,05 0,3 0,102 0,1 0,066 0,500 0,5 0,250 0,082 0,2 0,1 0 0,125 0,031 0,001 0,001 0,002 0,004 0,008 0,016 0,063 0 t-11 t-10 t-9 t-8 t-7 t-6 t-5 t-4 t-3 t-2 t-1 t-11 t-10 t-9 t-8 α = 0.8 0,9 0,800 0,8 0,7 0,6 0,5 0,4 0,3 0,160 0,2 0,1 0,000 0,000 0,000 0,000 0,000 0,000 0,001 0,006 0,032 0 t-11 t-10 t-9 t-8 t-7 t-6 t-5 t-4 t-3 t-2 t-1 t-7 t-6 t-5 t-4 t-3 t-2 t-1 SES – Análise dos gráficos α= Suavização α= Suavização • 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) SES – Exemplo (tabela 4.1) para vários valores de α (figura 4.3) 270.000 250.000 230.000 210.000 190.000 170.000 150.000 130.000 1996 1998 vendas Gol 1000 2000 alfa = 0,2 2002 alfa = 0,5 2004 2006 alfa = 0,8 SES – Exemplo Produção Anual de Café 1000 ton Resultados do exemplo: DM = 4,8, DPAM = 20,32% e U de Theil = 0,64 5.000 4.500 4.000 3.500 3.000 2.500 2.000 1.500 1.000 500 0 1980 1985 1990 Observado 1995 2000 Modelo para alfa = 0,01 2005 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 450.000 400.000 350.000 300.000 250.000 200.000 150.000 100.000 50.000 0 1970 1975 1980 1985 Observado 1990 1995 2000 2005 Modelo para alfa = 0,99 2004 2002 2000 1998 1996 1994 1992 1990 1988 1986 1984 1982 1980 1978 1976 1974 1972 25.000 20.000 15.000 10.000 5.000 0 -5.000 -10.000 -15.000 -20.000 -25.000 -30.000 1970 • 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 Energia (GWh) Por que a SES não funciona em dados com tendência – exemplo (tabela 4.4). Método de Holt observado • O método de Holt foi desenvolvido para dados que apresentem tendência. tempo 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 Energia (GWh) U de Theil = 0,42 450.000 400.000 350.000 300.000 250.000 200.000 150.000 100.000 50.000 0 1970 1975 1980 1985 Observado • Figura 4.9 1990 1995 Ajustado 2000 2005 Nível e Crescimento para o método de Holt Exemplo (tabela 4.5) - Comparando discrepâncias da SES com Holt 450.000 400.000 350.000 300.000 250.000 200.000 150.000 100.000 50.000 0 1970 SES Energia (GWh) Energia (GWh) Holt 1975 1980 1985 Observado 1990 1995 2000 2005 450.000 400.000 350.000 300.000 250.000 200.000 150.000 100.000 50.000 0 1970 Ajustado 30000 20000 20000 10000 10000 -10000 -20000 19 70 19 73 19 76 19 79 19 82 19 85 19 88 19 91 19 94 19 97 20 00 20 03 -30000 1980 Observado 30000 0 1975 1985 1990 1995 2000 2005 Modelo para alfa = 0,99 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 10 11 9 3 0 00 0 25 0 00 1 0 00 20 0 15 00 00 0 10 0 0 0 50 0 1 00 -2 0 00 0 -1 0 50 0 -1 0 00 00 -5 00 0 12 10 8 6 4 2 0 -2 5 Observações Histograma Holt Histograma SES 14 15 10 10 6 5 3 0 1 0 0 0 1 0 0 0 00 00 25 0 20 00 0 15 00 0 00 10 50 0 -2 0 00 0 -1 0 50 0 -1 0 00 00 -5 00 0 0 -2 50 Observações • 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. Por que o método de Holt não funciona em dados com sazonalidade – exemplo (tabela 4.6) 2062330,19 1962330,19 1862330,19 1762330,19 1662330,19 1562330,19 1462330,19 1362330,19 1262330,19 dez/99 abr/01 set/02 jan/04 Observado mai/05 Previsto out/06 200000.00 fev/08 Ajustado 300000.00 fev/06 fev/03 fev/01 fev/04 fev/02 fev/05 100000.00 0.00 -100000.00 -200000.00 -300000.00 dez/02 dez/05 dez/01 set/06 mai/06 jan/06 mai/05 jan/05 set/04 dez/04 mai/04 jan/04 mai/03 jan/03 set/02 mai/02 jan/02 set/01 jan/01 set/03 dez/03 -500000.00 set/05 -400000.00 mai/01 • 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 Método de Holt – Winters com sazonalidade Aditiva observado • O método de Holt – Winters foi desenvolvido para dados que apresentas tendência e sazonalidade tempo Para todas as possibilidades de padrões de séries, veja Método de Holt – Winters com sazonalidade Multiplicativa observado • Este é o método de previsão em que ocorrem mais casos, portanto é o mais utilizado. tempo 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 2.162.330 2.062.330 1.962.330 1.862.330 1.762.330 1.662.330 1.562.330 1.462.330 1.362.330 1.262.330 dez/99 abr/01 set/02 Observado jan/04 Previsto mai/05 out/06 Ajustado fev/08 Exemplo (tabela 4.7) - Comparando Holt com Holt - Winters 2.162.330 2062330,19 2.062.330 1.962.330 1962330,19 1862330,19 1.862.330 1.762.330 1762330,19 1.662.330 1.562.330 1662330,19 1562330,19 1.462.330 1.362.330 1462330,19 1362330,19 1262330,19 dez/99 abr/01 set/02 Observado jan/04 mai/05 Previsto out/06 fev/01 fev/02 fev/04 set/02 Observado fev/05 jan/04 Previsto mai/05 out/06 fev/08 Ajustado Discrepâncias de Ajustamento:SPC fev/06 fev/03 abr/01 Ajustado 300000 200000 fev/08 1.262.330 dez/99 151.051 100000 101.051 0 -200000 fev/04 fev/05 dez/05 dez/05 dez/03 dez/04 -48.949 -98.949 dez/01 fev/03 dez/04 dez/03 fev/02 ja n/ m 01 ai /0 se 1 t/0 ja 1 n/ m 02 ai /0 se 2 t/0 ja 2 n/ m 03 ai /0 se 3 t/ 0 ja 3 n/ 0 m 4 ai /0 se 4 t/ 0 ja 4 n/ 0 m 5 ai /0 se 5 t/ 0 ja 5 n/ 0 m 6 ai /0 se 6 t/ 0 6 dez/02 dez/01 ja n/ m 01 ai /0 se 1 t/0 ja 1 n/ m 02 ai /0 se 2 t/0 ja 2 n/ m 03 ai /0 se 3 t/0 ja 3 n/ m 04 ai /0 se 4 t/0 ja 4 n/ m 05 ai /0 se 5 t/0 ja 5 n/ m 06 ai /0 se 6 t/0 6 -500000 dez/02 1.051 -300000 -400000 fev/06 fev/01 51.051 -100000 Exemplo (tabela 4.7) - Comparando Holt com Holt Winters 14 12 10 8 6 4 2 0 12 11 11 8 7 5 2 2 1 0 1 5 2 2 0 0 50 00 10 0 00 15 00 00 20 00 00 25 00 00 00 -4 50 0 -4 0 0 00 0 -3 0 0 50 0 -3 0 0 00 0 -2 0 0 50 0 -2 0 0 00 0 -1 0 0 50 0 -1 0 0 00 00 -5 0 00 00 Observações Histograma: Holt Histograma: Holt - Winters 17 15 15 11 10 10 5 5 1 0 1 4 3 2 0 0 0 0 15 00 0 0 50 0 00 0 12 00 0 10 00 0 75 50 0 00 0 25 00 50 00 -5 00 0 -2 0 50 00 -7 00 00 0 -1 -1 25 0 00 0 50 0 Observações 20 -1 • 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. Classificação mais ampla dos métodos de suavização exponencial (equações - tabela 4.8) Sazonalidade Tendência 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 NA Previsão Previsão AA Horizonte Previsão NM Horizonte Horizonte Tabela 4.10 e 4.11 Métodos com tendência aditiva AA Previsão Previsão AN Horizonte Previsão AM Horizonte Horizonte Tabela 4.10 e 4.11 Métodos com tendência aditiva amortecida AdA Previsão Previsão AdN Horizonte Previsão AdM Horizonte Horizonte Tabela 4.10 e 4.11 Métodos com tendência multiplicativa e multiplicativa amortecida MM Previsão Previsão MN Horizonte Horizonte MdM Previsão Previsão MdN Horizonte Tabela 4.10 e 4.11 Horizonte 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: t = 1 amortecimento = φ1 = 0,951 t = 2 amortecimento = φ1 + φ 2 = 1,853 t = 10 amortecimento = φ1 + φ 2 + ... + φ10 = 7,654 Amortecimento φ = 1, 0,95, 0,85 para os dados de produção de energia elétrica no Brasil (tabela 4.9) Φ = 1 (Holt) Ano Φ = 0,95 Φ = 0,85 t 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 500.000 Energia (GWh) 450.000 400.000 350.000 300.000 250.000 1995 Observado 2000 2005 fi = 1 fi = 0,95 2010 2015 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 35615,75 30615,75 25615,75 20615,75 15615,75 10615,75 5615,75 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.