GUSTAVO MODENESI MODELO DE PREVISÃO DE ... - PRO - USP
GUSTAVO MODENESI MODELO DE PREVISÃO DE ... - PRO - USP
GUSTAVO MODENESI MODELO DE PREVISÃO DE ... - PRO - USP
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
Note-se que este método é extremamente simplista, possuindo assim baixa<br />
aplicabilidade. Além disso, ele não possui nenhum método ou forma de aprendizado com seus<br />
erros.<br />
Desta forma serve basicamente como base comparativa de qualidade para outros<br />
modelos e como base para a Suavização Exponencial, a qual será apresentada mais adiante<br />
neste trabalho.<br />
6.3.1.2.2 Decomposição de séries temporais<br />
Conforme visto no item 6.2.3. uma série temporal é composta de três parcelas<br />
principais: tendência/ciclicidade, sazonalidade e erro. Desta forma, decompondo-se uma série<br />
temporal nestes três fatores podem-se realizar previsões para os dois primeiros (já que a<br />
parcela de erro não pode ser prevista por ser randômica) via qualquer outro método de<br />
previsão como auto-regressão ou suavização exponencial e depois juntá-los de forma a se<br />
obter uma previsão para a série como um todo.<br />
Matematicamente, pode-se escrever o parágrafo acima da seguinte maneira:<br />
Equação 19: Decomposição aditiva<br />
Y<br />
t<br />
= S<br />
t<br />
+ T<br />
ou<br />
t<br />
+ E<br />
Equação 20: Decomposição multiplicativa<br />
Y<br />
t<br />
= S<br />
t<br />
× T<br />
Nas duas equações acima é possível observar como, analiticamente, dividiu-se a série<br />
temporal em suas três componentes. A diferença entre as duas equações acima está em seu<br />
uso.<br />
A primeira equação é mais apropriada para séries temporais em que a sazonalidade (ou<br />
o nível da sazonalidade), não depende do nível da série. Isso pode ser exemplificado pela<br />
figura abaixo.<br />
t<br />
× E<br />
t<br />
t<br />
59