monica@mbarros.com 1
IAG MASTER EM
IAG MASTER EM
DESENVOLVIMENTO GERENCIAL
DESENVOLVIMENTO GERENCIAL
2006
2006
Fundamentos de Economia de Energia Fundamentos de Economia de Energia Mônica Barros, D.Sc. Mônica Barros, D.Sc. Aula 1 Aula 1 13/05/2006 13/05/2006 monica@mbarros.com 2
Quem sou eu?
Quem sou eu?
Mônica Barros
Mônica Barros
Doutora em SDoutora em Sééries Temporais –ries Temporais – PUCPUC--RioRio
Mestre em EstatMestre em Estatíística stica ––UniversityUniversityofofTexas Texas
at
atAustin, EUAAustin, EUA
Bacharel em MatemBacharel em Matemáática tica ––UniversityUniversityofof
Washington, Seattle, EUA Washington, Seattle, EUA
Professora da Professora da PUCPUC--RioRio(Depto. de Eng. (Depto. de Eng.
El
Eléétrica) e Pesquisadora do IE-trica) e Pesquisadora do IE-PUCPUC
ee--mails: mails: monica@ele.pucmonica@ele.puc--rio.brrio.br, ,
monica@mbarros.com
monica@mbarros.com
HomeHomepagepage: : http://www.mbarros.comhttp://www.mbarros.com
Conteúdo
Conte
Conte
údo
ú
do
Modelagem Matem
Modelagem Matem
á
á
tica e Previsão
tica e Previsão
de Neg
de Neg
ó
ó
cios
cios
Introdu
Introdu
ç
ç
ão ao
ão ao
Forecast
Forecast
Pro
Pro
Estudos de Casos em Previsão
Estudos de Casos em Previsão
Modelagem Matemática e Previsão de
Negócios
Modelagem Matem
Modelagem Matem
á
á
tica e Previsão de
tica e Previsão de
Neg
Neg
ó
ó
cios
cios
Em todas as empresas, grandes e
Em todas as empresas, grandes e
pequenas,
pequenas,
é
é
necess
necess
á
á
rio fazer
rio fazer
proje
proje
ç
ç
ões.
ões.
No setor el
No setor el
é
é
trico, esta necessidade
trico, esta necessidade
é
é
ainda mais premente, e existe para
ainda mais premente, e existe para
diversos horizontes de previsão, o
diversos horizontes de previsão, o
que requer uma variedade de
que requer uma variedade de
t
monica@mbarros.com 5
Modelagem Matem
Modelagem Matem
á
á
tica e Previsão de
tica e Previsão de
Neg
Neg
ó
ó
cios
cios
Em muitos casos, as projeçEm muitos casos, as projeções são obtidas ões são obtidas
de maneira subjetiva, a partir do de maneira subjetiva, a partir do conhecimento do neg
conhecimento do negóócio, e baseadas em cio, e baseadas em anos de experiência do analista.
anos de experiência do analista.
A princíA princípio não hpio não háá nada de errado nisso, nada de errado nisso,
mas o grande problema
mas o grande problema éé que não que não éé feito feito de maneira sistem
de maneira sistemáática e não tica e não éé fáfácil de cil de reproduzir.
reproduzir.
monica@mbarros.com 6
Modelagem Matemática e Previsão de
Negócios
Modelagem Matem
Modelagem Matem
á
á
tica e Previsão de
tica e Previsão de
Neg
Neg
ó
ó
cios
cios
Estas previsões
Estas previsões
“
“
subjetivas
subjetivas
”
”
são
são
importantes, pois utilizam uma
importantes, pois utilizam uma
capacidade
capacidade
ú
ú
nica do nosso c
nica do nosso c
é
é
rebro:
rebro:
reconhecer padrões e fazer conjecturas reconhecer padrões e fazer conjecturas
sobre a realidade baseadas num n
sobre a realidade baseadas num núúmero mero imenso de informa
imenso de informaçções.ões.
Entretanto, muitas vezes estas projeEntretanto, muitas vezes estas projeçções ões
“
“subjetivassubjetivas””não são suficientes !não são suficientes !!!!!
Modelagem Matemática e Previsão de
Negócios
Modelagem Matem
Modelagem Matem
á
á
tica e Previsão de
tica e Previsão de
Neg
Neg
ó
ó
cios
cios
Por exemplo, como justificar que a meta de Por exemplo, como justificar que a meta de vendas estabelecida pela empresa
vendas estabelecida pela empresa ééirreal ? irreal ? O argumento do
O argumento do ““eu acho que ...eu acho que ...””cai por cai por terra facilmente em situa
terra facilmente em situaçções como esta !ões como esta !
ÉÉessencial utilizarmos ferramentas essencial utilizarmos ferramentas
adicionais para nos ajudar a compreender a adicionais para nos ajudar a compreender a realidade em que estamos inseridos e
realidade em que estamos inseridos e
prever, com certo grau de confiabilidade, as prever, com certo grau de confiabilidade, as vari
variááveis relevantes para o nosso negveis relevantes para o nosso negóócio.cio.
Modelagem Matemática e Previsão de
Negócios
Modelagem Matem
Modelagem Matem
á
á
tica e Previsão de
tica e Previsão de
Neg
Neg
ó
ó
cios
cios
E como funcionam estas ferramentas E como funcionam estas ferramentas
quantitativas ? quantitativas ?
Vamos utilizar o passado (dados histVamos utilizar o passado (dados históóricos) ricos)
para descrever a trajet
para descrever a trajetóória mais provria mais prováável do vel do futuro.
futuro.
Isso não Isso não ééuma bola de cristal!uma bola de cristal!
Na maioria dos problemas o passado traz Na maioria dos problemas o passado traz
informa
informaçções relevantes sobre o que irões relevantes sobre o que iráá ocorrer ocorrer no futuro, pois existe
no futuro, pois existe ““correlacorrelaççãoão””entre as entre as vari
monica@mbarros.com 9
Modelagem Matemática e Previsão de
Negócios
Modelagem Matem
Modelagem Matem
á
á
tica e Previsão de
tica e Previsão de
Neg
Neg
ó
ó
cios
cios
ÉÉ claro que o conhecimento do passado claro que o conhecimento do passado
não nos diz exatamente como ser não nos diz exatamente como seráá o o futuro.
futuro.
Existe sempre incerteza associada Existe sempre incerteza associada ààs s
nossas previsões!
nossas previsões!
Mas, podemos ter uma boa idéMas, podemos ter uma boa idéia de ia de
quais serão os valores mais prov
quais serão os valores mais provááveis no veis no futuro!
futuro!
Ou seja, podemos especificar uma Ou seja, podemos especificar uma
previsão futura e limites de confian previsão futura e limites de confiançça.a.
monica@mbarros.com 10
Vantagens da Modelagem
Matemática
Vantagens da Modelagem
Vantagens da Modelagem
Matem
Matemá
ática
tica
As previsões quantitativas, baseadas
As previsões quantitativas, baseadas
em modelos matem
em modelos matem
á
á
ticos, têm
ticos, têm
algumas vantagens sobre as
algumas vantagens sobre as
previsões subjetivas, pois:
previsões subjetivas, pois:
Podem ser reproduzidas, isto éPodem ser reproduzidas, isto é, dois , dois
analistas diferentes chegam
analistas diferentes chegam ààs mesmas s mesmas conclusões se utilizarem o mesmo
conclusões se utilizarem o mesmo modelo. modelo.
Vantagens da Modelagem
Matemática
Vantagens da Modelagem
Vantagens da Modelagem
Matem
Matemá
ática
tica
As previsões obtidas têm uma
As previsões obtidas têm uma
justificativa te
justificativa te
ó
ó
rica.
rica.
O resultado do analista não
O resultado do analista não
é
é
baseado apenas em argumentos do
baseado apenas em argumentos do
tipo :
tipo :
“
“
eu acho que...
eu acho que...
”
”
,
,
“
“
baseado na
baseado na
minha experiência ...
minha experiência ...
”
”
, etc...
, etc...
Vantagens da Modelagem
Vantagens da Modelagem
Matem
Matemá
ática
tica
São obtidas a partir de um modelo,
São obtidas a partir de um modelo,
que
que
é
é
uma simplifica
uma simplifica
ç
ç
ão da
ão da
realidade.
realidade.
O processo de modelagem nos leva
O processo de modelagem nos leva
naturalmente a considerar apenas
naturalmente a considerar apenas
os aspectos
os aspectos
“
“
essenciais
essenciais
”
”
do nosso
do nosso
problema.
problema.
monica@mbarros.com 13
Vantagens da Modelagem
Matemática
Vantagens da Modelagem
Vantagens da Modelagem
Matem
Matemá
ática
tica
Modelos estat
Modelos estat
í
í
sticos não geram
sticos não geram
apenas um n
apenas um n
ú
ú
mero (a previsão)!
mero (a previsão)!
Os modelos produzem tamb
Os modelos produzem tamb
é
é
m
m
intervalos de confian
intervalos de confian
ç
ç
a, que
a, que
permitem que o analista possa
permitem que o analista possa
dimensionar os riscos inerentes ao
dimensionar os riscos inerentes ao
seu neg
seu neg
ó
ó
cio.
cio.
monica@mbarros.com 14
Vantagens da Modelagem
Vantagens da Modelagem
Matem
Matemá
ática
tica
AléAlém disso, os modelos que envolvem m disso, os modelos que envolvem
vari
variááveis explicativas permitem que o veis explicativas permitem que o analista realize uma
analista realize uma ““whatwhatififanalysisanalysis””e e ganhe maior sensibilidade sobre o seu ganhe maior sensibilidade sobre o seu problema.
problema.
A necessidade de especificar claramente A necessidade de especificar claramente
um modelo matem
um modelo matemáático que vai gerar as tico que vai gerar as proje
projeçções ões separa separa o problema de o problema de proje
projeççãoãodo problema de definido problema de definiçção deão de metas metas..
Vantagens da Modelagem
Matemática
Vantagens da Modelagem
Vantagens da Modelagem
Matem
Matemá
ática
tica
Isto Isto ééum aspecto importante!um aspecto importante!
Por exemplo, se você pede ao Por exemplo, se você pede ao
departamento comercial da sua empresa departamento comercial da sua empresa proje
projeçções de vendas de um certo ões de vendas de um certo produto, estas proje
produto, estas projeçções se tornam, com ões se tornam, com muita freq
muita freqüüência, as metas de vendas ência, as metas de vendas que o pr
que o próóprio departamento comercial prio departamento comercial ter
teráá que alcanque alcanççar, sendo elas realistas ar, sendo elas realistas ou não ! ou não !!!!!
Em resumo:
Em resumo:
Em resumo:
Previsões objetivas (quantitativas)
Previsões objetivas (quantitativas)
podem aumentar a produtividade em
podem aumentar a produtividade em
todos os neg
todos os neg
ó
ó
cios, ou seja:
cios, ou seja:
Previsões quantitativas adicionam
Previsões quantitativas adicionam
valor
monica@mbarros.com 17
Mas....
Mas....
Mas....
Isto não quer dizer que você deve jogar Isto não quer dizer que você deve jogar
no lixo toda a experiência acumulada no lixo toda a experiência acumulada pelos analistas da empresa!
pelos analistas da empresa!
Talvez a melhor estratéTalvez a melhor estratégia seja um gia seja um
“
“approachapproach”” híhíbrido, que combina os brido, que combina os resultados de um modelo e a
resultados de um modelo e a “
“expertiseexpertise”” dos analistas da empresa!dos analistas da empresa!
No fim das contas, previsão éNo fim das contas, previsão é uma uma
atividade humana, e jamais dever
atividade humana, e jamais deveráá ser ser substitu
substituíída apenas pelo resultado de um da apenas pelo resultado de um modelo matem
modelo matemáático!tico! monica@mbarros.com 18
Modelagem Matemática e
Previsão de Negócios
Modelagem
Modelagem
Matemá
Matem
ática
tica
e
e
Previsão
Previsão
de Neg
de
Negó
ócios
cios
Dados Informação subjetiva (expertise do cliente) Modelo Estatístico (nossa área de expertise) Tomada de Decisão (cliente)
Em resumo ...
Em
Em
resumo
resumo
...
...
Tratamento Apropriado das Incertezas Decisões Gerenciais Coerentes Compromisso com a informação contida nos dadosEm Resumo ...
Em Resumo ...
Em Resumo ...
O nosso enfoque em modelagem O nosso enfoque em modelagem éé......
PragmPragmáático: DEIXE A REALIDADE SUGERIR O tico: DEIXE A REALIDADE SUGERIR O
MODELO !! MODELO !!
Centrado nos resultados, e não em uma ou Centrado nos resultados, e não em uma ou
outra metodologia! outra metodologia!
““YOU MUST FALL IN LOVE WITH YOUR YOU MUST FALL IN LOVE WITH YOUR
DATA, BUT NOT ALWAYS WITH YOUR
DATA, BUT NOT ALWAYS WITH YOUR
MODEL
monica@mbarros.com 21
Série Temporal
S
S
é
é
rie Temporal
rie Temporal
ÉÉ uma seqüuma seqüência de observaência de observaçções tomadas ões tomadas
em intervalos de tempo iguais (por em intervalos de tempo iguais (por
exemplo, dias, meses, trimestres, anos). exemplo, dias, meses, trimestres, anos).
NotaNotaçção:ão:YYtt onde t = 1, 2, ...., Tonde t = 1, 2, ...., T
Nosso objetivo:Nosso objetivo: prever Yprever YT+kT+k utilizando utilizando
toda a informa
toda a informaçção disponão disponíível atvel atéé o o instante T.
instante T.
A previsão de YA previsão de YT+kT+k éédenotada por Ydenotada por Y**T+kT+k ..
monica@mbarros.com 22
Modelagem - algumas premissas
Modelagem
Modelagem
-
-
algumas
algumas
premissas
premissas
Afinal
Afinal
, o
, o
que
que
queremos
queremos
ao
ao
modelar
modelar
uma
uma
s
s
é
é
rie
rie
temporal ???
temporal ???
CapturarCapturar“toda“toda”” a estruturaa estrutura de de
dependência
dependência existente;existente;
Logo, nosLogo, nos resresííduosduosnãonãodevedeve“sobrar“sobrar””
estrutura
estrutura, , poispois elaela jájá foifoi captadacaptada pelopelo modelo
modelo;;
ExplicarExplicaro comportamentoo comportamento dadasséérierie com com
o
o menormenor núnúmeromerode parâmetrosde parâmetros (
(parcimôniaparcimônia).).
Modelos Univariados
Modelos
Modelos Univariados
Univariados
NaiveNaive(ingênuo)(ingênuo)--a previsão de Ya previsão de YT+1T+1 éé
apenas a
apenas a última observaúltima observaçção (Yão (YTT). É). É claro claro que você não precisa de um software que você não precisa de um software para ajustar isso e, em alguns casos, para ajustar isso e, em alguns casos, éé o o ú
único nico ““mmétodoétodo”” disponídisponível.vel.
MMéédias mdias móóveisveis--a cada instante, a a cada instante, a
previsão
previsão ééapenas a méapenas a média das dia das úúltimas n ltimas n observa
observações. Um dos problemas ções. Um dos problemas éé a a escolha da janela a ser utilizada. escolha da janela a ser utilizada.
Métodos de Amortecimento
Exponencial
M
M
étodos de Amortecimento
é
todos de Amortecimento
Exponencial
Exponencial
Existem diversas variaçExistem diversas variações, para sões, para sééries ries
sazonais e não sazonais, por exemplo, sazonais e não sazonais, por exemplo, m
méétodo de todo de BrownBrown e mée método de todo de HoltHolt e e Winters
Winters..
A idA idééiaia geral égeral é parecida com mparecida com méédiasdias
m
móóveisveis, mas os pesos das observaç, mas os pesos das observações ões decrescem
decrescem àà medida que as observamedida que as observaçções ões estão mais longe no passado.
estão mais longe no passado.
A taxa de decréA taxa de decréscimo do(s) peso(s) scimo do(s) peso(s) éé
determinada por uma ou mais determinada por uma ou mais
monica@mbarros.com 25
Métodos de Amortecimento
Exponencial
M
Mé
é
todos de Amortecimento
todos de Amortecimento
Exponencial
Exponencial
A maior dificuldade na aplicaçA maior dificuldade na aplicação ão éé
escolher a(s) constante(s) de escolher a(s) constante(s) de amortecimento.
amortecimento.
O ForecastO Forecast ProProajusta os modelos de ajusta os modelos de
amortecimento
amortecimento automaticamenteautomaticamentecom com constantes de amortecimento
constantes de amortecimento otimizadas.
otimizadas.
São os mSão os méétodos de previsão mais usados todos de previsão mais usados
no dia a dia das empresas.
no dia a dia das empresas.
monica@mbarros.com 26
Modelos ARIMA de Box e Jenkins
Modelos ARIMA de Box e
Modelos ARIMA de Box e
Jenkins
Jenkins
São modelos mais sofisticados.São modelos mais sofisticados.
Usam as correlaUsam as correlaçções entre as ões entre as
observa
observaçções em diversos instantes. ões em diversos instantes.
A identificaA identificaçção da estrutura do modelo ão da estrutura do modelo
é
é um pouco complicada. um pouco complicada.
O O ForecastForecastPro identifica Pro identifica
automaticamente a estrutura de
automaticamente a estrutura de
modelos ARIMA, evitando o passo mais
modelos ARIMA, evitando o passo mais
complicado da an
complicado da anáálise.lise.
Modelos ARIMA de Box e Jenkins
Modelos ARIMA de Box e
Modelos ARIMA de Box e Jenkins
Jenkins
Costumam apresentar melhores Costumam apresentar melhores
resultados
resultados que os méque os métodos de todos de amortecimento quando a
amortecimento quando a sséérie rie éé relativamente longa e
relativamente longa e ““bem bem
comportada
comportada””..
Se a séSe a série rie éé muito irregular, os muito irregular, os
resultados são geralmente inferiores aos resultados são geralmente inferiores aos obtidos por m
obtidos por méétodos de amortecimento.todos de amortecimento.
Modelos Multivariados ou Causais
Modelos
Modelos
Multivariados
Multivariados
ou Causais
ou Causais
A variáA variável de interesse vel de interesse éé explicada pelos explicada pelos
seus valores passados e
seus valores passados e tambtambéémm por por valores passados e presentes de
valores passados e presentes deoutras outras vari
variááveisveis..
Os modelos ajustados no ForecastOs modelos ajustados no ForecastPro Pro
são modelos de
monica@mbarros.com 29
Modelos
Modelos Multivariados
Multivariados
ou Causais
ou Causais
O O ForecastForecastProProsugere, para um dado sugere, para um dado modelo, a inclusão ou exclusão de modelo, a inclusão ou exclusão de vari
variááveis. Este mveis. Este móódulo dedulo dediagndiagnóóstico da stico da estrutura
estrutura de um modelo de um modelo éédos melhores do dos melhores do mundo.
mundo.
O ajuste do modelo O ajuste do modelo ééfeito numa seqfeito numa seqüüência ência de passos, geralmente partindo de uma de passos, geralmente partindo de uma estrutura simples e inserindo novas estrutura simples e inserindo novas vari
variááveis (defasadas ou não) a cada veis (defasadas ou não) a cada est
estáágio; esta gio; esta estratestratéégia gia ééchamada de chamada de “
“bottombottom--upup””.. monica@mbarros.com 30
Modelos Multivariados ou Causais
Modelos
Modelos
Multivariados
Multivariados
ou Causais
ou Causais
Deve
Deve
-
-
se tomar cuidado para
se tomar cuidado para
não
ajustar modelos excessivamente
complicados
(ou seja, deve
(ou seja, deve
-
-
se
se
procurar ser parcimonioso )!
procurar ser parcimonioso )!
Modelos
Modelos
“
“
super
super
-
-
parametrizados
parametrizados
”
”
apresentam
apresentam
ó
ó
timo ajuste e p
timo ajuste e p
é
é
ssima
ssima
capacidade
capacidade
preditiva
preditiva
!
!
!!
!!
Modelos Multivariados ou Causais
Modelos
Modelos Multivariados
Multivariados
ou Causais
ou Causais
Modelos Modelos multivariadosmultivariados produzem produzem
resultados melhores
resultados melhoresque modelos que modelos univariados
univariadosquando existem variquando existem variááveis veis explicativas relevantes
explicativas relevantes..
No contexto de previsão, No contexto de previsão, éé necessánecessário rio
obter tamb
obter tambéém as previsões futuras das m as previsões futuras das vari
variááveis explicativas, o que pode ser veis explicativas, o que pode ser complicado.
complicado.
Modelos
Modelos
Multivariados
Multivariados
ou Causais
ou Causais
TambéTambém, modelos causais são m, modelos causais são
importantes pois nos permitem ganhar importantes pois nos permitem ganhar uma
uma maior compreensãomaior compreensão sobre quais sobre quais vari
variááveis afetam diretamente a nossa veis afetam diretamente a nossa vari
variáável de interesse, e qual vel de interesse, e qual éé ooefeito efeito destas
monica@mbarros.com 33
Introdução ao Forecast Pro
Introdu
Introduç
ção ao
ão ao Forecast
Forecast
Pro
Pro
O que O que é?é?
Software para anáSoftware para análise e previsão de slise e previsão de sééries ries
temporais. temporais.
CaracteríCaracterísticas importantessticas importantes
Roda sob as diversas versões do Windows;Roda sob as diversas versões do Windows;
ÉÉfáfácil de aprender!cil de aprender!
Exige poucos recursos de hardware.Exige poucos recursos de hardware.
Permite a entrada de dados em formato Excel Permite a entrada de dados em formato Excel
(entre outros) e exporta
(entre outros) e exportaçção de grão de grááficos e ficos e
resultados; resultados;
monica@mbarros.com 34
Introdução ao Forecast Pro
Introdu
Introduç
ção ao
ão ao Forecast
Forecast
Pro
Pro
Caracter
Caracter
í
í
sticas importantes
sticas importantes
Permite a identificaçPermite a identificação automão automáática de tica de
modelos; modelos;
Permite o ajuste de modelos univariadosPermite o ajuste de modelos univariados
e
e multivariadosmultivariados;;
Possui um dos melhores móPossui um dos melhores módulos de dulos de
diagn
diagnóóstico de modelos do mercado;stico de modelos do mercado;
ÉÉusado em algumas das maiores usado em algumas das maiores
corpora
corporaçções dos EUA.ões dos EUA.
Introdução ao Forecast Pro
Introdu
Introduç
ção ao
ão ao Forecast
Forecast
Pro
Pro
Podemos fazer uma distin
Podemos fazer uma distin
ç
ç
ão b
ão b
á
á
sica
sica
entre duas classes de modelos:
entre duas classes de modelos:
Modelos Modelos UnivariadosUnivariados: a sé: a série temporal rie temporal éé
explicada (prevista)
explicada (prevista) apenas apenas pelos seus pelos seus valores passados;
valores passados;
Modelos Modelos MultivariadosMultivariados ou Causaisou Causais: a : a
s
série temporal érie temporal éé explicada (prevista) explicada (prevista) pelos seus valores passados e
pelos seus valores passados e tambtambéémm pelos valores passados de
pelos valores passados de outras outras
vari
variááveis.veis.
Introdução ao Forecast Pro
Introdu
Introduç
ção ao
ão ao Forecast
Forecast
Pro
Pro
O objetivo aqui
O objetivo aqui
é
é
mostrar o
mostrar o
funcionamento e as principais
funcionamento e as principais
caracter
caracter
í
í
sticas do software atrav
sticas do software atrav
é
é
s
s
de estudos de
de estudos de
casos reais
casos reais
.
.
Veremos que, em alguns caso, a
Veremos que, em alguns caso, a
realidade est
realidade est
á
á
bem distante da
bem distante da
perfei
monica@mbarros.com 37
Introdu
Introduç
ção ao
ão ao Forecast
Forecast
Pro
Pro
Em algumas situaEm algumas situaçções, diversos mões, diversos méétodos todos serão propostos para a solu
serão propostos para a soluçção do ão do problema, e discutiremos as vantagens e problema, e discutiremos as vantagens e desvantagens de cada um deles.
desvantagens de cada um deles.
Para resguardar o sigilo das informaPara resguardar o sigilo das informaçções de ões de nossos clientes, os dados empregados aqui nossos clientes, os dados empregados aqui são
são ““mascaradosmascarados””, mas exibem a mesma , mas exibem a mesma estrutura que as s
estrutura que as sééries previamente ries previamente utilizadas em projetos de consultoria.
utilizadas em projetos de consultoria.
monica@mbarros.com 38
Introdução ao Forecast Pro
Introdu
Introduç
ção ao
ão ao Forecast
Forecast
Pro
Pro
Este cuidado seráEste cuidado será tomado sempre que os tomado sempre que os
dados não puderem ser obtidos dados não puderem ser obtidos publicamente.
publicamente.
Dados “Dados “ppúúblicosblicos”” serão empregados sem serão empregados sem
qualquer altera
qualquer alteraçção ou ão ou ““disfarcedisfarce””..
Tela Inicial
Tela Inicial -
-
Forecast
Forecast
Pro
Pro
Tela Inicial
Tela Inicial
Tela Inicial - Forecast Pro
-
-
Forecast
Forecast
Pro
Pro
Barra de Barra de MenuMenu
Caixa de diCaixa de diáálogo contendo o tipo de modelologo contendo o tipo de modelo
selecionado (neste exemplo, sele
selecionado (neste exemplo, seleçção ão expertexpert))
Botões Botões ( Help( Help, , ExpertExpert, Gr, Grááfico, Previsões)fico, Previsões)
Janela de Janela de resultadosresultados ((““AuditAudit TrailTrailFile”File”) ) -- na na
tela anterior apresentava apenas a versão do tela anterior apresentava apenas a versão do software.
monica@mbarros.com 41
Barra de Menus - Forecast Pro
Barra de Menus
Barra de Menus -
-
Forecast
Forecast
Pro
Pro
Cont
Cont
é
é
m todos os comandos
m todos os comandos
Pode ser acessada com um clique em
Pode ser acessada com um clique em
cima da op
cima da op
ç
ç
ão desejada ou
ão desejada ou
Alt
Alt
+Letra
+Letra
, onde
, onde
“
“
letra
letra
”
”
é
é
a letra
a letra
sublinhada no menu.
sublinhada no menu.
Por exemplo,
Por exemplo,
Alt
Alt
+F chama o menu
+F chama o menu
File,
File,
Alt
Alt
+C chama o menu
+C chama o menu
Forecast
Forecast
(s
(s
ó
ó
dispon
dispon
í
í
vel ap
vel ap
ó
ó
s o ajuste de algum
s o ajuste de algum
modelo)
modelo)
monica@mbarros.com 42Menu File
Menu File
Menu File
OperaOperações de especificações de especificação de ção de
vari
variááveis, entrada e saveis, entrada e saída de dados e ída de dados e sa
saíída do programa.da do programa.
File Tableau
File Tableau
File Tableau
ÉÉ a a áárea em que você rea em que você ““marcamarca”” as as
vari
variááveis que vão entrar na sua anveis que vão entrar na sua anáálise.lise.
Note que, no quadro a seguir, o Note que, no quadro a seguir, o
“
“tableautableau”” estaráestará vazio (lado esquerdo vazio (lado esquerdo da tela), e as vari
da tela), e as variááveis disponveis disponííveis no veis no arquivo especificado (no caso,
arquivo especificado (no caso, ampla_all
ampla_all.xls) estarão do lado direito..xls) estarão do lado direito.
File Tableau
File Tableau
Apenas uma variáApenas uma variável vel éé necessánecessária no ria no
caso de modelos
caso de modelos univariadosunivariados. .
No contexto de modelos de regressão, a No contexto de modelos de regressão, a
primeira vari
primeira variáávelvelno “no “tableautableau”” éé considerada como vari
considerada como variáável vel dependentedependente, , e as outras são as vari
e as outras são as variááveis explicativas veis explicativas do modelo.
monica@mbarros.com 45
File Tableau
File Tableau
monica@mbarros.com 46Outros Menus
Outros Menus
Outros Menus
Menu Menu EditEdit--ediçedição e alteraão e alteraçção de ão de
vari
variááveis.veis.
Menu Menu GraphGraph--grágráficos dos dados e ficos dos dados e
previsões; s
previsões; sóó pode ser acessado appode ser acessado apóós a s a especifica
especificaçção de qual(is) varião de qual(is) variáável(is) vel(is) ser
seráá((ãoão) analisada(s).) analisada(s).
Caixa de Escolha Caixa de Escolha ModelModel--permite a permite a
especifica
especificaçção da classe de modelos a ser ão da classe de modelos a ser usada (Amortecimento Exponencial, usada (Amortecimento Exponencial, BoxBox- -Jenkins
Jenkins, Regressão Dinâmica, , Regressão Dinâmica, etcetc...)....).
Outros Menus
Outros Menus
Outros Menus
Menu Menu SettingsSettings––controla opçcontrola opções de ões de
tratamento de
tratamento de ““missingsmissings””, casas decimais, , casas decimais, horizonte de previsão, etc...
horizonte de previsão, etc...
Menu Menu OperationsOperations––talvez o mais talvez o mais
importante. Cont
importante. Contém os subém os sub--menus:menus:
Script Script --acesso ao File Tableau para acesso ao File Tableau para
especifica
especificaçção da estrutura do modelo de ão da estrutura do modelo de previsão.
previsão.
ForecastForecast––para ajustar um modelo de previsão. para ajustar um modelo de previsão.
Outros Menus
Outros Menus
AdjustAdjustForecastForecast––ajuste (“ajuste (“na mãona mão””) das ) das
previsões obtidas. previsões obtidas.
ForecastForecastReportReport––produz relatóproduz relatório com rio com
previsões. previsões.
monica@mbarros.com 49
Menu Settings > Options
Menu
Menu Settings
Settings
> Options
>
Options
monica@mbarros.com 50
Leitura de Dados - Excel
Leitura de Dados
Leitura de Dados
-
-
Excel
Excel
Leitura de Dados no Formato .
Leitura de Dados no Formato .
xls
xls
Planilha Excel Planilha Excel , já, já usei 90 séusei 90 séries num ries num
arquivo,
arquivo, éé possípossível que o limite seja o do vel que o limite seja o do Excel (256 s
Excel (256 sééries).ries).
A cA céélula A1lula A1do arquivo deve conter do arquivo deve conter
obrigatoriamente as palavras
obrigatoriamente as palavras Vertical Vertical ou ou Horizontal
Horizontal, que indicam como as , que indicam como as vari
variááveis estão dispostas (em colunas veis estão dispostas (em colunas ou linhas).
ou linhas).
Leitura de Dados
Leitura de Dados -
-
Excel
Excel
Fontes e/ou cores especiais parecem não Fontes e/ou cores especiais parecem não
criar problemas, mas use
criar problemas, mas use--as com cuidado as com cuidado
-- em caso de problemas na leitura do em caso de problemas na leitura do arquivo de dados, elimine
arquivo de dados, elimine-as !-as !!!!!
Exemplo de Planilha Excel
Exemplo de Planilha Excel
Exemplo de Planilha Excel
VERTICAL
c_total res com indus livre outros
Carga própria total
AMPLA em milhares Cons. Residencial em mil Cons. Comercial em milh Cons. Industrial em milhaCons. Cliente Livre Cons. Outros
1994 1994 1994 1994 1994 1994 1 1 1 1 1 1 12 12 12 12 12 12 12 12 12 12 12 12 jan/94 540.690 175.184 72.231 112.221 0 54033 fev/94 512.207 176.373 70.491 108.147 0 52046 mar/94 570.148 161.098 67.179 104.199 0 52856 abr/94 540.936 171.749 70.951 126.299 0 57103 mai/94 559.676 139.113 62.756 107.939 0 52577 jun/94 511.320 156.246 64.049 111.845 0 56711 jul/94 528.715 131.314 54.986 118.638 0 52415 ago/94 541.901 136.213 61.506 117.781 0 52472 set/94 546.405 158.816 68.072 125.557 0 54093 out/94 585.465 165.046 67.807 127.867 0 58664 nov/94 585.125 160.530 69.085 116.847 0 56762 dez/94 635.424 167.083 72.708 119.298 0 56950 jan/95 676.262 190.566 78.072 121.002 0 60177 fev/95 600.740 199.218 80.180 121.502 0 58080 mar/95 662.872 184.989 74.927 109.718 0 57933 abr/95 615.794 179.974 78.661 127.433 0 61158 mai/95 606.283 167.141 70.660 117.677 0 59280 jun/95 579.660 169.756 70.942 115.478 0 57969 jul/95 619.182 160.910 69.555 128.155 0 61044 ago/95 634.296 163.442 70.354 120.590 0 58332 set/95 608.323 189.209 81.786 127.971 0 62899
monica@mbarros.com 53
Exemplo de Planilha Excel
Exemplo de Planilha Excel
Exemplo de Planilha Excel
VerticalVertical(na cé(na célula A1) indica que as lula A1) indica que as
vari
variááveis estão em colunas.veis estão em colunas.
As outras céAs outras células na linha 1 são lulas na linha 1 são
ignoradas, você pode colocar algum ignoradas, você pode colocar algum coment
comentáário sobre os dadosrio sobre os dados
O restante da coluna A tambO restante da coluna A tambéém pode ser m pode ser
usado para coment
usado para comentáários.rios.
As colunas B, C, D, E, F e G contêm as As colunas B, C, D, E, F e G contêm as
vari
variááveis a serem consideradas na veis a serem consideradas na an
anáálise.lise.
monica@mbarros.com 54
Exemplo de Planilha Excel
Exemplo de Planilha Excel
Estas colunas têm um “Estas colunas têm um “headerheader”” que que
segue um
segue um formato padrãoformato padrão, mostrado a , mostrado a seguir.
seguir.
Linha 1Linha 1(nome da variá(nome da variável, atvel, atéé 8 8
caracteres) caracteres)
Linha 2Linha 2(comentá(comentário sobre a varirio sobre a variáável)vel)
Linha 3Linha 3(ano de iní(ano de início)cio)
Linha 4Linha 4(mês ou perí(mês ou período de inodo de iníício)cio)
“Header” das Variáveis
“
“Header
Header”
”
das Variá
das Vari
áveis
veis
Linha 5Linha 5(nú(número de permero de perííodos por ano, 12 odos por ano, 12
se dados mensais, 4 se trimestrais, 1 se se dados mensais, 4 se trimestrais, 1 se anuais)
anuais)
Linha 6Linha 6(nú(número de permero de perííodos por ciclo odos por ciclo
sazonal, geralmente igual ao valor da sazonal, geralmente igual ao valor da linha 5)
linha 5)
“Header” das Variáveis
“
“Header
Header”
”
das Variá
das Vari
áveis
veis
Logo:Logo: C_total C_total Carga pr
Carga próópria total Ampla em milharespria total Ampla em milhares 1994 1994 1 1 12 12 12 12
indica que a variáindica que a variável vel C_totalC_total éémensal e mensal e
come
monica@mbarros.com 57
“Header” das Variáveis
“
“Header
Header”
”
das Variá
das Vari
áveis
veis
Ocasionalmente (no caso de dados
Ocasionalmente (no caso de dados
di
di
á
á
rios) os valores das linhas 5 e 6
rios) os valores das linhas 5 e 6
serão diferentes.
serão diferentes.
Por exemplo, podemos especificar
Por exemplo, podemos especificar
365 per
365 per
í
í
odos por ano na linha 5 e
odos por ano na linha 5 e
sazonalidade
sazonalidade
semanal (7 per
semanal (7 per
í
í
odos
odos
por ciclo) na linha 6.
por ciclo) na linha 6.
monica@mbarros.com 58
Botões
Botões
Botões
Abre nova planilha de dados. Olha os dados dentro da planilha - você pode editá-los Muda para a janela de gráficos Vai para o "AuditTrail" - arquivo com resultados de modelos Cria e guarda previsões
Estudo de Caso 1
Estudo de Caso 1
Estudo de Caso 1
Modelagem
Modelagem
Univariada
Univariada
do Consumo
do Consumo
Residencial de Energia El
Residencial de Energia El
é
é
trica no Rio
trica no Rio
de Janeiro
de Janeiro
VariáVariável Dependente = consumo mvel Dependente = consumo méédio dio
mensal por conta em kWh mensal por conta em kWh
MMéétodo de Amortecimento Exponencialtodo de Amortecimento Exponencial
com ajuste autom com ajuste automááticotico
Estudo de Caso 1
Estudo de Caso 1
Estudo de Caso 1
M
M
é
é
todos de Amortecimento
todos de Amortecimento
Exponencial
Exponencial
Simples Simples --Use em séUse em séries não sazonais e ries não sazonais e
sem tendência. sem tendência.
HoltHolt--Use em séUse em séries não sazonais e com ries não sazonais e com
tendência linear. tendência linear.
WintersWinters--Use em séUse em séries sazonais e com ries sazonais e com
tendência. Existem 2 varia
tendência. Existem 2 variaçções ões principais:
principais: sazonalidadesazonalidade aditiva e aditiva e multiplicativa.
monica@mbarros.com 61
Estudo de Caso 1
Estudo de Caso 1
Estudo de Caso 1
Gr
Gr
á
á
fico da s
fico da s
é
é
rie
rie
Consumo Médio Residencial (kWh)
140.00 160.00 180.00 200.00 220.00 240.00
Jan/89 Jul/89 Jan/90 Jul/90 Jan/91 Jul/91 Jan/92 Jul/92 Jan/93 Jul/93 Jan/94 Jul/94
monica@mbarros.com 62
Estudo de Caso 1- Leitura de
Dados
Estudo de Caso 1
Estudo de Caso 1-
-
Leitura de
Leitura de
Dados
Dados
Estabelecer antes de iniciar a
Estabelecer antes de iniciar a
leitura qual o diret
leitura qual o diret
ó
ó
rio e o formato
rio e o formato
dos arquivos de dados a serem
dos arquivos de dados a serem
lidos, atrav
lidos, atrav
é
é
s do
s do
menu
menu
Settings
Settings
>
>
Options
Options
Neste caso, o diret
Neste caso, o diret
ó
ó
rio padrão
rio padrão
é
é
c:
c:
\
\
curso e o formato de arquivo
curso e o formato de arquivo
é
é
.
.
xls
xls
(Excel).
(Excel).
Estudo de Caso 1 - Leitura de
Dados
Estudo de Caso 1
Estudo de Caso 1 -
-
Leitura de
Leitura de
Dados
Dados
Menu File > Open DatabaseMenu File > Open Database
Nome do arquivo : case1dat.xlsNome do arquivo : case1dat.xls
O próO próximo passo ximo passo éé definir, no “definir, no “File File
Tableau
Tableau””, quais a vari, quais a variááveis a serem veis a serem consideradas na modelagem.
consideradas na modelagem.
A primeira variáA primeira variável do Tableau vel do Tableau éé a a
vari
variáável dependente.vel dependente.
Para abrir o Tableau, façPara abrir o Tableau, faça: Menu a: Menu
Operations
Operations > Script> Script
Estudo de Caso 1
Estudo de Caso 1 -
-
Leitura de
Leitura de
Dados
monica@mbarros.com 65
Estudo de Caso 1 - Leitura de
Dados
Estudo de Caso 1
Estudo de Caso 1 -
-
Leitura de
Leitura de
Dados
Dados
Neste caso (modelagem Neste caso (modelagem univariadaunivariada) )
precisamos apenas
precisamos apenas selecionarselecionar, com um , com um duplo clique
duplo clique, uma ú, uma única varinica variáávelvel (RESCOR2)
(RESCOR2)
ApóApós a seles a seleçção da varião da variáável aparecervel apareceráá
uma caixa de di
uma caixa de diáálogo contendo o ano e logo contendo o ano e mês inicial e final.
mês inicial e final.
Estes valores podem ser mudados. A Estes valores podem ser mudados. A
tecla
tecla TABTAB permite que você percorra as permite que você percorra as diversas caixas contendo meses e anos. diversas caixas contendo meses e anos.
monica@mbarros.com 66
Estudo de Caso 1 - Leitura de
Dados
Estudo de Caso 1
Estudo de Caso 1 -
-
Leitura de
Leitura de
Dados
Dados
Podemos ajustar o modelo num períPodemos ajustar o modelo num período odo
menor, e comparar as previsões do menor, e comparar as previsões do modelo com os valores reais.
modelo com os valores reais.
A idéA idéia do HOLDOUT ia do HOLDOUT éépermitir que uma permitir que uma
parte da s
parte da séérie seja rie seja ““guardadaguardada”” para que para que a previsão seja comparada com o
a previsão seja comparada com o resultado real.
resultado real.
Por exemplo, ao especificar HOLDOUT = Por exemplo, ao especificar HOLDOUT =
12, você est
12, você estáá guardando os úguardando os últimos 12 ltimos 12 meses da s
meses da séérie para esta anrie para esta anáálise.lise.
Estudo de Caso 1
Estudo de Caso 1 -
-
Leitura de
Leitura de
Dados
Dados
ApóApós o OK você volta para a tela onde s o OK você volta para a tela onde
estar
estaráá a saía saída dos modelos. da dos modelos.
Esta tela éEsta tela é chamada de “chamada de “AuditAuditTrailTrailFileFile””, ,
e
e éé um arquivo de texto puro que poderáum arquivo de texto puro que poderá ser salvo e editado.
ser salvo e editado.
Estudo de Caso 1 - Escolha da
Classe de Modelos
Estudo de Caso 1
Estudo de Caso 1 -
-
Escolha da
Escolha da
Classe de Modelos
Classe de Modelos
Na caixa do lado esquerdo superior Na caixa do lado esquerdo superior
da tela escolha
da tela escolha ““ExponentialExponential
Smoothing
monica@mbarros.com 69
Estudo de Caso 1
Estudo de Caso 1 -
-
Escolha da
Escolha da
Classe de Modelos
Classe de Modelos
Os dados jáOs dados já foram lidos, o períforam lidos, o período a ser odo a ser
utilizado na modelagem e a classe de utilizado na modelagem e a classe de modelos tamb
modelos tambéém.m.
Agora Agora ééssóódeixar o deixar o ForecastForecastPro Pro
trabalhar!
trabalhar!
No menu OperationsNo menu Operations, selecione Forecast, selecione Forecast..
monica@mbarros.com 70
Estudo de Caso 1
Estudo de Caso 1 -
-
Escolha da
Escolha da
Classe de Modelos
Classe de Modelos
Na caixa de diálogo que aparecerá, selecione
Winters(a seleção
automática também produz bons resultados em geral).
Estudo de Caso 1 - Resultados da
Modelagem
Estudo de Caso 1
Estudo de Caso 1 -
-
Resultados da
Resultados da
Modelagem
Modelagem
Estudo de Caso 1 -
Estudo de Caso 1
Estudo de Caso 1 - Previsões
-
Previsões
Previsões
Menu OperationsMenu Operations> > ForecastForecastReportReport
As previsões aparecem no AuditAs previsões aparecem no Audit TrailTrailou ou
numa janela separada para edi
numa janela separada para ediçção (veja ão (veja op
monica@mbarros.com 73
Estudo de Caso 1
Estudo de Caso 1 -
-
Previsões
Previsões
O gráO gráfico da sfico da séérie e previsões tambrie e previsões tambéém m
est
estáá disponídisponível. Selecione o menu vel. Selecione o menu GraphGraph
Open
Open. .
O grO grááfico fico pode ser pode ser copiadocopiadodiretamente diretamente
para a
para a áárea de transferência usando a rea de transferência usando a op
opçção ão CopyCopy to to ClipboardClipboarddentro do menu dentro do menu Graph
Graph..
monica@mbarros.com 74
Estudo de Caso 1
Estudo de Caso 1 -
-
Previsões
Previsões
Estudo de Caso 1 - Gráfico da Série
e Previsões
Estudo de Caso 1
Estudo de Caso 1 -
-
Grá
Gr
áfico da S
fico da Sé
é
rie
rie
e Previsões
e Previsões
160 180 200 220 1989 1990 1991 1992 1993 1994 1995 Legend RESCOR2 <Untitled>Estudo de Caso 1
Estudo de Caso 1
Estudo de Caso 1
Output gerado pelo
Output gerado pelo
Forecast
Forecast
Pro
Pro
SmoothingSmoothingWeightWeight(Constantes de (Constantes de
Amortecimento) = valores dos Amortecimento) = valores dos parâmetros usados na estima
parâmetros usados na estimaçção do ão do n
níível, tendência e vel, tendência e sazonalidadesazonalidade..
Final Final ValueValue= ú= últimas estimativas do ltimas estimativas do
n
níível e tendência. O valor final do vel e tendência. O valor final do ííndice ndice sazonal corresponde ao do
sazonal corresponde ao do úúltimo mês ltimo mês ajustado (neste exemplo, Dezembro). ajustado (neste exemplo, Dezembro). Estes valores são usados para obter as Estes valores são usados para obter as previsões futuras.
monica@mbarros.com 77
Estudo de Caso 1
Estudo de Caso 1
ÍÍndices Sazonaisndices Sazonais--para cada mês (ou para cada mês (ou
trimestre, ou semestre) no ano. Neste trimestre, ou semestre) no ano. Neste exemplo, a
exemplo, a sazonalidadesazonalidadeera era
multiplicativa, e a soma dos fatores multiplicativa, e a soma dos fatores sazonais = 12 = per
sazonais = 12 = perííodo sazonal.odo sazonal.
monica@mbarros.com 78
Estudo de Caso 1
Estudo de Caso 1
Estudo de Caso 1
Como interpretar os diagn
Como interpretar os diagn
ó
ó
sticos de
sticos de
um modelo ?
um modelo ?
Ao modelarmos uma sAo modelarmos uma séérie temporal rie temporal
procuramos extrair toda a sua estrutura.
procuramos extrair toda a sua estrutura.
Definimos com resDefinimos com resííduoduono instante t a no instante t a
diferen
diferençça entre o valor real da sa entre o valor real da séérie e o rie e o valor ajustado pelo modelo no mesmo valor ajustado pelo modelo no mesmo instante. instante.
Estudo de Caso 1
Estudo de Caso 1
Estudo de Caso 1
Como interpretar os diagnóComo interpretar os diagnósticos de um sticos de um
modelo ? modelo ?
Se o nosso modelo capturou toda a estrutura da Se o nosso modelo capturou toda a estrutura da
s
séérie,os resrie,os resííduos deveriam ser duos deveriam ser descorrelatadosdescorrelatados, , ou seja, as
ou seja, as autocorrelaautocorrelaççõesõesdos resídos resíduos de um duos de um modelo deveriam ser todas muito pr
modelo deveriam ser todas muito próóximas de ximas de
zero. zero.
A existência de autocorrelaA existência de autocorrelaççõesõesdos resdos resííduos duos
diferentes de zero
diferentes de zeroindica que estes ainda indica que estes ainda apresentam alguma
apresentam alguma estruturaestrutura, que não foi , que não foi capturada pelo nosso modelo.
capturada pelo nosso modelo.
Estudo de Caso 1
Estudo de Caso 1
Para testar a existência de Para testar a existência de
autocorrela
autocorrelaççõesões dos resídos resíduos duos empregamos duas estat
empregamos duas estatíísticas: sticas: DurbinDurbin- -Watson
Watson e e LjungLjung--BoxBox..
Lembre-Lembre-se: AUTOCORRELAse: AUTOCORRELAÇÇÃO DOS ÃO DOS
RES
RESÍÍDUOS NÃO DUOS NÃO ÉÉ UMA COISA BOA –UMA COISA BOA – SIGNIFICA QUE O NOSSO MODELO SIGNIFICA QUE O NOSSO MODELO “
“ESQUECEUESQUECEU”” DE CAPTURAR ALGUMA DE CAPTURAR ALGUMA COISA...