Mtodos de Previso

113
MTODOS DE PREVISO
Antnio Alves Flamb
1
Tenente-Coronel de Artilharia
1
Professor Regente das unidades curriculares de Investigao Operacional e Gesto e Teoria da Deciso,
da AM.
ABSTRACT
Forecasting methods are fundamental tools for projecting future behaviors.
There are several areas of knowledge in which these methods are used in order
to better plan the provision of services made available for potential users. This
is only possible with the creation of information databases that map and quantify
past behaviors. Forecasting methods are based on past behavior and project those
same behaviors in the future. This way these methods can make future predictions
of behaviors that they can support, the decision-makers in their decision making
regarding their various activities. This article will only approach some quantifying
methods bared upon that use mathematical manipulation of historical data.
Keywords: prediction models, time series, linear regression, seasonality, trend.
RESUMO
Os mtodos de previso so ferramentas fundamentais para projectar com-
portamentos futuros. So vrias as reas do conhecimento que se servem destes
mtodos para melhor planearem a prestao dos servios que pem disposio
ProeliuM revista da acadeMia Militar
114 115
dos potenciais utentes. Isto s possvel com a constituio de bases de dados
de informao, que mapeiem os comportamentos passados e os quantifquem. Os
mtodos de previso socorrem-se dos comportamentos passados e projectam esses
mesmos comportamentos no futuro. Desta forma podem fazer previses futuras
de comportamento para apoiarem, nas diversas actividades, os decisores nas suas
tomadas de deciso. Neste artigo apenas sero abordados alguns mtodos quanti-
tativos que assentam na manipulao matemtica dos dados histricos.
Palavras-chave: modelos de previso, sries cronolgicas, regresso linear, sa-
zonalidade, tendncia.
INTRODUO
Em todos os domnios cientfcos surgem fenmenos onde a incerteza um
factor presente. Eles impedem o conhecimento exacto do comportamento futuro.
O que leva necessidade de produzir previses. A previso dos valores futuros
numa srie cronolgica um objectivo fundamental da sua anlise. A qual pode
ser realizada atravs de diferentes metodologias, dependendo do tipo de utiliza-
o, a sua extenso (longo, mdio e curto prazo) e a disponibilidade dos dados
(Murteira, et al, 1993).
Em mltiplos aspectos da actividade humana surge a necessidade de ob-
ter previses. Na vertente de planeamento, ao ser projectada uma rede viria
necessrio prever volumes de trfego, ndices de utilizao e obter projeces
demogrfcas quando se dimensionam equipamentos ou infra-estruturas. Um ges-
tor para estabelecer planos de produo ou de aprovisionamento e stockagem de
produtos tem de prever o comportamento da procura desses produtos. Quando
se dimensionam os recursos humanos para prestao de servios de sade a uma
determinada populao, tem de se ter previses do comportamento dessa popu-
lao na procura dos servios.
Os mtodos de previso podem ser classifcados em dois grupos: os quali-
tativos e os quantitativos (Hillier e Lieberman, 1995). Os qualitativos baseiam-se
em juzos subjectivos, especulaes e intuio de especialistas. Dispensam dados
quantitativos e estabelecem cenrios ou paralelismos com situaes semelhantes.
Quanto aos quantitativos servem-se da manipulao matemtica de dados histri-
cos (quantifcados) para projectar no futuro padres de comportamento que foram
identifcados nos dados histricos (Oliveira, 1995).
114
Mtodos de Previso
115
Neste artigo, apenas so abordados os mtodos quantitativos. Comeando
por defnir o que so os mtodos causais e no causais. Relativamente aos m-
todos causais so abordados os modelos de regresso. Quanto aos mtodos no
causais abordam-se as sries cronolgicas, as mdias mveis centradas, o mtodo
da decomposio para o modelo aditivo, modelos de mdias mveis e o alisa-
mento exponencial simples. Seguidamente feita uma abordagem comparao
dos mtodos de previso atravs das medidas do erro. Este artigo termina com
algumas consideraes fnais.
1. MTODOS QUANTITATIVOS
Estes mtodos podem ser classifcados em causais e no causais. Nos causais
procura-se relacionar a varivel explicada, com base nos dados histricos,
com outras variveis explicativas que possam explicar o seu comportamento.
Recorrem tipicamente a tcnicas de estatsticas de regresso. Os no causais
assentam apenas na anlise da srie de valores passados da varivel a prever.
Procuram caracterizar a evoluo da srie e projectam no futuro os padres
de comportamento.
Os mtodos quantitativos assentam numa hiptese de estabilidade. Essa hiptese
a de que iro prevalecer no futuro as condies que determinaram no passado
a evoluo da varivel. Nos modelos causais assume-se que se iro manter
estveis as relaes entre as variveis explicativas e a varivel explicada. Para
os modelos no causais, assume-se que no futuro se iro manter os padres
de comportamento que foram identifcados no passado.
Depois de ser conhecida a existncia de uma relao causal entre as variveis
necessrio estudar o tipo dessa relao. Um indicador estatstico que pode
ser utilizado para esse efeito o coefciente de correlao linear. O qual per-
mite avaliar a magnitude e a direco de associao ou correlao existente
entre as variveis. A correlao linear mede a relao entre duas variveis
X e Y atravs da disperso das suas observaes relativamente a uma recta
(Rodrigues, et al, 2010).
O estudo das relaes entre duas variveis pode ser feito atravs do:
coefciente de correlao linear de Pearson ou do modelo de regresso linear
simples para variveis continuas;
coefciente de correlao de Spearman para variveis ordinais ou nominais.
ProeliuM revista da acadeMia Militar
116 117
2. MTODOS CAUSAIS
2.1. Modelo de regresso
No processo de tomada de deciso, os decisores necessitam de fazer previses
que permitam a escolha da deciso que potencialmente mais efcaz. Sendo
assim, mais fcil tomar decises sobre uma varivel quando possvel
estabelecer uma relao com outra, cujo seu comportamento j conhecido.
A regresso linear uma metodologia estatstica que permite estabelecer
relaes matemticas entre a varivel de interesse (varivel dependente,
explicada ou endgena) e uma ou mais variveis independentes (expli-
cativas ou exgenas) (Rodrigues, et al, 2010).
A partir de uma varivel para ser possvel fazer previses sobre outra
varivel necessrio que exista uma relao de causa-efeito entre as
duas. Ou seja, que a variao de uma possa ser atribuda variao da
outra. intil aplicar um mtodo de regresso ou de correlao entre as
variveis se no se verifcar a existncia de uma relao causal. Depois
de verifcar a existncia da relao causal h que determinar o tipo de
relao existente. Para isso constri-se um diagrama de disperso dos
dados que foram observados (Reis, 2008).
O Diagrama de disperso tem uma dupla funo:
permite determinar se existe alguma relao entre as variveis;
identifca qual a equao mais apropriada para descrever a relao.
As relaes entre variveis podem ser de vrios tipos tais como: linear,
exponencial, logstica, potncia, logartmica, etc.
Figura 1 Representa os valores observados entre duas variveis X e Y, que permitem estabelecer
uma relao linear entre elas.
116
Mtodos de Previso
117
O tipo linear a relao mais simples. Assim, admite-se que a varivel
dependente (explicada ou endgena Y) uma funo linear da varivel
independente (explicativa ou exgena X). Quando a varivel X contm
alguma informao sobre a varivel Y, permite fazer previses de Y quando
o X conhecido. Mas estas previses no so perfeitas, esto sujeitas a
erros. Pelo que a equao linear deve incorporar explicitamente a possi-
bilidade da existncia de desvios. Utiliza-se o (desvio, resduo ou rudo)
como varivel do tipo residual que inclui os factores explicativos de Y,
no includos em X. O resduo tem caractersticas imprevisveis e aleat-
rias (Tavares, et al, 1996). A relao linear defne-se da seguinte forma:
Esta relao entre as variveis pode ser medida pela covarincia. Que
se traduz pela mdia dos produtos dos desvios em relao media. A
covarincia pode ser negativa, positiva ou nula. Quando negativa pre-
dominam os produtos negativos, signifcando que quando uma varivel
aumenta a outra diminui e vice-versa. Quando positiva, predominam
os produtos dos desvios positivos signifcando que os desvios tendem
a ser ambos positivos ou ambos negativos. Assim as variveis tendem
a variar em mdia no mesmo sentido, ou seja, quando uma aumenta a
outra aumenta e vice-versa. Quando nula, no h existncia de relao
linear entre as variveis, pois os produtos positivos so compensados
pelos negativos (Silvestre, 2007).
Pode tambm medir-se o grau de relacionamento linear entre as duas vari-
veis atravs do coefciente de correlao , atravs da seguinte expresso:
em que :
cov[X,Y]: covarincia de X,Y;
: desvio-padro de X e Y;
: est compreendido entre 0 e 1, que corresponde aos seguintes
casos extremos:
Se as variveis so linearmente independentes. irrelevante
o conhecimento da varivel X para prever a varivel Y.
Se existe um relacionamento linear perfeito.
Assim, o coefciente de correlao quanto mais prximo estiver de 0 mais
fraca ser a correlao ou relao linear entre as variveis. Por outro lado,
+ + = X Y
[ ]
Y X
Y X

, cov
=
Y X

0 =
1 =
ProeliuM revista da acadeMia Militar
118 119
quanto mais prximo estiver de 1 (em valor absoluto) mais forte ser a
correlao ou relao linear (Silvestre, 2007).
Normalmente s temos valores sobre algumas observaes (amostra). No
temos a informao sobre todos os valores do universo de X e Y (popu-
lao). Assim, levanta-se o problema de como estimar os parmetros
e do modelo linear. Para estimar estes parmetros utiliza-se o mtodo
dos mnimos quadrados. Este mtodo consiste na aplicao do critrio
da minimizao da soma do quadrado dos erros (ou desvios) defnida
como (Tavares, et al, 1996):
em que:
: par de valores observados (i=1,,n)
: estimativa produzida pelo modelo
: erro (desvio) associado estimativa
Para um conjunto de dados de uma amostra o estimador da correlao e
os estimadores dos parmetros e do modelo linear so os seguintes:
em que so as mdias dos valores observados X e Y.
Baseando-se nos valores conhecidos da varivel explicativa, a recta de
regresso tem como utilizao mais importante e mais comum a previso
do comportamento da varivel explicada (Reis, 2008). Esta estimativa ser
baseada no seguinte modelo:
Os parmetros deste modelo so estimados a partir da amostra.
O quadrado do coefciente de correlao designado como coefciente de
determinao. Representa-se por R
2
e uma medida do poder explicativo
2
1 1
2
1
2

=

=

=
(

|
|
.
|

\
|
+ =
|
|
.
|

\
|
= =
n
i
i i
n
i
i i
n
i
i
X Y Y Y e SE SE
i i
Y X ,

i
Y

i
Y
i
e
( )( )
( ) ( )

=


=
2
2
2
2
2 2

Y n Y X n X
Y X n Y X
Y Y X X
Y Y X X
i i
i i
i i
i i

( )( )
( )
X Y
X n X
Y X n Y X
X X
Y Y X X
i
i i
i
i i

2 2
=

Y e X
0 0

X Y + =
118
Mtodos de Previso
119
da equao de regresso. D-nos a proporo da varivel explicada (Y)
com a presena da varivel explicativa (X) (Tavares, et al, 1996). Este
coefciente obtido atravs da seguinte expresso:
2.2. Extenses do modelo de regresso linear simples
O modelo de regresso linear simples pode ser expandido em vrias ver-
tentes. Uma delas considerar-se mais do que uma varivel explicativa.
Neste caso teremos um modelo de regresso linear mltiplo (Tavares, et
al, 1996). Nesta situao o modelo assume a seguinte forma:
em que Xi (i=1,,m) identifca as variveis explicativas e o refecte
o resduo aleatrio.
A outra a adopo de relaes no lineares ente as variveis. Assim
estamos perante uma situao de regresso no linear. Para situaes com
uma s varivel explicativa, com transformaes adequadas das variveis,
possvel criar relaes lineares e aplicar o modelo (Oliveira, 1995). A
titulo exemplifcativo uma relao do tipo exponencial com a aplicao
de logaritmos pode tornar-se numa relao linear:
3. MTODOS NO CAUSAIS
3.1. Srie cronolgica
Actualmente o ambiente circundante das vrias actividades a curto, mdio
e longo prazo sofre alteraes. Assim o planeamento da evoluo futura
uma necessidade actual em qualquer actividade. Este planeamento faculta
previses de acontecimentos capazes de afectarem as vrias actividades.
com base neste planeamento que so tomadas decises.
( )
( )

= =
2
2
2

Y otal
Y exp
Y Y
Y Y
de t Variao
de licada Variao
R
i
i
+ + + + + =
m m
X X X Y ....
2 2 1 1

) ( W
ln e lnY W fazendo
) ( ln ln

) (

+ + =
= =
+ + =
=
+
X
ou
X Y
e Y
X
ProeliuM revista da acadeMia Militar
120 121
O grfco resultante da representao dos valores da srie chama-se crono-
grama. Este cronograma importante para se efectuar um estudo prvio.
A sua observao permite recolher elementos sobre o comportamento da
srie. Nomeadamente, no que respeita a pontos de viragem, pontos muito
altos ou muito baixos, oscilaes ou ciclos e movimentos de natureza
sazonal (Silvestre, 2007).
Um instrumento do planeamento a anlise das sries cronolgicas. Per-
mite conhecer o comportamento passado de determinados acontecimentos
Figura 2 Representa uma srie com tendncia.
e o seu comportamento previsvel no futuro (Reis, 2008).
A srie cronolgica defnida, durante um determinado intervalo, como
um conjunto de observaes feitas em pontos ou perodos sucessivos de
tempo (Murteira, et al, 1993). Ou seja, so um conjunto de observaes
quantitativas, em diferentes momentos no tempo, sobre uma determinada
varivel. Representa-se por Y
t
o valor de Y no instante t. Os erros as-
sociados aos modelos quantitativos de previso podem ser de trs tipos:
devido inexactido dos dados quantitativos utilizados pelo utilizador;
a ausncia de uma viso global; pelo facto de o pressuposto bsico da
maioria dos mtodos admitir que no futuro tudo ser mantido idntico
ao passado (Reis, 2008).
Numa srie cronolgica s possvel fazer previses se as observa-
es passadas apresentarem autocorrelao. Com isto pretende-se que a
120
Mtodos de Previso
121
observao no instante t esteja estatisticamente correlacionada com as
observaes em instantes anteriores. Na maioria dos modelos assume-se
que a srie estacionria. Mantm um equilibro estvel desenvolvendo-se
aleatoriamente no tempo em torno duma mdia constante.
A autocorrelao pode ser defnida entre valores da srie desfasados k
unidades de tempo, estimando-se o coefciente de autocorrelao (r
k
) a
partir da seguinte expresso (Tavares, et al, 1996):
em que:
n: nmero de observaes;
Y
t
: Observao correspondente ao instante t;
: mdia das observaes;
k: nmero de unidades de tempo do desfasamento.
Estes coefcientes de correlao so apresentados normalmente num grfco
designado de correlograma.
( )( )
( )
( )
n
Y Y
k n
Y Y Y Y
r
n
t
t
k t
k n
t
t
k

=
+

=
1
2
1
Y
Figura 3 Representa o correlograma de uma srie.
ProeliuM revista da acadeMia Militar
122 123
3.2. Mdias mveis centradas
Uma mdia aritmtica das observaes duma varivel numa vizinhana do
instante t defne-se como mdia mvel centrada M
t
. Essa vizinhana defne-
se fxando o comprimento N da mdia, dada por (Tavares, et al, 1996):
Para comprimento mpar (N=2n+1):
Para comprimento par (N=2n):
Assim consideram-se, quer para a direita quer para a esquerda, as N obser-
vaes mais prximas do instante t para o clculo da mdia. Estas mdias
apresentam duas propriedades importantes. Uma consiste na atenuao ou
eliminao das futuaes de carcter aleatrio da srie. A outra consiste
na eliminao das oscilaes de carcter peridico (sazonalidade), quando
se adopta, no clculo da mdia mvel centrada, um comprimento igual
ao perodo dessas oscilaes.
3.3. Mtodo da decomposio: modelo aditivo
Este mtodo identifca e isola os componentes da srie cronolgica, es-
tima cada um deles e posteriormente agrega os resultados para obter um
modelo global (aditivo ou multiplicativo). Assume o pressuposto de que
a srie engloba quatro componentes: tendncia, sazonalidade, ciclicidade
e componente aleatria.
A tendncia tem um signifcado intuitivo e pode descrever-se como inrcia
da srie, marcha principal, variao em mdia ao longo do tempo, ou
ainda, mudana de nvel. Refecte globalmente o sentido do crescimento (ou
decrescimento) da srie. A sazonalidade descreve as variaes em relao
tendncia. So as futuaes peridicas da varivel com periodicidade
fxa. A ciclicidade refecte movimentos oscilatrios da srie que afectam
a sua tendncia global a mdio prazo. Por ltimo, a componente aleatria
apresenta variaes de carcter imprevisvel (Murteira, et al, 1993).
Se para o instante t, Y
t
representar o valor observado na srie, T
t
a tendn-
cia, S
t
a componente sazonal, C
t
a componente cclica e
t
a componente
aleatria. Desta forma, admite-se que o valor observado em cada perodo
uma funo das quatro componentes: Y
t
= f (T
t
, S
t
, C
t
,
t
) (Reis, 2008).
Assim, neste modelo os termos da srie cronolgica so uma funo
aditiva dos 4 componentes (Tavares, et al, 1996): Y
t
= T
t
+ S
t
+ C
t
+
t

( )
n t n t t n t n t t
Y Y Y Y Y
N
M
+ + +
+ + + + + + =
1 1
... ...
1
|
.
|

\
|
+ + + + + + =
+ + + n t n t t n t n t t
Y Y Y Y Y
N
M
2
1
... ...
2
1 1
1 1
122
Mtodos de Previso
123
Uma mdia mvel centrada, de comprimento igual ao ciclo sazonal da
srie, permite eliminar a sua sazonalidade e o rudo. Deste modo a mdia
mvel fca essencialmente constituda por tendncia e componente cclica:
M
t
= T
t
+ C
t

Atendendo a que a componente cclica tem carcter irregular (de mdio a
longo prazo), os seus valores futuros difcilmente podero ser previstos por
mtodos estatsticos, recorrendo-se muitas vezes a procedimentos subjec-
tivos. Assim para sries que no sejam longas despreza-se a ciclicidade.
Admite-se que a tendncia para ser modelada varia em funo de t, ou
seja T
t
= f(t). A seleco de f(t) resulta da observao da srie de m-
dias mveis centradas M
t
para estimar os parmetros dessa funo. Pode
ajustar-se, observando o andamento da srie de mdias mveis centradas, a
utilizao de uma funo polinomial (sendo o modelo linear o mais utiliza-
do), exponencial, logstico, etc. Para uma tendncia de crescimento linear
poder ser utilizada a regresso linear simples, defnida por: T
t
= a + bt
Isola-se a componente sazonal atravs da utilizao de uma srie auxiliar
X
t
. Esta srie ir incluir as componentes sazonais e aleatrias. Para eliminar,
ou pelo menos reduzir, o efeito da componente aleatria calculam-se as
mdias dos valores de X
t
para cada estao
2
, estimando-se assim para cada
uma o seu ciclo sazonal (Oliveira, 1995). A srie auxiliar ser: X
t
= Y
t
- M
t

A soma dos ndices sazonais deve ser nula. Quando isto no acontecer
as estimativas dos ndices sazonais podem ser corrigidas utilizando a
seguinte expresso:
2
Um ciclo sazonal compreende tantas estaes quantos os perodos de tempo abrangidos por esse ciclo.
Por exemplo uma srie que apresente uma sazonalidade de perodo quatro ter quatro estaes, que cor-
respondem a quatro trimestres no ano.

=
j
j
j j j
S
S
S S S
em que S
j
a estimativa corrigida do ndice sazonal da estao j.
Assim que forem isoladas e se estimarem as diversas componentes, as previses
para os perodos futuros so elaboradas atravs da projeco dessas componentes,
para os instantes em causa, e pela sua agregao utilizando o modelo aditivo
(ignorando a componente aleatria que, por defnio, imprevisvel).
ProeliuM revista da acadeMia Militar
124 125
3.4. Modelo de mdias mveis
Para uma srie estacionria e puramente aleatria podem obter-se previses
considerando apenas a mdia de todas as observaes. Isto iria minimizar
o erro quadrtico mdio. No entanto este procedimento apenas atribui igual
importncia (peso) a todas as observaes passadas. Seria mais adequado
atribuir s observaes mais recentes maior importncia, o que iria per-
mitir detectar possveis mudanas do seu comportamento. Desta forma
estaria mais sensvel s mudanas mais recentes do comportamento da
srie. Este o princpio em que se enquadra a mdia mvel aritmtica.
A meia mvel aritmtica defnida como a mdia aritmtica das ltimas
N observaes:
No caso de uma srie estacionria (sem tendncia ou sazonalidade) para
os instantes futuros obtm-se a melhor previso baseado no nvel da
srie para o instante t (atravs da mdia mvel calculada nesse instante)
(Tavares, et al, 1996). Assim:
Neste modelo necessrio especifcar o nmero de termos N a utilizar.
Este nmero poder ser obtido por simulao, confrontando os valores
da previso com os valores histricos. Um dos critrios mais utilizados
o erro quadrtico mdio. O valor de N seleccionado deve ser aquele
que gera menor erro quadrtico mdio.
3.5. Alisamento exponencial simples
No modelo de alisamento (ou amortecimento) exponencial simples o nvel
da srie estimado atravs da seguinte expresso:
Esta expresso como recursiva permite actualizar a estimativa do nvel
no instante t. Para isso incorpora o valor da observao feita no instante
t-1. A constante de amortecimento est limitada ao intervalo (0,1).
( )
1 1
...
1
+
+ + + =
N t t t t
Y Y Y
N
n
( )
1
1

+ =
t t t
n Y n
adiante perodos K para t instante no feita previso a

onde
... , 3 , 2 , 1 K com

k t
t k t
Y
n Y
+
+
= =
no
124
Mtodos de Previso
125
Aplicando sucessivamente esta expresso para estimar os nveis de ins-
tantes progressivamente mais antigos, obtm-se (Tavares, et al, 1996):
Nesta expresso verifca-se que o peso atribudo observao no instante
i da forma a
i
= (1 - )
i
. O sistema de pesos fca apenas dependente
de um s parmetro (). Haver um decaimento exponencial dos pesos
com a antiguidade das observaes. Quanto mais elevado for o valor de
mais rpida ser a reduo dos pesos (Tavares, et al, 1996).
( ) ( ) ( ) ... 1 ... 1 1
2
2
1
+ + + + + =
i t
i
t t t t
Y Y Y Y n
Figura 4 Representa o peso atribudo s observaes medida que vo sendo mais antigas.
Tratando-se de uma srie localmente estacionria, a previso para instantes
futuros (k passos adiante, para qualquer valor de k=1, 2, 3, ) basea-
da na estimativa do nvel no instante t. A constante de amortecimento
escolhida de forma a minimizar o erro quadrtico mdio, com base nos
ensaios sobre a srie histrica de observaes da varivel (Oliveira, 1995).
As estimativas so obtidas atravs da seguinte expresso:
Neste modelo necessrio que se arbitre um nvel inicial para o arranque
do mtodo. Isto deve-se ao facto da frmula ser recursiva. Assim para se
fazer a inicializao usual adoptar um procedimento que divide a srie
histrica em trs partes:
Primeira: faz-se a iniciao com base nas primeiras k observaes
(habitualmente em nmero reduzido);
( )
1
1

+
+ = =
t t t k t
n Y n Y
ProeliuM revista da acadeMia Militar
126 127
Segunda: so utilizadas as L observaes seguintes para actualizar as
estimativas do modelo. No so avaliados os erros de previso para
permitir que o modelo se ajuste srie;
Terceira: produzem-se previses com a parte remanescente da srie.
Comparam-se com as observaes histricas correspondentes para cal-
cular os erros (EQM), que permitem avaliar o desempenho do modelo.
3.5. Comparao dos mtodos de previso: medidas do erro
Uma das grandes preocupaes nos mtodos de previso a sua preciso.
Considerando-se o mtodo mais adequado aquele que gera menores desvios
em relao realidade. No entanto para medir esses desvios necessrio
conhecer os valores reais. Estes valores s existem para valores passados
das variveis. Dai a necessidade de confrontar os valores obtidos nas
previses com os valores histricos conhecidos.
Estes desvios, uns positivos e outros negativos, tendencialmente anulam-
se. Assim foram criados para os erros de previso indicadores de sntese.
O indicador mais utilizado o erro quadrtico mdio (EQM). Exemplo
de alguns indicadores:
Erro absoluto mdio:
Erro quadrtico mdio:
Desvio padro do erro:
CONSIDERAES FINAIS
Um decisor deve rodear-se da mxima informao possvel, antes da sua
tomada de deciso. S desta forma ser racional a deciso tomada. Assim no que
concerne a estas temticas, dever utilizar todos os modelos de previso, que

=
=
n
i
i i
Y Y
n
EAM
1

1
( )
2
1

=
=
n
i
i
Y Y
n
EQM
( )
1

2
1

=

=
n
Y Y
n
i
i
e

126
Mtodos de Previso
127
tiver disponveis, para ter vrias anlises do problema, optando por aquele que
seja potencialmente o melhor.
A capacidade computacional, actualmente, permite ensaiar, de forma muita
rpida, vrios modelos. Assim possvel chegar a um modelo que reduza ao
mximo a componente residual sem prejuzo da respectiva aleatoriedade. Com
base nos outputs desses modelos o decisor poder optar por aquele que conduza
a menores erros de previso. Desta forma, poder obter potencialmente melhores
previses, que iro ajudar o Decisor quando tiver de tomar a sua deciso.
Existem muitos mais modelos do que aqueles que foram apresentados neste
artigo. Estes modelos apresentam vantagens e desvantagens, estando a sua utili-
zao condicionada aos tipos de dados histricos obtidos. Olhando para os dados
haver modelos que melhor se adaptam e consequentemente produzem melhores
previses. A escolha do melhor mtodo passa por analisar as medidas de erro de
cada um. Escolhe-se aquele que conduz a melhores resultados, ou seja onde a
medida do erro menor sendo melhores as previses.
Com base nestes modelos possvel apoiar a deciso dos agentes de deciso
nos vrios nveis numa empresa.
REFERNCIAS BIBLIOGRFICAS
HILLIER, F., & LIEBERMAN, G. (1995). Introduction to Operations Research
(6 ed.). Lisbon: McGraw-Hill.
MURTEIRA, et al. (1993). Anlise de Sucesses Cronolgicas. Lisboa, Portugal:
McGraw-Hill.
OLIVEIRA, R. (Agosto de 1995). Modelos de Previso: apontamentos da cadeira
A118. Lisboa: Academia Militar.
REIS, E. (2008). Estatstica Descritiva (7 edio ed.). Lisboa: Edies Slabo, Lda.
RODRIGUES, et al. (2010). Estatstica em Cincias Humanas e Sociais. Lisboa,
Portugal: Universdade Lusiada.
SILVESTRE, A. (2007). Anlise de Dados e Estatstica Descritiva. Lisboa, Por-
tugal: Escolar Editora.
TAVARES, et al. (1996). Investigao Operacional. Lisboa, Portugal: McGraw-Hill.
ProeliuM revista da acadeMia Militar
128