Você está na página 1de 12

1

Utilizao da Metodologia Box & Jenkins para Previso do


Consumo de Energia Eltrica do Setor Rural de um Municpio do
Interior de Minas Gerais
EDUARDO CAMPANA BARBOSA (UFV) (duducampana@hotmail.com)
FERNANDO MARQUES DE ALMEIDA NOGUEIRA (UFJF) (fernando@engenharia.ufjf.br)
TIAGO BITTENCOURT NAZAR (FIC) (tiago_bit@yahoo.com.br)
CAMILA DE SOUZA DO CARMO (DOCTUM) (camilinha_kta@yahoo.com.br)
CARLOS HENRIQUE OSRIO SILVA (UFV) (chos@ufv.br)
Resumo: Este artigo tem por objetivo demonstrar a utilizao da metodologia Box &
Jenkins atravs da anlise da srie histrica do consumo de energia eltrica provido
pelo setor rural de um municpio do interior de Minas Gerais. No texto encontra-se
uma seo de fundamentao terica referente aos modelos Box & Jenkins, sua
modelagem e os procedimentos metodolgicos de identificao, especificao,
estimao e verificao. Foram propostos 8 modelos e para selecionar o melhor,
analisou-se a significncia estatstica dos coeficientes e o Erro Quadrtico Mdio
(EQM), afim de comparar a capacidade preditiva dos modelos. Em seguida foi
realizada uma analise residual com intuito de verificar o comportamento de rudo
branco dos resduos, isto , erros independentes, com distribuio normal e
comportamento homocedstico. Por fim, concluiu-se que o modelo

foi o que obteve melhores os resultados.


Palavras-Chave: Consumo; Energia; Previses; Box & Jenkins.
1. Introduo
A energia eltrica tornou-se um dos principais recursos utilizados pelo homem
transformando-se em uma necessidade indispensvel para a sobrevivncia e
desenvolvimento poltico, econmico e tecnolgico de qualquer sociedade. Sua
utilizao contribui significativamente para a evoluo de diversas reas do
conhecimento e para o desenvolvimento de estudos que melhorem e facilitem as
condies de vida das pessoas (RODRIGUES, PAULISTA, TURRIONI, 2008).
Para Reis e Silveira (2000) devido s inmeras aplicabilidades e as dificuldades
de se viver sem este recurso, principalmente no meio rural, onde a energia eltrica
necessria no apenas para a melhoria da qualidade de vida, mas tambm para o acesso
as condies bsicas para o exerccio da cidadania, o setor de energia eltrica tem se
desenvolvido constantemente e evoludo para uma estrutura de mercado, que busca
otimizar recursos e melhorar os processos de gerao, transmisso e distribuio de
energia, garantindo qualidade e menor custo.
As empresas que distribuem energia precisam ter conhecimento da demanda de
energia requisitada por seus clientes e pelos diversos setores que compem uma cidade
ou regio, para que um planejamento da capacidade de produo seja realizado, visto
que a energia eltrica no pode ser instantaneamente fabricada e entregue, e um
processo de estocagem no se aplica a este recurso (CARDOSO, 2005). Para tentar
minimizar estes problemas so utilizadas algumas estratgias competitivas, dentre estas,

2

a previso de demanda. Esta metodologia se tornou tema de diversos estudos por
permitir entender e estudar as tendncias futuras, condio que auxilia principalmente
em tomadas de decises (MAKRIDAKIS et al.1998).
Este artigo tem por objetivo estudar a srie histrica do consumo de energia
eltrica do setor rural de um municpio do interior de Minas Gerais. Foram analisados
dados mensais de 5 anos de consumo de energia e ento propostos 8 modelos de
previso o estudo da srie. A validao destes ocorreu atravs da anlise que retrata a
significncia estatstica de cada coeficiente do modelo e do Erro Quadrtico Mdio
(EQM), utilizado para identificar o melhor modelo. Por fim foi realizada uma anlise
residual para aprovao final.
2. Fundamentao Terica
2.1 O Estudo de Sries Temporais
As projees futuras de demandas so embasadas em teorias de que o
comportamento do mercado, ao longo do tempo, consiste na repetio de tendncias,
sazonalidades, variaes cclicas e aleatrias, de forma semelhante como ocorrido no
passado (FISCHER, 1982).
Denomina-se como tendncia a caracterstica que representa o sentido de
deslocamento dos dados no tempo, que assume comportamento de crescimento ou
decrescimento. A sazonalidade ocorre em sries que apresentem padres de variao em
intervalos constantes de tempo e com durao de curto prazo. O comportamento cclico
ocorre periodicamente, e, diferente da sazonalidade, em longo prazo. As sries que no
evidenciam estas caractersticas so consideradas aleatrias e de difcil modelagem
(BRUM et al., 2005).
2.2 Modelos Box & Jenkins
Os modelos Box & Jenkins baseiam-se em hipteses de que os componentes da
srie temporal possuem distribuio de probabilidade aleatria, caracterizando um
processo estocstico. Tais modelos so univariados e lineares, constitudos por um filtro
auto-regressivo (AR), um filtro de integrao (I) e um filtro de mdias mveis (MA),
que podem ser utilizados em conjunto ou individualmente para analisar as correlaes e
autocorrelaes entre as observaes de uma srie temporal (REZENDE et al., 2006).
2.2.1 Modelos Estacionrios
Segundo Souza (2006), os modelos estacionrios so utilizados para processos
em equilbrio, isto , com mdia e varincia constantes e autocorrelao invariante no
tempo. Os principais modelos estacionrios so os AR(p), MA(q) e ARMA(p,q).
2.2.2 Modelos Auto-Regressivos AR(p)
Segundo Werner e Ribeiro (2003), um modelo auto-regressivo utilizado
quando a srie temporal exibe comportamento dependente de seus valores passados
regredidos, apresentando autocorrelao entre estes. Ainda considera-se que seja
superposto a esta componente sistemtica, um erro aleatrio (rudo branco) no instante t.
Um modelo auto-regressivo de ordem p, AR(p), formulado da seguinte maneira:

o coeficiente que explica a relao de dependncia entre

, para i = 1, 2,
3....
2.2.3 Modelos de Mdia Mvel MA(q)
Para Souza (2006), um modelo de mdia mvel utilizado quando a srie
temporal pode ser explicada pelo somatrio de uma mdia ponderada dos erros
aleatrios (rudos brancos) passados e do perodo atual. Um modelo de mdia mvel de
ordem q, MA(q), expresso pela seguinte equao:

o coeficiente que explica a relao de dependncia entre

para i = 1, 2,
3....
2.2.4 Modelos Auto-Regressivos de Mdias Mveis ARMA(p,q)
Segundo Werner e Ribeiro (2003), processos estacionrios que exibem
comportamento auto-regressivo e de mdias mveis, descritos simultaneamente por
seus valores passados regredidos e pelos erros aleatrios atuais e passados, logo,
apresentando autocorrelaes entre os valores e rudos da srie, podem ser explicados
por modelos ARMA de ordem p e q, ARMA(p,q). Tais modelos so formulados da
seguinte maneira:


2.3 Modelos No-Estacionrios ARIMA(p,d,q)
Para Rezende et. al (2006), se a srie temporal no apresenta mdia e varincia
constantes, o processo estocstico considerado no-estacionrio e caracterizado por
tendncias, sazonalidades ou flutuaes aleatrias. Neste caso os modelos ARIMA
(p,d,q) so utilizados. Estes modelos diferem-se dos demais devido ao filtro de
Integrao I(d), que tem a finalidade de indicar o nmero de diferenas matemticas
necessrias para tornar a srie estacionria. A equao 4 demonstra como formulado
este tipo de modelo.

representa a srie

diferenciada vezes.
2.4 Modelos Sazonais
Segundo Box & Jenkins (1976) os modelos SARIMA (Seasonal Auto Regressive
Integrated Moving Averages) so utilizados quando a srie temporal apresenta
autocorrelao peridica e inferior a um ano. Este tipo de modelo similar aos modelos
ARIMA(p,d,q) porm apresentam os filtros sazonais

, o que retorna o modelo


multiplicativo

com a seguinte equao:

(B) e

(B) representam respectivamente o coeficiente auto-regressivo e de mdia


mvel sazonal, B o operador de retardo, s representa a periodicidade sazonal e D o
nmero de diferenas sazonais ou de lag s necessrias para remover este efeito dos
dados.


4

3. Metodologia
Foram obtidas informaes de 60 meses de consumo de energia eltrica, em
Kw/h, referente ao setor rural de um municpio do interior de Minas Gerais. A
metodologia adotada foi a sugerida por Makridakis et al. (1998), que afirmam que a
aplicao de modelos Box & Jenkins segue 4 passos, sendo estes: identificao,
especificao, estimao e verificao do modelo.
3.1 Identificao do Modelo
Segundo Box & Jenkins (1994) a identificao de modelos Box & Jenkins
consiste em descobrir se a srie temporal ou no estacionria. Nesta etapa define-se o
tipo de modelo que ser utilizado, sejam sazonais ou no e, principalmente, se sero
integrados, isto , se diferenas matemticas sero necessrias para retirar a tendncia
e/ou sazonalidade dos dados, a fim de estabilizar sua mdia e varincia. Neste trabalho a
condio de estacionaridade foi avaliada atravs do grfico da srie juntamente com o
teste de Dickey-Fuller.
3.2 Especificao do Modelo
Para Fava (2000) esta etapa consiste em especificar os parmetros auto-
regressivos e de mdias mveis dos modelos Box & Jenkins, atravs das funes de
autocorrelao (ACF) e autocorrelao parcial (PACF) da srie. Segundo o referido
autor, o valor de , referente ao filtro auto-regressivo, ser equivalente ao nmero de
defasagens significantes nos lags iniciais da PACF e o mesmo se aplica para o valor de
, referente filtro de mdias mveis, porm analisando as defasagens significantes nos
lags iniciais da ACF.
Sries no estacionrias devero ser diferenciadas e a especificao dos
parmetros ocorrer modelando o processo como um ARMA (p,q). Em modelos
sazonais este procedimento ocorre de forma similar, porm analisando o nmero de
autocorrelaes significantes prximas as defasagens sazonais de periodicidade s.
3.3 Estimao do Modelo
Segundo Rezende et al. (2006) esta etapa consiste em avaliar se os parmetros
especificados na etapa anterior no se encontram em excesso ou em quantidades
menores que o necessrio. Neste trabalho esta anlise foi realizada avaliando-se a
significncia estatstica de cada coeficiente do modelo atravs de seu valor-p. Em
seguida, para selecionar o melhor modelo, dentre os aprovados, comparou-se o valor do
Erro Quadrtico Mdio (EQM), obtido atravs da previso realizada para os 6 primeiros
meses do ano de 2012.
3.4 Verificao do Modelo
Segundo Fava (2000) esta etapa consiste em avaliar se os resduos do modelo
estimado possuem caractersticas de rudo branco, isto , erros aleatrios e
independentes, com distribuio normal, mdia zero e varincia constante.
Neste trabalho, para constatar a independncia dos erros, foram analisadas a
ACF e PACF dos resduos, alm do teste Ljung-Box (

), procedimentos sugeridos
respectivamente por Pindyck e Rubinfeld (2004) e Makridakis et al. (1998). Destaca-se
que o teste Q* foi uma alternativa complementar a anlise de significncia dos
parmetros, utilizado para aprovao de modelos.

5

A normalidade dos erros foi averiguada atravs do teste de Shapiro-Wilk,
sugerido por Torman, Birck e Riboldi (2005) como o mais eficiente dentre os testes de
normalidade. Com intuito de ilustrar a distribuio dos erros, corroborando a premissa
de normalidade, foi utilizado um histograma de frequncia.
O comportamento homocedstico dos erros foi verificado atravs de diagrama
de disperso e teste Run Chart, sugeridos por Rezende et al. (2006), os quais visam
avaliar a disperso e a significncia estatstica dos efeitos de tendncia e oscilao nos
resduos, com intuito de comprovar que sua varincia se comporta de forma constante
no tempo.
4. Resultados e Discusso
A Figura 1 demonstra o grfico do consumo de energia em Kw/h dos 60 meses
observados referentes aos anos de 2007, 2008, 2009, 2010 e 2011.

Figura 1 Srie Temporal do Consumo de Energia Rural em Kw/h. Fonte: Minitab 14
Nota-se a presena de uma leve tendncia linear de crescimento, que aparenta
no ser significante, exibindo indcios de que a srie estacionria, visto que o consumo
mensal de energia parece oscilar em torno de um valor mdio.
Para corroborar esta premissa o Quadro 1 apresenta os resultados obtidos no
software Eviews 7.0 para o teste de Dickey-Fuller, que segundo Leroy, Albuquerque e
Moraes (2006) um teste formal e muito utilizado para averiguar a presena de raiz
unitria nos dados. Segundo estes autores, a confirmao de raiz unitria indica a no
estacionaridade da srie e consequentemente a presena de tendncias estocsticas. A
srie ser estacionria se o valor absoluto da estatstica tau () exceder o valor crtico
obtido na distribuio de Dickey-Fuller, em funo de um nvel de significncia () e do
nmero de observaes ( ).
Quadro 1 Teste de Raiz Unitria para srie do Consumo de Energia Rural
Estatstica Valores Valores Absolutos
Estatstica Tau ( -4,66226 4,66225
Estatstica de Dickey- Fuller para 1% -4,12130 4,12130

6

Estatstica de Dickey- Fuller para = 5% -3,48784 3,48784
Estatstica de Dickey- Fuller para = 10% -3,17231 3,17231
Fonte: Elaborado pelo autor
Em valores absolutos a estatstica tau () foi superior estatstica de Dickey-
Fuller para ambos os nveis de significncia analisados, logo, pode-se concluir que a
srie estacionria e que a tendncia observada nos dados no significante. A Figura 2
ilustra os correlogramas da ACF e PACF.

Figura 2 ACF (Esquerda) e PACF (direita) da Srie Temporal. Fonte: Minitab 14
Observa-se que a ACF e a PACF apresentam decaimento rpido e corte abrupto
a partir do lag 1, com autocorrelaes significantes apenas nos lags 1, 11 e 21 (ACF) e
nos lags 1 e 11 (PACF), portanto, comportamento semelhante ao descrito por Pindyck e
Rubinfeld (2004), que afirmam que em sries estacionrias a maioria das
autocorrelaes amostrais torna-se estatisticamente iguais zero rapidamente com o
aumento das defasagens, demonstrando que a mdia e varincia das observaes esto
estacionrias.
Fischer (1982) complementa afirmando que a presena de autocorrelaes
significantes prximas s defasagens sazonais da ACF e PACF um indcio de
sazonalidade, logo, como no primeiro grfico os lags 11 e 21 e no segundo grfico o lag
11 possuem significncia estatstica, neste trabalho considerou-se o efeito sazonal com
periodicidade de 12 meses.
Devido as evidencias apresentadas, que comprovam que a srie estacionria, o
valor do filtro de integrao I( foi igual a zero (0). Analisando as autocorrelaes da
ACF e PACF, inclusive nas defasagens sazonais, a base terica indica um modelo

. No entanto, Makridakis et al. (1998) afirmam que esta


uma das etapas mais complexas devido ao grande nmero de modelos que podem ser
adequados para o estudo da srie, logo, estes autores sugerem que sejam testados outros
modelos inserindo e/ou retirando valores as variveis e , mantendo
assumindo valores entre 0 e 2.
Foram ento propostos 8 modelos

com intuito de
encontrar o modelo que obtivesse os melhores resultados. O Quadro 2 apresenta as
anlises realizadas no software Minitab 14.


7

Quadro 2 Resultados da comparao de modelos


n SARIMA Parmetros Valor-p Q*(k = 12) Q*(k = 24) Q*(k = 36)
1


AR(1)
MA(1)
SAR(1)
SMA(1)
SMA(2)
0,000
0,188
0,002
0,428
0,999
Q* = 16,1
Q (7) = 14,06
Valor-P = 0,024
Q* = 31,8
Q (19) = 30,14
Valor-P = 0,033
Q* = 47,6
Q (31) = 44,98
Valor-P = 0,029
2


AR(1)
MA(1)
SAR(1)
SMA(1)
0,086
0,259
0,000
0,003
Q* = 17,2
Q (8) = 15,50
Valor-P = 0,028
Q* = 36,2
Q (20) = 31,41
Valor-P = 0,015
Q* = 50,8
Q (32) = 46,19
Valor-P = 0,019
3


AR(1)
SAR(1)
0,007
0,000
Q* = 16,1
Q (10) = 18,30
Valor-P = 0,096
Q* = 40,2
Q (22) = 33,92
Valor-P = 0,010
Q* = 51,0
Q (34) = 48,60
Valor-P = 0,031
4


MA(1)
SMA(1)
0,000
0,002
Q* = 10,8
Q (10) = 18,30
Valor-P = 0,370
Q* = 25,5
Q (22) = 33,92
Valor-P = 0,274
Q* = 37,0
Q (34) = 48,60
Valor-P = 0,331
5


AR(1)
MA(1)
MA(2)
SMA(1)
0,000
0,000
0,000
0,000
Q* = 12,4
Q (8) = 15,50
Valor-P = 0,135
Q* = 29,6
Q (20) = 31,41
Valor-P = 0,076
Q* = 41,9
Q (32) = 46,19
Valor-P = 0,114
6


AR(1)
MA(1)
MA(2)
SAR(1)
SAR(2)
0,000
0,000
0,000
0,000
0,559
Q* = 15,6
Q (6) = 12,59
Valor-P = 0,016
Q* = 47,4
Q (18) = 28,86
Valor-P = 0,000
Q* = 63,9
Q (30) = 43,77
Valor-P = 0,000
7


AR(1)
AR(2)
MA(1)
SMA(1)
0,000
0,032
0,000
0,000
Q* = 11,0
Q (8) = 15,50
Valor-P = 0,199
Q* = 25,4
Q (20) = 31,41
Valor-P = 0,193
Q* = 35,7
Q (32) = 46,19
Valor-P = 0,299
8


AR(1)
AR(2)
MA(1)
SAR(1)
SAR(2)
0,000
0,045
0,000
0,000
0,000
Q* = 10,4
Q (7) = 14,06
Valor-P = 0,169
Q* = 24,5
Q (19) = 30,14
Valor-P = 0,177
Q* = 36,2
Q (31) = 44,98
Valor-P = 0,237
Fonte: Elaborado pelo Prprio Autor
Atravs dos resultados demonstrados no Quadro 2, analisou-se inicialmente a
significncia estatstica dos parmetros atravs do valor-p, que retrata a probabilidade
do erro padro de cada coeficiente ser maior que o valor de sua taxa estimada. No
Minitab 14, adotando-se = 5%, um coeficiente considerado significante (diferente
de zero) se seu valor-p for inferior a 0,05 e de acordo com Rezende et al. (2006), um
modelo adequado se todos os seus parmetros forem significantes, o que justifica a
incluso dos mesmos e garante maior confiabilidade dos resultados. Portanto, os
modelos 1, 2 e 6 foram reprovados neste teste, visto que obtiveram 1 ou mais
parmetros insignificantes ou estatisticamente iguais a zero.
Em seguida foi analisado o teste Ljung-Box. Neste calcula-se o valor da
estatstica

, que comparada a um valor crtico obtido em uma distribuio Qui-


Quadrado, atravs da escolha de um nvel de significncia () e k p q graus de
liberdade (para modelos no sazonais) ou k p q P Q (para modelos sazonais). Se
o valor de

for inferior ao de tabelado, os resduos, em seu conjunto, so


estatisticamente iguais a zero e independentes. Neste sentido os modelos 1, 2, 3 e 6
foram reprovados, visto que o valor de

foi superior ao valor de Q tabelado, com



8

probabilidade (valor-p) inferior a 0,05 para ambos os lags analisados, o que confirma a
reprovao. Logo, os modelos aprovados para a comparao de resultados foram os
modelos 4, 5, 7 e 8.
Para realizar a previso utilizou-se tambm o Minitab 14. O software forneceu
estimativas para os 6 primeiros meses de 2012 para os 4 modelos aprovados, como pode
ser visualizado no Quadro 3.
Quadro 3 Valores previstos por cada modelo validado
Ms Valor Real Modelo 4 Modelo 5 Modelo 7 Modelo 8
Janeiro/201 553.848 566.654 564.115 577.002 566.089
Fevereiro/2012 578.115 585.931 587.220 599.722 589.131
Maro/2012 605.607 583.127 581.941 598.606 599.002
Abril/2012 609.787 576.722 577.626 592.794 584.279
Maio/2012 559.567 558.891 558.005 575.025 568.757
Junho/2012 553.529 542.228 542.801 558.447 558.424
Fonte: Elaborado pelo Prprio Autor
Foi ento calculado o indicador de erro EQM. Para Leroy, Albuquerque e
Moraes (2006) o Erro Quadrtico Mdio (EQM) um indicador formal da capacidade
de previso de um modelo, pois representa a mdia do quadrado da diferena entre os
valores reais e previsto. Os resultados obtidos podem ser visualizados no Quadro 4.
Quadro 4 Erro Quadrtico Mdio para os modelos Validados.
n Modelo SARIMA EQM
4 (0,0,1) x (0,1,1) 3,25 x


5 (1,0,2) x (0,1,1) 3,17 x


7 (2,0,1) x (0,1,1) 2,67 x


8 (2,0,1) x (2,1,0) 1,79 x


Fonte: Elaborado pelo Prprio Autor
Nesta anlise verifica-se que o modelo SARIMA

mostrou-se
superior, apresentando menor EQM (1,79 x

), o que retorna previses mais ajustadas


e precisas. Morettin e Toloi (1987) complementam afirmando que o modelo que obtiver
o menor Erro Quadrtico Mdio oferecer, alm de melhor capacidade preditiva,
estimativa de menor varincia residual.
Aps a escolha do melhor modelo iniciou-se a etapa de anlise residual. A Figura 3
e 4 ilustram respectivamente a ACF e PACF e as suposies de normalidade e
homocedasticidade dos resduos do modelo SARIMA

.

9


Figura 3 ACF e PACF dos resduos do Modelo SARIMA

Fonte: Minitab 14


Figura 4 Suposies Estatsticas para verificao dos Resduos. Fonte: Minitab 14
Verifica-se atravs da Figura 3 que no h autocorrelaes significantes entre os
resduos do modelo SARIMA

, comprovando os resultados obtidos


no teste Ljung-Box (Quadro 2), de que as autocorrelaes amostrais so estatisticamente
iguais a zero e os resduos independentes.
O teste de normalidade de Shapiro-Wilk demonstrou que os resduos possuem
distribuio normal, visto que o valor-p obtido (>0,100) foi superior ao nvel de
significncia adotado (0,05). Esta hiptese foi reforada pelo histograma de frequncias
que se assemelha muito ao de uma curva normal. O grfico de disperso no evidencia
nenhum padro ou estrutura significante, o que pode ser comprovado atravs do teste

10

Run Chart, que apresentou valor-p para a estabilidade a tendncia de 0,87764 e para a
estabilidade a oscilao de 0,12236, ambos superiores a 0,05, o que demonstra que estes
efeitos no influenciam o comportamento residual, corroborando a afirmativa de
varincia constante no tempo.
Portanto, conclui-se que o modelo SARIMA

apresenta
resduos com comportamento de rudo branco, atendendo as especificaes necessrias
para validao de modelos Box & Jenkins. A Figura 5 ilustra o ajuste deste modelo aos
dados reais de consumo de energia eltrica do setor rural e os intervalos de confiana de
95%.

Figura 5 - Ajuste da srie pelo modelo SARIMA

. Fonte: Minitab 14
Para complementar o trabalho, o Quadro 5 apresenta os valores ilustrados na
Figura 7, de forma a analisar a disperso das previses quanto aos valores reais e dos
intervalos de confiana.
Quadro 5 Previso com o modelo SARIMA


Ms
Limite Inferior
(5%)
Valor Real Previsto
Limite Superior
(95%)
Erros
Dentro do
Intervalo
Jan/12 528.982,2 553.848 559.320,9 589.659,6 -5.472,8 Sim
Fev/12 551.804,1 578.115 586.926,7 622.049,3 -8.811,6 Sim
Mar/12 555.008,6 605.607 590.134,4 625.260,2 15.472,6 Sim
Abr/12 543.728,9 609.787 579.089,1 614.449,2 30.697,9 Sim
Mai/12 526.758,8 559.567 562.161,6 597.564,4 -2.594,5 Sim
Jun/12 515.912,6 553.529 551.351 586.789,4 2.178,0 Sim
Fonte: Elaborado pelo Prprio Autor
Alm de ter apresentado melhores resultados, verifica-se que todas as previses
realizadas pelo modelo SARIMA

localizam-se dentro do intervalo


de confiana de 95%, o que comprova sua boa capacidade preditiva e demonstra que as
etapas de modelagem e seleo foram realizadas de forma eficiente.


11

5. Concluso
O presente trabalho teve por objetivo estudar a srie histrica do consumo de
energia eltrica do setor rural de um municpio do interior de Minas Gerais, e, mediante
a aplicao de modelos Box & Jenkins obter uma previso ajustada para estes dados,
validado e selecionado via o comprimento de um roteiro metodolgico fundamentado
em bibliografias clssicas.
Foram propostos 8 modelos e verificou-se que dos 4 modelos aprovados o
SARIMA

obteve melhores resultados, apresentando menor valor de


EQM de 1,79 x

Kw/h. As premissas de independncia, normalidade e


homocedasticidade dos resduos tambm foram atendidas, o que comprova o
comportamento de rudo branco, exigido para validao de modelos Box & Jenkins.
Como a energia eltrica um recurso muito importante para a sociedade, devido
suas inmeras aplicaes, sua falta ocasionaria diversos prejuzos, principalmente para
os moradores das regies rurais. Do ponto de vista social o homem do campo utiliza
este recurso para obter conforto e melhor qualidade de vida, atravs da utilizao de
aparelhos eletrodomsticos, iluminao de ambientes e principalmente pelo acesso aos
meios de comunicao. Ao analisarmos o aspecto econmico, percebe-se que este
recurso contribui para que os produtos agrcolas obtenham maior qualidade e menor
custo, devido ao acesso a tecnologia, o que resulta em uma produo mais eficiente e
rpida.
Neste sentido, pode-se concluir que os estudos de previso de demanda so de
fundamental importncia para empresas do setor de energia eltrica, por permitirem que
o comportamento do mercado seja antecipado e, consequentemente, que estratgias ou
planejamentos sejam desenvolvidos para solucionar problemas e minimizar custos,
evitando principalmente que a sociedade sofra com a falta de energia. Destaca-se que
como a energia eltrica no pode ser estocada, com a obteno de estimativas, a compra
ou produo de energia eltrica em quantidades adequadas ofereceria alm de
economia, menor dano ao ambiente.

Referencias Bibliogrficas
BOX, G. E. P., JENKINS, G. M & REINSEL, G. C. Time Series Analysis Forecasting And Control.
3.ed. New Jersey: Prentice Hall, 1994
Brum, M.; Fogliatto, F.; Ribeiro, J; Werner, L.; Lemos, F.; Previso de demanda por energia eltrica
Mtodo e aplicao. XXV Encontro Nac. de Eng. de Produo Porto Alegre, RS, Brasil, 29 out a 01 de
nov de 2005
CARDOSO, Mayra Moutinho. Simulao de Modelos Garch para Sries Temporais Univariadas de
Demanda de Energia Eltrica para Consumidores Livres em Regime de Curto Prazo. 2005. 173 p.
Dissertao (Programa de Mestrado em Engenharia de Produo) Universidade Federal de Itajub
(UNIFEI, MG). 2005. Disponvel em: < http://adm-net-a.unifei.edu.br/phl/pdf/0029656.pdf >. Acesso
em: 02 set. 2012.
FAVA, V. L. Metodologia de Box-Jenkins para modelos univariados. In: Vasconcellos, M. A. S.;
Alves, D. Manual de econometria: nvel intermedirio. So Paulo: Atlas, 2000.
FISCHER, S. Sries univariantes de tempo: metodologia de Box & Jenkins. Porto Alegre: Fundao
de Economia e Estatstica, 1982. v. 1. 186p

12

LEROY, F. L. D.; ALBUQUERQUE, A. P. ; MORAES, M. Projeo do preo futuro de uma ao da
Usiminas: uma abordagem economtrica. In: Encontro norte-nordeste de finanas, 2006, Recife.
Encontro norte-nordeste de finanas, 2006.
MAKRIDAKIS, S.; WHEELWRIGT, S. C.; HYNDMAN, R. J. Forecasting: methods and applications.
3. ed. New York: John Wiley & Sons, 1998.
MORETTIN, P. A; TOLOI, C. M. C. Previso de sries temporais. 2. ed. So Paulo: Atual editora,
1987.
PINDYCK, R. S.; RUBINFELD, D. L. Econometria: modelos e previses. Ed. 4. So Paulo: Atlas,
2004.
REIS, L. B.; SILVEIRA, S. (orgs.) Energia Eltrica para o Desenvolvimento Sustentvel: introduo
de uma viso multidisciplinar. So Paulo: Universidade de So Paulo, 2000.
REZENDE, Marcelo Lacerda.; BACCI, Lvio Agnew.; MEDEIROS, Andr Luiz.; MONTEVECHI, Jos
Arnaldo Barra. Combinao de Mtodos de Sries Temporais para Previso da Demanda de Caf no
Brasil. In: XIII SIMPEP, 2006, Bauru. Anais do XIII SIMPEP, 2006. Disponvel:
http://www.simpep.feb.unesp.br/anais/anais_13/artigos/1114.pdf >. Acesso em: 23 mar. 2012
RODRIGUES, G. A.; PAULISTA, P. H.; TURRIONI, J. B. Previso Do Preo Da Energia: Uma
Aplicao Da Metodologia Box-Jenkins. In: Encontro Nacional De Engenharia De Produo, 2008, Rio
de Janeiro. XXVIII Encontro Nacional De Engenharia De Produo, 2008. v. XXVIII. Disponvel em: <
http://www.abepro.org.br/biblioteca/enegep2008_TN_WIC_070_498_11575.pdf>. Acesso em: 15 set.
2012.
SOUZA, Francisca Mendona. Modelos Box & Jenkins Aplicados a Demanda de Leitos Hospitalares.
2006. 82 p. Dissertao (Programa de Especializao em Estatstica e Modelagem Quantitaiva)
Universidade Federal de Santa Maria (UFSM, RS). 2006. Disponvel em: <
http://w3.ufsm.br/adriano/mon/fm.pdf>. Acesso em: 06 ago. 2012.
TORMAN, V. B. L.; BIRCK, Alan Rodrigues.; RIBOLDI, Joo. Comparao dos Testes de Aderncia
Normalidade Kolmogorov-Smirnov, Anderson-Darling, Cramer-von Mises e Shapiro-Wilk por
simulao. In: 11 Simpsio de Estatstica Aplicada Experimentao Agronmica (SEAGRO), 2005.
Anais da 50 RBRAS e do 11. SEAGRO, 2005. Disponvel em: <
http://www.professores.uff.br/cecilia/disciplinas/Testes_aderencia.pdf>. Acesso em: 26 set. 2012.
WERNER, L.; RIBEIRO, J. L. D. Previso de Demanda: Uma aplicao dos modelos Box-Jenkins na
rea de assistncia tcnica de computadores pessoais. Gesto e Produo (UFSCar), So Carlos, v. 10,
n.1, p. 47-67, 2003. Disponvel em: < http://www.scielo.br/pdf/gp/v10n1/a05v10n1.pdf>. Acesso em: 18
set. 2012.