Escolar Documentos
Profissional Documentos
Cultura Documentos
Introduo
O governo federal, atravs de programas e planos, vem buscando incessantemente
melhorias no modal porturio, como por exemplo, o Programa de Gesto Porturia, o Sistema
Porto sem Papel e o Plano Nacional de Logstica Porturia, onde eles tm como objetivo,
respectivamente, aumentar a capacidade de movimentao de cargas nos portos; centralizar as
informaes relativas s operaes porturias, buscando a racionalizao, padronizao e
otimizao das operaes porturias e a realizao de estudos sobre gerenciamento ambiental
com finalidade de agilizar a movimentao de cargas nos portos e suas operaes logsticas;
Propiciar o desenvolvimento sustentvel aos portos nacionais assegurando ao setor maior
confiabilidade e eficincia, melhoria de seu desempenho, baixos custos operacionais e
menores tarifas aos usurios.
Neste contexto foi criada a Medida Provisria 595, de 6 (seis) de dezembro 2012,
que revogou a Lei dos Portos (Lei 8.630/93), com a finalidade de incentivar a concorrncia
nas operaes porturias, com subsdios de cobranas menores nas tarifas porturias durante
o aumento da movimentao porturia por parte das empresas arrendatrias.
O foco deste artigo foi previso de demanda, buscando selecionar o mtodo ou
tcnica de previso mais confivel com a finalidade de subsidiar os gestores para uma
possvel tomada de deciso, seja de curto, mdio ou longo prazo. Para isso, ser realizado um
estudo de previso de demanda de movimentao de Diesel, Gasolina e lcool, no Terminal
Petroqumico de Miramar, utilizando abordagem de sries temporais e sries causais com a
inteno de verificar qual o mtodo ou tcnica mais confivel para serem utilizados no
Terminal. No entanto, o que prever? Que tipo de tcnicas de previso utilizar?
1.
Previso de Demanda
Martins e Laugeni (1998) dizem que prever algo obter informaes sobre o futuro
com base nos dados histricos existentes tratados por modelos estatsticos, matemticos,
economtricos ou modelos subjetivos apoiados no conhecimento tcito. A previso de
demanda consiste em obter informaes das possveis vendas futuras dos produtos/servios.
Slack, Chambers e Johnston (2008) expem que, independente da sofisticao das
2
previses de uma empresa, difcil usar dados histricos para prever tendncias, ciclos ou
sazonalidades. Muitos fatores afetam a demanda a toda hora. Fatores externos no podem ser
controlados pelos gerentes e fatores internos podem afetar a demanda pelos produtos.
1.1.
Padres de Demanda
Para Petrnio e Laugeni (2005), h cinco padres bsicos da maioria das series
temporais de demanda:
1. Demanda Estacionria: a flutuao de dados em torno de uma mdia constante;
2. Demanda com Tendencial: o aumento ou reduo sistemtica na mdia das series ao
longo do tempo;
3. Demanda Estacionria Sazonal: um padro de aumento ou redues na demanda que
pode ser repetido, dependendo da hora, do dia, da semana, do ms ou da estao;
4. Demanda com Tendncia e Sazonalidade: os aumentos ou redues graduais menos
previsveis na demanda por perodos mais longos de tempo (ano ou dcadas);
Conforme Ritzman e Krajewski (2004, p.437)
Quatros dos padres de demanda - horizontal, tendencial, sazonal e cclico - se
combinam em graus variados para definir o padro de tempo fundamental de
demanda para um servio ou produto. O quinto padro, aleatrio, resultado de
causas eventuais e, desse modo, no pode ser previsto. A variao aleatria um
aspecto da demanda que torna todas as previses incorretas.
1.2.
A Figura 1 ilustra, segundo Lustosa et al. (2008), o fluxo das etapas do modelo de
previso no mbito do Planejamento e Controle da Produo (PCP), esse fluxo tem como
finalidade organizar os passos para melhor elaborar uma previso de demanda.
A seguir so apresentadas as principais etapas para a realizao de uma previso de
demanda se faz necessrio seguir as seguintes etapas:
1. Objetivo do Modelo: A primeira etapa consiste em definir a razo pela qual
necessitamos de previses. Que produto, ou famlias de produtos, ser previsto, com
que grau de acuracidade e detalhe a previso trabalhar, e que recursos estaro
disponveis para esta previso;
2. Coleta e Anlise de Dados: Visa identificar e desenvolver a tcnica de previso que
melhor se adapte;
3. Seleo das Tcnicas de Previso: Existem tcnicas qualitativas e quantitativas. Cada
uma tendo o seu campo de ao e sua aplicabilidade;
4. Obteno da Previso: com a definio da tcnica de previso e a aplicao dos dados
passados para obteno dos parmetros necessrios, podemos obter as projees
futuras da demanda;
5. Monitoramento da Previso: o monitoramento realizado atravs de calculo e
acompanhamento do erro de previso, que a diferena que ocorre entre o valor real
da demanda e o valor previsto pelo modelo para um dado perodo.
FIGURA 1 Etapas de previso de demanda (adaptado de Russell e Tayloy, 2006)
2. Coletar dados
(srie histrica e
eventos)
1. Identificar o objetivo
da previso de demanda
6. Avaliar a previso
com uma ou mais
medidas de erro
7. A previso est
adequada ao
propsito da
previso
3. Construir grficos
para identificar padres
5. Gerar previses
para um perodo
determinado da srie
No
4. Selecionar um
mtodo adequado para
previso
Sim
8a. Gerar as previses
para o horizonte de
planejamento
1.2.4.1.1.
Mdias Mveis
O mtodo da Mdia Mvel um modelo muito utilizado nas empresas em geral, por
ser extremamente simples e necessitar de poucos dados histricos. Para Makridakis,
Wheelwright, Hyndman (1998); o mtodo da mdia mvel indicado para previses de curto
prazo onde as componentes de tendncia e sazonalidade so inexistentes ou possam ser
desprezadas.
Segundo Ritzman e Krajewski (2004, p.444):
A mdia mvel usada para estimar a mdia de uma srie temporal de demanda e,
dessa forma, remove os efeitos da flutuao aleatria. Aplicar um modelo de mdia
mvel simplesmente envolve calcular a demanda mdia para os perodos de tempo
n mais recentes e us-la como a previso para o prximo perodo.
1.2.4.1.2.
(2)
Esse mtodo tem as mesmas deficincias que o mtodo de mdia mvel simples: os
dados devem ser retidos por n perodos de demanda para permitir o calculo da mdia para
cada perodo.
1.2.4.1.3.
1.2.4.1.4.
(3)
De acordo Lustosa et al. (2008), na suavizao exponencial com tendncia, adicionase uma segunda varivel, que reflete o crescimento da demanda de um perodo para outro.
Essa varivel ser atualizada exponencialmente e aplicada no clculo da previso conforme a
formulao a seguir:
Bt = Dt + (1- )(Bt-1 + Tt-1)
(4)
7
(5)
F(t+K) = Bt + kTt
(6)
Onde,
Dt = demanda do perodo t
Bt = mdia suavizada exponencialmente da srie no perodo t;
Tt = mdia suavizada exponencialmente da tendncia no perodo t;
= parmetro de suavizao para mdia, com um valor entre 0 e 1;
= parmetro de suavizao para a tendncia, com um valor entre 0 e 1;
F(u) = previso ao final do perodo t para o perodo u.
1.2.4.1.5.
Segundo Lustosa et al. (2008), esse mtodo incorpora, alm da tendncia, uma
componente de sazonalidade. Isso feito definindo-se um ndice de sazonalidade para cada
perodo, que representa a proporo entre a demanda mdia do perodo e a demanda mdia
anual. O modelo completo fica representado pelas seguintes equaes:
Bt =
(7)
Tt =
(8)
It =
(9)
Onde,
Dt Demanda do perodo t
Bt Base ao final do instante t
Tt Tendncia ao final do instante t
It ndice de sazonalidade do instante t
Constante de suavizao para base
Constante de suavizao para tendncia
Constante de suavizao para sazonalidade
Ft (u) previso ao final do perodo t para o perodo u (u>t)
1.2.4.2.1.
Segundo Ritzman e Krajewski (2004), nos modelos de regresso linear mais simples
a varivel dependente funo de apenas uma varivel independente e, portanto, a relao
terica uma linda reta:
Y = a + bX
(10)
Onde,
Y = Varivel dependente;
X = Varivel independente;
A = interseo da linha no eixo Y
B = Inclinao da linha
Segundo Ritzman e Krajewski (2004), para a verificao de regresso, trs medidas
geralmente devem ser avaliadas que so o coeficiente de correlao de amostra, o coeficiente
de determinao de amostra e o erro-padro da estimativa.
Para Martins e Laugeni (1998), o coeficiente de correlao varia entre +1 e -1. Um
coeficiente positivo indica uma reta ascendente, enquanto um coeficiente de correlao
negativo indica uma reta descendente.
Para Ritzman e Krajewski (2004), o coeficiente de correlao da amostra mede a
quantidade de variao da varivel dependente em torno de sua mdia, que explicada pela
linha de regresso. Onde o valor de r, que varia de 0 a 1, estiver prximo de zero significa que
no h nenhuma relao linear entre as variveis. Quanto mais prximo de 1 o valor de r
estiver, melhor a linha de regresso.
De acordo com Ritzman e Krajewski (2004), o coeficiente de determinao da
amostra mede a quantidade de variao da varivel dependente em torno de sua mdia, que
explicada pela linha de regresso. O coeficiente de determinao o quadrado do coeficiente
de correlao, ou r. Equaes de regresso com valor de r prximo de 1 so desejveis,
porque as variaes na varivel dependente e a previso gerada pela equao da regresso
esto estreitamente relacionadas.
Para Ritzman e Krajewski (2004), O erro padro da estimativa mede a proximidade
9
1.2.4.2.2.
1.2.4.2.3.
Segundo Araujo, Aredes e Santos (2013), tirando proveito das ambiguidades dos
processos de autorregresso e mdias mveis, pode-se obter um modelo misto:
(11)
Novamente as condies de estacionariedade e de inversibilidade do processo so
garantidas se as razes dos polinmios (B) = 0 e (B) = 0 carem fora do crculo unitrio.
As propriedades de segunda ordem dos modelos ARMA compartilham aquelas
citadas para os seus componentes (autorregressivo e mdias mveis) e em se tratando de um
modelo misto, caractersticas de ambos os modelos sero encontradas. Portanto, como no
processo de AR, uma mdia qualquer pode ser acrescentada ao processo ARMA.
1.2.4.2.4.
Para Araujo, Aredes e Santos (2013), a maioria das sries temporais do mundo real,
no entanto, no apresentam estacionariedade em primeira ordem, ou seja, elas apresentam
alguma tendncia, sua mdia aumenta ou diminui em algum grau com o passar do tempo. Para
dar conta deste fato, pode-se incorporar nos modelos ARMA um termo chamado de
integrado, gerando os modelos ARIMA.
Na verdade, trata-se de uma transformao aplicada srie para que ela estabilize a
sua mdia. A srie subtrada dela mesma atrasada k lags, at que ela estabilize a sua mdia.
10
pelo componente
(14)
Para Araujo, Aredes e Santos (2013), muitas sries temporais tambm apresentam
um componente sazonal importante e pode ser preciso modelar este componente para se obter
um modelo mais fidedigno.
Para tal foram desenvolvidos os modelos ARIMA sazonais, conhecidos como
SARIMA(p,d,q)x(P,D,Q)s sendo s o perodo correspondente sazonalidade.
A incluso do componente sazonal de ao modelo se d de maneira multiplicativa, e a
representao de um modelo SARIMA(p,d,q)x(P,D,Q)s pode ser escrita, de forma compacta:
11
(15)
Onde,
(Bs) representam os coeficientes sazonais da autorregresso, (Bs) representam os
coeficientes sazonais das mdias mveis, e (1- Bs)D o operador diferena de ordem D, para a
diferenciao sazonal da srie.
importante notar que as sries agora podem ser diferenciadas tanto no seu
componente no sazonal, quanto no seu componente sazonal (ou em ambos).
1.3.
previso de demanda que se ajuste a realidade da empresa estudada. Segundo Lustosa et al.
(2008) o indicador bsico de Erro de Previso para o perodo t (Et) que a diferena entre o
valor real (Dt) e o valor previsto da demanda (Ft, forecast) no perodo correspondente.
Conforme, a frmula a seguir:
Et = Dt - Ft
(16)
(18)
1.3.2. Erro Absoluto Mdio (EAM)
(19)
(20)
12
2.
Metodologia
Para Medeiros (2010), a pesquisa tem um carter pragmtico, um processo formal e
esteja
relacionada
com
produto.
Para obteno dos resultados utilizou-se as seguintes etapas: identificar o objetivo de
previso, coletar dados de previso, identificando padres de demanda, selecionar mtodos de
previso, gerar previses, avaliar preciso com medidas de erro e monitorar resultados e
medidas de erro.
3.
Resultados
3.1.
Objetivo de Previso
13
DIESEL
GASOLINA
AVGAS
QAV
ALCOOL
Janeiro
383.360,713
135.891,250
1.303,822
37.051,456
6.087,275
Fevereiro
350.624,115
129.180,711
1.908,404
41.391,150
23.171,863
Maro
337.289,409
123.086,506
2.371,279
32.587,211
11.463,226
Abril
339.766,189
125.687,052
1.903,081
40.188,609
15.787,244
Maio
365.599,296
160.125,680
1.206,989
31.496,924
17.534,927
Junho
400.358,615
147.922,932
2.285,948
37.508,576
11.493,512
Julho
395.797,150
132.355,954
2.358,306
39.674,162
18.215,916
Agosto
392.518,761
139.286,348
2.202,088
30.921,269
18.703,054
Setembro
376.890,728
169.177,343
49.926,315
11.385,316
Outubro
437.765,839
148.880,780
3.899,078
37.225,728
14.747,184
Novembro
447.662,285
141.549,849
9.109,957
33.136,585
8.661,968
Dezembro
388.793,811
156.420,395
4.745,781
42.292,359
24.512,634
14
Total
4.616.426,911
1.709.564,800
33.294,733
453.400,344
181.764,119
3.2.
Coleta de Dados
O Terminal Petroqumico de Miramar possui em seu banco de dados, um histrico
dos ltimos quatro anos de movimentao de combustvel, o qual serviu de base para o estudo
de previso de demanda deste artigo.
Para o estudo de correlao utilizou-se as variveis Dlar e Petrleo, sendo que os
valores dos preos dos ltimos quatros dessas variveis foram retirados do Index Mundi.
3.2.1. Diesel
O Terminal de Petroqumico de Miramar utiliza apenas a classificao de leo Diesel
para qualquer nomenclatura deste produto, o qual um dos produtos mais movimentados no
Terminal. A Tabela 2 mostrar a srie histrica de movimentao deste produto ao longo dos
ltimos quatro anos no Terminal.
DIESEL
Ms
2009
2010
2011
2012
Janeiro
97.724,625
100.694,739
90.931,398
93.337,401
Fevereiro
114.416,244
100.435,416
73.147,297
64.030,040
Maro
69.743,557
92.008,681
79.390,238
97.189,632
Abril
81.391,993
117.693,009
73.454,958
65.852,413
Maio
104.349,104
102.997,686
91.803,180
72.211,474
Junho
104.806,432
110.439,515
107.912,751
76.851,005
Julho
91.157,084
101.644,193
95.749,785
107.149,965
Agosto
118.057,033
75.391,371
109.002,704
83.737,563
15
Setembro
116.235,811
98.665,171
61.953,880
104.851,678
Outubro
122.417,400
91.764,894
124.650,497
92.082,057
Novembro
135.267,316
113.623,075
104.974,846
100.530,429
Dezembro
110.983,686
103.637,999
71.395,177
87.603,349
Total
1.266.550,285
1.208.995,749
1.084.366,711
1.045.427,006
3.2.2. Gasolina
Esse produto o segundo mais movimentado no Terminal de Petroqumico de
Miramar. A Tabela 3, apresentada a seguir, mostrar a srie histrica de movimentao deste
produto ao longo dos ltimos quatro anos no Terminal.
GASOLINA
Ms
2009
2010
2011
2012
Janeiro
26.495,619
26.605,640
36.942,197
45.847,794
Fevereiro
25.736,243
38.356,617
33.208,877
31.878,974
Maro
17.557,339
26.763,134
35.854,821
42.911,212
Abril
27.827,656
31.620,460
29.061,592
37.177,344
Maio
25.707,481
36.018,785
42.859,927
55.539,487
Junho
32.249,377
32.350,978
39.011,064
44.311,513
Julho
27.132,834
30.866,275
35.601,221
38.755,624
Agosto
24.414,905
35.996,786
36.586,655
42.288,002
Setembro
31.169,267
44.716,521
40.345,907
52.945,648
Outubro
29.341,935
32.854,085
33.195,892
53.488,868
Novembro
23.695,189
31.376,980
44.499,336
41.978,344
Dezembro
37.970,128
36.343,441
36.581,178
45.525,648
16
TOTAL
329.297,973
403.869,702
443.748,667
532.648,458
3.2.3. lcool
A Tabela 4 mostrar a srie histrica de movimentao deste produto ao longo dos
ltimos quatro anos no Terminal.
TABELA 4 Movimentao lcool (TONELADAS)
LCOOL
Ms
2009
2010
2011
2012
Janeiro
1.503,601
1.408,246
1.983,244
1.192,184
Fvereiro
1.623,635
1.191,399
12.430,725
7.926,104
Maro
6.253,925
1.282,453
2.228,089
1.698,759
Abril
1.687,048
5.612,466
6.584,883
1.902,847
Maio
1.430,640
1.559,294
7.954,489
6.590,504
Junho
1.534,765
5.699,170
2.136,837
2.122,740
Julho
1.784,899
1.763,578
12.855,876
1.811,563
Agosto
1.764,567
6.073,734
8.952,295
1.912,458
Setembro
1.662,480
5.110,400
2.579,249
2.033,187
Outubro
2.051,659
3.083,431
7.234,265
2.377,829
Novembro
1.706,236
2.497,490
1.993,639
2.464,603
Dezembro
6.407,282
1.872,827
8.857,226
7.375,299
Total
29.410,737
37.154,488
75.790,817
39.408,077
17
DLAR
MS
2009
2010
2011
2012
Janeiro
2,307
1,779
1,674
1,790
Fevereiro
2,313
1,842
1,668
1,718
Maro
2,314
1,786
1,659
1,795
Abril
2,206
1,807
1,659
1,855
Maio
2,061
1,813
1,613
1,986
Junho
1,958
1,807
1,587
2,049
Julho
1,931
1,770
1,564
2,029
Agosto
1,845
1,760
1,597
2,029
Setembro
1,820
1,719
1,749
2,028
Outubro
1,738
1,684
1,772
2,030
Novembro
1,726
1,713
1,790
2,068
Dezembro
1,750
1,693
1,837
2,078
PETRLEO
18
MS
2009
2010
2011
2012
Janeiro
R$ 82,58
R$ 144,95
R$ 174,28
R$ 201,32
Fevereiro
R$ 78,83
R$ 140,40
R$ 184,10
R$ 212,38
Maro
R$ 87,89
R$ 148,94
R$ 204,42
R$ 222,03
Abril
R$ 94,55
R$ 158,13
R$ 218,82
R$ 214,36
Maio
R$ 109,28
R$ 142,15
R$ 203,62
R$ 196,28
Junho
R$ 129,99
R$ 140,45
R$ 199,35
R$ 171,02
Julho
R$ 121,64
R$ 139,96
R$ 203,23
R$ 182,28
Agosto
R$ 134,68
R$ 142,57
R$ 189,50
R$ 198,42
Setembro
R$ 128,47
R$ 143,08
R$ 190,27
R$ 200,48
Outubro
R$ 139,21
R$ 153,57
R$ 188,44
R$ 195,06
Novembro
R$ 145,82
R$ 158,91
R$ 198,51
R$ 190,93
Dezembro
R$ 140,86
R$ 169,33
R$ 196,31
R$ 190,81
3.3.
19
100.000,000
80.000,000
60.000,000
40.000,000
20.000,000
0
10
20
30
40
50
60
50.000,000
40.000,000
30.000,000
20.000,000
10.000,000
10
20
30
40
50
60
20
6.000,00
4.000,00
2.000,00
-
10
20
30
40
50
60
21
2,500
2,000
1,500
1,000
0,500
0,000
0
10
20
30
40
50
60
R$ 200,00
R$ 150,00
R$ 100,00
R$ 50,00
R$ 0
10
20
30
40
50
60
3.4.
Dupla, Suavizao Exponencial Simples, Mdia Mvel Simples, Mdia Mvel Dupla, Aditivo
Sazonal, Multiplicativo Sazonal, Aditivo de Holt-Winters, Multiplicativo de Holt-Winters,
Regresso Padro, ARIMA e SARIMA.
3.5.
Gerar as Previses
Os dados plotados no Microsoft Excel serviram de dados de entrada no Oracle
Crystal Ball, verso Fusion Edition, que softwares baseados em planilhas para anlise de
deciso, simulao de Monte-Carlo, otimizao e modelos de previso.
Baseados nos grficos gerados foram definidos 4 (quatro) cenrios para a gerao
das previses de demanda, conforme descrito a seguir:.
O Primeiro Cenrio consta a presena da srie histrica de movimentao de
Diesel, Gasolina, lcool, Petrleo e Dlar, sem a anlise de correlao entre
esses dados;
O Segundo Cenrio inserimos a presena dos eventos encontrados ao longo dos
ultimo quatro anos na movimentao de Diesel, Gasolina e lcool sem a
presena de correlao entre as variveis;
O Terceiro Cenrio consta a contempla os eventos encontrados ao longo dos
ultimo quatro anos na movimentao de Diesel, Gasolina e lcool com a
presena de correlao entre as variveis;
O Quarto Cenrio consta a presena da srie histrica de movimentao de
Diesel, Gasolina e lcool com a presena de correlao entre as variveis.
3.6.
software Crystal Ball para a movimentao de Diesel, Gasolina e lcool, sendo que essa
validao foi efetivada comparando os percentuais de erro mdio absoluto MAPE, conforme
descritos a seguir:
3.6.1. Diesel
No Quando 1, encontra-se os mtodos de previso mais adequados e seus respectivos
23
erros de previso, gerados pelo software Crystal Ball, para cada tipo de cenrios estipulados
para o estudo a srie histrica de movimentao de Diesel.
QUADRO 1- Erro de Previso de Demanda de Diesel
Cenrios
Mtodo de Previso
Erro de Previso
Primeiro Cenrio
15,78%
Segundo Cenrio
SARIMA
10,93%
Terceiro Cenrio*
Regresso Padro
11,58%
SARIMA
14,50%
Quarto Cenrio
Fonte: O autor
* Este cenrio indica apenas que a regresso foi o sexto mtodo mais adequado realidade do terminal
petroqumico miramar.
Cenrios
Mtodo de Previso
Erro de Previso
Primeiro Cenrio
SARIMA
9,64%
Segundo Cenrio
SARIMA
8,76%
24
Terceiro Cenrio*
Quarto Cenrio
Regresso Padro
11,58%
SARIMA
9,63%
Fonte: O autor
* Este cenrio indica apenas que a regresso foi o sexto mtodo mais adequado realidade do terminal
petroqumico miramar.
3.6.3. lcool
Os mtodos de previso mais adequados para srie histrica da movimentao de
lcool do Terminal Petroqumico de Miramar, encontra-se no Quadro 3, com seus respectivos
erros de previso.
Quadro 3 Erro de Previso de Demanda de lcool
Cenrios
Mtodo de Previso
Erro de Previso
Primeiro Cenrio
36,02%
Segundo Cenrio
ARIMA
17,81%
Terceiro Cenrio*
Regresso Padro
11,58%
36,01%
Quarto Cenrio
Fonte: O autor
* Este cenrio indica apenas que a regresso foi o sexto mtodo mais adequado realidade do terminal
petroqumico miramar.
CONSIDERAES FINAIS
O presente artigo atuou no modal aquavirio, especificamente na unidade porturia
de Miramar, localizada na Cidade de Belm, Estado do Par, a qual tem como atividade a
movimentao de combustvel. Essa movimentao serviu de base para a realizao desta
pesquisa, que teve como objetivo o estudo de previso de demanda da movimentao de
combustvel do Terminal Petroqumico de Miramar, considerando que ela movimenta vrios
produtos, buscou-se trabalhar com a srie histrica de movimentao de Diesel, Gasolina e
lcool.
Por se tratar de sries histricas e de dados quantificveis, o artigo buscou trabalhar
25
pode-se utilizar de tcnicas de previso mais sofisticadas, tais como, por exemplo, as tcnicas
de redes neurais e lgica fuzzy. Assim como, realizar a implantao do estudo de previso de
demanda na unidade porturia estudada.
REFERNCIAS
ABNT - ASSOCIAO BRASILEIRA DE NORMAS TCNICAS. NBR 6023: informao e
documentao: referncias: elaborao. Rio de Janeiro, 2002.
ABNT - ASSOCIAO BRASILEIRA DE NORMAS TCNICAS. NBR 10520: informao e
documentao: citaes em documentos: apresentao. Rio de Janeiro, 2002.
ABNT - ASSOCIAO BRASILEIRA DE NORMAS TCNICAS. NBR 14724: informao e
documentao: trabalhos acadmicos: apresentao. Rio de Janeiro, 2011.
ARAUJO, Saulo Jardim; AREDES, Alan Figueiredo de; SANTOS, Vladimir Faria dos. Previso de
Preos do Boi Gordo com Modelos ARIMA e SARIMA. In. Revista de Economia. Anpolis: V.8,
n.2,
p.27-44,
jul./dez.2012.
Disponvel
em:
<http://www.prp.ueg.br/revista/index.php/economia/index>. Acesso em: 11 de nov. de 2013.
28