Universidade do Estado do Rio de Janeiro

Centro de Tecnologia e Ciências

Instituto de Matemática e Estatística

Gabriela Rodrigues Silveira

Juliana de Carvalhosa Barbosa Couto

SÉRIES TEMPORAIS - PREVISÃO DE VENDAS PARA O SEGMENTO

DE VAREJO TÊXTIL

Rio de Janeiro
2018
 Gabriela Rodrigues Silveira
Juliana de Carvalhosa Barbosa Couto

Séries Temporais - Previsão de vendas para o segmento de varejo têxtil

Projeto Final apresentado ao Instituto de

Matemática e Estatística da Universidade do
Estado do Rio de Janeiro, para obtenção do
grau de bacharel em Estatística.

Orientador: Prof. Marcello Montilo Provenza

Rio de Janeiro
2018
 CATALOGAÇÃO NA FONTE
UERJ / REDE SIRIUS / BIBLIOTECA CTC-A

S Silveira, Gabriela Rodrigues. Couto, Juliana de

Carvalhosa Barbosa.
Séries Temporais - Previsão de vendas para o
segmento de varejo têxtil / Gabriela Rodrigues
Silveira, Juliana de Carvalhosa Barbosa Couto. –
2018.
?? f. : il. (se tiver ilustrações)
Orientador: Marcello Montilo Provenza.
Projeto final (Bacharel em Estatística) -
Universidade do Estado do Rio de Janeiro, Instituto
de Matemática e Estatística.
1. 2. . I. Provenza, Marcello
Montilo. II. Universidade do Estado do Rio de Janeiro.
Instituto de Matemática e Estatística. III. Séries
Temporais - Previsão de vendas para o segmento de
varejo têxtil.
CDU

Autorizo para fins acadêmicos e científicos, a reprodução total ou parcial

deste projeto final.

______________________________ ________________________
Assinatura Data
 Gabriela Rodrigues Silveira
Juliana de Carvalhosa Barbosa Couto

Séries Temporais - Previsão de vendas para o segmento de varejo têxtil

Projeto Final submetido ao corpo docente do

Instituto de Matemática e Estatística da
Universidade do
Estado do Rio de Janeiro - UERJ, como parte
dos requisitos necessários à obtenção do
grau de bacharel em Estatística.

Banca Examinadora:
_____________________________________________
Prof. Marcello Montilo Provenza - Orientador
Instituto de Matemática e Estatística - UERJ

_____________________________________________
Prof. Dr. (Prof.ª Dra.)
Afiliação Ex. Universidade Federal do Rio de Janeiro

_____________________________________________
Prof. Dr. (Prof.ª Dra.)
Afiliação

_____________________________________________
Prof. Dr. (Prof.ª Dra.)
Afiliação

_____________________________________________
Prof. Dr. (Prof.ª Dra.)
Afiliação

Rio de Janeiro
2018
AGRADECIMENTOS
 É notável uma ciência que começou com jogos de azar tenha se tornado o mais
importante objeto do conhecimento humano.

Pierre Simon Laplace

 RESUMO

A comercialização de bens é um fator muito relevante à atividade econômica de

qualquer sociedade e o varejo consiste justamente em fazer ponte entre a indústria e
o consumidor final. Prever as vendas é parte fundamental do gerenciamento
adequado de um processo de comercialização. Esse trabalho tem por objetivo apontar
possibilidades para uma empresa familiar no segmento de varejo têxtil, que ambiciona
a expansão do negócio, prever de forma mais assertiva suas vendas através de
modelos de previsão para séries temporais.

Palavras-chave: Varejo, Vendas, Séries Temporais, Previsão, Estatística.

 SUMÁRIO

1 INTRODUÇÃO.............................................................................................. 1
1.1 Objetivo........................................................................................................ 1
1.2 Estrutura do Trabalho................................................................................. 1
2 METODOLOGIA........................................................................................... 2
2.1 Séries Temporais........................................................................................ 2
2.1.1 Elementos de uma Série Temporal............................................................... 2
2.2 Testes de Tendência................................................................................... 3
2.2.1 Teste de Tendência pelo Coeficiente de Spearman..................................... 3
2.3 Teste de Sazonalidade................................................................................ 3
2.3.1 Teste de Kruskal-Wallis................................................................................. 4
2.4 Modelos de Alisamento Exponencial........................................................ 4
2.4.1 Médias Móveis.............................................................................................. 5
2.4.2 Alisamento Exponencial Simples (AES)........................................................ 6
2.4.3 Alisamento Exponencial de Holt (AEH)......................................................... 7
2.4.4 Alisamento Exponencial Linear de Brown (AELB)........................................ 8
2.4.5 Alisamento Exponencial Sazonal de Holt-Winters (AESHW)........................ 9
2.5 Medidas de Análise de Desempenho........................................................ 11
2.5.1 Erro Médio Absoluto...................................................................................... 11
2.5.2 Erro Médio Relativo....................................................................................... 11
2.5.3 Erro Médio Percentual................................................................................... 12
2.5.4 Erro Médio Absoluto Percentual.................................................................... 12
2.5.5 Erro Médio Quadrático.................................................................................. 13
3 APLICAÇÃO................................................................................................. 13
3.1 Dados Utilizados.........................................................................................
3.2 Software Utilizados.....................................................................................
DISCUSSÃO.................................................................................................
..
CONCLUSÃO...............................................................................................
.
REFERÊNCIAS.............................................................................................
ANEXO - Comitê de ética em pesquisa...............................
 1

1 INTRODUÇÃO

Atualmente as empresas de sucesso tem suas atividades fundamentadas no

modelo de gestão Data Driven, onde a inteligência de negócio atua baseando-se em
dados concretos para tomada de decisões.
Um dos objetivos das empresas de varejo cujo o modelo de gestão está voltado
para os dados é a assertividade em suas previsões. A elaboração de um orçamento
vai muito além de uma previsão conceitualmente correta das vendas, tornando
possível alinhar metas e criar condições para quantificar o esforço necessário para
que haja lucro, possibilitando o cenário ótimo, evitando que a empresa faça esforço
desnecessário ou tenha perdas financeiras.
Em sua maioria, as empresas de menor porte, de cultura familiar, costumavam
basear suas decisões e metas em feeling e conhecimento teórico do segmento, porém
quando seus diretores se deparam com o desafio do crescimento e da expansão do
negócio, acabam percebendo que é necessário uma mudança de cultura.

1.1 Objetivo

O foco desse trabalho é estudar possibilidades para uma empresa de varejo

familiar conseguir prever de forma mais assertiva suas vendas, através de modelos
de previsão de Séries Temporais. Com base nos resultados obtidos pelas previsões
será possível para a empresa realizar orçamento de custo, análise de preço, sempre
visando aumento de lucro e produtividade.
Os modelos de séries temporais considerados para esse trabalho foram os
modelos de alisamento exponencial e o das médias móveis.

1.2 Estrutura do Trabalho

Este trabalho está estruturado em X capítulos, sendo o primeiro deles a

Introdução sobre o tema do projeto, descrevendo o objetivo do trabalho e as
características da Lei Seca, nosso objeto de estudo. CONTINUAR QUANDO TODA A Commented [M1]: Lei seca não é mais o objeto de estudo.

ESTRUTURA ESTIVER DEFINIDA.

 2

2 METODOLOGIA

2.1 Séries Temporais

Uma série temporal pode ser definida como uma sequência de observações de
uma variável ao longo do tempo.
As variáveis podem ser classificadas entre discretas e contínuas. Chamamos
as variáveis discretas quando cada observação se refere a um instante e contínuas
quando cada observação se refere a um período.
No estudo das séries temporais temos a análise e a modelagem, onde o
objetivo da análise é identificar quais são as suas propriedades e características,
enquanto que o objetivo da modelagem é fazer previsões para os tempos futuros da
variável em questão.

2.1.1 Elementos de uma Série Temporal

Morettin e Toloi (2006) descrevem que uma série temporal é composta por
quatro elementos. São eles:
i. Tendência (T): Representa o comportamento de longo prazo da Série
Temporal e pode ser crescente, descrescente ou constante.
ii. Ciclo (C): Movimento oscilatório em relação a Tendência. Tem
periodicidade superior a um ano e são típicos de séries econômicas e
industriais, além de fenômenos climáticos. A junção entre a Tendência e
o Ciclo formam o componente Extra-estacional, também chamado
Conjuntural.
iii. Sazonalidade (St): Movimento regular e oscilatório que se sobrepõe a
Tendência, com periodicidade anual. Também conhecida como
componente Estacional.
iv. Residual (Zt): Flutuações aleatórias que se sobrepõem a Tendência,
causadas por eventos casuais. É chamada de erro do modelo, pois é a
diferença entre o valor observado e a combinação dos três primeiros
elementos.
 3

Nem todas as séries temporais apresentarão todos os elementos citados

acima. Existem séries que não apresentam Tendência, e neste caso são chamadas
estacionárias. Existem também as séries que não apresentam sazonalidade e as que
não apresentam ciclo.

2.2 Teste de Tendência

Ao realizar a análise de uma série temporal, a primeira coisa que deve ser feita
é a construção de um gráfico para auxiliar na identificação visual de características
importantes da série como a exisência de tendência, sazonalidade e outliers.
Alguns modelos de previsão de séries temporais exigem que a série analisada
seja estacionária, ou seja, não apresente a componente Tendência e por isso é
importante antes de iniciar a modelagem de uma série temporal determinar se trata-
se de uma série estacionária. Em muitos casos, apenas a análise visual não é
suficiente para determinar tal comportamento. A fim de realizar tal verificação com
segurança, existem diversos testes estatísticos, sendo os três mais utilizados
(Morettin, 2004):
i. Teste de sequencias de Wald-Wolfowitz;
ii. Teste do sinal de Cox-Stuart;
iii. Teste baseado no coeficiente de correlação de Spearman.

Para verificar a tendência da série temporal estudada nesse trabalho, foi

utilizado o teste baseado no coeficiente de correlação de Spearman.

2.2.1 Teste de Tendência pelo Coeficiente de Spearman

O coeficiente de correlação de Spearman é uma medida estatística não-

paramétrica, ou seja, não depende da condição de normalidade da distribuição, não
havendo assim restrições para sua aplicação.

2.3 Teste de Sazonalidade

 4

Após a verificação da existência da componente Tendência, é necessário

verificar a existência da componente Sazonal. Podemos verificar essa condição
através de testes de hipóteses estatísticos como os citados abaixo:
i. Teste de Friedman;
ii. Teste de Kruskal-Wallis.

Neste trabalho foi utilizado o teste de Kruskal-Wallis para este fim.

2.3.1 Teste de Kruskal-Wallis

Trata-se de um teste de hipóteses, onde definimos hipóteses nula e alternativa:

H0: Não existe sazonalidade

H1: Existe sazonalidade

O processo de realização consiste em dispor os dados em uma matriz cujas

linhas corresponte aos anos e as colunas correspondem aos grupos sazonais (meses,
trimestres, quadrimestres...) e ordená-los em postos. Em seguida, somam-se os
postos de cada grupo e calcula-se a estatística T através da fórmula:

𝑘
12 𝑅𝑗2
𝑇= ∗∑ − 3(𝑁 + 1)
𝑁(𝑁 + 1) 𝑛𝑗
𝑖=1

Onde:
𝑁: tamanho da amostra
𝑘: número de grupos sazonais
𝑅𝑗 : somatório dos postos de cada grupo
𝑛𝑗 : número de postos em cada grupo

A estatística T pode ser aproximada por uma distribuição Qui-Quadrado com k-

1 graus de liberdade.
A hipótese H0 é rejeitada se a estatística teste for maior ou igual ao valor crítico
no nível de significância adotado.

2.4 Modelos de Previsão

 5

Os modelos de alisamento exponencial é uma classe de métodos de previsão

capazes de se adequar a diferentes tipos de séries. Recebem essa nomenclatura
porque o método desses modelos consistem em aplicarem um conjunto de pesos
desiguais aos valores passados da série temporal, sendo que tais pesos decaem de
forma exponencial da mais recente a mais distante observação (Morettin e Toloi,
2006).
Esses modelos são muito utilizados devido à simplicidade de execução, baixo
custo e precisão razoável, sendo considerado o método com melhor custo/benefício
entre os métodos de extrapolação. Os modelos de alisamento exponencial são
classificados em:
i. Alisamento Exponencial Simples (AES);
ii. Alisamento Exponencialde Holt (AEH);
iii. Alisamento Exponencial Linear de Brown (AELB);
iv. Alisamento Exponencial Sazonal de Holt-Winters (AESHW).

Além dos modelos de alisamento, outro método de previsão bastante

empregado é o das Médias Móveis.

2.4.1 Médias Móveis

O modelo de médias móveis considera como previsão para o período futuro a

média das observações passadas recentes (WHEELWRIGTH, 1985).
Essa técnica é utilizada calculando a média aritmética de 𝑟 observações, onde
a cada período de tempo a observação mais antiga é substituída pela mais recente.
A média móvel para o período de tempo t é definida por :
𝑍𝑡 + 𝑍𝑡−1 + ⋯ + 𝑍𝑡−𝑟+1
𝑀𝑡 =
𝑟
Onde:
𝑍𝑡 : valores observados da série temporal
𝑟: constante a ser estimada com base na série temporal

A estimativa de 𝑟 é realizada de forma a minimizar o erro quadrático médio da

previsão. Quanto maior o 𝑟, maior o efeito do alisamento na previsão da série.
As previsões dos valores futuros é dada pela última média móvel calculada.
 6

𝑍𝑡−1 + 𝑍𝑡−2 + ⋯ + 𝑍𝑡−𝑛

𝑍̂𝑡 =
𝑟
Uma desvantagem do modelo de médias móveis é que todas as observações
da série possuem o mesmo peso, sejam mais recentes ou mais antigas, embora seja
conhecido que as observações mais recentes possuem maior influência na previsão.

2.4.2 Alisamento Exponencial Simples (AES)

O modelo de alisamento exponencial simples (AES) é apropriado para séries

que não apresentem as componentes tendência e sazonalidade. Uma série
estacionária pode ser representada por:
𝑍𝑡 = 𝜇 + 𝑎𝑡 , 𝑡 = 1, … , 𝑁
Onde:
𝑍𝑡 : valores observados da série temporal
𝜇: parâmetro do modelo que representa o nível e pode variar lentamente com
o tempo
𝑎𝑡 : ruído aleatório com média 0 e variância constante

O método consiste na ponderação dos valores históricos da série com pesos

sucessivamente menores à medida que estes se afastam do valor mais recente,
eliminando uma deficiência do método de médias móveis.
As previsões realizadas por esse modelo exigem apenas três informações: o
valor observado mais recente, uma constante de alisamento e a previsão mais recente
que pode ser descrita por:

𝑍̅𝑡 = 𝛼𝑍𝑡 + (1 − 𝛼)𝑍̅𝑡−1

Onde:
𝑍̅𝑡 : valor previsto para o instante t
𝑍𝑡 : valor observado no instante t
𝛼: constante de alisamento, 0 < 𝛼 < 1

A constante de alisamento α é característica por série temporal e é ela que

determina o ajuste aplicado aos dados. Quanto menor o α, mais estáveis serão as
previsões, visto que um pequeno valor de α significa pesos maiores sendo aplicados
 7

às observações passadas e como consequência disso qualquer flutuação aleatória no

presente exercerá influência menor no cálculo de previsão.
A estimação de α a consiste em minimizar o erro quadrático médio da previsão,
porém não há metodologia específica para realizar essa estimação, fazendo com que
seja encontrada por tentativa e erro. Em geral, quanto mais aleatória a série estudada,
menor será o valor da constante de alisamento (Morettin, 1987).
A previsão dos valores futuros é dada pelo último valor exponencialmente
alisado:

𝑍̂𝑇+ℎ = 𝑍̅𝑇
Onde:
𝑇: último período observado
ℎ: quantidade de períodos a serem previstos, ℎ = 1,2, …

2.4.3 Alisamento Exponencial de Holt (AEH)

O modelo de alisamento exponencial de Holt (AEH) é apropriado para séries

que não possuem sazonalidade, mas possuem tendência. Tal série pode ser
representada por:

𝑍𝑡 = 𝜇 + 𝑇𝑡 + 𝑎𝑡 , 𝑡 = 1, … , 𝑁
Onde:
𝑇𝑡 : tendência no instante t

Este método é uma extensão do AES em caso de séries que possuam

tendência linear positiva ou negativa e é similar ao AES, porém além da suavização
do nível, uma nova constante é adicionada ao modelo para modelar a tendência da
série, resultando em dois coeficientes de alisamento α e β que representam,
respectivamente, nível e tendência.
i. Estimativa do nível:
𝘢̂𝑡 = 𝛼𝑍𝑡 + (1 − 𝛼)(𝘢̂𝑡−1 + 𝑏̂𝑡−1 ) , 𝑐𝑜𝑚 0 < 𝛼 < 1

ii. Estimativa da tendência:

𝑏̂𝑡 = 𝛽(𝘢̂𝑡 − 𝘢̂𝑡−1 ) + (1 − 𝛽)𝑏̂𝑡−1 , 𝑐𝑜𝑚 0 < 𝛽 < 1
 8

Onde:
𝑍𝑡 : valor observado no instante t
𝛼: constante de alisamento do nível, 0 < 𝛼 < 1
𝛽: constante de alisamento da tendência, 0 < 𝛽 < 1

As constantes α e β são determinadas de maneira análoga ao método anterior.

A previsão dos valores futuros é dada por:

𝑍̂𝑇+ℎ = 𝘢̂ 𝑇 + 𝑏̂𝑇 ℎ
Onde:
𝑇: último período observado
ℎ: quantidade de períodos a serem previstos, ℎ = 1,2, …

2.4.4 Alisamento Exponencial Linear de Brown (AELB)

O modelo de alisamento exponencial linear de Brown (AELB), assim como o

AEH, é apropriado não sazonais e que possuem tendência.
Neste método, diferente do AEH, uma única constante de alisamento é
empregada no processo de atualização de ambos os parâmetros 𝑏̂1,𝑡 e 𝑏̂2,𝑡 , que
descrevem respectivamente o nível e a tendência.
Este método consiste em calcular um segundo valor exponencialmente alisado
através da equação:

𝑍𝑡̿ = 𝛼𝑍̅𝑡 + (1 − 𝛼)𝑍𝑡−1

̿
Onde:
𝑍̿𝑡 : valor duplamente alisado
𝑍̅𝑡 : alisamento exponencial simples
𝛼: constante de alisamento, 0 < 𝛼 < 1

Considerando 𝑏̂1,𝑡 como estimativa do nível e 𝑏̂2,𝑡 como estimativa da tendência,

a equação de previsão um passo a frente é:

𝑍̂𝑇+ℎ = 𝑏̂1,𝑡 + 𝑏̂2,𝑡

Onde:
𝑏̂1,𝑡 = 2𝑍̅𝑡 − 𝑍𝑡̿
 9

𝛼
𝑏̂2,𝑡 = (1−𝛼) (𝑍𝑡̅ − 𝑍̿𝑡 )

Esse método tem como vantagem a grande flexibilidade de ajuste devido à

constante de alisamento, facilidade de implementação e entendimento, sendo mais
eficiente em termos computacionais do que o método de médias móveis. Em
compensação a desavantagem é que ele é direcionado para tendência linear e é
menos flexível que o AEH que usa duas constantes de alisamento (Morettin e Toloi,
1981).

2.4.5 Alisamento Exponencial Sazonal de Holt-Winters (AESHW)

Este método é aplicável às séries temporais de comportamento mais complexo,

ou seja, que além de possuir tendência linear possuem variações sazonais. Existem
dois procedimentos adotados para a previsão, onde a escolha do procedimento mais
adequado depende do comportamento da série, são eles:

i. Modelo aditivo: Utilizado em séries temporais que possuem sazonalidade

aditiva, ou seja, a amplitude da variação sazonal é constante ao longo do
tempo. Esta série é dada por: 𝑍𝑡 = (𝜇 + 𝑇𝑡 ) + 𝐹𝑚(𝑡) + 𝑎𝑡
ii. Modelo multiplicativo: Utilizado em séries temporais que possuem
sazonalidade multiplicativa, ou seja, a amplitude da variação sazonal
aumenta com o acréscimo no nível médio da série temporal. Esta série é
dada por: 𝑍𝑡 = (𝜇 + 𝑇𝑡 )𝐹𝑚(𝑡) + 𝑎𝑡

Onde:
𝐹𝑚(𝑡) : fator sazonal do período m correspondente ao estágio t

Ambos apresentam coeficientes de estimação do nível e da tendência como

nos modelos citados anteriormente, porém este também possui uma constante de
estimação do componente sazonal. A formulação dos modelos é dada por:
i. Estimativa do nível:
 Estimativa inicial:
1
𝑏̂1 = 𝑚
∗ ∑𝑚
𝑖=1 𝑍𝑖

 Modelo aditivo:
 10

𝑏̂1,𝑡 = 𝛼(𝑍𝑡 − 𝐹̂𝑡−𝑚 ) + (1 − 𝛼)(𝑏̂1,𝑡−1 + 𝑏̂2,𝑡−1 )

 Modelo multiplicativo:
𝑍̂𝑡
𝑏̂1,𝑡 = 𝛼 + (1 − 𝛼)(𝑏̂1,𝑡−1 + 𝑏̂2,𝑡−1 )
𝐹̂𝑡−𝑚

ii. Estimativa da tendência:

 Estimativa inicial:
𝑏̂2 = 0
 Modelo aditivo:
𝑏̂2,𝑡 = 𝛽(𝑏̂1,𝑡 − 𝑏̂1,𝑡−1 ) + (1 − 𝛽)𝑏̂2,𝑡−1
 Modelo multiplicativo:
𝑏̂2,𝑡 = 𝛽(𝑏̂1,𝑡 − 𝑏̂1,𝑡−1 ) + (1 − 𝛽)𝑏̂2,𝑡−1

iii. Estimativa da sazonalidade:

 Estimativa inicial:
𝑍𝑖
𝐹̂𝑖 = , 𝑖 = 1, . . , 𝑚
𝑏̂1
 Modelo aditivo:
𝐹̂𝑡 = 𝛾(𝑍𝑡 − 𝑏̂1,𝑡 ) + (1 − 𝛾)𝐹̂𝑡−𝑚
 Modelo multiplicativo:
𝑍𝑡
𝐹̂𝑡 = 𝛾 + (1 − 𝛾)𝐹̂𝑡−𝑚
̂
𝑏1,𝑡

Onde:
𝑍𝑡 : valor observado no instante t
𝑚: período sazonal
𝛼: constante de alisamento do nível, 0 < 𝛼 < 1
𝛽: constante de alisamento da tendência, 0 < 𝛽 < 1
𝛾: constante de alisamento sazonal, 0 < 𝛾 < 1

Para estimar o valor das constantes de alisamento α, β e γ deve-se adotar como

critério a minimização do erro quadrático médio da previsão de forma análoga aos
métodos citados anteriormente.
A previsão dos valores futuros é dada por:
 11

i. Modelo aditivo: 𝑍̂𝑇+ℎ = (𝑏̂1,𝑇 + 𝑏̂2,𝑇 ℎ) + 𝐹̂𝑇+ℎ−𝑚

ii. Modelo multiplicativo: 𝑍̂𝑇+ℎ = (𝑏̂1,𝑇 + 𝑏̂2,𝑇 ℎ)𝐹̂𝑇+ℎ−𝑚

2.5 Medidas de Análise de Desempenho

De acordo com Makridakis (WHEELWRIGTH, 1985), a suposição básica de

qualquer técnica de previsão de séries temporais é que o valor observado na série
fica determinado por um padrão que se repete no tempo somado à alguma influência
aleatória. Com isto, é correto dizer que mesmo quando o padrão exato que cacteriza
o comportamento da série é isolado, algum desvio ainda existirá entre os valores
observados e os valores previstos. Essa componente aleatória não pode ser prevista
e deve-se ao acaso, entretanto, se isolada, sua magnitude pode ser estimada e
utilizada para determinar o erro entre as observações e as previsões.
A acuracidade de um método de previsão pode ser mensurada através de
algumas medidas de desempenho.

2.5.1 Erro Médio Absoluto

O erro absoluto é uma das medidas mais comuns e usuais para a medição da
precisão. É resultado da diferença entre os valores observados e os valores previstos.

𝐸𝐴 = 𝑍𝑡 − 𝑍̂𝑡

O erro médio absoluto é, portanto, a média dessas diferenças.

∑ 𝐸𝐴
𝐸𝑀𝐴 =
𝑛
Onde:
𝑛: quantidade de pares 𝑍𝑡 − 𝑍̂𝑡

2.5.2 Erro Médio Relativo

 12

Por não haver comparação do erro com o valor observado, o erro médio
absoluto muitas das vezes não é indicado para medir a acuracidade das previsões
obtidas por diferentes modelos.
Fazendo essa relação, o erro relativo é determinado pelo erro absoluto dividido
pelo valor observado.

(𝑍𝑡 − 𝑍̂𝑡 )
𝐸𝑅 =
𝑍𝑡

O erro médio relativo é, portanto, a média dos erros relativos.

∑ 𝐸𝑅
𝐸𝑀𝑅 =
𝑛

2.5.3 Erro Médio Percentual

O erro percentual é utilizado para se obter a variação percentual entre o valor

observado e o valor previsto.

𝐸𝑃𝐸 = (𝐸𝑅 ) ∗ 100

O erro médio percentual é, portanto, a média dos erros percentuais.

∑ 𝐸𝑃𝐸
𝐸𝑀𝑃 =
𝑛

2.5.4 Erro Médio Absoluto Percentual (MAPE)

Tanto os valores do desvio médio absoluto, como do erro quadrático médio,

dependem da importância do item que está a ser previsto, o que pode causar
problemas ao nível da dimensão dos resultados (Heizer, 2004). O MAPE apresenta
eficácia contra esse tipo de problema.

(|𝑍𝑡 − 𝑍̂𝑡 |)
𝐴𝑃𝐸 = ∗ 100
𝑍𝑡
 13

∑ 𝐴𝑃𝐸
𝐸𝑀𝑃 =
𝑛

2.5.5 Erro Médio Quadrático (EQM)

O cálculo do EQM é dado pela soma dos erros da previsão ao quadrado

dividindo-se pelo número de erros na previsão.

(∑ 𝐸𝐴2 )
𝐸𝑄𝑀 =
𝑛

3 APLICAÇÃO

Em construção

Todo capítulo novo deve começar em outra página.