Cap 4.

Previsão da Procura

Professor Carlos Silva

 Tópicos
▶ O que é a previsão da procura?
▶ A importância estratégica da previsão
▶ O processo de previsão
▶ Abordagens e técnicas de previsão
 A Previsão Porporciona Vantagens
Competitivas à Disney

► A Disney possui parques temáticos em Hong

Kong, Paris, Tokyo, Orlando, e Anaheim
► Receitas provêm dos visitantes – quantos
visitantes e como gastam o dinheiro
► Disney gera previsões diárias, semanais,
mensais, anuais e a 5 anos.
 A Previsão Porporciona Vantagens
Competitivas à Disney

► As previsões são usadas pela gestão de

operações, de manutenção, de recursos
humanos e financeira
► As previsões são usadas por exemplo para
prever o número de visiantes, definir os
períodos de funcionamento, espectáculos e
níveis de pessoal necessários.
 A Previsão Porporciona Vantagens
Competitivas à Disney

► Os modelos de previsão consideram diversas

variáveis, como por exemplo o PIB e férias
escolares dos países de origem dos visitantes.
► Um staff de 35 analistas fazem pesquisas anuais
que envolvem mais de um milhão de visitantes,
empregados e profissionais de turismo
► Erro médio de previsão a 5 anos é de 5%
► Erro médio de previsão a 1 ano é de 3%
 O que é a previsão?
► Processo de prever
eventos futuros
► Base para todas as
decisões da empresa
??
► Produção
► Existências
► Recursos Humanos
► Instalações
 Prazos da Previsão
1. Curto prazo
► Até 3 meses

► Compras, programação de produção e

distribuição
2. Médio prazo
► 3 meses a 3 anos

► Planeamento de vendas e produção

3. Longo prazo
► +3 anos

► Planeamento de novos produtos, localização

de instalações, investigação e
desenvolvimento
 Importância estratégica da previsão

► Gestão da cadeia de abastecimento – Optimização

dos custos, resposta e satisfação dos clientes,
relações com os fornecedores…
► Recursos Humanos – Antecipar necessidades de
contratação e formação
► Capacidade – Roturas de capacidade podem implicar
falha de entregas, perda de clientes, redução de
quota de mercado
 O Processo de Previsão
1. Definir a finalidade da previsão
2. Seleccionar os items a prever
3. Definir o prazo da previsão
4. Seleccionar o modelo de previsão
5. Obter a informação necessária para fazer a
previsão
6. Fazer a previsão
7. Validar e implementar os resultados
 A Realidade!
► Previsões são raramente precisas
► Maior parte das técnicas assumem que
o sistema (mundo real) é estável
► Previsão agregada de famílias de
produtos são mais precisas do que
produtos individuais
 Abordagens de Previsão
Métodos Qualitativos
► Usados quando a situação é vaga e
existe pouca informação disponível
► Novos produtos/ serviços
► Nova tecnologia
► Envolvem intuição, experiência
► Ex., previsão de vendas através da
internet
 Abordagens de Previsão
Métodos Quantitativos
► Usados quando a situação é
relativamente estável e existem dados
históricos
► Produtos existentes
► Tecnologias correntes
► Envolvem técnicas matemáticas
► Ex: previsão de vendas de televisões
 Métodos Qualitativos
1. Opiniões dos Gestores e Técnicos
► Percepções, opiniões dos gestores e técnicos da
empresa, por vezes complementada com alguma
informação estatística
2. Método de Delphi
► Painel de peritos, questionados iterativamente
3. Estimativa da Força de Vendas
► Estimativas proporcionadas individualmente pelos
vendedores da empresa, que depois são revistas e
agregadas
4. Pesquisa de mercado
► Questionar o cliente
 Opiniões dos Gestores e Técnicos
► Envolve um pequeno grupo de gestores e
técnicos qualificados
► O grupo trabalha em conjunto para estimar a
procura
► Combina os conhecimentos e experiência de
cada um, e podem usar informação estatística
► Processo relativamente rápido
 Método de Delphi
Gestores
► Processo iterativo de (Definem as questões e
avaliam as rspostas)
formulação duma previsão
que continua até o
consenso ser atingido
Staff
► 3 tipos de participantes (Gerem o
processo)
► Gestores
► Staff (facilitadores)
► Respondentes – Peritos
externos altamente
qualificados para
avaliarem a situação
Respondentes
(Peritos sobre os temas)
 Estimativa da Força de Vendas

► Cada vendedor faz a sua previsão de vendas

► As previsões são analisadas e agregadas ao nível
regional e nacional
► Assume-se que os vendedores conhecem os
seus clientes e as suas necessidades.
► Podem ser influenciadas por factores pessoais,
conduzindo a valores optimistas ou pessimistas.
 Pesquisa de Mercado
► Questionar os clientes sobre as suas compras
futuras do produto/ serviço
► Muito útil pata o desenho e planeamento de
novos produtos/serviços
► O que os consumidores dizem e o que realmente
fazem pode ser diferente
► A estimativa resultante pode ser optimista
 Métodos Quantitativos

1. Abordagem simples
2. Média móvel Modelos de
3. Alisamento exponencial séries temporais
4. Projecção de tendência

Modelos
5. Regressão linear relacionais
 Séries Temporais
► Com base em valores observados no
passado em períodos regulares
► A previsão não considera outras variáveis

► Assume-se que os factores que

influenciaram o passado e presente,
continuarão a influenciar da mesma
maneira no futuro
Componentes das Séries Temporais

Tendência Cíclica

Sazonal Aleatória
 Componentes da Procura
Componente
de tendência
Procura para o produto ou serviço

Picos sazonais

Procura real

Procura média nos

4 anos

Variação aleatória
| | | |
1 2 3 4
Tempo (anos)
Componente de Tendência
► Persistente, num padrão crescente
ou decrescente
► Devido a mudanças contínuas na

população, cultura, tecnologia, etc.

► Tipicamente pode durar vários anos
 Componente Sazonal
► Padrão de comportamento de flutuações regulares da
procura em certos períodos sazonais, que se repete ao
longo de um determinado período total.
► Devido ao clima, hábitos dos clientes, etc.
► Padrões de sazonalidade podem ocorrer dentro do período
total de um ano, de uma semana, de um dia...

PERÍODO TOTAL Período Sazonal Número de Períodos Sazonais

Semana Dia 7
Mês Semana 4 – 4,5
Mês Dia 28 – 31
Ano Trimestre 4
Ano Mês 12
Ano Semana 52
 Componente Cíclica
► Movimentos ascendentes e descendentes que se repetem
ao longo do tempo
► Influenciados por ciclos de negócio, e factores políticos e
económicos
► Ciclos podem durar vários anos
► Normalmente são estimados através de relações causais
ou de associação

0 5 10 15 20
 Componente Aleatória
► Flutuações residuais erráticas e não sistemáticas
► Devido a variação aleatória ou eventos imprevisíveis
► Pequena duração e não repetitivos

S T Q Q S
 Abordagem Simples
► Assume que a procura no próximo período é
igual ao anterior
► Ex: se as vendas de Jan. foram 68, então as
vendas de Fev. serão 68
► Processo económico
► Pode ser um ponto de partida para a previsão
da procura
 Método da Média Móvel

► MM é uma série de médias aritméticas

► Aplica-se quando não existe uma
tendência notória da procura

P
 procura nos n períodos anteriores
n
 Média Móvel - Exemplo

Mês Procura Real Média Móvel a 3 meses

Jan 10
Fev 12
Mar 13
Abril 16 (10 + 12 + 13)/3 = 11 2/3
Maio 19 (12 + 13 + 16)/3 = 13 2/3
Junho 23 (13 + 16 + 19)/3 = 16
Julho 26 (16 + 19 + 23)/3 = 19 1/3
Ago 30 (19 + 23 + 26)/3 = 22 2/3
Set 28 (23 + 26 + 30)/3 = 26 1/3
Out 18 (26 + 30 + 28)/3 = 28
Nov 16 (30 + 28 + 18)/3 = 25 1/3
Dez 14 (28 + 18 + 16)/3 = 20 2/3
Método da Média Móvel Poderada
► Aplica-se quando alguma tendência pode estar
presente
► Os dados mais antigos são menos importantes
► Pesos definidos com base na experiência e
intuição

 Peso período nProcura no período n

P 
 Pesos
 Método da Média Móvel Poderada
Mês Procura Real Média Móvel Ponderada a 3 meses
Jan 10
Fev 12
Mar 13
Abril 16 [(3 x 13) + (2 x 12) + (10)]/6 = 12 1/6
Maio 19
Junho Pesos
23 Aplicados Período

Julho 26 3 Último mês

Ago 30 2 Penúltimo mês

Set 28 1 Antepenúltimo mês

Out 18 6 Somatórios dos pesos

Nov Previsão para

16 este mês =
Dez 3 x Vendas
14último mês + 2 x Vendas 2º mês antes + 1 x Vendas 3º mês antes
Somatórios dos pesos
 Método da Média Móvel Poderada
Mês Procura Real Média Móvel Ponderada a 3 meses
Jan 10
Fev 12
Mar 13
Abril 16 [(3 x 13) + (2 x 12) + (10)]/6 = 12 1/6
Maio 19 [(3 x 16) + (2 x 13) + (12)]/6 = 14 1/3
Junho 23 [(3 x 19) + (2 x 16) + (13)]/6 = 17
Julho 26 [(3 x 23) + (2 x 19) + (16)]/6 = 20 1/2
Ago 30 [(3 x 26) + (2 x 23) + (19)]/6 = 23 5/6
Set 28 [(3 x 30) + (2 x 26) + (23)]/6 = 27 1/2
Out 18 [(3 x 28) + (2 x 30) + (26)]/6 = 28 1/3
Nov 16 [(3 x 18) + (2 x 28) + (30)]/6 = 23 1/3
Dez 14 [(3 x 16) + (2 x 18) + (28)]/6 = 18 2/3
 Gráfico com Métodos da Média Móvel
Previsão com média móvel
ponderada
30 –

25 –

20 –
Vendas

15 – Vendas reais

10 – Previsão com média

móvel
5–
| | | | | | | | | | | |

J F M A M J J A S O N D
Mês

4 - 32
 Método de Alisamento
Exponencial
► Uma forma de ponderar a média móvel
► Pesos decrescem exponencialmente
► Os dados mais recentes são mais ponderados

► Exige a definição da constante de alisamento ()

► Varia entre 0 e 1
► Seleccionada de forma subjectiva

► Não exige o registo de informação passada

© 2014 Pearson Education 4 - 33

 Método de Alisamento
Exponencial
Nova previsão = Previsão do último período
+  (Procura real do último período
– Previsão do último período)

Ft = Ft – 1 + (At – 1 - Ft – 1)

onde Ft = Nova previsão

Ft – 1 = Previsão do último período
 = Constante de alisamento (0 ≤  ≤ 1)
At – 1 = Procura real do último período

© 2014 Pearson Education 4 - 34

 Método de Alisamento
Exponencial - Exemplo

Previsão = 142 unidades

Procura real = 153
Constante  = .20

© 2014 Pearson Education 4 - 35

 Método de Alisamento
Exponencial - Exemplo

Previsão procura = 142

Procura real = 153
Constante alisamento  = .20

Nova previsão = 142 + .2(153 – 142)

© 2014 Pearson Education 4 - 36

 Método de Alisamento
Exponencial - Exemplo

Previsão procura = 142

Procura real = 153
Constant alisamento  = .20

Nova previsão = 142 + .2(153 – 142)

= 142 + 2.2
= 144.2 ≈ 144 carros

© 2014 Pearson Education 4 - 37

 Efeito da Constante de
Alisamento 
▶ Constante normalmente 0,05 ≤  ≤ 0,50
▶ Quando  aumenta, valores mais antigos
influenciam menos

© 2014 Pearson Education 4 - 38

 Impacto de Diferentes 
225 –

Procura real  = .5
200 –
Demand

175 –

 = .1
150 – | | | | | | | | |
1 2 3 4 5 6 7 8 9
Quarter
© 2014 Pearson Education 4 - 39
 Impacto de Diferentes 
225 –

Actual  = .5
► Definem-se
200 –
valores
altos
demand
de  quando é provável
Demand

que a média varie

175 –
► Definem-se valores
baixos de  quando a  = .1
média
150 – | é|estável
| | | | | | |
1 2 3 4 5 6 7 8 9
Quarter
© 2014 Pearson Education 4 - 40
 A Selecção do 
O objectivo é obter a maior precisão
possível, independentemente da
técnica.
Normalmente, seleccionamos o modelo
que nos dá menos erros de previsão.

Erro de previsão= Procura real – Valor previsão

= At – Ft

© 2014 Pearson Education 4 - 41

 Medida do Erro de Previsão

Erro percentual médio (EPM)

100 Real i  Previsão i / Real i

EPM  i 1
n

© 2014 Pearson Education 4 - 42

 Medida do Erro de Previsão
Previsão para
Trimestre Procura Real  = 0,10 Erro Médio (%)
1 180 175,00 100(5/180) = 2,78%
2 168 175,50 100(7,5/168) = 4,46%
3 159 174,75 100(15,75/159) = 9,90%
4 175 173,18 100(1,82/175) = 1,05%
5 190 173,36 100(16,64/190) = 8,76%
6 205 175,02 100(29,98/205) = 14,62%
7 180 178,02 100(1,98/180) = 1,10%
8 182 178,22 100(3,78/182) = 2,08%
Soma dos erros = 44,75%

EPM 
 erro percentual 44,75%
  5,59%
n 8
© 2014 Pearson Education 4 - 43
 Comparação de Erros de Previsão
Previsão Erro Previsão Erro
Procura com para com para
Trimestre Real  = 0,10  = 0,10  = 0,50  = 0,50
1 180 175 5,00 175 5,00
2 168 175,5 7,50 177.50 9,50
3 159 174,75 15,75 172.75 13,75
4 175 173,18 1,82 165.88 9,12
5 190 173,36 16,64 170.44 19,56
6 205 175,02 29,98 180.22 24,78
7 180 178,02 1,98 192.61 12,61
8 182 178,22 3,78 186.30 4,30

© 2014 Pearson Education 4 - 44

 Comparação
n
de Erros de Previsão
∑100|Erroi|/Reali
Previsão Erro Previsão Erro
EPM = Procura
i=1
com para com para
Trimestre Real  = 0,10 n  = 0,10  = 0,50  = 0,50
1  = 0,10
Para180 175 5,00 175 5,00
2 168 175,5 7,50 177.50 9,50
3 159 = 44,75/8
174,75 =15,75
5,59% 172.75 13,75
4 175 173,18 1,82 165.88 9,12
5 
Para190 = 0,50
173,36 16,64 170.44 19,56
6 205 175,02
= 54,05/8 =29,98
6,76% 180.22 24,78
7 180 178,02 1,98 192.61 12,61
8 182 178,22 3,78 186.30 4,30

© 2014 Pearson Education 4 - 45

 Projecção de Tendência

Ajusta uma recta de tendência com base na

informação histórica
A recta (ou modelo de regressão linear) pode ser
definido com base na técnica de mínimos
quadrados
y^ = a + bx
onde y^ = valor da previsão (variável dependente)
a = intersecção do eixo y
b = declive da recta
x = variável independente (nº do período da previsão)
 Método Mínimos Quadrados

Valores reais (y) Desvio7

Variável Dependente Y

Desvio5 Desvio6

Desvio3
O método de mínimos
Desvio4 quadrados minimiza a
soma dos quadrados dos
erros.
Desvo1
(erro) Desvio2
Recta de tendência, y^ = a + bx

| | | | | | |
1 2 3 4 5 6 7
Período de tempo
4 - 47
 Método Mínimos Quadrados

Fórmulas para calcular as constantes da

equação de regressão
ŷ = a+ bx

b=
å xy - nxy
å x - nx
2 2

a = y - bx
4 - 48
 Método Mínimos Quadrados

Ano Procura de Energia Ano Procura de Energia

1 74 5 105
2 79 6 142
3 80 7 122
4 90
 Método Mínimos Quadrados
Procura de Energia
Ano (x) (y) x2 xy
1 74 1 74
2 79 4 158
3 80 9 240
4 90 16 360
5 105 25 525
6 142 36 852
7 122 49 854
Σx = 28 Σy = 692 Σx2 = 140 Σxy = 3,063

x=
å x 28
= =4 y=
å y 692
= = 98.86
n 7 n 7
 Método Mínimos Quadrados
 xy  nx y 3.063  7 4 98,86  295
b  ELECTRICALPOWER   10,54
YEAR (x)  nx (y) 140  7 4  x
 x DEMAND
2 2 2
282 xy
1 74 1 74
2
a  y  bx  98
79
,86  10,544  56,70 4 158
3 80 9 240
4 90 16 360
5
Então,
105
yˆ  56,70  10,54 x 25 525
6 142 36 852
7 122 49 854
Σx = 28 Σy = 692 Σx2 = 140 Σxy = 3,063

x=
å x no
Procura
= =4 y=
å
28ano 8 = 56,70 y+ 10,54(8)
=
692
= 98.86
n 7 = 141,02
n ou 7 Megawatts
141
 Mínimos Quadrados - Exemplo
Recta de tendência,
160 – y^ = 56,70 + 10,54x
150 –
Procura de energia (Megawatts)

140 –
130 –
120 –
110 –
100 –
90 –
80 –
70 –
60 –
50 –
| | | | | | | | |
1 2 3 4 5 6 7 8 9
Ano
 Variação Sazonal
O modelo
multiplicativo de
sazonalidade pode
ajustar a tendência de
forma a considerar
variações sazonais da
procura

yˆsazonal  Índice  yˆ tendência

 Variação Sazonal
Processo de previsão com sazonalidade mensal
1. Obter valores médios para cada mês (Jan a Dez) da
procura verificada nos últimos anos
2. Calcular a procura mensal média global
3. Calcular o índice de sazonalidade para cada mês,
dividindo o valor médio de cada mês (Jan a Dez) pelo
valor mensal médio global
4. Estimar a procura para cada mês do próximo ano,
através da projecção da tendência
5. Multiplicar pelo índice de sazonalidade de cada mês
 Exemplo de Índices de Sazonalidade
Procura
Mensal
Média Índice
Mês Ano 1 Ano 2 Ano 3 Média no Mês Global Sasonalidade
Jan 80 85 105 90
Fev 70 85 85 80
Mar 80 93 82 85
Abr 90 95 115 100
Mai 113 125 131 123
Jun 110 115 120 115
Jul 100 102 113 105
Ago 88 102 110 100
Set 85 90 95 90
Out 77 78 85 80
Nov 75 82 83 80
Dez 82 78 80 80
Total = 1,128
 Exemplo de Índices de Sazonalidade
Procura
Mensal
Média Índice
Mês Ano 1 Ano 2 Ano 3 Média no Mês Global Sasonalidade
Jan 80 85 105 90 94
Fev 70 85 85 80 94
Mar Procura
80 93 82 85 94
Abr mensal
90 95 1.128
115 100 94
Mai média
113
=125 131
= 94 123 94
12 meses
Jun global
110 115 120 115 94
Jul 100 102 113 105 94
Ago 88 102 110 100 94
Set 85 90 95 90 94
Out 77 78 85 80 94
Nov 75 82 83 80 94
Dez 82 78 80 80 94
Total = 1.128
 Exemplo de Índices de Sazonalidade
Procura
Mensal
Média Índice
Mês Ano 1 Ano 2 Ano 3 Média no Mês Global Sasonalidade
Jan 80 85 105 90 94 0,957( = 90/94)
Fev 70 85 85 80 94
Mar 80 93 82 85 94
Abr 90 95 115 100 94
Mai 113 125 131 123 94
JunÍndice 110=
Procura
115 120
média no
115
mês 94
100 Procura
Sazonalidade
Jul 102 mensal
113 média
105 global 94
Ago 88 102 110 100 94
Set 85 90 95 90 94
Out 77 78 85 80 94
Nov 75 82 83 80 94
Dez 82 78 80 80 94
Total = 1,128
 Exemplo de Índices de Sazonalidade
Procura
Mensal
Média Índice
Mês Ano 1 Ano 2 Ano 3 Média no Mês Global Sasonalidade
Jan 80 85 105 90 94 ,957( = 90/94)
Fev 70 85 85 80 94 ,851( = 80/94)
Mar 80 93 82 85 94 ,904( = 85/94)
Abr 90 95 115 100 94 1,064( = 100/94)
Mai 113 125 131 123 94 1,309( = 123/94)
Jun 110 115 120 115 94 1,223( = 115/94)
Jul 100 102 113 105 94 1,117( = 105/94)
Ago 88 102 110 100 94 1,064( = 100/94)
Set 85 90 95 90 94 ,957( = 90/94)
Out 77 78 85 80 94 ,851( = 80/94)
Nov 75 82 83 80 94 ,851( = 80/94)
Dez 82 78 80 80 94 ,851( = 80/94)
Total = 1,128
Exemplo de Índices de Sazonalidade
Previsão para o ano 4 = 1.200
yˆsazonal  Índice  yˆ
Mês Procura Mês Procura

Jan 1.200 Jul 1.200

x ,957 = 96 x 1,117 = 112
12 12
Fev 1.200 Ago 1.200
x ,851 = 85 x 1,064 = 106
12 12
Mar 1.200 Set 1.200
x ,904 = 90 x ,957 = 96
12 12
Abr 1.200 Out 1.200
x 1,064 = 106 x ,851 = 85
12 12
Mai 1.200 Nov 1.200
x 1,309 = 131 x ,851 = 85
12 12
Jun 1.200 Dez 1.200
x 1,223 = 122 x .851 = 85
12 12
Exemplo de Índices de Sazonalidade

Ano 4 Previsão
140 – Ano 3 Procura real
130 – Ano 2 Procura real
Ano 1 Procura real
120 –
Procura

110 –
100 –
90 –
80 –
70 –
| | | | | | | | | | | |
J F M A M J J A S O N D
Tempo
 Exemplo de previsão: Hospital

Previsão da Tendência
10,200 –
Nº de pacientes tratados

10,000 –

9,800 – 9745
9702
9616 9659
9573 9724 9766
9,600 – 9530 9680
9594 9637
9,400 – 9551

9,200 –

9,000 – | | | | | | | | | | | |
Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez
67 68 69 70 71 72 73 74 75 76 77 78
Mês
4 - 61
 Exemplo de previsão: Hospital

Índices de sazonalidade do número mensal de entrada de pacientes no

hospital

Mês Índice de sazonalidade Mês Índice de sazonalidade

Jan 1,04 Julho 1,03

Fev 0,97 Ago 1,04

Mar 1,02 Set 0,97

Abril 1,01 Out 1,00

Maio 0,99 Nov 0,96

Junho 0,99 Dez 0,98

4 - 62
 Exemplo de previsão: Hospital
Índices de sazonalidade

1.06 –
1.04 1.04
1.04 – 1.03
Índice de sazonalidade

1.02
1.02 – 1.01
1.00
1.00 – 0.99
0.98
0.98 – 0.99
0.96 – 0.97 0.97
0.96
0.94 –
0.92 – | | | | | | | | | | | |
Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez
67 68 69 70 71 72 73 74 75 76 77 78
Mês
4 - 63
Exemplo de previsão: San Diego Hospital

Nº do período 67 68 69 70 71 72

Mês Jan Fev Mar Abr Mai Jun

Previsão com 9.911 9.265 9.164 9.691 9.520 9.542

Tendência e
Sazonalidade
Nº do período 73 74 75 76 77 78

Mês Jul Ago Set Out Nov Dez

Previsão com 9.949 10.068 9.411 9.724 9.355 9.572

Tendência e
Sazonalidade

yˆsazonal  Índice  yˆ tendência

4 - 64
 Exemplo de previsão: San Diego Hospital
Previsão Combinada com Tendência e Sazonalidade

10,200 –
10068
Nº de pacientes tratados

10,000 – 9911 9949

9,800 – 9764 9724

9691
9,600 – 9572

9,400 – 9520 9542

9411
9265 9355
9,200 –

9,000 – | | | | | | | | | | | |
Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez
67 68 69 70 71 72 73 74 75 76 77 78
Mês
4 - 65
 Previsão Relacional
Usada quando as mudanças de uma ou mais variáveis
independentes podem ser usadas para prever a
procura – variável dependente

A técnica mais comum é a análise de

regressão linear
Esta técnica aplica-se exactamente como se
fez no exemplo da determinação da tendência
em séries temporais
 Previsão Relacional

A previsão da procura é feita com base em

variáveis preditivas (independentes), usando a
técnica dos mínimos quadrados

y^ = a + bx
onde y^ = valor da previsão (variável dependente)
a = intercessão do eixo y
b = declive da recta
x = variável independente
 Previsão Relacional - Exemplo
Vendas Rendimentos Vendas Rendimentos
(Milhões €), y Residentes na região (Milhões €), y Residentes na região
(Bilhões €), x (Bilhões €), x
2.0 1 2.0 2
3.0 3 2.0 1
2.5 4 3.5 7

4.0 –
(milhões €)

3.0 –
Vendas

2.0 –

1.0 –

| | | | | | |

0 1 2 3 4 5 6 7
Rendimentos (Bilhões €)
 Previsão Relacional - Exemplo
Vendas, y Rendimentos, x x2 xy
2.0 1 1 2.0
3.0 3 9 9.0
2.5 4 16 10.0
2.0 2 4 4.0
2.0 1 1 2.0
3.5 7 49 24.5
Σy = 15.0 Σx = 18 Σx2 = 80 Σxy = 51.5

x=
å x 18
= =3 y=
å y 15
= = 2.5
6 6 6 6

b=
å xy - nxy 51.5 - (6)(3)(2.5)
= = .25 a = y - bx = 2.5 - (.25)(3) = 1.75
å x - nx
2 2
80 - (6)(3 ) 2
 Previsão Relacional - Exemplo
Vendas, y Rendimentos, x x2 xy
2.0 1 1 2.0
3.0 3 9 9.0
2.5 4 yˆ 161,75  0,25 x 10.0
2.0 2 Vendas  1,754  0,25(rendimento
4.0 )
2.0 1 1 2.0
3.5 7 49 24.5
Σy = 15.0 Σx = 18 Σx2 = 80 Σxy = 51.5

x=
å x 18
= =3 y=
å y 15
= = 2.5
6 6 6 6

b=
å xy - nxy 51.5 - (6)(3)(2.5)
= = .25 a = y - bx = 2.5 - (.25)(3) = 1.75
å x - nx
2 2
80 - (6)(3 ) 2
 Previsão Relacional - Exemplo
Vendas, y Rendimentos, x x2 xy
2.0 1 1 2.0
3.0 3 9 9.0
yˆ  1.75  .25 x
2.5 4 16 10.0
Sales  1.75  .25(payroll)
2.0 2 4 4.0
2.04.0 – 1 1 2.0
3.5 7 49 24.5
(milhões €)

3.0 –
Σy = 15.0 Σx = 18 Σx2 = 80 Σxy = 51.5
Vendas

2.0 –

1.0 – x=
å x 18
= =3 y=
å y 15
= = 2.5
6 6 6 6
| | | | | | |

b=
å xy - nxy 0 51.5
=
1 - (6)(3)(2.5)
2 3 4
=
5
.25
6
a = y
7
- bx = 2.5 - (.25)(3) = 1.75
å x - nx
Rendimentos (Bilhões €)
2
80 - (6)(3 )
2 2
 Previsão Relacional - Exemplo

Se os rendimentos da população no próximo ano se

estimam em 6 bilhões €, então:

Vendas (milhões €) = 1,75 + 0,25(6)

= 1,75 + 1,5 = 3,25

Vendas = 3.250.000 €
Previsão Relacional - Exemplo

4.0 –

3.25
(milhões €)

3.0 –
Vendas

2.0 –

1.0 –

| | | | | | |

0 1 2 3 4 5 6 7
Rendimentos (Bilhões €)
 Correlação
► Qual a intensidade da relação linear entre
variáveis?
► Correlação não implica necessariamente
causalidade!
► Coeficiente de correlação, r, mede o grau
de relação
► Valor varia entre -1 e +1
 Coeficiente de Correlação

nå xy - å xå y
r=
é ùé ù
êënå x - ( )
å x úûêënå y - ( )
å y úû
2 2
2 2
 Coeficiente de Correlação
y y

x x
(a) Perfect negative (e) Perfect positive
correlation y y correlation

y
x x
(b) Negative correlation (d) Positive correlation

x
(c) No correlation

High Moderate Low Low Moderate High

| | | | | | | | |

–1.0 –0.8 –0.6 –0.4 –0.2 0 0.2 0.4 0.6 0.8 1.0
Correlation coefficient values
 Coeficiente de Correlação
y x x2 xy y2
2,0 1 1 2,0 4,0
3,0 3 9 9,0 9,0
2,5 4 16 10,0 6,25
2,0 2 4 4,0 4,0
2,0 1 1 2,0 4,0
3,5 7 49 24,5 12,25
Σy = 15,0 Σx = 18 Σx2 = 80 Σxy = 51,5 Σy2 = 39,5

(6)(51,5) – (18)(15,0)
r
(6)(80) – (18) (16)(39,5) – (15,0) 
2 2

309  270 39 39
    0,901
(156)(12) 1872 43,3
www.europeia.pt