Você está na página 1de 75

UNIVERSIDADE CATÓLICA DE MOÇAMBIQUE

Faculdade de Engenharia
Mestrado em Gestão e Administração de Negócios (MBA)

PREVISÃO DE RECEITAS OPERACIONAIS USANDO SÉRIES


TEMPORAIS POR DECOMPOSIÇÃO CLÁSSICA NA UCM-
FACULDADE DE ENGENHARIA.

De:

GEOFFREY ALEXANDRE SANTANA

Dissertação submetida a Faculdade de Engenharia – Universidade Católica de Moçambique


para obtenção de grau de Mestrado em administração e gestão de negócio (MBA)

Chimoio,

Junho de 2020
UNIVERSIDADE CATÓLICA DE MOÇAMBIQUE

Faculdade de Engenharia
Mestrado em Gestão e Administração de Negócios (MBA)

PREVISÃO DE RECEITAS OPERACIONAIS USANDO SÉRIES


TEMPORAIS POR DECOMPOSIÇÃO CLÁSSICA NA UCM-
FACULDADE DE ENGENHARIA.

DE:

GEOFFREY ALEXANDRE SANTANA

Dissertação submetido na Faculdade de Engenharia


– Universidade Católica de Moçambique como
requisito para obtenção de grau de mestrado em
administração e gestão de negócios (MBA)

Orientador: Prof. Doutor. João Luís Ferrão

Chimoio,
Junho de 2020
ÍNDICE

DECLARAÇÃO DE HONRA....................................................................................................i

DEDICATÓRIA........................................................................................................................ii

AGRADECIMENTOS.............................................................................................................iii

RESUMO..................................................................................................................................iv

ABSTRACT...............................................................................................................................v

LISTA DE TABELAS..............................................................................................................vi

LISTA DE FIGURAS..............................................................................................................vii

LISTA DE ABREVIATURAS...............................................................................................viii

GLOSSÁRIO............................................................................................................................ix

CAPITULO I..............................................................................................................................1

1.1. Introdução.......................................................................................................................1

1.2. Justificativa.....................................................................................................................2

1.3. OBJECTIVOS.....................................................................................................................2

1.3.1. Objectivo Geral............................................................................................................2

1.3.2. Objectivos Específicos................................................................................................2

1.4. Problematização..............................................................................................................3

1.5. Hipóteses.........................................................................................................................3

1.6. Delimitação Do Estudo...................................................................................................3

1.7. Estrutura do trabalho.......................................................................................................3

CAPITULO II: REVISÃO DA LITERATURA........................................................................5

2.1. Literatura Teórica................................................................................................................5

2.1.2. Conceito de Orçamento empresarial................................................................................5

2.1.3. Previsão de receitas..........................................................................................................6

2.1.4. Séries Temporais..............................................................................................................7


2.1.4.1. Análise De Tendência...................................................................................................8

2.1.4.2. Análise De Variações Cíclicas......................................................................................9

2.1.4.3. Medição De Variações Sazonais...................................................................................9

2.1.4.4. Projecções Baseada Em Medias Moveis.......................................................................9

2.1.4.5. Modelo Multiplicativo..................................................................................................9

2.1.4.6. Modelo Aditivo...........................................................................................................10

2.1.4.7. Ajuste pelo modelo Exponencial................................................................................10

2.1.4.8. Outros Métodos De Projecção Que Incorporam Suavização......................................11

2.1.4.9.Erros De Previsão.........................................................................................................12

2.1.4.9.1. Medidas de erros......................................................................................................12

2.2. Literatura focalizada..........................................................................................................14

2.2.1. O Ciclo Orçamental........................................................................................................14

2.3. Literatura empírica............................................................................................................16

CAPITULO III: METODOLOGIA DE PESQUISA...............................................................19

3.1. Tipo De Pesquisa...............................................................................................................19

3.2. Técnicas De Previsão........................................................................................................19

3.2.1. Modelos Quantitativos................................................................................................20

3.3. Obtenção De Dados...........................................................................................................22

3.4. Análise de dados...............................................................................................................23

CAPITULO IV: ANÁLISE E INTERPRETAÇÃO DE DADOS...........................................24

4.1. Análise e interpretação de dados...................................................................................24

4.2. Discussão de Resultados...................................................................................................40

CAPÍTULO V: CONCLUSÃO................................................................................................42

5.1. Sugestões...........................................................................................................................43

5.2. Sugestões para a UCM/FENG..........................................................................................43

5.3. Referências Bibliográficas................................................................................................45

APENDICES............................................................................................................................48
Apêndice A: Tabela 1. Decomposição do modelo clássico.....................................................49

Apêndice B: Decomposição De Série Temporais Para A Receita modelo Multiplicativo......51

Apêndice C: Decomposição De Série Temporais Para A Receita modelo aditivo..................53

APÊNDICE D: CALCULO DAS MÉDIAS MÓVEIS CENTRADAS..................................55

APÊNDICE E: CALCULO DOS AJUSTES EXPONENCIAL..............................................57


DECLARAÇÃO DE HONRA

Geoffrey Alexandre Santana declaro em minha honra que este trabalho é da minha realização
pela Universidade Católica de Moçambique no ano de 2020 excetuando situações que aqui
foram referenciadas. O presenta trabalho nunca foi apresentado numa outra instituição para
obtenção de grau de mestrado. Nenhuma parte deste trabalho devera ser reproduzida ser a
permissão do autor ou da Universidade Católica de Moçambique.

Nome do Autor

Geoffrey Alexandre Santana

________________________________

Data:

Nome do Supervisor

Prof. Doutor. João Luís Ferrão

_______________________________

Data:

i
ii
DEDICATÓRIA

Dedico este trabalho aos meus pais, Sérgio


Alexandre Santana e Zainabo Nemane Mamudo e
aos meus queridos irmãos, toda a família em geral
pelo incentivo, e o apoio.

iii
AGRADECIMENTOS

Em primeiro lugar, agradeço a Deus por me ter concedido a vida na sua Graça e iluminando
os meus caminhos durante o percurso e pela oportunidade de estar a concluir essa dissertação.
Aos meus pais, Sérgio Alexandre Santana e Zainabo Nemane Mamudo e aos meus irmãos
pela paciência, amor e carinho para a conclusão deste trabalho e a família em geral

O meu orientador, Prof. Doutor. João Luís Ferrão por todo o auxílio, apoio prestado ao longo
desta trajectória, paciência e a sua participação fundamental para a elaboração desta
dissertação

A todos os docentes e colegas da UCM/FENG que tem dado força e disponibilidade de ajudar
em tudo durante o trajectória deste trabalho. Aos colegas e amigos do curso por tudo que com
eles aprendi e por partilharem a construção dos meus estudos.

A todos que directamente ou indirectamente prestaram apoio para elaboração deste trabalho
na colecta de informação e sua compilação.

iv
RESUMO

Nesta dissertação foi usado o método da decomposição clássica de séries temporais baseados
em modelos multiplicativo e aditivo para realizar previsões de receitas operacionais na
FENG/UCM no período de janeiro de 2015 a dezembro de 2019 totalizando assim 60
observações. Verificou que no modelo multiplicativo é o modelo mais adequado por
apresentar as duas medidas de precisão MAPE e MSE mais próxima de (zero) 0. Na análise
de séries temporais foi identificado a componente tendência na série encontrando um
aumento ligeiramente acentuado nas receitas mensais ao longo dos anos. Foi feita a obtenção
da equação de tendência para fazer as respectivas previsões. Após a remoção da tendência da
série original foi identificado a componente sazonal na série nos 12 meses superiores a 5%
tanto para modelo aditivo como para modelo multiplicativo. Não se verificou a influência de
presença de ciclos na série e não existe uma variação ascendente e descendente na série
original.

Palavras-chave: Previsão, séries temporais, receitas operacionais

v
ABSTRACT

In this dissertation, the classical time series decomposition method based on multiplicative
and additive models was used to make forecasts of operating revenues at FENG /UCM in the
period from January 2015 to December 2019, thus totaling 60 observations. He found that in
the multiplicative model it is the most appropriate model because it presents the two precision
measures MAPE and MSE closest to zero. In the analysis of time series, the trend component
in the series was identified, finding a slightly sharp increase in monthly revenues over the
years. The trend equation was obtained to make the respective predictions. After removing
the trend from the original series, the seasonal component in the series was identified in the
12 months above 5% for both the additive and multiplicative models. There was no influence
of the presence of cycles in the series and there is no upward and downward variation in the
original series.

Keyword: Forecast, time series, operating revenues

vi
LISTA DE TABELAS

Tabela 1.Estimativa de Parâmetros de Tendência por equação...............................................27

Tabela 2. Indices sazonais obtido pelo Modelo Multiplicativo...............................................29

Tabela 3.Indices sazonais pelo modelo Aditvo........................................................................30

Tabela 4.Erros e medidas de acuracidade para a recomposição de modelo Aditivo e


Multiplicativo...........................................................................................................................36

Tabela 5.Equação de Tendência Ajustado ao Modelo Multiplicativo.....................................37

Tabela 6.Previsões para o ano de 2020 modelo multiplicativo................................................37

Tabela 7.Previsão de receitas decomposição de series para receitas no peridode 2020 (modelo
Aditivo)....................................................................................................................................39

Tabela 8.Equação de tendencia ajustado ao modelo aditivo....................................................39

Tabela 9.Previsões para o ano de 2020 modelo aditivo...........................................................39

vii
LISTA DE FIGURAS

Figura 1.Receitas Operacionais Mensais da UCM/FENG-Chimoio.................................24

Figura 2.Comportamento Anual de Receitas Operacionais na UCM/FENG...................25

Figura 3.Receitas E Medias Movies(MM) De 12 Meses.....................................................25

Figura 4.Obtenção de Tendencia Por Equação De Receitas Na UCM/FENG No Periodo


2015 A 2019.............................................................................................................................26

Figura 5. Obtenção de Tendencia por Equacao..................................................................26

Figura 6.Ajuste Exponencial de Receitas Operacionais Da UCM/FENG........................28

Figura 7.índices Sazonais de Receitas Opercionais Da UCM/FENG (2015-2019)...........31

Figura 8.Diagrama de Caixa dE Receitas Operacionais Da UCM/FENG........................31

Figura 9.Analise de Receitas AO longo dos Anos................................................................32

Figura 10.Ciclos do Modelo Multiplicativo.........................................................................33

Figura 11.Analise de Ciclos Nas Receitas............................................................................34

Figura 12.Ciclos Pelo Modelo Aditivo..................................................................................34

Figura 13.Analise De Receitas Pelo Modelo Aditivo...........................................................34

Figura 14.Auto Correlacao De Receitas Operacionais Da UCM/FENG (2015-2019).....35

Figura 15.Auto Correlacao Parcil De Receitas Operacionais............................................36

Figura 16.Decomposicao Classica Para Receita Usando O Modelo Multiplicativo.........38

Figura 17.Normalidade dos Residuos...................................................................................38

Figura 18.Decomposição Classica Usando o Modelo Adtivo.............................................39

viii
LISTA DE ABREVIATURAS

ARIMA-Modelos Autorregressivos Integrados com a Media Móvel

FENG-Faculdade de Engenharia

MAD- Mean Absolut Deviation

MAPE-Mean Absolut Percentage Error

ME-Mean Error

MSE-Mean Squared Error

Mt-Metical

UBs-Unidade Básicas

UCM-Universidade Católica de Moçambique

ix
GLOSSÁRIO

Constante de alisamento (w) -valor que varia entre 0 e 1 utlizado nas previsões por
alisamento exponencial

Decomposição-Modelos de previsão que decompõe a serie temporal nas suas componentes


de sazonal e tendência

Desvio Médio Absoluto (DMA) - técnica para determinar a acurácia de um modelo de


previsão que leva em conta a media dos desvios absolutos

Erro Percentual Absoluto Médio (EPAM) - técnica para determinar acurácia de um modelo
de previsão que toma a media dos erros absolutos com um percentual de valores observados.

Media móvel l centrada – média dos valores centrada em um ponto específico do tempo. É
utilizado para calcular índices sazonais quando existe uma tendência nos dados.

Mínimos quadrados- procedimento utilizado na projecção de tendência e na análise de


regressão para minimizar as distâncias ao quadrado entre a linha estimada e os valores
observados.

Projecção de tendência- uso de linha de tendência para prever com uma série temporal
quando existe uma tendência nos dados. Uma tendência linear é uma linha de regressão em
que o tempo é a variável independente.

Receitas operacionais- são recursos gerados pela empresa em sua actividade final.

Série temporal- é um conjunto de observação dos valores de uma variável assume em


diferentes momentos de tempo. Dados recolhidos em intervalos regulares como diariamente,
semanal. Mensal e anual.

Tendência a movimentação geral a longo prazo dos valores da série temporal (Y) sobre um
extenso período de anos

x
CAPITULO I

1.1. Introdução

A receita é um factor fundamental para a correta mensuração do desempenho de qualquer


organização e é o item de maior importância nas demostrações financeira Iudicibus, (2010).

Existem vários benefícios para a empresa utilizar uma boa metodologia de previsão de
receitas, sendo assim um dos benéficos é melhor planeamento orçamentário das actividades
da organização reduzindo assim os riscos que possam afectar a receitas operacionais, a
tomada de decisão mais precisa e assertiva na empresa. Schiavo,( 2013)

A previsão de receitas é fundamental no planeamento de qualquer empresa visto que é


utilizado por diversos horizontes de tempo. O orçamento da empresa é uma ferramenta de
planeamento e controlo de receitas e despesas e resultados da empresa produzido assim
antecipadamente as operações da empresa.

Uma boa previsão de receita ajuda a gerenciar o fluxo de caixa e os colaboradores terão
capital suficiente para gerência de estoques na empresa. A maioria das empesas tem entre
suas responsabilidades desenvolver orçamentos para seus períodos de operação, o orçamento
empresarial deve detalhar quais são as receitas e despesas da companhia dentro de valores
futuros. Entretanto muitas delas fazem estas previsões de forma empírica, limitando-se a
acrescentar uma percentagem às receitas anteriores.

O uso de métodos estatísticos e econométricos em análises das previsões de receitas busca


uma fundamentação mais técnica e confiável das conclusões obtidas Júnior, (2007).

A previsão de receitas com base nos valores futuros que a empresa espera obter usando séries
temporais pode ser uma estratégia de previsão para organização. As séries temporais
produzem previsões de receitas mais precisas para além da sua simplicidade.

Segundo David, (2012) A análise de séries temporais consiste em técnicas matemáticas que
buscam descrever os movimentos componentes- factores que apresentam como
características de uma série em particular, considerando que uma série pode apresentar
movimentos de tendência, ciclos, aleatórios e sazonais.

1
O orçamento em Moçambique é feito de uma forma qualitativa o que pode acarretar erros e
distorções. A orçamentação com base em estatística e econometria pode reduzir os erros de
orçamentação. Estudos de séries temporais para a previsão de receitas em Moçambique em
geral e em Chimoio em particular não são conhecidos e o uso desse tipo de ferramentas
estatísticas para a previsão das receitas pode obter orçamentos mais precisos.

1.2. Justificativa

O orçamento em Moçambique é feito de uma forma qualitativa o que pode acarretar erros e
distorções. A orçamentação com base em estatística e econometria pode reduzir os erros de
orçamentação. Não se conhece tanto em Moçambique como no Chimoio estudos de previsão
de receitas usando métodos estatísticos e econométricos, que são métodos com maior
precisão e confiança. A maior parte dos orçamentos faz previsão das receitas com base
empírica. A escolha do tema foi feita no sentido de ajudar a FENG na previsão de receitas
operacionais futuras usando métodos estatísticos na previsão em séries temporais, e também
poder contribuir de uma forma significativa para o processo de tomada de decisão pois a
grande parte baseia em métodos quantitativos. Analisar e Prever no ano de 2020. Esta
pesquisa ajuda um planeamento com mais precisão por sua vez pode resultar com a
diminuição de problemas ao longo dos períodos.

1.3. OBJECTIVOS

1.3.1. Objectivo Geral

 Propor o uso de séries temporais para previsão de receita operacional da Faculdade de


Engenharia-FENG.

1.3.2. Objectivos Específicos

 Estudar a partir das séries temporais de receitas operacionais usando os métodos


estatísticos;
 Analisar o comportamento da receita operacional na FENG no período de 2015 a
2019;

2
 Fazer previsões de receitas operacionais para ajudar a FENG a se planificar usando
série temporal;
 Validar o uso de series temporais na previsão de receitas operacionais.

1.4. Problematização

Na UCM/FENG a previsão de receitas inicia com a actualização do número de estudantes


efectivos e a previsão de novos ingressos, sendo esta a principal fonte de arrecadação de
receitas. Para fazer previsões futuras baseiam no número de estudantes matriculados. Este
método é empírico e de confiabilidade reduzida. A série temporal poderá auxiliar na previsão
de receitas a partir da análise do comportamento da receita operacional no período de 2015-
2019 e prever receitas futuras. Uma análise de série temporal é um método para perceber de
que forma a estrutura gerou a série. Uma previsão a partir de série temporal procura construir
um modelo matemático a partir do qual seja possível prever valores futuros da série.

Pergunta de pesquisa: Em que medida a utilização de séries temporais pode melhorar na


orçamentação de receitas na FENG?

1.5. Hipóteses

H 0 : O uso de séries temporais melhora a orçamentação;


H 1 : O uso de séries temporais não melhora a orçamentação;

1.6. Delimitação Do Estudo

A presente dissertação foi realizado na UCM/FENG (Chimoio) no período de 2015 a 2019


para analisar o comportamento a previsão de receitas operacionais e prever receitas futuras
por meio de séries temporais.

1.7. Estrutura do trabalho

A presente dissertação esta estruturada da seguinte forma:

3
No capítulo I tem a breve introdução sobre o trabalho desenvolvido, os objectivos, a
justificativa que mostra a importância e a relevância do tema em estudo, o problema em
questão;

No capítulo II tem-se a revisão bibliográfica que apresenta tópicos sobre o conceito de


orçamento, series temporais e métodos de previsão;

No capítulo III apresenta-se a metodologia do trabalho onde é apresentado o método de


previsão de receitas proposto neste trabalho;

No capítulo IV apresenta-se a análise e interpretação de resultados coletados na UCM/FENG


de receitas operacionais;

No capítulo V tem-se as conclusões sobre o trabalho realizado e também as sugestões para os


estudos futuros.

4
CAPITULO II: REVISÃO DA LITERATURA

Neste capítulo são apresentados conceitos teóricos e empíricos. Na revisão da literatura


teórica são aparentados o conceito do orçamento empresarial, gestão administrativa
financeira e os modelos clássicos de análise de previsão. Na literatura empírica são realizados
estudos similares nos outros países.

2.1. Literatura Teórica

2.1.2. Conceito de Orçamento empresarial

De acordo com Macedo & Corbari, (2014) definem o orçamento empresarial como “um
instrumento de programação que relaciona os fluxos de ingressos dos recursos a sua
aplicação nas actividades organizacionais, a fim de estabelecer um plano de acção futuro,
orçando receitas que serão obtidas e as despesas que incidirão na sua execução.

Frezzati, (2015) Complementa que o orçamento empresarial consiste em um plano financeiro


que implementa as metas, estratégias de um negócio em um período, tendo condições para
proporcionar avaliação de desempenho da entidade, área interna e gestores.

Luz, (2015) Afirma que o orçamento é um desdobramento do plano estratégico montado pela
empresa, com função de permitir a implantação de decisões contidas no plano e em caso de
não concretização de alguma medida decidida no plano estratégico e esperada alguma acção
impactante na empresa.

Para Schiavo, (2013) e Padozeve, (2016) os benefícios/ vantagens principais de um


orçamento são:

 Aprimoramento do planeamento; auxílio a coordenação;


 Controle global; divulgação de relatórios reais; utilização do orçamento empresarial
como instrumentos de avaliação de resultados e políticas organizacionais;
 Definição de metas a cada unidade operacional e o responsável pelo cumprimento;

5
 Estimula aos administradores ao pensamento no futuro.

Para Padozeve, (2016), o orçamento:

 Estimula aos administradores a projecção de decisões e acções futuras;


 Facilita a análise do desempenho empresarial;
 Auxilia o conhecimento da função de cada sector na execução do plano orçamentário;
melhoria contínua dos resultados institucionais.

De acordo com Schiavo, (2013), os principais benefícios (vantagens) do orçamento


empresarial tornam-no mais práctico e realista, com estímulos a previsão; possibilita a troca
de informações e equilíbrio entre as actividades, com possíveis detecções de desequilíbrios já
existentes; estabelecimentos de padronização nos departamentos; divulgação de relatórios
reias que indica falhas e desvios com oportunidades de correções.

Segundo Padozeve, (2016) alguns benefícios do orçamento empresarial possibilita a


comparação de resultado obtido como o resultado estabelecido e facilita o trabalho em equipa
e a coordenação de actividades.

2.1.3. Previsão de receitas

A previsão das receitas públicas torna-se em grande instrumento capaz de substanciar a


elaboração do orçamento, sendo de grande relevância para o processo orçamentário
governamental, assim Costa (2011) define que a previsão das receitas é a parte integrante do
processo orçamentário exercendo um importante papel para a gestão financeira.

A pesquisa de Santiago & Duarte (2006) define a previsão é um processo que fortalece a
administração pública para a elaborar orçamento mais próximo da realidade e de necessidade
para a fixação de futuras despesas. Os autores retratam que a estimativa de receitas é um
factor que contribui para o equilíbrio das contas públicas. Rocha (2008) reforça a ideia de que
a previsão contribui para o equilíbrio das contas da administração pública seja, estadual ou
municipal procurando dimensionar a capacidade governamental para fixar a despesa.

Estudos realizados por Gonçalves, (1998) e Costa, (2011) sobre técnicas de previsão
ressaltam que existe duas formas para a sua realização: as qualitativas e quantitativas.
Segundo estes autores a previsão qualitativa baseia-se no julgamento, intuição, pesquisa e

6
técnicas de comparação para projectar a demanda. As técnicas de previsões quantitativas esta
ligado a equações matemáticas e estatísticas, enfocando os modelos econométricos por
regressão, que tem a função de estimar o nível do desempenho a ser atingido, baseados nos
dados passados que permanecem constante para uma correcta projecção .

Conforme Zonatto & Hein, (2013) as previsões orçamentárias possibilitam ao gestor público
constar os recursos que são necessários para atender as necessidades do ente publico e
subsidiar o gestor para identificar recursos necessários para os novos investimentos.

Uma previsão eficaz torna-se possível um planeamento adequado que por consequência ira
proporcionar uma maior transparência na aplicação dos recursos públicos.

Segundo Liebel, (2004) as previsões são indispensáveis para a tomada de decisões por parte
de gestores que dependem das receitas públicas para a realização dos programas do governo
afirmando ainda uma previsão aprimorada pode substanciar um orçamento mais realista.

Diante do exposto a previsão é um processo metodológico ancorado por ferramentas


estatísticas em que utilizam técnicas de eventos passados e modelagens econométricas para
que se possam atingir previsões que atendam a um correcta arrecadação futura.

2.1.4. Séries Temporais

Segundo Kazmier (2008) a análise de séries temporais é o procedimento através da qual os


factores relacionados no tempo que influenciam os valores observados na série temporal são
identificados e isolados. Uma vez identificados eles podem ser usados para ajudar na
interpretação de valores históricos da série temporal e para prever valores futuros da série. A
abordagem clássica da análise de série temporal identifica quatro tipos de influência ou
componentes:

(1) Tendência (T): a movimentação geral a longo prazo dos valores da série temporal (Y)
sobre um extenso período de anos;
(2) Flutuações cíclicas (C): Movimentações repetitivas acima e abaixo da tendência que
tem uma duração de vários anos;
(3) Variações Sazonais (S): Movimentações acima e abaixo da tendência que são
completadas de um ano e se repete anualmente. Estes tipos de variações são
identificados baseados em dados mensais ou quadrimestrais.

7
(4) Variações Irregulares (I): as variações irregulares da tendência que não podem ser
atribuídas a influências cíclicas ou sazonais.

O modelo que sustenta a análise de séries temporais clássicas é baseadas na premissa de que
para qualquer período designado na série temporal o valor da variável é determinado através
de quatro componentes: tendência, cíclicas, sazonalidade e irregularidade, que as
componentes tem uma relação de multiplicação. Desta forma, onde Y representa o valor da
série temporal:

Y =T ∗C∗S∗I

2.1.4.1. Análise De Tendência

Segundo Kazmier (2008) o método dos mínimos quadrados é a plataforma mais frequente
usada para identificar a componente tendência da série temporal através da determinação da
equação para o melhor ajuste da linha de tendência. Quando o crescimento ou decrescimento
a longo prazo parece seguir uma tendência linear

Uma serie temporal de receitas operacionais para obter tendência por equação pode se obter
das seguintes formas:

 Linear (recta) Yt =b1∗t+b 0


 Polinómio de segundo gau Yt =b2∗t 2 +b 1∗t + b0
 Logarítmica Yt =b1∗ln ( t ) +b 0
 Potencia Yt =b1∗t bo
 Exponencial Yt =b1∗e b ∗t 0

O b 0 Representa o ponto de intersecção da recta de tendência como o eixo Y, enquanto b 1


Representa a inclinação da recta de tendência onde X /t é o período e Y é o valor observado
da série temporal, as formulas para determinar os valores de b 0 e b 1 para a equação linear de
tendência são:

Σ XY −n X́ Ý
b 1=
Σ X 2−n X́ 2

b 0=Ý −b1 X́

8
Y T =b0 + b1 X

2.1.4.2. Análise De Variações Cíclicas

Valores de séries temporais anuais representam os efeitos somente da tendência e


componentes cíclicas, porque as componentes sazonais e irregulares são definidas como a
influência de curto prazo. Para dados anuais as componentes cíclicas podem ser identificadas
como sendo a componente que restaria nos dados após a remoção da componente tendência.
Esta remoção é conseguida através da divisão de cada um dos valores observados pelo valor
de tendência.

Y T∗C
= =C
YT T

2.1.4.3. Medição De Variações Sazonais

Segundo Kazmier (2008), a influência de componentes sazonais nos valores da série temporal
é identificada pela determinação de número dos de índice sazonal para cada mês (trimestre)
do ano. A média aritmética de todos os 12 números de índice mensais ou quatro números de
índice trimestrais é 100. A identificação de influências sazonais positivas e negativas é
importante para a produção e planeamento.

2.1.4.4. Projecções Baseada Em Medias Moveis

Uma média móvel é a média dos n valores mais recentes do conjunto de dados da série
temporal este procedimento pode ser representado por:

Σ(valores mais recentes de n)


MA=
n

A média móvel pode ser usada para projectar valores para o próximo período na série
temporal mas não para período muito distantes. O método é apropriados quando não há
tendência, influência cíclica ou sazonalidade nos dados, o que são certamente situações
improváveis

9
2.1.4.5. Modelo Multiplicativo

Neste modelo o valor da série (Y) é formado pelo produto das componentes da série.
Javedani & Lee, (2010)

Y =f ( T , C , S , I ) →Y =T∗C∗S∗I

Y =f ( T , C , S , I ) →Y =T∗C∗I ( semcomponente sazonal se os dados forem colectados anualmente )

Neste modelo, apenas a tendência tem a mesma unidade do valor (Y) da série as outras
componentes possuem valores em torno de 1. Quando esses valores forem maiores do que 1
provoca um aumento na tendência, quando menores que 1 provocam uma queda na tendência
e quando forem iguais a 1 não produzem ascensão ou de queda na tendência da série.

2.1.4.6. Modelo Aditivo

Neste modelo o valor da série (Y) é formado pelo produto das componentes da série.
Javedani & Lee, (2010)

Y =f ( T , C , S , I ) →Y =T +C +S + I

Y =f ( T , C , S , I ) →Y =T +C + I ( semcomponente sazonal se os dados forem colectados anualmente )

Neste modelo todas as componentes tem a mesma unidade da série, pois se trata de uma
soma. No modelo aditivo a amplitude da variação sazonal independente do termo T+C.

2.1.4.7. Ajuste pelo modelo Exponencial

Conforme Kazmier (2008), O ajuste exponencial é uma outra forma de obter tendência de
uma serie temporal. O ajuste exponencial fornece uma media móvel exponencialmente
ponderada ao longo da serie temporal cada previsão ou valor ajustado depende de todos os
valores prévios. Os pesos designados para valores observados decrescem ao longo do tempo
ou seja valor observado mais recente recebe maior peso o valor anterior o segundo maior e o
valor observado inicialmente recebe menor peso

10
Segundo Levine (2016) consiste em três termos- o valor corrente na série temporal,Y n; o
valor exponencialmente ajustado calculando anteriormente, En−1; e um coeficiente de ajuste,
w assim temos:

E1=Y 1

En =W∗Y n+(1−w)E n−1

Onde:

En =¿Valor da série exponencialmente ajustada, calculada no período n

En−1=Valor de série exponencialmente ajustada, no tempo n−1

Y n=¿Valor observado da série no tempo n.

W =¿Coeficiente de ajuste, onde (0 ≤ w ≤ 1)

Segundo Levine (2016) a escolha de regularização, o coeficiente de ajuste (w) é subjectivo,


em caso do observador queira eliminar as oscilações indesejáveis deve escolher um
coeficiente de regularização (w) baixo próximo a zero. Por outro lado se pretende uma
previsão de curto prazo aconselha-se o uso de coeficiente de regularização próximo de 0.5.

2.1.4.8. Outros Métodos De Projecção Que Incorporam Suavização

A média móvel é apropriada com base para projectar somente quando há influência irregular
provoca variação dos valores da série temporal, a suavização exponencial simples é mais
apropriada somente quando há influências cíclicas e irregulares contem principais efeitos nos
valores observados.

Suavização exponencial linear utiliza uma equação de tendência linear baseada os dados da
série temporal, os valores da série são especialmente ponderados baseados numa constante de
suavização, na suavização simples, a constante varia de 0 a 1.

Suavização exponencial de Holt utiliza uma equação de tendência linear baseada no uso de
duas constantes de suavização: uma para estimar o nível corrente dos valores da série e os
outros para estimar a inclinação.
11
Suavização exponencial de Winter incorpora influências sazonais na projecção três constantes
de suavização são utilizadas: uma para estimar o nível corrente dos valores da série, o
segundo para estimar a inclinação da tendência e o terceiro para estimar o factor sazonal para
ser utilizado como multiplicador.

ARIMA são uma categoria de métodos projecção nos quais valores observados anteriormente
na série temporal são usados como as variáveis independentes em modelos de regressão. O
mais amplamente método nesta categoria foi desenvolvido por Box e Jekins. Estes métodos
fazem uso explícito da existência de Auto correlação na série temporal, a qual a correlação
entre a variável atrasada um ou mais período consigo mesma. Segundo Kazmier, (2008)

2.1.4.9.Erros De Previsão

Júdice, (2005) a previsão em series temporais serve para determinar o bom funcionamento de
uma organização. As previsões devem ser controladas e monitoradas para ajudar aos
administradores a projecção de decisões e acção futuras. O erro de previsão serve para o
administrador conhecer a eficácia de previsão de uma organização. Existem alguns
indicadores para medição de erro de previsão como MAPE, MSE e MAD

Segundo Wanke & Julianelii, (2006) existem várias medidas de erros de previsão, em que
consiste entre valores reais e os valores previstos designado por erro de previsão.

Cavalheiro, (2003) a palavra acurácia refere-se ao melhor ajuste do modelo de previsão e que
se refere a exatidão de dados históricos

Segundo Samohyl, Sousa, & Miranda, (2007) As medidas de acuracidade são usadas para
avaliar se o modelo para obtenção de tendência é mais apropriado para descrever o
comportamento de longo e a correção desta imprecisão pode melhorar resultados

2.1.4.9.1. Medidas de erros

O erro de previsão consiste é a diferença entre o valor previsto ( Pt ), e o valor observado (O t )


a discrepância no período de tempo t pode ser expresso conforme:

Erro=Pt −Ot

12
De acordo com a equação, Pt representa a previsão no período t e O t o valor observado no
mesmo perido. Um erro positivo indica que a previsão esta acima do real, assim como o valor
negativo indica que esta abaixo. Existem varias maneiras de calcular as medidas de
acuracidade de previsão.

Erro médio -ME

Uma medida de acurácia que pode ser calculada é o erro médio de previsão na qual se
adicionaram os valores dos erros para os n períodos de tempo e calcula-se media segundo:

n
1
ME= ∑ (Pt ¿−Ot ) ¿
n t =1

Como os erros podem possuir valores positivos e negativos que se cancelam, o resultado
obtido é próximo de zero, por este motivo esta medida não é útil para avaliar diferentes
métodos de previsão.

Erro absoluto medio -MAD

Esta medida é simplesmente a media dos erros absolutos. Ela é frequentemente preferida ao
erro médio, visto que trata o erro como uma distância entre o previsto e o observado. A
equação é dado por:

n
1
MAD= ∑ ¿ Pt−Ot ∨¿
n t=1

Segundo Samohyl, Sousa, & Miranda, (2007) O erro absoluto medio é uma medida da
qualidade da previsão apropriada para analisar as previsões e tomar decisões.

Erro quadrático medio -MSE

Cavalheiro, (2003) Esta medida de acuracidade mede o afastamento da média das previsões
em relação aos valores observados constituindo uma media de erros de previsão é comum em
ajustes de previsão em series temporais e segue a mesma logica que o MAD, anula os feitos
negativos e positivos e aplica-se o quadrático dos erros conforme a equação

n
1
MSE= ∑ ¿ ¿
n t =1

13
Erro percentual absoluto médio -MAPE

Segundo Samohyl, Sousa, & Miranda, (2007) O MAPE é considerado como uma das
medidas mais utilizadas para se avaliar os diversos métodos de previsão, pela facilidade de
interpretação de erros em termos percentuais.

n
1 P −O t
MAPE= ∑ ¿ t ∨¿
n t=1 Ot

Para O t ≠ 0

O ponto mais fraco da medida surge quando a série temporal contem valores iguais a zero
provocando o crescimento do erro ao infinito. O modelo que tiver a maioria dos erros mais
próximos de zero é o modelo mais apropriado para fazer previsões

2.2. Literatura focalizada

Segundo Mussagy (2016) a gestão Administrativa e financeira consiste principalmente nos


exercícios de diversos actos administrativos e financeiros realizados pelas Unidades básicas.

Destaca-se o orçamento o principal instrumento de gestão administrativa e financeira. A


gestão administrativa e financeira da UCM apresenta quatro grandes áreas: Elaboração de
proposta de orçamento, execução de orçamento, e sistema de controlo interno.

2.2.1. O Ciclo Orçamental

Segundo Mussagy (2016) O ciclo orçamental composto duas áreas de gestão administrativas
e financeira, a elaboração da proposta e a execução orçamental.

O planeamento orçamentário, elaboração e aprovação dos mesmos, que passam das Unidades
Básicas e que depois são consolidados, por sua vez, dão origem ao orçamento consolidado da
UCM.

14
De acordo com o manual de metodologia de elaboração dos orçamentos assenta a previsão de
resultados operacionais de receitas, despesas e investimentos e resultados operativos e liquido
deduzidos do investimento plurianuais a serem utilizados pela unidade básica durante o ano
civil a ser planejado.

O manual de Procedimentos administrativos e de gestão financeira da UCM foi actualizado


em 2013 (Deliberação no05/2013/CUUCM). No artigo 25º refere-se a submissão de
orçamentos anuais referente as etapas do ciclo orçamentário na UCM, nomeadamente:

(1) Elaboração de proposta orçamental

A elaboração da proposta orçamental na FENG/UCM é qualitativa. Compreende a etapa


inicial de todo o processo onde a direcção de cada UBs planifica todas as actividades
referentes as estimativas das receitas a serem geradas e as principais despesas e investimentos
a serem realizados nesse ano. A previsão de receitas na UCM inicia com actualização do
número de estudantes efectivos e a previsão de novos ingressos. Aqui o exercício passa por
inicialmente pela articulação das áreas pedagógicas e administrativas de cada UB’s para que
juntas encontrem a previsão de novos ingressos nos cursos já existentes e a previsão para os
novos cursos e devem ser aprovados pelo conselho académico.

(2) Execução do orçamento

A fase de execução de orçamento fica a cargo da UB, sempre que com a supervisão do
conselho de gestão financeira.

Para Silva, (2004), a execução orçamentária é um conjunto de actividades destinadas ao


cumprimento dos programas estabelecidos para alcançar os objectivos propostos.

Após a deliberação do conselho universitário, as UB ficam informadas da aprovação e as


bases usadas para a sua implementação.

(3) O controlo interno.

A fase de controlo ocorre simultaneamente com a execução orçamental, o concelho de gestão


financeira recebe mensalmente todos os relatórios financeiros das UBs

A previsão de receitas inicia com a actualização do número de alunos efectivos e a previsão


de novos ingressos

15
Este estudo de previsão de receitas usando as séries temporais na literatura observada não
foram encontrados estudos em Moçambique, ainda não é um técnica utilizadas pelas
empresas públicas e privadas, não usa essa metodologia para fazer previsões com base nos
dados históricos da série.

2.3. Literatura empírica

Um estudo elaborado por Breno Santos e Walber Rego artigo científico no Salvador estado
do Paraná, Brasil em 2009 com o tema: Análise de séries temporais na previsão de receita
numa Mercearia localizado em Belém usando o modelo Holt-Winter teve as seguintes
conclusões:

A previsão de receitas usando séries temporais é uma das ferramentas mais poderosas e
importantes no auxílio de planeamento de qualquer empresa independentemente de qualquer
lugar e o seu tamanho. Os autores concluíram que o uso de séries temporais pode ser útil para
a execução de um planeamento financeiro pois o mesmo esta encarregado de administrar os
recursos da mercearia e aloca-los onde for necessário conforme os dados de previsão
buscando dessa forma o controlo e planeamento do sistema fazendo assim o
acompanhamento detalhado e regular das receitas e despesas para avaliar o funcionamento do
modelo de previsão.

A amostra constitui dados mensais de julho de 2004 até julho de 2007 totalizando assim 38
observações. Após a análise de decomposição verificou-se a análise de tendência crescente da
série temporal e observou-se que os modelos de Holt-Winters são os mais indicados. Através
dos modelos de Holt-Winters aditivo e multiplicativo verificou que os dois modelos são
adequados para fazer previsões pois apresentam o MAPE baixo entretanto obteve melhor
classificação o modelo de Holt-Winters aditivo com erro de 4.764% e Holt-Winters
multiplicativo com erro de 4.834%.

Neste estudo de previsão de receitas foi usado o modelo de previsão de Holt-Winters para
fazer previsões pois são os modelos mais apropriados para a maioria desses empreendimentos
já que estes modelos geralmente possuem tendência e sazonalidade segundo Breno &
Walber, (2009)

16
Um estudo elaborado por José Júnior, Iúri Nobre e Octávio Medeiros no Rio de Janeiro em
2018 com tema: prevendo receitas operacionais do banco do brasil: uma análise de séries
temporais teve a seguinte conclusão:

Os modelos de previsão de receitas são poucos utilizados pela pesquisas contábil, os modelos
de previsão podem ser instrumentos valiosos seja em contexto de orçamento de capital assim
como para fazer previsões de fluxo de caixa para fins de determinação do valor da empresa.
Esta informação são uteis para os gestores bem como a análise de empresa por parte dos
investidores

O estudo buscou preencher a lacuna ao efectuar a análise econométrica de séries temporais e


elaborar previsões de receitas operacionais de uma instituição financeira de maior relevância
do país: o banco do brasil. Foram usados os modelos ARIMA e GARCH
(Heterocedasticidade condicional), com e sem efeito sazonal e comparados com os erros de
previsão.

A amostra constituí dados mensais de julho de 1994 até abril de 2018 totalizando assim 286
observações

Para compreender melhor o comportamento das receitas do banco do Brasil os autores


usaram uma decomposição do modelo clássico dessa série em tendência, efeitos sazonais e
efeitos aleatórios.

Os resultados obtidos nessa pesquisa mostraram que a superioridade do modelo Garch mostra
um forte padrão sazonal de receitas do banco e uma tendência alta ao longo do tempo o que
apresentou maior capacidade preditiva como MAPE menor que o modelo ARIMA. Segundo
Júnior, Nobre, & Medeiros, (2018)

Um estudo elaborado por Marcelo Magalhães no ano de 2018 como tema estudo de
comportamento e previsão de arrecadação do ISSQN (imposto sobre serviço de qualquer
Natureza) do município de João pessoa por decomposição do modelo clássico de séries
temporais. Obteve-se a seguinte conclusão:

Em análise qualitativa mostra que sofre uma certa influência de ciclo de evolução da série de
coeficiente de determinação de 0.9611

17
Foi aplicativo o modelo de deposição clássico pelo modelo multiplicativo e aditivo foram
colectados valores correntes mensais ISSQN do município de João Pessoa de janeiro de 2010
até dezembro 2018.

Os índices sazonais para os modelos multiplicativos e aditivos foi observado que os valores
auxiliam em torno de 1 no modelo multiplicativo e em torno de zero no modelo aditivo o que
significa pouca sazonalidade na série.

Para a escolha de modelos mostrou que o modelo aditivo foi escolhido para a previsões pois
apresentou o MAPE de 4.6953% enquanto o erro do modelo multiplicativo foi de 4.9195%

18
CAPITULO III: METODOLOGIA DE PESQUISA

O capítulo mostra a metodologia de pesquisa utilizada dentro dos objetivos da pesquisa


detalhando o estudo comparativo para identificar o método de previsão o mais adequado para
os dados fornecidos. No presente trabalho foi desenvolvido uma pesquisa que pode ser
classificado como bibliográfica e quantitativa, quanto a natureza aplicada e definida como
pesquisa exploratório e descritiva.

3.1. Tipo De Pesquisa

Segundo Gil, (2008) uma pesquisa pode ser considerada com base em seus objectivos e
procedimentos técnicos usados.

O trabalho pode ser classificado como uma pesquisa quantitativa em relação aos
procedimentos técnicos, com intuito de previsão baseado em dados históricos discorrer sobre
os conceitos. Quantitativa por ser baseada na colecta, análise e interpretação Matemática de
dados numéricos colectados ao longo do tempo em um sistema existente.

Foi usado a pesquisa quantitativa com base nas receitas operacionais no período de 2015 a
2019 com dados históricos de receitas. Foi feita uma análise de séries temporais e a sua
respectiva previsão para o ano de 2020.

Para a presente pesquisa foi usada a pesquisa quanto aos objectivos a pesquisa exploratório e
Descritivo que tem como objectivos proporcionar com maior familiaridade com o problema
com vista a tornar mais explícito pode envolver levantamentos bibliográficos

A pesquisa pode ser definida como descritiva segundo Gil, (2008) em relação aos seus
objectivos por buscar descobrir com precisão possível a frequência com que um fenómeno
ocorre, sua relação e vinculação com os outros, sua natureza e características

3.2. Técnicas De Previsão

As técnicas de previsão consistem na aplicação do modelo matemático ou estatístico


empregado para converter dados históricos e parâmetros em quantidades futuras.

19
Existem vários tipos de previsão utilizados nas organizações que são usados de forma
combinada para maior assertividade tais como Garch, ARIMA, Decomposição clássica, Holt,
Holt Winter. Neste estudo foi usado o método da decomposição clássica pois este método é o
mais adequado quando a tendência e sazonalidade, analisa as séries disponíveis a fim de
identificar as componentes existentes na série e fazer as previsões.

3.2.1. Modelos Quantitativos

O método de decomposição clássica consiste numa descrição matemática dos movimentos


presentes na série os quais após serem identificados podem serem utilizados para facilitar a
interpretação e projecção da série temporal que considera 4 (quatro) componentes: tendência
(T), sazonalidade (S), ciclo (C) e variações aleatórias (I). Este modelo visa decompor a série
temporal para quantificar e analisar as quatros componentes de forma separada. O modelo de
decomposição clássica divide-se em modelos aditivo e modelo multiplicativo. Neste trabalho
será analisados os dois métodos da decomposição clássica: o aditivo e o multiplicativo o que
apesentar menor erro MAPE será o modelo escolhido para a previsão de receitas na FENG-
Chimoio.

Os procedimentos de decomposição clássica foram:

1º Passo: Estatística descritiva e Análise de Variância (ANOVA)

2º Passo: Calcular a média móvel (MM) para 12 períodos para séries mensais. A média
móvel suaviza a série e elimina da série original a componente sazonal e reduz
significalmente a componente erro.

3º Passo: Obter a regressão para obter a tendência da série por equação, a partir da equação
da regressão estimar os valores de tendência (T)

4º Passo: obtenção de tendência da série temporal por meio de ajuste exponencial com
constante W (coeficiente de suavização) próximo de zero.

5º Passo: obter os valores de sazonalidade e irregularidade

a) No caso do modelo multiplicativo: divide-se os valores da série original os valores


correspondentes do termo T*C (Media Móvel centrada) segundo (Javedani & Lee,
2010)

20
Y Y
Y =T ∗C∗S∗I → =
MM T∗C

Onde:

Y : valor da série original


T : Tendência (componente de longo prazo)
C:Ciclos (alternância sistemática de longo prazo)
S: Sazonalidade (varações que ocorrem dentro do ano)
I: Irregular
b) No caso do modelo aditivo: subtrai-se os valores da série original aos correspondentes
valores de termo T+C (Média Móvel)

Y =T +C+ S + I → Y −MM =Y − (T +C )

Onde:
Y : valor da série original
T : Tendência (componente de longo prazo)
C:Ciclos (alternância sistemática de longo prazo)
S: Sazonalidade (varações que ocorrem dentro do ano)
I: Irregular
MM : Medias Moveis

6º Passo: com os valores do termo S*I (caso multiplicativo) e S+I (caso aditivo) obtém – se
os índices sazonais corrigidos. Os índices sazonais ajustados são obtidos através de operações
algébricas elementares de distribuição de erros.

7º Passo: obter os valores de termo de ciclos (C) através da divisão do termo T+C (média
móvel) correspondente ao valor de tendência

Onde:

T: Tendência

C: cíclico

21
8º Passo: com os termos de tendência (T). Sazonalidade (S) e ciclo (C) obtém-se os valores
ajustados da série original

Yajustado=T∗C∗S− para o caso multipicativo

Yajustado=T + C+ S−para o caso aditivo

Na combinação das componentes para as previsões não se inclui a componente irregular são
factores aleatórios imprevisíveis

9º Passo: calcular o erro do modelo, vários tipos de erro são utilizados para análise do
modelo os erros que apresentam acurácia são EPM (erro percentual medio) e MAPE para
ambos os casos multiplicativo e aditivo, com os valores de erros multiplicativo e aditivo, o
erro que apresentar valor mais próximo de zero deve ser escolhido para fazer previsões.

10º Passo: Auto correlação, o objectivo de verificar se a série original é estacionária ou não.

11º Passo: previsão usando as componentes da decomposição do modelo clássico

Y =T +C+ S ; para o caso Modelo aditivo

.Y =T ∗C∗S ; para o caso modelo multiplicativo

Para ambos os casos, os valores de tendência são extrapolados através de equação de


regressão, os valores de sazonalidade extrapolados são os mesmos valores mensais e os
mesmos mensais extrapolados para a componente cíclica, são obtidos sempre com uma média
ariti métrica mensal do correspondente mês.

3.3. Obtenção De Dados

Primeiramente foi feito um levantamento bibliográfico dos assuntos abordados para o estudo
para o alcance dos objectivos ou seja os métodos de previsões e suas aplicações. Em seguida
foi realizada a colecta de dados históricos de receitas operacionais na faculdade de
engenharia e análise destes dados históricos, para fazer previsões em séries temporais para o
período de 2020.

22
Com a série histórica estabelecida foi feita uma relação ao tempo com o propósito de se
colectar indícios que possam conceder qual seria o melhor modelo quantitativo a ser usado.

3.4. Análise de dados

As análises foram feitas usando os pacotes estatísticos SPSS statistics versão 20, Minitab
versão 19, Eviews 19 e Microsoft Excell 2013.

23
CAPITULO IV: ANÁLISE E INTERPRETAÇÃO DE DADOS

Neste capítulo refere-se a análise e interpretação de dados obtidos através de receitas


operacionais na faculdade de engenharia no período de 2015 a 2019 com o objectivo de
estudar as séries temporais ao longo do tempo no processo de tomada de decisões, usando a
métodos quantitativos e análise de regressão para obter a equação de tendência melhor se
ajusta ao modelo de receitas.

4.1. Análise e interpretação de dados

A figura 1. Apresenta a evolução das receitas na UCM/FENG de 2015 a 2019. Existe uma
tendência crescente do aumento de receitas na UCM/FENG ao longo dos anos. A série
temporal apresenta vários picos e flutuações separados por mais de um mês sugerindo um
padrão cíclico.

Figura 1.Receitas Operacionais Mensais da UCM/FENG-Chimoio

18,000,000.00

16,000,000.00

14,000,000.00

12,000,000.00
Receita (Mts)

10,000,000.00

8,000,000.00

6,000,000.00

4,000,000.00

2,000,000.00

0.00
Meses/anos

Fonte: Faculdade de Engenharia-Chimoio, 2020.

A figura 2 apresenta a arrecadação de receitas na Faculdade de Engenharia no período de


2015 a 2019. O mês com a receita mínima foi o de janeiro de 2015 (1,976,947.46 Mt) e o mês
com arrecadação máximo de receita foi o mês de Julho do mesmo ano (16,354,024.00 Mt). A
média mensal de receitas é de 7,702,462.99 Mt, desvio Padrão (DP) 3533360.6 Mt. Em
média os meses de Fevereiro e Julho são os meses que registam maior arrecadação de receitas

24
11,328,033.20Mt e 10,165,407.40 Mt respectivamente. Em média os meses de Dezembro e
Janeiro apresente a menor arrecadação de receitas 4,747,415.29 Mt e 3,178,334.39 Mt
respectivamente.

A análise de variância (ANOVA) indica haver diferença na arrecadação de receitas entre


meses, F = 3, P = 0.00459, GL = 11 e diferença na arreação de receitas entre anos, F = 3.06, P
= 0.0261. GL = 4.

Figura 2.Comportamento Anual de Receitas Operacionais na UCM/FENG


18,000,000.00
16,000,000.00
14,000,000.00
Receitas (EmMilhoes de Mts)

12,000,000.00
10,000,000.00
8,000,000.00 receita 2015
6,000,000.00 receitas 2016
4,000,000.00 Receitas 2017
receitas 2018
2,000,000.00 receitas 2019
0.00
l o
iro iro rço bri ai
o ho ho
l st br
o
br
o
br
o
br
o
a ne ere Ma A M Jun Ju go em utu em em
J v A et O v z
Fe S No De

Meses

Fonte: Elaboração Propria,2020

A figura 3 mostra as médias móveis (MM) centradas de 12 meses da série original onde é
possível identificar o comportamento da série do longo prazo e aparentemente não há
variações regulares.

Figura 3.Receitas E Medias Movies(MM) De 12 Meses

25
18,000,000.00
16,000,000.00
14,000,000.00
Receitas (Mts Milhoes )
12,000,000.00
10,000,000.00
8,000,000.00
6,000,000.00
4,000,000.00
2,000,000.00
0.00
15 15 15 15 16 16 16 16 17 17 17 17 18 18 18 18 19 19 19 19
n/ r/ l/ t/ n/ r/ l/ t/ n/ r/ l/ t/ n/ r/ l/ t/ n/ r/ l/ t/
ja ab ju ou ja ab ju ou ja ab ju ou ja ab ju ou ja ab ju ou

Meses

Receitas Media Moveis

Fonte: Elaboração Própria, 2020

A figura 4 apresenta a obtenção de tendência por equação de receitas mensais da


UCM/FENG entre Janeiro de 2015 a Dezembro de 2019. Apos obter o ajuste dos modelos de
tendência de receitas no longo prazo dos seguintes modelos: linear, logarítmica, quadrático,
capacidade e exponencial para observar a curva de receitas no longo prazo. O objectivo é
obter a melhor curva de tendência de receitas para fazer as previsões usando a análise de
regressão. Com base nos resultados a melhor curva de tendência é a curva de polinómio de 2º
grau para fazer as previsões de tendência de receitas operacionais.

Figura 4.Obtenção de Tendencia Por Equação De Receitas Na UCM/FENG No Periodo


2015 A 2019
18,000,000.00
16,000,000.00
14,000,000.00
Receitas (Mts Milhoes)

12,000,000.00
10,000,000.00 f(x) = 3363.45 x² − 169855.41 x + 8745445.42
8,000,000.00 f(x) = 35315.21 x + 6625349.05
f(x) 405717.81 ln(x)
exp(+0.01
6426966.18
6,000,000.00 f(x) == 5872791.52
5228485.7 x^0.09 x)

4,000,000.00
2,000,000.00
0.00
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58

Meses

Receitas Linear (Receitas) Logarithmic (Receitas)


Polynomial (Receitas) Power (Receitas) Exponential (Receitas)

Fonte: Elaboração Propria,2020

26
A figura 5 apresenta a obtenção de tendência por equação usando vários modelos para obter
melhor modelo que ajuste a tendência de receitas operacionais. O melhor modelo foi o
polinómio do 2º grau.

Figura 5. Obtenção de Tendencia por Equacao

Fonte: Elaboração Própria, 2020

A tabela 1 apresenta a estimação de parâmetro por tendência. Pode notar-se o modelo


quadrático é o melhor modelo para fazer previsões de tendência ao longo do tempo porque
obteve um valor maior de R Quadrado em relação aos outros modelos de tendência e que há
significância na função quadrática.

Tabela 1.Estimativa de Parâmetros de Tendência por equação

Resumo de modelo e estimativas de parâmetro

Variável dependente: Receita

Equação Resumo do modelo Estimativas do parâmetro

27
R Quadrado F df1 df2 Sig. Constante b1 b2

Linear .030 1.791 1 58 .186 6625349.053 35315.211

Logarítmico .011 .617 1 58 .435 6426966.175 405717.807

Quadrático .095 2.996 2 57 .058 8745445.424 -169855.405 3363.453

Capacidade .025 1.462 1 58 .232 5228485.696 .087

Crescimento .032 1.943 1 58 .169 15.586 .005

Exponencial .032 1.943 1 58 .169 5872791.520 .005

Fonte: Elaboração Própria, 2020


Com base na estimativa dos parâmetros o seguinte modelo foram aplicado o modelo
quadrático por obteve o maior valor de R2 q este é o melhor modelo para fazer previsões de
tendência de receitas operacionais.

Modelo de tendência linear

Yt =6625349.053+35315.211∗t

Yt =Receitas Mensais de UCM−FENG ( em Meticais )

t=tempo em Meses(t=0 , 2015 , mensal)

Por mês as receitas aumentam em 35315.211 meticais

Modelo de tendência Exponencial

Yt =5872791.520¿

Yt =5872791.520∗(1.005t )

Modelo de tendência quadrática

Yt =8745445.424−169855.405∗t +3363.453∗t 2

Modelo de tendência Logarítmica

Yt =405717.807∗( ln∗t )+ 6226966.175

Modelo de tendência de potência

Yt =5228486.96∗t 0.087

28
A figura 6 apresenta o ajuste exponencial das receitas de operacionais com o objectivo de
obter a tendência de uma série temporal por ajuste exponencial. Pode-se notar que quando
diminuímos o valor de regularização (w) para 0.1 mais uniforme é as receitas operacionais na
UCM/FENG, por sua vez quando o coeficiente de regularização for próximo de um (1)
acompanha melhor o comportamento de receitas operacionais.

Figura 6.Ajuste Exponencial de Receitas Operacionais Da UCM/FENG

Ajuste Exponencial de Receitas da UCM-FENG


18,000,000.00
16,000,000.00
14,000,000.00
Receitas (Milhoes Mts)

12,000,000.00
10,000,000.00
8,000,000.00
6,000,000.00
4,000,000.00
2,000,000.00
0.00
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58

Meses

Receita w=0.1 W=0.50 w=0.75

Fonte: Elaboração Própria, 2020

Com o objectivo de verificar se a série original possui variações sazonais foram calculados os
índices sazonais usando o modelo multiplicativo e o modelo aditivo.

A tabela 2 e 3 apresentam os índices sazonais do modelo Multiplicativo e aditivo


respectivamente. Pode notar-se que no modelo multiplicativo existe sazonalidade porque os
índices sazonais se afastam em torno (um) 1, se os índices tiverem uma baixa variação em
torno de (um) 1 ou próximo de (um) 1, isso indica uma fraca ou ausência de sazonalidade na
série, e com base nestes resultados o índice mais apropriado é o índice do modelo
multiplicativo.

Tabela 2. Indices sazonais obtido pelo Modelo Multiplicativo

Medias Internas pelo Índice sazonal Multiplicativo Variação


Meses
modelo Multiplicativo Corrigido Percentua

29
l
Janeiro 0.60771095 0.63181 -36.819
Fevereiro 1.49246973 1.55165 55.165
Marco 1.13055923 1.17539 17.539
Abril 1.06983343 1.11226 11.226
Maio 1.07334078 1.1159 11.59
Junho 1.28292618 1.3338 33.38
Julho 0.95916766 0.9972 -0.28
Agosto 0.6668807 0.69332 -30.668
Setembro 0.76759553 0.79803 -20.197
Outubro 1.20872637 1.25666 25.666
Novembro 0.79419003 0.82568 -17.432
Dezembro 0.48891663 0.5083 -49.17
Soma 11.54232 12
Excesso -0.45768
Factor (12/11.54232)=1.03965
Fonte: elaboração Própria, 2020

Tabela 3.indices sazonais pelo modelo Aditvo


Índices sazonais
Meses Média dos índices Aditivos
Janeiro -1,930,639.14 Mt -1,931,597.38 Mt
Fevereiro 4,007,675.42 Mt 4,006,717.17 Mt
Marco 447,451.40 Mt 446,493.15 Mt
Abril 410,925.32 Mt 409,967.07 Mt
Maio 741,034.65 Mt 740,076.40 Mt
Junho 2,067,036.54 Mt 2,066,078.29 Mt
Julho 1,723,157.11 Mt 1,722,198.86 Mt
Agosto -2,603,613.25 Mt -2,604,571.50 Mt
Setembro -1,863,822.03 Mt -1,864,780.28 Mt
Outubro 2,204,017.95 Mt 2,203,059.70 Mt
Novembr
o -1,286,572.38 Mt -1,287,530.62 Mt
Dezembro -3,905,152.60 Mt -3,906,110.85 Mt
Soma 11,498.99 Mt 0.00
Excesso 958.25 Mt -
Factor - -
Fonte: elaboração Própria, 2020

Foi calculado o índice sazonal das receitas operacionais com objectivo de identificar se existe
influência de sazonalidade na série apresentada e os resultados são apresentados na figura 7.
Neste gráfico/figura de índice estacionário pelo modelo multiplicativo verifica-se
praticamente um aumento nos primeiros seis meses do ano de receitas em termos de médias

30
mensais e nos últimos anos de Julho ocorre uma diminuição de receitas o maior aumento de
receitas da UCM/FENG é verificado no mês de Fevereiro de 55.2 % e também no mês de
Julho de 33.4%. No mês de Janeiro e Dezembro as receitas diminuem em 36.8% e 49.2%
respectivamente. Observa-se a influência de sazonalidade na série porque os valores da série
se distanciam de 0%, dependendo da época do ano as receitas operacionais sistematicamente
aumentam e diminuem. Tanto o índice sazonal aditivo e multiplicativo apresentam o mesmo
resultado entretanto o modelo multiplicativo é adequado porque observa-se as variações
sazonais em termos percentuais em cada mês.

Figura 7.índices Sazonais de Receitas Opercionais Da UCM/FENG (2015-2019)

indice Estacionario de Receitas da UCM/FENG


200
155.2
150 133.4 125.7
117.5 111.2 111.6
99.7
100 79.8 82.6
63.2 69.3
55.2 50.8
50 33.4
%

17.5 25.7
11.2 11.6
0
Jan. Fev. Mar. Abr. Mai. Jun. Jul.
-0.3 Ago. Set. Out. Nov. Dez.
-17.4
-50 -36.8 -30.7 -20.2
-49.2
-100
Meses

Fator sazonal (%) Variacao

Fonte: Elaboração Própria, 2020

Com objectivo de verificar a variabilidade ao longo dos meses fez-se o diagrama de caixa
(bigodes) das receitas que é apresentado no Figura 8. Observa-se que nos meses de Fevereiro,
Agosto e Dezembro, indicam baixa variabilidade em termo de receita operacionais e desvio
padrão ou seja a média e a mediana assumem valores bem altos. No mês de Julho, e Abril
observa-se um valor mediano mais baixo do que no mês de Fevereiro porém conclui-se que
existe altíssima variabilidade em torno de receitas na UCM/FENG, isso pode trazer uma certa
imprevisibilidade pois hora se tem valores muito baixo, hora tem valores muito altos. É fácil
ver quando essa variabilidade é grande a previsibilidade também será maior.

Figura 8.Diagrama de Caixa dE Receitas Operacionais Da UCM/FENG

31
Fonte: Elaboracao Propria,2020

A figura 9. Apresenta o comportamento de receitas da UCM/FENG e pode notar-se que não


há tendência em torno da média. A série é estacionária em torno da média, deve-se aplicar a
função de Auto correlação para complementar o comportamento de receitas operacionais.

Figura 9.Analise de Receitas AO longo dos Anos

Fonte: Elaboração Própria, 2020

32
Após a análise de receitas operacionais e com objectivo de verificar o comportamento de
receitas e verificou-se a existência de influência de sazonalidade na série foi obtido o ciclo do
modelo multiplicativo que é apresentado na Figura 10. As receitas cíclicas usando o modelo
multiplicativo (CI multiplicativo) após a remoção da série original a tendência e sazonalidade
não se deve incluir nas previsões devido as flutuações que apresentam de uma forma
aleatória, apresentam ciclos sem regularidade na série ou seja não existência influência de
ciclos na série, não existe alternâncias sistemáticas entre valores maiores e menores que zeros
que configure as existências de ciclos

Figura 10.Ciclos do Modelo Multiplicativo

CI Multiplicatvo
2.5
2
1.5
1
CI

0.5
0
15 15 15 15 16 16 16 16 17 17 17 17 18 18 18 18 19 19 19 19
a n/ pr/ Jul/ ct/ an/ pr/ Jul/ ct/ an/ pr/ Jul/ ct/ an/ pr/ Jul/ ct/ an/ pr/ Jul/ ct/
J A O J A O J A O J A O J A O
Fonte: Meses

Elaboração Própria, 2020

Com objectivo verificar a existência da componente cíclica nas receitas foram obtidos a
componente do ciclo e os ciclos nas receitas usando o modelo multiplicativo e os resultados
são apresentados na Figuras 11 e 12. As receitas cíclicas usando o modelo Aditivo (CI
Aditivo) não se difere do modelo multiplicativo, as flutuações que apresentam de uma forma
aleatória, apresentam ciclos sem regularidade na série, ou seja, não existência influência de
ciclos na série, não existe alternância sistemática, sendo assim impossibilitando de verificar
cíclicos irregulares na série apresentada

Figura 11.Analise de Ciclos Nas Receitas

33
Fonte: elaboração Própria, 2020

Figura 12.Ciclos Pelo Modelo Aditivo

Ciclos I Aditivo
10,000,000.00
8,000,000.00
6,000,000.00
4,000,000.00
CI(Mts)

2,000,000.00
0.00
15 15 15 15 16 16 16 16 17 17 17 17 18 18 18 18 19 19 19 19
n/ r/ l/ t/ n/ r/ l/ t/ n/ r/ l/ t/ n/ r/ l/ t/ n/ r/ l/ t/
-2,000,000.00
ja ab ju ou ja ab ju ou ja ab ju ou ja ab ju ou ja ab ju ou
-4,000,000.00
-6,000,000.00
-8,000,000.00
Meses

Fonte: Elaboração Própria, 2020

Figura 13.Analise De Receitas Pelo Modelo Aditivo

34
Fonte: Elaboração Própria,2020

Com o objectivo de verificar se o modelo é adequado foi realizada a análise do ACF (Função
de Auto correlação) e PACF (função de autocorreção parcial) que se apresentam nas Figuras
14 e 15 respectivamente. Na Auto correlação de receitas operacionais da UCM/FENG
verifica-se que a séries é estacionária ao longo do tempo assim como na Auto correlação
parcial. Se a série fosse não estacionária torna-se estacionaria na primeira diferença, como se
verifica no gráfico de comportamento de receitas.

Figura 14.Auto Correlacao De Receitas Operacionais Da UCM/FENG (2015-2019)

35
Fonte: Elaboração Própria, 2020

Figura 15.Auto Correlacao Parcil De Receitas Operacionais

Fonte: Elaboração Propria,2020

Análise do modelo multiplicativo e modelo Aditivo

No modelo de decomposição clássico do modelo multiplicativo e aditivo pode-se verificar


que o modelo multiplicativo é o melhor modelo para fazer previsão de receitas da
UCM/FENG porque possui menor erro de precisão entre os modelos aditivos e
multiplicativo, verifica-se que no modelos multiplicativo a medida de precisão MAPE é de
29.7%e no modelo aditivo é de 30.3% o MAPE é o erro mais adequado para verificar o
melhor modelo para fazer previsões, o modelo que obter menor erro é o melhor.

Após análise das séries temporais, obtenção da tendência de diagnóstico da adequação do


modelo foi realizada a previsão para o ano de 2020 usando o modelo aditivo e o modelo
multiplicativo.

A tabela 4. A tabela mostra os erros e medidas de acuracidade obtido pelo modelo


multiplicativo e aditivo em que se observa que o modelo multiplicativo é o melhor porque
apresenta valores de erros mais próximo de zero e obteve o erro percentual absoluto médio
menor em relação ao modelo multiplicativo

Tabela 4.Erros e medidas de acuracidade para a recomposição de modelo Aditivo e


Multiplicativo

36
Erro
percentu
Erro Erro al
Absoluto Quadráti Erro absoluto
 Modelo/err Médio co Médio percentu Médio
o (MAD) (MSE) al Médio (MAPE)
2094431 7.12E+1 34.1986
Aditivo .5 2 -18.0235 8
Multiplicat 7.76E+1 30.6938
vo 2027991 2 -16.2611 4
Fonte: Elaboração Própria, 2020

A tabela 5.e 6 apresenta a equação de tendência ajustada de séries temporais e previsões para
o ano 2020 no modelo multiplicativo respectivamente.

Tabela 5.Equação de Tendência Ajustado ao Modelo Multiplicativo

Equação de tendência Ajustado


y t =6115606+54568∗t
Fonte: Elaboração Própria, 2020

Tabela 6.Previsões para o ano de 2020 modelo multiplicativo

Período/Mês Previsão
Janeiro 5,966,950.00 Mt
Fevereiro 14,738,828.00 Mt
Março 11,228,933.00 Mt
Abril 10,686,486.00 Mt
Maio 10,782,413.00 Mt
Junho 12,960,619.00 Mt
Julho 9,744,299.00 Mt
Agosto 6,812,754.00 Mt
Setembro 7,885,189.00 Mt
Outubro 12,485,315.00 Mt
Novembro 8,248,494.00 Mt
Dezembro 5,105,648.00 Mt
Total 116,645,928.00 Mt
Media 9,720,494.00 Mt
Fonte: Elaboração Propria,2020

37
Figura 16.Decomposicao Classica Para Receita Usando O Modelo Multiplicativo

Fonte: Elaboração Própria,2020

Na Figura 17. O valor de Jarque-Bera é menor que 5% então os resíduos estão normalmente
distribuídos. O modelo é adequado a partir de resíduos.

Figura 17.Normalidade dos Residuos


12
Series: Residuals
Sample 2015M01 2019M12
10
Observations 60

8 Mean -1.24e-10
Median -1000878.
Maximum 9481468.
6 Minimum -6421679.
Std. Dev. 3509395.
4 Skewness 0.535875
Kurtosis 2.610589

2 Jarque-Bera 3.250725
Probability 0.196840
0
-3999990 10.0000 4000010 8000010

Fonte: Elaboração Propria,2020

38
A tabela 7. Apresenta a equação de tendência ajustada de séries temporais e previsões para o
ano 2020 no modelo aditivo respectivamente

Tabela 7.Previsão de receitas decomposição de series para receitas no peridode 2020


(modelo Aditivo)

Tabela 7 Método de Previsão Modelo Aditivo

Tipo de modelo Modelo Aditivo


Dados Receita-FENG
Tamanho 60
Nfaltantes 0
Fonte: Elaboração Propria,2020

Tabela 8.equação de tendencia ajustado ao modelo aditivo

Equação de tendência Ajustado


y t =6324414+ 45182∗t
Fonte: Elaboração Propria,2020

Tabela 9.Previsões para o ano de 2020 modelo aditivo

Período/Mês Previsão
Janeiro 6,294,554.00 Mt
Fevereiro 12,774,250.00 Mt
Março 10,332,158.00 Mt
Abril 10,063,517.00 Mt
Maio 10,327,865.00 Mt
Junho 11,810,978.00 Mt
Julho 9,299,457.00 Mt
Agosto 7,398,428.00 Mt
Setembro 8,122,847.00 Mt
Outubro 11,212,683.00 Mt
Novembro 8,238,073.00 Mt
Dezembro 6,073,335.00 Mt
Total 111,948,145.00 Mt
Media 9,329,012.08 Mt
Fonte: Elaboração Própria, 2020

Figura 18.Decomposição Classica Usando o Modelo Adtivo

39
Fonte: Elaboração Própria, 2020

4.2. Discussão de Resultados

Os resultados obtidos pelo modelo aditivo e multiplicativo, verifica-se que o modelo


multiplicativo apresenta as duas medidas MAPE e MAD mais próximas de zero portanto é o
melhor modelo para representar a série de mensal de receitas operacionais na UCM/FENG

Através dos resultados obtidos pelo modelo multiplicativo e aditivo verificou a existência de
sazonalidade na série original. No modelo multiplicativo os índices são substancialmente
diferentes de (um) 1 e superior a 5% em quase todos os meses. No modelo aditivo os índices
foram substancialmente diferentes de zero tanto positivos como negativos o que indica
sazonalidade na série original

Não foi possível verificar tanto para o modelo multiplicativo como para o modelo aditivo que
as variações cíclicas tem influência sobre as receitas operacionais na UCM/FENG

Para a realizações de previsões de receitas operacionais para o ano de 2020 (uma série
mensal) com base nos resultados obtidos foram considerados a tendência ao longo do tempo,
sazonalidade e influência de ciclos na série que são utlizados na previsão

40
Pois a tendência por mínimos quadrados ordinários deve-se a polinómio do 2º grau, onde o
período ira variar de 61 a 72 já que a série tem 60 observações mensais.

Os resultados verificou-se que o modelo a ser utilizado é o modelo multiplicativo ou seja as


componente devem ser multiplicadas para a obter a previsão de receitas, são multiplicadas as
componentes tendência, e sazonalidade, na série verificou-se a inexistência de ciclos na série
e a componente irregular não se deve incluir nas previsões

Os resultados das estatísticas dos erros dos modelos de previsão nos anos de 2004 a 2007
apresenta bons ajuste para a previsão de receitas numa mercearia no estado de panamá Brasil
em que apresenta uma tendência crescente ao longo do tempo usando o modelo de Holt
-Winters.

Estes resultados podem ser explicados pelo comportamento da serie nas estatísticas
descritivas.

Os resultados das estatísticas de previsão de ISSQN em que foi usado o modelo de


decomposição de arrecadação ISSQN onde indicava pouca sazonalidade pelo modelo aditivo
assim como o modelo Multiplicativo foi escolhido o modelo aditivo para fazer previsões por
apresentar menor erro de MAPE e MSE.

Os resultados obtidos na presente dissertação não são iguais a serie apresenta uma tendência
crescentes na serie original e foi identificado a influência de sazonalidade pelo modelo
multiplicativo assim como pelo modelo aditivo e inexistência de ciclos na serie e o modelo
escolhido foi o modelo multiplicativo por apresentar menor erro de precisão de MAPE e
MSE, os resultados diferem porque o nível da serie não são iguais ao longo do tempo

41
CAPÍTULO V: CONCLUSÃO

Existe uma tendência crescente de receitas na UCM/FENG ao longo dos anos verificando
alguns picos e também variações sazonais. Os dados apresentam padrões sazonais na série de
receitas mensais operacionais, sendo assim a tendência é estacionária ao longo da série, ou
seja, não apresenta tendência de crescimento ou decrescimento na série original. Ainda é
também possível verificar que o valor de arrecadação de receitas mensais nunca esteve
abaixo de dois milhões de Meticais, assim como não ultrapassou os dezoito milhões de
Meticais

Na análise de comportamento de receita após a remoção de tendência e a sazonalidade da


série não se verifica a existência de ciclos dentro da série, não existe alternância da valores
altos e baixos para verificar irregularidade na série, podendo verificar ciclos sem regularidade
nas receitas operacionais, as realizações de previsões não se resume em apenas em aplicar
modelos de previsão em séries de dados e gerar resultados, mas deve-se entender o
comportamento da série as receitas operacionais e buscar através de observações qual o
melhor modelo para a série.

Na presente dissertação fez-se um estudo de previsão de receitas operacionais na


UCM/FENG-Chimoio no período de 2015 a 2019 através da análise de aplicação de receitas
da decomposição do modelo clássico, usando modelo multiplicativo e aditivo aplicado a uma
série histórica de receitas operacionais de dados que não apresenta tendência ao longo do
tempo e a existência de sazonalidade pelo índice sazonais pelo modelo multiplicativo.

A série apresenta estacionaridade e influência de sazonalidade que foi analisado nos índices
estacionários pelo modelo multiplicativo por apresentar uma variação percentual superior a
5% em todos os meses. Em caso de a variação percentual fosse inferior a 5% inexistência de
influência de sazonalidade.

Através de índice sazonal pode-se verificar o maior aumento de receitas ocorreu no mês de
Fevereiro com uma percentagem de 55% e maior queda é observado no mês de Dezembro
com 49% tanto no modelo multiplicativo como no modelo Aditivo, se obter valores
diferentes podia-se existir alguma irregularidade ou erro na série original.

42
Após da remoção da tendência e a componente sazonalidade observou-se que a receita
operacional a existência de cíclicos sem regularidade dentro da série, isso pode ser devido a
influência da irregularidade na série. Neste caso ao fazer a previsão não devemos incluir os
ciclos na série, só a tendência e a sazonalidade caso exista.

Na análise de tendência o melhor modelo para fazer previsões usando a tendência é o modelo
quadrático (polinómio do 2º grau) por possui maior valor de R2=0.095 e menor erro, mais
próximo de zero em relação aos outros modelos. A equação quadrática
t=8745445.424−169855.405∗t+3363.453∗t 2.

A adequação dos modelos seguiu critérios utilizados na literatura, observando as estatísticas


do erro do modelo pelo critério MAPE e MSE.

O modelo mais adequado para uma série de receitas operacionais é o modelo multiplicativo,
com a previsão conforme com as medidas de desempenho (erro percentual médio absoluto
erro médio absoluto) apresentou o menor erro possível quando comparando com o modelo
aditivo

5.1. Sugestões

A pesquisa limitou-se no estudo do modelo da decomposição do modelo clássico aplicados a


previsão de receitas em relação ao orçamento empresarial, o estudo não ira abranger outros
métodos de previsão.

Como sugestão para futuras pesquisas apresenta-se a possibilidade de utilização de outros


métodos de previsão de séries temporais para a previsão de receitas com o objectivo de
verificar se aumentam a precisão de previsão de receitas operacionais.

5.2. Sugestões para a UCM/FENG

A utilização de series temporais pode melhor na previsão de receitas na UCM/FENG tendo


em vista que os modelos da decomposição clássica apresentaram erro percentual medio baixo
pelo modelo multiplicativo.

Sugere-se a UCM/FENG para adoptar e desenvolver essa metodologia para fazer previsões
em series temporais, o uso desse tipo de ferramentas estatísticas para a previsão das receitas

43
operacionais pode obter orçamentos mais precisos e adequados para tomar decisões assertivas
na organização.

Considerando a maior precisão das previsões realizadas pelos modelos de series temporais,
sugere-se ao administrador a implementação dessa metodologia para as futuras previsões de
receitas operacionais na UCM/FENG por sua vez pode aumentar a previsibilidade e
permitindo assim ao administrador uma maior segurança nas tomadas de decisões.

Para além disso é importante destacar que o uso de series temporais não são indicados
quando ocorrem quebas na estrutura da serie original como as mudanças macroeconómicas
porque os modelos de previsão de receitas levam em conta os registos passados para fazer
previsão para o futuro, as grandes alterações na serie não captadas de um forma precisão
usando essa metodologia.

Os resultados obtidos sugerem que a adoção dessa metodologia de previsão usando a


decomposição clássica pode ser utlizada na UCM/FENG para aumentar previsibilidade de
arrendação de receitas operacionais

44
5.3. Referências Bibliográficas

Breno, R., & Walber, S. (06 e 09 de outubro de 2009). Análise de series temporais na
previsão de receitas num Mercearia.

Cavalheiro, D. (2003). Método de previsão de demanda aplicada a planeamento de


produção de indústrias de alimentos. UFSC,Florianopolis .

Costa, E. (2011). Factores Institucionais que influenciam a previsão de receitas


orçamentárias : um estudo de caso dos governos Estaduais Brasileiros. Dissertação
de mestrado em administração -programa depois- graduação em administração,
universidade de Brasília. Brasilia.

David, M. e. (2012). Estatística: Teoria e aplicações: usando Microsoft Excell em português.


Rio de Janeiro: LTC.

Figueiredo, S., & Caggiano, P. C. (2004). Controladoria: teoria e Practica (3 ed.). São
PAULO: Atlas.

Frezzati, F. (2015). Orçamento empresarial :Planeamento e controle gerencial (6 ed.). São


Paulo: Atlas.

Gil, A. (2002). Como Elaborar Projectos de Pesquisa (4 ed.). São Paulo: Atlas.

Gil, A. (2008). Como elaborar Projectos de Pesquisa. São Paulo: Atlas.

GIL, A. C. (2002). Como Elaborar Projectos de Pesquisas (4 ed.). São Paulo: Atlas.

Gonçalves, A. (1998). Técnicas de Previsão em Finanças : uma aplicação na administração


de carteiras de activo . São Paulo : Anais .

Iudicibus, S. d. (2010). Manual de Contabilidade Societária . São Paulo: Atlas.

Javedani, H., & Lee, M. H. (2010). An evaluation of some classical methods for forecasting
electricity usage on specific problem.

45
Javedani, H., & Lee, M. H. (2010). An Evaluation of some classical methods for forecasting
electricity usage on specific problem.

Júdice, P. (2005). Previsão de demanda na gestão logística de um produto perecível vendido


por máquina automática. Rio de janeiro.

Júnior, J., Nobre, I., & Medeiros, O. (06 a 07 de Dezembro de 2018). Prevendo Receitas
operacionais do Banco de Brasil: uma análise de receitas Temporais.

Kazmier, L. (2008). Estatística Aplicada a Administração E Economia (4 ed.). New York :


S.A.

Levine, D. M. (2012). Estatística: Teoria e aplicações usando microsoft excell em português


(6 ed.). Rio de Janeiro: LTC.

Levine, D. M., Stephan, D., & Szabat, K. (2016). Estatística: Teoria e aplicações: usando
Microsoft Excell em Português. Rio de Janeiro: LTC.

Liebel, M. J. (2004). Previsão de receitas tributarias - o caso do ICMS no estado do Paranã


dissertação (Mestrado en engenharia) - universidade federal do rio grande sul. Porto
alegre.

Luz, E. (2015). Gestão Financeira e orçamentária. São Paulo: Pearson Education.

Macedo, J. d., & Corbari, E. (2014). Análise de Projecto e orçamento empresarial. Curitiba:
Intersaberes.

Mussagy, I. (2016). A Gestão Universitária: os Desafios na Implementação de um


Enterprice Resuorce Planning. Maputo: Ibraimo Hassane Mussagy.

Padoveze, C. L. (200). Contabilidade Gerencial: Um Enfoque no Sistema de Informação


Contábil. São Paulo: Atlas.

Padozeve, C. (2016). Contabilidade Geral. Curitiba: Intersaberes .

Rocha, M. M. (2008). Análise do nível de eficiência no processo de previsão e arrecadação


de receitas públicas dos municípios do estado do rio grande do norte. Dissertação
(Mestrado em ciências contábeis). Brasília.

46
Samohyl, R., Sousa, G., & Miranda, R. (2007). Métodos simplificados de previsão
empresarial. Apostila.

Santiago, W. d., & Duarte, V. S. (2006). Analise do comportamento da receita publica antes
e apos a vigência da Lei de responsabilidade Fiscal in: congresso UPS controladoria
e contabilidade. São Paulo: usp.

Santos, G., Marques, J. A., & Bernardo, Y. (2015). Previsão de Demanda: Revisão
Bibliográfica e analise académica actual. XXXV Encontro Nacional de Engenharia
de Produção. Fortaleza,CE.

Schiavo, L. (2013). Gestão orçamentária numa empresa de medio porte do ramo


metalúrgico. Porto Alegre: Universidade Federal do rio grande do sul.

Silva, L. (2004). Contabilidade Governamental (7 ed.). São Paulo: Atlas.

Wanke, P., & Julianeli, L. (2006). Previsão de Vendas: Processos organizacionais e métodos
quantitativos. São Paulo: Atlas.

Zonatto, V. C., & Hein, N. (2013). Eficácia da previsão de receitas no orçamento dos
municípios Gaúchos: uma investigação empírica dos exercícios de 2005 a 2009
utilizando análise de clusters. Santa cruz do sul.

47
APENDICES

48
Apêndice A: Tabela 1. Decomposição do modelo clássico
Decomposição sazonal
Nome da Série: Receita operacional
Proporçã
o de
séries
originais
para Comp
séries de onente
média Fator Séries de ciclo irregul
Séries de média móvel sazona Séries ajustadas de tendência ar
DATE_ Séries originais móvel (%) l (%) sazonalmente suavizadas (erro)
JAN 2015 1976947.460     63.2 3129030.694 5507284.260 .568
FEB 2015 10702461.000     155.2 6897470.971 6168330.155 1.118
MAR 2015 9965521.000     117.5 8478488.799 7490421.943 1.132
APR 2015 10938203.000     111.2 9834257.462 7487320.401 1.313
MAY 2015 6010071.000     111.6 5385843.531 7468712.292 .721
JUN 2015 4344146.000     133.4 3256975.593 7630371.296 .427
JUL 2015 16354024.000 7754215.8942 210.9 99.7 16399925.128 8599438.087 1.907
AUG 2015 3810940.000 8109990.4167 47.0 69.3 5496620.105 8212765.819 .669
SEP 2015 4231275.000 8076062.2500 52.4 79.8 5302132.473 7775778.095 .682
OCT 2015 13526566.000 7802596.6667 173.4 125.7 10763941.261 7138480.138 1.508
NOV 2015 4256024.000 7559014.7083 56.3 82.6 5154557.579 7726819.853 .667
DEC 2015 2818287.000 7770373.8333 36.3 50.8 5544497.250 8568759.921 .647
JAN 2016 10209198.000 7590738.3750 134.5 63.2 16158696.449 9603836.458 1.683
FEB 2016 11008799.000 7194673.8333 153.0 155.2 7094898.223 8793084.092 .807
MAR 2016 8844907.000 7225822.3333 122.4 117.5 7525090.251 7536675.833 .998
APR 2016 5495643.000 6969775.8750 78.8 111.2 4940991.512 6042143.406 .818
MAY 2016 5606664.000 6852297.8750 81.8 111.6 5024335.825 5976710.027 .841
JUN 2016 9820172.000 7046787.5833 139.4 133.4 7362565.744 6238964.477 1.180
JUL 2016 6566747.000 6765945.7500 97.1 99.7 6585178.005 6355199.118 1.036
AUG 2016 4092668.000 6577158.5833 62.2 69.3 5902963.891 6168525.571 .957
SEP 2016 4697111.000 6710394.4583 70.0 79.8 5885862.952 6311285.719 .933
OCT 2016 6915615.000 6763002.7917 102.3 125.7 5503190.805 6771741.000 .813
NOV 2016 8047503.000 6847772.8333 117.5 82.6 9746495.222 7196912.548 1.354
DEC 2016 3694561.000 6912553.2500 53.4 50.8 7268416.348 7121356.919 1.021
JAN 2017 2592720.000 6907308.0000 37.5 63.2 4103650.008 6931298.171 .592
FEB 2017 14094385.000 6905691.6250 204.1 155.2 9083481.957 7104716.065 1.279
MAR 2017 8956982.000 6969528.7917 128.5 117.5 7620441.677 6988801.994 1.090
APR 2017 6646168.000 6990318.2083 95.1 111.2 5975398.998 6860999.495 .871
MAY 2017 6490620.000 6914724.2500 93.9 111.6 5816480.993 6504211.886 .894
JUN 2017 10490946.000 6843311.0833 153.3 133.4 7865471.159 6641488.232 1.184
JUL 2017 5770087.000 6918461.9583 83.4 99.7 5786282.005 6639378.950 .872
AUG 2017 4850535.000 6817272.6250 71.2 69.3 6996055.619 6602488.439 1.060
SEP 2017 5471336.000 6550806.2083 83.5 79.8 6856029.985 6533040.118 1.049

49
OCT 2017 6640336.000 6544787.8750 101.5 125.7 5284133.952 6583332.134 .803
NOV 2017 6508527.000 6747026.9583 96.5 82.6 7882609.960 6906207.334 1.141
DEC 2017 3519621.000 6725275.0833 52.3 50.8 6924251.844 6948421.163 .997
JAN 2018 4571281.000 6609612.6250 69.2 63.2 7235234.547 6872472.442 1.053
FEB 2018 9687280.000 6658804.4583 145.5 155.2 6243211.967 6623928.315 .943
MAR 2018 6968893.000 6719925.2083 103.7 117.5 5929010.760 6809841.677 .871
APR 2018 8489817.000 6905260.5833 122.9 111.2 7632976.476 7027257.589 1.086
MAY 2018 9500709.000 6969674.9583 136.3 111.6 8513931.385 7079553.626 1.203
JUN 2018 6958812.000 6892900.9583 101.0 133.4 5217292.614 6778903.387 .770
JUL 2018 6526322.000 6885927.9583 94.8 99.7 6544639.543 6884567.519 .951
AUG 2018 5274904.000 6939078.3750 76.0 69.3 7608134.313 7272211.459 1.046
SEP 2018 6513865.000 7031612.2083 92.6 79.8 8162403.800 7540755.785 1.082
OCT 2018 10045856.000 7201913.8750 139.5 125.7 7994120.895 7348208.941 1.088
NOV 2018 4648952.000 7453481.0000 62.4 82.6 5630440.704 6877867.560 .819
DEC 2018 3536620.000 7781497.2500 45.4 50.8 6957694.466 6799901.020 1.023
JAN 2019 4386930.000 8375026.5417 52.4 63.2 6943451.407 6813417.167 1.019
FEB 2019 11147241.000 9147833.4167 121.9 155.2 7184120.662 7352585.035 .977
MAR 2019 7729744.000 9795444.0833 78.9 117.5 6576329.318 8136836.854 .808
APR 2019 11816206.000 9938778.0417 118.9 111.2 10623647.415 9242406.148 1.149
MAY 2019 12211931.000 10109088.3333 120.8 111.6 10943556.171 10497956.113 1.042
JUN 2019 12119980.000 10338764.2067 117.2 133.4 9086821.449 12481847.891 .728
JUL 2019 15609857.000     99.7 15653669.461 14930445.745 1.048
AUG 2019 14738734.000     69.3 21258067.989 15735772.613 1.351
SEP 2019 12592691.000     79.8 15779668.273 14563784.962 1.083
OCT 2019 7407045.000     125.7 5894252.636 11402549.455 .517
NOV 2019 11375210.000     82.6 13776749.124 8080095.388 1.705
DEC 2019 2322582.960     50.8 4569284.404 6418868.354 .712

Fonte: Elaboração Propria,2020

50
Apêndice B: Decomposição De Série Temporais Para A Receita modelo Multiplicativo

Sumário do Modelo
Sem
Temp Sazona tendênci Não-
Receita Tendência Predição Erro
o l a sazonal

1 1976947 6170173 0.63181 0.3204 3129031 3898367 -1921419


2 10702461 6224741 1.55165 1.71934 6897471 9658620 1043841
3 9965521 6279309 1.17539 1.58704 8478489 7380630 2584891
4 10938203 6333877 1.11226 1.72694 9834257 7044887 3893316
5 6010071 6388445 1.1159 0.94077 5385844 7128875 -1118804
6 4344146 6443012 1.3338 0.67424 3256976 8593674 -4249528
7 16354024 6497580 0.9972 2.51694 16399925 6479394 9874630
8 3810940 6552148 0.69332 0.58163 5496620 4542763 -731823
9 4231275 6606716 0.79803 0.64045 5302132 5272375 -1041100
10 13526566 6661284 1.25666 2.03062 10763941 8370939 5155627
11 4256024 6715851 0.82568 0.63373 5154558 5545156 -1289132
12 2818287 6770419 0.5083 0.41626 5544497 3441427 -623140
13 10209198 6824987 0.63181 1.49586 16158696 4312083 5897115
14 11008799 6879555 1.55165 1.60022 7094898 10674661 334138
15 8844907 6934123 1.17539 1.27556 7525090 8150290 694617
16 5495643 6988690 1.11226 0.78636 4940992 7773207 -2277564
17 5606664 7043258 1.1159 0.79603 5024336 7859583 -2252919
18 9820172 7097826 1.3338 1.38355 7362566 9467063 353109
19 6566747 7152394 0.9972 0.91812 6585178 7132375 -565628
20 4092668 7206962 0.69332 0.56788 5902964 4996761 -904093
21 4697111 7261530 0.79803 0.64685 5885863 5794938 -1097827
22 6915615 7316097 1.25666 0.94526 5503191 9193814 -2278199
23 8047503 7370665 0.82568 1.09183 9746495 6085824 1961679
24 3694561 7425233 0.5083 0.49757 7268416 3774271 -79710
25 2592720 7479801 0.63181 0.34663 4103650 4725800 -2133080
26 14094385 7534369 1.55165 1.87068 9083482 11690703 2403682
27 8956982 7588936 1.17539 1.18027 7620442 8919951 37031
28 6646168 7643504 1.11226 0.86952 5975399 8501527 -1855359
29 6490620 7698072 1.1159 0.84315 5816481 8590290 -2099670
30 10490946 7752640 1.3338 1.35321 7865471 10340452 150494
31 5770087 7807208 0.9972 0.73907 5786282 7785356 -2015269
32 4850535 7861775 0.69332 0.61698 6996056 5450760 -600225
33 5471336 7916343 0.79803 0.69114 6856030 6317501 -846165
34 6640336 7970911 1.25666 0.83307 5284134 10016689 -3376353

51
35 6508527 8025479 0.82568 0.81098 7882610 6626491 -117964
36 3519621 8080047 0.5083 0.43559 6924252 4107115 -587494
37 4571281 8134615 0.63181 0.56195 7235235 5139517 -568236
38 9687280 8189182 1.55165 1.18294 6243212 12706745 -3019465
39 6968893 8243750 1.17539 0.84535 5929011 9689612 -2720719
40 8489817 8298318 1.11226 1.02308 7632976 9229846 -740029
41 9500709 8352886 1.1159 1.13742 8513931 9320998 179711
42 6958812 8407454 1.3338 0.8277 5217293 11213841 -4255029
43 6526322 8462021 0.9972 0.77125 6544640 8438337 -1912015
44 5274904 8516589 0.69332 0.61937 7608134 5904758 -629854
45 6513865 8571157 0.79803 0.75997 8162404 6840063 -326198
46 10045856 8625725 1.25666 1.16464 7994121 10839565 -793709
47 4648952 8680293 0.82568 0.53558 5630441 7167159 -2518207
48 3536620 8734860 0.5083 0.40489 6957694 4439960 -903340
49 4386930 8789428 0.63181 0.49911 6943451 5553233 -1166303
50 11147241 8843996 1.55165 1.26043 7184121 13722787 -2575546
51 7729744 8898564 1.17539 0.86865 6576329 10459273 -2729529
52 11816206 8953132 1.11226 1.31978 10623647 9958166 1858040
53 12211931 9007699 1.1159 1.35572 10943556 10051706 2160225
54 12119980 9062267 1.3338 1.33741 9086821 12087230 32750
55 15609857 9116835 0.9972 1.7122 15653669 9091318 6518539
56 14738734 9171403 0.69332 1.60703 21258068 6358756 8379978
57 12592691 9225971 0.79803 1.36492 15779668 7362626 5230065
58 7407045 9280539 1.25666 0.79813 5894253 11662440 -4255395
59 11375210 9335106 0.82568 1.21854 13776749 7707827 3667383
60 2322583 9389674 0.5083 0.24736 4569284 4772804 -2450221
Fonte: Elaboracao Propria,2020

52
Apêndice C: Decomposição De Série Temporais Para A Receita modelo aditivo

Sem
Não- Prediçã
Receita Tendência Sazonal Tendênci Erro
Temp sazonal o
a
o
1 1976947 6369596 -2785957 -4392649 4762905 3583639 -1606692
1006333
2 10702461 6414778 3648557 4287683 7053904 639126
5
3 9965521 6459960 1161283 3505561 8804238 7621243 2344278
4 10938203 6505142 847460 4433061 10090743 7352602 3585601
5 6010071 6550324 1066626 -540253 4943445 7616950 -1606879
6 4344146 6595506 2504557 -2251360 1839589 9100063 -4755917
7 16354024 6640688 -52146 9713336 16406170 6588542 9765482
8 3810940 6685870 -1998357 -2874930 5809297 4687512 -876572
9 4231275 6731052 -1319120 -2499777 5550395 5411932 -1180657
10 13526566 6776234 1725534 6750332 11801032 8501768 5024798
11 4256024 6821416 -1294258 -2565392 5550282 5527158 -1271134
12 2818287 6866598 -3504178 -4048311 6322465 3362419 -544132
13 10209198 6911779 -2785957 3297419 12995155 4125822 6083376
1060551
14 11008799 6956961 3648557 4051838 7360242 403281
8
15 8844907 7002143 1161283 1842764 7683624 8163426 681481
16 5495643 7047325 847460 -1551682 4648183 7894785 -2399142
17 5606664 7092507 1066626 -1485843 4540038 8159133 -2552469
18 9820172 7137689 2504557 2682483 7315615 9642246 177926
19 6566747 7182871 -52146 -616124 6618893 7130725 -563978
20 4092668 7228053 -1998357 -3135385 6091025 5229695 -1137027
21 4697111 7273235 -1319120 -2576124 6016231 5954115 -1257004
22 6915615 7318417 1725534 -402802 5190081 9043951 -2128336
23 8047503 7363599 -1294258 683904 9341761 6069341 1978162
24 3694561 7408781 -3504178 -3714220 7198739 3904602 -210041
25 2592720 7453962 -2785957 -4861242 5378677 4668005 -2075285
1114770
26 14094385 7499144 3648557 6595241 10445828 2946684
1
27 8956982 7544326 1161283 1412656 7795699 8705609 251373
28 6646168 7589508 847460 -943340 5798708 8436968 -1790800
29 6490620 7634690 1066626 -1144070 5423994 8701316 -2210696
1018442
30 10490946 7679872 2504557 2811074 7986389 306517
9
31 5770087 7725054 -52146 -1954967 5822233 7672908 -1902821
32 4850535 7770236 -1998357 -2919701 6848892 5771878 -921343

53
33 5471336 7815418 -1319120 -2344082 6790456 6496298 -1024962
34 6640336 7860600 1725534 -1220264 4914802 9586134 -2945798
35 6508527 7905782 -1294258 -1397255 7802785 6611524 -102997
36 3519621 7950964 -3504178 -4431343 7023799 4446785 -927164
37 4571281 7996145 -2785957 -3424864 7357238 5210188 -638907
1168988
38 9687280 8041327 3648557 1645953 6038723 -2002604
4
39 6968893 8086509 1161283 -1117616 5807610 9247792 -2278899
40 8489817 8131691 847460 358126 7642357 8979151 -489334
41 9500709 8176873 1066626 1323836 8434083 9243499 257210
1072661
42 6958812 8222055 2504557 -1263243 4454255 -3767800
2
43 6526322 8267237 -52146 -1740915 6578468 8215091 -1688769
44 5274904 8312419 -1998357 -3037515 7273261 6314061 -1039157
45 6513865 8357601 -1319120 -1843736 7832985 7038481 -524616
1012831
46 10045856 8402783 1725534 1643073 8320322 -82461
7
47 4648952 8447965 -1294258 -3799013 5943210 7153707 -2504755
48 3536620 8493147 -3504178 -4956527 7040798 4988969 -1452349
49 4386930 8538328 -2785957 -4151398 7172887 5752371 -1365441
1223206
50 11147241 8583510 3648557 2563731 7498684 -1084826
7
51 7729744 8628692 1161283 -898948 6568461 9789975 -2060231
52 11816206 8673874 847460 3142332 10968746 9521334 2294872
53 12211931 8719056 1066626 3492875 11145305 9785682 2426249
1126879
54 12119980 8764238 2504557 3355742 9615423 851185
5
55 15609857 8809420 -52146 6800437 15662003 8757274 6852583
56 14738734 8854602 -1998357 5884132 16737091 6856244 7882490
57 12592691 8899784 -1319120 3692907 13911811 7580664 5012027
1067050
58 7407045 8944966 1725534 -1537921 5681511 -3263455
0
59 11375210 8990148 -1294258 2385062 12669468 7695890 3679320
60 2322583 9035330 -3504178 -6712747 5826761 5531152 -3208569
Fonte: Elaboracao Propria,2020

54
APÊNDICE D: CALCULO DAS MÉDIAS MÓVEIS CENTRADAS

Totaiss 2
Mes Periodo Receita Totais moveis 12 centrados Medias Centradas
jan-15 1 1,976,947.46      
fev-15 2 10,702,461.00      
mar-15 3 9,965,521.00      
abr-15 4 10,938,203.00      
mai-15 5 6,010,071.00      
jun-15 6 4,344,146.00      
jul-15 7 16,354,024.00 88,934,465.46 186,101,181.46 7754215.894
ago-15 8 3,810,940.00 97,166,716.00 194,639,770.00 8109990.417
set-15 9 4,231,275.00 97,473,054.00 193,825,494.00 8076062.25
out-15 10 13,526,566.00 96,352,440.00 187,262,320.00 7802596.667
nov-15 11 4,256,024.00 90,909,880.00 181,416,353.00 7559014.708
dez-15 12 2,818,287.00 90,506,473.00 186,488,972.00 7770373.833
jan-16 13 10,209,198.00 95,982,499.00 182,177,721.00 7590738.375
fev-16 14 11,008,799.00 86,195,222.00 172,672,172.00 7194673.833
mar-16 15 8,844,907.00 86,476,950.00 173,419,736.00 7225822.333
abr-16 16 5,495,643.00 86,942,786.00 167,274,621.00 6969775.875
mai-16 17 5,606,664.00 80,331,835.00 164,455,149.00 6852297.875
jun-16 18 9,820,172.00 84,123,314.00 169,122,902.00 7046787.583
jul-16 19 6,566,747.00 84,999,588.00 162,382,698.00 6765945.75
ago-16 20 4,092,668.00 77,383,110.00 157,851,806.00 6577158.583
set-16 21 4,697,111.00 80,468,696.00 161,049,467.00 6710394.458
out-16 22 6,915,615.00 80,580,771.00 162,312,067.00 6763002.792
nov-16 23 8,047,503.00 81,731,296.00 164,346,548.00 6847772.833
dez-16 24 3,694,561.00 82,615,252.00 165,901,278.00 6912553.25
jan-17 25 2,592,720.00 83,286,026.00 165,775,392.00 6907308
fev-17 26 14,094,385.00 82,489,366.00 165,736,599.00 6905691.625
mar-17 27 8,956,982.00 83,247,233.00 167,268,691.00 6969528.792
abr-17 28 6,646,168.00 84,021,458.00 167,767,637.00 6990318.208
mai-17 29 6,490,620.00 83,746,179.00 165,953,382.00 6914724.25
jun-17 30 10,490,946.00 82,207,203.00 164,239,466.00 6843311.083
jul-17 31 5,770,087.00 82,032,263.00 166,043,087.00 6918461.958
ago-17 32 4,850,535.00 84,010,824.00 163,614,543.00 6817272.625
set-17 33 5,471,336.00 79,603,719.00 157,219,349.00 6550806.208
out-17 34 6,640,336.00 77,615,630.00 157,074,909.00 6544787.875
nov-17 35 6,508,527.00 79,459,279.00 161,928,647.00 6747026.958
dez-17 36 3,519,621.00 82,469,368.00 161,406,602.00 6725275.083
jan-18 37 4,571,281.00 78,937,234.00 158,630,703.00 6609612.625
fev-18 38 9,687,280.00 79,693,469.00 159,811,307.00 6658804.458
mar-18 39 6,968,893.00 80,117,838.00 161,278,205.00 6719925.208

55
abr-18 40 8,489,817.00 81,160,367.00 165,726,254.00 6905260.583
mai-18 41 9,500,709.00 84,565,887.00 167,272,199.00 6969674.958
jun-18 42 6,958,812.00 82,706,312.00 165,429,623.00 6892900.958
jul-18 43 6,526,322.00 82,723,311.00 165,262,271.00 6885927.958
ago-18 44 5,274,904.00 82,538,960.00 166,537,881.00 6939078.375
set-18 45 6,513,865.00 83,998,921.00 168,758,693.00 7031612.208
out-18 46 10,045,856.00 84,759,772.00 172,845,933.00 7201913.875
nov-18 47 4,648,952.00 88,086,161.00 178,883,544.00 7453481
dez-18 48 3,536,620.00 90,797,383.00 186,755,934.00 7781497.25
jan-19 49 4,386,930.00 95,958,551.00 201,000,637.00 8375026.542
fev-19 50 11,147,241.00 105,042,086.00 219,548,002.00 9147833.417
mar-19 51 7,729,744.00 114,505,916.00 235,090,658.00 9795444.083
abr-19 52 11,816,206.00 120,584,742.00 238,530,673.00 9938778.042
mai-19 53 12,211,931.00 117,945,931.00 242,618,120.00 10109088.33
jun-19 54 12,119,980.00 124,672,189.00 248,130,340.96 10338764.21
jul-19 55 15,609,857.00 123,458,151.96    
ago-19 56 14,738,734.00      
set-19 57 12,592,691.00      
out-19 58 7,407,045.00      
nov-19 59 11,375,210.00      
dez-19 60 2,322,582.96      

56
APÊNDICE E: CALCULO DOS AJUSTES EXPONENCIAL

Period
Mes o Receita 0.1 0.5 0.75
1,976,947.4 1,976,947.4 1,976,947.4 1,976,947.4
Jan-15 1 6 6 6 6
10,702,461. 2849498.81 8521082.61
Feb-15 2 00 4 6339704.23 5
9,965,521.0 3561101.03 8152612.61 9604411.40
Mar-15 3 0 3 5 4
10,938,203. 4298811.22 9545407.80
Apr-15 4 00 9 8 10604755.1
May- 6,010,071.0 4469937.20 7777739.40 7158742.02
15 5 0 6 4 5
4,344,146.0 4457358.08 6060942.70 5047795.00
Jun-15 6 0 6 2 6
16,354,024. 5647024.67 11207483.3 13527466.7
Jul-15 7 00 7 5 5
3,810,940.0 5463416.20 7509211.67 6240071.68
Aug-15 8 0 9 5 8
4,231,275.0 5340202.08 5870243.33 4733474.17
Sep-15 9 0 9 8 2
13,526,566. 9698404.66 11328293.0
Oct-15 10 00 6158838.48 9 4
4,256,024.0 5968557.03 6977214.33 6024091.26
Nov-15 11 0 2 4 1
2,818,287.0 5653530.02 4897750.66 3619738.06
Dec-15 12 0 9 7 5
10,209,198. 6109096.82 7553474.33 8561833.01
Jan-16 13 00 6 4 6
11,008,799. 6599067.04 9281136.66
Feb-16 14 00 3 7 10397057.5
8,844,907.0 6823651.03 9063021.83 9232944.62
Mar-16 15 0 9 3 6
5,495,643.0 6690850.23 7279332.41 6429968.40
Apr-16 16 0 5 7 7
May- 5,606,664.0 6582431.61 6442998.20 5812490.10
16 17 0 1 8 2
9,820,172.0 8131585.10 8818251.52
Jun-16 18 0 6906205.65 4 5
6,566,747.0 6872259.78 7349166.05 7129623.13
Jul-16 19 0 5 2 1
4,092,668.0 6594300.60 5720917.02 4851906.78
Aug-16 20 0 7 6 3
4,697,111.0 6404581.64 5209014.01 4735809.94
Sep-16 21 0 6 3 6
Oct-16 22 6,915,615.0 6455684.98 6062314.50 6370663.73

57
0 1 7 6
8,047,503.0 6614866.78 7054908.75 7628293.18
Nov-16 23 0 3 3 4
3,694,561.0 6322836.20 5374734.87 4677994.04
Dec-16 24 0 5 7 6
2,592,720.0 5949824.58 3983727.43 3114038.51
Jan-17 25 0 4 8 2
14,094,385. 6764280.62 9039056.21 11349298.3
Feb-17 26 00 6 9 8
8,956,982.0 6983550.76 9555061.09
Mar-17 27 0 3 8998019.11 4
6,646,168.0 6949812.48 7822093.55 7373391.27
Apr-17 28 0 7 5 4
May- 6,490,620.0 6903893.23 7156356.77 6711312.81
17 29 0 8 7 8
10,490,946. 7262598.51 8823651.38 9546037.70
Jun-17 30 00 5 9 5
5,770,087.0 7113347.36 7296869.19 6714074.67
Jul-17 31 0 3 4 6
4,850,535.0 6887066.12 6073702.09 5316419.91
Aug-17 32 0 7 7 9
5,471,336.0 6745493.11 5772519.04
Sep-17 33 0 4 9 5432606.98
6,640,336.0 6734977.40 6206427.52 6338403.74
Oct-17 34 0 3 4 5
6,508,527.0 6712332.36 6357477.26 6465996.18
Nov-17 35 0 2 2 6
3,519,621.0 6393061.22 4938549.13 4256214.79
Dec-17 36 0 6 1 7
4,571,281.0 6210883.20 4754915.06 4492514.44
Jan-18 37 0 4 6 9
9,687,280.0 6558522.88 7221097.53 8388588.61
Feb-18 38 0 3 3 2
6,968,893.0 6599559.89 7094995.26 7323816.90
Mar-18 39 0 5 6 3
8,489,817.0 6788585.60 7792406.13 8198316.97
Apr-18 40 0 5 3 6
May- 9,500,709.0 7059797.94 8646557.56 9175110.99
18 41 0 5 7 4
6,958,812.0 7802684.78 7512886.74
Jun-18 42 0 7049699.35 3 8
6,526,322.0 6997361.61 7164503.39 6772963.18
Jul-18 43 0 5 2 7
5,274,904.0 6825115.85 6219703.69 5649418.79
Aug-18 44 0 4 6 7
6,513,865.0 6793990.76 6366784.34 6297753.44
Sep-18 45 0 8 8 9
10,045,856. 7119177.29 8206320.17 9108830.36
Oct-18 46 00 2 4 2
Nov-18 47 4,648,952.0 6872154.76 6427636.08 5763921.59

58
0 2 7 1
3,536,620.0 6538601.28 4982128.04 4093445.39
Dec-18 48 0 6 3 8
4,386,930.0 6323434.15 4684529.02 4313558.84
Jan-19 49 0 8 2 9
11,147,241. 6805814.84 7915885.01 9438820.46
Feb-19 50 00 2 1 2
7,729,744.0 6898207.75 7822814.50 8157013.11
Mar-19 51 0 8 5 6
11,816,206. 7390007.58 9819510.25 10901407.7
Apr-19 52 00 2 3 8
May- 12,211,931. 7872199.92 11015720.6 11884300.1
19 53 00 4 3 9
12,119,980. 8296977.93 11567850.3 12061060.0
Jun-19 54 00 1 1 5
15,609,857. 9028265.83 13588853.6 14722657.7
Jul-19 55 00 8 6 6
14,738,734. 9599312.65 14163793.8 14734714.9
Aug-19 56 00 4 3 4
12,592,691. 9898650.48 13378242.4 13128196.9
Sep-19 57 00 9 1 9
7,407,045.0 10392643.7 8837332.99
Oct-19 58 0 9649489.94 1 6
11,375,210. 9822061.94 10883926.8 10740740.7
Nov-19 59 00 6 5 5
Fonte: Elaboração Propria,2020

59

Você também pode gostar