Monografia Alexandre

UNIVERSIDADE ESTADUAL DE MARINGÁ
CENTRO DE CIÊNCIAS EXATAS

DEPARTAMENTO DE ESTATÍSTICA
ORIENTADORA: Prof.a Ms. Clédina R. L. Acorsi
ORIENTANDO : Alexandre Barbosa
“ANÁLISE DA DEMANDA DO ÁLCOOL UTILIZANDO

OS MÉTODOS DE SUAVIZAÇÃO EXPONENCIAL”
Maringá, Dezembro de 2005

UNIVERSIDADE ESTADUAL DE MARINGÁ
CENTRO DE CIÊNCIAS EXATAS
DEPARTAMENTO DE ESTATÍSTICA
ORIENTADORA: Prof.a Ms. Clédina R. L. Acorsi
ORIENTANDO : Alexandre Barbosa
“ANÁLISE DA DEMANDA DO ÁLCOOL UTILIZANDO

OS MÉTODOS DE SUAVIZAÇÃO EXPONENCIAL”
Trabalho de conclusão de curso

desenvolvido na disciplina de Estatı́stica
Aplicada, como parte do requisito para
obtenção do tı́tulo de bacharel em
Estatı́stica
Maringá, Dezembro de 2005

Alexandre Barbosa
ANÁLISE DA DEMANDA DO ÁLCOOL UTILIZANDO OS MÉTODOS DE

SUAVIZAÇÃO EXPONENCIAL
Esta monografia foi julgada adequada para a aprovação na disciplina Estatı́stica
Aplicada do curso de Graduação Bacharelado em Estatı́stica da Universidade
Estadual de Maringá.
Professora Dra. Terezinha Apa. Guedes

Coordenadora do Curso de Estatı́stica
Banca Examinadora
Prof. Ms. Claudia Corrêa de Moraes Barbiero
Prof. Dra. Maria Bernadete de Souza Cortes
Orientadora
Prof. Ms. Clédina Regina Lonardan Acorsi
i
Sumário
Resumo iv
1 Introdução 1
1.1 Caracterização do Mercado [1980 a 1995] . . . . . . . . . . . . . . . . 3
2 Objetivos 5
2.1 Objetivo Geral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Objetivos Especı́ficos . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3 Revisão Teórica 6
3.1 O Conceito de Série Temporal . . . . . . . . . . . . . . . . . . . . . . 6
3.1.1 Modelos de Séries Temporais . . . . . . . . . . . . . . . . . . . 8
3.2 Importância dos Modelos para Séries Temporais . . . . . . . . . . . . 8
3.3 O Significado da Análise de Séries Temporais . . . . . . . . . . . . . . 9
3.4 Modelos de Suavização Exponencial . . . . . . . . . . . . . . . . . . . 10
3.4.1 Modelos para Séries Localmente Constantes . . . . . . . . . . 10
3.4.2 Média Simples (MS) . . . . . . . . . . . . . . . . . . . . . . . 11
3.4.3 Média Móvel Simples (MMS) . . . . . . . . . . . . . . . . . . 11
3.4.4 Média Móvel Ponderada (MMP) . . . . . . . . . . . . . . . . . 14
3.4.5 Suavização Exponencial Simples (SES) . . . . . . . . . . . . . 14
3.4.6 Suavização Exponencial Simples: Taxa de Resposta Adapta-
tiva (SES:TRA) . . . . . . . . . . . . . . . . . . . . . . . . . . 16
3.4.7 Suavização Exponencial de Holt (SEH) . . . . . . . . . . . . . 17
3.4.8 Suavização Exponencial Sazonal de Holt Winter (SEHW) . . . 18
3.4.9 Uma Comparação entre Métodos . . . . . . . . . . . . . . . . 19
3.5 Intervalo de Predição . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
4 Metodologia 22
5 Aplicação dos Métodos de Suavização Exponencial 23

5.1 Média Simples (MS) . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
5.2 Média Móvel Simples (MMS) . . . . . . . . . . . . . . . . . . . . . . 25
5.3 Suavização Exponencial Simples (SES) . . . . . . . . . . . . . . . . . 28
ii
5.4 Suavização Exponencial de Holt (SEH) . . . . . . . . . . . . . . . . . 30
5.5 Suavização Exponencial de Holt-Winters (SEHW) . . . . . . . . . . . 33
6 Conclusões 38
7 Referências Bibliográficas 39
Anexos 41
iii
Resumo
O trabalho foi desenvolvido com o objetivo de aplicar métodos da suavização ex-

ponencial à demanda do álcool para o perı́odo de janeiro de 1980 a dezembro de
1995. Aos dados foram aplicados os métodos da média simples, média móvel sim-
ples, suavização exponencial simples, suavização exponencial de Holt, suavização
exponencial de Holt-Winters para o modelo aditivo e multiplicativo, avaliando-se a
adequação dos modelos aos dados. Utilizou-se as linguagens de programação R e
SAS. Para encontrar as constantes de suavização, que servem para construção dos
modelos citados. O melhor método é o da média móvel simples, pois produziu o
menor quadrado médio do erro. Entretanto, este não é um método indicado para
previsão, já que cada perı́odo consta de apenas três elementos, tornando-se os resul-
tados muitos próximos aos daos originais. O critério de escolha das constantes de
suavização, também é o que mostra menor quadrado médio do erro.
Palavras-chaves: Séries temporais, Sazonalidade, Tendência, Suavização exponen-

cial, Demanda do álcool.
iv
1 Introdução
O Álcool Hidratado atua no mercado brasileiro como uma alternativa aos com-
bustı́veis derivados do petróleo, cujas importações tornaram-se extremamente one-
rosas a partir do primeiro choque de oferta no inı́cio da década de setenta. A sua
colocação no mercado foi amparada por fortes doses de subsı́dios e incentivos go-
vernamentais do Programa Nacional do Álcool, PROÁLCOOL, de modo a torná-lo
competitivo com os combustı́veis derivados do petróleo. A superação das princi-
pais dificuldades cambiais da década de setenta, produziram argumentos para ques-
tionar polı́tica e estrategicamente a manutenção dos subsı́dios ainda persistentes na
produção do produto, especificamente o custo de transporte. Com isso, o governo
manifestou a intenção de eliminar este último subsı́dio, liberando totalmente os
preços dos combustivéis, ou seja, para que o mercado busque seu equilı́brio (Sordi,
1997 ).
A elevação dos preços do petróleo e a insegurnaça do abastecimento provocados
pelos choques da década de setenta, motivou um grande número de pesquisadores
à investigarem as funções da demanda de petróleo, combustı́veis ou mais especifica-
mente de gasolina, a fim de conhecer suas elasticidades de demanda para traçarem
as perspectivas de consumo, em razão principalmente, das polı́ticas de preços ado-
tadas. Também a preocupação com o meio ambiente incentivou estudos no sentido
de vislumbrar alternativas para o consumo, com o proprósito de minimizar seus
efeitos na natureza. Em qualquer dos casos mencionados, o foco das análises foi a
determinação da elasticidade de demanda.
Em 1975, criou o PROÁLCOOL, com a finalidade de produzir alcóol carburante,
substituto de combustı́veis derivados do petróleo, a partir de biomassa agrı́colas.
Inicialmente o PROÁLCOOL incentivou a produção do álcool anidro para ser mis-
turado com à gasolina. Já em 1978, começou a conversão de motores para o consumo
de alcóol, assim incentivando a produção de automóveis com este tipo de motor.
Em 1979, o álcool hidratado passou a ser produzido em larga escala, devido
a produção de automovéis equipados com motores configurados para este tipo de
consumo.
No inı́cio da produção do álcool carburante, principalmente do álcool hidratado, o
programa proporcionava fortes subsı́dios e incentivos fiscais e financeiros, de maneira
1
a torná-lo competitivo com relação à gasolina, no entanto, com a estabilização e
queda dos preços do petróleo, o mercado internacional e a superação das dificul-
dades maiores na área cambial do Brasil, começou a surgir o desinteresse oficial pela
manuntenção dos subsı́dios e incentivos fiscais (Sordi, 1997 ).
A falta de interesse oficial pela manutenção dos subsı́dios do custo de transporte
está refletida em anunciada medida de liberação dos preços do álcool hidratado, a
qual ocorreu em duas etapas: a primeira no mês de março de 1996, de fato já se
concretizou, de liberação dos preços de comercialização no varejo, ou seja, nos postos
de serviços1 ; e a segunda que ocorreu em 1o de janeiro de 1997, seria a liberação total
dos preços desde os produtores até os varejistas, ocorrendo com isso, a eliminação
total dos subsı́dios2 .
A questão dos subsı́dios ao álcool, principalmente ao álcool hidratado, sempre
foi assunto polêmico. Interesses politicamente conflitantes ou questões estratégicas,
acabaram atraindo a atenção de vários pesquisadores, para a realização de avaliações
econômicas sobre o PROÁLCOOL.
Araújo e Ghirardi (1986) sugerem mudanças estruturais ao crédito e propõem
uma polı́tica de redução de subsı́dios de forma seletiva e gradual, para não penalizar
nenhum seguimento social e de forma que pudessem ser traduzidos por ganhos de
produtividade.
As propostas de Ferreira e Motta (1987), se efetivamente consideradas na ocasião,
provavelmente tivessem evitado a crise de abastecimento de 1989, uma vez que
esses autores discutiram duas propostas de ajuste do programa, uma de controle
de oferta e outra de controle de demanda3 . Já alertando para as consequências da
crise, Motta (1989), discute algumas propostas de reformulação do programa em
razão da alteração da matriz energética, sendo que a reformulação deveria dar-se
de maneira compatı́vel com essa matriz, evitando desequilı́brio no setor e descrédito
em programas de fontes alternativas.
Sob a óptica do governo, o ato adotado em abril de 1996, de liberação dos preços
1
Ver FOLHA DE SÃO PAULO (1996, 25/04/96: 2-3)
2
Na mesma medida, foram liberados também os preços da gasolina.
3
A crise de abastecimento de 1989 é caracterizada não pela sub-oferta praticada como o poder de
monopólio da indústria, mas pela falta de capacidade em elevá-la ao nı́vel da demanda que crescia
em taxa mais acelerada puxada pelo rápido aumento da frota de veı́culos a álcool hidratado.
2
no varejo, representa uma estratégica de redução da intervenção da PETROBRÁS
na fixação de preços. E, a anunciada polı́tica de liberação total dos preços, uma
estratégica de eleminação da intervação, devendo, assim o álcool ser livremente
comercializado e sem o subsı́dio do custo do transporte. No entanto, a medida em
que a liberação dos preços pode representar uma ameaça à sobreviência ou ao seu
comportamento tradicional de monopólio, a indústria buscará formas organizadas
que lhe possibilitem algum poder sobre o mercado.
1.1 Caracterização do Mercado [1980 a 1995]
Desde o surgimento do PROÁLCOOL, tanto a produção quanto a distribuição

do álcool hidratado são controlados centralmente pelo governo. Os volumes anuais
de produção são definidos para cada estado da federação, num plano de safra a-
nual4 , o qual é aprovado por portaria ministerial. A produção é executada por 350
unidades independentes5 , designinadas como autônomas ou anexas. As primeiras
são destilarias que produzem somente álcool carburante, hidratado e/ou anidro, e
as unidades anexas, são destilarias de álcool que foram anexadas às antigas usinas
de açúcar, portanto, produzindo álcool também a partir do melaço do açúcar.
Os volumes de produção de cada unidade produtora e de sua comercialização
junto às de distribuidoras de combustı́veis, são definidos a partir dos planos anuais
de safra mediante negociações de nı́vel nacional entre as associações representantes
de produtores e as distribuidoras, intermediadas pelo Governo. De tal negociação
resulta uma cota de produção e de comercialização junto aos distribuidores previa-
mente definidos, por perı́odo de safra, de maneira a não existir concorrência entre
os produtores, na condição de vendedores e nem entre os distribuidores, na condição
de compradores.
O preço do álcool hidratado a ser fornecido pelos produtores aos distribuidores,
bem como o preço da matéria-prima, cana-de-açúcar, são também definidos central-
mente e fixados por portaria ministerial.
O conjunto dessas caracterı́sticas, de produção controlada no nı́vel nacional de
fixação, controle e de quantidade de comercialização, e de fixação dos preços aos
4
Além do álcool hidratado o mesmo plano define também os volumes de produção de álcool
anidro, o qual é misturado à gasolina.
5
Ver DATAGRO (1996, boletim 11/95, p.10)
3
produtores, distribuidores e aos consumidores e até mesmo dos preços das matérias-
primas, pode-se atribuir à indústria um caractér de monopólio, ou de oligopólio com
coordenação táctica equivalente a monopólio.
A partir de 1990 passaram a ser adotadas diretrizes polı́ticas orientadas para
uma menor intervenção estatal e, neste sentido, vários setores produtivos viram-
se inseridos em contextos tendentes ao livre mercado. Dentre os setores pode-se
destacar o setor de sucroalcooleiro e o setor de combustı́veis, passaram por mudanças
nas suas atividades produtivas e comerciais devido ao afastamento do governo que
antes coordenava essas atividades.
O setor petrolı́fero no Brasil, assim como o sucroalcooleiro, caracteriza-se pelo
elevado grau de intervenção governamental, sendo que o controle dos preços dos
combústiveis estava diretamente ligado às questões de caráter econômico, energético,
social e tributário. Nesse sentido, eram mantidos complexos sistemas de adminis-
tração de preço e de produção. A partir de 2002, esses sistemas entraram em uma
fase de transição para que operarem em um mercado totalmente desregulamentado
(Maistro, 2002 ).
4
2 Objetivos
2.1 Objetivo Geral
Desenvolver um estudo sobre os principais métodos de suavização exponencial à

demanda do álcool.
2.2 Objetivos Especı́ficos
• Determinar critérios de escolha do modelo que apresente o melhor ajuste dos

dados.
• Desenvolver algoritmo para a utilização do softwares R e SAS na elaboração

de gráficos e previsões.
• Construir intervalos de confiança para valores previstos da demanda do álcool.
5
3 Revisão Teórica
3.1 O Conceito de Série Temporal

Define-se uma série temporal como um conjunto de observações de uma dada
variável disposta e seqüencialmente no tempo6 . Conforme o conjunto gerado, pode-
se classificar a série em contı́nua ou discreta. Diz-se que a série cronológica é discreta
quando o conjunto de observações no tempo for finito ou infinito enumerável7 . Caso
contrário, isto é, se o conjunto gerado for infinito não enumerável, diz-se que a
série é contı́nua (Fischer, 1982 ). De modo geral, as séries apresentam seqüências
de observações relativas a determinada variável ao longo de intervalo especı́fico de
tempo, isto é, referem-se a fluxos de valores periódicos, os quais dão uma visão geral
sobre o comportamento da variável sob análise (Milone, 2004 ).
Uma série temporal pode ser classificada como determinı́stica ou estocástica.
Diz-se que é determinı́stica quando os futuros valores da série podem ser estabele-
cidos por alguma relação funcional matemática do tipo:
Y = f (T empo) (1)
A série será dita estocástica quando seus futuros valores só podem ser expostos
em termos probabilı́sticos, uma vez que a série está descrita por meio de uma relação
funcional que envolve não só o tempo, mas também uma variável aleatória do tipo:
Y = f (T empo, a) (2)
Onde a é o termo aleatório residual cuja inclusão se torna necessária quando não
se consegue explicar completamente algum movimento irregular da série através
unicamente da relação matemática (Fischer, 1982 ).
Os valores das séries são desmembráveis em componentes sistemáticos e não
sistemáticos e movimentos irregulares dı́spares. Uma das componentes sistemáticas é
a tendência, dita às vezes como componente secular irregular, segundo Fischer,1982.
As outras são a sazonalidade e ciclo. A diferença entre uma e outra é o perı́odo de
6
A definição dada aqui é de série temporal univariada. A generalização da definição tem em
vista os objetivos especı́ficos do trabalho.
7
Um conjunto é dito enumerável quando é possı́vel existir uma bijeção entre o conjunto de
números naturais.
6
avaliação (curto e longo), a semelhança é que ambas definem oscilações relativamente
regulares em torno da tendência. Quanto à componente não sistemática, também
denominada variação residual, pode-se dizer que é o resumo do que é irregular.
A análise das séries temporais busca isolar e interpretar tais componentes. Em

qualquer caso, o isolamento objetiva identificar componentes e levantar informações
úteis ao estudo e a previsões de valores. No entanto, deve-se ter em mente que
as várias componentes podem atuar de modo isolado ou interrelacionado e que as
previsões com base em séries temporais só são de fato válidas se as propriedades
de suas componentes permanecem relativamente estáveis durante o tempo a que a
previsão diz respeito (Milone, 2004 ).
A tendência, caracterizada como movimento regular e contı́nuo de longo prazo,

reflete um movimento ascendente ou descendente em longo perı́odo de tempo. De
certa forma, pode ser vista como a componente que descreve variações graduais que
se mantém em um longo perı́odo de observações da variável no tempo. Estatistica-
mente, pode-se caracterizá-lo pelo fato de que a expectância de Y , E(Y ), varia no
tempo (Fischer, 1982 ).
Em princı́pio, a sazonalidade diz respeito à oscilações de curto prazo (não maiores

de um ano) em torno da tendência. Embora o próprio nome dê a entender que esses
movimentos ocorrem por um perı́odo anual, esses movimentos podem ser estendi-
dos a qualquer intervalo de curto prazo, como diário, horário, semanal, mensal,
trimestral, etc (Milone, 2004 ).
As variações cı́clicas são aquelas que se referem às oscilações de longo prazo
e em torno da curva de tendência (Fischer, 1982 ). Essas variações podem ser
explicadas pelos fenômenos naturais, socioculturais ou variações climáticas, entre
outras (Milone, 2004 ). O estudo do ciclo visa antecipar seus pontos de reversão:
sabendo quando muda o sentido de seu crescimento, pode-se controlar suas causas
e efeitos.
As variações aleatórias, também chamadas de residuais, referem-se não só aque-

les movimentos esporádicos ocasionados por eventos aleatórios imprevisı́veis, mas
também ao conjunto de todos aqueles movimentos da série que não foram passı́veis
de identificação de seus demais componentes, uma vez que não obedecem a nenhuma
lei comportamental capaz de ser descrita de forma determinı́stica, através de relações
7
funcionais exclusivamente matemáticas (Fischer, 1982 ). Variações aleatórias, esta-
tisticamente, é tudo que não se atribui à tendência, aos ciclos e a sazonalidade
(Milone, 2004 ).
3.1.1 Modelos de Séries Temporais
Com base nos componentes de uma série temporal pode-se citar dois modelos
para análise:
(i) Modelo aditivo

Y =T +S+A (3)
(ii) Modelo multiplicativo

Y =T ×S×A (4)
Baseado nas Equações (4) e (5) é possı́vel uma variação, definida por:
Y =T ×S+A (5)
Onde Y é uma variável aleatória qualquer, T é a componente de tendência, S é

a componente de sazonalidade e A é a componente aletória.
A diferença existente entre os dois modelos diz respeito ao tipo de peso dados aos
componente. No caso do modelo aditivo admite-se que a força do movimento sazonal
e aleatório opera de forma absoluta, sem sofrer interferência da tendência, mas no
modelo multiplicativo, é admitido que a força de atuação de cada componente é
influenciada pela Tendência geral da série.
3.2 Importância dos Modelos para Séries Temporais

A caracterı́stica básica da análise das séries temporais que a distingue das outras
análises estatı́sticas, é o reconhecimento explı́cito da importância da ordem em que
as observações são feitas: enquanto em muitos outros tratamentos estatı́sticos as
observações podem ser consideradas independentes, na análise das séries temporais
as sucessivas observações são vistas como estatisticamente dependentes.
Esse tipo de tratamento torna-se extremamente importante uma vez que, em
muitas áreas do conhecimento, existem fenômenos cujo desenvolvimento e a variação
8
assumem elevada importância com o passar do tempo. A análise das séries temporais
permite que tanto os objetivos de previsão do futuro, baseados nos dados passados,
como os de controle do processo que gera a série, possam ser conhecidos indepen-
dentes do comportamento de outras variáveis.
Por outro lado, a análise de séries temporais pode-se tornar o único meio de
tratamento estatı́stico disponı́vel. É o caso em que se apresenta difı́cil (ou até
mesmo impossı́vel) a explicação do comportamento de uma variável através de um
modelo casual que busca explicar esses movimentos através de outras variáveis em
estudo.
Assim, a análise de séries temporais, ao se caracterizar como estudo da variável
baseado unicamente no conhecimento dos seus valores passados, independentes do
comportamento das demais variáveis, proporciona um meio bastante útil para o
tratamento numérico dos dados (Fischer, 1982 ).
3.3 O Significado da Análise de Séries Temporais

A base do tratamento requerido pelas séries de tempo está assentada na pos-
sibilidade de tirar-se conclusões sobre o comportamento passado da variável e que
poderão ser úteis para proporcionar informações sobre seu comportamento futuro
provável. Se tais tipos de causas comportamentais como tendência, ciclo, sazonali-
dade ou ainda a aleatoriedade, estão presentes, pode-se buscar construir um modelo
para os valores da variável seqüencialmente disposta no tempo, de maneira que esta
variável possa ser estudada em relação ao seu próprio comportamento passado, ou
seja, os meios a serem utilizados para a avaliação das previsões para a variável em
estudo, não exigem relações explicativas dos efeitos da influência de outras variáveis.
Sua base teórica está assentada na suposição de que a série tenha sido gerada
por um processo estocástico, através do qual a sua estrutura pode ser caracterizada
e descrita. É importante destacar que a análise da série temporal proporciona uma
descrição dos mecanismos e da natureza aleatória do processo estocástico que gerou a
amostra de observações em estudo. Sua descrição é dada, não em termos de relação
entre variáveis, como no modelo tradicional de regressão, mas sim em termos de
como a aleatoriedade está embutida no processo. Basicamente, a análise de série
temporal pressupõe que exista um processo estocástico gerador da série, ou seja, que
a cada possı́vel realização aleatória da variável, esteja associada uma probabilidade
9
de ocorrência da observação. Assim, o que se busca é descrever os mecanismos
do processo e as caracterı́sticas de sua aleatoriedade, porquanto isso irá fornecer os
meios para que se chegue a conclusões sobre as probabilidades associadas aos valores
futuros alternativos da série.
Em sı́ntese, uma série temporal significa um conjunto de variáveis aleatórias
conjuntamente distribuı́das no tempo. Sua análise baseia-se na suposição conjunta-
mente distribuı́das no tempo e da existência de alguma função que assume proba-
bilidades para todas as possı́veis combinações dos valores da variável.
Conseqüentemente, se é possı́vel descrever numericamente como é a estrutura
probabilı́stica da variável no tempo, então pode-se inferir sobre a probabilidade de
ocorrência de um outro valor.
3.4 Modelos de Suavização Exponencial
A maioria dos métodos de previsão baseia-se na idéia de que observações pas-

sadas contêm informações sobre o padrão de comportamento da série temporal. O
propósito dos métodos é distinguir o padrão de qualquer ruı́do que possa estar con-
tido nas observações e então usa-los para prever valores futuros da série. Uma grande
classe de métodos de previsão, que tenta ambas causas de flutuações em séries de
tempo, é a das suavizações. Técnicas especı́ficas desse tipo assumem que os valores
extremos da série representam a aleatoriedade e, assim, por meio da suavização
desses extremos, pode-se identificar o padrão básico (Morettin, 2004 ).
Os modelos de suavização exponencial são amplamente utilizados para previsão
de demanda devido a sua simplicidade, facilidade de ajuste ao dados e boa precisão.
Estes métodos usam uma ponderação distinta de cada valor observado na série
temporal, de modo que valores mais recentes recebam pesos maiores. Assim, os
pesos formam um conjunto que decai exponencialmente a partir dos mais recentes.
3.4.1 Modelos para Séries Localmente Constantes
Seja Z1 , · · · , Zn localmente composta de seu nı́vel mais um ruı́do aleatório, isto

é:
Z t = µ t + at (6)
10
Onde Zt representa uma série temporal, µt é a parte sistemática ou determinı́stica
e at é uma sequência aleatória independente de µt , além disso supõe-se que a
variável aleatória at seja não correlacionada, tenha média zero e variância constante
e V ar(at ) = σ 2a e µt é um parâmetro desconhecido, que pode variar lentamente com
o tempo (Morettin, 2004 ).
Portanto,
E (at ) = 0
E (at as ) = 0
V ar (at ) = σ 2a
para t = 1, . . . , N , s = 1, . . . , N e s 6= t.
3.4.2 Média Simples (MS)

Segundo Makridakis, (1998) o método da média simples é obtido por meio de
todos dados observados e usado como uma ferramenta de previsão futura no primeiro
tempo t + 1, como descrito na equação:
Pt
i=1 Zi
Mt+1 = (7)
t
3.4.3 Média Móvel Simples (MMS)

O termo média móvel simples é utilizado para descrever procedimentos em que
cada nova observação disponı́vel, uma nova média pode ser calculada por não levar
em consideração as observações anteriores, sendo substituı́da pelo perı́odo mais re-
cente (Makridakis, 1998 ).
A técnica de média móvel simples consiste em calcular a média aritmética das r
observações mais recentes e esse valor será a previsão, assim:
Zt + Zt−1 + . . . + Zt−r+1
Mt =
r
t
1 X
= Zi (8)
r i=t−r+1
ou
Zt − Zt−r
Mt = Mt−1 + (9)
r
11
Então, Mt é uma estimativa do nı́vel µt que não pondera as observações an-
teriores, o que é razoável devido ao fato do parâmetro variar suavemente com o
tempo(Morettin, 1987 ).
A previsão de todos os valores futuros é dada pela última média móvel calculada,
isto é:
Ẑt (h) = Mt , ∀h > 0 ou (10)

Zt − Zt−r
Ẑt (h) = Ẑt−1 (h + 1) + (11)
r
Onde h é um mecanismo de atualização de previsão que a cada observação corrige

a estimativa prévia de Zt+k . A média e o estimador do quadrado médio de previsão
são dados pelas seguintes equações:
Pr−1
k=0 Zt−k
E(Ẑt (h)) = E( )
r
r−1
1 X
= E( Zt−k )
r k=0
r−1
1X
= E(Zt−k )
r k=0
r−1
1X
= µ (12)
r k=0 t−k
2
EQM Ẑt (h) = E Zt+h − Ẑt (h)
r−1
!2
X Zt−k
= E Zt+h −
k=0
r
r−h−1
!2
X Zt−h−k
= E Zt −
k=0
r
r−h−1
2 X
= E Zt2 − E (Zt Zt−h−k ) + (13)
r k=0
r−h−1 r−h−1
1 X X
+ E (Zt−h−k Zt−h−j )
r2 k=0 j=0
onde E (Zt2 ) = σ 2a + µ2t , σ 2a = V ar (Zt ) = V ar (at ) = constante, E (Zt Zt−h−k ) =

Cov (Zt , Zt−h−k ) + µt µt−h−k .
12
Para o caso particular em que o modelo tem a média globamente constante, como
definido pela Equação (6), tem-se:
r−1
1X
E Ẑt (h) = µ
r k=0
= µ (14)
o que equivale a dizer que a previsão é um estimador não-viesado do nı́vel.

A variância é dada pela equação:
r−1
!
1 X Zt−k
V ar Ẑt (h) = V ar
r k=0 r
σ 2a
= (15)
r

σ 2a
Assumindo que at ∼ N (0, σ 2a ), pode-se afirmar que Ẑt (h) ∼ N µ, r
e, consequentemente construir um intervalo de confiança com coeficiente

λ para Zt+h , dado, pela equação:
σa σa
Ẑ (h) − zλ √ ; Ẑ (h) − zλ √ (16)
r r
Segundo Morettin, (1987) quando se determina o valor de r, suas pro-

priedades dependem do valor do número de observações utilizadas para o
cálculo da média. Se for usado um valor grande de r, a previsão seguirá
lentamente as mudanças do parâmetro µt , enquanto um valor pequeno
para r, provoca uma reação mais rápida. Portanto, em situações ex-
tremas, é possı́vel ter:
(i) se r = 1, então o valor mais recente da série é utilizado como previsão de todos
os valores (este é o tipo de previsão mais simples que existe e é denominado
“método ingênuo”);
(ii) se r = N , então será igual a média aritmética de todos os dados observados.

Este caso é indicado quando a série é altamente aleatória (aleatoriedade de at
predominado sobre a mudança de nı́vel).
13
Consequentemente, o valor de r deve ser proporcional à aleatoriedade de at .
Uma das vantagens de utilizar o método da média móvel simples é sua fácil
aplicação, também pode ser utilizado quando se tem um pequeno número de ob-
servações, uma outra vantagem é que permite uma grande flexibilidade devido à
variação de r de acordo com o padrão da série. Morettin, (1987) afirma que este
método deve ser aplicado para prever séries estacionárias, pois caso contrário a pre-
cisão das previsões obtidas será muito pequena, já que os pesos atribuı́dos às r
observações são todos iguais e nenhum peso é dado às observações anteriores a esse
perı́odo, também há a necessidade de trabalhar com pelo menos (r − 1) observações,
e por fim, dificuldade na determinação do valor de r.
3.4.4 Média Móvel Ponderada (MMP)
Em geral, a média móvel no k-ésimo ponto ponderado, pode ser descrito pela
equação:
m
X
Mt = aj Zt+j (17)
j=−m
(k−1)
onde m = 2
.
A vantagem de utilizar a média móvel ponderada é de que se os dados tem uma

tendência ou ciclo, esses dados serão suavizados por esse método.
3.4.5 Suavização Exponencial Simples (SES)

O método de suavização exponencial simples baseia-se em um sistema de médias
ponderadas móveis que atribui um peso maior aos dados mais recentes da série
temporal. Os pesos atribuı́dos aos elementos da série temporal decaem exponencial-
mente, do mais recente para o mais antigo (Pellegrini e Flogiatto, 2000 ). Para a
utilização exponencial simples, necessita-se de dados anteriores realizados e previs-
tos, como pode observar na equação dada:
Ft+1 = Ft + α(Zt − Ft ) (18)
o Ft representa a estimativa da série no momento t, Zt representa o valor da variável

Z no momento t, α é uma constante de suavização a ser calculada e Ft+1 representa
14
a previsão da variável Y para o próximo perı́odo.
Se Ft+1 = Z̄t , a Equação (18) quando expandida, assume a forma:
Zt = αZt + α (1 − α) Zt−1 + α + α (1 − α)2 Zt−2 + . . . + α (1 − α)t Z0 (19)
Pode-se dizer que a previsão para o próximo perı́odo é obtida atribuindo-se um α

a observação mais recente e um peso (1−α) a sua respectiva previsão. Assim, a chave
para utilização deste método é a estimação da constante α, cujo valor varia entre 0
e 1. Observa-se que quanto menor for o valor de α mais estável serão as previsões
finais, uma vez que a utilização de baixo valor α implica que pesos maiores serão
dados às observações passadas e, conseqüentemente, qualquer flutuação aleatória,
no presente, exercerá um peso menor no cálculo da previsão. Em geral, quanto mais
aleatória for a série estudada, menores serão os valores da constante de suavização.
O efeito de α grande ou pequeno é completamente análogo (em direção oposta) ao
efeito do parâmetro r no método médias móveis simples.
A suavização exponencial simples é muito utilizada devido ao seu fácil entendi-
mento, por sua aplicação não ser dispendiosa e uma grande flexibilidade permitida
pela variação da constante de suavização α, necessitando somente armazenar Ft+1 ,
Zt e α. Por outro lado, existe a dificuldade em determinar o valor apropriado da
constante de suavização α.
A média é calculada pela equação:
r−1
!
X
E Ẑt (h) = E α (1 − α)k Zt−k (20)
k=0
r−1
!
X
= αE (1 − α)k Zt−k (21)
k=0
r−1
X
= α (1 − α)k E (Zt−k ) (22)
k=0
r−1
X
= α (1 − α)k µt−k (23)
k=0
O erro quadrado médio é definido como o quadrado médio da diferença:

" t−1
#2
X
EQM Ẑt (h) = E Zt+h − α (1 − α)k Zt−k
k=0
" t−h−1
#2
X k
= E Zt − α (1 − α) Zt−h−k (24)
k=0
15
onde E (Zt Zt−h−k ) = cov (Zt , Zt−h−k ) + µt µt−h−k e E (Zt − Zt−h ) = γ t (h), ∀ h,
tem-se então:
t−h−1
X
EQM Ẑt (h) = γ t (0) − 2α (1 − α) γ t (h + k) +
k=0
t−h−1
X t−h−1
X
+α2 (1 − α)k+j γ t−h−j (j − k) (25)
k=0 j=0
Enquanto a variância da estimativa é:
t−1
!
X
V ar Ẑt (h) = V ar α (1 − α)k Zt−k (26)
k=0
t−1
!
X
= V ar α (1 − α)k µt−k (27)
k=0
t−1
!
X
= V ar α (1 − α)k (µ + at−k ) (28)
k=0
t−1
!
X
= α2 V ar (1 − α)k (µ + at−k ) (29)
k=0
t−1
X
2 k
= α V ar (1 − α) (µ + at−k ) (30)
k=0
t−1
X
= α2 (1 − α)2k V ar (µ + at−k ) (31)
k=0
t−1
X
= α2 (1 − α)2k σ 2a (32)
k=0
− (1 − α)2t

ασ 2a 1
= (33)
2−α
e quando t → ∞,
α
V ar Ẑt (h) = σ 2a (34)
2−α
3.4.6 Suavização Exponencial Simples: Taxa de Resposta

Adaptativa (SES:TRA)
Essa formulação da medida pela suavização exponencial simples permite que o
coeficiente α assuma valores que se adaptam através do tempo descritos na equação:
16
Ft+1 = Ft + αt (Zt − Ft ) (35)
= Ft + αt (εt ) (36)
onde o coeficiente adpativo αt é dado por:

At−1
αt = (37)
Mt−1
O valor de At é uma média exponencial dos erros passados e pode assumir valores
negativos ou positivos, descrito pela equação:
At = βεt + (1 − β) At−1 (38)
O valor de Mt é uma média exponencial dos erros em termos absolutos é:
Mt = β |εt | + (1 − β) Mt−1 (39)
Para um valor de εt que se repete várias vezes, α = 1, e o valor inteiro do

erro no perı́odo passado é incorporado na previsão. Por outro lado, quando o erro
variar entre o positivo e negativo, α = 0, o erro εt não é incorporado na previsão
(Makridakis, 1998 ).
3.4.7 Suavização Exponencial de Holt (SEH)

O método de suavização exponencial simples é aplicado para série que apresenta
tendência linear positiva (ou negativa), fornece previsões que subestimam (ou su-
perestimam) continuamente os valores reais. Para evitar esse erro sistemático, um
dos métodos aplicáveis é a suavização exponencial de Holt. Esse método é simi-
lar, em princı́pio, a suavização exponencial simples; a diferença é que em vez de
suavizar só o nı́vel, ele utiliza uma nova constante de suavização para “modelar” a
tendência da série. Utiliza-se duas constantes de suavização, α e β (variando entre
0 e 1 independentes entre si), então:
Lt = αZt + (1 − α)(Lt−1 + bt−1 ) (40)
bt = β(Lt − Lt−1 ) + (1 − β)bt−1 (41)
Ft+m = Lt + bt m (42)
17
Onde Lt descrito em (40), representa a estimativa do nı́vel da série média no
momento t, bt mostrado em (41) representa a estimativa da inclinação da série no
momento t, β a constante de suavização a ser calculada, m representa os números
de perı́odos que consiste a previsão e Ft+m representa a previsão para m perı́odos
Os demais termos são mostrados na Equação (18).
3.4.8 Suavização Exponencial Sazonal de Holt Winter (SEHW)

Nos modelos de Holt Winters o padrão de sazonalidade é acrescido nos padrões
horizontal e de tendência, o que permite presumir serem modelos mais completos
do que visto anteriormente. Existem dois tipos de modelo Winters: o aditivo e
o multiplicativo. No modelo multiplicativo a amplitude do ciclo sazonal varia em
função do tempo , ou seja, a diferença entre o maior e menor valor da variável
em estudo aumenta ou diminui dependendo das caracterı́sticas da série temporal
ao longo do tempo. No modelo aditivo verifica-se a constância da diferença, o que
implica no ciclo sazonal constante (Pellegrini, 2000 ). As expressões apresentadas
por Makridakis, (1998) para o modelo multiplicativo são:
Zt
Lt = α + (1 − α)(Lt−1 − bt−1 ) (43)
St−s
bt = β(Lt − Lt−1 ) + (1 − β)bt−1 (44)
Zt
St = γ + (1 − γ)St−s (45)
Lt
Ft+m = (Lt + bt m)St−s+m (46)
Quanto ao modelo aditivo, tem-se:
Lt = α(Zt − St−s ) + (1 − α)(Lt−1 + bt−1 ) (47)
bt = β(Lt − Lt−1 ) + (1 − β)bt−1 (48)
St = γ(Zt − Lt ) + (1 − γ)St−s (49)
Ft+m = Lt + bt m + St−s+m (50)
o Lt , representa a estimativa do nı́vel da série média no momento t, bt representa a

estimativa da inclinação da série no momento t, St a estimativa da sazonalidade da
série no momento t, Ft+m representa a previsão para m perı́odos futuros, α, β e γ
(com valores entre 0 e 1) as constantes de suavização a serem calculadas.
18
3.4.9 Uma Comparação entre Métodos
A escolha do melhor método de suavização depende da disposição dos erros. O
critério segundo Makridakis (1998), é verificar quais métodos produzem os resultados
com valores mais próximos de 0, para o erro médio, erro absoluto médio, quadrado
médio do erro, a porcentagem absouta do erro médio e a estatı́stica teste U Theil’s.
Erro: Considera-se como erro a diferença entre o valor observado e a previsão no

mesmo instante t é descrito na equação:
εt = Zt − Ft (51)
Erro Médio: O valor do erro médio pode assumir tanto valores negativos quanto
positivos, porém o critério de avaliação é quanto mais próximo do valor 0, melhor
será o método de suavização exponencial escolhido e é mostrado a seguir:
n
1X
EM = εt (52)
n t=1
Erro Médio Absoluto: Quanto mais próximo do valor 0, melhor será a escolha
do método de suavização exponencial, tal que:
n
1X
EM A = |εt | (53)
n t=1
Porcentagem do Erro: Abaixo a equação verifica a relação em percentagem

entre o observado e a previsão no instante t .

Zt − Ft
P Et = × 100 (54)
Zt
Quadrado Médio do Erro: É definido como soma dos quadrados dos desvios,
dividida pelo números de tempos observados, conforme a seguir:
n
1X 2
QM E = ε (55)
n t=1 t
19
Erro em Percentagem Absoluto Médio: É outro indicador de grande im-
portância, que verifica a relação entre o valor observado e o valor de previsão, de
forma que esse resultado será sempre visto positivo. Avalia-se que quanto mais
próximo do valor 0, o método o método de suavização exponencial utilizado será o
mais adequado. Algebricamente, esta medida assume expressão:
n
1X
M AP E = |P Et | (56)
n t=1
Estatı́stica Teste U Theil’s: Uma medida relativa de erro de previsão, em ter-

mos percentuais é denotado por:
v
u n−1 Ft+1 −Zt+1 2
uP
u t=1 Zt
U =u
t Pn−1 Z −Z 2 (57)
t+1 t
t=1 Zt
Quando a previsão Ẑt+1 é perfeita, ou seja, exatamente igual ao valor observado

Zt+1 , o valor de U é igual a zero. Na medida que Zt+1 e Ẑt+1 são diferentes, a
previsão não está representando com perfeição a previsão, o valor de U aumenta e
pode até ficar maior que um.
3.5 Intervalo de Predição
A importância desse intervalo se deve à contribuição no estudo do método

que está sendo utilizado, desta forma, tendo o conhecimento das amplitudes das
predições, visto anteriormente que os métodos trazem somente predições pontuais,
uma grande valia é utilizar o intervalo de confiança uma vez que o verdadeiro valor
pode estar dentro deste intervalo de predição, assumindo algum nı́vel de confiança
para o mesmo intervalo.
Para intervalos de confiança para a previsão, considerando umpasso a frente, em

qualquer dos métodos citados é dado por:
p p
Fn+1 − z α
2
QM E; Fn+1 + z α
2
QM E (58)
20
Quando se busca determinar intervalos de confiança para previsão considerando
h passos a frente, tem-se então:
p p
Fn+h − z α2 QM Eh ; Fn+h + z α2 QM Eh (59)
onde,
n
1 X 2
(h)
QM Eh = e (60)
n − h t=h+1 t
21
4 Metodologia
A estratégia metodológica proposta pelo presente trabalho, consiste em determi-
nar procedimentos para descrever, prever e analisar a demanda do álcool.
A série histórica em estudo consta de 192 observações, correspondentes a janeiro
de 1980 a dezembro de 1995, coletada mensalmente. Estes dados fazem parte da
dissertação de mestrado de João Celso Sordi8 (1997).
A pesquisa pautou-se em um processo de informações teóricas baseada na bibli-
ografia apresentada.
Na análise aplicou-se a metodologia de suavização exponencial, verificando-se os
efeitos de sazonalidade, tendência e o valor da constante de suavização da série.
Primeiramente foi aplicado o método da média simples, construindo-se o algo-
ritmo no System Analysis Statistical (SAS), o qual pode ser utilizado para qualquer
seqüência de dados temporais. Para os métodos suavização exponencial simples,
suavização exponencial de Holt e suavização exponencial de Holt-Winters, foi apli-
cado a linguagem de programação R. Para a análise da série em função da média
móvel simples, foi trabalhado com o Excel.
Como critério de escolha do melhor método de suavização exponencial, escolheu-
se o que apresentou as menores medidas dos erros, ou seja, a menor diferença entre
valores observados e previstos pelo modelo determinado. Portanto, várias medidas
de erros serão destacadas:
• Erro médio
• Erro absoluto médio
• Porcentagem do erro
• Quadrado médio do erro
• Erro em porcentagem absoluto médio
• Estatı́stica teste de U Theil’s
8
Os dados foram gentilmente cedidos pelo mestre João Celso Sordi, do qual esses fazem parte de
sua dissertação de mestrado. O tema de seu trabalho foi analisar os efeitos dos custos de transporte
na liberação dos preços: o caso do álcool hidratado no Brasil.
22
5 Aplicação dos Métodos de Suavização Exponencial
5.1 Média Simples (MS)

A demanda do álcool está sequenciada no tempo no perı́odo de janeiro de 1980
à dezembro 1995. Foram aplicados os métodos de suavização exponencial para
descrever o comportamento da demanda do álcool.
Inicialmente, detectou-se, por meio da análise gráfica, uma tendência com o
crescimento da variável demanda do álcool.
Esse método da média simples pode ser facilmente obtido atráves do cálculo da
média de todas as observações e este resultado usado como previsão no instante t+1.
8 e+05
6 e+05
Demanda do alcool
4 e+05
2 e+05
Observado
Previsao
0 e+00
0 50 100 150 200
Tempo (meses)
Figura 1: Valores observados e previstos para a demanda do álcool, em 1000 litros,

pelo método da média simples
Pela Figura 1, observa-se que o método da média simples não está descrevendo
a demanda do álcool e que a partir do instante 100, que corresponde o perı́odo de
abril de 1988 a dezembro 1995, os dados tem um comportamento estacionário.
Nota-se também pela Figura 1 que as previsões estão subestimando os ver-
dadeiros valores da demanda do álcool.
Uma consideração feita neste método é de não descrever adequadamente dados
com tendência, seja ela positiva ou negativa, outra caraterı́stica importante que
pode ser observada pela Figura 1 é que no ı́nicio da série, os valores observados e
as previsões estão bem próximos, baixo erro, e esses vão se distanciando ao longo
do tempo e se aproximando novamente, já não mais tão próximos no final da série
temporal.
As estatı́sticas dos erros estão dispostas na Tabela 1.
23
Tabela 1: Estatı́sticas dos Erros.
Erro Médio 265130,9
Erro Absoluto Médio 265130,9
Quadrado Médio do Erro 9,1536E10
Porcentagem do Erro Médio 46,251
Porcentagem do Erro Absoluto Médio 46,251
Uma observação importante a ser feita na Tabela 1, é que a porcentagem do erro

médio tem o mesmo resultado que a porcentagem do erro absoluto médio, isso se
deve ao fato que os valores da demanda do álcool serem superiores aos valores da
previsão, assim tendo medida do erro sempre positiva.
O método da média simples se ajusta bem aos dados quando esses são esta-
cionários, ou seja, não apresenta tendência e nem sazonalidade, no mesmo sentido,
os dados não podem ser muito dispersos.
Como exemplo de aplicação, subdividiu-se os dados à partir do instante 100
e término no 192, visto na Figura 1. Esta demanda do álcool correspondente ao
perı́odo de abril de 1988 a dezembro de 1995, do ponto de vista apresenta um com-
portamento aproximadamente estacionária e quando se aplica o método da média
simples, obtém-se um ajuste dos dados.
950000
Demanda do alcool
850000
750000
Observado
650000
Previsao
0 20 40 60 80 100 120
Tempo (meses)
Figura 2: Valores observados e previstos para a demanda do álcool, em 1000 litros,

pelo método da média simples
As estatı́sticas dos erros para este exemplo estão dispostas na Tabela 2.

Em um momento comparativo com a Tabela 1, a Tabela 2 mostra os valores
24
Tabela 2: Estatı́sticas dos Erros.
Erro Médio -7325,763
Erro Absoluto Médio 49174,068
Quadrado Médio do Erro 3,881
Porcentagem do Erro Médio -1,393
Porcentagem do Erro Absoluto Médio 6,012
menores valores em relação a Tabela 1, e isto indica que, de fato o método se ajusta
aos dados que não apresentam tendência e nem sazonalidade.
Pela porcentagem do erro absoluto médio, observa-se que do primeiro para o
segundo exemplo houve um descréscimo de 40,239 % (46,251 - 6,012), um resultado
é significativo considerando uma escala de 0% a 100%.
Outra medida de grande importância é o quadrado médio do erro em que nas
Tabela 1 e 2 correspondem aos valores de 9,1536E10 e 3,881 respectivamente, as
distâncias desses valores com o zero é exorbitande, considerando todos os dados
da demanda do álcool, entretanto se considerarmos somente o último perı́odo em
questão está atendendo as expectativas do próprio método.
5.2 Média Móvel Simples (MMS)

Outro método utilizado é o método da média móvel simples, que calcula a média
dentro de determinados perı́odos, sendo este resultado usado é como previsão.
No presente estudo r está variando de 3 a 30, para escolher qual r é o melhor,
deve-se verificar o menor valor das medidas dos erros, mostrada na Tabela 3.
Usando r = 3, o comportamento da demanda do álcool está bem ajustado em
relação aos outros r´s propostos.
Pela Tabela 3, pode-se observar que o r = 3, é o que produz menor valores das
medidas dos erros.
O modelo para a média móvel simples é dado por:
Zt + Zt−1 + . . . + Zt−3+1
Mt =
3
onde Zt é a observação no momento t, Zt−1 é a observação no momento t − 1 e
Zt−2 é a observação no momento t − 2.
25
Tabela 3: Estatı́stica das Medidas dos Erros.
r EM EMA MAPE QME U
3 9041,520 40866,459 9,042 2799464562,185 1,140

4 11176,939 42342,165 9,394 2850337138,658 1,204
5 13354,403 43232,612 9,612 3008547989,071 1,261
6 15501,961 44336,037 9,224 3148007894,925 1,342
7 17659,792 46055,762 9,521 3437115821,480 1,401
8 19796,060 47315,082 9,662 3646494193,676 1,422
9 21843,437 48469,495 9,874 3831705534,183 1,425
10 23939,215 50055,545 10,112 4096156343,417 1,440
11 26025,763 51480,887 10,331 4332907317,289 1,451
12 28092,918 52993,955 10,615 4578409023,312 1,457
13 30038,643 54850,117 10,931 4891339374,513 1,452
14 32068,587 56481,477 11,234 5173870269,929 1,480
15 34013,438 57979,067 11,511 5474180033,678 1,490
16 35969,034 59684,943 11,852 5856616129,268 1,505
17 37982,497 61595,934 12,168 6236619186,010 1,534
18 39994,750 63588,529 12,547 6653983957,469 1,562
19 42048,836 65666,219 12,912 7084972273,593 1,592
20 44180,934 67764,648 13,281 7539027724,464 1,633
21 46321,648 69871,127 13,689 8002367011,100 1,673
22 48524,726 72051,183 14,062 8492857090,430 1,705
23 50771,858 74259,969 14,435 8991646718,861 1,744
24 52972,693 76432,169 14,805 9513741925,582 1,777
25 55242,059 78747,902 15,214 10058346473,737 1,818
26 57572,933 81028,858 15,605 10593077856,412 1,857
27 59900,988 83361,967 15,983 11178604244,311 1,894
28 62223,986 85799,170 16,358 11796751903,791 1,929
29 64592,194 88072,776 16,732 12428018172,828 1,966
30 67055,839 90491,434 17,160 13088661051,645 2,011
26
As Figuras 3, 4, 5, 6 e 7 mostram que conforme o tamanho r aumenta, os valores
das medidas erros também aumentam. O critério de escolha do r, deve ser o que
produz o menor valor residual, ou seja, o mais próximo do valor zero.
70000
80000
50000
EMA
EM
60000
30000
10000
40000
0 5 10 15 20 25 30 0 5 10 15 20 25 30
r r
Figura 3: Determinação do r baseado Figura 4: Determinação do r baseado

no erro médio no erro médio absoluto
1.4 e+10
20
1.0 e+10
15
MAPE
QME
6.0 e+09
10
2.0 e+09
5
0 5 10 15 20 25 30 0 5 10 15 20 25 30
r r
Figura 5: Determinação do r baseado Figura 6: Determinação do r baseado

na porcentagem do erro médio absoluto no quadrado médio do erro
Pode-se observar através da Figura 8, que o método de suavização exponencial,

média móvel simples, está se ajustando bem aos dados, considerando r = 3.
A Figura 8 mostra como a série temporal dos dados da demanda do álcool e
o método da média móvel simples com r = 3, estão se comportando ao longo do
tempo.
A Figura 9 mostra a previsão dos dados considerando r = 30, nota-se, que
as previsões estão subestimando os verdadeiros valores observados e, a partir do
instante 100, o método de média móvel simples se adequa aos dados.
27
2.0
1.8
1.6
U
1.4
1.2
1.0
0 5 10 15 20 25 30
Figura 7: Determinação do r baseado na estatı́stica de U Theil´s

8 e+05
8 e+05
6 e+05
6 e+05
Demanda do alcool
Demanda do alcool
4 e+05
4 e+05
2 e+05
2 e+05
Observado Observado
Previsao Previsao
0 e+00
0 e+00
0 50 100 150 200 0 50 100 150 200
Tempo (meses) Tempo (meses)
Figura 8: Demanda observada e esti- Figura 9: Demanda observada e esti-

mada do álcool em 1000 litros, pelo mada do álcool, em 1000 litros, pelo
método média móvel simples, con- método média móvel simples, con-
siderando r = 3 siderando r = 30
Uma consideração a ser feita é que r grande modela dados que tem uma esta-
cionariedade. Para a demanda do álcool total deve-se utilizar o r pequeno, devido
a sua tendência positiva.
A Tabela 3 confirma os resultados, que o melhor r = 3, outra maneira subjetiva
é através das Figuras 3, 4, 5, 6 e 7, nota-se que conforme os resı́duos aumentam,
o valor de r também aumenta, indicando assim que, quanto menor o r, melhor o
método se ajusta aos dados.
5.3 Suavização Exponencial Simples (SES)

O método suavização exponencial simples leva em consideração uma constante
α que suaviza a série temporal da demanda do álcool. Essa constante está variando
28
entre 0 e 1. O método de SES é uma generalidade do SEHW, onde fixa-se β = 0 e
γ = 0. O critério de encontrar o melhor α consiste na determinação de α que produz
o menor valor do quadrado médio do erro. No caso, tem-se o valor de 544007624833,
encontrando assim α = 0, 4128433.
O modelo da SES é dado a seguir:
Ft+1 = 0, 4128433 (Zt − Ft )
onde Ft+1 é a previsão no instante t + 1, Zt é a observação no instante t e Ft é a

previsão no instante t.
A Figura 10 mostra que a previsão está acompanhando os valores observados
desta série temporal. Do ponto de vista gráfico, é um indicativo de que este método
está adequado aos dados, somente as medidas do erro é que de fato irão definir o
melhor método e esse critério de decisão é devido a subjetividade quanto ao ponto
de vista gráfico.
1 e+06
8 e+05
8 e+05
6 e+05
Demanda do alcool
Demanda do álcool
6 e+05
4 e+05
4 e+05
2 e+05
2 e+05
Observado Observado
Previsao Previsao
0 e+00
0 e+00
IC 95%
0 50 100 150 200 0 50 100 150 200
Tempo (meses) Tempo
Figura 10: Valores observados e pre- Figura 11: Valores observados, previs-
vistos para a demanda do álcool, pelo tos e intervalos de confiança para a de-
método suavização exponencial simples manda do álcool, pelo método método
suavização exponencial simples
A Figura 11, mostra o direcionamento das previsões com os seus respectivos

intervalos de confiança, para o perı́odo de janeiro a dezembro de 1996.
Para avaliar a previsão da demanda do álcool, determinada pelo método SES,
desconsiderou-se o último ano da série (1995). Com este novo conjunto de dados
encontra-se um novo α e quadrado médio do erro, tendo como valores iguais a
0, 4200135 e 507512088991.
29
O modelo para este exemplo didático é:
Ft+1 = 0, 4200135 (Zt − Ft )
onde Ft+1 é a previsão no instante t + 1, Zt é a observação no instante t e Ft é a

previsão no instante t.
A Tabela 4 mostra o perı́odo do último ano da demanda do álcool, as previsões e
seus respectivos intervalos de confiança, considerando 5% de siginificância e também
os valores observados. Entretanto, é importante notar que o quadrado médio do erro
diminuiu, considerando esta nova seqüência de dados.
Tabela 4: Demanda do álcool no perı́do de janeiro a dezembro de 1995 e suas

respectivas previsões, ao nı́vel de 95% de confiança.
Tempo Demanda Previsão Lim. Inf Lim. Sup.
Jan/95 834308,49 749746 646928,0 852563,9

Fev/95 820613,24 749746 638227,0 861264,8
Mar/95 872340,46 749746 869334,4 630157,4
Abr/95 784065,52 749746 622599,0 876892,9
Mai/95 816158,09 749746 615465,3 884026,5
Jun/95 847579,76 749746 608692,0 890799,9
Jul/95 749778,38 749746 602229,3 897262,6
Ago/95 836300,44 749746 596038,1 903453,7
Set/95 820572,34 749746 590086,8 909405,0
Out/95 764982,29 749746 584349,5 915142,3
Nov/95 872021,65 749746 578804,7 920687,2
Dez/95 883052,79 749746 573434,1 926057,7
Pela Figura 12, nota-se que a demanda do álcool seguem dentro dos intervalos de
confiança, essa informação é de suma importância, pois o método está se ajustando
aos dados.
5.4 Suavização Exponencial de Holt (SEH)

Neste método de suavização leva em consideração duas constantes de suavização,
α e β. O diferencial deste método é devido a sua constante de suavização β modelar
30
9 e+05
Demanda do alcool
7 e+05
Observado
5 e+05
Previsao
IC 95%
0 5 10 15
Tempo (meses)
Figura 12: Demanda observada e prevista do álcool, em 1000 litros, utilizando o

método suavização exponencial simples, considerando o perı́odo de janeiro a dezem-
bro de 1995
dados com tendência. Se considerar o método SEH com β = 0, tem-se a SES, no

mesmo sentido que o método de SEHW com a constante γ = 0 se torna no SEH.
O critério de decisão para encontrar o melhor α e β são o que determinar o
menor valor do quadrado médio do erro, encontrando para α = 0, 3172537 e β =
0, 04815201, o menor QME encontrado foi 516353522473.
O modelo é dado a seguir:
Lt = 0, 3172537Zt + (1 − 0, 3172537) (Lt−1 + bt−1 )
bt = 0, 04815201 (Lt − Lt−1 ) + (1 − 0, 04815201) bt−1
Ft+m = Lt + bt m
onde Lt representa a estimativa no nı́vel da série média no momento t, bt é a es-

timativa da inclinação da série média no momento t, Ft+m é a previsão para m
perı́odos.
Do ponto de vista gráfico, a Figura 13 mostra que o método está ajustado bem
aos dados, mas deve levar em consideração a subjetividade, tendo o maior poder de
decisão as medidas dos erros.
Aplicando o método de suavização exponencial de Holt a Figura 14, mostra o
direcionamento das previsões com os seus respectivos intervalos de confiança, para
o perı́odo de janeiro a dezembro de 1995. A demanda do álcool está aumentando
no mesmo perı́odo. A Tabela 5 confirma a mesma consideração para a Figura 14.
31
1 e+06
8 e+05
8 e+05
6 e+05
Demanda do alcool
Demanda do alcool
6 e+05
4 e+05
4 e+05
2 e+05
2 e+05
Observado Observado
Previsao Previsao
0 e+00
0 e+00
IC 95%
0 50 100 150 200 0 50 100 150 200
Tempo (meses) Tempo (meses)
Figura 13: Demanda observada e pre- Figura 14: Demanda observada, pre-
vista do álcool em 1000 litros, pelo vista e intervalos de confiança do álcool
método suavização exponencial de Holt em 1000 litros, pelo método suavização
exponencial de Holt
Tabela 5: Previsões para a demanda do álcool de janeiro a dezembro de 1996, ao

nı́vel de 95% de confiança.
Tempo Previsão Lim. Inf. Lim. Sup.
Jan/96 843387,1 740942,9 945831,2

Fev/96 845072,2 737112,5 953031,8
Mar/96 846757,3 733069,8 960444,7
Abr/96 848442,4 728824,8 968059,9
Mai/96 850127,5 724386,7 975868,3
Jun/96 851812,6 719763,7 983861,5
Jul/96 853497,7 714963,5 992032,0
Ago/96 855182,8 709992,9 1000372,8
Set/96 856868,0 704858,1 1008877,8
Out/96 858553,1 699565,0 1017541,1
Nov/96 860238,2 694118,7 1026357,7
Dez/96 861923,3 688524,0 1035322,6
Neste método, a constante α serve para suavizar a série, enquanto β suaviza a

tendência da série. A Tabela 5 apresenta as previsões, as quais mostram uma certa
tendência positiva.
Aplicando o método de suavização exponencial de Holt.
32
Considerando os dados da demanda do álcool no perı́odo de janeiro de 1980
a abril de 1988, aplica-se o método de suavização de Holt, onde encontra α =
0, 3404614 e β = 0, 05490627, o quadrado médio do erro produzido neste tem valor
igual a 201266913909.
O modelo para este exemplo didático é dado a seguir:
Lt = 0, 3404614Zt + (1 − 0, 3404614) (Lt−1 + bt−1 )
bt = 0, 05490627 (Lt − Lt−1 ) + (1 − 0, 05490627) bt−1
Ft+m = Lt + bt m
onde Lt representa a estimativa no nı́vel da série média no momento t, bt é a es-

timativa da inclinação da série média no momento t, Ft+m é a previsão para m
perı́odos.
A Figura 15 mostra que o método de Holt está se adequando aos dados, uma
vez que esses apresentam tendência positiva neste perı́odo.
8 e+05
6 e+05
Demanda do alcool
4 e+05
2 e+05
Observado
Previsao
0 e+00
0 20 40 60 80 100 120
Tempo (meses)
Figura 15: Demanda observada e prevista do álcool, em 1000 litros, pelo método
suavização exponencial de Holt
Este método não considera o efeito de sazonalidade, uma vez que temos então
fixado γ = 0.
5.5 Suavização Exponencial de Holt-Winters (SEHW)

Segundo Morettin, (1987) para séries temporais com um comportamento mais
complexo, pode-se aplicar o método de Holt-Winters.
33
O método SEHW, além da constante α que suzaviza a série temporal, β que
suaviza a tendência da série, tem uma outra denotada como γ cuja função é de
suavizar os efeitos de sazonalidade.
Observa-se pelas Equações (43)até (50), se γ = 0, este método se resume-se a
um SEH e se forem fixadas γ = 0 e β = 0, tem-se o método de SES.
O efeito de sazonalidade pode ser constante ou com variações ao longo do tempo,
assim o método de suavização exponencial de Holt-Winters propõe o modelo aditivo
para o efeito de sazonalidade constante e outro multiplicativo que considera o efeito
de sazonalidade com certas variações.
Aplicando o método de Holt-Winters, considerando o modelo aditivo aos dados
da demanda do álcool no perı́odo de janeiro de 1980 a dezembro de 1995, fornece
um α = 0, 311292, β = 0, 04451380 e γ = 0, o quadrado médio do erro é igual a
514461654342 e esse QME foi o menor encontrado. Como γ = 0 pode-se concluir
que não existe esse efeito constante de sazonalidade nos dados da demanda do álcool.
O modelo aditivo de suavização exponencial de Holt-Winters tem-se:
Lt = 0, 311292 (Zt − St−s ) + (1 − 0, 311292) (Lt−1 + bt−1 )
bt = 0, 04451380 (Lt − Lt−1 ) + (1 − 0, 04451380) bt−1
St = 0 (Zt − Lt ) + (1 − 0) St−s
Ft+m = Lt + bt m + St−s+m
onde Lt , representa a estimativa do nı́vel da série média no momento t, bt representa

a estimativa da inclinação da série no momento t, St a estimativa da sazonalidade
da série no momento t, Ft+m representa a previsão para m perı́odos futuros.
Observa-se pela Figura 16 que o método de suavização exponencial de Holt-
Winters está bem ajustado aos dados. O critério de escolha de qual α, β e γ é o que
produzir menor valor do quadrado médio do erro.
A Figura 17 mostra a série temporal no perı́odo de janeiro de 1980 a dezembro
1995 e suas respectivas previsões referentes janeiro a dezembro de 1996.
Ao mesmo conjunto de dados aplica-se o método de suavização exponencial de
Holt-Winters, utilizando o modelo multiplicativo. Então obtém-se a constante de
suavização da série α = 0, 2859177, a constante de suavização da tendência β =
34
8 e+05
Demanda do alcool
4 e+05
Observado
Previsao
0 e+00
1975 1980 1985 1990 1995 2000
Tempo (mes/ano)
Figura 16: Demanda observada e prevista do álcool, em 1000 litros, aplicando o

método suavização exponencial de Holt-Winters, modelo aditivo
8 e+05
Demanda do alcool
4 e+05
Observado
Previsao
0 e+00
IC 95%
1975 1980 1985 1990 1995 2000
Tempo (mes/ano)
Figura 17: Demanda observada e prevista e intervalos de confiança, do álcool, em

1000 litros, pelo método suavização exponencial de Holt-Winters, modelo aditivo
0, 0005863332 e a constante de sazonalidade γ = 0, 3532557, o quadrado médio do

erro forneceu o valor de 6.70876e + 11. Como γ 6= 0, pode-se concluir que existe
efeito de sazonalidade varia em função do tempo.
O modelo multiplicativo de suavização exponencial de Holt-Winters tem-se:

Zt
Lt = 0, 2859177 + (1 − 0, 2859177) (Lt−1 − bt−1 )
St−s
bt = 0, 0005863332 (Lt − Lt−1 ) + (1 − 0, 0005863332) bt−1

Zt
St = 0, 3532557 + (1 − 0, 3532557) St−s
Lt
Ft+m = (Lt + bt m) St−s+m
onde Lt , representa a estimativa do nı́vel da série média no momento t, bt representa
35
a estimativa da inclinação da série no momento t, St a estimativa da sazonalidade
da série no momento t, Ft+m representa a previsão para m perı́odos futuros.
8 e+05
Demanda do alcool
4 e+05
Observado
Previsao
0 e+00
1975 1980 1985 1990 1995 2000
Tempo (mes/ano)
Figura 18: Demanda observada e prevista do álcool, em 1000 litros, aplicando o

método suavização exponencial de Holt-Winters, modelo multiplicativo
Pela Figura 18 observa-se que o método está se ajustando bem aos dados.
8 e+05
Demanda do alcool
4 e+05
Observado
Previsao
0 e+00
IC 95%
1975 1980 1985 1990 1995 2000
Tempo (mes/ano)
Figura 19: Demanda observada e prevista e intervalos de confiança do álcool, em

1000 litros, pelo método suavização exponencial de Holt, modelo multiplicativo
Na Figura 19, mostra a série temporal no perı́odo de janeiro de 1980 a dezembro

de 1995, e suas previsões no perı́odo de 1996. Observa-se que nas previsões existem
a tendência positiva e com variação na sazonalidade.
Nota-se também na Figura 19, que o método de suavização exponencial de Holt-
36
Winters está se ajuntando bem aos dados.
37
6 Conclusões
Neste estudo foi analisado o comportamento da demanda do álcool ao longo do
tempo, aplicando-se técnicas de suavização exponencial.
Observou-se que dentre todos os métodos apresentado, somente o da média sim-
ples não mostrou um bom ajuste dos dados da demanda do álcool. Os método da
média móvel simples apresentou o menor quadrado médio dos erros, o que é um re-
sultado esperado, já que o número de perı́odos é bastante pequeno, r = 3, o menor
valor sugerido por Makridakis.
Pindyck (2004) afirma que o processo de suavização é bastante útil quando se
deseja remover ou pelo menos reduzir flutuações de curto-prazo de uma série tem-
poral.
Isto significa que métodos de suavização exponencial é indicado quando se tem
o objetivo e facilitar a interpretação e a análise dos dados. Entretanto quando o
interesse do pesquisador recai sobre prever resultados, estes métodos apresentam al-
gumas desvantagens, pois os mesmos não estão baseados em modelos probabilı́sticos
e freqüentemente, os erros que resultam das previsões são correlacionados, gerando
intervalos de predição não válidos para longos perı́odos de tempo (Makridakis, 1998).
Uma sugestão de continuidade desse trabalho, seria investigar outros métodos
de previsão para um seqüência de dados posterior a 1995.
38
7 Referências Bibliográficas
[1] Araújo, J. L. de e Guirardi, A. (1986). Substituição de derivados do petróleo
no Brasil: questões urgentes. Pesquisa e planejamento econômico. IPEA. Rio de
Janeiro. Vol.16, no 3: 745-772.
[2] Ferreira, L. da R. e Motta, R. S. da. (1987). Revaliação econômica e novos
ajustamentos do PROÁLCOOL. Resvista brasileira de economia. FGV. Rio de
Janeiro. Vol. 41, no 1 jan/mar 1987:117-133.
[3] Fischer, S. (1982). Séries univariantes de tempo - metodologia de Box e Jenkins.
Porto Alegre: FEE.
[4] FOLHA DE S. PAULO. (1996). Folha Dinheiro. São Paulo. 25/04/96. Cad. 2:1
e 6.
[5] Maistro, Marta C. M. (2002). Tese de tı́tulo de doutorado. Tema: Ajustes nos
mercados de álcool e gasolina no processo de desregulamentação.
[6] Makridakis, S.; Wheelwright, S.; Hyndan, R. J. Forecasting: methods and appli-
cations, 3.ed., New York: John Wiley and Sons, 1998.
[7] Milone, Giuseppe. Estatı́stica: geral e aplicada / Giuseppe Milone. São Paulo:
Pioneira Thomson Learning, 2004.
[8] Morettin, Pedro A. (1987). Previsão de séries temporais / Pedro A. Morettin,
Cléia M. C. Toloi. - 2. ed. - São Paulo: Atual, 1987.
[9] Morettin, Pedro A. (2004). Análise de séries temporais / Pedro A. Morettin,
Cléia M. C. Toloi. - São Paulo: Edgard Blücher, 2004.
[10] Motta, R. S. da (1989). O programa nacional do álcool: Realizações e refor-
mulações. Estudos Econômicos. São Paulo. Vol. 19, no 1. jan/abr 1989: 63-74
[11] Sordi, João C. (1997). Os efeitos dos custos de transporte na liberação dos
preços: O caso do álcool hidratado no Brasil, Dissertação de Mestrado, Maringá,
Departamento de Economia - UEM, 1997.
[12] Pellegrini, F. R.; Fogliatto, F. Estudo comparativo entre modelos de Winters e
de Box-Jenkins para a previsão de demanda sazonal. Revista Produto e Produção,
v. 4, número especial, p. 72-85, abr. 2000.
[13] Pellegrini, F. R. Metodologia para implementação de sistemas de previsão de
demanda. Porto Alegre, 2000. 146 f., Dissertação de Mestrado em Engenharia de
Produção, Escola de Engenharia, Universidade Federal do Rio Grande do Sul.
39
[14] Pindyck, R.; Rubinfeld, D. Econometric models and economic forecasts. New
York: McGraw-Hill, 1998.
[15] ——- (1996). Consumo por veı́culos em 1995 é de 194,5litros por mês: 5,4 mas
do que o ano anterior. Informativo DATAGRO. São Paulo. no 1/96: 10. p.
40
Anexos
Listagem 1: Linhas de Comando para construcao da Figura 1 e previsoes - Software

R
1 QD<−scan ( )
2 2900.3800 3977.4600 6929.0000 15528.120 19124.110
3 18814.540 29292.100 40009.590 59796.700 65362.110 74503.780
4 86530.450 107814.02 100797.26 114736.05 122093.66 117392.60
5 119981.26 120246.54 113127.11 117209.82 115706.05 114416.39
6 126613.71 120215.63 118381.83 122887.82 129965.23 129455.50
7 117822.22 139013.34 145634.91 140631.05 145459.03 188590.80
8 174200.71 174022.63 219807.12 198699.20 219930.98 264795.34
9 200966.90 250819.78 264763.46 274007.74 312831.38 238789.09
10 318671.42 334043.44 324477.17 408607.08 298383.52 345214.67
11 388487.69 358455.82 426102.13 362718.26 490214.84 366070.52
12 360939.31 389950.59 526490.38 330146.37 446560.37 463882.21
13 465737.06 521300.20 584141.01 450806.98 556333.58 574403.34
14 605998.11 653084.92 519163.48 543111.16 664766.00 668853.42
15 648741.90 764573.36 693166.14 760672.01 766021.28 742061.66
16 771270.32 769600.07 737191.20 657032.04 759934.73 685329.57
17 672594.22 735181.97 746778.99 780569.70 722761.38 727180.74
18 726627.83 717093.25 762490.04 852164.85 744639.41 780165.53
19 856113.13 873379.81 706569.35 839951.86 735040.69 959025.40
20 821611.86 751197.68 837674.46 960073.80 943358.77 897165.85
21 950597.09 951744.89 897815.19 927833.31 927915.30 887795.42
22 864354.67 801804.26 797376.49 784097.63 764531.64 873127.98
23 910397.71 896040.26 935324.18 860367.71 824204.89 816648.77
24 857705.79 861111.97 778326.54 809979.48 886726.80 891183.43
25 841308.24 904778.24 854604.83 877260.02 900995.93 850989.96
26 878792.25 811805.56 819147.86 766877.03 864601.76 706022.84
27 861356.52 842122.95 790989.58 783389.61 774711.04 823311.45
28 858940.58 834308.49 820613.24 872340.46 794065.52 816158.09
29 847579.76 749778.37 836300.44 820572.34 764982.29 872021.65
41
30 780673.74 775100.79 812344.30 866939.92 789599.92 794778.31
31 810361.92 720486.28 768184.11 824821.32 685640.99 805355.15
32 719029.11 834308.49 820613.24 872340.46 784065.52 816158.09
33 847579.76 749778.38 836300.44 820572.34 764982.29 872021.65
34 8 8 3 0 5 2 . 7 9 NA
35
36 mm<−scan ( )
37 NA NA 3 4 3 8 . 9 2 0 0 4 6 0 2 . 2 8 0 0 7 3 3 3 . 7 4 0 0 9 6 9 1 . 8 1 4 0 1 1 2 1 2 . 2 6 8
38 13795.101 17071.913 21819.111 26173.411 30567.081 35230.695
39 40814.028 45098.544 49741.045 54263.083 57976.584 61421.288
40 64517.354 66947.842 69341.270 71448.760 73316.917 75537.617
41 77324.738 78903.857 80532.892 82298.333 83924.442 85054.368
42 86794.980 88633.728 90209.404 91834.393 94598.862 96810.024
43 98896.852 102078.70 104556.15 107440.52 111278.44 113413.88
44 116609.37 119976.51 123399.42 127517.51 129884.99 133818.04
45 137904.27 141635.73 146870.46 149784.18 153471.54 157823.69
46 161471.55 166197.10 169644.84 175171.91 178407.48 181449.67
47 184867.72 190377.76 192596.31 196564.50 200677.08 204693.14
48 209418.62 214929.24 218347.76 223176.13 228122.99 233371.26
49 239120.76 242905.12 246907.87 252406.00 257814.41 262826.30
50 269177.53 274477.39 280479.79 286401.03 291890.91 297597.81
51 303150.78 308197.76 312207.35 317295.16 321430.38 325332.20
52 329836.04 334368.03 339165.90 343246.70 347288.11 351239.57
53 355011.26 359169.20 364148.96 367953.86 372035.17 376781.03
54 381602.38 384727.06 389062.53 392326.48 397622.73 401548.55
55 404756.34 408691.96 413659.37 418388.83 422625.79 427257.12
56 431817.88 435835.10 440040.21 444174.75 447902.65 451373.09
57 454269.21 457081.57 459740.23 462198.23 465485.67 469016.71
58 472379.10 475995.86 478975.49 481631.10 484188.49 487018.16
59 489830.90 491983.85 494339.37 497224.58 500100.19 502572.71
60 505466.28 507960.12 510579.27 513328.68 515689.95 518211.49
61 520236.28 522283.62 523947.52 526249.24 527455.77 529681.78
42
62 531750.93 533456.44 535089.99 536645.97 538495.43 540549.56
63 542420.64 544181.35 546245.25 547794.12 549460.98 551301.22
64 552518.87 554249.25 555863.33 557123.08 559008.70 560328.13
65 561598.98 563073.95 564850.94 566157.62 567479.13 568875.01
66 569741.36 570868.87 572303.63 572940.36 574238.77 575043.16
67 576475.56 577816.98 579426.40 580538.57 581812.19 583241.04
68 584131.62 585472.94 586716.85 587655.09 589143.92 590674.70
69
70 p l o t (QD, type=” l ” , main =”” , xlim=c ( 0 , 2 0 0 ) , x l a b=”Tempo

71 ( meses ) ” , y l a b=”Demanda do a l c o o l ” , bty=”n ” )
72 l i n e s (mm, type=” l ” , c o l =”r e d ” ) a b l i n e ( v=100 , c o l =”gray ” , type=”b ” )
73 l e g e n d ( 1 3 0 , 1 9 0 0 0 0 , c ( ” Observado ” , ” P r e v i s a o ” ) , l t y =1, c o l=c ( 1 , 2 ) , bty=”n ” )
Listagem 2: Linhas de Comando para construcao da Figura 2 e previsoes - Software

R
1 QD<−scan ( ) 7 4 4 6 3 9 . 4 1 7 8 0 1 6 5 . 5 3 8 5 6 1 1 3 . 1 3 8 7 3 3 7 9 . 8 1 7 0 6 5 6 9 . 3 5
2 839951.86 735040.69 959025.40 821611.86 751197.68 837674.46
3 960073.80 943358.77 897165.85 950597.09 951744.89 897815.19
4 927833.31 927915.30 887795.42 864354.67 801804.26 797376.49
5 784097.63 764531.64 873127.98 910397.71 896040.26 935324.18
6 860367.71 824204.89 816648.77 857705.79 861111.97 778326.54
7 809979.48 886726.80 891183.43 841308.24 904778.24 854604.83
8 877260.02 900995.93 850989.96 878792.25 811805.56 819147.86
9 766877.03 864601.76 706022.84 861356.52 842122.95 790989.58
10 783389.61 774711.04 823311.45 858940.58 834308.49 820613.24
11 872340.46 794065.52 816158.09 847579.76 749778.37 836300.44
12 820572.34 764982.29 872021.65 780673.74 775100.79 812344.30
13 866939.92 789599.92 794778.31 810361.92 720486.28 768184.11
14 824821.32 685640.99 805355.15 719029.11 834308.49 820613.24
15 872340.46 784065.52 816158.09 847579.76 749778.38 836300.44
16 8 2 0 5 7 2 . 3 4 7 6 4 9 8 2 . 2 9 8 7 2 0 2 1 . 6 5 8 8 3 0 5 2 . 7 9 NA
17
43
18 mm<−scan ( ) NA NA 7 6 2 4 0 2 . 4 7 7 9 3 6 3 9 . 3 6 8 1 3 5 7 4 . 4 7 7 9 2 1 7 3 . 4 5 8 0 0 1 3 6 . 5 2
19 790837.11 811860.65 812944.12 806769.47 809579.02 822120.25
20 831446.29 836140.54 843770.98 850519.35 853301.46 857442.12
21 861151.23 862483.44 862572.55 859810.35 857095.84 854054.24
22 850473.34 851344.67 853531.82 855049.98 857818.06 857903.04
23 856816.01 855560.78 855625.78 855787.14 853573.98 852363.02
24 853291.77 854288.92 853956.08 855226.64 855211.47 855736.44
25 856788.98 856657.19 857149.08 856163.35 855375.78 853532.06
26 853757.97 850803.27 851010.20 850839.29 849710.05 848481.89
27 847140.60 846715.08 846929.57 846711.96 846269.61 846704.12
28 845841.20 845362.44 845397.63 843903.58 843786.61 843434.88
29 842263.94 842701.56 841802.60 840849.72 840448.24 840816.18
30 840114.58 839501.93 839113.40 837552.51 836651.63 836499.96
31 834590.35 834224.91 832802.74 832821.10 832674.02 833146.24
32 832568.82 832377.99 832552.73 831612.11 831664.79 831541.54
33 830810.12 831258.07 831815.00
34
35 p l o t (QD, type=” l ” , main =”” , xlim=c ( 0 , 1 3 0 ) , ylim=c ( 6 5 0 0 0 0 , 9 9 0 0 0 0 ) , x l a b=”Tempo

37 l i n e s (mm, type=” l ” , c o l =”r e d ” )
38 l e g e n d ( 8 0 , 7 0 0 0 0 0 , c ( ” Observado ” , ” P r e v i s a o ” ) , l t y =1, c o l=c ( 1 , 2 ) , bty=”n ” )
Listagem 3: Linhas de Comando para construção das Figuras 3 4 5 6 e 7 - Software

R
1 r<−scan ( )
2 03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20 21
3 22 23 24 25 26 27 28 29 30
4
5 EM<−scan ( )
6 9041.519683 11176.93916 13354.40343 15501.96045
7 17659.79213 19796.05967 21843.43703 23939.21506 26025.76333
8 28092.91798 30038.64338 32068.58716 34013.43773 35969.03360
44
9 37982.49699 39994.74977 42048.83613 44180.93395 46321.64777
10 48524.72580 50771.85807 52972.69317 55242.05926 57572.93345
11 59900.98831 62223.98564 64592.19348 67055.83876
12
13 EMA<−scan ( )
14 40866.45905 42342.16549 43232.61195 44336.03681
15 46055.76161 47315.08230 48469.49531 50055.54470 51480.88743
16 52993.95542 54850.11743 56481.47675 57979.06673 59684.94274
17 61595.93425 63588.52930 65666.21891 67764.64782 69871.12689
18 72051.18248 74259.96918 76432.16935 78747.90204 81028.85757
19 83361.96681 85799.16960 88072.77587 90491.43433
20
21 MAPE<−scan ( )
22 9.041925991 9.393476525 9.611870550 9.223859411
23 9.520967420 9.662351313 9.873671334 10.11157343 10.33133040
24 10.61475204 10.93087443 11.23353514 11.51095572 11.85185590
25 12.16790495 12.54712987 12.91145224 13.28111179 13.68898928
26 14.06174577 14.43499980 14.80504779 15.21347084 15.60506188
27 15.98323155 16.35817963 16.73294129 17.15991071
28
29 QME<−scan ( )
30 2799464562 2850337139 3008547989 3148007895 3437115821
31 3646494194 3831705534 4096156343 4332907317 4578409023 4891339375
32 5173870270 5474180034 5856616129 6236619186 6653983957 7084972274
33 7539027724 8002367011 8492857090 8991646719 9513741926 10058346474
34 10593077856 11178604244 11796751904 12428018173 13088661052
35
36 U<−scan ( )
37 1.139612940 1.204345592 1.260835651 1.341917833
38 1.400792847 1.422032593 1.424805165 1.439742895 1.450458809
39 1.457059506 1.451944467 1.480391611 1.489748266 1.504959331
40 1.534427440 1.562011784 1.592202014 1.632678992 1.666842421
45
41 1.704565141 1.743705688 1.777243950 1.817692224 1.856480826
42 1.893569214 1.929203086 1.965547986 2.010751498
43
44 p l o t ( r ,EM, type=” l ” , xlim=c ( 0 , 3 0 ) , bty=”n ” )

45 p l o t ( r ,EMA, type=” l ” , xlim=c ( 0 , 3 0 ) , bty=”n ” )
46 p l o t ( r ,MAPE, type=” l ” , xlim=c ( 0 , 3 0 ) , ylim=c ( 5 , 2 0 ) , bty=”n ” )
47 p l o t ( r ,QME, xlim=c ( 0 , 3 0 ) , ylim=c ( 2 3 0 0 0 0 0 0 0 0 , 1 4 0 0 0 0 0 0 0 0 0 ) , type=” l ” , bty=”n ” )
48 p l o t ( r , U, type=” l ” , xlim=c ( 0 , 3 0 ) , ylim=c ( 1 , 2 . 1 ) , bty=”n ” )
Listagem 4: Linhas de Comando para construcao das Figuras 8 e 9 - Software R
1 demanda<−scan ( )
2 2900.3800 3977.4600 6929.0000 15528.120 19124.110
3 18814.540 29292.100 40009.590 59796.700 65362.110 74503.780
4 86530.450 107814.02 100797.26 114736.05 122093.66 117392.60
5 119981.26 120246.54 113127.11 117209.82 115706.05 114416.39
6 126613.71 120215.63 118381.83 122887.82 129965.23 129455.50
7 117822.22 139013.34 145634.91 140631.05 145459.03 188590.80
8 174200.71 174022.63 219807.12 198699.20 219930.98 264795.34
9 200966.90 250819.78 264763.46 274007.74 312831.38 238789.09
10 318671.42 334043.44 324477.17 408607.08 298383.52 345214.67
11 388487.69 358455.82 426102.13 362718.26 490214.84 366070.52
12 360939.31 389950.59 526490.38 330146.37 446560.37 463882.21
13 465737.06 521300.20 584141.01 450806.98 556333.58 574403.34
14 605998.11 653084.92 519163.48 543111.16 664766.00 668853.42
15 648741.90 764573.36 693166.14 760672.01 766021.28 742061.66
16 771270.32 769600.07 737191.20 657032.04 759934.73 685329.57
17 672594.22 735181.97 746778.99 780569.70 722761.38 727180.74
18 726627.83 717093.25 762490.04 852164.85 744639.41 780165.53
19 856113.13 873379.81 706569.35 839951.86 735040.69 959025.40
20 821611.86 751197.68 837674.46 960073.80 943358.77 897165.85
21 950597.09 951744.89 897815.19 927833.31 927915.30 887795.42
22 864354.67 801804.26 797376.49 784097.63 764531.64 873127.98
46
23 910397.71 896040.26 935324.18 860367.71 824204.89 816648.77
24 857705.79 861111.97 778326.54 809979.48 886726.80 891183.43
25 841308.24 904778.24 854604.83 877260.02 900995.93 850989.96
26 878792.25 811805.56 819147.86 766877.03 864601.76 706022.84
27 861356.52 842122.95 790989.58 783389.61 774711.04 823311.45
28 858940.58 834308.49 820613.24 872340.46 794065.52 816158.09
29 847579.76 749778.37 836300.44 820572.34 764982.29 872021.65
30 780673.74 775100.79 812344.30 866939.92 789599.92 794778.31
31 810361.92 720486.28 768184.11 824821.32 685640.99 805355.15
32 719029.11 834308.49 820613.24 872340.46 784065.52 816158.09
33 847579.76 749778.38 836300.44 820572.34 764982.29 872021.65
34 883052.79
35
36 r3<−scan ( )
37 NA NA NA 4 6 0 2 . 2 8 0 0 0 0 8 8 1 1 . 5 2 6 6 6 7 1 3 8 6 0 . 4 1 0 0 0
38 17822.25667 22410.25000 29372.07667 43032.79667 55056.13333
39 66554.19667 75465.44667 89616.08333 98380.57667 107782.4433
40 112542.3233 118074.1033 119822.5067 119206.8000 117784.9700
41 116861.1567 115347.6600 115777.4200 118912.0500 120415.2433
42 121737.0567 120495.0933 123744.9600 127436.1833 125747.6500
43 128763.6867 134156.8233 141759.7667 143908.3300 158226.9600
44 169416.8467 178938.0467 189343.4867 197509.6500 212812.4333
45 227808.5067 228564.4067 238860.6733 238850.0467 263196.9933
46 283867.5267 275209.4033 290097.2967 297167.9833 325730.6767
47 355709.2300 343822.5900 350735.0900 344028.6267 364052.7267
48 391015.2133 382425.4033 426345.0767 406334.5400 405741.5567
49 372320.1400 425793.4267 415529.1133 434399.0400 413529.6500
50 458726.5467 483639.8233 523726.0900 518749.3967 530427.1900
51 527181.3000 578911.6767 611162.1233 592748.8367 571786.5200
52 575680.2133 625576.8600 660787.1067 694056.2267 702160.4667
53 739470.5033 739953.1433 756251.6500 759784.4200 760977.3500
54 759353.8633 721274.4367 718052.6567 700765.4467 705952.8400
47
55 697701.9200 718185.0600 754176.8867 750036.6900 743503.9400
56 725523.3167 723633.9400 735403.7067 777249.3800 786431.4333
57 792323.2633 793639.3567 836552.8233 812020.7633 806633.6733
58 760520.6333 844672.6500 838559.3167 843944.9800 803494.6667
59 849648.6467 913702.3433 933532.8067 930373.9033 933169.2767
60 933385.7233 925797.7967 917854.6000 914514.6767 893355.1300
61 851318.1167 821178.4733 794426.1267 782001.9200 807252.4167
62 849352.4433 893188.6500 913920.7167 897244.0500 873298.9267
63 833740.4567 832853.1500 845155.5100 832381.4333 816472.6633
64 825010.9400 862629.9033 873072.8233 879089.9700 866897.1033
65 878881.0300 877620.2600 876415.3033 876926.0467 847195.9233
66 836581.8900 799276.8167 816875.5500 779167.2100 810660.3733
67 803167.4367 831489.6833 805500.7133 783030.0767 793804.0333
68 818987.6900 838853.5067 837954.1033 842420.7300 829006.4067
69 827521.3567 819267.7900 804505.4067 811219.5233 802217.0500
70 807285.0233 819192.0933 805892.5600 809265.3933 789372.9433
71 818128.3367 822961.3800 817106.0500 798246.7167 775208.8367
72 766344.1033 771163.9033 759548.8067 771939.1533 736675.0833
73 786230.9167 791316.9467 842420.7300 825673.0733 824188.0233
74 815934.4567 804505.4100 811219.5267 802217.0533 807285.0233
75 819192.0933
76
77 r30<−scan ( )
78 NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA NA
79 NA NA NA NA NA NA NA NA NA NA NA NA 8 5 0 5 4 . 3 6 8 0 0 8 9 5 9 1 . 4 6 6 6 7
80 94313.38167 98770.11667 103101.1470 108750.0367 113929.5757
81 118753.9267 124747.1777 129377.2610 134529.5567 140872.6087
82 144687.1570 149454.0157 154919.5557 160228.6120 166586.5360
83 170633.0857 177256.0910 184382.6543 191427.6563 201140.8983
84 207230.1473 214923.4233 223652.5560 231593.8957 241851.2390
85 249845.5870 261853.9073 269741.0747 277844.9777 286209.5527
86 298904.7350 305221.9123 315258.6237 324435.0040 334152.8823
48
87 345728.8013 357873.2643 366276.8570 377490.2770 387810.5437
88 401311.5840 414720.4220 423200.4227 432170.5367 443901.6907
89 458237.1683 469239.5177 483590.5150 495880.1473 507615.6450
90 523203.5703 536431.8033 549191.2243 562896.0327 573265.6683
91 583076.1277 592066.7907 602708.7590 613097.2560 624604.9687
92 631947.9223 646962.0333 656168.7337 664945.3513 673641.7103
93 680168.1453 686113.1130 699491.7087 705768.5697 712627.3093
94 720964.4767 728307.6397 734554.5020 744449.1920 746791.6817
95 756464.0810 762226.4130 761780.5570 766597.5010 773244.2273
96 779155.4770 784325.6167 790303.1757 796374.6697 801728.8027
97 810755.5117 816354.8640 823103.7257 829495.7407 831716.4837
98 833403.0670 833520.6647 834913.0067 839777.9147 845903.5773
99 851868.4777 857629.6157 857903.0443 860555.2270 861771.3350
100 861824.4237 861415.4957 863807.4020 862808.3227 867864.5263
101 865603.1273 866259.6733 871379.0253 871943.3710 869182.9117
102 867770.8170 866231.6207 863838.1260 859173.4817 856551.2373
103 851186.0280 849075.5767 843016.4907 842916.5523 844260.5087
104 844047.6117 844024.0110 844363.3243 842702.7733 840987.5357
105 838929.8100 835106.1120 835505.2037 834500.5580 834484.2020
106 834146.6677 830435.5477 832368.0110 832721.1063 828662.9560
107 828024.2300 826003.0800 821680.4983 820271.8140 819927.8107
108 816214.6103 814340.8887 812059.8777 809015.9017 807317.1100
109 809248.5863 803283.2273 806594.3043 801850.0573 801589.5753
110 802577.0307 805542.0590 805853.8750 805615.4297 805236.7357
111 802419.0653 802941.9720 801216.3680 800246.9270 802109.0457
112
113 p l o t ( demanda , type=” l ” , main =”” , xlim=c ( 0 , 2 0 0 ) , x l a b=”Tempo

115 l i n e s ( r3 , type=” l ” , c o l =”r e d ” )
117
118 p l o t ( demanda , type=” l ” , main =”” , xlim=c ( 0 , 2 0 0 ) , x l a b=”Tempo
49
120 l i n e s ( r30 , type=” l ” , c o l =”r e d ” )
1 QD<−scan ( )
2 2900.3800 3977.4600 6929.0000 15528.120 19124.110
3 18814.540 29292.100 40009.590 59796.700 65362.110 74503.780
4 86530.450 107814.02 100797.26 114736.05 122093.66 117392.60
5 119981.26 120246.54 113127.11 117209.82 115706.05 114416.39
6 126613.71 120215.63 118381.83 122887.82 129965.23 129455.50
7 117822.22 139013.34 145634.91 140631.05 145459.03 188590.80
8 174200.71 174022.63 219807.12 198699.20 219930.98 264795.34
9 200966.90 250819.78 264763.46 274007.74 312831.38 238789.09
10 318671.42 334043.44 324477.17 408607.08 298383.52 345214.67
11 388487.69 358455.82 426102.13 362718.26 490214.84 366070.52
12 360939.31 389950.59 526490.38 330146.37 446560.37 463882.21
13 465737.06 521300.20 584141.01 450806.98 556333.58 574403.34
14 605998.11 653084.92 519163.48 543111.16 664766.00 668853.42
15 648741.90 764573.36 693166.14 760672.01 766021.28 742061.66
16 771270.32 769600.07 737191.20 657032.04 759934.73 685329.57
17 672594.22 735181.97 746778.99 780569.70 722761.38 727180.74
18 726627.83 717093.25 762490.04 852164.85 744639.41 780165.53
19 856113.13 873379.81 706569.35 839951.86 735040.69 959025.40
20 821611.86 751197.68 837674.46 960073.80 943358.77 897165.85
21 950597.09 951744.89 897815.19 927833.31 927915.30 887795.42
22 864354.67 801804.26 797376.49 784097.63 764531.64 873127.98
23 910397.71 896040.26 935324.18 860367.71 824204.89 816648.77
24 857705.79 861111.97 778326.54 809979.48 886726.80 891183.43
25 841308.24 904778.24 854604.83 877260.02 900995.93 850989.96
26 878792.25 811805.56 819147.86 766877.03 864601.76 706022.84
27 861356.52 842122.95 790989.58 783389.61 774711.04 823311.45
50
28 858940.58 834308.49 820613.24 872340.46 794065.52 816158.09
29 847579.76 749778.37 836300.44 820572.34 764982.29 872021.65
30 780673.74 775100.79 812344.30 866939.92 789599.92 794778.31
31 810361.92 720486.28 768184.11 824821.32 685640.99 805355.15
32 719029.11 834308.49 820613.24 872340.46 784065.52 816158.09
33 847579.76 749778.38 836300.44 820572.34 764982.29 872021.65
34 883052.79
35
36 # Suavizacao Exponencial
37
38 m <− HoltWinters (QD, gamma = 0 , be ta = 0 )

39 m
40 m$SSE
41
42 p l o t (m, xlim=c ( 0 , 2 0 0 ) , x l a b=”Tempo ( meses ) ” , y l a b=”Demanda do

43 a l c o o l ” , main =”” , bty=”n ” )
45
46 p <− p r e d i c t (m, 1 2 , p r e d i c t i o n . i n t e r v a l = TRUE) p l o t (m,

47 p , xlim=c ( 0 , 2 1 0 ) , x l a b=”Tempo” , y l a b=”Demanda doá l c o o l ” , main =
48 ” ” , bty=”n ” )
49 l e g e n d ( 1 3 0 , 1 9 0 0 0 0 , c ( ” Observado ” , ” P r e v i s a o ” ,
50 ”IC 95%”) , l t y =1, c o l=c ( 1 , 2 , ” b l u e ” ) , bty=”n ” )
Listagem 6: Linhas de Comando para construcao das Figuras 12 - Software R
1 QD<−scan ( )
2 2900.3800 3977.4600 6929.0000 15528.120 19124.110
3 18814.540 29292.100 40009.590 59796.700 65362.110 74503.780
4 86530.450 107814.02 100797.26 114736.05 122093.66 117392.60
5 119981.26 120246.54 113127.11 117209.82 115706.05 114416.39
6 126613.71 120215.63 118381.83 122887.82 129965.23 129455.50
7 117822.22 139013.34 145634.91 140631.05 145459.03 188590.80
51
8 174200.71 174022.63 219807.12 198699.20 219930.98 264795.34
9 200966.90 250819.78 264763.46 274007.74 312831.38 238789.09
10 318671.42 334043.44 324477.17 408607.08 298383.52 345214.67
11 388487.69 358455.82 426102.13 362718.26 490214.84 366070.52
12 360939.31 389950.59 526490.38 330146.37 446560.37 463882.21
13 465737.06 521300.20 584141.01 450806.98 556333.58 574403.34
14 605998.11 653084.92 519163.48 543111.16 664766.00 668853.42
15 648741.90 764573.36 693166.14 760672.01 766021.28 742061.66
16 771270.32 769600.07 737191.20 657032.04 759934.73 685329.57
17 672594.22 735181.97 746778.99 780569.70 722761.38 727180.74
18 726627.83 717093.25 762490.04 852164.85 744639.41 780165.53
19 856113.13 873379.81 706569.35 839951.86 735040.69 959025.40
20 821611.86 751197.68 837674.46 960073.80 943358.77 897165.85
21 950597.09 951744.89 897815.19 927833.31 927915.30 887795.42
22 864354.67 801804.26 797376.49 784097.63 764531.64 873127.98
23 910397.71 896040.26 935324.18 860367.71 824204.89 816648.77
24 857705.79 861111.97 778326.54 809979.48 886726.80 891183.43
25 841308.24 904778.24 854604.83 877260.02 900995.93 850989.96
26 878792.25 811805.56 819147.86 766877.03 864601.76 706022.84
27 861356.52 842122.95 790989.58 783389.61 774711.04 823311.45
28 858940.58 834308.49 820613.24 872340.46 794065.52 816158.09
29 847579.76 749778.37 836300.44 820572.34 764982.29 872021.65
30 780673.74 775100.79 812344.30 866939.92 789599.92 794778.31
31 810361.92 720486.28 768184.11 824821.32 685640.99 805355.15
32 719029.11
33
34 #S u a v i z a c a o E x p o n e n c i a l S i m p l e s
35
36 m <− HoltWinters (QD, gamma = 0 , be ta = 0 )

37 m
38 m$SSE
39
52
40 obs<−scan ( )
41 834308.49 820613.24 872340.46 784065.52 816158.09
42 847579.76 749778.38 836300.44 820572.34 764982.29 872021.65
43 883052.79
44
45 pre<−scan ( )
46 749746 749746 749746 749746 749746 749746 749746
47 749746 749746 749746 749746 749746
48
49 l i <−scan ( )
50 852563.9 861264.8 869334.4 876892.9 884026.5 890799.9
51 897262.6 903453.7 909405.0 915142.3 920687.2 926057.7
52
53 l s <−scan ( ) 6 4 6 9 2 8 . 0 6 3 8 2 2 7 . 0 6 3 0 1 5 7 . 4 6 2 2 5 9 9 . 0 6 1 5 4 6 5 . 3 6 0 8 6 9 2 . 0
54 602229.3 596038.1 590086.8 584349.5 578804.7 573434.1
55
56 p l o t ( obs , type=” l ” , main =”” , xlim=c ( 0 , 1 5 ) , ylim=c ( 7 0 0 0 0 0 , 9 5 0 0 0 0 ) , x l a b=”Tempo

58 l i n e s ( pre , type=” l ” , c o l =”r e d ” ) l i n e s ( l i , type=” l ” , c o l =”b l u e ” )
59 l i n e s ( l s , type=” l ” , c o l =”b l u e ” )
60 l e g e n d ( 1 0 , 7 6 0 0 0 0 , c ( ” Observado ” , ” P r e v i s a o ” ,
1 QD<−scan ( )
2 2900.3800 3977.4600 6929.0000 15528.120 19124.110
3 18814.540 29292.100 40009.590 59796.700 65362.110 74503.780
4 86530.450 107814.02 100797.26 114736.05 122093.66 117392.60
5 119981.26 120246.54 113127.11 117209.82 115706.05 114416.39
6 126613.71 120215.63 118381.83 122887.82 129965.23 129455.50
7 117822.22 139013.34 145634.91 140631.05 145459.03 188590.80
8 174200.71 174022.63 219807.12 198699.20 219930.98 264795.34
53
9 200966.90 250819.78 264763.46 274007.74 312831.38 238789.09
10 318671.42 334043.44 324477.17 408607.08 298383.52 345214.67
11 388487.69 358455.82 426102.13 362718.26 490214.84 366070.52
12 360939.31 389950.59 526490.38 330146.37 446560.37 463882.21
13 465737.06 521300.20 584141.01 450806.98 556333.58 574403.34
14 605998.11 653084.92 519163.48 543111.16 664766.00 668853.42
15 648741.90 764573.36 693166.14 760672.01 766021.28 742061.66
16 771270.32 769600.07 737191.20 657032.04 759934.73 685329.57
17 672594.22 735181.97 746778.99 780569.70 722761.38 727180.74
18 726627.83 717093.25 762490.04 852164.85 744639.41 780165.53
19 856113.13 873379.81 706569.35 839951.86 735040.69 959025.40
20 821611.86 751197.68 837674.46 960073.80 943358.77 897165.85
21 950597.09 951744.89 897815.19 927833.31 927915.30 887795.42
22 864354.67 801804.26 797376.49 784097.63 764531.64 873127.98
23 910397.71 896040.26 935324.18 860367.71 824204.89 816648.77
24 857705.79 861111.97 778326.54 809979.48 886726.80 891183.43
25 841308.24 904778.24 854604.83 877260.02 900995.93 850989.96
26 878792.25 811805.56 819147.86 766877.03 864601.76 706022.84
27 861356.52 842122.95 790989.58 783389.61 774711.04 823311.45
28 858940.58 834308.49 820613.24 872340.46 794065.52 816158.09
29 847579.76 749778.37 836300.44 820572.34 764982.29 872021.65
30 780673.74 775100.79 812344.30 866939.92 789599.92 794778.31
31 810361.92 720486.28 768184.11 824821.32 685640.99 805355.15
32 719029.11 834308.49 820613.24 872340.46 784065.52 816158.09
33 847579.76 749778.38 836300.44 820572.34 764982.29 872021.65
34 883052.79
35
36 # S u a v i z a c a o E x p o n e n c i a l de Holt
37
38 m1 <− HoltWinters (QD, gamma = 0 )

39 m1
40 m1$SSE
54
41
42 p l o t (m1, type=” l ” , main =”” , xlim=c ( 0 , 2 0 0 ) , x l a b=”Tempo

45
46 p <− p r e d i c t (m1 , 1 2 , p r e d i c t i o n . i n t e r v a l = TRUE)

47 p l o t (m1, p , type=” l ” , main =”” , xlim=c ( 0 , 2 0 0 ) , x l a b=”Tempo
49 l e g e n d ( 1 3 0 , 1 9 0 0 0 0 , c ( ” Observado ” , ” P r e v i s a o ” ,
Listagem 8: Linhas de Comando para construcao das Figuras 15 - Software R
1 QD<−scan ( )
2 2900.3800 3977.4600 6929.0000 15528.120 19124.110
3 18814.540 29292.100 40009.590 59796.700 65362.110 74503.780
4 86530.450 107814.02 100797.26 114736.05 122093.66 117392.60
5 119981.26 120246.54 113127.11 117209.82 115706.05 114416.39
6 126613.71 120215.63 118381.83 122887.82 129965.23 129455.50
7 117822.22 139013.34 145634.91 140631.05 145459.03 188590.80
8 174200.71 174022.63 219807.12 198699.20 219930.98 264795.34
9 200966.90 250819.78 264763.46 274007.74 312831.38 238789.09
10 318671.42 334043.44 324477.17 408607.08 298383.52 345214.67
11 388487.69 358455.82 426102.13 362718.26 490214.84 366070.52
12 360939.31 389950.59 526490.38 330146.37 446560.37 463882.21
13 465737.06 521300.20 584141.01 450806.98 556333.58 574403.34
14 605998.11 653084.92 519163.48 543111.16 664766.00 668853.42
15 648741.90 764573.36 693166.14 760672.01 766021.28 742061.66
16 771270.32 769600.07 737191.20 657032.04 759934.73 685329.57
17 672594.22 735181.97 746778.99 780569.70 722761.38 727180.74
18 726627.83 717093.25 762490.04 852164.85 744639.41
19
20 # S u a v i z a c a o E x p o n e n c i a l de Holt
55
21
22 m1 <− HoltWinters (QD, gamma = 0 )

23 m1
24 m1$SSE
25
26 p l o t (m1, type=” l ” , main =”” , xlim=c ( 0 , 1 2 0 ) , x l a b=”Tempo

28 l e g e n d ( 9 0 , 1 9 0 0 0 0 , c ( ” Observado ” , ” P r e v i s a o ” ) , l t y =1, c o l=c ( 1 , 2 ) , bty=”n ” )
Listagem 9: Linhas de Comando para construcao das Figura 16 e 17 - Software R
1 QD<−scan ( )
2 2900.3800 3977.4600 6929.0000 15528.120 19124.110
3 18814.540 29292.100 40009.590 59796.700 65362.110 74503.780
4 86530.450 107814.02 100797.26 114736.05 122093.66 117392.60
5 119981.26 120246.54 113127.11 117209.82 115706.05 114416.39
6 126613.71 120215.63 118381.83 122887.82 129965.23 129455.50
7 117822.22 139013.34 145634.91 140631.05 145459.03 188590.80
8 174200.71 174022.63 219807.12 198699.20 219930.98 264795.34
9 200966.90 250819.78 264763.46 274007.74 312831.38 238789.09
10 318671.42 334043.44 324477.17 408607.08 298383.52 345214.67
11 388487.69 358455.82 426102.13 362718.26 490214.84 366070.52
12 360939.31 389950.59 526490.38 330146.37 446560.37 463882.21
13 465737.06 521300.20 584141.01 450806.98 556333.58 574403.34
14 605998.11 653084.92 519163.48 543111.16 664766.00 668853.42
15 648741.90 764573.36 693166.14 760672.01 766021.28 742061.66
16 771270.32 769600.07 737191.20 657032.04 759934.73 685329.57
17 672594.22 735181.97 746778.99 780569.70 722761.38 727180.74
18 726627.83 717093.25 762490.04 852164.85 744639.41 780165.53
19 856113.13 873379.81 706569.35 839951.86 735040.69 959025.40
20 821611.86 751197.68 837674.46 960073.80 943358.77 897165.85
21 950597.09 951744.89 897815.19 927833.31 927915.30 887795.42
22 864354.67 801804.26 797376.49 784097.63 764531.64 873127.98
56
23 910397.71 896040.26 935324.18 860367.71 824204.89 816648.77
24 857705.79 861111.97 778326.54 809979.48 886726.80 891183.43
25 841308.24 904778.24 854604.83 877260.02 900995.93 850989.96
26 878792.25 811805.56 819147.86 766877.03 864601.76 706022.84
27 861356.52 842122.95 790989.58 783389.61 774711.04 823311.45
28 858940.58 834308.49 820613.24 872340.46 794065.52 816158.09
29 847579.76 749778.37 836300.44 820572.34 764982.29 872021.65
30 780673.74 775100.79 812344.30 866939.92 789599.92 794778.31
31 810361.92 720486.28 768184.11 824821.32 685640.99 805355.15
32 719029.11 834308.49 820613.24 872340.46 784065.52 816158.09
33 847579.76 749778.38 836300.44 820572.34 764982.29 872021.65
34 883052.79
35
36 # S u a v i z a c a o E x p o n e n c i a l de Holt−Winters
37 #Modelo A d i t i v o
38
39 a<−t s (QD, f r e q u e n c y = 1 2 , s t a r t = c ( 1 9 8 0 , 1 ) )
40
41 m <−HoltWinters ( a , s e a s o n a l=c ( ” a d d i t i v e ” ) )
42 m
43 m$SSE
44
45 p l o t (m, xlim=c ( 1 9 7 5 , 2 0 0 0 ) , ylim=c ( 2 8 0 0 , 9 7 0 0 0 0 ) , x l a b=”Tempo

46 ( mes/ ano ) ” , y l a b=”Demanda do a l c o o l ” , main =”” , bty=”n ” )
47 l e g e n d ( 1 9 9 0 , 2 3 0 0 0 0 , c ( ” Observado ” , ” P r e v i s a o ” ) , l t y =1, c o l=c ( 1 , 2 ) , bty=”n ” )
48

50 p , xlim=c ( 1 9 7 5 , 2 0 0 0 ) , ylim=c ( 2 8 0 0 , 1 0 5 0 0 0 0 ) , x l a b=”Tempo
52 l e g e n d ( 1 9 9 2 , 2 6 0 0 0 0 , c ( ” Observado ” , ” P r e v i s a o ” , ” IC 95%”) , l t y =1, c o l=c ( 1 , 2 , ” b l
Listagem 10: Linhas de Comando para construcao das Figura 18 e 19 - Software R
57
1 QD<−scan ( ) 2 9 0 0 . 3 8 0 0 3 9 7 7 . 4 6 0 0 6 9 2 9 . 0 0 0 0 1 5 5 2 8 . 1 2 0 1 9 1 2 4 . 1 1 0
2 18814.540 29292.100 40009.590 59796.700 65362.110 74503.780
3 86530.450 107814.02 100797.26 114736.05 122093.66 117392.60
4 119981.26 120246.54 113127.11 117209.82 115706.05 114416.39
5 126613.71 120215.63 118381.83 122887.82 129965.23 129455.50
6 117822.22 139013.34 145634.91 140631.05 145459.03 188590.80
7 174200.71 174022.63 219807.12 198699.20 219930.98 264795.34
8 200966.90 250819.78 264763.46 274007.74 312831.38 238789.09
9 318671.42 334043.44 324477.17 408607.08 298383.52 345214.67
10 388487.69 358455.82 426102.13 362718.26 490214.84 366070.52
11 360939.31 389950.59 526490.38 330146.37 446560.37 463882.21
12 465737.06 521300.20 584141.01 450806.98 556333.58 574403.34
13 605998.11 653084.92 519163.48 543111.16 664766.00 668853.42
14 648741.90 764573.36 693166.14 760672.01 766021.28 742061.66
15 771270.32 769600.07 737191.20 657032.04 759934.73 685329.57
16 672594.22 735181.97 746778.99 780569.70 722761.38 727180.74
17 726627.83 717093.25 762490.04 852164.85 744639.41 780165.53
18 856113.13 873379.81 706569.35 839951.86 735040.69 959025.40
19 821611.86 751197.68 837674.46 960073.80 943358.77 897165.85
20 950597.09 951744.89 897815.19 927833.31 927915.30 887795.42
21 864354.67 801804.26 797376.49 784097.63 764531.64 873127.98
22 910397.71 896040.26 935324.18 860367.71 824204.89 816648.77
23 857705.79 861111.97 778326.54 809979.48 886726.80 891183.43
24 841308.24 904778.24 854604.83 877260.02 900995.93 850989.96
25 878792.25 811805.56 819147.86 766877.03 864601.76 706022.84
26 861356.52 842122.95 790989.58 783389.61 774711.04 823311.45
27 858940.58 834308.49 820613.24 872340.46 794065.52 816158.09
28 847579.76 749778.37 836300.44 820572.34 764982.29 872021.65
29 780673.74 775100.79 812344.30 866939.92 789599.92 794778.31
30 810361.92 720486.28 768184.11 824821.32 685640.99 805355.15
31 719029.11 834308.49 820613.24 872340.46 784065.52 816158.09
32 847579.76 749778.38 836300.44 820572.34 764982.29 872021.65
58
33 883052.79
34
35 #S u a v i z a c a o E x p o n e n c i a l de Holt−Winters
36 #Modelo M u l t i p l i c a t i v o
37
39
40 m <− HoltWinters ( a , s e a s o n a l=c ( ” m u l t i p l i c a t i v e ” ) )

41 m
42 m$SSE
43
45
46 p l o t (m, xlim=c ( 1 9 7 5 , 2 0 0 0 ) , ylim=c ( 2 8 0 0 , 9 7 0 0 0 0 ) , x l a b=”Tempo

48 l e g e n d ( 1 9 9 0 , 2 3 0 0 0 0 , c ( ” Observado ” , ” P r e v i s a o ” ) , l t y =1, c o l=c ( 1 , 2 ) , bty=”n ” )
49

51 p , xlim=c ( 1 9 7 5 , 2 0 0 0 ) , ylim=c ( 2 8 0 0 , 1 0 5 0 0 0 0 ) , x l a b=”Tempo
53 l e g e n d ( 1 9 9 2 , 2 6 0 0 0 0 , c ( ” Observado ” , ” P r e v i s a o ” ,
Listagem 11: Linhas de Comando para a Media Simples- Software SAS
2 data m o n o g r a f i a ;
3 i n p u t ordem QD;
4 cards ;
5
6 001 2900.3800 002 3977.4600 003 6929.0000 004 15528.120 005

7 19124.110 006 18814.540 007 29292.100 008 40009.590 009 59796.700
8 010 65362.110 011 74503.780 012 86530.450 013 107814.02 014
59
9 100797.26 015 114736.05 016 122093.66 017 117392.60 018 119981.26
10 019 120246.54 020 113127.11 021 117209.82 022 115706.05 023
11 114416.39 024 126613.71 025 120215.63 026 118381.83 027 122887.82
12 028 129965.23 029 129455.50 030 117822.22 031 139013.34 032
13 145634.91 033 140631.05 034 145459.03 035 188590.80 036 174200.71
14 037 174022.63 038 219807.12 039 198699.20 040 219930.98 041
15 264795.34 042 200966.90 043 250819.78 044 264763.46 045 274007.74
16 046 312831.38 047 238789.09 048 318671.42 049 334043.44 050
17 324477.17 051 408607.08 052 298383.52 053 345214.67 054 388487.69
18 055 358455.82 056 426102.13 057 362718.26 058 490214.84 059
19 366070.52 060 360939.31 061 389950.59 062 526490.38 063 330146.37
20 064 446560.37 065 463882.21 066 465737.06 067 521300.20 068
21 584141.01 069 450806.98 070 556333.58 071 574403.34 072 605998.11
22 073 653084.92 074 519163.48 075 543111.16 076 664766.00 077
23 668853.42 078 648741.90 079 764573.36 080 693166.14 081 760672.01
24 082 766021.28 083 742061.66 084 771270.32 085 769600.07 086
25 737191.20 087 657032.04 088 759934.73 089 685329.57 090 672594.22
26 091 735181.97 092 746778.99 093 780569.70 094 722761.38 095
27 727180.74 096 726627.83 097 717093.25 098 762490.04 099 852164.85
28 100 744639.41 101 780165.53 102 856113.13 103 873379.81 104
29 706569.35 105 839951.86 106 735040.69 107 959025.40 108 821611.86
30 109 751197.68 110 837674.46 111 960073.80 112 943358.77 113
31 897165.85 114 950597.09 115 951744.89 116 897815.19 117 927833.31
32 118 927915.30 119 887795.42 120 864354.67 121 801804.26 122
33 797376.49 123 784097.63 124 764531.64 125 873127.98 126 910397.71
34 127 896040.26 128 935324.18 129 860367.71 130 824204.89 131
35 816648.77 132 857705.79 133 861111.97 134 778326.54 135 809979.48
36 136 886726.80 137 891183.43 138 841308.24 139 904778.24 140
37 854604.83 141 877260.02 142 900995.93 143 850989.96 144 878792.25
38 145 811805.56 146 819147.86 147 766877.03 148 864601.76 149
39 706022.84 150 861356.52 151 842122.95 152 790989.58 153 783389.61
40 154 774711.04 155 823311.45 156 858940.58 157 834308.49 158
60
41 820613.24 159 872340.46 160 794065.52 161 816158.09 162 847579.76
42 163 749778.37 164 836300.44 165 820572.34 166 764982.29 167
43 872021.65 168 780673.74 169 775100.79 170 812344.30 171 866939.92
44 172 789599.92 173 794778.31 174 810361.92 175 720486.28 176
45 768184.11 177 824821.32 178 685640.99 179 805355.15 180 719029.11
46 181 834308.49 182 820613.24 183 872340.46 184 784065.52 185
47 816158.09 186 847579.76 187 749778.38 188 836300.44 189 820572.34
48 190 764982.29 191 872021.65
49 ;
50 run ;
51
52 /∗ Metodo de p r e v i s a o da Media S i m p l e s p e l a da Funcao ∗ /

53 proc i m l ;
54 use m o n o g r a f i a ;
55 read a l l ;
56
57 s t a r t fn (x , n ) ;
58 saida = j (n+1 ,1 ,0);
59 do i = 2 t o n ;
60
61 s a i d a [ i +1] = x [ 1 : i ] [ : ] ;
62 end ; s a i d a [ 1 ] = x [ 1 ] ;
63 saida [2] = x [ 1 ] ;
64 return ( saida ) ; f i n i s h fn ;
65
66 n=nrow ( ordem ) ;
67 p r e v i s a o=f n (QD, n ) ;
68 QDcomp = QD// p r e v i s a o [ n + 1 ] ;
69
70 e r r o = QDcomp − p r e v i s a o ;
71 print QD QDcomp p r e v i s a o e r r o ;
72
61
73 c r e a t e mono1 ; append ; q u i t ;
74
75 g o p t i o n s cback=w hi t e c t i t l e =b l c t e x t=b l b o r d e r
76 f t i t l e =c e n t x f t e x t=c e n t x ;
77
78 t i t l e ’ Monografia Alexandre Barbosa ’ ;

79 t i t l e 2 ’ G r a f i c o de p r e v i s a o ’ ;
80 symbol1 i=s p l i n e width =1 v=dot c=b l a c k ; /∗ atual ∗/
81 symbol2 i=s p l i n e width =2 v=none c=re d ; /∗ previsao ∗/
82
83 a x i s 1 o f f s e t =(1 cm)
84 minor=none
85 o r d e r =(1 t o 2 3 0 by 1 5 0 ) ;
86 a x i s 2 l a b e l =( a n g l e =90 ’QD’ )
87 o r d e r = ( 2 8 0 0 . 3 8 t o 9 7 0 0 7 3 . 8 0 by 1 5 0 0 0 0 ) ;
88
89
90 l e g e n d 1 a c r o s s =1
91 c b o r d e r=b l a c k
92 p o s i t i o n =( o u t s i d e r i g h t )
93 o f f s e t =( −2 ,0)
94 v a l u e =( t i c k =1 ’ Atual ’
95 t i c k =2 ’ P r e v i s a o ’ )
96 shape=symbol ( 2 , . 2 5 )
97 mode=s h a r e
98 l a b e l=none ;
99 proc g p l o t data=mono1 ; format ordem ; p l o t qd∗ordem = 1
100 p r e v i s a o ∗ordem =2 / o v e r l a y
101 h r e f =100
102 c h r e f=r ed
103 v a x i s=a x i s 2
104 vminor=1
62
105 h a x i s=a x i s 1
106 l e g e n d=l e g e n d 1 ;
107 run ;
108
109
110 /∗éMtodo de ã p r e v i s o da éMdia S i m p l e s p e l a Soma Acumulada ∗/

111
112 proc i m l ;
113 use m o n o g r a f i a ;
114 read a l l ;
115 n = nrow ( ordem ) ;
116
117 a = cusum (QD) ;

118 b = t (1:n);
119 p r e v i s a o=a/b ;
120 p r e v i s a o 1=p r e v i s a o [ 1 ] / / p r e v i s a o ;
121 x=p r e v i s a o [ n ] ;
122 o b s e r v a d o=QD// x ;
123 /∗ medindo o s e r r o s ∗/
124 e r r o = observado − previsao1 ;
125
126 e r r o a b s = abs ( e r r o ) ;
127 p e r r o =100∗ e r r o / o b s e r v a d o ;
128
129 p r i n t QD o b s e r v a d o p r e v i s a o 1 e r r o e r r o a b s p e r r o ; c r e a t e mono2 ;
130 append ;
131 quit ;
132
133 proc i m l ;
134 use mono2 ;
135 read a l l ;
136 ME=sum ( e r r o ) / ( nrow ( e r r o ) −1);
63
137 MAE=sum ( e r r o a b s ) / ( nrow ( e r r o ) −1);
138 QME=sum ( e r r o ##2)/(nrow ( e r r o ) −1);
139 MPE=sum ( p e r r o ) / ( nrow ( e r r o ) −1);
140 MAPE=sum ( abs ( p e r r o ) ) / ( nrow ( e r r o ) −1);
141 p r i n t ME MAE QME MPE MAPE;
142 quit ;
64

Monografia Alexandre

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Monografia Alexandre

Enviado por

Direitos autorais:

Formatos disponíveis

UNIVERSIDADE ESTADUAL DE MARINGÁ

CENTRO DE CIÊNCIAS EXATAS

“ANÁLISE DA DEMANDA DO ÁLCOOL UTILIZANDO

Maringá, Dezembro de 2005

“ANÁLISE DA DEMANDA DO ÁLCOOL UTILIZANDO

Trabalho de conclusão de curso

Maringá, Dezembro de 2005

ANÁLISE DA DEMANDA DO ÁLCOOL UTILIZANDO OS MÉTODOS DE

Professora Dra. Terezinha Apa. Guedes

Prof. Ms. Claudia Corrêa de Moraes Barbiero

Prof. Dra. Maria Bernadete de Souza Cortes

Prof. Ms. Clédina Regina Lonardan Acorsi

5 Aplicação dos Métodos de Suavização Exponencial 23

O trabalho foi desenvolvido com o objetivo de aplicar métodos da suavização ex-

Palavras-chaves: Séries temporais, Sazonalidade, Tendência, Suavização exponen-

1.1 Caracterização do Mercado [1980 a 1995]

Desde o surgimento do PROÁLCOOL, tanto a produção quanto a distribuição

2.1 Objetivo Geral

Desenvolver um estudo sobre os principais métodos de suavização exponencial à

2.2 Objetivos Especı́ficos

• Determinar critérios de escolha do modelo que apresente o melhor ajuste dos

• Desenvolver algoritmo para a utilização do softwares R e SAS na elaboração

• Construir intervalos de confiança para valores previstos da demanda do álcool.

3.1 O Conceito de Série Temporal

A análise das séries temporais busca isolar e interpretar tais componentes. Em

A tendência, caracterizada como movimento regular e contı́nuo de longo prazo,

Em princı́pio, a sazonalidade diz respeito à oscilações de curto prazo (não maiores

As variações aleatórias, também chamadas de residuais, referem-se não só aque-

3.1.1 Modelos de Séries Temporais

(i) Modelo aditivo

(ii) Modelo multiplicativo

Onde Y é uma variável aleatória qualquer, T é a componente de tendência, S é

3.2 Importância dos Modelos para Séries Temporais

3.3 O Significado da Análise de Séries Temporais

3.4 Modelos de Suavização Exponencial

A maioria dos métodos de previsão baseia-se na idéia de que observações pas-

3.4.1 Modelos para Séries Localmente Constantes

Seja Z1 , · · · , Zn localmente composta de seu nı́vel mais um ruı́do aleatório, isto

3.4.2 Média Simples (MS)

3.4.3 Média Móvel Simples (MMS)

Ẑt (h) = Mt , ∀h > 0 ou (10)

Onde h é um mecanismo de atualização de previsão que a cada observação corrige

onde E (Zt2 ) = σ 2a + µ2t , σ 2a = V ar (Zt ) = V ar (at ) = constante, E (Zt Zt−h−k ) =

o que equivale a dizer que a previsão é um estimador não-viesado do nı́vel.

e, consequentemente construir um intervalo de confiança com coeficiente

Segundo Morettin, (1987) quando se determina o valor de r, suas pro-

(ii) se r = N , então será igual a média aritmética de todos os dados observados.

3.4.4 Média Móvel Ponderada (MMP)

A vantagem de utilizar a média móvel ponderada é de que se os dados tem uma

3.4.5 Suavização Exponencial Simples (SES)

Ft+1 = Ft + α(Zt − Ft ) (18)

o Ft representa a estimativa da série no momento t, Zt representa o valor da variável

Zt = αZt + α (1 − α) Zt−1 + α + α (1 − α)2 Zt−2 + . . . + α (1 − α)t Z0 (19)

Pode-se dizer que a previsão para o próximo perı́odo é obtida atribuindo-se um α

O erro quadrado médio é definido como o quadrado médio da diferença:

Enquanto a variância da estimativa é:

3.4.6 Suavização Exponencial Simples: Taxa de Resposta

onde o coeficiente adpativo αt é dado por:

At = βεt + (1 − β) At−1 (38)

O valor de Mt é uma média exponencial dos erros em termos absolutos é:

Mt = β |εt | + (1 − β) Mt−1 (39)

Para um valor de εt que se repete várias vezes, α = 1, e o valor inteiro do

3.4.7 Suavização Exponencial de Holt (SEH)