2014 - PREV - ApostilaCompleta

PREVISÃO PARA AUXÍLIO À DECISÃO
PROGRAMA
COMO FAZER PREVISÕES

E CENÁRIOS
Sumário
1 INTRODUÇÃO AO CURSO ........................................................................................... 1

2 PREVISÃO..................................................................................................................... 6
2.1 Introdução ....................................................................................................................... 6
2.2 O que é? ......................................................................................................................... 6
2.3 Por que é importante?..................................................................................................... 7
2.4 Quais os principais métodos? ......................................................................................... 8
2.5 Quais características considerar? ................................................................................... 9
2.6 De acordo com os métodos, quais modelos disponíveis? ............................................. 12
3 MÉTODO QUALITATIVO – PAINEL DELPHI............................................................... 18
3.1 Introdução ..................................................................................................................... 18
3.2 Como fazer previsões ................................................................................................... 19
3.3 Exemplo – Aplicação do Painel Delphi .......................................................................... 22
3.4 Considerações gerais ................................................................................................... 25
4 MÉTODOS QUANTITATIVOS ..................................................................................... 26
4.1 Cenários ....................................................................................................................... 26
4.2 Regressão Linear Simples ............................................................................................ 41
4.3 Regressão Linear Múltipla ............................................................................................ 87
4.4 Regressão Polinomial ................................................................................................. 108
4.5 Análise Discriminante.................................................................................................. 119
5 MÉTODO QUANTITATIVO – SÉRIES TEMPORAIS ................................................. 150
5.1 Introdução ................................................................................................................... 150
5.2 Passo 1: Obtenção de dados ...................................................................................... 154
5.3 Passo 2: Inspeção dos dados ..................................................................................... 155
5.4 Passo 3: Testar os modelos (estacionários)................................................................ 158
5.4.1 Médias Móveis (simples) .............................................................................. 158
5.4.2 Médias Móveis Ponderadas.......................................................................... 166
5.4.3 Ajuste exponencial ....................................................................................... 172
5.5 Passo 4 e 5: Avaliar os modelos (estacionários) e Verificar a validade ....................... 178
5.6 Passo 6: Realizar previsões ........................................................................................ 179
5.7 Sazonalidade .............................................................................................................. 181
5.7.1 Passo 1: Obtenção de dados........................................................................ 183
5.7.2 Passo 2: Inspeção dos dados ....................................................................... 183
5.7.3 Passo 3: Testar os modelos (estacionários com efeito sazonal) ................... 185
5.7.4 Passo 4 e 5: Avaliar os modelos (sazonais) e Verificar a validade ................ 200
5.7.5 Passo 6: Realizar previsões ......................................................................... 201
5.8 Tendência ................................................................................................................... 202
5.8.1 Passo 1: Obtenção de dados........................................................................ 203
5.8.2 Passo 2: Inspeção dos dados ....................................................................... 203
5.8.3 Passo 3: Testar os modelos (tendência) ....................................................... 205
5.8.4 Passo 4 e 5: Avaliar os modelos (estacionários) e Verificar a validade ......... 233
5.8.5 Passo 6: Realizar previsões ......................................................................... 234
REFERÊNCIAS ................................................................................................................. 235
1 INTRODUÇÃO AO CURSO
1
2
3
4
5
2 PREVISÃO
2.1 Introdução
Saber o que deverá acontecer no dia de amanhã é uma das perguntas que os
seres humanos buscam responder há séculos. Antigamente, acreditava-se que os
sacrifícios de animais e até de pessoas poderiam ajudar a encontrar a respostas
para esta pergunta. Há muito surgiram os magos e “leitores” de sorte, porém, mais
recentemente, os búzios e a numerologia ajudam na tentativa de encontrar uma
resposta para a pergunta.
E, no mundo dos negócios, a curiosidade humana vai além do uso de simples
técnicas empíricas. Pois, cada dia mais, as previsões são mais importantes para o
sucesso empresarial. Por isso, neste item, são apresentados conceitos elementares
de previsão.
2.2 O que é?
A previsão, por fazer parte da vida humana há séculos, sempre foi feita de
modo intuitivo, motivo pelo qual todos têm uma ideia geral do que seja. Para alguns
autores, previsão é uma manifestação relativa a sucessos desconhecidos em um
futuro determinado (BARBANCHO, 1970). Além disso, ela não constitui um fim em
si, mas um meio de fornecer informações e subsídios para uma consequente tomada
de decisão, visando atingir determinados objetivos (MORETTIN e TOLOI, 1981).
Para outros, a previsão é o processo de estimação de eventos futuros com o
propósito de planejamento e de tomada de decisão (SANDERS, 1995). Seguindo a
mesma linha de pensamento, Martins e Laugeni (1999) definem previsão como um
processo metodológico para a determinação de dados futuros baseados em
modelos estatísticos, matemáticos, econométricos ou, ainda, em modelos
subjetivos apoiados em uma metodologia de trabalho clara e previamente definida.
DeLurgio (1998) acrescenta ainda, que quase todas as previsões são
baseadas na aceitação de que o passado se repetirá. Portanto, a previsão seria
uma estimativa probabilística, a descrição de um valor futuro ou até mesmo de uma
certa condição.
6
Assim, de modo geral, principalmente quando relacionada a negócios e à
tomada de decisões, pode-se definir que previsão é o uso sistematizado de
métodos e de técnicas (quantitativas ou qualitativas) na tentativa de desvendar o
futuro.
2.3 Por que é importante?
As previsões desempenham um papel cada vez mais importante nas

empresas modernas, pois elas são usadas, entre outras coisas para: realizar
programação de produção, fazer orçamento de capital e para alocar recursos em
projetos. Desse modo, a previsão organizacional deve ser usada como fundamento
para todas as outras decisões dos negócios, sendo que a qualidade das decisões
dos negócios pode ser tão boa quanto as previsões em que elas foram baseadas
(SANDERS, 1995).
De modo geral, pode-se afirmar que as previsões são essenciais para todos
os planos e decisões, porque nada acontece sem que alguém faça uma previsão,
pois estas guiam o marketing, a produção, as finanças e os demais sistemas de
controle e de informações (DeLURGIO, 1998). O que complementa a ideia de que a
previsão é importante para a utilização adequada das máquinas, para a realização
da reposição dos materiais no momento e na quantidade certa e para a
programação das outras atividades do processo produtivo (MARTINS e LAUGENI,
1999).
Diante do apresentado, pode-se afirmar que a previsão está no centro da
função de planejamento das organizações, por auxiliar nas tomadas de
decisões. Motivo pelo qual pode-se apontar inúmeros benefícios que a previsão
pode gerar para as organizações, tais como (DeLURGIO, 1998):
 melhoria da informação estratégica;
 melhoria das informações de marketing;
 melhoria das informações financeiras;
 melhoria das informações operacionais;
 melhor alocação de recursos escassos;
 crescimento da eficiência produtiva e operacional;
 maior produtividade;
7
 estabilidade no planejamento;
 redução do desperdício;
 maior flexibilidade na resposta das preferências dos consumidores;
 aumento da lucratividade;
Desse modo, previsão do futuro poderá ser usada como insumo base para
a função de planejamento, que conduzirá as atividades e dos meios apropriados
de desempenho organizacional à efetividade.
2.4 Quais os principais métodos?
O campo da previsão formal, pincipalmente para negócios e tomada de

decisões, ao longo das últimas décadas, viu um substancial aumento na variedade
de métodos e modelos de previsão (SANDERS, 1995). Este fato pode ser justificado
a partir do trabalho de Schwitzky (2001), no qual ele afirma que, para se obter um
bom planejamento, é essencial que a visão do futuro seja a mais realista possível e,
para isso, devem-se utilizar métodos e modelos eficazes de previsão.
Considerando essa variedade de métodos e modelos, há também diversas
maneiras de classificá-los, sendo que a terminologia usada varia de acordo com as
classificações. Contudo, uma das principais diferenciações empregadas está nos
métodos qualitativos e quantitativos (MOORE e WEATHERFORD, 2005;
SCHWITZKY, 2001; FABRIS, 2000), como apresentado na Figura 1.
A Figura 1 também apresenta que os métodos quantitativos podem ainda ser
subdivididos em métodos univariáveis (ou séries temporais) e métodos multivariáveis
(ou causais).
8
Métodos de
Previsão
Métodos Métodos
Qualitativos Quantitativos
Univariáveis Multivariáveis
ou ou
Séries Temporais Causais
Figura 1 Principal diferenciação dos métodos de previsão

Fonte: Medeiros (2006).
2.5 Quais características considerar?
Os métodos, sejam eles qualitativos ou quantitativos, podem ser usados para

diferentes finalidades, o que dificulta a generalização de suas características
(MURDICK e GEORGOFF, 1986). Mas para facilitar o entendimento, o Quadro 1
apresenta as principais características a serem consideradas em um método de
previsão.
Considerando as características apresentadas no Quadro 1, duas em especial
merecem destaque que são: o horizonte e a precisão da previsão. De acordo com
Arnold (1999), não se pode negar que as previsões são mais precisas para períodos
de tempos mais próximos, pois o futuro próximo impõe menos incertezas do que o
futuro distante. Da mesma forma, Schwitzky (2001) afirma que a previsão merece
atenção especial no que tange à qualidade e à precisão, pois, um bom sistema de
previsão pode fazer a diferença quanto ao desempenho da empresa frente aos seus
concorrentes.
9
Quadro 1 Características gerais consideradas nos métodos de previsão (continua).
Características Descrição
Os métodos podem assumir os seguintes horizontes de previsão:

imediato (1 segundo a 1 mês); curto prazo (de 1 a três meses);
médio prazo (de 3 meses a 3 anos); longo prazo (mais de 20 anos).
Entretanto, períodos podem sobrepor-se por não existir uma faixa
Horizonte a ser
universalmente aceita para esses termos.
previsto
O horizonte a ser previsão aumenta à medida que se move do
método univariável (imediato/curto prazo), para o multivariável
(curto/médio prazo) e deste para o qualitativo (médio/longo prazo).
O termo precisão refere-se à relativa acurácia dos métodos,

entretanto os percentuais de erro não são dados porque o
Precisão da
percentual de precisão depende do nível de variância das séries.
previsão para
cada horizonte
De modo geral, pequenos horizontes de previsão são, geralmente,
mais precisos do a previsão de longos horizontes.
O custo de desenvolvimento dos métodos univariáveis é menor,

Custo de
enquanto que os métodos multivariáveis e os qualitativos podem ser
desenvolvimento
maiores, dependendo do método e da aplicação.
A análise de período de dados (por exemplo, horas, semanas,

meses, trimestres ou anos) pode aumentar com o crescimento do
horizonte de previsão.
Uso de período
Os métodos multivariáveis e qualitativos são mais eficientes em
de dados
longos horizontes e usam, portanto, longos períodos de dados
(meses, trimestres ou anos). Assim, quanto mais distante é o futuro
que se precisa prever, maior é a necessidade de longos períodos de
dados a serem incorporados no modelo.
O custo de aplicação de métodos diferentes afeta a frequência de

revisão. Os métodos mais onerosos serão revistos menos vezes, ao
contrário dos menos onerosos.
Frequência de
revisão
Os métodos univariáveis podem ser revistos com mais frequência do
que os métodos multivariáveis e qualitativos, por exigirem custos de
desenvolvimento menor e também menor período de dados.
10
Quadro 3 Continuação.
Características Descrição
O horizonte de previsão influencia na escolha apropriada do método

de previsão, assim como o método pode determinar a aplicação da
previsão.
Tipo de
Os métodos que geram previsões para pequenos horizontes/prazos
aplicações
(univariáveis), geralmente estão relacionados a decisões de níveis
gerenciais inferiores. Enquanto que as decisões de níveis gerenciais
superiores estão relacionadas a métodos que geram previsões para
longos horizontes/prazos (multivariáveis e ou qualitativos).
Isso ocorre porque a complexidade e a subjetividade dos métodos

de previsão envolvem alta programação para toda a estruturação
qualitativa dos métodos.
Potencial de
automação O grau em que a estimação dos métodos de previsão podem ser
automatizados diminui a medida que se migra para dos métodos
univariáveis, multivariáveis e para os qualitativos.
É importante encontrar nos métodos a capacidade de

Capacidade de reconhecimento de padrões de séries a serem previstas. Alguns
reconhecimento sistemas de previsão usam sistemas especialistas para detectar
de padrões diferentes padrões de séries temporais para escolher o modelo de
previsão apropriado.
Fonte: Baseado em DeLurgio (1998) e Davis et al. (2001).
Adicionalmente às características apresentadas no Quadro 1, alguns

requisitos também devem ser observados, como (CORRÊA et al., 2000):
 conhecer os mercados, suas necessidades e comportamentos;
 conhecer os produtos e seus usos;
 saber analisar os dados históricos;
 conhecer a concorrência e seu comportamento;
 conhecer as ações da empresa que afetam à demanda;
 formar uma base de dados relevantes para a previsão;
 documentar todas as hipóteses feitas na elaboração da previsão;
 trabalhar com fatos e não apenas com opiniões;
 articular diversos setores para a elaboração da previsão.
11
2.6 De acordo com os métodos, quais modelos disponíveis?
Como visto, é possível classificar os métodos de previsão de três formas

distintas: Métodos qualitativos, Métodos quantitativos univariável (ou Séries
Temporais) e Métodos quantitativos multivariáveis (ou Causais). Mas considerando
as características apresentadas no subitem anterior, para cada método há uma série
de modelos de previsão disponível. Assim, na sequência são apresentados
conceitos gerais de cada um dos métodos de previsão e quais os principais modelos
usados em cada um dos métodos.
MÉTODOS QUALITATIVOS DE PREVISÃO
As previsões realizadas por métodos qualitativos baseiam-se,

fundamentalmente, em opiniões (SCHWITZKY, 2001), ou seja, esses métodos
fundamentam-se no julgamento e ou posições que as pessoas possuem sobre, por
exemplo, tendências futuras, preferências e mudanças tecnológicas (DeLURGIO,
1998).
De modo geral, os modelos deste método são mais usados para a previsão
de períodos longos e distantes, quando os dados são pouco relevantes sobre
padrões passados. Em geral, eles são úteis quando dão suporte para os métodos
quantitativos.
Nas empresas, eles geralmente são usados para prever a demanda de novos
produtos/serviços, novas tecnologias, novos mercados compartilhados,
desenvolvimento ou custo de novos produtos e até para melhor a estratégia
competitiva (DeLURGIO, 1998). Algumas vezes, são chamados de métodos de
previsões tecnológicas porque, geralmente, são usados em projetos de ampla
mudança tecnológica.
De modo geral, são menos usados do que métodos quantitativos porque além
de possuírem alto custo e baixa precisão, ainda possuem menor disponibilidade de
dados. Apesar disso, os métodos qualitativos são úteis porque os especialistas
geralmente têm conhecimento de eventos recentes dos quais os efeitos ainda não
puderam ser observados, por exemplo, em séries temporais, ou de eventos que
ocorreram no passado, mas não são esperados no futuro (ARMSTRONG e
12
COLLOPY, 1998). Ou ainda, de eventos que não ocorreram no passado, mas são
esperados no futuro.
Considerando os aspectos gerais desses métodos, o Quadro 2 apresenta os
principais modelos de previsão.
Quadro 2 Principais modelos de previsão para o método qualitativo.

Modelo Descrição
Processo interativo em que especialistas respondem a questionários

Painel Delphi
que são tabulados e modificados, resultando em conclusões.
Usa a representação de uma árvore de relações entre metas e

médias para atingir os objetivos, em que a importância de eventos e
Árvore de decisão decisões é identificada. Para identificar as relações entre eventos
futuros desejados e os eventos necessários a serem atingidos, a
organização deve tentar controlar melhor o futuro.
Este modelo é baseado na definição de que o consenso de alguns

Painel de especialistas produzirá uma previsão melhor do que a opinião de um
especialistas simples especialista. A opinião de especialistas complementares
produz melhores previsões.
Modelos de séries temporais que usam eventos similares com o

Analogia histórica passado. Utilizado para produtos novos e tecnologias emergentes
sem dados passados.
Método para conseguir uma média ou consenso previsto de

Sales force
entradas independentes de alguns vendedores que estão envolvidos
composite
com clientes e entendem suas necessidades.
Fonte: Baseado em DeLurgio (1998).
MÉTODOS QUANTITATIVOS: UNIVARIÁVEIS OU SÉRIES TEMPORAIS
Considerando os métodos quantitativos (também conhecidos como

estatísticos), de maneira ampla, pode-se afirmar que eles tendem a ser menos
tendenciosos e usam, de forma mais eficiente, os dados passados (ARMSTRONG e
COLLOPY, 1998). O que transparece maior confiabilidade, pois, considerando os
mesmos dados, eles devem produzir a mesmas previsões. Além disso, os métodos
13
quantitativos de previsão apresentam dois recursos importantes e atraentes
(MOORE e WEATHERFORD, 2005):
 Podem ser expressos em notação matemática. Ou seja, estabelecem um
registro não ambíguo (não subjetivo) de como a previsão é feita. Esses
métodos fornecem uma oportunidade de modificação sistemática e
aprimoramento da técnica de previsão.
 Com o uso de planilhas e computadores, os modelos quantitativos podem
usar como base uma grande quantidade de dados.
Os métodos quantitativos univariável, amplamente conhecido como Séries

Temporais pode ser definido como um conjunto de observações de variáveis
quantitativas coletadas ao longo do tempo (RAGSDALE, 2001). Ou seja, sempre que
se têm valores para uma variável de interesse particular (única), que pode ser
plotada contra o tempo, esses valores podem ser chamados de Série Temporal
(MOORE e WEATHERFORD, 2005). Assim, qualquer método ou modelo utilizado
para analisar e extrapolar essa série no futuro pode ser enquadrado na categoria
geral da análise de série temporal.
Os modelos desse método quantitativo usam os padrões internos dos dados
passados para prever o futuro, ou seja, analisam o comportamento passado de uma
variável de série temporal regular para predizer o comportamento futuro
(DeLURGIO, 1998; RAGSDALE, 2001).
Desse modo, o conceito básico da previsão e análise de séries temporais se
fundamenta no fato de que os valores futuros das séries são funções matemáticas
de seus valores passados, podendo ser representados, matematicamente, conforme
a equação 1 (DeLURGIO, 1998; MOORE e WEATHERFORD, 2005; MUELLER,
1996; SCHWITZKY, 2001; WHEELWRIGHT e MAKRIDAKIS, 1985).
Valores futuros  f (Valores passados) (1)
As previsões baseadas nesses métodos além procurar identificar tendências

nas observações ao longo do tempo, possuem, em geral, um espaçamento
constante (dias, semanas, meses, anos etc.) dos dados, o que as tornam
amplamente usadas, devido à simplicidade de uso/aplicação.
14
principais modelos de previsão de Séries Temporais.
Quadro 3 Principais modelos de previsão de séries temporais.

Modelo Descrição
Suavização de séries temporais usando médias móveis reduz,

Médias móveis período por período, a variação, mas, as marcas locais movimentam
acima e abaixo da média em longos períodos de média.
Alisamento As séries temporais são suavizadas por observações recentes, as

exponencial quais recebem maior peso. Métodos avançados incluem tendência e
Holts-Winters sazonalidade por decomposição.
Decomposição Método que decompõe sistematicamente uma série temporal em

clássica Census II tendência, ciclo, sazonalidade e componentes de erro. Usado para
X-11 retirar a sazonalidade de dados econômicos.
Método que modela tendência, sazonalidade e movimentos cíclicos,

Séries Fourier usando trigonometria e função seno e cosseno. É um método usado
em sistemas de previsão automatizados.
Método que modela séries usando tendência, sazonalidade e

ARIMA
coeficientes de suavização que são baseados em médias móveis,
(Box-Jenkins)
auto-regressão e diferença de equações.
MÉTODOS QUANTITATIVOS: MULTIVARIÁVEIS OU CAUSAIS

Os métodos Causais abrangem procedimentos de previsão que associam
mais de uma série de dados na efetivação de prognósticos sem, no entanto,
qualquer imposição com relação à causalidade entre essas séries, ou seja, se faz
projeções do futuro por meio da relação entre duas ou mais séries de dados, de tal
modo que as variáveis dependentes estejam correlacionadas com outras variáveis
internas ou até mesmo externas (MOREIRA, 1996; MUELLER, 1996; DeLURGIO,
1998).
Matematicamente, os métodos causais podem ser demonstrados de acordo
com a equação 2.
15
Variáveis dependente s  f (Variáveis independen tes)
ou (2)
Valores futuros  f (Valores passados, valores de outras variáveis )
A principal diferença entre o método univariável e o multivariável é que o

primeiro é desenvolvido para modelar o passado a partir de relações matemáticas,
mas não explica, necessariamente, os padrões passados. Por outro lado o outro é
desenvolvido para modelar a relação de causa e efeito do passado, assim como
prever e explicar o comportamento (DeLURGIO, 1998).
De modo geral, os métodos multivariáveis são mais difíceis de serem
desenvolvidos do que os univariáveis, porém a vasta disponibilidade de softwares
computacionais com baixo custo tem tornado essa metodologia muito mais efetiva
(DeLURGIO, 1998). Entretanto, vale ressaltar que nem todos os modelos
multivariáveis são necessariamente modelos causais. Em muitas situações, esses
modelos são muito precisos em previsões, mas não representam, necessariamente,
a relação causa-efeito entre as variáveis.
principais modelos de previsão multivariáveis.
OUTROS MÉTODOS QUANTITATIVOS

Além dos métodos quantitativos já apresentados, outros métodos
quantitativos de previsão vêm se destacando na literatura e não se encaixam nem
nos métodos univariáveis e nem nos multivariáveis. Estes métodos são
apresentados no Quadro 5.
16
Quadro 4 Principais modelos de previsão multivariáveis.
Modelo Descrição
Usando o método dos mínimos quadrados, modela-se a relação

entre uma variável dependente e muitas variáveis independentes. A
Regressão
partir de um ponto de vista causal, os modelos de regressão múltipla
múltipla
não são efetivos como os econométricos, entretanto, eles podem
prever precisamente.
As relações entre uma ou mais variáveis endógenas e ou exógenas

são estimadas usando, geralmente, técnicas dos mínimos
quadrados. Pequenas escalas e modelos simples são modelados
Econometria por regressão múltipla; entretanto, a fundamentação teórica de
modelos econométricos é muito mais rigorosa e válida. Causalidade
recíproca pode ser modelada usando algumas equações
simultâneas com métodos econométricos.
ARIMA Método que combina a força da econometria e métodos de séries

Multivariáveis temporais ARIMA. Eficiência questionável em aplicações em que os
(Box-Jenkins – efeitos das variáveis independentes influenciam uma ou mais
MARIMA) variáveis dependentes.
Modelo VAR é uma simples aproximação que usa modelos MARIMA

quando há efeito retardado de algumas variáveis independentes em
Vetor de auto-
algumas variáveis dependentes. Entretanto, enquanto estimar o
regressão (VAR)
VAR é simples, os modelos sempre têm muitos coeficientes como
os modelos MARIMA.
Quadro 5 Outros métodos quantitativos de previsão.

Modelo Descrição
Imita algumas das capacidades paralelas de processamento do
cérebro humano com a aplicação de modelos simples e ou
Redes neurais
complexos. Estes modelos identificam relações não lineares e
artificiais
interativas que são antecipadas pelo analista.
Caracterizado pelo teste formal de hipóteses usando uma ampla

Pesquisa de
variedade de análises estatísticas de dados coletados por correio,
mercado
telefone e entrevistas pessoais.
Pesquisa Uma ampla variedade de métodos quantitativos que são usados na

operacional/ modelagem, incluindo programação matemática, simulação,
ciência da gestão modelos de redes, redes neurais e algoritmos genéticos.
17
3 MÉTODO QUALITATIVO – PAINEL DELPHI
3.1 Introdução
O Método Delphi teve seu nome baseado no antigo Oráculo de Delfos

(dedicado ao deus Apolo), lugar sagrado na Grécia antiga, onde se anunciavam
predições sobre o futuro (OLIVEIRA, 2008).
A técnica foi criada por Olaf Helmer, pesquisador da Rand Corporation (Santa
Mônica, Estados Unidos) e, seu primeiro trabalho usando a técnica foi publicado em
1966, com o título “The use of Delphi technique in problemas in education
innovations”. Em 1967, Norman C. Dalkey, também pesquisador da Rand
Corporation, também publicou outro relatório sobre o tema, intitulado “Delphi”.
De acordo com Helmer (1996), o objetivo do método era apresentar o estudo
do futuro em áreas específicas, tendo sua origem na pesquisa para defesa militar.
Foi durante o período da guerra fria, o método foi muito utilizado para analisar e
prever acontecimento (SPÍNOLA, 1984).
O Método Delphi, de modo geral, pode ser definido como uma atividade
interativa desenhada para combinar opiniões de um grupo de especialistas para
obtenção de consenso. Ou seja, baseia-se em um processo de comunicação de um
grupo de especialistas em um determinado tema, permitindo que as pessoas, de
modo geral, possam lidar e explorar um problema complexo, alcançando uma
previsão de futuro (OLIVEIRA, 2008).
Os painéis Delphi, por buscarem a estruturação de conceitos e a projeção do
futuro, têm sido utilizados por várias áreas do saber, como economia, administração,
ciências sociais, educação e entre outros (NOTHER, 1983).
No Brasil, o Painel Dephi foi utilizado, por exemplo, pelo Programa Nacional
do Álcool (Proálccol) para desenvolver cenários alternativos, descrevendo a situação
no ano 2000, abordando variáveis de população, renda, urbanização, tamanho da
frota de ônibus, entre outros aspectos. Participaram do estudo cerca de 150
especialistas nas áreas de tecnologia agrícola e industrial de álcool, energia,
transportes e economia.
18
3.2 Como fazer previsões
Como já definido, Delphi é um enfoque sistemático, fundamentado em

opiniões de especialistas para formação de consenso ou fazer previsões, sem que
eles sejam influenciados pelos efeitos de grupos de personalidades ou de
tendências em conformidade com a opinião pública (DALKEY e HELMER, 1963;
HELMER, 1966; DALKEY, 1969; LINSTONE e TUROFF, 1975; LINDEMAN, 1981;
MARTINO, 1983; YOUNG e JAMIESON, 2001).
Para conseguir obter resultados significativos, o Método Delphi se
fundamenta em características, que possuem vantagens e desvantagens, que são
apresentadas no Quadro 6.
Quadro 6 Características do Método Delphi, com suas respectivas vantagens e

desvantagens.
Característica Vantagens Desvantagens
Permite a igualdade de expressão Sem desvantagem aparente

das ideias.
Anonimato O anonimato faz com que a
interatividade aconteça com maior
espontaneidade.
Redução de ruídos. Pode determinar o sucesso ou

Evita desvios no objetivo do estudo. insucesso do método.
Feedback
Fixação do grupo nas metas Risco de excluir pontos de
propostas. Possibilidade de revisão discordância na análise.
de opiniões pelos participantes.
No decorrer das discussões os Dependendo de como são

participantes recebem opiniões, apresentados os resultados e
comentários e argumentações dos feedbacks, é possível de se criar
Flexibilidade outros especialistas, podendo assim consensos forçados, ou artificiais,
rever suas posições diante do em que os respondentes podem
assunto pesquisado. As barreiras à aceitar de forma passiva a
comunicação são superadas. opinião de outros especialistas e
passar a defendê-los.
Uso de São formados conceitos, Possibilidade de obter o

especialistas julgamentos, apreciações e opiniões consenso de forma
confiáveis a respeito do assunto. demasiadamente rápida.
Sinergia de opiniões entre Risco de se formar um consenso

Consenso
especialistas. Identificação do artificial.
motivo de divergência de opiniões.
Fonte: Baseado em Oliveira (2008).
19
Além das características apresentadas, para que os resultados sejam
representativos, deve-se seguir o processo apresentado na Figura 2.
Início
Início
Elaboração
Elaboração dodo
questionário
questionário ee Seleção
Seleção
dos
dos painelistas
painelistas
Rodada 1
Painelistas respondem e
devolvem questionários
Tabulação e Análise das

respostas
Elaboração
Elaboração das
das Novas
Novas Sim É necessário novas
questões
questões Fim
Fim
questões?
Não
Elaboração
Elaboração de
de novo
novo Relatório
Relatório Final
Final
questionário
questionário
Nova(s) Rodada(s) Relatório

Relatório para
para os
os
Painelistas respondem e painelistas
painelistas
devolvem questionários (respondentes)
(respondentes)
Não
Tabulação e Análise das A convergência das

Sim Conclusões
Conclusões gerais
gerais
respostas respostas atende?
Figura 2 Processo para execução de um Painel Delphi

Fonte: Adaptado de Wright e Giovinazzo (2000).
20
De acordo com a Figura 2, o processo Delphi se inicia apresentando um
questionário com proposições específicas aos participantes, para que estas sejam
ordenadas mediante um critério preestabelecido.
Na elaboração dos questionários, embora não haja regras rígidas quanto ao

formato das questões, os seguintes cuidados devem ser tomados:
 Duplicidade/Ambiguidade: evitar questões que tenham, em sua estrutura,
mais de um questionamento, levando o respondente a não dar respostas
consistentes.
 Interpretação: excluir casos de perguntas com duplo sentido ou
ambiguidade, levando o respondente a interpretar subjetivamente a pergunta.
 Questionários simples: a estruturação das perguntas deve levar a uma
resposta direta sobre o que se está buscando conhecer, evitando-se, desta
forma, que o respondente discorra sobre a resposta.
 Número de questões: recomenda-se que, mesmo com seus
desdobramentos, o total de questões não seja superior a 25.
 Priorização de alternativas: esta possibilidade gera dificuldade de
posicionamento, comprometendo a objetividade exigida pelo método.
 Esclarecer previsões contraditórias: caso existam eventos excludentes
num questionário, esta situação dever ser deixada clara para os painelistas,
não apenas para auxiliar o raciocínio, mas também para que o painelista não
sinta que o organizador da pesquisa tentou pegá-lo numa armadilha, caindo
numa inconsistência.
 Permitir complementações dos painelistas: as questões, particularmente
da 1ª. rodada da pesquisa, devem permitir que o painelista acrescente algum
comentário que considere relevante, enriquecendo a pesquisa.
Estes cuidados podem fazer com que os painelistas percam,

desnecessariamente, um tempo grande para transmitir as informações desejadas,
deixem de responder alguma questão por não entendê-la claramente ou ainda, o
que pode ser altamente prejudicial, apresentem uma resposta com a qual eles
mesmos não concordariam, por não terem entendido corretamente a questão.
21
O Método Delphi permite tratamentos estatísticos dando à equipe de pesquisa
condições de análise de resultados. Assim, um questionário bem formulado permitirá
a obtenção de média, medianas, extremos, quartis inferior e superior, garantindo
qualidade nos resultados. Depois de agregados e tratados, os resultados são
novamente remetidos aos especialistas para que estes reavaliem as respostas
iniciais no novo contexto apresentado.
Após cada etapa, os questionários deverão ser avaliados pelo responsável da
pesquisa, dando ideia do consenso obtido. Conforme o grau de consenso
encontrado, parte-se para outra rodada, deixando de lado as perguntas que tenham
atingido o nível de consenso desejado, enquanto as demais são reformuladas e
novamente submetidas à apreciação dos especialistas. Se for necessário, novas
questões sobre o assunto poderão ser incluídas.
Em cada nova rodada elaborada, é preponderante que os participantes
tenham o retorno dos resultados da rodada, colocando-o a par de cada detalhe e,
assim, afunilar as respostas na busca do consenso. Teoricamente, o processo
Delphi pode ter interações contínuas até que se consiga o consenso entre os
participantes, entretanto acredita-se que, na maioria dos casos, de três a quatro
interações são suficientes para que se obtenham as informações necessárias para
se encontrar um consenso (CYPHERT e GANT, 1971; BROOKS, 1979; LUDWIG,
1994 e 1997; CUSTER, SCARCELLA, e STEWART, 1999).
Por fim, é importante fechar conclusivamente todas as respostas, com a
emissão de relatórios, enviando-os aos participantes. Este procedimento permite a
interação e o anonimato dos especialistas.
3.3 Exemplo – Aplicação do Painel Delphi
Ao iniciar uma pesquisa usando Painel Delphi, a equipe coordenadora deve

procurar informações sobre o tema, recorrendo à literatura especializada e a
entrevistas com técnicos do setor. Quando se trata de um problema de grande
abrangência e complexidade, deve-se recorrer às técnicas de auxílio à estruturação
do problema (como por exemplo, a análise morfológica, a análise de sistemas ou
outras).
22
Entretanto nesse caso, será feita uma aplicação simples, considerando que
os alunos do curso são os especialistas no assunto.
PAINEL DELPHI – TEMA: BIOCOMBUSTÍVEIS
Informações Gerais
De acordo com a Agência Nacional do Petróleo (ANP) os biocombustíveis são

derivados de biomassa renovável que podem substituir, parcial ou totalmente,
combustíveis derivados de petróleo e gás natural em motores à combustão ou em
outro tipo de geração de energia.
Ainda de acordo com a ANP, os dois principais biocombustíveis líquidos
usados no Brasil são o etanol (álcool combustível) e, em escala crescente, o
biodiesel (produzido a partir de óleos vegetais ou de gorduras animais e adicionado
ao diesel de petróleo em proporções variáveis).
Para a ANP, aproximadamente 45% da energia e 19% dos combustíveis
consumidos no Brasil já são renováveis, enquanto que no resto do mundo, somente
14% da energia vêm de fontes renováveis.
Questões – Rodada 1
1. Diga se você concorda que os combustíveis renováveis (biocombustíveis)
poderão, em um futuro próximo, substituir quase totalmente os combustíveis
derivados de petróleo. Caso CONCORDE, explique as possíveis ações para que a
substituição se concretize. Caso DISCORDE, explique suas as razões.
( ) CONCORDO ( ) DISCORDO
Explicação: __________________________________________________________
___________________________________________________________________
___________________________________________________________________
___________________________________________________________________
23
2. Considerando sua experiência, diga qual o percentual de energia e de
combustíveis renováveis serão consumidos no Brasil para cada um dos anos
destacados.
Ano 2020 2030 2040

Energia – (Prob. %)
Combustível – (Prob. %)
3. Diga se você concorda que é possível que surjam os combustíveis renováveis a

partir de fontes distintas da biomassa. Caso CONCORDE, determine a probabilidade
de ocorrência até o ano de 2020. Caso DISCORDE, explique suas as razões.
( ) CONCORDO. Probabilidade de ocorrência até 2020: _______ %
( ) DISCORDO. Explicação: __________________________________________
___________________________________________________________________
Questões – Rodada 2 e demais

As questões das rodadas seguintes, dependerão das respostas da Rodada 1.
Tabulação dos dados

O tratamento a ser dispensado a cada questão depende, fundamentalmente,
do tipo de questão considerado. De uma forma geral, as questões que perguntaram
por valores (data de ocorrência de um evento, porcentagem de uma utilização de
uma técnica, relevância de uma atitude, etc.) podem apresentar média, mediana,
extremos e quartis inferior e superior (ordenando-se os valores do menor para o
maior, o quartil inferior é o valor apresentado pela resposta que estiver a meio
caminho entre o mínimo e a mediana, e o superior entre a mediana e o máximo).
Nas análises, a mediana deve ser utilizada, ao invés da média, quando os
painelistas têm grande liberdade de opções (por exemplo, ao ser questionado sobre
o ano em que a fissão nuclear será viável economicamente, o painelista poderá
apresentar desde o ano atual até qualquer ano à frente, como 3000 d.C.). Para
evitar distorções caso se utilizasse a média, opta-se pelo valor central das respostas
(a mediana). A apresentação dos quartis permite uma avaliação do grau de
24
convergência das respostas, auxiliando painelistas e organizadores na análise das
mesmas. Após a última rodada, a mediana (ou a média) representará a resposta
final do grupo de painelistas.
As questões que solicitaram por “votações” podem apresentar as quantidades
e os percentuais de painelistas que optaram por cada alternativa, ou seja, a
distribuição de frequência das respostas.
Finalmente, as questões que pedem por justificativas ou comentários
adicionais exigem uma consolidação das respostas de todos os painelistas,
apresentando-se assim, as justificativas para cada opinião dada e o número de
painelistas que a utilizaram (pode ser conveniente separar as opiniões em dois ou
três grupos, definidos a partir da média ou da mediana).
3.4 Considerações gerais
A utilização do método é mais indicada quando não há dados históricos sobre

o problema a ser pesquisado, ou mais especificamente, quando faltam dados
quantitativos referentes ao objeto de estudo, ou quando há a necessidade de
abordagem interdisciplinar e perspectivas de mudanças estruturais em um dado
setor, por exemplo (WRIGHT e GIOVINAZZO, 2000; OLIVEIRA, 2008).
Uma das vantagens do método é que a concepção, a implementação e a
análise de um projeto Delphi não requer habilidades matemáticas ou estatísticas
avançadas, apesar de não impedir o seu uso. Outro fator considerado vantajoso é a
heterogeneidade dos especialistas, principalmente quando o processo de escolha
dos participantes ocorre adequadamente, evitando, consequentemente, a
dominância de uma ou duas pessoas sobre o grupo.
De modo geral, pode-se afirmar que a popularidade do Delphi tem crescido,
da mesma forma que as críticas, principalmente quanto à sua adequada aplicação.
Além disso, o método apresenta-se bem adaptado à lógica do mundo moderno, pois
é interativo ao invés de hierárquico, devido à condição de anonimato dos
participantes (WRIGHT e GIOVINAZZO, 2000).
25
4 MÉTODOS QUANTITATIVOS
4.1 Cenários
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
4.2 Regressão Linear Simples
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
4.3 Regressão Linear Múltipla
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
EXERCÍCIO 01
106
107
4.4 Regressão Polinomial
108
109
110
111
112
113
114
115
116
117
118
4.5 Análise Discriminante
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
5 MÉTODO QUANTITATIVO – SÉRIES TEMPORAIS
5.1 Introdução
Uma Série Temporal é um conjunto de observações de uma variável

quantitativa coletada ao longo de um período de tempo.
A maioria das empresas controlam várias séries temporais, armazenados,
como exemplo, por números diários, semanais, mensais, trimestrais ou anuais, de
dados como: vendas, custos, lucros, estoque, pedidos em carteira, contas de
clientes e assim por diante. A Tabela 1 apresenta um exemplo de uma série
temporal.
Ano Dólares da Dólares de Ano Dólares da Dólares de

época (US$) 2011 (US$) época (US$) 2011 (US$)
1970 1,80 10,64 1991 20,00 33,72
1971 2,24 12,68 1992 19,32 31,62
1972 2,48 13,61 1993 16,97 26,97
1973 3,29 17,00 1994 15,82 24,50
1974 11,58 53,94 1995 17,02 25,64
1975 11,53 49,21 1996 20,67 30,24
1976 12,80 51,63 1997 19,09 27,31
1977 13,92 52,70 1998 12,72 17,91
1978 14,02 49,37 1999 17,97 24,76
1979 31,61 99,97 2000 28,50 37,99
1980 36,83 102,62 2001 24,44 31,69
1981 35,93 90,75 2002 25,02 31,94
1982 32,97 78,44 2003 28,83 35,97
1983 29,55 68,12 2004 38,27 46,51
1984 28,78 63,60 2005 54,52 64,09
1985 27,56 58,81 2006 65,14 74,19
1986 14,43 30,23 2007 72,39 80,16
1987 18,44 37,26 2008 97,26 103,71
1988 14,92 28,96 2009 61,67 66,00
1989 18,23 33,75 2010 79,50 83,70
1990 23,73 41,68 2011 111,26 113,56
Tabela 1 Preço internacional médio do petróleo, cotado em dólar (US$).
Fonte: Instituto Brasileiro de Petróleo, Gás e Biocombustíveis (IBP – Disponível em:
<http://200.189.102.61/SIEE>).
150
O preço internacional médio do petróleo, apresentado na Tabela 1, representa
uma série de valores para uma variável quantitativa no decorrer do tempo (ou uma
série temporal).
Muitas vezes, as empresas estão interessadas em prever valores futuros de
uma variável de série temporal. Os valores previstos poderiam ser usados, por
exemplo, por uma empresa do setor de petróleo que desejasse aumentar o seu
faturamento, simplesmente “formando estoque quando o preço do petróleo estiver
abaixo do desejado e vendendo o estoque quando o preço estiver acima do mínimo
estipulado”, usando para isso, as previsões realizadas. Entretanto, muitas das vezes,
mesmo realizando previsões, as empresas não podem tomar decisões como essas,
pois o ambiente em que elas estão inseridas exige muito mais dos gestores.
Como se pode perceber, a previsão de série temporal é baseada, em grande

parte, na máxima que o passado sempre se repetirá. Motivo pelo qual os modelos
que analisam o passado de uma variável de série temporal para prever o futuro são,
às vezes, são chamados de modelos de extrapolação, podendo ser representados
pela equação 3.
Yˆt 1  f (Yt , Yt 1 , Yt  2 , Yt  n ) (3)
Em que:
Yˆt 1 = valor previsto para a variável de série temporal no período t+1;
Yt = valor real da variável de série temporal no período t;
Yt 1 = valor real da variável de série temporal no período t-1; e assim por diante.
Assim, o objetivo de um modelo de extrapolação é identificar uma função para

a equação 3, que resulte em previsões exatas de valores futuros da variável série
temporal.
Antes modelar as séries, é importante que conhecer os passos a serem
seguidos em uma análise de variáveis de série temporal. A Figura 3 apresenta quais
são esses passos.
151
Passo 3
Passo
Passo 11 Passo
Passo 22
Início
Início Testar modelos de séries
Obter
Obter dados
dados Inspecionar
Inspecionar dados
dados temporais
Não
Passo
Passo 44
Passo
Passo 66 Passo 5
Fim
Fim Sim Avaliar
Avaliar os
os modelos
modelos
Realizar
Realizar previsão
previsão O modelo é válido?
testados
testados
Figura 3 Passos a serem seguidos na análise variáveis de séries temporais

Fonte: Organizado pelos autores.
Como se pode observar na Figura 3, o primeiro passo modelagem de

variáveis de séries temporais é a obtenção de dados ao longo de um período de
tempo (que pode ser diário, semanal, mensal, trimestral ou anual).
Após obter os dados, o passo seguinte é inspecionar, durante algum tempo,

os dados. Essa inspeção é importante para avaliar o comportamento dos valores da
série. Recomenda-se gerar estatísticas descritivas sobre os dados e plotar gráficos
de dispersão, por exemplo. Deve-se verificar se os valores distribuídos ao longo do
tempo apresentam alguma forte tendência, que pode ser tanto de alta quanto de
queda.
O passo seguinte é usar os modelos de séries temporais para analisar os

dados e gerar previsões a partir dos dados modelados. Vale ressaltar que, de
antemão, é muito difícil saber qual modelo será o mais eficiente para realizar
previsões com um determinado conjunto de dados. Por isso, o passo seguinte é
avaliar os modelos.
Os modelos que melhor explicam o comportamento passado de uma variável

de série temporal podem ser avaliados de duas formas:
1) construção de gráficos em linha que mostrem os dados reais versus os
dados previstos pelos diversos modelos; e
2) por meio de medidas de precisão, aplicadas a cada um dos modelos.
152
Considerando as medidas de precisão, há quatro medidas mais comuns, que
são apresentadas nas equações de 4 a 7.
1
Desvio Médio Absoluto
(DAM)
DAM  
n i
Yi  Yî (4)
100 Yi  Yî
Erro Percentual Absoluto Médio
(EPAM)
EPAM 
n i
 Y (5)
i
Erro Quadrado Médio

(EQM)
EQM 
1

n i

Yi  Yî 
2
(6)
Erro Quadrado Médio de Raiz

(EQMR) EQMR  EQM (7)
Em que:
Yî = valor previsto ou esperado para a observação i na série temporal;
Yi = valor real da variável na i-ésima observação de série temporal.
Por fim, deverá ser escolhido o modelo que apresente as menores dispersões
entre os dados reais e os dados previstos, ou seja, aquele que for mais preciso,
considerando, principalmente, os que apresentarem as menores medidas de erro.
Na sequência, uma série temporal será modelada, seguindo os passos

apresentados na Figura 3. Para facilitar a aprendizagem e a aplicação dos modelos
de séries temporais, um exemplo de uma empresa padrão que atua na
comercialização de barris de petróleo é apresentado.
153
Exemplo de uma Empresa Padrão
A Petro Ouro Negro (PON) é uma empresa que comercializa barris de

petróleo. Mensalmente, a empresa compra a produção de pequenos produtores de
petróleo de diferentes regiões produtoras e a revende para grandes refinarias.
Atualmente, o gestor da PON está tentando calcular quantos barris de petróleo ela
deverá vender no mês seguinte. Para ajudar nessa previsão, ele coletou os dados
da quantidade de barris vendidos em cada um dos últimos 24 meses, que são
apresentados na Tabela 2.
Barris Barris
Vendidos Vendidos
Mês (1000 und) Mês (1000 und)
1 33 13 37
2 38 14 39
3 31 15 32
4 35 16 38
5 30 17 37
6 36 18 39
7 34 19 37
8 39 20 35
9 39 21 37
10 36 22 34
11 40 23 35
12 38 24 36
Tabela 2 Vendas em barris de petróleo da empresa PON nos últimos 24 meses (vide
arquivo: 2014_PREV – PON.xlsx).
5.2 Passo 1: Obtenção de dados
Como apresentado (Figura 3), o primeiro passo resume-se na obtenção de

dados da variável de série temporal.
Nesse caso, os dados coletados pelo gestor da empresa já foram
apresentados. São registros das vendas de barris de petróleo dos últimos 24 meses.
154
Não há um consenso em relação à quantidade de observações para se
realizar previsões. Argumenta-se que quanto maior for o número de observações
maiores serão as possibilidades de modelagem. Por outro lado, o resultado de
previsões realizadas com menos de 15 observações pode ficar comprometido.
5.3 Passo 2: Inspeção dos dados
Como comentado, a inspeção dos dados é importante para avaliar o

comportamento dos valores da série. Nesse passo, será utilizada uma Planilha
Eletrônica para auxiliar na inspeção dos dados.
Primeiramente, os dados serão agrupados em uma única coluna, que será
usada para gerar um gráfico de dispersão, como apresentado na Figura 4.
Barris
Vendas dos últimos 24 meses da empresa PON
Mês Vendidos
(1000 und) 42
1 33
2 38
3 31 40
4 35
5 30
6 36 38
Barris Vendidos (1000und)
7 34
8 39
9 39
36
10 36
11 40
12 38
13 37 34
14 39
15 32
16 38 32
17 37
18 39
19 37 30
20 35
21 37
22 34
28
23 35
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
24 36
Figura 4 Organização dos dados da venda de barris de petróleo e gráfico de dispersão

155
Recursos usados da Planilha Eletrônica (Excel)
Para gerar o gráfico de dispersão dos dados foi utilizado a função

INSERIR  GRÁFICOS.
O gráfico apresentado na Figura 4 é do modelo Linha, especificamente,

o de LINHAS.
Obs.: Nessa análise também poderia ser usado o gráfico de

Dispersão, especificamente, o de DISPERSÃO SOMENTE COM
MARCADORES.
Considerando o apresentado na Figura 4, pode-se perceber que os dados

não apresentam nenhuma forte tendência, quer seja ela de alta ou de queda. Para
confirmar essa percepção, é recomendável gerar algumas estatísticas dos dados.
O primeiro conjunto estatístico gerado a partir dos dados é o descritivo, como
pode ser visto na Tabela 3.
Barris Vendidos (1000 und)
Média 36,042
Erro padrão 0,5467
Mediana 36,5
Modo 39
Desvio padrão 2,6781
Variância da amostra 7,1721
Curtose -0,176
Assimetria -0,671
Intervalo 10
Mínimo 30
Máximo 40
Soma 865
Contagem 24
Maior(1) 40
Menor(1) 30
Nível de confiança(95,0%) 1,1309
Tabela 3 Estatística descritiva das vendas de barris de petróleo.

Fonte: Resultado da análise.
156
Para gerar as estatísticas descritivas dos dados, foi utilizada a função

DADOS  ANÁLISE DE DADOS  ESTATÍSTICA DESCRITIVA.
Os dados apresentados na Tabela 3 confirmam a percepção obtida com a

análise da Figura 4. Observa-se que a quantidade de barris comercializados, nos
últimos 24 meses, estava em algum ponto entre 30 (mínimo) e 40 mil unidades
(máximo), apresentando uma amplitude máxima de 10 mil unidades (intervalo).
Isso demonstra a pequena variabilidade das vendas, afirmação que pode ser
apoiada pelas medidas de variância (7,17) e de desvio padrão (2,68). Além disso,
no período em análise, a venda de 37 e 39 mil barris foram as mais comuns,
aparecendo na série por 4 vezes cada (moda).
Por fim, traçou-se uma linha de tendência para os dados, que é apresentada
na Figura 5.
Figura 5 Linha de tendência para a venda de barris de petróleo.

157
Apesar da linha de tendência apontar para uma discreta alta, o resultado
encontrado reforça as observações anteriores, de que não há um padrão de
tendência. Além disso, de modo geral, não se pode afirmar que não há nenhum
padrão de continuidade ou regularidade mês a mês. O que sugere que a série
apresentada tem comportamento estacionário.
Para realizar previsões de séries estacionárias, alguns modelos podem ser

usados. Os subitens a seguir apresentam os principais modelos para realizar
previsões com séries estacionárias.
5.4 Passo 3: Testar os modelos (estacionários)
Modelos estacionários são aqueles que assumem que o processo está em

"equilíbrio". Ou seja, a estacionariedade de uma série implica que: a) não há
inclinação nos dados e eles permanecem ao redor de uma linha horizontal ao longo
do tempo; e ou b) a variação dos dados permanece constante sobre o tempo, isto é,
as flutuações aumentam ou diminuem com o passar do tempo, indicando que a
variância não está se alterando (ou altera muito pouco).
5.4.1 Médias Móveis (simples)

A modelagem por média móvel provavelmente é a forma de extrapolação
mais fácil de usar e de entender dados estacionários. Com esse modelo, o valor
previsto da série temporal no período t+1 (denotado por Yˆt 1 ) é simplesmente a
média das observações prévias k na série, ou seja:
Y  Yt 1  Yt  k 1
Yˆt 1  t (8)
k
Em que:
158
Yt = valor real da variável de série temporal no período t;
Yt 1 = valor real da variável de série temporal no período t-1; e.
k = determina quantas observações prévias serão incluídas na média móvel.
Via de regra, não há um método que determinar qual valor de k será melhor
para determinada série temporal. Deve-se, portanto, testar vários valores para k e
mensurar qual gera os melhores resultados.
No caso em análise (venda de barris de petróleo da empresa PON), dois
modelos de média móvel serão considerados, um em que o k=2 e outro em que k=4.
Média Móvel com k=2

Ao adotar k=2, pode-se afirmar que os dados das vendas da empresa PON
serão projetados no mesmo período em que as vendas ocorreram, entretanto com
dois meses de defasagem. A Figura 6 apresenta a projeção do modelo de média
móvel com k=2.
Para gerar os resultados apresentados na Figura 6, as fórmulas foram

“escritas” em cada uma das células, chegando aos resultados da
figura. Para saber como as fórmulas foram escritas, acesse o arquivo:
2014_PREV – PON.xlsx, planilha: 3. Test2-MedMovel2m.
Além disso, no referido arquivo você também encontrará um espelho

dos dados apresentados na Figura 6, entretanto nesse espelho foram
usados fórmulas que se encontram disponíveis na Planilha Eletrônica.
Na Figura 6, é apresentado o valor real das vendas de barris de petróleo

(Barris vendidos – 1000 und) e a projeção realizada pelo modelo de média móvel
(Média Móvel – 2 meses). Além desses dados, também se apresenta os valores das
equações usados para calcular as medidas de precisão.
159
Projeção
Barris Média
Mês Vendidos Móvel
(1000 und) (2 meses) Yi  Yî
1
2
33
38
--
--
Yi  Yî Yi Y  Yˆ 
i i
2
3 31 35,50 4,50 0,15 20,25

4 35 34,50 0,50 0,01 0,25
5 30 33,00 3,00 0,10 9,00
6 36 32,50 3,50 0,10 12,25
7 34 33,00 1,00 0,03 1,00
8 39 35,00 4,00 0,10 16,00
9 39 36,50 2,50 0,06 6,25
10 36 39,00 3,00 0,08 9,00
11 40 37,50 2,50 0,06 6,25
12 38 38,00 0,00 0,00 0,00
13 37 39,00 2,00 0,05 4,00
14 39 37,50 1,50 0,04 2,25
15 32 38,00 6,00 0,19 36,00
16 38 35,50 2,50 0,07 6,25
17 37 35,00 2,00 0,05 4,00
18 39 37,50 1,50 0,04 2,25
19 37 38,00 1,00 0,03 1,00
20 35 38,00 3,00 0,09 9,00
21 37 36,00 1,00 0,03 1,00
22 34 36,00 2,00 0,06 4,00
23 35 35,50 0,50 0,01 0,25
24 36 34,50 1,50 0,04 2,25
MEDIDAS DE PRECISÃO
1. DAM 2,227
2. EPAM (%) 6,325
3. EQM 6,600
4. EQMR 2,569
Figura 6 Projeção das vendas da empresa PON, considerando o modelo de média móvel
com k=2.
Analisando os valores da projeção, pode-se perceber que esses tendem a ser

menos voláteis ou mais suaves do que os valores reais das vendas. Esse resultado
está de acordo com o modelo usado, ou seja, a modelagem por média móvel tende
a aplainar os picos e valores que ocorrem nos dados originais. Motivo pelo qual, às
vezes, a modelagem por média móvel é chamada de método de ajuste. Nessa
perspectiva, quanto mais pontos de passados forem nivelados juntos (ou seja, maior
o valor de k), mais suave será a previsão da média móvel.
Aparentemente, a modelagem com k=2 mostra-se preciso, com erros
relativamente baixos, sendo EQM = 6,6 e EQMR = 2,569. Em outras palavras, pode-
160
se afirmar que o modelo é válido. Entretanto, não é possível afirmar que esse
modelo é o melhor. Para fazer essa afirmação, é necessário realizar uma nova
modelagem com outro valor para k, o que é apresentado na Figura 7.
Média Móvel com k=4
Projeção
Barris Média
(1000 und) (4 meses)
1 33 --
2 38 --
3 31 --
4 35 --
5 30 34,25
6 36 33,50
7 34 33,00
8 39 33,75
9 39 34,75
10 36 37,00
11 40 37,00
12 38 38,50
13 37 38,25
14 39 37,75
15 32 38,50
16 38 36,50
17 37 36,50
18 39 36,50
19 37 36,50
20 35 37,75
21 37 37,00
22 34 37,00
23 35 35,75
24 36 35,25
1. EQM 7,663
2. EQMR 2,768
com k=4.
Assim como na Figura 6, a Figura 7 apresenta o valor real das vendas de
barris de petróleo (Barris vendidos – 1000 und) e a projeção realizada pelo modelo
de média móvel (Média Móvel – 4 meses). Ao contrário da figura anterior, nessa
figura valores das equações usados para calcular as medidas de precisão foram
omitidos por terem sido usadas as fórmulas que se encontram disponíveis na
Planilha Eletrônica.
161
Para gerar os resultados apresentados na Figura 7, usou-se as

fórmulas que se encontram disponíveis na Planilha Eletrônica. Dentre
as fórmulas disponíveis as seguintes foram usadas:
1. Para calcular a Média Móvel (4 meses)

=MÉDIA(N4:N7)  considera a média de venda dos 4 últimos meses
2. Para calcular EQM

=SOMAXMY2($N$8:$N$27;O8:O27)/CONT.NÚM(N8:N27)  calcula a
soma das diferenças quadradas entre os valores correspondentes em
duas fileiras diferentes (SOMAXMY2(x;y)) e divide pelo número de
valores em uma coluna (CONT.NÚM(x)).
3. Para calcular EQMR

=RAIZ(O35)  calcula a raiz quadrada no número (RAIZ(x))
Para saber como as fórmulas foram usadas, acesse o arquivo:

2014_PREV – PON.xlsx, planilha: 3. Test1-MedMovel4m. Além disso,
no referido arquivo você também encontrará um espelho dos dados
apresentados na Figura 7, entretanto nesse espelho as fórmulas foram
figura.
Analisando e comparando os resultados da Figura 6 e da Figura 7 pode-se

afirmar que:
 As projeções usando média móvel com k=2 iniciam no mês 3, enquanto que
as usando k=4 se iniciam no mês 5. Isso ocorre em função da defasagem no
cálculo das médias, sendo que a primeira é de 2 meses e a segunda de 4
meses.
162
 Para promover uma comparação justa entre as duas modelagens as medidas
de precisão (DAM, EPAM, EQM e EQMR) foram calculadas a partir do mês 5,
para os dois casos.
 Comparando o valor da medida de precisão EQM (que descreve o ajuste
geral da técnica de previsão aos dados históricos) para os dois modelos de
média móvel, pode-se concluir que a média móvel em que k=2 tende a
produzir previsões mais exatas (EQM= 6,6) do que a que usa k=4 (EQM=
7,66).
 Nas duas modelagens o EQM inclui e pesa dados relativamente antigos com
a mesma importância que os dados mais recentes.
Considerando as análises e comparações entre as duas modelagens, tudo

indica que a que usa k=2 é melhor do que a usa k=4. Entretanto, antes fazer essa
afirmação é necessário fazer outra ponderação. Nas duas modelagens o EQM inclui
e pesa dados relativamente antigos com a mesma importância que os dados mais
recentes. Assim, a seleção de uma previsão baseada no EQM total dos dois
modelos pode não ser aconselhável, porque uma função de previsão poderia ter
alcançado um EQM total maior pela adaptação muito bem feita aos pontos de dados
mais antigos, enquanto que é relativamente imprecisa em dados mais recentes.
Como o objetivo é prever observações futuras, pode-se estar interessado no
modo como o modelo agiu nos dados mais recentes. Para fazer essa comparação,
pode-se calcular outros valores para EQM, usando apenas dados mais recentes,
como apresentado na Figura 8.
Ao calcular as medidas de precisão usando apenas os últimos 12 períodos
(meses de 13 a 24), por exemplo, o modelo de média móvel a que usa k=4 (EQM=
6,005) é melhor do que o usa k=2 (EQM= 6,021). Por esse motivo, seria possível
argumentar o modelo de média móvel com k=4 deve ser usado para prever o futuro
porque ele produziu as previsões mais exatas dos reais valores observados durante
os últimos 12 meses. Entretanto, vale ressaltar que não há garantia de que a técnica
de previsão que tem sido mais exata recentemente continuará a ser a mais exata no
futuro.
163
Figura 8 Comparação das medidas de precisão dos modelos de média móvel, adotando
como referência os meses de 13 a 24.
Nesse caso, não há um padrão para decidir qual o horizonte de tempo deve
ser usado para considerar as medidas de precisão. Motivo pelo qual recomenda-se
que especialistas no assunto sempre auxiliem nas definições dos modelos de
previsão.
Previsão com o Modelo de Média Móvel

Após testar os modelos é possível afirmar que ambos são válidos e, por isso,
eles podem ser usados para fazer previsões para observações futuras.
Nesse passo, ambas os modelos poderiam ser adotados. Entretanto, será
considerado que o modelo de média móvel com k=2 satisfaz com exatidão o
gestor da PON.
Dessa forma, a previsão para o número de barris de petróleo a serem
vendidos no mês seguinte (período de tempo 25) pode ser calculado conforme a
equação 9.
Y  Y23 36  35
Yˆ25  24   35,5 (9)
2 2
164
Em que:
Yˆ25 = valor previsto de venda no período 25;
Y24 = valor real de venda no período 24;
Y23 = valor real de venda no período 23.
Para prever mais de um período no futuro usando a técnica de média móvel,

deve-se substituir os valores previstos pelos reais valores não observados. Por
exemplo, suponha que no fim do mês 24 o gestor da PON queira prever o número
de barris a serem vendidos nos períodos de tempo 26 e 27. Usando a média móvel
para os dois períodos, a equação 10 e 11 apresentam as respectivas previsões.
ˆ Yˆ25  Y24 35,5  36

Y26    35,75 (10)
2 2
ˆ Yˆ26  Yˆ25 35,75  35,5

Y27    35,63 (11)
2 2
Em que:
Y24 = valor real de venda no período 24;
A Figura 9 apresenta as previsões feitas no período de tempo 24 para os

períodos 25, 26, 27 e 28, paras os modelos de média móvel com k=2 e k=4.
165
Figura 9 Previsão dos modelos de média móvel, adotando k=2 e k=4, para os meses de 25
a 28.
Considerações gerais
Percebe-se que a modelagem por média móvel é simples e fácil de ser aplica,
o que é uma grande vantagem no dia a dia das empresas. Entretanto, uma
desvantagem desse modelo é que todos os dados passados usados no cálculo da
média são igualmente ponderados. Com isso, às vezes, é possível obter uma
previsão mais precisa atribuindo diferentes pesos aos dados.
5.4.2 Médias Móveis Ponderadas

A modelagem por média móvel ponderada é uma variação simples da
técnica de média móvel, que permite a atribuição de pesos aos dados ponderados.
Nesse modelo, a função de previsão pode ser representada pela equação 12.
Yˆt 1  w1Yt  w2Yt 1  w3Yt  2  ...  wk Yt  k 1 (12)
Em que:
0  wi  1 = peso a ser multiplicado pelo valor real da variável de série temporal no

período t, que pode variar de 0 a 1;
k = determina quantas observações prévias serão incluídas na média móvel.
166
Analisando a equação 12, pode-se afirmar que a modelagem por média móvel
ponderada é mais flexível do que a modelagem por média móvel. Mas por outro
lado, também é possível afirmar que a modelagem ponderada é mais complicada.
Pois, além de ter que determinar um valor para k, também é necessário determinar
valores para os pesos de wi, (equação 12).
A modelagem da média móvel ponderada em planilhas eletrônicas pode ser
auxiliada por outros softwares como, por exemplo, o Solver1. Assim, para um
determinado valor de k, é possível usar o Solver para determinar os valores para wi
que minimize os valores das medidas de precisão.
Para testar a modelagem da média móvel ponderada, será usado o exemplo
da empresa padrão PON. Os dados e a implementação estão disponíveis no
arquivo: 2014_PREV – PON.xlsx, planilha: 3. Test3-MMPondera2m.
Média Móvel Ponderada (k=2)

Para demonstrar a aplicação da média móvel ponderada, adotou-se k=2.
Adotando esse valor para k, torna-se necessário definir também os valores de w1 e
de w2. A implementação da modelagem por média móvel ponderada em planilha
eletrônica é apresentada na Figura 10.
Como consta na Figura 10, com w1=w2=0,50 as previsões de média
ponderada são idênticas às da modelagem de média móvel simples (Figura 6).
Sendo que o mesmo ocorre com todas as medidas de precisão.
Para melhorar os resultados do modelo de média móvel ponderada, pode-se
utilizar o Solver para identificar os valores para os pesos de w1 e w2, minimizando as
medidas de erro. A Figura 11 apresenta parâmetros usados no Solver para
identificar os pesos de w1 e w2. Já a Figura 12 apresenta a solução para a
identificação dos pesos usando o Solver.
1 O Solver faz parte de um conjunto de programas algumas vezes chamado de ferramentas de

análise hipotética. Com o Solver você pode localizar um valor ideal para uma fórmula em uma célula
— chamada de célula de destino — em uma planilha. O Solver trabalha com um grupo de células
relacionadas direta ou indiretamente com a fórmula na célula de destino. O Solver ajusta os valores
nas células variáveis que você especificar — chamadas de células ajustáveis — para produzir o
resultado especificado por você na fórmula da célula de destino. Você pode aplicar restrições para
restringir os valores que o Solver poderá usar no modelo e as restrições podem se referir a outras
células que afetem a fórmula da célula de destino.
Disponível em: <http://office.microsoft.com/pt-br/excel-help/sobre-o-solver-HP005198368.aspx>
167
Projeção
Barris Média
1
2
33
38
--
--
i i
2
3 31 35,50 4,50 0,15 20,25

4 35 34,50 0,50 0,01 0,25
5 30 33,00 3,00 0,10 9,00
6 36 32,50 3,50 0,10 12,25
7 34 33,00 1,00 0,03 1,00
8 39 35,00 4,00 0,10 16,00
9 39 36,50 2,50 0,06 6,25
10 36 39,00 3,00 0,08 9,00
11 40 37,50 2,50 0,06 6,25
12 38 38,00 0,00 0,00 0,00
13 37 39,00 2,00 0,05 4,00
14 39 37,50 1,50 0,04 2,25
15 32 38,00 6,00 0,19 36,00
16 38 35,50 2,50 0,07 6,25
17 37 35,00 2,00 0,05 4,00
18 39 37,50 1,50 0,04 2,25
19 37 38,00 1,00 0,03 1,00
20 35 38,00 3,00 0,09 9,00
21 37 36,00 1,00 0,03 1,00
22 34 36,00 2,00 0,06 4,00
23 35 35,50 0,50 0,01 0,25
24 36 34,50 1,50 0,04 2,25
MEDIDAS DE PRECISÃO VALORES PARA w i
1. DAM 2,227 w1 0,50

2. EPAM (%) 6,325 w2 0,50
3. EQM 6,600
4. EQMR 2,569
ponderada com k=2 e w1=w2=0,50.
Como se pode notar pela Figura 11, a definição dos pesos de w1 e w2, apesar
de aparentemente simples, é considerada como um problema de otimização não
linear, porque a medida EQM representa uma função objetivo não linear (ver Figura
11, destacada por um retângulo).
168

figura. Sendo:
1. Para calcular a Média Móvel Ponderada (2 meses)

=(C4*$H$35)+(C5*$H$36)  em que: C4 = vendas do mês 1; $H$35 =
valor de w1; C5 = vendas do mês 2; $H$36 = valor de w2. Essa
fórmula foi replicada para as demais células
As demais fórmulas são idênticas às usadas no cálculo da média

móvel (simples). Para saber como as fórmulas foram usadas, acesse o
arquivo: 2014_PREV – PON.xlsx, planilha: 3. Test3-MMPondera2m.
SOLVER
Para acessar os parâmetros do Solver (Figura 11), foi utilizada a
função DADOS  SOLVER. Na sequência, basta definir os
parâmetros.
Os resultados apresentados na Figura 12 são automaticamente

gerados ao clicar no botão RESOLVER na tela de Parâmetros do
Solver (Figura 11).
Analisando os resultados apresentados na Figura 12, pode-se afirmar que os

pesos ótimos identificados pelo Solver foram: w1=0,667 e w2=0,333. Considerando
esses pesos, a medida de erro EQM tem seu valor reduzido de 6,60 (média móvel
simples) para 6,25 (média móvel ponderada). O que mostra que este modelo pode
gerar resultados melhores do que o anterior.
Após testar o modelo é possível afirmar que é válido e, por isso, ele pode ser
usado para fazer previsões para observações futuras.
169
Figura 11 Parâmetros usados no Solver para identificar os pesos de w1 e w2.
Previsão com o Modelo de Média Móvel Ponderada

Também é possível usar a o modelo de média móvel ponderada para prever
mais de um período de tempo no futuro. Entretanto, assim como na modelagem por
média móvel (simples), os valores reais não observados ainda devem ser
substituídos pelos valores previstos, onde for necessário.
Dessa forma, suponha que no fim do período 24 fosse necessário prever, por
exemplo, as vendas para o mês 25. A previsão para a média móvel ponderada para
o tempo 25 é representada pela equação 13.
Yˆ25  w1Y23  w2Y24  0,667 * 35  0,33 * 36  35,33 (13)
170
Em que:
w1 = peso a ser multiplicado pelo valor real da variável de série temporal no

período t-1;
w2 = peso a ser multiplicado pelo valor real da variável de série temporal no
período t-2.
Projeção
MM
Barris Ponderad
Mês Vendidos a
1
2
33
38
--
--
i i
2
3 31 34,67 3,67 0,12 13,44

4 35 35,67 0,67 0,02 0,44
5 30 32,33 2,33 0,08 5,44
6 36 33,33 2,67 0,07 7,11
7 34 32,00 2,00 0,06 4,00
8 39 35,33 3,67 0,09 13,44
9 39 35,67 3,33 0,09 11,11
10 36 39,00 3,00 0,08 9,00
11 40 38,00 2,00 0,05 4,00
12 38 37,33 0,67 0,02 0,44
13 37 39,33 2,33 0,06 5,44
14 39 37,67 1,33 0,03 1,78
15 32 37,67 5,67 0,18 32,11
16 38 36,67 1,33 0,04 1,78
17 37 34,00 3,00 0,08 9,00
18 39 37,67 1,33 0,03 1,78
19 37 37,67 0,67 0,02 0,44
20 35 38,33 3,33 0,10 11,11
21 37 36,33 0,67 0,02 0,44
22 34 35,67 1,67 0,05 2,78
23 35 36,00 1,00 0,03 1,00
24 36 34,33 1,67 0,05 2,78
MEDIDAS DE PRECISÃO VALORES PARA w i
1. DAM 2,182 w1 0,667

2. EPAM (%) 6,174 w2 0,333
3. EQM 6,250 Soma 1,00
4. EQMR 2,500
ponderada com os pesos de w1 e w2 usando o Solver (w1=0,667 e w2=0,333).
171
períodos 25, 26, 27 e 28, paras o modelo de média móvel ponderada (k=2).
Figura 13 Previsão do modelo de média móvel ponderada, adotando k=2, w1=0,667 e

w2=0,333, para os meses de 25 a 28.
Percebe-se que a modelagem por média móvel ponderada também é simples
de ser aplica. Entretanto, uma desvantagem desse modelo é que para ponderar os
dados passados usados no cálculo é necessário recorrer a outras técnicas
computacionais para conseguir um resultado ótimo. O que dificilmente será
conseguido sem um aplicativo de otimização.
Além disso, pode-se afirmar que a modelagem ponderada, no caso analisado,
gera projeções com melhores medidas de precisão. Sendo, portanto, um modelo
válido para gerar previsões de dados futuros.
5.4.3 Ajuste exponencial

A modelagem por ajuste exponencial é outra técnica de média para dados
estacionários que permite que os pesos sejam atribuídos aos dados passados. Os
modelos de ajuste exponencial podem assumir a forma apresentada na equação 14.

Yˆt 1  Yˆt   Yt  Yˆt  (14)
172
Em que:
Yˆt = valor previsto ou projetado para a variável temporal no período t;
0    1 = parâmetro de ajuste de erro da equação que pode variar de 0 a 1;


 Yt  Yˆt  = ajuste para o erro feito na previsão do valor do período anterior.
Considerando a fórmula do modelo de ajuste exponencial, é possível

demonstrar que a ela é equivalente à equação 15.
Yˆt 1  Yt   1   Yt 1  Yt 1   1    Yt  2  ...   1    Yt  n (15)

2 n
Como apresentado na equação 14, a previsão Yˆt 1 no ajuste exponencial é
uma combinação ponderada de todos os valores anteriores na série temporal, em

que a observação mais recente, Yt recebe o maior peso (α), sendo que a observação
recente seguinte Yt-1 recebe o segundo maior peso (  1    ), e assim por diante.
Por esse motivo, em um modelo de ajuste exponencial, pequenos valores de
α tendem a produzir previsões lentas, que não reagem rapidamente às mudanças
dos dados. Por outro lado, quando o valor de α é próximo a 1, a previsão reage mais
rapidamente às mudanças nos dados.
Ajuste exponencial – projeção dos dados

Na aplicação do modelo de ajuste exponencial, será usado o exemplo da
empresa padrão PON. Os dados e a implementação estão disponíveis no arquivo:
2014_PREV – PON.xlsx, planilha: 3. Test4-AjExponenc.
Para determinar o valor de α que minimize os erros do modelo (medidas de
procissão), deve-se usar o Solver na construção do modelo de previsão. A Figura 14
apresenta a implementação da planilha eletrônica com o modelo de ajuste
exponencial dos dados da empresa PON.
173
Projeção
Barris
Ajuste
Mês Vendidos
Exponencial
(1000 und) Yi  Yî
1
2
33
38
33,00
33,00
i i
2
3 31 33,50 2,50 0,08 6,25

4 35 33,25 1,75 0,05 3,06
5 30 33,43 3,43 0,11 11,73
6 36 33,08 2,92 0,08 8,51
7 34 33,37 0,63 0,02 0,39
8 39 33,44 5,56 0,14 30,95
9 39 33,99 5,01 0,13 25,07
10 36 34,49 1,51 0,04 2,27
11 40 34,64 5,36 0,13 28,68
12 38 35,18 2,82 0,07 7,95
13 37 35,46 1,54 0,04 2,37
14 39 35,62 3,38 0,09 11,45
15 32 35,95 3,95 0,12 15,64
16 38 35,56 2,44 0,06 5,96
17 37 35,80 1,20 0,03 1,43
18 39 35,92 3,08 0,08 9,47
19 37 36,23 0,77 0,02 0,59
20 35 36,31 1,31 0,04 1,71
21 37 36,18 0,82 0,02 0,68
22 34 36,26 2,26 0,07 5,10
23 35 36,03 1,03 0,03 1,07
24 36 35,93 0,07 0,00 0,00
MEDIDAS DE PRECISÃO VALORES PARA :
1. DAM 2,424 α 0,100

2. EPAM (%) 6,686
3. EQM 8,551
4. EQMR 2,924
Figura 14 Projeção das vendas da empresa PON, considerando o modelo de ajuste

exponencial, α=0,1.
Para melhorar os resultados do modelo de ajuste exponencial, pode-se utilizar

o Solver para identificar o valor de α, minimizando as medidas de erro. A Figura 15
apresenta parâmetros usados no Solver para identificar o valor de α. Já a Figura 16
apresenta a solução para a identificação do valor usando o Solver.
Como se pode perceber, a definição do valor de α é aparentemente simples,
entretanto também é considerada como um problema de otimização não linear.
174

figura. Sendo:
1. Para calcular o Ajuste Exponencial (Projeção)

=D4+$H$35*(C4-D4)  em que: D4 = vendas projetadas do mês 1
que, geralmente tem valor igual às vendas no mesmo período (C4);
$H$35 = valor de α; C4 = vendas do mês 1. Essa fórmula foi replicada
para as demais células.
As demais fórmulas são idênticas às usadas no cálculo da média

móvel (simples). Para saber como as fórmulas foram usadas, acesse o
arquivo: 2014_PREV – PON.xlsx, planilha: 3. Test4-AjExponenc.
SOLVER
Para acessar os parâmetros do Solver (Figura 15), foi utilizada a
função DADOS  SOLVER. Na sequência, basta definir os
parâmetros.
Os resultados apresentados na Figura 16 são automaticamente

gerados ao clicar no botão RESOLVER na tela de Parâmetros do
Solver (Figura 15).
Analisando os resultados apresentados na Figura 16, pode-se afirmar

que valor ótimo de α é 0,315. Com base nesse valor, a medida de erro EQM tem seu
valor reduzido de 8,551 (Figura 14) para 7,027 (Figura 16). O que mostra que este
valor de α pode gerar resultados melhores do que o anterior.
175
Figura 15 Parâmetros usados no Solver para identificar o valor de α.
Após testar o modelo é possível afirmar que ele é válido e, por isso, ele pode
ser usado para fazer previsões para observações futuras.
Previsão com o Modelo de Ajuste Exponencial

Pode-se fazer previsões para valores futuros usando o modelos de ajuste
exponencial. Dessa forma, ao final do período 24 pode-se, por exemplo, prever as
vendas para o mês 25. A previsão para esse é representada pela equação 16.
 
Yˆ25  Yˆ24   Y24  Yˆ24  35,59  0,315* (36  35,59)  35,72 (16)

períodos 25, 26, 27 e 28, paras o modelo de ajuste exponencial.
176
Projeção
Barris
Ajuste
Mês Vendidos
Exponencial
(1000 und) Yi  Yî
1
2
33
38
33,00
33,00
i i
2
3 31 34,58 3,58 0,12 12,78

4 35 33,45 1,55 0,04 2,41
5 30 33,94 3,94 0,13 15,50
6 36 32,70 3,30 0,09 10,91
7 34 33,74 0,26 0,01 0,07
8 39 33,82 5,18 0,13 26,83
9 39 35,45 3,55 0,09 12,59
10 36 36,57 0,57 0,02 0,32
11 40 36,39 3,61 0,09 13,03
12 38 37,53 0,47 0,01 0,22
13 37 37,68 0,68 0,02 0,46
14 39 37,46 1,54 0,04 2,36
15 32 37,95 5,95 0,19 35,37
16 38 36,07 1,93 0,05 3,71
17 37 36,68 0,32 0,01 0,10
18 39 36,78 2,22 0,06 4,92
19 37 37,48 0,48 0,01 0,23
20 35 37,33 2,33 0,07 5,42
21 37 36,60 0,40 0,01 0,16
22 34 36,72 2,72 0,08 7,41
23 35 35,87 0,87 0,02 0,75
24 36 35,59 0,41 0,01 0,17
MEDIDAS DE PRECISÃO VALORES PARA :
1. DAM 2,084 α 0,315

2. EPAM (%) 5,904
3. EQM 7,027
4. EQMR 2,651
Figura 16 Projeção das vendas da empresa PON, considerando o modelo de ajuste

exponencial, α=0,315.
Uma propriedade interessante desse modelo torna-se evidente quando é

usado para prever mais de um período de tempo no futuro. Pelo fato dos valores
reais das observações futuras não serem conhecidos, eles devem ser substituídos
por seus valores previstos. Com isso, a previsão para todos os períodos futuros é de
igual valor (veja na Figura 17).
177
Figura 17 Previsão do modelo de ajuste exponencial, adotando α=0,315, para os meses de
25 a 28.
Essa característica é coerente com a ideia subjacente de uma série temporal

estacionária. Ou seja, se uma série temporal for efetivamente estacionária (não tiver
tendência), é razoável assumir que a previsão para o próximo período de tempo e
para todos os demais deve ter sempre o mesmo valor.
Percebe-se que a modelagem por ajuste exponencial também é relativamente
simples de ser aplica. Entretanto, uma desvantagem desse modelo é ele só faz a
previsão do valor para o período imediatamente posterior a última observação.
Todos os demais meses a serem previstos terão o mesmo valor.
Além disso, pode-se afirmar que a modelagem por ajuste exponencial, no
caso analisado, as projeções geradas apresentam boas medidas de precisão.
Sendo, portanto, um modelo válido para gerar previsões de dados futuros.
5.5 Passo 4 e 5: Avaliar os modelos (estacionários) e Verificar a

validade
Nessa primeira análise de séries temporais estacionárias, três modelos foram

testados: 1) média móvel (simples); 2) média móvel ponderada; e 3) ajuste
exponencial. Considerando as análises realizadas, pode-se afirmar que os três
modelos geram bons ajustes aos dados reais.
178
Entretanto, comparando as medidas de precisão de cada um deles (Figura
18), pode-se afirmar que, para o caso da empresa PON, o que consegue melhores
medidas de precisão é o modelo de MÉDIA MÓVEL PONDERADA. Por outro lado, o
que apresenta resultados menos relevantes para os dados é o modelo de média
móvel simples, considerando k=4.
MÉDIA MÓVEL (SIMPLES) MÉDIA MÓVEL (SIMPLES)
MÉDIA MÓVEL PONDERADA AJUSTE EXPONENCIAL
Figura 18 Avaliação das medidas de precisão dos modelos de séries temporais testados.
Por fim, de modo geral, pode-se afirmar que apesar de todos os modelos
serem válidos, o mais indicado para se realizar previsões é o modelo de MÉDIA
MÓVEL PONDERADA.
5.6 Passo 6: Realizar previsões
Definido o modelo mais recomendado para os dados, o próximo passo é

realizar previsões. Assim, de acordo com o modelo, as previsões de venda de barris
de petróleo para a empresa PON são apresentadas na Figura 19.
179
Figura 19 Previsão do modelo de média móvel ponderada, adotando k=2, w1=0,667 e
w2=0,333, para os meses de 25 a 28.
Apesar de aparentemente ter terminado o processo de previsão, pode-se

afirmar que pode ter infinitos ciclos de verificação. Motivo pelo qual, de tempos em
tempos, a modelagem deve ser revisada, para verificar se o modelo continua
atendendo aos dados em análise. Ou seja, a medida que o horizonte de previsão se
alarga, a confiança na exatidão da previsão diminui, porque não há garantia de que
os padrões históricos nos quais se baseia o modelo continuarão indefinidamente.
180
5.7 Sazonalidade
Muitas variáveis de série temporal apresentam sazonalidade, ou um padrão

regular, repetitivo nos dados. Por exemplo, nos dados de série temporal para vendas
mensais de óleo combustível, espera-se ver saltos regulares nos dados durante os
meses de inverno de cada ano, sobretudo nos países de clima temperado. Da
mesma forma, os dados de vendas mensais ou trimestrais para a venda de
bronzeadores ou filtro solar, provavelmente mostrariam picos coerentes durante o
verão e vales durante o inverno.
Há dois tipos diferentes de efeitos sazonais em dados de série temporal, que
são: 1) efeitos aditivos; e 2) efeitos multiplicativos.
Os efeitos sazonais aditivos tendem a manter a mesma ordem de magnitude
cada vez que entra determinada estação (ou período característico do padrão).
Já os efeitos sazonais multiplicativos tendem a ter um efeito crescente cada
vez que começa um novo período característico do padrão (estação). A Figura 20
ilustra a diferença entre os dois tipos de efeitos sazonais, considerando dados
estacionários.
Figura 20 Exemplo de efeito sazonal aditivo e multiplicativo para uma série genérica de
dados estacionários.
Fonte: Dados do autor.
181
Para facilitar a aprendizagem e a aplicação dos modelos de séries temporais
estacionárias com efeitos sazonais, um exemplo de uma empresa padrão é
apresentado na sequência.
Os dados da empresa padrão apresentados serão analisados considerando

os efeitos sazonais aditivos e multiplicativos. Além disso, essa análise seguirá os
passos apresentados na Figura 3.

A empresa Verão Ameno Ltda. (VAL) é
Equipamentos
uma empresa que vende equipamentos Ano Trimestre Vendidos
2008 1 330
de refrigeração residencial (ar
2 310
condicionado) e presta assistência 3 370
4 300
técnica. As vendas dos equipamentos de 2009 1 378
2 352
refrigeração nos meses de verão e
3 408
inverno tendem a ser mais altas, quando 4 341
2010 1 354
as temperaturas são extremas. Da 2 329
3 402
mesma forma, as vendas tendem a ser
4 303
mais baixas do que a média nos meses 2011 1 358
2 317
de primavera e outono, quando as 3 402
temperaturas são mais amenas e os 4 299
2012 1 340
proprietários de residências podem adiar 2 303
3 387
a substituição dos equipamentos que 4 305
não funcionam. O gestor da VAL coletou 2013 1 360
2 346
dados de venda de equipamentos a 3 396
4 324
cada três meses durante os últimos
anos, como pode ser visto na Erro! Tabela 4 Vendas de equipamentos da
Fonte de referência não encontrada.. empresa VAL, nos últimos 24 trimestres,
dados e gráfico de dispersão (vide arquivo:
Com base nesses dados, ele deseja 2014_PREV – VAL.xlsx).
criar um modelo para calcular o número
de unidades que a empresa venderá em
cada trimestre do próximo ano.
182
5.7.1 Passo 1: Obtenção de dados
Como apresentado (Figura 3), o primeiro passo resume-se na obtenção de
Nesse caso, os dados coletados pelo gestor da empresa já foram
apresentados. São registros das vendas de equipamentos da empresa VAL dos
últimos 24 trimestres (Erro! Fonte de referência não encontrada.).
5.7.2 Passo 2: Inspeção dos dados

Após obter os dados, o passo seguinte é analisá-los. A Figura 21 apresenta
os dados e o seu respectivo gráfico de dispersão, enquanto que a Tabela 5
apresenta as estatísticas descritivas dos dados.
Figura 21 Dados e gráfico de dispersão da venda de equipamentos da empresa VAL.

Analisando a Figura 21, pode-se afirmar que a venda de equipamentos tende

a ser maior do que a média nos trimestres um e três (correspondentes ao meses de
verão e de inverno) e menor do que a média nos trimestres dois e quatro
(correspondentes aos meses de outono e primavera), demonstrando os efeitos
sazonais trimestrais. Apesar desses efeitos, aparentemente, os dados demonstram
ser estacionários (sem tendência de alta ou queda).
183
Equipamentos vendidos
Média 346,417
Erro padrão 7,281
Mediana 343,500
Modo 402,000
Desvio padrão 35,670
Curtose -1,124
Assimetria 0,291
Intervalo 109,000
Mínimo 299,000
Máximo 408,000
Soma 8314,000
Contagem 24,000
Maior(1) 408,000
Menor(1) 299,000
Tabela 5 Estatística descritiva das vendas trimestrais da empresa VAL.

Os dados apresentados na Tabela 5 reforçam a percepção obtida

anteriormente. A quantidade de equipamentos vendidos, nos últimos 24 trimestres,
estava em algum ponto entre 299 (mínimo) e 408 unidades (máximo),
apresentando uma amplitude máxima de 109 unidades (intervalo). O que pode
demonstrar pequena variabilidade das vendas, afirmação que pode ser apoiada
pelas medidas de variância (1.272,341) e de desvio padrão (35,67). Além disso, no
período em análise, a venda de 402 unidades foram as mais comuns, aparecendo
na série por 2 vezes (moda).
Por fim, traçou-se uma linha de tendência para os dados, que é apresentada
na Figura 22.
Como pode ser visto na Figura 22, a linha de tendência aponta um
comportamento quase invariável, o que reforça as observações anteriores, de que
não há um padrão de tendência, mas é indiscutível a presença do efeito sazonal
Para realizar previsões de séries estacionárias com efeito sazonal, dois
modelos podem ser usados. O subitem a seguir apresenta o teste com os dois
modelos para analisar série estacionárias com efeito sazonal.
184
Figura 22 Linha de tendência para a venda de equipamentos da empresa VAL, no período
de 24 trimestres.
5.7.3 Passo 3: Testar os modelos (estacionários com efeito sazonal)
Teste 1: Efeitos sazonais aditivos

O modelo apresentado na equação 17 é útil para modelar dados de série
temporal com efeitos sazonais aditivos.
Yˆt n  Et  St n p (17)
Em que:
Yˆt  n = valor previsto para a variável de série temporal no período t+n;
Et = representa o nível esperado da série temporal no período t;
St  n  p = representa o fator sazonal para o período t;
p = constante que representa o número de períodos sazonais (em dados

trimestrais, p=4 e em dados anuais, p=12):
185
Assim, a previsão para o período t+n, como apresentado na equação 17, é
simplesmente a adição do nível esperado da série temporal no período t ( Et ),pelo ao
fator sazonal ( S t  n  p ) ajustado, para cima ou para baixo.
O nível esperado da série temporal ( Et ), como apresentado na equação 18, é
calculado como uma média ponderada dos dados sem efeito sazonal para o período
t Yt  St  p  e o nível do período anterior ( Et 1 ).
Et   Yt  St  p   1   Et 1 (18)
Em que:
0    1.
O fator sazonal da série temporal ( S t  n  p ), como apresentado na equação 19,
é calculado pela média ponderada do efeito sazonal no período t ( Yt  Et ) e o fator
sazonal anterior para essa mesma estação ( St  p ).
St   Yt  Et   1   St  p (19)
Em que:
0   1.
Para usar as equações de 17 a 19, deve-se estimar Et e S t  n  p para os
primeiros períodos de tempo p. Para isso, há várias maneiras mas, por conveniência
deve-se adotar os padrões apresentados nas equações 20 e 21.
p
Yi
Et   , t  1,2,..., p (20)
i 1 p
St  Yt  Et , t  1,2..., p (21)
186
Assim, será usado o valor médio dos primeiros períodos p como os níveis
iniciais esperados para cada um desses períodos de tempo. Além disso, será usado
então, as diferenças entre os reais valores e níveis esperados como fatores sazonais
iniciais para os primeiros períodos de p. A Figura 23 apresenta a implementação da
planilha eletrônica com o modelo sazonal aditivo para os dados da empresa VAL.
Projeção
Quant Equipamento Equipamentos Et St  n  p
Ano Trim
Trim s vendidos vendidos eq. (17) eq. (20, 18) eq. (21, 19)
2008 1 1 330 -- 327,50 2,50
2 2 310 -- 327,50 -17,50
3 3 370 -- 327,50 42,50
4 4 300 -- 327,50 -27,50
2009 1 5 378 330,00 351,50 14,50
2 6 352 334,00 360,50 -13,00
3 7 408 403,00 363,00 43,75
4 8 341 335,50 365,75 -26,13
2010 1 9 354 380,25 352,63 7,94
2 10 329 339,63 347,31 -15,66
3 11 402 391,06 352,78 46,48
4 12 303 326,66 340,95 -32,04
2011 1 13 358 348,89 345,51 10,21
2 14 317 329,85 339,08 -18,87
3 15 402 385,57 347,30 50,59
4 16 299 315,26 339,17 -36,10
2012 1 17 340 349,38 334,48 7,87
2 18 303 315,61 328,17 -22,02
3 19 387 378,77 332,29 52,65
4 20 305 296,19 336,70 -33,90
2013 1 21 360 344,57 344,41 11,73
2 22 346 322,39 356,22 -16,12
3 23 396 408,87 349,78 49,43
4 24 324 315,88 353,84 -31,87
MEDIDAS DE PRECISÃO VALORES PARA:
1. EQM 318,327 α 0,500

2. EQMR 17,842 β 0,500
Figura 23 Projeção das vendas da empresa VAL, considerando o modelo sazonal aditivo,
com α=0,5 e β=0,5.
187

fórmulas que se encontram disponíveis no arquivo de Planilha
Eletrônica 2014_PREV – VAL.xlsx, planilha: 3. Teste1 - ESAditivo.
Dentre as fórmulas disponíveis as seguintes foram usadas:
1. Para calcular o nível esperado ( Et )
a) Valores iniciais (trimestre de 1 a 4 de 2008) – Equação 20:

=MÉDIA($E$5:$E$8)  considera a média de venda dos 4 últimos
trimestres.
b) Demais trimestres (dos anos de 2009 a 2013) – Equação 18:

=$J$36*(E9-J5)+(1-$J$36)*I8  valor de α multiplicado pela diferença
entre o valor real do período e o fator sazonal defasado em 4
períodos, adicionado à multiplicação da diferença de 1 e α e o nível
esperado do período anterior.
2. Para calcular o fator sazonal ( S t  n p )

=E5-I5  diferença entre o valor real e o nível esperado.

=$J$37*(E9-I9)+(1-$J$37)*J5  valor de β multiplicado pela diferença
entre o valor real do período e o nível esperado do período,
adicionado à multiplicação da diferença de 1 e β e o fator sazonal
defasado em 4 períodos.
3. Para calcular a projeção de vendas – Equação 17

=I8+J5  é a adição do nível esperado no período anterior e o fator
sazonal defasado em 4 períodos.
Obs.: as fórmulas foram replicadas paras as demais células.

188
Para melhorar os resultados do modelo, pode-se utilizar o Solver para
identificar os valores de α e de β, que minimizam as medidas de erro. A Figura 24
apresenta parâmetros usados no Solver para identificar os valores α e de β. Já a
Figura 25 apresenta a solução para a identificação do valor usando o Solver.
Figura 24 Parâmetros usados no Solver para identificar os valores de α e de β, na

modelagem com efeitos sazonal aditivo.

valores ótimos para α e β são, respectivamente, 0,577 e 0,277. Com esses valores,
a medida de erro EQM tem seu valor reduzido de 318,327 (Figura 23) para 304,434
(Figura 25), gerando, consequentemente, projeções melhores.
189
Projeção
Quant Equipamento Equipamentos Et St  n  p
Ano Trim
Trim s vendidos vendidos eq. (17) eq. (20, 18) eq. (21, 19)
2008 1 1 330 -- 327,50 2,50
2 2 310 -- 327,50 -17,50
3 3 370 -- 327,50 42,50
4 4 300 -- 327,50 -27,50
2009 1 5 378 330,00 355,21 8,12
2 6 352 337,71 363,46 -15,83
3 7 408 405,96 364,64 42,74
4 8 341 337,14 366,87 -27,05
2010 1 9 354 374,99 354,75 5,66
2 10 329 338,93 349,02 -16,99
3 11 402 391,76 354,93 43,94
4 12 303 327,89 340,57 -29,96
2011 1 13 358 346,23 347,36 7,04
2 14 317 330,37 339,64 -18,55
3 15 402 383,58 350,28 46,09
4 16 299 320,32 337,97 -32,46
2012 1 17 340 345,01 335,08 6,45
2 18 303 316,52 327,27 -20,14
3 19 387 373,36 335,14 47,69
4 20 305 302,69 336,48 -32,18
2013 1 21 360 342,93 346,33 8,45
2 22 346 326,19 357,77 -17,82
3 23 396 405,45 352,31 46,58
4 24 324 320,12 354,55 -31,73
1. EQM 304,434 α 0,577

2. EQMR 17,448 β 0,277
Figura 25 Projeção das vendas da empresa VAL, considerando o modelo sazonal aditivo,
com α=0,577 e β=0,277.
Previsão com o Modelo Sazonal Aditivo

Pode-se usar os resultados apresentados na Figura 25 para calcular
previsões para qualquer período de tempo futuro. Considerando a equação 17, no
período 24, a previsão para o período de tempo 24+n é dada pela equação 22.
Yˆ24  n  E24  S 24  n  4 (22)
190
Dessa forma as previsões para cada trimestre de 2014 seriam calculadas
conforme a equação 23
Yˆ25  E24  S 21  354,55  8,45  363,00
Yˆ26  E24  S 22  354,55  17,82  336,73

(23)
e assim sucessivamente para os demais períodos

períodos 25, 26, 27 e 28, para o modelo de efeitos sazonal aditivo.
Figura 26 Previsão do modelo de efeito sazonal aditivo, adotando α=0,577 e β=0,277, para
os meses de 25 a 28.
Assim, cada previsão é simplesmente a adição do nível esperado da série

temporal no período 24 ajustado, pelo fator sazonal relevante.
Avaliação do Modelo Sazonal Aditivo

Uma das formas de avaliar a modelagem seria comparar os dados reais das
vendas com os dados projetados e as previsões realizadas. A Figura 27 apresenta
um gráfico que compara os dados dos equipamentos vendidos e a projeção/previsão
das vendas da empresa VAL.
Analisando o gráfico apresentado na Figura 27, pode-se afirmar que os dados
projetados adequam-se bem aos dados reais, além de gerar previsões com
comportamento semelhante ao padrão das vendas da empresa VAL, em cada um
191
dos trimestres. Com isso, pode-se afirmar que o modelo com efeito sazonal aditivo
poderia ser usado para realizar previsões de vendas da empresa VAL.
Figura 27 Comparação entre os dados dos equipamentos vendidos e a projeção/previsão

das vendas da empresa VAL, usando modelo de efeito sazonal aditivo.
Percebe-se que a modelagem considerando o efeito sazonal aditivo, apesar
de não aparentar, é relativamente simples de ser aplica. Entretanto, é importante
destacar que outros métodos podem ser usados para inicializar os valores de nível (
Et ) e da sazonalidade ( St ). Por exemplo, o Solver poderia ser usado para
determinar os valores ótimos (EQM mínimo) para o nível e os parâmetros de
sazonalidade, juntamente com as constantes de ajuste α e β. Mas, por outro lado, se
isso for feito, não há garantia de que as previsões resultantes serão mais exatas do
que se os valores iniciais fossem determinados pelo uso da técnica adotada nesse
exemplo. Mas, à medida que o conjunto de dados diminui, o impacto da diferença
nos valores iniciais torna-se mais evidente.
192
Teste 2: Efeitos sazonais multiplicativos
Uma pequena modificação no modelo aditivo o torna apropriado para a
modelagem de dados de série temporal estacionária com efeitos sazonais
multiplicativos. Essa modificação pode ser vista na equação 24.
Yˆt  n  Et  St  n  p (24)
Em que:
Et = representa o nível esperado da série temporal no período t;
St  n  p = representa o fator sazonal pata o período t;
p = constante que representa o número de períodos sazonais (em dados

trimestrais, p=4 e em dados anuais, p=12):
Assim, a previsão para o período t+n, como apresentado na equação 24, é

simplesmente a multiplicação do nível esperado da série temporal no período t ( Et ),
pelo fator sazonal ( S t  n  p ) ajustado, para cima ou para baixo,.
O nível esperado da série temporal ( Et ), como apresentado na equação 25, é
calculado como uma média ponderada dos dados sem efeito sazonal para o período
 Y 
t  t  e o nível do período anterior ( Et 1 ).
S 
 t p 
 Yt 
Et      1   Et 1 (25)
S 
 t p 
Em que:
0    1.
193
O fator sazonal da série temporal ( S t  n  p ), como apresentado na equação 26,
Y 
é calculado pela média ponderada do efeito sazonal no período t  t  e o fator
 Et 
sazonal anterior para essa mesma estação ( St  p ).
Y 
St    t   1   St  p (26)
 Et 
Em que:
0   1.
Para usar as equações de 24 a 26, deve-se estimar Et e S t  n  p para os
primeiros períodos de tempo p. Para isso, há várias maneiras, mas por conveniência
deve-se adotar os padrões apresentados nas equações 27 e 28.
p
Yi
Et   , t  1,2,..., p (27)
i 1 p
Y 
S t   t , t  1,2..., p (28)
 Et 
Ou seja, será usado o valor médio dos primeiros períodos p como os níveis
iniciais esperados para cada um desses períodos de tempo. Além disso, será usado
então, a razão dos reais valores para os níveis esperados como fatores sazonais
iniciais para primeiros períodos de tempo p. A Figura 28 apresenta a implementação
da planilha eletrônica com o modelo sazonal aditivo para os dados da empresa VAL.

apresenta parâmetros usados no Solver para identificar o valor de α. Já a Figura 30
apresenta a solução para a identificação do valor usando o Solver.
194
Projeção
Quant Equipamento Efeito Sazon. Et St  n  p
Ano Trim
Trim s vendidos Multiplic. eq. (24) eq. (27, 25) eq. (28, 26)
2008 1 1 330 -- 327,50 1,01
2 2 310 -- 327,50 0,95
3 3 370 -- 327,50 1,13
4 4 300 -- 327,50 0,92
2009 1 5 378 330,00 351,32 1,04
2 6 352 332,55 361,59 0,96
3 7 408 408,52 361,36 1,13
4 8 341 331,02 366,81 0,92
2010 1 9 354 382,14 353,31 1,02
2 10 329 339,18 348,00 0,95
3 11 402 393,04 351,97 1,14
4 12 303 324,81 340,15 0,91
2011 1 13 358 347,60 345,24 1,03
2 14 317 328,92 338,99 0,94
3 15 402 385,02 346,47 1,15
4 16 299 314,18 338,10 0,90
2012 1 17 340 348,04 334,19 1,02
2 18 303 315,45 327,60 0,93
3 19 387 376,09 332,35 1,16
4 20 305 297,64 336,45 0,90
2013 1 21 360 344,33 344,11 1,03
2 22 346 321,54 357,20 0,95
3 23 396 413,01 349,84 1,14
4 24 324 315,23 354,71 0,91
1. EQM 330,272 α 0,500

2. EQMR 18,173 β 0,500
Figura 28 Projeção das vendas da empresa VAL, considerando o modelo sazonal

multiplicativo, com α=0,5 e β=0,5.

Eletrônica 2014_PREV – VAL.xlsx, planilha: 3. Teste2 -
ESMultiplicativo. Dentre as fórmulas disponíveis as seguintes foram
usadas:
195
Recursos usados da Planilha Eletrônica (Excel) – cont.
1. Para calcular o nível esperado ( Et )

=MÉDIA($E$5:$E$8)  considera a média de venda dos 4 últimos
trimestres.

=$J$36*(E9/J5)+(1-$J$36)*I8  valor de α multiplicado pela razão
entre o valor real do período e o fator sazonal defasado em 4
períodos, adicionado à multiplicação da diferença de 1 e α e o nível
esperado do período anterior.
2. Para calcular o fator sazonal ( St  n  p )

=E5/I5  razão entre o valor real e o nível esperado.

=$J$37*(E9/I9)+(1-$J$37)*J5  valor de β multiplicado pela razão
entre o valor real do período e o nível esperado do período,
adicionado à multiplicação da diferença de 1 e β e o fator sazonal
defasado em 4 períodos.

=I8*J5  é a multiplicação do nível esperado no período anterior e o
fator sazonal defasado em 4 períodos.
196
Figura 29 Parâmetros usados no Solver para identificar os valores de α e de β, na
modelagem com efeitos sazonal multiplicativo.
Analisando os resultados apresentados na Figura 30, pode-se afirmar

que os valores ótimos para α e β são, respectivamente, 0,509 e 0,080. Com esses
valores, a medida de erro EQM tem seu valor reduzido de 330,272 (Figura 28Figura
23) para 302,254 (Figura 30), gerando, consequentemente, projeções melhores.
197
Projeção
Quant Equipamentos Efeito Sazon. Et St  n  p
Ano Trim
Trim vendidos Multiplic. eq. (24) eq. (27, 25) eq. (28, 26)
2008 1 1 330 -- 327,50 1,01
2 2 310 -- 327,50 0,95
3 3 370 -- 327,50 1,13
4 4 300 -- 327,50 0,92
2009 1 5 378 330,00 351,74 1,01
2 6 352 332,95 361,98 0,95
3 7 408 408,96 361,55 1,13
4 8 341 331,19 367,00 0,92
2010 1 9 354 371,78 358,07 1,01
2 10 329 339,68 352,34 0,95
3 11 402 398,03 354,13 1,13
4 12 303 324,77 342,05 0,91
2011 1 13 358 345,84 348,17 1,01
2 14 317 329,88 341,26 0,95
3 15 402 385,66 348,62 1,13
4 16 299 318,83 337,58 0,91
2012 1 17 340 341,78 336,68 1,01
2 18 303 318,49 328,35 0,94
3 19 387 371,68 335,24 1,13
4 20 305 305,82 334,78 0,91
2013 1 21 360 338,88 345,40 1,01
2 22 346 326,09 356,13 0,95
3 23 396 403,77 352,64 1,13
4 24 324 321,66 353,95 0,91
1. EQM 302,254 α 0,509

2. EQMR 17,385 β 0,080
Figura 30 Projeção das vendas da empresa VAL, considerando o modelo sazonal

multiplicativo, com α=0,509 e β=0,080.
Previsão com o Modelo Sazonal Multiplicativo

Pode-se usar os resultados apresentados na Figura 30 para calcular
previsões para qualquer período de tempo futuro. Considerando a equação 24, no
período 24, a previsão para o período de tempo 24+n é dada pela equação 29.
Yˆ24  n  E 24  S 24  n  4 (29)
Dessa forma as previsões para cada trimestre de 2014 seriam calculadas

conforme a equação 30.
198
Yˆ25  E24  S 21  353,95  1,015  359,13
Yˆ26  E24  S 22  353,95  0,946  334,94

(30)
e assim sucessivamente para os demais períodos

períodos 25, 26, 27 e 28, para o modelo de efeitos sazonal multiplicativo.
Figura 31 Previsão do modelo de efeito sazonal multiplicativo, adotando α=0,509 e β=0,080,

para os meses de 25 a 28.
Assim, cada previsão é simplesmente a multiplicação do nível esperado da

série temporal no período 24 ajustado pelo fator sazonal relevante.
Avaliação do Modelo Sazonal Multiplicativo

Uma das formas de avaliar a modelagem seria comparar os dados reais das
vendas com os dados projetados e as previsões realizadas. A Figura 32 apresenta
um gráfico que compara os dados dos equipamentos vendidos e a projeção/previsão
das vendas da empresa VAL.
Analisando o gráfico apresentado na Figura 32, pode-se afirmar que os dados
projetados adequam-se bem aos dados reais, além de gerar previsões com
comportamento semelhante ao padrão das vendas da empresa VAL, em cada um
dos trimestres. Com isso, pode-se afirmar que o modelo com efeito sazonal
multiplicativo, também poderia ser usado para realizar previsões de vendas da
empresa VAL.
199
Figura 32 Comparação entre os dados dos equipamentos vendidos e a projeção/previsão
das vendas da empresa VAL, usando modelo de efeito sazonal multiplicativo.
Percebe-se que a modelagem, considerando o efeito sazonal multiplicativo, é
uma derivação da modelagem com efeito sazonal aditivo. Assim como na
modelagem aditiva, é importante destacar que outros métodos podem ser usados
para inicializar os valores de nível ( Et ) e da sazonalidade ( St ).
5.7.4 Passo 4 e 5: Avaliar os modelos (sazonais) e Verificar a validade

Nessa segunda análise de séries temporais estacionárias, dois modelos
foram testados: 1) efeito sazonal aditivo; e 2) efeito sazonal multiplicativo.
Considerando as análises realizadas, pode-se afirmar que ambos geram bons
ajustes aos dados reais.
33), pode-se afirmar que, para o caso da empresa VAL, o que consegue melhores
medidas de precisão é o modelo de EFEITO SAZONAL MULTIPLICATIVO. Sendo,
nesse caso, o mais recomendado para realizar previsões.
200
EFEITO SAZONAL ADITIVO EFEITO SAZONAL MULTIPLICATIVO
Figura 33 Avaliação das medidas de precisão dos modelos com efeito sazonal.
5.7.5 Passo 6: Realizar previsões

Definido o modelo mais recomendado para os dados, o passo seguinte é
realizar previsões. Assim, de acordo com o modelo, as previsões de venda da
empresa VAL são apresentadas na Figura 31.
Ressalta-se, mais uma vez que, apesar de aparentemente ter terminado o

processo de previsão, infinitos ciclos de verificação podem ser realizados. Motivo
pelo qual, de tempos em tempos, a modelagem deve ser revisada, para verificar se o
modelo continua atendendo aos dados em análise.
201
5.8 Tendência
As técnicas de previsão adotadas até aqui são apropriadas para dados de

série temporal estacionária, ou seja, sem qualquer tendência significativa al longo do
tempo. Entretanto, não é incomum os dados de série temporal exibirem algum tipo
de tendência para cima ou para baixo, no decorrer do tempo.
A Tendência é a varredura em longo prazo, ou a direção geral de movimento
em uma série temporal. Reflete a nítida influência de fatores de longo prazo que
afetam a série temporal de modo bem coerente e gradual no decorrer do tempo. Ou
seja, a tendência reflete mudanças nos dados que ocorrem com o passar do tempo.
Os modelos de média móvel (simples e ponderada) e de ajuste exponencial,
por usarem uma média de valores anteriores para prever valores futuros,
coerentemente subestimam os reais valores se houver nos dados uma tendência
para cima. Por exemplo, considere os dados da seguinte série temporal: 2, 4, 6, 8,
10, 12, 14, 16 e 18. Esses dados mostram uma clara tendência para cima que nos
leva a esperar que o próximo valor na série temporal deva ser 20. Entretanto, os
modelos até então discutidos, preveriam que o próximo valor na série é menor ou
igual a 18, porque nenhuma média ponderada dos dados poderia exceder 18. Da
mesma forma, se houver uma tendência para baixo nos dados ao longo do tempo,
todos os métodos discutidos até aqui produziriam previsões que superestimam os
reais valores na série temporal.
Assim, nos subitens a seguir apresentaremos modelos apropriados a séries
temporais não estacionárias, envolvendo uma tendência para cima ou para baixo
nos dados, ao longo do tempo.
Para ilustrar a variedade de modelos de tendência em séries temporais e

facilitar a aprendizagem, um exemplo de uma empresa é apresentado na
sequência.
Como proposto na Figura 3, os dados da empresa padrão serão analisados

considerando os efeitos tendência.
202
A Água Alegria Ltda. (AAL) é uma
empresa que fabrica motos aquáticas Ano Trimestre Vendas
(jet skis). Durante seus 5 primeiros anos 2009 1 R$ 684,20

2 R$ 584,10
de operação, a empresa teve um 3 R$ 765,38
4 R$ 892,28
crescimento bem consistente nas 2010 1 R$ 885,40
2 R$ 677,02
vendas de seus produtos. No
3 R$ 1.006,63
planejamento de vendas e fabricação 4 R$ 1.122,06
2011 1 R$ 1.163,39
para o próximo ano, um dado crítico 2 R$ 993,20
levantado pelos gestores é a previsão de 3 R$ 1.312,46
4 R$ 1.545,31
vendas que a empresa espera 2012 1 R$ 1.596,20
2 R$ 1.260,41
conseguir. Os dados das vendas 3 R$ 1.735,16
trimestrais da empresa são 4 R$ 2.029,66
2013 1 R$ 2.107,79
apresentados na Erro! Fonte de 2 R$ 1.650,30
3 R$ 2.304,40
referência não encontrada.. 4 R$ 2.639,42
Tabela 6 Valor das vendas da empresa AAL,

nos últimos 20 trimestres.
5.8.1 Passo 1: Obtenção de dados

Como apresentado na Figura 3, o primeiro passo resume-se na obtenção de
Nesse caso, os dados coletados pelos gestores da empresa estão
apresentados na Tabela 6, que contém os registros dos valores de venda da
empresa AAL dos últimos 20 trimestres.
5.8.2 Passo 2: Inspeção dos dados

Após a obtenção dos dados, o passo seguinte é analisá-los. A Figura 34
apresenta os dados e o seu respectivo gráfico de dispersão, enquanto que a Tabela
7 apresenta as estatísticas descritivas dos dados.
203
Ano Trimestre Vendas (R$ mil) R$ 2.780,00
2009 1 R$ 684,20
2 R$ 584,10
3 R$ 765,38 R$ 2.280,00
4 R$ 892,28
2010 1 R$ 885,40
Vendas (R$ mil)

2 R$ 677,02
3 R$ 1.006,63 R$ 1.780,00
4 R$ 1.122,06
2011 1 R$ 1.163,39
2 R$ 993,20 R$ 1.280,00
3 R$ 1.312,46
4 R$ 1.545,31
2012 1 R$ 1.596,20
R$ 780,00
2 R$ 1.260,41
3 R$ 1.735,16
4 R$ 2.029,66
2013 1 R$ 2.107,79 R$ 280,00
2 R$ 1.650,30 1 3 5 7 9 11 13 15 17 19
3 R$ 2.304,40 Tempo
4 R$ 2.639,42
Figura 34 Dados e gráfico de dispersão do valor das vendas da empresa AAL.

Vendas (R$ mil)
Média R$ 1.347,74
Erro padrão 131,17
Mediana R$ 1.211,90
Modo --
Desvio padrão R$ 586,61
Curtose -0,38
Assimetria 0,68
Intervalo R$ 2.055,32
Mínimo R$ 584,10
Máximo R$ 2.639,42
Soma R$ 26.954,75
Contagem 20,00
Maior(1) R$ 2.639,42
Menor(1) R$ 584,10
Tabela 7 Estatística descritiva dos valores das vendas trimestrais da empresa AAL.
Analisando a Figura 34, os dados apontam que o valor das vendas possui
uma forte tendência de crescimento ao longo do tempo, não podendo ser
classificados como estacionários. Percepção que é reforçada pelos resultados
204
apresentados pela Tabela 7. Para ter certeza da tendência, traçou-se uma linha de
tendência para os dados, que é apresentada na Figura 35.
Figura 35 Linha de tendência dos valores de venda da empresa AAL, no período de 20

trimestres.
Como pode ser visto na Figura 34, a linha de tendência realmente aponta
para uma forte elevação dos valores de venda ao longo do tempo. Esse
comportamento pode ser caracterizado efetivamente como uma tendência.
O subitem a seguir apresenta os testes com modelos que analisam séries
estacionárias com tendência.
5.8.3 Passo 3: Testar os modelos (tendência)
Teste 1: Média Móvel Dupla

Como anunciado pelo nome, a modelagem por média móvel dupla envolve
tirar a média das médias. Desse modo, considere as equações 31 e 32.
Com base nas equações, Dt é a média móvel dupla para os últimos períodos
de tempo k (incluindo o período t). Com isso é possível definir a função de previsão
da média móvel dupla, que é apresentada na equação 33.
205
M t  (Yt  Yt -1  ...  Yt -k 1 ) / k (31)
Dt  (Mt  M t -1  ...  Mt -k 1 ) / k (32)
Em que:
Mt = média móvel para a variável de série temporal no período t;
Yt = é o valor real da série temporal no período t;
Dt = média móvel dupla para a variável de série temporal no período t;
Yˆt  n  Et  nTt (33)
Em que:
Et  2M t  Dt = representa o nível esperado da série temporal no período t;

2M t  Dt 
Tt  = representa a tendência calculada para o período t;
k 1
Os valores de Et e Tt são derivados pela minimização da soma dos erros
quadrados usando os últimos períodos k dos dados. Assim, no período t, os

períodos previstos n no futuro seriam como indicado na equação 33. A Figura 36
apresenta a implementação da planilha eletrônica com o modelo de média móvel
dupla, com k=4 para os dados da empresa AAL.
Analisando os resultados apresentados na Figura 36, percebe-se que os

dados projetados não se ajustam muito bem aos valores reais de venda, afirmação
que pode ser comprovada analisando a Figura 37.
206
Projeção Tt  2M t  Dt  / k  1
Quant Vendas (R$ Média Móvel Dupla Média Móvel Média Móvel Nível
Ano Trim Tendência
Trim mil) (R$ mil) (eq. 33) (eq. 31) Dupla (eq. 32) Et  2M t  Dt
2009 1 1 R$ 684,20 -- -- -- -- --
2 2 R$ 584,10 -- -- -- -- --
3 3 R$ 765,38 -- -- -- -- --
4 4 R$ 892,28 -- 731,49 -- -- --
2010 1 5 R$ 885,40 -- 781,79 -- -- --
2 6 R$ 677,02 -- 805,02 -- -- --
3 7 R$ 1.006,63 -- 865,33 795,91 934,75 46,28
4 8 R$ 1.122,06 R$ 981,04 922,78 843,73 1001,82 52,70
2011 1 9 R$ 1.163,39 R$ 1.054,52 992,27 896,35 1088,20 63,95
2 10 R$ 993,20 R$ 1.152,15 1071,32 962,92 1179,71 72,26
3 11 R$ 1.312,46 R$ 1.251,97 1147,78 1033,54 1262,02 76,16
4 12 R$ 1.545,31 R$ 1.338,18 1253,59 1116,24 1390,94 91,57
2012 1 13 R$ 1.596,20 R$ 1.482,51 1361,79 1208,62 1514,97 102,12
2 14 R$ 1.260,41 R$ 1.617,08 1428,60 1297,94 1559,25 87,10
3 15 R$ 1.735,16 R$ 1.646,36 1534,27 1394,56 1673,98 93,14
4 16 R$ 2.029,66 R$ 1.767,11 1655,36 1495,00 1815,71 106,90
2013 1 17 R$ 2.107,79 R$ 1.922,61 1783,25 1600,37 1966,14 121,92
2 18 R$ 1.650,30 R$ 2.088,06 1880,73 1713,40 2048,05 111,55
3 19 R$ 2.304,40 R$ 2.159,60 2023,04 1835,59 2210,48 124,96
4 20 R$ 2.639,42 R$ 2.335,44 2175,48 1965,62 2385,33 139,90
1. EQM 41.238,09
2. EQMR 203,07
Figura 36 Projeção das vendas da empresa AAL, considerando o modelo de média móvel
dupla.

Eletrônica 2014_PREV – AAL.xlsx, planilha: 3. Teste1 - MMDupla.
Dentre as fórmulas disponíveis as seguintes foram usadas:
1. Para calcular a Média Móvel – Equação 31

=MÉDIA(E5:E8)  considera a média dos 4 últimos trimestres.
2. Para calcular a Média Móvel Dupla – Equação 32

=MÉDIA(I8:I11)  considera a média das 4 últimas médias móveis.
3. Para calcular nível ( Et )
=2*I11-J11 duas vezes a média móvel do período menos a média

móvel dupla do mesmo período.
207
4. Para calcular tendência ( Tt )
=2*(I11-J11)/(4-1) é a razão entre duas vezes a diferença entre a

média móvel de um período e a média móvel dupla do mesmo período
e k-1, que nessa aplicação é 4-1=3.
=K11+L11  é a adição entre o nível e a tendência do período
anterior.
Figura 37 Comparação entre os valores de venda e a projeção das vendas da empresa AAL,
usando modelo de média móvel dupla.
Apesar do modelo não ter ajustado tão bem aos dados pode-se usá-lo para
realizar previsões.
208
Previsão com o Modelo de Média Móvel Dupla
Os resultados apresentados na Figura 36 podem ser usados para calcular a
previsão de tendência para qualquer período de tempo futuro. Considerando a
equação 33, no período de tempo 20, a previsão para o período de tempo 20+n,
segue o apresentado na equação 34.
Yˆ20  n  E20  nT20

Assim,
Yˆ21  E20  1  T20  2.385,33  1  139,9  2.525,23 (34)
Yˆ22  E20  2  T20  2.385,33  2  139,9  2.665,13

e assim por diante.

períodos 21, 22, 23 e 24, para o modelo de média móvel dupla (k=4).
Figura 38 Previsão do modelo de média móvel dupla, adotando k=4, para os trimestres de
21 a 24.
Percebe-se que a modelagem por média móvel dupla é muito simples de ser
aplica. Apesar disso, os resultados apresentados pelo modelo não demonstram
efetividade, especificamente no caso da empresa AAL.
209
Teste 2: Ajuste exponencial duplo (método de Holt)
O ajuste exponencial duplo (também conhecido como método de Holt) é
uma ferramenta eficaz na previsão de dados de série temporal que exibem
tendência linear.
Após observar o valor da série temporal no período t (Yt), o método Holt
computa uma estimativa do nível básico ou esperado da série temporal (Et) e a taxa
esperada de aumento ou diminuição (tendência) por período (Tt). A função de
previsão no método de Holt é representada pela equação 35.
Yˆt  n  Et  nTt (35)
Em que:
Et = representa o nível básico ou esperado da série temporal no período t;
Tt = representa a tendência calculada para o período t;
onde:
Et  Yt  1   Et 1  Tt 1  (36)
Tt   Et  Et 1   1   Tt 1 (37)
Em que:
0    1.
0   1.
A função de previsão da equação 35 pode ser usada para obter períodos de

tempo n para previsões no futuro, onde n=1, 2, 3, e assim por diante. A previsão
para o período de tempo t+n (Yt+n) é o nível básico no período t (dado por Et) mais a
influência esperada da tendência durante os próximos períodos n (dados por nTt).
210
Se houver uma tendência nos dados para cima, Et tende a ser maior do que
Et-1, tornando positiva a quantidade Et - Et-1 na equação 37. Isso tente a aumentar o
valor do fator de ajuste de tendência Tt. Ou se houver no dado uma tendência para
baixo, Et tende a ser maior do que Et-1, tornando negativa a quantidade Et - Et-1 na
equação 37. O que tende a diminuir o fator de ajuste de tendência (Tt).
Embora o método de Holt pareça mais complicado que os modelos discutidos
anteriormente, o processo é simples, constituído de 3 passos:
1. Calcule o nível básico de Et para o período de tempo t, usando a equação 36.
2. Calcule o valor de tendência esperada Tt para o período de tempo t+n usando
a equação 37.
3. Calcule a previsão final Yˆt  n para o período de tempo t+n usando a eq. 35.
A Figura 39 apresenta a implementação da planilha eletrônica com o método

de Holt para os dados da empresa AAL.

Eletrônica 2014_PREV – AAL.xlsx, planilha: 3. Teste2 - MHolt. Dentre
as fórmulas disponíveis as seguintes foram usadas:
1. Para calcular o nível

a) Valor para o primeiro trimestre (trim 1)
=E5  Nesse caso, considerou-se o valor real como o nível base.
b) Valor para os demais trimestres (trim de 2 a 20) – Equação 36

=($J$32*E6)+(1-$J$32)*(I5+J5)  segue o apresentado na eq. 36.
211
Projeção
Quant Vendas (R$ Método Holt Nível ou Tendência
Ano Trim
Trim mil) (R$ mil) (eq. 35) Base (eq. 36) (eq. 37)
2009 1 1 R$ 684,20 -- 684,20 0,00
2 2 R$ 584,10 R$ 684,20 634,15 -25,03
3 3 R$ 765,38 R$ 609,13 687,25 14,04
4 4 R$ 892,28 R$ 701,29 796,78 61,78
2010 1 5 R$ 885,40 R$ 858,57 871,98 68,49
2 6 R$ 677,02 R$ 940,48 808,75 2,63
3 7 R$ 1.006,63 R$ 811,38 909,00 51,44
4 8 R$ 1.122,06 R$ 960,44 1.041,25 91,84
2011 1 9 R$ 1.163,39 R$ 1.133,09 1.148,24 99,42
2 10 R$ 993,20 R$ 1.247,66 1.120,43 35,80
3 11 R$ 1.312,46 R$ 1.156,23 1.234,35 74,86
4 12 R$ 1.545,31 R$ 1.309,21 1.427,26 133,89
2012 1 13 R$ 1.596,20 R$ 1.561,14 1.578,67 142,65
2 14 R$ 1.260,41 R$ 1.721,32 1.490,87 27,42
3 15 R$ 1.735,16 R$ 1.518,29 1.626,72 81,64
4 16 R$ 2.029,66 R$ 1.708,36 1.869,01 161,96
2013 1 17 R$ 2.107,79 R$ 2.030,97 2.069,38 181,17
2 18 R$ 1.650,30 R$ 2.250,55 1.950,42 31,11
3 19 R$ 2.304,40 R$ 1.981,53 2.142,96 111,82
4 20 R$ 2.639,42 R$ 2.254,78 2.447,10 207,98
1. EQM 78.905,99 α 0,500

2. EQMR 280,90 β 0,500
Figura 39 Projeção das vendas da empresa AAL, considerando o método de Holt, com
α=β=0,5.
a) Valor para o primeiro trimestre (trim 1)

=0  Nesse caso, considerou-se valor do primeiro período como 0,
mesmo podendo ser qualquer valor inicial.
b) Valor para os demais trimestres (trim de 2 a 20) – Equação 37

=$J$33*(I6-I5)+(1-$J$33)*J5  segue o apresentado na eq. 37.
212
apresenta parâmetros usados no Solver para identificar o valor de α e de β. Já a
Figura 41 apresenta a solução para a identificação do valor usando o Solver.
Figura 40 Parâmetros usados no Solver para identificar os valores de α e de β, no método

de Holt.

valores ótimos para α e β são, respectivamente, 0,120 e 1,000. Com esses valores,
a medida de erro EQM tem seu valor reduzido de 78.905,99 (Figura 39) para
52.561,92 (Figura 41), gerando, consequentemente, projeções melhores.
A Figura 42 apresenta a comparação entre os valores de venda e os valore
projetados ao usar o método de Holt. Após testar o modelo é possível afirmar que
ele é válido e, por isso, ele pode ser usado para fazer previsões para observações
futuras.
213
Projeção
Quant Vendas (R$ Método Holt Nível ou Tendência
Ano Trim
Trim mil) (R$ mil) (eq. 35) Base (eq. 36) (eq. 37)
2009 1 1 R$ 684,20 -- 684,20 0,00
2 2 R$ 584,10 R$ 684,20 672,19 -12,01
3 3 R$ 765,38 R$ 660,18 672,80 0,61
4 4 R$ 892,28 R$ 673,41 699,68 26,88
2010 1 5 R$ 885,40 R$ 726,55 745,61 45,94
2 6 R$ 677,02 R$ 791,55 777,81 32,19
3 7 R$ 1.006,63 R$ 810,00 833,60 55,79
4 8 R$ 1.122,06 R$ 889,38 917,30 83,71
2011 1 9 R$ 1.163,39 R$ 1.001,01 1.020,50 103,19
2 10 R$ 993,20 R$ 1.123,69 1.108,03 87,54
3 11 R$ 1.312,46 R$ 1.195,57 1.209,60 101,56
4 12 R$ 1.545,31 R$ 1.311,16 1.339,26 129,66
2012 1 13 R$ 1.596,20 R$ 1.468,92 1.484,19 144,93
2 14 R$ 1.260,41 R$ 1.629,12 1.584,88 100,69
3 15 R$ 1.735,16 R$ 1.685,57 1.691,52 106,64
4 16 R$ 2.029,66 R$ 1.798,16 1.825,94 134,42
2013 1 17 R$ 2.107,79 R$ 1.960,36 1.978,05 152,11
2 18 R$ 1.650,30 R$ 2.130,16 2.072,58 94,53
3 19 R$ 2.304,40 R$ 2.167,11 2.183,58 111,00
4 20 R$ 2.639,42 R$ 2.294,58 2.335,96 152,38
1. EQM 52.561,92 α 0,120

2. EQMR 229,26 β 1,000
Figura 41 Projeção das vendas da empresa AAL, considerando o método de Holt, com
α=0,120 e β=1,000.
usando o método de Holt.
214
Previsão com o Método de Holt
Os resultados apresentados na Figura 42 podem ser podem ser usados para
calcular a previsão de tendência para qualquer período de tempo futuro.
Considerando a equação 35, no período de tempo 20, a previsão para o período de
tempo 20+n, segue o apresentado na equação 38.
Yˆ20  n  E20  nT20

Assim:
Yˆ21  E20  1 T20  2.335,96  1152,38  2.488,35 (38

)
Yˆ22  E20  2  T20  2.335,96  2  152,38  2.640,73
e assim por diante.

períodos 21, 22, 23 e 24, para o método de Holt.
Figura 43 Previsão do método de Holt, para os trimestres de 21 a 24 da empresa AAL.

Percebe-se que, apesar da aparente complexidade do método de Holt, sua
aplicação é muito simples. Apesar disso, os resultados apresentados pelo modelo
não demonstram muita efetividade, especificamente no caso da empresa AAL.
215
Teste 3: Método de Holt-Winter para efeitos sazonais aditivos
Os dados não estacionários, além de ter uma tendência para cima ou para
baixo, também podem exibir efeitos sazonais. Novamente, os efeitos sazonais
podem ser aditivos ou multiplicativos, por natureza.
O Método de Holt-Winter é uma a modelagem de previsão que pode ser
aplicada à série temporal que exibe tendência e sazonalidade. Para demonstrar o
método de Holt-Winter para efeitos sazonais aditivos, p representa o número de
períodos que caracteriza a sazonalidade (estações) na série temporal (ou seja, para
dados trimestrais, p=4; enquanto que para dados mensais p=12). A função de
previsão do método é apresentada na equação 39.
Yˆt  n  Et  nTt  St  n  p (39)
Em que:
S t  n  p = representa a sazonalidade associada o período t.
onde:
Et   Yt  St  p   1   Et 1  Tt 1  (40)
Tt   Et  Et 1   1   Tt 1 (41)
St   Yt  Et   1   St  p (42)
Em que:
0    1.
0   1.
216
0   1.
A função de previsão da equação 39 pode ser usada para obter períodos de
tempo n para previsões no futuro, onde n=1, 2, ..., p. A previsão para o período de
tempo t+n (Yt+n) é obtida com ajuste do nível básico no período t+n (dado por Et
+nTt) e pela estimativa mais recente de sazonalidade associada a esse período de
tempo (dado por St+n-p).
O nível básico esperado de série temporal no período t (Et) está atualizado na

equação 40, que leva uma média ponderada dos dois seguintes valores:
 Et 1  Tt 1 , que representa o nível básico esperado da série temporal no
período de tempo t, antes de observar o real valor no período de tempo t
(dado por Yt).
 Yt  St  p , que representa a estimativa sem sazonalidade do nível básico da
série temporal no período de tempo t, após observar Yt.
O fator de tendência por período (Tt) é atualizado com o uso da equação 41,
que é idêntico ao procedimento da equação 37, usada no método de Holt.
O fator estimado de ajuste sazonal para cada período de tempo é calculado

por meio da equação 42, que toma a média ponderada das seguintes quantidades:
 St  p , que representa o índice sazonal mais recente para a estação na qual o
período t ocorre.
 Yt  Et , que representa uma estimativa da sazonalidade associada ao período
de tempo t, após observar Yt.
O método de Holt-Winter é composto de 4 passos:

1. Calcule o nível básico de Et, para o período de tempo t, usando a equação 40.
2. Calcule o valor de tendência estimada Tt, para o período de tempo t, usando a
equação 41.
3. Calcule o fator sazonal estimado St, para o período de tempo t, usando a
equação 42.
4. Calcule a previsão final Yˆt  n para o período de tempo t+n usando a eq. 39.
217
As equações 40 e 41 assumem que, em um período de tempo t, existe uma
estimativa do fator sazonal do período t-p ou que há um valor para St  p . Assim, a
primeira tarefa na implementação desse método é estimar os valores para S1, S2, S3,
S4, nesse caso, pois p=4 (dados trimestrais). Uma maneira de simples de fazer
essas estimativas iniciais é seguir a equação 43.
p
Yi
S t  Yt   , t  1,2,..., p (43)
i 1 p
A equação 43 indica que a estimativa sazonal inicial St para cada um dos

primeiros períodos de tempo p é a diferença entre o valor observado no período de
tempo Yt e o valor médio observado durante os primeiros períodos p.
de Holt-Winter para os dados da empresa AAL. Sendo que os quatro primeiros
fatores sazonais foram calculados conforme a equação 42.
218

Eletrônica 2014_PREV – AAL.xlsx, planilha: 3. Teste3 - MHolt-
Winter_SA. Dentre as fórmulas disponíveis as seguintes foram
usadas:
1. Para calcular o nível (Et)

a) Valor para o trimestre de 1 a 3
Nesse caso, não pode ser calculados porque o primeiro período de
tempo para o qual St  p é conhecido é o período de tempo 5.
b) Valor para o trimestre 4

=E8-K8  por não ser possível calcular, assumiu-se que seu valor
seria a diferença entre o valor da venda no período, menos o fator
sazonal no mesmo período.
219
Projeção
Quant Vendas (R$ Mét Holt-Winter SA Nível ou Tendência Sazonalidad
Ano Trim
Trim mil) (R$ mil) (eq. 39) Base (eq. 40) (eq. 41) e (eq. 43 e 42)
2009 1 1 R$ 684,20 -- -- -- -47,29
2 2 R$ 584,10 -- -- -147,39
3 3 R$ 765,38 -- -- 33,89
4 4 R$ 892,28 731,49 0,00 160,79
2010 1 5 R$ 885,40 R$ 684,20 832,09 50,30 3,01
2 6 R$ 677,02 R$ 735,00 853,40 35,81 -161,88
3 7 R$ 1.006,63 R$ 923,10 930,97 56,69 54,77
4 8 R$ 1.122,06 R$ 1.148,44 974,46 50,09 154,19
2011 1 9 R$ 1.163,39 R$ 1.027,57 1.092,47 84,05 36,97
2 10 R$ 993,20 R$ 1.014,63 1.165,80 78,69 -167,24
3 11 R$ 1.312,46 R$ 1.299,26 1.251,09 81,99 58,07
4 12 R$ 1.545,31 R$ 1.487,27 1.362,10 96,50 168,70
2012 1 13 R$ 1.596,20 R$ 1.495,57 1.508,92 121,66 62,13
2 14 R$ 1.260,41 R$ 1.463,33 1.529,11 70,93 -217,97
3 15 R$ 1.735,16 R$ 1.658,12 1.638,56 90,19 77,33
4 16 R$ 2.029,66 R$ 1.897,45 1.794,85 123,24 201,75
2013 1 17 R$ 2.107,79 R$ 1.980,22 1.981,88 155,13 94,02
2 18 R$ 1.650,30 R$ 1.919,04 2.002,64 87,95 -285,16
3 19 R$ 2.304,40 R$ 2.167,92 2.158,83 122,07 111,45
4 20 R$ 2.639,42 R$ 2.482,64 2.359,28 161,26 240,94
1. EQM 17.523,89 α 0,500

2. EQMR 132,38 β 0,500
γ 0,500
Figura 44 Projeção das vendas da empresa AAL, considerando o método de Holt-Winter,

com α=β=  =0,5.
1. Para calcular o nível (Et) – cont.

c) Para os demais trimestres – Equação 40.
=$J$32*(E9-K5)+(1-$J$32)*(I8+J8)  segue o apresentado na eq. 40

Não pode ser calculado usando a equação 41.

220
2. Para calcular tendência ( Tt ) – cont.
c) Valor para os demais trimestres – Equação 41

3. Para calcular sazonalidade ( St )
a) Valor para o trimestre de 1 a 4 - Equação 43

=E5-MÉDIA($E$5:$E$8)  segue o apresentado na eq. 43.
b) Valor para os demais trimestres – Equação 42

=$J$34*(E9-I9)+(1-$J$34)*K5  segue o apresentado na eq. 42.
Para melhorar os resultados do método Holt-Winter sazonal aditivo, pode-se

utilizar o Solver para identificar os valores de α, β e  , que minimizem as medidas
de erro. A Figura 45 apresenta parâmetros usados no Solver para identificar os
valores de α, β e  . Já a Figura 46 apresenta a solução para a identificação dos
valores usando o Solver.

valores ótimos para α, β e  são, respectivamente, 0,222, 1,000 e 1,000. Com esses
valores, a medida de erro EQM tem seu valor reduzido de 17.523,89 (Figura 44)
para 8.544,04 (Figura 46), resultando, consequentemente, em projeções melhores.
A Figura 47 apresenta a comparação entre os valores de venda e os valore
projetados ao usar o método de Holt-Winter.
Pelos resultados apresentados, pode-se afirmar que o modelo Holt-Winter
gera bons ajustes em relação aos dados reais. Sendo, portanto, possível afirmar que
ele é válido e, por isso, ele pode ser usado para fazer previsões para observações
futuras.
221
Figura 45 Parâmetros usados no Solver para identificar os valores de α, β e  , considerando
o método de Holt-Winter,.
Previsão com o Método de Holt-Winter

calcular a previsões para qualquer período de tempo futuro. Considerando a
Yˆ20 n  E20  nT20  S 20 n  p

Assim:
(44)
Yˆ21  E20  1  T20  S 20 1 4 17  2.253,1  154,38  262,66  2.670,27
e assim por diante.
222
Projeção
Quant Vendas (R$ Mét Holt-Winter SA Nível ou Tendência Sazonalidad
Ano Trim
Trim mil) (R$ mil) (eq. 39) Base (eq. 40) (eq. 41) e (eq. 43 e 42)
2009 1 1 R$ 684,20 -- -- -47,29
2 2 R$ 584,10 -- -- -147,39
3 3 R$ 765,38 -- -- 33,89
4 4 R$ 892,28 731,49 0,00 160,79
2010 1 5 R$ 885,40 R$ 684,20 776,10 44,61 109,30
2 6 R$ 677,02 R$ 673,33 821,54 45,43 -144,51
3 7 R$ 1.006,63 R$ 900,86 890,42 68,89 116,20
4 8 R$ 1.122,06 R$ 1.120,09 959,74 69,32 162,32
2011 1 9 R$ 1.163,39 R$ 1.138,36 1.034,61 74,87 128,78
2 10 R$ 993,20 R$ 964,97 1.115,74 81,13 -122,54
3 11 R$ 1.312,46 R$ 1.313,08 1.196,74 80,99 115,73
4 12 R$ 1.545,31 R$ 1.440,05 1.301,07 104,33 244,23
2012 1 13 R$ 1.596,20 R$ 1.534,19 1.419,16 118,09 177,04
2 14 R$ 1.260,41 R$ 1.414,70 1.503,03 83,87 -242,62
3 15 R$ 1.735,16 R$ 1.702,63 1.594,12 91,09 141,04
4 16 R$ 2.029,66 R$ 1.929,44 1.707,43 113,31 322,23
2013 1 17 R$ 2.107,79 R$ 1.997,78 1.845,13 137,70 262,66
2 18 R$ 1.650,30 R$ 1.740,21 1.962,89 117,77 -312,59
3 19 R$ 2.304,40 R$ 2.221,70 2.099,00 136,10 205,40
4 20 R$ 2.639,42 R$ 2.557,33 2.253,30 154,30 386,12
1. EQM 8.544,04 α 0,222

2. EQMR 92,43 β 1,000
γ 1,000

com α=0,222, β=1,000 e  =1,000.
usando o método de Holt-Winter.
223
períodos 21, 22, 23 e 24, para o método de Holt-Winter.
Figura 48 Previsão do método de Holt-Winter, para os trimestres de 21 a 24 da empresa

AAL.
Percebe-se que, a aparente complexidade do método de Holt-Winter é
compensada pelos resultados apresentados. Especificamente no caso da empresa
AAL, o modelo demonstrou ser muito efetivo.
Teste 3: Método de Holt-Winter para efeitos sazonais multiplicativos

Analisando com mais rigor o gráfico da Figura 47, pode-se perceber que os
efeitos sazonais nos dados poderiam estar se tornando mais pronunciados com o
decorrer do tempo. Como resultado, talvez fosse mais apropriado modelar esses
dados com o método de Holt-Winter para efeitos sazonais multiplicativos.
Mais uma vez, para demonstrar o método de Holt-Winter para efeitos
sazonais multiplicativos, p representará o número de períodos que caracteriza a
sazonalidade (estações) na série temporal (ou seja, para dados trimestrais, p=4;
enquanto que para dados mensais p=12). Assim, função de previsão do método é
apresentada na equação 45.
Yˆt  n  Et  nTt St  n p (45)
224
Em que:
S t  n  p = representa a sazonalidade associada o período t.
onde:
 1   Et 1  Tt 1 
Yt
Et   (46)
St  p
Tt   Et  Et 1   1   Tt 1 (47)
 1   S t  p
Yt
St   (48)
Et
Em que:
0    1.
0   1.
0   1.
Nesse caso, a previsão para o período de tempo t+n ( Yˆt  n ) é obtida por meio
da multiplicação do nível básico esperado no período de tempo t+n (dado por Et
+nTt) e pela estimativa mais recente de sazonalidade associada a esse período de
tempo (dado por St+n-p).
O nível básico esperado da série temporal no período t (Et) é atualizado na

equação 47, que considera a média ponderada dos dois seguintes valores:
225
 Et 1  Tt 1 , que representa o nível básico esperado da série temporal no
período de tempo t antes de observar o real valor no período de tempo t (dado
por Yt).
 Yt / S t  p , que representa a estimativa sem sazonalidade do nível básico da
série temporal no período de tempo t, após observar Yt.
O fator de tendência por período (Tt) é atualizado com o uso da equação 47,
que é idêntico ao procedimento da equação 37, usada no método de Holt.
O fator estimado de ajuste sazonal para cada período de tempo é calculado
por meio da equação 48, que toma a média ponderada das seguintes quantidades:
 St  p , que representa o índice sazonal mais recente para a estação na qual o
período t ocorre.
 Yt / Et , que representa uma estimativa da sazonalidade associada ao período
de tempo t, após observar Yt.
As equações 46 e 48 assumem que, em um período de tempo t, existe uma

estimativa do fator sazonal do período t-p ou que há um valor para St  p . Assim, a
primeira tarefa na implementação desse método é estimar os valores para S1, S2, S3,
S4, nesse caso, pois p=4 (dados trimestrais). Uma maneira de simples de fazer
essas estimativas iniciais é seguir a equação 49.
Yt
St  p
, t  1,2,..., p
Yi

(49)
i 1 p
A equação 43 indica que a estimativa sazonal inicial St para cada um dos

primeiros períodos de tempo p é a diferença entre o valor observado no período de
tempo Yt e o valor médio observado durante os primeiros períodos p.
de Holt-Winter para efeitos sazonais multiplicativos para os dados da empresa AAL.
226
Sendo que os quatro primeiros fatores sazonais foram calculados conforme a
equação 49.
Projeção
Quant Vendas Mét Holt-Winter Nível ou Tendência Sazonalidad
Ano Trim
Trim (R$ mil) SM (R$ mil) (eq. Base (eq. 46) (eq. 47) e (eq. 49 e 48)
2009 1 1 R$ 684,20 -- -- 0,94
2 2 R$ 584,10 -- -- 0,80
3 3 R$ 765,38 -- -- 1,05
4 4 R$ 892,28 731,49 0,00 1,22
2010 1 5 R$ 885,40 R$ 684,20 839,04 53,78 1,00
2 6 R$ 677,02 R$ 712,92 870,34 42,54 0,79
3 7 R$ 1.006,63 R$ 955,17 937,46 54,83 1,06
4 8 R$ 1.122,06 R$ 1.210,41 956,08 36,72 1,20
2011 1 9 R$ 1.163,39 R$ 988,14 1.080,84 80,74 1,04
2 10 R$ 993,20 R$ 915,56 1.210,84 105,37 0,80
3 11 R$ 1.312,46 R$ 1.395,25 1.277,16 85,85 1,04
4 12 R$ 1.545,31 R$ 1.631,12 1.327,15 67,92 1,18
2012 1 13 R$ 1.596,20 R$ 1.445,07 1.468,02 104,39 1,06
2 14 R$ 1.260,41 R$ 1.264,58 1.569,83 103,10 0,80
3 15 R$ 1.735,16 R$ 1.746,28 1.667,60 100,43 1,04
4 16 R$ 2.029,66 R$ 2.087,23 1.743,65 88,24 1,17
2013 1 17 R$ 2.107,79 R$ 1.944,69 1.908,71 126,65 1,08
2 18 R$ 1.650,30 R$ 1.635,54 2.044,54 131,24 0,81
3 19 R$ 2.304,40 R$ 2.267,56 2.193,46 140,08 1,05
4 20 R$ 2.639,42 R$ 2.735,57 2.292,53 119,57 1,16
1. EQM 10.431,44 α 0,500

2. EQMR 102,13 β 0,500
γ 0,500
Figura 49 Projeção das vendas da empresa AAL, considerando o método de Holt-Winter

para efeitos sazonais multiplicativos, com α=β=  =0,5.
227

Eletrônica 2014_PREV – AAL.xlsx, planilha: 3. Teste4 - MHolt-
Winter_SM. Dentre as fórmulas disponíveis as seguintes foram
usadas:
1. Para calcular o nível (Et)

a) Valor para o trimestre 4
=E8-K8  por não ser possível calcular, assumiu-se que seu valor
seria a diferença entre o valor da venda no período, menos o fator
sazonal no mesmo período.
228
1. Para calcular o nível (Et) – cont.

b) Para os demais trimestres – Equação 46.
=$J$32*(E9/K5)+(1-$J$32)*(I8+J8)  segue o apresentado na eq. 46

Não pode ser calculado usando a equação 47.

c) Valor para os demais trimestres – Equação 47

3. Para calcular sazonalidade ( St )
a) Valor para o trimestre de 1 a 4 - Equação 49

=E5/MÉDIA($E$5:$E$8)  segue o apresentado na eq. 49.
b) Valor para os demais trimestres – Equação 48

==$J$34*(E9/I9)+(1-$J$34)*K5  segue o apresentado na eq. 48.
Para melhorar os resultados do método Holt-Winter sazonal multiplicativo,

pode-se utilizar o Solver para identificar os valores de α, β e  , que minimizem as
medidas de erro. A Figura 50 apresenta parâmetros usados no Solver para
identificar os valores de α, β e  . Já a Figura 51 apresenta a solução para a
identificação dos valores usando o Solver.
229
Figura 50 Parâmetros usados no Solver para identificar os valores de α, β e  , considerando
o método de Holt-Winter com efeito sazonal multiplicativo.

valores ótimos para α, β e  são, respectivamente, 0,243, 1,000 e 0,780. Com esses
valores, a medida de erro EQM tem seu valor reduzido de 10.431,44 (Figura 49)
para 5.157,69 (Figura 51), resultando, consequentemente, em projeções melhores.
A Figura 52 apresenta a comparação entre os valores de venda e os valores

projetados ao usar o método de Holt-Winter com efeito sazonal multiplicativo.
Pelos resultados apresentados, pode-se afirmar que esse modelo gera bons
ajustes em relação aos dados reais. Sendo, portanto, possível afirmar que ele é
válido e, por isso, pode ser usado para fazer previsões para observações futuras.
230
Projeção
Quant Vendas Mét Holt-Winter Nível ou Tendência Sazonalidad
Ano Trim
Trim (R$ mil) SM (R$ mil) (eq. Base (eq. 46) (eq. 47) e (eq. 49 e 48)
2009 1 1 R$ 684,20 -- -- 0,94
2 2 R$ 584,10 -- -- 0,80
3 3 R$ 765,38 -- -- 1,05
4 4 R$ 892,28 731,49 0,00 1,22
2010 1 5 R$ 885,40 R$ 684,20 783,75 52,26 1,09
2 6 R$ 677,02 R$ 667,56 838,89 55,14 0,81
3 7 R$ 1.006,63 R$ 935,45 910,56 71,67 1,09
4 8 R$ 1.122,06 R$ 1.198,12 967,07 56,52 1,17
2011 1 9 R$ 1.163,39 R$ 1.112,49 1.034,97 67,89 1,12
2 10 R$ 993,20 R$ 887,98 1.134,61 99,64 0,86
3 11 R$ 1.312,46 R$ 1.348,37 1.226,27 91,66 1,08
4 12 R$ 1.545,31 R$ 1.546,44 1.317,69 91,42 1,17
2012 1 13 R$ 1.596,20 R$ 1.572,40 1.414,30 96,61 1,13
2 14 R$ 1.260,41 R$ 1.299,21 1.499,94 85,64 0,84
3 15 R$ 1.735,16 R$ 1.704,79 1.592,45 92,51 1,09
4 16 R$ 2.029,66 R$ 1.976,25 1.696,01 103,57 1,19
2013 1 17 R$ 2.107,79 R$ 2.025,99 1.817,24 121,22 1,15
2 18 R$ 1.650,30 R$ 1.637,27 1.942,21 124,97 0,85
3 19 R$ 2.304,40 R$ 2.245,85 2.080,27 138,06 1,10
4 20 R$ 2.639,42 R$ 2.643,07 2.217,59 137,32 1,19
1. EQM 5.157,69 α 0,243

2. EQMR 71,82 β 1,000
γ 0,780

com α=0,222, β=1,000 e  =1,000.
usando o método de Holt-Winter com efeito sazonal multiplicativo.
231
Previsão com o Método de Holt-Winter com efeito sazonal multiplicativo
calcular a previsões para qualquer período de tempo futuro. Considerando a
Yˆ20 n  E20  nT20 S 20 n p

Assim:
Yˆ21  E20  1 T20 S 201417  2.217,6  1 137,3 *1,15  2.713,7

(50)
e assim por diante.

períodos 21, 22, 23 e 24, para o método de Holt-Winter com efeito sazonal
multiplicativo.
Figura 53 Previsão do método de Holt-Winter com efeito sazonal multiplicativo, para os

trimestres de 21 a 24 da empresa AAL.
232
Assim como no método de efeito sazonal aditivo, a aparente complexidade do
método deste é compensada pelos resultados apresentados. Especificamente no
caso da empresa AAL, o modelo demonstrou ser o mais efetivo de todos.
5.8.4 Passo 4 e 5: Avaliar os modelos (estacionários) e Verificar a

validade
Considerando a análise de previsão com tendência quatro modelos foram
testados: 1) média móvel dupla; 2) ajuste exponencial duplo (Método de Holt); 3)
Método de Holt-Winter para efeitos sazonais aditivos; e 4) Método de Holt-Winter
para efeitos sazonais multiplicativos. Considerando as análises realizadas, pode-se
afirmar que os quatro modelos se ajustam bem aos dados reais.
54), pode-se afirmar que, para o caso da empresa AAL, o que consegue melhores
medidas de precisão é o modelo de HOLT-WINTER PARA EFEITOS SAZONAIS
MULTIPLICATIVOS. Por outro lado, o que apresenta resultados menos relevantes
para os dados é o modelo de AJUSTE EXPONENCIAL DUPLO (MÉTODO DE
HOLT).
MÉDIA MÓVEL DUPLA AJUSTE EXPONENCIAL DUPLO

(MÉTODO DE HOLT)
HOLT-WINTER PARA EFEITOS HOLT-WINTER PARA EFEITOS

SAZONAIS ADITIVOS SAZONAIS MULTIPLICATIVOS
233
Figura 54 Avaliação das medidas de precisão dos modelos de séries temporais com
tendência.
Por fim, de modo geral, pode-se afirmar que apesar de todos os modelos
serem válidos, o mais indicado para se realizar previsões é o modelo de HOLT-
WINTER PARA EFEITOS SAZONAIS MULTIPLICATIVOS.
5.8.5 Passo 6: Realizar previsões

Definido o modelo mais recomendado para os dados, o próximo passo é
realizar previsões. Assim, de acordo com o modelo, as previsões de venda d a
empresa AAL são apresentadas na Figura 53.
Ressalta-se, mais uma vez que, apesar de aparentemente ter terminado o

processo de previsão, infinitos ciclos de verificação podem e devem ser realizados.
Ou seja, a medida que o horizonte de previsão se alarga, a confiança na exatidão da
previsão diminui, porque não há garantia de que os padrões históricos nos quais se
baseia o modelo continuarão indefinidamente.
234
REFERÊNCIAS
ARMSTRONG, J. S.; COLLOPY, F. (1998). Integration of statistical methods and judgment

for time series forecasting: Principles from empirical research. Forecasting with judgment.
New York: John Wiley & Sons, Inc. p 269-293.
ARNOLD, J. R. T. (1999). Administração de materiais. São Paulo: Atlas.
BARBANCHO, A. G. (1970) Fundamentos e possibilidades da econometria. Rio de
Janeiro: Forum Editora. p.18-32.
CORRÊA, H. L.; GIANESI, I. G. N.; CAON, M. (2000). Planejamento, programação e
controle da produção: MRP II/ERP: conceitos, uso e implantação. 3ªed. São Paulo: Atlas.
DAVIS, M. M.; AQUILANO, N. J.; CHASE, R. B. (2001) Fundamentos da administração da
produção. 3ªed. Porto Alegre : Bookman Editora.
DeLURGIO, S. A. (1998). Forecasting principles and applications. 1st Edition. Singapore:
McGraw-Hill. 802p.
FABRIS, A. A. (2000). Estratégia para previsão e acompanhamento da demanda de carnes
no mercado de frangos de corte. Florianópolis. 97f.. Dissertação (Mestrado em Engenharia
de Produção) – Universidade Federal de Santa Catarina.
MAKRIDAKIS, S.; WHEELWRIGHT, S. C.; HYDMAN R. J. (1998). Forecasting methods
and aplications. 3th edition. New Jersey: John Wiley & Sons. 642p.
MARTINS, P. G.; LAUGENI, F. P. (1999) Administração da produção. São Paulo: Saraiva.
MOORE, J. H.; WEATHERFORD, L. R. (2005) Tomada de decisões em administração
com planilhas eletrônicas. 6ª edição. Porto Alegre: Bookman. Capítulo 13, Previsão. 644p.
MOREIRA, D. A. (1996) Administração da produção e operações. 2e. São Paulo:
Pioneira.
MORETTIN, P. A.; TOLOI, C. M. de C. (1981). Modelos para Previsão de Séries Temporais.
In: 13° Colóquio Brasileiro de Matemática. Rio de Janeiro: [s.n.], 1981.
MUELLER, A. (1996). Uma aplicação de redes neurais artificiais na previsão do
mercado acionário. Florianópolis. 90f.. Dissertação (Mestrado em Engenharia de
Produção) – Centro tecnológico, Universidade Federal de Santa Catarina.
MURDICK, R. G; GEORGOFF, D. M. (1986). How to choose the best techniques – or
combination of techniques – to help solve your particular forecasting dilemma. Harvard
Business Review, January-February. p.110-120.
RAGSDALE, C. T. (2001). Spreadsheet modeling and decision analysis. 3rd Edition.
Ohio: South-Western Publishing. 794p.
SANDERS, N. R.; (1995) Managing the forecasting function. Industrial Managemente &
Data Systems, MCB University Press, v.95, n.4, p.12-18.
SCHWITZKY, M. (2001). Acuracidade dos métodos de previsão e sua relação com o
dimensionamento dos estoques de produtos acabados. Florianópolis. 137f.. Dissertação
(Mestrado em Engenharia de Produção) – Universidade Federal de Santa Catarina.
WHEELWRIGHT, S. C.; MAKRIDAKIS, S. (1985). Forecasting Methods for Management.
4th edition. New York: John Wiley & Sons Inc.
235

2014 - PREV - ApostilaCompleta

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

2014 - PREV - ApostilaCompleta

Título original:

Enviado por

Direitos autorais:

Formatos disponíveis

PREVISÃO PARA AUXÍLIO À DECISÃO

COMO FAZER PREVISÕES

1 INTRODUÇÃO AO CURSO ........................................................................................... 1

2.3 Por que é importante?

As previsões desempenham um papel cada vez mais importante nas

2.4 Quais os principais métodos?

O campo da previsão formal, pincipalmente para negócios e tomada de

Figura 1 Principal diferenciação dos métodos de previsão

2.5 Quais características considerar?

Os métodos, sejam eles qualitativos ou quantitativos, podem ser usados para

Os métodos podem assumir os seguintes horizontes de previsão:

O termo precisão refere-se à relativa acurácia dos métodos,

O custo de desenvolvimento dos métodos univariáveis é menor,

A análise de período de dados (por exemplo, horas, semanas,

O custo de aplicação de métodos diferentes afeta a frequência de

O horizonte de previsão influencia na escolha apropriada do método

Isso ocorre porque a complexidade e a subjetividade dos métodos

É importante encontrar nos métodos a capacidade de

Fonte: Baseado em DeLurgio (1998) e Davis et al. (2001).

Adicionalmente às características apresentadas no Quadro 1, alguns

Como visto, é possível classificar os métodos de previsão de três formas

MÉTODOS QUALITATIVOS DE PREVISÃO

As previsões realizadas por métodos qualitativos baseiam-se,

Quadro 2 Principais modelos de previsão para o método qualitativo.

Processo interativo em que especialistas respondem a questionários

Usa a representação de uma árvore de relações entre metas e

Este modelo é baseado na definição de que o consenso de alguns

Modelos de séries temporais que usam eventos similares com o

Método para conseguir uma média ou consenso previsto de

Fonte: Baseado em DeLurgio (1998).

MÉTODOS QUANTITATIVOS: UNIVARIÁVEIS OU SÉRIES TEMPORAIS

Considerando os métodos quantitativos (também conhecidos como

Os métodos quantitativos univariável, amplamente conhecido como Séries

Valores futuros  f (Valores passados) (1)

As previsões baseadas nesses métodos além procurar identificar tendências

Quadro 3 Principais modelos de previsão de séries temporais.

Suavização de séries temporais usando médias móveis reduz,

Alisamento As séries temporais são suavizadas por observações recentes, as

Decomposição Método que decompõe sistematicamente uma série temporal em

Método que modela tendência, sazonalidade e movimentos cíclicos,

Método que modela séries usando tendência, sazonalidade e

Fonte: Baseado em DeLurgio (1998).

MÉTODOS QUANTITATIVOS: MULTIVARIÁVEIS OU CAUSAIS

A principal diferença entre o método univariável e o multivariável é que o

OUTROS MÉTODOS QUANTITATIVOS

Usando o método dos mínimos quadrados, modela-se a relação

As relações entre uma ou mais variáveis endógenas e ou exógenas

ARIMA Método que combina a força da econometria e métodos de séries

Modelo VAR é uma simples aproximação que usa modelos MARIMA

Fonte: Baseado em DeLurgio (1998).

Quadro 5 Outros métodos quantitativos de previsão.

Caracterizado pelo teste formal de hipóteses usando uma ampla

Pesquisa Uma ampla variedade de métodos quantitativos que são usados na

Fonte: Baseado em DeLurgio (1998).

O Método Delphi teve seu nome baseado no antigo Oráculo de Delfos

Como já definido, Delphi é um enfoque sistemático, fundamentado em

Quadro 6 Características do Método Delphi, com suas respectivas vantagens e

Permite a igualdade de expressão Sem desvantagem aparente

Redução de ruídos. Pode determinar o sucesso ou

No decorrer das discussões os Dependendo de como são

Uso de São formados conceitos, Possibilidade de obter o

Sinergia de opiniões entre Risco de se formar um consenso