PREVISÕES

• Previsão – estuda e modela o passado para

prever o futuro.
Previsão

Qualitativo Quantitativo

casuais temporais
• Qualitativos – assentam em juízo subjectivos e especulações
baseada na experiencia e na intuição dos especialistas, no
estabelecimento de cenários ou paralelismos com situações
semelhantes.

• Quantitativos – assentam na manipulação matemática de dados

históricos, e procura projectar no futuro padrões de
comportamentos que se identificam nos dados sobre o passado.

a) Método casuais – procura-se, com base nos dados

históricos, relacionar a variável sobre a qual se pretende fazer
previsão com outra variável que possa explicar o comportamento
da primeira. Recorre-se tipicamente a técnica de estatística de
regressão linear.

b) Métodos temporais (não casual) – assenta na analise da serie de

valores passados da variável a prever, procurando caracterizar a
sua forma de evolução e projectar no futuro esses padrões de
comportamento
• A estimativa do comportamento futuro é baseada no
comportamento da variável no passado.
• As previsões com base em séries temporais são simples
métodos aritméticos de extrapolação para o futuro de
comportamentos passados.
• O melhor método de previsão é o que, aplicado aos dados
passados, exibir menor erro.
• Quanto maior o volume de dados melhor a previsão, desde
de que a conjuntura em que esses dados foram obtidos se
mantenha para os períodos de previsão.
• Há que identificar os factores endógenos e exógenos à
organização e/ou produto, antes de efectuar a previsão.
 Modelo de regressão linear
Y a bX
X2 Y X XY
a
n X2 ( X )2
n XY X Y
b
n X2 ( X )2
n XY X Y
r
[n X2 ( X )2 ] n Y2 ( Y )2
• x – variável independente
• y – variável dependente
• a – intercepto do eixo vertical
• b – inclinação da linha de regressão
• Y – valor de y que situa na linha de tendência
• X – valor de x que se situa na linha de
tendência
• r – coeficiente de correlação
 Exemplo 1
• Uma empresa produz cadeiras, dados
históricos revelam um crescimento de
vendas, pretende-se desenvolver uma
previsão a longo prazo para planear a
produção nos próximos três anos.

Ano 1 2 3 4 5 6 7 8 9 10
vendas 1000 1300 1800 2000 2000 2000 2200 2600 2900 3200
y x x2 xy
1000 1 1 1000
1300 2 4 2600
1800 3 9 5400
2000 4 16 8000
2000 5 25 10000
2000 6 36 12000
2200 7 49 15400
2600 8 64 20800
2900 9 81 26100
3200 10 100 32000
∑y=21000 ∑x=55 ∑x2=385 ∑xy=133300
 (385) 21000 (55)133300
a
10(385) (55) 2
a 913,333
b 215,758
Y 913,333 215,758X
Y11 913,333 215,758(11) 3287
Y12 3502
Y13 3718
r 0894
 Series Cronológicas (Temporais)
• Conjunto de oscilações de uma variável de
períodos sucessivos e iguais período de tempo
• A metodologia de analise de series cronológicas
compreende três fases;
a) Identificação do modelo adequado as
características da serie.
b) Estimar os parâmetros.
c) Testes da adequação do modelo (aleatoriedade
do erro).
 Sereis Temporais
Series estacionarias
• Medias moveis simples
• Alisamento exponencial
Series com tendência
• Regressão linear
• Medias moveis duplas
• Alisamento exponencial duplo
• Modelo de holt
Series sazonais
• Modelo de Holt Winter
• Decomposição de series
 300
250
200 • Serie com tendência
150
100
50
0
1 3 5 7 9 11 13 15 17 19

200

150

100
• Serie com aleatoriedade
50

0
1 3 5 7 9 11 13 15 17

2500
2000

• Serie com sazonalidade e

1500
1000
500
0
tendência
1 3 5 7 9 11 13 15 17 19
 Exemplo 2
Dada a seguinte serie cronológica.
t 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
Yt 137 115 148 122 121 145 146 110 115 149 108 120 145 114 102 145 133 144

a) Represente graficamente e procure caracteriza-

la
b) Faça uma previsão para o período seguinte no
intervalo de confiança 99%
(considere 0,10 para a constante de amortecimento
ou medias moveis de comprimento 5)
160

140

120

100

80

60

40

20

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

• Não tem tendência e sazonalidade (os valores máximos

e mínimos não se repetem em intervalos de tempo fixo)
• Este tipo de serie é modelavel pela expressão Yt=nt+et.
• nt – nível da serie
• et – variável aleatória
• Existe dois modelos para estimar o nível da serie:
amortecimento exponencial e medias moveis
 Modelo de amortecimento exponencial
Yt nt t t yt nt Yt et
137 137
1
nt Yt (1 )nt 1 137
2 115 134,80 -22,0
n1 137 3 148 136,12 134,80 13,2

4 122 134,71 136,12 -14,1

n2 0,10.(115) (1 0,10).137 134,8
5 121 133,34 134,71 -13,7
n3 0,10.(148) (1 0,10).134,8 136,12 6 145 134,50 133,34 11,7

7 146 135,65 134,50 11,5

n4 0,10.(122) (1 0,10).136,12 134,71
8 110 133,09 135,65 -25,7
... 9 115 131,28 133,09 -18,1

10 149 133,05 131,28 17,7

n18 0,10.(144) 1 0,10).128,90 130,41
11 108 130,55 133,05 -25,1

12 120 129,49 130,55 -10,5

Y19 130 13 145 131,04 129,49 15,5

14 114 129,34 131,04 -17,0

15 102 126,60 129,34 -27,3

16 145 128,44 126,60 18,4

17 133 128,90 128,44 4,6

18 144 130,41 128,90 15,1

19 130,41
 2 2 2
( 22,0) (13,20) ... ( 14,10)
EMQ 350
18
P( Z Z ) 0,005 (ver tabela)
2 2
2,58
o intervalo de confiança da previsão sera;
130,41 2,58. 350 130,41 48,4 82 : 179
 Modelo de Medias Moveis
Yt nt t t yt nt Yt et
137
Y1 N 1 Yt N 2 ....Yt 1 Yt 1
nt
N 2 115
3 148
Y1 Y2 Y3 Y4 Y5
n5 128,6 4 122
5
5 121 128,60
115 148 122 121 145
n6 130,2 6 145 130,20 128,60 16,4
5 7 146 136,40 130,20 15,8
148 122 121 145 146 8 110 128,80 136,40 -26,4
n7 136,4
5 9 115 127,40 128,80 -13,8

... 10 149 133,00 127,40 21,6

11 108 125,60 133,00 -25,0
114 102 145 133 144
n18 127,6 12 120 120,40 125,60 -5,6
5 13 145 127,40 120,40 24,6
14 114 127,20 127,40 -13,4

Y19 128 15 102 117,80 127,20 -25,2

16 145 125,20 117,80 27,2
17 133 127,80 125,20 7,8
18 144 127,60 127,80 16,2
19 127,60
 (16,4) 2 (15,8) 2 ... (16,2) 2
EMQ 385,52
13
P( Z Z ) 0,005 (ver tabela)
2 2
2,58
o intervalo de confiança da previsão sera;
127,6 2,58. 385,52 127,6 50,6 77 : 178
 Exemplo 3
Dada a seguinte serie cronológica.
t 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Yt 256 249 240 251 249 234 236 241 227 236 234 220 227 216 213 212 225 218 220 212

a) Represente graficamente e procure caracteriza-

la
b) Faça uma previsão para o período seguinte no
intervalo de confiança 99%
(considere α=0,4 e β=0,3 para a constante de
amortecimento )
 300

250

200

150

100

50

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

• Da observação do gráfico, podemos verificar que a serie

decresce, apresentando uma tendência linear decrescente.
• Este tipo de serie é moderável pela expressão Yt=Tt+et.
Tt – tendência da serie
et – variável aleatória

• Podemos estimar pelos modelo de Holt, regressão

linear, medias moveis duplas ou alisamento exponencial
duplo;
 Modelo de Holt
Yt k nt k .bt
nt Yt (1 )(nt 1 bt 1 )
bt ( nt nt 1 ) (1 )bt 1

n1 Y1
n2 Y2
b2 Y2 Y1
n3 0,40 * 240 (1 0,40) * [ 249 ( 7)] 241,2
b3 0,3 * ( 241,2 249) (1 0,3) * ( 7) 7,2
n4 0,40 * 251 (1 0,40) * [ 241,2 ( 7,2)] 240,8
b4 0,3 * ( 240,8 241,1) (1 0,3) * ( 7,2) 5,2
...
t yt nt bt Yt et
1 256 256
2 249 249 -7
3 240 241,2 -7,2 242 -2
4 251 240,8 -5,2 233,96 17,04
5 249 240,9 -3,6 235,6 13,42
6 234 236,0 -4,0 237,4 -3,36
7 236 233,6 -3,5 232,0 3,97 yt Yt
t
8 241 234,5 -2,2 230,1 10,89
9 227 230,2 -2,8 232,3 -5,26 3 240 242 2
10 236 230,8 -1,8 227,3 8,68
11 234 231,0 -1,2 229,0 5,00
12 220 225,9 -2,4 229,8 -9,80 ( 2) 2 (17) 2 ... ( 4,5) 2
13 227 224,9 -2,0 223,5 3,49 EMQ 52,66
14 216 220,2 -2,8 223,0 -6,96 18
15 213 215,6 -3,3 217,4 -4,39 intervalo de confiaça 90%, o valor de z / 2 1, ,645
16 212 212,2 -3,4 212,3 -0,32
17 225 215,3 -1,4 208,8 16,16 213,9 / 1,645* 52,66 213,9 / 12,2  202 : 226
18 218 215,5 -0,9 213,9 4,11
19 220 216,8 -0,3 214,6 5,38
20 212 214,7 -0,8 216,5 -4,50
21 214
 • Resolva o exemplo 3, pelo método de
regressão linear.
Dada a seguinte serie cronológica.
t 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Yt 256 249 240 251 249 234 236 241 227 236 234 220 227 216 213 212 225 218 220 212

a) Represente graficamente e procure caracteriza-la

b) Faça uma previsão para o período seguinte no
intervalo de confiança 99%
 Exemplo 4
• Uma empresa nos últimos 20 meses vendeu
as seguintes quantidades.
t 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

yt 1503 1287 1262 1498 1720 1630 1551 1523 1710 1907 1798 1611 1565 1917 2031 1902 1723 1597 1823 2042

a) Represente graficamente e procure

caracteriza-la
b) Faça uma previsão para o período seguinte
no intervalo de confiança 99%
2500
Serie com tendência
crescente e com
2000 sazonalidade de período
5 (de 5 em 5 instante
repete-se o mesmo tipo
1500
de flutuação em torno do
crescimento global da
1000 serie)
Máximos nos instantes
500
5,10 e 15.
Mínimos nos instantes
3, 8, 13 e 18
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
 Decomposição Clássica
Yˆt Tˆt Sˆt t no caso da serie ter tendencia
Yˆt nt Sˆt t no caso da serie não ter tendencia

• Em que Tt ou nt são os estimadores da tendência ou

nível, consoante o caso e St representa os estimadores
dos índices de sazonalidade.
• Este método começa por tentar eliminar a
sazonalidade, utilizando as medias moveis centradas
com o comprimento igual ao período de sazonalidade
s.
 Decomposição Clássica
Medias moveis
1
comprimetoinpar Mt (Yt n Yt n 1 ... Yt ... Yt n 1 Yt n )
N
1 1 1
comprimetopar Mt ( Yt n Yt n 1 ... Yt ... Yt n 1 Yt n )
N 2 2
Y1 Y2 Y3 Y4 Y5 1503 1287 1262 1498 1720
M3 1454
5 5
Y2 Y3 Y4 Y5 Y6 1287 1262 1498 1720 1630
M3 1479,4
5 5
.
.
.
Y16 Y17 Y18 Y19 Y20 1902 1723 1597 1823 2042
M3 1817,4
5 5
 Decomposição clássica
• Correlacionando, pela regressão linear simples
(t;Mt).

t 168
t 10.5
t2 2104
Mt 27110,2
Mt 1694,4
a 1426,2
b 25,54
Tˆ t 1426,2 25,54t
 Decomposição Clássica
Os valores de índice de sazonalidade são calculados
através da diferença entre Yt – Tt.
S1=1503-1451,7=51,3
S2=1287-1477,3=-190,3
…
S20=2042-1937=105
• Sendo o período de sazonalidade igual a
5, pertencerão a mesma família os índices separados
de 5 instante.
• Os índices médio de cada família, será;
• Sendo o período de
sazonalidade igual a
5, pertencerão a mesma
família os índices
separados de 5 instante.
• Os índices médio de cada
família, será;
A soma dos índices de sazonalidade deve ser igual a zero, pelo que
se deve utilizar a seguinte formula correctiva;
• A previsão para o
próximo período será;
t Yt Mt Tt St S't Y't et
1 1503 1451,74 51,26 64,9
2 1287 1477,28 -190,28 -125,8
3 1262 1454 1502,82 -240,82 -207,6
4 1498 1479,4 1528,36 -30,36 17,1
5 1720 1532,2 1553,9 166,1 179,5
6 1630 1584,4 1579,44 50,56 -71,9
7 1551 1626,8 1604,98 -53,98 595
8 1523 1664,2 1630,52 -107,52
9 1710 1697,8 1656,06 53,94
10 1907 1709,8 1681,6 225,4
11 1798 1718,2 1707,14 90,86
12 1611 1759,6 1732,68 -121,68
13 1565 1784,4 1758,22 -193,22
14 1917 1805,2 1783,76 133,24
15 2031 1827,6 1809,3 221,7
16 1902 1834 1834,84 67,16
17 1723 1815,2 1860,38 -137,38
18 1597 1817,4 1885,92 -288,92
19 1823 1911,46 -88,46
20 2042 1937 105
Jone Heitor

obrigado