Análise e Modelagem da Série Temporal – descrever a série, verificar suas

características mais relevantes e suas possíveis relações com outras séries;

Previsão da Série Temporal – a partir de valores passados da série (e talvez de outra
série também), encontrar boas previsões (de curto prazo) de valores futuros da série.
Objectivos de analises de series temporais
Descrição: consiste praticamente em conhecer o comportamento da série temporal.
Portanto, o primeiro passo na análise é elaborar o gráfico da série temporal com o
objectivo de observar as principais propriedades da série como: Tendência (T),
variações sazonalidade (S), variações ciclo (C) e variações Irregulares;
Explicação: quando as observações são tomadas de duas ou mais variáveis, podendo
estar interessados em saber se a variação de uma série pode explicar a variação das
outras séries;
Previsão: dada uma série temporal observada no presente, pode-se querer prever os
valores futuros desta por meio de um modelo matemático;
Controle de Processos: implica o controle estatístico de qualidade da serie.
Objectivo da obtenção da tendência de uma série temporal:
i) avaliar o seu comportamento para utilizá-lo em previsões;
ii) removê-la da série para facilitar a visualização das outras componentes, ou
ainda
iii) identificar o nível da série (o valor ou faixa típica de valores que a variável
pode assumir, se não for observado o comportamento crescente ou
decrescente no longo prazo).
Características de uma série temporal
Uma série temporal sempre carrega consigo componentes associados como tendência e
sazonalidade, e podem ser estacionárias ou não estacionárias. A forma de análise dessa
série, isto é, o tipo de modelo a ser utilizado, é dependente dessas características.
Tendência - A tendência de uma série temporal é definida com base em seu
crescimento/decrescimento em um determinado período de tempo. Isto é, para esse
período de tempo estabelecido, a tendência indica se a série cresce, decresce ou
permanece estável.
Sazonalidade - Quando é possível identificar na série temporal padrões de
comportamento, ou seja, oscilações de subida ou descida, que ocorrem em períodos
específicos, seja semana, mês ou ano.
Estacionariedade - Se uma série temporal se comporta de forma aleatória ao longo do
tempo e em torno de uma média constante, ela é dita estacionária.
Medias ponderadas

WMA ( P4 ) =M 4 =
∑ αi R i
∑ αi
Média Ponderada com os pesos

Semana (α i) 0,1 0,2 0,7

Hospedes ( Ri ) 400 380 411
a) A previsão da semana 4
Com base no Excel, obtemos a seguinte tabela de previsão,
Semana Hospedes Previsao
0,1 400
0,2 380
0,7 411
4 403,7

Com base na fórmula, WMA ( Pi )=M i=

∑ αi R i
∑ αi
WMA ( P4 ) =M 4 =
∑ α i R i = 411× 0.7+380 ×0.2+ 400× 0.1 = 287.7+76+ 40 =403.7
∑ αi 0.7+0.2+0.1 1

b) Previsão da semana 5 sabendo que a demanda real da semana 4 é 415

Com base no Excel, obtemos a seguinte tabela de previsão,

Hospede
Semana s Previsao
400
0,1 380
0,2 411
0,7 415
5 410,7
Na base das somas aritméticas

WMA ( P5 )=M 4=
∑ α i Ri = 415 ×0.7 +411 ×0.2+380 × 0.1 = 290.5+82.2+38
∑ αi 0.7+ 0.2+0.1 1
WMA ( P5 )=410.7

Interpretação: tomando o número real de 415 na semana 4, pela média ponderada a

previsão do hotel Salvador na semana 5 é de 410.7

1. Pelo método de suavizado exponencial, calcular as previsões para a faixa de

meses entre 2 à 11 com os seguintes valores para α : 0,2; 0,5; 0,7 e 0,3.
Foemula: a∗285+ ( 1−0,2 )∗301
0,2 0,5 0,7 0,3
Mês Biscicleta Previsao Erro Previsao Erro Previsao Erro Previsao Erro
1 285 301,5 -16,50 301,5 301,5 301,5
2 288 298,20 -10,20 293,25 -5,25 289,95 -1,95 296,55 -8,5
3 310 296,16 13,84 290,625 19,38 288,59 21,42 293,99 16,0
4 290 298,93 -8,93 300,313 -10,31 303,58 -13,58 298,79 -8,8
5 305 297,14 7,86 295,156 9,84 294,07 10,93 296,15 8,8
6 299 298,71 0,29 300,078 -1,08 301,72 -2,72 298,81 0,2
7 315 298,77 16,23 299,539 15,46 299,82 15,18 298,86 16,1
8 320 302,02 17,98 307,27 12,73 310,44 9,56 303,71 16,3
9 303 305,61 -2,61 313,635 -10,63 317,13 -14,13 308,59 -5,59
10 300 305,09 -5,09 308,317 -8,32 307,24 -7,24 306,92 -6,92
11 304,07 304,159 302,17 304,84
Com base a tabela e pelo metodo de suavização exponencial, usando os pesos
α : 0,2; 0,5 ; 0,7 e 0,3, teremos as seguintes previsões para o 11º mesmo 304,07; 304,159,
302,17 e 304,84 respectivamente.
2.

Semana 1 2 3 4 5
Nr de cliente 60 65 55 58 64
a) Média móvel com n=3

Com base o Excel temos a seguinte tabela de previsão

Seman
a Nr de cliente Previsao Erro
1 60
2 65
3 55
4 58 60 -2
5 64 59 5
6 59
Com base na fórmula:
R5 + R 4 + R3 64+58+55 177
P6=M 5 = = = =59
n 3 3
Pela média móvel utilizando o período 3 ou seja n=3 a previsão para a 6ª semana é de
59clientes por atender.

b) Com n=3, a média ponderada será:

Pelo uso do Excel teremos a tabela seguinte:

Ponderação Semana Nr de Clientes Previsã Erro

 o
1 60
2 65
0,2 3 55
0,3 4 58 59 -1
0,5 5 64 58,5 5,5
6 60,4
Erro médio 2,25
Pelo uso da fórmula das médias ponderadas teremos os seguintes resultados:

WMA ( P6 ) =M 6 =
∑ αi Ri = 64 ×0.5+58 × 0.3+55× 0.2 = 32+17.4 +11 =60.4
∑ αi 0.5+0.3+ 0.2 1
Com base os resultados, tanto no Excel assim como pela fórmula, a média ponderada
prevista para a 6ª semana é de 60.4.

c) Suavização exponencial com α =0.4

F t=α∗F t −1+ ( 1−α )∗Ft −1

Temos a tabela de previsão:

α =0,4
Semana Nr de Clientes Previsão Erro
1 60
2 65 1,5 63,5
3 55 26,9 28,1
4 58 38,14 19,86
5 64 46,08 17,92
6 53,25
Erro médio 32,34

Com α = 0,4, previsão da semana 2 igual ao valor real da semana 1. 5, a previsão de

atendimento nas semanas 3, 4, 5 e 6 é respectivamente aproximidadamente a 27, 38, 46,
e 53 clientes a atender.
d) O melhor método para a previsão do número de atendimentos a clientes é o
método de média móvel com n=3, porque o tem o menor erro médio.