Métodos Simplificados em

Previsão Empresarial
Robert Wayne Samohyl, PhD

Gueibi Souza
Rodrigo Miranda
 “Eu não disse isso! Isso? Nunca!”
 “Computadores no futuro podem pesar apenas 1,5
toneladas.”
 Revista Popular Mechanics, 1949.

 “Acho que o mercado mundial para computadores deve

estar em 5 máquinas no máximo.”
 Thomas Watson, diretor-chefe da IBM, 1943

 “Já viajei muito nesse país e conversei com os melhores

especialistas da área e sei agora que o processamento de
dados é apenas moda superficial e não vai demorar nem
um ano para sumir completamente.”
 Chefe – Editora Prentice Hall, 1957

 “Não existe a mínima justificativa para alguém querer um

computador em casa.”
 Ken Olson, Presidente, Digital Equipment Corp., 1977
 “Eu não disse isso! Isso? Nunca!”
 “A caixa de música sem fio (rádio) não tem nenhum
valor comercial. Não há mercado para mensagens
enviadas para ninguém especificamente.”
 Sócios do David Sarnoff, pioneiro em rádio, 1920s.

 “Ninguem vai querer escutar atores falando.”

 H.M. Warner, Warner Brothers, 1927.

 “Nos não gostamos do som deles e, também,

música de guitarra está caindo em popularidade.”
Decca Recording Co. rejeitando os Beatles, 1962.

 “Máquinas voadoras mais pesadas que o ar são

impossíveis.”
 Lord Kelvin, presidente, Royal Society de Ciências,
1895.
 “Eu não disse isso! Isso? Nunca!”
 “Procurar petróleo perfurando a terra? Quer dizer
procurar petróleo em baixo da terra? Voce é
louco!”
 Colegas do Edwin L. Drake tentando vender uma
idéia nova in 1859.

 “Essa bomba não vai se detonar e sou perito em
bombas.”
 Almirante William Leahy, Projeto da bomba
atômica, EUA em 1940.

 “Avioes são brinquedos excelentes sem

absolutamente nenhum valor militar.”
 Marechal Ferdinand Foch, Professor de
Estratégias de Guerra, Ecole Superieure de
Guerre. 1910.
 “Eu não disse isso! Isso? Nunca!”
 “É absolutamente impossível o ser humano
alcançar a lua até mesmo considerando
todas as possibilidades futuras da ciência.”
 Dr. Lee De Forest, pai de televisão. 1940

 “Esse tal do telefone é cheio de defeitos e

não pode ser considerado seriamente
como meio de comunicação. Ele não tem
nenhum valor intrínseco para nos.”
 Western Union - telégrafo, 1876.
 Muito felizmente,
o assunto hoje não é sobre
previsão de longo prazo,
empreendimento muito
interessante mas cheio de
impossibilidades, mas sim
previsão de curto prazo, dentro
do alcance da ciência,
matemática e estatística de hoje.
 Introdução
 A verdade é que a aplicação correta de
algumas metodologias simples na área
de gestão e técnicas quantitativas
pode diminuir a imprecisão das
previsões pela metade. A literatura e a
prática específica são repletas de
exemplos disso.
A previsão ingênua, assunto de vários capítulos, utiliza o
volume de vendas no passado como previsão de vendas
futuras. Cada empresa é um pouco diferente, uma
previsão de vendas baseada nas vendas de 28 dias atrás
foi significantemente melhor do que as previsões feitas
pelo grupo executivo.

 A discrepância do grupo executivo é 180

unidades diárias; a da previsão ingênua
seria 140.
 Nota-se que o processo de previsão
ingênuo incorre em custos imperceptíveis
em relação aos custos do grupo
executivo.
 Na Prática, da UFSC/NNQ
 No caso do estudo de Souza (2005, p.
92), utilizando modelos estatísticos
complexos, o erro mensal de previsão
do consumo de energia elétrica
diminuiu de um pouco mais que 5%
para menos que 2% nas Centrais
Elétricas Santa Catarina S. A
(CELESC).
 Corvalão (2002). Neste estudo, a
previsão do ICMS no estado de Santa
Catarina, no sistema velho,
apresentava um erro de
aproximadamente 4,5% mas, através
de uma formulação mais complexa, o
erro de previsão foi diminuído para
2,6%.
 Causas atrás da precisão das
previsões (p. 4)
 condições ambientais de trabalho no escritório,
 metodologias administrativas e culturais
utilizadas,
 confiabilidade e urgência dos dados,
 equipamento disponível.
 a tendência empresarial de procurar o mau
elemento do processo apenas entre os
funcionários é um procedimento descabido.
 A busca por soluções deve ser através de uma
investigação do processo, todos os insumos e
todas as atividades, encontrando e eliminando
elos fracos.
 Por que as empresas e os
funcionários desconfiam dos
métodos de previsão?
 PODER - segredos significam poder, e poder
garante a segurança de quem o detém.
 COMPETIÇÃO - modelo mais aberto, empresa
sofre uma queda de moral
 MIOPIA - grande lucro no curto prazo como
resultado de inovações formidáveis dos gênios
da mercadologia.
 POLÍTICA - frente a qualquer idéia nova, não
fazer nada e ficar inerte são sempre as
primeiras decisões tomadas pelos grupos
estabelecidos.
 Histograma de previsões perfeitas,
discrepâncias nulas

120

100

80
Freqüênc

60
,
40

20

0
0
 Histograma observado

35

30

25
Freqüênci

20

15

10

0
-3 -1 1 3 5 Mais
 Planejamento e previsão –
orçamentos, alvos e previsões
Valor de previsão é algo que poderia
ocorrer no futuro, baseado nas
projeções de dados passados
levando em conta possíveis eventos
e cenários no futuro relevantes para a
análise ...
alvo de planejamento muitas vezes
não deixa de ser uma pura esperança
da empresa sobre vendas futuras.
 12 princípios, elaborados
 Toda empresa faz previsões, com estrutura formal ou
não, com exatidão boa ou ruim.
 Questão: Na sua empresa, quem faz as previsões?
Uma pergunta mais geral seria : como é hoje o
processo de previsão na sua empresa? Quais são os
insumos utilizados e os funcionários envolvidos, os
nomes deles ou o cargo deles. Quais são as
atividades desenvolvidas? O produto do processo de
previsão fica em formato de uma comunicação oral,
um gráfico, um relatório? Depois da sua utilização, o
resultado é armazenado onde? É reutilizado no futuro?
 Projeto: Mapear em fluxograma o processo de
previsão na sua empresa. Na figura 2.1 veja o
fluxograma de um processo formal/informal de
previsão. Nota-se que o fluxograma espelha a
confusão existente em muitas empresas inerente
numa função de previsão desvalorizada e sem
disciplina e estrutura.
 Haverá
Haverá a reunião não reunião
executiva informal?
semanal?

Valor da
previsão
Gráfi cos, escolhido? sim
tabelas,
análise.
sim
sim não

Discussão entre
a ltos gerentes Anotações e mensagens Enviar
enviadas para o vice - resultados para
presidente o gerente de
Café produção

não

Gráficos,
A previsão
tabelas,
é
sim análise
satisfatória
conclusivos.
?
 Quando as previsões são mais exatas, os clientes
são mais satisfeitos, os estoques diminuem, as
operações na fábrica ficam mais estáveis sem
alterações bruscas no plano mestre de produção, e
com o tempo e recursos economizados a empresa
pode se concentrar em estratégias de médio e longo
prazo.
 Questão: Em alguma seção da sua empresa,
existem cargos ou pessoas que tem esta visão da
função de previsão? Esta visão é incorporada nos
processos da empresa numa maneira formal?
 Projeto: Esta visão da função de previsão tem que
ser conquistada dentro da empresa. Pensando
politicamente, como se dará a conquista na sua
empresa?
 O pessoal da área de Vendas e Marketing devem
ser o dono das previsões. Eles devem ser os
funcionários responsáveis pelo seu
desenvolvimento, atualização e execução.
 Questão: Cada área de uma empresa tem um viés
quando a previsão é calculada. Por natureza da
personalidade das pessoas envolvidas em vendas,
eles tendem a ser mais otimistas, enquanto o
pessoal da área de produção tem absoluto horror de
estoques sobrando e prateleiras cheias de produto
sem mercado. Qual é a situação na sua empresa?
Qual setor teria o menor viés?
 Projeto: Comece a montar uma planilha com as
previsões de vários setores da sua empresa e fazer
as comparações mês a mês. Qual setor é o melhor
previsor?
 As previsões devem levar em conta tanto as
tendências e sazonalidades do passado como
também as condições no mercado no futuro.
 Questão: Qual é a pessoa ou setor da sua empresa
mais ligado e mais conhecedor do mercado?
Cenários e variáveis que afetam o mercado são
avaliados? As avaliações são escritos e se tornam
documentos para referências e apoio futuros?
 Projeto: Montar uma relação de variáveis
econômicas como taxa de juros, PIB, inflação, valor
do câmbio, entre outros, que afetam seus negócios.
Tente averiguar o efeito em termos quantitativos:
por exemplo, se a taxa de câmbio diminuir em 1%,
então minhas exportações podem subir em quantos
por cento nos próximos três meses?
 Processos enxutos e bem-definidos resultam em resultados
financeiros maiores. Melhores processos de previsão trazem
resultados melhores.

 Questão: Quantas vezes por ano é necessário ativar o

processo de previsão? O ciclo de previsão ocorre 4 vezes por
ano (trimestralmente), 12 vezes por ano (mensal), 52 vezes
por ano (semanal) ou 365 vezes por ano? Hoje em dia é
comum no Brasil rever as previsões e o setup da linha de
produção semanalmente em função do ciclo de produção
sendo em muitos casos uma semana. Dada a situação que,
de segunda a sexta a linha sofre modificações para a
produção de produtos diferentes, a previsão tem que ser
montada na semana anterior e com dados disponíveis da
semana retrasada.

 Questão: Qual é o horizonte da previsão? Se o ciclo da

previsão é uma semana, a cerca do horizonte fica em
quantas semanas no futuro, 4 ou 52 ou 104? Para previsões
com horizontes mais longínquos (por exemplo, um ano no
futuro), o período da previsão pode ser maior (por exemplo,
trimestral).
 Meça a qualidade da previsão pela sua
discrepância, a diferença entre o valor previsto e o
valor observado.

 Questão: Existe alguém na sua empresa

preocupado com discrepâncias de previsão? São
poucas as empresas que gastam tempo olhando e
analisando seu próprio passado. A riqueza de
conhecimento embutida nas discrepâncias
passadas é inimaginável. No primeiro capítulo já
oferecemos algumas idéias sobre por que as
empresas têm tanta antipatia no tocante às
discrepâncias.

 Projeto: Se não tiver ninguém na sua empresa que

se responsabiliza pelas previsões, sugere quem
seria sua escolha, nominalmente ou por cargo ou
setor?
 A discrepância acumulada no decorrer do
tempo deve se aproximar ao zero, as
discrepâncias positivas cancelando com as
negativas, mostrando que não há viés nas
previsões. Se aparecer viés, este valor deve
ser incorporado nas próximas previsões.

 Questão: Na sua empresa há uma

preocupação com o viés de previsão?
 Faça o menor número de previsões possíveis, de
grupos ou famílias de produtos agregados. A
previsão da venda do item produzido (SKU – “stock
keeping unit”) deve ser calculado posteriormente
como proporção histórica das vendas dos últimos
meses.

 Questão: Existem empresas que produzem

milhares de itens. Quantos itens sua empresa
produz?

 Projeto: Relacionar em diagrama ou em planilha os

SKU’s da sua empresa, em seguida tentar uma
primeira agregação, depois mais uma agregação,
mais várias outras agregações para chegar as
grandes famílias de produtos e finalmente
faturamento ou unidades totais vendidas da
empresa.
 Deve existir apenas uma pessoa ou um setor da
empresa encarregada da tarefa de previsão. A
pessoa ou setor que autoriza o valor da previsão
deve ter esta responsabilidade bem definida entre
suas atribuições.
 Questão: Quantas pessoas ou setores fazem
previsões na sua empresa? Há algum tipo de
coordenação entre eles?
 Projeto: Propor como uma coordenação melhor
entre os vários setores que fazem previsões na sua
empresa poderia ser montada, explicitando os
meios de comunicação como reuniões ou e-mail, e
quais cargos seriam integrados ou mesmo criados
para trocar idéias e produzir as previsões.
 A previsão é necessária porque o futuro é
incerto. Sempre tente diminuir a
incerteza do futuro.

 Questão: A sua empresa é obrigada a

fabricar para estoques ou por pedido?

 Projeto: Contratos devem ser feitos para

prazos mais longos. Fornecedores e
clientes podem repartir informações e
bancos de dados sobre os respectivos
mercados.
 Previsão Ingênua – um passo a
frente
 Método mais simples;
 Último dado verificado;
 Nem Histórico nem componentes;
 Mais indicado (caminhada aleatória);
 Situações reais (reflexo da conjuntura);
 Previsão Ingênua – um passo a
frente
 Previsão para 12/09/2006 = R$ 2.174;
 Histórico de previsões um passo a frente;
2.32
2.3
2.28
2.26
2.24
2.22
2.2
2.18
2.16
2.14
2.12
2.1
0 20 40 60 80

Observado Previsto
Previsão Ingênua – um passo a
frente
646597.3
596597.3
546597.3
496597.3
446597.3
396597.3
346597.3
296597.3
246597.3
0 20 40 60 80 100 120 140

Observado Previsto

Consumo Industrial – Janeiro 1994 a Dezembro 2004

 Freqüência
-1
5 50

0
1
2
3
4
5
6
7
00
-1
2
 Histograma;
50
00
-9
5 00
0
-6
5 00
0
-3
5 00
0
frente

-5
0 00

25
00
0
55
00
0
85
00
0
Previsão Ingênua – um passo a
 U de Theil
 Decisivo na determinação de utilização ou
não de uma técnica (quantitativa, qualitativa, formal ou
informal);

 Coeficiente de desigualdade (discrepâncias um

passo a frente em termos percentuais);

 Valores entre 0 e 1;
 U de Theil
 Medidas de U ≥ 1 não agradam;
 Técnica de previsão Vs. previsão ingênua;
 Reuniões podem emitir valores de U > 1;
Valores de U de Theil

Previsões piores que o

método ingênuo.

1,0

Previsões melhores
que o método ingênuo.

0,0 Previsões perfeitas

Previsão Ingênua – vários passos a
frente
 Possibilidade de horizontes maiores;
 Previsão 12 passos a frente (séries mensais);
646597.3
596597.3
546597.3
496597.3
446597.3
396597.3
346597.3
296597.3
246597.3
0 50 100 150

Observado Previsto
 Freqüência
-3
61

0
1
2
3
4
5
6
7
-3 000
31 8
 Histograma;

-3 000
01
-2 000
71
-2 000
41
-2 000
11
-1 000
81
-1 000
51
-1 000
21
frente

0
-9 00
10
-6 00
10
-3 00
10
0
-1 0
00
29 0
00
59 0
00
89 0
00
0
Previsão Ingênua – vários passos a
 Decomposição
 Séries temporais = padrões repetitivos;
 Utilizá-las para realizar previsões;
 Maior precisão nos resultados;
 Identificar e isolar cada componente;

Previsão = Tendência + Ciclo + Sazonalidade

Previsão = Tendência * Ciclo * Sazonalidade

 Decomposição
Produção industrial (1991=100) - SC

160.00
150.00
140.00
130.00
120.00
110.00
100.00
90.00
80.00
70.00
60.00
0 50 100 150

Cons.Comercial Kwh

200000060
180000060
160000060
140000060
120000060
100000060
80000060
60000060
40000060
20000060
60
0 50 100 150 200 250
 Cálculo da Tendência
 Primeiro passo na decomposição clássica;
 Fácil visualização ( no tempo);
 Tendência-Ciclo;
 Ciclo ≠ sazonalidade;
 Tendência e ciclo através da média móvel;
 Maior clareza e segurança ( efeitos fortes);
 Exemplo CI (periodicidade mensal = grau MM nº par);
 Cálculo da Tendência
550000

500000

450000

400000 Tendência
350000

300000

250000
0 20 40 60 80 100 120 140

650000

600000

550000

500000
450000
Consumo Industrial
400000

350000

300000
250000
0 20 40 60 80 100 120 140
 Cálculo da Tendência
 Perda de 12 observações;
 Previsões simples e intuitiva (visual);
600000

550000

500000

450000

400000

350000

300000

250000
0 20 40 60 80 100 120 140
 Cálculo da Sazonalidade
 Índices sazonais Multiplicativos do CI;
1.1
1.05
1.05 1.03 1.03 1.03 1.03
1.02
1.01 1.01
1.00 1.00
1
0.98
0.95

0.9

0.85
0.83
0.8
jan fev mar abr mai jun jul ago set out nov dez
 Cálculo da Sazonalidade
 Ajuste sazonal antes de qualquer análise;
 Evitar complicações interpretativas;
8000 7098.58

6000 ISA
3483.70 3818.12
4000 2696.41
3143.39

2000 883.98
502.70

0
-2000
-2035.49

-4000 -3314.10
-4622.27 -4461.82
-6000
-6808.91
-8000
jan fev mar abr mai jun jul ago set out nov dez

Arrecadação ICMS industrial SC – janeiro 1997 a setembro 2004

 Como montar a previsão
 Previsões até 12 passos a frente CI (2004);
600000
580000
560000
540000
520000
500000
480000
460000
440000
420000
Oct-03 Jan-04 Apr-04 Aug-04 Nov-04 Feb-05

Previsto Observado
 Freqüência
-9
5

0
2
4
6
8
10
12
00
0
-6
5 00
 Histograma;

0
-3
5 00
0
-5
0 00
25
00
0
55
00
0
85
00
0
Como montar a previsão
 Comparações entre métodos
 Previsões até 12 passos a frente (2004);
 Amostra: Jan.-1994 a Dez.-2003;

Método U de Theil
Previsão Ingênua 0,79
Previsão por Média Simples 2,43
Decomposição Clássica 0,67
 Comparações entre métodos

Decomposição: Ingênuo Sazonal:

 DPAM = 5,49%  DPAM = 4,92%
 U de Theil = 0,67;  U de Theil = 0,66;
 Introdução
 Métodos de suavização exponencial:
– Utilizam apenas dados da própria série para
fazer previsões
– As previsões são feitas de forma rápida
– Melhores resultados para previsões de curto
prazo
Pesos atribuídos as observações passadas
para diversos métodos de previsão

Métodos Univariados

Previsão por
Previsão Ingênua Média Simples Suavização
Exponencial

Todas as observações Os pesos atribuídos as

100% do Peso a passadas recebem observações passadas
observação anterior decaem exponencialmente
o mesmo peso
 SES

Pt+1 = αOt + (1-α)Pt

 Onde:
– Pt é a previsão no período t
– Ot é o valor observado no período t
– α é a constante de suavização que varia entre 0 e 1.
 A previsão de Pt+1 é uma combinação do
observado com o previsto em t
 SES – Pesos atribuídos as observações
passadas despendendo do valor de α (gráficos)
α = 0.2 α = 0.5

0,25 0,6
0,200 0,500
0,2 0,5
0,160
0,4
0,15 0,128
0,107 0,102 0,3 0,250
0,1 0,082
0,066 0,2
0,042 0,052 0,125
0,05 0,027 0,034 0,1 0,063
0,031
0,001 0,001 0,002 0,004 0,008 0,016
0 0
t-11 t-10 t-9 t-8 t-7 t-6 t-5 t-4 t-3 t-2 t-1 t-11 t-10 t-9 t-8 t-7 t-6 t-5 t-4 t-3 t-2 t-1

α = 0.8

0,9 0,800
0,8
0,7
0,6
0,5
0,4
0,3
0,160
0,2
0,1 0,000 0,000 0,000 0,000 0,000 0,000 0,001 0,006 0,032
0
t-11 t-10 t-9 t-8 t-7 t-6 t-5 t-4 t-3 t-2 t-1
SES – Exemplo para vários valores
de α (gráfico)
270.000
250.000
230.000
210.000
190.000
170.000
150.000
130.000
1996 1998 2000 2002 2004 2006

vendas Gol 1000 alfa = 0,2 alfa = 0,5 alfa = 0,8

 Por que a SES não funciona em dados com
tendência – exemplo (tabela 4.5, p.93).
 o crescimento médio da série é 450.000
400.000
de aproximadamente 10.000 350.000

Energia (GWh)
300.000

GWh ao ano 250.000

200.000
150.000
 quase todas as discrepâncias 100.000
50.000
são negativas, a única exceção 0
1970 1975 1980 1985 1990 1995 2000 2005
ocorre em 2001, quando houve Observado Modelo para alfa = 0,99

o racionamento de energia
elétrica 25.000
20.000
 As medidas de ajuste de 15.000
10.000

método para este caso foram: 5.000

0
-5.000
DM = -10.269(indicação de viés -10.000
-15.000
nas previsões), DPAM = 7,15% -20.000
-25.000
-30.000
e U de Theil = 1,01
1970
1972
1974
1976
1978
1980
1982
1984
1986
1988
1990
1992
1994
1996
1998
2000
2002
2004
 Método de Holt
 O método de Holt foi desenvolvido para dados que
apresentem tendência.
observado

tempo
 Método de Holt – Exemplo :
Produção anual de energia elétrica
 α = 0,99 e β = 0,01
 Resultados do exemplo: DM = -1.228 , DPAM = 2,82% e
U de Theil = 0,42
450.000
400.000
350.000
Energia (GWh)

300.000
250.000
200.000
150.000
100.000
50.000
0
1970 1975 1980 1985 1990 1995 2000 2005

Observado Ajustado
 Exemplo - Comparando a SES com Holt
Holt SES
450.000 450.000
400.000 400.000
350.000 350.000
Energia (GWh)

Energia (GWh)
300.000 300.000
250.000 250.000
200.000 200.000
150.000 150.000
100.000 100.000
50.000 50.000
0 0
1970 1975 1980 1985 1990 1995 2000 2005 1970 1975 1980 1985 1990 1995 2000 2005

Observado Ajustado Observado Modelo para alfa = 0,99

30000 30000
20000 20000
10000 10000
0
0
-10000
-10000
-20000
-20000
-30000
-30000
70

73

76

79

82

85

88

91

94

97

00

03

1970 1973 1976 1979 1982 1985 1988 1991 1994 1997 2000 2003
19

19

19

19

19

19

19

19

19

19

20

20
 Exemplo - Comparando a SES com Holt

 Observando os dois Histograma SES

histogramas percebe-se um 15 14

Observações
10
viés nas discrepâncias da SES 10
6
(entre -10000 e -5000), 5 3
1 1
0 0 0 0 0
enquanto que no método de 0

Holt as discrepâncias estão em

-2 0

-1 0

-1 0
00

0
00
0
0

00

00

00

00

00
50

00

50

00

50
-5

10

15

20

25
-2
torno de 0.
Histograma Holt

12 11
10

Observações
10 9
8
6
4 3
2 1 1
0 0 0 0 0
0
0

-1 0

-1 0
00

0
00
0
00

00

00

00

00

00
00
50

00

50
5

-5

10

15

20

25
-2

-2
 Por que o método de Holt não funciona em
dados com sazonalidade
 α = 0,01 e β = 0,89 2062330,19

1962330,19

 Com o valor de α = 0,01, a 1862330,19

1762330,19
sazonalidade é suavizada ao 1662330,19

invés de ter os seus índices 1562330,19

calculados. O mês de 1462330,19

1362330,19

dezembro, por exemplo, tem um 1262330,19

dez/99 abr/01 set/02 jan/04 mai/05 out/06 fev/08
número de consultas de Observado Previsto Ajustado

aproximadamente 23% maior

que a média do ano e o de 300000.00
fev/03
fev/06
200000.00 fev/04
fevereiro um número de 12 % 100000.00
fev/01 fev/02 fev/05

abaixo 0.00

-100000.00
 As medidas de ajuste de -200000.00

método para este caso foram: -300000.00

-400000.00 dez/02 dez/05

DPAM = 6,45% e U de Theil = -500000.00
jan/01 dez/01
dez/03 dez/04

jan/02

jan/03

jan/04

jan/05

jan/06
mai/01

mai/02

mai/03

mai/04

mai/05

mai/06
set/01

set/02

set/03

set/04

set/05

set/06
0,744
 Método de Holt – Winters
 O método de Holt – Winters foi desenvolvido para dados que
apresentas tendência e sazonalidade
observado

tempo
Método de Holt – Winters aditivo – Exemplo
Número de consultas ao SPC
 α = 0,37, β = 0,01 e γ = 0,01
 Resultados do exemplo: DM = 1.804 , DPAM = 2,56% e U de Theil =
0,26
2.162.330
2.062.330
1.962.330
1.862.330
1.762.330
1.662.330
1.562.330
1.462.330
1.362.330
1.262.330
dez/99 abr/01 set/02 jan/04 mai/05 out/06 fev/08

Observado Previsto Ajustado

 Comparando Holt com Holt - Winters
Holt Holt - Winters
2062330,19 2.162.330
1962330,19 2.062.330
1862330,19 1.962.330

1762330,19
1.862.330
1.762.330
1662330,19
1.662.330
1562330,19
1.562.330
1462330,19 1.462.330
1362330,19 1.362.330
1262330,19 1.262.330
dez/99 abr/01 set/02 jan/04 mai/05 out/06 fev/08 dez/99 abr/01 set/02 jan/04 mai/05 out/06 fev/08
Observado Previsto Ajustado Observado Previsto Ajustado

300000 fev/06 Discrepâncias de Ajustamento:SPC

fev/03
200000 fev/01 fev/04 fev/05
fev/02 151.051
100000
101.051
0
fev/01 fev/06
-100000 51.051 dez/02 fev/04 fev/05
dez/05
-200000
1.051
-300000
dez/01 dez/04
dez/02 -48.949 fev/03
-400000 dez/05 dez/03
dez/01
dez/03 dez/04 fev/02
-500000 -98.949
m 1

m 2

m 3

m 4

m 5

m 6

m 1

m 02

m 03

m 4

m 5

m 6
se 1

ja 1

se 2

ja 2

se 3

ja 3

se 4

ja 4

se 5

ja 5

se 6
6

se 1

se 2

se 3
ja 1

ja 2

ja 3

se 4

ja 4

se 5

ja 5

se 6
6
0

0
/0
t/ 0

/0
t/ 0

/0
t/ 0

/0
t/ 0

/0
t/ 0

/0
t/ 0

t/0

t/0

t/0

t/0

t/0

t/0
/0

/0

/0

/0

/0

/0
n/

n/

n/

n/

n/

n/

n/

n/

n/

n/

n/

n/
ai

ai

ai

ai

ai

ai

ai

ai

ai

ai

ai

ai
ja

ja
 Comparando Holt com Holt - Winters

 As discrepâncias do método de Histograma: Holt

Holt apresentaram uma maior 14

12
12
11 11

Observações
variabilidade em relação ao 10
8 7
8
5 5
método de Holt – Winters. 6
4 2 2 2 2
2 1 1
0 0
 Esta variabilidade maior das 0

-4 0 0

-3 0 0

-3 0 0

-2 0 0

-2 0 0

-1 0 0

-1 0 0

-5 0

15 0

20 0

25 0
00
00

10 0
discrepâncias é causada pela

0
00

0
00
0

00

00

00

00
00
50

00

50

00

50

00

50

00

50
-4
sazonalidade dos dados que o
método não captou. Histograma: Holt - Winters

20 17
15

Observações
15
10 11
10
5 4
5 2 3
0 1 1 0 0
0
00

00

00

0
0

0
00

00

00

0
0

0
0

00

50

00
50

00

50
50

25

00

25

50

75
10

12

15
-7

-5

-2
-1

-1

-1
Classificação mais ampla dos métodos de
suavização exponencial

Sazonalidade
Tendência
Nenhuma Aditiva Multiplicativa

Nenhuma NN NA NM

Aditiva AN AA AM

Aditiva Amortecida AaN AaA AaM

Multiplicativa MN MA MM

Multiplicativa Amortecida MaN MaA MaM

 Métodos sem tendência
AA NA
Previsão

Previsão
Horizonte Horizonte

NM
Previsão

Horizonte
Métodos com tendência aditiva
AN AA

Previsão
Previsão

Horizonte Horizonte

AM
Previsão

Horizonte
Amortecimento φ = 1, 0,95, 0,85 para os dados
de produção de energia elétrica no Brasil

500.000

450.000
Energia (GWh)

400.000

350.000

300.000

250.000
1995 2000 2005 2010 2015

Observado fi = 1 fi = 0,95 fi = 0,85

 Conclusões
 Os métodos exponenciais obtém bons resultados para
previsões de curto prazo (1 a 4 meses)
 Não confiar cegamente nas previsões calculadas
 Utilizar a experiência para analisar as previsões
 Sempre verificar as discrepâncias
 Se possível, recalcular os métodos a cada novo período,
as previsões com poucos passos a frente em geral são
melhores que muitos passos.