2 - M+®todos de Previs+úo

Métodos de Previsão
Transparências de apoio à disciplina de

Gestão da Produção
Grupo de Controlo e Gestão G G

C
Introdução
• Os métodos de previsão são utilizados para inferir o que poderá
acontecer no futuro – estimativas da ocorrência, de timings ou
dimensões de eventos.
• A necessidade de prever está intimamente associada à necessidade de
planear e, consequentemente, à necessidade de trabalhar hoje sobre
actividades que só ocorrerão no futuro.
– Basta reflectir uns instantes para perceber que é impossível (mesmo com a ajuda dos
mais ilustres adivinhos e matemáticos) prever o que vai acontecer (Octávio Augusto –
Imperador Romano 63 AC – 14 DC).
– Prever é difícil principalmente em relação ao futuro.
– Se alguém te disser que prevê o futuro, mente, mas pode acertar.

C
Importância
• Enfrentar cenários de incerteza.
• Reduzir os resultados possíveis.
• Conhecer a probabilidade de ocorrência de um evento.
• Minimizar o risco de falha ou de obter um mau resultado.
• Associação acção-resultado.
• Algumas áreas de aplicação:

– Evolução tecnológica: novos produtos ou processos de fabrico.
– Evolução económica: níveis de emprego, taxas de juro e de inflação.
– Evolução da procura: produtos ou serviços para melhor planear as
operações.

C
Importância
Para o planeamento da produção
• Previsões de longo prazo:

– determinar necessidades futuras de instalações, novos equipamentos e
mão de obra.
• Previsões de médio prazo:

– Planear níveis de mão de obra e capacidade, afectar orçamentos aos
diferentes departamentos, estabelecer políticas de compra
• Previsões de curto prazo:

– Afectar pessoas a equipamentos, sequenciar a produção, gestão de stocks.

C
Factores que afectam a procura
• Ciclo do económico • Ciclo de vida do produto
– Recuperação - Desenvolvimento
– Crescimento - Teste e Introdução
– Depressão - Crescimento rápido da procura
– Recessão - Regime estável
- Desactivação do produto
Desenvolvimento Introdução Crescimento Maturidade Declínio

do Produto
Vendas
Tempo

C
Classificação dos métodos de previsão
• Modelos qualitativos
– Opinião de peritos
– Estudos de mercado
– Método de Delphi Modelos de previsão
• Modelos quantitativos
– Séries temporais Modelos Modelos
– Modelos causais qualitativos quantitativos
Opinião Estudos de Método de Séries Modelos

de peritos mercado Delphi temporais causais
Modelos de Modelos de
amortecimento decomposição

C
Selecção do método de previsão
• Existência de dados históricos.
• Precisão pretendida.
• Comportamento da variável a prever.
• Horizonte temporal.
• Custo.
• Facilidade de aplicação.
• Tempo disponível.

C
Métodos qualitativos
• Não fundamentados em dados históricos por estes serem inxistentes ou
não representativos do futuro.
• Utilizados para previsões de longo prazo.
• Base eminentemente não matemática.
• Podem no entanto ser sistematizados.
Estudos de mercado
Realização de questionários aos consumidores ou potenciais
consumidores seguido de tratamento estatístico, de modo a determinar
a suas intenções de compra e a sua reacção à introdução de novas
características nos produtos. Método particularmente relevante na fase
de desenvolvimento de novos produtos e na realização de previsões
iniciais de vendas.

C
Métodos qualitativos
Estimativa de um grupo de peritos
Envolve um grupo de especialistas na área de modo a reunir as suas
opiniões para colectivamente realizarem a previsão pretendida.
Método de Delphi
Este método envolve um painel de peritos a quem são entregues uma
série de questionários acerca de um determinado assunto. Os peritos
não se encontram em contacto de modo a que a sua opinião não seja
influenciada. Os resultados de todos os questionários são enviados a
cada perito com o questionário seguinte possibilitando que cada perito
possa avaliar essa informação e ajustar as suas respostas no ciclo
seguinte. Após alguns ciclos desse tipo chega-se a uma proposta de
consenso ou divergência justificada.

C
Erros de previsão
Os erros de previsão permitem “medir” a precisão da previsões efectuadas.
O seu conhecimento é importante porque:

• Permitem aferir se o modelo de previsão escolhido é adequado aos dados em
análise.
• Permite afinar os parâmetros do método de previsão utilizado.
Para um determinado instante t o erro de previsão consiste na diferença

entre a observação realizada no instante t e a previsão feita para esse
mesmo instante
ε t = Z t − Pt
εt – Erro de previsão
Zt – Valor observado
Pt – Previsão realizada

C
Erros de previsão
• Medidas estatísticas dos erros de previsão
– Erro médio (EM)
1 n Pode dar uma imagem incorrecta da precisão das

EM = ∑ ε t
n t =1 previsões realizadas
– Erro absoluto médio (EAM)

1 n
EAM = ∑ ε t
n t =1
– Erro quadrático médio (EQM)
1 n 2
EQM = ∑ ε t
n t =1

C
Erros de previsão
• Exemplo
Período Observação Previsão Erro Erro absoluto Erro ao quadrado

2
t Zt Pt Zt - Pt |Zt – Pt| (Zt – Pt)
1 45 -- -- -- --
2 38 -- -- -- --
3 43 -- -- -- --
4 51 42 9 9 81
5 58 44 14 14 196
6 47 51 -4 4 13
7 39 52 -13 13 169
8 46 48 -2 2 4
9 53 44 9 9 81
10 35 46 -11 11 121
11 40 45 -5 5 22
Total -2 66 687
Média -0,375 8,375 86,625

C
Modelos causais – Regressão linear
• Baseia-se em dados históricos.
• Aplicável para previsões de curto/médio prazo.
• Aplicável para prever fenómenos estáveis.
• Procura-se identificar uma relação de causa efeito entre uma ou mais
variáveis independentes e uma variável dependente.
• Exemplos: consumo de gás em função da temperatura verificada,
vendas de um produto em função do preço proposto, preço de um
automóvel usado versus idade do automóvel e/ou kilometragem.
• Supõe-se que a relação é consistente e será mantida no futuro.
• As relações são obtidas por inferência estatística.

C
• A um conjunto de n pares ordenados
(xi , yi ) para i = 1,2,3..., n

x – Variável independente ou explicatória
y – Variável dependente (previsão)
• Ajusta-se uma recta do tipo
y = a + bx
• Que minimiza a soma dos quadrados das distâncias dos pontos à recta obtida

C
Determinação dos parâmetros da recta
a=
∑ ∑ y − ∑ x∑ xy
x 2
n∑ x − (∑ x )
2 2
n∑ xy − ∑ x∑ y
b=
n∑ x 2 − (∑ x )
2

C
Exemplo: Consumo de energia eléctrica de uma pequena cidade VS temperatura
Temperatura Consumo de
(Cº) electricidade (Mwh)
Dia X Y X^2 X*Y
1 29,3 16,3 858,49 477,59
2 21,7 16,8 470,89 364,56
3 23,7 15,5 561,69 367,35
4 10,4 18,2 108,16 189,28
5 29,7 15,2 882,09 451,44
6 11,9 17,5 141,61 208,25
7 9 19,8 81 178,2
8 23,4 19 547,56 444,6
9 17,8 17,5 316,84 311,5
10 30 16 900 480
Somatório 206,9 171,8 4868,33 3472,77
y = 20,06 – 0,139x

C
Exemplo: Consumo de energia eléctrica de uma pequena cidade VS temperatura
22
Que consumo de
electricidade se deve
20
esperar para um dia com
temperatura máxima de
Consumo (Mwh)
18
10º ?
16
y = 20,06 – 0,139*10 = 18,67

14
12
0 5 10 15 20 25 30 35
Temperatura (Cº)

C
Coeficiente de correlação
É uma medida relativa da associação linear entre as duas variáveis em

estudo.
Pode variar entre 0 (quando as variáveis não se encontram correlacionadas e
± 1 quando existe uma correlação perfeita
n∑ xy − ∑ x ∑ y
r=
[n∑ x 2
][
− (∑ x ) × n∑ y 2 − (∑ y )
2 2
]
Coeficiente de determinação
r2 percentagem da variação de y explicada pela variação de x

C
r = 0,11 r = - 0,11 r = 0,50 r = - 0,50
r = 0,75 r = - 0,75 r = 0,91 r = - 0,91

C
• Para o exemplo considerado: r = 0,745 e r2 = 0,556
Cuidados a ter com a utilização do coeficiente de correlação
1. Se as variáveis estiverem relacionadas de uma forma não linear o

coeficiente de correlação não fará justiça à qualidade da correlação.
2. O coeficiente de correlação é muito instável para amostras de pequena
dimensão. Geralmente o coeficiente de correlação só se torna estável
para amostras de dimensão superior a 30.
3. Deve-se ter cuidado quando existem valores extremos.

C
• Só pode ser aplicado eficazmente como método de previsão quando
aplicado a fenómenos particularmente estáveis.
• É um método muito intuitivo e simples.
• Além de permitir fazer previsões, permite verificar como influenciar
acontecimentos futuros em função de decisões tomadas hoje.
• Tem o grande inconveniente de dar o mesmo peso a todas as
observações, quando na maioria dos casos as mais antigas não são tão
relevantes como as mais recentes
• Pode ser utilizado como método isolado ou ser parte integrante de
outros métodos.

C
Séries cronológicas
• Uma série cronológica ou temporal consiste num conjunto ordenado de
observações de uma dada variável, obtidas a intervalos regulares de
tempo (horas, dias, semanas, meses …).
• Exemplo
120
Índice mensal de
produção industrial 110
(Indústria transformadora) 100
Fonte INE 90
80
70
60
50
90
91
92
93
94
95
96
97
98
19
19
19
19
19
19
19
19
19
C
Componentes
• Tendência – Indica a evolução global e estável da variável no longo
prazo
• Ciclo – Variação oscilatória do valor da variável em torno da tendência.
Não apresenta um carácter repetitivo e prolonga-se no médio prazo. É
vulgar associar essas oscilações à evolução cíclica da economia. A
magnitude, “timing” e padrão do ciclo deve-se a tantas causas que de
uma forma geral a sua previsão é impraticável.
• Sazonalidade – Flutuação recorrente da variável em torno da tendência
que se repete a intervalos regulares. Ao contrário do ciclo esta flutuação
é repetitiva e manifesta-se no curto prazo.
• Erro – Variação aleatória de carácter imprevisível. É a “dor de cabeça”
de qualquer pessoa que pretenda fazer previsões.

C
Exemplo
110
105
100
95 Tendência e ciclo
90
85
1,1
0,9
Sazonalidade
0,8
0,7
0,6
1,05
1
Nota: Uma série
Erro
0,95 temporal pode não ter
0,9 todas estas
0,85 componentes
90
91
92
93
94
95
96
97
98
19
19
19
19
19
19
19
19
19

C
Método da decomposição clássica
• Este método consiste em decompor a série cronológica nos seus
componentes elementares. Ao isolar os componentes da série, que
apresentam um comportamento mais fácil de prever, estes podem ser
projectados para o futuro e recombinados para dar origem à previsão
pretendida.
• O valor de uma variável observado num determinado instante t será

então uma função dos componentes da série para esse instante t.
Z t = f (Tt , Ct , S t , ε t )
• Os dois modelos mais comuns para representar uma série temporal

são: modelo multiplicativo e modelo aditivo.

C
Modelo multiplicativo
Z t = Tt × C t × S t × ε t
Modelo aditivo
Z t = Tt + C t + S t + ε t

C
Método da decomposição clássica – M. Móveis
• O conceito de média móvel centrada ocupa um lugar de destaque no
método da decomposição clássica.
• Uma média móvel distingue-se duma média simples na medida em que
requer um número consecutivo de cálculos – Cada média “move-se” no
tempo para incluir a observação mais recente, esquecendo a
observação mais antiga.
• Uma média móvel, considerando com um número ímpar de termos,
calcula-se recorrendo à seguinte equação:
1
Mt = (Z t −n + Z t −n+1 + ⋅ ⋅ ⋅ + Z t + ⋅ ⋅ ⋅ + Z t + n−1 + Z t + n )
N

C
Exemplo – Cálculo de médias móveis centradas com 3 termos
Procura total Média

nos últimos 3 móvel (3
Mês Procura meses meses)
1 120
2
3
130
110
}} 360
380
÷3
÷3
120
126,67
4 140 360 120
5 110 380 126,67
6 130
Note-se que se se utilizasse um número par de termos não seria possível centrar a
média nos valores utilizados para o seu cálculo.

C
Quando se pretende calcular médias móveis centradas com um número par de
termos é necessário recorrer à seguinte equação:
1  Z t −n Z t +n 
Mt =  + Z t − n +1 + ⋅ ⋅ ⋅ + Z t + ⋅ ⋅ ⋅ + Z t + n −1 + 
N 2 2 
Exemplo – Cálculo de médias móveis centradas com 4 termos
Média
total móvel (4
Mês Procura meses)
}
1 120 ÷2
2 130
3 110 495 ÷4 123,75
4 140 490 122,5
5 110 ÷2
6 130

C
O cálculo das médias móveis, independentemente do comprimento escolhido, de
uma série cronológica atenua a flutuação aleatória a que esta está sujeita.
Médias móveis
t Zt n=3 n=6 300
1 124
2 139 166,3
3 236 171,3
4 139 205,7 191,3 250
5 242 190,0 212,1
6 189 237,7 218,0
7 282 233,7 222,5
8 230 242,7 232,5
9 216 219,7 237,7 200
10 213 239,0 234,6
11 288 235,3 233,3
12 205 240,7 227,5
13 229 234,0 215,3
150
14 268 201,7 211,8 Zt
15 108 183,3 214,8
n=3
16 174 189,3 218,3
17 286 234,3 212,3 n=6
18 243 254,0 100
19 233 222,3 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
20 191

C
Se o comprimento escolhido para o cálculo das médias móveis for igual ao
comprimento da sazonalidade, as médias móveis anulam a flutuação periódica a
que a série está sujeita.
Médias móveis
t Zt n=3 n=4 800
1 32 Zt
2 212 246,3 700
3 495 301,7 239,5
n=3
4 198 255,7 254,5
600 n=4
5 74 187,3 279,3
6 290 326,3 296,3
7 615 373,0 301,9 500
8 214 310,7 305,9
9 103 203,3 311,0 400
10 293 349,7 329,0
11 653 422,0 344,4 300
12 320 364,3 353,6
13 120 263,3 378,5 200
14 350 421,7 405,3
15 795 512,3 423,9
16 392 461,3 445,1
100
17 197 344,0 451,4
18 443 464,0 453,5 0
19 752 549,0 1 3 5 7 9 11 13 15 17 19
20 452

C
Método da decomposição clássica - Lógica
Exemplo – Hóspedes nos hotéis do Algarve (Fonte INE)
1996 1997 1998 1999 2000
1º Trim. 311186 334423 312634 355380 362045
2º Trim. 605173 629460 668610 701704 730364
3º Trim. 762883 822805 848474 865300 914052
4º Trim. 343027 364241 395282 411616 426910
950000
850000
750000
Hóspedes
650000
• Tendência crescente
550000
• Sazonalidade 4 períodos
• Vamos assumir modelo 450000
multiplicativo 350000
250000
1996
1997
1998
1999
2000
Tempo

C
1º Passo – Cálculo da série Mt (médias móveis) com um número de termos igual
ao comprimento de sazonalidade.
1996 1997 1998 1999 2000
1º Trim. 524938,50 545281,13 577313,25 598425,25
2º Trim. 535080,50 552369,88 581458,25 606431,00
3º Trim. 508471,88 535008,63 561593,25 584333,13
4º Trim. 514412,38 537178,75 571073,25 588748,75
950000
850000
750000
Z t = Tt × C t × S t × ε t
650000
Hóspedes
Zt
Mt
550000
450000
M t = Tt × C t 350000
25000096
97
98
99
00
19
19
19
19
20
Tempo

C
Zt
2º Passo – Determinação da série auxiliar rt. rt = = St × ε t
Mt
1996 1997 1998 1999 2000

1º Trim. 0,6371 0,5733 0,6156 0,6050
2º Trim. 1,1764 1,2104 1,2068 1,2044
3º Trim. 1,5003 1,5379 1,5108 1,4808
4º Trim. 0,6668 0,6781 0,6922 0,6991
1,7
1,5
1,3
1,1 rt
rt
0,9
0,7
0,5
1996
1997
1998
1999
2000
Tempo

C
3º Passo – Cálculo do índice de sazonalidade para cada estação da série
considerada.
Média de todos os valores da série rt existentes para cada estação.
1996 1997 1998 1999 2000 Média

1º Trim. 0,6371 0,5733 0,6156 0,6050 0,6077 S 1º Trim.
2º Trim. 1,1764 1,2104 1,2068 1,2044 1,1995 S 2º Trim.
3º Trim. 1,5003 1,5379 1,5108 1,4808 1,5075 S 3º Trim.
4º Trim. 0,6668 0,6781 0,6922 0,6991 0,6841 S 4º Trim.
Ao calcular a média da série rt para todos os valores associados à mesma

estação atenua-se a componente erro.
No caso de existirem valores anormais para a série rt pode ser necessário ajustar
os índices de sazonalidade calculados.

C
4º Passo – Cálculo da série erro εt, representando a componente aleatória da
série original.
1996 1997 1998 1999 2000
rt 1º Trim. 1,04825 0,94339 1,01288 0,99547
εt = 2º Trim. 0,98073 1,00912 1,00609 1,00406
St 3º Trim. 0,99526 1,02019 1,00222 0,98232
4º Trim. 0,97483 0,99125 1,01187 1,02205
1,06
1,04
1,02
Et
A série dos erros, dada a sua 0,98
característica aleatória, não é utilizada 0,96
para realizar previsões. No entanto, o

0,94
seu conhecimento é importante para
aferir se o método escolhido para fazer 0,92
previsões é adequado à série que se

96
97
98
99
00
19
19
19
19
20
pretende estudar. Tempo

C
5º Passo – Cálculo da tendência. Assume-se que esta é função do tempo e
ajusta-se uma função polinomial à série das médias móveis. Assume-se que os
desvios resultantes se devem à componente ciclo.
Tendência (Tt)
1996 1997 1998 1999 2000
1º Trim. 522702,5 548113,3 573524,1 598934,9
2º Trim. 529055,2 554466,0 579876,8 605287,6
3º Trim. 509997,1 535407,9 560818,7 586229,5
4º Trim. 516349,8 541760,6 567171,4 592582,2
640000
620000
Tt = 6351,7*t + 490939
600000
580000
Mt
Linear (Mt)
560000
540000
520000
500000
96
97
98
99
00
19
19
19
19
20
C
6º Passo – Cálculo da série Ct.
Mt
Ct =
Tt
Ciclo (Ct)
1996 1997 1998 1999 2000
1º Trim. 1,0043 0,9948 1,0066 0,9991
2º Trim. 1,0114 0,9962 1,0027 1,0019
3º Trim. 0,9970 0,9993 1,0014 0,9968
4º Trim. 0,9962 0,9915 1,0069 0,9935
A previsão da evolução da componente ciclo pode ser muito difícil. Para previsões de
curto prazo pode-se utilizar o último valor conhecido para as previsões pretendidas,
assumindo-se que a componente ciclo se mantém no médio prazo. Às vezes esta
componente não é utilizada para efectuar as previsões

C
7º Passo – Projectar os componentes da série para o instante para o qual se
pretende fazer a previsão e “reagrupá-los”.
Exemplo – Previsão do número de hóspedes para os trimestres do ano 2001
Período Previsão
t Tt Ct St Tt * Ct * St
1º Trim. 21 6351,7 * 21 + 490939 = 624324,7 1,0019 0,6077 380152
2º Trim. 22 6351,7 * 22 + 490939 = 630676,4, 1,0019 1,1995 757932
3º Trim. 23 6351,7 * 23 + 490939 = 637028,1 1,0019 1,5075 962135
4º Trim. 24 6351,7 * 24 + 490939 = 643379,8 1,0019 0,6841 440941

C
Ano Periodo Zt St Tt Ct Pt
1996 1 311186 0,6077
2 605173 1,1995
3 762883 1,5075 509994,1 0,9970 766502
4 343027 0,6841 516345,8 0,9962 351865
1997 5 334423 0,6077 522697,5 1,0043 319027
6 629460 1,1995 529049,2 1,0114 641820
7 822805 1,5075 535400,9 0,9993 806507 1000000
8 364241 0,6841 541752,6 0,9915 367453
1998 9 312634 0,6077 548104,3 0,9948 331387
10 668610 1,1995 554456,0 0,9962 662554 900000
11 848474 1,5075 560807,7 1,0014 846577
12 395282 0,6841 567159,4 1,0069 390635
800000
1999 13 355380 0,6077 573511,1 1,0066 350852
14 701704 1,1995 579862,8 1,0027 697441
15 865300 1,5075 586214,5 0,9968 880851 700000
Hóspedes
16 411616 0,6841 592566,2 0,9935 402724 Observação
2000 17 362045 0,6077 598917,9 0,9991 363681 Previsão
18 730364 1,1995 605269,6 1,0019 727398 600000
19 914052 1,5075 611621,3 1,0019 923762
20 426910 0,6841 617973,0 1,0019 423529
500000
2001 21 353755 0,6077 624324,7 1,0019 380152
22 715120 1,1995 630676,4 1,0019 757932
23 866547 1,5075 637028,1 1,0019 962135 400000
24 392423 0,6841 643379,8 1,0019 440941
300000 96
97
98
99
00
01
19
19
19
19
20
20
Ano

C
Método da decomposição clássica - Resumo
Modelo Multiplicativo Modelo Aditivo
Z t = Tt × C t × S t × ε t Z t = Tt + C t + S t + ε t
Cálculo das médias móveis
M t = Tt × C t M t = Tt + M t
Cálculo da série auxiliar rt
Z rt = Z t − M t = S t + ε t
rt = t = S t × ε t
Mt
Determinação dos índices de sazonalidade (média da série rt para cada estação da série)
Cálculo da série dos erros

r ε t = rt − St
εt = t
St
Determinação da tendência (ajuste de uma função polinomial à série Mt)
Cálculo do ciclo
M Ct = M t − Tt
Ct = t
Tt
Projecção dos componentes e reagrupamento para obter a previsão pretendida

C
Método da decomposição clássica - Conclusões
• Base conceptual simples, facilmente compreensível.
• Mesma importância a todas as observações.
• Novas observações implicam a repetição de todos os cálculos.
• Aplicável a séries muito estáveis.
• Muitas vezes é um método utilizado para compreender o
comportamento da série e não como método de previsão.
• “A decomposição é uma ferramenta muito útil, que deve ser aplicada

como passo inicial antes de escolher e aplicar um método de previsão”
(Makridakis)

C
Amortecimento Exponencial Simples
O modelo de alisamento exponencial simples, aplicável a séries

localmente estacionárias, pondera todos os valores históricos da série
com pesos sucessivamente menores à medida que estes se afastam
do valor mais recente.
O modelo é representado por:
Pt +1 = αZ t + (1 − α )Pt
Note-se que se trata de uma fórmula recursiva, em que o parâmetro α

é conhecido por constante de amortecimento e está limitado ao
intervalo [0, 1].

C
Substituindo Pt pelos seus componentes
Pt +1 = αZ t + (1 − α )Pt
Obtem-se
Pt +1 = αZ t + (1 − α )[αZ t −1 + (1 − α )Pt −1 ] = αZ t + α (1 − α )Z t −1 + (1 − α ) Pt −1
2
Continuando a expansão da equação obtém-se
Pt +1 = αZ t + α (1 − α )Z t −1 + α (1 − α ) Z t − 2 + α (1 − α ) Z t −3 + ... + α (1 − α ) Z1 + (1 − α ) P1
2 3 t −1 t

C
Verifica-se então que o peso dado às observações decai exponencialmente com a
sua antiguidade e tanto mais rapidamente quanto maior é o valor de α
Peso atribuído a: α = 0,2 α = 0,4 α = 0,8

Pt 0,2 0,4 0,8
Pt-1 0,16 0,24 0,16
Pt-2 0,128 0,144 0,032
Pt-3 0,1024 0,0864 0,0064
Pt-4 0,08192 0,05184 0,00128
0,50
0,45
0,40
0,35
α = 0,8 0,30
α = 0,4 0,25
0,20
α = 0,2 0,15
0,10
0,05
0,00
1 2 3 4 5 6 7 8

C
Inicialização do método
Escolha de P1
P1 = Z1
É um método simples mas que tem o seguinte inconveniente: Se o primeiro

valor observado da série for um valor anormal, as previsões poderão demorar
a ajustar-se à série.
Para se eliminar este problema pode-se inicializar o método

utilizando para a primeira previsão a média das 4 ou 5 primeiras
observações
P1 = (Z1 + Z2 + Z3 + Z4)/4

C
Escolha de α
Um valor elevado para α promove um amortecimento quase nulo à série

original, ao passo que um valor elevado para α conduz a um amortecimento
considerável da série. Note-se que no limite quando α toma o valor 1, a
previsão passa a ser o último valor conhecido da série. A escolha de um
valor adequado para o coeficiente de amortecimento pode ser feita por
tentativa e erro. Para tal, fazem-se previsões utilizando os dados históricos
da série, recorrendo a vários valores de α. O erro quadrático médio
resultante é calculado, escolhendo-se o valor de α que o minimiza.

C
Exemplo
Zt Pt (α = 0,1) Pt (α = 0,5) Pt (α = 0,9) EQM (α = 0,1) EQM (α = 0,5) EQM (α = 0,9)

17
21 17,0 17,0 17,0 16,0 16,0 16,0
27 17,4 19,0 20,6 92,2 64,0 41,0
15 18,4 22,2 26,0 11,3 51,8 121,9
25 18,0 16,7 15,3 48,7 69,2 93,4
27 18,7 21,5 24,3 68,5 30,1 7,3
14 19,5 22,9 26,2 30,8 78,5 148,2
22 19,0 16,8 14,6 9,0 27,3 55,4
25 19,3 20,5 21,7 32,5 20,3 10,9
18 19,9 22,1 24,4 3,5 17,2 41,3
15 19,7 18,9 18,2 21,9 15,5 10,2
16 19,2 17,3 15,5 10,3 1,8 0,3
18,9 17,6 16,3
EQM 31,3 35,6 49,6

C
Observações
28 A. Exp. (0,1)
A. Exp. (0,5)
26 A. Exp. (0,9)
24
22
Procura
20
18
16
14
12
1 2 3 4 5 6 7
Mês 8 9 10 11 12 13

C
Método de Holt
• O modelo apresentado no ponto anterior é adequado para séries
localmente estacionárias, mas é desajustado para séries com outras
características, nomeadamente quando apresentam tendência.
• Nesses casos pode-se utilizar o modelo de Holt que recorre a duas

equações de actualização, cada uma com um coeficiente de
amortecimento distinto, α e β, para estimar o nível e a tendência da
série respectivamente.
nt = αZ t + (1 − α )(nt −1 + bt −1 ) Nível
bt = β (nt − nt −1 ) + (1 − β )bt −1 Tendência
Pt + k = nt + kbt Previsão

C
Método de Holt
Escolha de n1 e b1
A forma mais simples de fazer essa inicialização consiste em considerar que
n1 = Z1 e b1 = Z2 – Z1
Esta forma de escolher b1 tem o inconveniente de poder gerar um valor

afastado da realidade que demorará a adaptar-se ao comportamento da
série. Para evitar esse problema pode-se recorrer a uma média
aritmética dos primeiros valores da série, por exemplo b1 = (Z4-Z1)/3,
atenuando assim o efeito da componente aleatória da série

C
Método de Holt
Escolha de α e β
Escolhem-se várias combinações de α e β, determinando o erro quadrático

médio resultante desses pares, e escolhendo aquele que gera o menor
EQM.
É um procedimento moroso dado o elevado número de combinações
possíveis.

C
Método de Holt
Exemplo
A. E. Simples Método de Holt A. E. Simples:

Zt Pt nt bt Pt
α = 0,6
16
19 16,0 16,0 3,0
19 17,8 19,0 3,0 19,0
21 18,5 21,5 2,7 22,0 Holt:
26 20,0 25,1 3,3 24,2 α = 0,5
28 23,6 28,2 3,2 28,4 β = 0,7
30 26,2 30,7 2,7 31,4
29 28,5 31,2 1,2 33,4
31 28,8 31,7 0,7 32,3
36 30,1 34,2 2,0 32,4
34 33,6 35,1 1,2 36,1
38 33,9 37,1 1,8 36,3
36,3 39,0
40,8
42,6

C
Método de Holt
Exemplo
45
Observações
40 A. Exp. Simples
Holt
35
Procura
30
25
20
15
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Mês

C
Modelo de Holt-Winters
• O modelo de Holt-Winters é uma extensão do modelo de Holt apresentado
anteriormente para aplicação a séries que, para além de tendência, apresentam
Sazonalidade. O modelo de Holt-Winters considera 3 equações de
amortecimento; uma para o nível, uma para a tendência e uma para a
sazonalidade.
Zt
nt = α + (1 − α )(nt −1 + bt −1 )
S t −s
−s
bt = β (nt − nt −1 ) + (1 − β )bt −1
Zt
St = γ + (1 − γ )S t − s
nt
Pt + k = (nt + kbt )S t − s + k

C
Escolha de α, β e γ
Escolhem-se várias combinações de α, β e γ determinando o erro quadrático

médio resultante dessas combinações, e escolhendo aquele que gera o
menor EQM.
É um procedimento moroso dado o elevado número de combinações
possíveis.
Pode-se utilizar um algoritmo de optimização para determinar a combinação
de valores que produz melhores resultados.

C
Escolha dos valores iniciais para n, b e índices de sazonalidade
Para uma série com sazonalidade de comprimento s:
1
ns = (Z1 + Z 2 + L + Z s )
s
1  Z − Z1 Z s +2 − Z 2 Z − Zs 
bs =  s +1 + + L + s+s 
s s s s 
Z1 Z Z
S1 = , S2 = 2 , L Ss = s
ns ns ns

C
1996 1997 1998 1999 2000
1º Trim. 311186 334423 312634 355380 362045
2º Trim. 605173 629460 668610 701704 730364
3º Trim. 762883 822805 848474 865300 914052
4º Trim. 343027 364241 395282 411616 426910
950000
850000
750000
Hóspedes
650000
550000
450000
350000
250000
1996
1997
1998
1999
2000
Tempo

C
Exemplo - Inicialização
Ano Periodo Zt nt bt St
1996 1 311186 0,6155
2 605173 1,1970
3 762883 1,5090
4 343027 505567,3 8041,25 0,6785
1997 5 334423
6 629460
7 822805
8 364241
1
n4 = (311186 + 605173 + 762883 + 343027 )
4
1  334423 − 311186 629460 − 605173 822805 − 763883 364241 − 343027 

b4 =  + + + 
4 4 4 4 4 
311186 605173 762883 343027

S1 = , S2 = , S3 = , S4 =
505567,3 505567,3 505567,3 505567,3

C
Ano Periodo Zt nt bt St Pt
1996 1 311186 0,6155
2 605173 1,1970
3 762883 1,5090
4 343027 505567,25 8041,25 0,6785
1997 5 334423 516579,57 9526,78 0,6410 316135,5
6 629460 526081,40 9514,31 1,1966 629758,7
7 822805 536563,93 9998,42 1,5286 808194,9
8 364241 545589,44 9511,97 0,6698 370842,1
1000000
1998 9 312634 548363,57 6143,05 0,5843 355824,0
Observação
10 668610 554931,35 6355,41 1,2032 663527,6
Previsão
11 848474 560665,81 6044,93 1,5164 857965,7 900000
12 395282 569055,66 7217,40 0,6897 379576,0
1999 13 355380 579467,37 8814,55 0,6075 336715,7 800000
14 701704 587773,38 8560,28 1,1957 707822,7
15 865300 593763,83 7275,36 1,4691 904268,6
Hóspedes
16 411616 600619,18 7065,36 0,6862 414512,7 700000
2000 17 362045 606512,98 6479,58 0,5990 369162,1
18 730364 612775,44 6371,02 1,1927 732960,1 600000
19 914052 619449,18 6522,38 1,4743 909604,6
20 426910 625589,17 6331,19 0,6832 429533,9 500000
2001 21 353755 374753,5
22 715120 746113,7
23 866547 922303,6 400000
24 392423 427382,3
300000
96
97
98
99
00
01
19
19
19
19
20
20
Tempo

C
Modelos de amortecimento – Conclusões
• Métodos muito populares.
• Simplicidade conceptual.
• Fáceis de utilizar.
• Eficiência computacional.
• Aplicáveis a séries pouco estáveis, mais adaptativos.
• Requerem pouca utilização de memória.
• Atribuem maior peso às observações mais recentes.
• Não fazem distinção entre as componentes tendência e ciclo.

C

2 - M+®todos de Previs+úo

Enviado por

Dados do documento

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

2 - M+®todos de Previs+úo

Enviado por

Direitos autorais:

Formatos disponíveis

Métodos de Previsão

Transparências de apoio à disciplina de

Grupo de Controlo e Gestão G G

Grupo de Controlo e Gestão G G

• Algumas áreas de aplicação:

Grupo de Controlo e Gestão G G

• Previsões de longo prazo:

• Previsões de médio prazo:

• Previsões de curto prazo:

Grupo de Controlo e Gestão G G

Desenvolvimento Introdução Crescimento Maturidade Declínio

Grupo de Controlo e Gestão G G

Opinião Estudos de Método de Séries Modelos

Grupo de Controlo e Gestão G G

Grupo de Controlo e Gestão G G

Grupo de Controlo e Gestão G G

Grupo de Controlo e Gestão G G

O seu conhecimento é importante porque:

Para um determinado instante t o erro de previsão consiste na diferença

Grupo de Controlo e Gestão G G

– Erro médio (EM)

1 n Pode dar uma imagem incorrecta da precisão das

– Erro absoluto médio (EAM)

– Erro quadrático médio (EQM)

Grupo de Controlo e Gestão G G

Período Observação Previsão Erro Erro absoluto Erro ao quadrado

Grupo de Controlo e Gestão G G

Grupo de Controlo e Gestão G G

(xi , yi ) para i = 1,2,3..., n

• Ajusta-se uma recta do tipo

Grupo de Controlo e Gestão G G

Grupo de Controlo e Gestão G G

Grupo de Controlo e Gestão G G

y = 20,06 – 0,139*10 = 18,67

Grupo de Controlo e Gestão G G

É uma medida relativa da associação linear entre as duas variáveis em

Grupo de Controlo e Gestão G G

r = 0,75 r = - 0,75 r = 0,91 r = - 0,91

Grupo de Controlo e Gestão G G

Cuidados a ter com a utilização do coeficiente de correlação

1. Se as variáveis estiverem relacionadas de uma forma não linear o

Grupo de Controlo e Gestão G G

Grupo de Controlo e Gestão G G

(Indústria transformadora) 100

Grupo de Controlo e Gestão G G

Grupo de Controlo e Gestão G G

• O valor de uma variável observado num determinado instante t será

• Os dois modelos mais comuns para representar uma série temporal

Grupo de Controlo e Gestão G G

Grupo de Controlo e Gestão G G

Grupo de Controlo e Gestão G G

Procura total Média

Grupo de Controlo e Gestão G G

Exemplo – Cálculo de médias móveis centradas com 4 termos

Grupo de Controlo e Gestão G G

Grupo de Controlo e Gestão G G

Grupo de Controlo e Gestão G G

Grupo de Controlo e Gestão G G

Grupo de Controlo e Gestão G G

1996 1997 1998 1999 2000

Grupo de Controlo e Gestão G G

1996 1997 1998 1999 2000 Média

Ao calcular a média da série rt para todos os valores associados à mesma

Grupo de Controlo e Gestão G G