previsões da procura - autenticação · empresa procura planos clientes ciclo vida do produto...
TRANSCRIPT
1
Previsõesda
ProcuraGestão da Produção II
LEM-2004/2005Paulo Peças
Previsões
• Estudar e Modelar o Passado para PREVER o Futuro
EMPRESA PROCURA Planos clientes
Ciclo vidado produto
Esforço e preços da concorrência
Confiança e atitude do consumidor
Fase do ano
Qualidade
Política de créditos ao cliente
Projecto dos bens ou serviços
Reputaçãodo serviço
Esforço de vendas
Publicidade
Ciclo do negócio
Variação aleatória
INPUT
INPUT
OUTPUTOUTPUT
Efeitos na empresa
Esforço daempresa
2
Previsões
• Métodos de Previsão da Procura
Método Delphi
ExpectativasClientes
Painel de especialistas
Equipa devendas
Abordagem Subjectiva ou Qualitativa
Previsões
Abordagem Estatística ou Quantitativa
Relações Causais Séries Temporais
Alisamento Decomposição
Aditivo
Multiplicativo
Alisamento Exponencial
Médiasmóveis
Método Delphi
ExpectativasClientes
Painel de especialistas
Equipa devendas
Abordagem Subjectiva ou Qualitativa
Previsões
Abordagem Estatística ou Quantitativa
Relações Causais Séries Temporais
Decomposição
AditivoAlisamento Exponencial
Médiasmóveis
Ajustamento
Previsões
• Métodos de Previsão da Procura
Causalmodels
Datamining
Statistical
Univariate
Theory-based
Data-based
Extrapolationmodels
Multivariate
Rule-basedforecasting
Unaidedjudgment
Judgmental
SelfOthers
Role playing(Simulatedinteraction)
Role No role
Conjointanalysis
Knowledgesource
Quantitativeanalogies
Unstructured Structured
Feedback No feedback
Predictionmarkets Delphi Decom-
positionStructuredanalogies
forecastingpriciples.comJSA-KCGApril 2005
Neuralnets
Expertsystems
Intentions/expectations
Judgmentalbootstrapping
Segmentation
Linear Classification
Game theory
3
Previsões• Metodologia
No Yes
Sufficientobjective data
YesNo
YesNo
Large changes expected
Policy analysis
YesNo
Conflict among a fewdecision makers
Type ofknowledge
Policyanalysis
NoYes
Domain Self
YesNo
Time seriesCross-section
Type ofdata
Goodknowledge ofrelationships
Policyanalysis
No Yes
Gooddomain
knowledge
Yes No
YesNo
Large changes likely
Similarcases exist
YesNo
Judgmental methods Quantitative methods
Several methods provideuseful forecasts
YesNo Combine forecasts Use selected method
Delphi/Predictionmarkets
Judgmentalbootstrapping/Decomposition
Conjointanalysis
Intentions/expectations
Role playing(Simulatedinteraction/
Game theory)
Structuredanalogies
Expertsystems
Rule-basedforecasting
Extrapolation/Neural nets/Data mining
Econometricmethods/
Segmentation
Quantitativeanalogies
Accuracyfeedback
Unaidedjudgment
NoYes
forecastingprinciples.comJSA-KCGApril 2005
Previsões• Medidas de precisão
Previsão no período t: PtValor real no período t: VtPeríodo de tempo t: tAmplitude do erro no período t: et = Vt – PtNúmero de previsões do passado: n
Nomen. Int.Erro Médio ME
Erro Médio Absoluto MAD
Erro Quadrático Médio MSE
Desvio Padrão SD
Percentagem do Erro PE
Per. Média Absoluta do Erro MAPE
EMn
te=∑
EMAn
te=∑| |
EQMn
te=∑ 2
PE t t
t
V PV
=−
*100
PMAEn
t t
t
V PV
=−
∑ *
100
nDP e2
t∑=
4
Previsões
• 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.
Característica das séries temporais
• Aleatoriedade
• Tendência
• Sazonalidade
• Modelaridade (modelos causais)
Série Estacionária
0
20
40
60
80
100
0 1 2 3 4 5 6 7 8 9 10111213
Períodos de tempo
Série c/ Tendência
0
20
40
60
80
100
120
0 1 2 3 4 5 6 7 8 9 10111213
Períodos de tempo
Série Sazonal
020406080
100120140160180
0 6 12 18 24 30
Períodos de tempo Série Modelável
0
2
4
6
8
10
0 5 10 15 20 25 30
Períodos de tempo ou Variável independente
y = 2,362 Ln(x) + 1,126
5
Métodos
• Métodos de Alisamento– Simples
• Média Simples• Média Móvel • Alisamento Exponencial• Regressão Linear
– Duplos• Média Móvel Dupla• Alisamento Exponencial Duplo
• Métodos de Ajustamento– Mínimos quadrados– Outros
• Métodos de Decomposição– Decomposição de séries– Outros
Séries Estacionárias
Séries com Tendência
Séries Sazonais
Séries Modeláveis
Métodos de Previsão - Alisamento• Média Simples
– Parâmetro: não tem.– Utiliza todos os dados.
nP
n
1ii
t
V∑==
1761216311
17310
1759
1668
1747
1716
1655
1704
165317221651
ObservaçãoPeríodo
100110120130140150160170180190200
0 1 2 3 4 5 6 7 8 9 1011121314151617
Períodos de tempo
Previsão período 13: P13 = 169,58
Intervalo de confiança a 99% (3σ):[154,35;184,82]
Previsão para períodos 14, 15, etc.Pt>13=P13=169,58
2,80%5,08DP
MAPE25,78EQM
3,98%49,007,00169,0012
4,05%43,56-6,60169,6011
2,18%14,273,78169,22103,71%42,256,50168,5091,72%8,16-2,86168,8683,45%36,006,00168,0072,11%12,963,60167,4061,82%9,00-3,00168,0051,57%7,112,67167,3342,12%12,25-3,50168,5034,07%49,007,00165,002
1MAPEErro^2ErroPrevisãoPeríodo
Cálculo do erro
6
Métodos de Previsão - Alisamento• Média Simples
134121331114510
1379
1498
1407
1516
14851604
158317021671
ObservaçãoPeríodo
100110120130140150160170180190200
0 1 2 3 4 5 6 7 8 9 1011121314151617
Períodos de tempo
Previsão período 13: P13 = 149,33
Intervalo de confiança a 99% (3σ):[109,23;189,44]
MAPE:8,48%Previsão para períodos 14, 15, etc.Pt>13=P13=149,33
1751218111
178101829
1778
1737
1776
1715
1534121311121021
ObservaçãoPeríodo
100110120130140150160170180190200
0 1 2 3 4 5 6 7 8 9 1011121314151617
Períodos de tempo
Todos os dados relevantes:Todos os dados relevantes:Previsão período 13: P13 = 158,42Intervalo de confiança a 99% (3σ):[60,97;255,87] MAPE:18%Previsão para períodos 14, 15, etc.Pt>13=P13=158,42Existem factores que levam a Existem factores que levam a eliminar períodos 1 a 4:eliminar períodos 1 a 4:Previsão período 13: P13 = 176,75Intervalo de confiança a 99% (3σ):[163,62;189,88]
MAPE:2,12%
Métodos de Previsão - Alisamento• Média Móvel Simples
– Parâmetro: p – número de períodos (dimensão)– Dá mais ênfase aos últimos dados
pP
1-t
ptii
t
V∑−==
1761216311
17310
1759
1668
1747
1716
1655
1704
165317221651
ObservaçãoPeríodo
100110120130140150160170180190200
0 1 2 3 4 5 6 7 8 9 1011121314151617
Períodos de tempo
Para p = 2Previsão período 13: P13 = 169,50
Intervalo de confiança a 99% (3σ):[152,33;186,67]
Previsão para períodos 14, 15, etc.Pt>13=P13=169,50 2,95%5,72DP
MAPE32,75EQM
4,55%64,008,00168,00126,75%121,00-11,00174,00111,45%6,252,50170,50102,86%25,005,00170,0093,92%42,25-6,50172,508
3,45%36,006,00168,007
2,05%12,253,50167,506
1,52%6,25-2,50167,505
0,88%2,251,50168,504
2,12%12,25-3,50168,50321
MAPEErro^2ErroPrevisãoPeríodoCálculo do erro
7
Métodos de Previsão - Alisamento• Média Móvel Simples
134121331114510
1379
1498
1407
1516
14851604
158317021671
ObservaçãoPeríodo
100110120130140150160170180190200
0 1 2 3 4 5 6 7 8 9 1011121314151617
Períodos de tempo
Previsão período 13: P13 = 133,50
Intervalo de confiança a 99% (3σ):[112,12;154,88]
MAPE:4,43%Previsão para períodos 14, 15, etc.Pt>13=P13=133,50
1751218111
178101829
1778
1737
1776
1715
1534121311121021
ObservaçãoPeríodo
100110120130140150160170180190200
0 1 2 3 4 5 6 7 8 9 1011121314151617
Períodos de tempo
Todos os dados relevantes:Todos os dados relevantes:Previsão período 13: P13 = 178,00Intervalo de confiança a 99% (3σ):[125,71;230,29] MAPE:7,48%Previsão para períodos 14, 15, etc.Pt>13=P13=178,00Existem factores que levam a Existem factores que levam a eliminar períodos 1 a 4:eliminar períodos 1 a 4:Previsão período 13: P13 = 178,00Intervalo de confiança a 99% (3σ):[167,22;188,78]
MAPE:1,59%
Métodos de Previsão - Alisamento• Média Móvel Simples – Influência da dimensão P
160
162
164
166
168
170
172
174
176
178
180
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Períodos de tempo
Obs. P=n (MS)P=1 P=2P=3 P=4
2,90%2,64%2,95%4,01%2,80%MAPE155,39156,13152,33153,64154,35LII188,11185,21186,67198,36184,82LSI5,454,855,727,455,08DP
171,75170,67169,50176,00169,58PrevisãoP=4P=3P=2P=1P=n (MS)
8
Métodos de Previsão - Alisamento• Média Móvel Simples – Influência da dimensão P
120
130
140
150
160
170
180
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Períodos de tempo
Obs. P=n (MS)P=1 P=2P=3 P=4
5,87%5,26%4,43%5,33%8,48%MAPE108,00111,45112,12107,40109,23LII166,50163,22154,88160,60189,44LSI9,758,637,138,8713,37DP
137,25137,33133,50134,00149,33PrevisãoP=4P=3P=2P=1P=n (MS)
Métodos de Previsão - Alisamento• Média Móvel Simples – Influência da dimensão P
100
110
120
130
140
150
160
170
180
190
200
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Períodos de tempo
Obs. P=n (MS)P=1 P=2P=3 P=4
9,28%9,08%7,40%5,99%18,02%MAPE109,15110,93125,71137,8960,97LII248,85245,07230,29212,11255,87LSI23,2822,3617,4312,3732,48DP179,00178,00178,00175,00158,42Previsão
P=4P=3P=2P=1P=n (MS)
9
Métodos de Previsão - Alisamento• Média Móvel Dupla
– Parâmetros: p (dimensão) e d (referência)– Dá mais ênfase aos últimos dados e respeita tendência
p
S
S
p
V
S
SSb
SSa
t
ptii
t
t
ptii
t
ttt
ttt
∑
∑
+−=
+−=
+
=
=
−=
−=
+=
1''
1'
'''
'''ttdt
'
2
d.baP
100110120130140150160170180190200
0 1 2 3 4 5 6 7 8 9 1011121314151617
Períodos de tempo
Para p = 3 e d = 1Previsão período 13: P13 = a12+1.b12 a12=2.S’12 – S’’12 ; b12=S’12-S’’12S’12=(145+133+134)/3= 137,33S’’12=(S’10+ S’11+ S’12)=(149+137+145)/3 + (137+145+133)/3+S’12= 139,78a12 = 134,89 b12 = -2,44P13 = 132,44
1341213311
14510
1379
1498
1407
1516
1485
1604
158317021671
ObservaçãoPeríodo
Métodos de Previsão - Alisamento• Média Móvel Dupla
120,22P18
122,67P17
125,11P16
127,56P15
8,088,08DPDP130,00P14
5,14%5,14%65,3465,34EQMEQM132,44132,44P13P131313
0,012,781,67132,33--2,442,44134,89134,89139,78139,78137,33137,3313413412
0,0795,60-9,78142,78-3,00135,33141,33138,33138,3313313311
0,0681,009,00136,00-0,44143,22144,11143,67143,6714514510
0,0432,11-5,67142,67-3,00139,00145,00142,001371379
0,09171,9013,11135,89-2,00144,67148,67146,671491498
0,0425,00-5,00145,00-5,22141,11151,56146,331407
0,0549,007,00144,00-4,00149,00157,00153,001516
-5,67149,67161,00155,331485
162,671604
165,001583
1702
1671
%erroerro^2erroprevisãobas''s'Obs.Per.
P=3;d=1
Para p = 3 e d = 1Previsão período 13: P13 = 132,44
Intervalo de confiança a 99% (3σ):[108,19;156,69]
MAPE: 5,14%
Previsão para períodos 14, 15, etc.
100110120130140150160170180190200
0 1 2 3 4 5 6 7 8 9 101112131415161718
Períodos de tempo
Para p = 3 e d = 1P13 = a12+1.b12P14 = a12+2.b12P15 = a12+3.b12P16 = a12+4.b12P17 = a12+5.b12P18 = a12+6.b12
10
Métodos de Previsão - Alisamento• Média Móvel Dupla
114,25P18
117,00P17
119,75P16
122,50P15
4,964,96DPDP125,25P14
3,13%3,13%24,5624,56EQMEQM128,00128,00P13P131313
0,029,00-3,00137,00--2,752,75130,75130,75136,25136,25133,50133,5013413412
0,0536,00-6,00139,00-1,00138,00140,00139,00139,0013313311
0,0212,253,50141,50-1,00140,00142,00141,0014514510
0,0542,25-6,50143,50-0,75142,25143,75143,001379
0,0556,257,50141,50-0,50144,00145,00144,501498
0,0425,00-5,00145,00-2,00143,50147,50145,501407
0,014,002,00149,00-2,25147,25151,75149,501516
0,0436,00-6,00154,00-2,50151,50156,50154,001485
0,000,250,50159,50-2,50156,50161,50159,001604
-2,25161,75166,25164,001583
168,501702
1671
%erroerro^2erroprevisãobas''s'Obs.Per.
P=2;d=1
Para p = 2 e d = 1P13 = a12+1.b12P14 = a12+2.b12P15 = a12+3.b12P16 = a1++4.b12P17 = a12+5.b12P18 = a12+6.b12
Para p = 2 e d = 1Previsão período 13: P13 = 128,00
Intervalo de confiança a 99% (3σ):[113,13;142,87]
MAPE: 3,13%
Previsão para períodos 14, 15, etc.
100110120130140150160170180190200
0 1 2 3 4 5 6 7 8 9 101112131415161718
Períodos de tempo
Métodos de Previsão - Alisamento• Média Móvel Dupla
114,25P18
117,00P17
119,75P16
122,50P15
5,635,63DPDP125,25P14
3,43%3,43%31,6831,68EQMEQM136,00136,00P13P131313
0,0316,00-4,00138,00-2,75130,75136,25133,5013412
0,0660,06-7,75140,75--1,001,00138,00138,00140,00140,00139,00139,0013313311
0,014,002,00143,00-1,00140,00142,00141,00141,0014514510
0,026,25-2,50139,50-0,75142,25143,75143,001371379
0,0439,066,25142,75-0,50144,00145,00144,501498
0,0542,25-6,50146,50-2,00143,50147,50145,501407
0,000,25-0,50151,50-2,25147,25151,75149,501516
0,0685,56-9,25157,25-2,50151,50156,50154,001485
-2,50156,50161,50159,001604
-2,25161,75166,25164,001583
168,501702
1671
%erroerro^2erroprevisãobas''s'Obs.Per.
P=2;d=2
Para p = 2 e d = 2P13 = a11+2.b11P14 = a12+2.b12P15 = a12+3.b12P16 = a12+4.b12P17 = a12+5.b12P18 = a12+6.b12
Para p = 2 e d = 2Previsão período 13: P13 =136,00
Intervalo de confiança a 99% (3σ):[119,11;152,89]
MAPE: 3,43%
Previsão para períodos 14, 15, etc.
100110120130140150160170180190200
0 1 2 3 4 5 6 7 8 9 101112131415161718
Períodos de tempo
11
Métodos de Previsão - Alisamento• Média Móvel Dupla
120,22P18
122,67P17
125,11P16
127,56P15
5,70DP130,00P14
3,40%32,52EQM129,33P131313
0,0669,44-8,33142,33-2,44134,89139,78137,3313412
0,000,000,00133,00-3,00135,33141,33138,3313311
0,0318,784,33140,67-0,44143,22144,11143,6714510
0,0540,116,33130,67-3,00139,00145,00142,001379
0,0564,008,00141,00-2,00144,67148,67146,671498
0,012,781,67138,33-5,22141,11151,56146,331407
-4,00149,00157,00153,001516
-5,67149,67161,00155,331485
162,671604
165,001583
1702
1671
%erroerro^2erroprevisãobas''s'Obs.Per.
P=3;d=2
Para p = 3 e d = 2P13 = a11+2.b11P14 = a12+2.b12P15 = a12+3.b12P16 = a12+4.b12P17 = a12+5.b12P18 = a12+6.b12
Para p = 3 e d = 2Previsão período 13: P13 =129,33
Intervalo de confiança a 99% (3σ):[112,23;146,44]
MAPE: 3,40%
Previsão para períodos 14, 15, etc.
100110120130140150160170180190200
0 1 2 3 4 5 6 7 8 9 101112131415161718
Períodos de tempo
Métodos de Previsão - Alisamento• Média Móvel Dupla
120,22P18
122,67P17
106,46LII125,11P16
177,32LSI127,56P15
11,81DP126,33P14
6,34%139,46EQM141,89P131313
0,0316,004,00130,00-2,44134,89139,78137,3313412
0,0432,11-5,67138,67-3,00135,33141,33138,3313311
0,13382,4219,56125,44-0,44143,22144,11143,6714510
0,000,000,00137,00-3,00139,00145,00142,001379
0,11266,7816,33132,67-2,00144,67148,67146,671498
-5,22141,11151,56146,331407
-4,00149,00157,00153,001516
-5,67149,67161,00155,331485
162,671604
165,001583
1702
1671
%erroerro^2erroprevisãobas''s'Obs.Per.
P=3;d=3
Para p = 3 e d = 3P13 = a10+3.b10P14 = a11+3.b11P15 = a12+3.b12P16 = a12+4.b12P17 = a12+5.b12P18 = a12+6.b12
Para p = 3 e d = 3Previsão período 13: P13 =141,89
Intervalo de confiança a 99% (3σ):[106,46;177,32]
MAPE: 6,34%
Previsão para períodos 14, 15, etc.
100110120130140150160170180190200
0 1 2 3 4 5 6 7 8 9 101112131415161718
Períodos de tempo
12
Métodos de Previsão - Alisamento• Média Móvel Dupla – influência de p e de d
100
110
120
130
140
150
160
170
180
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
Períodos de tempo
Série P=2;d=1P=3;d=1 P=4=d=1P=2;d=2 P=2;d=3P2;d=4 P=3;d=2P=3;d=3 P=3;d=4
6,79%6,34%3,40%4,43%4,54%3,43%4,00%5,14%3,13%5,87%5,26%4,43%5,33%8,48%MAPE
96,47106,46112,23117,87116,82119,11106,50108,19113,13108,00111,45112,12107,40109,23LII
157,53177,32146,44160,63157,18152,89151,75156,69142,87166,50163,22154,88160,60189,44LSI
10,1811,815,707,136,735,637,548,084,969,758,637,138,8713,37DP
127,00141,89129,33139,25137,00136,00129,13132,44128,00137,25137,33133,50134,00149,33Previsão
P=3;d=4P=3;d=3P=3;d=2P2;d=4P=2;d=3P=2;d=2P=4=d=1P=3;d=1P=2;d=1P=4P=3P=2P=1P=n (MS)
mmdmmsms
Métodos de Previsão - Alisamento• Média Móvel Dupla – influência de p e de d
150
155
160
165
170
175
180
185
190
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
Períodos de tempo
Série P=2;d=1P=3;d=1 P=4=d=1P=2;d=2 P=2;d=3P2;d=4 P=3;d=2P=3;d=3 P=3;d=4
4,73%2,51%3,09%4,98%2,77%2,96%4,23%3,17%3,99%2,90%2,64%2,95%4,01%2,80%MAPE
146,52156,43147,57139,76164,44142,94149,51152,54145,81155,39156,13152,33153,64154,35LII
206,82188,01188,43203,74197,56175,06196,49188,35196,19188,11185,21186,67198,36184,82LSI
10,055,266,8110,665,525,357,835,978,405,454,855,727,455,08DP
176,67172,22168,00171,75181,00159,00173,00170,44171,00171,75170,67169,50176,00169,58Previsão
P=3;d=4P=3;d=3P=3;d=2P2;d=4P=2;d=3P=2;d=2P=4=d=1P=3;d=1P=2;d=1P=4P=3P=2P=1P=n (MS)
mmdmmsms
13
Métodos de Previsão - Alisamento• Média Móvel Dupla – influência de p e de d
100
120
140
160
180
200
220
240
260
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
Períodos de tempo
Série P=2;d=1P=3;d=1 P=4=d=1P=2;d=2 P=2;d=3P2;d=4 P=3;d=2P=3;d=3 P=3;d=4
29,29%18,47%11,53%11,03%9,62%7,91%9,70%5,94%5,45%9,28%9,08%7,40%5,99%18,02%MAPE
12,7968,29107,21115,69113,92123,03117,95131,46140,49109,15110,93125,71137,8960,97LII
359,65303,04262,12265,81248,08234,47242,80220,10212,51248,85245,07230,29212,11255,87LSI
57,8139,1225,8225,0222,3618,5720,8114,7712,0023,2822,3617,4312,3732,48DP
186,22185,67184,67190,75181,00178,75180,38175,78176,50179,00178,00178,00175,00158,42Previsão
P=3;d=4P=3;d=3P=3;d=2P2;d=4P=2;d=3P=2;d=2P=4=d=1P=3;d=1P=2;d=1P=4P=3P=2P=1P=n (MS)
mmdmmsms
Métodos de Previsão - Alisamento• Alisamento Exponencial Simples
– Parâmetro: α – % contribuição erro anterior– Utiliza todos os dados
α*)P(VPP 1t1t1tt −−− −+=
1761216311
17310
1759
1668
1747
1716
1655
1704
165317221651
ObservaçãoPeríodo
100110120130140150160170180190200
0 1 2 3 4 5 6 7 8 9 1011121314151617
Períodos de tempo
Para α = 0,1Previsão período 13: P13 = 168,67
Intervalo de confiança a 99% (3σ):[152,06;185,29]
Previsão para períodos 14, 15, etc.Pt>13=P13=168,67
2,83%5,54DPMAPE30,68EQM168,6713
0,0566,298167,86176120,0329,14-5168,40163110,0326,155167,89173100,0562,478167,1017590,011,48-1167,2216680,0456,798166,4617470,0325,405165,9617160,011,14-1166,0716550,0319,104165,6317040,000,49-1165,7016530,0449,007165,001722
1651
%erroErro^2ErroPrevisãoObser.Per.
Cálculo da Previsão
Cálculo do Erro
14
Métodos de Previsão - Alisamento• Alisamento Exponencial Simples – efeito de α
3,10
%
2,83
%
2,80
%
2,85
%
2,94
%
3,06
%
3,19
%
3,34
%
3,55
%
3,77
%4,
01%
0%
1%
2%
3%
4%
5%
0 0,2 0,4 0,6 0,8 1Alfa
MAP
E
4,01%3,77%3,55%3,34%3,19%3,06%2,94%2,85%2,80%2,80%2,83%3,10%MAPE
153,64153,67153,83154,09154,42154,79155,08155,13154,48154,48152,06145,16LII
198,36195,93193,78191,91190,30188,93187,78186,81185,98185,98185,29184,84LSI
7,457,046,666,305,985,695,455,285,255,255,546,61DP
176,00174,80173,80173,00172,36171,86171,43170,97170,23170,23168,67165,00Previsão
α=1α=0,9α=0,8α=0,7α=0,6α=0,5α=0,4α=0,3α=0,2α=0,2α=0,1α=0
160
162
164
166
168
170
172
174
176
178
180
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Períodos de tempo
Obs. α=0 α=0,1α=0,2 α=0,3 α=0,9α=1
2,51%2,64%2,80%156,43156,13154,35188,01185,21184,825,264,855,08
172,22170,67169,58
P=3;d=3P=3P=n (MS)MMDMMSMS
Métodos de Previsão - Alisamento• Alisamento Exponencial Simples
1341213311
1451013791498
1407
1516
1485
1604158317021671
ObservaçãoPeríodo
100110120130140150160170180190200
0 1 2 3 4 5 6 7 8 9 1011121314151617
Períodos de tempo
Para α = 0,7Previsão período 13: P13 = 134,65
Intervalo de confiança a 99% (3σ):[110,86;158,44]
Previsão para períodos 14, 15, etc.Pt>13=P13=134,65
4,61%7,93DPMAPE62,88EQM134,6513
0,024,66-2136,16134120,08110,84-11143,5313311
0,0324,085140,0914510
0,08106,28-10147,311379
0,0431,766143,361498
0,08125,80-11151,221407
0,000,52-1151,721516
0,08153,74-12160,401485
0,011,77-1161,331604
0,07123,21-11169,101583
0,029,003167,001702
1671
%erroErro^2ErroPrevisãoObser.Per.
Cálculo da Previsão
Cálculo do Erro
15
Métodos de Previsão - Alisamento• Alisamento Exponencial Simples – efeito de α
13,9
9%
10,2
1%
7,75
%
6,13
%
5,19
%
4,91
%
4,73
%
4,61
%
4,62
%
4,86
%5,
33%
0%1%2%3%4%5%6%7%8%9%
10%11%12%13%14%15%
0 0,2 0,4 0,6 0,8 1Alfa
MAP
E
5,33%4,86%4,62%4,61%4,61%4,73%4,91%5,19%6,13%7,75%10,21%13,99%MAPE
107,40108,87110,03110,86110,86111,30111,27110,62109,18106,85103,68100,30LII
160,60159,15158,43158,44158,44159,24161,07164,42170,30180,71199,50233,70LSI
8,878,388,077,937,937,998,308,9710,1912,3115,9722,23DP
134,00134,01134,23134,65134,65135,27136,17137,52139,74143,78151,59167,00Previsão
α=1α=0,9α=0,8α=0,7α=0,7α=0,6α=0,5α=0,4α=0,3α=0,2α=0,1α=0
130
135
140
145
150
155
160
165
170
175
180
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Períodos de tempo
Série α=0 α=0,1α=0,6 α=0,7 α=0,8α=1
3,13%4,43%8,48%113,13112,12109,23142,87154,88189,444,967,1313,37
128,00133,50149,33P=2;d=1P=2P=n (MS)
MMDMMSMS
Métodos de Previsão - Alisamento• Alisamento Exponencial Simples
1751218111
1781018291778
1737
1776
1715
1534121311121021
ObservaçãoPeríodo
100
120
140
160
180
200
220
0 1 2 3 4 5 6 7 8 9 1011121314151617
Períodos de tempo
Para α = 1,0Previsão período 13: P13 = 175,00
Intervalo de confiança a 99% (3σ):[137,89;212,11]
Previsão para períodos 14, 15, etc.Pt>13=P13=175
5,99%12,37DP
MAPE153EQM175,00130,0336-6181175120,0293178181110,0216-4182178100,0325517718290,0216417317780,0216-417717370,0336617117760,113241815317150,2110243212115340,081001011112130,088191021112
1021
%erroErro^2ErroPrevisãoObser.Per.
Cálculo da Previsão
Cálculo do Erro
16
Métodos de Previsão - Alisamento• Alisamento Exponencial Simples – efeito de α
35,9
4%
24,8
0%
17,8
7%
13,4
8%
10,9
4%
9,17
%
8,00
%
7,14
%
6,67
%
6,31
%5,
99%
0%
5%
10%
15%
20%
25%
30%
35%
40%
0 0,2 0,4 0,6 0,8 1Alfa
MAP
E
5,99%5,99%6,31%6,67%7,14%8,00%9,17%10,94%13,48%17,87%24,80%35,94%MAPE137,89137,89135,95133,35129,95125,42119,16109,9394,8767,5113,61-95,84LII212,11212,11215,20218,85223,23228,57235,20243,52253,96266,89282,47299,84LSI12,3712,3713,2114,2515,5517,1919,3422,2726,5233,2344,8165,95DP175,00175,00175,57176,10176,59176,99177,18176,73174,42167,20148,04102,00Previsãoα=1α=1α=0,9α=0,8α=0,7α=0,6α=0,5α=0,4α=0,3α=0,2α=0,1α=0
100
110
120
130
140
150
160
170
180
190
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Períodos de tempo
Obs. α=0 α=0,1α=0,6 α=0,7 α=0,8α=1
5,45%5,99%18,02%140,49137,8960,97212,51212,11255,8712,0012,3732,48176,50175,00158,42
P=2;d=1P=1P=n (MS)MMDMMSMS
Métodos de Previsão - Alisamento• Alisamento Exponencial Duplo
– Parâmetros: α (% erro) e d (referência)– Respeita tendência
).αS-(SSS
).αS(VSSα1
α)S(Sb
S2Sa
d.baP
''1t
't
''1t
''t
'1tt
'1t
't
''t
'tt
''t
'tt
ttdt
−−
−−
+
+=
−+=
−−=
−=
+=
117,92P18
120,54P17
123,16P16
125,77P15
7,15DP128,39P14
0,0451,18EQM131,01P1313
0,010,570,75133,25-2,62133,63145,85139,7413412
0,0535,86-5,99138,99-2,69135,93148,47142,2013311
0,0562,187,89137,11-2,15141,14151,16146,1514510
0,0436,79-6,07143,07-2,86139,97153,31146,641379
0,0554,667,39141,61-2,31145,38156,16150,771498
0,0787,50-9,35149,35-2,98144,58158,48151,531407
0,011,00-1,00152,00-2,14151,49161,45156,471516
0,08152,13-12,33160,33-2,05154,04163,59158,821485
0,026,71-2,59162,59-0,94161,27165,63163,451604
0,07116,64-10,80168,80-0,70163,29166,57164,931583
0,029,003,00167,000,27168,53167,27167,901702
0,00167,00167,00167,001671
%erroerro^2erroprevisãobas''s'Obs.Per.
Cálculo da PrevisãoCálculo do Erro
Para α = 0,3 e d = 1P13 = a12-1.b12P14 = a12-2.b12P15 = a12-3.b12P16 = a12-4.b12P17 = a12-5.b12P18 = a12-6.b12
Para α = 0,3 e d = 1 P13 = 131,01
Intervalo de confiança a 99% (3σ): [109,55;152,48]
MAPE: 4,16%
100110120130140150160170180190200
0 1 2 3 4 5 6 7 8 9 10 1112 1314 1516 1718
Períodos de tempo
17
Métodos de Previsão - Alisamento• Alisamento Exponencial Duplo - efeito de α
115
125
135
145
155
165
175
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
Períodos de tempo
Série δ=1;α=0,2δ=1;α=0,3 δ=1;α=0,4δ=1;α=0,5 δ=1;α=0,7δ=1;α=0,9 7,
19%
4,63
%
4,16
%
4,31
%
4,80
% 5,51
% 6,40
% 7,49
%
8,86
%
0%
1%
2%
3%
4%
5%
6%
7%
8%
9%
10%
0 0,2 0,4 0,6 0,8 1Alfa
MAP
E
8,86%7,49%6,40%5,51%4,80%4,31%4,16%4,16%4,63%7,19%MAPE
92,4297,19101,16104,46107,04108,79109,55109,55109,08106,18LII
173,44166,20160,94157,16154,50152,78152,48152,48156,57175,49LSI
13,5011,509,968,787,917,337,157,157,9211,55DP
132,93131,69131,05130,81130,77130,78131,01131,01132,82140,83Previsão
α=0,9α=0,8α=0,7α=0,6α=0,5α=0,4α=0,3α=0,3α=0,2α=0,1
d = 1
Métodos de Previsão - Alisamento• Alisamento Exponencial Duplo - efeito de d e α (melhor α)
115
125
135
145
155
165
175
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
Períodos de tempo
Série δ=1;α=0,3
δ=2;α=0,5 δ=3;α=0,3
δ=4;α=0,4
0%1%2%3%4%5%6%7%8%9%
10%11%12%13%14%15%16%17%
0 0,2 0,4 0,6 0,8 1Alfa
MAP
E
d=1d=2d=3d=4
4,16%109,55152,487,15
131,01d=1;α=0,3
3,73%109,72147,576,31
128,65d=2;α=0,5
6,43%100,94168,4511,25
134,69d=3;α=0,3
6,69%90,00
161,9311,99
125,96d=4;α=0,4
MAPELIILSIDP
Previsão
4,61%
110,86
158,44
7,93
134,65
α=0,7AES
3,13%4,43%8,48%
113,13112,12109,23
142,87154,88189,44
4,967,1313,37
128,00133,50149,33
P=2;d=1P=2P=n (MS)MMDMMSMS
18
Métodos de Previsão - Alisamento• Alisamento Exponencial Duplo
175,03P18
174,55P17
174,06P16
173,57P15
4,49DP173,08P14
1,89%20,15EQM167,83P1313
0,012,181,48174,520,49172,11169,83170,9717612
0,07117,15-10,82173,82-0,23168,28169,34168,8116311
0,0210,253,20169,800,74173,04169,57171,3017310
0,012,081,44173,560,75172,32168,83170,581759
0,0216,38-4,05170,050,26169,28168,08168,681668
0,0445,126,72167,280,86171,84167,82169,831747
0,011,771,33169,670,46169,12166,96168,041716
0,026,56-2,56167,560,12167,05166,49166,771655
0,000,030,17169,830,49168,68166,38167,531704
0,000,000,00165,000,25167,06165,88166,471653
0,63168,57165,63167,101722
0,00165,00165,00165,001651
%erroerro^2erroprevisãobas''s'Obs.Per.
Cálculo da PrevisãoCálculo do Erro
100110120130140150160170180190200
0 1 2 3 4 5 6 7 8 9 10 1112 1314 1516 1718
Períodos de tempo
Para α = 0,3 e d = 2Previsão período 13: P13 = 167,83
Intervalo de confiança a 99% (3σ):[154,36;181,30]
MAPE: 1,89%
Previsão para períodos 14, 15, etc.
Para α = 0,3 e d = 2P13 = a11+2.b11P14 = a12+2.b12P15 = a12+3.b12P16 = a12+4.b12P17 = a12+5.b12P18 = a12+6.b12
Métodos de Previsão - Alisamento• Alisamento Exponencial Duplo - efeito de d e α (melhor α)
160
162
164
166
168
170
172
174
176
178
180
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
Períodos de tempo
Série δ=1;α=0,1
δ=2;α=0,3 δ=3;α=0,4
δ=4;α=0,2
0%
1%
2%
3%
4%
5%
6%
7%
8%
9%
10%
11%
12%
13%
0 0,2 0,4 0,6 0,8 1Alfa
MAP
E
d=1d=2d=3d=4
2,75%155,55
186,41
5,14
170,98
d=1;α=0,1
1,89%1,89%154,36154,36181,30181,304,494,49
167,83167,83
d=2;d=2;αα=0,3=0,3
2,15%163,01
188,75
4,29
175,88
d=3;α=0,4
2,77%156,98
190,27
5,55
173,62
d=4;α=0,2
MAPELII
LSI
DP
Previsão
2,80%154,48185,985,25
170,23α=0,2AES
2,51%2,64%2,80%156,43156,13154,35188,01185,21184,825,264,855,08
172,22170,67169,58
P=3;d=3P=3P=n (MS)MMDMMSMS
19
Métodos de Previsão - Alisamento• Alisamento Exponencial Duplo
162,25P18
164,48P17
166,71P16
168,94P15
11,30DP171,17P14
5,46%127,80EQM173,40P1313
0,0449,22-7,02182,02-2,23175,63177,54176,5917512
0,014,512,12178,881,21180,81179,77180,2918111
0,0462,26-7,89185,890,17178,71178,57178,6417810
0,012,491,58180,424,03181,86178,40180,131829
0,013,24-1,80178,803,26177,16174,37175,771778
0,11339,75-18,43191,434,14174,66171,11172,881737
0,08195,65-13,99190,9913,17178,26166,97172,611776
0,000,200,44170,5620,03170,96153,79162,381715
0,16626,5025,03127,9719,81150,75133,77142,261534
0,0540,966,40114,607,55120,42113,96117,191213
0,0881,009,00102,004,41110,19106,41108,301112
0,00102,00102,00102,001021
%erroerro^2erroprevisãobas''s'Obs.Per.
Cálculo da PrevisãoCálculo do Erro
100
130
160
190
220
0 1 2 3 4 5 6 7 8 9 10 1112 1314 1516 1718
Períodos de tempo
Para α = 0,7 e d = 1Previsão período 13: P13 = 173,4
Intervalo de confiança a 99% (3σ):[139,49;207,31]
MAPE: 5,46%
Previsão para períodos 14, 15, etc.
Para α = 0,7 e d = 1P13 = a12+1.b12P14 = a12+2.b12P15 = a12+3.b12P16 = a12+4.b12P17 = a12+5.b12P18 = a12+6.b12
Métodos de Previsão - Alisamento• Alisamento Exponencial Duplo - efeito de d e α (melhor α)
90
110
130
150
170
190
210
230
250
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
Períodos de tempo
Série δ=1;α=0,7
δ=2;α=0,7 δ=3;α=0,8
δ=4;α=0,2
0%
5%
10%
15%
20%
25%
30%
0 0,2 0,4 0,6 0,8 1Alfa
MAP
E d=1d=2d=3d=4
5,46%5,46%139,49139,49207,31207,3111,3011,30173,40173,40
d=1;d=1;αα=0,7=0,7
11,47%114,22
252,23
23,00
183,22
d=2;α=0,7
18,4%64,54
286,16
36,94
175,35
d=3;α=0,8
20,89%72,01
337,77
44,29
204,89
d=4;α=0,2
MAPELII
LSI
DP
Previsão
5,99%137,89212,1112,37175,00
α=1AES
5,45%5,99%18,02%140,49137,8960,97212,51212,11255,8712,0012,3732,48176,50175,00158,42
P=2;d=1P=1P=n (MS)MMDMMSMS
20
Métodos de Previsão - Alisamento• Comparação geral – Não dispensa o cálculo do erro
X0,4-0,7 (d=2-3)AEDX0,6-0,8AEDX3-4 (d=2-3)MMDX2-3MMD
X0,5-0,8AEX0,9-1,0AEX1-2MMX1MMTENDÊNCIA
ELEVADA
XMédiaXMédiaBomMédioFracoVariáveisMétodoBomMédioFracoVariáveisMétodo
X0,3-0,5 (d=2-3)AEDX0,7-0,9AEDX3-4 (d=2-3)MMDX2-3MMD
X0,6-0,8AEX0,9-1,0AEX2-3MMX1-2MM
TÊNDENCIA
XMédiaXMédiaBomMédioFracoVariáveisMétodoBomMédioFracoVariáveisMétodo
X0,2-0,4 (d=2-3)AEDX0,2-0,4AEDX3-4MMDX2-3MMD
X0,3-0,5AEX0,5-0,8AEX3-5MMX2-3MMTENDÊNCIA
LIGEIRA
XMédiaXMédiaBomMédioFracoVariáveisMétodoBomMédioFracoVariáveisMétodo
X0,1-0,3AEDX0,2-0,3AEDX2-3MMDX2-3MMD
X0,1-0,4AEX0,3-0,5AEX4-5MMX2-4MM
ESTACIO-NÁRIA
XMédiaXMédiaBomMédioFracoVariáveisMétodoBomMédioFracoVariáveisMétodo
ELEVADA VARIABILIDADEBAIXA VARIABILIDADETIPO SÉRIE
Métodos de Previsão - Alisamento• Exercício proposto
– Séries para comparar 2 a duas, em termos de:• métodos a aplicar• aplicação no cálculo da previsão do 13º período• determinar o erro da previsão de cada método
656012242112212112192212
485111182211252511251811
624910262110312310112110
40439222092026920189
50358151982922826198
28317131873220724227
42286171661819620216
19205101651521517195
25184151242819415184
81334832218325193
12627421218218182
1211211517112171
Série VI-ASérie VISérie V-ASérie VSérie IV-ASérie IVSérie III-ASérie III
21
Métodos de Previsão - Alisamento• Exercício de exame – 23 Julho 99
0
5
1 0
1 5
2 0
2 5
3 0
0 1 2 3 4 5 6 7 8 9 1 0 1 1 1 2S e m a n a
Enco
men
das
Considere os dados relativos à evolução das encomendas semanais de uma dada empresa.
281120101691285713618524416312281
ValorSemana
a) Quais os métodos que vale a pena testar para a série de 11 semanas? Justifique.b) Com base nas últimas quatro semanas, quais os métodos que valeria a pena testar no cálculo da previsão para a 12ª semana? Justifique.c) Calcule a previsão para a 12ª semana através de um dos métodos que seleccionou na alínea a). Idem para alínea b). Indique os intervalos de confiança a 95%.d) Se lhe fosse solicitado pela Direcção da empresa a previsão para as semanas 13, 14 e 15, quais os valores que indicaria (utilize os métodos da alínea c)? Que comentário efectuaria quando fornecesse os valores à Direcção?
Métodos de Previsão - Alisamento• Exercício de exame – 15 Setembro 2000
Considere a seguinte série temporal, que se refere a dados de vendas de uma empresa. Foram aplicados vários métodos de previsão, estando os valores de erro quadrático médio obtidos, indicados na tabela.
*(valor de alfa que conduz a menor EQM)11512
65AED (a=0,2)*11011
65AE (a=0,1)*10810
135MMD3 d=11059
295MMD2 d=3958
201MMD2 d=21207
130MMD2 d=11156
78MMS41105
71MMS31144
73MMS21163
76MMS11182
59Média simples1201
EQMMétodoVendasPeríodo
9 0
9 5
1 0 0
1 0 5
1 1 0
1 1 5
1 2 0
1 2 5
0 1 2 3 4 5 6 7 8 9 1 0 1 1 1 2 1 3P e r ío do
Ven
das
a) Tendo em conta os valores de EQM resultantes da aplicação de cada um dos métodos listados na tabela, e considerando pertinentes todos os valores da série, indique, justificando, qual o melhor método para calcular a previsão do 13º período. Perante o evoluir da série, era de esperar que o método que seleccionou apresentasse os melhores resultados ?b) Se fosse responsável pela estimativa das vendas para o 13º período, aceitaria utilizar o método seleccionado na alínea a)? Justifique a resposta; caso não aceite o método, que tipo de informações teria de recolher sobre a empresa para poder utilizar outro método?c) Considerando apenas os últimos 4 períodos, quais os métodos de previsão que valeria a pena testar ? Justifique.d) Utilize um desses métodos (alínea c) e calcule a previsão para os períodos 13 a 16. Considereum nível de confiança a 95%.
22
Métodos de Previsão – Decomposição de séries
• Duas componentes:– Tendência: comportamento a longo prazo - estável,
crescente, decrescente– Sazonalidade: flutuações periódicas
• Ciclo: período superior ao da sazonalidade (3)Vt = Função (tendência, sazonalidade) + aleatoriedade
• Passos:1. Desazonalização da série e isolamento da tendência;2. Isolar os coeficientes sazonais;3. Isolar a componente aleatória.
Métodos de Previsão – Decomposição de séries
1º Passo: Desazonalização com identificação da tendência- Identificar a sazonalidade (p)- Aplicar a média móvel centrada de dimensão p- Aplicar mínimos quadrados aos pares ordenados (t,V’)- Estabelecer recta de tendência
- Com a MMC desparece a sazonalidade- Com os MQ define-se tnedência média (sem aleatoriedade)
102139712941110710106910181127107610551174115311021221
ObservaçõesPeríodo
85
90
95
100
105
110
115
120
125
0 2 4 6 8 10 12 14
Períodos de tempo
23
Métodos de Previsão – Decomposição de séries
96,9410213
98,629712
100,311211092,6799,339411
102,001001023,33102,3310710
103,6881942,00104,671069
105,3764850,67106,331018
107,0649746,67106,671127
108,7436648,00108,001076
110,4325548,33109,671055
112,1216449,33112,331174
113,809342,00114,001153
115,494231,33115,671102
117,181221
Ten-dênciat^2t*V’MMC
(p=3)Obs.Per.
a.tbT(t)n
(t)a
n
)(Vb
(t))()(tn
)(V(t).)(t.Vna
11
2
11
2
11
2
11
2
22
11
2
11
2
11
2
+=
−
′
=
−
′−′
=
∑∑
∑ ∑
∑ ∑∑
( )10n
4225t
505)(t
1079V'65t
6874)(t.V'
2
2
=
=
=
=
==
∑∑∑∑∑
T(t) = 118,86-1,69 t
85
90
95
100
105
110
115
120
125
0 2 4 6 8 10 12 14
Períodos de tempo
Obs.MMC(p=3)T(t)
Métodos de Previsão – Decomposição de séries2º Passo: Determinação dos coeficientes sazonais
Modelo Aditivo: Pt = Tt + STst = Vt-Tt : coeficiente de cada período
ST=média dos st do mesmo grupo
Neste caso tem-se modelo aditivo
5,06596,9410213-1,6298,629712-6,31100,3194115,00102,00107102,32103,681069-4,37105,3710184,94107,061127-1,74108,741076-5,43110,4310554,88112,1211741,20113,801153-5,49115,4911024,82117,181221
St=Vt-TtTtObs.Per.
S1ºperíodos = (4,82+4,88+4,94+5,00+5,07)/5 = 4,94
Modelo Multiplicativo: Pt = Tt * STst = Vt/Tt : coeficiente de cada período
ST=média dos st do mesmo grupo
S2ºperíodos = (-5,49-5,43-4,37-6,31)/4 = -5,40
S3ºperíodos = (1,20-1,74+2,32-1,62)/4 = 0,04
24
Métodos de Previsão – Decomposição de séries3º Passo: Cálculo da Previsão e do erro
96,9498,62100,31102,00103,68105,37107,06108,74110,43112,12113,80115,49117,18
Tt
13121110987654321
Per.
4,940,04-5,404,940,04-5,404,940,04-5,404,940,04-5,404,94ST
96,8296,8293,6093,6089,8589,85
Previsões
4,9491,8716160,689%1,0520,0493,561515MAPEDP-5,4095,2514140,119%0,010,12102131,710%2,75-1,6698,6697120,967%0,83-0,9194,919411
0,057%0,000,06106,9410710
2,151%5,202,28103,721069
1,020%1,061,0399,971018
0,000%0,000,00112,001127
1,664%3,17-1,78108,781076
0,029%0,00-0,03105,031055
0,052%0,00-0,06117,061174
1,008%1,341,16113,841153
0,083%0,01-0,09110,0911020,099%0,01-0,12122,121221%erroerro^2erroPrevisõesSTTtObs.Per.
99,9896,8293,66P16
96,7693,6090,44P15
93,0189,8586,69P14
LS(3σ)médioLI (3σ)
Métodos de Previsão – Decomposição de séries3º Passo: Cálculo da Previsão e do erro
75
80
85
90
95
100
105
110
115
120
125
0 5 10 15 20 25
Períodos de tempo
Obs.PrevisãoIntervalo a 99%
85
90
95
100
105
110
115
120
125
0 2 4 6 8 10 12 14 16 18
Períodos de tempo
Obs.TendênciaPrevisãoIntervalo a 99%
99,9896,8293,66P16
96,7693,6090,44P15
93,0189,8586,69P14
LS(3σ)médioLI (3σ)
Outra abordagem para erro:- Cálculo do erro por grupo de período:
1,633%1,710%2,151%1,664%1,008%Grupo 30,525%0,967%1,020%0,029%0,083%Grupo 20,052%0,057%0,000%0,052%0,099%Grupo 1MAPE10º a 12º7º a 9º4º a 6º1º a 3º
0,086
1,765
0,689
DP
97,0896,8296,56P16
98,8993,6088,30P15
91,9189,8587,78P14
LS(3σ)médioLI (3σ)
25
Métodos de Previsão – Decomposição de séries
2027194316221447Dezembro
1978187415751295Novembro
2874260520671860Outubro
3421305425452294Setembro
2937245522401984Agosto
7185652754124728Julho
6394585348944244Junho
6749605551454524Maio
5342495541983615Abril
3084272324601985Março
2055177416051381Fevereiro
1719143713601105Janeiro
2004200320022001Mês Ano
0
1000
2000
3000
4000
5000
6000
7000
8000
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40 42 44 46 48 50
Períodos de tempo
48362836314824274512Dezembro
47357635307023269211Novembro
46353134300122264210Outubro
4535003329582125989Setembro
4434733229402025698Agosto
4334503129301925497Julho
3810423425302920186Junho
3802413399292901175Maio
3787403364282880164Abril
3760393320272861153Março
3725383290262840142Fevereiro
3678373235252801131Janeiro
2004200320022001Ano Mês
Aplicação da média móvel de 12 termos e centragem da média:
Sendo 12 membros, a média ficaria centrada entre o período 6 e 7.
Assim desloca-se a MMC para baixo (0,5)e centra-se no período 7
V'7 = (0,5*V1 + V2 + V3 +.....+ V12 + 0,5*V13) /12 == 2549
Métodos de Previsão – Decomposição de sériesCálculo da recta da tendência
3810,25423802,42413786,88403760,38393725,00383677,50373627,54363576,08353531,04343499,88333473,13323449,67313424,54303398,71293363,83283320,21273290,04263234,63253148,21243070,33233000,88222958,38212940,38202930,13192919,63182900,67172880,38162861,29152840,17142801,00132745,42122692,46112642,29102598,2192569,0882549,137
V’t
Pare
s or
dena
dos
Aplicação dos mínimos quadrados:
n
ta
n
Vb
ttn
VtVtna
∑∑
∑ ∑
∑ ∑∑
−
′
=
−
′−′
=
42
7
42
7
42
7
42
7
22
42
7
42
7
42
7
)()(
))(()(
)().().(
2264b37,7a
777924.00(sum t )225494.00sum t2114799.71sum V
882.00sum t2959211Sum t.V
36.00n=48-12=36regressão linear
Tt = 37,7t + 2264
0
1000
2000
3000
4000
5000
6000
7000
8000
0 5 10 15 20 25 30 35 40 45 50
Períodos de tempo
Obs.MMC(p=12)T(t)
26
Métodos de Previsão – Decomposição de sériesCálculo dos coeficientes Modelo Multiplicativo: Pt = Tt * ST
st = Vt/Tt : coeficiente de cada períodoST=média dos st do mesmo grupo
0.520.500.540.510.53Dezembro
0.500.490.520.500.48Novembro
0.710.720.730.670.70Outubro
0.860.860.870.830.88Setembro
0.740.750.710.740.77Agosto
1.861.851.901.821.87Julho
1.691.661.721.661.70Junho
1.801.771.801.771.84Maio
1.471.421.491.461.50Abril
0.840.830.830.870.83Março
0.570.560.550.570.59Fevereiro
0.470.470.450.490.48Janeiro
Smensalsisisisi
Coef. Sazonais2004200320022001AnoMês
s1 = V1/T1 = 1105/(37,7*1+2264) = 0,48
Sjaneiro = (0,48+0,49+0,45+0,47)/4 = 0,47
Cálculo da previsão
23080.524526Dezembro22430.504488Novembro31150.714451Outubro37950.864413Setembro32380.744375Agosto80681.864338Julho72671.694300Junho76291.804262Maio62101.474224Abril35170.844187Março23650.574149Fevereiro19320.474111Janeiro
St37.7*t + 2264MêsValorCoeficientesTendência
Previsão
Métodos de Previsão – Decomposição de séries
0
1000
2000
3000
4000
5000
6000
7000
8000
9000
0 10 20 30 40 50 60
Períodos de tempo
Obs.PrevisãoIntervalo a 99%Intervalo a 99%
2083.262533.262308.260.514526.00602017.702467.702242.700.504488.30592890.423340.423115.420.704450.60583570.094020.093795.090.864412.90573012.653462.653237.650.744375.20567842.758292.758067.751.864337.50557041.667491.667266.661.694299.80547404.167854.167629.161.794262.10535984.876434.876209.871.474224.40523291.833741.833516.830.844186.70512139.932589.932364.930.574149.00501707.312157.311932.310.474111.3049P-3*75P+3*75Valor médio36,7*t+2264
Faixa de ConfiançaPrevisãoCoefTendênciaAnoMês
EQM = 5652DP = 75MAPE = 2,22%
27
Métodos de Previsão – Decomposição de séries
100
110
120
130
140
150
160
170
180
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
Períodos de tempo
Obs.TendênciaPrev. PassadoPrevisões
2,27-1,886,97-4,184,67-7,480,38-5,773,08-2,076,780,63
si
2,536DP123,16123,16119,14161,49%6,430456118,83118,83122,2915MAPEEQM129,46129,46125,4414
125,13125,13128,58131,3%3,09-1,76135,764,02131,73134121,2%2,481,58131,42-3,46134,881211499136133112,0%8,682,95142,054,02138,031001400140145100,5%0,52-0,72137,72-3,46141,1881127814213790,4%0,420,65148,354,02144,3364115014414982,9%16,15-4,02144,02-3,46147,4849101514514072,4%13,31-3,65154,654,02150,623688514815161,6%5,36-2,32150,32-3,46153,772575915214850,6%0,89-0,95160,954,02156,921662615716040,9%1,931,39156,61-3,46160,07948516215831,6%7,602,76167,244,02163,22433316617022,4%16,744,09162,91-3,46166,371671
%erroerro^2erroPrevisõesSiTendênciaT=169,52-
3,15tt^2t*V’MMC
(p=2)Obs.Per.
Métodos de Previsão – Decomposição de séries• Exercício de exame – Setembro 1999
0,4814512
11,9416311
-14,614310
5,861709
11,321828
-19,221587
5,241896
11,72025
-16,841804
6,622103
10,082202
-16,462001
siSériePeríodo
1 2 0
1 4 0
1 6 0
1 8 0
2 0 0
2 2 0
2 4 0
0 1 2 3 4 5 6 7 8 9 1 0 1 1 1 2 1 3P e r ío d o
Val
ores
a) Indique a sazonalidade da série e o tipo de modelo a aplicar.b) Considerando que a recta da tendência é descrita pela equação 223-6,54t, e os valores de índices relativos indicados na tabela, determine as previsões para o próximo ciclo de sazonalidade.c) Admitindo que possuía apenas os dados dos quatro últimos períodos, que modelos valeria a pena testar no cálculo da previsão do 13º período? Justifique.
28
Métodos de Previsão – Decomposição de séries• Exercício de exame – 16 Julho 2001
-3,5416Setembro
1,9020Agosto
2,3419Julho
-3,2212Junho
0,7214,5Maio
0,6613Abril
-2,908Março
2,5412Fevereiro
1,9810Janeiro
siObserv.Mês
0
5
10
15
20
25
0 1 2 3 4 5 6 7 8 9 10 11 12
Admita que a evolução das vendas de um produto nos primeiros 9 meses de um ano assume o comportamento ilustrado no gráfico anexo. Os índices de sazonalidade apresentados foram calculados a partir das observações mensais e da recta de tendência da série, cuja equação é 1,44t+6,58.
a) Indice a sazonalidade da série e o tipo de modelo de decomposição de séries a aplicar.b) Determine as previsões para o último trimestre do ano.c) Indique o intervalo de confiança das previsões, para um nível de confiança de 95%.