universidade federal de juiz de fora · box-jenkins and exponential smoothing families. among all...
TRANSCRIPT
1
UNIVERSIDADE FEDERAL DE JUIZ DE FORA
Isaac dos Santos Lourenccedilo
Luis de Oliveira Nascimento
MEacuteTODOS DE PREVISAtildeO APLICADOS A UMA SEacuteRIE DE VOLUME DE
PRODUCcedilAtildeO DE CAMINHOtildeES
JUIZ DE FORA MG ndash BRASIL
JULHO DE 2012
2
MEacuteTODOS DE PREVISAtildeO APLICADAS A UMA SEacuteRIE DE VOLUME DE PRODUCcedilAtildeO DE CAMINHOtildeES
Isaac dos Santos Lourenccedilo
Luis de Oliveira Nascimento
TRABALHO DE CONCLUSAtildeO DE CURSO SUBMETIDO Agrave COORDENACcedilAtildeO DO CURSO DE
POacuteS-GRADUACcedilAtildeO EM MEacuteTODOS ESTATIacuteSTICOS COMPUTACIONAIS DA UNIVERSIDADE
FEDERAL DE JUIZ DE FORA COMO PARTE DOS REQUISITOS NECESSAacuteRIOS PARA A
CONCLUSAtildeO DO CURSO
Aprovada por
_____________________________________________________
Prof Reinaldo Castro de Souza PhD
____________________________________________________
Fernando Luiz Cyrino Oliveira MSc
JUIZ DE FORA MG - BRASIL
JULHO DE 2009
i
3
AGRADECIMENTO
Agradecemos ao amigo Fernando Cyrino pela paciecircncia e disposiccedilatildeo em ensinar e nos ajudar na aplicaccedilatildeo dos
conhecimentos em Modelos de Previsatildeo para concluir este trabalho
ii
4
Resumo de Trabalho de Conclusatildeo de Curso apresentado agrave Coordenaccedilatildeo do Curso de Meacutetodos Estatiacutesticos
Computacionais como parte dos requisitos necessaacuterios para conclusatildeo do curso
MEacuteTODOS DE PREVISAtildeO APLICADOS A UMA SEacuteRIE DE VOLUME DE PRODUCcedilAtildeO DE CAMINHOtildeES
Isaac dos Santos Lourenccedilo
Luis de Oliveira Nascimento
Julho2012
Orientador Reinaldo Castro Souza
Co-orientador Fernando Luiz Cyrino Oliveira
Curso Poacutes-Graduaccedilatildeo em Meacutetodos Estatiacutesticos Computacionais
Este trabalho visa definir um modelo de previsatildeo de demanda para o volume mensal de caminhotildees produzidos no
Brasil Este produto eacute classificado como um bem de produccedilatildeo e seu consumo estaacute relacionado a fatores econocircmicos e
poliacuteticos tais como obras de infraestruturas iacutendices globais de produccedilatildeo industrial incentivos fiscais e linhas de creacutedito
para a renovaccedilatildeo de frota Com o iniacutecio na norma regulamentadora Proconve 7 os veiacuteculos passam a ser equipados
com a nova motorizaccedilatildeo Euro 5 e neste cenaacuterio torna-se importante realizar a previsatildeo de demanda para o volume de
produccedilatildeo em funccedilatildeo da mudanccedila estrutural em custos e tecnologia do produto frente ao comportamento do mercado
Neste trabalho seratildeo analisados os modelos e meacutetodos de Box-Jenkins e Amortecimento Exponencial Dentre os
modelos possiacuteveis analisados seraacute adotado o modelo mais adequado agrave seacuterie atraveacutes das anaacutelises do coeficiente de
determinaccedilatildeo R2-Ajustado e dos paracircmetros MAPE e BIC Por fim para verificar a eficiecircncia do modelo escolhido foi
realizada uma previsatildeo de trecircs meses para o ano de 2012
Palavras-chaves Previsatildeo Amortecimento Exponencial Box-Jenkins Proconve7
iii
5
Paper Abstract presented to the Statistics Deparment Coordination at Juiz de Fora Federal State University as a part to
fulfill the requirements for the Forecasting Computer Methods Course
FORECASTING METHODS APPLIED TO A TIME SERIES RELATED TO TRUCKSrsquoPRODUCTION VOLUME
Isaac dos Santos Lourenccedilo
Luis de Oliveira Nascimento
July2012
Advisor Reinaldo Castro Souza
Co-Advisor Fernando Luiz Cyrino Oliveira
Course Forecasting Computer Methods
This paper aims to define a forecasting model to trucksrsquo monthly production volume produced in Brazil This product is
classified as an industrial asset and its consumption is related to economics and politics scenarios like government
structure constructions industrial monthly global index taxes incentives and available credit to fleet renewal With the
beginning of the government standard Proconve 7 all the trucks are now equipped with the new Euro 5 powertrain
system in this scenario it is important build a forecasting model to the trucksrsquo production volume to analyze how the
market will behave with the trucks new costs and structure In this paper will be analyzed the models and methods of
Box-Jenkins and Exponential Smoothing families Among all possible analyzed models it will be adopted as the ideal
model through the analysis of the determination coefficient R2-Adjusted and MAPE and BIC parameters In the
conclusion the forecasting for three months of 2012 will be done to check the chosen model efficiency
Key-words Forecasting Exponential Smoothing Box-Jenkins Proconve7
iv
6
LISTA DE TABELAS
Tabela 1 - Comportamento das FAC e FACP para Modelos Estacionaacuterios 19
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins 54
Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial 59
Tabela 4 ndash Comparaccedilatildeo de Resultados Globais 59
v
7
LISTA DE FIGURAS
Figura 1 - Fechamento da Quantidade de Veiacuteculos Licenciados em 2011 12
Figura 2 - Seacuterie de Volume de Produccedilatildeo no Brasil 25
Figura 3 - Estatiacutesticas Descritivas da Seacuterie Inicial 26
Figura 4 - Histograma da Seacuterie Inicial 27
Figura 5 - Teste de Normalidade da Seacuterie Inicial 27
Figura 6 - Teste de Kolmogorov-Smirnov para a Seacuterie Inicial 28
Figura 7 - Teste de Normalidade para a Seacuterie Transformada 28
Figura 8 - Teste de Kolmogorov-Smirnov para a Seacuterie Transformada 29
Figura 9 - Histograma da Seacuterie Transformada 30
Figura 10 - Teste de Homocedasticidade para a Seacuterie Transformada 31
Figura 11 - Seleccedilatildeo da Seacuterie para a Previsatildeo 32
Figura 12 - FAC da Seacuterie 32
Figura 13 - FACP da Seacuterie 33
Figura 14 - FAC da Seacuterie com Diferenciaccedilatildeo Simples = 1 33
Figura 15 - FACP da Seacuterie com Diferenciaccedilatildeo Simples = 1 34
Figura 16 - Resultado ARIMA (110) 34
Figura 17 - FAC dos Resiacuteduos ARIMA (110) 35
Figura 18 - Resultado ARIMA (011) 35
Figura 19 - FAC dos Resiacuteduos ARIMA (011) 36
Figura 20 - Resultado ARIMA (210) 36
Figura 21 - FAC dos Resiacuteduos ARIMA (210) 37
Figura 22 - Resultado ARIMA (012) 37
Figura 23 - FAC dos Resiacuteduos ARIMA (012) 38
Figura 24 - Resultado ARIMA (111) 38
Figura 25 - FAC dos Resiacuteduos ARIMA (111) 39
Figura 26 - Resultado SARIMA (011)(010) 39
Figura 27 - FAC dos Resiacuteduos SARIMA (011)(010) 40
Figura 28 - Resultado SARIMA (011)(010) 40
Figura 29 - FAC dos Resiacuteduos SARIMA (011)(010) 41
Figura 30 - Resultado SARIMA (210)(010) 41
Figura 31 - FAC dos Resiacuteduos SARIMA (210)(010) 42
Figura 32 - Resultado SARIMA (012)(010) 42
vi
8
Figura 33 - FAC dos Resiacuteduos SARIMA (012)(010) 43
Figura 34 - Resultado SARIMA (111)(010) 43
Figura 35 - FAC dos Resiacuteduos SARIMA (111)(010) 44
Figura 36 - Resultado SARIMA (011)(110) 44
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110) 45
Figura 38 - Resultado SARIMA (011)(110) 45
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110) 46
Figura 40 - Resultado SARIMA (210)(110) 46
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110) 47
Figura 42 - Resultado SARIMA (012)(010) 47
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010) 48
Figura 44 - Resultado SARIMA (111)(110) 48
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110) 49
Figura 46 - Resultado SARIMA (011)(111) 49
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111) 50
Figura 48 - Resultado SARIMA (110)(111) 50
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111) 51
Figura 50 - Resultado SARIMA (210)(111) 51
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111) 52
Figura 52 ndash Resultado SARIMA (012)(111) 52
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111) 53
Figura 54 ndash Resultado SARIMA (111)(111) 53
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111) 54
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade 55
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade 55
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt) 56
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade 56
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters) 57
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters) 57
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva 58
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva 58
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111) 60
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111) 61
vii
9
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111) 61
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111) 62
SUMAacuteRIO
ix
viii
10
1 ndash INTRODUCcedilAtildeO 10
11 ndash CONSIDERACcedilOtildeES INICIAIS 11
12 ndash OBJETIVO 13
13 ndash JUSTIFICATIVAS 13
14 ndash CONDICcedilOtildeES DE CONTORNO 13
15 ndash METODOLOGIA 13
2 ndash REVISAtildeO BIBLIOGRAacuteFICA 14
21 ndash SEacuteRIES TEMPORAIS 14
22 ndash PREVISAtildeO DE SEacuteRIES TEMPORAIS 14
23 ndash MODELO BOX-JENKINS 17
231 ndash Modelo ARMA (Auto-Regressivo a Meacutedia Moacutevel) 18
232 ndash Modelo ARIMA 19
233 ndash Modelo ARIMA Sazonal (SARIMA) 19
24 ndash MEacuteTODO DO AMORTECIMENTO EXPONENCIAL 20
241 ndash Meacutetodos de Amortecimento Exponencial Simples 20
242 ndash Meacutetodo de Holt 22
243 ndash Meacutetodo de Winters 22
25 ndash SELECcedilAtildeO DE MODELOS 24
251 ndash Maacuteximo R2 24
252 ndash Miacutenimo BIC (Bayesian Information Criterion) 24
3 - DESENVOLVIMENTO 25
31 ndash ANAacuteLISE DA SEacuteRIE 25
32 ndash ANAacuteLISE DESCRITIVA 26
33 ndash MODELOS DE PREVISAtildeO 31
331 ndash Box-Jenkins 32
332 ndash Amortecimento Exponencial 55
34 ndash COMPARACcedilAtildeO ENTRE MODELOS 59
4 - CONCLUSAtildeO 60
41 ndash PREVISAtildeO FINAL 60
42 ndash CONSIDERACcedilOtildeES FINAIS 62
5 - REFEREcircNCIAS 63
1 ndash INTRODUCcedilAtildeO
11
11 ndash CONSIDERACcedilOtildeES INICIAIS
A junccedilatildeo de dois fatores de extrema importacircncia faz a induacutestria de veiacuteculos comerciais acelerar suas vendas a
aproximaccedilatildeo da entrada da nova legislaccedilatildeo brasileira de emissatildeo de gases estabelecendo o padratildeo Euro 5 a partir de
janeiro de 2012 e a virada para um ano eleitoral
A Associaccedilatildeo Nacional dos Fabricantes de Veiacuteculos Automotores (ANFAVEA) do Brasil fundada em 15 de
maio de 1956 reuacutene empresas fabricantes de autoveiacuteculos (automoacuteveis comerciais leves caminhotildees ocircnibus) e
maacutequinas agriacutecolas automotrizes (tratores de rodas e de esteiras colheitadeiras e retroescavadeiras) com instalaccedilotildees
industriais no Brasil
A entidade tem atribuiccedilatildeo de estudar temas da induacutestria e do mercado de veiacuteculos e maacutequinas agriacutecolas
automotrizes aleacutem de coordenar e defender os interesses coletivos das empresas associadas Ainda eacute responsaacutevel
por patrocinar exposiccedilotildees automotivas e outros eventos de caraacuteter institucional
Segundo a ANFAVEA o mercado de caminhotildees se divide da seguinte forma
Semileves 35 ton lt PBT lt 6 ton
Leves 6 ton PBT lt 10 ton
Meacutedio 10 ton PBT lt 15 ton
Semi Pesados PBT 15 ton
Entende-se por Peso Bruto Total (PBT) o peso maacuteximo transmitido ao pavimento pela combinaccedilatildeo de um
caminhatildeo-trator mais seu semi-reboque ou do caminhatildeo mais os seus reboques Um caminhatildeo trator eacute um veiacuteculo
automotor destinado a tracionar ou arrastar outro e um semi-reboque eacute um veiacuteculo de um ou mais eixos que se apoia
na sua unidade tratora ou eacute a ela ligado por meio de articulaccedilatildeo
As montadoras de caminhotildees que operam no Brasil fabricaram 138 mais veiacuteculos em 2011 do que em 2010
Segundo dados da ANFAVEA em seu balanccedilo anual Aleacutem disso a produccedilatildeo atendeu ao aumento de demanda por
conta da elevaccedilatildeo de preccedilos devido agrave entrada em vigor da norma Proconve 7 Euro 5
Com o crescimento a produccedilatildeo de caminhotildees no mercado brasileiro somou 216270 unidades em 2011 ante
as 189941 de 2010 Apesar dessa expansatildeo as vendas somaram 172902 unidades ou seja quase 80 da produccedilatildeo
foi vendida no mercado interno Outras 26321 unidades foram vendidas ao mercado internacional o que leva a um
estoque de pouco mais de 17 mil caminhotildees
Os veiacuteculos mais fabricados no ano foram os semipesados e pesados com 74927 e 65542 veiacuteculos
representando 346 e 303 do total saiacutedo das linhas de montagem brasileiras O crescimento no ano foi de 193 e
84 quando comparados ao mesmo periacuteodo do ano passado
Em relaccedilatildeo agraves campeatildes de vendas a MAN Latin America (que fabrica e comercializa caminhotildees da marca
proacutepria e da Volkswagen) confirmou a lideranccedila de mercado pelo nono ano consecutivo De acordo com os dados de
licenciamentos da ANFAVEA a empresa vendeu 50815 veiacuteculos cerca de 30 do mercado nacional um
crescimento de 122 ante 2010 A segunda colocada eacute a Mercedes-Benz que encerrou 2011 com a comercializaccedilatildeo
de 42623 veiacuteculos alta de 43 no periacuteodo Em terceiro aparece a Ford com 30354 em quarto a Volvo com 19069
crescimento de 245 em quinto a Iveco com 14246 caminhotildees no ano expansatildeo de 186 A Scania ficou em
sexto lugar no mercado brasileiro com a comercializaccedilatildeo de 13484 unidades O restante das vendas ficou dividido
entre as marcas Agrale Hyundai e International
Com relaccedilatildeo aos licenciamento totais em 2011 a figura a seguir retrata o fechamento do ano de 2011
12
Figura 1 - Fechamento da Quantidade de Veiacuteculos Licenciados em 2011
Fonte ANFAVEA
Em termos de crescimento sobre as vendas do ano passado os semipesados apresentaram a maior alta com
169 os leves vecircm a seguir com expansatildeo de 131 seguido dos semileves com 109 de vendas a mais em
comparaccedilatildeo a 2010 As vendas de caminhotildees na categoria meacutedios ficaram 28 maiores enquanto que os pesados
ostentaram a menor alta apenas 09 quando comparadas as vendas de 2010 Enquanto isso as vendas de
importados fecharam 2011 com um impressionante crescimento de 469 ante 2010 sendo os pesados os que mais
entraram no Brasil com 2774 unidades das pouco mais de quatro mil importaccedilotildees de caminhotildees representando um
crescimento de mais de 115
No iniacutecio de Janeiro de 2012 passou a vigorar a seacutetima ediccedilatildeo do Proconve (Programa de Controle de Poluiccedilatildeo
do Ar por Veiacuteculos Automotores) Eacute um programa criado em 1986 pelo CONAMA com os objetivos de reduzir as
emissotildees de veiacuteculos novos desenvolver tecnologia nacional e melhorar a qualidade dos combustiacuteveis Eacute aplicado a
veiacuteculos leves e pesados como os caminhotildees
Para atender a resoluccedilatildeo do Proconve 7 as montadoras estatildeo implementando novos sistema de motorizaccedilatildeo
combustatildeo e exaustatildeo dos combustiacuteveis em seus veiacuteculos conhecidos como Euro 5 Com o ganho tecnoloacutegico e
ambiental satildeo tambeacutem agregados custos entre 10 e 20 aos veiacuteculos
Com a entrada da nova legislaccedilatildeo Proconve 7 e o aumento no preccedilo dos veiacuteculos devido agrave motorizaccedilatildeo Euro
5 a retraccedilatildeo no mercado eacute eminente Isso ocorre pelo fato dos caminhotildees serem bens de produccedilatildeo e a disponibilidade
dos veiacuteculos Euro 3 mais poluentes e mais baratos no mercado faz-se com que o fenocircmeno do pre-buying antecipe a
renovaccedilatildeo da frota para antes de janeiro com eminente queda na produccedilatildeo para o primeiro semestre de 2012 motivo
pelo qual se torna importante conhecer a previsatildeo demanda do volume total de produccedilatildeo de caminhotildees
13
12 ndash OBJETIVO
O objetivo desse trabalho eacute o de comparar a utilizaccedilatildeo de meacutetodos de previsatildeo de demanda e definir qual
deveraacute ser aplicado para a previsatildeo do volume de produccedilatildeo de caminhotildees a partir da base de dados da ANFAVEA
13 ndash JUSTIFICATIVAS
O processo de previsatildeo de demanda por seacuteries temporais utiliza dados passados e presentes para obter dados
futuros por meio de modelos descritos e ajustados das variaacuteveis em questatildeo
As seacuteries temporais satildeo observaccedilotildees de variaacuteveis que podem ser de vaacuterios campos da economia Exemplos
de tais variaacuteveis satildeo taxas de inflaccedilatildeo iacutendices de accedilotildees taxas de desemprego e participaccedilatildeo de uma empresa em
determinado mercado Frequentemente os modelos de previsatildeo para essas taxas satildeo utilizados para determinar as
poliacuteticas e objetivos que guiaratildeo as empresas e instituiccedilotildees
A anaacutelise das seacuteries temporais pode evidenciar uma variedade de padrotildees e comportamentos Tipicamente
muitos agregados macroeconocircmicos tais como produccedilatildeo industrial consumo e salaacuterios mostram comportamentos que
evidenciam tendecircncias de crescimento
Assim aleacutem de buscar o melhor modelo de previsatildeo aplicado ao volume de produccedilatildeo de caminhotildees no Brasil
o presente trabalho tambeacutem tem o objetivo de evidenciar os padrotildees e comportamentos desta seacuterie
14 ndash CONDICcedilOtildeES DE CONTORNO
Este trabalho trataraacute da previsatildeo do volume de produccedilatildeo mensal de caminhotildees no Brasil Para definir o modelo
de previsatildeo mais adequado seratildeo utilizados dados mensais entre janeiro de 1957 e dezembro de 2011
Seratildeo abordados neste trabalho os modelos Box-Jenkins e a teacutecnica do Amortecimento Exponencial para
definir a melhor modelagem para seacuterie abordada
15 ndash METODOLOGIA
O desenvolvimento deste trabalho foi realizado em seis etapas a primeira consistiu da revisatildeo da literatura
sobre seacuteries temporais previsatildeo de demanda e volume de produccedilatildeo de caminhotildees no Brasil
Na segunda etapa foi realizada a coleta de dados referente aos volumes de produccedilatildeo para o periacuteodo estudado
A terceira etapa por sua vez consistiu na realizaccedilatildeo das anaacutelises descritivas para o entendimento do comportamento
da seacuterie
A quarta etapa envolveu os testes com os modelos e meacutetodos de previsatildeo bem como a geraccedilatildeo das
previsotildees Na quinta etapa foram analisados os modelos de previsatildeo obtidos definindo qual seria o modelo mais
adequado
A uacuteltima etapa eacute composta pelo fechamento do trabalho incluindo as anaacutelises do modelo proposto bem como
as recomendaccedilotildees para trabalhos futuros
14
2 ndash REVISAtildeO BIBLIOGRAacuteFICA
21 ndash SEacuteRIES TEMPORAIS
Uma seacuterie temporal pode ser definida como um conjunto de observaccedilotildees de uma variaacutevel observadas
sequencialmente no tempo Assim a variaacutevel eacute verificada em intervalos de tempo equidistantes e a correlaccedilatildeo entre os
diversos pontos da seacuterie gera a caracteriacutestica de dependecircncia entre eles Levando em consideraccedilatildeo que a seacuterie
temporal tambeacutem pode ser definida como as provaacuteveis trajetoacuterias para um determinado processo faz com que os
dados da mesma natildeo sejam apenas correlacionados mas oriundos tambeacutem de um processo estocaacutestico no qual eacute
observado uma das trajetoacuterias
A anaacutelise da seacuterie temporal por sua vez inicia-se a partir da descriccedilatildeo dos fenocircmenos e processos que a
originam Um fator importante que tambeacutem deve ser estudado eacute a dependecircncia entre as observaccedilotildees
Segundo Makridakis et al (1998) existem quatro tipos de padrotildees de seacuteries temporais
1 - Horizontal quando os valores dos dados flutuam ao redor de uma meacutedia constante
2 - Inclinado (tendecircncia) quando se verifica um crescimento ou decreacutescimo em longo prazo no valor dos
dados
3 - Ciacuteclico estaacute presente em uma seacuterie temporal quando os dados exibem crescimentos e quedas que natildeo se
repetem em um intervalo de tempo fixo
4 - Sazonal padratildeo sazonal existe quando uma seacuterie temporal eacute influenciada por fatores sazonais isto eacute que
se repetem a intervalos de tempos iguais
Adicionalmente uma seacuterie temporal eacute considerada natildeo linear quando pelo menos sua variacircncia natildeo eacute
constante ou sua meacutedia natildeo eacute constante Assim basta que pelo menos uma das duas caracteriacutesticas esteja presente
no comportamento da seacuterie para ser considerada natildeo linear
Para a utilizaccedilatildeo dos dados nos modelos Box-Jenkins faz-se necessaacuterio garantir o pressuposto em que a
meacutedia e a variacircncia sejam constantes no tempo Quando a meacutedia possui variaccedilatildeo a uma taxa constante a seacuterie eacute
definida como natildeo estacionaacuteria Esta variaccedilatildeo por sua vez pode ocorrer a uma taxa constante dentro de um ciclo
chamada de natildeo-estacionariedade sazonal
As funccedilotildees de autocorrelaccedilatildeo e autocorrelaccedilatildeo parcial satildeo mecanismos adotados dentro dos modelos Box-
Jenkins com a funccedilatildeo de identificar mecanismos relativos a natildeo-estacionariedade das seacuteries em estudo
22 ndash PREVISAtildeO DE SEacuteRIES TEMPORAIS
Para a previsatildeo de seacuteries temporais podem ser empregados modelos e meacutetodos que se diferenciam da
seguinte forma um modelo de previsatildeo eacute aquele que utiliza uma ou mais equaccedilotildees para representar a estrutura
aleatoacuteria da seacuterie temporal Jaacute um meacutetodo eacute uma combinaccedilatildeo de uma rotina de estimaccedilatildeo e um modelo (assim torna-
se necessaacuterio uma rotina preacutevia de identificaccedilatildeo do modelo adequado) Pelo fato dos modelos atraveacutes de suas
caracteriacutesticas serem muitos especiacuteficos a grande maioria foi desenvolvida para padrotildees de seacuteries temporais
anteriormente mencionados
As teacutecnicas de previsatildeo satildeo distribuiacutedas em dois grupos meacutetodos qualitativos e quantitativos Os meacutetodos
qualitativos satildeo aplicados quando existe conhecimento acumulado sobre o processo ou fenocircmeno em estudo havendo
15
a necessidade do julgamento por meio de especialistas principalmente quando natildeo existe uma seacuterie histoacuterica para ser
estudada
Os meacutetodos quantitativos utilizam dados histoacutericos e modelos matemaacuteticos para prever comportamentos
futuros As teacutecnicas quantitativas dividem-se em dois subgrupos seacuteries temporais (ou meacutetodos univariaacuteveis) e modelos
causais (multivariaacuteveis) As seacuteries temporais utilizam dados histoacutericos de demanda como base para determinaccedilatildeo de
padrotildees que podem se repetir no futuro Exemplos satildeo as teacutecnicas de seacuteries temporais e o amortecimento exponencial
Jaacute os modelos causais satildeo aqueles que buscam relacionar as demandas (variaacutevel dependente) com outros fatores
(variaacutevel independente) como fatores macroeconocircmicos como o PIB inflaccedilatildeo clima entre outros Para isso torna-se
necessaacuterio a utilizaccedilatildeo de regressotildees lineares e natildeo lineares
A aplicaccedilatildeo dos meacutetodos quantitativos depende de trecircs fatores
1 ndash Disponibilidade de informaccedilotildees histoacutericas
2 ndash Quantificaccedilatildeo das informaccedilotildees histoacutericas em seacuteries temporais
3 ndash Recorrecircncia no futuro de padrotildees observados nas informaccedilotildees histoacutericas
A condiccedilatildeo de recorrecircncia eacute conhecida como suposiccedilatildeo de continuidade e eacute uma premissa de todos os
meacutetodos quantitativos e alguns meacutetodos qualitativos
As caracteriacutesticas dos meacutetodos claacutessicos satildeo a mensuraccedilatildeo probabiliacutestica de erro da previsatildeo e uma
metodologia menos subjetiva para a obtenccedilatildeo dos modelos Neste grupo de modelos estaacute inserido o de Box-Jenkins
Um modelo claacutessico supotildee que a seacuterie temporal zt onde t = 1 N possa ser escrito como uma soma (modelo
aditivo) por meio da seguinte equaccedilatildeo
tttt aSTz (Equaccedilatildeo 1)
Ou ainda possa ser escrito como uma multiplicaccedilatildeo (modelo multiplicativo) da seguinte forma
tttt aSTz (Equaccedilatildeo 2)
Onde
tT = denotaccedilatildeo para tendecircncia
tS = denotaccedilatildeo para componente sazonal
ta = denotaccedilatildeo para termo aleatoacuterio
Removendo-se as componentes tT e tS resta a componente aleatoacuteria (at) ou residual A suposiccedilatildeo adotada eacute
que at seja uma componente puramente aleatoacuteria mesmo em alguns casos em que eacute considerada como um processo
estacionaacuterio com meacutedia e variacircncia constantes
Aleacutem dos modelos claacutessicos existe outra classe de meacutetodo de previsatildeo que contecircm os natildeo parameacutetricos
Esses satildeo caracterizados por serem muito subjetivos por natildeo possuiacuterem um grande nuacutemero de suposiccedilotildees como os
16
claacutessicos No entanto dentro dos natildeo parameacutetricos existe uma classe de modelos conhecidos por sua qualidade
preditiva e complexidade sendo denominados de modelos de redes neurais
Os modelos utilizados atualmente satildeo compostos de modelos teoacutericos exatos e empiacutericos Assim o
conhecimento teoacuterico eacute utilizado parcialmente para indicar uma classe adequada de funccedilotildees matemaacuteticas que satildeo
ajustadas empiricamente fazendo com que o ajuste dos seus paracircmetros seja realizado de forma experimental
Um dos aspectos relevantes para a seleccedilatildeo do modelo mais adequado estaacute na capacidade do mesmo em
reproduzir os dados conhecidos e as previsotildees futuras de forma acurada Assim se xt eacute a observaccedilatildeo real para o
periacuteodo t e tx eacute a previsatildeo para o mesmo periacuteodo Assim o erro na previsatildeo eacute definido por
ttt xxe ˆ (Equaccedilatildeo 4)
Se existirem observaccedilotildees e previsotildees para n periacuteodos as seguintes estatiacutesticas podem ser utilizadas
n
1t
en
1ME
t (Equaccedilatildeo 5)
Ie In
1MAE
n
1t
t
(Equaccedilatildeo 6)
n
1t
2
t en
1MSE (Equaccedilatildeo 7)
O erro meacutedio ME eacute definido como a meacutedia dos erros calculado na equaccedilatildeo 5 (et) Pelo somatoacuterio os valores
positivos e negativos tendem a se anular resultando em um valor baixo O erro meacutedio absoluto (MAE) eacute definido pelo
somatoacuterio dos moacutedulos dos erros e em seguida realiza-se a meacutedia dos valores absolutos encontrados No caacutelculo do
erro quadraacutetico (MSE) os erros se tornam positivos pela elevaccedilatildeo ao quadrado e a meacutedia eacute realizada com os valores
positivos encontrados
Considerando a escala em que os dados satildeo expressos pode-se definir o erro relativo como
100xˆ
PE t
t
t
x
xx (Equaccedilatildeo 8)
t
n
1t
PEn
1MPE
(Equaccedilatildeo 9)
IPE In
1MAPE t
n
1t
(Equaccedilatildeo 10)
O erro meacutedio percentual (MPE) eacute a meacutedia do erro percentual calculado em PEt para n periacuteodos Neste caso os
valores positivos e negativos dos erros percentuais tendem a se anular da mesma forma que para ME Da mesma
forma que para MAE o erro meacutedio absoluto percentual tambeacutem eacute obtido utilizando-se erros absolutos percentuais
17
23 ndash MODELO BOX-JENKINS
Os modelos ARIMA (Autoregressive Integrated Moving Average ndash Auto-Regressivos Integrados de Meacutedias
Moacuteveis) da famiacutelia de Box-Jenkins tem o objetivo de captar o comportamento da autocorrelaccedilatildeo (correlaccedilatildeo seriada)
entre os valores da seacuterie temporal e realizar previsotildees baseando-se neste comportamento
Dentre a famiacutelia de modelos destacam-se os Auto-Regressivos e os de Meacutedias Moacuteveis Aleacutem destes existem
ainda outras variaccedilotildees no qual satildeo tomadas d diferenccedilas de uma seacuterie natildeo estacionaacuteria visando tornaacute-la estacionaacuteria
(com meacutedia e variacircncia constantes ao longo do tempo) Existem ainda os modelos ARMA (Auto-Regressivos de Meacutedias
Moacuteveis) que satildeo utilizados quando natildeo haacute necessidade de realizar diferenciaccedilotildees para tornar a seacuterie estacionaacuteria
Outro modelo eacute conhecido como SARIMA (ou ARIMA Sazonal) que eacute utilizado para captar a sazonalidade de uma
seacuterie
Um benefiacutecio da utilizaccedilatildeo dos modelos Box-Jenkins estaacute relacionado ao fato do algoritmo do mesmo auxiliar o
usuaacuterio na escolha do melhor modelo por meio dos comportamentos dos graacuteficos da funccedilatildeo de autocorrelaccedilatildeo (FAC) e
da funccedilatildeo de autocorrelaccedilatildeo parcial (FACP)
A FAC eacute determinada atraveacutes da correlaccedilatildeo linear de cada valor yt da seacuterie de dados com outros valores em
lags distintos como yt-1 yt-2 e assim sucessivamente Assim o coeficiente de correlaccedilatildeo temporal (autocorrelaccedilatildeo) da
seacuterie temporal defasado por 1 2 ou mais periacuteodos eacute calculado pela seguinte equaccedilatildeo
n
1t
2
n
1tk
r
xx
xxxx
t
ktt
k (Equaccedilatildeo 11)
Na equaccedilatildeo anterior r1 indica como os valores sucessivos de x relacionam-se entre si r2 indica como os
valores de x defasados em dois periacuteodos relacionam-se entre si e assim sucessivamente Em conjunto as
autocorrelaccedilotildees defasadas em 1 2 k periacuteodos constituem a funccedilatildeo de autocorrelaccedilatildeo
A FACP por sua vez possui um conceito semelhante ao da FAC Eacute definida pela correlaccedilatildeo existente entre yt
e yt-2 por exemplo sem levar em consideraccedilatildeo os efeitos causados por yt-1 e yt-2 O coeficiente de autocorrelaccedilatildeo
parcial de ordem k definido por k pode ser obtido atraveacutes da estimaccedilatildeo dos coeficientes da regressatildeo muacuteltipla de x t
em funccedilatildeo de 1tx 2tx ktx conforme a proacutexima equaccedilatildeo
ktkttt xxxx 22110 (Equaccedilatildeo 12)
As autocorrelaccedilotildees parciais satildeo usadas para medir o grau de associaccedilatildeo entre as observaccedilotildees x t e xt-k quando
o efeito das outras observaccedilotildees defasadas no tempo em 1 2 k-1 periacuteodos satildeo removidas As autocorrelaccedilotildees
parciais 1 2 k constituem a FACP
Pelo fato deste processo permitir que usuaacuterios diferentes modelem diferentes equaccedilotildees a partir de uma mesma
seacuterie temporal pode existir certo grau de subjetividade na escolha do melhor modelo para a previsatildeo da seacuterie em
questatildeo
18
231 ndash Modelo ARMA (Auto-Regressivo a Meacutedia Moacutevel)
O modelo ARMA natildeo possui uma parte integrada Sendo assim satildeo utilizados para uma seacuterie temporal
estacionaacuteria com relaccedilatildeo agrave meacutedia e a variacircncia e satildeo definidos pelas equaccedilotildees a seguir
qtqttptptt eeexxcx 1111 (Equaccedilatildeo 13)
Existem restriccedilotildees aos valores cujos paracircmetros podem assumir nas equaccedilotildees anteriores a saber
Para p = 1 -1 lt 1 lt 1
Para p = 2 -1 lt 2 lt 1 1 + 2 lt 1 e 2 ndash 1 lt 1
Para p gt= 3 condiccedilotildees mais complexas prevalecem
Da mesma forma
Para q = 1 -1 lt 1 lt 1
Para q = 2 -1 lt 2 lt 1 1 + 2 lt 1 e 2 ndash 1 lt 1
Para p gt= 3 condiccedilotildees mais complexas prevalecem
Um dispositivo de notaccedilatildeo uacutetil eacute o operador de deslocamento retroativo definido por 1 tt xBx Assim B
operando sobre tx tem o efeito de deslocar os dados para traacutes em um periacuteodo Dessa forma
2
2)( ttt xxBBxB (Equaccedilatildeo 14)
Por meio da equaccedilatildeo acima que o modelo recebe a denominaccedilatildeo de Auto-Regressivo a Meacutedia Moacutevel (ARMA)
de ordens (pq) conforme expresso na equaccedilatildeo seguinte
t
MA
p
p
AR
t
p
p eBBcxBB
qp
)()(
11 11 (Equaccedilatildeo 15)
Os coeficientes 1 2 p e 1 2 q satildeo estimados para ajustarem-se agrave seacuterie temporal estudada
atraveacutes dos meacutetodos dos miacutenimos quadrados ou da maacutexima verossimilhanccedila A aplicaccedilatildeo do meacutetodo dos miacutenimos
quadrados eacute realizada atraveacutes de estimativas feitas iterativamente por softwares ateacute que soma dos erros quadraacuteticos
seja minimizada O meacutetodo da maacutexima verossimilhanccedila estima tambeacutem iterativamente os valores dos paracircmetros que
maximizem a verossimilhanccedila de um conjunto de observaccedilotildees
O modelo ARMA deve ter seus erros et distribuiacutedos aleatoriamente comportando-se como uma seacuterie de ruiacutedo
branco Os resiacuteduos natildeo satildeo ruiacutedo branco se as estatiacutesticas Q sugerida por Box-Pierce ou Q sugerida por Ljungndash
Box posicionarem-se no extremo 5 da cauda direita da distribuiccedilatildeo χ2 As expressotildees para caacutelculo das estatiacutesticas
Q de BoxndashPierce ou Q de Ljung-Box satildeo as seguintes
19
h
1k
2
k tnQ (Equaccedilatildeo 16)
h
1k
2
k
k-
r)2(
nnnQ (Equaccedilatildeo 17)
Onde
n = nuacutemero de observaccedilotildees da seacuterie
h = maacutexima defasagem dos coeficientes de correlaccedilatildeo dos resiacuteduos
Alguns autores apresentam procedimentos para identificaccedilatildeo das ordens p e q dos modelos ARMA por meio
dos graacuteficos das FAC e FACP como exemplificado no quadro a seguir
Modelo FAC FACP
ARMA (p0) Decaimento gradativo Decaimento brusco apoacutes defasagem p
ARMA (0q) Decaimento brusco apoacutes defasagem q Decaimento gradativo
ARMA (pq) Decaimento gradativo com onda
senoidal amortecida apoacutes a
defasagem (q-p)
Decaimento gradativo com onda
senoidal amortecida apoacutes a defasagem
(p-q)
Tabela 1 - Comportamento das FAC e FACP para Modelos Estacionaacuterios
Fonte Elaborado pelos Autores
232 ndash Modelo ARIMA
Em muitos casos as seacuteries temporais encontradas possuem tendecircncia apresentando um comportamento natildeo
estacionaacuterio No entanto para aplicar o meacutetodo de Box-Jenkins eacute necessaacuterio remover a tendecircncia da seacuterie atraveacutes da
diferenciaccedilatildeo ou seja aplicar sobre a mesma o operador (1 ndash B) no modelo ARMA conforme equaccedilatildeo a seguir
tttt xBxxx )1(1
(Equaccedilatildeo 18)
Desta forma a expressatildeo do modelo ARIMA (pdq) ndash auto regressivo integrado a meacutedia moacutevel de ordem p d
q eacute a expressatildeo do modelo ARMA (pq) acrescido do fator de diferenciaccedilatildeo de ordem d responsaacutevel pela descriccedilatildeo do
comportamento de tendecircncia da seacuterie conforme representado na equaccedilatildeo a seguir
t
MA
p
p
I
t
d
AR
p
p eBBcxBBB
qdp
)()()(
111 11 (Equaccedilatildeo 19)
233 ndash Modelo ARIMA Sazonal (SARIMA)
O comportamento mais geral de seacuteries histoacutericas natildeo estacionaacuterias eacute o que combina o padratildeo de tendecircncia
com o padratildeo de sazonalidade O meacutetodo de Box-Jenkins recomenda a remoccedilatildeo tanto da tendecircncia quanto da
sazonalidade das seacuteries diferenciando-a duas vezes Eacute recomendado que a diferenciaccedilatildeo sazonal sobre a seacuterie
20
original seja feita em primeiro lugar uma vez que em alguns casos sua aplicaccedilatildeo jaacute torna a seacuterie estacionaacuteria como
mostrado na expressatildeo a seguir (para uma seacuterie com nuacutemero de periacuteodos com ciclo sazonal igual a 12)
tttt xBxxx )1( 12
12
(Equaccedilatildeo 20)
Nos casos em que se torna necessaacuteria a segunda diferenciaccedilatildeo faz necessaacuteria aplicar o operador )1( B na
mesma conforme equaccedilatildeo a seguir
ttttt xBBxBxxx 12
1
11)1( (Equaccedilatildeo 21)
24 ndash MEacuteTODO DO AMORTECIMENTO EXPONENCIAL
Historicamente o amortecimento exponencial descreve uma classe de meacutetodos de previsatildeo De fato alguns
dos meacutetodos mais utilizados para esse fim satildeo baseados nesse conceito cada um deles utilizando a propriedade em
que os pesos das observaccedilotildees mais recentes satildeo maiores do que aqueles referentes a observaccedilotildees no passado
Assim o nome ldquoamortecimento exponencialrdquo reflete no fato de que os pesos (atraveacutes do uso da meacutedia ponderada)
diminuem exponencialmente agrave medida que as observaccedilotildees satildeo mais antigas
Os primeiros registros da utilizaccedilatildeo do meacutetodo satildeo de Robert G Brown em 1944 enquanto desenvolvia
trabalhos como analista de Pesquisa Operacional na Marinha Americana enquanto desenvolvia um dispositivo
mecacircnico para monitorar a velocidade e o acircngulo de tiros disparados de submarinos Em 1950 ele estendeu o uso
desse meacutetodo para seacuteries temporais discretas incluindo termos para lidar com as componentes de sazonalidade e
tendecircncia
Paralelamente Charles Holt tambeacutem estava trabalhando em um meacutetodo de amortecimento exponencial para o
Escritoacuterio Americano de Pesquisas Navais O seu trabalho em modelos sazonais aditivos e multiplicativos se tornaram
conhecidos atraveacutes de um artigo publicado por seu estudante Peter Winters em 1960 aplicando testes empiacutericos ao
meacutetodo de Holt Como resultado a versatildeo da ferramenta que trabalha com a componente sazonal eacute denominada de
Holt-Winters
Os modelos de suavizaccedilatildeo exponencial satildeo largamente utilizados devido a sua simplicidade e baixo custo
Assim quando se necessitam previsotildees para milhares de itens como eacute o caso em muitos sistemas de gestatildeo esses
modelos satildeo muitas vezes os uacutenicos suficientemente raacutepidos e baratos para assegurar uma implementaccedilatildeo viaacutevel
Dessa forma existem trecircs classes de meacutetodos de amortecimento exponencial a saber
1 ndash Seacuteries localmente constantes analisadas pelos modelos de meacutedias moacuteveis simples ou amortecimento
exponencial
2 ndash Seacuteries com tendecircncias que utilizam o modelo de Holt
3 ndash Seacuteries com comportamento sazonal que utilizam o modelo Holt-Winters
241 ndash Meacutetodos de Amortecimento Exponencial Simples
21
O meacutetodo de suavizaccedilatildeo exponencial simples tem melhor precisatildeo para seacuteries de padratildeo horizontal isto eacute
agravequelas que natildeo apresentam tendecircncia nem sazonalidade e eacute apropriado para previsotildees de curto prazo Seu algoritmo
de previsatildeo utiliza a seguinte expressatildeo da equaccedilatildeo
ttt xxx ˆ1ˆ1 (Equaccedilatildeo 22)
Onde
1ˆtx = previsatildeo para o periacuteodo t+1
α = constante de suavizaccedilatildeo cujo valor encontra-se entre 0 e 1
tx = uacuteltimo valor observado
tx = uacuteltimo valor observado com peso (1 ndash α)
Expandindo-se a expressatildeo acima pela substituiccedilatildeo de tx 1ˆtx 2
ˆtx por seus componentes resulta em
1113211ˆ)1()1(3)1(2)1(1ˆ xxxxxxx ttttttt (Equaccedilatildeo 23)
Assim 1ˆtx eacute uma meacutedia ponderada de todas as observaccedilotildees passadas constituindo os coeficientes de
ponderaccedilatildeo uma seacuterie decrescente exponencialmente para valores de α entre 0 e 1 Dessa constataccedilatildeo origina-se o
nome amortecimento exponencial Analisando-se a uacuteltima equaccedilatildeo verifica-se que a constante de suavizaccedilatildeo α
determina a rapidez do decaimento dos coeficientes (pesos) A escolha do valor para a constante de suavizaccedilatildeo pode
ser arbitraacuteria ou condicionada a algum criteacuterio que na maioria das vezes consiste na minimizaccedilatildeo do erro quadraacutetico
meacutedio atribuiacutedo ao desempenho do meacutetodo
A constante de suavizaccedilatildeo estaacute diretamente ligada agrave velocidade de resposta das previsotildees agraves variaccedilotildees das
observaccedilotildees ou seja quanto menor o valor de α mais lenta eacute a resposta Valores maiores que α causam reaccedilotildees
mais raacutepidas das previsotildees agraves variaccedilotildees das observaccedilotildees podendo causar instabilidade no desempenho do meacutetodo
Como o peso da primeira previsatildeo 1x eacute (1 ndash α)t verifica-se que menor importacircncia um fator teraacute para a
previsatildeo de t+1 quanto mais proacuteximo de um for e quanto maior for o t Como eacute necessaacuterio ter o valor de 1x eacute feita a
suposiccedilatildeo de que 1x = 1x ou seja igual agrave uacuteltima observaccedilatildeo O erro decorrente dessa suposiccedilatildeo seraacute tanto menor
quanto maiores forem α e t
Alternativamente a expressatildeo inicial desse item pode ser representada como
1ˆtx = tx + α( tx ndash tx ) (Equaccedilatildeo 24)
1ˆtx = tx + α te (Equaccedilatildeo 25)
Atraveacutes da anaacutelise da uacuteltima equaccedilatildeo pode-se concluir que o meacutetodo de suavizaccedilatildeo exponencial simples
prevecirc o valor de uma seacuterie temporal tomando a previsatildeo para o periacuteodo anterior e ajustando-a pelo valor do erro no
mesmo periacuteodo
22
242 ndash Meacutetodo de Holt
O meacutetodo de Holt pode ser utilizado de maneira satisfatoacuteria em seacuteries temporais com tendecircncia linear
mediante o uso de uma funccedilatildeo de ponderaccedilatildeo que daacute maior importacircncia aos periacuteodos de tempo mais recentes Seu
algoritmo de previsatildeo utiliza as seguintes expressotildees
))(1( 11 tttt TLxL (Equaccedilatildeo 26)
11 )1)(( tttt TLLT (Equaccedilatildeo 27)
mtx ˆ
tt mTL (Equaccedilatildeo 28)
Onde
mtx ˆ = previsatildeo para o periacuteodo t+m
= constantes de suavizaccedilatildeo com valor entre 0 e 1 que determinam a rapidez de decaimento dos pesos
da seacuterie quanto mais proacuteximo de um maior o peso das observaccedilotildees recentes
tL = estimativa do niacutevel da seacuterie no tempo t
tT = estimativa de declividade da seacuterie no tempo t
Como o meacutetodo de Holt baseia-se na aplicaccedilatildeo recursiva das expresses anteriores satildeo necessaacuterios tambeacutem
como dados de entrada tL e tT que podem ser considerados como 1L 1x e 1T 12 xx Outra forma de caacutelculo eacute a
regressatildeo linear simples aplicada aos dados da seacuterie temporal onde se obteacutem o valor da declividade da seacuterie temporal
e de 0L em sua origem
243 ndash Meacutetodo de Winters
Os meacutetodos de Winters dividem-se em dois grupos aditivo e multiplicativo No meacutetodo aditivo a amplitude da
variaccedilatildeo sazonal eacute constante ao longo do tempo ou seja a diferenccedila entre o maior e menor valor de demanda dentro
das estaccedilotildees permanece relativamente constante no tempo No meacutetodo multiplicativo a amplitude da variaccedilatildeo sazonal
aumente ou diminui como funccedilatildeo do tempo
2431 ndash Meacutetodo Sazonal Multiplicativo de Winters
))(1( 11
tt
t
t
t TLSS
xL (Equaccedilatildeo 29)
11 )1()( tttt TLLT (Equaccedilatildeo 30)
SSL
xS t
t
t
t
1 (Equaccedilatildeo 31)
mSSmTLx tttmt ˆ (Equaccedilatildeo 32)
23
Onde
mtx ˆ = previsatildeo para o periacuteodo t+m
= constantes de suavizaccedilatildeo que variam entre 0 e 1
tx = observaccedilatildeo mais recente
tL = estimativa do niacutevel de seacuterie no tempo t
tT = estimativa de declividade da seacuterie no tempo t
tS = componente de sazonalidade no tempo t
S = nuacutemero de subperiacuteodos do ano (sazonalidade)
A escolha de valores para as constantes de suavizaccedilatildeo eacute condicionada a algum criteacuterio que na maioria das
vezes consiste na minimizaccedilatildeo por meio do algoritmo de minimizaccedilatildeo linear do erro quadraacutetico meacutedio (MSE) atribuiacutedo
ao desempenho do meacutetodo
Como o meacutetodo multiplicativo de Winters baseia-se na aplicaccedilatildeo recursiva das equaccedilotildees deste item e que
deve ser iniciada em algum periacuteodo do passado no qual os valores de TL TT e TS devem ser estimados A maneira
mais simples de inicializar o niacutevel de tendecircncia no periacuteodo S O niacutevel eacute inicializado no primeiro periacuteodo sazonal da
seguinte forma
S
Sxxxx
SL
1
321
(Equaccedilatildeo 33)
Para inicializar a tendecircncia eacute conveniente o uso de dois ciclos completos isto eacute 2S periacuteodos como descrito
abaixo
S
xx
S
xx
S
xx
ST SSSSS
S 1 2211 (Equaccedilatildeo 34)
Por ultimo os iacutendices sazonais satildeo inicializados usando-se a razatildeo das primeiras observaccedilotildees como a meacutedia
do primeiro ano com descrito a seguir
S
xS
L
11
S
xS
L
22
S
S
s
xS
L (Equaccedilatildeo 35)
2432 ndash Meacutetodo Sazonal Aditivo de Winters
O meacutetodo aditivo de Winters eacute utilizado na modelagem dos dados sazonais no qual a amplitude do ciclo
sazonal permanece constante com o passar do tempo
Aleacutem disso a amplitude da variaccedilatildeo sazonal eacute constante ao longo do tempo ou seja a diferenccedila entre o maior
e o menor valor de demanda dentro das estaccedilotildees permanece relativamente constante no tempo As equaccedilotildees
matemaacuteticas satildeo
))(1()( 11 ttttt TLSSxL (Equaccedilatildeo 36)
24
11 )1()( tttt TLLT (Equaccedilatildeo 37)
Stttt SLxS )1()( St = γ(xt - Lt) + (1- γ)St-S (Equaccedilatildeo 38)
mStttmt SmTLx ˆ (Equaccedilatildeo 39)
A segunda equaccedilatildeo deste item eacute igual agravequela do meacutetodo multiplicativo de Winters O restante das equaccedilotildees se
diferem por iacutendice sazonais serem somados e subtraiacutedos ao inveacutes de serem tomados em produtos ou divisotildees
Os valores iniciais de SL e ST satildeo iguais aos do meacutetodo multiplicativo Os iacutendices sazonais satildeo inicializados da
seguinte forma
SLxS 11 SLxS 22 SSS LxS (Equaccedilatildeo 40)
25 ndash SELECcedilAtildeO DE MODELOS
A partir do momento em que vaacuterios modelos ajustam-se a uma seacuterie temporal deve-se eleger aquele que
melhor representa o seu comportamento por meio da anaacutelise de seus paracircmetros Neste trabalho os paracircmetros seratildeo
utilizados os seguintes paracircmetros de forma primordial na definiccedilatildeo do modelo mais apropriado
251 ndash Maacuteximo R2
A estatiacutestica R2 eacute definida por
n
1t
2
2n
1t2
ˆ
1
tt
tt
xx
xx
R (Equaccedilatildeo 41)
Onde
tx = observaccedilatildeo real para o periacuteodo t
tx = previsatildeo para o periacuteodo t
Uma medida de R2 mais proacutexima de zero indica um modelo com ajuste pobre enquanto que um valor proacuteximo
de um indica um bom ajuste
252 ndash Miacutenimo BIC (Bayesian Information Criterion)
Este criteacuterio penaliza os modelos com muitos paracircmetros sendo portanto um criteacuterio de verosimilhanccedila
penalisada Vale ressaltar que o BIC natildeo deve ser utilizado de forma isolada mas em conjunto com outros paracircmetros
na comparaccedilatildeo com diversos modelos
O BIC eacute definido pela seguinte expressatildeo
25
nm
nMSEBIC2
(Equaccedilatildeo 42)
nm
tt nxxn
BIC22
n
1t
ˆ1
(Equaccedilatildeo 43)
Onde
m = nuacutemero de paracircmetros do modelo
n = nuacutemero de observaccedilotildees da seacuterie temporal
3 - DESENVOLVIMENTO
31 ndash ANAacuteLISE DA SEacuteRIE
A seacuterie a seguir apresenta os dados quantitativos da evoluccedilatildeo do volume de produccedilatildeo de caminhotildees no Brasil
Tratam-se de dados mensais entre janeiro de 1957 e dezembro de 2011 totalizando 660 observaccedilotildees
5000
10000
15000
20000
60 65 70 75 80 85 90 95 0 5 10
Legend
PRODUCAO
Figura 2 - Seacuterie de Volume de Produccedilatildeo no Brasil
Fonte Elaborado pelos Autores 2012
26
32 ndash ANAacuteLISE DESCRITIVA
O primeiro passo foi a anaacutelise descritiva da seacuterie visando obter uma anaacutelise inicial para definir o modelo de
previsatildeo mais adequado agraves suas caracteriacutesticas
Utilizando o software Minitab obteve-se a seguinte tabela
Figura 3 - Estatiacutesticas Descritivas da Seacuterie Inicial
Fonte Minitab 2012
O coeficiente de correlaccedilatildeo de Pearson indica a razatildeo entre o desvio padratildeo e a meacutedia de uma seacuterie cujo
caacutelculo eacute representado por
CV = desvio padratildeomeacutedia
Introduzindo os valores do desvio padratildeo (3515) e da meacutedia da amostra (5560) na foacutermula anterior obteacutem-se o
seguinte resultado
CV = 35155560 = 06322 ~ 63 de grau de dispersatildeo
Essa medida eacute utilizada quando se pretende comparar duas ou mais distribuiccedilotildees de probabilidade quanto agraves
suas variabilidades atuando como uma medida de variabilidade relativa
Na teoria de probabilidade o grau de simetria eacute uma medida de assimetria da distribuiccedilatildeo de valores reais
aleatoacuterios O grau de simetria pode ser positivo ou negativo ou mesmo indefinido Qualitativamente um valor negativo
em que a cauda no lado esquerdo da funccedilatildeo de densidade de probabilidade eacute maior do que o lado direito e a maioria
dos valores tende ao lado direito da meacutedia De mesma forma um valor positivo indica que a cauda no lado direito eacute
maior do que o lado esquerdo e que a maioria dos valores tende ao lado esquerdo da meacutedia O valor zero indica que
valores relativos igualmente distribuiacutedos dos dois lados ao redor da meacutedia mas natildeo necessariamente implica em uma
distribuiccedilatildeo simeacutetrica
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de grau de simetria (skewness) O valor positivo do grau de
simetria indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa conforme apresentado no
histograma a seguir
27
dados
Fre
qu
en
cy
200001600012000800040000
120
100
80
60
40
20
0
Mean 5560
StDev 3515
N 660
Histogram (with Normal Curve) of dados
Figura 4 - Histograma da Seacuterie Inicial
Fonte SPSS 2012
De forma similar o conceito de curtose trata-se da uma medida de dispersatildeo para descriccedilatildeo da forma da
distribuiccedilatildeo de probabilidades e como o grau de simetria existem formas diferentes de quantificaacute-la como uma
distribuiccedilatildeo teoacuterica e formas correspondentes de estimaacute-la a partir de uma amostra oriunda de uma populaccedilatildeo Essa
medida indica o grau de achatamento curva de distribuiccedilatildeo de probabilidade
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de curtose (kurtosis) O valor positivo do grau de simetria
indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa O valor positivo indica um
comportamento leptocuacutertica indicando que a mesma eacute mais alta e mais concentrada que a distribuiccedilatildeo normal
O Teste de Normalidade realizado com 95 de niacutevel de confianccedila gerou um p-value nulo ou seja abaixo dos
5 de significacircncia Desta maneira a hipoacutetese nula de que os dados apresentariam uma distribuiccedilatildeo normal foi
rejeitada
Tests of Normality
105 660 000 860 660 000VAR00001
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 5 - Teste de Normalidade da Seacuterie Inicial
Fonte SPSS 2012
28
O teste de Kolmogorov-Smirnov eacute utilizado para determinar se duas distribuiccedilotildees de probabilidade diferem uma
da outra ou natildeo O graacutefico abaixo referente a este testem evidencia o comportamento da distribuiccedilatildeo frente ao
comportamento da distribuiccedilatildeo normal
dados
Pe
rce
nt
2500020000150001000050000-5000-10000
9999
99
95
80
50
20
5
1
001
Mean
lt0010
5560
StDev 3515
N 660
KS 0105
P-Value
Teste de Normalidade Kolmogorov-SmirnovNormal
Figura 6 - Teste de Kolmogorov-Smirnov para a Seacuterie Inicial
Fonte SPSS 2012
Assim faz-se necessaacuterio uma transformaccedilatildeo na seacuterie para adequaccedilatildeo dos dados para uma distribuiccedilatildeo
normal Para tal modificaccedilatildeo neste trabalho foi utilizada a distribuiccedilatildeo logariacutetmica na base 10
Apoacutes a transformaccedilatildeo o teste de normalidade foi realizado novamente (tambeacutem com 95 de significacircncia) O
resultado eacute apresentado na tabela a seguir
Tests of Normality
042 660 007 994 660 009log10
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 7 - Teste de Normalidade para a Seacuterie Transformada
Fonte SPSS 2012
Conforme pode ser observado na tabela acima o p-value foi proacuteximo de 001 menor que 005 Apesar do
pressuposto de normalidade dos dados natildeo ter sido alcanccedilado esta base de dados seraacute utilizada nas modelagens
para fins acadecircmicos e seraacute tomado como premissa que a distribuiccedilatildeo estaacute normalizada
29
O teste graacutefico de normalidade de Kolmogorov-Smirnov foi realizado para a distribuiccedilatildeo transformada O
graacutefico abaixo evidencia o comportamento dos dados da distribuiccedilatildeo frente ao comportamento da distribuiccedilatildeo normal
auxiliando na conclusatildeo do teste anterior
log 10
Pe
rce
nt
4540353025
9999
99
95
80
50
20
5
1
001
Mean
lt0010
3668
StDev 02593
N 660
KS 0042
P-Value
Teste de Normalidade Kolmogorov-Smirnov - log 10Normal
Figura 8 - Teste de Kolmogorov-Smirnov para a Seacuterie Transformada
Fonte SPSS 2012
A seguir tem-se o histograma da seacuterie transformada evidenciando a mudanccedila do comportamento dos dados
30
log 10
Fre
qu
en
cy
42403836343230
70
60
50
40
30
20
10
0
Mean 3668
StDev 02593
N 660
Histogram of log 10Normal
Figura 9 - Histograma da Seacuterie Transformada
Fonte SPSS 2012
O teste da igualdade de variacircncias eacute aplicado com o objetivo de verificar se devem ou natildeo ser assumidas
igualdade entre as variacircncias das populaccedilotildees Para isso foi utilizado na anaacutelise o Teste de Levene cujas hipoacuteteses
satildeo as seguintes
H0 as variacircncias nas duas populaccedilotildees satildeo iguais ou seja existe homocedasticidade (σ1 = σ2 ou σ1 = σ2 = 0)
Neste caso assume-se a estatiacutestica Sig F gt 005
H1 as variacircncias nas duas populaccedilotildees satildeo diferentes ou seja natildeo existe homocedasticidade (σ1 ne σ2 ou σ1 ne
σ2 ne 0) Neste caso assume-se a estatiacutestica Sig F lt ou = 005
Para a realizaccedilatildeo do teste dividiu-se a populaccedilatildeo em dois grupos iguais (grupos denominados como 0 e 1
cada um com 330 unidades) Os resultados satildeo os seguintes
31
Group Statistics
330 35473 23553 01297
330 37896 22313 01228
Teste de Lev ene0
1
log10N Mean Std Dev iation
Std Error
Mean
Independent Samples Test
5981 015 -13569 658 000 -24235 01786 -27742 -20728
-13569 656086 000 -24235 01786 -27742 -20728
Equal variances
assumed
Equal variances
not assumed
log10F Sig
Lev enes Test for
Equality of Variances
t df Sig (2-tailed)
Mean
Dif f erence
Std Error
Dif f erence Lower Upper
95 Conf idence
Interv al of the
Dif f erence
t-test f or Equality of Means
Figura 10 - Teste de Homocedasticidade para a Seacuterie Transformada
Fonte SPSS 2012
Pelo resultado do teste pode-se verificar que o valor de ldquoSigrdquo (referente ao p-value) foi de 0015 onde se
conclui que a hipoacutetese nula que leva em consideraccedilatildeo que a variacircncia da seacuterie eacute constante pode ser aceita
33 ndash MODELOS DE PREVISAtildeO
Neste trabalho seratildeo analisados os seguintes modelos de previsatildeo
1 ndash Box Jenkins
2 ndash Suavizaccedilatildeo Exponencial
Para determinar o modelo de previsatildeo mais adequado foi utilizado o software Forecast Pro for Windows (FPW)
Todas as previsotildees foram realizadas utilizando a seacuterie com a variaacutevel transformada a fim de atender o
pressuposto de normalidade da seacuterie necessaacuterio nos modelos de previsatildeo
32
Figura 11 - Seleccedilatildeo da Seacuterie para a Previsatildeo
Fonte FPW 2012
331 ndash Box-Jenkins
Apoacutes a apresentaccedilatildeo e anaacutelises dos pressupostos necessaacuterios para a aplicaccedilatildeo do modelo Box-Jenkins seratildeo
realizadas as anaacutelises que demonstram a funccedilatildeo de autocorrelaccedilatildeo (FAC) e funccedilatildeo de autocorrelaccedilatildeo parcial (FACP)
Figura 12 - FAC da Seacuterie
Fonte FPW 2012
33
Figura 13 - FACP da Seacuterie
Fonte FPW 2012
Nota-se na Figura XXX FAC da seacuterie que a seacuterie decai muito lentamente indicando tendecircncia logo faz-se
necessaacuterio realizar uma diferenciaccedilatildeo na parte simples
Apoacutes a diferenciaccedilatildeo obtiveram-se os seguintes novos graacuteficos para a funccedilatildeo de autocorrelaccedilatildeo e funccedilatildeo de
autocorrelaccedilatildeo parcial
Figura 14 - FAC da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
34
Figura 15 - FACP da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
Apoacutes a realizaccedilatildeo da diferenciaccedilatildeo os seguintes modelos foram testados
1 ndash ARIMA (110)
2 ndash ARIMA (011)
3 ndash ARIMA (210)
4 ndash ARIMA (012)
5 ndash ARIMA (111)
A seguir cada modelo seraacute demonstrado
1 ndash ARIMA (110)
Figura 16 - Resultado ARIMA (110)
Fonte FPW 2012
35
Figura 17 - FAC dos Resiacuteduos ARIMA (110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08746) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel a(1) foi considerada significativa
2 - ARIMA (011)
Figura 18 - Resultado ARIMA (011)
Fonte FPW 2012
36
Figura 19 - FAC dos Resiacuteduos ARIMA (011)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel b(1) foi considerada significativa
3 - ARIMA (210)
Figura 20 - Resultado ARIMA (210)
Fonte FPW 2012
37
Figura 21 - FAC dos Resiacuteduos ARIMA (210)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08765) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
4 - ARIMA (012)
Figura 22 - Resultado ARIMA (012)
Fonte FPW 2012
38
Figura 23 - FAC dos Resiacuteduos ARIMA (012)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08777) com lag significativo nas fases 12 24 e 36 no graacutefico da FAC dos
resiacuteduos As variaacuteveis b(1) e b(2) foram consideradas significativas
5 - ARIMA (111)
Figura 24 - Resultado ARIMA (111)
Fonte FPW 2012
39
Figura 25 - FAC dos Resiacuteduos ARIMA (111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08811) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e b(1) foi considerada significativa
Observando os resultados obtidos nos cinco modelos anteriores fica evidente a semelhanccedila da presenccedila dos
lags significativos nas fases 12 24 e 36 no graacutefico da FAC dos resiacuteduos indicando a existecircncia de sazonalidade na
seacuterie modelada Assim torna-se necessaacuterio diferenciar a fase sazonal dos dados
Apoacutes a diferenciaccedilatildeo simples foram realizadas as seguintes diferenciaccedilotildees sazonais obtendo-se os seguintes
resultados para os modelos SARIMA
6 ndash SARIMA (011)(010)
Figura 26 - Resultado SARIMA (011)(010)
Fonte FPW 2012
40
Figura 27 - FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel b(1) foi considerada significativa
7 ndash SARIMA (110)(010)
Figura 28 - Resultado SARIMA (011)(010)
Fonte FPW 2012
41
Figura 29 - FAC dos Resiacuteduos SARIMA (011)(010)
Figura 29 ndash FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08305) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel a(1) foi considerada significativa
8 ndash SARIMA (210)(010)
Figura 30 - Resultado SARIMA (210)(010)
Fonte FPW 2012
42
Figura 31 - FAC dos Resiacuteduos SARIMA (210)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08337) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
9 ndash SARIMA (012)(010)
Figura 32 - Resultado SARIMA (012)(010)
Fonte FPW 2012
43
Figura 33 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
10 ndash SARIMA (111)(010)
Figura 34 - Resultado SARIMA (111)(010)
Fonte FPW 2012
44
Figura 35 - FAC dos Resiacuteduos SARIMA (111)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 12 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1
11 ndash SARIMA (011)(110)
Figura 36 - Resultado SARIMA (011)(110)
Fonte FPW 2012
45
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08623) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis A(12) e b(1) foram consideradas significativas
12 ndash SARIMA (110)(110)
Figura 38 - Resultado SARIMA (011)(110)
Fonte FPW 2012
46
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08595) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e A(12) foram consideradas significativas
13 ndash SARIMA (210)(110)
Figura 40 - Resultado SARIMA (210)(110)
Fonte FPW 2012
47
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08620) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) a(2) e A(12) foram consideradas significativas
14 ndash SARIMA (012)(010)
Figura 42 - Resultado SARIMA (012)(010)
Fonte FPW 2012
48
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08625) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
15 ndash SARIMA (111)(110)
Figura 44 - Resultado SARIMA (111)(110)
Fonte FPW 2012
49
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08626) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 24 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1 e MA = 1
16 ndash SARIMA (011)(111)
Figura 46 - Resultado SARIMA (011)(111)
Fonte FPW 2012
50
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) e B(12) foram consideradas significativas pelo modelo
17 ndash SARIMA (110)(111)
Figura 48 - Resultado SARIMA (110)(111)
Fonte FPW 2012
51
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09010) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) e B(12) foram consideradas significativas pelo modelo
18 ndash SARIMA (210)(111)
Figura 50 - Resultado SARIMA (210)(111)
Fonte FPW 2012
52
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) a(12) e B(12) foram consideradas significativas pelo modelo
19 ndash SARIMA (012)(111)
Figura 52 ndash Resultado SARIMA (012)(111)
Fonte FPW 2012
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
2
MEacuteTODOS DE PREVISAtildeO APLICADAS A UMA SEacuteRIE DE VOLUME DE PRODUCcedilAtildeO DE CAMINHOtildeES
Isaac dos Santos Lourenccedilo
Luis de Oliveira Nascimento
TRABALHO DE CONCLUSAtildeO DE CURSO SUBMETIDO Agrave COORDENACcedilAtildeO DO CURSO DE
POacuteS-GRADUACcedilAtildeO EM MEacuteTODOS ESTATIacuteSTICOS COMPUTACIONAIS DA UNIVERSIDADE
FEDERAL DE JUIZ DE FORA COMO PARTE DOS REQUISITOS NECESSAacuteRIOS PARA A
CONCLUSAtildeO DO CURSO
Aprovada por
_____________________________________________________
Prof Reinaldo Castro de Souza PhD
____________________________________________________
Fernando Luiz Cyrino Oliveira MSc
JUIZ DE FORA MG - BRASIL
JULHO DE 2009
i
3
AGRADECIMENTO
Agradecemos ao amigo Fernando Cyrino pela paciecircncia e disposiccedilatildeo em ensinar e nos ajudar na aplicaccedilatildeo dos
conhecimentos em Modelos de Previsatildeo para concluir este trabalho
ii
4
Resumo de Trabalho de Conclusatildeo de Curso apresentado agrave Coordenaccedilatildeo do Curso de Meacutetodos Estatiacutesticos
Computacionais como parte dos requisitos necessaacuterios para conclusatildeo do curso
MEacuteTODOS DE PREVISAtildeO APLICADOS A UMA SEacuteRIE DE VOLUME DE PRODUCcedilAtildeO DE CAMINHOtildeES
Isaac dos Santos Lourenccedilo
Luis de Oliveira Nascimento
Julho2012
Orientador Reinaldo Castro Souza
Co-orientador Fernando Luiz Cyrino Oliveira
Curso Poacutes-Graduaccedilatildeo em Meacutetodos Estatiacutesticos Computacionais
Este trabalho visa definir um modelo de previsatildeo de demanda para o volume mensal de caminhotildees produzidos no
Brasil Este produto eacute classificado como um bem de produccedilatildeo e seu consumo estaacute relacionado a fatores econocircmicos e
poliacuteticos tais como obras de infraestruturas iacutendices globais de produccedilatildeo industrial incentivos fiscais e linhas de creacutedito
para a renovaccedilatildeo de frota Com o iniacutecio na norma regulamentadora Proconve 7 os veiacuteculos passam a ser equipados
com a nova motorizaccedilatildeo Euro 5 e neste cenaacuterio torna-se importante realizar a previsatildeo de demanda para o volume de
produccedilatildeo em funccedilatildeo da mudanccedila estrutural em custos e tecnologia do produto frente ao comportamento do mercado
Neste trabalho seratildeo analisados os modelos e meacutetodos de Box-Jenkins e Amortecimento Exponencial Dentre os
modelos possiacuteveis analisados seraacute adotado o modelo mais adequado agrave seacuterie atraveacutes das anaacutelises do coeficiente de
determinaccedilatildeo R2-Ajustado e dos paracircmetros MAPE e BIC Por fim para verificar a eficiecircncia do modelo escolhido foi
realizada uma previsatildeo de trecircs meses para o ano de 2012
Palavras-chaves Previsatildeo Amortecimento Exponencial Box-Jenkins Proconve7
iii
5
Paper Abstract presented to the Statistics Deparment Coordination at Juiz de Fora Federal State University as a part to
fulfill the requirements for the Forecasting Computer Methods Course
FORECASTING METHODS APPLIED TO A TIME SERIES RELATED TO TRUCKSrsquoPRODUCTION VOLUME
Isaac dos Santos Lourenccedilo
Luis de Oliveira Nascimento
July2012
Advisor Reinaldo Castro Souza
Co-Advisor Fernando Luiz Cyrino Oliveira
Course Forecasting Computer Methods
This paper aims to define a forecasting model to trucksrsquo monthly production volume produced in Brazil This product is
classified as an industrial asset and its consumption is related to economics and politics scenarios like government
structure constructions industrial monthly global index taxes incentives and available credit to fleet renewal With the
beginning of the government standard Proconve 7 all the trucks are now equipped with the new Euro 5 powertrain
system in this scenario it is important build a forecasting model to the trucksrsquo production volume to analyze how the
market will behave with the trucks new costs and structure In this paper will be analyzed the models and methods of
Box-Jenkins and Exponential Smoothing families Among all possible analyzed models it will be adopted as the ideal
model through the analysis of the determination coefficient R2-Adjusted and MAPE and BIC parameters In the
conclusion the forecasting for three months of 2012 will be done to check the chosen model efficiency
Key-words Forecasting Exponential Smoothing Box-Jenkins Proconve7
iv
6
LISTA DE TABELAS
Tabela 1 - Comportamento das FAC e FACP para Modelos Estacionaacuterios 19
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins 54
Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial 59
Tabela 4 ndash Comparaccedilatildeo de Resultados Globais 59
v
7
LISTA DE FIGURAS
Figura 1 - Fechamento da Quantidade de Veiacuteculos Licenciados em 2011 12
Figura 2 - Seacuterie de Volume de Produccedilatildeo no Brasil 25
Figura 3 - Estatiacutesticas Descritivas da Seacuterie Inicial 26
Figura 4 - Histograma da Seacuterie Inicial 27
Figura 5 - Teste de Normalidade da Seacuterie Inicial 27
Figura 6 - Teste de Kolmogorov-Smirnov para a Seacuterie Inicial 28
Figura 7 - Teste de Normalidade para a Seacuterie Transformada 28
Figura 8 - Teste de Kolmogorov-Smirnov para a Seacuterie Transformada 29
Figura 9 - Histograma da Seacuterie Transformada 30
Figura 10 - Teste de Homocedasticidade para a Seacuterie Transformada 31
Figura 11 - Seleccedilatildeo da Seacuterie para a Previsatildeo 32
Figura 12 - FAC da Seacuterie 32
Figura 13 - FACP da Seacuterie 33
Figura 14 - FAC da Seacuterie com Diferenciaccedilatildeo Simples = 1 33
Figura 15 - FACP da Seacuterie com Diferenciaccedilatildeo Simples = 1 34
Figura 16 - Resultado ARIMA (110) 34
Figura 17 - FAC dos Resiacuteduos ARIMA (110) 35
Figura 18 - Resultado ARIMA (011) 35
Figura 19 - FAC dos Resiacuteduos ARIMA (011) 36
Figura 20 - Resultado ARIMA (210) 36
Figura 21 - FAC dos Resiacuteduos ARIMA (210) 37
Figura 22 - Resultado ARIMA (012) 37
Figura 23 - FAC dos Resiacuteduos ARIMA (012) 38
Figura 24 - Resultado ARIMA (111) 38
Figura 25 - FAC dos Resiacuteduos ARIMA (111) 39
Figura 26 - Resultado SARIMA (011)(010) 39
Figura 27 - FAC dos Resiacuteduos SARIMA (011)(010) 40
Figura 28 - Resultado SARIMA (011)(010) 40
Figura 29 - FAC dos Resiacuteduos SARIMA (011)(010) 41
Figura 30 - Resultado SARIMA (210)(010) 41
Figura 31 - FAC dos Resiacuteduos SARIMA (210)(010) 42
Figura 32 - Resultado SARIMA (012)(010) 42
vi
8
Figura 33 - FAC dos Resiacuteduos SARIMA (012)(010) 43
Figura 34 - Resultado SARIMA (111)(010) 43
Figura 35 - FAC dos Resiacuteduos SARIMA (111)(010) 44
Figura 36 - Resultado SARIMA (011)(110) 44
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110) 45
Figura 38 - Resultado SARIMA (011)(110) 45
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110) 46
Figura 40 - Resultado SARIMA (210)(110) 46
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110) 47
Figura 42 - Resultado SARIMA (012)(010) 47
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010) 48
Figura 44 - Resultado SARIMA (111)(110) 48
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110) 49
Figura 46 - Resultado SARIMA (011)(111) 49
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111) 50
Figura 48 - Resultado SARIMA (110)(111) 50
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111) 51
Figura 50 - Resultado SARIMA (210)(111) 51
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111) 52
Figura 52 ndash Resultado SARIMA (012)(111) 52
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111) 53
Figura 54 ndash Resultado SARIMA (111)(111) 53
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111) 54
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade 55
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade 55
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt) 56
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade 56
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters) 57
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters) 57
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva 58
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva 58
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111) 60
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111) 61
vii
9
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111) 61
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111) 62
SUMAacuteRIO
ix
viii
10
1 ndash INTRODUCcedilAtildeO 10
11 ndash CONSIDERACcedilOtildeES INICIAIS 11
12 ndash OBJETIVO 13
13 ndash JUSTIFICATIVAS 13
14 ndash CONDICcedilOtildeES DE CONTORNO 13
15 ndash METODOLOGIA 13
2 ndash REVISAtildeO BIBLIOGRAacuteFICA 14
21 ndash SEacuteRIES TEMPORAIS 14
22 ndash PREVISAtildeO DE SEacuteRIES TEMPORAIS 14
23 ndash MODELO BOX-JENKINS 17
231 ndash Modelo ARMA (Auto-Regressivo a Meacutedia Moacutevel) 18
232 ndash Modelo ARIMA 19
233 ndash Modelo ARIMA Sazonal (SARIMA) 19
24 ndash MEacuteTODO DO AMORTECIMENTO EXPONENCIAL 20
241 ndash Meacutetodos de Amortecimento Exponencial Simples 20
242 ndash Meacutetodo de Holt 22
243 ndash Meacutetodo de Winters 22
25 ndash SELECcedilAtildeO DE MODELOS 24
251 ndash Maacuteximo R2 24
252 ndash Miacutenimo BIC (Bayesian Information Criterion) 24
3 - DESENVOLVIMENTO 25
31 ndash ANAacuteLISE DA SEacuteRIE 25
32 ndash ANAacuteLISE DESCRITIVA 26
33 ndash MODELOS DE PREVISAtildeO 31
331 ndash Box-Jenkins 32
332 ndash Amortecimento Exponencial 55
34 ndash COMPARACcedilAtildeO ENTRE MODELOS 59
4 - CONCLUSAtildeO 60
41 ndash PREVISAtildeO FINAL 60
42 ndash CONSIDERACcedilOtildeES FINAIS 62
5 - REFEREcircNCIAS 63
1 ndash INTRODUCcedilAtildeO
11
11 ndash CONSIDERACcedilOtildeES INICIAIS
A junccedilatildeo de dois fatores de extrema importacircncia faz a induacutestria de veiacuteculos comerciais acelerar suas vendas a
aproximaccedilatildeo da entrada da nova legislaccedilatildeo brasileira de emissatildeo de gases estabelecendo o padratildeo Euro 5 a partir de
janeiro de 2012 e a virada para um ano eleitoral
A Associaccedilatildeo Nacional dos Fabricantes de Veiacuteculos Automotores (ANFAVEA) do Brasil fundada em 15 de
maio de 1956 reuacutene empresas fabricantes de autoveiacuteculos (automoacuteveis comerciais leves caminhotildees ocircnibus) e
maacutequinas agriacutecolas automotrizes (tratores de rodas e de esteiras colheitadeiras e retroescavadeiras) com instalaccedilotildees
industriais no Brasil
A entidade tem atribuiccedilatildeo de estudar temas da induacutestria e do mercado de veiacuteculos e maacutequinas agriacutecolas
automotrizes aleacutem de coordenar e defender os interesses coletivos das empresas associadas Ainda eacute responsaacutevel
por patrocinar exposiccedilotildees automotivas e outros eventos de caraacuteter institucional
Segundo a ANFAVEA o mercado de caminhotildees se divide da seguinte forma
Semileves 35 ton lt PBT lt 6 ton
Leves 6 ton PBT lt 10 ton
Meacutedio 10 ton PBT lt 15 ton
Semi Pesados PBT 15 ton
Entende-se por Peso Bruto Total (PBT) o peso maacuteximo transmitido ao pavimento pela combinaccedilatildeo de um
caminhatildeo-trator mais seu semi-reboque ou do caminhatildeo mais os seus reboques Um caminhatildeo trator eacute um veiacuteculo
automotor destinado a tracionar ou arrastar outro e um semi-reboque eacute um veiacuteculo de um ou mais eixos que se apoia
na sua unidade tratora ou eacute a ela ligado por meio de articulaccedilatildeo
As montadoras de caminhotildees que operam no Brasil fabricaram 138 mais veiacuteculos em 2011 do que em 2010
Segundo dados da ANFAVEA em seu balanccedilo anual Aleacutem disso a produccedilatildeo atendeu ao aumento de demanda por
conta da elevaccedilatildeo de preccedilos devido agrave entrada em vigor da norma Proconve 7 Euro 5
Com o crescimento a produccedilatildeo de caminhotildees no mercado brasileiro somou 216270 unidades em 2011 ante
as 189941 de 2010 Apesar dessa expansatildeo as vendas somaram 172902 unidades ou seja quase 80 da produccedilatildeo
foi vendida no mercado interno Outras 26321 unidades foram vendidas ao mercado internacional o que leva a um
estoque de pouco mais de 17 mil caminhotildees
Os veiacuteculos mais fabricados no ano foram os semipesados e pesados com 74927 e 65542 veiacuteculos
representando 346 e 303 do total saiacutedo das linhas de montagem brasileiras O crescimento no ano foi de 193 e
84 quando comparados ao mesmo periacuteodo do ano passado
Em relaccedilatildeo agraves campeatildes de vendas a MAN Latin America (que fabrica e comercializa caminhotildees da marca
proacutepria e da Volkswagen) confirmou a lideranccedila de mercado pelo nono ano consecutivo De acordo com os dados de
licenciamentos da ANFAVEA a empresa vendeu 50815 veiacuteculos cerca de 30 do mercado nacional um
crescimento de 122 ante 2010 A segunda colocada eacute a Mercedes-Benz que encerrou 2011 com a comercializaccedilatildeo
de 42623 veiacuteculos alta de 43 no periacuteodo Em terceiro aparece a Ford com 30354 em quarto a Volvo com 19069
crescimento de 245 em quinto a Iveco com 14246 caminhotildees no ano expansatildeo de 186 A Scania ficou em
sexto lugar no mercado brasileiro com a comercializaccedilatildeo de 13484 unidades O restante das vendas ficou dividido
entre as marcas Agrale Hyundai e International
Com relaccedilatildeo aos licenciamento totais em 2011 a figura a seguir retrata o fechamento do ano de 2011
12
Figura 1 - Fechamento da Quantidade de Veiacuteculos Licenciados em 2011
Fonte ANFAVEA
Em termos de crescimento sobre as vendas do ano passado os semipesados apresentaram a maior alta com
169 os leves vecircm a seguir com expansatildeo de 131 seguido dos semileves com 109 de vendas a mais em
comparaccedilatildeo a 2010 As vendas de caminhotildees na categoria meacutedios ficaram 28 maiores enquanto que os pesados
ostentaram a menor alta apenas 09 quando comparadas as vendas de 2010 Enquanto isso as vendas de
importados fecharam 2011 com um impressionante crescimento de 469 ante 2010 sendo os pesados os que mais
entraram no Brasil com 2774 unidades das pouco mais de quatro mil importaccedilotildees de caminhotildees representando um
crescimento de mais de 115
No iniacutecio de Janeiro de 2012 passou a vigorar a seacutetima ediccedilatildeo do Proconve (Programa de Controle de Poluiccedilatildeo
do Ar por Veiacuteculos Automotores) Eacute um programa criado em 1986 pelo CONAMA com os objetivos de reduzir as
emissotildees de veiacuteculos novos desenvolver tecnologia nacional e melhorar a qualidade dos combustiacuteveis Eacute aplicado a
veiacuteculos leves e pesados como os caminhotildees
Para atender a resoluccedilatildeo do Proconve 7 as montadoras estatildeo implementando novos sistema de motorizaccedilatildeo
combustatildeo e exaustatildeo dos combustiacuteveis em seus veiacuteculos conhecidos como Euro 5 Com o ganho tecnoloacutegico e
ambiental satildeo tambeacutem agregados custos entre 10 e 20 aos veiacuteculos
Com a entrada da nova legislaccedilatildeo Proconve 7 e o aumento no preccedilo dos veiacuteculos devido agrave motorizaccedilatildeo Euro
5 a retraccedilatildeo no mercado eacute eminente Isso ocorre pelo fato dos caminhotildees serem bens de produccedilatildeo e a disponibilidade
dos veiacuteculos Euro 3 mais poluentes e mais baratos no mercado faz-se com que o fenocircmeno do pre-buying antecipe a
renovaccedilatildeo da frota para antes de janeiro com eminente queda na produccedilatildeo para o primeiro semestre de 2012 motivo
pelo qual se torna importante conhecer a previsatildeo demanda do volume total de produccedilatildeo de caminhotildees
13
12 ndash OBJETIVO
O objetivo desse trabalho eacute o de comparar a utilizaccedilatildeo de meacutetodos de previsatildeo de demanda e definir qual
deveraacute ser aplicado para a previsatildeo do volume de produccedilatildeo de caminhotildees a partir da base de dados da ANFAVEA
13 ndash JUSTIFICATIVAS
O processo de previsatildeo de demanda por seacuteries temporais utiliza dados passados e presentes para obter dados
futuros por meio de modelos descritos e ajustados das variaacuteveis em questatildeo
As seacuteries temporais satildeo observaccedilotildees de variaacuteveis que podem ser de vaacuterios campos da economia Exemplos
de tais variaacuteveis satildeo taxas de inflaccedilatildeo iacutendices de accedilotildees taxas de desemprego e participaccedilatildeo de uma empresa em
determinado mercado Frequentemente os modelos de previsatildeo para essas taxas satildeo utilizados para determinar as
poliacuteticas e objetivos que guiaratildeo as empresas e instituiccedilotildees
A anaacutelise das seacuteries temporais pode evidenciar uma variedade de padrotildees e comportamentos Tipicamente
muitos agregados macroeconocircmicos tais como produccedilatildeo industrial consumo e salaacuterios mostram comportamentos que
evidenciam tendecircncias de crescimento
Assim aleacutem de buscar o melhor modelo de previsatildeo aplicado ao volume de produccedilatildeo de caminhotildees no Brasil
o presente trabalho tambeacutem tem o objetivo de evidenciar os padrotildees e comportamentos desta seacuterie
14 ndash CONDICcedilOtildeES DE CONTORNO
Este trabalho trataraacute da previsatildeo do volume de produccedilatildeo mensal de caminhotildees no Brasil Para definir o modelo
de previsatildeo mais adequado seratildeo utilizados dados mensais entre janeiro de 1957 e dezembro de 2011
Seratildeo abordados neste trabalho os modelos Box-Jenkins e a teacutecnica do Amortecimento Exponencial para
definir a melhor modelagem para seacuterie abordada
15 ndash METODOLOGIA
O desenvolvimento deste trabalho foi realizado em seis etapas a primeira consistiu da revisatildeo da literatura
sobre seacuteries temporais previsatildeo de demanda e volume de produccedilatildeo de caminhotildees no Brasil
Na segunda etapa foi realizada a coleta de dados referente aos volumes de produccedilatildeo para o periacuteodo estudado
A terceira etapa por sua vez consistiu na realizaccedilatildeo das anaacutelises descritivas para o entendimento do comportamento
da seacuterie
A quarta etapa envolveu os testes com os modelos e meacutetodos de previsatildeo bem como a geraccedilatildeo das
previsotildees Na quinta etapa foram analisados os modelos de previsatildeo obtidos definindo qual seria o modelo mais
adequado
A uacuteltima etapa eacute composta pelo fechamento do trabalho incluindo as anaacutelises do modelo proposto bem como
as recomendaccedilotildees para trabalhos futuros
14
2 ndash REVISAtildeO BIBLIOGRAacuteFICA
21 ndash SEacuteRIES TEMPORAIS
Uma seacuterie temporal pode ser definida como um conjunto de observaccedilotildees de uma variaacutevel observadas
sequencialmente no tempo Assim a variaacutevel eacute verificada em intervalos de tempo equidistantes e a correlaccedilatildeo entre os
diversos pontos da seacuterie gera a caracteriacutestica de dependecircncia entre eles Levando em consideraccedilatildeo que a seacuterie
temporal tambeacutem pode ser definida como as provaacuteveis trajetoacuterias para um determinado processo faz com que os
dados da mesma natildeo sejam apenas correlacionados mas oriundos tambeacutem de um processo estocaacutestico no qual eacute
observado uma das trajetoacuterias
A anaacutelise da seacuterie temporal por sua vez inicia-se a partir da descriccedilatildeo dos fenocircmenos e processos que a
originam Um fator importante que tambeacutem deve ser estudado eacute a dependecircncia entre as observaccedilotildees
Segundo Makridakis et al (1998) existem quatro tipos de padrotildees de seacuteries temporais
1 - Horizontal quando os valores dos dados flutuam ao redor de uma meacutedia constante
2 - Inclinado (tendecircncia) quando se verifica um crescimento ou decreacutescimo em longo prazo no valor dos
dados
3 - Ciacuteclico estaacute presente em uma seacuterie temporal quando os dados exibem crescimentos e quedas que natildeo se
repetem em um intervalo de tempo fixo
4 - Sazonal padratildeo sazonal existe quando uma seacuterie temporal eacute influenciada por fatores sazonais isto eacute que
se repetem a intervalos de tempos iguais
Adicionalmente uma seacuterie temporal eacute considerada natildeo linear quando pelo menos sua variacircncia natildeo eacute
constante ou sua meacutedia natildeo eacute constante Assim basta que pelo menos uma das duas caracteriacutesticas esteja presente
no comportamento da seacuterie para ser considerada natildeo linear
Para a utilizaccedilatildeo dos dados nos modelos Box-Jenkins faz-se necessaacuterio garantir o pressuposto em que a
meacutedia e a variacircncia sejam constantes no tempo Quando a meacutedia possui variaccedilatildeo a uma taxa constante a seacuterie eacute
definida como natildeo estacionaacuteria Esta variaccedilatildeo por sua vez pode ocorrer a uma taxa constante dentro de um ciclo
chamada de natildeo-estacionariedade sazonal
As funccedilotildees de autocorrelaccedilatildeo e autocorrelaccedilatildeo parcial satildeo mecanismos adotados dentro dos modelos Box-
Jenkins com a funccedilatildeo de identificar mecanismos relativos a natildeo-estacionariedade das seacuteries em estudo
22 ndash PREVISAtildeO DE SEacuteRIES TEMPORAIS
Para a previsatildeo de seacuteries temporais podem ser empregados modelos e meacutetodos que se diferenciam da
seguinte forma um modelo de previsatildeo eacute aquele que utiliza uma ou mais equaccedilotildees para representar a estrutura
aleatoacuteria da seacuterie temporal Jaacute um meacutetodo eacute uma combinaccedilatildeo de uma rotina de estimaccedilatildeo e um modelo (assim torna-
se necessaacuterio uma rotina preacutevia de identificaccedilatildeo do modelo adequado) Pelo fato dos modelos atraveacutes de suas
caracteriacutesticas serem muitos especiacuteficos a grande maioria foi desenvolvida para padrotildees de seacuteries temporais
anteriormente mencionados
As teacutecnicas de previsatildeo satildeo distribuiacutedas em dois grupos meacutetodos qualitativos e quantitativos Os meacutetodos
qualitativos satildeo aplicados quando existe conhecimento acumulado sobre o processo ou fenocircmeno em estudo havendo
15
a necessidade do julgamento por meio de especialistas principalmente quando natildeo existe uma seacuterie histoacuterica para ser
estudada
Os meacutetodos quantitativos utilizam dados histoacutericos e modelos matemaacuteticos para prever comportamentos
futuros As teacutecnicas quantitativas dividem-se em dois subgrupos seacuteries temporais (ou meacutetodos univariaacuteveis) e modelos
causais (multivariaacuteveis) As seacuteries temporais utilizam dados histoacutericos de demanda como base para determinaccedilatildeo de
padrotildees que podem se repetir no futuro Exemplos satildeo as teacutecnicas de seacuteries temporais e o amortecimento exponencial
Jaacute os modelos causais satildeo aqueles que buscam relacionar as demandas (variaacutevel dependente) com outros fatores
(variaacutevel independente) como fatores macroeconocircmicos como o PIB inflaccedilatildeo clima entre outros Para isso torna-se
necessaacuterio a utilizaccedilatildeo de regressotildees lineares e natildeo lineares
A aplicaccedilatildeo dos meacutetodos quantitativos depende de trecircs fatores
1 ndash Disponibilidade de informaccedilotildees histoacutericas
2 ndash Quantificaccedilatildeo das informaccedilotildees histoacutericas em seacuteries temporais
3 ndash Recorrecircncia no futuro de padrotildees observados nas informaccedilotildees histoacutericas
A condiccedilatildeo de recorrecircncia eacute conhecida como suposiccedilatildeo de continuidade e eacute uma premissa de todos os
meacutetodos quantitativos e alguns meacutetodos qualitativos
As caracteriacutesticas dos meacutetodos claacutessicos satildeo a mensuraccedilatildeo probabiliacutestica de erro da previsatildeo e uma
metodologia menos subjetiva para a obtenccedilatildeo dos modelos Neste grupo de modelos estaacute inserido o de Box-Jenkins
Um modelo claacutessico supotildee que a seacuterie temporal zt onde t = 1 N possa ser escrito como uma soma (modelo
aditivo) por meio da seguinte equaccedilatildeo
tttt aSTz (Equaccedilatildeo 1)
Ou ainda possa ser escrito como uma multiplicaccedilatildeo (modelo multiplicativo) da seguinte forma
tttt aSTz (Equaccedilatildeo 2)
Onde
tT = denotaccedilatildeo para tendecircncia
tS = denotaccedilatildeo para componente sazonal
ta = denotaccedilatildeo para termo aleatoacuterio
Removendo-se as componentes tT e tS resta a componente aleatoacuteria (at) ou residual A suposiccedilatildeo adotada eacute
que at seja uma componente puramente aleatoacuteria mesmo em alguns casos em que eacute considerada como um processo
estacionaacuterio com meacutedia e variacircncia constantes
Aleacutem dos modelos claacutessicos existe outra classe de meacutetodo de previsatildeo que contecircm os natildeo parameacutetricos
Esses satildeo caracterizados por serem muito subjetivos por natildeo possuiacuterem um grande nuacutemero de suposiccedilotildees como os
16
claacutessicos No entanto dentro dos natildeo parameacutetricos existe uma classe de modelos conhecidos por sua qualidade
preditiva e complexidade sendo denominados de modelos de redes neurais
Os modelos utilizados atualmente satildeo compostos de modelos teoacutericos exatos e empiacutericos Assim o
conhecimento teoacuterico eacute utilizado parcialmente para indicar uma classe adequada de funccedilotildees matemaacuteticas que satildeo
ajustadas empiricamente fazendo com que o ajuste dos seus paracircmetros seja realizado de forma experimental
Um dos aspectos relevantes para a seleccedilatildeo do modelo mais adequado estaacute na capacidade do mesmo em
reproduzir os dados conhecidos e as previsotildees futuras de forma acurada Assim se xt eacute a observaccedilatildeo real para o
periacuteodo t e tx eacute a previsatildeo para o mesmo periacuteodo Assim o erro na previsatildeo eacute definido por
ttt xxe ˆ (Equaccedilatildeo 4)
Se existirem observaccedilotildees e previsotildees para n periacuteodos as seguintes estatiacutesticas podem ser utilizadas
n
1t
en
1ME
t (Equaccedilatildeo 5)
Ie In
1MAE
n
1t
t
(Equaccedilatildeo 6)
n
1t
2
t en
1MSE (Equaccedilatildeo 7)
O erro meacutedio ME eacute definido como a meacutedia dos erros calculado na equaccedilatildeo 5 (et) Pelo somatoacuterio os valores
positivos e negativos tendem a se anular resultando em um valor baixo O erro meacutedio absoluto (MAE) eacute definido pelo
somatoacuterio dos moacutedulos dos erros e em seguida realiza-se a meacutedia dos valores absolutos encontrados No caacutelculo do
erro quadraacutetico (MSE) os erros se tornam positivos pela elevaccedilatildeo ao quadrado e a meacutedia eacute realizada com os valores
positivos encontrados
Considerando a escala em que os dados satildeo expressos pode-se definir o erro relativo como
100xˆ
PE t
t
t
x
xx (Equaccedilatildeo 8)
t
n
1t
PEn
1MPE
(Equaccedilatildeo 9)
IPE In
1MAPE t
n
1t
(Equaccedilatildeo 10)
O erro meacutedio percentual (MPE) eacute a meacutedia do erro percentual calculado em PEt para n periacuteodos Neste caso os
valores positivos e negativos dos erros percentuais tendem a se anular da mesma forma que para ME Da mesma
forma que para MAE o erro meacutedio absoluto percentual tambeacutem eacute obtido utilizando-se erros absolutos percentuais
17
23 ndash MODELO BOX-JENKINS
Os modelos ARIMA (Autoregressive Integrated Moving Average ndash Auto-Regressivos Integrados de Meacutedias
Moacuteveis) da famiacutelia de Box-Jenkins tem o objetivo de captar o comportamento da autocorrelaccedilatildeo (correlaccedilatildeo seriada)
entre os valores da seacuterie temporal e realizar previsotildees baseando-se neste comportamento
Dentre a famiacutelia de modelos destacam-se os Auto-Regressivos e os de Meacutedias Moacuteveis Aleacutem destes existem
ainda outras variaccedilotildees no qual satildeo tomadas d diferenccedilas de uma seacuterie natildeo estacionaacuteria visando tornaacute-la estacionaacuteria
(com meacutedia e variacircncia constantes ao longo do tempo) Existem ainda os modelos ARMA (Auto-Regressivos de Meacutedias
Moacuteveis) que satildeo utilizados quando natildeo haacute necessidade de realizar diferenciaccedilotildees para tornar a seacuterie estacionaacuteria
Outro modelo eacute conhecido como SARIMA (ou ARIMA Sazonal) que eacute utilizado para captar a sazonalidade de uma
seacuterie
Um benefiacutecio da utilizaccedilatildeo dos modelos Box-Jenkins estaacute relacionado ao fato do algoritmo do mesmo auxiliar o
usuaacuterio na escolha do melhor modelo por meio dos comportamentos dos graacuteficos da funccedilatildeo de autocorrelaccedilatildeo (FAC) e
da funccedilatildeo de autocorrelaccedilatildeo parcial (FACP)
A FAC eacute determinada atraveacutes da correlaccedilatildeo linear de cada valor yt da seacuterie de dados com outros valores em
lags distintos como yt-1 yt-2 e assim sucessivamente Assim o coeficiente de correlaccedilatildeo temporal (autocorrelaccedilatildeo) da
seacuterie temporal defasado por 1 2 ou mais periacuteodos eacute calculado pela seguinte equaccedilatildeo
n
1t
2
n
1tk
r
xx
xxxx
t
ktt
k (Equaccedilatildeo 11)
Na equaccedilatildeo anterior r1 indica como os valores sucessivos de x relacionam-se entre si r2 indica como os
valores de x defasados em dois periacuteodos relacionam-se entre si e assim sucessivamente Em conjunto as
autocorrelaccedilotildees defasadas em 1 2 k periacuteodos constituem a funccedilatildeo de autocorrelaccedilatildeo
A FACP por sua vez possui um conceito semelhante ao da FAC Eacute definida pela correlaccedilatildeo existente entre yt
e yt-2 por exemplo sem levar em consideraccedilatildeo os efeitos causados por yt-1 e yt-2 O coeficiente de autocorrelaccedilatildeo
parcial de ordem k definido por k pode ser obtido atraveacutes da estimaccedilatildeo dos coeficientes da regressatildeo muacuteltipla de x t
em funccedilatildeo de 1tx 2tx ktx conforme a proacutexima equaccedilatildeo
ktkttt xxxx 22110 (Equaccedilatildeo 12)
As autocorrelaccedilotildees parciais satildeo usadas para medir o grau de associaccedilatildeo entre as observaccedilotildees x t e xt-k quando
o efeito das outras observaccedilotildees defasadas no tempo em 1 2 k-1 periacuteodos satildeo removidas As autocorrelaccedilotildees
parciais 1 2 k constituem a FACP
Pelo fato deste processo permitir que usuaacuterios diferentes modelem diferentes equaccedilotildees a partir de uma mesma
seacuterie temporal pode existir certo grau de subjetividade na escolha do melhor modelo para a previsatildeo da seacuterie em
questatildeo
18
231 ndash Modelo ARMA (Auto-Regressivo a Meacutedia Moacutevel)
O modelo ARMA natildeo possui uma parte integrada Sendo assim satildeo utilizados para uma seacuterie temporal
estacionaacuteria com relaccedilatildeo agrave meacutedia e a variacircncia e satildeo definidos pelas equaccedilotildees a seguir
qtqttptptt eeexxcx 1111 (Equaccedilatildeo 13)
Existem restriccedilotildees aos valores cujos paracircmetros podem assumir nas equaccedilotildees anteriores a saber
Para p = 1 -1 lt 1 lt 1
Para p = 2 -1 lt 2 lt 1 1 + 2 lt 1 e 2 ndash 1 lt 1
Para p gt= 3 condiccedilotildees mais complexas prevalecem
Da mesma forma
Para q = 1 -1 lt 1 lt 1
Para q = 2 -1 lt 2 lt 1 1 + 2 lt 1 e 2 ndash 1 lt 1
Para p gt= 3 condiccedilotildees mais complexas prevalecem
Um dispositivo de notaccedilatildeo uacutetil eacute o operador de deslocamento retroativo definido por 1 tt xBx Assim B
operando sobre tx tem o efeito de deslocar os dados para traacutes em um periacuteodo Dessa forma
2
2)( ttt xxBBxB (Equaccedilatildeo 14)
Por meio da equaccedilatildeo acima que o modelo recebe a denominaccedilatildeo de Auto-Regressivo a Meacutedia Moacutevel (ARMA)
de ordens (pq) conforme expresso na equaccedilatildeo seguinte
t
MA
p
p
AR
t
p
p eBBcxBB
qp
)()(
11 11 (Equaccedilatildeo 15)
Os coeficientes 1 2 p e 1 2 q satildeo estimados para ajustarem-se agrave seacuterie temporal estudada
atraveacutes dos meacutetodos dos miacutenimos quadrados ou da maacutexima verossimilhanccedila A aplicaccedilatildeo do meacutetodo dos miacutenimos
quadrados eacute realizada atraveacutes de estimativas feitas iterativamente por softwares ateacute que soma dos erros quadraacuteticos
seja minimizada O meacutetodo da maacutexima verossimilhanccedila estima tambeacutem iterativamente os valores dos paracircmetros que
maximizem a verossimilhanccedila de um conjunto de observaccedilotildees
O modelo ARMA deve ter seus erros et distribuiacutedos aleatoriamente comportando-se como uma seacuterie de ruiacutedo
branco Os resiacuteduos natildeo satildeo ruiacutedo branco se as estatiacutesticas Q sugerida por Box-Pierce ou Q sugerida por Ljungndash
Box posicionarem-se no extremo 5 da cauda direita da distribuiccedilatildeo χ2 As expressotildees para caacutelculo das estatiacutesticas
Q de BoxndashPierce ou Q de Ljung-Box satildeo as seguintes
19
h
1k
2
k tnQ (Equaccedilatildeo 16)
h
1k
2
k
k-
r)2(
nnnQ (Equaccedilatildeo 17)
Onde
n = nuacutemero de observaccedilotildees da seacuterie
h = maacutexima defasagem dos coeficientes de correlaccedilatildeo dos resiacuteduos
Alguns autores apresentam procedimentos para identificaccedilatildeo das ordens p e q dos modelos ARMA por meio
dos graacuteficos das FAC e FACP como exemplificado no quadro a seguir
Modelo FAC FACP
ARMA (p0) Decaimento gradativo Decaimento brusco apoacutes defasagem p
ARMA (0q) Decaimento brusco apoacutes defasagem q Decaimento gradativo
ARMA (pq) Decaimento gradativo com onda
senoidal amortecida apoacutes a
defasagem (q-p)
Decaimento gradativo com onda
senoidal amortecida apoacutes a defasagem
(p-q)
Tabela 1 - Comportamento das FAC e FACP para Modelos Estacionaacuterios
Fonte Elaborado pelos Autores
232 ndash Modelo ARIMA
Em muitos casos as seacuteries temporais encontradas possuem tendecircncia apresentando um comportamento natildeo
estacionaacuterio No entanto para aplicar o meacutetodo de Box-Jenkins eacute necessaacuterio remover a tendecircncia da seacuterie atraveacutes da
diferenciaccedilatildeo ou seja aplicar sobre a mesma o operador (1 ndash B) no modelo ARMA conforme equaccedilatildeo a seguir
tttt xBxxx )1(1
(Equaccedilatildeo 18)
Desta forma a expressatildeo do modelo ARIMA (pdq) ndash auto regressivo integrado a meacutedia moacutevel de ordem p d
q eacute a expressatildeo do modelo ARMA (pq) acrescido do fator de diferenciaccedilatildeo de ordem d responsaacutevel pela descriccedilatildeo do
comportamento de tendecircncia da seacuterie conforme representado na equaccedilatildeo a seguir
t
MA
p
p
I
t
d
AR
p
p eBBcxBBB
qdp
)()()(
111 11 (Equaccedilatildeo 19)
233 ndash Modelo ARIMA Sazonal (SARIMA)
O comportamento mais geral de seacuteries histoacutericas natildeo estacionaacuterias eacute o que combina o padratildeo de tendecircncia
com o padratildeo de sazonalidade O meacutetodo de Box-Jenkins recomenda a remoccedilatildeo tanto da tendecircncia quanto da
sazonalidade das seacuteries diferenciando-a duas vezes Eacute recomendado que a diferenciaccedilatildeo sazonal sobre a seacuterie
20
original seja feita em primeiro lugar uma vez que em alguns casos sua aplicaccedilatildeo jaacute torna a seacuterie estacionaacuteria como
mostrado na expressatildeo a seguir (para uma seacuterie com nuacutemero de periacuteodos com ciclo sazonal igual a 12)
tttt xBxxx )1( 12
12
(Equaccedilatildeo 20)
Nos casos em que se torna necessaacuteria a segunda diferenciaccedilatildeo faz necessaacuteria aplicar o operador )1( B na
mesma conforme equaccedilatildeo a seguir
ttttt xBBxBxxx 12
1
11)1( (Equaccedilatildeo 21)
24 ndash MEacuteTODO DO AMORTECIMENTO EXPONENCIAL
Historicamente o amortecimento exponencial descreve uma classe de meacutetodos de previsatildeo De fato alguns
dos meacutetodos mais utilizados para esse fim satildeo baseados nesse conceito cada um deles utilizando a propriedade em
que os pesos das observaccedilotildees mais recentes satildeo maiores do que aqueles referentes a observaccedilotildees no passado
Assim o nome ldquoamortecimento exponencialrdquo reflete no fato de que os pesos (atraveacutes do uso da meacutedia ponderada)
diminuem exponencialmente agrave medida que as observaccedilotildees satildeo mais antigas
Os primeiros registros da utilizaccedilatildeo do meacutetodo satildeo de Robert G Brown em 1944 enquanto desenvolvia
trabalhos como analista de Pesquisa Operacional na Marinha Americana enquanto desenvolvia um dispositivo
mecacircnico para monitorar a velocidade e o acircngulo de tiros disparados de submarinos Em 1950 ele estendeu o uso
desse meacutetodo para seacuteries temporais discretas incluindo termos para lidar com as componentes de sazonalidade e
tendecircncia
Paralelamente Charles Holt tambeacutem estava trabalhando em um meacutetodo de amortecimento exponencial para o
Escritoacuterio Americano de Pesquisas Navais O seu trabalho em modelos sazonais aditivos e multiplicativos se tornaram
conhecidos atraveacutes de um artigo publicado por seu estudante Peter Winters em 1960 aplicando testes empiacutericos ao
meacutetodo de Holt Como resultado a versatildeo da ferramenta que trabalha com a componente sazonal eacute denominada de
Holt-Winters
Os modelos de suavizaccedilatildeo exponencial satildeo largamente utilizados devido a sua simplicidade e baixo custo
Assim quando se necessitam previsotildees para milhares de itens como eacute o caso em muitos sistemas de gestatildeo esses
modelos satildeo muitas vezes os uacutenicos suficientemente raacutepidos e baratos para assegurar uma implementaccedilatildeo viaacutevel
Dessa forma existem trecircs classes de meacutetodos de amortecimento exponencial a saber
1 ndash Seacuteries localmente constantes analisadas pelos modelos de meacutedias moacuteveis simples ou amortecimento
exponencial
2 ndash Seacuteries com tendecircncias que utilizam o modelo de Holt
3 ndash Seacuteries com comportamento sazonal que utilizam o modelo Holt-Winters
241 ndash Meacutetodos de Amortecimento Exponencial Simples
21
O meacutetodo de suavizaccedilatildeo exponencial simples tem melhor precisatildeo para seacuteries de padratildeo horizontal isto eacute
agravequelas que natildeo apresentam tendecircncia nem sazonalidade e eacute apropriado para previsotildees de curto prazo Seu algoritmo
de previsatildeo utiliza a seguinte expressatildeo da equaccedilatildeo
ttt xxx ˆ1ˆ1 (Equaccedilatildeo 22)
Onde
1ˆtx = previsatildeo para o periacuteodo t+1
α = constante de suavizaccedilatildeo cujo valor encontra-se entre 0 e 1
tx = uacuteltimo valor observado
tx = uacuteltimo valor observado com peso (1 ndash α)
Expandindo-se a expressatildeo acima pela substituiccedilatildeo de tx 1ˆtx 2
ˆtx por seus componentes resulta em
1113211ˆ)1()1(3)1(2)1(1ˆ xxxxxxx ttttttt (Equaccedilatildeo 23)
Assim 1ˆtx eacute uma meacutedia ponderada de todas as observaccedilotildees passadas constituindo os coeficientes de
ponderaccedilatildeo uma seacuterie decrescente exponencialmente para valores de α entre 0 e 1 Dessa constataccedilatildeo origina-se o
nome amortecimento exponencial Analisando-se a uacuteltima equaccedilatildeo verifica-se que a constante de suavizaccedilatildeo α
determina a rapidez do decaimento dos coeficientes (pesos) A escolha do valor para a constante de suavizaccedilatildeo pode
ser arbitraacuteria ou condicionada a algum criteacuterio que na maioria das vezes consiste na minimizaccedilatildeo do erro quadraacutetico
meacutedio atribuiacutedo ao desempenho do meacutetodo
A constante de suavizaccedilatildeo estaacute diretamente ligada agrave velocidade de resposta das previsotildees agraves variaccedilotildees das
observaccedilotildees ou seja quanto menor o valor de α mais lenta eacute a resposta Valores maiores que α causam reaccedilotildees
mais raacutepidas das previsotildees agraves variaccedilotildees das observaccedilotildees podendo causar instabilidade no desempenho do meacutetodo
Como o peso da primeira previsatildeo 1x eacute (1 ndash α)t verifica-se que menor importacircncia um fator teraacute para a
previsatildeo de t+1 quanto mais proacuteximo de um for e quanto maior for o t Como eacute necessaacuterio ter o valor de 1x eacute feita a
suposiccedilatildeo de que 1x = 1x ou seja igual agrave uacuteltima observaccedilatildeo O erro decorrente dessa suposiccedilatildeo seraacute tanto menor
quanto maiores forem α e t
Alternativamente a expressatildeo inicial desse item pode ser representada como
1ˆtx = tx + α( tx ndash tx ) (Equaccedilatildeo 24)
1ˆtx = tx + α te (Equaccedilatildeo 25)
Atraveacutes da anaacutelise da uacuteltima equaccedilatildeo pode-se concluir que o meacutetodo de suavizaccedilatildeo exponencial simples
prevecirc o valor de uma seacuterie temporal tomando a previsatildeo para o periacuteodo anterior e ajustando-a pelo valor do erro no
mesmo periacuteodo
22
242 ndash Meacutetodo de Holt
O meacutetodo de Holt pode ser utilizado de maneira satisfatoacuteria em seacuteries temporais com tendecircncia linear
mediante o uso de uma funccedilatildeo de ponderaccedilatildeo que daacute maior importacircncia aos periacuteodos de tempo mais recentes Seu
algoritmo de previsatildeo utiliza as seguintes expressotildees
))(1( 11 tttt TLxL (Equaccedilatildeo 26)
11 )1)(( tttt TLLT (Equaccedilatildeo 27)
mtx ˆ
tt mTL (Equaccedilatildeo 28)
Onde
mtx ˆ = previsatildeo para o periacuteodo t+m
= constantes de suavizaccedilatildeo com valor entre 0 e 1 que determinam a rapidez de decaimento dos pesos
da seacuterie quanto mais proacuteximo de um maior o peso das observaccedilotildees recentes
tL = estimativa do niacutevel da seacuterie no tempo t
tT = estimativa de declividade da seacuterie no tempo t
Como o meacutetodo de Holt baseia-se na aplicaccedilatildeo recursiva das expresses anteriores satildeo necessaacuterios tambeacutem
como dados de entrada tL e tT que podem ser considerados como 1L 1x e 1T 12 xx Outra forma de caacutelculo eacute a
regressatildeo linear simples aplicada aos dados da seacuterie temporal onde se obteacutem o valor da declividade da seacuterie temporal
e de 0L em sua origem
243 ndash Meacutetodo de Winters
Os meacutetodos de Winters dividem-se em dois grupos aditivo e multiplicativo No meacutetodo aditivo a amplitude da
variaccedilatildeo sazonal eacute constante ao longo do tempo ou seja a diferenccedila entre o maior e menor valor de demanda dentro
das estaccedilotildees permanece relativamente constante no tempo No meacutetodo multiplicativo a amplitude da variaccedilatildeo sazonal
aumente ou diminui como funccedilatildeo do tempo
2431 ndash Meacutetodo Sazonal Multiplicativo de Winters
))(1( 11
tt
t
t
t TLSS
xL (Equaccedilatildeo 29)
11 )1()( tttt TLLT (Equaccedilatildeo 30)
SSL
xS t
t
t
t
1 (Equaccedilatildeo 31)
mSSmTLx tttmt ˆ (Equaccedilatildeo 32)
23
Onde
mtx ˆ = previsatildeo para o periacuteodo t+m
= constantes de suavizaccedilatildeo que variam entre 0 e 1
tx = observaccedilatildeo mais recente
tL = estimativa do niacutevel de seacuterie no tempo t
tT = estimativa de declividade da seacuterie no tempo t
tS = componente de sazonalidade no tempo t
S = nuacutemero de subperiacuteodos do ano (sazonalidade)
A escolha de valores para as constantes de suavizaccedilatildeo eacute condicionada a algum criteacuterio que na maioria das
vezes consiste na minimizaccedilatildeo por meio do algoritmo de minimizaccedilatildeo linear do erro quadraacutetico meacutedio (MSE) atribuiacutedo
ao desempenho do meacutetodo
Como o meacutetodo multiplicativo de Winters baseia-se na aplicaccedilatildeo recursiva das equaccedilotildees deste item e que
deve ser iniciada em algum periacuteodo do passado no qual os valores de TL TT e TS devem ser estimados A maneira
mais simples de inicializar o niacutevel de tendecircncia no periacuteodo S O niacutevel eacute inicializado no primeiro periacuteodo sazonal da
seguinte forma
S
Sxxxx
SL
1
321
(Equaccedilatildeo 33)
Para inicializar a tendecircncia eacute conveniente o uso de dois ciclos completos isto eacute 2S periacuteodos como descrito
abaixo
S
xx
S
xx
S
xx
ST SSSSS
S 1 2211 (Equaccedilatildeo 34)
Por ultimo os iacutendices sazonais satildeo inicializados usando-se a razatildeo das primeiras observaccedilotildees como a meacutedia
do primeiro ano com descrito a seguir
S
xS
L
11
S
xS
L
22
S
S
s
xS
L (Equaccedilatildeo 35)
2432 ndash Meacutetodo Sazonal Aditivo de Winters
O meacutetodo aditivo de Winters eacute utilizado na modelagem dos dados sazonais no qual a amplitude do ciclo
sazonal permanece constante com o passar do tempo
Aleacutem disso a amplitude da variaccedilatildeo sazonal eacute constante ao longo do tempo ou seja a diferenccedila entre o maior
e o menor valor de demanda dentro das estaccedilotildees permanece relativamente constante no tempo As equaccedilotildees
matemaacuteticas satildeo
))(1()( 11 ttttt TLSSxL (Equaccedilatildeo 36)
24
11 )1()( tttt TLLT (Equaccedilatildeo 37)
Stttt SLxS )1()( St = γ(xt - Lt) + (1- γ)St-S (Equaccedilatildeo 38)
mStttmt SmTLx ˆ (Equaccedilatildeo 39)
A segunda equaccedilatildeo deste item eacute igual agravequela do meacutetodo multiplicativo de Winters O restante das equaccedilotildees se
diferem por iacutendice sazonais serem somados e subtraiacutedos ao inveacutes de serem tomados em produtos ou divisotildees
Os valores iniciais de SL e ST satildeo iguais aos do meacutetodo multiplicativo Os iacutendices sazonais satildeo inicializados da
seguinte forma
SLxS 11 SLxS 22 SSS LxS (Equaccedilatildeo 40)
25 ndash SELECcedilAtildeO DE MODELOS
A partir do momento em que vaacuterios modelos ajustam-se a uma seacuterie temporal deve-se eleger aquele que
melhor representa o seu comportamento por meio da anaacutelise de seus paracircmetros Neste trabalho os paracircmetros seratildeo
utilizados os seguintes paracircmetros de forma primordial na definiccedilatildeo do modelo mais apropriado
251 ndash Maacuteximo R2
A estatiacutestica R2 eacute definida por
n
1t
2
2n
1t2
ˆ
1
tt
tt
xx
xx
R (Equaccedilatildeo 41)
Onde
tx = observaccedilatildeo real para o periacuteodo t
tx = previsatildeo para o periacuteodo t
Uma medida de R2 mais proacutexima de zero indica um modelo com ajuste pobre enquanto que um valor proacuteximo
de um indica um bom ajuste
252 ndash Miacutenimo BIC (Bayesian Information Criterion)
Este criteacuterio penaliza os modelos com muitos paracircmetros sendo portanto um criteacuterio de verosimilhanccedila
penalisada Vale ressaltar que o BIC natildeo deve ser utilizado de forma isolada mas em conjunto com outros paracircmetros
na comparaccedilatildeo com diversos modelos
O BIC eacute definido pela seguinte expressatildeo
25
nm
nMSEBIC2
(Equaccedilatildeo 42)
nm
tt nxxn
BIC22
n
1t
ˆ1
(Equaccedilatildeo 43)
Onde
m = nuacutemero de paracircmetros do modelo
n = nuacutemero de observaccedilotildees da seacuterie temporal
3 - DESENVOLVIMENTO
31 ndash ANAacuteLISE DA SEacuteRIE
A seacuterie a seguir apresenta os dados quantitativos da evoluccedilatildeo do volume de produccedilatildeo de caminhotildees no Brasil
Tratam-se de dados mensais entre janeiro de 1957 e dezembro de 2011 totalizando 660 observaccedilotildees
5000
10000
15000
20000
60 65 70 75 80 85 90 95 0 5 10
Legend
PRODUCAO
Figura 2 - Seacuterie de Volume de Produccedilatildeo no Brasil
Fonte Elaborado pelos Autores 2012
26
32 ndash ANAacuteLISE DESCRITIVA
O primeiro passo foi a anaacutelise descritiva da seacuterie visando obter uma anaacutelise inicial para definir o modelo de
previsatildeo mais adequado agraves suas caracteriacutesticas
Utilizando o software Minitab obteve-se a seguinte tabela
Figura 3 - Estatiacutesticas Descritivas da Seacuterie Inicial
Fonte Minitab 2012
O coeficiente de correlaccedilatildeo de Pearson indica a razatildeo entre o desvio padratildeo e a meacutedia de uma seacuterie cujo
caacutelculo eacute representado por
CV = desvio padratildeomeacutedia
Introduzindo os valores do desvio padratildeo (3515) e da meacutedia da amostra (5560) na foacutermula anterior obteacutem-se o
seguinte resultado
CV = 35155560 = 06322 ~ 63 de grau de dispersatildeo
Essa medida eacute utilizada quando se pretende comparar duas ou mais distribuiccedilotildees de probabilidade quanto agraves
suas variabilidades atuando como uma medida de variabilidade relativa
Na teoria de probabilidade o grau de simetria eacute uma medida de assimetria da distribuiccedilatildeo de valores reais
aleatoacuterios O grau de simetria pode ser positivo ou negativo ou mesmo indefinido Qualitativamente um valor negativo
em que a cauda no lado esquerdo da funccedilatildeo de densidade de probabilidade eacute maior do que o lado direito e a maioria
dos valores tende ao lado direito da meacutedia De mesma forma um valor positivo indica que a cauda no lado direito eacute
maior do que o lado esquerdo e que a maioria dos valores tende ao lado esquerdo da meacutedia O valor zero indica que
valores relativos igualmente distribuiacutedos dos dois lados ao redor da meacutedia mas natildeo necessariamente implica em uma
distribuiccedilatildeo simeacutetrica
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de grau de simetria (skewness) O valor positivo do grau de
simetria indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa conforme apresentado no
histograma a seguir
27
dados
Fre
qu
en
cy
200001600012000800040000
120
100
80
60
40
20
0
Mean 5560
StDev 3515
N 660
Histogram (with Normal Curve) of dados
Figura 4 - Histograma da Seacuterie Inicial
Fonte SPSS 2012
De forma similar o conceito de curtose trata-se da uma medida de dispersatildeo para descriccedilatildeo da forma da
distribuiccedilatildeo de probabilidades e como o grau de simetria existem formas diferentes de quantificaacute-la como uma
distribuiccedilatildeo teoacuterica e formas correspondentes de estimaacute-la a partir de uma amostra oriunda de uma populaccedilatildeo Essa
medida indica o grau de achatamento curva de distribuiccedilatildeo de probabilidade
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de curtose (kurtosis) O valor positivo do grau de simetria
indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa O valor positivo indica um
comportamento leptocuacutertica indicando que a mesma eacute mais alta e mais concentrada que a distribuiccedilatildeo normal
O Teste de Normalidade realizado com 95 de niacutevel de confianccedila gerou um p-value nulo ou seja abaixo dos
5 de significacircncia Desta maneira a hipoacutetese nula de que os dados apresentariam uma distribuiccedilatildeo normal foi
rejeitada
Tests of Normality
105 660 000 860 660 000VAR00001
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 5 - Teste de Normalidade da Seacuterie Inicial
Fonte SPSS 2012
28
O teste de Kolmogorov-Smirnov eacute utilizado para determinar se duas distribuiccedilotildees de probabilidade diferem uma
da outra ou natildeo O graacutefico abaixo referente a este testem evidencia o comportamento da distribuiccedilatildeo frente ao
comportamento da distribuiccedilatildeo normal
dados
Pe
rce
nt
2500020000150001000050000-5000-10000
9999
99
95
80
50
20
5
1
001
Mean
lt0010
5560
StDev 3515
N 660
KS 0105
P-Value
Teste de Normalidade Kolmogorov-SmirnovNormal
Figura 6 - Teste de Kolmogorov-Smirnov para a Seacuterie Inicial
Fonte SPSS 2012
Assim faz-se necessaacuterio uma transformaccedilatildeo na seacuterie para adequaccedilatildeo dos dados para uma distribuiccedilatildeo
normal Para tal modificaccedilatildeo neste trabalho foi utilizada a distribuiccedilatildeo logariacutetmica na base 10
Apoacutes a transformaccedilatildeo o teste de normalidade foi realizado novamente (tambeacutem com 95 de significacircncia) O
resultado eacute apresentado na tabela a seguir
Tests of Normality
042 660 007 994 660 009log10
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 7 - Teste de Normalidade para a Seacuterie Transformada
Fonte SPSS 2012
Conforme pode ser observado na tabela acima o p-value foi proacuteximo de 001 menor que 005 Apesar do
pressuposto de normalidade dos dados natildeo ter sido alcanccedilado esta base de dados seraacute utilizada nas modelagens
para fins acadecircmicos e seraacute tomado como premissa que a distribuiccedilatildeo estaacute normalizada
29
O teste graacutefico de normalidade de Kolmogorov-Smirnov foi realizado para a distribuiccedilatildeo transformada O
graacutefico abaixo evidencia o comportamento dos dados da distribuiccedilatildeo frente ao comportamento da distribuiccedilatildeo normal
auxiliando na conclusatildeo do teste anterior
log 10
Pe
rce
nt
4540353025
9999
99
95
80
50
20
5
1
001
Mean
lt0010
3668
StDev 02593
N 660
KS 0042
P-Value
Teste de Normalidade Kolmogorov-Smirnov - log 10Normal
Figura 8 - Teste de Kolmogorov-Smirnov para a Seacuterie Transformada
Fonte SPSS 2012
A seguir tem-se o histograma da seacuterie transformada evidenciando a mudanccedila do comportamento dos dados
30
log 10
Fre
qu
en
cy
42403836343230
70
60
50
40
30
20
10
0
Mean 3668
StDev 02593
N 660
Histogram of log 10Normal
Figura 9 - Histograma da Seacuterie Transformada
Fonte SPSS 2012
O teste da igualdade de variacircncias eacute aplicado com o objetivo de verificar se devem ou natildeo ser assumidas
igualdade entre as variacircncias das populaccedilotildees Para isso foi utilizado na anaacutelise o Teste de Levene cujas hipoacuteteses
satildeo as seguintes
H0 as variacircncias nas duas populaccedilotildees satildeo iguais ou seja existe homocedasticidade (σ1 = σ2 ou σ1 = σ2 = 0)
Neste caso assume-se a estatiacutestica Sig F gt 005
H1 as variacircncias nas duas populaccedilotildees satildeo diferentes ou seja natildeo existe homocedasticidade (σ1 ne σ2 ou σ1 ne
σ2 ne 0) Neste caso assume-se a estatiacutestica Sig F lt ou = 005
Para a realizaccedilatildeo do teste dividiu-se a populaccedilatildeo em dois grupos iguais (grupos denominados como 0 e 1
cada um com 330 unidades) Os resultados satildeo os seguintes
31
Group Statistics
330 35473 23553 01297
330 37896 22313 01228
Teste de Lev ene0
1
log10N Mean Std Dev iation
Std Error
Mean
Independent Samples Test
5981 015 -13569 658 000 -24235 01786 -27742 -20728
-13569 656086 000 -24235 01786 -27742 -20728
Equal variances
assumed
Equal variances
not assumed
log10F Sig
Lev enes Test for
Equality of Variances
t df Sig (2-tailed)
Mean
Dif f erence
Std Error
Dif f erence Lower Upper
95 Conf idence
Interv al of the
Dif f erence
t-test f or Equality of Means
Figura 10 - Teste de Homocedasticidade para a Seacuterie Transformada
Fonte SPSS 2012
Pelo resultado do teste pode-se verificar que o valor de ldquoSigrdquo (referente ao p-value) foi de 0015 onde se
conclui que a hipoacutetese nula que leva em consideraccedilatildeo que a variacircncia da seacuterie eacute constante pode ser aceita
33 ndash MODELOS DE PREVISAtildeO
Neste trabalho seratildeo analisados os seguintes modelos de previsatildeo
1 ndash Box Jenkins
2 ndash Suavizaccedilatildeo Exponencial
Para determinar o modelo de previsatildeo mais adequado foi utilizado o software Forecast Pro for Windows (FPW)
Todas as previsotildees foram realizadas utilizando a seacuterie com a variaacutevel transformada a fim de atender o
pressuposto de normalidade da seacuterie necessaacuterio nos modelos de previsatildeo
32
Figura 11 - Seleccedilatildeo da Seacuterie para a Previsatildeo
Fonte FPW 2012
331 ndash Box-Jenkins
Apoacutes a apresentaccedilatildeo e anaacutelises dos pressupostos necessaacuterios para a aplicaccedilatildeo do modelo Box-Jenkins seratildeo
realizadas as anaacutelises que demonstram a funccedilatildeo de autocorrelaccedilatildeo (FAC) e funccedilatildeo de autocorrelaccedilatildeo parcial (FACP)
Figura 12 - FAC da Seacuterie
Fonte FPW 2012
33
Figura 13 - FACP da Seacuterie
Fonte FPW 2012
Nota-se na Figura XXX FAC da seacuterie que a seacuterie decai muito lentamente indicando tendecircncia logo faz-se
necessaacuterio realizar uma diferenciaccedilatildeo na parte simples
Apoacutes a diferenciaccedilatildeo obtiveram-se os seguintes novos graacuteficos para a funccedilatildeo de autocorrelaccedilatildeo e funccedilatildeo de
autocorrelaccedilatildeo parcial
Figura 14 - FAC da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
34
Figura 15 - FACP da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
Apoacutes a realizaccedilatildeo da diferenciaccedilatildeo os seguintes modelos foram testados
1 ndash ARIMA (110)
2 ndash ARIMA (011)
3 ndash ARIMA (210)
4 ndash ARIMA (012)
5 ndash ARIMA (111)
A seguir cada modelo seraacute demonstrado
1 ndash ARIMA (110)
Figura 16 - Resultado ARIMA (110)
Fonte FPW 2012
35
Figura 17 - FAC dos Resiacuteduos ARIMA (110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08746) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel a(1) foi considerada significativa
2 - ARIMA (011)
Figura 18 - Resultado ARIMA (011)
Fonte FPW 2012
36
Figura 19 - FAC dos Resiacuteduos ARIMA (011)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel b(1) foi considerada significativa
3 - ARIMA (210)
Figura 20 - Resultado ARIMA (210)
Fonte FPW 2012
37
Figura 21 - FAC dos Resiacuteduos ARIMA (210)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08765) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
4 - ARIMA (012)
Figura 22 - Resultado ARIMA (012)
Fonte FPW 2012
38
Figura 23 - FAC dos Resiacuteduos ARIMA (012)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08777) com lag significativo nas fases 12 24 e 36 no graacutefico da FAC dos
resiacuteduos As variaacuteveis b(1) e b(2) foram consideradas significativas
5 - ARIMA (111)
Figura 24 - Resultado ARIMA (111)
Fonte FPW 2012
39
Figura 25 - FAC dos Resiacuteduos ARIMA (111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08811) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e b(1) foi considerada significativa
Observando os resultados obtidos nos cinco modelos anteriores fica evidente a semelhanccedila da presenccedila dos
lags significativos nas fases 12 24 e 36 no graacutefico da FAC dos resiacuteduos indicando a existecircncia de sazonalidade na
seacuterie modelada Assim torna-se necessaacuterio diferenciar a fase sazonal dos dados
Apoacutes a diferenciaccedilatildeo simples foram realizadas as seguintes diferenciaccedilotildees sazonais obtendo-se os seguintes
resultados para os modelos SARIMA
6 ndash SARIMA (011)(010)
Figura 26 - Resultado SARIMA (011)(010)
Fonte FPW 2012
40
Figura 27 - FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel b(1) foi considerada significativa
7 ndash SARIMA (110)(010)
Figura 28 - Resultado SARIMA (011)(010)
Fonte FPW 2012
41
Figura 29 - FAC dos Resiacuteduos SARIMA (011)(010)
Figura 29 ndash FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08305) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel a(1) foi considerada significativa
8 ndash SARIMA (210)(010)
Figura 30 - Resultado SARIMA (210)(010)
Fonte FPW 2012
42
Figura 31 - FAC dos Resiacuteduos SARIMA (210)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08337) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
9 ndash SARIMA (012)(010)
Figura 32 - Resultado SARIMA (012)(010)
Fonte FPW 2012
43
Figura 33 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
10 ndash SARIMA (111)(010)
Figura 34 - Resultado SARIMA (111)(010)
Fonte FPW 2012
44
Figura 35 - FAC dos Resiacuteduos SARIMA (111)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 12 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1
11 ndash SARIMA (011)(110)
Figura 36 - Resultado SARIMA (011)(110)
Fonte FPW 2012
45
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08623) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis A(12) e b(1) foram consideradas significativas
12 ndash SARIMA (110)(110)
Figura 38 - Resultado SARIMA (011)(110)
Fonte FPW 2012
46
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08595) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e A(12) foram consideradas significativas
13 ndash SARIMA (210)(110)
Figura 40 - Resultado SARIMA (210)(110)
Fonte FPW 2012
47
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08620) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) a(2) e A(12) foram consideradas significativas
14 ndash SARIMA (012)(010)
Figura 42 - Resultado SARIMA (012)(010)
Fonte FPW 2012
48
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08625) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
15 ndash SARIMA (111)(110)
Figura 44 - Resultado SARIMA (111)(110)
Fonte FPW 2012
49
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08626) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 24 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1 e MA = 1
16 ndash SARIMA (011)(111)
Figura 46 - Resultado SARIMA (011)(111)
Fonte FPW 2012
50
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) e B(12) foram consideradas significativas pelo modelo
17 ndash SARIMA (110)(111)
Figura 48 - Resultado SARIMA (110)(111)
Fonte FPW 2012
51
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09010) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) e B(12) foram consideradas significativas pelo modelo
18 ndash SARIMA (210)(111)
Figura 50 - Resultado SARIMA (210)(111)
Fonte FPW 2012
52
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) a(12) e B(12) foram consideradas significativas pelo modelo
19 ndash SARIMA (012)(111)
Figura 52 ndash Resultado SARIMA (012)(111)
Fonte FPW 2012
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
3
AGRADECIMENTO
Agradecemos ao amigo Fernando Cyrino pela paciecircncia e disposiccedilatildeo em ensinar e nos ajudar na aplicaccedilatildeo dos
conhecimentos em Modelos de Previsatildeo para concluir este trabalho
ii
4
Resumo de Trabalho de Conclusatildeo de Curso apresentado agrave Coordenaccedilatildeo do Curso de Meacutetodos Estatiacutesticos
Computacionais como parte dos requisitos necessaacuterios para conclusatildeo do curso
MEacuteTODOS DE PREVISAtildeO APLICADOS A UMA SEacuteRIE DE VOLUME DE PRODUCcedilAtildeO DE CAMINHOtildeES
Isaac dos Santos Lourenccedilo
Luis de Oliveira Nascimento
Julho2012
Orientador Reinaldo Castro Souza
Co-orientador Fernando Luiz Cyrino Oliveira
Curso Poacutes-Graduaccedilatildeo em Meacutetodos Estatiacutesticos Computacionais
Este trabalho visa definir um modelo de previsatildeo de demanda para o volume mensal de caminhotildees produzidos no
Brasil Este produto eacute classificado como um bem de produccedilatildeo e seu consumo estaacute relacionado a fatores econocircmicos e
poliacuteticos tais como obras de infraestruturas iacutendices globais de produccedilatildeo industrial incentivos fiscais e linhas de creacutedito
para a renovaccedilatildeo de frota Com o iniacutecio na norma regulamentadora Proconve 7 os veiacuteculos passam a ser equipados
com a nova motorizaccedilatildeo Euro 5 e neste cenaacuterio torna-se importante realizar a previsatildeo de demanda para o volume de
produccedilatildeo em funccedilatildeo da mudanccedila estrutural em custos e tecnologia do produto frente ao comportamento do mercado
Neste trabalho seratildeo analisados os modelos e meacutetodos de Box-Jenkins e Amortecimento Exponencial Dentre os
modelos possiacuteveis analisados seraacute adotado o modelo mais adequado agrave seacuterie atraveacutes das anaacutelises do coeficiente de
determinaccedilatildeo R2-Ajustado e dos paracircmetros MAPE e BIC Por fim para verificar a eficiecircncia do modelo escolhido foi
realizada uma previsatildeo de trecircs meses para o ano de 2012
Palavras-chaves Previsatildeo Amortecimento Exponencial Box-Jenkins Proconve7
iii
5
Paper Abstract presented to the Statistics Deparment Coordination at Juiz de Fora Federal State University as a part to
fulfill the requirements for the Forecasting Computer Methods Course
FORECASTING METHODS APPLIED TO A TIME SERIES RELATED TO TRUCKSrsquoPRODUCTION VOLUME
Isaac dos Santos Lourenccedilo
Luis de Oliveira Nascimento
July2012
Advisor Reinaldo Castro Souza
Co-Advisor Fernando Luiz Cyrino Oliveira
Course Forecasting Computer Methods
This paper aims to define a forecasting model to trucksrsquo monthly production volume produced in Brazil This product is
classified as an industrial asset and its consumption is related to economics and politics scenarios like government
structure constructions industrial monthly global index taxes incentives and available credit to fleet renewal With the
beginning of the government standard Proconve 7 all the trucks are now equipped with the new Euro 5 powertrain
system in this scenario it is important build a forecasting model to the trucksrsquo production volume to analyze how the
market will behave with the trucks new costs and structure In this paper will be analyzed the models and methods of
Box-Jenkins and Exponential Smoothing families Among all possible analyzed models it will be adopted as the ideal
model through the analysis of the determination coefficient R2-Adjusted and MAPE and BIC parameters In the
conclusion the forecasting for three months of 2012 will be done to check the chosen model efficiency
Key-words Forecasting Exponential Smoothing Box-Jenkins Proconve7
iv
6
LISTA DE TABELAS
Tabela 1 - Comportamento das FAC e FACP para Modelos Estacionaacuterios 19
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins 54
Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial 59
Tabela 4 ndash Comparaccedilatildeo de Resultados Globais 59
v
7
LISTA DE FIGURAS
Figura 1 - Fechamento da Quantidade de Veiacuteculos Licenciados em 2011 12
Figura 2 - Seacuterie de Volume de Produccedilatildeo no Brasil 25
Figura 3 - Estatiacutesticas Descritivas da Seacuterie Inicial 26
Figura 4 - Histograma da Seacuterie Inicial 27
Figura 5 - Teste de Normalidade da Seacuterie Inicial 27
Figura 6 - Teste de Kolmogorov-Smirnov para a Seacuterie Inicial 28
Figura 7 - Teste de Normalidade para a Seacuterie Transformada 28
Figura 8 - Teste de Kolmogorov-Smirnov para a Seacuterie Transformada 29
Figura 9 - Histograma da Seacuterie Transformada 30
Figura 10 - Teste de Homocedasticidade para a Seacuterie Transformada 31
Figura 11 - Seleccedilatildeo da Seacuterie para a Previsatildeo 32
Figura 12 - FAC da Seacuterie 32
Figura 13 - FACP da Seacuterie 33
Figura 14 - FAC da Seacuterie com Diferenciaccedilatildeo Simples = 1 33
Figura 15 - FACP da Seacuterie com Diferenciaccedilatildeo Simples = 1 34
Figura 16 - Resultado ARIMA (110) 34
Figura 17 - FAC dos Resiacuteduos ARIMA (110) 35
Figura 18 - Resultado ARIMA (011) 35
Figura 19 - FAC dos Resiacuteduos ARIMA (011) 36
Figura 20 - Resultado ARIMA (210) 36
Figura 21 - FAC dos Resiacuteduos ARIMA (210) 37
Figura 22 - Resultado ARIMA (012) 37
Figura 23 - FAC dos Resiacuteduos ARIMA (012) 38
Figura 24 - Resultado ARIMA (111) 38
Figura 25 - FAC dos Resiacuteduos ARIMA (111) 39
Figura 26 - Resultado SARIMA (011)(010) 39
Figura 27 - FAC dos Resiacuteduos SARIMA (011)(010) 40
Figura 28 - Resultado SARIMA (011)(010) 40
Figura 29 - FAC dos Resiacuteduos SARIMA (011)(010) 41
Figura 30 - Resultado SARIMA (210)(010) 41
Figura 31 - FAC dos Resiacuteduos SARIMA (210)(010) 42
Figura 32 - Resultado SARIMA (012)(010) 42
vi
8
Figura 33 - FAC dos Resiacuteduos SARIMA (012)(010) 43
Figura 34 - Resultado SARIMA (111)(010) 43
Figura 35 - FAC dos Resiacuteduos SARIMA (111)(010) 44
Figura 36 - Resultado SARIMA (011)(110) 44
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110) 45
Figura 38 - Resultado SARIMA (011)(110) 45
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110) 46
Figura 40 - Resultado SARIMA (210)(110) 46
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110) 47
Figura 42 - Resultado SARIMA (012)(010) 47
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010) 48
Figura 44 - Resultado SARIMA (111)(110) 48
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110) 49
Figura 46 - Resultado SARIMA (011)(111) 49
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111) 50
Figura 48 - Resultado SARIMA (110)(111) 50
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111) 51
Figura 50 - Resultado SARIMA (210)(111) 51
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111) 52
Figura 52 ndash Resultado SARIMA (012)(111) 52
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111) 53
Figura 54 ndash Resultado SARIMA (111)(111) 53
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111) 54
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade 55
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade 55
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt) 56
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade 56
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters) 57
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters) 57
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva 58
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva 58
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111) 60
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111) 61
vii
9
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111) 61
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111) 62
SUMAacuteRIO
ix
viii
10
1 ndash INTRODUCcedilAtildeO 10
11 ndash CONSIDERACcedilOtildeES INICIAIS 11
12 ndash OBJETIVO 13
13 ndash JUSTIFICATIVAS 13
14 ndash CONDICcedilOtildeES DE CONTORNO 13
15 ndash METODOLOGIA 13
2 ndash REVISAtildeO BIBLIOGRAacuteFICA 14
21 ndash SEacuteRIES TEMPORAIS 14
22 ndash PREVISAtildeO DE SEacuteRIES TEMPORAIS 14
23 ndash MODELO BOX-JENKINS 17
231 ndash Modelo ARMA (Auto-Regressivo a Meacutedia Moacutevel) 18
232 ndash Modelo ARIMA 19
233 ndash Modelo ARIMA Sazonal (SARIMA) 19
24 ndash MEacuteTODO DO AMORTECIMENTO EXPONENCIAL 20
241 ndash Meacutetodos de Amortecimento Exponencial Simples 20
242 ndash Meacutetodo de Holt 22
243 ndash Meacutetodo de Winters 22
25 ndash SELECcedilAtildeO DE MODELOS 24
251 ndash Maacuteximo R2 24
252 ndash Miacutenimo BIC (Bayesian Information Criterion) 24
3 - DESENVOLVIMENTO 25
31 ndash ANAacuteLISE DA SEacuteRIE 25
32 ndash ANAacuteLISE DESCRITIVA 26
33 ndash MODELOS DE PREVISAtildeO 31
331 ndash Box-Jenkins 32
332 ndash Amortecimento Exponencial 55
34 ndash COMPARACcedilAtildeO ENTRE MODELOS 59
4 - CONCLUSAtildeO 60
41 ndash PREVISAtildeO FINAL 60
42 ndash CONSIDERACcedilOtildeES FINAIS 62
5 - REFEREcircNCIAS 63
1 ndash INTRODUCcedilAtildeO
11
11 ndash CONSIDERACcedilOtildeES INICIAIS
A junccedilatildeo de dois fatores de extrema importacircncia faz a induacutestria de veiacuteculos comerciais acelerar suas vendas a
aproximaccedilatildeo da entrada da nova legislaccedilatildeo brasileira de emissatildeo de gases estabelecendo o padratildeo Euro 5 a partir de
janeiro de 2012 e a virada para um ano eleitoral
A Associaccedilatildeo Nacional dos Fabricantes de Veiacuteculos Automotores (ANFAVEA) do Brasil fundada em 15 de
maio de 1956 reuacutene empresas fabricantes de autoveiacuteculos (automoacuteveis comerciais leves caminhotildees ocircnibus) e
maacutequinas agriacutecolas automotrizes (tratores de rodas e de esteiras colheitadeiras e retroescavadeiras) com instalaccedilotildees
industriais no Brasil
A entidade tem atribuiccedilatildeo de estudar temas da induacutestria e do mercado de veiacuteculos e maacutequinas agriacutecolas
automotrizes aleacutem de coordenar e defender os interesses coletivos das empresas associadas Ainda eacute responsaacutevel
por patrocinar exposiccedilotildees automotivas e outros eventos de caraacuteter institucional
Segundo a ANFAVEA o mercado de caminhotildees se divide da seguinte forma
Semileves 35 ton lt PBT lt 6 ton
Leves 6 ton PBT lt 10 ton
Meacutedio 10 ton PBT lt 15 ton
Semi Pesados PBT 15 ton
Entende-se por Peso Bruto Total (PBT) o peso maacuteximo transmitido ao pavimento pela combinaccedilatildeo de um
caminhatildeo-trator mais seu semi-reboque ou do caminhatildeo mais os seus reboques Um caminhatildeo trator eacute um veiacuteculo
automotor destinado a tracionar ou arrastar outro e um semi-reboque eacute um veiacuteculo de um ou mais eixos que se apoia
na sua unidade tratora ou eacute a ela ligado por meio de articulaccedilatildeo
As montadoras de caminhotildees que operam no Brasil fabricaram 138 mais veiacuteculos em 2011 do que em 2010
Segundo dados da ANFAVEA em seu balanccedilo anual Aleacutem disso a produccedilatildeo atendeu ao aumento de demanda por
conta da elevaccedilatildeo de preccedilos devido agrave entrada em vigor da norma Proconve 7 Euro 5
Com o crescimento a produccedilatildeo de caminhotildees no mercado brasileiro somou 216270 unidades em 2011 ante
as 189941 de 2010 Apesar dessa expansatildeo as vendas somaram 172902 unidades ou seja quase 80 da produccedilatildeo
foi vendida no mercado interno Outras 26321 unidades foram vendidas ao mercado internacional o que leva a um
estoque de pouco mais de 17 mil caminhotildees
Os veiacuteculos mais fabricados no ano foram os semipesados e pesados com 74927 e 65542 veiacuteculos
representando 346 e 303 do total saiacutedo das linhas de montagem brasileiras O crescimento no ano foi de 193 e
84 quando comparados ao mesmo periacuteodo do ano passado
Em relaccedilatildeo agraves campeatildes de vendas a MAN Latin America (que fabrica e comercializa caminhotildees da marca
proacutepria e da Volkswagen) confirmou a lideranccedila de mercado pelo nono ano consecutivo De acordo com os dados de
licenciamentos da ANFAVEA a empresa vendeu 50815 veiacuteculos cerca de 30 do mercado nacional um
crescimento de 122 ante 2010 A segunda colocada eacute a Mercedes-Benz que encerrou 2011 com a comercializaccedilatildeo
de 42623 veiacuteculos alta de 43 no periacuteodo Em terceiro aparece a Ford com 30354 em quarto a Volvo com 19069
crescimento de 245 em quinto a Iveco com 14246 caminhotildees no ano expansatildeo de 186 A Scania ficou em
sexto lugar no mercado brasileiro com a comercializaccedilatildeo de 13484 unidades O restante das vendas ficou dividido
entre as marcas Agrale Hyundai e International
Com relaccedilatildeo aos licenciamento totais em 2011 a figura a seguir retrata o fechamento do ano de 2011
12
Figura 1 - Fechamento da Quantidade de Veiacuteculos Licenciados em 2011
Fonte ANFAVEA
Em termos de crescimento sobre as vendas do ano passado os semipesados apresentaram a maior alta com
169 os leves vecircm a seguir com expansatildeo de 131 seguido dos semileves com 109 de vendas a mais em
comparaccedilatildeo a 2010 As vendas de caminhotildees na categoria meacutedios ficaram 28 maiores enquanto que os pesados
ostentaram a menor alta apenas 09 quando comparadas as vendas de 2010 Enquanto isso as vendas de
importados fecharam 2011 com um impressionante crescimento de 469 ante 2010 sendo os pesados os que mais
entraram no Brasil com 2774 unidades das pouco mais de quatro mil importaccedilotildees de caminhotildees representando um
crescimento de mais de 115
No iniacutecio de Janeiro de 2012 passou a vigorar a seacutetima ediccedilatildeo do Proconve (Programa de Controle de Poluiccedilatildeo
do Ar por Veiacuteculos Automotores) Eacute um programa criado em 1986 pelo CONAMA com os objetivos de reduzir as
emissotildees de veiacuteculos novos desenvolver tecnologia nacional e melhorar a qualidade dos combustiacuteveis Eacute aplicado a
veiacuteculos leves e pesados como os caminhotildees
Para atender a resoluccedilatildeo do Proconve 7 as montadoras estatildeo implementando novos sistema de motorizaccedilatildeo
combustatildeo e exaustatildeo dos combustiacuteveis em seus veiacuteculos conhecidos como Euro 5 Com o ganho tecnoloacutegico e
ambiental satildeo tambeacutem agregados custos entre 10 e 20 aos veiacuteculos
Com a entrada da nova legislaccedilatildeo Proconve 7 e o aumento no preccedilo dos veiacuteculos devido agrave motorizaccedilatildeo Euro
5 a retraccedilatildeo no mercado eacute eminente Isso ocorre pelo fato dos caminhotildees serem bens de produccedilatildeo e a disponibilidade
dos veiacuteculos Euro 3 mais poluentes e mais baratos no mercado faz-se com que o fenocircmeno do pre-buying antecipe a
renovaccedilatildeo da frota para antes de janeiro com eminente queda na produccedilatildeo para o primeiro semestre de 2012 motivo
pelo qual se torna importante conhecer a previsatildeo demanda do volume total de produccedilatildeo de caminhotildees
13
12 ndash OBJETIVO
O objetivo desse trabalho eacute o de comparar a utilizaccedilatildeo de meacutetodos de previsatildeo de demanda e definir qual
deveraacute ser aplicado para a previsatildeo do volume de produccedilatildeo de caminhotildees a partir da base de dados da ANFAVEA
13 ndash JUSTIFICATIVAS
O processo de previsatildeo de demanda por seacuteries temporais utiliza dados passados e presentes para obter dados
futuros por meio de modelos descritos e ajustados das variaacuteveis em questatildeo
As seacuteries temporais satildeo observaccedilotildees de variaacuteveis que podem ser de vaacuterios campos da economia Exemplos
de tais variaacuteveis satildeo taxas de inflaccedilatildeo iacutendices de accedilotildees taxas de desemprego e participaccedilatildeo de uma empresa em
determinado mercado Frequentemente os modelos de previsatildeo para essas taxas satildeo utilizados para determinar as
poliacuteticas e objetivos que guiaratildeo as empresas e instituiccedilotildees
A anaacutelise das seacuteries temporais pode evidenciar uma variedade de padrotildees e comportamentos Tipicamente
muitos agregados macroeconocircmicos tais como produccedilatildeo industrial consumo e salaacuterios mostram comportamentos que
evidenciam tendecircncias de crescimento
Assim aleacutem de buscar o melhor modelo de previsatildeo aplicado ao volume de produccedilatildeo de caminhotildees no Brasil
o presente trabalho tambeacutem tem o objetivo de evidenciar os padrotildees e comportamentos desta seacuterie
14 ndash CONDICcedilOtildeES DE CONTORNO
Este trabalho trataraacute da previsatildeo do volume de produccedilatildeo mensal de caminhotildees no Brasil Para definir o modelo
de previsatildeo mais adequado seratildeo utilizados dados mensais entre janeiro de 1957 e dezembro de 2011
Seratildeo abordados neste trabalho os modelos Box-Jenkins e a teacutecnica do Amortecimento Exponencial para
definir a melhor modelagem para seacuterie abordada
15 ndash METODOLOGIA
O desenvolvimento deste trabalho foi realizado em seis etapas a primeira consistiu da revisatildeo da literatura
sobre seacuteries temporais previsatildeo de demanda e volume de produccedilatildeo de caminhotildees no Brasil
Na segunda etapa foi realizada a coleta de dados referente aos volumes de produccedilatildeo para o periacuteodo estudado
A terceira etapa por sua vez consistiu na realizaccedilatildeo das anaacutelises descritivas para o entendimento do comportamento
da seacuterie
A quarta etapa envolveu os testes com os modelos e meacutetodos de previsatildeo bem como a geraccedilatildeo das
previsotildees Na quinta etapa foram analisados os modelos de previsatildeo obtidos definindo qual seria o modelo mais
adequado
A uacuteltima etapa eacute composta pelo fechamento do trabalho incluindo as anaacutelises do modelo proposto bem como
as recomendaccedilotildees para trabalhos futuros
14
2 ndash REVISAtildeO BIBLIOGRAacuteFICA
21 ndash SEacuteRIES TEMPORAIS
Uma seacuterie temporal pode ser definida como um conjunto de observaccedilotildees de uma variaacutevel observadas
sequencialmente no tempo Assim a variaacutevel eacute verificada em intervalos de tempo equidistantes e a correlaccedilatildeo entre os
diversos pontos da seacuterie gera a caracteriacutestica de dependecircncia entre eles Levando em consideraccedilatildeo que a seacuterie
temporal tambeacutem pode ser definida como as provaacuteveis trajetoacuterias para um determinado processo faz com que os
dados da mesma natildeo sejam apenas correlacionados mas oriundos tambeacutem de um processo estocaacutestico no qual eacute
observado uma das trajetoacuterias
A anaacutelise da seacuterie temporal por sua vez inicia-se a partir da descriccedilatildeo dos fenocircmenos e processos que a
originam Um fator importante que tambeacutem deve ser estudado eacute a dependecircncia entre as observaccedilotildees
Segundo Makridakis et al (1998) existem quatro tipos de padrotildees de seacuteries temporais
1 - Horizontal quando os valores dos dados flutuam ao redor de uma meacutedia constante
2 - Inclinado (tendecircncia) quando se verifica um crescimento ou decreacutescimo em longo prazo no valor dos
dados
3 - Ciacuteclico estaacute presente em uma seacuterie temporal quando os dados exibem crescimentos e quedas que natildeo se
repetem em um intervalo de tempo fixo
4 - Sazonal padratildeo sazonal existe quando uma seacuterie temporal eacute influenciada por fatores sazonais isto eacute que
se repetem a intervalos de tempos iguais
Adicionalmente uma seacuterie temporal eacute considerada natildeo linear quando pelo menos sua variacircncia natildeo eacute
constante ou sua meacutedia natildeo eacute constante Assim basta que pelo menos uma das duas caracteriacutesticas esteja presente
no comportamento da seacuterie para ser considerada natildeo linear
Para a utilizaccedilatildeo dos dados nos modelos Box-Jenkins faz-se necessaacuterio garantir o pressuposto em que a
meacutedia e a variacircncia sejam constantes no tempo Quando a meacutedia possui variaccedilatildeo a uma taxa constante a seacuterie eacute
definida como natildeo estacionaacuteria Esta variaccedilatildeo por sua vez pode ocorrer a uma taxa constante dentro de um ciclo
chamada de natildeo-estacionariedade sazonal
As funccedilotildees de autocorrelaccedilatildeo e autocorrelaccedilatildeo parcial satildeo mecanismos adotados dentro dos modelos Box-
Jenkins com a funccedilatildeo de identificar mecanismos relativos a natildeo-estacionariedade das seacuteries em estudo
22 ndash PREVISAtildeO DE SEacuteRIES TEMPORAIS
Para a previsatildeo de seacuteries temporais podem ser empregados modelos e meacutetodos que se diferenciam da
seguinte forma um modelo de previsatildeo eacute aquele que utiliza uma ou mais equaccedilotildees para representar a estrutura
aleatoacuteria da seacuterie temporal Jaacute um meacutetodo eacute uma combinaccedilatildeo de uma rotina de estimaccedilatildeo e um modelo (assim torna-
se necessaacuterio uma rotina preacutevia de identificaccedilatildeo do modelo adequado) Pelo fato dos modelos atraveacutes de suas
caracteriacutesticas serem muitos especiacuteficos a grande maioria foi desenvolvida para padrotildees de seacuteries temporais
anteriormente mencionados
As teacutecnicas de previsatildeo satildeo distribuiacutedas em dois grupos meacutetodos qualitativos e quantitativos Os meacutetodos
qualitativos satildeo aplicados quando existe conhecimento acumulado sobre o processo ou fenocircmeno em estudo havendo
15
a necessidade do julgamento por meio de especialistas principalmente quando natildeo existe uma seacuterie histoacuterica para ser
estudada
Os meacutetodos quantitativos utilizam dados histoacutericos e modelos matemaacuteticos para prever comportamentos
futuros As teacutecnicas quantitativas dividem-se em dois subgrupos seacuteries temporais (ou meacutetodos univariaacuteveis) e modelos
causais (multivariaacuteveis) As seacuteries temporais utilizam dados histoacutericos de demanda como base para determinaccedilatildeo de
padrotildees que podem se repetir no futuro Exemplos satildeo as teacutecnicas de seacuteries temporais e o amortecimento exponencial
Jaacute os modelos causais satildeo aqueles que buscam relacionar as demandas (variaacutevel dependente) com outros fatores
(variaacutevel independente) como fatores macroeconocircmicos como o PIB inflaccedilatildeo clima entre outros Para isso torna-se
necessaacuterio a utilizaccedilatildeo de regressotildees lineares e natildeo lineares
A aplicaccedilatildeo dos meacutetodos quantitativos depende de trecircs fatores
1 ndash Disponibilidade de informaccedilotildees histoacutericas
2 ndash Quantificaccedilatildeo das informaccedilotildees histoacutericas em seacuteries temporais
3 ndash Recorrecircncia no futuro de padrotildees observados nas informaccedilotildees histoacutericas
A condiccedilatildeo de recorrecircncia eacute conhecida como suposiccedilatildeo de continuidade e eacute uma premissa de todos os
meacutetodos quantitativos e alguns meacutetodos qualitativos
As caracteriacutesticas dos meacutetodos claacutessicos satildeo a mensuraccedilatildeo probabiliacutestica de erro da previsatildeo e uma
metodologia menos subjetiva para a obtenccedilatildeo dos modelos Neste grupo de modelos estaacute inserido o de Box-Jenkins
Um modelo claacutessico supotildee que a seacuterie temporal zt onde t = 1 N possa ser escrito como uma soma (modelo
aditivo) por meio da seguinte equaccedilatildeo
tttt aSTz (Equaccedilatildeo 1)
Ou ainda possa ser escrito como uma multiplicaccedilatildeo (modelo multiplicativo) da seguinte forma
tttt aSTz (Equaccedilatildeo 2)
Onde
tT = denotaccedilatildeo para tendecircncia
tS = denotaccedilatildeo para componente sazonal
ta = denotaccedilatildeo para termo aleatoacuterio
Removendo-se as componentes tT e tS resta a componente aleatoacuteria (at) ou residual A suposiccedilatildeo adotada eacute
que at seja uma componente puramente aleatoacuteria mesmo em alguns casos em que eacute considerada como um processo
estacionaacuterio com meacutedia e variacircncia constantes
Aleacutem dos modelos claacutessicos existe outra classe de meacutetodo de previsatildeo que contecircm os natildeo parameacutetricos
Esses satildeo caracterizados por serem muito subjetivos por natildeo possuiacuterem um grande nuacutemero de suposiccedilotildees como os
16
claacutessicos No entanto dentro dos natildeo parameacutetricos existe uma classe de modelos conhecidos por sua qualidade
preditiva e complexidade sendo denominados de modelos de redes neurais
Os modelos utilizados atualmente satildeo compostos de modelos teoacutericos exatos e empiacutericos Assim o
conhecimento teoacuterico eacute utilizado parcialmente para indicar uma classe adequada de funccedilotildees matemaacuteticas que satildeo
ajustadas empiricamente fazendo com que o ajuste dos seus paracircmetros seja realizado de forma experimental
Um dos aspectos relevantes para a seleccedilatildeo do modelo mais adequado estaacute na capacidade do mesmo em
reproduzir os dados conhecidos e as previsotildees futuras de forma acurada Assim se xt eacute a observaccedilatildeo real para o
periacuteodo t e tx eacute a previsatildeo para o mesmo periacuteodo Assim o erro na previsatildeo eacute definido por
ttt xxe ˆ (Equaccedilatildeo 4)
Se existirem observaccedilotildees e previsotildees para n periacuteodos as seguintes estatiacutesticas podem ser utilizadas
n
1t
en
1ME
t (Equaccedilatildeo 5)
Ie In
1MAE
n
1t
t
(Equaccedilatildeo 6)
n
1t
2
t en
1MSE (Equaccedilatildeo 7)
O erro meacutedio ME eacute definido como a meacutedia dos erros calculado na equaccedilatildeo 5 (et) Pelo somatoacuterio os valores
positivos e negativos tendem a se anular resultando em um valor baixo O erro meacutedio absoluto (MAE) eacute definido pelo
somatoacuterio dos moacutedulos dos erros e em seguida realiza-se a meacutedia dos valores absolutos encontrados No caacutelculo do
erro quadraacutetico (MSE) os erros se tornam positivos pela elevaccedilatildeo ao quadrado e a meacutedia eacute realizada com os valores
positivos encontrados
Considerando a escala em que os dados satildeo expressos pode-se definir o erro relativo como
100xˆ
PE t
t
t
x
xx (Equaccedilatildeo 8)
t
n
1t
PEn
1MPE
(Equaccedilatildeo 9)
IPE In
1MAPE t
n
1t
(Equaccedilatildeo 10)
O erro meacutedio percentual (MPE) eacute a meacutedia do erro percentual calculado em PEt para n periacuteodos Neste caso os
valores positivos e negativos dos erros percentuais tendem a se anular da mesma forma que para ME Da mesma
forma que para MAE o erro meacutedio absoluto percentual tambeacutem eacute obtido utilizando-se erros absolutos percentuais
17
23 ndash MODELO BOX-JENKINS
Os modelos ARIMA (Autoregressive Integrated Moving Average ndash Auto-Regressivos Integrados de Meacutedias
Moacuteveis) da famiacutelia de Box-Jenkins tem o objetivo de captar o comportamento da autocorrelaccedilatildeo (correlaccedilatildeo seriada)
entre os valores da seacuterie temporal e realizar previsotildees baseando-se neste comportamento
Dentre a famiacutelia de modelos destacam-se os Auto-Regressivos e os de Meacutedias Moacuteveis Aleacutem destes existem
ainda outras variaccedilotildees no qual satildeo tomadas d diferenccedilas de uma seacuterie natildeo estacionaacuteria visando tornaacute-la estacionaacuteria
(com meacutedia e variacircncia constantes ao longo do tempo) Existem ainda os modelos ARMA (Auto-Regressivos de Meacutedias
Moacuteveis) que satildeo utilizados quando natildeo haacute necessidade de realizar diferenciaccedilotildees para tornar a seacuterie estacionaacuteria
Outro modelo eacute conhecido como SARIMA (ou ARIMA Sazonal) que eacute utilizado para captar a sazonalidade de uma
seacuterie
Um benefiacutecio da utilizaccedilatildeo dos modelos Box-Jenkins estaacute relacionado ao fato do algoritmo do mesmo auxiliar o
usuaacuterio na escolha do melhor modelo por meio dos comportamentos dos graacuteficos da funccedilatildeo de autocorrelaccedilatildeo (FAC) e
da funccedilatildeo de autocorrelaccedilatildeo parcial (FACP)
A FAC eacute determinada atraveacutes da correlaccedilatildeo linear de cada valor yt da seacuterie de dados com outros valores em
lags distintos como yt-1 yt-2 e assim sucessivamente Assim o coeficiente de correlaccedilatildeo temporal (autocorrelaccedilatildeo) da
seacuterie temporal defasado por 1 2 ou mais periacuteodos eacute calculado pela seguinte equaccedilatildeo
n
1t
2
n
1tk
r
xx
xxxx
t
ktt
k (Equaccedilatildeo 11)
Na equaccedilatildeo anterior r1 indica como os valores sucessivos de x relacionam-se entre si r2 indica como os
valores de x defasados em dois periacuteodos relacionam-se entre si e assim sucessivamente Em conjunto as
autocorrelaccedilotildees defasadas em 1 2 k periacuteodos constituem a funccedilatildeo de autocorrelaccedilatildeo
A FACP por sua vez possui um conceito semelhante ao da FAC Eacute definida pela correlaccedilatildeo existente entre yt
e yt-2 por exemplo sem levar em consideraccedilatildeo os efeitos causados por yt-1 e yt-2 O coeficiente de autocorrelaccedilatildeo
parcial de ordem k definido por k pode ser obtido atraveacutes da estimaccedilatildeo dos coeficientes da regressatildeo muacuteltipla de x t
em funccedilatildeo de 1tx 2tx ktx conforme a proacutexima equaccedilatildeo
ktkttt xxxx 22110 (Equaccedilatildeo 12)
As autocorrelaccedilotildees parciais satildeo usadas para medir o grau de associaccedilatildeo entre as observaccedilotildees x t e xt-k quando
o efeito das outras observaccedilotildees defasadas no tempo em 1 2 k-1 periacuteodos satildeo removidas As autocorrelaccedilotildees
parciais 1 2 k constituem a FACP
Pelo fato deste processo permitir que usuaacuterios diferentes modelem diferentes equaccedilotildees a partir de uma mesma
seacuterie temporal pode existir certo grau de subjetividade na escolha do melhor modelo para a previsatildeo da seacuterie em
questatildeo
18
231 ndash Modelo ARMA (Auto-Regressivo a Meacutedia Moacutevel)
O modelo ARMA natildeo possui uma parte integrada Sendo assim satildeo utilizados para uma seacuterie temporal
estacionaacuteria com relaccedilatildeo agrave meacutedia e a variacircncia e satildeo definidos pelas equaccedilotildees a seguir
qtqttptptt eeexxcx 1111 (Equaccedilatildeo 13)
Existem restriccedilotildees aos valores cujos paracircmetros podem assumir nas equaccedilotildees anteriores a saber
Para p = 1 -1 lt 1 lt 1
Para p = 2 -1 lt 2 lt 1 1 + 2 lt 1 e 2 ndash 1 lt 1
Para p gt= 3 condiccedilotildees mais complexas prevalecem
Da mesma forma
Para q = 1 -1 lt 1 lt 1
Para q = 2 -1 lt 2 lt 1 1 + 2 lt 1 e 2 ndash 1 lt 1
Para p gt= 3 condiccedilotildees mais complexas prevalecem
Um dispositivo de notaccedilatildeo uacutetil eacute o operador de deslocamento retroativo definido por 1 tt xBx Assim B
operando sobre tx tem o efeito de deslocar os dados para traacutes em um periacuteodo Dessa forma
2
2)( ttt xxBBxB (Equaccedilatildeo 14)
Por meio da equaccedilatildeo acima que o modelo recebe a denominaccedilatildeo de Auto-Regressivo a Meacutedia Moacutevel (ARMA)
de ordens (pq) conforme expresso na equaccedilatildeo seguinte
t
MA
p
p
AR
t
p
p eBBcxBB
qp
)()(
11 11 (Equaccedilatildeo 15)
Os coeficientes 1 2 p e 1 2 q satildeo estimados para ajustarem-se agrave seacuterie temporal estudada
atraveacutes dos meacutetodos dos miacutenimos quadrados ou da maacutexima verossimilhanccedila A aplicaccedilatildeo do meacutetodo dos miacutenimos
quadrados eacute realizada atraveacutes de estimativas feitas iterativamente por softwares ateacute que soma dos erros quadraacuteticos
seja minimizada O meacutetodo da maacutexima verossimilhanccedila estima tambeacutem iterativamente os valores dos paracircmetros que
maximizem a verossimilhanccedila de um conjunto de observaccedilotildees
O modelo ARMA deve ter seus erros et distribuiacutedos aleatoriamente comportando-se como uma seacuterie de ruiacutedo
branco Os resiacuteduos natildeo satildeo ruiacutedo branco se as estatiacutesticas Q sugerida por Box-Pierce ou Q sugerida por Ljungndash
Box posicionarem-se no extremo 5 da cauda direita da distribuiccedilatildeo χ2 As expressotildees para caacutelculo das estatiacutesticas
Q de BoxndashPierce ou Q de Ljung-Box satildeo as seguintes
19
h
1k
2
k tnQ (Equaccedilatildeo 16)
h
1k
2
k
k-
r)2(
nnnQ (Equaccedilatildeo 17)
Onde
n = nuacutemero de observaccedilotildees da seacuterie
h = maacutexima defasagem dos coeficientes de correlaccedilatildeo dos resiacuteduos
Alguns autores apresentam procedimentos para identificaccedilatildeo das ordens p e q dos modelos ARMA por meio
dos graacuteficos das FAC e FACP como exemplificado no quadro a seguir
Modelo FAC FACP
ARMA (p0) Decaimento gradativo Decaimento brusco apoacutes defasagem p
ARMA (0q) Decaimento brusco apoacutes defasagem q Decaimento gradativo
ARMA (pq) Decaimento gradativo com onda
senoidal amortecida apoacutes a
defasagem (q-p)
Decaimento gradativo com onda
senoidal amortecida apoacutes a defasagem
(p-q)
Tabela 1 - Comportamento das FAC e FACP para Modelos Estacionaacuterios
Fonte Elaborado pelos Autores
232 ndash Modelo ARIMA
Em muitos casos as seacuteries temporais encontradas possuem tendecircncia apresentando um comportamento natildeo
estacionaacuterio No entanto para aplicar o meacutetodo de Box-Jenkins eacute necessaacuterio remover a tendecircncia da seacuterie atraveacutes da
diferenciaccedilatildeo ou seja aplicar sobre a mesma o operador (1 ndash B) no modelo ARMA conforme equaccedilatildeo a seguir
tttt xBxxx )1(1
(Equaccedilatildeo 18)
Desta forma a expressatildeo do modelo ARIMA (pdq) ndash auto regressivo integrado a meacutedia moacutevel de ordem p d
q eacute a expressatildeo do modelo ARMA (pq) acrescido do fator de diferenciaccedilatildeo de ordem d responsaacutevel pela descriccedilatildeo do
comportamento de tendecircncia da seacuterie conforme representado na equaccedilatildeo a seguir
t
MA
p
p
I
t
d
AR
p
p eBBcxBBB
qdp
)()()(
111 11 (Equaccedilatildeo 19)
233 ndash Modelo ARIMA Sazonal (SARIMA)
O comportamento mais geral de seacuteries histoacutericas natildeo estacionaacuterias eacute o que combina o padratildeo de tendecircncia
com o padratildeo de sazonalidade O meacutetodo de Box-Jenkins recomenda a remoccedilatildeo tanto da tendecircncia quanto da
sazonalidade das seacuteries diferenciando-a duas vezes Eacute recomendado que a diferenciaccedilatildeo sazonal sobre a seacuterie
20
original seja feita em primeiro lugar uma vez que em alguns casos sua aplicaccedilatildeo jaacute torna a seacuterie estacionaacuteria como
mostrado na expressatildeo a seguir (para uma seacuterie com nuacutemero de periacuteodos com ciclo sazonal igual a 12)
tttt xBxxx )1( 12
12
(Equaccedilatildeo 20)
Nos casos em que se torna necessaacuteria a segunda diferenciaccedilatildeo faz necessaacuteria aplicar o operador )1( B na
mesma conforme equaccedilatildeo a seguir
ttttt xBBxBxxx 12
1
11)1( (Equaccedilatildeo 21)
24 ndash MEacuteTODO DO AMORTECIMENTO EXPONENCIAL
Historicamente o amortecimento exponencial descreve uma classe de meacutetodos de previsatildeo De fato alguns
dos meacutetodos mais utilizados para esse fim satildeo baseados nesse conceito cada um deles utilizando a propriedade em
que os pesos das observaccedilotildees mais recentes satildeo maiores do que aqueles referentes a observaccedilotildees no passado
Assim o nome ldquoamortecimento exponencialrdquo reflete no fato de que os pesos (atraveacutes do uso da meacutedia ponderada)
diminuem exponencialmente agrave medida que as observaccedilotildees satildeo mais antigas
Os primeiros registros da utilizaccedilatildeo do meacutetodo satildeo de Robert G Brown em 1944 enquanto desenvolvia
trabalhos como analista de Pesquisa Operacional na Marinha Americana enquanto desenvolvia um dispositivo
mecacircnico para monitorar a velocidade e o acircngulo de tiros disparados de submarinos Em 1950 ele estendeu o uso
desse meacutetodo para seacuteries temporais discretas incluindo termos para lidar com as componentes de sazonalidade e
tendecircncia
Paralelamente Charles Holt tambeacutem estava trabalhando em um meacutetodo de amortecimento exponencial para o
Escritoacuterio Americano de Pesquisas Navais O seu trabalho em modelos sazonais aditivos e multiplicativos se tornaram
conhecidos atraveacutes de um artigo publicado por seu estudante Peter Winters em 1960 aplicando testes empiacutericos ao
meacutetodo de Holt Como resultado a versatildeo da ferramenta que trabalha com a componente sazonal eacute denominada de
Holt-Winters
Os modelos de suavizaccedilatildeo exponencial satildeo largamente utilizados devido a sua simplicidade e baixo custo
Assim quando se necessitam previsotildees para milhares de itens como eacute o caso em muitos sistemas de gestatildeo esses
modelos satildeo muitas vezes os uacutenicos suficientemente raacutepidos e baratos para assegurar uma implementaccedilatildeo viaacutevel
Dessa forma existem trecircs classes de meacutetodos de amortecimento exponencial a saber
1 ndash Seacuteries localmente constantes analisadas pelos modelos de meacutedias moacuteveis simples ou amortecimento
exponencial
2 ndash Seacuteries com tendecircncias que utilizam o modelo de Holt
3 ndash Seacuteries com comportamento sazonal que utilizam o modelo Holt-Winters
241 ndash Meacutetodos de Amortecimento Exponencial Simples
21
O meacutetodo de suavizaccedilatildeo exponencial simples tem melhor precisatildeo para seacuteries de padratildeo horizontal isto eacute
agravequelas que natildeo apresentam tendecircncia nem sazonalidade e eacute apropriado para previsotildees de curto prazo Seu algoritmo
de previsatildeo utiliza a seguinte expressatildeo da equaccedilatildeo
ttt xxx ˆ1ˆ1 (Equaccedilatildeo 22)
Onde
1ˆtx = previsatildeo para o periacuteodo t+1
α = constante de suavizaccedilatildeo cujo valor encontra-se entre 0 e 1
tx = uacuteltimo valor observado
tx = uacuteltimo valor observado com peso (1 ndash α)
Expandindo-se a expressatildeo acima pela substituiccedilatildeo de tx 1ˆtx 2
ˆtx por seus componentes resulta em
1113211ˆ)1()1(3)1(2)1(1ˆ xxxxxxx ttttttt (Equaccedilatildeo 23)
Assim 1ˆtx eacute uma meacutedia ponderada de todas as observaccedilotildees passadas constituindo os coeficientes de
ponderaccedilatildeo uma seacuterie decrescente exponencialmente para valores de α entre 0 e 1 Dessa constataccedilatildeo origina-se o
nome amortecimento exponencial Analisando-se a uacuteltima equaccedilatildeo verifica-se que a constante de suavizaccedilatildeo α
determina a rapidez do decaimento dos coeficientes (pesos) A escolha do valor para a constante de suavizaccedilatildeo pode
ser arbitraacuteria ou condicionada a algum criteacuterio que na maioria das vezes consiste na minimizaccedilatildeo do erro quadraacutetico
meacutedio atribuiacutedo ao desempenho do meacutetodo
A constante de suavizaccedilatildeo estaacute diretamente ligada agrave velocidade de resposta das previsotildees agraves variaccedilotildees das
observaccedilotildees ou seja quanto menor o valor de α mais lenta eacute a resposta Valores maiores que α causam reaccedilotildees
mais raacutepidas das previsotildees agraves variaccedilotildees das observaccedilotildees podendo causar instabilidade no desempenho do meacutetodo
Como o peso da primeira previsatildeo 1x eacute (1 ndash α)t verifica-se que menor importacircncia um fator teraacute para a
previsatildeo de t+1 quanto mais proacuteximo de um for e quanto maior for o t Como eacute necessaacuterio ter o valor de 1x eacute feita a
suposiccedilatildeo de que 1x = 1x ou seja igual agrave uacuteltima observaccedilatildeo O erro decorrente dessa suposiccedilatildeo seraacute tanto menor
quanto maiores forem α e t
Alternativamente a expressatildeo inicial desse item pode ser representada como
1ˆtx = tx + α( tx ndash tx ) (Equaccedilatildeo 24)
1ˆtx = tx + α te (Equaccedilatildeo 25)
Atraveacutes da anaacutelise da uacuteltima equaccedilatildeo pode-se concluir que o meacutetodo de suavizaccedilatildeo exponencial simples
prevecirc o valor de uma seacuterie temporal tomando a previsatildeo para o periacuteodo anterior e ajustando-a pelo valor do erro no
mesmo periacuteodo
22
242 ndash Meacutetodo de Holt
O meacutetodo de Holt pode ser utilizado de maneira satisfatoacuteria em seacuteries temporais com tendecircncia linear
mediante o uso de uma funccedilatildeo de ponderaccedilatildeo que daacute maior importacircncia aos periacuteodos de tempo mais recentes Seu
algoritmo de previsatildeo utiliza as seguintes expressotildees
))(1( 11 tttt TLxL (Equaccedilatildeo 26)
11 )1)(( tttt TLLT (Equaccedilatildeo 27)
mtx ˆ
tt mTL (Equaccedilatildeo 28)
Onde
mtx ˆ = previsatildeo para o periacuteodo t+m
= constantes de suavizaccedilatildeo com valor entre 0 e 1 que determinam a rapidez de decaimento dos pesos
da seacuterie quanto mais proacuteximo de um maior o peso das observaccedilotildees recentes
tL = estimativa do niacutevel da seacuterie no tempo t
tT = estimativa de declividade da seacuterie no tempo t
Como o meacutetodo de Holt baseia-se na aplicaccedilatildeo recursiva das expresses anteriores satildeo necessaacuterios tambeacutem
como dados de entrada tL e tT que podem ser considerados como 1L 1x e 1T 12 xx Outra forma de caacutelculo eacute a
regressatildeo linear simples aplicada aos dados da seacuterie temporal onde se obteacutem o valor da declividade da seacuterie temporal
e de 0L em sua origem
243 ndash Meacutetodo de Winters
Os meacutetodos de Winters dividem-se em dois grupos aditivo e multiplicativo No meacutetodo aditivo a amplitude da
variaccedilatildeo sazonal eacute constante ao longo do tempo ou seja a diferenccedila entre o maior e menor valor de demanda dentro
das estaccedilotildees permanece relativamente constante no tempo No meacutetodo multiplicativo a amplitude da variaccedilatildeo sazonal
aumente ou diminui como funccedilatildeo do tempo
2431 ndash Meacutetodo Sazonal Multiplicativo de Winters
))(1( 11
tt
t
t
t TLSS
xL (Equaccedilatildeo 29)
11 )1()( tttt TLLT (Equaccedilatildeo 30)
SSL
xS t
t
t
t
1 (Equaccedilatildeo 31)
mSSmTLx tttmt ˆ (Equaccedilatildeo 32)
23
Onde
mtx ˆ = previsatildeo para o periacuteodo t+m
= constantes de suavizaccedilatildeo que variam entre 0 e 1
tx = observaccedilatildeo mais recente
tL = estimativa do niacutevel de seacuterie no tempo t
tT = estimativa de declividade da seacuterie no tempo t
tS = componente de sazonalidade no tempo t
S = nuacutemero de subperiacuteodos do ano (sazonalidade)
A escolha de valores para as constantes de suavizaccedilatildeo eacute condicionada a algum criteacuterio que na maioria das
vezes consiste na minimizaccedilatildeo por meio do algoritmo de minimizaccedilatildeo linear do erro quadraacutetico meacutedio (MSE) atribuiacutedo
ao desempenho do meacutetodo
Como o meacutetodo multiplicativo de Winters baseia-se na aplicaccedilatildeo recursiva das equaccedilotildees deste item e que
deve ser iniciada em algum periacuteodo do passado no qual os valores de TL TT e TS devem ser estimados A maneira
mais simples de inicializar o niacutevel de tendecircncia no periacuteodo S O niacutevel eacute inicializado no primeiro periacuteodo sazonal da
seguinte forma
S
Sxxxx
SL
1
321
(Equaccedilatildeo 33)
Para inicializar a tendecircncia eacute conveniente o uso de dois ciclos completos isto eacute 2S periacuteodos como descrito
abaixo
S
xx
S
xx
S
xx
ST SSSSS
S 1 2211 (Equaccedilatildeo 34)
Por ultimo os iacutendices sazonais satildeo inicializados usando-se a razatildeo das primeiras observaccedilotildees como a meacutedia
do primeiro ano com descrito a seguir
S
xS
L
11
S
xS
L
22
S
S
s
xS
L (Equaccedilatildeo 35)
2432 ndash Meacutetodo Sazonal Aditivo de Winters
O meacutetodo aditivo de Winters eacute utilizado na modelagem dos dados sazonais no qual a amplitude do ciclo
sazonal permanece constante com o passar do tempo
Aleacutem disso a amplitude da variaccedilatildeo sazonal eacute constante ao longo do tempo ou seja a diferenccedila entre o maior
e o menor valor de demanda dentro das estaccedilotildees permanece relativamente constante no tempo As equaccedilotildees
matemaacuteticas satildeo
))(1()( 11 ttttt TLSSxL (Equaccedilatildeo 36)
24
11 )1()( tttt TLLT (Equaccedilatildeo 37)
Stttt SLxS )1()( St = γ(xt - Lt) + (1- γ)St-S (Equaccedilatildeo 38)
mStttmt SmTLx ˆ (Equaccedilatildeo 39)
A segunda equaccedilatildeo deste item eacute igual agravequela do meacutetodo multiplicativo de Winters O restante das equaccedilotildees se
diferem por iacutendice sazonais serem somados e subtraiacutedos ao inveacutes de serem tomados em produtos ou divisotildees
Os valores iniciais de SL e ST satildeo iguais aos do meacutetodo multiplicativo Os iacutendices sazonais satildeo inicializados da
seguinte forma
SLxS 11 SLxS 22 SSS LxS (Equaccedilatildeo 40)
25 ndash SELECcedilAtildeO DE MODELOS
A partir do momento em que vaacuterios modelos ajustam-se a uma seacuterie temporal deve-se eleger aquele que
melhor representa o seu comportamento por meio da anaacutelise de seus paracircmetros Neste trabalho os paracircmetros seratildeo
utilizados os seguintes paracircmetros de forma primordial na definiccedilatildeo do modelo mais apropriado
251 ndash Maacuteximo R2
A estatiacutestica R2 eacute definida por
n
1t
2
2n
1t2
ˆ
1
tt
tt
xx
xx
R (Equaccedilatildeo 41)
Onde
tx = observaccedilatildeo real para o periacuteodo t
tx = previsatildeo para o periacuteodo t
Uma medida de R2 mais proacutexima de zero indica um modelo com ajuste pobre enquanto que um valor proacuteximo
de um indica um bom ajuste
252 ndash Miacutenimo BIC (Bayesian Information Criterion)
Este criteacuterio penaliza os modelos com muitos paracircmetros sendo portanto um criteacuterio de verosimilhanccedila
penalisada Vale ressaltar que o BIC natildeo deve ser utilizado de forma isolada mas em conjunto com outros paracircmetros
na comparaccedilatildeo com diversos modelos
O BIC eacute definido pela seguinte expressatildeo
25
nm
nMSEBIC2
(Equaccedilatildeo 42)
nm
tt nxxn
BIC22
n
1t
ˆ1
(Equaccedilatildeo 43)
Onde
m = nuacutemero de paracircmetros do modelo
n = nuacutemero de observaccedilotildees da seacuterie temporal
3 - DESENVOLVIMENTO
31 ndash ANAacuteLISE DA SEacuteRIE
A seacuterie a seguir apresenta os dados quantitativos da evoluccedilatildeo do volume de produccedilatildeo de caminhotildees no Brasil
Tratam-se de dados mensais entre janeiro de 1957 e dezembro de 2011 totalizando 660 observaccedilotildees
5000
10000
15000
20000
60 65 70 75 80 85 90 95 0 5 10
Legend
PRODUCAO
Figura 2 - Seacuterie de Volume de Produccedilatildeo no Brasil
Fonte Elaborado pelos Autores 2012
26
32 ndash ANAacuteLISE DESCRITIVA
O primeiro passo foi a anaacutelise descritiva da seacuterie visando obter uma anaacutelise inicial para definir o modelo de
previsatildeo mais adequado agraves suas caracteriacutesticas
Utilizando o software Minitab obteve-se a seguinte tabela
Figura 3 - Estatiacutesticas Descritivas da Seacuterie Inicial
Fonte Minitab 2012
O coeficiente de correlaccedilatildeo de Pearson indica a razatildeo entre o desvio padratildeo e a meacutedia de uma seacuterie cujo
caacutelculo eacute representado por
CV = desvio padratildeomeacutedia
Introduzindo os valores do desvio padratildeo (3515) e da meacutedia da amostra (5560) na foacutermula anterior obteacutem-se o
seguinte resultado
CV = 35155560 = 06322 ~ 63 de grau de dispersatildeo
Essa medida eacute utilizada quando se pretende comparar duas ou mais distribuiccedilotildees de probabilidade quanto agraves
suas variabilidades atuando como uma medida de variabilidade relativa
Na teoria de probabilidade o grau de simetria eacute uma medida de assimetria da distribuiccedilatildeo de valores reais
aleatoacuterios O grau de simetria pode ser positivo ou negativo ou mesmo indefinido Qualitativamente um valor negativo
em que a cauda no lado esquerdo da funccedilatildeo de densidade de probabilidade eacute maior do que o lado direito e a maioria
dos valores tende ao lado direito da meacutedia De mesma forma um valor positivo indica que a cauda no lado direito eacute
maior do que o lado esquerdo e que a maioria dos valores tende ao lado esquerdo da meacutedia O valor zero indica que
valores relativos igualmente distribuiacutedos dos dois lados ao redor da meacutedia mas natildeo necessariamente implica em uma
distribuiccedilatildeo simeacutetrica
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de grau de simetria (skewness) O valor positivo do grau de
simetria indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa conforme apresentado no
histograma a seguir
27
dados
Fre
qu
en
cy
200001600012000800040000
120
100
80
60
40
20
0
Mean 5560
StDev 3515
N 660
Histogram (with Normal Curve) of dados
Figura 4 - Histograma da Seacuterie Inicial
Fonte SPSS 2012
De forma similar o conceito de curtose trata-se da uma medida de dispersatildeo para descriccedilatildeo da forma da
distribuiccedilatildeo de probabilidades e como o grau de simetria existem formas diferentes de quantificaacute-la como uma
distribuiccedilatildeo teoacuterica e formas correspondentes de estimaacute-la a partir de uma amostra oriunda de uma populaccedilatildeo Essa
medida indica o grau de achatamento curva de distribuiccedilatildeo de probabilidade
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de curtose (kurtosis) O valor positivo do grau de simetria
indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa O valor positivo indica um
comportamento leptocuacutertica indicando que a mesma eacute mais alta e mais concentrada que a distribuiccedilatildeo normal
O Teste de Normalidade realizado com 95 de niacutevel de confianccedila gerou um p-value nulo ou seja abaixo dos
5 de significacircncia Desta maneira a hipoacutetese nula de que os dados apresentariam uma distribuiccedilatildeo normal foi
rejeitada
Tests of Normality
105 660 000 860 660 000VAR00001
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 5 - Teste de Normalidade da Seacuterie Inicial
Fonte SPSS 2012
28
O teste de Kolmogorov-Smirnov eacute utilizado para determinar se duas distribuiccedilotildees de probabilidade diferem uma
da outra ou natildeo O graacutefico abaixo referente a este testem evidencia o comportamento da distribuiccedilatildeo frente ao
comportamento da distribuiccedilatildeo normal
dados
Pe
rce
nt
2500020000150001000050000-5000-10000
9999
99
95
80
50
20
5
1
001
Mean
lt0010
5560
StDev 3515
N 660
KS 0105
P-Value
Teste de Normalidade Kolmogorov-SmirnovNormal
Figura 6 - Teste de Kolmogorov-Smirnov para a Seacuterie Inicial
Fonte SPSS 2012
Assim faz-se necessaacuterio uma transformaccedilatildeo na seacuterie para adequaccedilatildeo dos dados para uma distribuiccedilatildeo
normal Para tal modificaccedilatildeo neste trabalho foi utilizada a distribuiccedilatildeo logariacutetmica na base 10
Apoacutes a transformaccedilatildeo o teste de normalidade foi realizado novamente (tambeacutem com 95 de significacircncia) O
resultado eacute apresentado na tabela a seguir
Tests of Normality
042 660 007 994 660 009log10
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 7 - Teste de Normalidade para a Seacuterie Transformada
Fonte SPSS 2012
Conforme pode ser observado na tabela acima o p-value foi proacuteximo de 001 menor que 005 Apesar do
pressuposto de normalidade dos dados natildeo ter sido alcanccedilado esta base de dados seraacute utilizada nas modelagens
para fins acadecircmicos e seraacute tomado como premissa que a distribuiccedilatildeo estaacute normalizada
29
O teste graacutefico de normalidade de Kolmogorov-Smirnov foi realizado para a distribuiccedilatildeo transformada O
graacutefico abaixo evidencia o comportamento dos dados da distribuiccedilatildeo frente ao comportamento da distribuiccedilatildeo normal
auxiliando na conclusatildeo do teste anterior
log 10
Pe
rce
nt
4540353025
9999
99
95
80
50
20
5
1
001
Mean
lt0010
3668
StDev 02593
N 660
KS 0042
P-Value
Teste de Normalidade Kolmogorov-Smirnov - log 10Normal
Figura 8 - Teste de Kolmogorov-Smirnov para a Seacuterie Transformada
Fonte SPSS 2012
A seguir tem-se o histograma da seacuterie transformada evidenciando a mudanccedila do comportamento dos dados
30
log 10
Fre
qu
en
cy
42403836343230
70
60
50
40
30
20
10
0
Mean 3668
StDev 02593
N 660
Histogram of log 10Normal
Figura 9 - Histograma da Seacuterie Transformada
Fonte SPSS 2012
O teste da igualdade de variacircncias eacute aplicado com o objetivo de verificar se devem ou natildeo ser assumidas
igualdade entre as variacircncias das populaccedilotildees Para isso foi utilizado na anaacutelise o Teste de Levene cujas hipoacuteteses
satildeo as seguintes
H0 as variacircncias nas duas populaccedilotildees satildeo iguais ou seja existe homocedasticidade (σ1 = σ2 ou σ1 = σ2 = 0)
Neste caso assume-se a estatiacutestica Sig F gt 005
H1 as variacircncias nas duas populaccedilotildees satildeo diferentes ou seja natildeo existe homocedasticidade (σ1 ne σ2 ou σ1 ne
σ2 ne 0) Neste caso assume-se a estatiacutestica Sig F lt ou = 005
Para a realizaccedilatildeo do teste dividiu-se a populaccedilatildeo em dois grupos iguais (grupos denominados como 0 e 1
cada um com 330 unidades) Os resultados satildeo os seguintes
31
Group Statistics
330 35473 23553 01297
330 37896 22313 01228
Teste de Lev ene0
1
log10N Mean Std Dev iation
Std Error
Mean
Independent Samples Test
5981 015 -13569 658 000 -24235 01786 -27742 -20728
-13569 656086 000 -24235 01786 -27742 -20728
Equal variances
assumed
Equal variances
not assumed
log10F Sig
Lev enes Test for
Equality of Variances
t df Sig (2-tailed)
Mean
Dif f erence
Std Error
Dif f erence Lower Upper
95 Conf idence
Interv al of the
Dif f erence
t-test f or Equality of Means
Figura 10 - Teste de Homocedasticidade para a Seacuterie Transformada
Fonte SPSS 2012
Pelo resultado do teste pode-se verificar que o valor de ldquoSigrdquo (referente ao p-value) foi de 0015 onde se
conclui que a hipoacutetese nula que leva em consideraccedilatildeo que a variacircncia da seacuterie eacute constante pode ser aceita
33 ndash MODELOS DE PREVISAtildeO
Neste trabalho seratildeo analisados os seguintes modelos de previsatildeo
1 ndash Box Jenkins
2 ndash Suavizaccedilatildeo Exponencial
Para determinar o modelo de previsatildeo mais adequado foi utilizado o software Forecast Pro for Windows (FPW)
Todas as previsotildees foram realizadas utilizando a seacuterie com a variaacutevel transformada a fim de atender o
pressuposto de normalidade da seacuterie necessaacuterio nos modelos de previsatildeo
32
Figura 11 - Seleccedilatildeo da Seacuterie para a Previsatildeo
Fonte FPW 2012
331 ndash Box-Jenkins
Apoacutes a apresentaccedilatildeo e anaacutelises dos pressupostos necessaacuterios para a aplicaccedilatildeo do modelo Box-Jenkins seratildeo
realizadas as anaacutelises que demonstram a funccedilatildeo de autocorrelaccedilatildeo (FAC) e funccedilatildeo de autocorrelaccedilatildeo parcial (FACP)
Figura 12 - FAC da Seacuterie
Fonte FPW 2012
33
Figura 13 - FACP da Seacuterie
Fonte FPW 2012
Nota-se na Figura XXX FAC da seacuterie que a seacuterie decai muito lentamente indicando tendecircncia logo faz-se
necessaacuterio realizar uma diferenciaccedilatildeo na parte simples
Apoacutes a diferenciaccedilatildeo obtiveram-se os seguintes novos graacuteficos para a funccedilatildeo de autocorrelaccedilatildeo e funccedilatildeo de
autocorrelaccedilatildeo parcial
Figura 14 - FAC da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
34
Figura 15 - FACP da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
Apoacutes a realizaccedilatildeo da diferenciaccedilatildeo os seguintes modelos foram testados
1 ndash ARIMA (110)
2 ndash ARIMA (011)
3 ndash ARIMA (210)
4 ndash ARIMA (012)
5 ndash ARIMA (111)
A seguir cada modelo seraacute demonstrado
1 ndash ARIMA (110)
Figura 16 - Resultado ARIMA (110)
Fonte FPW 2012
35
Figura 17 - FAC dos Resiacuteduos ARIMA (110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08746) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel a(1) foi considerada significativa
2 - ARIMA (011)
Figura 18 - Resultado ARIMA (011)
Fonte FPW 2012
36
Figura 19 - FAC dos Resiacuteduos ARIMA (011)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel b(1) foi considerada significativa
3 - ARIMA (210)
Figura 20 - Resultado ARIMA (210)
Fonte FPW 2012
37
Figura 21 - FAC dos Resiacuteduos ARIMA (210)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08765) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
4 - ARIMA (012)
Figura 22 - Resultado ARIMA (012)
Fonte FPW 2012
38
Figura 23 - FAC dos Resiacuteduos ARIMA (012)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08777) com lag significativo nas fases 12 24 e 36 no graacutefico da FAC dos
resiacuteduos As variaacuteveis b(1) e b(2) foram consideradas significativas
5 - ARIMA (111)
Figura 24 - Resultado ARIMA (111)
Fonte FPW 2012
39
Figura 25 - FAC dos Resiacuteduos ARIMA (111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08811) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e b(1) foi considerada significativa
Observando os resultados obtidos nos cinco modelos anteriores fica evidente a semelhanccedila da presenccedila dos
lags significativos nas fases 12 24 e 36 no graacutefico da FAC dos resiacuteduos indicando a existecircncia de sazonalidade na
seacuterie modelada Assim torna-se necessaacuterio diferenciar a fase sazonal dos dados
Apoacutes a diferenciaccedilatildeo simples foram realizadas as seguintes diferenciaccedilotildees sazonais obtendo-se os seguintes
resultados para os modelos SARIMA
6 ndash SARIMA (011)(010)
Figura 26 - Resultado SARIMA (011)(010)
Fonte FPW 2012
40
Figura 27 - FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel b(1) foi considerada significativa
7 ndash SARIMA (110)(010)
Figura 28 - Resultado SARIMA (011)(010)
Fonte FPW 2012
41
Figura 29 - FAC dos Resiacuteduos SARIMA (011)(010)
Figura 29 ndash FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08305) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel a(1) foi considerada significativa
8 ndash SARIMA (210)(010)
Figura 30 - Resultado SARIMA (210)(010)
Fonte FPW 2012
42
Figura 31 - FAC dos Resiacuteduos SARIMA (210)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08337) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
9 ndash SARIMA (012)(010)
Figura 32 - Resultado SARIMA (012)(010)
Fonte FPW 2012
43
Figura 33 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
10 ndash SARIMA (111)(010)
Figura 34 - Resultado SARIMA (111)(010)
Fonte FPW 2012
44
Figura 35 - FAC dos Resiacuteduos SARIMA (111)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 12 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1
11 ndash SARIMA (011)(110)
Figura 36 - Resultado SARIMA (011)(110)
Fonte FPW 2012
45
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08623) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis A(12) e b(1) foram consideradas significativas
12 ndash SARIMA (110)(110)
Figura 38 - Resultado SARIMA (011)(110)
Fonte FPW 2012
46
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08595) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e A(12) foram consideradas significativas
13 ndash SARIMA (210)(110)
Figura 40 - Resultado SARIMA (210)(110)
Fonte FPW 2012
47
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08620) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) a(2) e A(12) foram consideradas significativas
14 ndash SARIMA (012)(010)
Figura 42 - Resultado SARIMA (012)(010)
Fonte FPW 2012
48
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08625) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
15 ndash SARIMA (111)(110)
Figura 44 - Resultado SARIMA (111)(110)
Fonte FPW 2012
49
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08626) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 24 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1 e MA = 1
16 ndash SARIMA (011)(111)
Figura 46 - Resultado SARIMA (011)(111)
Fonte FPW 2012
50
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) e B(12) foram consideradas significativas pelo modelo
17 ndash SARIMA (110)(111)
Figura 48 - Resultado SARIMA (110)(111)
Fonte FPW 2012
51
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09010) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) e B(12) foram consideradas significativas pelo modelo
18 ndash SARIMA (210)(111)
Figura 50 - Resultado SARIMA (210)(111)
Fonte FPW 2012
52
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) a(12) e B(12) foram consideradas significativas pelo modelo
19 ndash SARIMA (012)(111)
Figura 52 ndash Resultado SARIMA (012)(111)
Fonte FPW 2012
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
4
Resumo de Trabalho de Conclusatildeo de Curso apresentado agrave Coordenaccedilatildeo do Curso de Meacutetodos Estatiacutesticos
Computacionais como parte dos requisitos necessaacuterios para conclusatildeo do curso
MEacuteTODOS DE PREVISAtildeO APLICADOS A UMA SEacuteRIE DE VOLUME DE PRODUCcedilAtildeO DE CAMINHOtildeES
Isaac dos Santos Lourenccedilo
Luis de Oliveira Nascimento
Julho2012
Orientador Reinaldo Castro Souza
Co-orientador Fernando Luiz Cyrino Oliveira
Curso Poacutes-Graduaccedilatildeo em Meacutetodos Estatiacutesticos Computacionais
Este trabalho visa definir um modelo de previsatildeo de demanda para o volume mensal de caminhotildees produzidos no
Brasil Este produto eacute classificado como um bem de produccedilatildeo e seu consumo estaacute relacionado a fatores econocircmicos e
poliacuteticos tais como obras de infraestruturas iacutendices globais de produccedilatildeo industrial incentivos fiscais e linhas de creacutedito
para a renovaccedilatildeo de frota Com o iniacutecio na norma regulamentadora Proconve 7 os veiacuteculos passam a ser equipados
com a nova motorizaccedilatildeo Euro 5 e neste cenaacuterio torna-se importante realizar a previsatildeo de demanda para o volume de
produccedilatildeo em funccedilatildeo da mudanccedila estrutural em custos e tecnologia do produto frente ao comportamento do mercado
Neste trabalho seratildeo analisados os modelos e meacutetodos de Box-Jenkins e Amortecimento Exponencial Dentre os
modelos possiacuteveis analisados seraacute adotado o modelo mais adequado agrave seacuterie atraveacutes das anaacutelises do coeficiente de
determinaccedilatildeo R2-Ajustado e dos paracircmetros MAPE e BIC Por fim para verificar a eficiecircncia do modelo escolhido foi
realizada uma previsatildeo de trecircs meses para o ano de 2012
Palavras-chaves Previsatildeo Amortecimento Exponencial Box-Jenkins Proconve7
iii
5
Paper Abstract presented to the Statistics Deparment Coordination at Juiz de Fora Federal State University as a part to
fulfill the requirements for the Forecasting Computer Methods Course
FORECASTING METHODS APPLIED TO A TIME SERIES RELATED TO TRUCKSrsquoPRODUCTION VOLUME
Isaac dos Santos Lourenccedilo
Luis de Oliveira Nascimento
July2012
Advisor Reinaldo Castro Souza
Co-Advisor Fernando Luiz Cyrino Oliveira
Course Forecasting Computer Methods
This paper aims to define a forecasting model to trucksrsquo monthly production volume produced in Brazil This product is
classified as an industrial asset and its consumption is related to economics and politics scenarios like government
structure constructions industrial monthly global index taxes incentives and available credit to fleet renewal With the
beginning of the government standard Proconve 7 all the trucks are now equipped with the new Euro 5 powertrain
system in this scenario it is important build a forecasting model to the trucksrsquo production volume to analyze how the
market will behave with the trucks new costs and structure In this paper will be analyzed the models and methods of
Box-Jenkins and Exponential Smoothing families Among all possible analyzed models it will be adopted as the ideal
model through the analysis of the determination coefficient R2-Adjusted and MAPE and BIC parameters In the
conclusion the forecasting for three months of 2012 will be done to check the chosen model efficiency
Key-words Forecasting Exponential Smoothing Box-Jenkins Proconve7
iv
6
LISTA DE TABELAS
Tabela 1 - Comportamento das FAC e FACP para Modelos Estacionaacuterios 19
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins 54
Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial 59
Tabela 4 ndash Comparaccedilatildeo de Resultados Globais 59
v
7
LISTA DE FIGURAS
Figura 1 - Fechamento da Quantidade de Veiacuteculos Licenciados em 2011 12
Figura 2 - Seacuterie de Volume de Produccedilatildeo no Brasil 25
Figura 3 - Estatiacutesticas Descritivas da Seacuterie Inicial 26
Figura 4 - Histograma da Seacuterie Inicial 27
Figura 5 - Teste de Normalidade da Seacuterie Inicial 27
Figura 6 - Teste de Kolmogorov-Smirnov para a Seacuterie Inicial 28
Figura 7 - Teste de Normalidade para a Seacuterie Transformada 28
Figura 8 - Teste de Kolmogorov-Smirnov para a Seacuterie Transformada 29
Figura 9 - Histograma da Seacuterie Transformada 30
Figura 10 - Teste de Homocedasticidade para a Seacuterie Transformada 31
Figura 11 - Seleccedilatildeo da Seacuterie para a Previsatildeo 32
Figura 12 - FAC da Seacuterie 32
Figura 13 - FACP da Seacuterie 33
Figura 14 - FAC da Seacuterie com Diferenciaccedilatildeo Simples = 1 33
Figura 15 - FACP da Seacuterie com Diferenciaccedilatildeo Simples = 1 34
Figura 16 - Resultado ARIMA (110) 34
Figura 17 - FAC dos Resiacuteduos ARIMA (110) 35
Figura 18 - Resultado ARIMA (011) 35
Figura 19 - FAC dos Resiacuteduos ARIMA (011) 36
Figura 20 - Resultado ARIMA (210) 36
Figura 21 - FAC dos Resiacuteduos ARIMA (210) 37
Figura 22 - Resultado ARIMA (012) 37
Figura 23 - FAC dos Resiacuteduos ARIMA (012) 38
Figura 24 - Resultado ARIMA (111) 38
Figura 25 - FAC dos Resiacuteduos ARIMA (111) 39
Figura 26 - Resultado SARIMA (011)(010) 39
Figura 27 - FAC dos Resiacuteduos SARIMA (011)(010) 40
Figura 28 - Resultado SARIMA (011)(010) 40
Figura 29 - FAC dos Resiacuteduos SARIMA (011)(010) 41
Figura 30 - Resultado SARIMA (210)(010) 41
Figura 31 - FAC dos Resiacuteduos SARIMA (210)(010) 42
Figura 32 - Resultado SARIMA (012)(010) 42
vi
8
Figura 33 - FAC dos Resiacuteduos SARIMA (012)(010) 43
Figura 34 - Resultado SARIMA (111)(010) 43
Figura 35 - FAC dos Resiacuteduos SARIMA (111)(010) 44
Figura 36 - Resultado SARIMA (011)(110) 44
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110) 45
Figura 38 - Resultado SARIMA (011)(110) 45
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110) 46
Figura 40 - Resultado SARIMA (210)(110) 46
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110) 47
Figura 42 - Resultado SARIMA (012)(010) 47
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010) 48
Figura 44 - Resultado SARIMA (111)(110) 48
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110) 49
Figura 46 - Resultado SARIMA (011)(111) 49
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111) 50
Figura 48 - Resultado SARIMA (110)(111) 50
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111) 51
Figura 50 - Resultado SARIMA (210)(111) 51
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111) 52
Figura 52 ndash Resultado SARIMA (012)(111) 52
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111) 53
Figura 54 ndash Resultado SARIMA (111)(111) 53
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111) 54
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade 55
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade 55
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt) 56
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade 56
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters) 57
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters) 57
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva 58
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva 58
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111) 60
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111) 61
vii
9
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111) 61
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111) 62
SUMAacuteRIO
ix
viii
10
1 ndash INTRODUCcedilAtildeO 10
11 ndash CONSIDERACcedilOtildeES INICIAIS 11
12 ndash OBJETIVO 13
13 ndash JUSTIFICATIVAS 13
14 ndash CONDICcedilOtildeES DE CONTORNO 13
15 ndash METODOLOGIA 13
2 ndash REVISAtildeO BIBLIOGRAacuteFICA 14
21 ndash SEacuteRIES TEMPORAIS 14
22 ndash PREVISAtildeO DE SEacuteRIES TEMPORAIS 14
23 ndash MODELO BOX-JENKINS 17
231 ndash Modelo ARMA (Auto-Regressivo a Meacutedia Moacutevel) 18
232 ndash Modelo ARIMA 19
233 ndash Modelo ARIMA Sazonal (SARIMA) 19
24 ndash MEacuteTODO DO AMORTECIMENTO EXPONENCIAL 20
241 ndash Meacutetodos de Amortecimento Exponencial Simples 20
242 ndash Meacutetodo de Holt 22
243 ndash Meacutetodo de Winters 22
25 ndash SELECcedilAtildeO DE MODELOS 24
251 ndash Maacuteximo R2 24
252 ndash Miacutenimo BIC (Bayesian Information Criterion) 24
3 - DESENVOLVIMENTO 25
31 ndash ANAacuteLISE DA SEacuteRIE 25
32 ndash ANAacuteLISE DESCRITIVA 26
33 ndash MODELOS DE PREVISAtildeO 31
331 ndash Box-Jenkins 32
332 ndash Amortecimento Exponencial 55
34 ndash COMPARACcedilAtildeO ENTRE MODELOS 59
4 - CONCLUSAtildeO 60
41 ndash PREVISAtildeO FINAL 60
42 ndash CONSIDERACcedilOtildeES FINAIS 62
5 - REFEREcircNCIAS 63
1 ndash INTRODUCcedilAtildeO
11
11 ndash CONSIDERACcedilOtildeES INICIAIS
A junccedilatildeo de dois fatores de extrema importacircncia faz a induacutestria de veiacuteculos comerciais acelerar suas vendas a
aproximaccedilatildeo da entrada da nova legislaccedilatildeo brasileira de emissatildeo de gases estabelecendo o padratildeo Euro 5 a partir de
janeiro de 2012 e a virada para um ano eleitoral
A Associaccedilatildeo Nacional dos Fabricantes de Veiacuteculos Automotores (ANFAVEA) do Brasil fundada em 15 de
maio de 1956 reuacutene empresas fabricantes de autoveiacuteculos (automoacuteveis comerciais leves caminhotildees ocircnibus) e
maacutequinas agriacutecolas automotrizes (tratores de rodas e de esteiras colheitadeiras e retroescavadeiras) com instalaccedilotildees
industriais no Brasil
A entidade tem atribuiccedilatildeo de estudar temas da induacutestria e do mercado de veiacuteculos e maacutequinas agriacutecolas
automotrizes aleacutem de coordenar e defender os interesses coletivos das empresas associadas Ainda eacute responsaacutevel
por patrocinar exposiccedilotildees automotivas e outros eventos de caraacuteter institucional
Segundo a ANFAVEA o mercado de caminhotildees se divide da seguinte forma
Semileves 35 ton lt PBT lt 6 ton
Leves 6 ton PBT lt 10 ton
Meacutedio 10 ton PBT lt 15 ton
Semi Pesados PBT 15 ton
Entende-se por Peso Bruto Total (PBT) o peso maacuteximo transmitido ao pavimento pela combinaccedilatildeo de um
caminhatildeo-trator mais seu semi-reboque ou do caminhatildeo mais os seus reboques Um caminhatildeo trator eacute um veiacuteculo
automotor destinado a tracionar ou arrastar outro e um semi-reboque eacute um veiacuteculo de um ou mais eixos que se apoia
na sua unidade tratora ou eacute a ela ligado por meio de articulaccedilatildeo
As montadoras de caminhotildees que operam no Brasil fabricaram 138 mais veiacuteculos em 2011 do que em 2010
Segundo dados da ANFAVEA em seu balanccedilo anual Aleacutem disso a produccedilatildeo atendeu ao aumento de demanda por
conta da elevaccedilatildeo de preccedilos devido agrave entrada em vigor da norma Proconve 7 Euro 5
Com o crescimento a produccedilatildeo de caminhotildees no mercado brasileiro somou 216270 unidades em 2011 ante
as 189941 de 2010 Apesar dessa expansatildeo as vendas somaram 172902 unidades ou seja quase 80 da produccedilatildeo
foi vendida no mercado interno Outras 26321 unidades foram vendidas ao mercado internacional o que leva a um
estoque de pouco mais de 17 mil caminhotildees
Os veiacuteculos mais fabricados no ano foram os semipesados e pesados com 74927 e 65542 veiacuteculos
representando 346 e 303 do total saiacutedo das linhas de montagem brasileiras O crescimento no ano foi de 193 e
84 quando comparados ao mesmo periacuteodo do ano passado
Em relaccedilatildeo agraves campeatildes de vendas a MAN Latin America (que fabrica e comercializa caminhotildees da marca
proacutepria e da Volkswagen) confirmou a lideranccedila de mercado pelo nono ano consecutivo De acordo com os dados de
licenciamentos da ANFAVEA a empresa vendeu 50815 veiacuteculos cerca de 30 do mercado nacional um
crescimento de 122 ante 2010 A segunda colocada eacute a Mercedes-Benz que encerrou 2011 com a comercializaccedilatildeo
de 42623 veiacuteculos alta de 43 no periacuteodo Em terceiro aparece a Ford com 30354 em quarto a Volvo com 19069
crescimento de 245 em quinto a Iveco com 14246 caminhotildees no ano expansatildeo de 186 A Scania ficou em
sexto lugar no mercado brasileiro com a comercializaccedilatildeo de 13484 unidades O restante das vendas ficou dividido
entre as marcas Agrale Hyundai e International
Com relaccedilatildeo aos licenciamento totais em 2011 a figura a seguir retrata o fechamento do ano de 2011
12
Figura 1 - Fechamento da Quantidade de Veiacuteculos Licenciados em 2011
Fonte ANFAVEA
Em termos de crescimento sobre as vendas do ano passado os semipesados apresentaram a maior alta com
169 os leves vecircm a seguir com expansatildeo de 131 seguido dos semileves com 109 de vendas a mais em
comparaccedilatildeo a 2010 As vendas de caminhotildees na categoria meacutedios ficaram 28 maiores enquanto que os pesados
ostentaram a menor alta apenas 09 quando comparadas as vendas de 2010 Enquanto isso as vendas de
importados fecharam 2011 com um impressionante crescimento de 469 ante 2010 sendo os pesados os que mais
entraram no Brasil com 2774 unidades das pouco mais de quatro mil importaccedilotildees de caminhotildees representando um
crescimento de mais de 115
No iniacutecio de Janeiro de 2012 passou a vigorar a seacutetima ediccedilatildeo do Proconve (Programa de Controle de Poluiccedilatildeo
do Ar por Veiacuteculos Automotores) Eacute um programa criado em 1986 pelo CONAMA com os objetivos de reduzir as
emissotildees de veiacuteculos novos desenvolver tecnologia nacional e melhorar a qualidade dos combustiacuteveis Eacute aplicado a
veiacuteculos leves e pesados como os caminhotildees
Para atender a resoluccedilatildeo do Proconve 7 as montadoras estatildeo implementando novos sistema de motorizaccedilatildeo
combustatildeo e exaustatildeo dos combustiacuteveis em seus veiacuteculos conhecidos como Euro 5 Com o ganho tecnoloacutegico e
ambiental satildeo tambeacutem agregados custos entre 10 e 20 aos veiacuteculos
Com a entrada da nova legislaccedilatildeo Proconve 7 e o aumento no preccedilo dos veiacuteculos devido agrave motorizaccedilatildeo Euro
5 a retraccedilatildeo no mercado eacute eminente Isso ocorre pelo fato dos caminhotildees serem bens de produccedilatildeo e a disponibilidade
dos veiacuteculos Euro 3 mais poluentes e mais baratos no mercado faz-se com que o fenocircmeno do pre-buying antecipe a
renovaccedilatildeo da frota para antes de janeiro com eminente queda na produccedilatildeo para o primeiro semestre de 2012 motivo
pelo qual se torna importante conhecer a previsatildeo demanda do volume total de produccedilatildeo de caminhotildees
13
12 ndash OBJETIVO
O objetivo desse trabalho eacute o de comparar a utilizaccedilatildeo de meacutetodos de previsatildeo de demanda e definir qual
deveraacute ser aplicado para a previsatildeo do volume de produccedilatildeo de caminhotildees a partir da base de dados da ANFAVEA
13 ndash JUSTIFICATIVAS
O processo de previsatildeo de demanda por seacuteries temporais utiliza dados passados e presentes para obter dados
futuros por meio de modelos descritos e ajustados das variaacuteveis em questatildeo
As seacuteries temporais satildeo observaccedilotildees de variaacuteveis que podem ser de vaacuterios campos da economia Exemplos
de tais variaacuteveis satildeo taxas de inflaccedilatildeo iacutendices de accedilotildees taxas de desemprego e participaccedilatildeo de uma empresa em
determinado mercado Frequentemente os modelos de previsatildeo para essas taxas satildeo utilizados para determinar as
poliacuteticas e objetivos que guiaratildeo as empresas e instituiccedilotildees
A anaacutelise das seacuteries temporais pode evidenciar uma variedade de padrotildees e comportamentos Tipicamente
muitos agregados macroeconocircmicos tais como produccedilatildeo industrial consumo e salaacuterios mostram comportamentos que
evidenciam tendecircncias de crescimento
Assim aleacutem de buscar o melhor modelo de previsatildeo aplicado ao volume de produccedilatildeo de caminhotildees no Brasil
o presente trabalho tambeacutem tem o objetivo de evidenciar os padrotildees e comportamentos desta seacuterie
14 ndash CONDICcedilOtildeES DE CONTORNO
Este trabalho trataraacute da previsatildeo do volume de produccedilatildeo mensal de caminhotildees no Brasil Para definir o modelo
de previsatildeo mais adequado seratildeo utilizados dados mensais entre janeiro de 1957 e dezembro de 2011
Seratildeo abordados neste trabalho os modelos Box-Jenkins e a teacutecnica do Amortecimento Exponencial para
definir a melhor modelagem para seacuterie abordada
15 ndash METODOLOGIA
O desenvolvimento deste trabalho foi realizado em seis etapas a primeira consistiu da revisatildeo da literatura
sobre seacuteries temporais previsatildeo de demanda e volume de produccedilatildeo de caminhotildees no Brasil
Na segunda etapa foi realizada a coleta de dados referente aos volumes de produccedilatildeo para o periacuteodo estudado
A terceira etapa por sua vez consistiu na realizaccedilatildeo das anaacutelises descritivas para o entendimento do comportamento
da seacuterie
A quarta etapa envolveu os testes com os modelos e meacutetodos de previsatildeo bem como a geraccedilatildeo das
previsotildees Na quinta etapa foram analisados os modelos de previsatildeo obtidos definindo qual seria o modelo mais
adequado
A uacuteltima etapa eacute composta pelo fechamento do trabalho incluindo as anaacutelises do modelo proposto bem como
as recomendaccedilotildees para trabalhos futuros
14
2 ndash REVISAtildeO BIBLIOGRAacuteFICA
21 ndash SEacuteRIES TEMPORAIS
Uma seacuterie temporal pode ser definida como um conjunto de observaccedilotildees de uma variaacutevel observadas
sequencialmente no tempo Assim a variaacutevel eacute verificada em intervalos de tempo equidistantes e a correlaccedilatildeo entre os
diversos pontos da seacuterie gera a caracteriacutestica de dependecircncia entre eles Levando em consideraccedilatildeo que a seacuterie
temporal tambeacutem pode ser definida como as provaacuteveis trajetoacuterias para um determinado processo faz com que os
dados da mesma natildeo sejam apenas correlacionados mas oriundos tambeacutem de um processo estocaacutestico no qual eacute
observado uma das trajetoacuterias
A anaacutelise da seacuterie temporal por sua vez inicia-se a partir da descriccedilatildeo dos fenocircmenos e processos que a
originam Um fator importante que tambeacutem deve ser estudado eacute a dependecircncia entre as observaccedilotildees
Segundo Makridakis et al (1998) existem quatro tipos de padrotildees de seacuteries temporais
1 - Horizontal quando os valores dos dados flutuam ao redor de uma meacutedia constante
2 - Inclinado (tendecircncia) quando se verifica um crescimento ou decreacutescimo em longo prazo no valor dos
dados
3 - Ciacuteclico estaacute presente em uma seacuterie temporal quando os dados exibem crescimentos e quedas que natildeo se
repetem em um intervalo de tempo fixo
4 - Sazonal padratildeo sazonal existe quando uma seacuterie temporal eacute influenciada por fatores sazonais isto eacute que
se repetem a intervalos de tempos iguais
Adicionalmente uma seacuterie temporal eacute considerada natildeo linear quando pelo menos sua variacircncia natildeo eacute
constante ou sua meacutedia natildeo eacute constante Assim basta que pelo menos uma das duas caracteriacutesticas esteja presente
no comportamento da seacuterie para ser considerada natildeo linear
Para a utilizaccedilatildeo dos dados nos modelos Box-Jenkins faz-se necessaacuterio garantir o pressuposto em que a
meacutedia e a variacircncia sejam constantes no tempo Quando a meacutedia possui variaccedilatildeo a uma taxa constante a seacuterie eacute
definida como natildeo estacionaacuteria Esta variaccedilatildeo por sua vez pode ocorrer a uma taxa constante dentro de um ciclo
chamada de natildeo-estacionariedade sazonal
As funccedilotildees de autocorrelaccedilatildeo e autocorrelaccedilatildeo parcial satildeo mecanismos adotados dentro dos modelos Box-
Jenkins com a funccedilatildeo de identificar mecanismos relativos a natildeo-estacionariedade das seacuteries em estudo
22 ndash PREVISAtildeO DE SEacuteRIES TEMPORAIS
Para a previsatildeo de seacuteries temporais podem ser empregados modelos e meacutetodos que se diferenciam da
seguinte forma um modelo de previsatildeo eacute aquele que utiliza uma ou mais equaccedilotildees para representar a estrutura
aleatoacuteria da seacuterie temporal Jaacute um meacutetodo eacute uma combinaccedilatildeo de uma rotina de estimaccedilatildeo e um modelo (assim torna-
se necessaacuterio uma rotina preacutevia de identificaccedilatildeo do modelo adequado) Pelo fato dos modelos atraveacutes de suas
caracteriacutesticas serem muitos especiacuteficos a grande maioria foi desenvolvida para padrotildees de seacuteries temporais
anteriormente mencionados
As teacutecnicas de previsatildeo satildeo distribuiacutedas em dois grupos meacutetodos qualitativos e quantitativos Os meacutetodos
qualitativos satildeo aplicados quando existe conhecimento acumulado sobre o processo ou fenocircmeno em estudo havendo
15
a necessidade do julgamento por meio de especialistas principalmente quando natildeo existe uma seacuterie histoacuterica para ser
estudada
Os meacutetodos quantitativos utilizam dados histoacutericos e modelos matemaacuteticos para prever comportamentos
futuros As teacutecnicas quantitativas dividem-se em dois subgrupos seacuteries temporais (ou meacutetodos univariaacuteveis) e modelos
causais (multivariaacuteveis) As seacuteries temporais utilizam dados histoacutericos de demanda como base para determinaccedilatildeo de
padrotildees que podem se repetir no futuro Exemplos satildeo as teacutecnicas de seacuteries temporais e o amortecimento exponencial
Jaacute os modelos causais satildeo aqueles que buscam relacionar as demandas (variaacutevel dependente) com outros fatores
(variaacutevel independente) como fatores macroeconocircmicos como o PIB inflaccedilatildeo clima entre outros Para isso torna-se
necessaacuterio a utilizaccedilatildeo de regressotildees lineares e natildeo lineares
A aplicaccedilatildeo dos meacutetodos quantitativos depende de trecircs fatores
1 ndash Disponibilidade de informaccedilotildees histoacutericas
2 ndash Quantificaccedilatildeo das informaccedilotildees histoacutericas em seacuteries temporais
3 ndash Recorrecircncia no futuro de padrotildees observados nas informaccedilotildees histoacutericas
A condiccedilatildeo de recorrecircncia eacute conhecida como suposiccedilatildeo de continuidade e eacute uma premissa de todos os
meacutetodos quantitativos e alguns meacutetodos qualitativos
As caracteriacutesticas dos meacutetodos claacutessicos satildeo a mensuraccedilatildeo probabiliacutestica de erro da previsatildeo e uma
metodologia menos subjetiva para a obtenccedilatildeo dos modelos Neste grupo de modelos estaacute inserido o de Box-Jenkins
Um modelo claacutessico supotildee que a seacuterie temporal zt onde t = 1 N possa ser escrito como uma soma (modelo
aditivo) por meio da seguinte equaccedilatildeo
tttt aSTz (Equaccedilatildeo 1)
Ou ainda possa ser escrito como uma multiplicaccedilatildeo (modelo multiplicativo) da seguinte forma
tttt aSTz (Equaccedilatildeo 2)
Onde
tT = denotaccedilatildeo para tendecircncia
tS = denotaccedilatildeo para componente sazonal
ta = denotaccedilatildeo para termo aleatoacuterio
Removendo-se as componentes tT e tS resta a componente aleatoacuteria (at) ou residual A suposiccedilatildeo adotada eacute
que at seja uma componente puramente aleatoacuteria mesmo em alguns casos em que eacute considerada como um processo
estacionaacuterio com meacutedia e variacircncia constantes
Aleacutem dos modelos claacutessicos existe outra classe de meacutetodo de previsatildeo que contecircm os natildeo parameacutetricos
Esses satildeo caracterizados por serem muito subjetivos por natildeo possuiacuterem um grande nuacutemero de suposiccedilotildees como os
16
claacutessicos No entanto dentro dos natildeo parameacutetricos existe uma classe de modelos conhecidos por sua qualidade
preditiva e complexidade sendo denominados de modelos de redes neurais
Os modelos utilizados atualmente satildeo compostos de modelos teoacutericos exatos e empiacutericos Assim o
conhecimento teoacuterico eacute utilizado parcialmente para indicar uma classe adequada de funccedilotildees matemaacuteticas que satildeo
ajustadas empiricamente fazendo com que o ajuste dos seus paracircmetros seja realizado de forma experimental
Um dos aspectos relevantes para a seleccedilatildeo do modelo mais adequado estaacute na capacidade do mesmo em
reproduzir os dados conhecidos e as previsotildees futuras de forma acurada Assim se xt eacute a observaccedilatildeo real para o
periacuteodo t e tx eacute a previsatildeo para o mesmo periacuteodo Assim o erro na previsatildeo eacute definido por
ttt xxe ˆ (Equaccedilatildeo 4)
Se existirem observaccedilotildees e previsotildees para n periacuteodos as seguintes estatiacutesticas podem ser utilizadas
n
1t
en
1ME
t (Equaccedilatildeo 5)
Ie In
1MAE
n
1t
t
(Equaccedilatildeo 6)
n
1t
2
t en
1MSE (Equaccedilatildeo 7)
O erro meacutedio ME eacute definido como a meacutedia dos erros calculado na equaccedilatildeo 5 (et) Pelo somatoacuterio os valores
positivos e negativos tendem a se anular resultando em um valor baixo O erro meacutedio absoluto (MAE) eacute definido pelo
somatoacuterio dos moacutedulos dos erros e em seguida realiza-se a meacutedia dos valores absolutos encontrados No caacutelculo do
erro quadraacutetico (MSE) os erros se tornam positivos pela elevaccedilatildeo ao quadrado e a meacutedia eacute realizada com os valores
positivos encontrados
Considerando a escala em que os dados satildeo expressos pode-se definir o erro relativo como
100xˆ
PE t
t
t
x
xx (Equaccedilatildeo 8)
t
n
1t
PEn
1MPE
(Equaccedilatildeo 9)
IPE In
1MAPE t
n
1t
(Equaccedilatildeo 10)
O erro meacutedio percentual (MPE) eacute a meacutedia do erro percentual calculado em PEt para n periacuteodos Neste caso os
valores positivos e negativos dos erros percentuais tendem a se anular da mesma forma que para ME Da mesma
forma que para MAE o erro meacutedio absoluto percentual tambeacutem eacute obtido utilizando-se erros absolutos percentuais
17
23 ndash MODELO BOX-JENKINS
Os modelos ARIMA (Autoregressive Integrated Moving Average ndash Auto-Regressivos Integrados de Meacutedias
Moacuteveis) da famiacutelia de Box-Jenkins tem o objetivo de captar o comportamento da autocorrelaccedilatildeo (correlaccedilatildeo seriada)
entre os valores da seacuterie temporal e realizar previsotildees baseando-se neste comportamento
Dentre a famiacutelia de modelos destacam-se os Auto-Regressivos e os de Meacutedias Moacuteveis Aleacutem destes existem
ainda outras variaccedilotildees no qual satildeo tomadas d diferenccedilas de uma seacuterie natildeo estacionaacuteria visando tornaacute-la estacionaacuteria
(com meacutedia e variacircncia constantes ao longo do tempo) Existem ainda os modelos ARMA (Auto-Regressivos de Meacutedias
Moacuteveis) que satildeo utilizados quando natildeo haacute necessidade de realizar diferenciaccedilotildees para tornar a seacuterie estacionaacuteria
Outro modelo eacute conhecido como SARIMA (ou ARIMA Sazonal) que eacute utilizado para captar a sazonalidade de uma
seacuterie
Um benefiacutecio da utilizaccedilatildeo dos modelos Box-Jenkins estaacute relacionado ao fato do algoritmo do mesmo auxiliar o
usuaacuterio na escolha do melhor modelo por meio dos comportamentos dos graacuteficos da funccedilatildeo de autocorrelaccedilatildeo (FAC) e
da funccedilatildeo de autocorrelaccedilatildeo parcial (FACP)
A FAC eacute determinada atraveacutes da correlaccedilatildeo linear de cada valor yt da seacuterie de dados com outros valores em
lags distintos como yt-1 yt-2 e assim sucessivamente Assim o coeficiente de correlaccedilatildeo temporal (autocorrelaccedilatildeo) da
seacuterie temporal defasado por 1 2 ou mais periacuteodos eacute calculado pela seguinte equaccedilatildeo
n
1t
2
n
1tk
r
xx
xxxx
t
ktt
k (Equaccedilatildeo 11)
Na equaccedilatildeo anterior r1 indica como os valores sucessivos de x relacionam-se entre si r2 indica como os
valores de x defasados em dois periacuteodos relacionam-se entre si e assim sucessivamente Em conjunto as
autocorrelaccedilotildees defasadas em 1 2 k periacuteodos constituem a funccedilatildeo de autocorrelaccedilatildeo
A FACP por sua vez possui um conceito semelhante ao da FAC Eacute definida pela correlaccedilatildeo existente entre yt
e yt-2 por exemplo sem levar em consideraccedilatildeo os efeitos causados por yt-1 e yt-2 O coeficiente de autocorrelaccedilatildeo
parcial de ordem k definido por k pode ser obtido atraveacutes da estimaccedilatildeo dos coeficientes da regressatildeo muacuteltipla de x t
em funccedilatildeo de 1tx 2tx ktx conforme a proacutexima equaccedilatildeo
ktkttt xxxx 22110 (Equaccedilatildeo 12)
As autocorrelaccedilotildees parciais satildeo usadas para medir o grau de associaccedilatildeo entre as observaccedilotildees x t e xt-k quando
o efeito das outras observaccedilotildees defasadas no tempo em 1 2 k-1 periacuteodos satildeo removidas As autocorrelaccedilotildees
parciais 1 2 k constituem a FACP
Pelo fato deste processo permitir que usuaacuterios diferentes modelem diferentes equaccedilotildees a partir de uma mesma
seacuterie temporal pode existir certo grau de subjetividade na escolha do melhor modelo para a previsatildeo da seacuterie em
questatildeo
18
231 ndash Modelo ARMA (Auto-Regressivo a Meacutedia Moacutevel)
O modelo ARMA natildeo possui uma parte integrada Sendo assim satildeo utilizados para uma seacuterie temporal
estacionaacuteria com relaccedilatildeo agrave meacutedia e a variacircncia e satildeo definidos pelas equaccedilotildees a seguir
qtqttptptt eeexxcx 1111 (Equaccedilatildeo 13)
Existem restriccedilotildees aos valores cujos paracircmetros podem assumir nas equaccedilotildees anteriores a saber
Para p = 1 -1 lt 1 lt 1
Para p = 2 -1 lt 2 lt 1 1 + 2 lt 1 e 2 ndash 1 lt 1
Para p gt= 3 condiccedilotildees mais complexas prevalecem
Da mesma forma
Para q = 1 -1 lt 1 lt 1
Para q = 2 -1 lt 2 lt 1 1 + 2 lt 1 e 2 ndash 1 lt 1
Para p gt= 3 condiccedilotildees mais complexas prevalecem
Um dispositivo de notaccedilatildeo uacutetil eacute o operador de deslocamento retroativo definido por 1 tt xBx Assim B
operando sobre tx tem o efeito de deslocar os dados para traacutes em um periacuteodo Dessa forma
2
2)( ttt xxBBxB (Equaccedilatildeo 14)
Por meio da equaccedilatildeo acima que o modelo recebe a denominaccedilatildeo de Auto-Regressivo a Meacutedia Moacutevel (ARMA)
de ordens (pq) conforme expresso na equaccedilatildeo seguinte
t
MA
p
p
AR
t
p
p eBBcxBB
qp
)()(
11 11 (Equaccedilatildeo 15)
Os coeficientes 1 2 p e 1 2 q satildeo estimados para ajustarem-se agrave seacuterie temporal estudada
atraveacutes dos meacutetodos dos miacutenimos quadrados ou da maacutexima verossimilhanccedila A aplicaccedilatildeo do meacutetodo dos miacutenimos
quadrados eacute realizada atraveacutes de estimativas feitas iterativamente por softwares ateacute que soma dos erros quadraacuteticos
seja minimizada O meacutetodo da maacutexima verossimilhanccedila estima tambeacutem iterativamente os valores dos paracircmetros que
maximizem a verossimilhanccedila de um conjunto de observaccedilotildees
O modelo ARMA deve ter seus erros et distribuiacutedos aleatoriamente comportando-se como uma seacuterie de ruiacutedo
branco Os resiacuteduos natildeo satildeo ruiacutedo branco se as estatiacutesticas Q sugerida por Box-Pierce ou Q sugerida por Ljungndash
Box posicionarem-se no extremo 5 da cauda direita da distribuiccedilatildeo χ2 As expressotildees para caacutelculo das estatiacutesticas
Q de BoxndashPierce ou Q de Ljung-Box satildeo as seguintes
19
h
1k
2
k tnQ (Equaccedilatildeo 16)
h
1k
2
k
k-
r)2(
nnnQ (Equaccedilatildeo 17)
Onde
n = nuacutemero de observaccedilotildees da seacuterie
h = maacutexima defasagem dos coeficientes de correlaccedilatildeo dos resiacuteduos
Alguns autores apresentam procedimentos para identificaccedilatildeo das ordens p e q dos modelos ARMA por meio
dos graacuteficos das FAC e FACP como exemplificado no quadro a seguir
Modelo FAC FACP
ARMA (p0) Decaimento gradativo Decaimento brusco apoacutes defasagem p
ARMA (0q) Decaimento brusco apoacutes defasagem q Decaimento gradativo
ARMA (pq) Decaimento gradativo com onda
senoidal amortecida apoacutes a
defasagem (q-p)
Decaimento gradativo com onda
senoidal amortecida apoacutes a defasagem
(p-q)
Tabela 1 - Comportamento das FAC e FACP para Modelos Estacionaacuterios
Fonte Elaborado pelos Autores
232 ndash Modelo ARIMA
Em muitos casos as seacuteries temporais encontradas possuem tendecircncia apresentando um comportamento natildeo
estacionaacuterio No entanto para aplicar o meacutetodo de Box-Jenkins eacute necessaacuterio remover a tendecircncia da seacuterie atraveacutes da
diferenciaccedilatildeo ou seja aplicar sobre a mesma o operador (1 ndash B) no modelo ARMA conforme equaccedilatildeo a seguir
tttt xBxxx )1(1
(Equaccedilatildeo 18)
Desta forma a expressatildeo do modelo ARIMA (pdq) ndash auto regressivo integrado a meacutedia moacutevel de ordem p d
q eacute a expressatildeo do modelo ARMA (pq) acrescido do fator de diferenciaccedilatildeo de ordem d responsaacutevel pela descriccedilatildeo do
comportamento de tendecircncia da seacuterie conforme representado na equaccedilatildeo a seguir
t
MA
p
p
I
t
d
AR
p
p eBBcxBBB
qdp
)()()(
111 11 (Equaccedilatildeo 19)
233 ndash Modelo ARIMA Sazonal (SARIMA)
O comportamento mais geral de seacuteries histoacutericas natildeo estacionaacuterias eacute o que combina o padratildeo de tendecircncia
com o padratildeo de sazonalidade O meacutetodo de Box-Jenkins recomenda a remoccedilatildeo tanto da tendecircncia quanto da
sazonalidade das seacuteries diferenciando-a duas vezes Eacute recomendado que a diferenciaccedilatildeo sazonal sobre a seacuterie
20
original seja feita em primeiro lugar uma vez que em alguns casos sua aplicaccedilatildeo jaacute torna a seacuterie estacionaacuteria como
mostrado na expressatildeo a seguir (para uma seacuterie com nuacutemero de periacuteodos com ciclo sazonal igual a 12)
tttt xBxxx )1( 12
12
(Equaccedilatildeo 20)
Nos casos em que se torna necessaacuteria a segunda diferenciaccedilatildeo faz necessaacuteria aplicar o operador )1( B na
mesma conforme equaccedilatildeo a seguir
ttttt xBBxBxxx 12
1
11)1( (Equaccedilatildeo 21)
24 ndash MEacuteTODO DO AMORTECIMENTO EXPONENCIAL
Historicamente o amortecimento exponencial descreve uma classe de meacutetodos de previsatildeo De fato alguns
dos meacutetodos mais utilizados para esse fim satildeo baseados nesse conceito cada um deles utilizando a propriedade em
que os pesos das observaccedilotildees mais recentes satildeo maiores do que aqueles referentes a observaccedilotildees no passado
Assim o nome ldquoamortecimento exponencialrdquo reflete no fato de que os pesos (atraveacutes do uso da meacutedia ponderada)
diminuem exponencialmente agrave medida que as observaccedilotildees satildeo mais antigas
Os primeiros registros da utilizaccedilatildeo do meacutetodo satildeo de Robert G Brown em 1944 enquanto desenvolvia
trabalhos como analista de Pesquisa Operacional na Marinha Americana enquanto desenvolvia um dispositivo
mecacircnico para monitorar a velocidade e o acircngulo de tiros disparados de submarinos Em 1950 ele estendeu o uso
desse meacutetodo para seacuteries temporais discretas incluindo termos para lidar com as componentes de sazonalidade e
tendecircncia
Paralelamente Charles Holt tambeacutem estava trabalhando em um meacutetodo de amortecimento exponencial para o
Escritoacuterio Americano de Pesquisas Navais O seu trabalho em modelos sazonais aditivos e multiplicativos se tornaram
conhecidos atraveacutes de um artigo publicado por seu estudante Peter Winters em 1960 aplicando testes empiacutericos ao
meacutetodo de Holt Como resultado a versatildeo da ferramenta que trabalha com a componente sazonal eacute denominada de
Holt-Winters
Os modelos de suavizaccedilatildeo exponencial satildeo largamente utilizados devido a sua simplicidade e baixo custo
Assim quando se necessitam previsotildees para milhares de itens como eacute o caso em muitos sistemas de gestatildeo esses
modelos satildeo muitas vezes os uacutenicos suficientemente raacutepidos e baratos para assegurar uma implementaccedilatildeo viaacutevel
Dessa forma existem trecircs classes de meacutetodos de amortecimento exponencial a saber
1 ndash Seacuteries localmente constantes analisadas pelos modelos de meacutedias moacuteveis simples ou amortecimento
exponencial
2 ndash Seacuteries com tendecircncias que utilizam o modelo de Holt
3 ndash Seacuteries com comportamento sazonal que utilizam o modelo Holt-Winters
241 ndash Meacutetodos de Amortecimento Exponencial Simples
21
O meacutetodo de suavizaccedilatildeo exponencial simples tem melhor precisatildeo para seacuteries de padratildeo horizontal isto eacute
agravequelas que natildeo apresentam tendecircncia nem sazonalidade e eacute apropriado para previsotildees de curto prazo Seu algoritmo
de previsatildeo utiliza a seguinte expressatildeo da equaccedilatildeo
ttt xxx ˆ1ˆ1 (Equaccedilatildeo 22)
Onde
1ˆtx = previsatildeo para o periacuteodo t+1
α = constante de suavizaccedilatildeo cujo valor encontra-se entre 0 e 1
tx = uacuteltimo valor observado
tx = uacuteltimo valor observado com peso (1 ndash α)
Expandindo-se a expressatildeo acima pela substituiccedilatildeo de tx 1ˆtx 2
ˆtx por seus componentes resulta em
1113211ˆ)1()1(3)1(2)1(1ˆ xxxxxxx ttttttt (Equaccedilatildeo 23)
Assim 1ˆtx eacute uma meacutedia ponderada de todas as observaccedilotildees passadas constituindo os coeficientes de
ponderaccedilatildeo uma seacuterie decrescente exponencialmente para valores de α entre 0 e 1 Dessa constataccedilatildeo origina-se o
nome amortecimento exponencial Analisando-se a uacuteltima equaccedilatildeo verifica-se que a constante de suavizaccedilatildeo α
determina a rapidez do decaimento dos coeficientes (pesos) A escolha do valor para a constante de suavizaccedilatildeo pode
ser arbitraacuteria ou condicionada a algum criteacuterio que na maioria das vezes consiste na minimizaccedilatildeo do erro quadraacutetico
meacutedio atribuiacutedo ao desempenho do meacutetodo
A constante de suavizaccedilatildeo estaacute diretamente ligada agrave velocidade de resposta das previsotildees agraves variaccedilotildees das
observaccedilotildees ou seja quanto menor o valor de α mais lenta eacute a resposta Valores maiores que α causam reaccedilotildees
mais raacutepidas das previsotildees agraves variaccedilotildees das observaccedilotildees podendo causar instabilidade no desempenho do meacutetodo
Como o peso da primeira previsatildeo 1x eacute (1 ndash α)t verifica-se que menor importacircncia um fator teraacute para a
previsatildeo de t+1 quanto mais proacuteximo de um for e quanto maior for o t Como eacute necessaacuterio ter o valor de 1x eacute feita a
suposiccedilatildeo de que 1x = 1x ou seja igual agrave uacuteltima observaccedilatildeo O erro decorrente dessa suposiccedilatildeo seraacute tanto menor
quanto maiores forem α e t
Alternativamente a expressatildeo inicial desse item pode ser representada como
1ˆtx = tx + α( tx ndash tx ) (Equaccedilatildeo 24)
1ˆtx = tx + α te (Equaccedilatildeo 25)
Atraveacutes da anaacutelise da uacuteltima equaccedilatildeo pode-se concluir que o meacutetodo de suavizaccedilatildeo exponencial simples
prevecirc o valor de uma seacuterie temporal tomando a previsatildeo para o periacuteodo anterior e ajustando-a pelo valor do erro no
mesmo periacuteodo
22
242 ndash Meacutetodo de Holt
O meacutetodo de Holt pode ser utilizado de maneira satisfatoacuteria em seacuteries temporais com tendecircncia linear
mediante o uso de uma funccedilatildeo de ponderaccedilatildeo que daacute maior importacircncia aos periacuteodos de tempo mais recentes Seu
algoritmo de previsatildeo utiliza as seguintes expressotildees
))(1( 11 tttt TLxL (Equaccedilatildeo 26)
11 )1)(( tttt TLLT (Equaccedilatildeo 27)
mtx ˆ
tt mTL (Equaccedilatildeo 28)
Onde
mtx ˆ = previsatildeo para o periacuteodo t+m
= constantes de suavizaccedilatildeo com valor entre 0 e 1 que determinam a rapidez de decaimento dos pesos
da seacuterie quanto mais proacuteximo de um maior o peso das observaccedilotildees recentes
tL = estimativa do niacutevel da seacuterie no tempo t
tT = estimativa de declividade da seacuterie no tempo t
Como o meacutetodo de Holt baseia-se na aplicaccedilatildeo recursiva das expresses anteriores satildeo necessaacuterios tambeacutem
como dados de entrada tL e tT que podem ser considerados como 1L 1x e 1T 12 xx Outra forma de caacutelculo eacute a
regressatildeo linear simples aplicada aos dados da seacuterie temporal onde se obteacutem o valor da declividade da seacuterie temporal
e de 0L em sua origem
243 ndash Meacutetodo de Winters
Os meacutetodos de Winters dividem-se em dois grupos aditivo e multiplicativo No meacutetodo aditivo a amplitude da
variaccedilatildeo sazonal eacute constante ao longo do tempo ou seja a diferenccedila entre o maior e menor valor de demanda dentro
das estaccedilotildees permanece relativamente constante no tempo No meacutetodo multiplicativo a amplitude da variaccedilatildeo sazonal
aumente ou diminui como funccedilatildeo do tempo
2431 ndash Meacutetodo Sazonal Multiplicativo de Winters
))(1( 11
tt
t
t
t TLSS
xL (Equaccedilatildeo 29)
11 )1()( tttt TLLT (Equaccedilatildeo 30)
SSL
xS t
t
t
t
1 (Equaccedilatildeo 31)
mSSmTLx tttmt ˆ (Equaccedilatildeo 32)
23
Onde
mtx ˆ = previsatildeo para o periacuteodo t+m
= constantes de suavizaccedilatildeo que variam entre 0 e 1
tx = observaccedilatildeo mais recente
tL = estimativa do niacutevel de seacuterie no tempo t
tT = estimativa de declividade da seacuterie no tempo t
tS = componente de sazonalidade no tempo t
S = nuacutemero de subperiacuteodos do ano (sazonalidade)
A escolha de valores para as constantes de suavizaccedilatildeo eacute condicionada a algum criteacuterio que na maioria das
vezes consiste na minimizaccedilatildeo por meio do algoritmo de minimizaccedilatildeo linear do erro quadraacutetico meacutedio (MSE) atribuiacutedo
ao desempenho do meacutetodo
Como o meacutetodo multiplicativo de Winters baseia-se na aplicaccedilatildeo recursiva das equaccedilotildees deste item e que
deve ser iniciada em algum periacuteodo do passado no qual os valores de TL TT e TS devem ser estimados A maneira
mais simples de inicializar o niacutevel de tendecircncia no periacuteodo S O niacutevel eacute inicializado no primeiro periacuteodo sazonal da
seguinte forma
S
Sxxxx
SL
1
321
(Equaccedilatildeo 33)
Para inicializar a tendecircncia eacute conveniente o uso de dois ciclos completos isto eacute 2S periacuteodos como descrito
abaixo
S
xx
S
xx
S
xx
ST SSSSS
S 1 2211 (Equaccedilatildeo 34)
Por ultimo os iacutendices sazonais satildeo inicializados usando-se a razatildeo das primeiras observaccedilotildees como a meacutedia
do primeiro ano com descrito a seguir
S
xS
L
11
S
xS
L
22
S
S
s
xS
L (Equaccedilatildeo 35)
2432 ndash Meacutetodo Sazonal Aditivo de Winters
O meacutetodo aditivo de Winters eacute utilizado na modelagem dos dados sazonais no qual a amplitude do ciclo
sazonal permanece constante com o passar do tempo
Aleacutem disso a amplitude da variaccedilatildeo sazonal eacute constante ao longo do tempo ou seja a diferenccedila entre o maior
e o menor valor de demanda dentro das estaccedilotildees permanece relativamente constante no tempo As equaccedilotildees
matemaacuteticas satildeo
))(1()( 11 ttttt TLSSxL (Equaccedilatildeo 36)
24
11 )1()( tttt TLLT (Equaccedilatildeo 37)
Stttt SLxS )1()( St = γ(xt - Lt) + (1- γ)St-S (Equaccedilatildeo 38)
mStttmt SmTLx ˆ (Equaccedilatildeo 39)
A segunda equaccedilatildeo deste item eacute igual agravequela do meacutetodo multiplicativo de Winters O restante das equaccedilotildees se
diferem por iacutendice sazonais serem somados e subtraiacutedos ao inveacutes de serem tomados em produtos ou divisotildees
Os valores iniciais de SL e ST satildeo iguais aos do meacutetodo multiplicativo Os iacutendices sazonais satildeo inicializados da
seguinte forma
SLxS 11 SLxS 22 SSS LxS (Equaccedilatildeo 40)
25 ndash SELECcedilAtildeO DE MODELOS
A partir do momento em que vaacuterios modelos ajustam-se a uma seacuterie temporal deve-se eleger aquele que
melhor representa o seu comportamento por meio da anaacutelise de seus paracircmetros Neste trabalho os paracircmetros seratildeo
utilizados os seguintes paracircmetros de forma primordial na definiccedilatildeo do modelo mais apropriado
251 ndash Maacuteximo R2
A estatiacutestica R2 eacute definida por
n
1t
2
2n
1t2
ˆ
1
tt
tt
xx
xx
R (Equaccedilatildeo 41)
Onde
tx = observaccedilatildeo real para o periacuteodo t
tx = previsatildeo para o periacuteodo t
Uma medida de R2 mais proacutexima de zero indica um modelo com ajuste pobre enquanto que um valor proacuteximo
de um indica um bom ajuste
252 ndash Miacutenimo BIC (Bayesian Information Criterion)
Este criteacuterio penaliza os modelos com muitos paracircmetros sendo portanto um criteacuterio de verosimilhanccedila
penalisada Vale ressaltar que o BIC natildeo deve ser utilizado de forma isolada mas em conjunto com outros paracircmetros
na comparaccedilatildeo com diversos modelos
O BIC eacute definido pela seguinte expressatildeo
25
nm
nMSEBIC2
(Equaccedilatildeo 42)
nm
tt nxxn
BIC22
n
1t
ˆ1
(Equaccedilatildeo 43)
Onde
m = nuacutemero de paracircmetros do modelo
n = nuacutemero de observaccedilotildees da seacuterie temporal
3 - DESENVOLVIMENTO
31 ndash ANAacuteLISE DA SEacuteRIE
A seacuterie a seguir apresenta os dados quantitativos da evoluccedilatildeo do volume de produccedilatildeo de caminhotildees no Brasil
Tratam-se de dados mensais entre janeiro de 1957 e dezembro de 2011 totalizando 660 observaccedilotildees
5000
10000
15000
20000
60 65 70 75 80 85 90 95 0 5 10
Legend
PRODUCAO
Figura 2 - Seacuterie de Volume de Produccedilatildeo no Brasil
Fonte Elaborado pelos Autores 2012
26
32 ndash ANAacuteLISE DESCRITIVA
O primeiro passo foi a anaacutelise descritiva da seacuterie visando obter uma anaacutelise inicial para definir o modelo de
previsatildeo mais adequado agraves suas caracteriacutesticas
Utilizando o software Minitab obteve-se a seguinte tabela
Figura 3 - Estatiacutesticas Descritivas da Seacuterie Inicial
Fonte Minitab 2012
O coeficiente de correlaccedilatildeo de Pearson indica a razatildeo entre o desvio padratildeo e a meacutedia de uma seacuterie cujo
caacutelculo eacute representado por
CV = desvio padratildeomeacutedia
Introduzindo os valores do desvio padratildeo (3515) e da meacutedia da amostra (5560) na foacutermula anterior obteacutem-se o
seguinte resultado
CV = 35155560 = 06322 ~ 63 de grau de dispersatildeo
Essa medida eacute utilizada quando se pretende comparar duas ou mais distribuiccedilotildees de probabilidade quanto agraves
suas variabilidades atuando como uma medida de variabilidade relativa
Na teoria de probabilidade o grau de simetria eacute uma medida de assimetria da distribuiccedilatildeo de valores reais
aleatoacuterios O grau de simetria pode ser positivo ou negativo ou mesmo indefinido Qualitativamente um valor negativo
em que a cauda no lado esquerdo da funccedilatildeo de densidade de probabilidade eacute maior do que o lado direito e a maioria
dos valores tende ao lado direito da meacutedia De mesma forma um valor positivo indica que a cauda no lado direito eacute
maior do que o lado esquerdo e que a maioria dos valores tende ao lado esquerdo da meacutedia O valor zero indica que
valores relativos igualmente distribuiacutedos dos dois lados ao redor da meacutedia mas natildeo necessariamente implica em uma
distribuiccedilatildeo simeacutetrica
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de grau de simetria (skewness) O valor positivo do grau de
simetria indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa conforme apresentado no
histograma a seguir
27
dados
Fre
qu
en
cy
200001600012000800040000
120
100
80
60
40
20
0
Mean 5560
StDev 3515
N 660
Histogram (with Normal Curve) of dados
Figura 4 - Histograma da Seacuterie Inicial
Fonte SPSS 2012
De forma similar o conceito de curtose trata-se da uma medida de dispersatildeo para descriccedilatildeo da forma da
distribuiccedilatildeo de probabilidades e como o grau de simetria existem formas diferentes de quantificaacute-la como uma
distribuiccedilatildeo teoacuterica e formas correspondentes de estimaacute-la a partir de uma amostra oriunda de uma populaccedilatildeo Essa
medida indica o grau de achatamento curva de distribuiccedilatildeo de probabilidade
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de curtose (kurtosis) O valor positivo do grau de simetria
indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa O valor positivo indica um
comportamento leptocuacutertica indicando que a mesma eacute mais alta e mais concentrada que a distribuiccedilatildeo normal
O Teste de Normalidade realizado com 95 de niacutevel de confianccedila gerou um p-value nulo ou seja abaixo dos
5 de significacircncia Desta maneira a hipoacutetese nula de que os dados apresentariam uma distribuiccedilatildeo normal foi
rejeitada
Tests of Normality
105 660 000 860 660 000VAR00001
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 5 - Teste de Normalidade da Seacuterie Inicial
Fonte SPSS 2012
28
O teste de Kolmogorov-Smirnov eacute utilizado para determinar se duas distribuiccedilotildees de probabilidade diferem uma
da outra ou natildeo O graacutefico abaixo referente a este testem evidencia o comportamento da distribuiccedilatildeo frente ao
comportamento da distribuiccedilatildeo normal
dados
Pe
rce
nt
2500020000150001000050000-5000-10000
9999
99
95
80
50
20
5
1
001
Mean
lt0010
5560
StDev 3515
N 660
KS 0105
P-Value
Teste de Normalidade Kolmogorov-SmirnovNormal
Figura 6 - Teste de Kolmogorov-Smirnov para a Seacuterie Inicial
Fonte SPSS 2012
Assim faz-se necessaacuterio uma transformaccedilatildeo na seacuterie para adequaccedilatildeo dos dados para uma distribuiccedilatildeo
normal Para tal modificaccedilatildeo neste trabalho foi utilizada a distribuiccedilatildeo logariacutetmica na base 10
Apoacutes a transformaccedilatildeo o teste de normalidade foi realizado novamente (tambeacutem com 95 de significacircncia) O
resultado eacute apresentado na tabela a seguir
Tests of Normality
042 660 007 994 660 009log10
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 7 - Teste de Normalidade para a Seacuterie Transformada
Fonte SPSS 2012
Conforme pode ser observado na tabela acima o p-value foi proacuteximo de 001 menor que 005 Apesar do
pressuposto de normalidade dos dados natildeo ter sido alcanccedilado esta base de dados seraacute utilizada nas modelagens
para fins acadecircmicos e seraacute tomado como premissa que a distribuiccedilatildeo estaacute normalizada
29
O teste graacutefico de normalidade de Kolmogorov-Smirnov foi realizado para a distribuiccedilatildeo transformada O
graacutefico abaixo evidencia o comportamento dos dados da distribuiccedilatildeo frente ao comportamento da distribuiccedilatildeo normal
auxiliando na conclusatildeo do teste anterior
log 10
Pe
rce
nt
4540353025
9999
99
95
80
50
20
5
1
001
Mean
lt0010
3668
StDev 02593
N 660
KS 0042
P-Value
Teste de Normalidade Kolmogorov-Smirnov - log 10Normal
Figura 8 - Teste de Kolmogorov-Smirnov para a Seacuterie Transformada
Fonte SPSS 2012
A seguir tem-se o histograma da seacuterie transformada evidenciando a mudanccedila do comportamento dos dados
30
log 10
Fre
qu
en
cy
42403836343230
70
60
50
40
30
20
10
0
Mean 3668
StDev 02593
N 660
Histogram of log 10Normal
Figura 9 - Histograma da Seacuterie Transformada
Fonte SPSS 2012
O teste da igualdade de variacircncias eacute aplicado com o objetivo de verificar se devem ou natildeo ser assumidas
igualdade entre as variacircncias das populaccedilotildees Para isso foi utilizado na anaacutelise o Teste de Levene cujas hipoacuteteses
satildeo as seguintes
H0 as variacircncias nas duas populaccedilotildees satildeo iguais ou seja existe homocedasticidade (σ1 = σ2 ou σ1 = σ2 = 0)
Neste caso assume-se a estatiacutestica Sig F gt 005
H1 as variacircncias nas duas populaccedilotildees satildeo diferentes ou seja natildeo existe homocedasticidade (σ1 ne σ2 ou σ1 ne
σ2 ne 0) Neste caso assume-se a estatiacutestica Sig F lt ou = 005
Para a realizaccedilatildeo do teste dividiu-se a populaccedilatildeo em dois grupos iguais (grupos denominados como 0 e 1
cada um com 330 unidades) Os resultados satildeo os seguintes
31
Group Statistics
330 35473 23553 01297
330 37896 22313 01228
Teste de Lev ene0
1
log10N Mean Std Dev iation
Std Error
Mean
Independent Samples Test
5981 015 -13569 658 000 -24235 01786 -27742 -20728
-13569 656086 000 -24235 01786 -27742 -20728
Equal variances
assumed
Equal variances
not assumed
log10F Sig
Lev enes Test for
Equality of Variances
t df Sig (2-tailed)
Mean
Dif f erence
Std Error
Dif f erence Lower Upper
95 Conf idence
Interv al of the
Dif f erence
t-test f or Equality of Means
Figura 10 - Teste de Homocedasticidade para a Seacuterie Transformada
Fonte SPSS 2012
Pelo resultado do teste pode-se verificar que o valor de ldquoSigrdquo (referente ao p-value) foi de 0015 onde se
conclui que a hipoacutetese nula que leva em consideraccedilatildeo que a variacircncia da seacuterie eacute constante pode ser aceita
33 ndash MODELOS DE PREVISAtildeO
Neste trabalho seratildeo analisados os seguintes modelos de previsatildeo
1 ndash Box Jenkins
2 ndash Suavizaccedilatildeo Exponencial
Para determinar o modelo de previsatildeo mais adequado foi utilizado o software Forecast Pro for Windows (FPW)
Todas as previsotildees foram realizadas utilizando a seacuterie com a variaacutevel transformada a fim de atender o
pressuposto de normalidade da seacuterie necessaacuterio nos modelos de previsatildeo
32
Figura 11 - Seleccedilatildeo da Seacuterie para a Previsatildeo
Fonte FPW 2012
331 ndash Box-Jenkins
Apoacutes a apresentaccedilatildeo e anaacutelises dos pressupostos necessaacuterios para a aplicaccedilatildeo do modelo Box-Jenkins seratildeo
realizadas as anaacutelises que demonstram a funccedilatildeo de autocorrelaccedilatildeo (FAC) e funccedilatildeo de autocorrelaccedilatildeo parcial (FACP)
Figura 12 - FAC da Seacuterie
Fonte FPW 2012
33
Figura 13 - FACP da Seacuterie
Fonte FPW 2012
Nota-se na Figura XXX FAC da seacuterie que a seacuterie decai muito lentamente indicando tendecircncia logo faz-se
necessaacuterio realizar uma diferenciaccedilatildeo na parte simples
Apoacutes a diferenciaccedilatildeo obtiveram-se os seguintes novos graacuteficos para a funccedilatildeo de autocorrelaccedilatildeo e funccedilatildeo de
autocorrelaccedilatildeo parcial
Figura 14 - FAC da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
34
Figura 15 - FACP da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
Apoacutes a realizaccedilatildeo da diferenciaccedilatildeo os seguintes modelos foram testados
1 ndash ARIMA (110)
2 ndash ARIMA (011)
3 ndash ARIMA (210)
4 ndash ARIMA (012)
5 ndash ARIMA (111)
A seguir cada modelo seraacute demonstrado
1 ndash ARIMA (110)
Figura 16 - Resultado ARIMA (110)
Fonte FPW 2012
35
Figura 17 - FAC dos Resiacuteduos ARIMA (110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08746) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel a(1) foi considerada significativa
2 - ARIMA (011)
Figura 18 - Resultado ARIMA (011)
Fonte FPW 2012
36
Figura 19 - FAC dos Resiacuteduos ARIMA (011)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel b(1) foi considerada significativa
3 - ARIMA (210)
Figura 20 - Resultado ARIMA (210)
Fonte FPW 2012
37
Figura 21 - FAC dos Resiacuteduos ARIMA (210)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08765) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
4 - ARIMA (012)
Figura 22 - Resultado ARIMA (012)
Fonte FPW 2012
38
Figura 23 - FAC dos Resiacuteduos ARIMA (012)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08777) com lag significativo nas fases 12 24 e 36 no graacutefico da FAC dos
resiacuteduos As variaacuteveis b(1) e b(2) foram consideradas significativas
5 - ARIMA (111)
Figura 24 - Resultado ARIMA (111)
Fonte FPW 2012
39
Figura 25 - FAC dos Resiacuteduos ARIMA (111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08811) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e b(1) foi considerada significativa
Observando os resultados obtidos nos cinco modelos anteriores fica evidente a semelhanccedila da presenccedila dos
lags significativos nas fases 12 24 e 36 no graacutefico da FAC dos resiacuteduos indicando a existecircncia de sazonalidade na
seacuterie modelada Assim torna-se necessaacuterio diferenciar a fase sazonal dos dados
Apoacutes a diferenciaccedilatildeo simples foram realizadas as seguintes diferenciaccedilotildees sazonais obtendo-se os seguintes
resultados para os modelos SARIMA
6 ndash SARIMA (011)(010)
Figura 26 - Resultado SARIMA (011)(010)
Fonte FPW 2012
40
Figura 27 - FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel b(1) foi considerada significativa
7 ndash SARIMA (110)(010)
Figura 28 - Resultado SARIMA (011)(010)
Fonte FPW 2012
41
Figura 29 - FAC dos Resiacuteduos SARIMA (011)(010)
Figura 29 ndash FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08305) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel a(1) foi considerada significativa
8 ndash SARIMA (210)(010)
Figura 30 - Resultado SARIMA (210)(010)
Fonte FPW 2012
42
Figura 31 - FAC dos Resiacuteduos SARIMA (210)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08337) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
9 ndash SARIMA (012)(010)
Figura 32 - Resultado SARIMA (012)(010)
Fonte FPW 2012
43
Figura 33 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
10 ndash SARIMA (111)(010)
Figura 34 - Resultado SARIMA (111)(010)
Fonte FPW 2012
44
Figura 35 - FAC dos Resiacuteduos SARIMA (111)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 12 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1
11 ndash SARIMA (011)(110)
Figura 36 - Resultado SARIMA (011)(110)
Fonte FPW 2012
45
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08623) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis A(12) e b(1) foram consideradas significativas
12 ndash SARIMA (110)(110)
Figura 38 - Resultado SARIMA (011)(110)
Fonte FPW 2012
46
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08595) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e A(12) foram consideradas significativas
13 ndash SARIMA (210)(110)
Figura 40 - Resultado SARIMA (210)(110)
Fonte FPW 2012
47
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08620) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) a(2) e A(12) foram consideradas significativas
14 ndash SARIMA (012)(010)
Figura 42 - Resultado SARIMA (012)(010)
Fonte FPW 2012
48
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08625) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
15 ndash SARIMA (111)(110)
Figura 44 - Resultado SARIMA (111)(110)
Fonte FPW 2012
49
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08626) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 24 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1 e MA = 1
16 ndash SARIMA (011)(111)
Figura 46 - Resultado SARIMA (011)(111)
Fonte FPW 2012
50
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) e B(12) foram consideradas significativas pelo modelo
17 ndash SARIMA (110)(111)
Figura 48 - Resultado SARIMA (110)(111)
Fonte FPW 2012
51
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09010) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) e B(12) foram consideradas significativas pelo modelo
18 ndash SARIMA (210)(111)
Figura 50 - Resultado SARIMA (210)(111)
Fonte FPW 2012
52
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) a(12) e B(12) foram consideradas significativas pelo modelo
19 ndash SARIMA (012)(111)
Figura 52 ndash Resultado SARIMA (012)(111)
Fonte FPW 2012
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
5
Paper Abstract presented to the Statistics Deparment Coordination at Juiz de Fora Federal State University as a part to
fulfill the requirements for the Forecasting Computer Methods Course
FORECASTING METHODS APPLIED TO A TIME SERIES RELATED TO TRUCKSrsquoPRODUCTION VOLUME
Isaac dos Santos Lourenccedilo
Luis de Oliveira Nascimento
July2012
Advisor Reinaldo Castro Souza
Co-Advisor Fernando Luiz Cyrino Oliveira
Course Forecasting Computer Methods
This paper aims to define a forecasting model to trucksrsquo monthly production volume produced in Brazil This product is
classified as an industrial asset and its consumption is related to economics and politics scenarios like government
structure constructions industrial monthly global index taxes incentives and available credit to fleet renewal With the
beginning of the government standard Proconve 7 all the trucks are now equipped with the new Euro 5 powertrain
system in this scenario it is important build a forecasting model to the trucksrsquo production volume to analyze how the
market will behave with the trucks new costs and structure In this paper will be analyzed the models and methods of
Box-Jenkins and Exponential Smoothing families Among all possible analyzed models it will be adopted as the ideal
model through the analysis of the determination coefficient R2-Adjusted and MAPE and BIC parameters In the
conclusion the forecasting for three months of 2012 will be done to check the chosen model efficiency
Key-words Forecasting Exponential Smoothing Box-Jenkins Proconve7
iv
6
LISTA DE TABELAS
Tabela 1 - Comportamento das FAC e FACP para Modelos Estacionaacuterios 19
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins 54
Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial 59
Tabela 4 ndash Comparaccedilatildeo de Resultados Globais 59
v
7
LISTA DE FIGURAS
Figura 1 - Fechamento da Quantidade de Veiacuteculos Licenciados em 2011 12
Figura 2 - Seacuterie de Volume de Produccedilatildeo no Brasil 25
Figura 3 - Estatiacutesticas Descritivas da Seacuterie Inicial 26
Figura 4 - Histograma da Seacuterie Inicial 27
Figura 5 - Teste de Normalidade da Seacuterie Inicial 27
Figura 6 - Teste de Kolmogorov-Smirnov para a Seacuterie Inicial 28
Figura 7 - Teste de Normalidade para a Seacuterie Transformada 28
Figura 8 - Teste de Kolmogorov-Smirnov para a Seacuterie Transformada 29
Figura 9 - Histograma da Seacuterie Transformada 30
Figura 10 - Teste de Homocedasticidade para a Seacuterie Transformada 31
Figura 11 - Seleccedilatildeo da Seacuterie para a Previsatildeo 32
Figura 12 - FAC da Seacuterie 32
Figura 13 - FACP da Seacuterie 33
Figura 14 - FAC da Seacuterie com Diferenciaccedilatildeo Simples = 1 33
Figura 15 - FACP da Seacuterie com Diferenciaccedilatildeo Simples = 1 34
Figura 16 - Resultado ARIMA (110) 34
Figura 17 - FAC dos Resiacuteduos ARIMA (110) 35
Figura 18 - Resultado ARIMA (011) 35
Figura 19 - FAC dos Resiacuteduos ARIMA (011) 36
Figura 20 - Resultado ARIMA (210) 36
Figura 21 - FAC dos Resiacuteduos ARIMA (210) 37
Figura 22 - Resultado ARIMA (012) 37
Figura 23 - FAC dos Resiacuteduos ARIMA (012) 38
Figura 24 - Resultado ARIMA (111) 38
Figura 25 - FAC dos Resiacuteduos ARIMA (111) 39
Figura 26 - Resultado SARIMA (011)(010) 39
Figura 27 - FAC dos Resiacuteduos SARIMA (011)(010) 40
Figura 28 - Resultado SARIMA (011)(010) 40
Figura 29 - FAC dos Resiacuteduos SARIMA (011)(010) 41
Figura 30 - Resultado SARIMA (210)(010) 41
Figura 31 - FAC dos Resiacuteduos SARIMA (210)(010) 42
Figura 32 - Resultado SARIMA (012)(010) 42
vi
8
Figura 33 - FAC dos Resiacuteduos SARIMA (012)(010) 43
Figura 34 - Resultado SARIMA (111)(010) 43
Figura 35 - FAC dos Resiacuteduos SARIMA (111)(010) 44
Figura 36 - Resultado SARIMA (011)(110) 44
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110) 45
Figura 38 - Resultado SARIMA (011)(110) 45
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110) 46
Figura 40 - Resultado SARIMA (210)(110) 46
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110) 47
Figura 42 - Resultado SARIMA (012)(010) 47
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010) 48
Figura 44 - Resultado SARIMA (111)(110) 48
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110) 49
Figura 46 - Resultado SARIMA (011)(111) 49
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111) 50
Figura 48 - Resultado SARIMA (110)(111) 50
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111) 51
Figura 50 - Resultado SARIMA (210)(111) 51
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111) 52
Figura 52 ndash Resultado SARIMA (012)(111) 52
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111) 53
Figura 54 ndash Resultado SARIMA (111)(111) 53
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111) 54
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade 55
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade 55
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt) 56
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade 56
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters) 57
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters) 57
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva 58
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva 58
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111) 60
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111) 61
vii
9
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111) 61
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111) 62
SUMAacuteRIO
ix
viii
10
1 ndash INTRODUCcedilAtildeO 10
11 ndash CONSIDERACcedilOtildeES INICIAIS 11
12 ndash OBJETIVO 13
13 ndash JUSTIFICATIVAS 13
14 ndash CONDICcedilOtildeES DE CONTORNO 13
15 ndash METODOLOGIA 13
2 ndash REVISAtildeO BIBLIOGRAacuteFICA 14
21 ndash SEacuteRIES TEMPORAIS 14
22 ndash PREVISAtildeO DE SEacuteRIES TEMPORAIS 14
23 ndash MODELO BOX-JENKINS 17
231 ndash Modelo ARMA (Auto-Regressivo a Meacutedia Moacutevel) 18
232 ndash Modelo ARIMA 19
233 ndash Modelo ARIMA Sazonal (SARIMA) 19
24 ndash MEacuteTODO DO AMORTECIMENTO EXPONENCIAL 20
241 ndash Meacutetodos de Amortecimento Exponencial Simples 20
242 ndash Meacutetodo de Holt 22
243 ndash Meacutetodo de Winters 22
25 ndash SELECcedilAtildeO DE MODELOS 24
251 ndash Maacuteximo R2 24
252 ndash Miacutenimo BIC (Bayesian Information Criterion) 24
3 - DESENVOLVIMENTO 25
31 ndash ANAacuteLISE DA SEacuteRIE 25
32 ndash ANAacuteLISE DESCRITIVA 26
33 ndash MODELOS DE PREVISAtildeO 31
331 ndash Box-Jenkins 32
332 ndash Amortecimento Exponencial 55
34 ndash COMPARACcedilAtildeO ENTRE MODELOS 59
4 - CONCLUSAtildeO 60
41 ndash PREVISAtildeO FINAL 60
42 ndash CONSIDERACcedilOtildeES FINAIS 62
5 - REFEREcircNCIAS 63
1 ndash INTRODUCcedilAtildeO
11
11 ndash CONSIDERACcedilOtildeES INICIAIS
A junccedilatildeo de dois fatores de extrema importacircncia faz a induacutestria de veiacuteculos comerciais acelerar suas vendas a
aproximaccedilatildeo da entrada da nova legislaccedilatildeo brasileira de emissatildeo de gases estabelecendo o padratildeo Euro 5 a partir de
janeiro de 2012 e a virada para um ano eleitoral
A Associaccedilatildeo Nacional dos Fabricantes de Veiacuteculos Automotores (ANFAVEA) do Brasil fundada em 15 de
maio de 1956 reuacutene empresas fabricantes de autoveiacuteculos (automoacuteveis comerciais leves caminhotildees ocircnibus) e
maacutequinas agriacutecolas automotrizes (tratores de rodas e de esteiras colheitadeiras e retroescavadeiras) com instalaccedilotildees
industriais no Brasil
A entidade tem atribuiccedilatildeo de estudar temas da induacutestria e do mercado de veiacuteculos e maacutequinas agriacutecolas
automotrizes aleacutem de coordenar e defender os interesses coletivos das empresas associadas Ainda eacute responsaacutevel
por patrocinar exposiccedilotildees automotivas e outros eventos de caraacuteter institucional
Segundo a ANFAVEA o mercado de caminhotildees se divide da seguinte forma
Semileves 35 ton lt PBT lt 6 ton
Leves 6 ton PBT lt 10 ton
Meacutedio 10 ton PBT lt 15 ton
Semi Pesados PBT 15 ton
Entende-se por Peso Bruto Total (PBT) o peso maacuteximo transmitido ao pavimento pela combinaccedilatildeo de um
caminhatildeo-trator mais seu semi-reboque ou do caminhatildeo mais os seus reboques Um caminhatildeo trator eacute um veiacuteculo
automotor destinado a tracionar ou arrastar outro e um semi-reboque eacute um veiacuteculo de um ou mais eixos que se apoia
na sua unidade tratora ou eacute a ela ligado por meio de articulaccedilatildeo
As montadoras de caminhotildees que operam no Brasil fabricaram 138 mais veiacuteculos em 2011 do que em 2010
Segundo dados da ANFAVEA em seu balanccedilo anual Aleacutem disso a produccedilatildeo atendeu ao aumento de demanda por
conta da elevaccedilatildeo de preccedilos devido agrave entrada em vigor da norma Proconve 7 Euro 5
Com o crescimento a produccedilatildeo de caminhotildees no mercado brasileiro somou 216270 unidades em 2011 ante
as 189941 de 2010 Apesar dessa expansatildeo as vendas somaram 172902 unidades ou seja quase 80 da produccedilatildeo
foi vendida no mercado interno Outras 26321 unidades foram vendidas ao mercado internacional o que leva a um
estoque de pouco mais de 17 mil caminhotildees
Os veiacuteculos mais fabricados no ano foram os semipesados e pesados com 74927 e 65542 veiacuteculos
representando 346 e 303 do total saiacutedo das linhas de montagem brasileiras O crescimento no ano foi de 193 e
84 quando comparados ao mesmo periacuteodo do ano passado
Em relaccedilatildeo agraves campeatildes de vendas a MAN Latin America (que fabrica e comercializa caminhotildees da marca
proacutepria e da Volkswagen) confirmou a lideranccedila de mercado pelo nono ano consecutivo De acordo com os dados de
licenciamentos da ANFAVEA a empresa vendeu 50815 veiacuteculos cerca de 30 do mercado nacional um
crescimento de 122 ante 2010 A segunda colocada eacute a Mercedes-Benz que encerrou 2011 com a comercializaccedilatildeo
de 42623 veiacuteculos alta de 43 no periacuteodo Em terceiro aparece a Ford com 30354 em quarto a Volvo com 19069
crescimento de 245 em quinto a Iveco com 14246 caminhotildees no ano expansatildeo de 186 A Scania ficou em
sexto lugar no mercado brasileiro com a comercializaccedilatildeo de 13484 unidades O restante das vendas ficou dividido
entre as marcas Agrale Hyundai e International
Com relaccedilatildeo aos licenciamento totais em 2011 a figura a seguir retrata o fechamento do ano de 2011
12
Figura 1 - Fechamento da Quantidade de Veiacuteculos Licenciados em 2011
Fonte ANFAVEA
Em termos de crescimento sobre as vendas do ano passado os semipesados apresentaram a maior alta com
169 os leves vecircm a seguir com expansatildeo de 131 seguido dos semileves com 109 de vendas a mais em
comparaccedilatildeo a 2010 As vendas de caminhotildees na categoria meacutedios ficaram 28 maiores enquanto que os pesados
ostentaram a menor alta apenas 09 quando comparadas as vendas de 2010 Enquanto isso as vendas de
importados fecharam 2011 com um impressionante crescimento de 469 ante 2010 sendo os pesados os que mais
entraram no Brasil com 2774 unidades das pouco mais de quatro mil importaccedilotildees de caminhotildees representando um
crescimento de mais de 115
No iniacutecio de Janeiro de 2012 passou a vigorar a seacutetima ediccedilatildeo do Proconve (Programa de Controle de Poluiccedilatildeo
do Ar por Veiacuteculos Automotores) Eacute um programa criado em 1986 pelo CONAMA com os objetivos de reduzir as
emissotildees de veiacuteculos novos desenvolver tecnologia nacional e melhorar a qualidade dos combustiacuteveis Eacute aplicado a
veiacuteculos leves e pesados como os caminhotildees
Para atender a resoluccedilatildeo do Proconve 7 as montadoras estatildeo implementando novos sistema de motorizaccedilatildeo
combustatildeo e exaustatildeo dos combustiacuteveis em seus veiacuteculos conhecidos como Euro 5 Com o ganho tecnoloacutegico e
ambiental satildeo tambeacutem agregados custos entre 10 e 20 aos veiacuteculos
Com a entrada da nova legislaccedilatildeo Proconve 7 e o aumento no preccedilo dos veiacuteculos devido agrave motorizaccedilatildeo Euro
5 a retraccedilatildeo no mercado eacute eminente Isso ocorre pelo fato dos caminhotildees serem bens de produccedilatildeo e a disponibilidade
dos veiacuteculos Euro 3 mais poluentes e mais baratos no mercado faz-se com que o fenocircmeno do pre-buying antecipe a
renovaccedilatildeo da frota para antes de janeiro com eminente queda na produccedilatildeo para o primeiro semestre de 2012 motivo
pelo qual se torna importante conhecer a previsatildeo demanda do volume total de produccedilatildeo de caminhotildees
13
12 ndash OBJETIVO
O objetivo desse trabalho eacute o de comparar a utilizaccedilatildeo de meacutetodos de previsatildeo de demanda e definir qual
deveraacute ser aplicado para a previsatildeo do volume de produccedilatildeo de caminhotildees a partir da base de dados da ANFAVEA
13 ndash JUSTIFICATIVAS
O processo de previsatildeo de demanda por seacuteries temporais utiliza dados passados e presentes para obter dados
futuros por meio de modelos descritos e ajustados das variaacuteveis em questatildeo
As seacuteries temporais satildeo observaccedilotildees de variaacuteveis que podem ser de vaacuterios campos da economia Exemplos
de tais variaacuteveis satildeo taxas de inflaccedilatildeo iacutendices de accedilotildees taxas de desemprego e participaccedilatildeo de uma empresa em
determinado mercado Frequentemente os modelos de previsatildeo para essas taxas satildeo utilizados para determinar as
poliacuteticas e objetivos que guiaratildeo as empresas e instituiccedilotildees
A anaacutelise das seacuteries temporais pode evidenciar uma variedade de padrotildees e comportamentos Tipicamente
muitos agregados macroeconocircmicos tais como produccedilatildeo industrial consumo e salaacuterios mostram comportamentos que
evidenciam tendecircncias de crescimento
Assim aleacutem de buscar o melhor modelo de previsatildeo aplicado ao volume de produccedilatildeo de caminhotildees no Brasil
o presente trabalho tambeacutem tem o objetivo de evidenciar os padrotildees e comportamentos desta seacuterie
14 ndash CONDICcedilOtildeES DE CONTORNO
Este trabalho trataraacute da previsatildeo do volume de produccedilatildeo mensal de caminhotildees no Brasil Para definir o modelo
de previsatildeo mais adequado seratildeo utilizados dados mensais entre janeiro de 1957 e dezembro de 2011
Seratildeo abordados neste trabalho os modelos Box-Jenkins e a teacutecnica do Amortecimento Exponencial para
definir a melhor modelagem para seacuterie abordada
15 ndash METODOLOGIA
O desenvolvimento deste trabalho foi realizado em seis etapas a primeira consistiu da revisatildeo da literatura
sobre seacuteries temporais previsatildeo de demanda e volume de produccedilatildeo de caminhotildees no Brasil
Na segunda etapa foi realizada a coleta de dados referente aos volumes de produccedilatildeo para o periacuteodo estudado
A terceira etapa por sua vez consistiu na realizaccedilatildeo das anaacutelises descritivas para o entendimento do comportamento
da seacuterie
A quarta etapa envolveu os testes com os modelos e meacutetodos de previsatildeo bem como a geraccedilatildeo das
previsotildees Na quinta etapa foram analisados os modelos de previsatildeo obtidos definindo qual seria o modelo mais
adequado
A uacuteltima etapa eacute composta pelo fechamento do trabalho incluindo as anaacutelises do modelo proposto bem como
as recomendaccedilotildees para trabalhos futuros
14
2 ndash REVISAtildeO BIBLIOGRAacuteFICA
21 ndash SEacuteRIES TEMPORAIS
Uma seacuterie temporal pode ser definida como um conjunto de observaccedilotildees de uma variaacutevel observadas
sequencialmente no tempo Assim a variaacutevel eacute verificada em intervalos de tempo equidistantes e a correlaccedilatildeo entre os
diversos pontos da seacuterie gera a caracteriacutestica de dependecircncia entre eles Levando em consideraccedilatildeo que a seacuterie
temporal tambeacutem pode ser definida como as provaacuteveis trajetoacuterias para um determinado processo faz com que os
dados da mesma natildeo sejam apenas correlacionados mas oriundos tambeacutem de um processo estocaacutestico no qual eacute
observado uma das trajetoacuterias
A anaacutelise da seacuterie temporal por sua vez inicia-se a partir da descriccedilatildeo dos fenocircmenos e processos que a
originam Um fator importante que tambeacutem deve ser estudado eacute a dependecircncia entre as observaccedilotildees
Segundo Makridakis et al (1998) existem quatro tipos de padrotildees de seacuteries temporais
1 - Horizontal quando os valores dos dados flutuam ao redor de uma meacutedia constante
2 - Inclinado (tendecircncia) quando se verifica um crescimento ou decreacutescimo em longo prazo no valor dos
dados
3 - Ciacuteclico estaacute presente em uma seacuterie temporal quando os dados exibem crescimentos e quedas que natildeo se
repetem em um intervalo de tempo fixo
4 - Sazonal padratildeo sazonal existe quando uma seacuterie temporal eacute influenciada por fatores sazonais isto eacute que
se repetem a intervalos de tempos iguais
Adicionalmente uma seacuterie temporal eacute considerada natildeo linear quando pelo menos sua variacircncia natildeo eacute
constante ou sua meacutedia natildeo eacute constante Assim basta que pelo menos uma das duas caracteriacutesticas esteja presente
no comportamento da seacuterie para ser considerada natildeo linear
Para a utilizaccedilatildeo dos dados nos modelos Box-Jenkins faz-se necessaacuterio garantir o pressuposto em que a
meacutedia e a variacircncia sejam constantes no tempo Quando a meacutedia possui variaccedilatildeo a uma taxa constante a seacuterie eacute
definida como natildeo estacionaacuteria Esta variaccedilatildeo por sua vez pode ocorrer a uma taxa constante dentro de um ciclo
chamada de natildeo-estacionariedade sazonal
As funccedilotildees de autocorrelaccedilatildeo e autocorrelaccedilatildeo parcial satildeo mecanismos adotados dentro dos modelos Box-
Jenkins com a funccedilatildeo de identificar mecanismos relativos a natildeo-estacionariedade das seacuteries em estudo
22 ndash PREVISAtildeO DE SEacuteRIES TEMPORAIS
Para a previsatildeo de seacuteries temporais podem ser empregados modelos e meacutetodos que se diferenciam da
seguinte forma um modelo de previsatildeo eacute aquele que utiliza uma ou mais equaccedilotildees para representar a estrutura
aleatoacuteria da seacuterie temporal Jaacute um meacutetodo eacute uma combinaccedilatildeo de uma rotina de estimaccedilatildeo e um modelo (assim torna-
se necessaacuterio uma rotina preacutevia de identificaccedilatildeo do modelo adequado) Pelo fato dos modelos atraveacutes de suas
caracteriacutesticas serem muitos especiacuteficos a grande maioria foi desenvolvida para padrotildees de seacuteries temporais
anteriormente mencionados
As teacutecnicas de previsatildeo satildeo distribuiacutedas em dois grupos meacutetodos qualitativos e quantitativos Os meacutetodos
qualitativos satildeo aplicados quando existe conhecimento acumulado sobre o processo ou fenocircmeno em estudo havendo
15
a necessidade do julgamento por meio de especialistas principalmente quando natildeo existe uma seacuterie histoacuterica para ser
estudada
Os meacutetodos quantitativos utilizam dados histoacutericos e modelos matemaacuteticos para prever comportamentos
futuros As teacutecnicas quantitativas dividem-se em dois subgrupos seacuteries temporais (ou meacutetodos univariaacuteveis) e modelos
causais (multivariaacuteveis) As seacuteries temporais utilizam dados histoacutericos de demanda como base para determinaccedilatildeo de
padrotildees que podem se repetir no futuro Exemplos satildeo as teacutecnicas de seacuteries temporais e o amortecimento exponencial
Jaacute os modelos causais satildeo aqueles que buscam relacionar as demandas (variaacutevel dependente) com outros fatores
(variaacutevel independente) como fatores macroeconocircmicos como o PIB inflaccedilatildeo clima entre outros Para isso torna-se
necessaacuterio a utilizaccedilatildeo de regressotildees lineares e natildeo lineares
A aplicaccedilatildeo dos meacutetodos quantitativos depende de trecircs fatores
1 ndash Disponibilidade de informaccedilotildees histoacutericas
2 ndash Quantificaccedilatildeo das informaccedilotildees histoacutericas em seacuteries temporais
3 ndash Recorrecircncia no futuro de padrotildees observados nas informaccedilotildees histoacutericas
A condiccedilatildeo de recorrecircncia eacute conhecida como suposiccedilatildeo de continuidade e eacute uma premissa de todos os
meacutetodos quantitativos e alguns meacutetodos qualitativos
As caracteriacutesticas dos meacutetodos claacutessicos satildeo a mensuraccedilatildeo probabiliacutestica de erro da previsatildeo e uma
metodologia menos subjetiva para a obtenccedilatildeo dos modelos Neste grupo de modelos estaacute inserido o de Box-Jenkins
Um modelo claacutessico supotildee que a seacuterie temporal zt onde t = 1 N possa ser escrito como uma soma (modelo
aditivo) por meio da seguinte equaccedilatildeo
tttt aSTz (Equaccedilatildeo 1)
Ou ainda possa ser escrito como uma multiplicaccedilatildeo (modelo multiplicativo) da seguinte forma
tttt aSTz (Equaccedilatildeo 2)
Onde
tT = denotaccedilatildeo para tendecircncia
tS = denotaccedilatildeo para componente sazonal
ta = denotaccedilatildeo para termo aleatoacuterio
Removendo-se as componentes tT e tS resta a componente aleatoacuteria (at) ou residual A suposiccedilatildeo adotada eacute
que at seja uma componente puramente aleatoacuteria mesmo em alguns casos em que eacute considerada como um processo
estacionaacuterio com meacutedia e variacircncia constantes
Aleacutem dos modelos claacutessicos existe outra classe de meacutetodo de previsatildeo que contecircm os natildeo parameacutetricos
Esses satildeo caracterizados por serem muito subjetivos por natildeo possuiacuterem um grande nuacutemero de suposiccedilotildees como os
16
claacutessicos No entanto dentro dos natildeo parameacutetricos existe uma classe de modelos conhecidos por sua qualidade
preditiva e complexidade sendo denominados de modelos de redes neurais
Os modelos utilizados atualmente satildeo compostos de modelos teoacutericos exatos e empiacutericos Assim o
conhecimento teoacuterico eacute utilizado parcialmente para indicar uma classe adequada de funccedilotildees matemaacuteticas que satildeo
ajustadas empiricamente fazendo com que o ajuste dos seus paracircmetros seja realizado de forma experimental
Um dos aspectos relevantes para a seleccedilatildeo do modelo mais adequado estaacute na capacidade do mesmo em
reproduzir os dados conhecidos e as previsotildees futuras de forma acurada Assim se xt eacute a observaccedilatildeo real para o
periacuteodo t e tx eacute a previsatildeo para o mesmo periacuteodo Assim o erro na previsatildeo eacute definido por
ttt xxe ˆ (Equaccedilatildeo 4)
Se existirem observaccedilotildees e previsotildees para n periacuteodos as seguintes estatiacutesticas podem ser utilizadas
n
1t
en
1ME
t (Equaccedilatildeo 5)
Ie In
1MAE
n
1t
t
(Equaccedilatildeo 6)
n
1t
2
t en
1MSE (Equaccedilatildeo 7)
O erro meacutedio ME eacute definido como a meacutedia dos erros calculado na equaccedilatildeo 5 (et) Pelo somatoacuterio os valores
positivos e negativos tendem a se anular resultando em um valor baixo O erro meacutedio absoluto (MAE) eacute definido pelo
somatoacuterio dos moacutedulos dos erros e em seguida realiza-se a meacutedia dos valores absolutos encontrados No caacutelculo do
erro quadraacutetico (MSE) os erros se tornam positivos pela elevaccedilatildeo ao quadrado e a meacutedia eacute realizada com os valores
positivos encontrados
Considerando a escala em que os dados satildeo expressos pode-se definir o erro relativo como
100xˆ
PE t
t
t
x
xx (Equaccedilatildeo 8)
t
n
1t
PEn
1MPE
(Equaccedilatildeo 9)
IPE In
1MAPE t
n
1t
(Equaccedilatildeo 10)
O erro meacutedio percentual (MPE) eacute a meacutedia do erro percentual calculado em PEt para n periacuteodos Neste caso os
valores positivos e negativos dos erros percentuais tendem a se anular da mesma forma que para ME Da mesma
forma que para MAE o erro meacutedio absoluto percentual tambeacutem eacute obtido utilizando-se erros absolutos percentuais
17
23 ndash MODELO BOX-JENKINS
Os modelos ARIMA (Autoregressive Integrated Moving Average ndash Auto-Regressivos Integrados de Meacutedias
Moacuteveis) da famiacutelia de Box-Jenkins tem o objetivo de captar o comportamento da autocorrelaccedilatildeo (correlaccedilatildeo seriada)
entre os valores da seacuterie temporal e realizar previsotildees baseando-se neste comportamento
Dentre a famiacutelia de modelos destacam-se os Auto-Regressivos e os de Meacutedias Moacuteveis Aleacutem destes existem
ainda outras variaccedilotildees no qual satildeo tomadas d diferenccedilas de uma seacuterie natildeo estacionaacuteria visando tornaacute-la estacionaacuteria
(com meacutedia e variacircncia constantes ao longo do tempo) Existem ainda os modelos ARMA (Auto-Regressivos de Meacutedias
Moacuteveis) que satildeo utilizados quando natildeo haacute necessidade de realizar diferenciaccedilotildees para tornar a seacuterie estacionaacuteria
Outro modelo eacute conhecido como SARIMA (ou ARIMA Sazonal) que eacute utilizado para captar a sazonalidade de uma
seacuterie
Um benefiacutecio da utilizaccedilatildeo dos modelos Box-Jenkins estaacute relacionado ao fato do algoritmo do mesmo auxiliar o
usuaacuterio na escolha do melhor modelo por meio dos comportamentos dos graacuteficos da funccedilatildeo de autocorrelaccedilatildeo (FAC) e
da funccedilatildeo de autocorrelaccedilatildeo parcial (FACP)
A FAC eacute determinada atraveacutes da correlaccedilatildeo linear de cada valor yt da seacuterie de dados com outros valores em
lags distintos como yt-1 yt-2 e assim sucessivamente Assim o coeficiente de correlaccedilatildeo temporal (autocorrelaccedilatildeo) da
seacuterie temporal defasado por 1 2 ou mais periacuteodos eacute calculado pela seguinte equaccedilatildeo
n
1t
2
n
1tk
r
xx
xxxx
t
ktt
k (Equaccedilatildeo 11)
Na equaccedilatildeo anterior r1 indica como os valores sucessivos de x relacionam-se entre si r2 indica como os
valores de x defasados em dois periacuteodos relacionam-se entre si e assim sucessivamente Em conjunto as
autocorrelaccedilotildees defasadas em 1 2 k periacuteodos constituem a funccedilatildeo de autocorrelaccedilatildeo
A FACP por sua vez possui um conceito semelhante ao da FAC Eacute definida pela correlaccedilatildeo existente entre yt
e yt-2 por exemplo sem levar em consideraccedilatildeo os efeitos causados por yt-1 e yt-2 O coeficiente de autocorrelaccedilatildeo
parcial de ordem k definido por k pode ser obtido atraveacutes da estimaccedilatildeo dos coeficientes da regressatildeo muacuteltipla de x t
em funccedilatildeo de 1tx 2tx ktx conforme a proacutexima equaccedilatildeo
ktkttt xxxx 22110 (Equaccedilatildeo 12)
As autocorrelaccedilotildees parciais satildeo usadas para medir o grau de associaccedilatildeo entre as observaccedilotildees x t e xt-k quando
o efeito das outras observaccedilotildees defasadas no tempo em 1 2 k-1 periacuteodos satildeo removidas As autocorrelaccedilotildees
parciais 1 2 k constituem a FACP
Pelo fato deste processo permitir que usuaacuterios diferentes modelem diferentes equaccedilotildees a partir de uma mesma
seacuterie temporal pode existir certo grau de subjetividade na escolha do melhor modelo para a previsatildeo da seacuterie em
questatildeo
18
231 ndash Modelo ARMA (Auto-Regressivo a Meacutedia Moacutevel)
O modelo ARMA natildeo possui uma parte integrada Sendo assim satildeo utilizados para uma seacuterie temporal
estacionaacuteria com relaccedilatildeo agrave meacutedia e a variacircncia e satildeo definidos pelas equaccedilotildees a seguir
qtqttptptt eeexxcx 1111 (Equaccedilatildeo 13)
Existem restriccedilotildees aos valores cujos paracircmetros podem assumir nas equaccedilotildees anteriores a saber
Para p = 1 -1 lt 1 lt 1
Para p = 2 -1 lt 2 lt 1 1 + 2 lt 1 e 2 ndash 1 lt 1
Para p gt= 3 condiccedilotildees mais complexas prevalecem
Da mesma forma
Para q = 1 -1 lt 1 lt 1
Para q = 2 -1 lt 2 lt 1 1 + 2 lt 1 e 2 ndash 1 lt 1
Para p gt= 3 condiccedilotildees mais complexas prevalecem
Um dispositivo de notaccedilatildeo uacutetil eacute o operador de deslocamento retroativo definido por 1 tt xBx Assim B
operando sobre tx tem o efeito de deslocar os dados para traacutes em um periacuteodo Dessa forma
2
2)( ttt xxBBxB (Equaccedilatildeo 14)
Por meio da equaccedilatildeo acima que o modelo recebe a denominaccedilatildeo de Auto-Regressivo a Meacutedia Moacutevel (ARMA)
de ordens (pq) conforme expresso na equaccedilatildeo seguinte
t
MA
p
p
AR
t
p
p eBBcxBB
qp
)()(
11 11 (Equaccedilatildeo 15)
Os coeficientes 1 2 p e 1 2 q satildeo estimados para ajustarem-se agrave seacuterie temporal estudada
atraveacutes dos meacutetodos dos miacutenimos quadrados ou da maacutexima verossimilhanccedila A aplicaccedilatildeo do meacutetodo dos miacutenimos
quadrados eacute realizada atraveacutes de estimativas feitas iterativamente por softwares ateacute que soma dos erros quadraacuteticos
seja minimizada O meacutetodo da maacutexima verossimilhanccedila estima tambeacutem iterativamente os valores dos paracircmetros que
maximizem a verossimilhanccedila de um conjunto de observaccedilotildees
O modelo ARMA deve ter seus erros et distribuiacutedos aleatoriamente comportando-se como uma seacuterie de ruiacutedo
branco Os resiacuteduos natildeo satildeo ruiacutedo branco se as estatiacutesticas Q sugerida por Box-Pierce ou Q sugerida por Ljungndash
Box posicionarem-se no extremo 5 da cauda direita da distribuiccedilatildeo χ2 As expressotildees para caacutelculo das estatiacutesticas
Q de BoxndashPierce ou Q de Ljung-Box satildeo as seguintes
19
h
1k
2
k tnQ (Equaccedilatildeo 16)
h
1k
2
k
k-
r)2(
nnnQ (Equaccedilatildeo 17)
Onde
n = nuacutemero de observaccedilotildees da seacuterie
h = maacutexima defasagem dos coeficientes de correlaccedilatildeo dos resiacuteduos
Alguns autores apresentam procedimentos para identificaccedilatildeo das ordens p e q dos modelos ARMA por meio
dos graacuteficos das FAC e FACP como exemplificado no quadro a seguir
Modelo FAC FACP
ARMA (p0) Decaimento gradativo Decaimento brusco apoacutes defasagem p
ARMA (0q) Decaimento brusco apoacutes defasagem q Decaimento gradativo
ARMA (pq) Decaimento gradativo com onda
senoidal amortecida apoacutes a
defasagem (q-p)
Decaimento gradativo com onda
senoidal amortecida apoacutes a defasagem
(p-q)
Tabela 1 - Comportamento das FAC e FACP para Modelos Estacionaacuterios
Fonte Elaborado pelos Autores
232 ndash Modelo ARIMA
Em muitos casos as seacuteries temporais encontradas possuem tendecircncia apresentando um comportamento natildeo
estacionaacuterio No entanto para aplicar o meacutetodo de Box-Jenkins eacute necessaacuterio remover a tendecircncia da seacuterie atraveacutes da
diferenciaccedilatildeo ou seja aplicar sobre a mesma o operador (1 ndash B) no modelo ARMA conforme equaccedilatildeo a seguir
tttt xBxxx )1(1
(Equaccedilatildeo 18)
Desta forma a expressatildeo do modelo ARIMA (pdq) ndash auto regressivo integrado a meacutedia moacutevel de ordem p d
q eacute a expressatildeo do modelo ARMA (pq) acrescido do fator de diferenciaccedilatildeo de ordem d responsaacutevel pela descriccedilatildeo do
comportamento de tendecircncia da seacuterie conforme representado na equaccedilatildeo a seguir
t
MA
p
p
I
t
d
AR
p
p eBBcxBBB
qdp
)()()(
111 11 (Equaccedilatildeo 19)
233 ndash Modelo ARIMA Sazonal (SARIMA)
O comportamento mais geral de seacuteries histoacutericas natildeo estacionaacuterias eacute o que combina o padratildeo de tendecircncia
com o padratildeo de sazonalidade O meacutetodo de Box-Jenkins recomenda a remoccedilatildeo tanto da tendecircncia quanto da
sazonalidade das seacuteries diferenciando-a duas vezes Eacute recomendado que a diferenciaccedilatildeo sazonal sobre a seacuterie
20
original seja feita em primeiro lugar uma vez que em alguns casos sua aplicaccedilatildeo jaacute torna a seacuterie estacionaacuteria como
mostrado na expressatildeo a seguir (para uma seacuterie com nuacutemero de periacuteodos com ciclo sazonal igual a 12)
tttt xBxxx )1( 12
12
(Equaccedilatildeo 20)
Nos casos em que se torna necessaacuteria a segunda diferenciaccedilatildeo faz necessaacuteria aplicar o operador )1( B na
mesma conforme equaccedilatildeo a seguir
ttttt xBBxBxxx 12
1
11)1( (Equaccedilatildeo 21)
24 ndash MEacuteTODO DO AMORTECIMENTO EXPONENCIAL
Historicamente o amortecimento exponencial descreve uma classe de meacutetodos de previsatildeo De fato alguns
dos meacutetodos mais utilizados para esse fim satildeo baseados nesse conceito cada um deles utilizando a propriedade em
que os pesos das observaccedilotildees mais recentes satildeo maiores do que aqueles referentes a observaccedilotildees no passado
Assim o nome ldquoamortecimento exponencialrdquo reflete no fato de que os pesos (atraveacutes do uso da meacutedia ponderada)
diminuem exponencialmente agrave medida que as observaccedilotildees satildeo mais antigas
Os primeiros registros da utilizaccedilatildeo do meacutetodo satildeo de Robert G Brown em 1944 enquanto desenvolvia
trabalhos como analista de Pesquisa Operacional na Marinha Americana enquanto desenvolvia um dispositivo
mecacircnico para monitorar a velocidade e o acircngulo de tiros disparados de submarinos Em 1950 ele estendeu o uso
desse meacutetodo para seacuteries temporais discretas incluindo termos para lidar com as componentes de sazonalidade e
tendecircncia
Paralelamente Charles Holt tambeacutem estava trabalhando em um meacutetodo de amortecimento exponencial para o
Escritoacuterio Americano de Pesquisas Navais O seu trabalho em modelos sazonais aditivos e multiplicativos se tornaram
conhecidos atraveacutes de um artigo publicado por seu estudante Peter Winters em 1960 aplicando testes empiacutericos ao
meacutetodo de Holt Como resultado a versatildeo da ferramenta que trabalha com a componente sazonal eacute denominada de
Holt-Winters
Os modelos de suavizaccedilatildeo exponencial satildeo largamente utilizados devido a sua simplicidade e baixo custo
Assim quando se necessitam previsotildees para milhares de itens como eacute o caso em muitos sistemas de gestatildeo esses
modelos satildeo muitas vezes os uacutenicos suficientemente raacutepidos e baratos para assegurar uma implementaccedilatildeo viaacutevel
Dessa forma existem trecircs classes de meacutetodos de amortecimento exponencial a saber
1 ndash Seacuteries localmente constantes analisadas pelos modelos de meacutedias moacuteveis simples ou amortecimento
exponencial
2 ndash Seacuteries com tendecircncias que utilizam o modelo de Holt
3 ndash Seacuteries com comportamento sazonal que utilizam o modelo Holt-Winters
241 ndash Meacutetodos de Amortecimento Exponencial Simples
21
O meacutetodo de suavizaccedilatildeo exponencial simples tem melhor precisatildeo para seacuteries de padratildeo horizontal isto eacute
agravequelas que natildeo apresentam tendecircncia nem sazonalidade e eacute apropriado para previsotildees de curto prazo Seu algoritmo
de previsatildeo utiliza a seguinte expressatildeo da equaccedilatildeo
ttt xxx ˆ1ˆ1 (Equaccedilatildeo 22)
Onde
1ˆtx = previsatildeo para o periacuteodo t+1
α = constante de suavizaccedilatildeo cujo valor encontra-se entre 0 e 1
tx = uacuteltimo valor observado
tx = uacuteltimo valor observado com peso (1 ndash α)
Expandindo-se a expressatildeo acima pela substituiccedilatildeo de tx 1ˆtx 2
ˆtx por seus componentes resulta em
1113211ˆ)1()1(3)1(2)1(1ˆ xxxxxxx ttttttt (Equaccedilatildeo 23)
Assim 1ˆtx eacute uma meacutedia ponderada de todas as observaccedilotildees passadas constituindo os coeficientes de
ponderaccedilatildeo uma seacuterie decrescente exponencialmente para valores de α entre 0 e 1 Dessa constataccedilatildeo origina-se o
nome amortecimento exponencial Analisando-se a uacuteltima equaccedilatildeo verifica-se que a constante de suavizaccedilatildeo α
determina a rapidez do decaimento dos coeficientes (pesos) A escolha do valor para a constante de suavizaccedilatildeo pode
ser arbitraacuteria ou condicionada a algum criteacuterio que na maioria das vezes consiste na minimizaccedilatildeo do erro quadraacutetico
meacutedio atribuiacutedo ao desempenho do meacutetodo
A constante de suavizaccedilatildeo estaacute diretamente ligada agrave velocidade de resposta das previsotildees agraves variaccedilotildees das
observaccedilotildees ou seja quanto menor o valor de α mais lenta eacute a resposta Valores maiores que α causam reaccedilotildees
mais raacutepidas das previsotildees agraves variaccedilotildees das observaccedilotildees podendo causar instabilidade no desempenho do meacutetodo
Como o peso da primeira previsatildeo 1x eacute (1 ndash α)t verifica-se que menor importacircncia um fator teraacute para a
previsatildeo de t+1 quanto mais proacuteximo de um for e quanto maior for o t Como eacute necessaacuterio ter o valor de 1x eacute feita a
suposiccedilatildeo de que 1x = 1x ou seja igual agrave uacuteltima observaccedilatildeo O erro decorrente dessa suposiccedilatildeo seraacute tanto menor
quanto maiores forem α e t
Alternativamente a expressatildeo inicial desse item pode ser representada como
1ˆtx = tx + α( tx ndash tx ) (Equaccedilatildeo 24)
1ˆtx = tx + α te (Equaccedilatildeo 25)
Atraveacutes da anaacutelise da uacuteltima equaccedilatildeo pode-se concluir que o meacutetodo de suavizaccedilatildeo exponencial simples
prevecirc o valor de uma seacuterie temporal tomando a previsatildeo para o periacuteodo anterior e ajustando-a pelo valor do erro no
mesmo periacuteodo
22
242 ndash Meacutetodo de Holt
O meacutetodo de Holt pode ser utilizado de maneira satisfatoacuteria em seacuteries temporais com tendecircncia linear
mediante o uso de uma funccedilatildeo de ponderaccedilatildeo que daacute maior importacircncia aos periacuteodos de tempo mais recentes Seu
algoritmo de previsatildeo utiliza as seguintes expressotildees
))(1( 11 tttt TLxL (Equaccedilatildeo 26)
11 )1)(( tttt TLLT (Equaccedilatildeo 27)
mtx ˆ
tt mTL (Equaccedilatildeo 28)
Onde
mtx ˆ = previsatildeo para o periacuteodo t+m
= constantes de suavizaccedilatildeo com valor entre 0 e 1 que determinam a rapidez de decaimento dos pesos
da seacuterie quanto mais proacuteximo de um maior o peso das observaccedilotildees recentes
tL = estimativa do niacutevel da seacuterie no tempo t
tT = estimativa de declividade da seacuterie no tempo t
Como o meacutetodo de Holt baseia-se na aplicaccedilatildeo recursiva das expresses anteriores satildeo necessaacuterios tambeacutem
como dados de entrada tL e tT que podem ser considerados como 1L 1x e 1T 12 xx Outra forma de caacutelculo eacute a
regressatildeo linear simples aplicada aos dados da seacuterie temporal onde se obteacutem o valor da declividade da seacuterie temporal
e de 0L em sua origem
243 ndash Meacutetodo de Winters
Os meacutetodos de Winters dividem-se em dois grupos aditivo e multiplicativo No meacutetodo aditivo a amplitude da
variaccedilatildeo sazonal eacute constante ao longo do tempo ou seja a diferenccedila entre o maior e menor valor de demanda dentro
das estaccedilotildees permanece relativamente constante no tempo No meacutetodo multiplicativo a amplitude da variaccedilatildeo sazonal
aumente ou diminui como funccedilatildeo do tempo
2431 ndash Meacutetodo Sazonal Multiplicativo de Winters
))(1( 11
tt
t
t
t TLSS
xL (Equaccedilatildeo 29)
11 )1()( tttt TLLT (Equaccedilatildeo 30)
SSL
xS t
t
t
t
1 (Equaccedilatildeo 31)
mSSmTLx tttmt ˆ (Equaccedilatildeo 32)
23
Onde
mtx ˆ = previsatildeo para o periacuteodo t+m
= constantes de suavizaccedilatildeo que variam entre 0 e 1
tx = observaccedilatildeo mais recente
tL = estimativa do niacutevel de seacuterie no tempo t
tT = estimativa de declividade da seacuterie no tempo t
tS = componente de sazonalidade no tempo t
S = nuacutemero de subperiacuteodos do ano (sazonalidade)
A escolha de valores para as constantes de suavizaccedilatildeo eacute condicionada a algum criteacuterio que na maioria das
vezes consiste na minimizaccedilatildeo por meio do algoritmo de minimizaccedilatildeo linear do erro quadraacutetico meacutedio (MSE) atribuiacutedo
ao desempenho do meacutetodo
Como o meacutetodo multiplicativo de Winters baseia-se na aplicaccedilatildeo recursiva das equaccedilotildees deste item e que
deve ser iniciada em algum periacuteodo do passado no qual os valores de TL TT e TS devem ser estimados A maneira
mais simples de inicializar o niacutevel de tendecircncia no periacuteodo S O niacutevel eacute inicializado no primeiro periacuteodo sazonal da
seguinte forma
S
Sxxxx
SL
1
321
(Equaccedilatildeo 33)
Para inicializar a tendecircncia eacute conveniente o uso de dois ciclos completos isto eacute 2S periacuteodos como descrito
abaixo
S
xx
S
xx
S
xx
ST SSSSS
S 1 2211 (Equaccedilatildeo 34)
Por ultimo os iacutendices sazonais satildeo inicializados usando-se a razatildeo das primeiras observaccedilotildees como a meacutedia
do primeiro ano com descrito a seguir
S
xS
L
11
S
xS
L
22
S
S
s
xS
L (Equaccedilatildeo 35)
2432 ndash Meacutetodo Sazonal Aditivo de Winters
O meacutetodo aditivo de Winters eacute utilizado na modelagem dos dados sazonais no qual a amplitude do ciclo
sazonal permanece constante com o passar do tempo
Aleacutem disso a amplitude da variaccedilatildeo sazonal eacute constante ao longo do tempo ou seja a diferenccedila entre o maior
e o menor valor de demanda dentro das estaccedilotildees permanece relativamente constante no tempo As equaccedilotildees
matemaacuteticas satildeo
))(1()( 11 ttttt TLSSxL (Equaccedilatildeo 36)
24
11 )1()( tttt TLLT (Equaccedilatildeo 37)
Stttt SLxS )1()( St = γ(xt - Lt) + (1- γ)St-S (Equaccedilatildeo 38)
mStttmt SmTLx ˆ (Equaccedilatildeo 39)
A segunda equaccedilatildeo deste item eacute igual agravequela do meacutetodo multiplicativo de Winters O restante das equaccedilotildees se
diferem por iacutendice sazonais serem somados e subtraiacutedos ao inveacutes de serem tomados em produtos ou divisotildees
Os valores iniciais de SL e ST satildeo iguais aos do meacutetodo multiplicativo Os iacutendices sazonais satildeo inicializados da
seguinte forma
SLxS 11 SLxS 22 SSS LxS (Equaccedilatildeo 40)
25 ndash SELECcedilAtildeO DE MODELOS
A partir do momento em que vaacuterios modelos ajustam-se a uma seacuterie temporal deve-se eleger aquele que
melhor representa o seu comportamento por meio da anaacutelise de seus paracircmetros Neste trabalho os paracircmetros seratildeo
utilizados os seguintes paracircmetros de forma primordial na definiccedilatildeo do modelo mais apropriado
251 ndash Maacuteximo R2
A estatiacutestica R2 eacute definida por
n
1t
2
2n
1t2
ˆ
1
tt
tt
xx
xx
R (Equaccedilatildeo 41)
Onde
tx = observaccedilatildeo real para o periacuteodo t
tx = previsatildeo para o periacuteodo t
Uma medida de R2 mais proacutexima de zero indica um modelo com ajuste pobre enquanto que um valor proacuteximo
de um indica um bom ajuste
252 ndash Miacutenimo BIC (Bayesian Information Criterion)
Este criteacuterio penaliza os modelos com muitos paracircmetros sendo portanto um criteacuterio de verosimilhanccedila
penalisada Vale ressaltar que o BIC natildeo deve ser utilizado de forma isolada mas em conjunto com outros paracircmetros
na comparaccedilatildeo com diversos modelos
O BIC eacute definido pela seguinte expressatildeo
25
nm
nMSEBIC2
(Equaccedilatildeo 42)
nm
tt nxxn
BIC22
n
1t
ˆ1
(Equaccedilatildeo 43)
Onde
m = nuacutemero de paracircmetros do modelo
n = nuacutemero de observaccedilotildees da seacuterie temporal
3 - DESENVOLVIMENTO
31 ndash ANAacuteLISE DA SEacuteRIE
A seacuterie a seguir apresenta os dados quantitativos da evoluccedilatildeo do volume de produccedilatildeo de caminhotildees no Brasil
Tratam-se de dados mensais entre janeiro de 1957 e dezembro de 2011 totalizando 660 observaccedilotildees
5000
10000
15000
20000
60 65 70 75 80 85 90 95 0 5 10
Legend
PRODUCAO
Figura 2 - Seacuterie de Volume de Produccedilatildeo no Brasil
Fonte Elaborado pelos Autores 2012
26
32 ndash ANAacuteLISE DESCRITIVA
O primeiro passo foi a anaacutelise descritiva da seacuterie visando obter uma anaacutelise inicial para definir o modelo de
previsatildeo mais adequado agraves suas caracteriacutesticas
Utilizando o software Minitab obteve-se a seguinte tabela
Figura 3 - Estatiacutesticas Descritivas da Seacuterie Inicial
Fonte Minitab 2012
O coeficiente de correlaccedilatildeo de Pearson indica a razatildeo entre o desvio padratildeo e a meacutedia de uma seacuterie cujo
caacutelculo eacute representado por
CV = desvio padratildeomeacutedia
Introduzindo os valores do desvio padratildeo (3515) e da meacutedia da amostra (5560) na foacutermula anterior obteacutem-se o
seguinte resultado
CV = 35155560 = 06322 ~ 63 de grau de dispersatildeo
Essa medida eacute utilizada quando se pretende comparar duas ou mais distribuiccedilotildees de probabilidade quanto agraves
suas variabilidades atuando como uma medida de variabilidade relativa
Na teoria de probabilidade o grau de simetria eacute uma medida de assimetria da distribuiccedilatildeo de valores reais
aleatoacuterios O grau de simetria pode ser positivo ou negativo ou mesmo indefinido Qualitativamente um valor negativo
em que a cauda no lado esquerdo da funccedilatildeo de densidade de probabilidade eacute maior do que o lado direito e a maioria
dos valores tende ao lado direito da meacutedia De mesma forma um valor positivo indica que a cauda no lado direito eacute
maior do que o lado esquerdo e que a maioria dos valores tende ao lado esquerdo da meacutedia O valor zero indica que
valores relativos igualmente distribuiacutedos dos dois lados ao redor da meacutedia mas natildeo necessariamente implica em uma
distribuiccedilatildeo simeacutetrica
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de grau de simetria (skewness) O valor positivo do grau de
simetria indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa conforme apresentado no
histograma a seguir
27
dados
Fre
qu
en
cy
200001600012000800040000
120
100
80
60
40
20
0
Mean 5560
StDev 3515
N 660
Histogram (with Normal Curve) of dados
Figura 4 - Histograma da Seacuterie Inicial
Fonte SPSS 2012
De forma similar o conceito de curtose trata-se da uma medida de dispersatildeo para descriccedilatildeo da forma da
distribuiccedilatildeo de probabilidades e como o grau de simetria existem formas diferentes de quantificaacute-la como uma
distribuiccedilatildeo teoacuterica e formas correspondentes de estimaacute-la a partir de uma amostra oriunda de uma populaccedilatildeo Essa
medida indica o grau de achatamento curva de distribuiccedilatildeo de probabilidade
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de curtose (kurtosis) O valor positivo do grau de simetria
indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa O valor positivo indica um
comportamento leptocuacutertica indicando que a mesma eacute mais alta e mais concentrada que a distribuiccedilatildeo normal
O Teste de Normalidade realizado com 95 de niacutevel de confianccedila gerou um p-value nulo ou seja abaixo dos
5 de significacircncia Desta maneira a hipoacutetese nula de que os dados apresentariam uma distribuiccedilatildeo normal foi
rejeitada
Tests of Normality
105 660 000 860 660 000VAR00001
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 5 - Teste de Normalidade da Seacuterie Inicial
Fonte SPSS 2012
28
O teste de Kolmogorov-Smirnov eacute utilizado para determinar se duas distribuiccedilotildees de probabilidade diferem uma
da outra ou natildeo O graacutefico abaixo referente a este testem evidencia o comportamento da distribuiccedilatildeo frente ao
comportamento da distribuiccedilatildeo normal
dados
Pe
rce
nt
2500020000150001000050000-5000-10000
9999
99
95
80
50
20
5
1
001
Mean
lt0010
5560
StDev 3515
N 660
KS 0105
P-Value
Teste de Normalidade Kolmogorov-SmirnovNormal
Figura 6 - Teste de Kolmogorov-Smirnov para a Seacuterie Inicial
Fonte SPSS 2012
Assim faz-se necessaacuterio uma transformaccedilatildeo na seacuterie para adequaccedilatildeo dos dados para uma distribuiccedilatildeo
normal Para tal modificaccedilatildeo neste trabalho foi utilizada a distribuiccedilatildeo logariacutetmica na base 10
Apoacutes a transformaccedilatildeo o teste de normalidade foi realizado novamente (tambeacutem com 95 de significacircncia) O
resultado eacute apresentado na tabela a seguir
Tests of Normality
042 660 007 994 660 009log10
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 7 - Teste de Normalidade para a Seacuterie Transformada
Fonte SPSS 2012
Conforme pode ser observado na tabela acima o p-value foi proacuteximo de 001 menor que 005 Apesar do
pressuposto de normalidade dos dados natildeo ter sido alcanccedilado esta base de dados seraacute utilizada nas modelagens
para fins acadecircmicos e seraacute tomado como premissa que a distribuiccedilatildeo estaacute normalizada
29
O teste graacutefico de normalidade de Kolmogorov-Smirnov foi realizado para a distribuiccedilatildeo transformada O
graacutefico abaixo evidencia o comportamento dos dados da distribuiccedilatildeo frente ao comportamento da distribuiccedilatildeo normal
auxiliando na conclusatildeo do teste anterior
log 10
Pe
rce
nt
4540353025
9999
99
95
80
50
20
5
1
001
Mean
lt0010
3668
StDev 02593
N 660
KS 0042
P-Value
Teste de Normalidade Kolmogorov-Smirnov - log 10Normal
Figura 8 - Teste de Kolmogorov-Smirnov para a Seacuterie Transformada
Fonte SPSS 2012
A seguir tem-se o histograma da seacuterie transformada evidenciando a mudanccedila do comportamento dos dados
30
log 10
Fre
qu
en
cy
42403836343230
70
60
50
40
30
20
10
0
Mean 3668
StDev 02593
N 660
Histogram of log 10Normal
Figura 9 - Histograma da Seacuterie Transformada
Fonte SPSS 2012
O teste da igualdade de variacircncias eacute aplicado com o objetivo de verificar se devem ou natildeo ser assumidas
igualdade entre as variacircncias das populaccedilotildees Para isso foi utilizado na anaacutelise o Teste de Levene cujas hipoacuteteses
satildeo as seguintes
H0 as variacircncias nas duas populaccedilotildees satildeo iguais ou seja existe homocedasticidade (σ1 = σ2 ou σ1 = σ2 = 0)
Neste caso assume-se a estatiacutestica Sig F gt 005
H1 as variacircncias nas duas populaccedilotildees satildeo diferentes ou seja natildeo existe homocedasticidade (σ1 ne σ2 ou σ1 ne
σ2 ne 0) Neste caso assume-se a estatiacutestica Sig F lt ou = 005
Para a realizaccedilatildeo do teste dividiu-se a populaccedilatildeo em dois grupos iguais (grupos denominados como 0 e 1
cada um com 330 unidades) Os resultados satildeo os seguintes
31
Group Statistics
330 35473 23553 01297
330 37896 22313 01228
Teste de Lev ene0
1
log10N Mean Std Dev iation
Std Error
Mean
Independent Samples Test
5981 015 -13569 658 000 -24235 01786 -27742 -20728
-13569 656086 000 -24235 01786 -27742 -20728
Equal variances
assumed
Equal variances
not assumed
log10F Sig
Lev enes Test for
Equality of Variances
t df Sig (2-tailed)
Mean
Dif f erence
Std Error
Dif f erence Lower Upper
95 Conf idence
Interv al of the
Dif f erence
t-test f or Equality of Means
Figura 10 - Teste de Homocedasticidade para a Seacuterie Transformada
Fonte SPSS 2012
Pelo resultado do teste pode-se verificar que o valor de ldquoSigrdquo (referente ao p-value) foi de 0015 onde se
conclui que a hipoacutetese nula que leva em consideraccedilatildeo que a variacircncia da seacuterie eacute constante pode ser aceita
33 ndash MODELOS DE PREVISAtildeO
Neste trabalho seratildeo analisados os seguintes modelos de previsatildeo
1 ndash Box Jenkins
2 ndash Suavizaccedilatildeo Exponencial
Para determinar o modelo de previsatildeo mais adequado foi utilizado o software Forecast Pro for Windows (FPW)
Todas as previsotildees foram realizadas utilizando a seacuterie com a variaacutevel transformada a fim de atender o
pressuposto de normalidade da seacuterie necessaacuterio nos modelos de previsatildeo
32
Figura 11 - Seleccedilatildeo da Seacuterie para a Previsatildeo
Fonte FPW 2012
331 ndash Box-Jenkins
Apoacutes a apresentaccedilatildeo e anaacutelises dos pressupostos necessaacuterios para a aplicaccedilatildeo do modelo Box-Jenkins seratildeo
realizadas as anaacutelises que demonstram a funccedilatildeo de autocorrelaccedilatildeo (FAC) e funccedilatildeo de autocorrelaccedilatildeo parcial (FACP)
Figura 12 - FAC da Seacuterie
Fonte FPW 2012
33
Figura 13 - FACP da Seacuterie
Fonte FPW 2012
Nota-se na Figura XXX FAC da seacuterie que a seacuterie decai muito lentamente indicando tendecircncia logo faz-se
necessaacuterio realizar uma diferenciaccedilatildeo na parte simples
Apoacutes a diferenciaccedilatildeo obtiveram-se os seguintes novos graacuteficos para a funccedilatildeo de autocorrelaccedilatildeo e funccedilatildeo de
autocorrelaccedilatildeo parcial
Figura 14 - FAC da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
34
Figura 15 - FACP da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
Apoacutes a realizaccedilatildeo da diferenciaccedilatildeo os seguintes modelos foram testados
1 ndash ARIMA (110)
2 ndash ARIMA (011)
3 ndash ARIMA (210)
4 ndash ARIMA (012)
5 ndash ARIMA (111)
A seguir cada modelo seraacute demonstrado
1 ndash ARIMA (110)
Figura 16 - Resultado ARIMA (110)
Fonte FPW 2012
35
Figura 17 - FAC dos Resiacuteduos ARIMA (110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08746) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel a(1) foi considerada significativa
2 - ARIMA (011)
Figura 18 - Resultado ARIMA (011)
Fonte FPW 2012
36
Figura 19 - FAC dos Resiacuteduos ARIMA (011)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel b(1) foi considerada significativa
3 - ARIMA (210)
Figura 20 - Resultado ARIMA (210)
Fonte FPW 2012
37
Figura 21 - FAC dos Resiacuteduos ARIMA (210)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08765) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
4 - ARIMA (012)
Figura 22 - Resultado ARIMA (012)
Fonte FPW 2012
38
Figura 23 - FAC dos Resiacuteduos ARIMA (012)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08777) com lag significativo nas fases 12 24 e 36 no graacutefico da FAC dos
resiacuteduos As variaacuteveis b(1) e b(2) foram consideradas significativas
5 - ARIMA (111)
Figura 24 - Resultado ARIMA (111)
Fonte FPW 2012
39
Figura 25 - FAC dos Resiacuteduos ARIMA (111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08811) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e b(1) foi considerada significativa
Observando os resultados obtidos nos cinco modelos anteriores fica evidente a semelhanccedila da presenccedila dos
lags significativos nas fases 12 24 e 36 no graacutefico da FAC dos resiacuteduos indicando a existecircncia de sazonalidade na
seacuterie modelada Assim torna-se necessaacuterio diferenciar a fase sazonal dos dados
Apoacutes a diferenciaccedilatildeo simples foram realizadas as seguintes diferenciaccedilotildees sazonais obtendo-se os seguintes
resultados para os modelos SARIMA
6 ndash SARIMA (011)(010)
Figura 26 - Resultado SARIMA (011)(010)
Fonte FPW 2012
40
Figura 27 - FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel b(1) foi considerada significativa
7 ndash SARIMA (110)(010)
Figura 28 - Resultado SARIMA (011)(010)
Fonte FPW 2012
41
Figura 29 - FAC dos Resiacuteduos SARIMA (011)(010)
Figura 29 ndash FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08305) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel a(1) foi considerada significativa
8 ndash SARIMA (210)(010)
Figura 30 - Resultado SARIMA (210)(010)
Fonte FPW 2012
42
Figura 31 - FAC dos Resiacuteduos SARIMA (210)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08337) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
9 ndash SARIMA (012)(010)
Figura 32 - Resultado SARIMA (012)(010)
Fonte FPW 2012
43
Figura 33 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
10 ndash SARIMA (111)(010)
Figura 34 - Resultado SARIMA (111)(010)
Fonte FPW 2012
44
Figura 35 - FAC dos Resiacuteduos SARIMA (111)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 12 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1
11 ndash SARIMA (011)(110)
Figura 36 - Resultado SARIMA (011)(110)
Fonte FPW 2012
45
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08623) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis A(12) e b(1) foram consideradas significativas
12 ndash SARIMA (110)(110)
Figura 38 - Resultado SARIMA (011)(110)
Fonte FPW 2012
46
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08595) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e A(12) foram consideradas significativas
13 ndash SARIMA (210)(110)
Figura 40 - Resultado SARIMA (210)(110)
Fonte FPW 2012
47
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08620) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) a(2) e A(12) foram consideradas significativas
14 ndash SARIMA (012)(010)
Figura 42 - Resultado SARIMA (012)(010)
Fonte FPW 2012
48
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08625) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
15 ndash SARIMA (111)(110)
Figura 44 - Resultado SARIMA (111)(110)
Fonte FPW 2012
49
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08626) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 24 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1 e MA = 1
16 ndash SARIMA (011)(111)
Figura 46 - Resultado SARIMA (011)(111)
Fonte FPW 2012
50
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) e B(12) foram consideradas significativas pelo modelo
17 ndash SARIMA (110)(111)
Figura 48 - Resultado SARIMA (110)(111)
Fonte FPW 2012
51
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09010) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) e B(12) foram consideradas significativas pelo modelo
18 ndash SARIMA (210)(111)
Figura 50 - Resultado SARIMA (210)(111)
Fonte FPW 2012
52
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) a(12) e B(12) foram consideradas significativas pelo modelo
19 ndash SARIMA (012)(111)
Figura 52 ndash Resultado SARIMA (012)(111)
Fonte FPW 2012
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
6
LISTA DE TABELAS
Tabela 1 - Comportamento das FAC e FACP para Modelos Estacionaacuterios 19
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins 54
Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial 59
Tabela 4 ndash Comparaccedilatildeo de Resultados Globais 59
v
7
LISTA DE FIGURAS
Figura 1 - Fechamento da Quantidade de Veiacuteculos Licenciados em 2011 12
Figura 2 - Seacuterie de Volume de Produccedilatildeo no Brasil 25
Figura 3 - Estatiacutesticas Descritivas da Seacuterie Inicial 26
Figura 4 - Histograma da Seacuterie Inicial 27
Figura 5 - Teste de Normalidade da Seacuterie Inicial 27
Figura 6 - Teste de Kolmogorov-Smirnov para a Seacuterie Inicial 28
Figura 7 - Teste de Normalidade para a Seacuterie Transformada 28
Figura 8 - Teste de Kolmogorov-Smirnov para a Seacuterie Transformada 29
Figura 9 - Histograma da Seacuterie Transformada 30
Figura 10 - Teste de Homocedasticidade para a Seacuterie Transformada 31
Figura 11 - Seleccedilatildeo da Seacuterie para a Previsatildeo 32
Figura 12 - FAC da Seacuterie 32
Figura 13 - FACP da Seacuterie 33
Figura 14 - FAC da Seacuterie com Diferenciaccedilatildeo Simples = 1 33
Figura 15 - FACP da Seacuterie com Diferenciaccedilatildeo Simples = 1 34
Figura 16 - Resultado ARIMA (110) 34
Figura 17 - FAC dos Resiacuteduos ARIMA (110) 35
Figura 18 - Resultado ARIMA (011) 35
Figura 19 - FAC dos Resiacuteduos ARIMA (011) 36
Figura 20 - Resultado ARIMA (210) 36
Figura 21 - FAC dos Resiacuteduos ARIMA (210) 37
Figura 22 - Resultado ARIMA (012) 37
Figura 23 - FAC dos Resiacuteduos ARIMA (012) 38
Figura 24 - Resultado ARIMA (111) 38
Figura 25 - FAC dos Resiacuteduos ARIMA (111) 39
Figura 26 - Resultado SARIMA (011)(010) 39
Figura 27 - FAC dos Resiacuteduos SARIMA (011)(010) 40
Figura 28 - Resultado SARIMA (011)(010) 40
Figura 29 - FAC dos Resiacuteduos SARIMA (011)(010) 41
Figura 30 - Resultado SARIMA (210)(010) 41
Figura 31 - FAC dos Resiacuteduos SARIMA (210)(010) 42
Figura 32 - Resultado SARIMA (012)(010) 42
vi
8
Figura 33 - FAC dos Resiacuteduos SARIMA (012)(010) 43
Figura 34 - Resultado SARIMA (111)(010) 43
Figura 35 - FAC dos Resiacuteduos SARIMA (111)(010) 44
Figura 36 - Resultado SARIMA (011)(110) 44
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110) 45
Figura 38 - Resultado SARIMA (011)(110) 45
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110) 46
Figura 40 - Resultado SARIMA (210)(110) 46
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110) 47
Figura 42 - Resultado SARIMA (012)(010) 47
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010) 48
Figura 44 - Resultado SARIMA (111)(110) 48
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110) 49
Figura 46 - Resultado SARIMA (011)(111) 49
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111) 50
Figura 48 - Resultado SARIMA (110)(111) 50
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111) 51
Figura 50 - Resultado SARIMA (210)(111) 51
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111) 52
Figura 52 ndash Resultado SARIMA (012)(111) 52
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111) 53
Figura 54 ndash Resultado SARIMA (111)(111) 53
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111) 54
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade 55
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade 55
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt) 56
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade 56
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters) 57
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters) 57
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva 58
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva 58
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111) 60
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111) 61
vii
9
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111) 61
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111) 62
SUMAacuteRIO
ix
viii
10
1 ndash INTRODUCcedilAtildeO 10
11 ndash CONSIDERACcedilOtildeES INICIAIS 11
12 ndash OBJETIVO 13
13 ndash JUSTIFICATIVAS 13
14 ndash CONDICcedilOtildeES DE CONTORNO 13
15 ndash METODOLOGIA 13
2 ndash REVISAtildeO BIBLIOGRAacuteFICA 14
21 ndash SEacuteRIES TEMPORAIS 14
22 ndash PREVISAtildeO DE SEacuteRIES TEMPORAIS 14
23 ndash MODELO BOX-JENKINS 17
231 ndash Modelo ARMA (Auto-Regressivo a Meacutedia Moacutevel) 18
232 ndash Modelo ARIMA 19
233 ndash Modelo ARIMA Sazonal (SARIMA) 19
24 ndash MEacuteTODO DO AMORTECIMENTO EXPONENCIAL 20
241 ndash Meacutetodos de Amortecimento Exponencial Simples 20
242 ndash Meacutetodo de Holt 22
243 ndash Meacutetodo de Winters 22
25 ndash SELECcedilAtildeO DE MODELOS 24
251 ndash Maacuteximo R2 24
252 ndash Miacutenimo BIC (Bayesian Information Criterion) 24
3 - DESENVOLVIMENTO 25
31 ndash ANAacuteLISE DA SEacuteRIE 25
32 ndash ANAacuteLISE DESCRITIVA 26
33 ndash MODELOS DE PREVISAtildeO 31
331 ndash Box-Jenkins 32
332 ndash Amortecimento Exponencial 55
34 ndash COMPARACcedilAtildeO ENTRE MODELOS 59
4 - CONCLUSAtildeO 60
41 ndash PREVISAtildeO FINAL 60
42 ndash CONSIDERACcedilOtildeES FINAIS 62
5 - REFEREcircNCIAS 63
1 ndash INTRODUCcedilAtildeO
11
11 ndash CONSIDERACcedilOtildeES INICIAIS
A junccedilatildeo de dois fatores de extrema importacircncia faz a induacutestria de veiacuteculos comerciais acelerar suas vendas a
aproximaccedilatildeo da entrada da nova legislaccedilatildeo brasileira de emissatildeo de gases estabelecendo o padratildeo Euro 5 a partir de
janeiro de 2012 e a virada para um ano eleitoral
A Associaccedilatildeo Nacional dos Fabricantes de Veiacuteculos Automotores (ANFAVEA) do Brasil fundada em 15 de
maio de 1956 reuacutene empresas fabricantes de autoveiacuteculos (automoacuteveis comerciais leves caminhotildees ocircnibus) e
maacutequinas agriacutecolas automotrizes (tratores de rodas e de esteiras colheitadeiras e retroescavadeiras) com instalaccedilotildees
industriais no Brasil
A entidade tem atribuiccedilatildeo de estudar temas da induacutestria e do mercado de veiacuteculos e maacutequinas agriacutecolas
automotrizes aleacutem de coordenar e defender os interesses coletivos das empresas associadas Ainda eacute responsaacutevel
por patrocinar exposiccedilotildees automotivas e outros eventos de caraacuteter institucional
Segundo a ANFAVEA o mercado de caminhotildees se divide da seguinte forma
Semileves 35 ton lt PBT lt 6 ton
Leves 6 ton PBT lt 10 ton
Meacutedio 10 ton PBT lt 15 ton
Semi Pesados PBT 15 ton
Entende-se por Peso Bruto Total (PBT) o peso maacuteximo transmitido ao pavimento pela combinaccedilatildeo de um
caminhatildeo-trator mais seu semi-reboque ou do caminhatildeo mais os seus reboques Um caminhatildeo trator eacute um veiacuteculo
automotor destinado a tracionar ou arrastar outro e um semi-reboque eacute um veiacuteculo de um ou mais eixos que se apoia
na sua unidade tratora ou eacute a ela ligado por meio de articulaccedilatildeo
As montadoras de caminhotildees que operam no Brasil fabricaram 138 mais veiacuteculos em 2011 do que em 2010
Segundo dados da ANFAVEA em seu balanccedilo anual Aleacutem disso a produccedilatildeo atendeu ao aumento de demanda por
conta da elevaccedilatildeo de preccedilos devido agrave entrada em vigor da norma Proconve 7 Euro 5
Com o crescimento a produccedilatildeo de caminhotildees no mercado brasileiro somou 216270 unidades em 2011 ante
as 189941 de 2010 Apesar dessa expansatildeo as vendas somaram 172902 unidades ou seja quase 80 da produccedilatildeo
foi vendida no mercado interno Outras 26321 unidades foram vendidas ao mercado internacional o que leva a um
estoque de pouco mais de 17 mil caminhotildees
Os veiacuteculos mais fabricados no ano foram os semipesados e pesados com 74927 e 65542 veiacuteculos
representando 346 e 303 do total saiacutedo das linhas de montagem brasileiras O crescimento no ano foi de 193 e
84 quando comparados ao mesmo periacuteodo do ano passado
Em relaccedilatildeo agraves campeatildes de vendas a MAN Latin America (que fabrica e comercializa caminhotildees da marca
proacutepria e da Volkswagen) confirmou a lideranccedila de mercado pelo nono ano consecutivo De acordo com os dados de
licenciamentos da ANFAVEA a empresa vendeu 50815 veiacuteculos cerca de 30 do mercado nacional um
crescimento de 122 ante 2010 A segunda colocada eacute a Mercedes-Benz que encerrou 2011 com a comercializaccedilatildeo
de 42623 veiacuteculos alta de 43 no periacuteodo Em terceiro aparece a Ford com 30354 em quarto a Volvo com 19069
crescimento de 245 em quinto a Iveco com 14246 caminhotildees no ano expansatildeo de 186 A Scania ficou em
sexto lugar no mercado brasileiro com a comercializaccedilatildeo de 13484 unidades O restante das vendas ficou dividido
entre as marcas Agrale Hyundai e International
Com relaccedilatildeo aos licenciamento totais em 2011 a figura a seguir retrata o fechamento do ano de 2011
12
Figura 1 - Fechamento da Quantidade de Veiacuteculos Licenciados em 2011
Fonte ANFAVEA
Em termos de crescimento sobre as vendas do ano passado os semipesados apresentaram a maior alta com
169 os leves vecircm a seguir com expansatildeo de 131 seguido dos semileves com 109 de vendas a mais em
comparaccedilatildeo a 2010 As vendas de caminhotildees na categoria meacutedios ficaram 28 maiores enquanto que os pesados
ostentaram a menor alta apenas 09 quando comparadas as vendas de 2010 Enquanto isso as vendas de
importados fecharam 2011 com um impressionante crescimento de 469 ante 2010 sendo os pesados os que mais
entraram no Brasil com 2774 unidades das pouco mais de quatro mil importaccedilotildees de caminhotildees representando um
crescimento de mais de 115
No iniacutecio de Janeiro de 2012 passou a vigorar a seacutetima ediccedilatildeo do Proconve (Programa de Controle de Poluiccedilatildeo
do Ar por Veiacuteculos Automotores) Eacute um programa criado em 1986 pelo CONAMA com os objetivos de reduzir as
emissotildees de veiacuteculos novos desenvolver tecnologia nacional e melhorar a qualidade dos combustiacuteveis Eacute aplicado a
veiacuteculos leves e pesados como os caminhotildees
Para atender a resoluccedilatildeo do Proconve 7 as montadoras estatildeo implementando novos sistema de motorizaccedilatildeo
combustatildeo e exaustatildeo dos combustiacuteveis em seus veiacuteculos conhecidos como Euro 5 Com o ganho tecnoloacutegico e
ambiental satildeo tambeacutem agregados custos entre 10 e 20 aos veiacuteculos
Com a entrada da nova legislaccedilatildeo Proconve 7 e o aumento no preccedilo dos veiacuteculos devido agrave motorizaccedilatildeo Euro
5 a retraccedilatildeo no mercado eacute eminente Isso ocorre pelo fato dos caminhotildees serem bens de produccedilatildeo e a disponibilidade
dos veiacuteculos Euro 3 mais poluentes e mais baratos no mercado faz-se com que o fenocircmeno do pre-buying antecipe a
renovaccedilatildeo da frota para antes de janeiro com eminente queda na produccedilatildeo para o primeiro semestre de 2012 motivo
pelo qual se torna importante conhecer a previsatildeo demanda do volume total de produccedilatildeo de caminhotildees
13
12 ndash OBJETIVO
O objetivo desse trabalho eacute o de comparar a utilizaccedilatildeo de meacutetodos de previsatildeo de demanda e definir qual
deveraacute ser aplicado para a previsatildeo do volume de produccedilatildeo de caminhotildees a partir da base de dados da ANFAVEA
13 ndash JUSTIFICATIVAS
O processo de previsatildeo de demanda por seacuteries temporais utiliza dados passados e presentes para obter dados
futuros por meio de modelos descritos e ajustados das variaacuteveis em questatildeo
As seacuteries temporais satildeo observaccedilotildees de variaacuteveis que podem ser de vaacuterios campos da economia Exemplos
de tais variaacuteveis satildeo taxas de inflaccedilatildeo iacutendices de accedilotildees taxas de desemprego e participaccedilatildeo de uma empresa em
determinado mercado Frequentemente os modelos de previsatildeo para essas taxas satildeo utilizados para determinar as
poliacuteticas e objetivos que guiaratildeo as empresas e instituiccedilotildees
A anaacutelise das seacuteries temporais pode evidenciar uma variedade de padrotildees e comportamentos Tipicamente
muitos agregados macroeconocircmicos tais como produccedilatildeo industrial consumo e salaacuterios mostram comportamentos que
evidenciam tendecircncias de crescimento
Assim aleacutem de buscar o melhor modelo de previsatildeo aplicado ao volume de produccedilatildeo de caminhotildees no Brasil
o presente trabalho tambeacutem tem o objetivo de evidenciar os padrotildees e comportamentos desta seacuterie
14 ndash CONDICcedilOtildeES DE CONTORNO
Este trabalho trataraacute da previsatildeo do volume de produccedilatildeo mensal de caminhotildees no Brasil Para definir o modelo
de previsatildeo mais adequado seratildeo utilizados dados mensais entre janeiro de 1957 e dezembro de 2011
Seratildeo abordados neste trabalho os modelos Box-Jenkins e a teacutecnica do Amortecimento Exponencial para
definir a melhor modelagem para seacuterie abordada
15 ndash METODOLOGIA
O desenvolvimento deste trabalho foi realizado em seis etapas a primeira consistiu da revisatildeo da literatura
sobre seacuteries temporais previsatildeo de demanda e volume de produccedilatildeo de caminhotildees no Brasil
Na segunda etapa foi realizada a coleta de dados referente aos volumes de produccedilatildeo para o periacuteodo estudado
A terceira etapa por sua vez consistiu na realizaccedilatildeo das anaacutelises descritivas para o entendimento do comportamento
da seacuterie
A quarta etapa envolveu os testes com os modelos e meacutetodos de previsatildeo bem como a geraccedilatildeo das
previsotildees Na quinta etapa foram analisados os modelos de previsatildeo obtidos definindo qual seria o modelo mais
adequado
A uacuteltima etapa eacute composta pelo fechamento do trabalho incluindo as anaacutelises do modelo proposto bem como
as recomendaccedilotildees para trabalhos futuros
14
2 ndash REVISAtildeO BIBLIOGRAacuteFICA
21 ndash SEacuteRIES TEMPORAIS
Uma seacuterie temporal pode ser definida como um conjunto de observaccedilotildees de uma variaacutevel observadas
sequencialmente no tempo Assim a variaacutevel eacute verificada em intervalos de tempo equidistantes e a correlaccedilatildeo entre os
diversos pontos da seacuterie gera a caracteriacutestica de dependecircncia entre eles Levando em consideraccedilatildeo que a seacuterie
temporal tambeacutem pode ser definida como as provaacuteveis trajetoacuterias para um determinado processo faz com que os
dados da mesma natildeo sejam apenas correlacionados mas oriundos tambeacutem de um processo estocaacutestico no qual eacute
observado uma das trajetoacuterias
A anaacutelise da seacuterie temporal por sua vez inicia-se a partir da descriccedilatildeo dos fenocircmenos e processos que a
originam Um fator importante que tambeacutem deve ser estudado eacute a dependecircncia entre as observaccedilotildees
Segundo Makridakis et al (1998) existem quatro tipos de padrotildees de seacuteries temporais
1 - Horizontal quando os valores dos dados flutuam ao redor de uma meacutedia constante
2 - Inclinado (tendecircncia) quando se verifica um crescimento ou decreacutescimo em longo prazo no valor dos
dados
3 - Ciacuteclico estaacute presente em uma seacuterie temporal quando os dados exibem crescimentos e quedas que natildeo se
repetem em um intervalo de tempo fixo
4 - Sazonal padratildeo sazonal existe quando uma seacuterie temporal eacute influenciada por fatores sazonais isto eacute que
se repetem a intervalos de tempos iguais
Adicionalmente uma seacuterie temporal eacute considerada natildeo linear quando pelo menos sua variacircncia natildeo eacute
constante ou sua meacutedia natildeo eacute constante Assim basta que pelo menos uma das duas caracteriacutesticas esteja presente
no comportamento da seacuterie para ser considerada natildeo linear
Para a utilizaccedilatildeo dos dados nos modelos Box-Jenkins faz-se necessaacuterio garantir o pressuposto em que a
meacutedia e a variacircncia sejam constantes no tempo Quando a meacutedia possui variaccedilatildeo a uma taxa constante a seacuterie eacute
definida como natildeo estacionaacuteria Esta variaccedilatildeo por sua vez pode ocorrer a uma taxa constante dentro de um ciclo
chamada de natildeo-estacionariedade sazonal
As funccedilotildees de autocorrelaccedilatildeo e autocorrelaccedilatildeo parcial satildeo mecanismos adotados dentro dos modelos Box-
Jenkins com a funccedilatildeo de identificar mecanismos relativos a natildeo-estacionariedade das seacuteries em estudo
22 ndash PREVISAtildeO DE SEacuteRIES TEMPORAIS
Para a previsatildeo de seacuteries temporais podem ser empregados modelos e meacutetodos que se diferenciam da
seguinte forma um modelo de previsatildeo eacute aquele que utiliza uma ou mais equaccedilotildees para representar a estrutura
aleatoacuteria da seacuterie temporal Jaacute um meacutetodo eacute uma combinaccedilatildeo de uma rotina de estimaccedilatildeo e um modelo (assim torna-
se necessaacuterio uma rotina preacutevia de identificaccedilatildeo do modelo adequado) Pelo fato dos modelos atraveacutes de suas
caracteriacutesticas serem muitos especiacuteficos a grande maioria foi desenvolvida para padrotildees de seacuteries temporais
anteriormente mencionados
As teacutecnicas de previsatildeo satildeo distribuiacutedas em dois grupos meacutetodos qualitativos e quantitativos Os meacutetodos
qualitativos satildeo aplicados quando existe conhecimento acumulado sobre o processo ou fenocircmeno em estudo havendo
15
a necessidade do julgamento por meio de especialistas principalmente quando natildeo existe uma seacuterie histoacuterica para ser
estudada
Os meacutetodos quantitativos utilizam dados histoacutericos e modelos matemaacuteticos para prever comportamentos
futuros As teacutecnicas quantitativas dividem-se em dois subgrupos seacuteries temporais (ou meacutetodos univariaacuteveis) e modelos
causais (multivariaacuteveis) As seacuteries temporais utilizam dados histoacutericos de demanda como base para determinaccedilatildeo de
padrotildees que podem se repetir no futuro Exemplos satildeo as teacutecnicas de seacuteries temporais e o amortecimento exponencial
Jaacute os modelos causais satildeo aqueles que buscam relacionar as demandas (variaacutevel dependente) com outros fatores
(variaacutevel independente) como fatores macroeconocircmicos como o PIB inflaccedilatildeo clima entre outros Para isso torna-se
necessaacuterio a utilizaccedilatildeo de regressotildees lineares e natildeo lineares
A aplicaccedilatildeo dos meacutetodos quantitativos depende de trecircs fatores
1 ndash Disponibilidade de informaccedilotildees histoacutericas
2 ndash Quantificaccedilatildeo das informaccedilotildees histoacutericas em seacuteries temporais
3 ndash Recorrecircncia no futuro de padrotildees observados nas informaccedilotildees histoacutericas
A condiccedilatildeo de recorrecircncia eacute conhecida como suposiccedilatildeo de continuidade e eacute uma premissa de todos os
meacutetodos quantitativos e alguns meacutetodos qualitativos
As caracteriacutesticas dos meacutetodos claacutessicos satildeo a mensuraccedilatildeo probabiliacutestica de erro da previsatildeo e uma
metodologia menos subjetiva para a obtenccedilatildeo dos modelos Neste grupo de modelos estaacute inserido o de Box-Jenkins
Um modelo claacutessico supotildee que a seacuterie temporal zt onde t = 1 N possa ser escrito como uma soma (modelo
aditivo) por meio da seguinte equaccedilatildeo
tttt aSTz (Equaccedilatildeo 1)
Ou ainda possa ser escrito como uma multiplicaccedilatildeo (modelo multiplicativo) da seguinte forma
tttt aSTz (Equaccedilatildeo 2)
Onde
tT = denotaccedilatildeo para tendecircncia
tS = denotaccedilatildeo para componente sazonal
ta = denotaccedilatildeo para termo aleatoacuterio
Removendo-se as componentes tT e tS resta a componente aleatoacuteria (at) ou residual A suposiccedilatildeo adotada eacute
que at seja uma componente puramente aleatoacuteria mesmo em alguns casos em que eacute considerada como um processo
estacionaacuterio com meacutedia e variacircncia constantes
Aleacutem dos modelos claacutessicos existe outra classe de meacutetodo de previsatildeo que contecircm os natildeo parameacutetricos
Esses satildeo caracterizados por serem muito subjetivos por natildeo possuiacuterem um grande nuacutemero de suposiccedilotildees como os
16
claacutessicos No entanto dentro dos natildeo parameacutetricos existe uma classe de modelos conhecidos por sua qualidade
preditiva e complexidade sendo denominados de modelos de redes neurais
Os modelos utilizados atualmente satildeo compostos de modelos teoacutericos exatos e empiacutericos Assim o
conhecimento teoacuterico eacute utilizado parcialmente para indicar uma classe adequada de funccedilotildees matemaacuteticas que satildeo
ajustadas empiricamente fazendo com que o ajuste dos seus paracircmetros seja realizado de forma experimental
Um dos aspectos relevantes para a seleccedilatildeo do modelo mais adequado estaacute na capacidade do mesmo em
reproduzir os dados conhecidos e as previsotildees futuras de forma acurada Assim se xt eacute a observaccedilatildeo real para o
periacuteodo t e tx eacute a previsatildeo para o mesmo periacuteodo Assim o erro na previsatildeo eacute definido por
ttt xxe ˆ (Equaccedilatildeo 4)
Se existirem observaccedilotildees e previsotildees para n periacuteodos as seguintes estatiacutesticas podem ser utilizadas
n
1t
en
1ME
t (Equaccedilatildeo 5)
Ie In
1MAE
n
1t
t
(Equaccedilatildeo 6)
n
1t
2
t en
1MSE (Equaccedilatildeo 7)
O erro meacutedio ME eacute definido como a meacutedia dos erros calculado na equaccedilatildeo 5 (et) Pelo somatoacuterio os valores
positivos e negativos tendem a se anular resultando em um valor baixo O erro meacutedio absoluto (MAE) eacute definido pelo
somatoacuterio dos moacutedulos dos erros e em seguida realiza-se a meacutedia dos valores absolutos encontrados No caacutelculo do
erro quadraacutetico (MSE) os erros se tornam positivos pela elevaccedilatildeo ao quadrado e a meacutedia eacute realizada com os valores
positivos encontrados
Considerando a escala em que os dados satildeo expressos pode-se definir o erro relativo como
100xˆ
PE t
t
t
x
xx (Equaccedilatildeo 8)
t
n
1t
PEn
1MPE
(Equaccedilatildeo 9)
IPE In
1MAPE t
n
1t
(Equaccedilatildeo 10)
O erro meacutedio percentual (MPE) eacute a meacutedia do erro percentual calculado em PEt para n periacuteodos Neste caso os
valores positivos e negativos dos erros percentuais tendem a se anular da mesma forma que para ME Da mesma
forma que para MAE o erro meacutedio absoluto percentual tambeacutem eacute obtido utilizando-se erros absolutos percentuais
17
23 ndash MODELO BOX-JENKINS
Os modelos ARIMA (Autoregressive Integrated Moving Average ndash Auto-Regressivos Integrados de Meacutedias
Moacuteveis) da famiacutelia de Box-Jenkins tem o objetivo de captar o comportamento da autocorrelaccedilatildeo (correlaccedilatildeo seriada)
entre os valores da seacuterie temporal e realizar previsotildees baseando-se neste comportamento
Dentre a famiacutelia de modelos destacam-se os Auto-Regressivos e os de Meacutedias Moacuteveis Aleacutem destes existem
ainda outras variaccedilotildees no qual satildeo tomadas d diferenccedilas de uma seacuterie natildeo estacionaacuteria visando tornaacute-la estacionaacuteria
(com meacutedia e variacircncia constantes ao longo do tempo) Existem ainda os modelos ARMA (Auto-Regressivos de Meacutedias
Moacuteveis) que satildeo utilizados quando natildeo haacute necessidade de realizar diferenciaccedilotildees para tornar a seacuterie estacionaacuteria
Outro modelo eacute conhecido como SARIMA (ou ARIMA Sazonal) que eacute utilizado para captar a sazonalidade de uma
seacuterie
Um benefiacutecio da utilizaccedilatildeo dos modelos Box-Jenkins estaacute relacionado ao fato do algoritmo do mesmo auxiliar o
usuaacuterio na escolha do melhor modelo por meio dos comportamentos dos graacuteficos da funccedilatildeo de autocorrelaccedilatildeo (FAC) e
da funccedilatildeo de autocorrelaccedilatildeo parcial (FACP)
A FAC eacute determinada atraveacutes da correlaccedilatildeo linear de cada valor yt da seacuterie de dados com outros valores em
lags distintos como yt-1 yt-2 e assim sucessivamente Assim o coeficiente de correlaccedilatildeo temporal (autocorrelaccedilatildeo) da
seacuterie temporal defasado por 1 2 ou mais periacuteodos eacute calculado pela seguinte equaccedilatildeo
n
1t
2
n
1tk
r
xx
xxxx
t
ktt
k (Equaccedilatildeo 11)
Na equaccedilatildeo anterior r1 indica como os valores sucessivos de x relacionam-se entre si r2 indica como os
valores de x defasados em dois periacuteodos relacionam-se entre si e assim sucessivamente Em conjunto as
autocorrelaccedilotildees defasadas em 1 2 k periacuteodos constituem a funccedilatildeo de autocorrelaccedilatildeo
A FACP por sua vez possui um conceito semelhante ao da FAC Eacute definida pela correlaccedilatildeo existente entre yt
e yt-2 por exemplo sem levar em consideraccedilatildeo os efeitos causados por yt-1 e yt-2 O coeficiente de autocorrelaccedilatildeo
parcial de ordem k definido por k pode ser obtido atraveacutes da estimaccedilatildeo dos coeficientes da regressatildeo muacuteltipla de x t
em funccedilatildeo de 1tx 2tx ktx conforme a proacutexima equaccedilatildeo
ktkttt xxxx 22110 (Equaccedilatildeo 12)
As autocorrelaccedilotildees parciais satildeo usadas para medir o grau de associaccedilatildeo entre as observaccedilotildees x t e xt-k quando
o efeito das outras observaccedilotildees defasadas no tempo em 1 2 k-1 periacuteodos satildeo removidas As autocorrelaccedilotildees
parciais 1 2 k constituem a FACP
Pelo fato deste processo permitir que usuaacuterios diferentes modelem diferentes equaccedilotildees a partir de uma mesma
seacuterie temporal pode existir certo grau de subjetividade na escolha do melhor modelo para a previsatildeo da seacuterie em
questatildeo
18
231 ndash Modelo ARMA (Auto-Regressivo a Meacutedia Moacutevel)
O modelo ARMA natildeo possui uma parte integrada Sendo assim satildeo utilizados para uma seacuterie temporal
estacionaacuteria com relaccedilatildeo agrave meacutedia e a variacircncia e satildeo definidos pelas equaccedilotildees a seguir
qtqttptptt eeexxcx 1111 (Equaccedilatildeo 13)
Existem restriccedilotildees aos valores cujos paracircmetros podem assumir nas equaccedilotildees anteriores a saber
Para p = 1 -1 lt 1 lt 1
Para p = 2 -1 lt 2 lt 1 1 + 2 lt 1 e 2 ndash 1 lt 1
Para p gt= 3 condiccedilotildees mais complexas prevalecem
Da mesma forma
Para q = 1 -1 lt 1 lt 1
Para q = 2 -1 lt 2 lt 1 1 + 2 lt 1 e 2 ndash 1 lt 1
Para p gt= 3 condiccedilotildees mais complexas prevalecem
Um dispositivo de notaccedilatildeo uacutetil eacute o operador de deslocamento retroativo definido por 1 tt xBx Assim B
operando sobre tx tem o efeito de deslocar os dados para traacutes em um periacuteodo Dessa forma
2
2)( ttt xxBBxB (Equaccedilatildeo 14)
Por meio da equaccedilatildeo acima que o modelo recebe a denominaccedilatildeo de Auto-Regressivo a Meacutedia Moacutevel (ARMA)
de ordens (pq) conforme expresso na equaccedilatildeo seguinte
t
MA
p
p
AR
t
p
p eBBcxBB
qp
)()(
11 11 (Equaccedilatildeo 15)
Os coeficientes 1 2 p e 1 2 q satildeo estimados para ajustarem-se agrave seacuterie temporal estudada
atraveacutes dos meacutetodos dos miacutenimos quadrados ou da maacutexima verossimilhanccedila A aplicaccedilatildeo do meacutetodo dos miacutenimos
quadrados eacute realizada atraveacutes de estimativas feitas iterativamente por softwares ateacute que soma dos erros quadraacuteticos
seja minimizada O meacutetodo da maacutexima verossimilhanccedila estima tambeacutem iterativamente os valores dos paracircmetros que
maximizem a verossimilhanccedila de um conjunto de observaccedilotildees
O modelo ARMA deve ter seus erros et distribuiacutedos aleatoriamente comportando-se como uma seacuterie de ruiacutedo
branco Os resiacuteduos natildeo satildeo ruiacutedo branco se as estatiacutesticas Q sugerida por Box-Pierce ou Q sugerida por Ljungndash
Box posicionarem-se no extremo 5 da cauda direita da distribuiccedilatildeo χ2 As expressotildees para caacutelculo das estatiacutesticas
Q de BoxndashPierce ou Q de Ljung-Box satildeo as seguintes
19
h
1k
2
k tnQ (Equaccedilatildeo 16)
h
1k
2
k
k-
r)2(
nnnQ (Equaccedilatildeo 17)
Onde
n = nuacutemero de observaccedilotildees da seacuterie
h = maacutexima defasagem dos coeficientes de correlaccedilatildeo dos resiacuteduos
Alguns autores apresentam procedimentos para identificaccedilatildeo das ordens p e q dos modelos ARMA por meio
dos graacuteficos das FAC e FACP como exemplificado no quadro a seguir
Modelo FAC FACP
ARMA (p0) Decaimento gradativo Decaimento brusco apoacutes defasagem p
ARMA (0q) Decaimento brusco apoacutes defasagem q Decaimento gradativo
ARMA (pq) Decaimento gradativo com onda
senoidal amortecida apoacutes a
defasagem (q-p)
Decaimento gradativo com onda
senoidal amortecida apoacutes a defasagem
(p-q)
Tabela 1 - Comportamento das FAC e FACP para Modelos Estacionaacuterios
Fonte Elaborado pelos Autores
232 ndash Modelo ARIMA
Em muitos casos as seacuteries temporais encontradas possuem tendecircncia apresentando um comportamento natildeo
estacionaacuterio No entanto para aplicar o meacutetodo de Box-Jenkins eacute necessaacuterio remover a tendecircncia da seacuterie atraveacutes da
diferenciaccedilatildeo ou seja aplicar sobre a mesma o operador (1 ndash B) no modelo ARMA conforme equaccedilatildeo a seguir
tttt xBxxx )1(1
(Equaccedilatildeo 18)
Desta forma a expressatildeo do modelo ARIMA (pdq) ndash auto regressivo integrado a meacutedia moacutevel de ordem p d
q eacute a expressatildeo do modelo ARMA (pq) acrescido do fator de diferenciaccedilatildeo de ordem d responsaacutevel pela descriccedilatildeo do
comportamento de tendecircncia da seacuterie conforme representado na equaccedilatildeo a seguir
t
MA
p
p
I
t
d
AR
p
p eBBcxBBB
qdp
)()()(
111 11 (Equaccedilatildeo 19)
233 ndash Modelo ARIMA Sazonal (SARIMA)
O comportamento mais geral de seacuteries histoacutericas natildeo estacionaacuterias eacute o que combina o padratildeo de tendecircncia
com o padratildeo de sazonalidade O meacutetodo de Box-Jenkins recomenda a remoccedilatildeo tanto da tendecircncia quanto da
sazonalidade das seacuteries diferenciando-a duas vezes Eacute recomendado que a diferenciaccedilatildeo sazonal sobre a seacuterie
20
original seja feita em primeiro lugar uma vez que em alguns casos sua aplicaccedilatildeo jaacute torna a seacuterie estacionaacuteria como
mostrado na expressatildeo a seguir (para uma seacuterie com nuacutemero de periacuteodos com ciclo sazonal igual a 12)
tttt xBxxx )1( 12
12
(Equaccedilatildeo 20)
Nos casos em que se torna necessaacuteria a segunda diferenciaccedilatildeo faz necessaacuteria aplicar o operador )1( B na
mesma conforme equaccedilatildeo a seguir
ttttt xBBxBxxx 12
1
11)1( (Equaccedilatildeo 21)
24 ndash MEacuteTODO DO AMORTECIMENTO EXPONENCIAL
Historicamente o amortecimento exponencial descreve uma classe de meacutetodos de previsatildeo De fato alguns
dos meacutetodos mais utilizados para esse fim satildeo baseados nesse conceito cada um deles utilizando a propriedade em
que os pesos das observaccedilotildees mais recentes satildeo maiores do que aqueles referentes a observaccedilotildees no passado
Assim o nome ldquoamortecimento exponencialrdquo reflete no fato de que os pesos (atraveacutes do uso da meacutedia ponderada)
diminuem exponencialmente agrave medida que as observaccedilotildees satildeo mais antigas
Os primeiros registros da utilizaccedilatildeo do meacutetodo satildeo de Robert G Brown em 1944 enquanto desenvolvia
trabalhos como analista de Pesquisa Operacional na Marinha Americana enquanto desenvolvia um dispositivo
mecacircnico para monitorar a velocidade e o acircngulo de tiros disparados de submarinos Em 1950 ele estendeu o uso
desse meacutetodo para seacuteries temporais discretas incluindo termos para lidar com as componentes de sazonalidade e
tendecircncia
Paralelamente Charles Holt tambeacutem estava trabalhando em um meacutetodo de amortecimento exponencial para o
Escritoacuterio Americano de Pesquisas Navais O seu trabalho em modelos sazonais aditivos e multiplicativos se tornaram
conhecidos atraveacutes de um artigo publicado por seu estudante Peter Winters em 1960 aplicando testes empiacutericos ao
meacutetodo de Holt Como resultado a versatildeo da ferramenta que trabalha com a componente sazonal eacute denominada de
Holt-Winters
Os modelos de suavizaccedilatildeo exponencial satildeo largamente utilizados devido a sua simplicidade e baixo custo
Assim quando se necessitam previsotildees para milhares de itens como eacute o caso em muitos sistemas de gestatildeo esses
modelos satildeo muitas vezes os uacutenicos suficientemente raacutepidos e baratos para assegurar uma implementaccedilatildeo viaacutevel
Dessa forma existem trecircs classes de meacutetodos de amortecimento exponencial a saber
1 ndash Seacuteries localmente constantes analisadas pelos modelos de meacutedias moacuteveis simples ou amortecimento
exponencial
2 ndash Seacuteries com tendecircncias que utilizam o modelo de Holt
3 ndash Seacuteries com comportamento sazonal que utilizam o modelo Holt-Winters
241 ndash Meacutetodos de Amortecimento Exponencial Simples
21
O meacutetodo de suavizaccedilatildeo exponencial simples tem melhor precisatildeo para seacuteries de padratildeo horizontal isto eacute
agravequelas que natildeo apresentam tendecircncia nem sazonalidade e eacute apropriado para previsotildees de curto prazo Seu algoritmo
de previsatildeo utiliza a seguinte expressatildeo da equaccedilatildeo
ttt xxx ˆ1ˆ1 (Equaccedilatildeo 22)
Onde
1ˆtx = previsatildeo para o periacuteodo t+1
α = constante de suavizaccedilatildeo cujo valor encontra-se entre 0 e 1
tx = uacuteltimo valor observado
tx = uacuteltimo valor observado com peso (1 ndash α)
Expandindo-se a expressatildeo acima pela substituiccedilatildeo de tx 1ˆtx 2
ˆtx por seus componentes resulta em
1113211ˆ)1()1(3)1(2)1(1ˆ xxxxxxx ttttttt (Equaccedilatildeo 23)
Assim 1ˆtx eacute uma meacutedia ponderada de todas as observaccedilotildees passadas constituindo os coeficientes de
ponderaccedilatildeo uma seacuterie decrescente exponencialmente para valores de α entre 0 e 1 Dessa constataccedilatildeo origina-se o
nome amortecimento exponencial Analisando-se a uacuteltima equaccedilatildeo verifica-se que a constante de suavizaccedilatildeo α
determina a rapidez do decaimento dos coeficientes (pesos) A escolha do valor para a constante de suavizaccedilatildeo pode
ser arbitraacuteria ou condicionada a algum criteacuterio que na maioria das vezes consiste na minimizaccedilatildeo do erro quadraacutetico
meacutedio atribuiacutedo ao desempenho do meacutetodo
A constante de suavizaccedilatildeo estaacute diretamente ligada agrave velocidade de resposta das previsotildees agraves variaccedilotildees das
observaccedilotildees ou seja quanto menor o valor de α mais lenta eacute a resposta Valores maiores que α causam reaccedilotildees
mais raacutepidas das previsotildees agraves variaccedilotildees das observaccedilotildees podendo causar instabilidade no desempenho do meacutetodo
Como o peso da primeira previsatildeo 1x eacute (1 ndash α)t verifica-se que menor importacircncia um fator teraacute para a
previsatildeo de t+1 quanto mais proacuteximo de um for e quanto maior for o t Como eacute necessaacuterio ter o valor de 1x eacute feita a
suposiccedilatildeo de que 1x = 1x ou seja igual agrave uacuteltima observaccedilatildeo O erro decorrente dessa suposiccedilatildeo seraacute tanto menor
quanto maiores forem α e t
Alternativamente a expressatildeo inicial desse item pode ser representada como
1ˆtx = tx + α( tx ndash tx ) (Equaccedilatildeo 24)
1ˆtx = tx + α te (Equaccedilatildeo 25)
Atraveacutes da anaacutelise da uacuteltima equaccedilatildeo pode-se concluir que o meacutetodo de suavizaccedilatildeo exponencial simples
prevecirc o valor de uma seacuterie temporal tomando a previsatildeo para o periacuteodo anterior e ajustando-a pelo valor do erro no
mesmo periacuteodo
22
242 ndash Meacutetodo de Holt
O meacutetodo de Holt pode ser utilizado de maneira satisfatoacuteria em seacuteries temporais com tendecircncia linear
mediante o uso de uma funccedilatildeo de ponderaccedilatildeo que daacute maior importacircncia aos periacuteodos de tempo mais recentes Seu
algoritmo de previsatildeo utiliza as seguintes expressotildees
))(1( 11 tttt TLxL (Equaccedilatildeo 26)
11 )1)(( tttt TLLT (Equaccedilatildeo 27)
mtx ˆ
tt mTL (Equaccedilatildeo 28)
Onde
mtx ˆ = previsatildeo para o periacuteodo t+m
= constantes de suavizaccedilatildeo com valor entre 0 e 1 que determinam a rapidez de decaimento dos pesos
da seacuterie quanto mais proacuteximo de um maior o peso das observaccedilotildees recentes
tL = estimativa do niacutevel da seacuterie no tempo t
tT = estimativa de declividade da seacuterie no tempo t
Como o meacutetodo de Holt baseia-se na aplicaccedilatildeo recursiva das expresses anteriores satildeo necessaacuterios tambeacutem
como dados de entrada tL e tT que podem ser considerados como 1L 1x e 1T 12 xx Outra forma de caacutelculo eacute a
regressatildeo linear simples aplicada aos dados da seacuterie temporal onde se obteacutem o valor da declividade da seacuterie temporal
e de 0L em sua origem
243 ndash Meacutetodo de Winters
Os meacutetodos de Winters dividem-se em dois grupos aditivo e multiplicativo No meacutetodo aditivo a amplitude da
variaccedilatildeo sazonal eacute constante ao longo do tempo ou seja a diferenccedila entre o maior e menor valor de demanda dentro
das estaccedilotildees permanece relativamente constante no tempo No meacutetodo multiplicativo a amplitude da variaccedilatildeo sazonal
aumente ou diminui como funccedilatildeo do tempo
2431 ndash Meacutetodo Sazonal Multiplicativo de Winters
))(1( 11
tt
t
t
t TLSS
xL (Equaccedilatildeo 29)
11 )1()( tttt TLLT (Equaccedilatildeo 30)
SSL
xS t
t
t
t
1 (Equaccedilatildeo 31)
mSSmTLx tttmt ˆ (Equaccedilatildeo 32)
23
Onde
mtx ˆ = previsatildeo para o periacuteodo t+m
= constantes de suavizaccedilatildeo que variam entre 0 e 1
tx = observaccedilatildeo mais recente
tL = estimativa do niacutevel de seacuterie no tempo t
tT = estimativa de declividade da seacuterie no tempo t
tS = componente de sazonalidade no tempo t
S = nuacutemero de subperiacuteodos do ano (sazonalidade)
A escolha de valores para as constantes de suavizaccedilatildeo eacute condicionada a algum criteacuterio que na maioria das
vezes consiste na minimizaccedilatildeo por meio do algoritmo de minimizaccedilatildeo linear do erro quadraacutetico meacutedio (MSE) atribuiacutedo
ao desempenho do meacutetodo
Como o meacutetodo multiplicativo de Winters baseia-se na aplicaccedilatildeo recursiva das equaccedilotildees deste item e que
deve ser iniciada em algum periacuteodo do passado no qual os valores de TL TT e TS devem ser estimados A maneira
mais simples de inicializar o niacutevel de tendecircncia no periacuteodo S O niacutevel eacute inicializado no primeiro periacuteodo sazonal da
seguinte forma
S
Sxxxx
SL
1
321
(Equaccedilatildeo 33)
Para inicializar a tendecircncia eacute conveniente o uso de dois ciclos completos isto eacute 2S periacuteodos como descrito
abaixo
S
xx
S
xx
S
xx
ST SSSSS
S 1 2211 (Equaccedilatildeo 34)
Por ultimo os iacutendices sazonais satildeo inicializados usando-se a razatildeo das primeiras observaccedilotildees como a meacutedia
do primeiro ano com descrito a seguir
S
xS
L
11
S
xS
L
22
S
S
s
xS
L (Equaccedilatildeo 35)
2432 ndash Meacutetodo Sazonal Aditivo de Winters
O meacutetodo aditivo de Winters eacute utilizado na modelagem dos dados sazonais no qual a amplitude do ciclo
sazonal permanece constante com o passar do tempo
Aleacutem disso a amplitude da variaccedilatildeo sazonal eacute constante ao longo do tempo ou seja a diferenccedila entre o maior
e o menor valor de demanda dentro das estaccedilotildees permanece relativamente constante no tempo As equaccedilotildees
matemaacuteticas satildeo
))(1()( 11 ttttt TLSSxL (Equaccedilatildeo 36)
24
11 )1()( tttt TLLT (Equaccedilatildeo 37)
Stttt SLxS )1()( St = γ(xt - Lt) + (1- γ)St-S (Equaccedilatildeo 38)
mStttmt SmTLx ˆ (Equaccedilatildeo 39)
A segunda equaccedilatildeo deste item eacute igual agravequela do meacutetodo multiplicativo de Winters O restante das equaccedilotildees se
diferem por iacutendice sazonais serem somados e subtraiacutedos ao inveacutes de serem tomados em produtos ou divisotildees
Os valores iniciais de SL e ST satildeo iguais aos do meacutetodo multiplicativo Os iacutendices sazonais satildeo inicializados da
seguinte forma
SLxS 11 SLxS 22 SSS LxS (Equaccedilatildeo 40)
25 ndash SELECcedilAtildeO DE MODELOS
A partir do momento em que vaacuterios modelos ajustam-se a uma seacuterie temporal deve-se eleger aquele que
melhor representa o seu comportamento por meio da anaacutelise de seus paracircmetros Neste trabalho os paracircmetros seratildeo
utilizados os seguintes paracircmetros de forma primordial na definiccedilatildeo do modelo mais apropriado
251 ndash Maacuteximo R2
A estatiacutestica R2 eacute definida por
n
1t
2
2n
1t2
ˆ
1
tt
tt
xx
xx
R (Equaccedilatildeo 41)
Onde
tx = observaccedilatildeo real para o periacuteodo t
tx = previsatildeo para o periacuteodo t
Uma medida de R2 mais proacutexima de zero indica um modelo com ajuste pobre enquanto que um valor proacuteximo
de um indica um bom ajuste
252 ndash Miacutenimo BIC (Bayesian Information Criterion)
Este criteacuterio penaliza os modelos com muitos paracircmetros sendo portanto um criteacuterio de verosimilhanccedila
penalisada Vale ressaltar que o BIC natildeo deve ser utilizado de forma isolada mas em conjunto com outros paracircmetros
na comparaccedilatildeo com diversos modelos
O BIC eacute definido pela seguinte expressatildeo
25
nm
nMSEBIC2
(Equaccedilatildeo 42)
nm
tt nxxn
BIC22
n
1t
ˆ1
(Equaccedilatildeo 43)
Onde
m = nuacutemero de paracircmetros do modelo
n = nuacutemero de observaccedilotildees da seacuterie temporal
3 - DESENVOLVIMENTO
31 ndash ANAacuteLISE DA SEacuteRIE
A seacuterie a seguir apresenta os dados quantitativos da evoluccedilatildeo do volume de produccedilatildeo de caminhotildees no Brasil
Tratam-se de dados mensais entre janeiro de 1957 e dezembro de 2011 totalizando 660 observaccedilotildees
5000
10000
15000
20000
60 65 70 75 80 85 90 95 0 5 10
Legend
PRODUCAO
Figura 2 - Seacuterie de Volume de Produccedilatildeo no Brasil
Fonte Elaborado pelos Autores 2012
26
32 ndash ANAacuteLISE DESCRITIVA
O primeiro passo foi a anaacutelise descritiva da seacuterie visando obter uma anaacutelise inicial para definir o modelo de
previsatildeo mais adequado agraves suas caracteriacutesticas
Utilizando o software Minitab obteve-se a seguinte tabela
Figura 3 - Estatiacutesticas Descritivas da Seacuterie Inicial
Fonte Minitab 2012
O coeficiente de correlaccedilatildeo de Pearson indica a razatildeo entre o desvio padratildeo e a meacutedia de uma seacuterie cujo
caacutelculo eacute representado por
CV = desvio padratildeomeacutedia
Introduzindo os valores do desvio padratildeo (3515) e da meacutedia da amostra (5560) na foacutermula anterior obteacutem-se o
seguinte resultado
CV = 35155560 = 06322 ~ 63 de grau de dispersatildeo
Essa medida eacute utilizada quando se pretende comparar duas ou mais distribuiccedilotildees de probabilidade quanto agraves
suas variabilidades atuando como uma medida de variabilidade relativa
Na teoria de probabilidade o grau de simetria eacute uma medida de assimetria da distribuiccedilatildeo de valores reais
aleatoacuterios O grau de simetria pode ser positivo ou negativo ou mesmo indefinido Qualitativamente um valor negativo
em que a cauda no lado esquerdo da funccedilatildeo de densidade de probabilidade eacute maior do que o lado direito e a maioria
dos valores tende ao lado direito da meacutedia De mesma forma um valor positivo indica que a cauda no lado direito eacute
maior do que o lado esquerdo e que a maioria dos valores tende ao lado esquerdo da meacutedia O valor zero indica que
valores relativos igualmente distribuiacutedos dos dois lados ao redor da meacutedia mas natildeo necessariamente implica em uma
distribuiccedilatildeo simeacutetrica
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de grau de simetria (skewness) O valor positivo do grau de
simetria indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa conforme apresentado no
histograma a seguir
27
dados
Fre
qu
en
cy
200001600012000800040000
120
100
80
60
40
20
0
Mean 5560
StDev 3515
N 660
Histogram (with Normal Curve) of dados
Figura 4 - Histograma da Seacuterie Inicial
Fonte SPSS 2012
De forma similar o conceito de curtose trata-se da uma medida de dispersatildeo para descriccedilatildeo da forma da
distribuiccedilatildeo de probabilidades e como o grau de simetria existem formas diferentes de quantificaacute-la como uma
distribuiccedilatildeo teoacuterica e formas correspondentes de estimaacute-la a partir de uma amostra oriunda de uma populaccedilatildeo Essa
medida indica o grau de achatamento curva de distribuiccedilatildeo de probabilidade
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de curtose (kurtosis) O valor positivo do grau de simetria
indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa O valor positivo indica um
comportamento leptocuacutertica indicando que a mesma eacute mais alta e mais concentrada que a distribuiccedilatildeo normal
O Teste de Normalidade realizado com 95 de niacutevel de confianccedila gerou um p-value nulo ou seja abaixo dos
5 de significacircncia Desta maneira a hipoacutetese nula de que os dados apresentariam uma distribuiccedilatildeo normal foi
rejeitada
Tests of Normality
105 660 000 860 660 000VAR00001
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 5 - Teste de Normalidade da Seacuterie Inicial
Fonte SPSS 2012
28
O teste de Kolmogorov-Smirnov eacute utilizado para determinar se duas distribuiccedilotildees de probabilidade diferem uma
da outra ou natildeo O graacutefico abaixo referente a este testem evidencia o comportamento da distribuiccedilatildeo frente ao
comportamento da distribuiccedilatildeo normal
dados
Pe
rce
nt
2500020000150001000050000-5000-10000
9999
99
95
80
50
20
5
1
001
Mean
lt0010
5560
StDev 3515
N 660
KS 0105
P-Value
Teste de Normalidade Kolmogorov-SmirnovNormal
Figura 6 - Teste de Kolmogorov-Smirnov para a Seacuterie Inicial
Fonte SPSS 2012
Assim faz-se necessaacuterio uma transformaccedilatildeo na seacuterie para adequaccedilatildeo dos dados para uma distribuiccedilatildeo
normal Para tal modificaccedilatildeo neste trabalho foi utilizada a distribuiccedilatildeo logariacutetmica na base 10
Apoacutes a transformaccedilatildeo o teste de normalidade foi realizado novamente (tambeacutem com 95 de significacircncia) O
resultado eacute apresentado na tabela a seguir
Tests of Normality
042 660 007 994 660 009log10
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 7 - Teste de Normalidade para a Seacuterie Transformada
Fonte SPSS 2012
Conforme pode ser observado na tabela acima o p-value foi proacuteximo de 001 menor que 005 Apesar do
pressuposto de normalidade dos dados natildeo ter sido alcanccedilado esta base de dados seraacute utilizada nas modelagens
para fins acadecircmicos e seraacute tomado como premissa que a distribuiccedilatildeo estaacute normalizada
29
O teste graacutefico de normalidade de Kolmogorov-Smirnov foi realizado para a distribuiccedilatildeo transformada O
graacutefico abaixo evidencia o comportamento dos dados da distribuiccedilatildeo frente ao comportamento da distribuiccedilatildeo normal
auxiliando na conclusatildeo do teste anterior
log 10
Pe
rce
nt
4540353025
9999
99
95
80
50
20
5
1
001
Mean
lt0010
3668
StDev 02593
N 660
KS 0042
P-Value
Teste de Normalidade Kolmogorov-Smirnov - log 10Normal
Figura 8 - Teste de Kolmogorov-Smirnov para a Seacuterie Transformada
Fonte SPSS 2012
A seguir tem-se o histograma da seacuterie transformada evidenciando a mudanccedila do comportamento dos dados
30
log 10
Fre
qu
en
cy
42403836343230
70
60
50
40
30
20
10
0
Mean 3668
StDev 02593
N 660
Histogram of log 10Normal
Figura 9 - Histograma da Seacuterie Transformada
Fonte SPSS 2012
O teste da igualdade de variacircncias eacute aplicado com o objetivo de verificar se devem ou natildeo ser assumidas
igualdade entre as variacircncias das populaccedilotildees Para isso foi utilizado na anaacutelise o Teste de Levene cujas hipoacuteteses
satildeo as seguintes
H0 as variacircncias nas duas populaccedilotildees satildeo iguais ou seja existe homocedasticidade (σ1 = σ2 ou σ1 = σ2 = 0)
Neste caso assume-se a estatiacutestica Sig F gt 005
H1 as variacircncias nas duas populaccedilotildees satildeo diferentes ou seja natildeo existe homocedasticidade (σ1 ne σ2 ou σ1 ne
σ2 ne 0) Neste caso assume-se a estatiacutestica Sig F lt ou = 005
Para a realizaccedilatildeo do teste dividiu-se a populaccedilatildeo em dois grupos iguais (grupos denominados como 0 e 1
cada um com 330 unidades) Os resultados satildeo os seguintes
31
Group Statistics
330 35473 23553 01297
330 37896 22313 01228
Teste de Lev ene0
1
log10N Mean Std Dev iation
Std Error
Mean
Independent Samples Test
5981 015 -13569 658 000 -24235 01786 -27742 -20728
-13569 656086 000 -24235 01786 -27742 -20728
Equal variances
assumed
Equal variances
not assumed
log10F Sig
Lev enes Test for
Equality of Variances
t df Sig (2-tailed)
Mean
Dif f erence
Std Error
Dif f erence Lower Upper
95 Conf idence
Interv al of the
Dif f erence
t-test f or Equality of Means
Figura 10 - Teste de Homocedasticidade para a Seacuterie Transformada
Fonte SPSS 2012
Pelo resultado do teste pode-se verificar que o valor de ldquoSigrdquo (referente ao p-value) foi de 0015 onde se
conclui que a hipoacutetese nula que leva em consideraccedilatildeo que a variacircncia da seacuterie eacute constante pode ser aceita
33 ndash MODELOS DE PREVISAtildeO
Neste trabalho seratildeo analisados os seguintes modelos de previsatildeo
1 ndash Box Jenkins
2 ndash Suavizaccedilatildeo Exponencial
Para determinar o modelo de previsatildeo mais adequado foi utilizado o software Forecast Pro for Windows (FPW)
Todas as previsotildees foram realizadas utilizando a seacuterie com a variaacutevel transformada a fim de atender o
pressuposto de normalidade da seacuterie necessaacuterio nos modelos de previsatildeo
32
Figura 11 - Seleccedilatildeo da Seacuterie para a Previsatildeo
Fonte FPW 2012
331 ndash Box-Jenkins
Apoacutes a apresentaccedilatildeo e anaacutelises dos pressupostos necessaacuterios para a aplicaccedilatildeo do modelo Box-Jenkins seratildeo
realizadas as anaacutelises que demonstram a funccedilatildeo de autocorrelaccedilatildeo (FAC) e funccedilatildeo de autocorrelaccedilatildeo parcial (FACP)
Figura 12 - FAC da Seacuterie
Fonte FPW 2012
33
Figura 13 - FACP da Seacuterie
Fonte FPW 2012
Nota-se na Figura XXX FAC da seacuterie que a seacuterie decai muito lentamente indicando tendecircncia logo faz-se
necessaacuterio realizar uma diferenciaccedilatildeo na parte simples
Apoacutes a diferenciaccedilatildeo obtiveram-se os seguintes novos graacuteficos para a funccedilatildeo de autocorrelaccedilatildeo e funccedilatildeo de
autocorrelaccedilatildeo parcial
Figura 14 - FAC da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
34
Figura 15 - FACP da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
Apoacutes a realizaccedilatildeo da diferenciaccedilatildeo os seguintes modelos foram testados
1 ndash ARIMA (110)
2 ndash ARIMA (011)
3 ndash ARIMA (210)
4 ndash ARIMA (012)
5 ndash ARIMA (111)
A seguir cada modelo seraacute demonstrado
1 ndash ARIMA (110)
Figura 16 - Resultado ARIMA (110)
Fonte FPW 2012
35
Figura 17 - FAC dos Resiacuteduos ARIMA (110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08746) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel a(1) foi considerada significativa
2 - ARIMA (011)
Figura 18 - Resultado ARIMA (011)
Fonte FPW 2012
36
Figura 19 - FAC dos Resiacuteduos ARIMA (011)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel b(1) foi considerada significativa
3 - ARIMA (210)
Figura 20 - Resultado ARIMA (210)
Fonte FPW 2012
37
Figura 21 - FAC dos Resiacuteduos ARIMA (210)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08765) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
4 - ARIMA (012)
Figura 22 - Resultado ARIMA (012)
Fonte FPW 2012
38
Figura 23 - FAC dos Resiacuteduos ARIMA (012)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08777) com lag significativo nas fases 12 24 e 36 no graacutefico da FAC dos
resiacuteduos As variaacuteveis b(1) e b(2) foram consideradas significativas
5 - ARIMA (111)
Figura 24 - Resultado ARIMA (111)
Fonte FPW 2012
39
Figura 25 - FAC dos Resiacuteduos ARIMA (111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08811) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e b(1) foi considerada significativa
Observando os resultados obtidos nos cinco modelos anteriores fica evidente a semelhanccedila da presenccedila dos
lags significativos nas fases 12 24 e 36 no graacutefico da FAC dos resiacuteduos indicando a existecircncia de sazonalidade na
seacuterie modelada Assim torna-se necessaacuterio diferenciar a fase sazonal dos dados
Apoacutes a diferenciaccedilatildeo simples foram realizadas as seguintes diferenciaccedilotildees sazonais obtendo-se os seguintes
resultados para os modelos SARIMA
6 ndash SARIMA (011)(010)
Figura 26 - Resultado SARIMA (011)(010)
Fonte FPW 2012
40
Figura 27 - FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel b(1) foi considerada significativa
7 ndash SARIMA (110)(010)
Figura 28 - Resultado SARIMA (011)(010)
Fonte FPW 2012
41
Figura 29 - FAC dos Resiacuteduos SARIMA (011)(010)
Figura 29 ndash FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08305) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel a(1) foi considerada significativa
8 ndash SARIMA (210)(010)
Figura 30 - Resultado SARIMA (210)(010)
Fonte FPW 2012
42
Figura 31 - FAC dos Resiacuteduos SARIMA (210)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08337) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
9 ndash SARIMA (012)(010)
Figura 32 - Resultado SARIMA (012)(010)
Fonte FPW 2012
43
Figura 33 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
10 ndash SARIMA (111)(010)
Figura 34 - Resultado SARIMA (111)(010)
Fonte FPW 2012
44
Figura 35 - FAC dos Resiacuteduos SARIMA (111)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 12 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1
11 ndash SARIMA (011)(110)
Figura 36 - Resultado SARIMA (011)(110)
Fonte FPW 2012
45
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08623) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis A(12) e b(1) foram consideradas significativas
12 ndash SARIMA (110)(110)
Figura 38 - Resultado SARIMA (011)(110)
Fonte FPW 2012
46
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08595) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e A(12) foram consideradas significativas
13 ndash SARIMA (210)(110)
Figura 40 - Resultado SARIMA (210)(110)
Fonte FPW 2012
47
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08620) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) a(2) e A(12) foram consideradas significativas
14 ndash SARIMA (012)(010)
Figura 42 - Resultado SARIMA (012)(010)
Fonte FPW 2012
48
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08625) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
15 ndash SARIMA (111)(110)
Figura 44 - Resultado SARIMA (111)(110)
Fonte FPW 2012
49
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08626) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 24 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1 e MA = 1
16 ndash SARIMA (011)(111)
Figura 46 - Resultado SARIMA (011)(111)
Fonte FPW 2012
50
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) e B(12) foram consideradas significativas pelo modelo
17 ndash SARIMA (110)(111)
Figura 48 - Resultado SARIMA (110)(111)
Fonte FPW 2012
51
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09010) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) e B(12) foram consideradas significativas pelo modelo
18 ndash SARIMA (210)(111)
Figura 50 - Resultado SARIMA (210)(111)
Fonte FPW 2012
52
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) a(12) e B(12) foram consideradas significativas pelo modelo
19 ndash SARIMA (012)(111)
Figura 52 ndash Resultado SARIMA (012)(111)
Fonte FPW 2012
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
7
LISTA DE FIGURAS
Figura 1 - Fechamento da Quantidade de Veiacuteculos Licenciados em 2011 12
Figura 2 - Seacuterie de Volume de Produccedilatildeo no Brasil 25
Figura 3 - Estatiacutesticas Descritivas da Seacuterie Inicial 26
Figura 4 - Histograma da Seacuterie Inicial 27
Figura 5 - Teste de Normalidade da Seacuterie Inicial 27
Figura 6 - Teste de Kolmogorov-Smirnov para a Seacuterie Inicial 28
Figura 7 - Teste de Normalidade para a Seacuterie Transformada 28
Figura 8 - Teste de Kolmogorov-Smirnov para a Seacuterie Transformada 29
Figura 9 - Histograma da Seacuterie Transformada 30
Figura 10 - Teste de Homocedasticidade para a Seacuterie Transformada 31
Figura 11 - Seleccedilatildeo da Seacuterie para a Previsatildeo 32
Figura 12 - FAC da Seacuterie 32
Figura 13 - FACP da Seacuterie 33
Figura 14 - FAC da Seacuterie com Diferenciaccedilatildeo Simples = 1 33
Figura 15 - FACP da Seacuterie com Diferenciaccedilatildeo Simples = 1 34
Figura 16 - Resultado ARIMA (110) 34
Figura 17 - FAC dos Resiacuteduos ARIMA (110) 35
Figura 18 - Resultado ARIMA (011) 35
Figura 19 - FAC dos Resiacuteduos ARIMA (011) 36
Figura 20 - Resultado ARIMA (210) 36
Figura 21 - FAC dos Resiacuteduos ARIMA (210) 37
Figura 22 - Resultado ARIMA (012) 37
Figura 23 - FAC dos Resiacuteduos ARIMA (012) 38
Figura 24 - Resultado ARIMA (111) 38
Figura 25 - FAC dos Resiacuteduos ARIMA (111) 39
Figura 26 - Resultado SARIMA (011)(010) 39
Figura 27 - FAC dos Resiacuteduos SARIMA (011)(010) 40
Figura 28 - Resultado SARIMA (011)(010) 40
Figura 29 - FAC dos Resiacuteduos SARIMA (011)(010) 41
Figura 30 - Resultado SARIMA (210)(010) 41
Figura 31 - FAC dos Resiacuteduos SARIMA (210)(010) 42
Figura 32 - Resultado SARIMA (012)(010) 42
vi
8
Figura 33 - FAC dos Resiacuteduos SARIMA (012)(010) 43
Figura 34 - Resultado SARIMA (111)(010) 43
Figura 35 - FAC dos Resiacuteduos SARIMA (111)(010) 44
Figura 36 - Resultado SARIMA (011)(110) 44
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110) 45
Figura 38 - Resultado SARIMA (011)(110) 45
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110) 46
Figura 40 - Resultado SARIMA (210)(110) 46
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110) 47
Figura 42 - Resultado SARIMA (012)(010) 47
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010) 48
Figura 44 - Resultado SARIMA (111)(110) 48
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110) 49
Figura 46 - Resultado SARIMA (011)(111) 49
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111) 50
Figura 48 - Resultado SARIMA (110)(111) 50
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111) 51
Figura 50 - Resultado SARIMA (210)(111) 51
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111) 52
Figura 52 ndash Resultado SARIMA (012)(111) 52
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111) 53
Figura 54 ndash Resultado SARIMA (111)(111) 53
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111) 54
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade 55
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade 55
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt) 56
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade 56
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters) 57
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters) 57
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva 58
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva 58
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111) 60
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111) 61
vii
9
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111) 61
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111) 62
SUMAacuteRIO
ix
viii
10
1 ndash INTRODUCcedilAtildeO 10
11 ndash CONSIDERACcedilOtildeES INICIAIS 11
12 ndash OBJETIVO 13
13 ndash JUSTIFICATIVAS 13
14 ndash CONDICcedilOtildeES DE CONTORNO 13
15 ndash METODOLOGIA 13
2 ndash REVISAtildeO BIBLIOGRAacuteFICA 14
21 ndash SEacuteRIES TEMPORAIS 14
22 ndash PREVISAtildeO DE SEacuteRIES TEMPORAIS 14
23 ndash MODELO BOX-JENKINS 17
231 ndash Modelo ARMA (Auto-Regressivo a Meacutedia Moacutevel) 18
232 ndash Modelo ARIMA 19
233 ndash Modelo ARIMA Sazonal (SARIMA) 19
24 ndash MEacuteTODO DO AMORTECIMENTO EXPONENCIAL 20
241 ndash Meacutetodos de Amortecimento Exponencial Simples 20
242 ndash Meacutetodo de Holt 22
243 ndash Meacutetodo de Winters 22
25 ndash SELECcedilAtildeO DE MODELOS 24
251 ndash Maacuteximo R2 24
252 ndash Miacutenimo BIC (Bayesian Information Criterion) 24
3 - DESENVOLVIMENTO 25
31 ndash ANAacuteLISE DA SEacuteRIE 25
32 ndash ANAacuteLISE DESCRITIVA 26
33 ndash MODELOS DE PREVISAtildeO 31
331 ndash Box-Jenkins 32
332 ndash Amortecimento Exponencial 55
34 ndash COMPARACcedilAtildeO ENTRE MODELOS 59
4 - CONCLUSAtildeO 60
41 ndash PREVISAtildeO FINAL 60
42 ndash CONSIDERACcedilOtildeES FINAIS 62
5 - REFEREcircNCIAS 63
1 ndash INTRODUCcedilAtildeO
11
11 ndash CONSIDERACcedilOtildeES INICIAIS
A junccedilatildeo de dois fatores de extrema importacircncia faz a induacutestria de veiacuteculos comerciais acelerar suas vendas a
aproximaccedilatildeo da entrada da nova legislaccedilatildeo brasileira de emissatildeo de gases estabelecendo o padratildeo Euro 5 a partir de
janeiro de 2012 e a virada para um ano eleitoral
A Associaccedilatildeo Nacional dos Fabricantes de Veiacuteculos Automotores (ANFAVEA) do Brasil fundada em 15 de
maio de 1956 reuacutene empresas fabricantes de autoveiacuteculos (automoacuteveis comerciais leves caminhotildees ocircnibus) e
maacutequinas agriacutecolas automotrizes (tratores de rodas e de esteiras colheitadeiras e retroescavadeiras) com instalaccedilotildees
industriais no Brasil
A entidade tem atribuiccedilatildeo de estudar temas da induacutestria e do mercado de veiacuteculos e maacutequinas agriacutecolas
automotrizes aleacutem de coordenar e defender os interesses coletivos das empresas associadas Ainda eacute responsaacutevel
por patrocinar exposiccedilotildees automotivas e outros eventos de caraacuteter institucional
Segundo a ANFAVEA o mercado de caminhotildees se divide da seguinte forma
Semileves 35 ton lt PBT lt 6 ton
Leves 6 ton PBT lt 10 ton
Meacutedio 10 ton PBT lt 15 ton
Semi Pesados PBT 15 ton
Entende-se por Peso Bruto Total (PBT) o peso maacuteximo transmitido ao pavimento pela combinaccedilatildeo de um
caminhatildeo-trator mais seu semi-reboque ou do caminhatildeo mais os seus reboques Um caminhatildeo trator eacute um veiacuteculo
automotor destinado a tracionar ou arrastar outro e um semi-reboque eacute um veiacuteculo de um ou mais eixos que se apoia
na sua unidade tratora ou eacute a ela ligado por meio de articulaccedilatildeo
As montadoras de caminhotildees que operam no Brasil fabricaram 138 mais veiacuteculos em 2011 do que em 2010
Segundo dados da ANFAVEA em seu balanccedilo anual Aleacutem disso a produccedilatildeo atendeu ao aumento de demanda por
conta da elevaccedilatildeo de preccedilos devido agrave entrada em vigor da norma Proconve 7 Euro 5
Com o crescimento a produccedilatildeo de caminhotildees no mercado brasileiro somou 216270 unidades em 2011 ante
as 189941 de 2010 Apesar dessa expansatildeo as vendas somaram 172902 unidades ou seja quase 80 da produccedilatildeo
foi vendida no mercado interno Outras 26321 unidades foram vendidas ao mercado internacional o que leva a um
estoque de pouco mais de 17 mil caminhotildees
Os veiacuteculos mais fabricados no ano foram os semipesados e pesados com 74927 e 65542 veiacuteculos
representando 346 e 303 do total saiacutedo das linhas de montagem brasileiras O crescimento no ano foi de 193 e
84 quando comparados ao mesmo periacuteodo do ano passado
Em relaccedilatildeo agraves campeatildes de vendas a MAN Latin America (que fabrica e comercializa caminhotildees da marca
proacutepria e da Volkswagen) confirmou a lideranccedila de mercado pelo nono ano consecutivo De acordo com os dados de
licenciamentos da ANFAVEA a empresa vendeu 50815 veiacuteculos cerca de 30 do mercado nacional um
crescimento de 122 ante 2010 A segunda colocada eacute a Mercedes-Benz que encerrou 2011 com a comercializaccedilatildeo
de 42623 veiacuteculos alta de 43 no periacuteodo Em terceiro aparece a Ford com 30354 em quarto a Volvo com 19069
crescimento de 245 em quinto a Iveco com 14246 caminhotildees no ano expansatildeo de 186 A Scania ficou em
sexto lugar no mercado brasileiro com a comercializaccedilatildeo de 13484 unidades O restante das vendas ficou dividido
entre as marcas Agrale Hyundai e International
Com relaccedilatildeo aos licenciamento totais em 2011 a figura a seguir retrata o fechamento do ano de 2011
12
Figura 1 - Fechamento da Quantidade de Veiacuteculos Licenciados em 2011
Fonte ANFAVEA
Em termos de crescimento sobre as vendas do ano passado os semipesados apresentaram a maior alta com
169 os leves vecircm a seguir com expansatildeo de 131 seguido dos semileves com 109 de vendas a mais em
comparaccedilatildeo a 2010 As vendas de caminhotildees na categoria meacutedios ficaram 28 maiores enquanto que os pesados
ostentaram a menor alta apenas 09 quando comparadas as vendas de 2010 Enquanto isso as vendas de
importados fecharam 2011 com um impressionante crescimento de 469 ante 2010 sendo os pesados os que mais
entraram no Brasil com 2774 unidades das pouco mais de quatro mil importaccedilotildees de caminhotildees representando um
crescimento de mais de 115
No iniacutecio de Janeiro de 2012 passou a vigorar a seacutetima ediccedilatildeo do Proconve (Programa de Controle de Poluiccedilatildeo
do Ar por Veiacuteculos Automotores) Eacute um programa criado em 1986 pelo CONAMA com os objetivos de reduzir as
emissotildees de veiacuteculos novos desenvolver tecnologia nacional e melhorar a qualidade dos combustiacuteveis Eacute aplicado a
veiacuteculos leves e pesados como os caminhotildees
Para atender a resoluccedilatildeo do Proconve 7 as montadoras estatildeo implementando novos sistema de motorizaccedilatildeo
combustatildeo e exaustatildeo dos combustiacuteveis em seus veiacuteculos conhecidos como Euro 5 Com o ganho tecnoloacutegico e
ambiental satildeo tambeacutem agregados custos entre 10 e 20 aos veiacuteculos
Com a entrada da nova legislaccedilatildeo Proconve 7 e o aumento no preccedilo dos veiacuteculos devido agrave motorizaccedilatildeo Euro
5 a retraccedilatildeo no mercado eacute eminente Isso ocorre pelo fato dos caminhotildees serem bens de produccedilatildeo e a disponibilidade
dos veiacuteculos Euro 3 mais poluentes e mais baratos no mercado faz-se com que o fenocircmeno do pre-buying antecipe a
renovaccedilatildeo da frota para antes de janeiro com eminente queda na produccedilatildeo para o primeiro semestre de 2012 motivo
pelo qual se torna importante conhecer a previsatildeo demanda do volume total de produccedilatildeo de caminhotildees
13
12 ndash OBJETIVO
O objetivo desse trabalho eacute o de comparar a utilizaccedilatildeo de meacutetodos de previsatildeo de demanda e definir qual
deveraacute ser aplicado para a previsatildeo do volume de produccedilatildeo de caminhotildees a partir da base de dados da ANFAVEA
13 ndash JUSTIFICATIVAS
O processo de previsatildeo de demanda por seacuteries temporais utiliza dados passados e presentes para obter dados
futuros por meio de modelos descritos e ajustados das variaacuteveis em questatildeo
As seacuteries temporais satildeo observaccedilotildees de variaacuteveis que podem ser de vaacuterios campos da economia Exemplos
de tais variaacuteveis satildeo taxas de inflaccedilatildeo iacutendices de accedilotildees taxas de desemprego e participaccedilatildeo de uma empresa em
determinado mercado Frequentemente os modelos de previsatildeo para essas taxas satildeo utilizados para determinar as
poliacuteticas e objetivos que guiaratildeo as empresas e instituiccedilotildees
A anaacutelise das seacuteries temporais pode evidenciar uma variedade de padrotildees e comportamentos Tipicamente
muitos agregados macroeconocircmicos tais como produccedilatildeo industrial consumo e salaacuterios mostram comportamentos que
evidenciam tendecircncias de crescimento
Assim aleacutem de buscar o melhor modelo de previsatildeo aplicado ao volume de produccedilatildeo de caminhotildees no Brasil
o presente trabalho tambeacutem tem o objetivo de evidenciar os padrotildees e comportamentos desta seacuterie
14 ndash CONDICcedilOtildeES DE CONTORNO
Este trabalho trataraacute da previsatildeo do volume de produccedilatildeo mensal de caminhotildees no Brasil Para definir o modelo
de previsatildeo mais adequado seratildeo utilizados dados mensais entre janeiro de 1957 e dezembro de 2011
Seratildeo abordados neste trabalho os modelos Box-Jenkins e a teacutecnica do Amortecimento Exponencial para
definir a melhor modelagem para seacuterie abordada
15 ndash METODOLOGIA
O desenvolvimento deste trabalho foi realizado em seis etapas a primeira consistiu da revisatildeo da literatura
sobre seacuteries temporais previsatildeo de demanda e volume de produccedilatildeo de caminhotildees no Brasil
Na segunda etapa foi realizada a coleta de dados referente aos volumes de produccedilatildeo para o periacuteodo estudado
A terceira etapa por sua vez consistiu na realizaccedilatildeo das anaacutelises descritivas para o entendimento do comportamento
da seacuterie
A quarta etapa envolveu os testes com os modelos e meacutetodos de previsatildeo bem como a geraccedilatildeo das
previsotildees Na quinta etapa foram analisados os modelos de previsatildeo obtidos definindo qual seria o modelo mais
adequado
A uacuteltima etapa eacute composta pelo fechamento do trabalho incluindo as anaacutelises do modelo proposto bem como
as recomendaccedilotildees para trabalhos futuros
14
2 ndash REVISAtildeO BIBLIOGRAacuteFICA
21 ndash SEacuteRIES TEMPORAIS
Uma seacuterie temporal pode ser definida como um conjunto de observaccedilotildees de uma variaacutevel observadas
sequencialmente no tempo Assim a variaacutevel eacute verificada em intervalos de tempo equidistantes e a correlaccedilatildeo entre os
diversos pontos da seacuterie gera a caracteriacutestica de dependecircncia entre eles Levando em consideraccedilatildeo que a seacuterie
temporal tambeacutem pode ser definida como as provaacuteveis trajetoacuterias para um determinado processo faz com que os
dados da mesma natildeo sejam apenas correlacionados mas oriundos tambeacutem de um processo estocaacutestico no qual eacute
observado uma das trajetoacuterias
A anaacutelise da seacuterie temporal por sua vez inicia-se a partir da descriccedilatildeo dos fenocircmenos e processos que a
originam Um fator importante que tambeacutem deve ser estudado eacute a dependecircncia entre as observaccedilotildees
Segundo Makridakis et al (1998) existem quatro tipos de padrotildees de seacuteries temporais
1 - Horizontal quando os valores dos dados flutuam ao redor de uma meacutedia constante
2 - Inclinado (tendecircncia) quando se verifica um crescimento ou decreacutescimo em longo prazo no valor dos
dados
3 - Ciacuteclico estaacute presente em uma seacuterie temporal quando os dados exibem crescimentos e quedas que natildeo se
repetem em um intervalo de tempo fixo
4 - Sazonal padratildeo sazonal existe quando uma seacuterie temporal eacute influenciada por fatores sazonais isto eacute que
se repetem a intervalos de tempos iguais
Adicionalmente uma seacuterie temporal eacute considerada natildeo linear quando pelo menos sua variacircncia natildeo eacute
constante ou sua meacutedia natildeo eacute constante Assim basta que pelo menos uma das duas caracteriacutesticas esteja presente
no comportamento da seacuterie para ser considerada natildeo linear
Para a utilizaccedilatildeo dos dados nos modelos Box-Jenkins faz-se necessaacuterio garantir o pressuposto em que a
meacutedia e a variacircncia sejam constantes no tempo Quando a meacutedia possui variaccedilatildeo a uma taxa constante a seacuterie eacute
definida como natildeo estacionaacuteria Esta variaccedilatildeo por sua vez pode ocorrer a uma taxa constante dentro de um ciclo
chamada de natildeo-estacionariedade sazonal
As funccedilotildees de autocorrelaccedilatildeo e autocorrelaccedilatildeo parcial satildeo mecanismos adotados dentro dos modelos Box-
Jenkins com a funccedilatildeo de identificar mecanismos relativos a natildeo-estacionariedade das seacuteries em estudo
22 ndash PREVISAtildeO DE SEacuteRIES TEMPORAIS
Para a previsatildeo de seacuteries temporais podem ser empregados modelos e meacutetodos que se diferenciam da
seguinte forma um modelo de previsatildeo eacute aquele que utiliza uma ou mais equaccedilotildees para representar a estrutura
aleatoacuteria da seacuterie temporal Jaacute um meacutetodo eacute uma combinaccedilatildeo de uma rotina de estimaccedilatildeo e um modelo (assim torna-
se necessaacuterio uma rotina preacutevia de identificaccedilatildeo do modelo adequado) Pelo fato dos modelos atraveacutes de suas
caracteriacutesticas serem muitos especiacuteficos a grande maioria foi desenvolvida para padrotildees de seacuteries temporais
anteriormente mencionados
As teacutecnicas de previsatildeo satildeo distribuiacutedas em dois grupos meacutetodos qualitativos e quantitativos Os meacutetodos
qualitativos satildeo aplicados quando existe conhecimento acumulado sobre o processo ou fenocircmeno em estudo havendo
15
a necessidade do julgamento por meio de especialistas principalmente quando natildeo existe uma seacuterie histoacuterica para ser
estudada
Os meacutetodos quantitativos utilizam dados histoacutericos e modelos matemaacuteticos para prever comportamentos
futuros As teacutecnicas quantitativas dividem-se em dois subgrupos seacuteries temporais (ou meacutetodos univariaacuteveis) e modelos
causais (multivariaacuteveis) As seacuteries temporais utilizam dados histoacutericos de demanda como base para determinaccedilatildeo de
padrotildees que podem se repetir no futuro Exemplos satildeo as teacutecnicas de seacuteries temporais e o amortecimento exponencial
Jaacute os modelos causais satildeo aqueles que buscam relacionar as demandas (variaacutevel dependente) com outros fatores
(variaacutevel independente) como fatores macroeconocircmicos como o PIB inflaccedilatildeo clima entre outros Para isso torna-se
necessaacuterio a utilizaccedilatildeo de regressotildees lineares e natildeo lineares
A aplicaccedilatildeo dos meacutetodos quantitativos depende de trecircs fatores
1 ndash Disponibilidade de informaccedilotildees histoacutericas
2 ndash Quantificaccedilatildeo das informaccedilotildees histoacutericas em seacuteries temporais
3 ndash Recorrecircncia no futuro de padrotildees observados nas informaccedilotildees histoacutericas
A condiccedilatildeo de recorrecircncia eacute conhecida como suposiccedilatildeo de continuidade e eacute uma premissa de todos os
meacutetodos quantitativos e alguns meacutetodos qualitativos
As caracteriacutesticas dos meacutetodos claacutessicos satildeo a mensuraccedilatildeo probabiliacutestica de erro da previsatildeo e uma
metodologia menos subjetiva para a obtenccedilatildeo dos modelos Neste grupo de modelos estaacute inserido o de Box-Jenkins
Um modelo claacutessico supotildee que a seacuterie temporal zt onde t = 1 N possa ser escrito como uma soma (modelo
aditivo) por meio da seguinte equaccedilatildeo
tttt aSTz (Equaccedilatildeo 1)
Ou ainda possa ser escrito como uma multiplicaccedilatildeo (modelo multiplicativo) da seguinte forma
tttt aSTz (Equaccedilatildeo 2)
Onde
tT = denotaccedilatildeo para tendecircncia
tS = denotaccedilatildeo para componente sazonal
ta = denotaccedilatildeo para termo aleatoacuterio
Removendo-se as componentes tT e tS resta a componente aleatoacuteria (at) ou residual A suposiccedilatildeo adotada eacute
que at seja uma componente puramente aleatoacuteria mesmo em alguns casos em que eacute considerada como um processo
estacionaacuterio com meacutedia e variacircncia constantes
Aleacutem dos modelos claacutessicos existe outra classe de meacutetodo de previsatildeo que contecircm os natildeo parameacutetricos
Esses satildeo caracterizados por serem muito subjetivos por natildeo possuiacuterem um grande nuacutemero de suposiccedilotildees como os
16
claacutessicos No entanto dentro dos natildeo parameacutetricos existe uma classe de modelos conhecidos por sua qualidade
preditiva e complexidade sendo denominados de modelos de redes neurais
Os modelos utilizados atualmente satildeo compostos de modelos teoacutericos exatos e empiacutericos Assim o
conhecimento teoacuterico eacute utilizado parcialmente para indicar uma classe adequada de funccedilotildees matemaacuteticas que satildeo
ajustadas empiricamente fazendo com que o ajuste dos seus paracircmetros seja realizado de forma experimental
Um dos aspectos relevantes para a seleccedilatildeo do modelo mais adequado estaacute na capacidade do mesmo em
reproduzir os dados conhecidos e as previsotildees futuras de forma acurada Assim se xt eacute a observaccedilatildeo real para o
periacuteodo t e tx eacute a previsatildeo para o mesmo periacuteodo Assim o erro na previsatildeo eacute definido por
ttt xxe ˆ (Equaccedilatildeo 4)
Se existirem observaccedilotildees e previsotildees para n periacuteodos as seguintes estatiacutesticas podem ser utilizadas
n
1t
en
1ME
t (Equaccedilatildeo 5)
Ie In
1MAE
n
1t
t
(Equaccedilatildeo 6)
n
1t
2
t en
1MSE (Equaccedilatildeo 7)
O erro meacutedio ME eacute definido como a meacutedia dos erros calculado na equaccedilatildeo 5 (et) Pelo somatoacuterio os valores
positivos e negativos tendem a se anular resultando em um valor baixo O erro meacutedio absoluto (MAE) eacute definido pelo
somatoacuterio dos moacutedulos dos erros e em seguida realiza-se a meacutedia dos valores absolutos encontrados No caacutelculo do
erro quadraacutetico (MSE) os erros se tornam positivos pela elevaccedilatildeo ao quadrado e a meacutedia eacute realizada com os valores
positivos encontrados
Considerando a escala em que os dados satildeo expressos pode-se definir o erro relativo como
100xˆ
PE t
t
t
x
xx (Equaccedilatildeo 8)
t
n
1t
PEn
1MPE
(Equaccedilatildeo 9)
IPE In
1MAPE t
n
1t
(Equaccedilatildeo 10)
O erro meacutedio percentual (MPE) eacute a meacutedia do erro percentual calculado em PEt para n periacuteodos Neste caso os
valores positivos e negativos dos erros percentuais tendem a se anular da mesma forma que para ME Da mesma
forma que para MAE o erro meacutedio absoluto percentual tambeacutem eacute obtido utilizando-se erros absolutos percentuais
17
23 ndash MODELO BOX-JENKINS
Os modelos ARIMA (Autoregressive Integrated Moving Average ndash Auto-Regressivos Integrados de Meacutedias
Moacuteveis) da famiacutelia de Box-Jenkins tem o objetivo de captar o comportamento da autocorrelaccedilatildeo (correlaccedilatildeo seriada)
entre os valores da seacuterie temporal e realizar previsotildees baseando-se neste comportamento
Dentre a famiacutelia de modelos destacam-se os Auto-Regressivos e os de Meacutedias Moacuteveis Aleacutem destes existem
ainda outras variaccedilotildees no qual satildeo tomadas d diferenccedilas de uma seacuterie natildeo estacionaacuteria visando tornaacute-la estacionaacuteria
(com meacutedia e variacircncia constantes ao longo do tempo) Existem ainda os modelos ARMA (Auto-Regressivos de Meacutedias
Moacuteveis) que satildeo utilizados quando natildeo haacute necessidade de realizar diferenciaccedilotildees para tornar a seacuterie estacionaacuteria
Outro modelo eacute conhecido como SARIMA (ou ARIMA Sazonal) que eacute utilizado para captar a sazonalidade de uma
seacuterie
Um benefiacutecio da utilizaccedilatildeo dos modelos Box-Jenkins estaacute relacionado ao fato do algoritmo do mesmo auxiliar o
usuaacuterio na escolha do melhor modelo por meio dos comportamentos dos graacuteficos da funccedilatildeo de autocorrelaccedilatildeo (FAC) e
da funccedilatildeo de autocorrelaccedilatildeo parcial (FACP)
A FAC eacute determinada atraveacutes da correlaccedilatildeo linear de cada valor yt da seacuterie de dados com outros valores em
lags distintos como yt-1 yt-2 e assim sucessivamente Assim o coeficiente de correlaccedilatildeo temporal (autocorrelaccedilatildeo) da
seacuterie temporal defasado por 1 2 ou mais periacuteodos eacute calculado pela seguinte equaccedilatildeo
n
1t
2
n
1tk
r
xx
xxxx
t
ktt
k (Equaccedilatildeo 11)
Na equaccedilatildeo anterior r1 indica como os valores sucessivos de x relacionam-se entre si r2 indica como os
valores de x defasados em dois periacuteodos relacionam-se entre si e assim sucessivamente Em conjunto as
autocorrelaccedilotildees defasadas em 1 2 k periacuteodos constituem a funccedilatildeo de autocorrelaccedilatildeo
A FACP por sua vez possui um conceito semelhante ao da FAC Eacute definida pela correlaccedilatildeo existente entre yt
e yt-2 por exemplo sem levar em consideraccedilatildeo os efeitos causados por yt-1 e yt-2 O coeficiente de autocorrelaccedilatildeo
parcial de ordem k definido por k pode ser obtido atraveacutes da estimaccedilatildeo dos coeficientes da regressatildeo muacuteltipla de x t
em funccedilatildeo de 1tx 2tx ktx conforme a proacutexima equaccedilatildeo
ktkttt xxxx 22110 (Equaccedilatildeo 12)
As autocorrelaccedilotildees parciais satildeo usadas para medir o grau de associaccedilatildeo entre as observaccedilotildees x t e xt-k quando
o efeito das outras observaccedilotildees defasadas no tempo em 1 2 k-1 periacuteodos satildeo removidas As autocorrelaccedilotildees
parciais 1 2 k constituem a FACP
Pelo fato deste processo permitir que usuaacuterios diferentes modelem diferentes equaccedilotildees a partir de uma mesma
seacuterie temporal pode existir certo grau de subjetividade na escolha do melhor modelo para a previsatildeo da seacuterie em
questatildeo
18
231 ndash Modelo ARMA (Auto-Regressivo a Meacutedia Moacutevel)
O modelo ARMA natildeo possui uma parte integrada Sendo assim satildeo utilizados para uma seacuterie temporal
estacionaacuteria com relaccedilatildeo agrave meacutedia e a variacircncia e satildeo definidos pelas equaccedilotildees a seguir
qtqttptptt eeexxcx 1111 (Equaccedilatildeo 13)
Existem restriccedilotildees aos valores cujos paracircmetros podem assumir nas equaccedilotildees anteriores a saber
Para p = 1 -1 lt 1 lt 1
Para p = 2 -1 lt 2 lt 1 1 + 2 lt 1 e 2 ndash 1 lt 1
Para p gt= 3 condiccedilotildees mais complexas prevalecem
Da mesma forma
Para q = 1 -1 lt 1 lt 1
Para q = 2 -1 lt 2 lt 1 1 + 2 lt 1 e 2 ndash 1 lt 1
Para p gt= 3 condiccedilotildees mais complexas prevalecem
Um dispositivo de notaccedilatildeo uacutetil eacute o operador de deslocamento retroativo definido por 1 tt xBx Assim B
operando sobre tx tem o efeito de deslocar os dados para traacutes em um periacuteodo Dessa forma
2
2)( ttt xxBBxB (Equaccedilatildeo 14)
Por meio da equaccedilatildeo acima que o modelo recebe a denominaccedilatildeo de Auto-Regressivo a Meacutedia Moacutevel (ARMA)
de ordens (pq) conforme expresso na equaccedilatildeo seguinte
t
MA
p
p
AR
t
p
p eBBcxBB
qp
)()(
11 11 (Equaccedilatildeo 15)
Os coeficientes 1 2 p e 1 2 q satildeo estimados para ajustarem-se agrave seacuterie temporal estudada
atraveacutes dos meacutetodos dos miacutenimos quadrados ou da maacutexima verossimilhanccedila A aplicaccedilatildeo do meacutetodo dos miacutenimos
quadrados eacute realizada atraveacutes de estimativas feitas iterativamente por softwares ateacute que soma dos erros quadraacuteticos
seja minimizada O meacutetodo da maacutexima verossimilhanccedila estima tambeacutem iterativamente os valores dos paracircmetros que
maximizem a verossimilhanccedila de um conjunto de observaccedilotildees
O modelo ARMA deve ter seus erros et distribuiacutedos aleatoriamente comportando-se como uma seacuterie de ruiacutedo
branco Os resiacuteduos natildeo satildeo ruiacutedo branco se as estatiacutesticas Q sugerida por Box-Pierce ou Q sugerida por Ljungndash
Box posicionarem-se no extremo 5 da cauda direita da distribuiccedilatildeo χ2 As expressotildees para caacutelculo das estatiacutesticas
Q de BoxndashPierce ou Q de Ljung-Box satildeo as seguintes
19
h
1k
2
k tnQ (Equaccedilatildeo 16)
h
1k
2
k
k-
r)2(
nnnQ (Equaccedilatildeo 17)
Onde
n = nuacutemero de observaccedilotildees da seacuterie
h = maacutexima defasagem dos coeficientes de correlaccedilatildeo dos resiacuteduos
Alguns autores apresentam procedimentos para identificaccedilatildeo das ordens p e q dos modelos ARMA por meio
dos graacuteficos das FAC e FACP como exemplificado no quadro a seguir
Modelo FAC FACP
ARMA (p0) Decaimento gradativo Decaimento brusco apoacutes defasagem p
ARMA (0q) Decaimento brusco apoacutes defasagem q Decaimento gradativo
ARMA (pq) Decaimento gradativo com onda
senoidal amortecida apoacutes a
defasagem (q-p)
Decaimento gradativo com onda
senoidal amortecida apoacutes a defasagem
(p-q)
Tabela 1 - Comportamento das FAC e FACP para Modelos Estacionaacuterios
Fonte Elaborado pelos Autores
232 ndash Modelo ARIMA
Em muitos casos as seacuteries temporais encontradas possuem tendecircncia apresentando um comportamento natildeo
estacionaacuterio No entanto para aplicar o meacutetodo de Box-Jenkins eacute necessaacuterio remover a tendecircncia da seacuterie atraveacutes da
diferenciaccedilatildeo ou seja aplicar sobre a mesma o operador (1 ndash B) no modelo ARMA conforme equaccedilatildeo a seguir
tttt xBxxx )1(1
(Equaccedilatildeo 18)
Desta forma a expressatildeo do modelo ARIMA (pdq) ndash auto regressivo integrado a meacutedia moacutevel de ordem p d
q eacute a expressatildeo do modelo ARMA (pq) acrescido do fator de diferenciaccedilatildeo de ordem d responsaacutevel pela descriccedilatildeo do
comportamento de tendecircncia da seacuterie conforme representado na equaccedilatildeo a seguir
t
MA
p
p
I
t
d
AR
p
p eBBcxBBB
qdp
)()()(
111 11 (Equaccedilatildeo 19)
233 ndash Modelo ARIMA Sazonal (SARIMA)
O comportamento mais geral de seacuteries histoacutericas natildeo estacionaacuterias eacute o que combina o padratildeo de tendecircncia
com o padratildeo de sazonalidade O meacutetodo de Box-Jenkins recomenda a remoccedilatildeo tanto da tendecircncia quanto da
sazonalidade das seacuteries diferenciando-a duas vezes Eacute recomendado que a diferenciaccedilatildeo sazonal sobre a seacuterie
20
original seja feita em primeiro lugar uma vez que em alguns casos sua aplicaccedilatildeo jaacute torna a seacuterie estacionaacuteria como
mostrado na expressatildeo a seguir (para uma seacuterie com nuacutemero de periacuteodos com ciclo sazonal igual a 12)
tttt xBxxx )1( 12
12
(Equaccedilatildeo 20)
Nos casos em que se torna necessaacuteria a segunda diferenciaccedilatildeo faz necessaacuteria aplicar o operador )1( B na
mesma conforme equaccedilatildeo a seguir
ttttt xBBxBxxx 12
1
11)1( (Equaccedilatildeo 21)
24 ndash MEacuteTODO DO AMORTECIMENTO EXPONENCIAL
Historicamente o amortecimento exponencial descreve uma classe de meacutetodos de previsatildeo De fato alguns
dos meacutetodos mais utilizados para esse fim satildeo baseados nesse conceito cada um deles utilizando a propriedade em
que os pesos das observaccedilotildees mais recentes satildeo maiores do que aqueles referentes a observaccedilotildees no passado
Assim o nome ldquoamortecimento exponencialrdquo reflete no fato de que os pesos (atraveacutes do uso da meacutedia ponderada)
diminuem exponencialmente agrave medida que as observaccedilotildees satildeo mais antigas
Os primeiros registros da utilizaccedilatildeo do meacutetodo satildeo de Robert G Brown em 1944 enquanto desenvolvia
trabalhos como analista de Pesquisa Operacional na Marinha Americana enquanto desenvolvia um dispositivo
mecacircnico para monitorar a velocidade e o acircngulo de tiros disparados de submarinos Em 1950 ele estendeu o uso
desse meacutetodo para seacuteries temporais discretas incluindo termos para lidar com as componentes de sazonalidade e
tendecircncia
Paralelamente Charles Holt tambeacutem estava trabalhando em um meacutetodo de amortecimento exponencial para o
Escritoacuterio Americano de Pesquisas Navais O seu trabalho em modelos sazonais aditivos e multiplicativos se tornaram
conhecidos atraveacutes de um artigo publicado por seu estudante Peter Winters em 1960 aplicando testes empiacutericos ao
meacutetodo de Holt Como resultado a versatildeo da ferramenta que trabalha com a componente sazonal eacute denominada de
Holt-Winters
Os modelos de suavizaccedilatildeo exponencial satildeo largamente utilizados devido a sua simplicidade e baixo custo
Assim quando se necessitam previsotildees para milhares de itens como eacute o caso em muitos sistemas de gestatildeo esses
modelos satildeo muitas vezes os uacutenicos suficientemente raacutepidos e baratos para assegurar uma implementaccedilatildeo viaacutevel
Dessa forma existem trecircs classes de meacutetodos de amortecimento exponencial a saber
1 ndash Seacuteries localmente constantes analisadas pelos modelos de meacutedias moacuteveis simples ou amortecimento
exponencial
2 ndash Seacuteries com tendecircncias que utilizam o modelo de Holt
3 ndash Seacuteries com comportamento sazonal que utilizam o modelo Holt-Winters
241 ndash Meacutetodos de Amortecimento Exponencial Simples
21
O meacutetodo de suavizaccedilatildeo exponencial simples tem melhor precisatildeo para seacuteries de padratildeo horizontal isto eacute
agravequelas que natildeo apresentam tendecircncia nem sazonalidade e eacute apropriado para previsotildees de curto prazo Seu algoritmo
de previsatildeo utiliza a seguinte expressatildeo da equaccedilatildeo
ttt xxx ˆ1ˆ1 (Equaccedilatildeo 22)
Onde
1ˆtx = previsatildeo para o periacuteodo t+1
α = constante de suavizaccedilatildeo cujo valor encontra-se entre 0 e 1
tx = uacuteltimo valor observado
tx = uacuteltimo valor observado com peso (1 ndash α)
Expandindo-se a expressatildeo acima pela substituiccedilatildeo de tx 1ˆtx 2
ˆtx por seus componentes resulta em
1113211ˆ)1()1(3)1(2)1(1ˆ xxxxxxx ttttttt (Equaccedilatildeo 23)
Assim 1ˆtx eacute uma meacutedia ponderada de todas as observaccedilotildees passadas constituindo os coeficientes de
ponderaccedilatildeo uma seacuterie decrescente exponencialmente para valores de α entre 0 e 1 Dessa constataccedilatildeo origina-se o
nome amortecimento exponencial Analisando-se a uacuteltima equaccedilatildeo verifica-se que a constante de suavizaccedilatildeo α
determina a rapidez do decaimento dos coeficientes (pesos) A escolha do valor para a constante de suavizaccedilatildeo pode
ser arbitraacuteria ou condicionada a algum criteacuterio que na maioria das vezes consiste na minimizaccedilatildeo do erro quadraacutetico
meacutedio atribuiacutedo ao desempenho do meacutetodo
A constante de suavizaccedilatildeo estaacute diretamente ligada agrave velocidade de resposta das previsotildees agraves variaccedilotildees das
observaccedilotildees ou seja quanto menor o valor de α mais lenta eacute a resposta Valores maiores que α causam reaccedilotildees
mais raacutepidas das previsotildees agraves variaccedilotildees das observaccedilotildees podendo causar instabilidade no desempenho do meacutetodo
Como o peso da primeira previsatildeo 1x eacute (1 ndash α)t verifica-se que menor importacircncia um fator teraacute para a
previsatildeo de t+1 quanto mais proacuteximo de um for e quanto maior for o t Como eacute necessaacuterio ter o valor de 1x eacute feita a
suposiccedilatildeo de que 1x = 1x ou seja igual agrave uacuteltima observaccedilatildeo O erro decorrente dessa suposiccedilatildeo seraacute tanto menor
quanto maiores forem α e t
Alternativamente a expressatildeo inicial desse item pode ser representada como
1ˆtx = tx + α( tx ndash tx ) (Equaccedilatildeo 24)
1ˆtx = tx + α te (Equaccedilatildeo 25)
Atraveacutes da anaacutelise da uacuteltima equaccedilatildeo pode-se concluir que o meacutetodo de suavizaccedilatildeo exponencial simples
prevecirc o valor de uma seacuterie temporal tomando a previsatildeo para o periacuteodo anterior e ajustando-a pelo valor do erro no
mesmo periacuteodo
22
242 ndash Meacutetodo de Holt
O meacutetodo de Holt pode ser utilizado de maneira satisfatoacuteria em seacuteries temporais com tendecircncia linear
mediante o uso de uma funccedilatildeo de ponderaccedilatildeo que daacute maior importacircncia aos periacuteodos de tempo mais recentes Seu
algoritmo de previsatildeo utiliza as seguintes expressotildees
))(1( 11 tttt TLxL (Equaccedilatildeo 26)
11 )1)(( tttt TLLT (Equaccedilatildeo 27)
mtx ˆ
tt mTL (Equaccedilatildeo 28)
Onde
mtx ˆ = previsatildeo para o periacuteodo t+m
= constantes de suavizaccedilatildeo com valor entre 0 e 1 que determinam a rapidez de decaimento dos pesos
da seacuterie quanto mais proacuteximo de um maior o peso das observaccedilotildees recentes
tL = estimativa do niacutevel da seacuterie no tempo t
tT = estimativa de declividade da seacuterie no tempo t
Como o meacutetodo de Holt baseia-se na aplicaccedilatildeo recursiva das expresses anteriores satildeo necessaacuterios tambeacutem
como dados de entrada tL e tT que podem ser considerados como 1L 1x e 1T 12 xx Outra forma de caacutelculo eacute a
regressatildeo linear simples aplicada aos dados da seacuterie temporal onde se obteacutem o valor da declividade da seacuterie temporal
e de 0L em sua origem
243 ndash Meacutetodo de Winters
Os meacutetodos de Winters dividem-se em dois grupos aditivo e multiplicativo No meacutetodo aditivo a amplitude da
variaccedilatildeo sazonal eacute constante ao longo do tempo ou seja a diferenccedila entre o maior e menor valor de demanda dentro
das estaccedilotildees permanece relativamente constante no tempo No meacutetodo multiplicativo a amplitude da variaccedilatildeo sazonal
aumente ou diminui como funccedilatildeo do tempo
2431 ndash Meacutetodo Sazonal Multiplicativo de Winters
))(1( 11
tt
t
t
t TLSS
xL (Equaccedilatildeo 29)
11 )1()( tttt TLLT (Equaccedilatildeo 30)
SSL
xS t
t
t
t
1 (Equaccedilatildeo 31)
mSSmTLx tttmt ˆ (Equaccedilatildeo 32)
23
Onde
mtx ˆ = previsatildeo para o periacuteodo t+m
= constantes de suavizaccedilatildeo que variam entre 0 e 1
tx = observaccedilatildeo mais recente
tL = estimativa do niacutevel de seacuterie no tempo t
tT = estimativa de declividade da seacuterie no tempo t
tS = componente de sazonalidade no tempo t
S = nuacutemero de subperiacuteodos do ano (sazonalidade)
A escolha de valores para as constantes de suavizaccedilatildeo eacute condicionada a algum criteacuterio que na maioria das
vezes consiste na minimizaccedilatildeo por meio do algoritmo de minimizaccedilatildeo linear do erro quadraacutetico meacutedio (MSE) atribuiacutedo
ao desempenho do meacutetodo
Como o meacutetodo multiplicativo de Winters baseia-se na aplicaccedilatildeo recursiva das equaccedilotildees deste item e que
deve ser iniciada em algum periacuteodo do passado no qual os valores de TL TT e TS devem ser estimados A maneira
mais simples de inicializar o niacutevel de tendecircncia no periacuteodo S O niacutevel eacute inicializado no primeiro periacuteodo sazonal da
seguinte forma
S
Sxxxx
SL
1
321
(Equaccedilatildeo 33)
Para inicializar a tendecircncia eacute conveniente o uso de dois ciclos completos isto eacute 2S periacuteodos como descrito
abaixo
S
xx
S
xx
S
xx
ST SSSSS
S 1 2211 (Equaccedilatildeo 34)
Por ultimo os iacutendices sazonais satildeo inicializados usando-se a razatildeo das primeiras observaccedilotildees como a meacutedia
do primeiro ano com descrito a seguir
S
xS
L
11
S
xS
L
22
S
S
s
xS
L (Equaccedilatildeo 35)
2432 ndash Meacutetodo Sazonal Aditivo de Winters
O meacutetodo aditivo de Winters eacute utilizado na modelagem dos dados sazonais no qual a amplitude do ciclo
sazonal permanece constante com o passar do tempo
Aleacutem disso a amplitude da variaccedilatildeo sazonal eacute constante ao longo do tempo ou seja a diferenccedila entre o maior
e o menor valor de demanda dentro das estaccedilotildees permanece relativamente constante no tempo As equaccedilotildees
matemaacuteticas satildeo
))(1()( 11 ttttt TLSSxL (Equaccedilatildeo 36)
24
11 )1()( tttt TLLT (Equaccedilatildeo 37)
Stttt SLxS )1()( St = γ(xt - Lt) + (1- γ)St-S (Equaccedilatildeo 38)
mStttmt SmTLx ˆ (Equaccedilatildeo 39)
A segunda equaccedilatildeo deste item eacute igual agravequela do meacutetodo multiplicativo de Winters O restante das equaccedilotildees se
diferem por iacutendice sazonais serem somados e subtraiacutedos ao inveacutes de serem tomados em produtos ou divisotildees
Os valores iniciais de SL e ST satildeo iguais aos do meacutetodo multiplicativo Os iacutendices sazonais satildeo inicializados da
seguinte forma
SLxS 11 SLxS 22 SSS LxS (Equaccedilatildeo 40)
25 ndash SELECcedilAtildeO DE MODELOS
A partir do momento em que vaacuterios modelos ajustam-se a uma seacuterie temporal deve-se eleger aquele que
melhor representa o seu comportamento por meio da anaacutelise de seus paracircmetros Neste trabalho os paracircmetros seratildeo
utilizados os seguintes paracircmetros de forma primordial na definiccedilatildeo do modelo mais apropriado
251 ndash Maacuteximo R2
A estatiacutestica R2 eacute definida por
n
1t
2
2n
1t2
ˆ
1
tt
tt
xx
xx
R (Equaccedilatildeo 41)
Onde
tx = observaccedilatildeo real para o periacuteodo t
tx = previsatildeo para o periacuteodo t
Uma medida de R2 mais proacutexima de zero indica um modelo com ajuste pobre enquanto que um valor proacuteximo
de um indica um bom ajuste
252 ndash Miacutenimo BIC (Bayesian Information Criterion)
Este criteacuterio penaliza os modelos com muitos paracircmetros sendo portanto um criteacuterio de verosimilhanccedila
penalisada Vale ressaltar que o BIC natildeo deve ser utilizado de forma isolada mas em conjunto com outros paracircmetros
na comparaccedilatildeo com diversos modelos
O BIC eacute definido pela seguinte expressatildeo
25
nm
nMSEBIC2
(Equaccedilatildeo 42)
nm
tt nxxn
BIC22
n
1t
ˆ1
(Equaccedilatildeo 43)
Onde
m = nuacutemero de paracircmetros do modelo
n = nuacutemero de observaccedilotildees da seacuterie temporal
3 - DESENVOLVIMENTO
31 ndash ANAacuteLISE DA SEacuteRIE
A seacuterie a seguir apresenta os dados quantitativos da evoluccedilatildeo do volume de produccedilatildeo de caminhotildees no Brasil
Tratam-se de dados mensais entre janeiro de 1957 e dezembro de 2011 totalizando 660 observaccedilotildees
5000
10000
15000
20000
60 65 70 75 80 85 90 95 0 5 10
Legend
PRODUCAO
Figura 2 - Seacuterie de Volume de Produccedilatildeo no Brasil
Fonte Elaborado pelos Autores 2012
26
32 ndash ANAacuteLISE DESCRITIVA
O primeiro passo foi a anaacutelise descritiva da seacuterie visando obter uma anaacutelise inicial para definir o modelo de
previsatildeo mais adequado agraves suas caracteriacutesticas
Utilizando o software Minitab obteve-se a seguinte tabela
Figura 3 - Estatiacutesticas Descritivas da Seacuterie Inicial
Fonte Minitab 2012
O coeficiente de correlaccedilatildeo de Pearson indica a razatildeo entre o desvio padratildeo e a meacutedia de uma seacuterie cujo
caacutelculo eacute representado por
CV = desvio padratildeomeacutedia
Introduzindo os valores do desvio padratildeo (3515) e da meacutedia da amostra (5560) na foacutermula anterior obteacutem-se o
seguinte resultado
CV = 35155560 = 06322 ~ 63 de grau de dispersatildeo
Essa medida eacute utilizada quando se pretende comparar duas ou mais distribuiccedilotildees de probabilidade quanto agraves
suas variabilidades atuando como uma medida de variabilidade relativa
Na teoria de probabilidade o grau de simetria eacute uma medida de assimetria da distribuiccedilatildeo de valores reais
aleatoacuterios O grau de simetria pode ser positivo ou negativo ou mesmo indefinido Qualitativamente um valor negativo
em que a cauda no lado esquerdo da funccedilatildeo de densidade de probabilidade eacute maior do que o lado direito e a maioria
dos valores tende ao lado direito da meacutedia De mesma forma um valor positivo indica que a cauda no lado direito eacute
maior do que o lado esquerdo e que a maioria dos valores tende ao lado esquerdo da meacutedia O valor zero indica que
valores relativos igualmente distribuiacutedos dos dois lados ao redor da meacutedia mas natildeo necessariamente implica em uma
distribuiccedilatildeo simeacutetrica
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de grau de simetria (skewness) O valor positivo do grau de
simetria indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa conforme apresentado no
histograma a seguir
27
dados
Fre
qu
en
cy
200001600012000800040000
120
100
80
60
40
20
0
Mean 5560
StDev 3515
N 660
Histogram (with Normal Curve) of dados
Figura 4 - Histograma da Seacuterie Inicial
Fonte SPSS 2012
De forma similar o conceito de curtose trata-se da uma medida de dispersatildeo para descriccedilatildeo da forma da
distribuiccedilatildeo de probabilidades e como o grau de simetria existem formas diferentes de quantificaacute-la como uma
distribuiccedilatildeo teoacuterica e formas correspondentes de estimaacute-la a partir de uma amostra oriunda de uma populaccedilatildeo Essa
medida indica o grau de achatamento curva de distribuiccedilatildeo de probabilidade
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de curtose (kurtosis) O valor positivo do grau de simetria
indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa O valor positivo indica um
comportamento leptocuacutertica indicando que a mesma eacute mais alta e mais concentrada que a distribuiccedilatildeo normal
O Teste de Normalidade realizado com 95 de niacutevel de confianccedila gerou um p-value nulo ou seja abaixo dos
5 de significacircncia Desta maneira a hipoacutetese nula de que os dados apresentariam uma distribuiccedilatildeo normal foi
rejeitada
Tests of Normality
105 660 000 860 660 000VAR00001
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 5 - Teste de Normalidade da Seacuterie Inicial
Fonte SPSS 2012
28
O teste de Kolmogorov-Smirnov eacute utilizado para determinar se duas distribuiccedilotildees de probabilidade diferem uma
da outra ou natildeo O graacutefico abaixo referente a este testem evidencia o comportamento da distribuiccedilatildeo frente ao
comportamento da distribuiccedilatildeo normal
dados
Pe
rce
nt
2500020000150001000050000-5000-10000
9999
99
95
80
50
20
5
1
001
Mean
lt0010
5560
StDev 3515
N 660
KS 0105
P-Value
Teste de Normalidade Kolmogorov-SmirnovNormal
Figura 6 - Teste de Kolmogorov-Smirnov para a Seacuterie Inicial
Fonte SPSS 2012
Assim faz-se necessaacuterio uma transformaccedilatildeo na seacuterie para adequaccedilatildeo dos dados para uma distribuiccedilatildeo
normal Para tal modificaccedilatildeo neste trabalho foi utilizada a distribuiccedilatildeo logariacutetmica na base 10
Apoacutes a transformaccedilatildeo o teste de normalidade foi realizado novamente (tambeacutem com 95 de significacircncia) O
resultado eacute apresentado na tabela a seguir
Tests of Normality
042 660 007 994 660 009log10
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 7 - Teste de Normalidade para a Seacuterie Transformada
Fonte SPSS 2012
Conforme pode ser observado na tabela acima o p-value foi proacuteximo de 001 menor que 005 Apesar do
pressuposto de normalidade dos dados natildeo ter sido alcanccedilado esta base de dados seraacute utilizada nas modelagens
para fins acadecircmicos e seraacute tomado como premissa que a distribuiccedilatildeo estaacute normalizada
29
O teste graacutefico de normalidade de Kolmogorov-Smirnov foi realizado para a distribuiccedilatildeo transformada O
graacutefico abaixo evidencia o comportamento dos dados da distribuiccedilatildeo frente ao comportamento da distribuiccedilatildeo normal
auxiliando na conclusatildeo do teste anterior
log 10
Pe
rce
nt
4540353025
9999
99
95
80
50
20
5
1
001
Mean
lt0010
3668
StDev 02593
N 660
KS 0042
P-Value
Teste de Normalidade Kolmogorov-Smirnov - log 10Normal
Figura 8 - Teste de Kolmogorov-Smirnov para a Seacuterie Transformada
Fonte SPSS 2012
A seguir tem-se o histograma da seacuterie transformada evidenciando a mudanccedila do comportamento dos dados
30
log 10
Fre
qu
en
cy
42403836343230
70
60
50
40
30
20
10
0
Mean 3668
StDev 02593
N 660
Histogram of log 10Normal
Figura 9 - Histograma da Seacuterie Transformada
Fonte SPSS 2012
O teste da igualdade de variacircncias eacute aplicado com o objetivo de verificar se devem ou natildeo ser assumidas
igualdade entre as variacircncias das populaccedilotildees Para isso foi utilizado na anaacutelise o Teste de Levene cujas hipoacuteteses
satildeo as seguintes
H0 as variacircncias nas duas populaccedilotildees satildeo iguais ou seja existe homocedasticidade (σ1 = σ2 ou σ1 = σ2 = 0)
Neste caso assume-se a estatiacutestica Sig F gt 005
H1 as variacircncias nas duas populaccedilotildees satildeo diferentes ou seja natildeo existe homocedasticidade (σ1 ne σ2 ou σ1 ne
σ2 ne 0) Neste caso assume-se a estatiacutestica Sig F lt ou = 005
Para a realizaccedilatildeo do teste dividiu-se a populaccedilatildeo em dois grupos iguais (grupos denominados como 0 e 1
cada um com 330 unidades) Os resultados satildeo os seguintes
31
Group Statistics
330 35473 23553 01297
330 37896 22313 01228
Teste de Lev ene0
1
log10N Mean Std Dev iation
Std Error
Mean
Independent Samples Test
5981 015 -13569 658 000 -24235 01786 -27742 -20728
-13569 656086 000 -24235 01786 -27742 -20728
Equal variances
assumed
Equal variances
not assumed
log10F Sig
Lev enes Test for
Equality of Variances
t df Sig (2-tailed)
Mean
Dif f erence
Std Error
Dif f erence Lower Upper
95 Conf idence
Interv al of the
Dif f erence
t-test f or Equality of Means
Figura 10 - Teste de Homocedasticidade para a Seacuterie Transformada
Fonte SPSS 2012
Pelo resultado do teste pode-se verificar que o valor de ldquoSigrdquo (referente ao p-value) foi de 0015 onde se
conclui que a hipoacutetese nula que leva em consideraccedilatildeo que a variacircncia da seacuterie eacute constante pode ser aceita
33 ndash MODELOS DE PREVISAtildeO
Neste trabalho seratildeo analisados os seguintes modelos de previsatildeo
1 ndash Box Jenkins
2 ndash Suavizaccedilatildeo Exponencial
Para determinar o modelo de previsatildeo mais adequado foi utilizado o software Forecast Pro for Windows (FPW)
Todas as previsotildees foram realizadas utilizando a seacuterie com a variaacutevel transformada a fim de atender o
pressuposto de normalidade da seacuterie necessaacuterio nos modelos de previsatildeo
32
Figura 11 - Seleccedilatildeo da Seacuterie para a Previsatildeo
Fonte FPW 2012
331 ndash Box-Jenkins
Apoacutes a apresentaccedilatildeo e anaacutelises dos pressupostos necessaacuterios para a aplicaccedilatildeo do modelo Box-Jenkins seratildeo
realizadas as anaacutelises que demonstram a funccedilatildeo de autocorrelaccedilatildeo (FAC) e funccedilatildeo de autocorrelaccedilatildeo parcial (FACP)
Figura 12 - FAC da Seacuterie
Fonte FPW 2012
33
Figura 13 - FACP da Seacuterie
Fonte FPW 2012
Nota-se na Figura XXX FAC da seacuterie que a seacuterie decai muito lentamente indicando tendecircncia logo faz-se
necessaacuterio realizar uma diferenciaccedilatildeo na parte simples
Apoacutes a diferenciaccedilatildeo obtiveram-se os seguintes novos graacuteficos para a funccedilatildeo de autocorrelaccedilatildeo e funccedilatildeo de
autocorrelaccedilatildeo parcial
Figura 14 - FAC da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
34
Figura 15 - FACP da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
Apoacutes a realizaccedilatildeo da diferenciaccedilatildeo os seguintes modelos foram testados
1 ndash ARIMA (110)
2 ndash ARIMA (011)
3 ndash ARIMA (210)
4 ndash ARIMA (012)
5 ndash ARIMA (111)
A seguir cada modelo seraacute demonstrado
1 ndash ARIMA (110)
Figura 16 - Resultado ARIMA (110)
Fonte FPW 2012
35
Figura 17 - FAC dos Resiacuteduos ARIMA (110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08746) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel a(1) foi considerada significativa
2 - ARIMA (011)
Figura 18 - Resultado ARIMA (011)
Fonte FPW 2012
36
Figura 19 - FAC dos Resiacuteduos ARIMA (011)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel b(1) foi considerada significativa
3 - ARIMA (210)
Figura 20 - Resultado ARIMA (210)
Fonte FPW 2012
37
Figura 21 - FAC dos Resiacuteduos ARIMA (210)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08765) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
4 - ARIMA (012)
Figura 22 - Resultado ARIMA (012)
Fonte FPW 2012
38
Figura 23 - FAC dos Resiacuteduos ARIMA (012)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08777) com lag significativo nas fases 12 24 e 36 no graacutefico da FAC dos
resiacuteduos As variaacuteveis b(1) e b(2) foram consideradas significativas
5 - ARIMA (111)
Figura 24 - Resultado ARIMA (111)
Fonte FPW 2012
39
Figura 25 - FAC dos Resiacuteduos ARIMA (111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08811) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e b(1) foi considerada significativa
Observando os resultados obtidos nos cinco modelos anteriores fica evidente a semelhanccedila da presenccedila dos
lags significativos nas fases 12 24 e 36 no graacutefico da FAC dos resiacuteduos indicando a existecircncia de sazonalidade na
seacuterie modelada Assim torna-se necessaacuterio diferenciar a fase sazonal dos dados
Apoacutes a diferenciaccedilatildeo simples foram realizadas as seguintes diferenciaccedilotildees sazonais obtendo-se os seguintes
resultados para os modelos SARIMA
6 ndash SARIMA (011)(010)
Figura 26 - Resultado SARIMA (011)(010)
Fonte FPW 2012
40
Figura 27 - FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel b(1) foi considerada significativa
7 ndash SARIMA (110)(010)
Figura 28 - Resultado SARIMA (011)(010)
Fonte FPW 2012
41
Figura 29 - FAC dos Resiacuteduos SARIMA (011)(010)
Figura 29 ndash FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08305) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel a(1) foi considerada significativa
8 ndash SARIMA (210)(010)
Figura 30 - Resultado SARIMA (210)(010)
Fonte FPW 2012
42
Figura 31 - FAC dos Resiacuteduos SARIMA (210)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08337) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
9 ndash SARIMA (012)(010)
Figura 32 - Resultado SARIMA (012)(010)
Fonte FPW 2012
43
Figura 33 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
10 ndash SARIMA (111)(010)
Figura 34 - Resultado SARIMA (111)(010)
Fonte FPW 2012
44
Figura 35 - FAC dos Resiacuteduos SARIMA (111)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 12 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1
11 ndash SARIMA (011)(110)
Figura 36 - Resultado SARIMA (011)(110)
Fonte FPW 2012
45
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08623) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis A(12) e b(1) foram consideradas significativas
12 ndash SARIMA (110)(110)
Figura 38 - Resultado SARIMA (011)(110)
Fonte FPW 2012
46
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08595) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e A(12) foram consideradas significativas
13 ndash SARIMA (210)(110)
Figura 40 - Resultado SARIMA (210)(110)
Fonte FPW 2012
47
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08620) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) a(2) e A(12) foram consideradas significativas
14 ndash SARIMA (012)(010)
Figura 42 - Resultado SARIMA (012)(010)
Fonte FPW 2012
48
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08625) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
15 ndash SARIMA (111)(110)
Figura 44 - Resultado SARIMA (111)(110)
Fonte FPW 2012
49
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08626) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 24 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1 e MA = 1
16 ndash SARIMA (011)(111)
Figura 46 - Resultado SARIMA (011)(111)
Fonte FPW 2012
50
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) e B(12) foram consideradas significativas pelo modelo
17 ndash SARIMA (110)(111)
Figura 48 - Resultado SARIMA (110)(111)
Fonte FPW 2012
51
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09010) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) e B(12) foram consideradas significativas pelo modelo
18 ndash SARIMA (210)(111)
Figura 50 - Resultado SARIMA (210)(111)
Fonte FPW 2012
52
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) a(12) e B(12) foram consideradas significativas pelo modelo
19 ndash SARIMA (012)(111)
Figura 52 ndash Resultado SARIMA (012)(111)
Fonte FPW 2012
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
8
Figura 33 - FAC dos Resiacuteduos SARIMA (012)(010) 43
Figura 34 - Resultado SARIMA (111)(010) 43
Figura 35 - FAC dos Resiacuteduos SARIMA (111)(010) 44
Figura 36 - Resultado SARIMA (011)(110) 44
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110) 45
Figura 38 - Resultado SARIMA (011)(110) 45
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110) 46
Figura 40 - Resultado SARIMA (210)(110) 46
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110) 47
Figura 42 - Resultado SARIMA (012)(010) 47
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010) 48
Figura 44 - Resultado SARIMA (111)(110) 48
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110) 49
Figura 46 - Resultado SARIMA (011)(111) 49
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111) 50
Figura 48 - Resultado SARIMA (110)(111) 50
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111) 51
Figura 50 - Resultado SARIMA (210)(111) 51
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111) 52
Figura 52 ndash Resultado SARIMA (012)(111) 52
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111) 53
Figura 54 ndash Resultado SARIMA (111)(111) 53
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111) 54
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade 55
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade 55
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt) 56
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade 56
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters) 57
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters) 57
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva 58
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva 58
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111) 60
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111) 61
vii
9
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111) 61
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111) 62
SUMAacuteRIO
ix
viii
10
1 ndash INTRODUCcedilAtildeO 10
11 ndash CONSIDERACcedilOtildeES INICIAIS 11
12 ndash OBJETIVO 13
13 ndash JUSTIFICATIVAS 13
14 ndash CONDICcedilOtildeES DE CONTORNO 13
15 ndash METODOLOGIA 13
2 ndash REVISAtildeO BIBLIOGRAacuteFICA 14
21 ndash SEacuteRIES TEMPORAIS 14
22 ndash PREVISAtildeO DE SEacuteRIES TEMPORAIS 14
23 ndash MODELO BOX-JENKINS 17
231 ndash Modelo ARMA (Auto-Regressivo a Meacutedia Moacutevel) 18
232 ndash Modelo ARIMA 19
233 ndash Modelo ARIMA Sazonal (SARIMA) 19
24 ndash MEacuteTODO DO AMORTECIMENTO EXPONENCIAL 20
241 ndash Meacutetodos de Amortecimento Exponencial Simples 20
242 ndash Meacutetodo de Holt 22
243 ndash Meacutetodo de Winters 22
25 ndash SELECcedilAtildeO DE MODELOS 24
251 ndash Maacuteximo R2 24
252 ndash Miacutenimo BIC (Bayesian Information Criterion) 24
3 - DESENVOLVIMENTO 25
31 ndash ANAacuteLISE DA SEacuteRIE 25
32 ndash ANAacuteLISE DESCRITIVA 26
33 ndash MODELOS DE PREVISAtildeO 31
331 ndash Box-Jenkins 32
332 ndash Amortecimento Exponencial 55
34 ndash COMPARACcedilAtildeO ENTRE MODELOS 59
4 - CONCLUSAtildeO 60
41 ndash PREVISAtildeO FINAL 60
42 ndash CONSIDERACcedilOtildeES FINAIS 62
5 - REFEREcircNCIAS 63
1 ndash INTRODUCcedilAtildeO
11
11 ndash CONSIDERACcedilOtildeES INICIAIS
A junccedilatildeo de dois fatores de extrema importacircncia faz a induacutestria de veiacuteculos comerciais acelerar suas vendas a
aproximaccedilatildeo da entrada da nova legislaccedilatildeo brasileira de emissatildeo de gases estabelecendo o padratildeo Euro 5 a partir de
janeiro de 2012 e a virada para um ano eleitoral
A Associaccedilatildeo Nacional dos Fabricantes de Veiacuteculos Automotores (ANFAVEA) do Brasil fundada em 15 de
maio de 1956 reuacutene empresas fabricantes de autoveiacuteculos (automoacuteveis comerciais leves caminhotildees ocircnibus) e
maacutequinas agriacutecolas automotrizes (tratores de rodas e de esteiras colheitadeiras e retroescavadeiras) com instalaccedilotildees
industriais no Brasil
A entidade tem atribuiccedilatildeo de estudar temas da induacutestria e do mercado de veiacuteculos e maacutequinas agriacutecolas
automotrizes aleacutem de coordenar e defender os interesses coletivos das empresas associadas Ainda eacute responsaacutevel
por patrocinar exposiccedilotildees automotivas e outros eventos de caraacuteter institucional
Segundo a ANFAVEA o mercado de caminhotildees se divide da seguinte forma
Semileves 35 ton lt PBT lt 6 ton
Leves 6 ton PBT lt 10 ton
Meacutedio 10 ton PBT lt 15 ton
Semi Pesados PBT 15 ton
Entende-se por Peso Bruto Total (PBT) o peso maacuteximo transmitido ao pavimento pela combinaccedilatildeo de um
caminhatildeo-trator mais seu semi-reboque ou do caminhatildeo mais os seus reboques Um caminhatildeo trator eacute um veiacuteculo
automotor destinado a tracionar ou arrastar outro e um semi-reboque eacute um veiacuteculo de um ou mais eixos que se apoia
na sua unidade tratora ou eacute a ela ligado por meio de articulaccedilatildeo
As montadoras de caminhotildees que operam no Brasil fabricaram 138 mais veiacuteculos em 2011 do que em 2010
Segundo dados da ANFAVEA em seu balanccedilo anual Aleacutem disso a produccedilatildeo atendeu ao aumento de demanda por
conta da elevaccedilatildeo de preccedilos devido agrave entrada em vigor da norma Proconve 7 Euro 5
Com o crescimento a produccedilatildeo de caminhotildees no mercado brasileiro somou 216270 unidades em 2011 ante
as 189941 de 2010 Apesar dessa expansatildeo as vendas somaram 172902 unidades ou seja quase 80 da produccedilatildeo
foi vendida no mercado interno Outras 26321 unidades foram vendidas ao mercado internacional o que leva a um
estoque de pouco mais de 17 mil caminhotildees
Os veiacuteculos mais fabricados no ano foram os semipesados e pesados com 74927 e 65542 veiacuteculos
representando 346 e 303 do total saiacutedo das linhas de montagem brasileiras O crescimento no ano foi de 193 e
84 quando comparados ao mesmo periacuteodo do ano passado
Em relaccedilatildeo agraves campeatildes de vendas a MAN Latin America (que fabrica e comercializa caminhotildees da marca
proacutepria e da Volkswagen) confirmou a lideranccedila de mercado pelo nono ano consecutivo De acordo com os dados de
licenciamentos da ANFAVEA a empresa vendeu 50815 veiacuteculos cerca de 30 do mercado nacional um
crescimento de 122 ante 2010 A segunda colocada eacute a Mercedes-Benz que encerrou 2011 com a comercializaccedilatildeo
de 42623 veiacuteculos alta de 43 no periacuteodo Em terceiro aparece a Ford com 30354 em quarto a Volvo com 19069
crescimento de 245 em quinto a Iveco com 14246 caminhotildees no ano expansatildeo de 186 A Scania ficou em
sexto lugar no mercado brasileiro com a comercializaccedilatildeo de 13484 unidades O restante das vendas ficou dividido
entre as marcas Agrale Hyundai e International
Com relaccedilatildeo aos licenciamento totais em 2011 a figura a seguir retrata o fechamento do ano de 2011
12
Figura 1 - Fechamento da Quantidade de Veiacuteculos Licenciados em 2011
Fonte ANFAVEA
Em termos de crescimento sobre as vendas do ano passado os semipesados apresentaram a maior alta com
169 os leves vecircm a seguir com expansatildeo de 131 seguido dos semileves com 109 de vendas a mais em
comparaccedilatildeo a 2010 As vendas de caminhotildees na categoria meacutedios ficaram 28 maiores enquanto que os pesados
ostentaram a menor alta apenas 09 quando comparadas as vendas de 2010 Enquanto isso as vendas de
importados fecharam 2011 com um impressionante crescimento de 469 ante 2010 sendo os pesados os que mais
entraram no Brasil com 2774 unidades das pouco mais de quatro mil importaccedilotildees de caminhotildees representando um
crescimento de mais de 115
No iniacutecio de Janeiro de 2012 passou a vigorar a seacutetima ediccedilatildeo do Proconve (Programa de Controle de Poluiccedilatildeo
do Ar por Veiacuteculos Automotores) Eacute um programa criado em 1986 pelo CONAMA com os objetivos de reduzir as
emissotildees de veiacuteculos novos desenvolver tecnologia nacional e melhorar a qualidade dos combustiacuteveis Eacute aplicado a
veiacuteculos leves e pesados como os caminhotildees
Para atender a resoluccedilatildeo do Proconve 7 as montadoras estatildeo implementando novos sistema de motorizaccedilatildeo
combustatildeo e exaustatildeo dos combustiacuteveis em seus veiacuteculos conhecidos como Euro 5 Com o ganho tecnoloacutegico e
ambiental satildeo tambeacutem agregados custos entre 10 e 20 aos veiacuteculos
Com a entrada da nova legislaccedilatildeo Proconve 7 e o aumento no preccedilo dos veiacuteculos devido agrave motorizaccedilatildeo Euro
5 a retraccedilatildeo no mercado eacute eminente Isso ocorre pelo fato dos caminhotildees serem bens de produccedilatildeo e a disponibilidade
dos veiacuteculos Euro 3 mais poluentes e mais baratos no mercado faz-se com que o fenocircmeno do pre-buying antecipe a
renovaccedilatildeo da frota para antes de janeiro com eminente queda na produccedilatildeo para o primeiro semestre de 2012 motivo
pelo qual se torna importante conhecer a previsatildeo demanda do volume total de produccedilatildeo de caminhotildees
13
12 ndash OBJETIVO
O objetivo desse trabalho eacute o de comparar a utilizaccedilatildeo de meacutetodos de previsatildeo de demanda e definir qual
deveraacute ser aplicado para a previsatildeo do volume de produccedilatildeo de caminhotildees a partir da base de dados da ANFAVEA
13 ndash JUSTIFICATIVAS
O processo de previsatildeo de demanda por seacuteries temporais utiliza dados passados e presentes para obter dados
futuros por meio de modelos descritos e ajustados das variaacuteveis em questatildeo
As seacuteries temporais satildeo observaccedilotildees de variaacuteveis que podem ser de vaacuterios campos da economia Exemplos
de tais variaacuteveis satildeo taxas de inflaccedilatildeo iacutendices de accedilotildees taxas de desemprego e participaccedilatildeo de uma empresa em
determinado mercado Frequentemente os modelos de previsatildeo para essas taxas satildeo utilizados para determinar as
poliacuteticas e objetivos que guiaratildeo as empresas e instituiccedilotildees
A anaacutelise das seacuteries temporais pode evidenciar uma variedade de padrotildees e comportamentos Tipicamente
muitos agregados macroeconocircmicos tais como produccedilatildeo industrial consumo e salaacuterios mostram comportamentos que
evidenciam tendecircncias de crescimento
Assim aleacutem de buscar o melhor modelo de previsatildeo aplicado ao volume de produccedilatildeo de caminhotildees no Brasil
o presente trabalho tambeacutem tem o objetivo de evidenciar os padrotildees e comportamentos desta seacuterie
14 ndash CONDICcedilOtildeES DE CONTORNO
Este trabalho trataraacute da previsatildeo do volume de produccedilatildeo mensal de caminhotildees no Brasil Para definir o modelo
de previsatildeo mais adequado seratildeo utilizados dados mensais entre janeiro de 1957 e dezembro de 2011
Seratildeo abordados neste trabalho os modelos Box-Jenkins e a teacutecnica do Amortecimento Exponencial para
definir a melhor modelagem para seacuterie abordada
15 ndash METODOLOGIA
O desenvolvimento deste trabalho foi realizado em seis etapas a primeira consistiu da revisatildeo da literatura
sobre seacuteries temporais previsatildeo de demanda e volume de produccedilatildeo de caminhotildees no Brasil
Na segunda etapa foi realizada a coleta de dados referente aos volumes de produccedilatildeo para o periacuteodo estudado
A terceira etapa por sua vez consistiu na realizaccedilatildeo das anaacutelises descritivas para o entendimento do comportamento
da seacuterie
A quarta etapa envolveu os testes com os modelos e meacutetodos de previsatildeo bem como a geraccedilatildeo das
previsotildees Na quinta etapa foram analisados os modelos de previsatildeo obtidos definindo qual seria o modelo mais
adequado
A uacuteltima etapa eacute composta pelo fechamento do trabalho incluindo as anaacutelises do modelo proposto bem como
as recomendaccedilotildees para trabalhos futuros
14
2 ndash REVISAtildeO BIBLIOGRAacuteFICA
21 ndash SEacuteRIES TEMPORAIS
Uma seacuterie temporal pode ser definida como um conjunto de observaccedilotildees de uma variaacutevel observadas
sequencialmente no tempo Assim a variaacutevel eacute verificada em intervalos de tempo equidistantes e a correlaccedilatildeo entre os
diversos pontos da seacuterie gera a caracteriacutestica de dependecircncia entre eles Levando em consideraccedilatildeo que a seacuterie
temporal tambeacutem pode ser definida como as provaacuteveis trajetoacuterias para um determinado processo faz com que os
dados da mesma natildeo sejam apenas correlacionados mas oriundos tambeacutem de um processo estocaacutestico no qual eacute
observado uma das trajetoacuterias
A anaacutelise da seacuterie temporal por sua vez inicia-se a partir da descriccedilatildeo dos fenocircmenos e processos que a
originam Um fator importante que tambeacutem deve ser estudado eacute a dependecircncia entre as observaccedilotildees
Segundo Makridakis et al (1998) existem quatro tipos de padrotildees de seacuteries temporais
1 - Horizontal quando os valores dos dados flutuam ao redor de uma meacutedia constante
2 - Inclinado (tendecircncia) quando se verifica um crescimento ou decreacutescimo em longo prazo no valor dos
dados
3 - Ciacuteclico estaacute presente em uma seacuterie temporal quando os dados exibem crescimentos e quedas que natildeo se
repetem em um intervalo de tempo fixo
4 - Sazonal padratildeo sazonal existe quando uma seacuterie temporal eacute influenciada por fatores sazonais isto eacute que
se repetem a intervalos de tempos iguais
Adicionalmente uma seacuterie temporal eacute considerada natildeo linear quando pelo menos sua variacircncia natildeo eacute
constante ou sua meacutedia natildeo eacute constante Assim basta que pelo menos uma das duas caracteriacutesticas esteja presente
no comportamento da seacuterie para ser considerada natildeo linear
Para a utilizaccedilatildeo dos dados nos modelos Box-Jenkins faz-se necessaacuterio garantir o pressuposto em que a
meacutedia e a variacircncia sejam constantes no tempo Quando a meacutedia possui variaccedilatildeo a uma taxa constante a seacuterie eacute
definida como natildeo estacionaacuteria Esta variaccedilatildeo por sua vez pode ocorrer a uma taxa constante dentro de um ciclo
chamada de natildeo-estacionariedade sazonal
As funccedilotildees de autocorrelaccedilatildeo e autocorrelaccedilatildeo parcial satildeo mecanismos adotados dentro dos modelos Box-
Jenkins com a funccedilatildeo de identificar mecanismos relativos a natildeo-estacionariedade das seacuteries em estudo
22 ndash PREVISAtildeO DE SEacuteRIES TEMPORAIS
Para a previsatildeo de seacuteries temporais podem ser empregados modelos e meacutetodos que se diferenciam da
seguinte forma um modelo de previsatildeo eacute aquele que utiliza uma ou mais equaccedilotildees para representar a estrutura
aleatoacuteria da seacuterie temporal Jaacute um meacutetodo eacute uma combinaccedilatildeo de uma rotina de estimaccedilatildeo e um modelo (assim torna-
se necessaacuterio uma rotina preacutevia de identificaccedilatildeo do modelo adequado) Pelo fato dos modelos atraveacutes de suas
caracteriacutesticas serem muitos especiacuteficos a grande maioria foi desenvolvida para padrotildees de seacuteries temporais
anteriormente mencionados
As teacutecnicas de previsatildeo satildeo distribuiacutedas em dois grupos meacutetodos qualitativos e quantitativos Os meacutetodos
qualitativos satildeo aplicados quando existe conhecimento acumulado sobre o processo ou fenocircmeno em estudo havendo
15
a necessidade do julgamento por meio de especialistas principalmente quando natildeo existe uma seacuterie histoacuterica para ser
estudada
Os meacutetodos quantitativos utilizam dados histoacutericos e modelos matemaacuteticos para prever comportamentos
futuros As teacutecnicas quantitativas dividem-se em dois subgrupos seacuteries temporais (ou meacutetodos univariaacuteveis) e modelos
causais (multivariaacuteveis) As seacuteries temporais utilizam dados histoacutericos de demanda como base para determinaccedilatildeo de
padrotildees que podem se repetir no futuro Exemplos satildeo as teacutecnicas de seacuteries temporais e o amortecimento exponencial
Jaacute os modelos causais satildeo aqueles que buscam relacionar as demandas (variaacutevel dependente) com outros fatores
(variaacutevel independente) como fatores macroeconocircmicos como o PIB inflaccedilatildeo clima entre outros Para isso torna-se
necessaacuterio a utilizaccedilatildeo de regressotildees lineares e natildeo lineares
A aplicaccedilatildeo dos meacutetodos quantitativos depende de trecircs fatores
1 ndash Disponibilidade de informaccedilotildees histoacutericas
2 ndash Quantificaccedilatildeo das informaccedilotildees histoacutericas em seacuteries temporais
3 ndash Recorrecircncia no futuro de padrotildees observados nas informaccedilotildees histoacutericas
A condiccedilatildeo de recorrecircncia eacute conhecida como suposiccedilatildeo de continuidade e eacute uma premissa de todos os
meacutetodos quantitativos e alguns meacutetodos qualitativos
As caracteriacutesticas dos meacutetodos claacutessicos satildeo a mensuraccedilatildeo probabiliacutestica de erro da previsatildeo e uma
metodologia menos subjetiva para a obtenccedilatildeo dos modelos Neste grupo de modelos estaacute inserido o de Box-Jenkins
Um modelo claacutessico supotildee que a seacuterie temporal zt onde t = 1 N possa ser escrito como uma soma (modelo
aditivo) por meio da seguinte equaccedilatildeo
tttt aSTz (Equaccedilatildeo 1)
Ou ainda possa ser escrito como uma multiplicaccedilatildeo (modelo multiplicativo) da seguinte forma
tttt aSTz (Equaccedilatildeo 2)
Onde
tT = denotaccedilatildeo para tendecircncia
tS = denotaccedilatildeo para componente sazonal
ta = denotaccedilatildeo para termo aleatoacuterio
Removendo-se as componentes tT e tS resta a componente aleatoacuteria (at) ou residual A suposiccedilatildeo adotada eacute
que at seja uma componente puramente aleatoacuteria mesmo em alguns casos em que eacute considerada como um processo
estacionaacuterio com meacutedia e variacircncia constantes
Aleacutem dos modelos claacutessicos existe outra classe de meacutetodo de previsatildeo que contecircm os natildeo parameacutetricos
Esses satildeo caracterizados por serem muito subjetivos por natildeo possuiacuterem um grande nuacutemero de suposiccedilotildees como os
16
claacutessicos No entanto dentro dos natildeo parameacutetricos existe uma classe de modelos conhecidos por sua qualidade
preditiva e complexidade sendo denominados de modelos de redes neurais
Os modelos utilizados atualmente satildeo compostos de modelos teoacutericos exatos e empiacutericos Assim o
conhecimento teoacuterico eacute utilizado parcialmente para indicar uma classe adequada de funccedilotildees matemaacuteticas que satildeo
ajustadas empiricamente fazendo com que o ajuste dos seus paracircmetros seja realizado de forma experimental
Um dos aspectos relevantes para a seleccedilatildeo do modelo mais adequado estaacute na capacidade do mesmo em
reproduzir os dados conhecidos e as previsotildees futuras de forma acurada Assim se xt eacute a observaccedilatildeo real para o
periacuteodo t e tx eacute a previsatildeo para o mesmo periacuteodo Assim o erro na previsatildeo eacute definido por
ttt xxe ˆ (Equaccedilatildeo 4)
Se existirem observaccedilotildees e previsotildees para n periacuteodos as seguintes estatiacutesticas podem ser utilizadas
n
1t
en
1ME
t (Equaccedilatildeo 5)
Ie In
1MAE
n
1t
t
(Equaccedilatildeo 6)
n
1t
2
t en
1MSE (Equaccedilatildeo 7)
O erro meacutedio ME eacute definido como a meacutedia dos erros calculado na equaccedilatildeo 5 (et) Pelo somatoacuterio os valores
positivos e negativos tendem a se anular resultando em um valor baixo O erro meacutedio absoluto (MAE) eacute definido pelo
somatoacuterio dos moacutedulos dos erros e em seguida realiza-se a meacutedia dos valores absolutos encontrados No caacutelculo do
erro quadraacutetico (MSE) os erros se tornam positivos pela elevaccedilatildeo ao quadrado e a meacutedia eacute realizada com os valores
positivos encontrados
Considerando a escala em que os dados satildeo expressos pode-se definir o erro relativo como
100xˆ
PE t
t
t
x
xx (Equaccedilatildeo 8)
t
n
1t
PEn
1MPE
(Equaccedilatildeo 9)
IPE In
1MAPE t
n
1t
(Equaccedilatildeo 10)
O erro meacutedio percentual (MPE) eacute a meacutedia do erro percentual calculado em PEt para n periacuteodos Neste caso os
valores positivos e negativos dos erros percentuais tendem a se anular da mesma forma que para ME Da mesma
forma que para MAE o erro meacutedio absoluto percentual tambeacutem eacute obtido utilizando-se erros absolutos percentuais
17
23 ndash MODELO BOX-JENKINS
Os modelos ARIMA (Autoregressive Integrated Moving Average ndash Auto-Regressivos Integrados de Meacutedias
Moacuteveis) da famiacutelia de Box-Jenkins tem o objetivo de captar o comportamento da autocorrelaccedilatildeo (correlaccedilatildeo seriada)
entre os valores da seacuterie temporal e realizar previsotildees baseando-se neste comportamento
Dentre a famiacutelia de modelos destacam-se os Auto-Regressivos e os de Meacutedias Moacuteveis Aleacutem destes existem
ainda outras variaccedilotildees no qual satildeo tomadas d diferenccedilas de uma seacuterie natildeo estacionaacuteria visando tornaacute-la estacionaacuteria
(com meacutedia e variacircncia constantes ao longo do tempo) Existem ainda os modelos ARMA (Auto-Regressivos de Meacutedias
Moacuteveis) que satildeo utilizados quando natildeo haacute necessidade de realizar diferenciaccedilotildees para tornar a seacuterie estacionaacuteria
Outro modelo eacute conhecido como SARIMA (ou ARIMA Sazonal) que eacute utilizado para captar a sazonalidade de uma
seacuterie
Um benefiacutecio da utilizaccedilatildeo dos modelos Box-Jenkins estaacute relacionado ao fato do algoritmo do mesmo auxiliar o
usuaacuterio na escolha do melhor modelo por meio dos comportamentos dos graacuteficos da funccedilatildeo de autocorrelaccedilatildeo (FAC) e
da funccedilatildeo de autocorrelaccedilatildeo parcial (FACP)
A FAC eacute determinada atraveacutes da correlaccedilatildeo linear de cada valor yt da seacuterie de dados com outros valores em
lags distintos como yt-1 yt-2 e assim sucessivamente Assim o coeficiente de correlaccedilatildeo temporal (autocorrelaccedilatildeo) da
seacuterie temporal defasado por 1 2 ou mais periacuteodos eacute calculado pela seguinte equaccedilatildeo
n
1t
2
n
1tk
r
xx
xxxx
t
ktt
k (Equaccedilatildeo 11)
Na equaccedilatildeo anterior r1 indica como os valores sucessivos de x relacionam-se entre si r2 indica como os
valores de x defasados em dois periacuteodos relacionam-se entre si e assim sucessivamente Em conjunto as
autocorrelaccedilotildees defasadas em 1 2 k periacuteodos constituem a funccedilatildeo de autocorrelaccedilatildeo
A FACP por sua vez possui um conceito semelhante ao da FAC Eacute definida pela correlaccedilatildeo existente entre yt
e yt-2 por exemplo sem levar em consideraccedilatildeo os efeitos causados por yt-1 e yt-2 O coeficiente de autocorrelaccedilatildeo
parcial de ordem k definido por k pode ser obtido atraveacutes da estimaccedilatildeo dos coeficientes da regressatildeo muacuteltipla de x t
em funccedilatildeo de 1tx 2tx ktx conforme a proacutexima equaccedilatildeo
ktkttt xxxx 22110 (Equaccedilatildeo 12)
As autocorrelaccedilotildees parciais satildeo usadas para medir o grau de associaccedilatildeo entre as observaccedilotildees x t e xt-k quando
o efeito das outras observaccedilotildees defasadas no tempo em 1 2 k-1 periacuteodos satildeo removidas As autocorrelaccedilotildees
parciais 1 2 k constituem a FACP
Pelo fato deste processo permitir que usuaacuterios diferentes modelem diferentes equaccedilotildees a partir de uma mesma
seacuterie temporal pode existir certo grau de subjetividade na escolha do melhor modelo para a previsatildeo da seacuterie em
questatildeo
18
231 ndash Modelo ARMA (Auto-Regressivo a Meacutedia Moacutevel)
O modelo ARMA natildeo possui uma parte integrada Sendo assim satildeo utilizados para uma seacuterie temporal
estacionaacuteria com relaccedilatildeo agrave meacutedia e a variacircncia e satildeo definidos pelas equaccedilotildees a seguir
qtqttptptt eeexxcx 1111 (Equaccedilatildeo 13)
Existem restriccedilotildees aos valores cujos paracircmetros podem assumir nas equaccedilotildees anteriores a saber
Para p = 1 -1 lt 1 lt 1
Para p = 2 -1 lt 2 lt 1 1 + 2 lt 1 e 2 ndash 1 lt 1
Para p gt= 3 condiccedilotildees mais complexas prevalecem
Da mesma forma
Para q = 1 -1 lt 1 lt 1
Para q = 2 -1 lt 2 lt 1 1 + 2 lt 1 e 2 ndash 1 lt 1
Para p gt= 3 condiccedilotildees mais complexas prevalecem
Um dispositivo de notaccedilatildeo uacutetil eacute o operador de deslocamento retroativo definido por 1 tt xBx Assim B
operando sobre tx tem o efeito de deslocar os dados para traacutes em um periacuteodo Dessa forma
2
2)( ttt xxBBxB (Equaccedilatildeo 14)
Por meio da equaccedilatildeo acima que o modelo recebe a denominaccedilatildeo de Auto-Regressivo a Meacutedia Moacutevel (ARMA)
de ordens (pq) conforme expresso na equaccedilatildeo seguinte
t
MA
p
p
AR
t
p
p eBBcxBB
qp
)()(
11 11 (Equaccedilatildeo 15)
Os coeficientes 1 2 p e 1 2 q satildeo estimados para ajustarem-se agrave seacuterie temporal estudada
atraveacutes dos meacutetodos dos miacutenimos quadrados ou da maacutexima verossimilhanccedila A aplicaccedilatildeo do meacutetodo dos miacutenimos
quadrados eacute realizada atraveacutes de estimativas feitas iterativamente por softwares ateacute que soma dos erros quadraacuteticos
seja minimizada O meacutetodo da maacutexima verossimilhanccedila estima tambeacutem iterativamente os valores dos paracircmetros que
maximizem a verossimilhanccedila de um conjunto de observaccedilotildees
O modelo ARMA deve ter seus erros et distribuiacutedos aleatoriamente comportando-se como uma seacuterie de ruiacutedo
branco Os resiacuteduos natildeo satildeo ruiacutedo branco se as estatiacutesticas Q sugerida por Box-Pierce ou Q sugerida por Ljungndash
Box posicionarem-se no extremo 5 da cauda direita da distribuiccedilatildeo χ2 As expressotildees para caacutelculo das estatiacutesticas
Q de BoxndashPierce ou Q de Ljung-Box satildeo as seguintes
19
h
1k
2
k tnQ (Equaccedilatildeo 16)
h
1k
2
k
k-
r)2(
nnnQ (Equaccedilatildeo 17)
Onde
n = nuacutemero de observaccedilotildees da seacuterie
h = maacutexima defasagem dos coeficientes de correlaccedilatildeo dos resiacuteduos
Alguns autores apresentam procedimentos para identificaccedilatildeo das ordens p e q dos modelos ARMA por meio
dos graacuteficos das FAC e FACP como exemplificado no quadro a seguir
Modelo FAC FACP
ARMA (p0) Decaimento gradativo Decaimento brusco apoacutes defasagem p
ARMA (0q) Decaimento brusco apoacutes defasagem q Decaimento gradativo
ARMA (pq) Decaimento gradativo com onda
senoidal amortecida apoacutes a
defasagem (q-p)
Decaimento gradativo com onda
senoidal amortecida apoacutes a defasagem
(p-q)
Tabela 1 - Comportamento das FAC e FACP para Modelos Estacionaacuterios
Fonte Elaborado pelos Autores
232 ndash Modelo ARIMA
Em muitos casos as seacuteries temporais encontradas possuem tendecircncia apresentando um comportamento natildeo
estacionaacuterio No entanto para aplicar o meacutetodo de Box-Jenkins eacute necessaacuterio remover a tendecircncia da seacuterie atraveacutes da
diferenciaccedilatildeo ou seja aplicar sobre a mesma o operador (1 ndash B) no modelo ARMA conforme equaccedilatildeo a seguir
tttt xBxxx )1(1
(Equaccedilatildeo 18)
Desta forma a expressatildeo do modelo ARIMA (pdq) ndash auto regressivo integrado a meacutedia moacutevel de ordem p d
q eacute a expressatildeo do modelo ARMA (pq) acrescido do fator de diferenciaccedilatildeo de ordem d responsaacutevel pela descriccedilatildeo do
comportamento de tendecircncia da seacuterie conforme representado na equaccedilatildeo a seguir
t
MA
p
p
I
t
d
AR
p
p eBBcxBBB
qdp
)()()(
111 11 (Equaccedilatildeo 19)
233 ndash Modelo ARIMA Sazonal (SARIMA)
O comportamento mais geral de seacuteries histoacutericas natildeo estacionaacuterias eacute o que combina o padratildeo de tendecircncia
com o padratildeo de sazonalidade O meacutetodo de Box-Jenkins recomenda a remoccedilatildeo tanto da tendecircncia quanto da
sazonalidade das seacuteries diferenciando-a duas vezes Eacute recomendado que a diferenciaccedilatildeo sazonal sobre a seacuterie
20
original seja feita em primeiro lugar uma vez que em alguns casos sua aplicaccedilatildeo jaacute torna a seacuterie estacionaacuteria como
mostrado na expressatildeo a seguir (para uma seacuterie com nuacutemero de periacuteodos com ciclo sazonal igual a 12)
tttt xBxxx )1( 12
12
(Equaccedilatildeo 20)
Nos casos em que se torna necessaacuteria a segunda diferenciaccedilatildeo faz necessaacuteria aplicar o operador )1( B na
mesma conforme equaccedilatildeo a seguir
ttttt xBBxBxxx 12
1
11)1( (Equaccedilatildeo 21)
24 ndash MEacuteTODO DO AMORTECIMENTO EXPONENCIAL
Historicamente o amortecimento exponencial descreve uma classe de meacutetodos de previsatildeo De fato alguns
dos meacutetodos mais utilizados para esse fim satildeo baseados nesse conceito cada um deles utilizando a propriedade em
que os pesos das observaccedilotildees mais recentes satildeo maiores do que aqueles referentes a observaccedilotildees no passado
Assim o nome ldquoamortecimento exponencialrdquo reflete no fato de que os pesos (atraveacutes do uso da meacutedia ponderada)
diminuem exponencialmente agrave medida que as observaccedilotildees satildeo mais antigas
Os primeiros registros da utilizaccedilatildeo do meacutetodo satildeo de Robert G Brown em 1944 enquanto desenvolvia
trabalhos como analista de Pesquisa Operacional na Marinha Americana enquanto desenvolvia um dispositivo
mecacircnico para monitorar a velocidade e o acircngulo de tiros disparados de submarinos Em 1950 ele estendeu o uso
desse meacutetodo para seacuteries temporais discretas incluindo termos para lidar com as componentes de sazonalidade e
tendecircncia
Paralelamente Charles Holt tambeacutem estava trabalhando em um meacutetodo de amortecimento exponencial para o
Escritoacuterio Americano de Pesquisas Navais O seu trabalho em modelos sazonais aditivos e multiplicativos se tornaram
conhecidos atraveacutes de um artigo publicado por seu estudante Peter Winters em 1960 aplicando testes empiacutericos ao
meacutetodo de Holt Como resultado a versatildeo da ferramenta que trabalha com a componente sazonal eacute denominada de
Holt-Winters
Os modelos de suavizaccedilatildeo exponencial satildeo largamente utilizados devido a sua simplicidade e baixo custo
Assim quando se necessitam previsotildees para milhares de itens como eacute o caso em muitos sistemas de gestatildeo esses
modelos satildeo muitas vezes os uacutenicos suficientemente raacutepidos e baratos para assegurar uma implementaccedilatildeo viaacutevel
Dessa forma existem trecircs classes de meacutetodos de amortecimento exponencial a saber
1 ndash Seacuteries localmente constantes analisadas pelos modelos de meacutedias moacuteveis simples ou amortecimento
exponencial
2 ndash Seacuteries com tendecircncias que utilizam o modelo de Holt
3 ndash Seacuteries com comportamento sazonal que utilizam o modelo Holt-Winters
241 ndash Meacutetodos de Amortecimento Exponencial Simples
21
O meacutetodo de suavizaccedilatildeo exponencial simples tem melhor precisatildeo para seacuteries de padratildeo horizontal isto eacute
agravequelas que natildeo apresentam tendecircncia nem sazonalidade e eacute apropriado para previsotildees de curto prazo Seu algoritmo
de previsatildeo utiliza a seguinte expressatildeo da equaccedilatildeo
ttt xxx ˆ1ˆ1 (Equaccedilatildeo 22)
Onde
1ˆtx = previsatildeo para o periacuteodo t+1
α = constante de suavizaccedilatildeo cujo valor encontra-se entre 0 e 1
tx = uacuteltimo valor observado
tx = uacuteltimo valor observado com peso (1 ndash α)
Expandindo-se a expressatildeo acima pela substituiccedilatildeo de tx 1ˆtx 2
ˆtx por seus componentes resulta em
1113211ˆ)1()1(3)1(2)1(1ˆ xxxxxxx ttttttt (Equaccedilatildeo 23)
Assim 1ˆtx eacute uma meacutedia ponderada de todas as observaccedilotildees passadas constituindo os coeficientes de
ponderaccedilatildeo uma seacuterie decrescente exponencialmente para valores de α entre 0 e 1 Dessa constataccedilatildeo origina-se o
nome amortecimento exponencial Analisando-se a uacuteltima equaccedilatildeo verifica-se que a constante de suavizaccedilatildeo α
determina a rapidez do decaimento dos coeficientes (pesos) A escolha do valor para a constante de suavizaccedilatildeo pode
ser arbitraacuteria ou condicionada a algum criteacuterio que na maioria das vezes consiste na minimizaccedilatildeo do erro quadraacutetico
meacutedio atribuiacutedo ao desempenho do meacutetodo
A constante de suavizaccedilatildeo estaacute diretamente ligada agrave velocidade de resposta das previsotildees agraves variaccedilotildees das
observaccedilotildees ou seja quanto menor o valor de α mais lenta eacute a resposta Valores maiores que α causam reaccedilotildees
mais raacutepidas das previsotildees agraves variaccedilotildees das observaccedilotildees podendo causar instabilidade no desempenho do meacutetodo
Como o peso da primeira previsatildeo 1x eacute (1 ndash α)t verifica-se que menor importacircncia um fator teraacute para a
previsatildeo de t+1 quanto mais proacuteximo de um for e quanto maior for o t Como eacute necessaacuterio ter o valor de 1x eacute feita a
suposiccedilatildeo de que 1x = 1x ou seja igual agrave uacuteltima observaccedilatildeo O erro decorrente dessa suposiccedilatildeo seraacute tanto menor
quanto maiores forem α e t
Alternativamente a expressatildeo inicial desse item pode ser representada como
1ˆtx = tx + α( tx ndash tx ) (Equaccedilatildeo 24)
1ˆtx = tx + α te (Equaccedilatildeo 25)
Atraveacutes da anaacutelise da uacuteltima equaccedilatildeo pode-se concluir que o meacutetodo de suavizaccedilatildeo exponencial simples
prevecirc o valor de uma seacuterie temporal tomando a previsatildeo para o periacuteodo anterior e ajustando-a pelo valor do erro no
mesmo periacuteodo
22
242 ndash Meacutetodo de Holt
O meacutetodo de Holt pode ser utilizado de maneira satisfatoacuteria em seacuteries temporais com tendecircncia linear
mediante o uso de uma funccedilatildeo de ponderaccedilatildeo que daacute maior importacircncia aos periacuteodos de tempo mais recentes Seu
algoritmo de previsatildeo utiliza as seguintes expressotildees
))(1( 11 tttt TLxL (Equaccedilatildeo 26)
11 )1)(( tttt TLLT (Equaccedilatildeo 27)
mtx ˆ
tt mTL (Equaccedilatildeo 28)
Onde
mtx ˆ = previsatildeo para o periacuteodo t+m
= constantes de suavizaccedilatildeo com valor entre 0 e 1 que determinam a rapidez de decaimento dos pesos
da seacuterie quanto mais proacuteximo de um maior o peso das observaccedilotildees recentes
tL = estimativa do niacutevel da seacuterie no tempo t
tT = estimativa de declividade da seacuterie no tempo t
Como o meacutetodo de Holt baseia-se na aplicaccedilatildeo recursiva das expresses anteriores satildeo necessaacuterios tambeacutem
como dados de entrada tL e tT que podem ser considerados como 1L 1x e 1T 12 xx Outra forma de caacutelculo eacute a
regressatildeo linear simples aplicada aos dados da seacuterie temporal onde se obteacutem o valor da declividade da seacuterie temporal
e de 0L em sua origem
243 ndash Meacutetodo de Winters
Os meacutetodos de Winters dividem-se em dois grupos aditivo e multiplicativo No meacutetodo aditivo a amplitude da
variaccedilatildeo sazonal eacute constante ao longo do tempo ou seja a diferenccedila entre o maior e menor valor de demanda dentro
das estaccedilotildees permanece relativamente constante no tempo No meacutetodo multiplicativo a amplitude da variaccedilatildeo sazonal
aumente ou diminui como funccedilatildeo do tempo
2431 ndash Meacutetodo Sazonal Multiplicativo de Winters
))(1( 11
tt
t
t
t TLSS
xL (Equaccedilatildeo 29)
11 )1()( tttt TLLT (Equaccedilatildeo 30)
SSL
xS t
t
t
t
1 (Equaccedilatildeo 31)
mSSmTLx tttmt ˆ (Equaccedilatildeo 32)
23
Onde
mtx ˆ = previsatildeo para o periacuteodo t+m
= constantes de suavizaccedilatildeo que variam entre 0 e 1
tx = observaccedilatildeo mais recente
tL = estimativa do niacutevel de seacuterie no tempo t
tT = estimativa de declividade da seacuterie no tempo t
tS = componente de sazonalidade no tempo t
S = nuacutemero de subperiacuteodos do ano (sazonalidade)
A escolha de valores para as constantes de suavizaccedilatildeo eacute condicionada a algum criteacuterio que na maioria das
vezes consiste na minimizaccedilatildeo por meio do algoritmo de minimizaccedilatildeo linear do erro quadraacutetico meacutedio (MSE) atribuiacutedo
ao desempenho do meacutetodo
Como o meacutetodo multiplicativo de Winters baseia-se na aplicaccedilatildeo recursiva das equaccedilotildees deste item e que
deve ser iniciada em algum periacuteodo do passado no qual os valores de TL TT e TS devem ser estimados A maneira
mais simples de inicializar o niacutevel de tendecircncia no periacuteodo S O niacutevel eacute inicializado no primeiro periacuteodo sazonal da
seguinte forma
S
Sxxxx
SL
1
321
(Equaccedilatildeo 33)
Para inicializar a tendecircncia eacute conveniente o uso de dois ciclos completos isto eacute 2S periacuteodos como descrito
abaixo
S
xx
S
xx
S
xx
ST SSSSS
S 1 2211 (Equaccedilatildeo 34)
Por ultimo os iacutendices sazonais satildeo inicializados usando-se a razatildeo das primeiras observaccedilotildees como a meacutedia
do primeiro ano com descrito a seguir
S
xS
L
11
S
xS
L
22
S
S
s
xS
L (Equaccedilatildeo 35)
2432 ndash Meacutetodo Sazonal Aditivo de Winters
O meacutetodo aditivo de Winters eacute utilizado na modelagem dos dados sazonais no qual a amplitude do ciclo
sazonal permanece constante com o passar do tempo
Aleacutem disso a amplitude da variaccedilatildeo sazonal eacute constante ao longo do tempo ou seja a diferenccedila entre o maior
e o menor valor de demanda dentro das estaccedilotildees permanece relativamente constante no tempo As equaccedilotildees
matemaacuteticas satildeo
))(1()( 11 ttttt TLSSxL (Equaccedilatildeo 36)
24
11 )1()( tttt TLLT (Equaccedilatildeo 37)
Stttt SLxS )1()( St = γ(xt - Lt) + (1- γ)St-S (Equaccedilatildeo 38)
mStttmt SmTLx ˆ (Equaccedilatildeo 39)
A segunda equaccedilatildeo deste item eacute igual agravequela do meacutetodo multiplicativo de Winters O restante das equaccedilotildees se
diferem por iacutendice sazonais serem somados e subtraiacutedos ao inveacutes de serem tomados em produtos ou divisotildees
Os valores iniciais de SL e ST satildeo iguais aos do meacutetodo multiplicativo Os iacutendices sazonais satildeo inicializados da
seguinte forma
SLxS 11 SLxS 22 SSS LxS (Equaccedilatildeo 40)
25 ndash SELECcedilAtildeO DE MODELOS
A partir do momento em que vaacuterios modelos ajustam-se a uma seacuterie temporal deve-se eleger aquele que
melhor representa o seu comportamento por meio da anaacutelise de seus paracircmetros Neste trabalho os paracircmetros seratildeo
utilizados os seguintes paracircmetros de forma primordial na definiccedilatildeo do modelo mais apropriado
251 ndash Maacuteximo R2
A estatiacutestica R2 eacute definida por
n
1t
2
2n
1t2
ˆ
1
tt
tt
xx
xx
R (Equaccedilatildeo 41)
Onde
tx = observaccedilatildeo real para o periacuteodo t
tx = previsatildeo para o periacuteodo t
Uma medida de R2 mais proacutexima de zero indica um modelo com ajuste pobre enquanto que um valor proacuteximo
de um indica um bom ajuste
252 ndash Miacutenimo BIC (Bayesian Information Criterion)
Este criteacuterio penaliza os modelos com muitos paracircmetros sendo portanto um criteacuterio de verosimilhanccedila
penalisada Vale ressaltar que o BIC natildeo deve ser utilizado de forma isolada mas em conjunto com outros paracircmetros
na comparaccedilatildeo com diversos modelos
O BIC eacute definido pela seguinte expressatildeo
25
nm
nMSEBIC2
(Equaccedilatildeo 42)
nm
tt nxxn
BIC22
n
1t
ˆ1
(Equaccedilatildeo 43)
Onde
m = nuacutemero de paracircmetros do modelo
n = nuacutemero de observaccedilotildees da seacuterie temporal
3 - DESENVOLVIMENTO
31 ndash ANAacuteLISE DA SEacuteRIE
A seacuterie a seguir apresenta os dados quantitativos da evoluccedilatildeo do volume de produccedilatildeo de caminhotildees no Brasil
Tratam-se de dados mensais entre janeiro de 1957 e dezembro de 2011 totalizando 660 observaccedilotildees
5000
10000
15000
20000
60 65 70 75 80 85 90 95 0 5 10
Legend
PRODUCAO
Figura 2 - Seacuterie de Volume de Produccedilatildeo no Brasil
Fonte Elaborado pelos Autores 2012
26
32 ndash ANAacuteLISE DESCRITIVA
O primeiro passo foi a anaacutelise descritiva da seacuterie visando obter uma anaacutelise inicial para definir o modelo de
previsatildeo mais adequado agraves suas caracteriacutesticas
Utilizando o software Minitab obteve-se a seguinte tabela
Figura 3 - Estatiacutesticas Descritivas da Seacuterie Inicial
Fonte Minitab 2012
O coeficiente de correlaccedilatildeo de Pearson indica a razatildeo entre o desvio padratildeo e a meacutedia de uma seacuterie cujo
caacutelculo eacute representado por
CV = desvio padratildeomeacutedia
Introduzindo os valores do desvio padratildeo (3515) e da meacutedia da amostra (5560) na foacutermula anterior obteacutem-se o
seguinte resultado
CV = 35155560 = 06322 ~ 63 de grau de dispersatildeo
Essa medida eacute utilizada quando se pretende comparar duas ou mais distribuiccedilotildees de probabilidade quanto agraves
suas variabilidades atuando como uma medida de variabilidade relativa
Na teoria de probabilidade o grau de simetria eacute uma medida de assimetria da distribuiccedilatildeo de valores reais
aleatoacuterios O grau de simetria pode ser positivo ou negativo ou mesmo indefinido Qualitativamente um valor negativo
em que a cauda no lado esquerdo da funccedilatildeo de densidade de probabilidade eacute maior do que o lado direito e a maioria
dos valores tende ao lado direito da meacutedia De mesma forma um valor positivo indica que a cauda no lado direito eacute
maior do que o lado esquerdo e que a maioria dos valores tende ao lado esquerdo da meacutedia O valor zero indica que
valores relativos igualmente distribuiacutedos dos dois lados ao redor da meacutedia mas natildeo necessariamente implica em uma
distribuiccedilatildeo simeacutetrica
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de grau de simetria (skewness) O valor positivo do grau de
simetria indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa conforme apresentado no
histograma a seguir
27
dados
Fre
qu
en
cy
200001600012000800040000
120
100
80
60
40
20
0
Mean 5560
StDev 3515
N 660
Histogram (with Normal Curve) of dados
Figura 4 - Histograma da Seacuterie Inicial
Fonte SPSS 2012
De forma similar o conceito de curtose trata-se da uma medida de dispersatildeo para descriccedilatildeo da forma da
distribuiccedilatildeo de probabilidades e como o grau de simetria existem formas diferentes de quantificaacute-la como uma
distribuiccedilatildeo teoacuterica e formas correspondentes de estimaacute-la a partir de uma amostra oriunda de uma populaccedilatildeo Essa
medida indica o grau de achatamento curva de distribuiccedilatildeo de probabilidade
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de curtose (kurtosis) O valor positivo do grau de simetria
indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa O valor positivo indica um
comportamento leptocuacutertica indicando que a mesma eacute mais alta e mais concentrada que a distribuiccedilatildeo normal
O Teste de Normalidade realizado com 95 de niacutevel de confianccedila gerou um p-value nulo ou seja abaixo dos
5 de significacircncia Desta maneira a hipoacutetese nula de que os dados apresentariam uma distribuiccedilatildeo normal foi
rejeitada
Tests of Normality
105 660 000 860 660 000VAR00001
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 5 - Teste de Normalidade da Seacuterie Inicial
Fonte SPSS 2012
28
O teste de Kolmogorov-Smirnov eacute utilizado para determinar se duas distribuiccedilotildees de probabilidade diferem uma
da outra ou natildeo O graacutefico abaixo referente a este testem evidencia o comportamento da distribuiccedilatildeo frente ao
comportamento da distribuiccedilatildeo normal
dados
Pe
rce
nt
2500020000150001000050000-5000-10000
9999
99
95
80
50
20
5
1
001
Mean
lt0010
5560
StDev 3515
N 660
KS 0105
P-Value
Teste de Normalidade Kolmogorov-SmirnovNormal
Figura 6 - Teste de Kolmogorov-Smirnov para a Seacuterie Inicial
Fonte SPSS 2012
Assim faz-se necessaacuterio uma transformaccedilatildeo na seacuterie para adequaccedilatildeo dos dados para uma distribuiccedilatildeo
normal Para tal modificaccedilatildeo neste trabalho foi utilizada a distribuiccedilatildeo logariacutetmica na base 10
Apoacutes a transformaccedilatildeo o teste de normalidade foi realizado novamente (tambeacutem com 95 de significacircncia) O
resultado eacute apresentado na tabela a seguir
Tests of Normality
042 660 007 994 660 009log10
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 7 - Teste de Normalidade para a Seacuterie Transformada
Fonte SPSS 2012
Conforme pode ser observado na tabela acima o p-value foi proacuteximo de 001 menor que 005 Apesar do
pressuposto de normalidade dos dados natildeo ter sido alcanccedilado esta base de dados seraacute utilizada nas modelagens
para fins acadecircmicos e seraacute tomado como premissa que a distribuiccedilatildeo estaacute normalizada
29
O teste graacutefico de normalidade de Kolmogorov-Smirnov foi realizado para a distribuiccedilatildeo transformada O
graacutefico abaixo evidencia o comportamento dos dados da distribuiccedilatildeo frente ao comportamento da distribuiccedilatildeo normal
auxiliando na conclusatildeo do teste anterior
log 10
Pe
rce
nt
4540353025
9999
99
95
80
50
20
5
1
001
Mean
lt0010
3668
StDev 02593
N 660
KS 0042
P-Value
Teste de Normalidade Kolmogorov-Smirnov - log 10Normal
Figura 8 - Teste de Kolmogorov-Smirnov para a Seacuterie Transformada
Fonte SPSS 2012
A seguir tem-se o histograma da seacuterie transformada evidenciando a mudanccedila do comportamento dos dados
30
log 10
Fre
qu
en
cy
42403836343230
70
60
50
40
30
20
10
0
Mean 3668
StDev 02593
N 660
Histogram of log 10Normal
Figura 9 - Histograma da Seacuterie Transformada
Fonte SPSS 2012
O teste da igualdade de variacircncias eacute aplicado com o objetivo de verificar se devem ou natildeo ser assumidas
igualdade entre as variacircncias das populaccedilotildees Para isso foi utilizado na anaacutelise o Teste de Levene cujas hipoacuteteses
satildeo as seguintes
H0 as variacircncias nas duas populaccedilotildees satildeo iguais ou seja existe homocedasticidade (σ1 = σ2 ou σ1 = σ2 = 0)
Neste caso assume-se a estatiacutestica Sig F gt 005
H1 as variacircncias nas duas populaccedilotildees satildeo diferentes ou seja natildeo existe homocedasticidade (σ1 ne σ2 ou σ1 ne
σ2 ne 0) Neste caso assume-se a estatiacutestica Sig F lt ou = 005
Para a realizaccedilatildeo do teste dividiu-se a populaccedilatildeo em dois grupos iguais (grupos denominados como 0 e 1
cada um com 330 unidades) Os resultados satildeo os seguintes
31
Group Statistics
330 35473 23553 01297
330 37896 22313 01228
Teste de Lev ene0
1
log10N Mean Std Dev iation
Std Error
Mean
Independent Samples Test
5981 015 -13569 658 000 -24235 01786 -27742 -20728
-13569 656086 000 -24235 01786 -27742 -20728
Equal variances
assumed
Equal variances
not assumed
log10F Sig
Lev enes Test for
Equality of Variances
t df Sig (2-tailed)
Mean
Dif f erence
Std Error
Dif f erence Lower Upper
95 Conf idence
Interv al of the
Dif f erence
t-test f or Equality of Means
Figura 10 - Teste de Homocedasticidade para a Seacuterie Transformada
Fonte SPSS 2012
Pelo resultado do teste pode-se verificar que o valor de ldquoSigrdquo (referente ao p-value) foi de 0015 onde se
conclui que a hipoacutetese nula que leva em consideraccedilatildeo que a variacircncia da seacuterie eacute constante pode ser aceita
33 ndash MODELOS DE PREVISAtildeO
Neste trabalho seratildeo analisados os seguintes modelos de previsatildeo
1 ndash Box Jenkins
2 ndash Suavizaccedilatildeo Exponencial
Para determinar o modelo de previsatildeo mais adequado foi utilizado o software Forecast Pro for Windows (FPW)
Todas as previsotildees foram realizadas utilizando a seacuterie com a variaacutevel transformada a fim de atender o
pressuposto de normalidade da seacuterie necessaacuterio nos modelos de previsatildeo
32
Figura 11 - Seleccedilatildeo da Seacuterie para a Previsatildeo
Fonte FPW 2012
331 ndash Box-Jenkins
Apoacutes a apresentaccedilatildeo e anaacutelises dos pressupostos necessaacuterios para a aplicaccedilatildeo do modelo Box-Jenkins seratildeo
realizadas as anaacutelises que demonstram a funccedilatildeo de autocorrelaccedilatildeo (FAC) e funccedilatildeo de autocorrelaccedilatildeo parcial (FACP)
Figura 12 - FAC da Seacuterie
Fonte FPW 2012
33
Figura 13 - FACP da Seacuterie
Fonte FPW 2012
Nota-se na Figura XXX FAC da seacuterie que a seacuterie decai muito lentamente indicando tendecircncia logo faz-se
necessaacuterio realizar uma diferenciaccedilatildeo na parte simples
Apoacutes a diferenciaccedilatildeo obtiveram-se os seguintes novos graacuteficos para a funccedilatildeo de autocorrelaccedilatildeo e funccedilatildeo de
autocorrelaccedilatildeo parcial
Figura 14 - FAC da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
34
Figura 15 - FACP da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
Apoacutes a realizaccedilatildeo da diferenciaccedilatildeo os seguintes modelos foram testados
1 ndash ARIMA (110)
2 ndash ARIMA (011)
3 ndash ARIMA (210)
4 ndash ARIMA (012)
5 ndash ARIMA (111)
A seguir cada modelo seraacute demonstrado
1 ndash ARIMA (110)
Figura 16 - Resultado ARIMA (110)
Fonte FPW 2012
35
Figura 17 - FAC dos Resiacuteduos ARIMA (110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08746) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel a(1) foi considerada significativa
2 - ARIMA (011)
Figura 18 - Resultado ARIMA (011)
Fonte FPW 2012
36
Figura 19 - FAC dos Resiacuteduos ARIMA (011)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel b(1) foi considerada significativa
3 - ARIMA (210)
Figura 20 - Resultado ARIMA (210)
Fonte FPW 2012
37
Figura 21 - FAC dos Resiacuteduos ARIMA (210)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08765) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
4 - ARIMA (012)
Figura 22 - Resultado ARIMA (012)
Fonte FPW 2012
38
Figura 23 - FAC dos Resiacuteduos ARIMA (012)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08777) com lag significativo nas fases 12 24 e 36 no graacutefico da FAC dos
resiacuteduos As variaacuteveis b(1) e b(2) foram consideradas significativas
5 - ARIMA (111)
Figura 24 - Resultado ARIMA (111)
Fonte FPW 2012
39
Figura 25 - FAC dos Resiacuteduos ARIMA (111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08811) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e b(1) foi considerada significativa
Observando os resultados obtidos nos cinco modelos anteriores fica evidente a semelhanccedila da presenccedila dos
lags significativos nas fases 12 24 e 36 no graacutefico da FAC dos resiacuteduos indicando a existecircncia de sazonalidade na
seacuterie modelada Assim torna-se necessaacuterio diferenciar a fase sazonal dos dados
Apoacutes a diferenciaccedilatildeo simples foram realizadas as seguintes diferenciaccedilotildees sazonais obtendo-se os seguintes
resultados para os modelos SARIMA
6 ndash SARIMA (011)(010)
Figura 26 - Resultado SARIMA (011)(010)
Fonte FPW 2012
40
Figura 27 - FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel b(1) foi considerada significativa
7 ndash SARIMA (110)(010)
Figura 28 - Resultado SARIMA (011)(010)
Fonte FPW 2012
41
Figura 29 - FAC dos Resiacuteduos SARIMA (011)(010)
Figura 29 ndash FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08305) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel a(1) foi considerada significativa
8 ndash SARIMA (210)(010)
Figura 30 - Resultado SARIMA (210)(010)
Fonte FPW 2012
42
Figura 31 - FAC dos Resiacuteduos SARIMA (210)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08337) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
9 ndash SARIMA (012)(010)
Figura 32 - Resultado SARIMA (012)(010)
Fonte FPW 2012
43
Figura 33 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
10 ndash SARIMA (111)(010)
Figura 34 - Resultado SARIMA (111)(010)
Fonte FPW 2012
44
Figura 35 - FAC dos Resiacuteduos SARIMA (111)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 12 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1
11 ndash SARIMA (011)(110)
Figura 36 - Resultado SARIMA (011)(110)
Fonte FPW 2012
45
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08623) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis A(12) e b(1) foram consideradas significativas
12 ndash SARIMA (110)(110)
Figura 38 - Resultado SARIMA (011)(110)
Fonte FPW 2012
46
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08595) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e A(12) foram consideradas significativas
13 ndash SARIMA (210)(110)
Figura 40 - Resultado SARIMA (210)(110)
Fonte FPW 2012
47
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08620) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) a(2) e A(12) foram consideradas significativas
14 ndash SARIMA (012)(010)
Figura 42 - Resultado SARIMA (012)(010)
Fonte FPW 2012
48
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08625) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
15 ndash SARIMA (111)(110)
Figura 44 - Resultado SARIMA (111)(110)
Fonte FPW 2012
49
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08626) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 24 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1 e MA = 1
16 ndash SARIMA (011)(111)
Figura 46 - Resultado SARIMA (011)(111)
Fonte FPW 2012
50
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) e B(12) foram consideradas significativas pelo modelo
17 ndash SARIMA (110)(111)
Figura 48 - Resultado SARIMA (110)(111)
Fonte FPW 2012
51
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09010) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) e B(12) foram consideradas significativas pelo modelo
18 ndash SARIMA (210)(111)
Figura 50 - Resultado SARIMA (210)(111)
Fonte FPW 2012
52
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) a(12) e B(12) foram consideradas significativas pelo modelo
19 ndash SARIMA (012)(111)
Figura 52 ndash Resultado SARIMA (012)(111)
Fonte FPW 2012
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
9
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111) 61
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111) 62
SUMAacuteRIO
ix
viii
10
1 ndash INTRODUCcedilAtildeO 10
11 ndash CONSIDERACcedilOtildeES INICIAIS 11
12 ndash OBJETIVO 13
13 ndash JUSTIFICATIVAS 13
14 ndash CONDICcedilOtildeES DE CONTORNO 13
15 ndash METODOLOGIA 13
2 ndash REVISAtildeO BIBLIOGRAacuteFICA 14
21 ndash SEacuteRIES TEMPORAIS 14
22 ndash PREVISAtildeO DE SEacuteRIES TEMPORAIS 14
23 ndash MODELO BOX-JENKINS 17
231 ndash Modelo ARMA (Auto-Regressivo a Meacutedia Moacutevel) 18
232 ndash Modelo ARIMA 19
233 ndash Modelo ARIMA Sazonal (SARIMA) 19
24 ndash MEacuteTODO DO AMORTECIMENTO EXPONENCIAL 20
241 ndash Meacutetodos de Amortecimento Exponencial Simples 20
242 ndash Meacutetodo de Holt 22
243 ndash Meacutetodo de Winters 22
25 ndash SELECcedilAtildeO DE MODELOS 24
251 ndash Maacuteximo R2 24
252 ndash Miacutenimo BIC (Bayesian Information Criterion) 24
3 - DESENVOLVIMENTO 25
31 ndash ANAacuteLISE DA SEacuteRIE 25
32 ndash ANAacuteLISE DESCRITIVA 26
33 ndash MODELOS DE PREVISAtildeO 31
331 ndash Box-Jenkins 32
332 ndash Amortecimento Exponencial 55
34 ndash COMPARACcedilAtildeO ENTRE MODELOS 59
4 - CONCLUSAtildeO 60
41 ndash PREVISAtildeO FINAL 60
42 ndash CONSIDERACcedilOtildeES FINAIS 62
5 - REFEREcircNCIAS 63
1 ndash INTRODUCcedilAtildeO
11
11 ndash CONSIDERACcedilOtildeES INICIAIS
A junccedilatildeo de dois fatores de extrema importacircncia faz a induacutestria de veiacuteculos comerciais acelerar suas vendas a
aproximaccedilatildeo da entrada da nova legislaccedilatildeo brasileira de emissatildeo de gases estabelecendo o padratildeo Euro 5 a partir de
janeiro de 2012 e a virada para um ano eleitoral
A Associaccedilatildeo Nacional dos Fabricantes de Veiacuteculos Automotores (ANFAVEA) do Brasil fundada em 15 de
maio de 1956 reuacutene empresas fabricantes de autoveiacuteculos (automoacuteveis comerciais leves caminhotildees ocircnibus) e
maacutequinas agriacutecolas automotrizes (tratores de rodas e de esteiras colheitadeiras e retroescavadeiras) com instalaccedilotildees
industriais no Brasil
A entidade tem atribuiccedilatildeo de estudar temas da induacutestria e do mercado de veiacuteculos e maacutequinas agriacutecolas
automotrizes aleacutem de coordenar e defender os interesses coletivos das empresas associadas Ainda eacute responsaacutevel
por patrocinar exposiccedilotildees automotivas e outros eventos de caraacuteter institucional
Segundo a ANFAVEA o mercado de caminhotildees se divide da seguinte forma
Semileves 35 ton lt PBT lt 6 ton
Leves 6 ton PBT lt 10 ton
Meacutedio 10 ton PBT lt 15 ton
Semi Pesados PBT 15 ton
Entende-se por Peso Bruto Total (PBT) o peso maacuteximo transmitido ao pavimento pela combinaccedilatildeo de um
caminhatildeo-trator mais seu semi-reboque ou do caminhatildeo mais os seus reboques Um caminhatildeo trator eacute um veiacuteculo
automotor destinado a tracionar ou arrastar outro e um semi-reboque eacute um veiacuteculo de um ou mais eixos que se apoia
na sua unidade tratora ou eacute a ela ligado por meio de articulaccedilatildeo
As montadoras de caminhotildees que operam no Brasil fabricaram 138 mais veiacuteculos em 2011 do que em 2010
Segundo dados da ANFAVEA em seu balanccedilo anual Aleacutem disso a produccedilatildeo atendeu ao aumento de demanda por
conta da elevaccedilatildeo de preccedilos devido agrave entrada em vigor da norma Proconve 7 Euro 5
Com o crescimento a produccedilatildeo de caminhotildees no mercado brasileiro somou 216270 unidades em 2011 ante
as 189941 de 2010 Apesar dessa expansatildeo as vendas somaram 172902 unidades ou seja quase 80 da produccedilatildeo
foi vendida no mercado interno Outras 26321 unidades foram vendidas ao mercado internacional o que leva a um
estoque de pouco mais de 17 mil caminhotildees
Os veiacuteculos mais fabricados no ano foram os semipesados e pesados com 74927 e 65542 veiacuteculos
representando 346 e 303 do total saiacutedo das linhas de montagem brasileiras O crescimento no ano foi de 193 e
84 quando comparados ao mesmo periacuteodo do ano passado
Em relaccedilatildeo agraves campeatildes de vendas a MAN Latin America (que fabrica e comercializa caminhotildees da marca
proacutepria e da Volkswagen) confirmou a lideranccedila de mercado pelo nono ano consecutivo De acordo com os dados de
licenciamentos da ANFAVEA a empresa vendeu 50815 veiacuteculos cerca de 30 do mercado nacional um
crescimento de 122 ante 2010 A segunda colocada eacute a Mercedes-Benz que encerrou 2011 com a comercializaccedilatildeo
de 42623 veiacuteculos alta de 43 no periacuteodo Em terceiro aparece a Ford com 30354 em quarto a Volvo com 19069
crescimento de 245 em quinto a Iveco com 14246 caminhotildees no ano expansatildeo de 186 A Scania ficou em
sexto lugar no mercado brasileiro com a comercializaccedilatildeo de 13484 unidades O restante das vendas ficou dividido
entre as marcas Agrale Hyundai e International
Com relaccedilatildeo aos licenciamento totais em 2011 a figura a seguir retrata o fechamento do ano de 2011
12
Figura 1 - Fechamento da Quantidade de Veiacuteculos Licenciados em 2011
Fonte ANFAVEA
Em termos de crescimento sobre as vendas do ano passado os semipesados apresentaram a maior alta com
169 os leves vecircm a seguir com expansatildeo de 131 seguido dos semileves com 109 de vendas a mais em
comparaccedilatildeo a 2010 As vendas de caminhotildees na categoria meacutedios ficaram 28 maiores enquanto que os pesados
ostentaram a menor alta apenas 09 quando comparadas as vendas de 2010 Enquanto isso as vendas de
importados fecharam 2011 com um impressionante crescimento de 469 ante 2010 sendo os pesados os que mais
entraram no Brasil com 2774 unidades das pouco mais de quatro mil importaccedilotildees de caminhotildees representando um
crescimento de mais de 115
No iniacutecio de Janeiro de 2012 passou a vigorar a seacutetima ediccedilatildeo do Proconve (Programa de Controle de Poluiccedilatildeo
do Ar por Veiacuteculos Automotores) Eacute um programa criado em 1986 pelo CONAMA com os objetivos de reduzir as
emissotildees de veiacuteculos novos desenvolver tecnologia nacional e melhorar a qualidade dos combustiacuteveis Eacute aplicado a
veiacuteculos leves e pesados como os caminhotildees
Para atender a resoluccedilatildeo do Proconve 7 as montadoras estatildeo implementando novos sistema de motorizaccedilatildeo
combustatildeo e exaustatildeo dos combustiacuteveis em seus veiacuteculos conhecidos como Euro 5 Com o ganho tecnoloacutegico e
ambiental satildeo tambeacutem agregados custos entre 10 e 20 aos veiacuteculos
Com a entrada da nova legislaccedilatildeo Proconve 7 e o aumento no preccedilo dos veiacuteculos devido agrave motorizaccedilatildeo Euro
5 a retraccedilatildeo no mercado eacute eminente Isso ocorre pelo fato dos caminhotildees serem bens de produccedilatildeo e a disponibilidade
dos veiacuteculos Euro 3 mais poluentes e mais baratos no mercado faz-se com que o fenocircmeno do pre-buying antecipe a
renovaccedilatildeo da frota para antes de janeiro com eminente queda na produccedilatildeo para o primeiro semestre de 2012 motivo
pelo qual se torna importante conhecer a previsatildeo demanda do volume total de produccedilatildeo de caminhotildees
13
12 ndash OBJETIVO
O objetivo desse trabalho eacute o de comparar a utilizaccedilatildeo de meacutetodos de previsatildeo de demanda e definir qual
deveraacute ser aplicado para a previsatildeo do volume de produccedilatildeo de caminhotildees a partir da base de dados da ANFAVEA
13 ndash JUSTIFICATIVAS
O processo de previsatildeo de demanda por seacuteries temporais utiliza dados passados e presentes para obter dados
futuros por meio de modelos descritos e ajustados das variaacuteveis em questatildeo
As seacuteries temporais satildeo observaccedilotildees de variaacuteveis que podem ser de vaacuterios campos da economia Exemplos
de tais variaacuteveis satildeo taxas de inflaccedilatildeo iacutendices de accedilotildees taxas de desemprego e participaccedilatildeo de uma empresa em
determinado mercado Frequentemente os modelos de previsatildeo para essas taxas satildeo utilizados para determinar as
poliacuteticas e objetivos que guiaratildeo as empresas e instituiccedilotildees
A anaacutelise das seacuteries temporais pode evidenciar uma variedade de padrotildees e comportamentos Tipicamente
muitos agregados macroeconocircmicos tais como produccedilatildeo industrial consumo e salaacuterios mostram comportamentos que
evidenciam tendecircncias de crescimento
Assim aleacutem de buscar o melhor modelo de previsatildeo aplicado ao volume de produccedilatildeo de caminhotildees no Brasil
o presente trabalho tambeacutem tem o objetivo de evidenciar os padrotildees e comportamentos desta seacuterie
14 ndash CONDICcedilOtildeES DE CONTORNO
Este trabalho trataraacute da previsatildeo do volume de produccedilatildeo mensal de caminhotildees no Brasil Para definir o modelo
de previsatildeo mais adequado seratildeo utilizados dados mensais entre janeiro de 1957 e dezembro de 2011
Seratildeo abordados neste trabalho os modelos Box-Jenkins e a teacutecnica do Amortecimento Exponencial para
definir a melhor modelagem para seacuterie abordada
15 ndash METODOLOGIA
O desenvolvimento deste trabalho foi realizado em seis etapas a primeira consistiu da revisatildeo da literatura
sobre seacuteries temporais previsatildeo de demanda e volume de produccedilatildeo de caminhotildees no Brasil
Na segunda etapa foi realizada a coleta de dados referente aos volumes de produccedilatildeo para o periacuteodo estudado
A terceira etapa por sua vez consistiu na realizaccedilatildeo das anaacutelises descritivas para o entendimento do comportamento
da seacuterie
A quarta etapa envolveu os testes com os modelos e meacutetodos de previsatildeo bem como a geraccedilatildeo das
previsotildees Na quinta etapa foram analisados os modelos de previsatildeo obtidos definindo qual seria o modelo mais
adequado
A uacuteltima etapa eacute composta pelo fechamento do trabalho incluindo as anaacutelises do modelo proposto bem como
as recomendaccedilotildees para trabalhos futuros
14
2 ndash REVISAtildeO BIBLIOGRAacuteFICA
21 ndash SEacuteRIES TEMPORAIS
Uma seacuterie temporal pode ser definida como um conjunto de observaccedilotildees de uma variaacutevel observadas
sequencialmente no tempo Assim a variaacutevel eacute verificada em intervalos de tempo equidistantes e a correlaccedilatildeo entre os
diversos pontos da seacuterie gera a caracteriacutestica de dependecircncia entre eles Levando em consideraccedilatildeo que a seacuterie
temporal tambeacutem pode ser definida como as provaacuteveis trajetoacuterias para um determinado processo faz com que os
dados da mesma natildeo sejam apenas correlacionados mas oriundos tambeacutem de um processo estocaacutestico no qual eacute
observado uma das trajetoacuterias
A anaacutelise da seacuterie temporal por sua vez inicia-se a partir da descriccedilatildeo dos fenocircmenos e processos que a
originam Um fator importante que tambeacutem deve ser estudado eacute a dependecircncia entre as observaccedilotildees
Segundo Makridakis et al (1998) existem quatro tipos de padrotildees de seacuteries temporais
1 - Horizontal quando os valores dos dados flutuam ao redor de uma meacutedia constante
2 - Inclinado (tendecircncia) quando se verifica um crescimento ou decreacutescimo em longo prazo no valor dos
dados
3 - Ciacuteclico estaacute presente em uma seacuterie temporal quando os dados exibem crescimentos e quedas que natildeo se
repetem em um intervalo de tempo fixo
4 - Sazonal padratildeo sazonal existe quando uma seacuterie temporal eacute influenciada por fatores sazonais isto eacute que
se repetem a intervalos de tempos iguais
Adicionalmente uma seacuterie temporal eacute considerada natildeo linear quando pelo menos sua variacircncia natildeo eacute
constante ou sua meacutedia natildeo eacute constante Assim basta que pelo menos uma das duas caracteriacutesticas esteja presente
no comportamento da seacuterie para ser considerada natildeo linear
Para a utilizaccedilatildeo dos dados nos modelos Box-Jenkins faz-se necessaacuterio garantir o pressuposto em que a
meacutedia e a variacircncia sejam constantes no tempo Quando a meacutedia possui variaccedilatildeo a uma taxa constante a seacuterie eacute
definida como natildeo estacionaacuteria Esta variaccedilatildeo por sua vez pode ocorrer a uma taxa constante dentro de um ciclo
chamada de natildeo-estacionariedade sazonal
As funccedilotildees de autocorrelaccedilatildeo e autocorrelaccedilatildeo parcial satildeo mecanismos adotados dentro dos modelos Box-
Jenkins com a funccedilatildeo de identificar mecanismos relativos a natildeo-estacionariedade das seacuteries em estudo
22 ndash PREVISAtildeO DE SEacuteRIES TEMPORAIS
Para a previsatildeo de seacuteries temporais podem ser empregados modelos e meacutetodos que se diferenciam da
seguinte forma um modelo de previsatildeo eacute aquele que utiliza uma ou mais equaccedilotildees para representar a estrutura
aleatoacuteria da seacuterie temporal Jaacute um meacutetodo eacute uma combinaccedilatildeo de uma rotina de estimaccedilatildeo e um modelo (assim torna-
se necessaacuterio uma rotina preacutevia de identificaccedilatildeo do modelo adequado) Pelo fato dos modelos atraveacutes de suas
caracteriacutesticas serem muitos especiacuteficos a grande maioria foi desenvolvida para padrotildees de seacuteries temporais
anteriormente mencionados
As teacutecnicas de previsatildeo satildeo distribuiacutedas em dois grupos meacutetodos qualitativos e quantitativos Os meacutetodos
qualitativos satildeo aplicados quando existe conhecimento acumulado sobre o processo ou fenocircmeno em estudo havendo
15
a necessidade do julgamento por meio de especialistas principalmente quando natildeo existe uma seacuterie histoacuterica para ser
estudada
Os meacutetodos quantitativos utilizam dados histoacutericos e modelos matemaacuteticos para prever comportamentos
futuros As teacutecnicas quantitativas dividem-se em dois subgrupos seacuteries temporais (ou meacutetodos univariaacuteveis) e modelos
causais (multivariaacuteveis) As seacuteries temporais utilizam dados histoacutericos de demanda como base para determinaccedilatildeo de
padrotildees que podem se repetir no futuro Exemplos satildeo as teacutecnicas de seacuteries temporais e o amortecimento exponencial
Jaacute os modelos causais satildeo aqueles que buscam relacionar as demandas (variaacutevel dependente) com outros fatores
(variaacutevel independente) como fatores macroeconocircmicos como o PIB inflaccedilatildeo clima entre outros Para isso torna-se
necessaacuterio a utilizaccedilatildeo de regressotildees lineares e natildeo lineares
A aplicaccedilatildeo dos meacutetodos quantitativos depende de trecircs fatores
1 ndash Disponibilidade de informaccedilotildees histoacutericas
2 ndash Quantificaccedilatildeo das informaccedilotildees histoacutericas em seacuteries temporais
3 ndash Recorrecircncia no futuro de padrotildees observados nas informaccedilotildees histoacutericas
A condiccedilatildeo de recorrecircncia eacute conhecida como suposiccedilatildeo de continuidade e eacute uma premissa de todos os
meacutetodos quantitativos e alguns meacutetodos qualitativos
As caracteriacutesticas dos meacutetodos claacutessicos satildeo a mensuraccedilatildeo probabiliacutestica de erro da previsatildeo e uma
metodologia menos subjetiva para a obtenccedilatildeo dos modelos Neste grupo de modelos estaacute inserido o de Box-Jenkins
Um modelo claacutessico supotildee que a seacuterie temporal zt onde t = 1 N possa ser escrito como uma soma (modelo
aditivo) por meio da seguinte equaccedilatildeo
tttt aSTz (Equaccedilatildeo 1)
Ou ainda possa ser escrito como uma multiplicaccedilatildeo (modelo multiplicativo) da seguinte forma
tttt aSTz (Equaccedilatildeo 2)
Onde
tT = denotaccedilatildeo para tendecircncia
tS = denotaccedilatildeo para componente sazonal
ta = denotaccedilatildeo para termo aleatoacuterio
Removendo-se as componentes tT e tS resta a componente aleatoacuteria (at) ou residual A suposiccedilatildeo adotada eacute
que at seja uma componente puramente aleatoacuteria mesmo em alguns casos em que eacute considerada como um processo
estacionaacuterio com meacutedia e variacircncia constantes
Aleacutem dos modelos claacutessicos existe outra classe de meacutetodo de previsatildeo que contecircm os natildeo parameacutetricos
Esses satildeo caracterizados por serem muito subjetivos por natildeo possuiacuterem um grande nuacutemero de suposiccedilotildees como os
16
claacutessicos No entanto dentro dos natildeo parameacutetricos existe uma classe de modelos conhecidos por sua qualidade
preditiva e complexidade sendo denominados de modelos de redes neurais
Os modelos utilizados atualmente satildeo compostos de modelos teoacutericos exatos e empiacutericos Assim o
conhecimento teoacuterico eacute utilizado parcialmente para indicar uma classe adequada de funccedilotildees matemaacuteticas que satildeo
ajustadas empiricamente fazendo com que o ajuste dos seus paracircmetros seja realizado de forma experimental
Um dos aspectos relevantes para a seleccedilatildeo do modelo mais adequado estaacute na capacidade do mesmo em
reproduzir os dados conhecidos e as previsotildees futuras de forma acurada Assim se xt eacute a observaccedilatildeo real para o
periacuteodo t e tx eacute a previsatildeo para o mesmo periacuteodo Assim o erro na previsatildeo eacute definido por
ttt xxe ˆ (Equaccedilatildeo 4)
Se existirem observaccedilotildees e previsotildees para n periacuteodos as seguintes estatiacutesticas podem ser utilizadas
n
1t
en
1ME
t (Equaccedilatildeo 5)
Ie In
1MAE
n
1t
t
(Equaccedilatildeo 6)
n
1t
2
t en
1MSE (Equaccedilatildeo 7)
O erro meacutedio ME eacute definido como a meacutedia dos erros calculado na equaccedilatildeo 5 (et) Pelo somatoacuterio os valores
positivos e negativos tendem a se anular resultando em um valor baixo O erro meacutedio absoluto (MAE) eacute definido pelo
somatoacuterio dos moacutedulos dos erros e em seguida realiza-se a meacutedia dos valores absolutos encontrados No caacutelculo do
erro quadraacutetico (MSE) os erros se tornam positivos pela elevaccedilatildeo ao quadrado e a meacutedia eacute realizada com os valores
positivos encontrados
Considerando a escala em que os dados satildeo expressos pode-se definir o erro relativo como
100xˆ
PE t
t
t
x
xx (Equaccedilatildeo 8)
t
n
1t
PEn
1MPE
(Equaccedilatildeo 9)
IPE In
1MAPE t
n
1t
(Equaccedilatildeo 10)
O erro meacutedio percentual (MPE) eacute a meacutedia do erro percentual calculado em PEt para n periacuteodos Neste caso os
valores positivos e negativos dos erros percentuais tendem a se anular da mesma forma que para ME Da mesma
forma que para MAE o erro meacutedio absoluto percentual tambeacutem eacute obtido utilizando-se erros absolutos percentuais
17
23 ndash MODELO BOX-JENKINS
Os modelos ARIMA (Autoregressive Integrated Moving Average ndash Auto-Regressivos Integrados de Meacutedias
Moacuteveis) da famiacutelia de Box-Jenkins tem o objetivo de captar o comportamento da autocorrelaccedilatildeo (correlaccedilatildeo seriada)
entre os valores da seacuterie temporal e realizar previsotildees baseando-se neste comportamento
Dentre a famiacutelia de modelos destacam-se os Auto-Regressivos e os de Meacutedias Moacuteveis Aleacutem destes existem
ainda outras variaccedilotildees no qual satildeo tomadas d diferenccedilas de uma seacuterie natildeo estacionaacuteria visando tornaacute-la estacionaacuteria
(com meacutedia e variacircncia constantes ao longo do tempo) Existem ainda os modelos ARMA (Auto-Regressivos de Meacutedias
Moacuteveis) que satildeo utilizados quando natildeo haacute necessidade de realizar diferenciaccedilotildees para tornar a seacuterie estacionaacuteria
Outro modelo eacute conhecido como SARIMA (ou ARIMA Sazonal) que eacute utilizado para captar a sazonalidade de uma
seacuterie
Um benefiacutecio da utilizaccedilatildeo dos modelos Box-Jenkins estaacute relacionado ao fato do algoritmo do mesmo auxiliar o
usuaacuterio na escolha do melhor modelo por meio dos comportamentos dos graacuteficos da funccedilatildeo de autocorrelaccedilatildeo (FAC) e
da funccedilatildeo de autocorrelaccedilatildeo parcial (FACP)
A FAC eacute determinada atraveacutes da correlaccedilatildeo linear de cada valor yt da seacuterie de dados com outros valores em
lags distintos como yt-1 yt-2 e assim sucessivamente Assim o coeficiente de correlaccedilatildeo temporal (autocorrelaccedilatildeo) da
seacuterie temporal defasado por 1 2 ou mais periacuteodos eacute calculado pela seguinte equaccedilatildeo
n
1t
2
n
1tk
r
xx
xxxx
t
ktt
k (Equaccedilatildeo 11)
Na equaccedilatildeo anterior r1 indica como os valores sucessivos de x relacionam-se entre si r2 indica como os
valores de x defasados em dois periacuteodos relacionam-se entre si e assim sucessivamente Em conjunto as
autocorrelaccedilotildees defasadas em 1 2 k periacuteodos constituem a funccedilatildeo de autocorrelaccedilatildeo
A FACP por sua vez possui um conceito semelhante ao da FAC Eacute definida pela correlaccedilatildeo existente entre yt
e yt-2 por exemplo sem levar em consideraccedilatildeo os efeitos causados por yt-1 e yt-2 O coeficiente de autocorrelaccedilatildeo
parcial de ordem k definido por k pode ser obtido atraveacutes da estimaccedilatildeo dos coeficientes da regressatildeo muacuteltipla de x t
em funccedilatildeo de 1tx 2tx ktx conforme a proacutexima equaccedilatildeo
ktkttt xxxx 22110 (Equaccedilatildeo 12)
As autocorrelaccedilotildees parciais satildeo usadas para medir o grau de associaccedilatildeo entre as observaccedilotildees x t e xt-k quando
o efeito das outras observaccedilotildees defasadas no tempo em 1 2 k-1 periacuteodos satildeo removidas As autocorrelaccedilotildees
parciais 1 2 k constituem a FACP
Pelo fato deste processo permitir que usuaacuterios diferentes modelem diferentes equaccedilotildees a partir de uma mesma
seacuterie temporal pode existir certo grau de subjetividade na escolha do melhor modelo para a previsatildeo da seacuterie em
questatildeo
18
231 ndash Modelo ARMA (Auto-Regressivo a Meacutedia Moacutevel)
O modelo ARMA natildeo possui uma parte integrada Sendo assim satildeo utilizados para uma seacuterie temporal
estacionaacuteria com relaccedilatildeo agrave meacutedia e a variacircncia e satildeo definidos pelas equaccedilotildees a seguir
qtqttptptt eeexxcx 1111 (Equaccedilatildeo 13)
Existem restriccedilotildees aos valores cujos paracircmetros podem assumir nas equaccedilotildees anteriores a saber
Para p = 1 -1 lt 1 lt 1
Para p = 2 -1 lt 2 lt 1 1 + 2 lt 1 e 2 ndash 1 lt 1
Para p gt= 3 condiccedilotildees mais complexas prevalecem
Da mesma forma
Para q = 1 -1 lt 1 lt 1
Para q = 2 -1 lt 2 lt 1 1 + 2 lt 1 e 2 ndash 1 lt 1
Para p gt= 3 condiccedilotildees mais complexas prevalecem
Um dispositivo de notaccedilatildeo uacutetil eacute o operador de deslocamento retroativo definido por 1 tt xBx Assim B
operando sobre tx tem o efeito de deslocar os dados para traacutes em um periacuteodo Dessa forma
2
2)( ttt xxBBxB (Equaccedilatildeo 14)
Por meio da equaccedilatildeo acima que o modelo recebe a denominaccedilatildeo de Auto-Regressivo a Meacutedia Moacutevel (ARMA)
de ordens (pq) conforme expresso na equaccedilatildeo seguinte
t
MA
p
p
AR
t
p
p eBBcxBB
qp
)()(
11 11 (Equaccedilatildeo 15)
Os coeficientes 1 2 p e 1 2 q satildeo estimados para ajustarem-se agrave seacuterie temporal estudada
atraveacutes dos meacutetodos dos miacutenimos quadrados ou da maacutexima verossimilhanccedila A aplicaccedilatildeo do meacutetodo dos miacutenimos
quadrados eacute realizada atraveacutes de estimativas feitas iterativamente por softwares ateacute que soma dos erros quadraacuteticos
seja minimizada O meacutetodo da maacutexima verossimilhanccedila estima tambeacutem iterativamente os valores dos paracircmetros que
maximizem a verossimilhanccedila de um conjunto de observaccedilotildees
O modelo ARMA deve ter seus erros et distribuiacutedos aleatoriamente comportando-se como uma seacuterie de ruiacutedo
branco Os resiacuteduos natildeo satildeo ruiacutedo branco se as estatiacutesticas Q sugerida por Box-Pierce ou Q sugerida por Ljungndash
Box posicionarem-se no extremo 5 da cauda direita da distribuiccedilatildeo χ2 As expressotildees para caacutelculo das estatiacutesticas
Q de BoxndashPierce ou Q de Ljung-Box satildeo as seguintes
19
h
1k
2
k tnQ (Equaccedilatildeo 16)
h
1k
2
k
k-
r)2(
nnnQ (Equaccedilatildeo 17)
Onde
n = nuacutemero de observaccedilotildees da seacuterie
h = maacutexima defasagem dos coeficientes de correlaccedilatildeo dos resiacuteduos
Alguns autores apresentam procedimentos para identificaccedilatildeo das ordens p e q dos modelos ARMA por meio
dos graacuteficos das FAC e FACP como exemplificado no quadro a seguir
Modelo FAC FACP
ARMA (p0) Decaimento gradativo Decaimento brusco apoacutes defasagem p
ARMA (0q) Decaimento brusco apoacutes defasagem q Decaimento gradativo
ARMA (pq) Decaimento gradativo com onda
senoidal amortecida apoacutes a
defasagem (q-p)
Decaimento gradativo com onda
senoidal amortecida apoacutes a defasagem
(p-q)
Tabela 1 - Comportamento das FAC e FACP para Modelos Estacionaacuterios
Fonte Elaborado pelos Autores
232 ndash Modelo ARIMA
Em muitos casos as seacuteries temporais encontradas possuem tendecircncia apresentando um comportamento natildeo
estacionaacuterio No entanto para aplicar o meacutetodo de Box-Jenkins eacute necessaacuterio remover a tendecircncia da seacuterie atraveacutes da
diferenciaccedilatildeo ou seja aplicar sobre a mesma o operador (1 ndash B) no modelo ARMA conforme equaccedilatildeo a seguir
tttt xBxxx )1(1
(Equaccedilatildeo 18)
Desta forma a expressatildeo do modelo ARIMA (pdq) ndash auto regressivo integrado a meacutedia moacutevel de ordem p d
q eacute a expressatildeo do modelo ARMA (pq) acrescido do fator de diferenciaccedilatildeo de ordem d responsaacutevel pela descriccedilatildeo do
comportamento de tendecircncia da seacuterie conforme representado na equaccedilatildeo a seguir
t
MA
p
p
I
t
d
AR
p
p eBBcxBBB
qdp
)()()(
111 11 (Equaccedilatildeo 19)
233 ndash Modelo ARIMA Sazonal (SARIMA)
O comportamento mais geral de seacuteries histoacutericas natildeo estacionaacuterias eacute o que combina o padratildeo de tendecircncia
com o padratildeo de sazonalidade O meacutetodo de Box-Jenkins recomenda a remoccedilatildeo tanto da tendecircncia quanto da
sazonalidade das seacuteries diferenciando-a duas vezes Eacute recomendado que a diferenciaccedilatildeo sazonal sobre a seacuterie
20
original seja feita em primeiro lugar uma vez que em alguns casos sua aplicaccedilatildeo jaacute torna a seacuterie estacionaacuteria como
mostrado na expressatildeo a seguir (para uma seacuterie com nuacutemero de periacuteodos com ciclo sazonal igual a 12)
tttt xBxxx )1( 12
12
(Equaccedilatildeo 20)
Nos casos em que se torna necessaacuteria a segunda diferenciaccedilatildeo faz necessaacuteria aplicar o operador )1( B na
mesma conforme equaccedilatildeo a seguir
ttttt xBBxBxxx 12
1
11)1( (Equaccedilatildeo 21)
24 ndash MEacuteTODO DO AMORTECIMENTO EXPONENCIAL
Historicamente o amortecimento exponencial descreve uma classe de meacutetodos de previsatildeo De fato alguns
dos meacutetodos mais utilizados para esse fim satildeo baseados nesse conceito cada um deles utilizando a propriedade em
que os pesos das observaccedilotildees mais recentes satildeo maiores do que aqueles referentes a observaccedilotildees no passado
Assim o nome ldquoamortecimento exponencialrdquo reflete no fato de que os pesos (atraveacutes do uso da meacutedia ponderada)
diminuem exponencialmente agrave medida que as observaccedilotildees satildeo mais antigas
Os primeiros registros da utilizaccedilatildeo do meacutetodo satildeo de Robert G Brown em 1944 enquanto desenvolvia
trabalhos como analista de Pesquisa Operacional na Marinha Americana enquanto desenvolvia um dispositivo
mecacircnico para monitorar a velocidade e o acircngulo de tiros disparados de submarinos Em 1950 ele estendeu o uso
desse meacutetodo para seacuteries temporais discretas incluindo termos para lidar com as componentes de sazonalidade e
tendecircncia
Paralelamente Charles Holt tambeacutem estava trabalhando em um meacutetodo de amortecimento exponencial para o
Escritoacuterio Americano de Pesquisas Navais O seu trabalho em modelos sazonais aditivos e multiplicativos se tornaram
conhecidos atraveacutes de um artigo publicado por seu estudante Peter Winters em 1960 aplicando testes empiacutericos ao
meacutetodo de Holt Como resultado a versatildeo da ferramenta que trabalha com a componente sazonal eacute denominada de
Holt-Winters
Os modelos de suavizaccedilatildeo exponencial satildeo largamente utilizados devido a sua simplicidade e baixo custo
Assim quando se necessitam previsotildees para milhares de itens como eacute o caso em muitos sistemas de gestatildeo esses
modelos satildeo muitas vezes os uacutenicos suficientemente raacutepidos e baratos para assegurar uma implementaccedilatildeo viaacutevel
Dessa forma existem trecircs classes de meacutetodos de amortecimento exponencial a saber
1 ndash Seacuteries localmente constantes analisadas pelos modelos de meacutedias moacuteveis simples ou amortecimento
exponencial
2 ndash Seacuteries com tendecircncias que utilizam o modelo de Holt
3 ndash Seacuteries com comportamento sazonal que utilizam o modelo Holt-Winters
241 ndash Meacutetodos de Amortecimento Exponencial Simples
21
O meacutetodo de suavizaccedilatildeo exponencial simples tem melhor precisatildeo para seacuteries de padratildeo horizontal isto eacute
agravequelas que natildeo apresentam tendecircncia nem sazonalidade e eacute apropriado para previsotildees de curto prazo Seu algoritmo
de previsatildeo utiliza a seguinte expressatildeo da equaccedilatildeo
ttt xxx ˆ1ˆ1 (Equaccedilatildeo 22)
Onde
1ˆtx = previsatildeo para o periacuteodo t+1
α = constante de suavizaccedilatildeo cujo valor encontra-se entre 0 e 1
tx = uacuteltimo valor observado
tx = uacuteltimo valor observado com peso (1 ndash α)
Expandindo-se a expressatildeo acima pela substituiccedilatildeo de tx 1ˆtx 2
ˆtx por seus componentes resulta em
1113211ˆ)1()1(3)1(2)1(1ˆ xxxxxxx ttttttt (Equaccedilatildeo 23)
Assim 1ˆtx eacute uma meacutedia ponderada de todas as observaccedilotildees passadas constituindo os coeficientes de
ponderaccedilatildeo uma seacuterie decrescente exponencialmente para valores de α entre 0 e 1 Dessa constataccedilatildeo origina-se o
nome amortecimento exponencial Analisando-se a uacuteltima equaccedilatildeo verifica-se que a constante de suavizaccedilatildeo α
determina a rapidez do decaimento dos coeficientes (pesos) A escolha do valor para a constante de suavizaccedilatildeo pode
ser arbitraacuteria ou condicionada a algum criteacuterio que na maioria das vezes consiste na minimizaccedilatildeo do erro quadraacutetico
meacutedio atribuiacutedo ao desempenho do meacutetodo
A constante de suavizaccedilatildeo estaacute diretamente ligada agrave velocidade de resposta das previsotildees agraves variaccedilotildees das
observaccedilotildees ou seja quanto menor o valor de α mais lenta eacute a resposta Valores maiores que α causam reaccedilotildees
mais raacutepidas das previsotildees agraves variaccedilotildees das observaccedilotildees podendo causar instabilidade no desempenho do meacutetodo
Como o peso da primeira previsatildeo 1x eacute (1 ndash α)t verifica-se que menor importacircncia um fator teraacute para a
previsatildeo de t+1 quanto mais proacuteximo de um for e quanto maior for o t Como eacute necessaacuterio ter o valor de 1x eacute feita a
suposiccedilatildeo de que 1x = 1x ou seja igual agrave uacuteltima observaccedilatildeo O erro decorrente dessa suposiccedilatildeo seraacute tanto menor
quanto maiores forem α e t
Alternativamente a expressatildeo inicial desse item pode ser representada como
1ˆtx = tx + α( tx ndash tx ) (Equaccedilatildeo 24)
1ˆtx = tx + α te (Equaccedilatildeo 25)
Atraveacutes da anaacutelise da uacuteltima equaccedilatildeo pode-se concluir que o meacutetodo de suavizaccedilatildeo exponencial simples
prevecirc o valor de uma seacuterie temporal tomando a previsatildeo para o periacuteodo anterior e ajustando-a pelo valor do erro no
mesmo periacuteodo
22
242 ndash Meacutetodo de Holt
O meacutetodo de Holt pode ser utilizado de maneira satisfatoacuteria em seacuteries temporais com tendecircncia linear
mediante o uso de uma funccedilatildeo de ponderaccedilatildeo que daacute maior importacircncia aos periacuteodos de tempo mais recentes Seu
algoritmo de previsatildeo utiliza as seguintes expressotildees
))(1( 11 tttt TLxL (Equaccedilatildeo 26)
11 )1)(( tttt TLLT (Equaccedilatildeo 27)
mtx ˆ
tt mTL (Equaccedilatildeo 28)
Onde
mtx ˆ = previsatildeo para o periacuteodo t+m
= constantes de suavizaccedilatildeo com valor entre 0 e 1 que determinam a rapidez de decaimento dos pesos
da seacuterie quanto mais proacuteximo de um maior o peso das observaccedilotildees recentes
tL = estimativa do niacutevel da seacuterie no tempo t
tT = estimativa de declividade da seacuterie no tempo t
Como o meacutetodo de Holt baseia-se na aplicaccedilatildeo recursiva das expresses anteriores satildeo necessaacuterios tambeacutem
como dados de entrada tL e tT que podem ser considerados como 1L 1x e 1T 12 xx Outra forma de caacutelculo eacute a
regressatildeo linear simples aplicada aos dados da seacuterie temporal onde se obteacutem o valor da declividade da seacuterie temporal
e de 0L em sua origem
243 ndash Meacutetodo de Winters
Os meacutetodos de Winters dividem-se em dois grupos aditivo e multiplicativo No meacutetodo aditivo a amplitude da
variaccedilatildeo sazonal eacute constante ao longo do tempo ou seja a diferenccedila entre o maior e menor valor de demanda dentro
das estaccedilotildees permanece relativamente constante no tempo No meacutetodo multiplicativo a amplitude da variaccedilatildeo sazonal
aumente ou diminui como funccedilatildeo do tempo
2431 ndash Meacutetodo Sazonal Multiplicativo de Winters
))(1( 11
tt
t
t
t TLSS
xL (Equaccedilatildeo 29)
11 )1()( tttt TLLT (Equaccedilatildeo 30)
SSL
xS t
t
t
t
1 (Equaccedilatildeo 31)
mSSmTLx tttmt ˆ (Equaccedilatildeo 32)
23
Onde
mtx ˆ = previsatildeo para o periacuteodo t+m
= constantes de suavizaccedilatildeo que variam entre 0 e 1
tx = observaccedilatildeo mais recente
tL = estimativa do niacutevel de seacuterie no tempo t
tT = estimativa de declividade da seacuterie no tempo t
tS = componente de sazonalidade no tempo t
S = nuacutemero de subperiacuteodos do ano (sazonalidade)
A escolha de valores para as constantes de suavizaccedilatildeo eacute condicionada a algum criteacuterio que na maioria das
vezes consiste na minimizaccedilatildeo por meio do algoritmo de minimizaccedilatildeo linear do erro quadraacutetico meacutedio (MSE) atribuiacutedo
ao desempenho do meacutetodo
Como o meacutetodo multiplicativo de Winters baseia-se na aplicaccedilatildeo recursiva das equaccedilotildees deste item e que
deve ser iniciada em algum periacuteodo do passado no qual os valores de TL TT e TS devem ser estimados A maneira
mais simples de inicializar o niacutevel de tendecircncia no periacuteodo S O niacutevel eacute inicializado no primeiro periacuteodo sazonal da
seguinte forma
S
Sxxxx
SL
1
321
(Equaccedilatildeo 33)
Para inicializar a tendecircncia eacute conveniente o uso de dois ciclos completos isto eacute 2S periacuteodos como descrito
abaixo
S
xx
S
xx
S
xx
ST SSSSS
S 1 2211 (Equaccedilatildeo 34)
Por ultimo os iacutendices sazonais satildeo inicializados usando-se a razatildeo das primeiras observaccedilotildees como a meacutedia
do primeiro ano com descrito a seguir
S
xS
L
11
S
xS
L
22
S
S
s
xS
L (Equaccedilatildeo 35)
2432 ndash Meacutetodo Sazonal Aditivo de Winters
O meacutetodo aditivo de Winters eacute utilizado na modelagem dos dados sazonais no qual a amplitude do ciclo
sazonal permanece constante com o passar do tempo
Aleacutem disso a amplitude da variaccedilatildeo sazonal eacute constante ao longo do tempo ou seja a diferenccedila entre o maior
e o menor valor de demanda dentro das estaccedilotildees permanece relativamente constante no tempo As equaccedilotildees
matemaacuteticas satildeo
))(1()( 11 ttttt TLSSxL (Equaccedilatildeo 36)
24
11 )1()( tttt TLLT (Equaccedilatildeo 37)
Stttt SLxS )1()( St = γ(xt - Lt) + (1- γ)St-S (Equaccedilatildeo 38)
mStttmt SmTLx ˆ (Equaccedilatildeo 39)
A segunda equaccedilatildeo deste item eacute igual agravequela do meacutetodo multiplicativo de Winters O restante das equaccedilotildees se
diferem por iacutendice sazonais serem somados e subtraiacutedos ao inveacutes de serem tomados em produtos ou divisotildees
Os valores iniciais de SL e ST satildeo iguais aos do meacutetodo multiplicativo Os iacutendices sazonais satildeo inicializados da
seguinte forma
SLxS 11 SLxS 22 SSS LxS (Equaccedilatildeo 40)
25 ndash SELECcedilAtildeO DE MODELOS
A partir do momento em que vaacuterios modelos ajustam-se a uma seacuterie temporal deve-se eleger aquele que
melhor representa o seu comportamento por meio da anaacutelise de seus paracircmetros Neste trabalho os paracircmetros seratildeo
utilizados os seguintes paracircmetros de forma primordial na definiccedilatildeo do modelo mais apropriado
251 ndash Maacuteximo R2
A estatiacutestica R2 eacute definida por
n
1t
2
2n
1t2
ˆ
1
tt
tt
xx
xx
R (Equaccedilatildeo 41)
Onde
tx = observaccedilatildeo real para o periacuteodo t
tx = previsatildeo para o periacuteodo t
Uma medida de R2 mais proacutexima de zero indica um modelo com ajuste pobre enquanto que um valor proacuteximo
de um indica um bom ajuste
252 ndash Miacutenimo BIC (Bayesian Information Criterion)
Este criteacuterio penaliza os modelos com muitos paracircmetros sendo portanto um criteacuterio de verosimilhanccedila
penalisada Vale ressaltar que o BIC natildeo deve ser utilizado de forma isolada mas em conjunto com outros paracircmetros
na comparaccedilatildeo com diversos modelos
O BIC eacute definido pela seguinte expressatildeo
25
nm
nMSEBIC2
(Equaccedilatildeo 42)
nm
tt nxxn
BIC22
n
1t
ˆ1
(Equaccedilatildeo 43)
Onde
m = nuacutemero de paracircmetros do modelo
n = nuacutemero de observaccedilotildees da seacuterie temporal
3 - DESENVOLVIMENTO
31 ndash ANAacuteLISE DA SEacuteRIE
A seacuterie a seguir apresenta os dados quantitativos da evoluccedilatildeo do volume de produccedilatildeo de caminhotildees no Brasil
Tratam-se de dados mensais entre janeiro de 1957 e dezembro de 2011 totalizando 660 observaccedilotildees
5000
10000
15000
20000
60 65 70 75 80 85 90 95 0 5 10
Legend
PRODUCAO
Figura 2 - Seacuterie de Volume de Produccedilatildeo no Brasil
Fonte Elaborado pelos Autores 2012
26
32 ndash ANAacuteLISE DESCRITIVA
O primeiro passo foi a anaacutelise descritiva da seacuterie visando obter uma anaacutelise inicial para definir o modelo de
previsatildeo mais adequado agraves suas caracteriacutesticas
Utilizando o software Minitab obteve-se a seguinte tabela
Figura 3 - Estatiacutesticas Descritivas da Seacuterie Inicial
Fonte Minitab 2012
O coeficiente de correlaccedilatildeo de Pearson indica a razatildeo entre o desvio padratildeo e a meacutedia de uma seacuterie cujo
caacutelculo eacute representado por
CV = desvio padratildeomeacutedia
Introduzindo os valores do desvio padratildeo (3515) e da meacutedia da amostra (5560) na foacutermula anterior obteacutem-se o
seguinte resultado
CV = 35155560 = 06322 ~ 63 de grau de dispersatildeo
Essa medida eacute utilizada quando se pretende comparar duas ou mais distribuiccedilotildees de probabilidade quanto agraves
suas variabilidades atuando como uma medida de variabilidade relativa
Na teoria de probabilidade o grau de simetria eacute uma medida de assimetria da distribuiccedilatildeo de valores reais
aleatoacuterios O grau de simetria pode ser positivo ou negativo ou mesmo indefinido Qualitativamente um valor negativo
em que a cauda no lado esquerdo da funccedilatildeo de densidade de probabilidade eacute maior do que o lado direito e a maioria
dos valores tende ao lado direito da meacutedia De mesma forma um valor positivo indica que a cauda no lado direito eacute
maior do que o lado esquerdo e que a maioria dos valores tende ao lado esquerdo da meacutedia O valor zero indica que
valores relativos igualmente distribuiacutedos dos dois lados ao redor da meacutedia mas natildeo necessariamente implica em uma
distribuiccedilatildeo simeacutetrica
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de grau de simetria (skewness) O valor positivo do grau de
simetria indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa conforme apresentado no
histograma a seguir
27
dados
Fre
qu
en
cy
200001600012000800040000
120
100
80
60
40
20
0
Mean 5560
StDev 3515
N 660
Histogram (with Normal Curve) of dados
Figura 4 - Histograma da Seacuterie Inicial
Fonte SPSS 2012
De forma similar o conceito de curtose trata-se da uma medida de dispersatildeo para descriccedilatildeo da forma da
distribuiccedilatildeo de probabilidades e como o grau de simetria existem formas diferentes de quantificaacute-la como uma
distribuiccedilatildeo teoacuterica e formas correspondentes de estimaacute-la a partir de uma amostra oriunda de uma populaccedilatildeo Essa
medida indica o grau de achatamento curva de distribuiccedilatildeo de probabilidade
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de curtose (kurtosis) O valor positivo do grau de simetria
indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa O valor positivo indica um
comportamento leptocuacutertica indicando que a mesma eacute mais alta e mais concentrada que a distribuiccedilatildeo normal
O Teste de Normalidade realizado com 95 de niacutevel de confianccedila gerou um p-value nulo ou seja abaixo dos
5 de significacircncia Desta maneira a hipoacutetese nula de que os dados apresentariam uma distribuiccedilatildeo normal foi
rejeitada
Tests of Normality
105 660 000 860 660 000VAR00001
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 5 - Teste de Normalidade da Seacuterie Inicial
Fonte SPSS 2012
28
O teste de Kolmogorov-Smirnov eacute utilizado para determinar se duas distribuiccedilotildees de probabilidade diferem uma
da outra ou natildeo O graacutefico abaixo referente a este testem evidencia o comportamento da distribuiccedilatildeo frente ao
comportamento da distribuiccedilatildeo normal
dados
Pe
rce
nt
2500020000150001000050000-5000-10000
9999
99
95
80
50
20
5
1
001
Mean
lt0010
5560
StDev 3515
N 660
KS 0105
P-Value
Teste de Normalidade Kolmogorov-SmirnovNormal
Figura 6 - Teste de Kolmogorov-Smirnov para a Seacuterie Inicial
Fonte SPSS 2012
Assim faz-se necessaacuterio uma transformaccedilatildeo na seacuterie para adequaccedilatildeo dos dados para uma distribuiccedilatildeo
normal Para tal modificaccedilatildeo neste trabalho foi utilizada a distribuiccedilatildeo logariacutetmica na base 10
Apoacutes a transformaccedilatildeo o teste de normalidade foi realizado novamente (tambeacutem com 95 de significacircncia) O
resultado eacute apresentado na tabela a seguir
Tests of Normality
042 660 007 994 660 009log10
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 7 - Teste de Normalidade para a Seacuterie Transformada
Fonte SPSS 2012
Conforme pode ser observado na tabela acima o p-value foi proacuteximo de 001 menor que 005 Apesar do
pressuposto de normalidade dos dados natildeo ter sido alcanccedilado esta base de dados seraacute utilizada nas modelagens
para fins acadecircmicos e seraacute tomado como premissa que a distribuiccedilatildeo estaacute normalizada
29
O teste graacutefico de normalidade de Kolmogorov-Smirnov foi realizado para a distribuiccedilatildeo transformada O
graacutefico abaixo evidencia o comportamento dos dados da distribuiccedilatildeo frente ao comportamento da distribuiccedilatildeo normal
auxiliando na conclusatildeo do teste anterior
log 10
Pe
rce
nt
4540353025
9999
99
95
80
50
20
5
1
001
Mean
lt0010
3668
StDev 02593
N 660
KS 0042
P-Value
Teste de Normalidade Kolmogorov-Smirnov - log 10Normal
Figura 8 - Teste de Kolmogorov-Smirnov para a Seacuterie Transformada
Fonte SPSS 2012
A seguir tem-se o histograma da seacuterie transformada evidenciando a mudanccedila do comportamento dos dados
30
log 10
Fre
qu
en
cy
42403836343230
70
60
50
40
30
20
10
0
Mean 3668
StDev 02593
N 660
Histogram of log 10Normal
Figura 9 - Histograma da Seacuterie Transformada
Fonte SPSS 2012
O teste da igualdade de variacircncias eacute aplicado com o objetivo de verificar se devem ou natildeo ser assumidas
igualdade entre as variacircncias das populaccedilotildees Para isso foi utilizado na anaacutelise o Teste de Levene cujas hipoacuteteses
satildeo as seguintes
H0 as variacircncias nas duas populaccedilotildees satildeo iguais ou seja existe homocedasticidade (σ1 = σ2 ou σ1 = σ2 = 0)
Neste caso assume-se a estatiacutestica Sig F gt 005
H1 as variacircncias nas duas populaccedilotildees satildeo diferentes ou seja natildeo existe homocedasticidade (σ1 ne σ2 ou σ1 ne
σ2 ne 0) Neste caso assume-se a estatiacutestica Sig F lt ou = 005
Para a realizaccedilatildeo do teste dividiu-se a populaccedilatildeo em dois grupos iguais (grupos denominados como 0 e 1
cada um com 330 unidades) Os resultados satildeo os seguintes
31
Group Statistics
330 35473 23553 01297
330 37896 22313 01228
Teste de Lev ene0
1
log10N Mean Std Dev iation
Std Error
Mean
Independent Samples Test
5981 015 -13569 658 000 -24235 01786 -27742 -20728
-13569 656086 000 -24235 01786 -27742 -20728
Equal variances
assumed
Equal variances
not assumed
log10F Sig
Lev enes Test for
Equality of Variances
t df Sig (2-tailed)
Mean
Dif f erence
Std Error
Dif f erence Lower Upper
95 Conf idence
Interv al of the
Dif f erence
t-test f or Equality of Means
Figura 10 - Teste de Homocedasticidade para a Seacuterie Transformada
Fonte SPSS 2012
Pelo resultado do teste pode-se verificar que o valor de ldquoSigrdquo (referente ao p-value) foi de 0015 onde se
conclui que a hipoacutetese nula que leva em consideraccedilatildeo que a variacircncia da seacuterie eacute constante pode ser aceita
33 ndash MODELOS DE PREVISAtildeO
Neste trabalho seratildeo analisados os seguintes modelos de previsatildeo
1 ndash Box Jenkins
2 ndash Suavizaccedilatildeo Exponencial
Para determinar o modelo de previsatildeo mais adequado foi utilizado o software Forecast Pro for Windows (FPW)
Todas as previsotildees foram realizadas utilizando a seacuterie com a variaacutevel transformada a fim de atender o
pressuposto de normalidade da seacuterie necessaacuterio nos modelos de previsatildeo
32
Figura 11 - Seleccedilatildeo da Seacuterie para a Previsatildeo
Fonte FPW 2012
331 ndash Box-Jenkins
Apoacutes a apresentaccedilatildeo e anaacutelises dos pressupostos necessaacuterios para a aplicaccedilatildeo do modelo Box-Jenkins seratildeo
realizadas as anaacutelises que demonstram a funccedilatildeo de autocorrelaccedilatildeo (FAC) e funccedilatildeo de autocorrelaccedilatildeo parcial (FACP)
Figura 12 - FAC da Seacuterie
Fonte FPW 2012
33
Figura 13 - FACP da Seacuterie
Fonte FPW 2012
Nota-se na Figura XXX FAC da seacuterie que a seacuterie decai muito lentamente indicando tendecircncia logo faz-se
necessaacuterio realizar uma diferenciaccedilatildeo na parte simples
Apoacutes a diferenciaccedilatildeo obtiveram-se os seguintes novos graacuteficos para a funccedilatildeo de autocorrelaccedilatildeo e funccedilatildeo de
autocorrelaccedilatildeo parcial
Figura 14 - FAC da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
34
Figura 15 - FACP da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
Apoacutes a realizaccedilatildeo da diferenciaccedilatildeo os seguintes modelos foram testados
1 ndash ARIMA (110)
2 ndash ARIMA (011)
3 ndash ARIMA (210)
4 ndash ARIMA (012)
5 ndash ARIMA (111)
A seguir cada modelo seraacute demonstrado
1 ndash ARIMA (110)
Figura 16 - Resultado ARIMA (110)
Fonte FPW 2012
35
Figura 17 - FAC dos Resiacuteduos ARIMA (110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08746) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel a(1) foi considerada significativa
2 - ARIMA (011)
Figura 18 - Resultado ARIMA (011)
Fonte FPW 2012
36
Figura 19 - FAC dos Resiacuteduos ARIMA (011)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel b(1) foi considerada significativa
3 - ARIMA (210)
Figura 20 - Resultado ARIMA (210)
Fonte FPW 2012
37
Figura 21 - FAC dos Resiacuteduos ARIMA (210)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08765) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
4 - ARIMA (012)
Figura 22 - Resultado ARIMA (012)
Fonte FPW 2012
38
Figura 23 - FAC dos Resiacuteduos ARIMA (012)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08777) com lag significativo nas fases 12 24 e 36 no graacutefico da FAC dos
resiacuteduos As variaacuteveis b(1) e b(2) foram consideradas significativas
5 - ARIMA (111)
Figura 24 - Resultado ARIMA (111)
Fonte FPW 2012
39
Figura 25 - FAC dos Resiacuteduos ARIMA (111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08811) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e b(1) foi considerada significativa
Observando os resultados obtidos nos cinco modelos anteriores fica evidente a semelhanccedila da presenccedila dos
lags significativos nas fases 12 24 e 36 no graacutefico da FAC dos resiacuteduos indicando a existecircncia de sazonalidade na
seacuterie modelada Assim torna-se necessaacuterio diferenciar a fase sazonal dos dados
Apoacutes a diferenciaccedilatildeo simples foram realizadas as seguintes diferenciaccedilotildees sazonais obtendo-se os seguintes
resultados para os modelos SARIMA
6 ndash SARIMA (011)(010)
Figura 26 - Resultado SARIMA (011)(010)
Fonte FPW 2012
40
Figura 27 - FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel b(1) foi considerada significativa
7 ndash SARIMA (110)(010)
Figura 28 - Resultado SARIMA (011)(010)
Fonte FPW 2012
41
Figura 29 - FAC dos Resiacuteduos SARIMA (011)(010)
Figura 29 ndash FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08305) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel a(1) foi considerada significativa
8 ndash SARIMA (210)(010)
Figura 30 - Resultado SARIMA (210)(010)
Fonte FPW 2012
42
Figura 31 - FAC dos Resiacuteduos SARIMA (210)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08337) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
9 ndash SARIMA (012)(010)
Figura 32 - Resultado SARIMA (012)(010)
Fonte FPW 2012
43
Figura 33 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
10 ndash SARIMA (111)(010)
Figura 34 - Resultado SARIMA (111)(010)
Fonte FPW 2012
44
Figura 35 - FAC dos Resiacuteduos SARIMA (111)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 12 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1
11 ndash SARIMA (011)(110)
Figura 36 - Resultado SARIMA (011)(110)
Fonte FPW 2012
45
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08623) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis A(12) e b(1) foram consideradas significativas
12 ndash SARIMA (110)(110)
Figura 38 - Resultado SARIMA (011)(110)
Fonte FPW 2012
46
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08595) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e A(12) foram consideradas significativas
13 ndash SARIMA (210)(110)
Figura 40 - Resultado SARIMA (210)(110)
Fonte FPW 2012
47
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08620) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) a(2) e A(12) foram consideradas significativas
14 ndash SARIMA (012)(010)
Figura 42 - Resultado SARIMA (012)(010)
Fonte FPW 2012
48
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08625) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
15 ndash SARIMA (111)(110)
Figura 44 - Resultado SARIMA (111)(110)
Fonte FPW 2012
49
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08626) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 24 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1 e MA = 1
16 ndash SARIMA (011)(111)
Figura 46 - Resultado SARIMA (011)(111)
Fonte FPW 2012
50
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) e B(12) foram consideradas significativas pelo modelo
17 ndash SARIMA (110)(111)
Figura 48 - Resultado SARIMA (110)(111)
Fonte FPW 2012
51
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09010) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) e B(12) foram consideradas significativas pelo modelo
18 ndash SARIMA (210)(111)
Figura 50 - Resultado SARIMA (210)(111)
Fonte FPW 2012
52
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) a(12) e B(12) foram consideradas significativas pelo modelo
19 ndash SARIMA (012)(111)
Figura 52 ndash Resultado SARIMA (012)(111)
Fonte FPW 2012
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
10
1 ndash INTRODUCcedilAtildeO 10
11 ndash CONSIDERACcedilOtildeES INICIAIS 11
12 ndash OBJETIVO 13
13 ndash JUSTIFICATIVAS 13
14 ndash CONDICcedilOtildeES DE CONTORNO 13
15 ndash METODOLOGIA 13
2 ndash REVISAtildeO BIBLIOGRAacuteFICA 14
21 ndash SEacuteRIES TEMPORAIS 14
22 ndash PREVISAtildeO DE SEacuteRIES TEMPORAIS 14
23 ndash MODELO BOX-JENKINS 17
231 ndash Modelo ARMA (Auto-Regressivo a Meacutedia Moacutevel) 18
232 ndash Modelo ARIMA 19
233 ndash Modelo ARIMA Sazonal (SARIMA) 19
24 ndash MEacuteTODO DO AMORTECIMENTO EXPONENCIAL 20
241 ndash Meacutetodos de Amortecimento Exponencial Simples 20
242 ndash Meacutetodo de Holt 22
243 ndash Meacutetodo de Winters 22
25 ndash SELECcedilAtildeO DE MODELOS 24
251 ndash Maacuteximo R2 24
252 ndash Miacutenimo BIC (Bayesian Information Criterion) 24
3 - DESENVOLVIMENTO 25
31 ndash ANAacuteLISE DA SEacuteRIE 25
32 ndash ANAacuteLISE DESCRITIVA 26
33 ndash MODELOS DE PREVISAtildeO 31
331 ndash Box-Jenkins 32
332 ndash Amortecimento Exponencial 55
34 ndash COMPARACcedilAtildeO ENTRE MODELOS 59
4 - CONCLUSAtildeO 60
41 ndash PREVISAtildeO FINAL 60
42 ndash CONSIDERACcedilOtildeES FINAIS 62
5 - REFEREcircNCIAS 63
1 ndash INTRODUCcedilAtildeO
11
11 ndash CONSIDERACcedilOtildeES INICIAIS
A junccedilatildeo de dois fatores de extrema importacircncia faz a induacutestria de veiacuteculos comerciais acelerar suas vendas a
aproximaccedilatildeo da entrada da nova legislaccedilatildeo brasileira de emissatildeo de gases estabelecendo o padratildeo Euro 5 a partir de
janeiro de 2012 e a virada para um ano eleitoral
A Associaccedilatildeo Nacional dos Fabricantes de Veiacuteculos Automotores (ANFAVEA) do Brasil fundada em 15 de
maio de 1956 reuacutene empresas fabricantes de autoveiacuteculos (automoacuteveis comerciais leves caminhotildees ocircnibus) e
maacutequinas agriacutecolas automotrizes (tratores de rodas e de esteiras colheitadeiras e retroescavadeiras) com instalaccedilotildees
industriais no Brasil
A entidade tem atribuiccedilatildeo de estudar temas da induacutestria e do mercado de veiacuteculos e maacutequinas agriacutecolas
automotrizes aleacutem de coordenar e defender os interesses coletivos das empresas associadas Ainda eacute responsaacutevel
por patrocinar exposiccedilotildees automotivas e outros eventos de caraacuteter institucional
Segundo a ANFAVEA o mercado de caminhotildees se divide da seguinte forma
Semileves 35 ton lt PBT lt 6 ton
Leves 6 ton PBT lt 10 ton
Meacutedio 10 ton PBT lt 15 ton
Semi Pesados PBT 15 ton
Entende-se por Peso Bruto Total (PBT) o peso maacuteximo transmitido ao pavimento pela combinaccedilatildeo de um
caminhatildeo-trator mais seu semi-reboque ou do caminhatildeo mais os seus reboques Um caminhatildeo trator eacute um veiacuteculo
automotor destinado a tracionar ou arrastar outro e um semi-reboque eacute um veiacuteculo de um ou mais eixos que se apoia
na sua unidade tratora ou eacute a ela ligado por meio de articulaccedilatildeo
As montadoras de caminhotildees que operam no Brasil fabricaram 138 mais veiacuteculos em 2011 do que em 2010
Segundo dados da ANFAVEA em seu balanccedilo anual Aleacutem disso a produccedilatildeo atendeu ao aumento de demanda por
conta da elevaccedilatildeo de preccedilos devido agrave entrada em vigor da norma Proconve 7 Euro 5
Com o crescimento a produccedilatildeo de caminhotildees no mercado brasileiro somou 216270 unidades em 2011 ante
as 189941 de 2010 Apesar dessa expansatildeo as vendas somaram 172902 unidades ou seja quase 80 da produccedilatildeo
foi vendida no mercado interno Outras 26321 unidades foram vendidas ao mercado internacional o que leva a um
estoque de pouco mais de 17 mil caminhotildees
Os veiacuteculos mais fabricados no ano foram os semipesados e pesados com 74927 e 65542 veiacuteculos
representando 346 e 303 do total saiacutedo das linhas de montagem brasileiras O crescimento no ano foi de 193 e
84 quando comparados ao mesmo periacuteodo do ano passado
Em relaccedilatildeo agraves campeatildes de vendas a MAN Latin America (que fabrica e comercializa caminhotildees da marca
proacutepria e da Volkswagen) confirmou a lideranccedila de mercado pelo nono ano consecutivo De acordo com os dados de
licenciamentos da ANFAVEA a empresa vendeu 50815 veiacuteculos cerca de 30 do mercado nacional um
crescimento de 122 ante 2010 A segunda colocada eacute a Mercedes-Benz que encerrou 2011 com a comercializaccedilatildeo
de 42623 veiacuteculos alta de 43 no periacuteodo Em terceiro aparece a Ford com 30354 em quarto a Volvo com 19069
crescimento de 245 em quinto a Iveco com 14246 caminhotildees no ano expansatildeo de 186 A Scania ficou em
sexto lugar no mercado brasileiro com a comercializaccedilatildeo de 13484 unidades O restante das vendas ficou dividido
entre as marcas Agrale Hyundai e International
Com relaccedilatildeo aos licenciamento totais em 2011 a figura a seguir retrata o fechamento do ano de 2011
12
Figura 1 - Fechamento da Quantidade de Veiacuteculos Licenciados em 2011
Fonte ANFAVEA
Em termos de crescimento sobre as vendas do ano passado os semipesados apresentaram a maior alta com
169 os leves vecircm a seguir com expansatildeo de 131 seguido dos semileves com 109 de vendas a mais em
comparaccedilatildeo a 2010 As vendas de caminhotildees na categoria meacutedios ficaram 28 maiores enquanto que os pesados
ostentaram a menor alta apenas 09 quando comparadas as vendas de 2010 Enquanto isso as vendas de
importados fecharam 2011 com um impressionante crescimento de 469 ante 2010 sendo os pesados os que mais
entraram no Brasil com 2774 unidades das pouco mais de quatro mil importaccedilotildees de caminhotildees representando um
crescimento de mais de 115
No iniacutecio de Janeiro de 2012 passou a vigorar a seacutetima ediccedilatildeo do Proconve (Programa de Controle de Poluiccedilatildeo
do Ar por Veiacuteculos Automotores) Eacute um programa criado em 1986 pelo CONAMA com os objetivos de reduzir as
emissotildees de veiacuteculos novos desenvolver tecnologia nacional e melhorar a qualidade dos combustiacuteveis Eacute aplicado a
veiacuteculos leves e pesados como os caminhotildees
Para atender a resoluccedilatildeo do Proconve 7 as montadoras estatildeo implementando novos sistema de motorizaccedilatildeo
combustatildeo e exaustatildeo dos combustiacuteveis em seus veiacuteculos conhecidos como Euro 5 Com o ganho tecnoloacutegico e
ambiental satildeo tambeacutem agregados custos entre 10 e 20 aos veiacuteculos
Com a entrada da nova legislaccedilatildeo Proconve 7 e o aumento no preccedilo dos veiacuteculos devido agrave motorizaccedilatildeo Euro
5 a retraccedilatildeo no mercado eacute eminente Isso ocorre pelo fato dos caminhotildees serem bens de produccedilatildeo e a disponibilidade
dos veiacuteculos Euro 3 mais poluentes e mais baratos no mercado faz-se com que o fenocircmeno do pre-buying antecipe a
renovaccedilatildeo da frota para antes de janeiro com eminente queda na produccedilatildeo para o primeiro semestre de 2012 motivo
pelo qual se torna importante conhecer a previsatildeo demanda do volume total de produccedilatildeo de caminhotildees
13
12 ndash OBJETIVO
O objetivo desse trabalho eacute o de comparar a utilizaccedilatildeo de meacutetodos de previsatildeo de demanda e definir qual
deveraacute ser aplicado para a previsatildeo do volume de produccedilatildeo de caminhotildees a partir da base de dados da ANFAVEA
13 ndash JUSTIFICATIVAS
O processo de previsatildeo de demanda por seacuteries temporais utiliza dados passados e presentes para obter dados
futuros por meio de modelos descritos e ajustados das variaacuteveis em questatildeo
As seacuteries temporais satildeo observaccedilotildees de variaacuteveis que podem ser de vaacuterios campos da economia Exemplos
de tais variaacuteveis satildeo taxas de inflaccedilatildeo iacutendices de accedilotildees taxas de desemprego e participaccedilatildeo de uma empresa em
determinado mercado Frequentemente os modelos de previsatildeo para essas taxas satildeo utilizados para determinar as
poliacuteticas e objetivos que guiaratildeo as empresas e instituiccedilotildees
A anaacutelise das seacuteries temporais pode evidenciar uma variedade de padrotildees e comportamentos Tipicamente
muitos agregados macroeconocircmicos tais como produccedilatildeo industrial consumo e salaacuterios mostram comportamentos que
evidenciam tendecircncias de crescimento
Assim aleacutem de buscar o melhor modelo de previsatildeo aplicado ao volume de produccedilatildeo de caminhotildees no Brasil
o presente trabalho tambeacutem tem o objetivo de evidenciar os padrotildees e comportamentos desta seacuterie
14 ndash CONDICcedilOtildeES DE CONTORNO
Este trabalho trataraacute da previsatildeo do volume de produccedilatildeo mensal de caminhotildees no Brasil Para definir o modelo
de previsatildeo mais adequado seratildeo utilizados dados mensais entre janeiro de 1957 e dezembro de 2011
Seratildeo abordados neste trabalho os modelos Box-Jenkins e a teacutecnica do Amortecimento Exponencial para
definir a melhor modelagem para seacuterie abordada
15 ndash METODOLOGIA
O desenvolvimento deste trabalho foi realizado em seis etapas a primeira consistiu da revisatildeo da literatura
sobre seacuteries temporais previsatildeo de demanda e volume de produccedilatildeo de caminhotildees no Brasil
Na segunda etapa foi realizada a coleta de dados referente aos volumes de produccedilatildeo para o periacuteodo estudado
A terceira etapa por sua vez consistiu na realizaccedilatildeo das anaacutelises descritivas para o entendimento do comportamento
da seacuterie
A quarta etapa envolveu os testes com os modelos e meacutetodos de previsatildeo bem como a geraccedilatildeo das
previsotildees Na quinta etapa foram analisados os modelos de previsatildeo obtidos definindo qual seria o modelo mais
adequado
A uacuteltima etapa eacute composta pelo fechamento do trabalho incluindo as anaacutelises do modelo proposto bem como
as recomendaccedilotildees para trabalhos futuros
14
2 ndash REVISAtildeO BIBLIOGRAacuteFICA
21 ndash SEacuteRIES TEMPORAIS
Uma seacuterie temporal pode ser definida como um conjunto de observaccedilotildees de uma variaacutevel observadas
sequencialmente no tempo Assim a variaacutevel eacute verificada em intervalos de tempo equidistantes e a correlaccedilatildeo entre os
diversos pontos da seacuterie gera a caracteriacutestica de dependecircncia entre eles Levando em consideraccedilatildeo que a seacuterie
temporal tambeacutem pode ser definida como as provaacuteveis trajetoacuterias para um determinado processo faz com que os
dados da mesma natildeo sejam apenas correlacionados mas oriundos tambeacutem de um processo estocaacutestico no qual eacute
observado uma das trajetoacuterias
A anaacutelise da seacuterie temporal por sua vez inicia-se a partir da descriccedilatildeo dos fenocircmenos e processos que a
originam Um fator importante que tambeacutem deve ser estudado eacute a dependecircncia entre as observaccedilotildees
Segundo Makridakis et al (1998) existem quatro tipos de padrotildees de seacuteries temporais
1 - Horizontal quando os valores dos dados flutuam ao redor de uma meacutedia constante
2 - Inclinado (tendecircncia) quando se verifica um crescimento ou decreacutescimo em longo prazo no valor dos
dados
3 - Ciacuteclico estaacute presente em uma seacuterie temporal quando os dados exibem crescimentos e quedas que natildeo se
repetem em um intervalo de tempo fixo
4 - Sazonal padratildeo sazonal existe quando uma seacuterie temporal eacute influenciada por fatores sazonais isto eacute que
se repetem a intervalos de tempos iguais
Adicionalmente uma seacuterie temporal eacute considerada natildeo linear quando pelo menos sua variacircncia natildeo eacute
constante ou sua meacutedia natildeo eacute constante Assim basta que pelo menos uma das duas caracteriacutesticas esteja presente
no comportamento da seacuterie para ser considerada natildeo linear
Para a utilizaccedilatildeo dos dados nos modelos Box-Jenkins faz-se necessaacuterio garantir o pressuposto em que a
meacutedia e a variacircncia sejam constantes no tempo Quando a meacutedia possui variaccedilatildeo a uma taxa constante a seacuterie eacute
definida como natildeo estacionaacuteria Esta variaccedilatildeo por sua vez pode ocorrer a uma taxa constante dentro de um ciclo
chamada de natildeo-estacionariedade sazonal
As funccedilotildees de autocorrelaccedilatildeo e autocorrelaccedilatildeo parcial satildeo mecanismos adotados dentro dos modelos Box-
Jenkins com a funccedilatildeo de identificar mecanismos relativos a natildeo-estacionariedade das seacuteries em estudo
22 ndash PREVISAtildeO DE SEacuteRIES TEMPORAIS
Para a previsatildeo de seacuteries temporais podem ser empregados modelos e meacutetodos que se diferenciam da
seguinte forma um modelo de previsatildeo eacute aquele que utiliza uma ou mais equaccedilotildees para representar a estrutura
aleatoacuteria da seacuterie temporal Jaacute um meacutetodo eacute uma combinaccedilatildeo de uma rotina de estimaccedilatildeo e um modelo (assim torna-
se necessaacuterio uma rotina preacutevia de identificaccedilatildeo do modelo adequado) Pelo fato dos modelos atraveacutes de suas
caracteriacutesticas serem muitos especiacuteficos a grande maioria foi desenvolvida para padrotildees de seacuteries temporais
anteriormente mencionados
As teacutecnicas de previsatildeo satildeo distribuiacutedas em dois grupos meacutetodos qualitativos e quantitativos Os meacutetodos
qualitativos satildeo aplicados quando existe conhecimento acumulado sobre o processo ou fenocircmeno em estudo havendo
15
a necessidade do julgamento por meio de especialistas principalmente quando natildeo existe uma seacuterie histoacuterica para ser
estudada
Os meacutetodos quantitativos utilizam dados histoacutericos e modelos matemaacuteticos para prever comportamentos
futuros As teacutecnicas quantitativas dividem-se em dois subgrupos seacuteries temporais (ou meacutetodos univariaacuteveis) e modelos
causais (multivariaacuteveis) As seacuteries temporais utilizam dados histoacutericos de demanda como base para determinaccedilatildeo de
padrotildees que podem se repetir no futuro Exemplos satildeo as teacutecnicas de seacuteries temporais e o amortecimento exponencial
Jaacute os modelos causais satildeo aqueles que buscam relacionar as demandas (variaacutevel dependente) com outros fatores
(variaacutevel independente) como fatores macroeconocircmicos como o PIB inflaccedilatildeo clima entre outros Para isso torna-se
necessaacuterio a utilizaccedilatildeo de regressotildees lineares e natildeo lineares
A aplicaccedilatildeo dos meacutetodos quantitativos depende de trecircs fatores
1 ndash Disponibilidade de informaccedilotildees histoacutericas
2 ndash Quantificaccedilatildeo das informaccedilotildees histoacutericas em seacuteries temporais
3 ndash Recorrecircncia no futuro de padrotildees observados nas informaccedilotildees histoacutericas
A condiccedilatildeo de recorrecircncia eacute conhecida como suposiccedilatildeo de continuidade e eacute uma premissa de todos os
meacutetodos quantitativos e alguns meacutetodos qualitativos
As caracteriacutesticas dos meacutetodos claacutessicos satildeo a mensuraccedilatildeo probabiliacutestica de erro da previsatildeo e uma
metodologia menos subjetiva para a obtenccedilatildeo dos modelos Neste grupo de modelos estaacute inserido o de Box-Jenkins
Um modelo claacutessico supotildee que a seacuterie temporal zt onde t = 1 N possa ser escrito como uma soma (modelo
aditivo) por meio da seguinte equaccedilatildeo
tttt aSTz (Equaccedilatildeo 1)
Ou ainda possa ser escrito como uma multiplicaccedilatildeo (modelo multiplicativo) da seguinte forma
tttt aSTz (Equaccedilatildeo 2)
Onde
tT = denotaccedilatildeo para tendecircncia
tS = denotaccedilatildeo para componente sazonal
ta = denotaccedilatildeo para termo aleatoacuterio
Removendo-se as componentes tT e tS resta a componente aleatoacuteria (at) ou residual A suposiccedilatildeo adotada eacute
que at seja uma componente puramente aleatoacuteria mesmo em alguns casos em que eacute considerada como um processo
estacionaacuterio com meacutedia e variacircncia constantes
Aleacutem dos modelos claacutessicos existe outra classe de meacutetodo de previsatildeo que contecircm os natildeo parameacutetricos
Esses satildeo caracterizados por serem muito subjetivos por natildeo possuiacuterem um grande nuacutemero de suposiccedilotildees como os
16
claacutessicos No entanto dentro dos natildeo parameacutetricos existe uma classe de modelos conhecidos por sua qualidade
preditiva e complexidade sendo denominados de modelos de redes neurais
Os modelos utilizados atualmente satildeo compostos de modelos teoacutericos exatos e empiacutericos Assim o
conhecimento teoacuterico eacute utilizado parcialmente para indicar uma classe adequada de funccedilotildees matemaacuteticas que satildeo
ajustadas empiricamente fazendo com que o ajuste dos seus paracircmetros seja realizado de forma experimental
Um dos aspectos relevantes para a seleccedilatildeo do modelo mais adequado estaacute na capacidade do mesmo em
reproduzir os dados conhecidos e as previsotildees futuras de forma acurada Assim se xt eacute a observaccedilatildeo real para o
periacuteodo t e tx eacute a previsatildeo para o mesmo periacuteodo Assim o erro na previsatildeo eacute definido por
ttt xxe ˆ (Equaccedilatildeo 4)
Se existirem observaccedilotildees e previsotildees para n periacuteodos as seguintes estatiacutesticas podem ser utilizadas
n
1t
en
1ME
t (Equaccedilatildeo 5)
Ie In
1MAE
n
1t
t
(Equaccedilatildeo 6)
n
1t
2
t en
1MSE (Equaccedilatildeo 7)
O erro meacutedio ME eacute definido como a meacutedia dos erros calculado na equaccedilatildeo 5 (et) Pelo somatoacuterio os valores
positivos e negativos tendem a se anular resultando em um valor baixo O erro meacutedio absoluto (MAE) eacute definido pelo
somatoacuterio dos moacutedulos dos erros e em seguida realiza-se a meacutedia dos valores absolutos encontrados No caacutelculo do
erro quadraacutetico (MSE) os erros se tornam positivos pela elevaccedilatildeo ao quadrado e a meacutedia eacute realizada com os valores
positivos encontrados
Considerando a escala em que os dados satildeo expressos pode-se definir o erro relativo como
100xˆ
PE t
t
t
x
xx (Equaccedilatildeo 8)
t
n
1t
PEn
1MPE
(Equaccedilatildeo 9)
IPE In
1MAPE t
n
1t
(Equaccedilatildeo 10)
O erro meacutedio percentual (MPE) eacute a meacutedia do erro percentual calculado em PEt para n periacuteodos Neste caso os
valores positivos e negativos dos erros percentuais tendem a se anular da mesma forma que para ME Da mesma
forma que para MAE o erro meacutedio absoluto percentual tambeacutem eacute obtido utilizando-se erros absolutos percentuais
17
23 ndash MODELO BOX-JENKINS
Os modelos ARIMA (Autoregressive Integrated Moving Average ndash Auto-Regressivos Integrados de Meacutedias
Moacuteveis) da famiacutelia de Box-Jenkins tem o objetivo de captar o comportamento da autocorrelaccedilatildeo (correlaccedilatildeo seriada)
entre os valores da seacuterie temporal e realizar previsotildees baseando-se neste comportamento
Dentre a famiacutelia de modelos destacam-se os Auto-Regressivos e os de Meacutedias Moacuteveis Aleacutem destes existem
ainda outras variaccedilotildees no qual satildeo tomadas d diferenccedilas de uma seacuterie natildeo estacionaacuteria visando tornaacute-la estacionaacuteria
(com meacutedia e variacircncia constantes ao longo do tempo) Existem ainda os modelos ARMA (Auto-Regressivos de Meacutedias
Moacuteveis) que satildeo utilizados quando natildeo haacute necessidade de realizar diferenciaccedilotildees para tornar a seacuterie estacionaacuteria
Outro modelo eacute conhecido como SARIMA (ou ARIMA Sazonal) que eacute utilizado para captar a sazonalidade de uma
seacuterie
Um benefiacutecio da utilizaccedilatildeo dos modelos Box-Jenkins estaacute relacionado ao fato do algoritmo do mesmo auxiliar o
usuaacuterio na escolha do melhor modelo por meio dos comportamentos dos graacuteficos da funccedilatildeo de autocorrelaccedilatildeo (FAC) e
da funccedilatildeo de autocorrelaccedilatildeo parcial (FACP)
A FAC eacute determinada atraveacutes da correlaccedilatildeo linear de cada valor yt da seacuterie de dados com outros valores em
lags distintos como yt-1 yt-2 e assim sucessivamente Assim o coeficiente de correlaccedilatildeo temporal (autocorrelaccedilatildeo) da
seacuterie temporal defasado por 1 2 ou mais periacuteodos eacute calculado pela seguinte equaccedilatildeo
n
1t
2
n
1tk
r
xx
xxxx
t
ktt
k (Equaccedilatildeo 11)
Na equaccedilatildeo anterior r1 indica como os valores sucessivos de x relacionam-se entre si r2 indica como os
valores de x defasados em dois periacuteodos relacionam-se entre si e assim sucessivamente Em conjunto as
autocorrelaccedilotildees defasadas em 1 2 k periacuteodos constituem a funccedilatildeo de autocorrelaccedilatildeo
A FACP por sua vez possui um conceito semelhante ao da FAC Eacute definida pela correlaccedilatildeo existente entre yt
e yt-2 por exemplo sem levar em consideraccedilatildeo os efeitos causados por yt-1 e yt-2 O coeficiente de autocorrelaccedilatildeo
parcial de ordem k definido por k pode ser obtido atraveacutes da estimaccedilatildeo dos coeficientes da regressatildeo muacuteltipla de x t
em funccedilatildeo de 1tx 2tx ktx conforme a proacutexima equaccedilatildeo
ktkttt xxxx 22110 (Equaccedilatildeo 12)
As autocorrelaccedilotildees parciais satildeo usadas para medir o grau de associaccedilatildeo entre as observaccedilotildees x t e xt-k quando
o efeito das outras observaccedilotildees defasadas no tempo em 1 2 k-1 periacuteodos satildeo removidas As autocorrelaccedilotildees
parciais 1 2 k constituem a FACP
Pelo fato deste processo permitir que usuaacuterios diferentes modelem diferentes equaccedilotildees a partir de uma mesma
seacuterie temporal pode existir certo grau de subjetividade na escolha do melhor modelo para a previsatildeo da seacuterie em
questatildeo
18
231 ndash Modelo ARMA (Auto-Regressivo a Meacutedia Moacutevel)
O modelo ARMA natildeo possui uma parte integrada Sendo assim satildeo utilizados para uma seacuterie temporal
estacionaacuteria com relaccedilatildeo agrave meacutedia e a variacircncia e satildeo definidos pelas equaccedilotildees a seguir
qtqttptptt eeexxcx 1111 (Equaccedilatildeo 13)
Existem restriccedilotildees aos valores cujos paracircmetros podem assumir nas equaccedilotildees anteriores a saber
Para p = 1 -1 lt 1 lt 1
Para p = 2 -1 lt 2 lt 1 1 + 2 lt 1 e 2 ndash 1 lt 1
Para p gt= 3 condiccedilotildees mais complexas prevalecem
Da mesma forma
Para q = 1 -1 lt 1 lt 1
Para q = 2 -1 lt 2 lt 1 1 + 2 lt 1 e 2 ndash 1 lt 1
Para p gt= 3 condiccedilotildees mais complexas prevalecem
Um dispositivo de notaccedilatildeo uacutetil eacute o operador de deslocamento retroativo definido por 1 tt xBx Assim B
operando sobre tx tem o efeito de deslocar os dados para traacutes em um periacuteodo Dessa forma
2
2)( ttt xxBBxB (Equaccedilatildeo 14)
Por meio da equaccedilatildeo acima que o modelo recebe a denominaccedilatildeo de Auto-Regressivo a Meacutedia Moacutevel (ARMA)
de ordens (pq) conforme expresso na equaccedilatildeo seguinte
t
MA
p
p
AR
t
p
p eBBcxBB
qp
)()(
11 11 (Equaccedilatildeo 15)
Os coeficientes 1 2 p e 1 2 q satildeo estimados para ajustarem-se agrave seacuterie temporal estudada
atraveacutes dos meacutetodos dos miacutenimos quadrados ou da maacutexima verossimilhanccedila A aplicaccedilatildeo do meacutetodo dos miacutenimos
quadrados eacute realizada atraveacutes de estimativas feitas iterativamente por softwares ateacute que soma dos erros quadraacuteticos
seja minimizada O meacutetodo da maacutexima verossimilhanccedila estima tambeacutem iterativamente os valores dos paracircmetros que
maximizem a verossimilhanccedila de um conjunto de observaccedilotildees
O modelo ARMA deve ter seus erros et distribuiacutedos aleatoriamente comportando-se como uma seacuterie de ruiacutedo
branco Os resiacuteduos natildeo satildeo ruiacutedo branco se as estatiacutesticas Q sugerida por Box-Pierce ou Q sugerida por Ljungndash
Box posicionarem-se no extremo 5 da cauda direita da distribuiccedilatildeo χ2 As expressotildees para caacutelculo das estatiacutesticas
Q de BoxndashPierce ou Q de Ljung-Box satildeo as seguintes
19
h
1k
2
k tnQ (Equaccedilatildeo 16)
h
1k
2
k
k-
r)2(
nnnQ (Equaccedilatildeo 17)
Onde
n = nuacutemero de observaccedilotildees da seacuterie
h = maacutexima defasagem dos coeficientes de correlaccedilatildeo dos resiacuteduos
Alguns autores apresentam procedimentos para identificaccedilatildeo das ordens p e q dos modelos ARMA por meio
dos graacuteficos das FAC e FACP como exemplificado no quadro a seguir
Modelo FAC FACP
ARMA (p0) Decaimento gradativo Decaimento brusco apoacutes defasagem p
ARMA (0q) Decaimento brusco apoacutes defasagem q Decaimento gradativo
ARMA (pq) Decaimento gradativo com onda
senoidal amortecida apoacutes a
defasagem (q-p)
Decaimento gradativo com onda
senoidal amortecida apoacutes a defasagem
(p-q)
Tabela 1 - Comportamento das FAC e FACP para Modelos Estacionaacuterios
Fonte Elaborado pelos Autores
232 ndash Modelo ARIMA
Em muitos casos as seacuteries temporais encontradas possuem tendecircncia apresentando um comportamento natildeo
estacionaacuterio No entanto para aplicar o meacutetodo de Box-Jenkins eacute necessaacuterio remover a tendecircncia da seacuterie atraveacutes da
diferenciaccedilatildeo ou seja aplicar sobre a mesma o operador (1 ndash B) no modelo ARMA conforme equaccedilatildeo a seguir
tttt xBxxx )1(1
(Equaccedilatildeo 18)
Desta forma a expressatildeo do modelo ARIMA (pdq) ndash auto regressivo integrado a meacutedia moacutevel de ordem p d
q eacute a expressatildeo do modelo ARMA (pq) acrescido do fator de diferenciaccedilatildeo de ordem d responsaacutevel pela descriccedilatildeo do
comportamento de tendecircncia da seacuterie conforme representado na equaccedilatildeo a seguir
t
MA
p
p
I
t
d
AR
p
p eBBcxBBB
qdp
)()()(
111 11 (Equaccedilatildeo 19)
233 ndash Modelo ARIMA Sazonal (SARIMA)
O comportamento mais geral de seacuteries histoacutericas natildeo estacionaacuterias eacute o que combina o padratildeo de tendecircncia
com o padratildeo de sazonalidade O meacutetodo de Box-Jenkins recomenda a remoccedilatildeo tanto da tendecircncia quanto da
sazonalidade das seacuteries diferenciando-a duas vezes Eacute recomendado que a diferenciaccedilatildeo sazonal sobre a seacuterie
20
original seja feita em primeiro lugar uma vez que em alguns casos sua aplicaccedilatildeo jaacute torna a seacuterie estacionaacuteria como
mostrado na expressatildeo a seguir (para uma seacuterie com nuacutemero de periacuteodos com ciclo sazonal igual a 12)
tttt xBxxx )1( 12
12
(Equaccedilatildeo 20)
Nos casos em que se torna necessaacuteria a segunda diferenciaccedilatildeo faz necessaacuteria aplicar o operador )1( B na
mesma conforme equaccedilatildeo a seguir
ttttt xBBxBxxx 12
1
11)1( (Equaccedilatildeo 21)
24 ndash MEacuteTODO DO AMORTECIMENTO EXPONENCIAL
Historicamente o amortecimento exponencial descreve uma classe de meacutetodos de previsatildeo De fato alguns
dos meacutetodos mais utilizados para esse fim satildeo baseados nesse conceito cada um deles utilizando a propriedade em
que os pesos das observaccedilotildees mais recentes satildeo maiores do que aqueles referentes a observaccedilotildees no passado
Assim o nome ldquoamortecimento exponencialrdquo reflete no fato de que os pesos (atraveacutes do uso da meacutedia ponderada)
diminuem exponencialmente agrave medida que as observaccedilotildees satildeo mais antigas
Os primeiros registros da utilizaccedilatildeo do meacutetodo satildeo de Robert G Brown em 1944 enquanto desenvolvia
trabalhos como analista de Pesquisa Operacional na Marinha Americana enquanto desenvolvia um dispositivo
mecacircnico para monitorar a velocidade e o acircngulo de tiros disparados de submarinos Em 1950 ele estendeu o uso
desse meacutetodo para seacuteries temporais discretas incluindo termos para lidar com as componentes de sazonalidade e
tendecircncia
Paralelamente Charles Holt tambeacutem estava trabalhando em um meacutetodo de amortecimento exponencial para o
Escritoacuterio Americano de Pesquisas Navais O seu trabalho em modelos sazonais aditivos e multiplicativos se tornaram
conhecidos atraveacutes de um artigo publicado por seu estudante Peter Winters em 1960 aplicando testes empiacutericos ao
meacutetodo de Holt Como resultado a versatildeo da ferramenta que trabalha com a componente sazonal eacute denominada de
Holt-Winters
Os modelos de suavizaccedilatildeo exponencial satildeo largamente utilizados devido a sua simplicidade e baixo custo
Assim quando se necessitam previsotildees para milhares de itens como eacute o caso em muitos sistemas de gestatildeo esses
modelos satildeo muitas vezes os uacutenicos suficientemente raacutepidos e baratos para assegurar uma implementaccedilatildeo viaacutevel
Dessa forma existem trecircs classes de meacutetodos de amortecimento exponencial a saber
1 ndash Seacuteries localmente constantes analisadas pelos modelos de meacutedias moacuteveis simples ou amortecimento
exponencial
2 ndash Seacuteries com tendecircncias que utilizam o modelo de Holt
3 ndash Seacuteries com comportamento sazonal que utilizam o modelo Holt-Winters
241 ndash Meacutetodos de Amortecimento Exponencial Simples
21
O meacutetodo de suavizaccedilatildeo exponencial simples tem melhor precisatildeo para seacuteries de padratildeo horizontal isto eacute
agravequelas que natildeo apresentam tendecircncia nem sazonalidade e eacute apropriado para previsotildees de curto prazo Seu algoritmo
de previsatildeo utiliza a seguinte expressatildeo da equaccedilatildeo
ttt xxx ˆ1ˆ1 (Equaccedilatildeo 22)
Onde
1ˆtx = previsatildeo para o periacuteodo t+1
α = constante de suavizaccedilatildeo cujo valor encontra-se entre 0 e 1
tx = uacuteltimo valor observado
tx = uacuteltimo valor observado com peso (1 ndash α)
Expandindo-se a expressatildeo acima pela substituiccedilatildeo de tx 1ˆtx 2
ˆtx por seus componentes resulta em
1113211ˆ)1()1(3)1(2)1(1ˆ xxxxxxx ttttttt (Equaccedilatildeo 23)
Assim 1ˆtx eacute uma meacutedia ponderada de todas as observaccedilotildees passadas constituindo os coeficientes de
ponderaccedilatildeo uma seacuterie decrescente exponencialmente para valores de α entre 0 e 1 Dessa constataccedilatildeo origina-se o
nome amortecimento exponencial Analisando-se a uacuteltima equaccedilatildeo verifica-se que a constante de suavizaccedilatildeo α
determina a rapidez do decaimento dos coeficientes (pesos) A escolha do valor para a constante de suavizaccedilatildeo pode
ser arbitraacuteria ou condicionada a algum criteacuterio que na maioria das vezes consiste na minimizaccedilatildeo do erro quadraacutetico
meacutedio atribuiacutedo ao desempenho do meacutetodo
A constante de suavizaccedilatildeo estaacute diretamente ligada agrave velocidade de resposta das previsotildees agraves variaccedilotildees das
observaccedilotildees ou seja quanto menor o valor de α mais lenta eacute a resposta Valores maiores que α causam reaccedilotildees
mais raacutepidas das previsotildees agraves variaccedilotildees das observaccedilotildees podendo causar instabilidade no desempenho do meacutetodo
Como o peso da primeira previsatildeo 1x eacute (1 ndash α)t verifica-se que menor importacircncia um fator teraacute para a
previsatildeo de t+1 quanto mais proacuteximo de um for e quanto maior for o t Como eacute necessaacuterio ter o valor de 1x eacute feita a
suposiccedilatildeo de que 1x = 1x ou seja igual agrave uacuteltima observaccedilatildeo O erro decorrente dessa suposiccedilatildeo seraacute tanto menor
quanto maiores forem α e t
Alternativamente a expressatildeo inicial desse item pode ser representada como
1ˆtx = tx + α( tx ndash tx ) (Equaccedilatildeo 24)
1ˆtx = tx + α te (Equaccedilatildeo 25)
Atraveacutes da anaacutelise da uacuteltima equaccedilatildeo pode-se concluir que o meacutetodo de suavizaccedilatildeo exponencial simples
prevecirc o valor de uma seacuterie temporal tomando a previsatildeo para o periacuteodo anterior e ajustando-a pelo valor do erro no
mesmo periacuteodo
22
242 ndash Meacutetodo de Holt
O meacutetodo de Holt pode ser utilizado de maneira satisfatoacuteria em seacuteries temporais com tendecircncia linear
mediante o uso de uma funccedilatildeo de ponderaccedilatildeo que daacute maior importacircncia aos periacuteodos de tempo mais recentes Seu
algoritmo de previsatildeo utiliza as seguintes expressotildees
))(1( 11 tttt TLxL (Equaccedilatildeo 26)
11 )1)(( tttt TLLT (Equaccedilatildeo 27)
mtx ˆ
tt mTL (Equaccedilatildeo 28)
Onde
mtx ˆ = previsatildeo para o periacuteodo t+m
= constantes de suavizaccedilatildeo com valor entre 0 e 1 que determinam a rapidez de decaimento dos pesos
da seacuterie quanto mais proacuteximo de um maior o peso das observaccedilotildees recentes
tL = estimativa do niacutevel da seacuterie no tempo t
tT = estimativa de declividade da seacuterie no tempo t
Como o meacutetodo de Holt baseia-se na aplicaccedilatildeo recursiva das expresses anteriores satildeo necessaacuterios tambeacutem
como dados de entrada tL e tT que podem ser considerados como 1L 1x e 1T 12 xx Outra forma de caacutelculo eacute a
regressatildeo linear simples aplicada aos dados da seacuterie temporal onde se obteacutem o valor da declividade da seacuterie temporal
e de 0L em sua origem
243 ndash Meacutetodo de Winters
Os meacutetodos de Winters dividem-se em dois grupos aditivo e multiplicativo No meacutetodo aditivo a amplitude da
variaccedilatildeo sazonal eacute constante ao longo do tempo ou seja a diferenccedila entre o maior e menor valor de demanda dentro
das estaccedilotildees permanece relativamente constante no tempo No meacutetodo multiplicativo a amplitude da variaccedilatildeo sazonal
aumente ou diminui como funccedilatildeo do tempo
2431 ndash Meacutetodo Sazonal Multiplicativo de Winters
))(1( 11
tt
t
t
t TLSS
xL (Equaccedilatildeo 29)
11 )1()( tttt TLLT (Equaccedilatildeo 30)
SSL
xS t
t
t
t
1 (Equaccedilatildeo 31)
mSSmTLx tttmt ˆ (Equaccedilatildeo 32)
23
Onde
mtx ˆ = previsatildeo para o periacuteodo t+m
= constantes de suavizaccedilatildeo que variam entre 0 e 1
tx = observaccedilatildeo mais recente
tL = estimativa do niacutevel de seacuterie no tempo t
tT = estimativa de declividade da seacuterie no tempo t
tS = componente de sazonalidade no tempo t
S = nuacutemero de subperiacuteodos do ano (sazonalidade)
A escolha de valores para as constantes de suavizaccedilatildeo eacute condicionada a algum criteacuterio que na maioria das
vezes consiste na minimizaccedilatildeo por meio do algoritmo de minimizaccedilatildeo linear do erro quadraacutetico meacutedio (MSE) atribuiacutedo
ao desempenho do meacutetodo
Como o meacutetodo multiplicativo de Winters baseia-se na aplicaccedilatildeo recursiva das equaccedilotildees deste item e que
deve ser iniciada em algum periacuteodo do passado no qual os valores de TL TT e TS devem ser estimados A maneira
mais simples de inicializar o niacutevel de tendecircncia no periacuteodo S O niacutevel eacute inicializado no primeiro periacuteodo sazonal da
seguinte forma
S
Sxxxx
SL
1
321
(Equaccedilatildeo 33)
Para inicializar a tendecircncia eacute conveniente o uso de dois ciclos completos isto eacute 2S periacuteodos como descrito
abaixo
S
xx
S
xx
S
xx
ST SSSSS
S 1 2211 (Equaccedilatildeo 34)
Por ultimo os iacutendices sazonais satildeo inicializados usando-se a razatildeo das primeiras observaccedilotildees como a meacutedia
do primeiro ano com descrito a seguir
S
xS
L
11
S
xS
L
22
S
S
s
xS
L (Equaccedilatildeo 35)
2432 ndash Meacutetodo Sazonal Aditivo de Winters
O meacutetodo aditivo de Winters eacute utilizado na modelagem dos dados sazonais no qual a amplitude do ciclo
sazonal permanece constante com o passar do tempo
Aleacutem disso a amplitude da variaccedilatildeo sazonal eacute constante ao longo do tempo ou seja a diferenccedila entre o maior
e o menor valor de demanda dentro das estaccedilotildees permanece relativamente constante no tempo As equaccedilotildees
matemaacuteticas satildeo
))(1()( 11 ttttt TLSSxL (Equaccedilatildeo 36)
24
11 )1()( tttt TLLT (Equaccedilatildeo 37)
Stttt SLxS )1()( St = γ(xt - Lt) + (1- γ)St-S (Equaccedilatildeo 38)
mStttmt SmTLx ˆ (Equaccedilatildeo 39)
A segunda equaccedilatildeo deste item eacute igual agravequela do meacutetodo multiplicativo de Winters O restante das equaccedilotildees se
diferem por iacutendice sazonais serem somados e subtraiacutedos ao inveacutes de serem tomados em produtos ou divisotildees
Os valores iniciais de SL e ST satildeo iguais aos do meacutetodo multiplicativo Os iacutendices sazonais satildeo inicializados da
seguinte forma
SLxS 11 SLxS 22 SSS LxS (Equaccedilatildeo 40)
25 ndash SELECcedilAtildeO DE MODELOS
A partir do momento em que vaacuterios modelos ajustam-se a uma seacuterie temporal deve-se eleger aquele que
melhor representa o seu comportamento por meio da anaacutelise de seus paracircmetros Neste trabalho os paracircmetros seratildeo
utilizados os seguintes paracircmetros de forma primordial na definiccedilatildeo do modelo mais apropriado
251 ndash Maacuteximo R2
A estatiacutestica R2 eacute definida por
n
1t
2
2n
1t2
ˆ
1
tt
tt
xx
xx
R (Equaccedilatildeo 41)
Onde
tx = observaccedilatildeo real para o periacuteodo t
tx = previsatildeo para o periacuteodo t
Uma medida de R2 mais proacutexima de zero indica um modelo com ajuste pobre enquanto que um valor proacuteximo
de um indica um bom ajuste
252 ndash Miacutenimo BIC (Bayesian Information Criterion)
Este criteacuterio penaliza os modelos com muitos paracircmetros sendo portanto um criteacuterio de verosimilhanccedila
penalisada Vale ressaltar que o BIC natildeo deve ser utilizado de forma isolada mas em conjunto com outros paracircmetros
na comparaccedilatildeo com diversos modelos
O BIC eacute definido pela seguinte expressatildeo
25
nm
nMSEBIC2
(Equaccedilatildeo 42)
nm
tt nxxn
BIC22
n
1t
ˆ1
(Equaccedilatildeo 43)
Onde
m = nuacutemero de paracircmetros do modelo
n = nuacutemero de observaccedilotildees da seacuterie temporal
3 - DESENVOLVIMENTO
31 ndash ANAacuteLISE DA SEacuteRIE
A seacuterie a seguir apresenta os dados quantitativos da evoluccedilatildeo do volume de produccedilatildeo de caminhotildees no Brasil
Tratam-se de dados mensais entre janeiro de 1957 e dezembro de 2011 totalizando 660 observaccedilotildees
5000
10000
15000
20000
60 65 70 75 80 85 90 95 0 5 10
Legend
PRODUCAO
Figura 2 - Seacuterie de Volume de Produccedilatildeo no Brasil
Fonte Elaborado pelos Autores 2012
26
32 ndash ANAacuteLISE DESCRITIVA
O primeiro passo foi a anaacutelise descritiva da seacuterie visando obter uma anaacutelise inicial para definir o modelo de
previsatildeo mais adequado agraves suas caracteriacutesticas
Utilizando o software Minitab obteve-se a seguinte tabela
Figura 3 - Estatiacutesticas Descritivas da Seacuterie Inicial
Fonte Minitab 2012
O coeficiente de correlaccedilatildeo de Pearson indica a razatildeo entre o desvio padratildeo e a meacutedia de uma seacuterie cujo
caacutelculo eacute representado por
CV = desvio padratildeomeacutedia
Introduzindo os valores do desvio padratildeo (3515) e da meacutedia da amostra (5560) na foacutermula anterior obteacutem-se o
seguinte resultado
CV = 35155560 = 06322 ~ 63 de grau de dispersatildeo
Essa medida eacute utilizada quando se pretende comparar duas ou mais distribuiccedilotildees de probabilidade quanto agraves
suas variabilidades atuando como uma medida de variabilidade relativa
Na teoria de probabilidade o grau de simetria eacute uma medida de assimetria da distribuiccedilatildeo de valores reais
aleatoacuterios O grau de simetria pode ser positivo ou negativo ou mesmo indefinido Qualitativamente um valor negativo
em que a cauda no lado esquerdo da funccedilatildeo de densidade de probabilidade eacute maior do que o lado direito e a maioria
dos valores tende ao lado direito da meacutedia De mesma forma um valor positivo indica que a cauda no lado direito eacute
maior do que o lado esquerdo e que a maioria dos valores tende ao lado esquerdo da meacutedia O valor zero indica que
valores relativos igualmente distribuiacutedos dos dois lados ao redor da meacutedia mas natildeo necessariamente implica em uma
distribuiccedilatildeo simeacutetrica
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de grau de simetria (skewness) O valor positivo do grau de
simetria indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa conforme apresentado no
histograma a seguir
27
dados
Fre
qu
en
cy
200001600012000800040000
120
100
80
60
40
20
0
Mean 5560
StDev 3515
N 660
Histogram (with Normal Curve) of dados
Figura 4 - Histograma da Seacuterie Inicial
Fonte SPSS 2012
De forma similar o conceito de curtose trata-se da uma medida de dispersatildeo para descriccedilatildeo da forma da
distribuiccedilatildeo de probabilidades e como o grau de simetria existem formas diferentes de quantificaacute-la como uma
distribuiccedilatildeo teoacuterica e formas correspondentes de estimaacute-la a partir de uma amostra oriunda de uma populaccedilatildeo Essa
medida indica o grau de achatamento curva de distribuiccedilatildeo de probabilidade
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de curtose (kurtosis) O valor positivo do grau de simetria
indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa O valor positivo indica um
comportamento leptocuacutertica indicando que a mesma eacute mais alta e mais concentrada que a distribuiccedilatildeo normal
O Teste de Normalidade realizado com 95 de niacutevel de confianccedila gerou um p-value nulo ou seja abaixo dos
5 de significacircncia Desta maneira a hipoacutetese nula de que os dados apresentariam uma distribuiccedilatildeo normal foi
rejeitada
Tests of Normality
105 660 000 860 660 000VAR00001
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 5 - Teste de Normalidade da Seacuterie Inicial
Fonte SPSS 2012
28
O teste de Kolmogorov-Smirnov eacute utilizado para determinar se duas distribuiccedilotildees de probabilidade diferem uma
da outra ou natildeo O graacutefico abaixo referente a este testem evidencia o comportamento da distribuiccedilatildeo frente ao
comportamento da distribuiccedilatildeo normal
dados
Pe
rce
nt
2500020000150001000050000-5000-10000
9999
99
95
80
50
20
5
1
001
Mean
lt0010
5560
StDev 3515
N 660
KS 0105
P-Value
Teste de Normalidade Kolmogorov-SmirnovNormal
Figura 6 - Teste de Kolmogorov-Smirnov para a Seacuterie Inicial
Fonte SPSS 2012
Assim faz-se necessaacuterio uma transformaccedilatildeo na seacuterie para adequaccedilatildeo dos dados para uma distribuiccedilatildeo
normal Para tal modificaccedilatildeo neste trabalho foi utilizada a distribuiccedilatildeo logariacutetmica na base 10
Apoacutes a transformaccedilatildeo o teste de normalidade foi realizado novamente (tambeacutem com 95 de significacircncia) O
resultado eacute apresentado na tabela a seguir
Tests of Normality
042 660 007 994 660 009log10
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 7 - Teste de Normalidade para a Seacuterie Transformada
Fonte SPSS 2012
Conforme pode ser observado na tabela acima o p-value foi proacuteximo de 001 menor que 005 Apesar do
pressuposto de normalidade dos dados natildeo ter sido alcanccedilado esta base de dados seraacute utilizada nas modelagens
para fins acadecircmicos e seraacute tomado como premissa que a distribuiccedilatildeo estaacute normalizada
29
O teste graacutefico de normalidade de Kolmogorov-Smirnov foi realizado para a distribuiccedilatildeo transformada O
graacutefico abaixo evidencia o comportamento dos dados da distribuiccedilatildeo frente ao comportamento da distribuiccedilatildeo normal
auxiliando na conclusatildeo do teste anterior
log 10
Pe
rce
nt
4540353025
9999
99
95
80
50
20
5
1
001
Mean
lt0010
3668
StDev 02593
N 660
KS 0042
P-Value
Teste de Normalidade Kolmogorov-Smirnov - log 10Normal
Figura 8 - Teste de Kolmogorov-Smirnov para a Seacuterie Transformada
Fonte SPSS 2012
A seguir tem-se o histograma da seacuterie transformada evidenciando a mudanccedila do comportamento dos dados
30
log 10
Fre
qu
en
cy
42403836343230
70
60
50
40
30
20
10
0
Mean 3668
StDev 02593
N 660
Histogram of log 10Normal
Figura 9 - Histograma da Seacuterie Transformada
Fonte SPSS 2012
O teste da igualdade de variacircncias eacute aplicado com o objetivo de verificar se devem ou natildeo ser assumidas
igualdade entre as variacircncias das populaccedilotildees Para isso foi utilizado na anaacutelise o Teste de Levene cujas hipoacuteteses
satildeo as seguintes
H0 as variacircncias nas duas populaccedilotildees satildeo iguais ou seja existe homocedasticidade (σ1 = σ2 ou σ1 = σ2 = 0)
Neste caso assume-se a estatiacutestica Sig F gt 005
H1 as variacircncias nas duas populaccedilotildees satildeo diferentes ou seja natildeo existe homocedasticidade (σ1 ne σ2 ou σ1 ne
σ2 ne 0) Neste caso assume-se a estatiacutestica Sig F lt ou = 005
Para a realizaccedilatildeo do teste dividiu-se a populaccedilatildeo em dois grupos iguais (grupos denominados como 0 e 1
cada um com 330 unidades) Os resultados satildeo os seguintes
31
Group Statistics
330 35473 23553 01297
330 37896 22313 01228
Teste de Lev ene0
1
log10N Mean Std Dev iation
Std Error
Mean
Independent Samples Test
5981 015 -13569 658 000 -24235 01786 -27742 -20728
-13569 656086 000 -24235 01786 -27742 -20728
Equal variances
assumed
Equal variances
not assumed
log10F Sig
Lev enes Test for
Equality of Variances
t df Sig (2-tailed)
Mean
Dif f erence
Std Error
Dif f erence Lower Upper
95 Conf idence
Interv al of the
Dif f erence
t-test f or Equality of Means
Figura 10 - Teste de Homocedasticidade para a Seacuterie Transformada
Fonte SPSS 2012
Pelo resultado do teste pode-se verificar que o valor de ldquoSigrdquo (referente ao p-value) foi de 0015 onde se
conclui que a hipoacutetese nula que leva em consideraccedilatildeo que a variacircncia da seacuterie eacute constante pode ser aceita
33 ndash MODELOS DE PREVISAtildeO
Neste trabalho seratildeo analisados os seguintes modelos de previsatildeo
1 ndash Box Jenkins
2 ndash Suavizaccedilatildeo Exponencial
Para determinar o modelo de previsatildeo mais adequado foi utilizado o software Forecast Pro for Windows (FPW)
Todas as previsotildees foram realizadas utilizando a seacuterie com a variaacutevel transformada a fim de atender o
pressuposto de normalidade da seacuterie necessaacuterio nos modelos de previsatildeo
32
Figura 11 - Seleccedilatildeo da Seacuterie para a Previsatildeo
Fonte FPW 2012
331 ndash Box-Jenkins
Apoacutes a apresentaccedilatildeo e anaacutelises dos pressupostos necessaacuterios para a aplicaccedilatildeo do modelo Box-Jenkins seratildeo
realizadas as anaacutelises que demonstram a funccedilatildeo de autocorrelaccedilatildeo (FAC) e funccedilatildeo de autocorrelaccedilatildeo parcial (FACP)
Figura 12 - FAC da Seacuterie
Fonte FPW 2012
33
Figura 13 - FACP da Seacuterie
Fonte FPW 2012
Nota-se na Figura XXX FAC da seacuterie que a seacuterie decai muito lentamente indicando tendecircncia logo faz-se
necessaacuterio realizar uma diferenciaccedilatildeo na parte simples
Apoacutes a diferenciaccedilatildeo obtiveram-se os seguintes novos graacuteficos para a funccedilatildeo de autocorrelaccedilatildeo e funccedilatildeo de
autocorrelaccedilatildeo parcial
Figura 14 - FAC da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
34
Figura 15 - FACP da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
Apoacutes a realizaccedilatildeo da diferenciaccedilatildeo os seguintes modelos foram testados
1 ndash ARIMA (110)
2 ndash ARIMA (011)
3 ndash ARIMA (210)
4 ndash ARIMA (012)
5 ndash ARIMA (111)
A seguir cada modelo seraacute demonstrado
1 ndash ARIMA (110)
Figura 16 - Resultado ARIMA (110)
Fonte FPW 2012
35
Figura 17 - FAC dos Resiacuteduos ARIMA (110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08746) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel a(1) foi considerada significativa
2 - ARIMA (011)
Figura 18 - Resultado ARIMA (011)
Fonte FPW 2012
36
Figura 19 - FAC dos Resiacuteduos ARIMA (011)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel b(1) foi considerada significativa
3 - ARIMA (210)
Figura 20 - Resultado ARIMA (210)
Fonte FPW 2012
37
Figura 21 - FAC dos Resiacuteduos ARIMA (210)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08765) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
4 - ARIMA (012)
Figura 22 - Resultado ARIMA (012)
Fonte FPW 2012
38
Figura 23 - FAC dos Resiacuteduos ARIMA (012)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08777) com lag significativo nas fases 12 24 e 36 no graacutefico da FAC dos
resiacuteduos As variaacuteveis b(1) e b(2) foram consideradas significativas
5 - ARIMA (111)
Figura 24 - Resultado ARIMA (111)
Fonte FPW 2012
39
Figura 25 - FAC dos Resiacuteduos ARIMA (111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08811) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e b(1) foi considerada significativa
Observando os resultados obtidos nos cinco modelos anteriores fica evidente a semelhanccedila da presenccedila dos
lags significativos nas fases 12 24 e 36 no graacutefico da FAC dos resiacuteduos indicando a existecircncia de sazonalidade na
seacuterie modelada Assim torna-se necessaacuterio diferenciar a fase sazonal dos dados
Apoacutes a diferenciaccedilatildeo simples foram realizadas as seguintes diferenciaccedilotildees sazonais obtendo-se os seguintes
resultados para os modelos SARIMA
6 ndash SARIMA (011)(010)
Figura 26 - Resultado SARIMA (011)(010)
Fonte FPW 2012
40
Figura 27 - FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel b(1) foi considerada significativa
7 ndash SARIMA (110)(010)
Figura 28 - Resultado SARIMA (011)(010)
Fonte FPW 2012
41
Figura 29 - FAC dos Resiacuteduos SARIMA (011)(010)
Figura 29 ndash FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08305) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel a(1) foi considerada significativa
8 ndash SARIMA (210)(010)
Figura 30 - Resultado SARIMA (210)(010)
Fonte FPW 2012
42
Figura 31 - FAC dos Resiacuteduos SARIMA (210)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08337) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
9 ndash SARIMA (012)(010)
Figura 32 - Resultado SARIMA (012)(010)
Fonte FPW 2012
43
Figura 33 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
10 ndash SARIMA (111)(010)
Figura 34 - Resultado SARIMA (111)(010)
Fonte FPW 2012
44
Figura 35 - FAC dos Resiacuteduos SARIMA (111)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 12 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1
11 ndash SARIMA (011)(110)
Figura 36 - Resultado SARIMA (011)(110)
Fonte FPW 2012
45
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08623) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis A(12) e b(1) foram consideradas significativas
12 ndash SARIMA (110)(110)
Figura 38 - Resultado SARIMA (011)(110)
Fonte FPW 2012
46
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08595) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e A(12) foram consideradas significativas
13 ndash SARIMA (210)(110)
Figura 40 - Resultado SARIMA (210)(110)
Fonte FPW 2012
47
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08620) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) a(2) e A(12) foram consideradas significativas
14 ndash SARIMA (012)(010)
Figura 42 - Resultado SARIMA (012)(010)
Fonte FPW 2012
48
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08625) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
15 ndash SARIMA (111)(110)
Figura 44 - Resultado SARIMA (111)(110)
Fonte FPW 2012
49
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08626) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 24 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1 e MA = 1
16 ndash SARIMA (011)(111)
Figura 46 - Resultado SARIMA (011)(111)
Fonte FPW 2012
50
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) e B(12) foram consideradas significativas pelo modelo
17 ndash SARIMA (110)(111)
Figura 48 - Resultado SARIMA (110)(111)
Fonte FPW 2012
51
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09010) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) e B(12) foram consideradas significativas pelo modelo
18 ndash SARIMA (210)(111)
Figura 50 - Resultado SARIMA (210)(111)
Fonte FPW 2012
52
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) a(12) e B(12) foram consideradas significativas pelo modelo
19 ndash SARIMA (012)(111)
Figura 52 ndash Resultado SARIMA (012)(111)
Fonte FPW 2012
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
11
11 ndash CONSIDERACcedilOtildeES INICIAIS
A junccedilatildeo de dois fatores de extrema importacircncia faz a induacutestria de veiacuteculos comerciais acelerar suas vendas a
aproximaccedilatildeo da entrada da nova legislaccedilatildeo brasileira de emissatildeo de gases estabelecendo o padratildeo Euro 5 a partir de
janeiro de 2012 e a virada para um ano eleitoral
A Associaccedilatildeo Nacional dos Fabricantes de Veiacuteculos Automotores (ANFAVEA) do Brasil fundada em 15 de
maio de 1956 reuacutene empresas fabricantes de autoveiacuteculos (automoacuteveis comerciais leves caminhotildees ocircnibus) e
maacutequinas agriacutecolas automotrizes (tratores de rodas e de esteiras colheitadeiras e retroescavadeiras) com instalaccedilotildees
industriais no Brasil
A entidade tem atribuiccedilatildeo de estudar temas da induacutestria e do mercado de veiacuteculos e maacutequinas agriacutecolas
automotrizes aleacutem de coordenar e defender os interesses coletivos das empresas associadas Ainda eacute responsaacutevel
por patrocinar exposiccedilotildees automotivas e outros eventos de caraacuteter institucional
Segundo a ANFAVEA o mercado de caminhotildees se divide da seguinte forma
Semileves 35 ton lt PBT lt 6 ton
Leves 6 ton PBT lt 10 ton
Meacutedio 10 ton PBT lt 15 ton
Semi Pesados PBT 15 ton
Entende-se por Peso Bruto Total (PBT) o peso maacuteximo transmitido ao pavimento pela combinaccedilatildeo de um
caminhatildeo-trator mais seu semi-reboque ou do caminhatildeo mais os seus reboques Um caminhatildeo trator eacute um veiacuteculo
automotor destinado a tracionar ou arrastar outro e um semi-reboque eacute um veiacuteculo de um ou mais eixos que se apoia
na sua unidade tratora ou eacute a ela ligado por meio de articulaccedilatildeo
As montadoras de caminhotildees que operam no Brasil fabricaram 138 mais veiacuteculos em 2011 do que em 2010
Segundo dados da ANFAVEA em seu balanccedilo anual Aleacutem disso a produccedilatildeo atendeu ao aumento de demanda por
conta da elevaccedilatildeo de preccedilos devido agrave entrada em vigor da norma Proconve 7 Euro 5
Com o crescimento a produccedilatildeo de caminhotildees no mercado brasileiro somou 216270 unidades em 2011 ante
as 189941 de 2010 Apesar dessa expansatildeo as vendas somaram 172902 unidades ou seja quase 80 da produccedilatildeo
foi vendida no mercado interno Outras 26321 unidades foram vendidas ao mercado internacional o que leva a um
estoque de pouco mais de 17 mil caminhotildees
Os veiacuteculos mais fabricados no ano foram os semipesados e pesados com 74927 e 65542 veiacuteculos
representando 346 e 303 do total saiacutedo das linhas de montagem brasileiras O crescimento no ano foi de 193 e
84 quando comparados ao mesmo periacuteodo do ano passado
Em relaccedilatildeo agraves campeatildes de vendas a MAN Latin America (que fabrica e comercializa caminhotildees da marca
proacutepria e da Volkswagen) confirmou a lideranccedila de mercado pelo nono ano consecutivo De acordo com os dados de
licenciamentos da ANFAVEA a empresa vendeu 50815 veiacuteculos cerca de 30 do mercado nacional um
crescimento de 122 ante 2010 A segunda colocada eacute a Mercedes-Benz que encerrou 2011 com a comercializaccedilatildeo
de 42623 veiacuteculos alta de 43 no periacuteodo Em terceiro aparece a Ford com 30354 em quarto a Volvo com 19069
crescimento de 245 em quinto a Iveco com 14246 caminhotildees no ano expansatildeo de 186 A Scania ficou em
sexto lugar no mercado brasileiro com a comercializaccedilatildeo de 13484 unidades O restante das vendas ficou dividido
entre as marcas Agrale Hyundai e International
Com relaccedilatildeo aos licenciamento totais em 2011 a figura a seguir retrata o fechamento do ano de 2011
12
Figura 1 - Fechamento da Quantidade de Veiacuteculos Licenciados em 2011
Fonte ANFAVEA
Em termos de crescimento sobre as vendas do ano passado os semipesados apresentaram a maior alta com
169 os leves vecircm a seguir com expansatildeo de 131 seguido dos semileves com 109 de vendas a mais em
comparaccedilatildeo a 2010 As vendas de caminhotildees na categoria meacutedios ficaram 28 maiores enquanto que os pesados
ostentaram a menor alta apenas 09 quando comparadas as vendas de 2010 Enquanto isso as vendas de
importados fecharam 2011 com um impressionante crescimento de 469 ante 2010 sendo os pesados os que mais
entraram no Brasil com 2774 unidades das pouco mais de quatro mil importaccedilotildees de caminhotildees representando um
crescimento de mais de 115
No iniacutecio de Janeiro de 2012 passou a vigorar a seacutetima ediccedilatildeo do Proconve (Programa de Controle de Poluiccedilatildeo
do Ar por Veiacuteculos Automotores) Eacute um programa criado em 1986 pelo CONAMA com os objetivos de reduzir as
emissotildees de veiacuteculos novos desenvolver tecnologia nacional e melhorar a qualidade dos combustiacuteveis Eacute aplicado a
veiacuteculos leves e pesados como os caminhotildees
Para atender a resoluccedilatildeo do Proconve 7 as montadoras estatildeo implementando novos sistema de motorizaccedilatildeo
combustatildeo e exaustatildeo dos combustiacuteveis em seus veiacuteculos conhecidos como Euro 5 Com o ganho tecnoloacutegico e
ambiental satildeo tambeacutem agregados custos entre 10 e 20 aos veiacuteculos
Com a entrada da nova legislaccedilatildeo Proconve 7 e o aumento no preccedilo dos veiacuteculos devido agrave motorizaccedilatildeo Euro
5 a retraccedilatildeo no mercado eacute eminente Isso ocorre pelo fato dos caminhotildees serem bens de produccedilatildeo e a disponibilidade
dos veiacuteculos Euro 3 mais poluentes e mais baratos no mercado faz-se com que o fenocircmeno do pre-buying antecipe a
renovaccedilatildeo da frota para antes de janeiro com eminente queda na produccedilatildeo para o primeiro semestre de 2012 motivo
pelo qual se torna importante conhecer a previsatildeo demanda do volume total de produccedilatildeo de caminhotildees
13
12 ndash OBJETIVO
O objetivo desse trabalho eacute o de comparar a utilizaccedilatildeo de meacutetodos de previsatildeo de demanda e definir qual
deveraacute ser aplicado para a previsatildeo do volume de produccedilatildeo de caminhotildees a partir da base de dados da ANFAVEA
13 ndash JUSTIFICATIVAS
O processo de previsatildeo de demanda por seacuteries temporais utiliza dados passados e presentes para obter dados
futuros por meio de modelos descritos e ajustados das variaacuteveis em questatildeo
As seacuteries temporais satildeo observaccedilotildees de variaacuteveis que podem ser de vaacuterios campos da economia Exemplos
de tais variaacuteveis satildeo taxas de inflaccedilatildeo iacutendices de accedilotildees taxas de desemprego e participaccedilatildeo de uma empresa em
determinado mercado Frequentemente os modelos de previsatildeo para essas taxas satildeo utilizados para determinar as
poliacuteticas e objetivos que guiaratildeo as empresas e instituiccedilotildees
A anaacutelise das seacuteries temporais pode evidenciar uma variedade de padrotildees e comportamentos Tipicamente
muitos agregados macroeconocircmicos tais como produccedilatildeo industrial consumo e salaacuterios mostram comportamentos que
evidenciam tendecircncias de crescimento
Assim aleacutem de buscar o melhor modelo de previsatildeo aplicado ao volume de produccedilatildeo de caminhotildees no Brasil
o presente trabalho tambeacutem tem o objetivo de evidenciar os padrotildees e comportamentos desta seacuterie
14 ndash CONDICcedilOtildeES DE CONTORNO
Este trabalho trataraacute da previsatildeo do volume de produccedilatildeo mensal de caminhotildees no Brasil Para definir o modelo
de previsatildeo mais adequado seratildeo utilizados dados mensais entre janeiro de 1957 e dezembro de 2011
Seratildeo abordados neste trabalho os modelos Box-Jenkins e a teacutecnica do Amortecimento Exponencial para
definir a melhor modelagem para seacuterie abordada
15 ndash METODOLOGIA
O desenvolvimento deste trabalho foi realizado em seis etapas a primeira consistiu da revisatildeo da literatura
sobre seacuteries temporais previsatildeo de demanda e volume de produccedilatildeo de caminhotildees no Brasil
Na segunda etapa foi realizada a coleta de dados referente aos volumes de produccedilatildeo para o periacuteodo estudado
A terceira etapa por sua vez consistiu na realizaccedilatildeo das anaacutelises descritivas para o entendimento do comportamento
da seacuterie
A quarta etapa envolveu os testes com os modelos e meacutetodos de previsatildeo bem como a geraccedilatildeo das
previsotildees Na quinta etapa foram analisados os modelos de previsatildeo obtidos definindo qual seria o modelo mais
adequado
A uacuteltima etapa eacute composta pelo fechamento do trabalho incluindo as anaacutelises do modelo proposto bem como
as recomendaccedilotildees para trabalhos futuros
14
2 ndash REVISAtildeO BIBLIOGRAacuteFICA
21 ndash SEacuteRIES TEMPORAIS
Uma seacuterie temporal pode ser definida como um conjunto de observaccedilotildees de uma variaacutevel observadas
sequencialmente no tempo Assim a variaacutevel eacute verificada em intervalos de tempo equidistantes e a correlaccedilatildeo entre os
diversos pontos da seacuterie gera a caracteriacutestica de dependecircncia entre eles Levando em consideraccedilatildeo que a seacuterie
temporal tambeacutem pode ser definida como as provaacuteveis trajetoacuterias para um determinado processo faz com que os
dados da mesma natildeo sejam apenas correlacionados mas oriundos tambeacutem de um processo estocaacutestico no qual eacute
observado uma das trajetoacuterias
A anaacutelise da seacuterie temporal por sua vez inicia-se a partir da descriccedilatildeo dos fenocircmenos e processos que a
originam Um fator importante que tambeacutem deve ser estudado eacute a dependecircncia entre as observaccedilotildees
Segundo Makridakis et al (1998) existem quatro tipos de padrotildees de seacuteries temporais
1 - Horizontal quando os valores dos dados flutuam ao redor de uma meacutedia constante
2 - Inclinado (tendecircncia) quando se verifica um crescimento ou decreacutescimo em longo prazo no valor dos
dados
3 - Ciacuteclico estaacute presente em uma seacuterie temporal quando os dados exibem crescimentos e quedas que natildeo se
repetem em um intervalo de tempo fixo
4 - Sazonal padratildeo sazonal existe quando uma seacuterie temporal eacute influenciada por fatores sazonais isto eacute que
se repetem a intervalos de tempos iguais
Adicionalmente uma seacuterie temporal eacute considerada natildeo linear quando pelo menos sua variacircncia natildeo eacute
constante ou sua meacutedia natildeo eacute constante Assim basta que pelo menos uma das duas caracteriacutesticas esteja presente
no comportamento da seacuterie para ser considerada natildeo linear
Para a utilizaccedilatildeo dos dados nos modelos Box-Jenkins faz-se necessaacuterio garantir o pressuposto em que a
meacutedia e a variacircncia sejam constantes no tempo Quando a meacutedia possui variaccedilatildeo a uma taxa constante a seacuterie eacute
definida como natildeo estacionaacuteria Esta variaccedilatildeo por sua vez pode ocorrer a uma taxa constante dentro de um ciclo
chamada de natildeo-estacionariedade sazonal
As funccedilotildees de autocorrelaccedilatildeo e autocorrelaccedilatildeo parcial satildeo mecanismos adotados dentro dos modelos Box-
Jenkins com a funccedilatildeo de identificar mecanismos relativos a natildeo-estacionariedade das seacuteries em estudo
22 ndash PREVISAtildeO DE SEacuteRIES TEMPORAIS
Para a previsatildeo de seacuteries temporais podem ser empregados modelos e meacutetodos que se diferenciam da
seguinte forma um modelo de previsatildeo eacute aquele que utiliza uma ou mais equaccedilotildees para representar a estrutura
aleatoacuteria da seacuterie temporal Jaacute um meacutetodo eacute uma combinaccedilatildeo de uma rotina de estimaccedilatildeo e um modelo (assim torna-
se necessaacuterio uma rotina preacutevia de identificaccedilatildeo do modelo adequado) Pelo fato dos modelos atraveacutes de suas
caracteriacutesticas serem muitos especiacuteficos a grande maioria foi desenvolvida para padrotildees de seacuteries temporais
anteriormente mencionados
As teacutecnicas de previsatildeo satildeo distribuiacutedas em dois grupos meacutetodos qualitativos e quantitativos Os meacutetodos
qualitativos satildeo aplicados quando existe conhecimento acumulado sobre o processo ou fenocircmeno em estudo havendo
15
a necessidade do julgamento por meio de especialistas principalmente quando natildeo existe uma seacuterie histoacuterica para ser
estudada
Os meacutetodos quantitativos utilizam dados histoacutericos e modelos matemaacuteticos para prever comportamentos
futuros As teacutecnicas quantitativas dividem-se em dois subgrupos seacuteries temporais (ou meacutetodos univariaacuteveis) e modelos
causais (multivariaacuteveis) As seacuteries temporais utilizam dados histoacutericos de demanda como base para determinaccedilatildeo de
padrotildees que podem se repetir no futuro Exemplos satildeo as teacutecnicas de seacuteries temporais e o amortecimento exponencial
Jaacute os modelos causais satildeo aqueles que buscam relacionar as demandas (variaacutevel dependente) com outros fatores
(variaacutevel independente) como fatores macroeconocircmicos como o PIB inflaccedilatildeo clima entre outros Para isso torna-se
necessaacuterio a utilizaccedilatildeo de regressotildees lineares e natildeo lineares
A aplicaccedilatildeo dos meacutetodos quantitativos depende de trecircs fatores
1 ndash Disponibilidade de informaccedilotildees histoacutericas
2 ndash Quantificaccedilatildeo das informaccedilotildees histoacutericas em seacuteries temporais
3 ndash Recorrecircncia no futuro de padrotildees observados nas informaccedilotildees histoacutericas
A condiccedilatildeo de recorrecircncia eacute conhecida como suposiccedilatildeo de continuidade e eacute uma premissa de todos os
meacutetodos quantitativos e alguns meacutetodos qualitativos
As caracteriacutesticas dos meacutetodos claacutessicos satildeo a mensuraccedilatildeo probabiliacutestica de erro da previsatildeo e uma
metodologia menos subjetiva para a obtenccedilatildeo dos modelos Neste grupo de modelos estaacute inserido o de Box-Jenkins
Um modelo claacutessico supotildee que a seacuterie temporal zt onde t = 1 N possa ser escrito como uma soma (modelo
aditivo) por meio da seguinte equaccedilatildeo
tttt aSTz (Equaccedilatildeo 1)
Ou ainda possa ser escrito como uma multiplicaccedilatildeo (modelo multiplicativo) da seguinte forma
tttt aSTz (Equaccedilatildeo 2)
Onde
tT = denotaccedilatildeo para tendecircncia
tS = denotaccedilatildeo para componente sazonal
ta = denotaccedilatildeo para termo aleatoacuterio
Removendo-se as componentes tT e tS resta a componente aleatoacuteria (at) ou residual A suposiccedilatildeo adotada eacute
que at seja uma componente puramente aleatoacuteria mesmo em alguns casos em que eacute considerada como um processo
estacionaacuterio com meacutedia e variacircncia constantes
Aleacutem dos modelos claacutessicos existe outra classe de meacutetodo de previsatildeo que contecircm os natildeo parameacutetricos
Esses satildeo caracterizados por serem muito subjetivos por natildeo possuiacuterem um grande nuacutemero de suposiccedilotildees como os
16
claacutessicos No entanto dentro dos natildeo parameacutetricos existe uma classe de modelos conhecidos por sua qualidade
preditiva e complexidade sendo denominados de modelos de redes neurais
Os modelos utilizados atualmente satildeo compostos de modelos teoacutericos exatos e empiacutericos Assim o
conhecimento teoacuterico eacute utilizado parcialmente para indicar uma classe adequada de funccedilotildees matemaacuteticas que satildeo
ajustadas empiricamente fazendo com que o ajuste dos seus paracircmetros seja realizado de forma experimental
Um dos aspectos relevantes para a seleccedilatildeo do modelo mais adequado estaacute na capacidade do mesmo em
reproduzir os dados conhecidos e as previsotildees futuras de forma acurada Assim se xt eacute a observaccedilatildeo real para o
periacuteodo t e tx eacute a previsatildeo para o mesmo periacuteodo Assim o erro na previsatildeo eacute definido por
ttt xxe ˆ (Equaccedilatildeo 4)
Se existirem observaccedilotildees e previsotildees para n periacuteodos as seguintes estatiacutesticas podem ser utilizadas
n
1t
en
1ME
t (Equaccedilatildeo 5)
Ie In
1MAE
n
1t
t
(Equaccedilatildeo 6)
n
1t
2
t en
1MSE (Equaccedilatildeo 7)
O erro meacutedio ME eacute definido como a meacutedia dos erros calculado na equaccedilatildeo 5 (et) Pelo somatoacuterio os valores
positivos e negativos tendem a se anular resultando em um valor baixo O erro meacutedio absoluto (MAE) eacute definido pelo
somatoacuterio dos moacutedulos dos erros e em seguida realiza-se a meacutedia dos valores absolutos encontrados No caacutelculo do
erro quadraacutetico (MSE) os erros se tornam positivos pela elevaccedilatildeo ao quadrado e a meacutedia eacute realizada com os valores
positivos encontrados
Considerando a escala em que os dados satildeo expressos pode-se definir o erro relativo como
100xˆ
PE t
t
t
x
xx (Equaccedilatildeo 8)
t
n
1t
PEn
1MPE
(Equaccedilatildeo 9)
IPE In
1MAPE t
n
1t
(Equaccedilatildeo 10)
O erro meacutedio percentual (MPE) eacute a meacutedia do erro percentual calculado em PEt para n periacuteodos Neste caso os
valores positivos e negativos dos erros percentuais tendem a se anular da mesma forma que para ME Da mesma
forma que para MAE o erro meacutedio absoluto percentual tambeacutem eacute obtido utilizando-se erros absolutos percentuais
17
23 ndash MODELO BOX-JENKINS
Os modelos ARIMA (Autoregressive Integrated Moving Average ndash Auto-Regressivos Integrados de Meacutedias
Moacuteveis) da famiacutelia de Box-Jenkins tem o objetivo de captar o comportamento da autocorrelaccedilatildeo (correlaccedilatildeo seriada)
entre os valores da seacuterie temporal e realizar previsotildees baseando-se neste comportamento
Dentre a famiacutelia de modelos destacam-se os Auto-Regressivos e os de Meacutedias Moacuteveis Aleacutem destes existem
ainda outras variaccedilotildees no qual satildeo tomadas d diferenccedilas de uma seacuterie natildeo estacionaacuteria visando tornaacute-la estacionaacuteria
(com meacutedia e variacircncia constantes ao longo do tempo) Existem ainda os modelos ARMA (Auto-Regressivos de Meacutedias
Moacuteveis) que satildeo utilizados quando natildeo haacute necessidade de realizar diferenciaccedilotildees para tornar a seacuterie estacionaacuteria
Outro modelo eacute conhecido como SARIMA (ou ARIMA Sazonal) que eacute utilizado para captar a sazonalidade de uma
seacuterie
Um benefiacutecio da utilizaccedilatildeo dos modelos Box-Jenkins estaacute relacionado ao fato do algoritmo do mesmo auxiliar o
usuaacuterio na escolha do melhor modelo por meio dos comportamentos dos graacuteficos da funccedilatildeo de autocorrelaccedilatildeo (FAC) e
da funccedilatildeo de autocorrelaccedilatildeo parcial (FACP)
A FAC eacute determinada atraveacutes da correlaccedilatildeo linear de cada valor yt da seacuterie de dados com outros valores em
lags distintos como yt-1 yt-2 e assim sucessivamente Assim o coeficiente de correlaccedilatildeo temporal (autocorrelaccedilatildeo) da
seacuterie temporal defasado por 1 2 ou mais periacuteodos eacute calculado pela seguinte equaccedilatildeo
n
1t
2
n
1tk
r
xx
xxxx
t
ktt
k (Equaccedilatildeo 11)
Na equaccedilatildeo anterior r1 indica como os valores sucessivos de x relacionam-se entre si r2 indica como os
valores de x defasados em dois periacuteodos relacionam-se entre si e assim sucessivamente Em conjunto as
autocorrelaccedilotildees defasadas em 1 2 k periacuteodos constituem a funccedilatildeo de autocorrelaccedilatildeo
A FACP por sua vez possui um conceito semelhante ao da FAC Eacute definida pela correlaccedilatildeo existente entre yt
e yt-2 por exemplo sem levar em consideraccedilatildeo os efeitos causados por yt-1 e yt-2 O coeficiente de autocorrelaccedilatildeo
parcial de ordem k definido por k pode ser obtido atraveacutes da estimaccedilatildeo dos coeficientes da regressatildeo muacuteltipla de x t
em funccedilatildeo de 1tx 2tx ktx conforme a proacutexima equaccedilatildeo
ktkttt xxxx 22110 (Equaccedilatildeo 12)
As autocorrelaccedilotildees parciais satildeo usadas para medir o grau de associaccedilatildeo entre as observaccedilotildees x t e xt-k quando
o efeito das outras observaccedilotildees defasadas no tempo em 1 2 k-1 periacuteodos satildeo removidas As autocorrelaccedilotildees
parciais 1 2 k constituem a FACP
Pelo fato deste processo permitir que usuaacuterios diferentes modelem diferentes equaccedilotildees a partir de uma mesma
seacuterie temporal pode existir certo grau de subjetividade na escolha do melhor modelo para a previsatildeo da seacuterie em
questatildeo
18
231 ndash Modelo ARMA (Auto-Regressivo a Meacutedia Moacutevel)
O modelo ARMA natildeo possui uma parte integrada Sendo assim satildeo utilizados para uma seacuterie temporal
estacionaacuteria com relaccedilatildeo agrave meacutedia e a variacircncia e satildeo definidos pelas equaccedilotildees a seguir
qtqttptptt eeexxcx 1111 (Equaccedilatildeo 13)
Existem restriccedilotildees aos valores cujos paracircmetros podem assumir nas equaccedilotildees anteriores a saber
Para p = 1 -1 lt 1 lt 1
Para p = 2 -1 lt 2 lt 1 1 + 2 lt 1 e 2 ndash 1 lt 1
Para p gt= 3 condiccedilotildees mais complexas prevalecem
Da mesma forma
Para q = 1 -1 lt 1 lt 1
Para q = 2 -1 lt 2 lt 1 1 + 2 lt 1 e 2 ndash 1 lt 1
Para p gt= 3 condiccedilotildees mais complexas prevalecem
Um dispositivo de notaccedilatildeo uacutetil eacute o operador de deslocamento retroativo definido por 1 tt xBx Assim B
operando sobre tx tem o efeito de deslocar os dados para traacutes em um periacuteodo Dessa forma
2
2)( ttt xxBBxB (Equaccedilatildeo 14)
Por meio da equaccedilatildeo acima que o modelo recebe a denominaccedilatildeo de Auto-Regressivo a Meacutedia Moacutevel (ARMA)
de ordens (pq) conforme expresso na equaccedilatildeo seguinte
t
MA
p
p
AR
t
p
p eBBcxBB
qp
)()(
11 11 (Equaccedilatildeo 15)
Os coeficientes 1 2 p e 1 2 q satildeo estimados para ajustarem-se agrave seacuterie temporal estudada
atraveacutes dos meacutetodos dos miacutenimos quadrados ou da maacutexima verossimilhanccedila A aplicaccedilatildeo do meacutetodo dos miacutenimos
quadrados eacute realizada atraveacutes de estimativas feitas iterativamente por softwares ateacute que soma dos erros quadraacuteticos
seja minimizada O meacutetodo da maacutexima verossimilhanccedila estima tambeacutem iterativamente os valores dos paracircmetros que
maximizem a verossimilhanccedila de um conjunto de observaccedilotildees
O modelo ARMA deve ter seus erros et distribuiacutedos aleatoriamente comportando-se como uma seacuterie de ruiacutedo
branco Os resiacuteduos natildeo satildeo ruiacutedo branco se as estatiacutesticas Q sugerida por Box-Pierce ou Q sugerida por Ljungndash
Box posicionarem-se no extremo 5 da cauda direita da distribuiccedilatildeo χ2 As expressotildees para caacutelculo das estatiacutesticas
Q de BoxndashPierce ou Q de Ljung-Box satildeo as seguintes
19
h
1k
2
k tnQ (Equaccedilatildeo 16)
h
1k
2
k
k-
r)2(
nnnQ (Equaccedilatildeo 17)
Onde
n = nuacutemero de observaccedilotildees da seacuterie
h = maacutexima defasagem dos coeficientes de correlaccedilatildeo dos resiacuteduos
Alguns autores apresentam procedimentos para identificaccedilatildeo das ordens p e q dos modelos ARMA por meio
dos graacuteficos das FAC e FACP como exemplificado no quadro a seguir
Modelo FAC FACP
ARMA (p0) Decaimento gradativo Decaimento brusco apoacutes defasagem p
ARMA (0q) Decaimento brusco apoacutes defasagem q Decaimento gradativo
ARMA (pq) Decaimento gradativo com onda
senoidal amortecida apoacutes a
defasagem (q-p)
Decaimento gradativo com onda
senoidal amortecida apoacutes a defasagem
(p-q)
Tabela 1 - Comportamento das FAC e FACP para Modelos Estacionaacuterios
Fonte Elaborado pelos Autores
232 ndash Modelo ARIMA
Em muitos casos as seacuteries temporais encontradas possuem tendecircncia apresentando um comportamento natildeo
estacionaacuterio No entanto para aplicar o meacutetodo de Box-Jenkins eacute necessaacuterio remover a tendecircncia da seacuterie atraveacutes da
diferenciaccedilatildeo ou seja aplicar sobre a mesma o operador (1 ndash B) no modelo ARMA conforme equaccedilatildeo a seguir
tttt xBxxx )1(1
(Equaccedilatildeo 18)
Desta forma a expressatildeo do modelo ARIMA (pdq) ndash auto regressivo integrado a meacutedia moacutevel de ordem p d
q eacute a expressatildeo do modelo ARMA (pq) acrescido do fator de diferenciaccedilatildeo de ordem d responsaacutevel pela descriccedilatildeo do
comportamento de tendecircncia da seacuterie conforme representado na equaccedilatildeo a seguir
t
MA
p
p
I
t
d
AR
p
p eBBcxBBB
qdp
)()()(
111 11 (Equaccedilatildeo 19)
233 ndash Modelo ARIMA Sazonal (SARIMA)
O comportamento mais geral de seacuteries histoacutericas natildeo estacionaacuterias eacute o que combina o padratildeo de tendecircncia
com o padratildeo de sazonalidade O meacutetodo de Box-Jenkins recomenda a remoccedilatildeo tanto da tendecircncia quanto da
sazonalidade das seacuteries diferenciando-a duas vezes Eacute recomendado que a diferenciaccedilatildeo sazonal sobre a seacuterie
20
original seja feita em primeiro lugar uma vez que em alguns casos sua aplicaccedilatildeo jaacute torna a seacuterie estacionaacuteria como
mostrado na expressatildeo a seguir (para uma seacuterie com nuacutemero de periacuteodos com ciclo sazonal igual a 12)
tttt xBxxx )1( 12
12
(Equaccedilatildeo 20)
Nos casos em que se torna necessaacuteria a segunda diferenciaccedilatildeo faz necessaacuteria aplicar o operador )1( B na
mesma conforme equaccedilatildeo a seguir
ttttt xBBxBxxx 12
1
11)1( (Equaccedilatildeo 21)
24 ndash MEacuteTODO DO AMORTECIMENTO EXPONENCIAL
Historicamente o amortecimento exponencial descreve uma classe de meacutetodos de previsatildeo De fato alguns
dos meacutetodos mais utilizados para esse fim satildeo baseados nesse conceito cada um deles utilizando a propriedade em
que os pesos das observaccedilotildees mais recentes satildeo maiores do que aqueles referentes a observaccedilotildees no passado
Assim o nome ldquoamortecimento exponencialrdquo reflete no fato de que os pesos (atraveacutes do uso da meacutedia ponderada)
diminuem exponencialmente agrave medida que as observaccedilotildees satildeo mais antigas
Os primeiros registros da utilizaccedilatildeo do meacutetodo satildeo de Robert G Brown em 1944 enquanto desenvolvia
trabalhos como analista de Pesquisa Operacional na Marinha Americana enquanto desenvolvia um dispositivo
mecacircnico para monitorar a velocidade e o acircngulo de tiros disparados de submarinos Em 1950 ele estendeu o uso
desse meacutetodo para seacuteries temporais discretas incluindo termos para lidar com as componentes de sazonalidade e
tendecircncia
Paralelamente Charles Holt tambeacutem estava trabalhando em um meacutetodo de amortecimento exponencial para o
Escritoacuterio Americano de Pesquisas Navais O seu trabalho em modelos sazonais aditivos e multiplicativos se tornaram
conhecidos atraveacutes de um artigo publicado por seu estudante Peter Winters em 1960 aplicando testes empiacutericos ao
meacutetodo de Holt Como resultado a versatildeo da ferramenta que trabalha com a componente sazonal eacute denominada de
Holt-Winters
Os modelos de suavizaccedilatildeo exponencial satildeo largamente utilizados devido a sua simplicidade e baixo custo
Assim quando se necessitam previsotildees para milhares de itens como eacute o caso em muitos sistemas de gestatildeo esses
modelos satildeo muitas vezes os uacutenicos suficientemente raacutepidos e baratos para assegurar uma implementaccedilatildeo viaacutevel
Dessa forma existem trecircs classes de meacutetodos de amortecimento exponencial a saber
1 ndash Seacuteries localmente constantes analisadas pelos modelos de meacutedias moacuteveis simples ou amortecimento
exponencial
2 ndash Seacuteries com tendecircncias que utilizam o modelo de Holt
3 ndash Seacuteries com comportamento sazonal que utilizam o modelo Holt-Winters
241 ndash Meacutetodos de Amortecimento Exponencial Simples
21
O meacutetodo de suavizaccedilatildeo exponencial simples tem melhor precisatildeo para seacuteries de padratildeo horizontal isto eacute
agravequelas que natildeo apresentam tendecircncia nem sazonalidade e eacute apropriado para previsotildees de curto prazo Seu algoritmo
de previsatildeo utiliza a seguinte expressatildeo da equaccedilatildeo
ttt xxx ˆ1ˆ1 (Equaccedilatildeo 22)
Onde
1ˆtx = previsatildeo para o periacuteodo t+1
α = constante de suavizaccedilatildeo cujo valor encontra-se entre 0 e 1
tx = uacuteltimo valor observado
tx = uacuteltimo valor observado com peso (1 ndash α)
Expandindo-se a expressatildeo acima pela substituiccedilatildeo de tx 1ˆtx 2
ˆtx por seus componentes resulta em
1113211ˆ)1()1(3)1(2)1(1ˆ xxxxxxx ttttttt (Equaccedilatildeo 23)
Assim 1ˆtx eacute uma meacutedia ponderada de todas as observaccedilotildees passadas constituindo os coeficientes de
ponderaccedilatildeo uma seacuterie decrescente exponencialmente para valores de α entre 0 e 1 Dessa constataccedilatildeo origina-se o
nome amortecimento exponencial Analisando-se a uacuteltima equaccedilatildeo verifica-se que a constante de suavizaccedilatildeo α
determina a rapidez do decaimento dos coeficientes (pesos) A escolha do valor para a constante de suavizaccedilatildeo pode
ser arbitraacuteria ou condicionada a algum criteacuterio que na maioria das vezes consiste na minimizaccedilatildeo do erro quadraacutetico
meacutedio atribuiacutedo ao desempenho do meacutetodo
A constante de suavizaccedilatildeo estaacute diretamente ligada agrave velocidade de resposta das previsotildees agraves variaccedilotildees das
observaccedilotildees ou seja quanto menor o valor de α mais lenta eacute a resposta Valores maiores que α causam reaccedilotildees
mais raacutepidas das previsotildees agraves variaccedilotildees das observaccedilotildees podendo causar instabilidade no desempenho do meacutetodo
Como o peso da primeira previsatildeo 1x eacute (1 ndash α)t verifica-se que menor importacircncia um fator teraacute para a
previsatildeo de t+1 quanto mais proacuteximo de um for e quanto maior for o t Como eacute necessaacuterio ter o valor de 1x eacute feita a
suposiccedilatildeo de que 1x = 1x ou seja igual agrave uacuteltima observaccedilatildeo O erro decorrente dessa suposiccedilatildeo seraacute tanto menor
quanto maiores forem α e t
Alternativamente a expressatildeo inicial desse item pode ser representada como
1ˆtx = tx + α( tx ndash tx ) (Equaccedilatildeo 24)
1ˆtx = tx + α te (Equaccedilatildeo 25)
Atraveacutes da anaacutelise da uacuteltima equaccedilatildeo pode-se concluir que o meacutetodo de suavizaccedilatildeo exponencial simples
prevecirc o valor de uma seacuterie temporal tomando a previsatildeo para o periacuteodo anterior e ajustando-a pelo valor do erro no
mesmo periacuteodo
22
242 ndash Meacutetodo de Holt
O meacutetodo de Holt pode ser utilizado de maneira satisfatoacuteria em seacuteries temporais com tendecircncia linear
mediante o uso de uma funccedilatildeo de ponderaccedilatildeo que daacute maior importacircncia aos periacuteodos de tempo mais recentes Seu
algoritmo de previsatildeo utiliza as seguintes expressotildees
))(1( 11 tttt TLxL (Equaccedilatildeo 26)
11 )1)(( tttt TLLT (Equaccedilatildeo 27)
mtx ˆ
tt mTL (Equaccedilatildeo 28)
Onde
mtx ˆ = previsatildeo para o periacuteodo t+m
= constantes de suavizaccedilatildeo com valor entre 0 e 1 que determinam a rapidez de decaimento dos pesos
da seacuterie quanto mais proacuteximo de um maior o peso das observaccedilotildees recentes
tL = estimativa do niacutevel da seacuterie no tempo t
tT = estimativa de declividade da seacuterie no tempo t
Como o meacutetodo de Holt baseia-se na aplicaccedilatildeo recursiva das expresses anteriores satildeo necessaacuterios tambeacutem
como dados de entrada tL e tT que podem ser considerados como 1L 1x e 1T 12 xx Outra forma de caacutelculo eacute a
regressatildeo linear simples aplicada aos dados da seacuterie temporal onde se obteacutem o valor da declividade da seacuterie temporal
e de 0L em sua origem
243 ndash Meacutetodo de Winters
Os meacutetodos de Winters dividem-se em dois grupos aditivo e multiplicativo No meacutetodo aditivo a amplitude da
variaccedilatildeo sazonal eacute constante ao longo do tempo ou seja a diferenccedila entre o maior e menor valor de demanda dentro
das estaccedilotildees permanece relativamente constante no tempo No meacutetodo multiplicativo a amplitude da variaccedilatildeo sazonal
aumente ou diminui como funccedilatildeo do tempo
2431 ndash Meacutetodo Sazonal Multiplicativo de Winters
))(1( 11
tt
t
t
t TLSS
xL (Equaccedilatildeo 29)
11 )1()( tttt TLLT (Equaccedilatildeo 30)
SSL
xS t
t
t
t
1 (Equaccedilatildeo 31)
mSSmTLx tttmt ˆ (Equaccedilatildeo 32)
23
Onde
mtx ˆ = previsatildeo para o periacuteodo t+m
= constantes de suavizaccedilatildeo que variam entre 0 e 1
tx = observaccedilatildeo mais recente
tL = estimativa do niacutevel de seacuterie no tempo t
tT = estimativa de declividade da seacuterie no tempo t
tS = componente de sazonalidade no tempo t
S = nuacutemero de subperiacuteodos do ano (sazonalidade)
A escolha de valores para as constantes de suavizaccedilatildeo eacute condicionada a algum criteacuterio que na maioria das
vezes consiste na minimizaccedilatildeo por meio do algoritmo de minimizaccedilatildeo linear do erro quadraacutetico meacutedio (MSE) atribuiacutedo
ao desempenho do meacutetodo
Como o meacutetodo multiplicativo de Winters baseia-se na aplicaccedilatildeo recursiva das equaccedilotildees deste item e que
deve ser iniciada em algum periacuteodo do passado no qual os valores de TL TT e TS devem ser estimados A maneira
mais simples de inicializar o niacutevel de tendecircncia no periacuteodo S O niacutevel eacute inicializado no primeiro periacuteodo sazonal da
seguinte forma
S
Sxxxx
SL
1
321
(Equaccedilatildeo 33)
Para inicializar a tendecircncia eacute conveniente o uso de dois ciclos completos isto eacute 2S periacuteodos como descrito
abaixo
S
xx
S
xx
S
xx
ST SSSSS
S 1 2211 (Equaccedilatildeo 34)
Por ultimo os iacutendices sazonais satildeo inicializados usando-se a razatildeo das primeiras observaccedilotildees como a meacutedia
do primeiro ano com descrito a seguir
S
xS
L
11
S
xS
L
22
S
S
s
xS
L (Equaccedilatildeo 35)
2432 ndash Meacutetodo Sazonal Aditivo de Winters
O meacutetodo aditivo de Winters eacute utilizado na modelagem dos dados sazonais no qual a amplitude do ciclo
sazonal permanece constante com o passar do tempo
Aleacutem disso a amplitude da variaccedilatildeo sazonal eacute constante ao longo do tempo ou seja a diferenccedila entre o maior
e o menor valor de demanda dentro das estaccedilotildees permanece relativamente constante no tempo As equaccedilotildees
matemaacuteticas satildeo
))(1()( 11 ttttt TLSSxL (Equaccedilatildeo 36)
24
11 )1()( tttt TLLT (Equaccedilatildeo 37)
Stttt SLxS )1()( St = γ(xt - Lt) + (1- γ)St-S (Equaccedilatildeo 38)
mStttmt SmTLx ˆ (Equaccedilatildeo 39)
A segunda equaccedilatildeo deste item eacute igual agravequela do meacutetodo multiplicativo de Winters O restante das equaccedilotildees se
diferem por iacutendice sazonais serem somados e subtraiacutedos ao inveacutes de serem tomados em produtos ou divisotildees
Os valores iniciais de SL e ST satildeo iguais aos do meacutetodo multiplicativo Os iacutendices sazonais satildeo inicializados da
seguinte forma
SLxS 11 SLxS 22 SSS LxS (Equaccedilatildeo 40)
25 ndash SELECcedilAtildeO DE MODELOS
A partir do momento em que vaacuterios modelos ajustam-se a uma seacuterie temporal deve-se eleger aquele que
melhor representa o seu comportamento por meio da anaacutelise de seus paracircmetros Neste trabalho os paracircmetros seratildeo
utilizados os seguintes paracircmetros de forma primordial na definiccedilatildeo do modelo mais apropriado
251 ndash Maacuteximo R2
A estatiacutestica R2 eacute definida por
n
1t
2
2n
1t2
ˆ
1
tt
tt
xx
xx
R (Equaccedilatildeo 41)
Onde
tx = observaccedilatildeo real para o periacuteodo t
tx = previsatildeo para o periacuteodo t
Uma medida de R2 mais proacutexima de zero indica um modelo com ajuste pobre enquanto que um valor proacuteximo
de um indica um bom ajuste
252 ndash Miacutenimo BIC (Bayesian Information Criterion)
Este criteacuterio penaliza os modelos com muitos paracircmetros sendo portanto um criteacuterio de verosimilhanccedila
penalisada Vale ressaltar que o BIC natildeo deve ser utilizado de forma isolada mas em conjunto com outros paracircmetros
na comparaccedilatildeo com diversos modelos
O BIC eacute definido pela seguinte expressatildeo
25
nm
nMSEBIC2
(Equaccedilatildeo 42)
nm
tt nxxn
BIC22
n
1t
ˆ1
(Equaccedilatildeo 43)
Onde
m = nuacutemero de paracircmetros do modelo
n = nuacutemero de observaccedilotildees da seacuterie temporal
3 - DESENVOLVIMENTO
31 ndash ANAacuteLISE DA SEacuteRIE
A seacuterie a seguir apresenta os dados quantitativos da evoluccedilatildeo do volume de produccedilatildeo de caminhotildees no Brasil
Tratam-se de dados mensais entre janeiro de 1957 e dezembro de 2011 totalizando 660 observaccedilotildees
5000
10000
15000
20000
60 65 70 75 80 85 90 95 0 5 10
Legend
PRODUCAO
Figura 2 - Seacuterie de Volume de Produccedilatildeo no Brasil
Fonte Elaborado pelos Autores 2012
26
32 ndash ANAacuteLISE DESCRITIVA
O primeiro passo foi a anaacutelise descritiva da seacuterie visando obter uma anaacutelise inicial para definir o modelo de
previsatildeo mais adequado agraves suas caracteriacutesticas
Utilizando o software Minitab obteve-se a seguinte tabela
Figura 3 - Estatiacutesticas Descritivas da Seacuterie Inicial
Fonte Minitab 2012
O coeficiente de correlaccedilatildeo de Pearson indica a razatildeo entre o desvio padratildeo e a meacutedia de uma seacuterie cujo
caacutelculo eacute representado por
CV = desvio padratildeomeacutedia
Introduzindo os valores do desvio padratildeo (3515) e da meacutedia da amostra (5560) na foacutermula anterior obteacutem-se o
seguinte resultado
CV = 35155560 = 06322 ~ 63 de grau de dispersatildeo
Essa medida eacute utilizada quando se pretende comparar duas ou mais distribuiccedilotildees de probabilidade quanto agraves
suas variabilidades atuando como uma medida de variabilidade relativa
Na teoria de probabilidade o grau de simetria eacute uma medida de assimetria da distribuiccedilatildeo de valores reais
aleatoacuterios O grau de simetria pode ser positivo ou negativo ou mesmo indefinido Qualitativamente um valor negativo
em que a cauda no lado esquerdo da funccedilatildeo de densidade de probabilidade eacute maior do que o lado direito e a maioria
dos valores tende ao lado direito da meacutedia De mesma forma um valor positivo indica que a cauda no lado direito eacute
maior do que o lado esquerdo e que a maioria dos valores tende ao lado esquerdo da meacutedia O valor zero indica que
valores relativos igualmente distribuiacutedos dos dois lados ao redor da meacutedia mas natildeo necessariamente implica em uma
distribuiccedilatildeo simeacutetrica
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de grau de simetria (skewness) O valor positivo do grau de
simetria indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa conforme apresentado no
histograma a seguir
27
dados
Fre
qu
en
cy
200001600012000800040000
120
100
80
60
40
20
0
Mean 5560
StDev 3515
N 660
Histogram (with Normal Curve) of dados
Figura 4 - Histograma da Seacuterie Inicial
Fonte SPSS 2012
De forma similar o conceito de curtose trata-se da uma medida de dispersatildeo para descriccedilatildeo da forma da
distribuiccedilatildeo de probabilidades e como o grau de simetria existem formas diferentes de quantificaacute-la como uma
distribuiccedilatildeo teoacuterica e formas correspondentes de estimaacute-la a partir de uma amostra oriunda de uma populaccedilatildeo Essa
medida indica o grau de achatamento curva de distribuiccedilatildeo de probabilidade
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de curtose (kurtosis) O valor positivo do grau de simetria
indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa O valor positivo indica um
comportamento leptocuacutertica indicando que a mesma eacute mais alta e mais concentrada que a distribuiccedilatildeo normal
O Teste de Normalidade realizado com 95 de niacutevel de confianccedila gerou um p-value nulo ou seja abaixo dos
5 de significacircncia Desta maneira a hipoacutetese nula de que os dados apresentariam uma distribuiccedilatildeo normal foi
rejeitada
Tests of Normality
105 660 000 860 660 000VAR00001
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 5 - Teste de Normalidade da Seacuterie Inicial
Fonte SPSS 2012
28
O teste de Kolmogorov-Smirnov eacute utilizado para determinar se duas distribuiccedilotildees de probabilidade diferem uma
da outra ou natildeo O graacutefico abaixo referente a este testem evidencia o comportamento da distribuiccedilatildeo frente ao
comportamento da distribuiccedilatildeo normal
dados
Pe
rce
nt
2500020000150001000050000-5000-10000
9999
99
95
80
50
20
5
1
001
Mean
lt0010
5560
StDev 3515
N 660
KS 0105
P-Value
Teste de Normalidade Kolmogorov-SmirnovNormal
Figura 6 - Teste de Kolmogorov-Smirnov para a Seacuterie Inicial
Fonte SPSS 2012
Assim faz-se necessaacuterio uma transformaccedilatildeo na seacuterie para adequaccedilatildeo dos dados para uma distribuiccedilatildeo
normal Para tal modificaccedilatildeo neste trabalho foi utilizada a distribuiccedilatildeo logariacutetmica na base 10
Apoacutes a transformaccedilatildeo o teste de normalidade foi realizado novamente (tambeacutem com 95 de significacircncia) O
resultado eacute apresentado na tabela a seguir
Tests of Normality
042 660 007 994 660 009log10
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 7 - Teste de Normalidade para a Seacuterie Transformada
Fonte SPSS 2012
Conforme pode ser observado na tabela acima o p-value foi proacuteximo de 001 menor que 005 Apesar do
pressuposto de normalidade dos dados natildeo ter sido alcanccedilado esta base de dados seraacute utilizada nas modelagens
para fins acadecircmicos e seraacute tomado como premissa que a distribuiccedilatildeo estaacute normalizada
29
O teste graacutefico de normalidade de Kolmogorov-Smirnov foi realizado para a distribuiccedilatildeo transformada O
graacutefico abaixo evidencia o comportamento dos dados da distribuiccedilatildeo frente ao comportamento da distribuiccedilatildeo normal
auxiliando na conclusatildeo do teste anterior
log 10
Pe
rce
nt
4540353025
9999
99
95
80
50
20
5
1
001
Mean
lt0010
3668
StDev 02593
N 660
KS 0042
P-Value
Teste de Normalidade Kolmogorov-Smirnov - log 10Normal
Figura 8 - Teste de Kolmogorov-Smirnov para a Seacuterie Transformada
Fonte SPSS 2012
A seguir tem-se o histograma da seacuterie transformada evidenciando a mudanccedila do comportamento dos dados
30
log 10
Fre
qu
en
cy
42403836343230
70
60
50
40
30
20
10
0
Mean 3668
StDev 02593
N 660
Histogram of log 10Normal
Figura 9 - Histograma da Seacuterie Transformada
Fonte SPSS 2012
O teste da igualdade de variacircncias eacute aplicado com o objetivo de verificar se devem ou natildeo ser assumidas
igualdade entre as variacircncias das populaccedilotildees Para isso foi utilizado na anaacutelise o Teste de Levene cujas hipoacuteteses
satildeo as seguintes
H0 as variacircncias nas duas populaccedilotildees satildeo iguais ou seja existe homocedasticidade (σ1 = σ2 ou σ1 = σ2 = 0)
Neste caso assume-se a estatiacutestica Sig F gt 005
H1 as variacircncias nas duas populaccedilotildees satildeo diferentes ou seja natildeo existe homocedasticidade (σ1 ne σ2 ou σ1 ne
σ2 ne 0) Neste caso assume-se a estatiacutestica Sig F lt ou = 005
Para a realizaccedilatildeo do teste dividiu-se a populaccedilatildeo em dois grupos iguais (grupos denominados como 0 e 1
cada um com 330 unidades) Os resultados satildeo os seguintes
31
Group Statistics
330 35473 23553 01297
330 37896 22313 01228
Teste de Lev ene0
1
log10N Mean Std Dev iation
Std Error
Mean
Independent Samples Test
5981 015 -13569 658 000 -24235 01786 -27742 -20728
-13569 656086 000 -24235 01786 -27742 -20728
Equal variances
assumed
Equal variances
not assumed
log10F Sig
Lev enes Test for
Equality of Variances
t df Sig (2-tailed)
Mean
Dif f erence
Std Error
Dif f erence Lower Upper
95 Conf idence
Interv al of the
Dif f erence
t-test f or Equality of Means
Figura 10 - Teste de Homocedasticidade para a Seacuterie Transformada
Fonte SPSS 2012
Pelo resultado do teste pode-se verificar que o valor de ldquoSigrdquo (referente ao p-value) foi de 0015 onde se
conclui que a hipoacutetese nula que leva em consideraccedilatildeo que a variacircncia da seacuterie eacute constante pode ser aceita
33 ndash MODELOS DE PREVISAtildeO
Neste trabalho seratildeo analisados os seguintes modelos de previsatildeo
1 ndash Box Jenkins
2 ndash Suavizaccedilatildeo Exponencial
Para determinar o modelo de previsatildeo mais adequado foi utilizado o software Forecast Pro for Windows (FPW)
Todas as previsotildees foram realizadas utilizando a seacuterie com a variaacutevel transformada a fim de atender o
pressuposto de normalidade da seacuterie necessaacuterio nos modelos de previsatildeo
32
Figura 11 - Seleccedilatildeo da Seacuterie para a Previsatildeo
Fonte FPW 2012
331 ndash Box-Jenkins
Apoacutes a apresentaccedilatildeo e anaacutelises dos pressupostos necessaacuterios para a aplicaccedilatildeo do modelo Box-Jenkins seratildeo
realizadas as anaacutelises que demonstram a funccedilatildeo de autocorrelaccedilatildeo (FAC) e funccedilatildeo de autocorrelaccedilatildeo parcial (FACP)
Figura 12 - FAC da Seacuterie
Fonte FPW 2012
33
Figura 13 - FACP da Seacuterie
Fonte FPW 2012
Nota-se na Figura XXX FAC da seacuterie que a seacuterie decai muito lentamente indicando tendecircncia logo faz-se
necessaacuterio realizar uma diferenciaccedilatildeo na parte simples
Apoacutes a diferenciaccedilatildeo obtiveram-se os seguintes novos graacuteficos para a funccedilatildeo de autocorrelaccedilatildeo e funccedilatildeo de
autocorrelaccedilatildeo parcial
Figura 14 - FAC da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
34
Figura 15 - FACP da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
Apoacutes a realizaccedilatildeo da diferenciaccedilatildeo os seguintes modelos foram testados
1 ndash ARIMA (110)
2 ndash ARIMA (011)
3 ndash ARIMA (210)
4 ndash ARIMA (012)
5 ndash ARIMA (111)
A seguir cada modelo seraacute demonstrado
1 ndash ARIMA (110)
Figura 16 - Resultado ARIMA (110)
Fonte FPW 2012
35
Figura 17 - FAC dos Resiacuteduos ARIMA (110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08746) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel a(1) foi considerada significativa
2 - ARIMA (011)
Figura 18 - Resultado ARIMA (011)
Fonte FPW 2012
36
Figura 19 - FAC dos Resiacuteduos ARIMA (011)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel b(1) foi considerada significativa
3 - ARIMA (210)
Figura 20 - Resultado ARIMA (210)
Fonte FPW 2012
37
Figura 21 - FAC dos Resiacuteduos ARIMA (210)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08765) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
4 - ARIMA (012)
Figura 22 - Resultado ARIMA (012)
Fonte FPW 2012
38
Figura 23 - FAC dos Resiacuteduos ARIMA (012)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08777) com lag significativo nas fases 12 24 e 36 no graacutefico da FAC dos
resiacuteduos As variaacuteveis b(1) e b(2) foram consideradas significativas
5 - ARIMA (111)
Figura 24 - Resultado ARIMA (111)
Fonte FPW 2012
39
Figura 25 - FAC dos Resiacuteduos ARIMA (111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08811) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e b(1) foi considerada significativa
Observando os resultados obtidos nos cinco modelos anteriores fica evidente a semelhanccedila da presenccedila dos
lags significativos nas fases 12 24 e 36 no graacutefico da FAC dos resiacuteduos indicando a existecircncia de sazonalidade na
seacuterie modelada Assim torna-se necessaacuterio diferenciar a fase sazonal dos dados
Apoacutes a diferenciaccedilatildeo simples foram realizadas as seguintes diferenciaccedilotildees sazonais obtendo-se os seguintes
resultados para os modelos SARIMA
6 ndash SARIMA (011)(010)
Figura 26 - Resultado SARIMA (011)(010)
Fonte FPW 2012
40
Figura 27 - FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel b(1) foi considerada significativa
7 ndash SARIMA (110)(010)
Figura 28 - Resultado SARIMA (011)(010)
Fonte FPW 2012
41
Figura 29 - FAC dos Resiacuteduos SARIMA (011)(010)
Figura 29 ndash FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08305) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel a(1) foi considerada significativa
8 ndash SARIMA (210)(010)
Figura 30 - Resultado SARIMA (210)(010)
Fonte FPW 2012
42
Figura 31 - FAC dos Resiacuteduos SARIMA (210)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08337) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
9 ndash SARIMA (012)(010)
Figura 32 - Resultado SARIMA (012)(010)
Fonte FPW 2012
43
Figura 33 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
10 ndash SARIMA (111)(010)
Figura 34 - Resultado SARIMA (111)(010)
Fonte FPW 2012
44
Figura 35 - FAC dos Resiacuteduos SARIMA (111)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 12 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1
11 ndash SARIMA (011)(110)
Figura 36 - Resultado SARIMA (011)(110)
Fonte FPW 2012
45
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08623) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis A(12) e b(1) foram consideradas significativas
12 ndash SARIMA (110)(110)
Figura 38 - Resultado SARIMA (011)(110)
Fonte FPW 2012
46
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08595) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e A(12) foram consideradas significativas
13 ndash SARIMA (210)(110)
Figura 40 - Resultado SARIMA (210)(110)
Fonte FPW 2012
47
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08620) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) a(2) e A(12) foram consideradas significativas
14 ndash SARIMA (012)(010)
Figura 42 - Resultado SARIMA (012)(010)
Fonte FPW 2012
48
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08625) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
15 ndash SARIMA (111)(110)
Figura 44 - Resultado SARIMA (111)(110)
Fonte FPW 2012
49
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08626) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 24 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1 e MA = 1
16 ndash SARIMA (011)(111)
Figura 46 - Resultado SARIMA (011)(111)
Fonte FPW 2012
50
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) e B(12) foram consideradas significativas pelo modelo
17 ndash SARIMA (110)(111)
Figura 48 - Resultado SARIMA (110)(111)
Fonte FPW 2012
51
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09010) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) e B(12) foram consideradas significativas pelo modelo
18 ndash SARIMA (210)(111)
Figura 50 - Resultado SARIMA (210)(111)
Fonte FPW 2012
52
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) a(12) e B(12) foram consideradas significativas pelo modelo
19 ndash SARIMA (012)(111)
Figura 52 ndash Resultado SARIMA (012)(111)
Fonte FPW 2012
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
12
Figura 1 - Fechamento da Quantidade de Veiacuteculos Licenciados em 2011
Fonte ANFAVEA
Em termos de crescimento sobre as vendas do ano passado os semipesados apresentaram a maior alta com
169 os leves vecircm a seguir com expansatildeo de 131 seguido dos semileves com 109 de vendas a mais em
comparaccedilatildeo a 2010 As vendas de caminhotildees na categoria meacutedios ficaram 28 maiores enquanto que os pesados
ostentaram a menor alta apenas 09 quando comparadas as vendas de 2010 Enquanto isso as vendas de
importados fecharam 2011 com um impressionante crescimento de 469 ante 2010 sendo os pesados os que mais
entraram no Brasil com 2774 unidades das pouco mais de quatro mil importaccedilotildees de caminhotildees representando um
crescimento de mais de 115
No iniacutecio de Janeiro de 2012 passou a vigorar a seacutetima ediccedilatildeo do Proconve (Programa de Controle de Poluiccedilatildeo
do Ar por Veiacuteculos Automotores) Eacute um programa criado em 1986 pelo CONAMA com os objetivos de reduzir as
emissotildees de veiacuteculos novos desenvolver tecnologia nacional e melhorar a qualidade dos combustiacuteveis Eacute aplicado a
veiacuteculos leves e pesados como os caminhotildees
Para atender a resoluccedilatildeo do Proconve 7 as montadoras estatildeo implementando novos sistema de motorizaccedilatildeo
combustatildeo e exaustatildeo dos combustiacuteveis em seus veiacuteculos conhecidos como Euro 5 Com o ganho tecnoloacutegico e
ambiental satildeo tambeacutem agregados custos entre 10 e 20 aos veiacuteculos
Com a entrada da nova legislaccedilatildeo Proconve 7 e o aumento no preccedilo dos veiacuteculos devido agrave motorizaccedilatildeo Euro
5 a retraccedilatildeo no mercado eacute eminente Isso ocorre pelo fato dos caminhotildees serem bens de produccedilatildeo e a disponibilidade
dos veiacuteculos Euro 3 mais poluentes e mais baratos no mercado faz-se com que o fenocircmeno do pre-buying antecipe a
renovaccedilatildeo da frota para antes de janeiro com eminente queda na produccedilatildeo para o primeiro semestre de 2012 motivo
pelo qual se torna importante conhecer a previsatildeo demanda do volume total de produccedilatildeo de caminhotildees
13
12 ndash OBJETIVO
O objetivo desse trabalho eacute o de comparar a utilizaccedilatildeo de meacutetodos de previsatildeo de demanda e definir qual
deveraacute ser aplicado para a previsatildeo do volume de produccedilatildeo de caminhotildees a partir da base de dados da ANFAVEA
13 ndash JUSTIFICATIVAS
O processo de previsatildeo de demanda por seacuteries temporais utiliza dados passados e presentes para obter dados
futuros por meio de modelos descritos e ajustados das variaacuteveis em questatildeo
As seacuteries temporais satildeo observaccedilotildees de variaacuteveis que podem ser de vaacuterios campos da economia Exemplos
de tais variaacuteveis satildeo taxas de inflaccedilatildeo iacutendices de accedilotildees taxas de desemprego e participaccedilatildeo de uma empresa em
determinado mercado Frequentemente os modelos de previsatildeo para essas taxas satildeo utilizados para determinar as
poliacuteticas e objetivos que guiaratildeo as empresas e instituiccedilotildees
A anaacutelise das seacuteries temporais pode evidenciar uma variedade de padrotildees e comportamentos Tipicamente
muitos agregados macroeconocircmicos tais como produccedilatildeo industrial consumo e salaacuterios mostram comportamentos que
evidenciam tendecircncias de crescimento
Assim aleacutem de buscar o melhor modelo de previsatildeo aplicado ao volume de produccedilatildeo de caminhotildees no Brasil
o presente trabalho tambeacutem tem o objetivo de evidenciar os padrotildees e comportamentos desta seacuterie
14 ndash CONDICcedilOtildeES DE CONTORNO
Este trabalho trataraacute da previsatildeo do volume de produccedilatildeo mensal de caminhotildees no Brasil Para definir o modelo
de previsatildeo mais adequado seratildeo utilizados dados mensais entre janeiro de 1957 e dezembro de 2011
Seratildeo abordados neste trabalho os modelos Box-Jenkins e a teacutecnica do Amortecimento Exponencial para
definir a melhor modelagem para seacuterie abordada
15 ndash METODOLOGIA
O desenvolvimento deste trabalho foi realizado em seis etapas a primeira consistiu da revisatildeo da literatura
sobre seacuteries temporais previsatildeo de demanda e volume de produccedilatildeo de caminhotildees no Brasil
Na segunda etapa foi realizada a coleta de dados referente aos volumes de produccedilatildeo para o periacuteodo estudado
A terceira etapa por sua vez consistiu na realizaccedilatildeo das anaacutelises descritivas para o entendimento do comportamento
da seacuterie
A quarta etapa envolveu os testes com os modelos e meacutetodos de previsatildeo bem como a geraccedilatildeo das
previsotildees Na quinta etapa foram analisados os modelos de previsatildeo obtidos definindo qual seria o modelo mais
adequado
A uacuteltima etapa eacute composta pelo fechamento do trabalho incluindo as anaacutelises do modelo proposto bem como
as recomendaccedilotildees para trabalhos futuros
14
2 ndash REVISAtildeO BIBLIOGRAacuteFICA
21 ndash SEacuteRIES TEMPORAIS
Uma seacuterie temporal pode ser definida como um conjunto de observaccedilotildees de uma variaacutevel observadas
sequencialmente no tempo Assim a variaacutevel eacute verificada em intervalos de tempo equidistantes e a correlaccedilatildeo entre os
diversos pontos da seacuterie gera a caracteriacutestica de dependecircncia entre eles Levando em consideraccedilatildeo que a seacuterie
temporal tambeacutem pode ser definida como as provaacuteveis trajetoacuterias para um determinado processo faz com que os
dados da mesma natildeo sejam apenas correlacionados mas oriundos tambeacutem de um processo estocaacutestico no qual eacute
observado uma das trajetoacuterias
A anaacutelise da seacuterie temporal por sua vez inicia-se a partir da descriccedilatildeo dos fenocircmenos e processos que a
originam Um fator importante que tambeacutem deve ser estudado eacute a dependecircncia entre as observaccedilotildees
Segundo Makridakis et al (1998) existem quatro tipos de padrotildees de seacuteries temporais
1 - Horizontal quando os valores dos dados flutuam ao redor de uma meacutedia constante
2 - Inclinado (tendecircncia) quando se verifica um crescimento ou decreacutescimo em longo prazo no valor dos
dados
3 - Ciacuteclico estaacute presente em uma seacuterie temporal quando os dados exibem crescimentos e quedas que natildeo se
repetem em um intervalo de tempo fixo
4 - Sazonal padratildeo sazonal existe quando uma seacuterie temporal eacute influenciada por fatores sazonais isto eacute que
se repetem a intervalos de tempos iguais
Adicionalmente uma seacuterie temporal eacute considerada natildeo linear quando pelo menos sua variacircncia natildeo eacute
constante ou sua meacutedia natildeo eacute constante Assim basta que pelo menos uma das duas caracteriacutesticas esteja presente
no comportamento da seacuterie para ser considerada natildeo linear
Para a utilizaccedilatildeo dos dados nos modelos Box-Jenkins faz-se necessaacuterio garantir o pressuposto em que a
meacutedia e a variacircncia sejam constantes no tempo Quando a meacutedia possui variaccedilatildeo a uma taxa constante a seacuterie eacute
definida como natildeo estacionaacuteria Esta variaccedilatildeo por sua vez pode ocorrer a uma taxa constante dentro de um ciclo
chamada de natildeo-estacionariedade sazonal
As funccedilotildees de autocorrelaccedilatildeo e autocorrelaccedilatildeo parcial satildeo mecanismos adotados dentro dos modelos Box-
Jenkins com a funccedilatildeo de identificar mecanismos relativos a natildeo-estacionariedade das seacuteries em estudo
22 ndash PREVISAtildeO DE SEacuteRIES TEMPORAIS
Para a previsatildeo de seacuteries temporais podem ser empregados modelos e meacutetodos que se diferenciam da
seguinte forma um modelo de previsatildeo eacute aquele que utiliza uma ou mais equaccedilotildees para representar a estrutura
aleatoacuteria da seacuterie temporal Jaacute um meacutetodo eacute uma combinaccedilatildeo de uma rotina de estimaccedilatildeo e um modelo (assim torna-
se necessaacuterio uma rotina preacutevia de identificaccedilatildeo do modelo adequado) Pelo fato dos modelos atraveacutes de suas
caracteriacutesticas serem muitos especiacuteficos a grande maioria foi desenvolvida para padrotildees de seacuteries temporais
anteriormente mencionados
As teacutecnicas de previsatildeo satildeo distribuiacutedas em dois grupos meacutetodos qualitativos e quantitativos Os meacutetodos
qualitativos satildeo aplicados quando existe conhecimento acumulado sobre o processo ou fenocircmeno em estudo havendo
15
a necessidade do julgamento por meio de especialistas principalmente quando natildeo existe uma seacuterie histoacuterica para ser
estudada
Os meacutetodos quantitativos utilizam dados histoacutericos e modelos matemaacuteticos para prever comportamentos
futuros As teacutecnicas quantitativas dividem-se em dois subgrupos seacuteries temporais (ou meacutetodos univariaacuteveis) e modelos
causais (multivariaacuteveis) As seacuteries temporais utilizam dados histoacutericos de demanda como base para determinaccedilatildeo de
padrotildees que podem se repetir no futuro Exemplos satildeo as teacutecnicas de seacuteries temporais e o amortecimento exponencial
Jaacute os modelos causais satildeo aqueles que buscam relacionar as demandas (variaacutevel dependente) com outros fatores
(variaacutevel independente) como fatores macroeconocircmicos como o PIB inflaccedilatildeo clima entre outros Para isso torna-se
necessaacuterio a utilizaccedilatildeo de regressotildees lineares e natildeo lineares
A aplicaccedilatildeo dos meacutetodos quantitativos depende de trecircs fatores
1 ndash Disponibilidade de informaccedilotildees histoacutericas
2 ndash Quantificaccedilatildeo das informaccedilotildees histoacutericas em seacuteries temporais
3 ndash Recorrecircncia no futuro de padrotildees observados nas informaccedilotildees histoacutericas
A condiccedilatildeo de recorrecircncia eacute conhecida como suposiccedilatildeo de continuidade e eacute uma premissa de todos os
meacutetodos quantitativos e alguns meacutetodos qualitativos
As caracteriacutesticas dos meacutetodos claacutessicos satildeo a mensuraccedilatildeo probabiliacutestica de erro da previsatildeo e uma
metodologia menos subjetiva para a obtenccedilatildeo dos modelos Neste grupo de modelos estaacute inserido o de Box-Jenkins
Um modelo claacutessico supotildee que a seacuterie temporal zt onde t = 1 N possa ser escrito como uma soma (modelo
aditivo) por meio da seguinte equaccedilatildeo
tttt aSTz (Equaccedilatildeo 1)
Ou ainda possa ser escrito como uma multiplicaccedilatildeo (modelo multiplicativo) da seguinte forma
tttt aSTz (Equaccedilatildeo 2)
Onde
tT = denotaccedilatildeo para tendecircncia
tS = denotaccedilatildeo para componente sazonal
ta = denotaccedilatildeo para termo aleatoacuterio
Removendo-se as componentes tT e tS resta a componente aleatoacuteria (at) ou residual A suposiccedilatildeo adotada eacute
que at seja uma componente puramente aleatoacuteria mesmo em alguns casos em que eacute considerada como um processo
estacionaacuterio com meacutedia e variacircncia constantes
Aleacutem dos modelos claacutessicos existe outra classe de meacutetodo de previsatildeo que contecircm os natildeo parameacutetricos
Esses satildeo caracterizados por serem muito subjetivos por natildeo possuiacuterem um grande nuacutemero de suposiccedilotildees como os
16
claacutessicos No entanto dentro dos natildeo parameacutetricos existe uma classe de modelos conhecidos por sua qualidade
preditiva e complexidade sendo denominados de modelos de redes neurais
Os modelos utilizados atualmente satildeo compostos de modelos teoacutericos exatos e empiacutericos Assim o
conhecimento teoacuterico eacute utilizado parcialmente para indicar uma classe adequada de funccedilotildees matemaacuteticas que satildeo
ajustadas empiricamente fazendo com que o ajuste dos seus paracircmetros seja realizado de forma experimental
Um dos aspectos relevantes para a seleccedilatildeo do modelo mais adequado estaacute na capacidade do mesmo em
reproduzir os dados conhecidos e as previsotildees futuras de forma acurada Assim se xt eacute a observaccedilatildeo real para o
periacuteodo t e tx eacute a previsatildeo para o mesmo periacuteodo Assim o erro na previsatildeo eacute definido por
ttt xxe ˆ (Equaccedilatildeo 4)
Se existirem observaccedilotildees e previsotildees para n periacuteodos as seguintes estatiacutesticas podem ser utilizadas
n
1t
en
1ME
t (Equaccedilatildeo 5)
Ie In
1MAE
n
1t
t
(Equaccedilatildeo 6)
n
1t
2
t en
1MSE (Equaccedilatildeo 7)
O erro meacutedio ME eacute definido como a meacutedia dos erros calculado na equaccedilatildeo 5 (et) Pelo somatoacuterio os valores
positivos e negativos tendem a se anular resultando em um valor baixo O erro meacutedio absoluto (MAE) eacute definido pelo
somatoacuterio dos moacutedulos dos erros e em seguida realiza-se a meacutedia dos valores absolutos encontrados No caacutelculo do
erro quadraacutetico (MSE) os erros se tornam positivos pela elevaccedilatildeo ao quadrado e a meacutedia eacute realizada com os valores
positivos encontrados
Considerando a escala em que os dados satildeo expressos pode-se definir o erro relativo como
100xˆ
PE t
t
t
x
xx (Equaccedilatildeo 8)
t
n
1t
PEn
1MPE
(Equaccedilatildeo 9)
IPE In
1MAPE t
n
1t
(Equaccedilatildeo 10)
O erro meacutedio percentual (MPE) eacute a meacutedia do erro percentual calculado em PEt para n periacuteodos Neste caso os
valores positivos e negativos dos erros percentuais tendem a se anular da mesma forma que para ME Da mesma
forma que para MAE o erro meacutedio absoluto percentual tambeacutem eacute obtido utilizando-se erros absolutos percentuais
17
23 ndash MODELO BOX-JENKINS
Os modelos ARIMA (Autoregressive Integrated Moving Average ndash Auto-Regressivos Integrados de Meacutedias
Moacuteveis) da famiacutelia de Box-Jenkins tem o objetivo de captar o comportamento da autocorrelaccedilatildeo (correlaccedilatildeo seriada)
entre os valores da seacuterie temporal e realizar previsotildees baseando-se neste comportamento
Dentre a famiacutelia de modelos destacam-se os Auto-Regressivos e os de Meacutedias Moacuteveis Aleacutem destes existem
ainda outras variaccedilotildees no qual satildeo tomadas d diferenccedilas de uma seacuterie natildeo estacionaacuteria visando tornaacute-la estacionaacuteria
(com meacutedia e variacircncia constantes ao longo do tempo) Existem ainda os modelos ARMA (Auto-Regressivos de Meacutedias
Moacuteveis) que satildeo utilizados quando natildeo haacute necessidade de realizar diferenciaccedilotildees para tornar a seacuterie estacionaacuteria
Outro modelo eacute conhecido como SARIMA (ou ARIMA Sazonal) que eacute utilizado para captar a sazonalidade de uma
seacuterie
Um benefiacutecio da utilizaccedilatildeo dos modelos Box-Jenkins estaacute relacionado ao fato do algoritmo do mesmo auxiliar o
usuaacuterio na escolha do melhor modelo por meio dos comportamentos dos graacuteficos da funccedilatildeo de autocorrelaccedilatildeo (FAC) e
da funccedilatildeo de autocorrelaccedilatildeo parcial (FACP)
A FAC eacute determinada atraveacutes da correlaccedilatildeo linear de cada valor yt da seacuterie de dados com outros valores em
lags distintos como yt-1 yt-2 e assim sucessivamente Assim o coeficiente de correlaccedilatildeo temporal (autocorrelaccedilatildeo) da
seacuterie temporal defasado por 1 2 ou mais periacuteodos eacute calculado pela seguinte equaccedilatildeo
n
1t
2
n
1tk
r
xx
xxxx
t
ktt
k (Equaccedilatildeo 11)
Na equaccedilatildeo anterior r1 indica como os valores sucessivos de x relacionam-se entre si r2 indica como os
valores de x defasados em dois periacuteodos relacionam-se entre si e assim sucessivamente Em conjunto as
autocorrelaccedilotildees defasadas em 1 2 k periacuteodos constituem a funccedilatildeo de autocorrelaccedilatildeo
A FACP por sua vez possui um conceito semelhante ao da FAC Eacute definida pela correlaccedilatildeo existente entre yt
e yt-2 por exemplo sem levar em consideraccedilatildeo os efeitos causados por yt-1 e yt-2 O coeficiente de autocorrelaccedilatildeo
parcial de ordem k definido por k pode ser obtido atraveacutes da estimaccedilatildeo dos coeficientes da regressatildeo muacuteltipla de x t
em funccedilatildeo de 1tx 2tx ktx conforme a proacutexima equaccedilatildeo
ktkttt xxxx 22110 (Equaccedilatildeo 12)
As autocorrelaccedilotildees parciais satildeo usadas para medir o grau de associaccedilatildeo entre as observaccedilotildees x t e xt-k quando
o efeito das outras observaccedilotildees defasadas no tempo em 1 2 k-1 periacuteodos satildeo removidas As autocorrelaccedilotildees
parciais 1 2 k constituem a FACP
Pelo fato deste processo permitir que usuaacuterios diferentes modelem diferentes equaccedilotildees a partir de uma mesma
seacuterie temporal pode existir certo grau de subjetividade na escolha do melhor modelo para a previsatildeo da seacuterie em
questatildeo
18
231 ndash Modelo ARMA (Auto-Regressivo a Meacutedia Moacutevel)
O modelo ARMA natildeo possui uma parte integrada Sendo assim satildeo utilizados para uma seacuterie temporal
estacionaacuteria com relaccedilatildeo agrave meacutedia e a variacircncia e satildeo definidos pelas equaccedilotildees a seguir
qtqttptptt eeexxcx 1111 (Equaccedilatildeo 13)
Existem restriccedilotildees aos valores cujos paracircmetros podem assumir nas equaccedilotildees anteriores a saber
Para p = 1 -1 lt 1 lt 1
Para p = 2 -1 lt 2 lt 1 1 + 2 lt 1 e 2 ndash 1 lt 1
Para p gt= 3 condiccedilotildees mais complexas prevalecem
Da mesma forma
Para q = 1 -1 lt 1 lt 1
Para q = 2 -1 lt 2 lt 1 1 + 2 lt 1 e 2 ndash 1 lt 1
Para p gt= 3 condiccedilotildees mais complexas prevalecem
Um dispositivo de notaccedilatildeo uacutetil eacute o operador de deslocamento retroativo definido por 1 tt xBx Assim B
operando sobre tx tem o efeito de deslocar os dados para traacutes em um periacuteodo Dessa forma
2
2)( ttt xxBBxB (Equaccedilatildeo 14)
Por meio da equaccedilatildeo acima que o modelo recebe a denominaccedilatildeo de Auto-Regressivo a Meacutedia Moacutevel (ARMA)
de ordens (pq) conforme expresso na equaccedilatildeo seguinte
t
MA
p
p
AR
t
p
p eBBcxBB
qp
)()(
11 11 (Equaccedilatildeo 15)
Os coeficientes 1 2 p e 1 2 q satildeo estimados para ajustarem-se agrave seacuterie temporal estudada
atraveacutes dos meacutetodos dos miacutenimos quadrados ou da maacutexima verossimilhanccedila A aplicaccedilatildeo do meacutetodo dos miacutenimos
quadrados eacute realizada atraveacutes de estimativas feitas iterativamente por softwares ateacute que soma dos erros quadraacuteticos
seja minimizada O meacutetodo da maacutexima verossimilhanccedila estima tambeacutem iterativamente os valores dos paracircmetros que
maximizem a verossimilhanccedila de um conjunto de observaccedilotildees
O modelo ARMA deve ter seus erros et distribuiacutedos aleatoriamente comportando-se como uma seacuterie de ruiacutedo
branco Os resiacuteduos natildeo satildeo ruiacutedo branco se as estatiacutesticas Q sugerida por Box-Pierce ou Q sugerida por Ljungndash
Box posicionarem-se no extremo 5 da cauda direita da distribuiccedilatildeo χ2 As expressotildees para caacutelculo das estatiacutesticas
Q de BoxndashPierce ou Q de Ljung-Box satildeo as seguintes
19
h
1k
2
k tnQ (Equaccedilatildeo 16)
h
1k
2
k
k-
r)2(
nnnQ (Equaccedilatildeo 17)
Onde
n = nuacutemero de observaccedilotildees da seacuterie
h = maacutexima defasagem dos coeficientes de correlaccedilatildeo dos resiacuteduos
Alguns autores apresentam procedimentos para identificaccedilatildeo das ordens p e q dos modelos ARMA por meio
dos graacuteficos das FAC e FACP como exemplificado no quadro a seguir
Modelo FAC FACP
ARMA (p0) Decaimento gradativo Decaimento brusco apoacutes defasagem p
ARMA (0q) Decaimento brusco apoacutes defasagem q Decaimento gradativo
ARMA (pq) Decaimento gradativo com onda
senoidal amortecida apoacutes a
defasagem (q-p)
Decaimento gradativo com onda
senoidal amortecida apoacutes a defasagem
(p-q)
Tabela 1 - Comportamento das FAC e FACP para Modelos Estacionaacuterios
Fonte Elaborado pelos Autores
232 ndash Modelo ARIMA
Em muitos casos as seacuteries temporais encontradas possuem tendecircncia apresentando um comportamento natildeo
estacionaacuterio No entanto para aplicar o meacutetodo de Box-Jenkins eacute necessaacuterio remover a tendecircncia da seacuterie atraveacutes da
diferenciaccedilatildeo ou seja aplicar sobre a mesma o operador (1 ndash B) no modelo ARMA conforme equaccedilatildeo a seguir
tttt xBxxx )1(1
(Equaccedilatildeo 18)
Desta forma a expressatildeo do modelo ARIMA (pdq) ndash auto regressivo integrado a meacutedia moacutevel de ordem p d
q eacute a expressatildeo do modelo ARMA (pq) acrescido do fator de diferenciaccedilatildeo de ordem d responsaacutevel pela descriccedilatildeo do
comportamento de tendecircncia da seacuterie conforme representado na equaccedilatildeo a seguir
t
MA
p
p
I
t
d
AR
p
p eBBcxBBB
qdp
)()()(
111 11 (Equaccedilatildeo 19)
233 ndash Modelo ARIMA Sazonal (SARIMA)
O comportamento mais geral de seacuteries histoacutericas natildeo estacionaacuterias eacute o que combina o padratildeo de tendecircncia
com o padratildeo de sazonalidade O meacutetodo de Box-Jenkins recomenda a remoccedilatildeo tanto da tendecircncia quanto da
sazonalidade das seacuteries diferenciando-a duas vezes Eacute recomendado que a diferenciaccedilatildeo sazonal sobre a seacuterie
20
original seja feita em primeiro lugar uma vez que em alguns casos sua aplicaccedilatildeo jaacute torna a seacuterie estacionaacuteria como
mostrado na expressatildeo a seguir (para uma seacuterie com nuacutemero de periacuteodos com ciclo sazonal igual a 12)
tttt xBxxx )1( 12
12
(Equaccedilatildeo 20)
Nos casos em que se torna necessaacuteria a segunda diferenciaccedilatildeo faz necessaacuteria aplicar o operador )1( B na
mesma conforme equaccedilatildeo a seguir
ttttt xBBxBxxx 12
1
11)1( (Equaccedilatildeo 21)
24 ndash MEacuteTODO DO AMORTECIMENTO EXPONENCIAL
Historicamente o amortecimento exponencial descreve uma classe de meacutetodos de previsatildeo De fato alguns
dos meacutetodos mais utilizados para esse fim satildeo baseados nesse conceito cada um deles utilizando a propriedade em
que os pesos das observaccedilotildees mais recentes satildeo maiores do que aqueles referentes a observaccedilotildees no passado
Assim o nome ldquoamortecimento exponencialrdquo reflete no fato de que os pesos (atraveacutes do uso da meacutedia ponderada)
diminuem exponencialmente agrave medida que as observaccedilotildees satildeo mais antigas
Os primeiros registros da utilizaccedilatildeo do meacutetodo satildeo de Robert G Brown em 1944 enquanto desenvolvia
trabalhos como analista de Pesquisa Operacional na Marinha Americana enquanto desenvolvia um dispositivo
mecacircnico para monitorar a velocidade e o acircngulo de tiros disparados de submarinos Em 1950 ele estendeu o uso
desse meacutetodo para seacuteries temporais discretas incluindo termos para lidar com as componentes de sazonalidade e
tendecircncia
Paralelamente Charles Holt tambeacutem estava trabalhando em um meacutetodo de amortecimento exponencial para o
Escritoacuterio Americano de Pesquisas Navais O seu trabalho em modelos sazonais aditivos e multiplicativos se tornaram
conhecidos atraveacutes de um artigo publicado por seu estudante Peter Winters em 1960 aplicando testes empiacutericos ao
meacutetodo de Holt Como resultado a versatildeo da ferramenta que trabalha com a componente sazonal eacute denominada de
Holt-Winters
Os modelos de suavizaccedilatildeo exponencial satildeo largamente utilizados devido a sua simplicidade e baixo custo
Assim quando se necessitam previsotildees para milhares de itens como eacute o caso em muitos sistemas de gestatildeo esses
modelos satildeo muitas vezes os uacutenicos suficientemente raacutepidos e baratos para assegurar uma implementaccedilatildeo viaacutevel
Dessa forma existem trecircs classes de meacutetodos de amortecimento exponencial a saber
1 ndash Seacuteries localmente constantes analisadas pelos modelos de meacutedias moacuteveis simples ou amortecimento
exponencial
2 ndash Seacuteries com tendecircncias que utilizam o modelo de Holt
3 ndash Seacuteries com comportamento sazonal que utilizam o modelo Holt-Winters
241 ndash Meacutetodos de Amortecimento Exponencial Simples
21
O meacutetodo de suavizaccedilatildeo exponencial simples tem melhor precisatildeo para seacuteries de padratildeo horizontal isto eacute
agravequelas que natildeo apresentam tendecircncia nem sazonalidade e eacute apropriado para previsotildees de curto prazo Seu algoritmo
de previsatildeo utiliza a seguinte expressatildeo da equaccedilatildeo
ttt xxx ˆ1ˆ1 (Equaccedilatildeo 22)
Onde
1ˆtx = previsatildeo para o periacuteodo t+1
α = constante de suavizaccedilatildeo cujo valor encontra-se entre 0 e 1
tx = uacuteltimo valor observado
tx = uacuteltimo valor observado com peso (1 ndash α)
Expandindo-se a expressatildeo acima pela substituiccedilatildeo de tx 1ˆtx 2
ˆtx por seus componentes resulta em
1113211ˆ)1()1(3)1(2)1(1ˆ xxxxxxx ttttttt (Equaccedilatildeo 23)
Assim 1ˆtx eacute uma meacutedia ponderada de todas as observaccedilotildees passadas constituindo os coeficientes de
ponderaccedilatildeo uma seacuterie decrescente exponencialmente para valores de α entre 0 e 1 Dessa constataccedilatildeo origina-se o
nome amortecimento exponencial Analisando-se a uacuteltima equaccedilatildeo verifica-se que a constante de suavizaccedilatildeo α
determina a rapidez do decaimento dos coeficientes (pesos) A escolha do valor para a constante de suavizaccedilatildeo pode
ser arbitraacuteria ou condicionada a algum criteacuterio que na maioria das vezes consiste na minimizaccedilatildeo do erro quadraacutetico
meacutedio atribuiacutedo ao desempenho do meacutetodo
A constante de suavizaccedilatildeo estaacute diretamente ligada agrave velocidade de resposta das previsotildees agraves variaccedilotildees das
observaccedilotildees ou seja quanto menor o valor de α mais lenta eacute a resposta Valores maiores que α causam reaccedilotildees
mais raacutepidas das previsotildees agraves variaccedilotildees das observaccedilotildees podendo causar instabilidade no desempenho do meacutetodo
Como o peso da primeira previsatildeo 1x eacute (1 ndash α)t verifica-se que menor importacircncia um fator teraacute para a
previsatildeo de t+1 quanto mais proacuteximo de um for e quanto maior for o t Como eacute necessaacuterio ter o valor de 1x eacute feita a
suposiccedilatildeo de que 1x = 1x ou seja igual agrave uacuteltima observaccedilatildeo O erro decorrente dessa suposiccedilatildeo seraacute tanto menor
quanto maiores forem α e t
Alternativamente a expressatildeo inicial desse item pode ser representada como
1ˆtx = tx + α( tx ndash tx ) (Equaccedilatildeo 24)
1ˆtx = tx + α te (Equaccedilatildeo 25)
Atraveacutes da anaacutelise da uacuteltima equaccedilatildeo pode-se concluir que o meacutetodo de suavizaccedilatildeo exponencial simples
prevecirc o valor de uma seacuterie temporal tomando a previsatildeo para o periacuteodo anterior e ajustando-a pelo valor do erro no
mesmo periacuteodo
22
242 ndash Meacutetodo de Holt
O meacutetodo de Holt pode ser utilizado de maneira satisfatoacuteria em seacuteries temporais com tendecircncia linear
mediante o uso de uma funccedilatildeo de ponderaccedilatildeo que daacute maior importacircncia aos periacuteodos de tempo mais recentes Seu
algoritmo de previsatildeo utiliza as seguintes expressotildees
))(1( 11 tttt TLxL (Equaccedilatildeo 26)
11 )1)(( tttt TLLT (Equaccedilatildeo 27)
mtx ˆ
tt mTL (Equaccedilatildeo 28)
Onde
mtx ˆ = previsatildeo para o periacuteodo t+m
= constantes de suavizaccedilatildeo com valor entre 0 e 1 que determinam a rapidez de decaimento dos pesos
da seacuterie quanto mais proacuteximo de um maior o peso das observaccedilotildees recentes
tL = estimativa do niacutevel da seacuterie no tempo t
tT = estimativa de declividade da seacuterie no tempo t
Como o meacutetodo de Holt baseia-se na aplicaccedilatildeo recursiva das expresses anteriores satildeo necessaacuterios tambeacutem
como dados de entrada tL e tT que podem ser considerados como 1L 1x e 1T 12 xx Outra forma de caacutelculo eacute a
regressatildeo linear simples aplicada aos dados da seacuterie temporal onde se obteacutem o valor da declividade da seacuterie temporal
e de 0L em sua origem
243 ndash Meacutetodo de Winters
Os meacutetodos de Winters dividem-se em dois grupos aditivo e multiplicativo No meacutetodo aditivo a amplitude da
variaccedilatildeo sazonal eacute constante ao longo do tempo ou seja a diferenccedila entre o maior e menor valor de demanda dentro
das estaccedilotildees permanece relativamente constante no tempo No meacutetodo multiplicativo a amplitude da variaccedilatildeo sazonal
aumente ou diminui como funccedilatildeo do tempo
2431 ndash Meacutetodo Sazonal Multiplicativo de Winters
))(1( 11
tt
t
t
t TLSS
xL (Equaccedilatildeo 29)
11 )1()( tttt TLLT (Equaccedilatildeo 30)
SSL
xS t
t
t
t
1 (Equaccedilatildeo 31)
mSSmTLx tttmt ˆ (Equaccedilatildeo 32)
23
Onde
mtx ˆ = previsatildeo para o periacuteodo t+m
= constantes de suavizaccedilatildeo que variam entre 0 e 1
tx = observaccedilatildeo mais recente
tL = estimativa do niacutevel de seacuterie no tempo t
tT = estimativa de declividade da seacuterie no tempo t
tS = componente de sazonalidade no tempo t
S = nuacutemero de subperiacuteodos do ano (sazonalidade)
A escolha de valores para as constantes de suavizaccedilatildeo eacute condicionada a algum criteacuterio que na maioria das
vezes consiste na minimizaccedilatildeo por meio do algoritmo de minimizaccedilatildeo linear do erro quadraacutetico meacutedio (MSE) atribuiacutedo
ao desempenho do meacutetodo
Como o meacutetodo multiplicativo de Winters baseia-se na aplicaccedilatildeo recursiva das equaccedilotildees deste item e que
deve ser iniciada em algum periacuteodo do passado no qual os valores de TL TT e TS devem ser estimados A maneira
mais simples de inicializar o niacutevel de tendecircncia no periacuteodo S O niacutevel eacute inicializado no primeiro periacuteodo sazonal da
seguinte forma
S
Sxxxx
SL
1
321
(Equaccedilatildeo 33)
Para inicializar a tendecircncia eacute conveniente o uso de dois ciclos completos isto eacute 2S periacuteodos como descrito
abaixo
S
xx
S
xx
S
xx
ST SSSSS
S 1 2211 (Equaccedilatildeo 34)
Por ultimo os iacutendices sazonais satildeo inicializados usando-se a razatildeo das primeiras observaccedilotildees como a meacutedia
do primeiro ano com descrito a seguir
S
xS
L
11
S
xS
L
22
S
S
s
xS
L (Equaccedilatildeo 35)
2432 ndash Meacutetodo Sazonal Aditivo de Winters
O meacutetodo aditivo de Winters eacute utilizado na modelagem dos dados sazonais no qual a amplitude do ciclo
sazonal permanece constante com o passar do tempo
Aleacutem disso a amplitude da variaccedilatildeo sazonal eacute constante ao longo do tempo ou seja a diferenccedila entre o maior
e o menor valor de demanda dentro das estaccedilotildees permanece relativamente constante no tempo As equaccedilotildees
matemaacuteticas satildeo
))(1()( 11 ttttt TLSSxL (Equaccedilatildeo 36)
24
11 )1()( tttt TLLT (Equaccedilatildeo 37)
Stttt SLxS )1()( St = γ(xt - Lt) + (1- γ)St-S (Equaccedilatildeo 38)
mStttmt SmTLx ˆ (Equaccedilatildeo 39)
A segunda equaccedilatildeo deste item eacute igual agravequela do meacutetodo multiplicativo de Winters O restante das equaccedilotildees se
diferem por iacutendice sazonais serem somados e subtraiacutedos ao inveacutes de serem tomados em produtos ou divisotildees
Os valores iniciais de SL e ST satildeo iguais aos do meacutetodo multiplicativo Os iacutendices sazonais satildeo inicializados da
seguinte forma
SLxS 11 SLxS 22 SSS LxS (Equaccedilatildeo 40)
25 ndash SELECcedilAtildeO DE MODELOS
A partir do momento em que vaacuterios modelos ajustam-se a uma seacuterie temporal deve-se eleger aquele que
melhor representa o seu comportamento por meio da anaacutelise de seus paracircmetros Neste trabalho os paracircmetros seratildeo
utilizados os seguintes paracircmetros de forma primordial na definiccedilatildeo do modelo mais apropriado
251 ndash Maacuteximo R2
A estatiacutestica R2 eacute definida por
n
1t
2
2n
1t2
ˆ
1
tt
tt
xx
xx
R (Equaccedilatildeo 41)
Onde
tx = observaccedilatildeo real para o periacuteodo t
tx = previsatildeo para o periacuteodo t
Uma medida de R2 mais proacutexima de zero indica um modelo com ajuste pobre enquanto que um valor proacuteximo
de um indica um bom ajuste
252 ndash Miacutenimo BIC (Bayesian Information Criterion)
Este criteacuterio penaliza os modelos com muitos paracircmetros sendo portanto um criteacuterio de verosimilhanccedila
penalisada Vale ressaltar que o BIC natildeo deve ser utilizado de forma isolada mas em conjunto com outros paracircmetros
na comparaccedilatildeo com diversos modelos
O BIC eacute definido pela seguinte expressatildeo
25
nm
nMSEBIC2
(Equaccedilatildeo 42)
nm
tt nxxn
BIC22
n
1t
ˆ1
(Equaccedilatildeo 43)
Onde
m = nuacutemero de paracircmetros do modelo
n = nuacutemero de observaccedilotildees da seacuterie temporal
3 - DESENVOLVIMENTO
31 ndash ANAacuteLISE DA SEacuteRIE
A seacuterie a seguir apresenta os dados quantitativos da evoluccedilatildeo do volume de produccedilatildeo de caminhotildees no Brasil
Tratam-se de dados mensais entre janeiro de 1957 e dezembro de 2011 totalizando 660 observaccedilotildees
5000
10000
15000
20000
60 65 70 75 80 85 90 95 0 5 10
Legend
PRODUCAO
Figura 2 - Seacuterie de Volume de Produccedilatildeo no Brasil
Fonte Elaborado pelos Autores 2012
26
32 ndash ANAacuteLISE DESCRITIVA
O primeiro passo foi a anaacutelise descritiva da seacuterie visando obter uma anaacutelise inicial para definir o modelo de
previsatildeo mais adequado agraves suas caracteriacutesticas
Utilizando o software Minitab obteve-se a seguinte tabela
Figura 3 - Estatiacutesticas Descritivas da Seacuterie Inicial
Fonte Minitab 2012
O coeficiente de correlaccedilatildeo de Pearson indica a razatildeo entre o desvio padratildeo e a meacutedia de uma seacuterie cujo
caacutelculo eacute representado por
CV = desvio padratildeomeacutedia
Introduzindo os valores do desvio padratildeo (3515) e da meacutedia da amostra (5560) na foacutermula anterior obteacutem-se o
seguinte resultado
CV = 35155560 = 06322 ~ 63 de grau de dispersatildeo
Essa medida eacute utilizada quando se pretende comparar duas ou mais distribuiccedilotildees de probabilidade quanto agraves
suas variabilidades atuando como uma medida de variabilidade relativa
Na teoria de probabilidade o grau de simetria eacute uma medida de assimetria da distribuiccedilatildeo de valores reais
aleatoacuterios O grau de simetria pode ser positivo ou negativo ou mesmo indefinido Qualitativamente um valor negativo
em que a cauda no lado esquerdo da funccedilatildeo de densidade de probabilidade eacute maior do que o lado direito e a maioria
dos valores tende ao lado direito da meacutedia De mesma forma um valor positivo indica que a cauda no lado direito eacute
maior do que o lado esquerdo e que a maioria dos valores tende ao lado esquerdo da meacutedia O valor zero indica que
valores relativos igualmente distribuiacutedos dos dois lados ao redor da meacutedia mas natildeo necessariamente implica em uma
distribuiccedilatildeo simeacutetrica
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de grau de simetria (skewness) O valor positivo do grau de
simetria indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa conforme apresentado no
histograma a seguir
27
dados
Fre
qu
en
cy
200001600012000800040000
120
100
80
60
40
20
0
Mean 5560
StDev 3515
N 660
Histogram (with Normal Curve) of dados
Figura 4 - Histograma da Seacuterie Inicial
Fonte SPSS 2012
De forma similar o conceito de curtose trata-se da uma medida de dispersatildeo para descriccedilatildeo da forma da
distribuiccedilatildeo de probabilidades e como o grau de simetria existem formas diferentes de quantificaacute-la como uma
distribuiccedilatildeo teoacuterica e formas correspondentes de estimaacute-la a partir de uma amostra oriunda de uma populaccedilatildeo Essa
medida indica o grau de achatamento curva de distribuiccedilatildeo de probabilidade
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de curtose (kurtosis) O valor positivo do grau de simetria
indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa O valor positivo indica um
comportamento leptocuacutertica indicando que a mesma eacute mais alta e mais concentrada que a distribuiccedilatildeo normal
O Teste de Normalidade realizado com 95 de niacutevel de confianccedila gerou um p-value nulo ou seja abaixo dos
5 de significacircncia Desta maneira a hipoacutetese nula de que os dados apresentariam uma distribuiccedilatildeo normal foi
rejeitada
Tests of Normality
105 660 000 860 660 000VAR00001
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 5 - Teste de Normalidade da Seacuterie Inicial
Fonte SPSS 2012
28
O teste de Kolmogorov-Smirnov eacute utilizado para determinar se duas distribuiccedilotildees de probabilidade diferem uma
da outra ou natildeo O graacutefico abaixo referente a este testem evidencia o comportamento da distribuiccedilatildeo frente ao
comportamento da distribuiccedilatildeo normal
dados
Pe
rce
nt
2500020000150001000050000-5000-10000
9999
99
95
80
50
20
5
1
001
Mean
lt0010
5560
StDev 3515
N 660
KS 0105
P-Value
Teste de Normalidade Kolmogorov-SmirnovNormal
Figura 6 - Teste de Kolmogorov-Smirnov para a Seacuterie Inicial
Fonte SPSS 2012
Assim faz-se necessaacuterio uma transformaccedilatildeo na seacuterie para adequaccedilatildeo dos dados para uma distribuiccedilatildeo
normal Para tal modificaccedilatildeo neste trabalho foi utilizada a distribuiccedilatildeo logariacutetmica na base 10
Apoacutes a transformaccedilatildeo o teste de normalidade foi realizado novamente (tambeacutem com 95 de significacircncia) O
resultado eacute apresentado na tabela a seguir
Tests of Normality
042 660 007 994 660 009log10
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 7 - Teste de Normalidade para a Seacuterie Transformada
Fonte SPSS 2012
Conforme pode ser observado na tabela acima o p-value foi proacuteximo de 001 menor que 005 Apesar do
pressuposto de normalidade dos dados natildeo ter sido alcanccedilado esta base de dados seraacute utilizada nas modelagens
para fins acadecircmicos e seraacute tomado como premissa que a distribuiccedilatildeo estaacute normalizada
29
O teste graacutefico de normalidade de Kolmogorov-Smirnov foi realizado para a distribuiccedilatildeo transformada O
graacutefico abaixo evidencia o comportamento dos dados da distribuiccedilatildeo frente ao comportamento da distribuiccedilatildeo normal
auxiliando na conclusatildeo do teste anterior
log 10
Pe
rce
nt
4540353025
9999
99
95
80
50
20
5
1
001
Mean
lt0010
3668
StDev 02593
N 660
KS 0042
P-Value
Teste de Normalidade Kolmogorov-Smirnov - log 10Normal
Figura 8 - Teste de Kolmogorov-Smirnov para a Seacuterie Transformada
Fonte SPSS 2012
A seguir tem-se o histograma da seacuterie transformada evidenciando a mudanccedila do comportamento dos dados
30
log 10
Fre
qu
en
cy
42403836343230
70
60
50
40
30
20
10
0
Mean 3668
StDev 02593
N 660
Histogram of log 10Normal
Figura 9 - Histograma da Seacuterie Transformada
Fonte SPSS 2012
O teste da igualdade de variacircncias eacute aplicado com o objetivo de verificar se devem ou natildeo ser assumidas
igualdade entre as variacircncias das populaccedilotildees Para isso foi utilizado na anaacutelise o Teste de Levene cujas hipoacuteteses
satildeo as seguintes
H0 as variacircncias nas duas populaccedilotildees satildeo iguais ou seja existe homocedasticidade (σ1 = σ2 ou σ1 = σ2 = 0)
Neste caso assume-se a estatiacutestica Sig F gt 005
H1 as variacircncias nas duas populaccedilotildees satildeo diferentes ou seja natildeo existe homocedasticidade (σ1 ne σ2 ou σ1 ne
σ2 ne 0) Neste caso assume-se a estatiacutestica Sig F lt ou = 005
Para a realizaccedilatildeo do teste dividiu-se a populaccedilatildeo em dois grupos iguais (grupos denominados como 0 e 1
cada um com 330 unidades) Os resultados satildeo os seguintes
31
Group Statistics
330 35473 23553 01297
330 37896 22313 01228
Teste de Lev ene0
1
log10N Mean Std Dev iation
Std Error
Mean
Independent Samples Test
5981 015 -13569 658 000 -24235 01786 -27742 -20728
-13569 656086 000 -24235 01786 -27742 -20728
Equal variances
assumed
Equal variances
not assumed
log10F Sig
Lev enes Test for
Equality of Variances
t df Sig (2-tailed)
Mean
Dif f erence
Std Error
Dif f erence Lower Upper
95 Conf idence
Interv al of the
Dif f erence
t-test f or Equality of Means
Figura 10 - Teste de Homocedasticidade para a Seacuterie Transformada
Fonte SPSS 2012
Pelo resultado do teste pode-se verificar que o valor de ldquoSigrdquo (referente ao p-value) foi de 0015 onde se
conclui que a hipoacutetese nula que leva em consideraccedilatildeo que a variacircncia da seacuterie eacute constante pode ser aceita
33 ndash MODELOS DE PREVISAtildeO
Neste trabalho seratildeo analisados os seguintes modelos de previsatildeo
1 ndash Box Jenkins
2 ndash Suavizaccedilatildeo Exponencial
Para determinar o modelo de previsatildeo mais adequado foi utilizado o software Forecast Pro for Windows (FPW)
Todas as previsotildees foram realizadas utilizando a seacuterie com a variaacutevel transformada a fim de atender o
pressuposto de normalidade da seacuterie necessaacuterio nos modelos de previsatildeo
32
Figura 11 - Seleccedilatildeo da Seacuterie para a Previsatildeo
Fonte FPW 2012
331 ndash Box-Jenkins
Apoacutes a apresentaccedilatildeo e anaacutelises dos pressupostos necessaacuterios para a aplicaccedilatildeo do modelo Box-Jenkins seratildeo
realizadas as anaacutelises que demonstram a funccedilatildeo de autocorrelaccedilatildeo (FAC) e funccedilatildeo de autocorrelaccedilatildeo parcial (FACP)
Figura 12 - FAC da Seacuterie
Fonte FPW 2012
33
Figura 13 - FACP da Seacuterie
Fonte FPW 2012
Nota-se na Figura XXX FAC da seacuterie que a seacuterie decai muito lentamente indicando tendecircncia logo faz-se
necessaacuterio realizar uma diferenciaccedilatildeo na parte simples
Apoacutes a diferenciaccedilatildeo obtiveram-se os seguintes novos graacuteficos para a funccedilatildeo de autocorrelaccedilatildeo e funccedilatildeo de
autocorrelaccedilatildeo parcial
Figura 14 - FAC da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
34
Figura 15 - FACP da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
Apoacutes a realizaccedilatildeo da diferenciaccedilatildeo os seguintes modelos foram testados
1 ndash ARIMA (110)
2 ndash ARIMA (011)
3 ndash ARIMA (210)
4 ndash ARIMA (012)
5 ndash ARIMA (111)
A seguir cada modelo seraacute demonstrado
1 ndash ARIMA (110)
Figura 16 - Resultado ARIMA (110)
Fonte FPW 2012
35
Figura 17 - FAC dos Resiacuteduos ARIMA (110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08746) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel a(1) foi considerada significativa
2 - ARIMA (011)
Figura 18 - Resultado ARIMA (011)
Fonte FPW 2012
36
Figura 19 - FAC dos Resiacuteduos ARIMA (011)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel b(1) foi considerada significativa
3 - ARIMA (210)
Figura 20 - Resultado ARIMA (210)
Fonte FPW 2012
37
Figura 21 - FAC dos Resiacuteduos ARIMA (210)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08765) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
4 - ARIMA (012)
Figura 22 - Resultado ARIMA (012)
Fonte FPW 2012
38
Figura 23 - FAC dos Resiacuteduos ARIMA (012)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08777) com lag significativo nas fases 12 24 e 36 no graacutefico da FAC dos
resiacuteduos As variaacuteveis b(1) e b(2) foram consideradas significativas
5 - ARIMA (111)
Figura 24 - Resultado ARIMA (111)
Fonte FPW 2012
39
Figura 25 - FAC dos Resiacuteduos ARIMA (111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08811) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e b(1) foi considerada significativa
Observando os resultados obtidos nos cinco modelos anteriores fica evidente a semelhanccedila da presenccedila dos
lags significativos nas fases 12 24 e 36 no graacutefico da FAC dos resiacuteduos indicando a existecircncia de sazonalidade na
seacuterie modelada Assim torna-se necessaacuterio diferenciar a fase sazonal dos dados
Apoacutes a diferenciaccedilatildeo simples foram realizadas as seguintes diferenciaccedilotildees sazonais obtendo-se os seguintes
resultados para os modelos SARIMA
6 ndash SARIMA (011)(010)
Figura 26 - Resultado SARIMA (011)(010)
Fonte FPW 2012
40
Figura 27 - FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel b(1) foi considerada significativa
7 ndash SARIMA (110)(010)
Figura 28 - Resultado SARIMA (011)(010)
Fonte FPW 2012
41
Figura 29 - FAC dos Resiacuteduos SARIMA (011)(010)
Figura 29 ndash FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08305) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel a(1) foi considerada significativa
8 ndash SARIMA (210)(010)
Figura 30 - Resultado SARIMA (210)(010)
Fonte FPW 2012
42
Figura 31 - FAC dos Resiacuteduos SARIMA (210)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08337) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
9 ndash SARIMA (012)(010)
Figura 32 - Resultado SARIMA (012)(010)
Fonte FPW 2012
43
Figura 33 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
10 ndash SARIMA (111)(010)
Figura 34 - Resultado SARIMA (111)(010)
Fonte FPW 2012
44
Figura 35 - FAC dos Resiacuteduos SARIMA (111)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 12 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1
11 ndash SARIMA (011)(110)
Figura 36 - Resultado SARIMA (011)(110)
Fonte FPW 2012
45
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08623) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis A(12) e b(1) foram consideradas significativas
12 ndash SARIMA (110)(110)
Figura 38 - Resultado SARIMA (011)(110)
Fonte FPW 2012
46
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08595) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e A(12) foram consideradas significativas
13 ndash SARIMA (210)(110)
Figura 40 - Resultado SARIMA (210)(110)
Fonte FPW 2012
47
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08620) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) a(2) e A(12) foram consideradas significativas
14 ndash SARIMA (012)(010)
Figura 42 - Resultado SARIMA (012)(010)
Fonte FPW 2012
48
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08625) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
15 ndash SARIMA (111)(110)
Figura 44 - Resultado SARIMA (111)(110)
Fonte FPW 2012
49
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08626) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 24 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1 e MA = 1
16 ndash SARIMA (011)(111)
Figura 46 - Resultado SARIMA (011)(111)
Fonte FPW 2012
50
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) e B(12) foram consideradas significativas pelo modelo
17 ndash SARIMA (110)(111)
Figura 48 - Resultado SARIMA (110)(111)
Fonte FPW 2012
51
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09010) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) e B(12) foram consideradas significativas pelo modelo
18 ndash SARIMA (210)(111)
Figura 50 - Resultado SARIMA (210)(111)
Fonte FPW 2012
52
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) a(12) e B(12) foram consideradas significativas pelo modelo
19 ndash SARIMA (012)(111)
Figura 52 ndash Resultado SARIMA (012)(111)
Fonte FPW 2012
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
13
12 ndash OBJETIVO
O objetivo desse trabalho eacute o de comparar a utilizaccedilatildeo de meacutetodos de previsatildeo de demanda e definir qual
deveraacute ser aplicado para a previsatildeo do volume de produccedilatildeo de caminhotildees a partir da base de dados da ANFAVEA
13 ndash JUSTIFICATIVAS
O processo de previsatildeo de demanda por seacuteries temporais utiliza dados passados e presentes para obter dados
futuros por meio de modelos descritos e ajustados das variaacuteveis em questatildeo
As seacuteries temporais satildeo observaccedilotildees de variaacuteveis que podem ser de vaacuterios campos da economia Exemplos
de tais variaacuteveis satildeo taxas de inflaccedilatildeo iacutendices de accedilotildees taxas de desemprego e participaccedilatildeo de uma empresa em
determinado mercado Frequentemente os modelos de previsatildeo para essas taxas satildeo utilizados para determinar as
poliacuteticas e objetivos que guiaratildeo as empresas e instituiccedilotildees
A anaacutelise das seacuteries temporais pode evidenciar uma variedade de padrotildees e comportamentos Tipicamente
muitos agregados macroeconocircmicos tais como produccedilatildeo industrial consumo e salaacuterios mostram comportamentos que
evidenciam tendecircncias de crescimento
Assim aleacutem de buscar o melhor modelo de previsatildeo aplicado ao volume de produccedilatildeo de caminhotildees no Brasil
o presente trabalho tambeacutem tem o objetivo de evidenciar os padrotildees e comportamentos desta seacuterie
14 ndash CONDICcedilOtildeES DE CONTORNO
Este trabalho trataraacute da previsatildeo do volume de produccedilatildeo mensal de caminhotildees no Brasil Para definir o modelo
de previsatildeo mais adequado seratildeo utilizados dados mensais entre janeiro de 1957 e dezembro de 2011
Seratildeo abordados neste trabalho os modelos Box-Jenkins e a teacutecnica do Amortecimento Exponencial para
definir a melhor modelagem para seacuterie abordada
15 ndash METODOLOGIA
O desenvolvimento deste trabalho foi realizado em seis etapas a primeira consistiu da revisatildeo da literatura
sobre seacuteries temporais previsatildeo de demanda e volume de produccedilatildeo de caminhotildees no Brasil
Na segunda etapa foi realizada a coleta de dados referente aos volumes de produccedilatildeo para o periacuteodo estudado
A terceira etapa por sua vez consistiu na realizaccedilatildeo das anaacutelises descritivas para o entendimento do comportamento
da seacuterie
A quarta etapa envolveu os testes com os modelos e meacutetodos de previsatildeo bem como a geraccedilatildeo das
previsotildees Na quinta etapa foram analisados os modelos de previsatildeo obtidos definindo qual seria o modelo mais
adequado
A uacuteltima etapa eacute composta pelo fechamento do trabalho incluindo as anaacutelises do modelo proposto bem como
as recomendaccedilotildees para trabalhos futuros
14
2 ndash REVISAtildeO BIBLIOGRAacuteFICA
21 ndash SEacuteRIES TEMPORAIS
Uma seacuterie temporal pode ser definida como um conjunto de observaccedilotildees de uma variaacutevel observadas
sequencialmente no tempo Assim a variaacutevel eacute verificada em intervalos de tempo equidistantes e a correlaccedilatildeo entre os
diversos pontos da seacuterie gera a caracteriacutestica de dependecircncia entre eles Levando em consideraccedilatildeo que a seacuterie
temporal tambeacutem pode ser definida como as provaacuteveis trajetoacuterias para um determinado processo faz com que os
dados da mesma natildeo sejam apenas correlacionados mas oriundos tambeacutem de um processo estocaacutestico no qual eacute
observado uma das trajetoacuterias
A anaacutelise da seacuterie temporal por sua vez inicia-se a partir da descriccedilatildeo dos fenocircmenos e processos que a
originam Um fator importante que tambeacutem deve ser estudado eacute a dependecircncia entre as observaccedilotildees
Segundo Makridakis et al (1998) existem quatro tipos de padrotildees de seacuteries temporais
1 - Horizontal quando os valores dos dados flutuam ao redor de uma meacutedia constante
2 - Inclinado (tendecircncia) quando se verifica um crescimento ou decreacutescimo em longo prazo no valor dos
dados
3 - Ciacuteclico estaacute presente em uma seacuterie temporal quando os dados exibem crescimentos e quedas que natildeo se
repetem em um intervalo de tempo fixo
4 - Sazonal padratildeo sazonal existe quando uma seacuterie temporal eacute influenciada por fatores sazonais isto eacute que
se repetem a intervalos de tempos iguais
Adicionalmente uma seacuterie temporal eacute considerada natildeo linear quando pelo menos sua variacircncia natildeo eacute
constante ou sua meacutedia natildeo eacute constante Assim basta que pelo menos uma das duas caracteriacutesticas esteja presente
no comportamento da seacuterie para ser considerada natildeo linear
Para a utilizaccedilatildeo dos dados nos modelos Box-Jenkins faz-se necessaacuterio garantir o pressuposto em que a
meacutedia e a variacircncia sejam constantes no tempo Quando a meacutedia possui variaccedilatildeo a uma taxa constante a seacuterie eacute
definida como natildeo estacionaacuteria Esta variaccedilatildeo por sua vez pode ocorrer a uma taxa constante dentro de um ciclo
chamada de natildeo-estacionariedade sazonal
As funccedilotildees de autocorrelaccedilatildeo e autocorrelaccedilatildeo parcial satildeo mecanismos adotados dentro dos modelos Box-
Jenkins com a funccedilatildeo de identificar mecanismos relativos a natildeo-estacionariedade das seacuteries em estudo
22 ndash PREVISAtildeO DE SEacuteRIES TEMPORAIS
Para a previsatildeo de seacuteries temporais podem ser empregados modelos e meacutetodos que se diferenciam da
seguinte forma um modelo de previsatildeo eacute aquele que utiliza uma ou mais equaccedilotildees para representar a estrutura
aleatoacuteria da seacuterie temporal Jaacute um meacutetodo eacute uma combinaccedilatildeo de uma rotina de estimaccedilatildeo e um modelo (assim torna-
se necessaacuterio uma rotina preacutevia de identificaccedilatildeo do modelo adequado) Pelo fato dos modelos atraveacutes de suas
caracteriacutesticas serem muitos especiacuteficos a grande maioria foi desenvolvida para padrotildees de seacuteries temporais
anteriormente mencionados
As teacutecnicas de previsatildeo satildeo distribuiacutedas em dois grupos meacutetodos qualitativos e quantitativos Os meacutetodos
qualitativos satildeo aplicados quando existe conhecimento acumulado sobre o processo ou fenocircmeno em estudo havendo
15
a necessidade do julgamento por meio de especialistas principalmente quando natildeo existe uma seacuterie histoacuterica para ser
estudada
Os meacutetodos quantitativos utilizam dados histoacutericos e modelos matemaacuteticos para prever comportamentos
futuros As teacutecnicas quantitativas dividem-se em dois subgrupos seacuteries temporais (ou meacutetodos univariaacuteveis) e modelos
causais (multivariaacuteveis) As seacuteries temporais utilizam dados histoacutericos de demanda como base para determinaccedilatildeo de
padrotildees que podem se repetir no futuro Exemplos satildeo as teacutecnicas de seacuteries temporais e o amortecimento exponencial
Jaacute os modelos causais satildeo aqueles que buscam relacionar as demandas (variaacutevel dependente) com outros fatores
(variaacutevel independente) como fatores macroeconocircmicos como o PIB inflaccedilatildeo clima entre outros Para isso torna-se
necessaacuterio a utilizaccedilatildeo de regressotildees lineares e natildeo lineares
A aplicaccedilatildeo dos meacutetodos quantitativos depende de trecircs fatores
1 ndash Disponibilidade de informaccedilotildees histoacutericas
2 ndash Quantificaccedilatildeo das informaccedilotildees histoacutericas em seacuteries temporais
3 ndash Recorrecircncia no futuro de padrotildees observados nas informaccedilotildees histoacutericas
A condiccedilatildeo de recorrecircncia eacute conhecida como suposiccedilatildeo de continuidade e eacute uma premissa de todos os
meacutetodos quantitativos e alguns meacutetodos qualitativos
As caracteriacutesticas dos meacutetodos claacutessicos satildeo a mensuraccedilatildeo probabiliacutestica de erro da previsatildeo e uma
metodologia menos subjetiva para a obtenccedilatildeo dos modelos Neste grupo de modelos estaacute inserido o de Box-Jenkins
Um modelo claacutessico supotildee que a seacuterie temporal zt onde t = 1 N possa ser escrito como uma soma (modelo
aditivo) por meio da seguinte equaccedilatildeo
tttt aSTz (Equaccedilatildeo 1)
Ou ainda possa ser escrito como uma multiplicaccedilatildeo (modelo multiplicativo) da seguinte forma
tttt aSTz (Equaccedilatildeo 2)
Onde
tT = denotaccedilatildeo para tendecircncia
tS = denotaccedilatildeo para componente sazonal
ta = denotaccedilatildeo para termo aleatoacuterio
Removendo-se as componentes tT e tS resta a componente aleatoacuteria (at) ou residual A suposiccedilatildeo adotada eacute
que at seja uma componente puramente aleatoacuteria mesmo em alguns casos em que eacute considerada como um processo
estacionaacuterio com meacutedia e variacircncia constantes
Aleacutem dos modelos claacutessicos existe outra classe de meacutetodo de previsatildeo que contecircm os natildeo parameacutetricos
Esses satildeo caracterizados por serem muito subjetivos por natildeo possuiacuterem um grande nuacutemero de suposiccedilotildees como os
16
claacutessicos No entanto dentro dos natildeo parameacutetricos existe uma classe de modelos conhecidos por sua qualidade
preditiva e complexidade sendo denominados de modelos de redes neurais
Os modelos utilizados atualmente satildeo compostos de modelos teoacutericos exatos e empiacutericos Assim o
conhecimento teoacuterico eacute utilizado parcialmente para indicar uma classe adequada de funccedilotildees matemaacuteticas que satildeo
ajustadas empiricamente fazendo com que o ajuste dos seus paracircmetros seja realizado de forma experimental
Um dos aspectos relevantes para a seleccedilatildeo do modelo mais adequado estaacute na capacidade do mesmo em
reproduzir os dados conhecidos e as previsotildees futuras de forma acurada Assim se xt eacute a observaccedilatildeo real para o
periacuteodo t e tx eacute a previsatildeo para o mesmo periacuteodo Assim o erro na previsatildeo eacute definido por
ttt xxe ˆ (Equaccedilatildeo 4)
Se existirem observaccedilotildees e previsotildees para n periacuteodos as seguintes estatiacutesticas podem ser utilizadas
n
1t
en
1ME
t (Equaccedilatildeo 5)
Ie In
1MAE
n
1t
t
(Equaccedilatildeo 6)
n
1t
2
t en
1MSE (Equaccedilatildeo 7)
O erro meacutedio ME eacute definido como a meacutedia dos erros calculado na equaccedilatildeo 5 (et) Pelo somatoacuterio os valores
positivos e negativos tendem a se anular resultando em um valor baixo O erro meacutedio absoluto (MAE) eacute definido pelo
somatoacuterio dos moacutedulos dos erros e em seguida realiza-se a meacutedia dos valores absolutos encontrados No caacutelculo do
erro quadraacutetico (MSE) os erros se tornam positivos pela elevaccedilatildeo ao quadrado e a meacutedia eacute realizada com os valores
positivos encontrados
Considerando a escala em que os dados satildeo expressos pode-se definir o erro relativo como
100xˆ
PE t
t
t
x
xx (Equaccedilatildeo 8)
t
n
1t
PEn
1MPE
(Equaccedilatildeo 9)
IPE In
1MAPE t
n
1t
(Equaccedilatildeo 10)
O erro meacutedio percentual (MPE) eacute a meacutedia do erro percentual calculado em PEt para n periacuteodos Neste caso os
valores positivos e negativos dos erros percentuais tendem a se anular da mesma forma que para ME Da mesma
forma que para MAE o erro meacutedio absoluto percentual tambeacutem eacute obtido utilizando-se erros absolutos percentuais
17
23 ndash MODELO BOX-JENKINS
Os modelos ARIMA (Autoregressive Integrated Moving Average ndash Auto-Regressivos Integrados de Meacutedias
Moacuteveis) da famiacutelia de Box-Jenkins tem o objetivo de captar o comportamento da autocorrelaccedilatildeo (correlaccedilatildeo seriada)
entre os valores da seacuterie temporal e realizar previsotildees baseando-se neste comportamento
Dentre a famiacutelia de modelos destacam-se os Auto-Regressivos e os de Meacutedias Moacuteveis Aleacutem destes existem
ainda outras variaccedilotildees no qual satildeo tomadas d diferenccedilas de uma seacuterie natildeo estacionaacuteria visando tornaacute-la estacionaacuteria
(com meacutedia e variacircncia constantes ao longo do tempo) Existem ainda os modelos ARMA (Auto-Regressivos de Meacutedias
Moacuteveis) que satildeo utilizados quando natildeo haacute necessidade de realizar diferenciaccedilotildees para tornar a seacuterie estacionaacuteria
Outro modelo eacute conhecido como SARIMA (ou ARIMA Sazonal) que eacute utilizado para captar a sazonalidade de uma
seacuterie
Um benefiacutecio da utilizaccedilatildeo dos modelos Box-Jenkins estaacute relacionado ao fato do algoritmo do mesmo auxiliar o
usuaacuterio na escolha do melhor modelo por meio dos comportamentos dos graacuteficos da funccedilatildeo de autocorrelaccedilatildeo (FAC) e
da funccedilatildeo de autocorrelaccedilatildeo parcial (FACP)
A FAC eacute determinada atraveacutes da correlaccedilatildeo linear de cada valor yt da seacuterie de dados com outros valores em
lags distintos como yt-1 yt-2 e assim sucessivamente Assim o coeficiente de correlaccedilatildeo temporal (autocorrelaccedilatildeo) da
seacuterie temporal defasado por 1 2 ou mais periacuteodos eacute calculado pela seguinte equaccedilatildeo
n
1t
2
n
1tk
r
xx
xxxx
t
ktt
k (Equaccedilatildeo 11)
Na equaccedilatildeo anterior r1 indica como os valores sucessivos de x relacionam-se entre si r2 indica como os
valores de x defasados em dois periacuteodos relacionam-se entre si e assim sucessivamente Em conjunto as
autocorrelaccedilotildees defasadas em 1 2 k periacuteodos constituem a funccedilatildeo de autocorrelaccedilatildeo
A FACP por sua vez possui um conceito semelhante ao da FAC Eacute definida pela correlaccedilatildeo existente entre yt
e yt-2 por exemplo sem levar em consideraccedilatildeo os efeitos causados por yt-1 e yt-2 O coeficiente de autocorrelaccedilatildeo
parcial de ordem k definido por k pode ser obtido atraveacutes da estimaccedilatildeo dos coeficientes da regressatildeo muacuteltipla de x t
em funccedilatildeo de 1tx 2tx ktx conforme a proacutexima equaccedilatildeo
ktkttt xxxx 22110 (Equaccedilatildeo 12)
As autocorrelaccedilotildees parciais satildeo usadas para medir o grau de associaccedilatildeo entre as observaccedilotildees x t e xt-k quando
o efeito das outras observaccedilotildees defasadas no tempo em 1 2 k-1 periacuteodos satildeo removidas As autocorrelaccedilotildees
parciais 1 2 k constituem a FACP
Pelo fato deste processo permitir que usuaacuterios diferentes modelem diferentes equaccedilotildees a partir de uma mesma
seacuterie temporal pode existir certo grau de subjetividade na escolha do melhor modelo para a previsatildeo da seacuterie em
questatildeo
18
231 ndash Modelo ARMA (Auto-Regressivo a Meacutedia Moacutevel)
O modelo ARMA natildeo possui uma parte integrada Sendo assim satildeo utilizados para uma seacuterie temporal
estacionaacuteria com relaccedilatildeo agrave meacutedia e a variacircncia e satildeo definidos pelas equaccedilotildees a seguir
qtqttptptt eeexxcx 1111 (Equaccedilatildeo 13)
Existem restriccedilotildees aos valores cujos paracircmetros podem assumir nas equaccedilotildees anteriores a saber
Para p = 1 -1 lt 1 lt 1
Para p = 2 -1 lt 2 lt 1 1 + 2 lt 1 e 2 ndash 1 lt 1
Para p gt= 3 condiccedilotildees mais complexas prevalecem
Da mesma forma
Para q = 1 -1 lt 1 lt 1
Para q = 2 -1 lt 2 lt 1 1 + 2 lt 1 e 2 ndash 1 lt 1
Para p gt= 3 condiccedilotildees mais complexas prevalecem
Um dispositivo de notaccedilatildeo uacutetil eacute o operador de deslocamento retroativo definido por 1 tt xBx Assim B
operando sobre tx tem o efeito de deslocar os dados para traacutes em um periacuteodo Dessa forma
2
2)( ttt xxBBxB (Equaccedilatildeo 14)
Por meio da equaccedilatildeo acima que o modelo recebe a denominaccedilatildeo de Auto-Regressivo a Meacutedia Moacutevel (ARMA)
de ordens (pq) conforme expresso na equaccedilatildeo seguinte
t
MA
p
p
AR
t
p
p eBBcxBB
qp
)()(
11 11 (Equaccedilatildeo 15)
Os coeficientes 1 2 p e 1 2 q satildeo estimados para ajustarem-se agrave seacuterie temporal estudada
atraveacutes dos meacutetodos dos miacutenimos quadrados ou da maacutexima verossimilhanccedila A aplicaccedilatildeo do meacutetodo dos miacutenimos
quadrados eacute realizada atraveacutes de estimativas feitas iterativamente por softwares ateacute que soma dos erros quadraacuteticos
seja minimizada O meacutetodo da maacutexima verossimilhanccedila estima tambeacutem iterativamente os valores dos paracircmetros que
maximizem a verossimilhanccedila de um conjunto de observaccedilotildees
O modelo ARMA deve ter seus erros et distribuiacutedos aleatoriamente comportando-se como uma seacuterie de ruiacutedo
branco Os resiacuteduos natildeo satildeo ruiacutedo branco se as estatiacutesticas Q sugerida por Box-Pierce ou Q sugerida por Ljungndash
Box posicionarem-se no extremo 5 da cauda direita da distribuiccedilatildeo χ2 As expressotildees para caacutelculo das estatiacutesticas
Q de BoxndashPierce ou Q de Ljung-Box satildeo as seguintes
19
h
1k
2
k tnQ (Equaccedilatildeo 16)
h
1k
2
k
k-
r)2(
nnnQ (Equaccedilatildeo 17)
Onde
n = nuacutemero de observaccedilotildees da seacuterie
h = maacutexima defasagem dos coeficientes de correlaccedilatildeo dos resiacuteduos
Alguns autores apresentam procedimentos para identificaccedilatildeo das ordens p e q dos modelos ARMA por meio
dos graacuteficos das FAC e FACP como exemplificado no quadro a seguir
Modelo FAC FACP
ARMA (p0) Decaimento gradativo Decaimento brusco apoacutes defasagem p
ARMA (0q) Decaimento brusco apoacutes defasagem q Decaimento gradativo
ARMA (pq) Decaimento gradativo com onda
senoidal amortecida apoacutes a
defasagem (q-p)
Decaimento gradativo com onda
senoidal amortecida apoacutes a defasagem
(p-q)
Tabela 1 - Comportamento das FAC e FACP para Modelos Estacionaacuterios
Fonte Elaborado pelos Autores
232 ndash Modelo ARIMA
Em muitos casos as seacuteries temporais encontradas possuem tendecircncia apresentando um comportamento natildeo
estacionaacuterio No entanto para aplicar o meacutetodo de Box-Jenkins eacute necessaacuterio remover a tendecircncia da seacuterie atraveacutes da
diferenciaccedilatildeo ou seja aplicar sobre a mesma o operador (1 ndash B) no modelo ARMA conforme equaccedilatildeo a seguir
tttt xBxxx )1(1
(Equaccedilatildeo 18)
Desta forma a expressatildeo do modelo ARIMA (pdq) ndash auto regressivo integrado a meacutedia moacutevel de ordem p d
q eacute a expressatildeo do modelo ARMA (pq) acrescido do fator de diferenciaccedilatildeo de ordem d responsaacutevel pela descriccedilatildeo do
comportamento de tendecircncia da seacuterie conforme representado na equaccedilatildeo a seguir
t
MA
p
p
I
t
d
AR
p
p eBBcxBBB
qdp
)()()(
111 11 (Equaccedilatildeo 19)
233 ndash Modelo ARIMA Sazonal (SARIMA)
O comportamento mais geral de seacuteries histoacutericas natildeo estacionaacuterias eacute o que combina o padratildeo de tendecircncia
com o padratildeo de sazonalidade O meacutetodo de Box-Jenkins recomenda a remoccedilatildeo tanto da tendecircncia quanto da
sazonalidade das seacuteries diferenciando-a duas vezes Eacute recomendado que a diferenciaccedilatildeo sazonal sobre a seacuterie
20
original seja feita em primeiro lugar uma vez que em alguns casos sua aplicaccedilatildeo jaacute torna a seacuterie estacionaacuteria como
mostrado na expressatildeo a seguir (para uma seacuterie com nuacutemero de periacuteodos com ciclo sazonal igual a 12)
tttt xBxxx )1( 12
12
(Equaccedilatildeo 20)
Nos casos em que se torna necessaacuteria a segunda diferenciaccedilatildeo faz necessaacuteria aplicar o operador )1( B na
mesma conforme equaccedilatildeo a seguir
ttttt xBBxBxxx 12
1
11)1( (Equaccedilatildeo 21)
24 ndash MEacuteTODO DO AMORTECIMENTO EXPONENCIAL
Historicamente o amortecimento exponencial descreve uma classe de meacutetodos de previsatildeo De fato alguns
dos meacutetodos mais utilizados para esse fim satildeo baseados nesse conceito cada um deles utilizando a propriedade em
que os pesos das observaccedilotildees mais recentes satildeo maiores do que aqueles referentes a observaccedilotildees no passado
Assim o nome ldquoamortecimento exponencialrdquo reflete no fato de que os pesos (atraveacutes do uso da meacutedia ponderada)
diminuem exponencialmente agrave medida que as observaccedilotildees satildeo mais antigas
Os primeiros registros da utilizaccedilatildeo do meacutetodo satildeo de Robert G Brown em 1944 enquanto desenvolvia
trabalhos como analista de Pesquisa Operacional na Marinha Americana enquanto desenvolvia um dispositivo
mecacircnico para monitorar a velocidade e o acircngulo de tiros disparados de submarinos Em 1950 ele estendeu o uso
desse meacutetodo para seacuteries temporais discretas incluindo termos para lidar com as componentes de sazonalidade e
tendecircncia
Paralelamente Charles Holt tambeacutem estava trabalhando em um meacutetodo de amortecimento exponencial para o
Escritoacuterio Americano de Pesquisas Navais O seu trabalho em modelos sazonais aditivos e multiplicativos se tornaram
conhecidos atraveacutes de um artigo publicado por seu estudante Peter Winters em 1960 aplicando testes empiacutericos ao
meacutetodo de Holt Como resultado a versatildeo da ferramenta que trabalha com a componente sazonal eacute denominada de
Holt-Winters
Os modelos de suavizaccedilatildeo exponencial satildeo largamente utilizados devido a sua simplicidade e baixo custo
Assim quando se necessitam previsotildees para milhares de itens como eacute o caso em muitos sistemas de gestatildeo esses
modelos satildeo muitas vezes os uacutenicos suficientemente raacutepidos e baratos para assegurar uma implementaccedilatildeo viaacutevel
Dessa forma existem trecircs classes de meacutetodos de amortecimento exponencial a saber
1 ndash Seacuteries localmente constantes analisadas pelos modelos de meacutedias moacuteveis simples ou amortecimento
exponencial
2 ndash Seacuteries com tendecircncias que utilizam o modelo de Holt
3 ndash Seacuteries com comportamento sazonal que utilizam o modelo Holt-Winters
241 ndash Meacutetodos de Amortecimento Exponencial Simples
21
O meacutetodo de suavizaccedilatildeo exponencial simples tem melhor precisatildeo para seacuteries de padratildeo horizontal isto eacute
agravequelas que natildeo apresentam tendecircncia nem sazonalidade e eacute apropriado para previsotildees de curto prazo Seu algoritmo
de previsatildeo utiliza a seguinte expressatildeo da equaccedilatildeo
ttt xxx ˆ1ˆ1 (Equaccedilatildeo 22)
Onde
1ˆtx = previsatildeo para o periacuteodo t+1
α = constante de suavizaccedilatildeo cujo valor encontra-se entre 0 e 1
tx = uacuteltimo valor observado
tx = uacuteltimo valor observado com peso (1 ndash α)
Expandindo-se a expressatildeo acima pela substituiccedilatildeo de tx 1ˆtx 2
ˆtx por seus componentes resulta em
1113211ˆ)1()1(3)1(2)1(1ˆ xxxxxxx ttttttt (Equaccedilatildeo 23)
Assim 1ˆtx eacute uma meacutedia ponderada de todas as observaccedilotildees passadas constituindo os coeficientes de
ponderaccedilatildeo uma seacuterie decrescente exponencialmente para valores de α entre 0 e 1 Dessa constataccedilatildeo origina-se o
nome amortecimento exponencial Analisando-se a uacuteltima equaccedilatildeo verifica-se que a constante de suavizaccedilatildeo α
determina a rapidez do decaimento dos coeficientes (pesos) A escolha do valor para a constante de suavizaccedilatildeo pode
ser arbitraacuteria ou condicionada a algum criteacuterio que na maioria das vezes consiste na minimizaccedilatildeo do erro quadraacutetico
meacutedio atribuiacutedo ao desempenho do meacutetodo
A constante de suavizaccedilatildeo estaacute diretamente ligada agrave velocidade de resposta das previsotildees agraves variaccedilotildees das
observaccedilotildees ou seja quanto menor o valor de α mais lenta eacute a resposta Valores maiores que α causam reaccedilotildees
mais raacutepidas das previsotildees agraves variaccedilotildees das observaccedilotildees podendo causar instabilidade no desempenho do meacutetodo
Como o peso da primeira previsatildeo 1x eacute (1 ndash α)t verifica-se que menor importacircncia um fator teraacute para a
previsatildeo de t+1 quanto mais proacuteximo de um for e quanto maior for o t Como eacute necessaacuterio ter o valor de 1x eacute feita a
suposiccedilatildeo de que 1x = 1x ou seja igual agrave uacuteltima observaccedilatildeo O erro decorrente dessa suposiccedilatildeo seraacute tanto menor
quanto maiores forem α e t
Alternativamente a expressatildeo inicial desse item pode ser representada como
1ˆtx = tx + α( tx ndash tx ) (Equaccedilatildeo 24)
1ˆtx = tx + α te (Equaccedilatildeo 25)
Atraveacutes da anaacutelise da uacuteltima equaccedilatildeo pode-se concluir que o meacutetodo de suavizaccedilatildeo exponencial simples
prevecirc o valor de uma seacuterie temporal tomando a previsatildeo para o periacuteodo anterior e ajustando-a pelo valor do erro no
mesmo periacuteodo
22
242 ndash Meacutetodo de Holt
O meacutetodo de Holt pode ser utilizado de maneira satisfatoacuteria em seacuteries temporais com tendecircncia linear
mediante o uso de uma funccedilatildeo de ponderaccedilatildeo que daacute maior importacircncia aos periacuteodos de tempo mais recentes Seu
algoritmo de previsatildeo utiliza as seguintes expressotildees
))(1( 11 tttt TLxL (Equaccedilatildeo 26)
11 )1)(( tttt TLLT (Equaccedilatildeo 27)
mtx ˆ
tt mTL (Equaccedilatildeo 28)
Onde
mtx ˆ = previsatildeo para o periacuteodo t+m
= constantes de suavizaccedilatildeo com valor entre 0 e 1 que determinam a rapidez de decaimento dos pesos
da seacuterie quanto mais proacuteximo de um maior o peso das observaccedilotildees recentes
tL = estimativa do niacutevel da seacuterie no tempo t
tT = estimativa de declividade da seacuterie no tempo t
Como o meacutetodo de Holt baseia-se na aplicaccedilatildeo recursiva das expresses anteriores satildeo necessaacuterios tambeacutem
como dados de entrada tL e tT que podem ser considerados como 1L 1x e 1T 12 xx Outra forma de caacutelculo eacute a
regressatildeo linear simples aplicada aos dados da seacuterie temporal onde se obteacutem o valor da declividade da seacuterie temporal
e de 0L em sua origem
243 ndash Meacutetodo de Winters
Os meacutetodos de Winters dividem-se em dois grupos aditivo e multiplicativo No meacutetodo aditivo a amplitude da
variaccedilatildeo sazonal eacute constante ao longo do tempo ou seja a diferenccedila entre o maior e menor valor de demanda dentro
das estaccedilotildees permanece relativamente constante no tempo No meacutetodo multiplicativo a amplitude da variaccedilatildeo sazonal
aumente ou diminui como funccedilatildeo do tempo
2431 ndash Meacutetodo Sazonal Multiplicativo de Winters
))(1( 11
tt
t
t
t TLSS
xL (Equaccedilatildeo 29)
11 )1()( tttt TLLT (Equaccedilatildeo 30)
SSL
xS t
t
t
t
1 (Equaccedilatildeo 31)
mSSmTLx tttmt ˆ (Equaccedilatildeo 32)
23
Onde
mtx ˆ = previsatildeo para o periacuteodo t+m
= constantes de suavizaccedilatildeo que variam entre 0 e 1
tx = observaccedilatildeo mais recente
tL = estimativa do niacutevel de seacuterie no tempo t
tT = estimativa de declividade da seacuterie no tempo t
tS = componente de sazonalidade no tempo t
S = nuacutemero de subperiacuteodos do ano (sazonalidade)
A escolha de valores para as constantes de suavizaccedilatildeo eacute condicionada a algum criteacuterio que na maioria das
vezes consiste na minimizaccedilatildeo por meio do algoritmo de minimizaccedilatildeo linear do erro quadraacutetico meacutedio (MSE) atribuiacutedo
ao desempenho do meacutetodo
Como o meacutetodo multiplicativo de Winters baseia-se na aplicaccedilatildeo recursiva das equaccedilotildees deste item e que
deve ser iniciada em algum periacuteodo do passado no qual os valores de TL TT e TS devem ser estimados A maneira
mais simples de inicializar o niacutevel de tendecircncia no periacuteodo S O niacutevel eacute inicializado no primeiro periacuteodo sazonal da
seguinte forma
S
Sxxxx
SL
1
321
(Equaccedilatildeo 33)
Para inicializar a tendecircncia eacute conveniente o uso de dois ciclos completos isto eacute 2S periacuteodos como descrito
abaixo
S
xx
S
xx
S
xx
ST SSSSS
S 1 2211 (Equaccedilatildeo 34)
Por ultimo os iacutendices sazonais satildeo inicializados usando-se a razatildeo das primeiras observaccedilotildees como a meacutedia
do primeiro ano com descrito a seguir
S
xS
L
11
S
xS
L
22
S
S
s
xS
L (Equaccedilatildeo 35)
2432 ndash Meacutetodo Sazonal Aditivo de Winters
O meacutetodo aditivo de Winters eacute utilizado na modelagem dos dados sazonais no qual a amplitude do ciclo
sazonal permanece constante com o passar do tempo
Aleacutem disso a amplitude da variaccedilatildeo sazonal eacute constante ao longo do tempo ou seja a diferenccedila entre o maior
e o menor valor de demanda dentro das estaccedilotildees permanece relativamente constante no tempo As equaccedilotildees
matemaacuteticas satildeo
))(1()( 11 ttttt TLSSxL (Equaccedilatildeo 36)
24
11 )1()( tttt TLLT (Equaccedilatildeo 37)
Stttt SLxS )1()( St = γ(xt - Lt) + (1- γ)St-S (Equaccedilatildeo 38)
mStttmt SmTLx ˆ (Equaccedilatildeo 39)
A segunda equaccedilatildeo deste item eacute igual agravequela do meacutetodo multiplicativo de Winters O restante das equaccedilotildees se
diferem por iacutendice sazonais serem somados e subtraiacutedos ao inveacutes de serem tomados em produtos ou divisotildees
Os valores iniciais de SL e ST satildeo iguais aos do meacutetodo multiplicativo Os iacutendices sazonais satildeo inicializados da
seguinte forma
SLxS 11 SLxS 22 SSS LxS (Equaccedilatildeo 40)
25 ndash SELECcedilAtildeO DE MODELOS
A partir do momento em que vaacuterios modelos ajustam-se a uma seacuterie temporal deve-se eleger aquele que
melhor representa o seu comportamento por meio da anaacutelise de seus paracircmetros Neste trabalho os paracircmetros seratildeo
utilizados os seguintes paracircmetros de forma primordial na definiccedilatildeo do modelo mais apropriado
251 ndash Maacuteximo R2
A estatiacutestica R2 eacute definida por
n
1t
2
2n
1t2
ˆ
1
tt
tt
xx
xx
R (Equaccedilatildeo 41)
Onde
tx = observaccedilatildeo real para o periacuteodo t
tx = previsatildeo para o periacuteodo t
Uma medida de R2 mais proacutexima de zero indica um modelo com ajuste pobre enquanto que um valor proacuteximo
de um indica um bom ajuste
252 ndash Miacutenimo BIC (Bayesian Information Criterion)
Este criteacuterio penaliza os modelos com muitos paracircmetros sendo portanto um criteacuterio de verosimilhanccedila
penalisada Vale ressaltar que o BIC natildeo deve ser utilizado de forma isolada mas em conjunto com outros paracircmetros
na comparaccedilatildeo com diversos modelos
O BIC eacute definido pela seguinte expressatildeo
25
nm
nMSEBIC2
(Equaccedilatildeo 42)
nm
tt nxxn
BIC22
n
1t
ˆ1
(Equaccedilatildeo 43)
Onde
m = nuacutemero de paracircmetros do modelo
n = nuacutemero de observaccedilotildees da seacuterie temporal
3 - DESENVOLVIMENTO
31 ndash ANAacuteLISE DA SEacuteRIE
A seacuterie a seguir apresenta os dados quantitativos da evoluccedilatildeo do volume de produccedilatildeo de caminhotildees no Brasil
Tratam-se de dados mensais entre janeiro de 1957 e dezembro de 2011 totalizando 660 observaccedilotildees
5000
10000
15000
20000
60 65 70 75 80 85 90 95 0 5 10
Legend
PRODUCAO
Figura 2 - Seacuterie de Volume de Produccedilatildeo no Brasil
Fonte Elaborado pelos Autores 2012
26
32 ndash ANAacuteLISE DESCRITIVA
O primeiro passo foi a anaacutelise descritiva da seacuterie visando obter uma anaacutelise inicial para definir o modelo de
previsatildeo mais adequado agraves suas caracteriacutesticas
Utilizando o software Minitab obteve-se a seguinte tabela
Figura 3 - Estatiacutesticas Descritivas da Seacuterie Inicial
Fonte Minitab 2012
O coeficiente de correlaccedilatildeo de Pearson indica a razatildeo entre o desvio padratildeo e a meacutedia de uma seacuterie cujo
caacutelculo eacute representado por
CV = desvio padratildeomeacutedia
Introduzindo os valores do desvio padratildeo (3515) e da meacutedia da amostra (5560) na foacutermula anterior obteacutem-se o
seguinte resultado
CV = 35155560 = 06322 ~ 63 de grau de dispersatildeo
Essa medida eacute utilizada quando se pretende comparar duas ou mais distribuiccedilotildees de probabilidade quanto agraves
suas variabilidades atuando como uma medida de variabilidade relativa
Na teoria de probabilidade o grau de simetria eacute uma medida de assimetria da distribuiccedilatildeo de valores reais
aleatoacuterios O grau de simetria pode ser positivo ou negativo ou mesmo indefinido Qualitativamente um valor negativo
em que a cauda no lado esquerdo da funccedilatildeo de densidade de probabilidade eacute maior do que o lado direito e a maioria
dos valores tende ao lado direito da meacutedia De mesma forma um valor positivo indica que a cauda no lado direito eacute
maior do que o lado esquerdo e que a maioria dos valores tende ao lado esquerdo da meacutedia O valor zero indica que
valores relativos igualmente distribuiacutedos dos dois lados ao redor da meacutedia mas natildeo necessariamente implica em uma
distribuiccedilatildeo simeacutetrica
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de grau de simetria (skewness) O valor positivo do grau de
simetria indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa conforme apresentado no
histograma a seguir
27
dados
Fre
qu
en
cy
200001600012000800040000
120
100
80
60
40
20
0
Mean 5560
StDev 3515
N 660
Histogram (with Normal Curve) of dados
Figura 4 - Histograma da Seacuterie Inicial
Fonte SPSS 2012
De forma similar o conceito de curtose trata-se da uma medida de dispersatildeo para descriccedilatildeo da forma da
distribuiccedilatildeo de probabilidades e como o grau de simetria existem formas diferentes de quantificaacute-la como uma
distribuiccedilatildeo teoacuterica e formas correspondentes de estimaacute-la a partir de uma amostra oriunda de uma populaccedilatildeo Essa
medida indica o grau de achatamento curva de distribuiccedilatildeo de probabilidade
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de curtose (kurtosis) O valor positivo do grau de simetria
indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa O valor positivo indica um
comportamento leptocuacutertica indicando que a mesma eacute mais alta e mais concentrada que a distribuiccedilatildeo normal
O Teste de Normalidade realizado com 95 de niacutevel de confianccedila gerou um p-value nulo ou seja abaixo dos
5 de significacircncia Desta maneira a hipoacutetese nula de que os dados apresentariam uma distribuiccedilatildeo normal foi
rejeitada
Tests of Normality
105 660 000 860 660 000VAR00001
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 5 - Teste de Normalidade da Seacuterie Inicial
Fonte SPSS 2012
28
O teste de Kolmogorov-Smirnov eacute utilizado para determinar se duas distribuiccedilotildees de probabilidade diferem uma
da outra ou natildeo O graacutefico abaixo referente a este testem evidencia o comportamento da distribuiccedilatildeo frente ao
comportamento da distribuiccedilatildeo normal
dados
Pe
rce
nt
2500020000150001000050000-5000-10000
9999
99
95
80
50
20
5
1
001
Mean
lt0010
5560
StDev 3515
N 660
KS 0105
P-Value
Teste de Normalidade Kolmogorov-SmirnovNormal
Figura 6 - Teste de Kolmogorov-Smirnov para a Seacuterie Inicial
Fonte SPSS 2012
Assim faz-se necessaacuterio uma transformaccedilatildeo na seacuterie para adequaccedilatildeo dos dados para uma distribuiccedilatildeo
normal Para tal modificaccedilatildeo neste trabalho foi utilizada a distribuiccedilatildeo logariacutetmica na base 10
Apoacutes a transformaccedilatildeo o teste de normalidade foi realizado novamente (tambeacutem com 95 de significacircncia) O
resultado eacute apresentado na tabela a seguir
Tests of Normality
042 660 007 994 660 009log10
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 7 - Teste de Normalidade para a Seacuterie Transformada
Fonte SPSS 2012
Conforme pode ser observado na tabela acima o p-value foi proacuteximo de 001 menor que 005 Apesar do
pressuposto de normalidade dos dados natildeo ter sido alcanccedilado esta base de dados seraacute utilizada nas modelagens
para fins acadecircmicos e seraacute tomado como premissa que a distribuiccedilatildeo estaacute normalizada
29
O teste graacutefico de normalidade de Kolmogorov-Smirnov foi realizado para a distribuiccedilatildeo transformada O
graacutefico abaixo evidencia o comportamento dos dados da distribuiccedilatildeo frente ao comportamento da distribuiccedilatildeo normal
auxiliando na conclusatildeo do teste anterior
log 10
Pe
rce
nt
4540353025
9999
99
95
80
50
20
5
1
001
Mean
lt0010
3668
StDev 02593
N 660
KS 0042
P-Value
Teste de Normalidade Kolmogorov-Smirnov - log 10Normal
Figura 8 - Teste de Kolmogorov-Smirnov para a Seacuterie Transformada
Fonte SPSS 2012
A seguir tem-se o histograma da seacuterie transformada evidenciando a mudanccedila do comportamento dos dados
30
log 10
Fre
qu
en
cy
42403836343230
70
60
50
40
30
20
10
0
Mean 3668
StDev 02593
N 660
Histogram of log 10Normal
Figura 9 - Histograma da Seacuterie Transformada
Fonte SPSS 2012
O teste da igualdade de variacircncias eacute aplicado com o objetivo de verificar se devem ou natildeo ser assumidas
igualdade entre as variacircncias das populaccedilotildees Para isso foi utilizado na anaacutelise o Teste de Levene cujas hipoacuteteses
satildeo as seguintes
H0 as variacircncias nas duas populaccedilotildees satildeo iguais ou seja existe homocedasticidade (σ1 = σ2 ou σ1 = σ2 = 0)
Neste caso assume-se a estatiacutestica Sig F gt 005
H1 as variacircncias nas duas populaccedilotildees satildeo diferentes ou seja natildeo existe homocedasticidade (σ1 ne σ2 ou σ1 ne
σ2 ne 0) Neste caso assume-se a estatiacutestica Sig F lt ou = 005
Para a realizaccedilatildeo do teste dividiu-se a populaccedilatildeo em dois grupos iguais (grupos denominados como 0 e 1
cada um com 330 unidades) Os resultados satildeo os seguintes
31
Group Statistics
330 35473 23553 01297
330 37896 22313 01228
Teste de Lev ene0
1
log10N Mean Std Dev iation
Std Error
Mean
Independent Samples Test
5981 015 -13569 658 000 -24235 01786 -27742 -20728
-13569 656086 000 -24235 01786 -27742 -20728
Equal variances
assumed
Equal variances
not assumed
log10F Sig
Lev enes Test for
Equality of Variances
t df Sig (2-tailed)
Mean
Dif f erence
Std Error
Dif f erence Lower Upper
95 Conf idence
Interv al of the
Dif f erence
t-test f or Equality of Means
Figura 10 - Teste de Homocedasticidade para a Seacuterie Transformada
Fonte SPSS 2012
Pelo resultado do teste pode-se verificar que o valor de ldquoSigrdquo (referente ao p-value) foi de 0015 onde se
conclui que a hipoacutetese nula que leva em consideraccedilatildeo que a variacircncia da seacuterie eacute constante pode ser aceita
33 ndash MODELOS DE PREVISAtildeO
Neste trabalho seratildeo analisados os seguintes modelos de previsatildeo
1 ndash Box Jenkins
2 ndash Suavizaccedilatildeo Exponencial
Para determinar o modelo de previsatildeo mais adequado foi utilizado o software Forecast Pro for Windows (FPW)
Todas as previsotildees foram realizadas utilizando a seacuterie com a variaacutevel transformada a fim de atender o
pressuposto de normalidade da seacuterie necessaacuterio nos modelos de previsatildeo
32
Figura 11 - Seleccedilatildeo da Seacuterie para a Previsatildeo
Fonte FPW 2012
331 ndash Box-Jenkins
Apoacutes a apresentaccedilatildeo e anaacutelises dos pressupostos necessaacuterios para a aplicaccedilatildeo do modelo Box-Jenkins seratildeo
realizadas as anaacutelises que demonstram a funccedilatildeo de autocorrelaccedilatildeo (FAC) e funccedilatildeo de autocorrelaccedilatildeo parcial (FACP)
Figura 12 - FAC da Seacuterie
Fonte FPW 2012
33
Figura 13 - FACP da Seacuterie
Fonte FPW 2012
Nota-se na Figura XXX FAC da seacuterie que a seacuterie decai muito lentamente indicando tendecircncia logo faz-se
necessaacuterio realizar uma diferenciaccedilatildeo na parte simples
Apoacutes a diferenciaccedilatildeo obtiveram-se os seguintes novos graacuteficos para a funccedilatildeo de autocorrelaccedilatildeo e funccedilatildeo de
autocorrelaccedilatildeo parcial
Figura 14 - FAC da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
34
Figura 15 - FACP da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
Apoacutes a realizaccedilatildeo da diferenciaccedilatildeo os seguintes modelos foram testados
1 ndash ARIMA (110)
2 ndash ARIMA (011)
3 ndash ARIMA (210)
4 ndash ARIMA (012)
5 ndash ARIMA (111)
A seguir cada modelo seraacute demonstrado
1 ndash ARIMA (110)
Figura 16 - Resultado ARIMA (110)
Fonte FPW 2012
35
Figura 17 - FAC dos Resiacuteduos ARIMA (110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08746) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel a(1) foi considerada significativa
2 - ARIMA (011)
Figura 18 - Resultado ARIMA (011)
Fonte FPW 2012
36
Figura 19 - FAC dos Resiacuteduos ARIMA (011)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel b(1) foi considerada significativa
3 - ARIMA (210)
Figura 20 - Resultado ARIMA (210)
Fonte FPW 2012
37
Figura 21 - FAC dos Resiacuteduos ARIMA (210)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08765) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
4 - ARIMA (012)
Figura 22 - Resultado ARIMA (012)
Fonte FPW 2012
38
Figura 23 - FAC dos Resiacuteduos ARIMA (012)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08777) com lag significativo nas fases 12 24 e 36 no graacutefico da FAC dos
resiacuteduos As variaacuteveis b(1) e b(2) foram consideradas significativas
5 - ARIMA (111)
Figura 24 - Resultado ARIMA (111)
Fonte FPW 2012
39
Figura 25 - FAC dos Resiacuteduos ARIMA (111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08811) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e b(1) foi considerada significativa
Observando os resultados obtidos nos cinco modelos anteriores fica evidente a semelhanccedila da presenccedila dos
lags significativos nas fases 12 24 e 36 no graacutefico da FAC dos resiacuteduos indicando a existecircncia de sazonalidade na
seacuterie modelada Assim torna-se necessaacuterio diferenciar a fase sazonal dos dados
Apoacutes a diferenciaccedilatildeo simples foram realizadas as seguintes diferenciaccedilotildees sazonais obtendo-se os seguintes
resultados para os modelos SARIMA
6 ndash SARIMA (011)(010)
Figura 26 - Resultado SARIMA (011)(010)
Fonte FPW 2012
40
Figura 27 - FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel b(1) foi considerada significativa
7 ndash SARIMA (110)(010)
Figura 28 - Resultado SARIMA (011)(010)
Fonte FPW 2012
41
Figura 29 - FAC dos Resiacuteduos SARIMA (011)(010)
Figura 29 ndash FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08305) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel a(1) foi considerada significativa
8 ndash SARIMA (210)(010)
Figura 30 - Resultado SARIMA (210)(010)
Fonte FPW 2012
42
Figura 31 - FAC dos Resiacuteduos SARIMA (210)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08337) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
9 ndash SARIMA (012)(010)
Figura 32 - Resultado SARIMA (012)(010)
Fonte FPW 2012
43
Figura 33 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
10 ndash SARIMA (111)(010)
Figura 34 - Resultado SARIMA (111)(010)
Fonte FPW 2012
44
Figura 35 - FAC dos Resiacuteduos SARIMA (111)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 12 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1
11 ndash SARIMA (011)(110)
Figura 36 - Resultado SARIMA (011)(110)
Fonte FPW 2012
45
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08623) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis A(12) e b(1) foram consideradas significativas
12 ndash SARIMA (110)(110)
Figura 38 - Resultado SARIMA (011)(110)
Fonte FPW 2012
46
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08595) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e A(12) foram consideradas significativas
13 ndash SARIMA (210)(110)
Figura 40 - Resultado SARIMA (210)(110)
Fonte FPW 2012
47
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08620) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) a(2) e A(12) foram consideradas significativas
14 ndash SARIMA (012)(010)
Figura 42 - Resultado SARIMA (012)(010)
Fonte FPW 2012
48
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08625) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
15 ndash SARIMA (111)(110)
Figura 44 - Resultado SARIMA (111)(110)
Fonte FPW 2012
49
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08626) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 24 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1 e MA = 1
16 ndash SARIMA (011)(111)
Figura 46 - Resultado SARIMA (011)(111)
Fonte FPW 2012
50
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) e B(12) foram consideradas significativas pelo modelo
17 ndash SARIMA (110)(111)
Figura 48 - Resultado SARIMA (110)(111)
Fonte FPW 2012
51
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09010) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) e B(12) foram consideradas significativas pelo modelo
18 ndash SARIMA (210)(111)
Figura 50 - Resultado SARIMA (210)(111)
Fonte FPW 2012
52
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) a(12) e B(12) foram consideradas significativas pelo modelo
19 ndash SARIMA (012)(111)
Figura 52 ndash Resultado SARIMA (012)(111)
Fonte FPW 2012
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
14
2 ndash REVISAtildeO BIBLIOGRAacuteFICA
21 ndash SEacuteRIES TEMPORAIS
Uma seacuterie temporal pode ser definida como um conjunto de observaccedilotildees de uma variaacutevel observadas
sequencialmente no tempo Assim a variaacutevel eacute verificada em intervalos de tempo equidistantes e a correlaccedilatildeo entre os
diversos pontos da seacuterie gera a caracteriacutestica de dependecircncia entre eles Levando em consideraccedilatildeo que a seacuterie
temporal tambeacutem pode ser definida como as provaacuteveis trajetoacuterias para um determinado processo faz com que os
dados da mesma natildeo sejam apenas correlacionados mas oriundos tambeacutem de um processo estocaacutestico no qual eacute
observado uma das trajetoacuterias
A anaacutelise da seacuterie temporal por sua vez inicia-se a partir da descriccedilatildeo dos fenocircmenos e processos que a
originam Um fator importante que tambeacutem deve ser estudado eacute a dependecircncia entre as observaccedilotildees
Segundo Makridakis et al (1998) existem quatro tipos de padrotildees de seacuteries temporais
1 - Horizontal quando os valores dos dados flutuam ao redor de uma meacutedia constante
2 - Inclinado (tendecircncia) quando se verifica um crescimento ou decreacutescimo em longo prazo no valor dos
dados
3 - Ciacuteclico estaacute presente em uma seacuterie temporal quando os dados exibem crescimentos e quedas que natildeo se
repetem em um intervalo de tempo fixo
4 - Sazonal padratildeo sazonal existe quando uma seacuterie temporal eacute influenciada por fatores sazonais isto eacute que
se repetem a intervalos de tempos iguais
Adicionalmente uma seacuterie temporal eacute considerada natildeo linear quando pelo menos sua variacircncia natildeo eacute
constante ou sua meacutedia natildeo eacute constante Assim basta que pelo menos uma das duas caracteriacutesticas esteja presente
no comportamento da seacuterie para ser considerada natildeo linear
Para a utilizaccedilatildeo dos dados nos modelos Box-Jenkins faz-se necessaacuterio garantir o pressuposto em que a
meacutedia e a variacircncia sejam constantes no tempo Quando a meacutedia possui variaccedilatildeo a uma taxa constante a seacuterie eacute
definida como natildeo estacionaacuteria Esta variaccedilatildeo por sua vez pode ocorrer a uma taxa constante dentro de um ciclo
chamada de natildeo-estacionariedade sazonal
As funccedilotildees de autocorrelaccedilatildeo e autocorrelaccedilatildeo parcial satildeo mecanismos adotados dentro dos modelos Box-
Jenkins com a funccedilatildeo de identificar mecanismos relativos a natildeo-estacionariedade das seacuteries em estudo
22 ndash PREVISAtildeO DE SEacuteRIES TEMPORAIS
Para a previsatildeo de seacuteries temporais podem ser empregados modelos e meacutetodos que se diferenciam da
seguinte forma um modelo de previsatildeo eacute aquele que utiliza uma ou mais equaccedilotildees para representar a estrutura
aleatoacuteria da seacuterie temporal Jaacute um meacutetodo eacute uma combinaccedilatildeo de uma rotina de estimaccedilatildeo e um modelo (assim torna-
se necessaacuterio uma rotina preacutevia de identificaccedilatildeo do modelo adequado) Pelo fato dos modelos atraveacutes de suas
caracteriacutesticas serem muitos especiacuteficos a grande maioria foi desenvolvida para padrotildees de seacuteries temporais
anteriormente mencionados
As teacutecnicas de previsatildeo satildeo distribuiacutedas em dois grupos meacutetodos qualitativos e quantitativos Os meacutetodos
qualitativos satildeo aplicados quando existe conhecimento acumulado sobre o processo ou fenocircmeno em estudo havendo
15
a necessidade do julgamento por meio de especialistas principalmente quando natildeo existe uma seacuterie histoacuterica para ser
estudada
Os meacutetodos quantitativos utilizam dados histoacutericos e modelos matemaacuteticos para prever comportamentos
futuros As teacutecnicas quantitativas dividem-se em dois subgrupos seacuteries temporais (ou meacutetodos univariaacuteveis) e modelos
causais (multivariaacuteveis) As seacuteries temporais utilizam dados histoacutericos de demanda como base para determinaccedilatildeo de
padrotildees que podem se repetir no futuro Exemplos satildeo as teacutecnicas de seacuteries temporais e o amortecimento exponencial
Jaacute os modelos causais satildeo aqueles que buscam relacionar as demandas (variaacutevel dependente) com outros fatores
(variaacutevel independente) como fatores macroeconocircmicos como o PIB inflaccedilatildeo clima entre outros Para isso torna-se
necessaacuterio a utilizaccedilatildeo de regressotildees lineares e natildeo lineares
A aplicaccedilatildeo dos meacutetodos quantitativos depende de trecircs fatores
1 ndash Disponibilidade de informaccedilotildees histoacutericas
2 ndash Quantificaccedilatildeo das informaccedilotildees histoacutericas em seacuteries temporais
3 ndash Recorrecircncia no futuro de padrotildees observados nas informaccedilotildees histoacutericas
A condiccedilatildeo de recorrecircncia eacute conhecida como suposiccedilatildeo de continuidade e eacute uma premissa de todos os
meacutetodos quantitativos e alguns meacutetodos qualitativos
As caracteriacutesticas dos meacutetodos claacutessicos satildeo a mensuraccedilatildeo probabiliacutestica de erro da previsatildeo e uma
metodologia menos subjetiva para a obtenccedilatildeo dos modelos Neste grupo de modelos estaacute inserido o de Box-Jenkins
Um modelo claacutessico supotildee que a seacuterie temporal zt onde t = 1 N possa ser escrito como uma soma (modelo
aditivo) por meio da seguinte equaccedilatildeo
tttt aSTz (Equaccedilatildeo 1)
Ou ainda possa ser escrito como uma multiplicaccedilatildeo (modelo multiplicativo) da seguinte forma
tttt aSTz (Equaccedilatildeo 2)
Onde
tT = denotaccedilatildeo para tendecircncia
tS = denotaccedilatildeo para componente sazonal
ta = denotaccedilatildeo para termo aleatoacuterio
Removendo-se as componentes tT e tS resta a componente aleatoacuteria (at) ou residual A suposiccedilatildeo adotada eacute
que at seja uma componente puramente aleatoacuteria mesmo em alguns casos em que eacute considerada como um processo
estacionaacuterio com meacutedia e variacircncia constantes
Aleacutem dos modelos claacutessicos existe outra classe de meacutetodo de previsatildeo que contecircm os natildeo parameacutetricos
Esses satildeo caracterizados por serem muito subjetivos por natildeo possuiacuterem um grande nuacutemero de suposiccedilotildees como os
16
claacutessicos No entanto dentro dos natildeo parameacutetricos existe uma classe de modelos conhecidos por sua qualidade
preditiva e complexidade sendo denominados de modelos de redes neurais
Os modelos utilizados atualmente satildeo compostos de modelos teoacutericos exatos e empiacutericos Assim o
conhecimento teoacuterico eacute utilizado parcialmente para indicar uma classe adequada de funccedilotildees matemaacuteticas que satildeo
ajustadas empiricamente fazendo com que o ajuste dos seus paracircmetros seja realizado de forma experimental
Um dos aspectos relevantes para a seleccedilatildeo do modelo mais adequado estaacute na capacidade do mesmo em
reproduzir os dados conhecidos e as previsotildees futuras de forma acurada Assim se xt eacute a observaccedilatildeo real para o
periacuteodo t e tx eacute a previsatildeo para o mesmo periacuteodo Assim o erro na previsatildeo eacute definido por
ttt xxe ˆ (Equaccedilatildeo 4)
Se existirem observaccedilotildees e previsotildees para n periacuteodos as seguintes estatiacutesticas podem ser utilizadas
n
1t
en
1ME
t (Equaccedilatildeo 5)
Ie In
1MAE
n
1t
t
(Equaccedilatildeo 6)
n
1t
2
t en
1MSE (Equaccedilatildeo 7)
O erro meacutedio ME eacute definido como a meacutedia dos erros calculado na equaccedilatildeo 5 (et) Pelo somatoacuterio os valores
positivos e negativos tendem a se anular resultando em um valor baixo O erro meacutedio absoluto (MAE) eacute definido pelo
somatoacuterio dos moacutedulos dos erros e em seguida realiza-se a meacutedia dos valores absolutos encontrados No caacutelculo do
erro quadraacutetico (MSE) os erros se tornam positivos pela elevaccedilatildeo ao quadrado e a meacutedia eacute realizada com os valores
positivos encontrados
Considerando a escala em que os dados satildeo expressos pode-se definir o erro relativo como
100xˆ
PE t
t
t
x
xx (Equaccedilatildeo 8)
t
n
1t
PEn
1MPE
(Equaccedilatildeo 9)
IPE In
1MAPE t
n
1t
(Equaccedilatildeo 10)
O erro meacutedio percentual (MPE) eacute a meacutedia do erro percentual calculado em PEt para n periacuteodos Neste caso os
valores positivos e negativos dos erros percentuais tendem a se anular da mesma forma que para ME Da mesma
forma que para MAE o erro meacutedio absoluto percentual tambeacutem eacute obtido utilizando-se erros absolutos percentuais
17
23 ndash MODELO BOX-JENKINS
Os modelos ARIMA (Autoregressive Integrated Moving Average ndash Auto-Regressivos Integrados de Meacutedias
Moacuteveis) da famiacutelia de Box-Jenkins tem o objetivo de captar o comportamento da autocorrelaccedilatildeo (correlaccedilatildeo seriada)
entre os valores da seacuterie temporal e realizar previsotildees baseando-se neste comportamento
Dentre a famiacutelia de modelos destacam-se os Auto-Regressivos e os de Meacutedias Moacuteveis Aleacutem destes existem
ainda outras variaccedilotildees no qual satildeo tomadas d diferenccedilas de uma seacuterie natildeo estacionaacuteria visando tornaacute-la estacionaacuteria
(com meacutedia e variacircncia constantes ao longo do tempo) Existem ainda os modelos ARMA (Auto-Regressivos de Meacutedias
Moacuteveis) que satildeo utilizados quando natildeo haacute necessidade de realizar diferenciaccedilotildees para tornar a seacuterie estacionaacuteria
Outro modelo eacute conhecido como SARIMA (ou ARIMA Sazonal) que eacute utilizado para captar a sazonalidade de uma
seacuterie
Um benefiacutecio da utilizaccedilatildeo dos modelos Box-Jenkins estaacute relacionado ao fato do algoritmo do mesmo auxiliar o
usuaacuterio na escolha do melhor modelo por meio dos comportamentos dos graacuteficos da funccedilatildeo de autocorrelaccedilatildeo (FAC) e
da funccedilatildeo de autocorrelaccedilatildeo parcial (FACP)
A FAC eacute determinada atraveacutes da correlaccedilatildeo linear de cada valor yt da seacuterie de dados com outros valores em
lags distintos como yt-1 yt-2 e assim sucessivamente Assim o coeficiente de correlaccedilatildeo temporal (autocorrelaccedilatildeo) da
seacuterie temporal defasado por 1 2 ou mais periacuteodos eacute calculado pela seguinte equaccedilatildeo
n
1t
2
n
1tk
r
xx
xxxx
t
ktt
k (Equaccedilatildeo 11)
Na equaccedilatildeo anterior r1 indica como os valores sucessivos de x relacionam-se entre si r2 indica como os
valores de x defasados em dois periacuteodos relacionam-se entre si e assim sucessivamente Em conjunto as
autocorrelaccedilotildees defasadas em 1 2 k periacuteodos constituem a funccedilatildeo de autocorrelaccedilatildeo
A FACP por sua vez possui um conceito semelhante ao da FAC Eacute definida pela correlaccedilatildeo existente entre yt
e yt-2 por exemplo sem levar em consideraccedilatildeo os efeitos causados por yt-1 e yt-2 O coeficiente de autocorrelaccedilatildeo
parcial de ordem k definido por k pode ser obtido atraveacutes da estimaccedilatildeo dos coeficientes da regressatildeo muacuteltipla de x t
em funccedilatildeo de 1tx 2tx ktx conforme a proacutexima equaccedilatildeo
ktkttt xxxx 22110 (Equaccedilatildeo 12)
As autocorrelaccedilotildees parciais satildeo usadas para medir o grau de associaccedilatildeo entre as observaccedilotildees x t e xt-k quando
o efeito das outras observaccedilotildees defasadas no tempo em 1 2 k-1 periacuteodos satildeo removidas As autocorrelaccedilotildees
parciais 1 2 k constituem a FACP
Pelo fato deste processo permitir que usuaacuterios diferentes modelem diferentes equaccedilotildees a partir de uma mesma
seacuterie temporal pode existir certo grau de subjetividade na escolha do melhor modelo para a previsatildeo da seacuterie em
questatildeo
18
231 ndash Modelo ARMA (Auto-Regressivo a Meacutedia Moacutevel)
O modelo ARMA natildeo possui uma parte integrada Sendo assim satildeo utilizados para uma seacuterie temporal
estacionaacuteria com relaccedilatildeo agrave meacutedia e a variacircncia e satildeo definidos pelas equaccedilotildees a seguir
qtqttptptt eeexxcx 1111 (Equaccedilatildeo 13)
Existem restriccedilotildees aos valores cujos paracircmetros podem assumir nas equaccedilotildees anteriores a saber
Para p = 1 -1 lt 1 lt 1
Para p = 2 -1 lt 2 lt 1 1 + 2 lt 1 e 2 ndash 1 lt 1
Para p gt= 3 condiccedilotildees mais complexas prevalecem
Da mesma forma
Para q = 1 -1 lt 1 lt 1
Para q = 2 -1 lt 2 lt 1 1 + 2 lt 1 e 2 ndash 1 lt 1
Para p gt= 3 condiccedilotildees mais complexas prevalecem
Um dispositivo de notaccedilatildeo uacutetil eacute o operador de deslocamento retroativo definido por 1 tt xBx Assim B
operando sobre tx tem o efeito de deslocar os dados para traacutes em um periacuteodo Dessa forma
2
2)( ttt xxBBxB (Equaccedilatildeo 14)
Por meio da equaccedilatildeo acima que o modelo recebe a denominaccedilatildeo de Auto-Regressivo a Meacutedia Moacutevel (ARMA)
de ordens (pq) conforme expresso na equaccedilatildeo seguinte
t
MA
p
p
AR
t
p
p eBBcxBB
qp
)()(
11 11 (Equaccedilatildeo 15)
Os coeficientes 1 2 p e 1 2 q satildeo estimados para ajustarem-se agrave seacuterie temporal estudada
atraveacutes dos meacutetodos dos miacutenimos quadrados ou da maacutexima verossimilhanccedila A aplicaccedilatildeo do meacutetodo dos miacutenimos
quadrados eacute realizada atraveacutes de estimativas feitas iterativamente por softwares ateacute que soma dos erros quadraacuteticos
seja minimizada O meacutetodo da maacutexima verossimilhanccedila estima tambeacutem iterativamente os valores dos paracircmetros que
maximizem a verossimilhanccedila de um conjunto de observaccedilotildees
O modelo ARMA deve ter seus erros et distribuiacutedos aleatoriamente comportando-se como uma seacuterie de ruiacutedo
branco Os resiacuteduos natildeo satildeo ruiacutedo branco se as estatiacutesticas Q sugerida por Box-Pierce ou Q sugerida por Ljungndash
Box posicionarem-se no extremo 5 da cauda direita da distribuiccedilatildeo χ2 As expressotildees para caacutelculo das estatiacutesticas
Q de BoxndashPierce ou Q de Ljung-Box satildeo as seguintes
19
h
1k
2
k tnQ (Equaccedilatildeo 16)
h
1k
2
k
k-
r)2(
nnnQ (Equaccedilatildeo 17)
Onde
n = nuacutemero de observaccedilotildees da seacuterie
h = maacutexima defasagem dos coeficientes de correlaccedilatildeo dos resiacuteduos
Alguns autores apresentam procedimentos para identificaccedilatildeo das ordens p e q dos modelos ARMA por meio
dos graacuteficos das FAC e FACP como exemplificado no quadro a seguir
Modelo FAC FACP
ARMA (p0) Decaimento gradativo Decaimento brusco apoacutes defasagem p
ARMA (0q) Decaimento brusco apoacutes defasagem q Decaimento gradativo
ARMA (pq) Decaimento gradativo com onda
senoidal amortecida apoacutes a
defasagem (q-p)
Decaimento gradativo com onda
senoidal amortecida apoacutes a defasagem
(p-q)
Tabela 1 - Comportamento das FAC e FACP para Modelos Estacionaacuterios
Fonte Elaborado pelos Autores
232 ndash Modelo ARIMA
Em muitos casos as seacuteries temporais encontradas possuem tendecircncia apresentando um comportamento natildeo
estacionaacuterio No entanto para aplicar o meacutetodo de Box-Jenkins eacute necessaacuterio remover a tendecircncia da seacuterie atraveacutes da
diferenciaccedilatildeo ou seja aplicar sobre a mesma o operador (1 ndash B) no modelo ARMA conforme equaccedilatildeo a seguir
tttt xBxxx )1(1
(Equaccedilatildeo 18)
Desta forma a expressatildeo do modelo ARIMA (pdq) ndash auto regressivo integrado a meacutedia moacutevel de ordem p d
q eacute a expressatildeo do modelo ARMA (pq) acrescido do fator de diferenciaccedilatildeo de ordem d responsaacutevel pela descriccedilatildeo do
comportamento de tendecircncia da seacuterie conforme representado na equaccedilatildeo a seguir
t
MA
p
p
I
t
d
AR
p
p eBBcxBBB
qdp
)()()(
111 11 (Equaccedilatildeo 19)
233 ndash Modelo ARIMA Sazonal (SARIMA)
O comportamento mais geral de seacuteries histoacutericas natildeo estacionaacuterias eacute o que combina o padratildeo de tendecircncia
com o padratildeo de sazonalidade O meacutetodo de Box-Jenkins recomenda a remoccedilatildeo tanto da tendecircncia quanto da
sazonalidade das seacuteries diferenciando-a duas vezes Eacute recomendado que a diferenciaccedilatildeo sazonal sobre a seacuterie
20
original seja feita em primeiro lugar uma vez que em alguns casos sua aplicaccedilatildeo jaacute torna a seacuterie estacionaacuteria como
mostrado na expressatildeo a seguir (para uma seacuterie com nuacutemero de periacuteodos com ciclo sazonal igual a 12)
tttt xBxxx )1( 12
12
(Equaccedilatildeo 20)
Nos casos em que se torna necessaacuteria a segunda diferenciaccedilatildeo faz necessaacuteria aplicar o operador )1( B na
mesma conforme equaccedilatildeo a seguir
ttttt xBBxBxxx 12
1
11)1( (Equaccedilatildeo 21)
24 ndash MEacuteTODO DO AMORTECIMENTO EXPONENCIAL
Historicamente o amortecimento exponencial descreve uma classe de meacutetodos de previsatildeo De fato alguns
dos meacutetodos mais utilizados para esse fim satildeo baseados nesse conceito cada um deles utilizando a propriedade em
que os pesos das observaccedilotildees mais recentes satildeo maiores do que aqueles referentes a observaccedilotildees no passado
Assim o nome ldquoamortecimento exponencialrdquo reflete no fato de que os pesos (atraveacutes do uso da meacutedia ponderada)
diminuem exponencialmente agrave medida que as observaccedilotildees satildeo mais antigas
Os primeiros registros da utilizaccedilatildeo do meacutetodo satildeo de Robert G Brown em 1944 enquanto desenvolvia
trabalhos como analista de Pesquisa Operacional na Marinha Americana enquanto desenvolvia um dispositivo
mecacircnico para monitorar a velocidade e o acircngulo de tiros disparados de submarinos Em 1950 ele estendeu o uso
desse meacutetodo para seacuteries temporais discretas incluindo termos para lidar com as componentes de sazonalidade e
tendecircncia
Paralelamente Charles Holt tambeacutem estava trabalhando em um meacutetodo de amortecimento exponencial para o
Escritoacuterio Americano de Pesquisas Navais O seu trabalho em modelos sazonais aditivos e multiplicativos se tornaram
conhecidos atraveacutes de um artigo publicado por seu estudante Peter Winters em 1960 aplicando testes empiacutericos ao
meacutetodo de Holt Como resultado a versatildeo da ferramenta que trabalha com a componente sazonal eacute denominada de
Holt-Winters
Os modelos de suavizaccedilatildeo exponencial satildeo largamente utilizados devido a sua simplicidade e baixo custo
Assim quando se necessitam previsotildees para milhares de itens como eacute o caso em muitos sistemas de gestatildeo esses
modelos satildeo muitas vezes os uacutenicos suficientemente raacutepidos e baratos para assegurar uma implementaccedilatildeo viaacutevel
Dessa forma existem trecircs classes de meacutetodos de amortecimento exponencial a saber
1 ndash Seacuteries localmente constantes analisadas pelos modelos de meacutedias moacuteveis simples ou amortecimento
exponencial
2 ndash Seacuteries com tendecircncias que utilizam o modelo de Holt
3 ndash Seacuteries com comportamento sazonal que utilizam o modelo Holt-Winters
241 ndash Meacutetodos de Amortecimento Exponencial Simples
21
O meacutetodo de suavizaccedilatildeo exponencial simples tem melhor precisatildeo para seacuteries de padratildeo horizontal isto eacute
agravequelas que natildeo apresentam tendecircncia nem sazonalidade e eacute apropriado para previsotildees de curto prazo Seu algoritmo
de previsatildeo utiliza a seguinte expressatildeo da equaccedilatildeo
ttt xxx ˆ1ˆ1 (Equaccedilatildeo 22)
Onde
1ˆtx = previsatildeo para o periacuteodo t+1
α = constante de suavizaccedilatildeo cujo valor encontra-se entre 0 e 1
tx = uacuteltimo valor observado
tx = uacuteltimo valor observado com peso (1 ndash α)
Expandindo-se a expressatildeo acima pela substituiccedilatildeo de tx 1ˆtx 2
ˆtx por seus componentes resulta em
1113211ˆ)1()1(3)1(2)1(1ˆ xxxxxxx ttttttt (Equaccedilatildeo 23)
Assim 1ˆtx eacute uma meacutedia ponderada de todas as observaccedilotildees passadas constituindo os coeficientes de
ponderaccedilatildeo uma seacuterie decrescente exponencialmente para valores de α entre 0 e 1 Dessa constataccedilatildeo origina-se o
nome amortecimento exponencial Analisando-se a uacuteltima equaccedilatildeo verifica-se que a constante de suavizaccedilatildeo α
determina a rapidez do decaimento dos coeficientes (pesos) A escolha do valor para a constante de suavizaccedilatildeo pode
ser arbitraacuteria ou condicionada a algum criteacuterio que na maioria das vezes consiste na minimizaccedilatildeo do erro quadraacutetico
meacutedio atribuiacutedo ao desempenho do meacutetodo
A constante de suavizaccedilatildeo estaacute diretamente ligada agrave velocidade de resposta das previsotildees agraves variaccedilotildees das
observaccedilotildees ou seja quanto menor o valor de α mais lenta eacute a resposta Valores maiores que α causam reaccedilotildees
mais raacutepidas das previsotildees agraves variaccedilotildees das observaccedilotildees podendo causar instabilidade no desempenho do meacutetodo
Como o peso da primeira previsatildeo 1x eacute (1 ndash α)t verifica-se que menor importacircncia um fator teraacute para a
previsatildeo de t+1 quanto mais proacuteximo de um for e quanto maior for o t Como eacute necessaacuterio ter o valor de 1x eacute feita a
suposiccedilatildeo de que 1x = 1x ou seja igual agrave uacuteltima observaccedilatildeo O erro decorrente dessa suposiccedilatildeo seraacute tanto menor
quanto maiores forem α e t
Alternativamente a expressatildeo inicial desse item pode ser representada como
1ˆtx = tx + α( tx ndash tx ) (Equaccedilatildeo 24)
1ˆtx = tx + α te (Equaccedilatildeo 25)
Atraveacutes da anaacutelise da uacuteltima equaccedilatildeo pode-se concluir que o meacutetodo de suavizaccedilatildeo exponencial simples
prevecirc o valor de uma seacuterie temporal tomando a previsatildeo para o periacuteodo anterior e ajustando-a pelo valor do erro no
mesmo periacuteodo
22
242 ndash Meacutetodo de Holt
O meacutetodo de Holt pode ser utilizado de maneira satisfatoacuteria em seacuteries temporais com tendecircncia linear
mediante o uso de uma funccedilatildeo de ponderaccedilatildeo que daacute maior importacircncia aos periacuteodos de tempo mais recentes Seu
algoritmo de previsatildeo utiliza as seguintes expressotildees
))(1( 11 tttt TLxL (Equaccedilatildeo 26)
11 )1)(( tttt TLLT (Equaccedilatildeo 27)
mtx ˆ
tt mTL (Equaccedilatildeo 28)
Onde
mtx ˆ = previsatildeo para o periacuteodo t+m
= constantes de suavizaccedilatildeo com valor entre 0 e 1 que determinam a rapidez de decaimento dos pesos
da seacuterie quanto mais proacuteximo de um maior o peso das observaccedilotildees recentes
tL = estimativa do niacutevel da seacuterie no tempo t
tT = estimativa de declividade da seacuterie no tempo t
Como o meacutetodo de Holt baseia-se na aplicaccedilatildeo recursiva das expresses anteriores satildeo necessaacuterios tambeacutem
como dados de entrada tL e tT que podem ser considerados como 1L 1x e 1T 12 xx Outra forma de caacutelculo eacute a
regressatildeo linear simples aplicada aos dados da seacuterie temporal onde se obteacutem o valor da declividade da seacuterie temporal
e de 0L em sua origem
243 ndash Meacutetodo de Winters
Os meacutetodos de Winters dividem-se em dois grupos aditivo e multiplicativo No meacutetodo aditivo a amplitude da
variaccedilatildeo sazonal eacute constante ao longo do tempo ou seja a diferenccedila entre o maior e menor valor de demanda dentro
das estaccedilotildees permanece relativamente constante no tempo No meacutetodo multiplicativo a amplitude da variaccedilatildeo sazonal
aumente ou diminui como funccedilatildeo do tempo
2431 ndash Meacutetodo Sazonal Multiplicativo de Winters
))(1( 11
tt
t
t
t TLSS
xL (Equaccedilatildeo 29)
11 )1()( tttt TLLT (Equaccedilatildeo 30)
SSL
xS t
t
t
t
1 (Equaccedilatildeo 31)
mSSmTLx tttmt ˆ (Equaccedilatildeo 32)
23
Onde
mtx ˆ = previsatildeo para o periacuteodo t+m
= constantes de suavizaccedilatildeo que variam entre 0 e 1
tx = observaccedilatildeo mais recente
tL = estimativa do niacutevel de seacuterie no tempo t
tT = estimativa de declividade da seacuterie no tempo t
tS = componente de sazonalidade no tempo t
S = nuacutemero de subperiacuteodos do ano (sazonalidade)
A escolha de valores para as constantes de suavizaccedilatildeo eacute condicionada a algum criteacuterio que na maioria das
vezes consiste na minimizaccedilatildeo por meio do algoritmo de minimizaccedilatildeo linear do erro quadraacutetico meacutedio (MSE) atribuiacutedo
ao desempenho do meacutetodo
Como o meacutetodo multiplicativo de Winters baseia-se na aplicaccedilatildeo recursiva das equaccedilotildees deste item e que
deve ser iniciada em algum periacuteodo do passado no qual os valores de TL TT e TS devem ser estimados A maneira
mais simples de inicializar o niacutevel de tendecircncia no periacuteodo S O niacutevel eacute inicializado no primeiro periacuteodo sazonal da
seguinte forma
S
Sxxxx
SL
1
321
(Equaccedilatildeo 33)
Para inicializar a tendecircncia eacute conveniente o uso de dois ciclos completos isto eacute 2S periacuteodos como descrito
abaixo
S
xx
S
xx
S
xx
ST SSSSS
S 1 2211 (Equaccedilatildeo 34)
Por ultimo os iacutendices sazonais satildeo inicializados usando-se a razatildeo das primeiras observaccedilotildees como a meacutedia
do primeiro ano com descrito a seguir
S
xS
L
11
S
xS
L
22
S
S
s
xS
L (Equaccedilatildeo 35)
2432 ndash Meacutetodo Sazonal Aditivo de Winters
O meacutetodo aditivo de Winters eacute utilizado na modelagem dos dados sazonais no qual a amplitude do ciclo
sazonal permanece constante com o passar do tempo
Aleacutem disso a amplitude da variaccedilatildeo sazonal eacute constante ao longo do tempo ou seja a diferenccedila entre o maior
e o menor valor de demanda dentro das estaccedilotildees permanece relativamente constante no tempo As equaccedilotildees
matemaacuteticas satildeo
))(1()( 11 ttttt TLSSxL (Equaccedilatildeo 36)
24
11 )1()( tttt TLLT (Equaccedilatildeo 37)
Stttt SLxS )1()( St = γ(xt - Lt) + (1- γ)St-S (Equaccedilatildeo 38)
mStttmt SmTLx ˆ (Equaccedilatildeo 39)
A segunda equaccedilatildeo deste item eacute igual agravequela do meacutetodo multiplicativo de Winters O restante das equaccedilotildees se
diferem por iacutendice sazonais serem somados e subtraiacutedos ao inveacutes de serem tomados em produtos ou divisotildees
Os valores iniciais de SL e ST satildeo iguais aos do meacutetodo multiplicativo Os iacutendices sazonais satildeo inicializados da
seguinte forma
SLxS 11 SLxS 22 SSS LxS (Equaccedilatildeo 40)
25 ndash SELECcedilAtildeO DE MODELOS
A partir do momento em que vaacuterios modelos ajustam-se a uma seacuterie temporal deve-se eleger aquele que
melhor representa o seu comportamento por meio da anaacutelise de seus paracircmetros Neste trabalho os paracircmetros seratildeo
utilizados os seguintes paracircmetros de forma primordial na definiccedilatildeo do modelo mais apropriado
251 ndash Maacuteximo R2
A estatiacutestica R2 eacute definida por
n
1t
2
2n
1t2
ˆ
1
tt
tt
xx
xx
R (Equaccedilatildeo 41)
Onde
tx = observaccedilatildeo real para o periacuteodo t
tx = previsatildeo para o periacuteodo t
Uma medida de R2 mais proacutexima de zero indica um modelo com ajuste pobre enquanto que um valor proacuteximo
de um indica um bom ajuste
252 ndash Miacutenimo BIC (Bayesian Information Criterion)
Este criteacuterio penaliza os modelos com muitos paracircmetros sendo portanto um criteacuterio de verosimilhanccedila
penalisada Vale ressaltar que o BIC natildeo deve ser utilizado de forma isolada mas em conjunto com outros paracircmetros
na comparaccedilatildeo com diversos modelos
O BIC eacute definido pela seguinte expressatildeo
25
nm
nMSEBIC2
(Equaccedilatildeo 42)
nm
tt nxxn
BIC22
n
1t
ˆ1
(Equaccedilatildeo 43)
Onde
m = nuacutemero de paracircmetros do modelo
n = nuacutemero de observaccedilotildees da seacuterie temporal
3 - DESENVOLVIMENTO
31 ndash ANAacuteLISE DA SEacuteRIE
A seacuterie a seguir apresenta os dados quantitativos da evoluccedilatildeo do volume de produccedilatildeo de caminhotildees no Brasil
Tratam-se de dados mensais entre janeiro de 1957 e dezembro de 2011 totalizando 660 observaccedilotildees
5000
10000
15000
20000
60 65 70 75 80 85 90 95 0 5 10
Legend
PRODUCAO
Figura 2 - Seacuterie de Volume de Produccedilatildeo no Brasil
Fonte Elaborado pelos Autores 2012
26
32 ndash ANAacuteLISE DESCRITIVA
O primeiro passo foi a anaacutelise descritiva da seacuterie visando obter uma anaacutelise inicial para definir o modelo de
previsatildeo mais adequado agraves suas caracteriacutesticas
Utilizando o software Minitab obteve-se a seguinte tabela
Figura 3 - Estatiacutesticas Descritivas da Seacuterie Inicial
Fonte Minitab 2012
O coeficiente de correlaccedilatildeo de Pearson indica a razatildeo entre o desvio padratildeo e a meacutedia de uma seacuterie cujo
caacutelculo eacute representado por
CV = desvio padratildeomeacutedia
Introduzindo os valores do desvio padratildeo (3515) e da meacutedia da amostra (5560) na foacutermula anterior obteacutem-se o
seguinte resultado
CV = 35155560 = 06322 ~ 63 de grau de dispersatildeo
Essa medida eacute utilizada quando se pretende comparar duas ou mais distribuiccedilotildees de probabilidade quanto agraves
suas variabilidades atuando como uma medida de variabilidade relativa
Na teoria de probabilidade o grau de simetria eacute uma medida de assimetria da distribuiccedilatildeo de valores reais
aleatoacuterios O grau de simetria pode ser positivo ou negativo ou mesmo indefinido Qualitativamente um valor negativo
em que a cauda no lado esquerdo da funccedilatildeo de densidade de probabilidade eacute maior do que o lado direito e a maioria
dos valores tende ao lado direito da meacutedia De mesma forma um valor positivo indica que a cauda no lado direito eacute
maior do que o lado esquerdo e que a maioria dos valores tende ao lado esquerdo da meacutedia O valor zero indica que
valores relativos igualmente distribuiacutedos dos dois lados ao redor da meacutedia mas natildeo necessariamente implica em uma
distribuiccedilatildeo simeacutetrica
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de grau de simetria (skewness) O valor positivo do grau de
simetria indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa conforme apresentado no
histograma a seguir
27
dados
Fre
qu
en
cy
200001600012000800040000
120
100
80
60
40
20
0
Mean 5560
StDev 3515
N 660
Histogram (with Normal Curve) of dados
Figura 4 - Histograma da Seacuterie Inicial
Fonte SPSS 2012
De forma similar o conceito de curtose trata-se da uma medida de dispersatildeo para descriccedilatildeo da forma da
distribuiccedilatildeo de probabilidades e como o grau de simetria existem formas diferentes de quantificaacute-la como uma
distribuiccedilatildeo teoacuterica e formas correspondentes de estimaacute-la a partir de uma amostra oriunda de uma populaccedilatildeo Essa
medida indica o grau de achatamento curva de distribuiccedilatildeo de probabilidade
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de curtose (kurtosis) O valor positivo do grau de simetria
indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa O valor positivo indica um
comportamento leptocuacutertica indicando que a mesma eacute mais alta e mais concentrada que a distribuiccedilatildeo normal
O Teste de Normalidade realizado com 95 de niacutevel de confianccedila gerou um p-value nulo ou seja abaixo dos
5 de significacircncia Desta maneira a hipoacutetese nula de que os dados apresentariam uma distribuiccedilatildeo normal foi
rejeitada
Tests of Normality
105 660 000 860 660 000VAR00001
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 5 - Teste de Normalidade da Seacuterie Inicial
Fonte SPSS 2012
28
O teste de Kolmogorov-Smirnov eacute utilizado para determinar se duas distribuiccedilotildees de probabilidade diferem uma
da outra ou natildeo O graacutefico abaixo referente a este testem evidencia o comportamento da distribuiccedilatildeo frente ao
comportamento da distribuiccedilatildeo normal
dados
Pe
rce
nt
2500020000150001000050000-5000-10000
9999
99
95
80
50
20
5
1
001
Mean
lt0010
5560
StDev 3515
N 660
KS 0105
P-Value
Teste de Normalidade Kolmogorov-SmirnovNormal
Figura 6 - Teste de Kolmogorov-Smirnov para a Seacuterie Inicial
Fonte SPSS 2012
Assim faz-se necessaacuterio uma transformaccedilatildeo na seacuterie para adequaccedilatildeo dos dados para uma distribuiccedilatildeo
normal Para tal modificaccedilatildeo neste trabalho foi utilizada a distribuiccedilatildeo logariacutetmica na base 10
Apoacutes a transformaccedilatildeo o teste de normalidade foi realizado novamente (tambeacutem com 95 de significacircncia) O
resultado eacute apresentado na tabela a seguir
Tests of Normality
042 660 007 994 660 009log10
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 7 - Teste de Normalidade para a Seacuterie Transformada
Fonte SPSS 2012
Conforme pode ser observado na tabela acima o p-value foi proacuteximo de 001 menor que 005 Apesar do
pressuposto de normalidade dos dados natildeo ter sido alcanccedilado esta base de dados seraacute utilizada nas modelagens
para fins acadecircmicos e seraacute tomado como premissa que a distribuiccedilatildeo estaacute normalizada
29
O teste graacutefico de normalidade de Kolmogorov-Smirnov foi realizado para a distribuiccedilatildeo transformada O
graacutefico abaixo evidencia o comportamento dos dados da distribuiccedilatildeo frente ao comportamento da distribuiccedilatildeo normal
auxiliando na conclusatildeo do teste anterior
log 10
Pe
rce
nt
4540353025
9999
99
95
80
50
20
5
1
001
Mean
lt0010
3668
StDev 02593
N 660
KS 0042
P-Value
Teste de Normalidade Kolmogorov-Smirnov - log 10Normal
Figura 8 - Teste de Kolmogorov-Smirnov para a Seacuterie Transformada
Fonte SPSS 2012
A seguir tem-se o histograma da seacuterie transformada evidenciando a mudanccedila do comportamento dos dados
30
log 10
Fre
qu
en
cy
42403836343230
70
60
50
40
30
20
10
0
Mean 3668
StDev 02593
N 660
Histogram of log 10Normal
Figura 9 - Histograma da Seacuterie Transformada
Fonte SPSS 2012
O teste da igualdade de variacircncias eacute aplicado com o objetivo de verificar se devem ou natildeo ser assumidas
igualdade entre as variacircncias das populaccedilotildees Para isso foi utilizado na anaacutelise o Teste de Levene cujas hipoacuteteses
satildeo as seguintes
H0 as variacircncias nas duas populaccedilotildees satildeo iguais ou seja existe homocedasticidade (σ1 = σ2 ou σ1 = σ2 = 0)
Neste caso assume-se a estatiacutestica Sig F gt 005
H1 as variacircncias nas duas populaccedilotildees satildeo diferentes ou seja natildeo existe homocedasticidade (σ1 ne σ2 ou σ1 ne
σ2 ne 0) Neste caso assume-se a estatiacutestica Sig F lt ou = 005
Para a realizaccedilatildeo do teste dividiu-se a populaccedilatildeo em dois grupos iguais (grupos denominados como 0 e 1
cada um com 330 unidades) Os resultados satildeo os seguintes
31
Group Statistics
330 35473 23553 01297
330 37896 22313 01228
Teste de Lev ene0
1
log10N Mean Std Dev iation
Std Error
Mean
Independent Samples Test
5981 015 -13569 658 000 -24235 01786 -27742 -20728
-13569 656086 000 -24235 01786 -27742 -20728
Equal variances
assumed
Equal variances
not assumed
log10F Sig
Lev enes Test for
Equality of Variances
t df Sig (2-tailed)
Mean
Dif f erence
Std Error
Dif f erence Lower Upper
95 Conf idence
Interv al of the
Dif f erence
t-test f or Equality of Means
Figura 10 - Teste de Homocedasticidade para a Seacuterie Transformada
Fonte SPSS 2012
Pelo resultado do teste pode-se verificar que o valor de ldquoSigrdquo (referente ao p-value) foi de 0015 onde se
conclui que a hipoacutetese nula que leva em consideraccedilatildeo que a variacircncia da seacuterie eacute constante pode ser aceita
33 ndash MODELOS DE PREVISAtildeO
Neste trabalho seratildeo analisados os seguintes modelos de previsatildeo
1 ndash Box Jenkins
2 ndash Suavizaccedilatildeo Exponencial
Para determinar o modelo de previsatildeo mais adequado foi utilizado o software Forecast Pro for Windows (FPW)
Todas as previsotildees foram realizadas utilizando a seacuterie com a variaacutevel transformada a fim de atender o
pressuposto de normalidade da seacuterie necessaacuterio nos modelos de previsatildeo
32
Figura 11 - Seleccedilatildeo da Seacuterie para a Previsatildeo
Fonte FPW 2012
331 ndash Box-Jenkins
Apoacutes a apresentaccedilatildeo e anaacutelises dos pressupostos necessaacuterios para a aplicaccedilatildeo do modelo Box-Jenkins seratildeo
realizadas as anaacutelises que demonstram a funccedilatildeo de autocorrelaccedilatildeo (FAC) e funccedilatildeo de autocorrelaccedilatildeo parcial (FACP)
Figura 12 - FAC da Seacuterie
Fonte FPW 2012
33
Figura 13 - FACP da Seacuterie
Fonte FPW 2012
Nota-se na Figura XXX FAC da seacuterie que a seacuterie decai muito lentamente indicando tendecircncia logo faz-se
necessaacuterio realizar uma diferenciaccedilatildeo na parte simples
Apoacutes a diferenciaccedilatildeo obtiveram-se os seguintes novos graacuteficos para a funccedilatildeo de autocorrelaccedilatildeo e funccedilatildeo de
autocorrelaccedilatildeo parcial
Figura 14 - FAC da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
34
Figura 15 - FACP da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
Apoacutes a realizaccedilatildeo da diferenciaccedilatildeo os seguintes modelos foram testados
1 ndash ARIMA (110)
2 ndash ARIMA (011)
3 ndash ARIMA (210)
4 ndash ARIMA (012)
5 ndash ARIMA (111)
A seguir cada modelo seraacute demonstrado
1 ndash ARIMA (110)
Figura 16 - Resultado ARIMA (110)
Fonte FPW 2012
35
Figura 17 - FAC dos Resiacuteduos ARIMA (110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08746) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel a(1) foi considerada significativa
2 - ARIMA (011)
Figura 18 - Resultado ARIMA (011)
Fonte FPW 2012
36
Figura 19 - FAC dos Resiacuteduos ARIMA (011)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel b(1) foi considerada significativa
3 - ARIMA (210)
Figura 20 - Resultado ARIMA (210)
Fonte FPW 2012
37
Figura 21 - FAC dos Resiacuteduos ARIMA (210)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08765) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
4 - ARIMA (012)
Figura 22 - Resultado ARIMA (012)
Fonte FPW 2012
38
Figura 23 - FAC dos Resiacuteduos ARIMA (012)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08777) com lag significativo nas fases 12 24 e 36 no graacutefico da FAC dos
resiacuteduos As variaacuteveis b(1) e b(2) foram consideradas significativas
5 - ARIMA (111)
Figura 24 - Resultado ARIMA (111)
Fonte FPW 2012
39
Figura 25 - FAC dos Resiacuteduos ARIMA (111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08811) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e b(1) foi considerada significativa
Observando os resultados obtidos nos cinco modelos anteriores fica evidente a semelhanccedila da presenccedila dos
lags significativos nas fases 12 24 e 36 no graacutefico da FAC dos resiacuteduos indicando a existecircncia de sazonalidade na
seacuterie modelada Assim torna-se necessaacuterio diferenciar a fase sazonal dos dados
Apoacutes a diferenciaccedilatildeo simples foram realizadas as seguintes diferenciaccedilotildees sazonais obtendo-se os seguintes
resultados para os modelos SARIMA
6 ndash SARIMA (011)(010)
Figura 26 - Resultado SARIMA (011)(010)
Fonte FPW 2012
40
Figura 27 - FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel b(1) foi considerada significativa
7 ndash SARIMA (110)(010)
Figura 28 - Resultado SARIMA (011)(010)
Fonte FPW 2012
41
Figura 29 - FAC dos Resiacuteduos SARIMA (011)(010)
Figura 29 ndash FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08305) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel a(1) foi considerada significativa
8 ndash SARIMA (210)(010)
Figura 30 - Resultado SARIMA (210)(010)
Fonte FPW 2012
42
Figura 31 - FAC dos Resiacuteduos SARIMA (210)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08337) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
9 ndash SARIMA (012)(010)
Figura 32 - Resultado SARIMA (012)(010)
Fonte FPW 2012
43
Figura 33 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
10 ndash SARIMA (111)(010)
Figura 34 - Resultado SARIMA (111)(010)
Fonte FPW 2012
44
Figura 35 - FAC dos Resiacuteduos SARIMA (111)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 12 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1
11 ndash SARIMA (011)(110)
Figura 36 - Resultado SARIMA (011)(110)
Fonte FPW 2012
45
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08623) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis A(12) e b(1) foram consideradas significativas
12 ndash SARIMA (110)(110)
Figura 38 - Resultado SARIMA (011)(110)
Fonte FPW 2012
46
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08595) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e A(12) foram consideradas significativas
13 ndash SARIMA (210)(110)
Figura 40 - Resultado SARIMA (210)(110)
Fonte FPW 2012
47
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08620) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) a(2) e A(12) foram consideradas significativas
14 ndash SARIMA (012)(010)
Figura 42 - Resultado SARIMA (012)(010)
Fonte FPW 2012
48
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08625) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
15 ndash SARIMA (111)(110)
Figura 44 - Resultado SARIMA (111)(110)
Fonte FPW 2012
49
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08626) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 24 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1 e MA = 1
16 ndash SARIMA (011)(111)
Figura 46 - Resultado SARIMA (011)(111)
Fonte FPW 2012
50
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) e B(12) foram consideradas significativas pelo modelo
17 ndash SARIMA (110)(111)
Figura 48 - Resultado SARIMA (110)(111)
Fonte FPW 2012
51
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09010) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) e B(12) foram consideradas significativas pelo modelo
18 ndash SARIMA (210)(111)
Figura 50 - Resultado SARIMA (210)(111)
Fonte FPW 2012
52
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) a(12) e B(12) foram consideradas significativas pelo modelo
19 ndash SARIMA (012)(111)
Figura 52 ndash Resultado SARIMA (012)(111)
Fonte FPW 2012
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
15
a necessidade do julgamento por meio de especialistas principalmente quando natildeo existe uma seacuterie histoacuterica para ser
estudada
Os meacutetodos quantitativos utilizam dados histoacutericos e modelos matemaacuteticos para prever comportamentos
futuros As teacutecnicas quantitativas dividem-se em dois subgrupos seacuteries temporais (ou meacutetodos univariaacuteveis) e modelos
causais (multivariaacuteveis) As seacuteries temporais utilizam dados histoacutericos de demanda como base para determinaccedilatildeo de
padrotildees que podem se repetir no futuro Exemplos satildeo as teacutecnicas de seacuteries temporais e o amortecimento exponencial
Jaacute os modelos causais satildeo aqueles que buscam relacionar as demandas (variaacutevel dependente) com outros fatores
(variaacutevel independente) como fatores macroeconocircmicos como o PIB inflaccedilatildeo clima entre outros Para isso torna-se
necessaacuterio a utilizaccedilatildeo de regressotildees lineares e natildeo lineares
A aplicaccedilatildeo dos meacutetodos quantitativos depende de trecircs fatores
1 ndash Disponibilidade de informaccedilotildees histoacutericas
2 ndash Quantificaccedilatildeo das informaccedilotildees histoacutericas em seacuteries temporais
3 ndash Recorrecircncia no futuro de padrotildees observados nas informaccedilotildees histoacutericas
A condiccedilatildeo de recorrecircncia eacute conhecida como suposiccedilatildeo de continuidade e eacute uma premissa de todos os
meacutetodos quantitativos e alguns meacutetodos qualitativos
As caracteriacutesticas dos meacutetodos claacutessicos satildeo a mensuraccedilatildeo probabiliacutestica de erro da previsatildeo e uma
metodologia menos subjetiva para a obtenccedilatildeo dos modelos Neste grupo de modelos estaacute inserido o de Box-Jenkins
Um modelo claacutessico supotildee que a seacuterie temporal zt onde t = 1 N possa ser escrito como uma soma (modelo
aditivo) por meio da seguinte equaccedilatildeo
tttt aSTz (Equaccedilatildeo 1)
Ou ainda possa ser escrito como uma multiplicaccedilatildeo (modelo multiplicativo) da seguinte forma
tttt aSTz (Equaccedilatildeo 2)
Onde
tT = denotaccedilatildeo para tendecircncia
tS = denotaccedilatildeo para componente sazonal
ta = denotaccedilatildeo para termo aleatoacuterio
Removendo-se as componentes tT e tS resta a componente aleatoacuteria (at) ou residual A suposiccedilatildeo adotada eacute
que at seja uma componente puramente aleatoacuteria mesmo em alguns casos em que eacute considerada como um processo
estacionaacuterio com meacutedia e variacircncia constantes
Aleacutem dos modelos claacutessicos existe outra classe de meacutetodo de previsatildeo que contecircm os natildeo parameacutetricos
Esses satildeo caracterizados por serem muito subjetivos por natildeo possuiacuterem um grande nuacutemero de suposiccedilotildees como os
16
claacutessicos No entanto dentro dos natildeo parameacutetricos existe uma classe de modelos conhecidos por sua qualidade
preditiva e complexidade sendo denominados de modelos de redes neurais
Os modelos utilizados atualmente satildeo compostos de modelos teoacutericos exatos e empiacutericos Assim o
conhecimento teoacuterico eacute utilizado parcialmente para indicar uma classe adequada de funccedilotildees matemaacuteticas que satildeo
ajustadas empiricamente fazendo com que o ajuste dos seus paracircmetros seja realizado de forma experimental
Um dos aspectos relevantes para a seleccedilatildeo do modelo mais adequado estaacute na capacidade do mesmo em
reproduzir os dados conhecidos e as previsotildees futuras de forma acurada Assim se xt eacute a observaccedilatildeo real para o
periacuteodo t e tx eacute a previsatildeo para o mesmo periacuteodo Assim o erro na previsatildeo eacute definido por
ttt xxe ˆ (Equaccedilatildeo 4)
Se existirem observaccedilotildees e previsotildees para n periacuteodos as seguintes estatiacutesticas podem ser utilizadas
n
1t
en
1ME
t (Equaccedilatildeo 5)
Ie In
1MAE
n
1t
t
(Equaccedilatildeo 6)
n
1t
2
t en
1MSE (Equaccedilatildeo 7)
O erro meacutedio ME eacute definido como a meacutedia dos erros calculado na equaccedilatildeo 5 (et) Pelo somatoacuterio os valores
positivos e negativos tendem a se anular resultando em um valor baixo O erro meacutedio absoluto (MAE) eacute definido pelo
somatoacuterio dos moacutedulos dos erros e em seguida realiza-se a meacutedia dos valores absolutos encontrados No caacutelculo do
erro quadraacutetico (MSE) os erros se tornam positivos pela elevaccedilatildeo ao quadrado e a meacutedia eacute realizada com os valores
positivos encontrados
Considerando a escala em que os dados satildeo expressos pode-se definir o erro relativo como
100xˆ
PE t
t
t
x
xx (Equaccedilatildeo 8)
t
n
1t
PEn
1MPE
(Equaccedilatildeo 9)
IPE In
1MAPE t
n
1t
(Equaccedilatildeo 10)
O erro meacutedio percentual (MPE) eacute a meacutedia do erro percentual calculado em PEt para n periacuteodos Neste caso os
valores positivos e negativos dos erros percentuais tendem a se anular da mesma forma que para ME Da mesma
forma que para MAE o erro meacutedio absoluto percentual tambeacutem eacute obtido utilizando-se erros absolutos percentuais
17
23 ndash MODELO BOX-JENKINS
Os modelos ARIMA (Autoregressive Integrated Moving Average ndash Auto-Regressivos Integrados de Meacutedias
Moacuteveis) da famiacutelia de Box-Jenkins tem o objetivo de captar o comportamento da autocorrelaccedilatildeo (correlaccedilatildeo seriada)
entre os valores da seacuterie temporal e realizar previsotildees baseando-se neste comportamento
Dentre a famiacutelia de modelos destacam-se os Auto-Regressivos e os de Meacutedias Moacuteveis Aleacutem destes existem
ainda outras variaccedilotildees no qual satildeo tomadas d diferenccedilas de uma seacuterie natildeo estacionaacuteria visando tornaacute-la estacionaacuteria
(com meacutedia e variacircncia constantes ao longo do tempo) Existem ainda os modelos ARMA (Auto-Regressivos de Meacutedias
Moacuteveis) que satildeo utilizados quando natildeo haacute necessidade de realizar diferenciaccedilotildees para tornar a seacuterie estacionaacuteria
Outro modelo eacute conhecido como SARIMA (ou ARIMA Sazonal) que eacute utilizado para captar a sazonalidade de uma
seacuterie
Um benefiacutecio da utilizaccedilatildeo dos modelos Box-Jenkins estaacute relacionado ao fato do algoritmo do mesmo auxiliar o
usuaacuterio na escolha do melhor modelo por meio dos comportamentos dos graacuteficos da funccedilatildeo de autocorrelaccedilatildeo (FAC) e
da funccedilatildeo de autocorrelaccedilatildeo parcial (FACP)
A FAC eacute determinada atraveacutes da correlaccedilatildeo linear de cada valor yt da seacuterie de dados com outros valores em
lags distintos como yt-1 yt-2 e assim sucessivamente Assim o coeficiente de correlaccedilatildeo temporal (autocorrelaccedilatildeo) da
seacuterie temporal defasado por 1 2 ou mais periacuteodos eacute calculado pela seguinte equaccedilatildeo
n
1t
2
n
1tk
r
xx
xxxx
t
ktt
k (Equaccedilatildeo 11)
Na equaccedilatildeo anterior r1 indica como os valores sucessivos de x relacionam-se entre si r2 indica como os
valores de x defasados em dois periacuteodos relacionam-se entre si e assim sucessivamente Em conjunto as
autocorrelaccedilotildees defasadas em 1 2 k periacuteodos constituem a funccedilatildeo de autocorrelaccedilatildeo
A FACP por sua vez possui um conceito semelhante ao da FAC Eacute definida pela correlaccedilatildeo existente entre yt
e yt-2 por exemplo sem levar em consideraccedilatildeo os efeitos causados por yt-1 e yt-2 O coeficiente de autocorrelaccedilatildeo
parcial de ordem k definido por k pode ser obtido atraveacutes da estimaccedilatildeo dos coeficientes da regressatildeo muacuteltipla de x t
em funccedilatildeo de 1tx 2tx ktx conforme a proacutexima equaccedilatildeo
ktkttt xxxx 22110 (Equaccedilatildeo 12)
As autocorrelaccedilotildees parciais satildeo usadas para medir o grau de associaccedilatildeo entre as observaccedilotildees x t e xt-k quando
o efeito das outras observaccedilotildees defasadas no tempo em 1 2 k-1 periacuteodos satildeo removidas As autocorrelaccedilotildees
parciais 1 2 k constituem a FACP
Pelo fato deste processo permitir que usuaacuterios diferentes modelem diferentes equaccedilotildees a partir de uma mesma
seacuterie temporal pode existir certo grau de subjetividade na escolha do melhor modelo para a previsatildeo da seacuterie em
questatildeo
18
231 ndash Modelo ARMA (Auto-Regressivo a Meacutedia Moacutevel)
O modelo ARMA natildeo possui uma parte integrada Sendo assim satildeo utilizados para uma seacuterie temporal
estacionaacuteria com relaccedilatildeo agrave meacutedia e a variacircncia e satildeo definidos pelas equaccedilotildees a seguir
qtqttptptt eeexxcx 1111 (Equaccedilatildeo 13)
Existem restriccedilotildees aos valores cujos paracircmetros podem assumir nas equaccedilotildees anteriores a saber
Para p = 1 -1 lt 1 lt 1
Para p = 2 -1 lt 2 lt 1 1 + 2 lt 1 e 2 ndash 1 lt 1
Para p gt= 3 condiccedilotildees mais complexas prevalecem
Da mesma forma
Para q = 1 -1 lt 1 lt 1
Para q = 2 -1 lt 2 lt 1 1 + 2 lt 1 e 2 ndash 1 lt 1
Para p gt= 3 condiccedilotildees mais complexas prevalecem
Um dispositivo de notaccedilatildeo uacutetil eacute o operador de deslocamento retroativo definido por 1 tt xBx Assim B
operando sobre tx tem o efeito de deslocar os dados para traacutes em um periacuteodo Dessa forma
2
2)( ttt xxBBxB (Equaccedilatildeo 14)
Por meio da equaccedilatildeo acima que o modelo recebe a denominaccedilatildeo de Auto-Regressivo a Meacutedia Moacutevel (ARMA)
de ordens (pq) conforme expresso na equaccedilatildeo seguinte
t
MA
p
p
AR
t
p
p eBBcxBB
qp
)()(
11 11 (Equaccedilatildeo 15)
Os coeficientes 1 2 p e 1 2 q satildeo estimados para ajustarem-se agrave seacuterie temporal estudada
atraveacutes dos meacutetodos dos miacutenimos quadrados ou da maacutexima verossimilhanccedila A aplicaccedilatildeo do meacutetodo dos miacutenimos
quadrados eacute realizada atraveacutes de estimativas feitas iterativamente por softwares ateacute que soma dos erros quadraacuteticos
seja minimizada O meacutetodo da maacutexima verossimilhanccedila estima tambeacutem iterativamente os valores dos paracircmetros que
maximizem a verossimilhanccedila de um conjunto de observaccedilotildees
O modelo ARMA deve ter seus erros et distribuiacutedos aleatoriamente comportando-se como uma seacuterie de ruiacutedo
branco Os resiacuteduos natildeo satildeo ruiacutedo branco se as estatiacutesticas Q sugerida por Box-Pierce ou Q sugerida por Ljungndash
Box posicionarem-se no extremo 5 da cauda direita da distribuiccedilatildeo χ2 As expressotildees para caacutelculo das estatiacutesticas
Q de BoxndashPierce ou Q de Ljung-Box satildeo as seguintes
19
h
1k
2
k tnQ (Equaccedilatildeo 16)
h
1k
2
k
k-
r)2(
nnnQ (Equaccedilatildeo 17)
Onde
n = nuacutemero de observaccedilotildees da seacuterie
h = maacutexima defasagem dos coeficientes de correlaccedilatildeo dos resiacuteduos
Alguns autores apresentam procedimentos para identificaccedilatildeo das ordens p e q dos modelos ARMA por meio
dos graacuteficos das FAC e FACP como exemplificado no quadro a seguir
Modelo FAC FACP
ARMA (p0) Decaimento gradativo Decaimento brusco apoacutes defasagem p
ARMA (0q) Decaimento brusco apoacutes defasagem q Decaimento gradativo
ARMA (pq) Decaimento gradativo com onda
senoidal amortecida apoacutes a
defasagem (q-p)
Decaimento gradativo com onda
senoidal amortecida apoacutes a defasagem
(p-q)
Tabela 1 - Comportamento das FAC e FACP para Modelos Estacionaacuterios
Fonte Elaborado pelos Autores
232 ndash Modelo ARIMA
Em muitos casos as seacuteries temporais encontradas possuem tendecircncia apresentando um comportamento natildeo
estacionaacuterio No entanto para aplicar o meacutetodo de Box-Jenkins eacute necessaacuterio remover a tendecircncia da seacuterie atraveacutes da
diferenciaccedilatildeo ou seja aplicar sobre a mesma o operador (1 ndash B) no modelo ARMA conforme equaccedilatildeo a seguir
tttt xBxxx )1(1
(Equaccedilatildeo 18)
Desta forma a expressatildeo do modelo ARIMA (pdq) ndash auto regressivo integrado a meacutedia moacutevel de ordem p d
q eacute a expressatildeo do modelo ARMA (pq) acrescido do fator de diferenciaccedilatildeo de ordem d responsaacutevel pela descriccedilatildeo do
comportamento de tendecircncia da seacuterie conforme representado na equaccedilatildeo a seguir
t
MA
p
p
I
t
d
AR
p
p eBBcxBBB
qdp
)()()(
111 11 (Equaccedilatildeo 19)
233 ndash Modelo ARIMA Sazonal (SARIMA)
O comportamento mais geral de seacuteries histoacutericas natildeo estacionaacuterias eacute o que combina o padratildeo de tendecircncia
com o padratildeo de sazonalidade O meacutetodo de Box-Jenkins recomenda a remoccedilatildeo tanto da tendecircncia quanto da
sazonalidade das seacuteries diferenciando-a duas vezes Eacute recomendado que a diferenciaccedilatildeo sazonal sobre a seacuterie
20
original seja feita em primeiro lugar uma vez que em alguns casos sua aplicaccedilatildeo jaacute torna a seacuterie estacionaacuteria como
mostrado na expressatildeo a seguir (para uma seacuterie com nuacutemero de periacuteodos com ciclo sazonal igual a 12)
tttt xBxxx )1( 12
12
(Equaccedilatildeo 20)
Nos casos em que se torna necessaacuteria a segunda diferenciaccedilatildeo faz necessaacuteria aplicar o operador )1( B na
mesma conforme equaccedilatildeo a seguir
ttttt xBBxBxxx 12
1
11)1( (Equaccedilatildeo 21)
24 ndash MEacuteTODO DO AMORTECIMENTO EXPONENCIAL
Historicamente o amortecimento exponencial descreve uma classe de meacutetodos de previsatildeo De fato alguns
dos meacutetodos mais utilizados para esse fim satildeo baseados nesse conceito cada um deles utilizando a propriedade em
que os pesos das observaccedilotildees mais recentes satildeo maiores do que aqueles referentes a observaccedilotildees no passado
Assim o nome ldquoamortecimento exponencialrdquo reflete no fato de que os pesos (atraveacutes do uso da meacutedia ponderada)
diminuem exponencialmente agrave medida que as observaccedilotildees satildeo mais antigas
Os primeiros registros da utilizaccedilatildeo do meacutetodo satildeo de Robert G Brown em 1944 enquanto desenvolvia
trabalhos como analista de Pesquisa Operacional na Marinha Americana enquanto desenvolvia um dispositivo
mecacircnico para monitorar a velocidade e o acircngulo de tiros disparados de submarinos Em 1950 ele estendeu o uso
desse meacutetodo para seacuteries temporais discretas incluindo termos para lidar com as componentes de sazonalidade e
tendecircncia
Paralelamente Charles Holt tambeacutem estava trabalhando em um meacutetodo de amortecimento exponencial para o
Escritoacuterio Americano de Pesquisas Navais O seu trabalho em modelos sazonais aditivos e multiplicativos se tornaram
conhecidos atraveacutes de um artigo publicado por seu estudante Peter Winters em 1960 aplicando testes empiacutericos ao
meacutetodo de Holt Como resultado a versatildeo da ferramenta que trabalha com a componente sazonal eacute denominada de
Holt-Winters
Os modelos de suavizaccedilatildeo exponencial satildeo largamente utilizados devido a sua simplicidade e baixo custo
Assim quando se necessitam previsotildees para milhares de itens como eacute o caso em muitos sistemas de gestatildeo esses
modelos satildeo muitas vezes os uacutenicos suficientemente raacutepidos e baratos para assegurar uma implementaccedilatildeo viaacutevel
Dessa forma existem trecircs classes de meacutetodos de amortecimento exponencial a saber
1 ndash Seacuteries localmente constantes analisadas pelos modelos de meacutedias moacuteveis simples ou amortecimento
exponencial
2 ndash Seacuteries com tendecircncias que utilizam o modelo de Holt
3 ndash Seacuteries com comportamento sazonal que utilizam o modelo Holt-Winters
241 ndash Meacutetodos de Amortecimento Exponencial Simples
21
O meacutetodo de suavizaccedilatildeo exponencial simples tem melhor precisatildeo para seacuteries de padratildeo horizontal isto eacute
agravequelas que natildeo apresentam tendecircncia nem sazonalidade e eacute apropriado para previsotildees de curto prazo Seu algoritmo
de previsatildeo utiliza a seguinte expressatildeo da equaccedilatildeo
ttt xxx ˆ1ˆ1 (Equaccedilatildeo 22)
Onde
1ˆtx = previsatildeo para o periacuteodo t+1
α = constante de suavizaccedilatildeo cujo valor encontra-se entre 0 e 1
tx = uacuteltimo valor observado
tx = uacuteltimo valor observado com peso (1 ndash α)
Expandindo-se a expressatildeo acima pela substituiccedilatildeo de tx 1ˆtx 2
ˆtx por seus componentes resulta em
1113211ˆ)1()1(3)1(2)1(1ˆ xxxxxxx ttttttt (Equaccedilatildeo 23)
Assim 1ˆtx eacute uma meacutedia ponderada de todas as observaccedilotildees passadas constituindo os coeficientes de
ponderaccedilatildeo uma seacuterie decrescente exponencialmente para valores de α entre 0 e 1 Dessa constataccedilatildeo origina-se o
nome amortecimento exponencial Analisando-se a uacuteltima equaccedilatildeo verifica-se que a constante de suavizaccedilatildeo α
determina a rapidez do decaimento dos coeficientes (pesos) A escolha do valor para a constante de suavizaccedilatildeo pode
ser arbitraacuteria ou condicionada a algum criteacuterio que na maioria das vezes consiste na minimizaccedilatildeo do erro quadraacutetico
meacutedio atribuiacutedo ao desempenho do meacutetodo
A constante de suavizaccedilatildeo estaacute diretamente ligada agrave velocidade de resposta das previsotildees agraves variaccedilotildees das
observaccedilotildees ou seja quanto menor o valor de α mais lenta eacute a resposta Valores maiores que α causam reaccedilotildees
mais raacutepidas das previsotildees agraves variaccedilotildees das observaccedilotildees podendo causar instabilidade no desempenho do meacutetodo
Como o peso da primeira previsatildeo 1x eacute (1 ndash α)t verifica-se que menor importacircncia um fator teraacute para a
previsatildeo de t+1 quanto mais proacuteximo de um for e quanto maior for o t Como eacute necessaacuterio ter o valor de 1x eacute feita a
suposiccedilatildeo de que 1x = 1x ou seja igual agrave uacuteltima observaccedilatildeo O erro decorrente dessa suposiccedilatildeo seraacute tanto menor
quanto maiores forem α e t
Alternativamente a expressatildeo inicial desse item pode ser representada como
1ˆtx = tx + α( tx ndash tx ) (Equaccedilatildeo 24)
1ˆtx = tx + α te (Equaccedilatildeo 25)
Atraveacutes da anaacutelise da uacuteltima equaccedilatildeo pode-se concluir que o meacutetodo de suavizaccedilatildeo exponencial simples
prevecirc o valor de uma seacuterie temporal tomando a previsatildeo para o periacuteodo anterior e ajustando-a pelo valor do erro no
mesmo periacuteodo
22
242 ndash Meacutetodo de Holt
O meacutetodo de Holt pode ser utilizado de maneira satisfatoacuteria em seacuteries temporais com tendecircncia linear
mediante o uso de uma funccedilatildeo de ponderaccedilatildeo que daacute maior importacircncia aos periacuteodos de tempo mais recentes Seu
algoritmo de previsatildeo utiliza as seguintes expressotildees
))(1( 11 tttt TLxL (Equaccedilatildeo 26)
11 )1)(( tttt TLLT (Equaccedilatildeo 27)
mtx ˆ
tt mTL (Equaccedilatildeo 28)
Onde
mtx ˆ = previsatildeo para o periacuteodo t+m
= constantes de suavizaccedilatildeo com valor entre 0 e 1 que determinam a rapidez de decaimento dos pesos
da seacuterie quanto mais proacuteximo de um maior o peso das observaccedilotildees recentes
tL = estimativa do niacutevel da seacuterie no tempo t
tT = estimativa de declividade da seacuterie no tempo t
Como o meacutetodo de Holt baseia-se na aplicaccedilatildeo recursiva das expresses anteriores satildeo necessaacuterios tambeacutem
como dados de entrada tL e tT que podem ser considerados como 1L 1x e 1T 12 xx Outra forma de caacutelculo eacute a
regressatildeo linear simples aplicada aos dados da seacuterie temporal onde se obteacutem o valor da declividade da seacuterie temporal
e de 0L em sua origem
243 ndash Meacutetodo de Winters
Os meacutetodos de Winters dividem-se em dois grupos aditivo e multiplicativo No meacutetodo aditivo a amplitude da
variaccedilatildeo sazonal eacute constante ao longo do tempo ou seja a diferenccedila entre o maior e menor valor de demanda dentro
das estaccedilotildees permanece relativamente constante no tempo No meacutetodo multiplicativo a amplitude da variaccedilatildeo sazonal
aumente ou diminui como funccedilatildeo do tempo
2431 ndash Meacutetodo Sazonal Multiplicativo de Winters
))(1( 11
tt
t
t
t TLSS
xL (Equaccedilatildeo 29)
11 )1()( tttt TLLT (Equaccedilatildeo 30)
SSL
xS t
t
t
t
1 (Equaccedilatildeo 31)
mSSmTLx tttmt ˆ (Equaccedilatildeo 32)
23
Onde
mtx ˆ = previsatildeo para o periacuteodo t+m
= constantes de suavizaccedilatildeo que variam entre 0 e 1
tx = observaccedilatildeo mais recente
tL = estimativa do niacutevel de seacuterie no tempo t
tT = estimativa de declividade da seacuterie no tempo t
tS = componente de sazonalidade no tempo t
S = nuacutemero de subperiacuteodos do ano (sazonalidade)
A escolha de valores para as constantes de suavizaccedilatildeo eacute condicionada a algum criteacuterio que na maioria das
vezes consiste na minimizaccedilatildeo por meio do algoritmo de minimizaccedilatildeo linear do erro quadraacutetico meacutedio (MSE) atribuiacutedo
ao desempenho do meacutetodo
Como o meacutetodo multiplicativo de Winters baseia-se na aplicaccedilatildeo recursiva das equaccedilotildees deste item e que
deve ser iniciada em algum periacuteodo do passado no qual os valores de TL TT e TS devem ser estimados A maneira
mais simples de inicializar o niacutevel de tendecircncia no periacuteodo S O niacutevel eacute inicializado no primeiro periacuteodo sazonal da
seguinte forma
S
Sxxxx
SL
1
321
(Equaccedilatildeo 33)
Para inicializar a tendecircncia eacute conveniente o uso de dois ciclos completos isto eacute 2S periacuteodos como descrito
abaixo
S
xx
S
xx
S
xx
ST SSSSS
S 1 2211 (Equaccedilatildeo 34)
Por ultimo os iacutendices sazonais satildeo inicializados usando-se a razatildeo das primeiras observaccedilotildees como a meacutedia
do primeiro ano com descrito a seguir
S
xS
L
11
S
xS
L
22
S
S
s
xS
L (Equaccedilatildeo 35)
2432 ndash Meacutetodo Sazonal Aditivo de Winters
O meacutetodo aditivo de Winters eacute utilizado na modelagem dos dados sazonais no qual a amplitude do ciclo
sazonal permanece constante com o passar do tempo
Aleacutem disso a amplitude da variaccedilatildeo sazonal eacute constante ao longo do tempo ou seja a diferenccedila entre o maior
e o menor valor de demanda dentro das estaccedilotildees permanece relativamente constante no tempo As equaccedilotildees
matemaacuteticas satildeo
))(1()( 11 ttttt TLSSxL (Equaccedilatildeo 36)
24
11 )1()( tttt TLLT (Equaccedilatildeo 37)
Stttt SLxS )1()( St = γ(xt - Lt) + (1- γ)St-S (Equaccedilatildeo 38)
mStttmt SmTLx ˆ (Equaccedilatildeo 39)
A segunda equaccedilatildeo deste item eacute igual agravequela do meacutetodo multiplicativo de Winters O restante das equaccedilotildees se
diferem por iacutendice sazonais serem somados e subtraiacutedos ao inveacutes de serem tomados em produtos ou divisotildees
Os valores iniciais de SL e ST satildeo iguais aos do meacutetodo multiplicativo Os iacutendices sazonais satildeo inicializados da
seguinte forma
SLxS 11 SLxS 22 SSS LxS (Equaccedilatildeo 40)
25 ndash SELECcedilAtildeO DE MODELOS
A partir do momento em que vaacuterios modelos ajustam-se a uma seacuterie temporal deve-se eleger aquele que
melhor representa o seu comportamento por meio da anaacutelise de seus paracircmetros Neste trabalho os paracircmetros seratildeo
utilizados os seguintes paracircmetros de forma primordial na definiccedilatildeo do modelo mais apropriado
251 ndash Maacuteximo R2
A estatiacutestica R2 eacute definida por
n
1t
2
2n
1t2
ˆ
1
tt
tt
xx
xx
R (Equaccedilatildeo 41)
Onde
tx = observaccedilatildeo real para o periacuteodo t
tx = previsatildeo para o periacuteodo t
Uma medida de R2 mais proacutexima de zero indica um modelo com ajuste pobre enquanto que um valor proacuteximo
de um indica um bom ajuste
252 ndash Miacutenimo BIC (Bayesian Information Criterion)
Este criteacuterio penaliza os modelos com muitos paracircmetros sendo portanto um criteacuterio de verosimilhanccedila
penalisada Vale ressaltar que o BIC natildeo deve ser utilizado de forma isolada mas em conjunto com outros paracircmetros
na comparaccedilatildeo com diversos modelos
O BIC eacute definido pela seguinte expressatildeo
25
nm
nMSEBIC2
(Equaccedilatildeo 42)
nm
tt nxxn
BIC22
n
1t
ˆ1
(Equaccedilatildeo 43)
Onde
m = nuacutemero de paracircmetros do modelo
n = nuacutemero de observaccedilotildees da seacuterie temporal
3 - DESENVOLVIMENTO
31 ndash ANAacuteLISE DA SEacuteRIE
A seacuterie a seguir apresenta os dados quantitativos da evoluccedilatildeo do volume de produccedilatildeo de caminhotildees no Brasil
Tratam-se de dados mensais entre janeiro de 1957 e dezembro de 2011 totalizando 660 observaccedilotildees
5000
10000
15000
20000
60 65 70 75 80 85 90 95 0 5 10
Legend
PRODUCAO
Figura 2 - Seacuterie de Volume de Produccedilatildeo no Brasil
Fonte Elaborado pelos Autores 2012
26
32 ndash ANAacuteLISE DESCRITIVA
O primeiro passo foi a anaacutelise descritiva da seacuterie visando obter uma anaacutelise inicial para definir o modelo de
previsatildeo mais adequado agraves suas caracteriacutesticas
Utilizando o software Minitab obteve-se a seguinte tabela
Figura 3 - Estatiacutesticas Descritivas da Seacuterie Inicial
Fonte Minitab 2012
O coeficiente de correlaccedilatildeo de Pearson indica a razatildeo entre o desvio padratildeo e a meacutedia de uma seacuterie cujo
caacutelculo eacute representado por
CV = desvio padratildeomeacutedia
Introduzindo os valores do desvio padratildeo (3515) e da meacutedia da amostra (5560) na foacutermula anterior obteacutem-se o
seguinte resultado
CV = 35155560 = 06322 ~ 63 de grau de dispersatildeo
Essa medida eacute utilizada quando se pretende comparar duas ou mais distribuiccedilotildees de probabilidade quanto agraves
suas variabilidades atuando como uma medida de variabilidade relativa
Na teoria de probabilidade o grau de simetria eacute uma medida de assimetria da distribuiccedilatildeo de valores reais
aleatoacuterios O grau de simetria pode ser positivo ou negativo ou mesmo indefinido Qualitativamente um valor negativo
em que a cauda no lado esquerdo da funccedilatildeo de densidade de probabilidade eacute maior do que o lado direito e a maioria
dos valores tende ao lado direito da meacutedia De mesma forma um valor positivo indica que a cauda no lado direito eacute
maior do que o lado esquerdo e que a maioria dos valores tende ao lado esquerdo da meacutedia O valor zero indica que
valores relativos igualmente distribuiacutedos dos dois lados ao redor da meacutedia mas natildeo necessariamente implica em uma
distribuiccedilatildeo simeacutetrica
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de grau de simetria (skewness) O valor positivo do grau de
simetria indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa conforme apresentado no
histograma a seguir
27
dados
Fre
qu
en
cy
200001600012000800040000
120
100
80
60
40
20
0
Mean 5560
StDev 3515
N 660
Histogram (with Normal Curve) of dados
Figura 4 - Histograma da Seacuterie Inicial
Fonte SPSS 2012
De forma similar o conceito de curtose trata-se da uma medida de dispersatildeo para descriccedilatildeo da forma da
distribuiccedilatildeo de probabilidades e como o grau de simetria existem formas diferentes de quantificaacute-la como uma
distribuiccedilatildeo teoacuterica e formas correspondentes de estimaacute-la a partir de uma amostra oriunda de uma populaccedilatildeo Essa
medida indica o grau de achatamento curva de distribuiccedilatildeo de probabilidade
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de curtose (kurtosis) O valor positivo do grau de simetria
indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa O valor positivo indica um
comportamento leptocuacutertica indicando que a mesma eacute mais alta e mais concentrada que a distribuiccedilatildeo normal
O Teste de Normalidade realizado com 95 de niacutevel de confianccedila gerou um p-value nulo ou seja abaixo dos
5 de significacircncia Desta maneira a hipoacutetese nula de que os dados apresentariam uma distribuiccedilatildeo normal foi
rejeitada
Tests of Normality
105 660 000 860 660 000VAR00001
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 5 - Teste de Normalidade da Seacuterie Inicial
Fonte SPSS 2012
28
O teste de Kolmogorov-Smirnov eacute utilizado para determinar se duas distribuiccedilotildees de probabilidade diferem uma
da outra ou natildeo O graacutefico abaixo referente a este testem evidencia o comportamento da distribuiccedilatildeo frente ao
comportamento da distribuiccedilatildeo normal
dados
Pe
rce
nt
2500020000150001000050000-5000-10000
9999
99
95
80
50
20
5
1
001
Mean
lt0010
5560
StDev 3515
N 660
KS 0105
P-Value
Teste de Normalidade Kolmogorov-SmirnovNormal
Figura 6 - Teste de Kolmogorov-Smirnov para a Seacuterie Inicial
Fonte SPSS 2012
Assim faz-se necessaacuterio uma transformaccedilatildeo na seacuterie para adequaccedilatildeo dos dados para uma distribuiccedilatildeo
normal Para tal modificaccedilatildeo neste trabalho foi utilizada a distribuiccedilatildeo logariacutetmica na base 10
Apoacutes a transformaccedilatildeo o teste de normalidade foi realizado novamente (tambeacutem com 95 de significacircncia) O
resultado eacute apresentado na tabela a seguir
Tests of Normality
042 660 007 994 660 009log10
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 7 - Teste de Normalidade para a Seacuterie Transformada
Fonte SPSS 2012
Conforme pode ser observado na tabela acima o p-value foi proacuteximo de 001 menor que 005 Apesar do
pressuposto de normalidade dos dados natildeo ter sido alcanccedilado esta base de dados seraacute utilizada nas modelagens
para fins acadecircmicos e seraacute tomado como premissa que a distribuiccedilatildeo estaacute normalizada
29
O teste graacutefico de normalidade de Kolmogorov-Smirnov foi realizado para a distribuiccedilatildeo transformada O
graacutefico abaixo evidencia o comportamento dos dados da distribuiccedilatildeo frente ao comportamento da distribuiccedilatildeo normal
auxiliando na conclusatildeo do teste anterior
log 10
Pe
rce
nt
4540353025
9999
99
95
80
50
20
5
1
001
Mean
lt0010
3668
StDev 02593
N 660
KS 0042
P-Value
Teste de Normalidade Kolmogorov-Smirnov - log 10Normal
Figura 8 - Teste de Kolmogorov-Smirnov para a Seacuterie Transformada
Fonte SPSS 2012
A seguir tem-se o histograma da seacuterie transformada evidenciando a mudanccedila do comportamento dos dados
30
log 10
Fre
qu
en
cy
42403836343230
70
60
50
40
30
20
10
0
Mean 3668
StDev 02593
N 660
Histogram of log 10Normal
Figura 9 - Histograma da Seacuterie Transformada
Fonte SPSS 2012
O teste da igualdade de variacircncias eacute aplicado com o objetivo de verificar se devem ou natildeo ser assumidas
igualdade entre as variacircncias das populaccedilotildees Para isso foi utilizado na anaacutelise o Teste de Levene cujas hipoacuteteses
satildeo as seguintes
H0 as variacircncias nas duas populaccedilotildees satildeo iguais ou seja existe homocedasticidade (σ1 = σ2 ou σ1 = σ2 = 0)
Neste caso assume-se a estatiacutestica Sig F gt 005
H1 as variacircncias nas duas populaccedilotildees satildeo diferentes ou seja natildeo existe homocedasticidade (σ1 ne σ2 ou σ1 ne
σ2 ne 0) Neste caso assume-se a estatiacutestica Sig F lt ou = 005
Para a realizaccedilatildeo do teste dividiu-se a populaccedilatildeo em dois grupos iguais (grupos denominados como 0 e 1
cada um com 330 unidades) Os resultados satildeo os seguintes
31
Group Statistics
330 35473 23553 01297
330 37896 22313 01228
Teste de Lev ene0
1
log10N Mean Std Dev iation
Std Error
Mean
Independent Samples Test
5981 015 -13569 658 000 -24235 01786 -27742 -20728
-13569 656086 000 -24235 01786 -27742 -20728
Equal variances
assumed
Equal variances
not assumed
log10F Sig
Lev enes Test for
Equality of Variances
t df Sig (2-tailed)
Mean
Dif f erence
Std Error
Dif f erence Lower Upper
95 Conf idence
Interv al of the
Dif f erence
t-test f or Equality of Means
Figura 10 - Teste de Homocedasticidade para a Seacuterie Transformada
Fonte SPSS 2012
Pelo resultado do teste pode-se verificar que o valor de ldquoSigrdquo (referente ao p-value) foi de 0015 onde se
conclui que a hipoacutetese nula que leva em consideraccedilatildeo que a variacircncia da seacuterie eacute constante pode ser aceita
33 ndash MODELOS DE PREVISAtildeO
Neste trabalho seratildeo analisados os seguintes modelos de previsatildeo
1 ndash Box Jenkins
2 ndash Suavizaccedilatildeo Exponencial
Para determinar o modelo de previsatildeo mais adequado foi utilizado o software Forecast Pro for Windows (FPW)
Todas as previsotildees foram realizadas utilizando a seacuterie com a variaacutevel transformada a fim de atender o
pressuposto de normalidade da seacuterie necessaacuterio nos modelos de previsatildeo
32
Figura 11 - Seleccedilatildeo da Seacuterie para a Previsatildeo
Fonte FPW 2012
331 ndash Box-Jenkins
Apoacutes a apresentaccedilatildeo e anaacutelises dos pressupostos necessaacuterios para a aplicaccedilatildeo do modelo Box-Jenkins seratildeo
realizadas as anaacutelises que demonstram a funccedilatildeo de autocorrelaccedilatildeo (FAC) e funccedilatildeo de autocorrelaccedilatildeo parcial (FACP)
Figura 12 - FAC da Seacuterie
Fonte FPW 2012
33
Figura 13 - FACP da Seacuterie
Fonte FPW 2012
Nota-se na Figura XXX FAC da seacuterie que a seacuterie decai muito lentamente indicando tendecircncia logo faz-se
necessaacuterio realizar uma diferenciaccedilatildeo na parte simples
Apoacutes a diferenciaccedilatildeo obtiveram-se os seguintes novos graacuteficos para a funccedilatildeo de autocorrelaccedilatildeo e funccedilatildeo de
autocorrelaccedilatildeo parcial
Figura 14 - FAC da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
34
Figura 15 - FACP da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
Apoacutes a realizaccedilatildeo da diferenciaccedilatildeo os seguintes modelos foram testados
1 ndash ARIMA (110)
2 ndash ARIMA (011)
3 ndash ARIMA (210)
4 ndash ARIMA (012)
5 ndash ARIMA (111)
A seguir cada modelo seraacute demonstrado
1 ndash ARIMA (110)
Figura 16 - Resultado ARIMA (110)
Fonte FPW 2012
35
Figura 17 - FAC dos Resiacuteduos ARIMA (110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08746) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel a(1) foi considerada significativa
2 - ARIMA (011)
Figura 18 - Resultado ARIMA (011)
Fonte FPW 2012
36
Figura 19 - FAC dos Resiacuteduos ARIMA (011)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel b(1) foi considerada significativa
3 - ARIMA (210)
Figura 20 - Resultado ARIMA (210)
Fonte FPW 2012
37
Figura 21 - FAC dos Resiacuteduos ARIMA (210)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08765) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
4 - ARIMA (012)
Figura 22 - Resultado ARIMA (012)
Fonte FPW 2012
38
Figura 23 - FAC dos Resiacuteduos ARIMA (012)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08777) com lag significativo nas fases 12 24 e 36 no graacutefico da FAC dos
resiacuteduos As variaacuteveis b(1) e b(2) foram consideradas significativas
5 - ARIMA (111)
Figura 24 - Resultado ARIMA (111)
Fonte FPW 2012
39
Figura 25 - FAC dos Resiacuteduos ARIMA (111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08811) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e b(1) foi considerada significativa
Observando os resultados obtidos nos cinco modelos anteriores fica evidente a semelhanccedila da presenccedila dos
lags significativos nas fases 12 24 e 36 no graacutefico da FAC dos resiacuteduos indicando a existecircncia de sazonalidade na
seacuterie modelada Assim torna-se necessaacuterio diferenciar a fase sazonal dos dados
Apoacutes a diferenciaccedilatildeo simples foram realizadas as seguintes diferenciaccedilotildees sazonais obtendo-se os seguintes
resultados para os modelos SARIMA
6 ndash SARIMA (011)(010)
Figura 26 - Resultado SARIMA (011)(010)
Fonte FPW 2012
40
Figura 27 - FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel b(1) foi considerada significativa
7 ndash SARIMA (110)(010)
Figura 28 - Resultado SARIMA (011)(010)
Fonte FPW 2012
41
Figura 29 - FAC dos Resiacuteduos SARIMA (011)(010)
Figura 29 ndash FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08305) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel a(1) foi considerada significativa
8 ndash SARIMA (210)(010)
Figura 30 - Resultado SARIMA (210)(010)
Fonte FPW 2012
42
Figura 31 - FAC dos Resiacuteduos SARIMA (210)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08337) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
9 ndash SARIMA (012)(010)
Figura 32 - Resultado SARIMA (012)(010)
Fonte FPW 2012
43
Figura 33 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
10 ndash SARIMA (111)(010)
Figura 34 - Resultado SARIMA (111)(010)
Fonte FPW 2012
44
Figura 35 - FAC dos Resiacuteduos SARIMA (111)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 12 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1
11 ndash SARIMA (011)(110)
Figura 36 - Resultado SARIMA (011)(110)
Fonte FPW 2012
45
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08623) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis A(12) e b(1) foram consideradas significativas
12 ndash SARIMA (110)(110)
Figura 38 - Resultado SARIMA (011)(110)
Fonte FPW 2012
46
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08595) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e A(12) foram consideradas significativas
13 ndash SARIMA (210)(110)
Figura 40 - Resultado SARIMA (210)(110)
Fonte FPW 2012
47
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08620) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) a(2) e A(12) foram consideradas significativas
14 ndash SARIMA (012)(010)
Figura 42 - Resultado SARIMA (012)(010)
Fonte FPW 2012
48
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08625) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
15 ndash SARIMA (111)(110)
Figura 44 - Resultado SARIMA (111)(110)
Fonte FPW 2012
49
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08626) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 24 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1 e MA = 1
16 ndash SARIMA (011)(111)
Figura 46 - Resultado SARIMA (011)(111)
Fonte FPW 2012
50
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) e B(12) foram consideradas significativas pelo modelo
17 ndash SARIMA (110)(111)
Figura 48 - Resultado SARIMA (110)(111)
Fonte FPW 2012
51
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09010) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) e B(12) foram consideradas significativas pelo modelo
18 ndash SARIMA (210)(111)
Figura 50 - Resultado SARIMA (210)(111)
Fonte FPW 2012
52
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) a(12) e B(12) foram consideradas significativas pelo modelo
19 ndash SARIMA (012)(111)
Figura 52 ndash Resultado SARIMA (012)(111)
Fonte FPW 2012
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
16
claacutessicos No entanto dentro dos natildeo parameacutetricos existe uma classe de modelos conhecidos por sua qualidade
preditiva e complexidade sendo denominados de modelos de redes neurais
Os modelos utilizados atualmente satildeo compostos de modelos teoacutericos exatos e empiacutericos Assim o
conhecimento teoacuterico eacute utilizado parcialmente para indicar uma classe adequada de funccedilotildees matemaacuteticas que satildeo
ajustadas empiricamente fazendo com que o ajuste dos seus paracircmetros seja realizado de forma experimental
Um dos aspectos relevantes para a seleccedilatildeo do modelo mais adequado estaacute na capacidade do mesmo em
reproduzir os dados conhecidos e as previsotildees futuras de forma acurada Assim se xt eacute a observaccedilatildeo real para o
periacuteodo t e tx eacute a previsatildeo para o mesmo periacuteodo Assim o erro na previsatildeo eacute definido por
ttt xxe ˆ (Equaccedilatildeo 4)
Se existirem observaccedilotildees e previsotildees para n periacuteodos as seguintes estatiacutesticas podem ser utilizadas
n
1t
en
1ME
t (Equaccedilatildeo 5)
Ie In
1MAE
n
1t
t
(Equaccedilatildeo 6)
n
1t
2
t en
1MSE (Equaccedilatildeo 7)
O erro meacutedio ME eacute definido como a meacutedia dos erros calculado na equaccedilatildeo 5 (et) Pelo somatoacuterio os valores
positivos e negativos tendem a se anular resultando em um valor baixo O erro meacutedio absoluto (MAE) eacute definido pelo
somatoacuterio dos moacutedulos dos erros e em seguida realiza-se a meacutedia dos valores absolutos encontrados No caacutelculo do
erro quadraacutetico (MSE) os erros se tornam positivos pela elevaccedilatildeo ao quadrado e a meacutedia eacute realizada com os valores
positivos encontrados
Considerando a escala em que os dados satildeo expressos pode-se definir o erro relativo como
100xˆ
PE t
t
t
x
xx (Equaccedilatildeo 8)
t
n
1t
PEn
1MPE
(Equaccedilatildeo 9)
IPE In
1MAPE t
n
1t
(Equaccedilatildeo 10)
O erro meacutedio percentual (MPE) eacute a meacutedia do erro percentual calculado em PEt para n periacuteodos Neste caso os
valores positivos e negativos dos erros percentuais tendem a se anular da mesma forma que para ME Da mesma
forma que para MAE o erro meacutedio absoluto percentual tambeacutem eacute obtido utilizando-se erros absolutos percentuais
17
23 ndash MODELO BOX-JENKINS
Os modelos ARIMA (Autoregressive Integrated Moving Average ndash Auto-Regressivos Integrados de Meacutedias
Moacuteveis) da famiacutelia de Box-Jenkins tem o objetivo de captar o comportamento da autocorrelaccedilatildeo (correlaccedilatildeo seriada)
entre os valores da seacuterie temporal e realizar previsotildees baseando-se neste comportamento
Dentre a famiacutelia de modelos destacam-se os Auto-Regressivos e os de Meacutedias Moacuteveis Aleacutem destes existem
ainda outras variaccedilotildees no qual satildeo tomadas d diferenccedilas de uma seacuterie natildeo estacionaacuteria visando tornaacute-la estacionaacuteria
(com meacutedia e variacircncia constantes ao longo do tempo) Existem ainda os modelos ARMA (Auto-Regressivos de Meacutedias
Moacuteveis) que satildeo utilizados quando natildeo haacute necessidade de realizar diferenciaccedilotildees para tornar a seacuterie estacionaacuteria
Outro modelo eacute conhecido como SARIMA (ou ARIMA Sazonal) que eacute utilizado para captar a sazonalidade de uma
seacuterie
Um benefiacutecio da utilizaccedilatildeo dos modelos Box-Jenkins estaacute relacionado ao fato do algoritmo do mesmo auxiliar o
usuaacuterio na escolha do melhor modelo por meio dos comportamentos dos graacuteficos da funccedilatildeo de autocorrelaccedilatildeo (FAC) e
da funccedilatildeo de autocorrelaccedilatildeo parcial (FACP)
A FAC eacute determinada atraveacutes da correlaccedilatildeo linear de cada valor yt da seacuterie de dados com outros valores em
lags distintos como yt-1 yt-2 e assim sucessivamente Assim o coeficiente de correlaccedilatildeo temporal (autocorrelaccedilatildeo) da
seacuterie temporal defasado por 1 2 ou mais periacuteodos eacute calculado pela seguinte equaccedilatildeo
n
1t
2
n
1tk
r
xx
xxxx
t
ktt
k (Equaccedilatildeo 11)
Na equaccedilatildeo anterior r1 indica como os valores sucessivos de x relacionam-se entre si r2 indica como os
valores de x defasados em dois periacuteodos relacionam-se entre si e assim sucessivamente Em conjunto as
autocorrelaccedilotildees defasadas em 1 2 k periacuteodos constituem a funccedilatildeo de autocorrelaccedilatildeo
A FACP por sua vez possui um conceito semelhante ao da FAC Eacute definida pela correlaccedilatildeo existente entre yt
e yt-2 por exemplo sem levar em consideraccedilatildeo os efeitos causados por yt-1 e yt-2 O coeficiente de autocorrelaccedilatildeo
parcial de ordem k definido por k pode ser obtido atraveacutes da estimaccedilatildeo dos coeficientes da regressatildeo muacuteltipla de x t
em funccedilatildeo de 1tx 2tx ktx conforme a proacutexima equaccedilatildeo
ktkttt xxxx 22110 (Equaccedilatildeo 12)
As autocorrelaccedilotildees parciais satildeo usadas para medir o grau de associaccedilatildeo entre as observaccedilotildees x t e xt-k quando
o efeito das outras observaccedilotildees defasadas no tempo em 1 2 k-1 periacuteodos satildeo removidas As autocorrelaccedilotildees
parciais 1 2 k constituem a FACP
Pelo fato deste processo permitir que usuaacuterios diferentes modelem diferentes equaccedilotildees a partir de uma mesma
seacuterie temporal pode existir certo grau de subjetividade na escolha do melhor modelo para a previsatildeo da seacuterie em
questatildeo
18
231 ndash Modelo ARMA (Auto-Regressivo a Meacutedia Moacutevel)
O modelo ARMA natildeo possui uma parte integrada Sendo assim satildeo utilizados para uma seacuterie temporal
estacionaacuteria com relaccedilatildeo agrave meacutedia e a variacircncia e satildeo definidos pelas equaccedilotildees a seguir
qtqttptptt eeexxcx 1111 (Equaccedilatildeo 13)
Existem restriccedilotildees aos valores cujos paracircmetros podem assumir nas equaccedilotildees anteriores a saber
Para p = 1 -1 lt 1 lt 1
Para p = 2 -1 lt 2 lt 1 1 + 2 lt 1 e 2 ndash 1 lt 1
Para p gt= 3 condiccedilotildees mais complexas prevalecem
Da mesma forma
Para q = 1 -1 lt 1 lt 1
Para q = 2 -1 lt 2 lt 1 1 + 2 lt 1 e 2 ndash 1 lt 1
Para p gt= 3 condiccedilotildees mais complexas prevalecem
Um dispositivo de notaccedilatildeo uacutetil eacute o operador de deslocamento retroativo definido por 1 tt xBx Assim B
operando sobre tx tem o efeito de deslocar os dados para traacutes em um periacuteodo Dessa forma
2
2)( ttt xxBBxB (Equaccedilatildeo 14)
Por meio da equaccedilatildeo acima que o modelo recebe a denominaccedilatildeo de Auto-Regressivo a Meacutedia Moacutevel (ARMA)
de ordens (pq) conforme expresso na equaccedilatildeo seguinte
t
MA
p
p
AR
t
p
p eBBcxBB
qp
)()(
11 11 (Equaccedilatildeo 15)
Os coeficientes 1 2 p e 1 2 q satildeo estimados para ajustarem-se agrave seacuterie temporal estudada
atraveacutes dos meacutetodos dos miacutenimos quadrados ou da maacutexima verossimilhanccedila A aplicaccedilatildeo do meacutetodo dos miacutenimos
quadrados eacute realizada atraveacutes de estimativas feitas iterativamente por softwares ateacute que soma dos erros quadraacuteticos
seja minimizada O meacutetodo da maacutexima verossimilhanccedila estima tambeacutem iterativamente os valores dos paracircmetros que
maximizem a verossimilhanccedila de um conjunto de observaccedilotildees
O modelo ARMA deve ter seus erros et distribuiacutedos aleatoriamente comportando-se como uma seacuterie de ruiacutedo
branco Os resiacuteduos natildeo satildeo ruiacutedo branco se as estatiacutesticas Q sugerida por Box-Pierce ou Q sugerida por Ljungndash
Box posicionarem-se no extremo 5 da cauda direita da distribuiccedilatildeo χ2 As expressotildees para caacutelculo das estatiacutesticas
Q de BoxndashPierce ou Q de Ljung-Box satildeo as seguintes
19
h
1k
2
k tnQ (Equaccedilatildeo 16)
h
1k
2
k
k-
r)2(
nnnQ (Equaccedilatildeo 17)
Onde
n = nuacutemero de observaccedilotildees da seacuterie
h = maacutexima defasagem dos coeficientes de correlaccedilatildeo dos resiacuteduos
Alguns autores apresentam procedimentos para identificaccedilatildeo das ordens p e q dos modelos ARMA por meio
dos graacuteficos das FAC e FACP como exemplificado no quadro a seguir
Modelo FAC FACP
ARMA (p0) Decaimento gradativo Decaimento brusco apoacutes defasagem p
ARMA (0q) Decaimento brusco apoacutes defasagem q Decaimento gradativo
ARMA (pq) Decaimento gradativo com onda
senoidal amortecida apoacutes a
defasagem (q-p)
Decaimento gradativo com onda
senoidal amortecida apoacutes a defasagem
(p-q)
Tabela 1 - Comportamento das FAC e FACP para Modelos Estacionaacuterios
Fonte Elaborado pelos Autores
232 ndash Modelo ARIMA
Em muitos casos as seacuteries temporais encontradas possuem tendecircncia apresentando um comportamento natildeo
estacionaacuterio No entanto para aplicar o meacutetodo de Box-Jenkins eacute necessaacuterio remover a tendecircncia da seacuterie atraveacutes da
diferenciaccedilatildeo ou seja aplicar sobre a mesma o operador (1 ndash B) no modelo ARMA conforme equaccedilatildeo a seguir
tttt xBxxx )1(1
(Equaccedilatildeo 18)
Desta forma a expressatildeo do modelo ARIMA (pdq) ndash auto regressivo integrado a meacutedia moacutevel de ordem p d
q eacute a expressatildeo do modelo ARMA (pq) acrescido do fator de diferenciaccedilatildeo de ordem d responsaacutevel pela descriccedilatildeo do
comportamento de tendecircncia da seacuterie conforme representado na equaccedilatildeo a seguir
t
MA
p
p
I
t
d
AR
p
p eBBcxBBB
qdp
)()()(
111 11 (Equaccedilatildeo 19)
233 ndash Modelo ARIMA Sazonal (SARIMA)
O comportamento mais geral de seacuteries histoacutericas natildeo estacionaacuterias eacute o que combina o padratildeo de tendecircncia
com o padratildeo de sazonalidade O meacutetodo de Box-Jenkins recomenda a remoccedilatildeo tanto da tendecircncia quanto da
sazonalidade das seacuteries diferenciando-a duas vezes Eacute recomendado que a diferenciaccedilatildeo sazonal sobre a seacuterie
20
original seja feita em primeiro lugar uma vez que em alguns casos sua aplicaccedilatildeo jaacute torna a seacuterie estacionaacuteria como
mostrado na expressatildeo a seguir (para uma seacuterie com nuacutemero de periacuteodos com ciclo sazonal igual a 12)
tttt xBxxx )1( 12
12
(Equaccedilatildeo 20)
Nos casos em que se torna necessaacuteria a segunda diferenciaccedilatildeo faz necessaacuteria aplicar o operador )1( B na
mesma conforme equaccedilatildeo a seguir
ttttt xBBxBxxx 12
1
11)1( (Equaccedilatildeo 21)
24 ndash MEacuteTODO DO AMORTECIMENTO EXPONENCIAL
Historicamente o amortecimento exponencial descreve uma classe de meacutetodos de previsatildeo De fato alguns
dos meacutetodos mais utilizados para esse fim satildeo baseados nesse conceito cada um deles utilizando a propriedade em
que os pesos das observaccedilotildees mais recentes satildeo maiores do que aqueles referentes a observaccedilotildees no passado
Assim o nome ldquoamortecimento exponencialrdquo reflete no fato de que os pesos (atraveacutes do uso da meacutedia ponderada)
diminuem exponencialmente agrave medida que as observaccedilotildees satildeo mais antigas
Os primeiros registros da utilizaccedilatildeo do meacutetodo satildeo de Robert G Brown em 1944 enquanto desenvolvia
trabalhos como analista de Pesquisa Operacional na Marinha Americana enquanto desenvolvia um dispositivo
mecacircnico para monitorar a velocidade e o acircngulo de tiros disparados de submarinos Em 1950 ele estendeu o uso
desse meacutetodo para seacuteries temporais discretas incluindo termos para lidar com as componentes de sazonalidade e
tendecircncia
Paralelamente Charles Holt tambeacutem estava trabalhando em um meacutetodo de amortecimento exponencial para o
Escritoacuterio Americano de Pesquisas Navais O seu trabalho em modelos sazonais aditivos e multiplicativos se tornaram
conhecidos atraveacutes de um artigo publicado por seu estudante Peter Winters em 1960 aplicando testes empiacutericos ao
meacutetodo de Holt Como resultado a versatildeo da ferramenta que trabalha com a componente sazonal eacute denominada de
Holt-Winters
Os modelos de suavizaccedilatildeo exponencial satildeo largamente utilizados devido a sua simplicidade e baixo custo
Assim quando se necessitam previsotildees para milhares de itens como eacute o caso em muitos sistemas de gestatildeo esses
modelos satildeo muitas vezes os uacutenicos suficientemente raacutepidos e baratos para assegurar uma implementaccedilatildeo viaacutevel
Dessa forma existem trecircs classes de meacutetodos de amortecimento exponencial a saber
1 ndash Seacuteries localmente constantes analisadas pelos modelos de meacutedias moacuteveis simples ou amortecimento
exponencial
2 ndash Seacuteries com tendecircncias que utilizam o modelo de Holt
3 ndash Seacuteries com comportamento sazonal que utilizam o modelo Holt-Winters
241 ndash Meacutetodos de Amortecimento Exponencial Simples
21
O meacutetodo de suavizaccedilatildeo exponencial simples tem melhor precisatildeo para seacuteries de padratildeo horizontal isto eacute
agravequelas que natildeo apresentam tendecircncia nem sazonalidade e eacute apropriado para previsotildees de curto prazo Seu algoritmo
de previsatildeo utiliza a seguinte expressatildeo da equaccedilatildeo
ttt xxx ˆ1ˆ1 (Equaccedilatildeo 22)
Onde
1ˆtx = previsatildeo para o periacuteodo t+1
α = constante de suavizaccedilatildeo cujo valor encontra-se entre 0 e 1
tx = uacuteltimo valor observado
tx = uacuteltimo valor observado com peso (1 ndash α)
Expandindo-se a expressatildeo acima pela substituiccedilatildeo de tx 1ˆtx 2
ˆtx por seus componentes resulta em
1113211ˆ)1()1(3)1(2)1(1ˆ xxxxxxx ttttttt (Equaccedilatildeo 23)
Assim 1ˆtx eacute uma meacutedia ponderada de todas as observaccedilotildees passadas constituindo os coeficientes de
ponderaccedilatildeo uma seacuterie decrescente exponencialmente para valores de α entre 0 e 1 Dessa constataccedilatildeo origina-se o
nome amortecimento exponencial Analisando-se a uacuteltima equaccedilatildeo verifica-se que a constante de suavizaccedilatildeo α
determina a rapidez do decaimento dos coeficientes (pesos) A escolha do valor para a constante de suavizaccedilatildeo pode
ser arbitraacuteria ou condicionada a algum criteacuterio que na maioria das vezes consiste na minimizaccedilatildeo do erro quadraacutetico
meacutedio atribuiacutedo ao desempenho do meacutetodo
A constante de suavizaccedilatildeo estaacute diretamente ligada agrave velocidade de resposta das previsotildees agraves variaccedilotildees das
observaccedilotildees ou seja quanto menor o valor de α mais lenta eacute a resposta Valores maiores que α causam reaccedilotildees
mais raacutepidas das previsotildees agraves variaccedilotildees das observaccedilotildees podendo causar instabilidade no desempenho do meacutetodo
Como o peso da primeira previsatildeo 1x eacute (1 ndash α)t verifica-se que menor importacircncia um fator teraacute para a
previsatildeo de t+1 quanto mais proacuteximo de um for e quanto maior for o t Como eacute necessaacuterio ter o valor de 1x eacute feita a
suposiccedilatildeo de que 1x = 1x ou seja igual agrave uacuteltima observaccedilatildeo O erro decorrente dessa suposiccedilatildeo seraacute tanto menor
quanto maiores forem α e t
Alternativamente a expressatildeo inicial desse item pode ser representada como
1ˆtx = tx + α( tx ndash tx ) (Equaccedilatildeo 24)
1ˆtx = tx + α te (Equaccedilatildeo 25)
Atraveacutes da anaacutelise da uacuteltima equaccedilatildeo pode-se concluir que o meacutetodo de suavizaccedilatildeo exponencial simples
prevecirc o valor de uma seacuterie temporal tomando a previsatildeo para o periacuteodo anterior e ajustando-a pelo valor do erro no
mesmo periacuteodo
22
242 ndash Meacutetodo de Holt
O meacutetodo de Holt pode ser utilizado de maneira satisfatoacuteria em seacuteries temporais com tendecircncia linear
mediante o uso de uma funccedilatildeo de ponderaccedilatildeo que daacute maior importacircncia aos periacuteodos de tempo mais recentes Seu
algoritmo de previsatildeo utiliza as seguintes expressotildees
))(1( 11 tttt TLxL (Equaccedilatildeo 26)
11 )1)(( tttt TLLT (Equaccedilatildeo 27)
mtx ˆ
tt mTL (Equaccedilatildeo 28)
Onde
mtx ˆ = previsatildeo para o periacuteodo t+m
= constantes de suavizaccedilatildeo com valor entre 0 e 1 que determinam a rapidez de decaimento dos pesos
da seacuterie quanto mais proacuteximo de um maior o peso das observaccedilotildees recentes
tL = estimativa do niacutevel da seacuterie no tempo t
tT = estimativa de declividade da seacuterie no tempo t
Como o meacutetodo de Holt baseia-se na aplicaccedilatildeo recursiva das expresses anteriores satildeo necessaacuterios tambeacutem
como dados de entrada tL e tT que podem ser considerados como 1L 1x e 1T 12 xx Outra forma de caacutelculo eacute a
regressatildeo linear simples aplicada aos dados da seacuterie temporal onde se obteacutem o valor da declividade da seacuterie temporal
e de 0L em sua origem
243 ndash Meacutetodo de Winters
Os meacutetodos de Winters dividem-se em dois grupos aditivo e multiplicativo No meacutetodo aditivo a amplitude da
variaccedilatildeo sazonal eacute constante ao longo do tempo ou seja a diferenccedila entre o maior e menor valor de demanda dentro
das estaccedilotildees permanece relativamente constante no tempo No meacutetodo multiplicativo a amplitude da variaccedilatildeo sazonal
aumente ou diminui como funccedilatildeo do tempo
2431 ndash Meacutetodo Sazonal Multiplicativo de Winters
))(1( 11
tt
t
t
t TLSS
xL (Equaccedilatildeo 29)
11 )1()( tttt TLLT (Equaccedilatildeo 30)
SSL
xS t
t
t
t
1 (Equaccedilatildeo 31)
mSSmTLx tttmt ˆ (Equaccedilatildeo 32)
23
Onde
mtx ˆ = previsatildeo para o periacuteodo t+m
= constantes de suavizaccedilatildeo que variam entre 0 e 1
tx = observaccedilatildeo mais recente
tL = estimativa do niacutevel de seacuterie no tempo t
tT = estimativa de declividade da seacuterie no tempo t
tS = componente de sazonalidade no tempo t
S = nuacutemero de subperiacuteodos do ano (sazonalidade)
A escolha de valores para as constantes de suavizaccedilatildeo eacute condicionada a algum criteacuterio que na maioria das
vezes consiste na minimizaccedilatildeo por meio do algoritmo de minimizaccedilatildeo linear do erro quadraacutetico meacutedio (MSE) atribuiacutedo
ao desempenho do meacutetodo
Como o meacutetodo multiplicativo de Winters baseia-se na aplicaccedilatildeo recursiva das equaccedilotildees deste item e que
deve ser iniciada em algum periacuteodo do passado no qual os valores de TL TT e TS devem ser estimados A maneira
mais simples de inicializar o niacutevel de tendecircncia no periacuteodo S O niacutevel eacute inicializado no primeiro periacuteodo sazonal da
seguinte forma
S
Sxxxx
SL
1
321
(Equaccedilatildeo 33)
Para inicializar a tendecircncia eacute conveniente o uso de dois ciclos completos isto eacute 2S periacuteodos como descrito
abaixo
S
xx
S
xx
S
xx
ST SSSSS
S 1 2211 (Equaccedilatildeo 34)
Por ultimo os iacutendices sazonais satildeo inicializados usando-se a razatildeo das primeiras observaccedilotildees como a meacutedia
do primeiro ano com descrito a seguir
S
xS
L
11
S
xS
L
22
S
S
s
xS
L (Equaccedilatildeo 35)
2432 ndash Meacutetodo Sazonal Aditivo de Winters
O meacutetodo aditivo de Winters eacute utilizado na modelagem dos dados sazonais no qual a amplitude do ciclo
sazonal permanece constante com o passar do tempo
Aleacutem disso a amplitude da variaccedilatildeo sazonal eacute constante ao longo do tempo ou seja a diferenccedila entre o maior
e o menor valor de demanda dentro das estaccedilotildees permanece relativamente constante no tempo As equaccedilotildees
matemaacuteticas satildeo
))(1()( 11 ttttt TLSSxL (Equaccedilatildeo 36)
24
11 )1()( tttt TLLT (Equaccedilatildeo 37)
Stttt SLxS )1()( St = γ(xt - Lt) + (1- γ)St-S (Equaccedilatildeo 38)
mStttmt SmTLx ˆ (Equaccedilatildeo 39)
A segunda equaccedilatildeo deste item eacute igual agravequela do meacutetodo multiplicativo de Winters O restante das equaccedilotildees se
diferem por iacutendice sazonais serem somados e subtraiacutedos ao inveacutes de serem tomados em produtos ou divisotildees
Os valores iniciais de SL e ST satildeo iguais aos do meacutetodo multiplicativo Os iacutendices sazonais satildeo inicializados da
seguinte forma
SLxS 11 SLxS 22 SSS LxS (Equaccedilatildeo 40)
25 ndash SELECcedilAtildeO DE MODELOS
A partir do momento em que vaacuterios modelos ajustam-se a uma seacuterie temporal deve-se eleger aquele que
melhor representa o seu comportamento por meio da anaacutelise de seus paracircmetros Neste trabalho os paracircmetros seratildeo
utilizados os seguintes paracircmetros de forma primordial na definiccedilatildeo do modelo mais apropriado
251 ndash Maacuteximo R2
A estatiacutestica R2 eacute definida por
n
1t
2
2n
1t2
ˆ
1
tt
tt
xx
xx
R (Equaccedilatildeo 41)
Onde
tx = observaccedilatildeo real para o periacuteodo t
tx = previsatildeo para o periacuteodo t
Uma medida de R2 mais proacutexima de zero indica um modelo com ajuste pobre enquanto que um valor proacuteximo
de um indica um bom ajuste
252 ndash Miacutenimo BIC (Bayesian Information Criterion)
Este criteacuterio penaliza os modelos com muitos paracircmetros sendo portanto um criteacuterio de verosimilhanccedila
penalisada Vale ressaltar que o BIC natildeo deve ser utilizado de forma isolada mas em conjunto com outros paracircmetros
na comparaccedilatildeo com diversos modelos
O BIC eacute definido pela seguinte expressatildeo
25
nm
nMSEBIC2
(Equaccedilatildeo 42)
nm
tt nxxn
BIC22
n
1t
ˆ1
(Equaccedilatildeo 43)
Onde
m = nuacutemero de paracircmetros do modelo
n = nuacutemero de observaccedilotildees da seacuterie temporal
3 - DESENVOLVIMENTO
31 ndash ANAacuteLISE DA SEacuteRIE
A seacuterie a seguir apresenta os dados quantitativos da evoluccedilatildeo do volume de produccedilatildeo de caminhotildees no Brasil
Tratam-se de dados mensais entre janeiro de 1957 e dezembro de 2011 totalizando 660 observaccedilotildees
5000
10000
15000
20000
60 65 70 75 80 85 90 95 0 5 10
Legend
PRODUCAO
Figura 2 - Seacuterie de Volume de Produccedilatildeo no Brasil
Fonte Elaborado pelos Autores 2012
26
32 ndash ANAacuteLISE DESCRITIVA
O primeiro passo foi a anaacutelise descritiva da seacuterie visando obter uma anaacutelise inicial para definir o modelo de
previsatildeo mais adequado agraves suas caracteriacutesticas
Utilizando o software Minitab obteve-se a seguinte tabela
Figura 3 - Estatiacutesticas Descritivas da Seacuterie Inicial
Fonte Minitab 2012
O coeficiente de correlaccedilatildeo de Pearson indica a razatildeo entre o desvio padratildeo e a meacutedia de uma seacuterie cujo
caacutelculo eacute representado por
CV = desvio padratildeomeacutedia
Introduzindo os valores do desvio padratildeo (3515) e da meacutedia da amostra (5560) na foacutermula anterior obteacutem-se o
seguinte resultado
CV = 35155560 = 06322 ~ 63 de grau de dispersatildeo
Essa medida eacute utilizada quando se pretende comparar duas ou mais distribuiccedilotildees de probabilidade quanto agraves
suas variabilidades atuando como uma medida de variabilidade relativa
Na teoria de probabilidade o grau de simetria eacute uma medida de assimetria da distribuiccedilatildeo de valores reais
aleatoacuterios O grau de simetria pode ser positivo ou negativo ou mesmo indefinido Qualitativamente um valor negativo
em que a cauda no lado esquerdo da funccedilatildeo de densidade de probabilidade eacute maior do que o lado direito e a maioria
dos valores tende ao lado direito da meacutedia De mesma forma um valor positivo indica que a cauda no lado direito eacute
maior do que o lado esquerdo e que a maioria dos valores tende ao lado esquerdo da meacutedia O valor zero indica que
valores relativos igualmente distribuiacutedos dos dois lados ao redor da meacutedia mas natildeo necessariamente implica em uma
distribuiccedilatildeo simeacutetrica
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de grau de simetria (skewness) O valor positivo do grau de
simetria indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa conforme apresentado no
histograma a seguir
27
dados
Fre
qu
en
cy
200001600012000800040000
120
100
80
60
40
20
0
Mean 5560
StDev 3515
N 660
Histogram (with Normal Curve) of dados
Figura 4 - Histograma da Seacuterie Inicial
Fonte SPSS 2012
De forma similar o conceito de curtose trata-se da uma medida de dispersatildeo para descriccedilatildeo da forma da
distribuiccedilatildeo de probabilidades e como o grau de simetria existem formas diferentes de quantificaacute-la como uma
distribuiccedilatildeo teoacuterica e formas correspondentes de estimaacute-la a partir de uma amostra oriunda de uma populaccedilatildeo Essa
medida indica o grau de achatamento curva de distribuiccedilatildeo de probabilidade
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de curtose (kurtosis) O valor positivo do grau de simetria
indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa O valor positivo indica um
comportamento leptocuacutertica indicando que a mesma eacute mais alta e mais concentrada que a distribuiccedilatildeo normal
O Teste de Normalidade realizado com 95 de niacutevel de confianccedila gerou um p-value nulo ou seja abaixo dos
5 de significacircncia Desta maneira a hipoacutetese nula de que os dados apresentariam uma distribuiccedilatildeo normal foi
rejeitada
Tests of Normality
105 660 000 860 660 000VAR00001
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 5 - Teste de Normalidade da Seacuterie Inicial
Fonte SPSS 2012
28
O teste de Kolmogorov-Smirnov eacute utilizado para determinar se duas distribuiccedilotildees de probabilidade diferem uma
da outra ou natildeo O graacutefico abaixo referente a este testem evidencia o comportamento da distribuiccedilatildeo frente ao
comportamento da distribuiccedilatildeo normal
dados
Pe
rce
nt
2500020000150001000050000-5000-10000
9999
99
95
80
50
20
5
1
001
Mean
lt0010
5560
StDev 3515
N 660
KS 0105
P-Value
Teste de Normalidade Kolmogorov-SmirnovNormal
Figura 6 - Teste de Kolmogorov-Smirnov para a Seacuterie Inicial
Fonte SPSS 2012
Assim faz-se necessaacuterio uma transformaccedilatildeo na seacuterie para adequaccedilatildeo dos dados para uma distribuiccedilatildeo
normal Para tal modificaccedilatildeo neste trabalho foi utilizada a distribuiccedilatildeo logariacutetmica na base 10
Apoacutes a transformaccedilatildeo o teste de normalidade foi realizado novamente (tambeacutem com 95 de significacircncia) O
resultado eacute apresentado na tabela a seguir
Tests of Normality
042 660 007 994 660 009log10
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 7 - Teste de Normalidade para a Seacuterie Transformada
Fonte SPSS 2012
Conforme pode ser observado na tabela acima o p-value foi proacuteximo de 001 menor que 005 Apesar do
pressuposto de normalidade dos dados natildeo ter sido alcanccedilado esta base de dados seraacute utilizada nas modelagens
para fins acadecircmicos e seraacute tomado como premissa que a distribuiccedilatildeo estaacute normalizada
29
O teste graacutefico de normalidade de Kolmogorov-Smirnov foi realizado para a distribuiccedilatildeo transformada O
graacutefico abaixo evidencia o comportamento dos dados da distribuiccedilatildeo frente ao comportamento da distribuiccedilatildeo normal
auxiliando na conclusatildeo do teste anterior
log 10
Pe
rce
nt
4540353025
9999
99
95
80
50
20
5
1
001
Mean
lt0010
3668
StDev 02593
N 660
KS 0042
P-Value
Teste de Normalidade Kolmogorov-Smirnov - log 10Normal
Figura 8 - Teste de Kolmogorov-Smirnov para a Seacuterie Transformada
Fonte SPSS 2012
A seguir tem-se o histograma da seacuterie transformada evidenciando a mudanccedila do comportamento dos dados
30
log 10
Fre
qu
en
cy
42403836343230
70
60
50
40
30
20
10
0
Mean 3668
StDev 02593
N 660
Histogram of log 10Normal
Figura 9 - Histograma da Seacuterie Transformada
Fonte SPSS 2012
O teste da igualdade de variacircncias eacute aplicado com o objetivo de verificar se devem ou natildeo ser assumidas
igualdade entre as variacircncias das populaccedilotildees Para isso foi utilizado na anaacutelise o Teste de Levene cujas hipoacuteteses
satildeo as seguintes
H0 as variacircncias nas duas populaccedilotildees satildeo iguais ou seja existe homocedasticidade (σ1 = σ2 ou σ1 = σ2 = 0)
Neste caso assume-se a estatiacutestica Sig F gt 005
H1 as variacircncias nas duas populaccedilotildees satildeo diferentes ou seja natildeo existe homocedasticidade (σ1 ne σ2 ou σ1 ne
σ2 ne 0) Neste caso assume-se a estatiacutestica Sig F lt ou = 005
Para a realizaccedilatildeo do teste dividiu-se a populaccedilatildeo em dois grupos iguais (grupos denominados como 0 e 1
cada um com 330 unidades) Os resultados satildeo os seguintes
31
Group Statistics
330 35473 23553 01297
330 37896 22313 01228
Teste de Lev ene0
1
log10N Mean Std Dev iation
Std Error
Mean
Independent Samples Test
5981 015 -13569 658 000 -24235 01786 -27742 -20728
-13569 656086 000 -24235 01786 -27742 -20728
Equal variances
assumed
Equal variances
not assumed
log10F Sig
Lev enes Test for
Equality of Variances
t df Sig (2-tailed)
Mean
Dif f erence
Std Error
Dif f erence Lower Upper
95 Conf idence
Interv al of the
Dif f erence
t-test f or Equality of Means
Figura 10 - Teste de Homocedasticidade para a Seacuterie Transformada
Fonte SPSS 2012
Pelo resultado do teste pode-se verificar que o valor de ldquoSigrdquo (referente ao p-value) foi de 0015 onde se
conclui que a hipoacutetese nula que leva em consideraccedilatildeo que a variacircncia da seacuterie eacute constante pode ser aceita
33 ndash MODELOS DE PREVISAtildeO
Neste trabalho seratildeo analisados os seguintes modelos de previsatildeo
1 ndash Box Jenkins
2 ndash Suavizaccedilatildeo Exponencial
Para determinar o modelo de previsatildeo mais adequado foi utilizado o software Forecast Pro for Windows (FPW)
Todas as previsotildees foram realizadas utilizando a seacuterie com a variaacutevel transformada a fim de atender o
pressuposto de normalidade da seacuterie necessaacuterio nos modelos de previsatildeo
32
Figura 11 - Seleccedilatildeo da Seacuterie para a Previsatildeo
Fonte FPW 2012
331 ndash Box-Jenkins
Apoacutes a apresentaccedilatildeo e anaacutelises dos pressupostos necessaacuterios para a aplicaccedilatildeo do modelo Box-Jenkins seratildeo
realizadas as anaacutelises que demonstram a funccedilatildeo de autocorrelaccedilatildeo (FAC) e funccedilatildeo de autocorrelaccedilatildeo parcial (FACP)
Figura 12 - FAC da Seacuterie
Fonte FPW 2012
33
Figura 13 - FACP da Seacuterie
Fonte FPW 2012
Nota-se na Figura XXX FAC da seacuterie que a seacuterie decai muito lentamente indicando tendecircncia logo faz-se
necessaacuterio realizar uma diferenciaccedilatildeo na parte simples
Apoacutes a diferenciaccedilatildeo obtiveram-se os seguintes novos graacuteficos para a funccedilatildeo de autocorrelaccedilatildeo e funccedilatildeo de
autocorrelaccedilatildeo parcial
Figura 14 - FAC da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
34
Figura 15 - FACP da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
Apoacutes a realizaccedilatildeo da diferenciaccedilatildeo os seguintes modelos foram testados
1 ndash ARIMA (110)
2 ndash ARIMA (011)
3 ndash ARIMA (210)
4 ndash ARIMA (012)
5 ndash ARIMA (111)
A seguir cada modelo seraacute demonstrado
1 ndash ARIMA (110)
Figura 16 - Resultado ARIMA (110)
Fonte FPW 2012
35
Figura 17 - FAC dos Resiacuteduos ARIMA (110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08746) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel a(1) foi considerada significativa
2 - ARIMA (011)
Figura 18 - Resultado ARIMA (011)
Fonte FPW 2012
36
Figura 19 - FAC dos Resiacuteduos ARIMA (011)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel b(1) foi considerada significativa
3 - ARIMA (210)
Figura 20 - Resultado ARIMA (210)
Fonte FPW 2012
37
Figura 21 - FAC dos Resiacuteduos ARIMA (210)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08765) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
4 - ARIMA (012)
Figura 22 - Resultado ARIMA (012)
Fonte FPW 2012
38
Figura 23 - FAC dos Resiacuteduos ARIMA (012)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08777) com lag significativo nas fases 12 24 e 36 no graacutefico da FAC dos
resiacuteduos As variaacuteveis b(1) e b(2) foram consideradas significativas
5 - ARIMA (111)
Figura 24 - Resultado ARIMA (111)
Fonte FPW 2012
39
Figura 25 - FAC dos Resiacuteduos ARIMA (111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08811) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e b(1) foi considerada significativa
Observando os resultados obtidos nos cinco modelos anteriores fica evidente a semelhanccedila da presenccedila dos
lags significativos nas fases 12 24 e 36 no graacutefico da FAC dos resiacuteduos indicando a existecircncia de sazonalidade na
seacuterie modelada Assim torna-se necessaacuterio diferenciar a fase sazonal dos dados
Apoacutes a diferenciaccedilatildeo simples foram realizadas as seguintes diferenciaccedilotildees sazonais obtendo-se os seguintes
resultados para os modelos SARIMA
6 ndash SARIMA (011)(010)
Figura 26 - Resultado SARIMA (011)(010)
Fonte FPW 2012
40
Figura 27 - FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel b(1) foi considerada significativa
7 ndash SARIMA (110)(010)
Figura 28 - Resultado SARIMA (011)(010)
Fonte FPW 2012
41
Figura 29 - FAC dos Resiacuteduos SARIMA (011)(010)
Figura 29 ndash FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08305) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel a(1) foi considerada significativa
8 ndash SARIMA (210)(010)
Figura 30 - Resultado SARIMA (210)(010)
Fonte FPW 2012
42
Figura 31 - FAC dos Resiacuteduos SARIMA (210)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08337) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
9 ndash SARIMA (012)(010)
Figura 32 - Resultado SARIMA (012)(010)
Fonte FPW 2012
43
Figura 33 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
10 ndash SARIMA (111)(010)
Figura 34 - Resultado SARIMA (111)(010)
Fonte FPW 2012
44
Figura 35 - FAC dos Resiacuteduos SARIMA (111)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 12 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1
11 ndash SARIMA (011)(110)
Figura 36 - Resultado SARIMA (011)(110)
Fonte FPW 2012
45
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08623) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis A(12) e b(1) foram consideradas significativas
12 ndash SARIMA (110)(110)
Figura 38 - Resultado SARIMA (011)(110)
Fonte FPW 2012
46
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08595) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e A(12) foram consideradas significativas
13 ndash SARIMA (210)(110)
Figura 40 - Resultado SARIMA (210)(110)
Fonte FPW 2012
47
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08620) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) a(2) e A(12) foram consideradas significativas
14 ndash SARIMA (012)(010)
Figura 42 - Resultado SARIMA (012)(010)
Fonte FPW 2012
48
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08625) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
15 ndash SARIMA (111)(110)
Figura 44 - Resultado SARIMA (111)(110)
Fonte FPW 2012
49
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08626) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 24 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1 e MA = 1
16 ndash SARIMA (011)(111)
Figura 46 - Resultado SARIMA (011)(111)
Fonte FPW 2012
50
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) e B(12) foram consideradas significativas pelo modelo
17 ndash SARIMA (110)(111)
Figura 48 - Resultado SARIMA (110)(111)
Fonte FPW 2012
51
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09010) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) e B(12) foram consideradas significativas pelo modelo
18 ndash SARIMA (210)(111)
Figura 50 - Resultado SARIMA (210)(111)
Fonte FPW 2012
52
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) a(12) e B(12) foram consideradas significativas pelo modelo
19 ndash SARIMA (012)(111)
Figura 52 ndash Resultado SARIMA (012)(111)
Fonte FPW 2012
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
17
23 ndash MODELO BOX-JENKINS
Os modelos ARIMA (Autoregressive Integrated Moving Average ndash Auto-Regressivos Integrados de Meacutedias
Moacuteveis) da famiacutelia de Box-Jenkins tem o objetivo de captar o comportamento da autocorrelaccedilatildeo (correlaccedilatildeo seriada)
entre os valores da seacuterie temporal e realizar previsotildees baseando-se neste comportamento
Dentre a famiacutelia de modelos destacam-se os Auto-Regressivos e os de Meacutedias Moacuteveis Aleacutem destes existem
ainda outras variaccedilotildees no qual satildeo tomadas d diferenccedilas de uma seacuterie natildeo estacionaacuteria visando tornaacute-la estacionaacuteria
(com meacutedia e variacircncia constantes ao longo do tempo) Existem ainda os modelos ARMA (Auto-Regressivos de Meacutedias
Moacuteveis) que satildeo utilizados quando natildeo haacute necessidade de realizar diferenciaccedilotildees para tornar a seacuterie estacionaacuteria
Outro modelo eacute conhecido como SARIMA (ou ARIMA Sazonal) que eacute utilizado para captar a sazonalidade de uma
seacuterie
Um benefiacutecio da utilizaccedilatildeo dos modelos Box-Jenkins estaacute relacionado ao fato do algoritmo do mesmo auxiliar o
usuaacuterio na escolha do melhor modelo por meio dos comportamentos dos graacuteficos da funccedilatildeo de autocorrelaccedilatildeo (FAC) e
da funccedilatildeo de autocorrelaccedilatildeo parcial (FACP)
A FAC eacute determinada atraveacutes da correlaccedilatildeo linear de cada valor yt da seacuterie de dados com outros valores em
lags distintos como yt-1 yt-2 e assim sucessivamente Assim o coeficiente de correlaccedilatildeo temporal (autocorrelaccedilatildeo) da
seacuterie temporal defasado por 1 2 ou mais periacuteodos eacute calculado pela seguinte equaccedilatildeo
n
1t
2
n
1tk
r
xx
xxxx
t
ktt
k (Equaccedilatildeo 11)
Na equaccedilatildeo anterior r1 indica como os valores sucessivos de x relacionam-se entre si r2 indica como os
valores de x defasados em dois periacuteodos relacionam-se entre si e assim sucessivamente Em conjunto as
autocorrelaccedilotildees defasadas em 1 2 k periacuteodos constituem a funccedilatildeo de autocorrelaccedilatildeo
A FACP por sua vez possui um conceito semelhante ao da FAC Eacute definida pela correlaccedilatildeo existente entre yt
e yt-2 por exemplo sem levar em consideraccedilatildeo os efeitos causados por yt-1 e yt-2 O coeficiente de autocorrelaccedilatildeo
parcial de ordem k definido por k pode ser obtido atraveacutes da estimaccedilatildeo dos coeficientes da regressatildeo muacuteltipla de x t
em funccedilatildeo de 1tx 2tx ktx conforme a proacutexima equaccedilatildeo
ktkttt xxxx 22110 (Equaccedilatildeo 12)
As autocorrelaccedilotildees parciais satildeo usadas para medir o grau de associaccedilatildeo entre as observaccedilotildees x t e xt-k quando
o efeito das outras observaccedilotildees defasadas no tempo em 1 2 k-1 periacuteodos satildeo removidas As autocorrelaccedilotildees
parciais 1 2 k constituem a FACP
Pelo fato deste processo permitir que usuaacuterios diferentes modelem diferentes equaccedilotildees a partir de uma mesma
seacuterie temporal pode existir certo grau de subjetividade na escolha do melhor modelo para a previsatildeo da seacuterie em
questatildeo
18
231 ndash Modelo ARMA (Auto-Regressivo a Meacutedia Moacutevel)
O modelo ARMA natildeo possui uma parte integrada Sendo assim satildeo utilizados para uma seacuterie temporal
estacionaacuteria com relaccedilatildeo agrave meacutedia e a variacircncia e satildeo definidos pelas equaccedilotildees a seguir
qtqttptptt eeexxcx 1111 (Equaccedilatildeo 13)
Existem restriccedilotildees aos valores cujos paracircmetros podem assumir nas equaccedilotildees anteriores a saber
Para p = 1 -1 lt 1 lt 1
Para p = 2 -1 lt 2 lt 1 1 + 2 lt 1 e 2 ndash 1 lt 1
Para p gt= 3 condiccedilotildees mais complexas prevalecem
Da mesma forma
Para q = 1 -1 lt 1 lt 1
Para q = 2 -1 lt 2 lt 1 1 + 2 lt 1 e 2 ndash 1 lt 1
Para p gt= 3 condiccedilotildees mais complexas prevalecem
Um dispositivo de notaccedilatildeo uacutetil eacute o operador de deslocamento retroativo definido por 1 tt xBx Assim B
operando sobre tx tem o efeito de deslocar os dados para traacutes em um periacuteodo Dessa forma
2
2)( ttt xxBBxB (Equaccedilatildeo 14)
Por meio da equaccedilatildeo acima que o modelo recebe a denominaccedilatildeo de Auto-Regressivo a Meacutedia Moacutevel (ARMA)
de ordens (pq) conforme expresso na equaccedilatildeo seguinte
t
MA
p
p
AR
t
p
p eBBcxBB
qp
)()(
11 11 (Equaccedilatildeo 15)
Os coeficientes 1 2 p e 1 2 q satildeo estimados para ajustarem-se agrave seacuterie temporal estudada
atraveacutes dos meacutetodos dos miacutenimos quadrados ou da maacutexima verossimilhanccedila A aplicaccedilatildeo do meacutetodo dos miacutenimos
quadrados eacute realizada atraveacutes de estimativas feitas iterativamente por softwares ateacute que soma dos erros quadraacuteticos
seja minimizada O meacutetodo da maacutexima verossimilhanccedila estima tambeacutem iterativamente os valores dos paracircmetros que
maximizem a verossimilhanccedila de um conjunto de observaccedilotildees
O modelo ARMA deve ter seus erros et distribuiacutedos aleatoriamente comportando-se como uma seacuterie de ruiacutedo
branco Os resiacuteduos natildeo satildeo ruiacutedo branco se as estatiacutesticas Q sugerida por Box-Pierce ou Q sugerida por Ljungndash
Box posicionarem-se no extremo 5 da cauda direita da distribuiccedilatildeo χ2 As expressotildees para caacutelculo das estatiacutesticas
Q de BoxndashPierce ou Q de Ljung-Box satildeo as seguintes
19
h
1k
2
k tnQ (Equaccedilatildeo 16)
h
1k
2
k
k-
r)2(
nnnQ (Equaccedilatildeo 17)
Onde
n = nuacutemero de observaccedilotildees da seacuterie
h = maacutexima defasagem dos coeficientes de correlaccedilatildeo dos resiacuteduos
Alguns autores apresentam procedimentos para identificaccedilatildeo das ordens p e q dos modelos ARMA por meio
dos graacuteficos das FAC e FACP como exemplificado no quadro a seguir
Modelo FAC FACP
ARMA (p0) Decaimento gradativo Decaimento brusco apoacutes defasagem p
ARMA (0q) Decaimento brusco apoacutes defasagem q Decaimento gradativo
ARMA (pq) Decaimento gradativo com onda
senoidal amortecida apoacutes a
defasagem (q-p)
Decaimento gradativo com onda
senoidal amortecida apoacutes a defasagem
(p-q)
Tabela 1 - Comportamento das FAC e FACP para Modelos Estacionaacuterios
Fonte Elaborado pelos Autores
232 ndash Modelo ARIMA
Em muitos casos as seacuteries temporais encontradas possuem tendecircncia apresentando um comportamento natildeo
estacionaacuterio No entanto para aplicar o meacutetodo de Box-Jenkins eacute necessaacuterio remover a tendecircncia da seacuterie atraveacutes da
diferenciaccedilatildeo ou seja aplicar sobre a mesma o operador (1 ndash B) no modelo ARMA conforme equaccedilatildeo a seguir
tttt xBxxx )1(1
(Equaccedilatildeo 18)
Desta forma a expressatildeo do modelo ARIMA (pdq) ndash auto regressivo integrado a meacutedia moacutevel de ordem p d
q eacute a expressatildeo do modelo ARMA (pq) acrescido do fator de diferenciaccedilatildeo de ordem d responsaacutevel pela descriccedilatildeo do
comportamento de tendecircncia da seacuterie conforme representado na equaccedilatildeo a seguir
t
MA
p
p
I
t
d
AR
p
p eBBcxBBB
qdp
)()()(
111 11 (Equaccedilatildeo 19)
233 ndash Modelo ARIMA Sazonal (SARIMA)
O comportamento mais geral de seacuteries histoacutericas natildeo estacionaacuterias eacute o que combina o padratildeo de tendecircncia
com o padratildeo de sazonalidade O meacutetodo de Box-Jenkins recomenda a remoccedilatildeo tanto da tendecircncia quanto da
sazonalidade das seacuteries diferenciando-a duas vezes Eacute recomendado que a diferenciaccedilatildeo sazonal sobre a seacuterie
20
original seja feita em primeiro lugar uma vez que em alguns casos sua aplicaccedilatildeo jaacute torna a seacuterie estacionaacuteria como
mostrado na expressatildeo a seguir (para uma seacuterie com nuacutemero de periacuteodos com ciclo sazonal igual a 12)
tttt xBxxx )1( 12
12
(Equaccedilatildeo 20)
Nos casos em que se torna necessaacuteria a segunda diferenciaccedilatildeo faz necessaacuteria aplicar o operador )1( B na
mesma conforme equaccedilatildeo a seguir
ttttt xBBxBxxx 12
1
11)1( (Equaccedilatildeo 21)
24 ndash MEacuteTODO DO AMORTECIMENTO EXPONENCIAL
Historicamente o amortecimento exponencial descreve uma classe de meacutetodos de previsatildeo De fato alguns
dos meacutetodos mais utilizados para esse fim satildeo baseados nesse conceito cada um deles utilizando a propriedade em
que os pesos das observaccedilotildees mais recentes satildeo maiores do que aqueles referentes a observaccedilotildees no passado
Assim o nome ldquoamortecimento exponencialrdquo reflete no fato de que os pesos (atraveacutes do uso da meacutedia ponderada)
diminuem exponencialmente agrave medida que as observaccedilotildees satildeo mais antigas
Os primeiros registros da utilizaccedilatildeo do meacutetodo satildeo de Robert G Brown em 1944 enquanto desenvolvia
trabalhos como analista de Pesquisa Operacional na Marinha Americana enquanto desenvolvia um dispositivo
mecacircnico para monitorar a velocidade e o acircngulo de tiros disparados de submarinos Em 1950 ele estendeu o uso
desse meacutetodo para seacuteries temporais discretas incluindo termos para lidar com as componentes de sazonalidade e
tendecircncia
Paralelamente Charles Holt tambeacutem estava trabalhando em um meacutetodo de amortecimento exponencial para o
Escritoacuterio Americano de Pesquisas Navais O seu trabalho em modelos sazonais aditivos e multiplicativos se tornaram
conhecidos atraveacutes de um artigo publicado por seu estudante Peter Winters em 1960 aplicando testes empiacutericos ao
meacutetodo de Holt Como resultado a versatildeo da ferramenta que trabalha com a componente sazonal eacute denominada de
Holt-Winters
Os modelos de suavizaccedilatildeo exponencial satildeo largamente utilizados devido a sua simplicidade e baixo custo
Assim quando se necessitam previsotildees para milhares de itens como eacute o caso em muitos sistemas de gestatildeo esses
modelos satildeo muitas vezes os uacutenicos suficientemente raacutepidos e baratos para assegurar uma implementaccedilatildeo viaacutevel
Dessa forma existem trecircs classes de meacutetodos de amortecimento exponencial a saber
1 ndash Seacuteries localmente constantes analisadas pelos modelos de meacutedias moacuteveis simples ou amortecimento
exponencial
2 ndash Seacuteries com tendecircncias que utilizam o modelo de Holt
3 ndash Seacuteries com comportamento sazonal que utilizam o modelo Holt-Winters
241 ndash Meacutetodos de Amortecimento Exponencial Simples
21
O meacutetodo de suavizaccedilatildeo exponencial simples tem melhor precisatildeo para seacuteries de padratildeo horizontal isto eacute
agravequelas que natildeo apresentam tendecircncia nem sazonalidade e eacute apropriado para previsotildees de curto prazo Seu algoritmo
de previsatildeo utiliza a seguinte expressatildeo da equaccedilatildeo
ttt xxx ˆ1ˆ1 (Equaccedilatildeo 22)
Onde
1ˆtx = previsatildeo para o periacuteodo t+1
α = constante de suavizaccedilatildeo cujo valor encontra-se entre 0 e 1
tx = uacuteltimo valor observado
tx = uacuteltimo valor observado com peso (1 ndash α)
Expandindo-se a expressatildeo acima pela substituiccedilatildeo de tx 1ˆtx 2
ˆtx por seus componentes resulta em
1113211ˆ)1()1(3)1(2)1(1ˆ xxxxxxx ttttttt (Equaccedilatildeo 23)
Assim 1ˆtx eacute uma meacutedia ponderada de todas as observaccedilotildees passadas constituindo os coeficientes de
ponderaccedilatildeo uma seacuterie decrescente exponencialmente para valores de α entre 0 e 1 Dessa constataccedilatildeo origina-se o
nome amortecimento exponencial Analisando-se a uacuteltima equaccedilatildeo verifica-se que a constante de suavizaccedilatildeo α
determina a rapidez do decaimento dos coeficientes (pesos) A escolha do valor para a constante de suavizaccedilatildeo pode
ser arbitraacuteria ou condicionada a algum criteacuterio que na maioria das vezes consiste na minimizaccedilatildeo do erro quadraacutetico
meacutedio atribuiacutedo ao desempenho do meacutetodo
A constante de suavizaccedilatildeo estaacute diretamente ligada agrave velocidade de resposta das previsotildees agraves variaccedilotildees das
observaccedilotildees ou seja quanto menor o valor de α mais lenta eacute a resposta Valores maiores que α causam reaccedilotildees
mais raacutepidas das previsotildees agraves variaccedilotildees das observaccedilotildees podendo causar instabilidade no desempenho do meacutetodo
Como o peso da primeira previsatildeo 1x eacute (1 ndash α)t verifica-se que menor importacircncia um fator teraacute para a
previsatildeo de t+1 quanto mais proacuteximo de um for e quanto maior for o t Como eacute necessaacuterio ter o valor de 1x eacute feita a
suposiccedilatildeo de que 1x = 1x ou seja igual agrave uacuteltima observaccedilatildeo O erro decorrente dessa suposiccedilatildeo seraacute tanto menor
quanto maiores forem α e t
Alternativamente a expressatildeo inicial desse item pode ser representada como
1ˆtx = tx + α( tx ndash tx ) (Equaccedilatildeo 24)
1ˆtx = tx + α te (Equaccedilatildeo 25)
Atraveacutes da anaacutelise da uacuteltima equaccedilatildeo pode-se concluir que o meacutetodo de suavizaccedilatildeo exponencial simples
prevecirc o valor de uma seacuterie temporal tomando a previsatildeo para o periacuteodo anterior e ajustando-a pelo valor do erro no
mesmo periacuteodo
22
242 ndash Meacutetodo de Holt
O meacutetodo de Holt pode ser utilizado de maneira satisfatoacuteria em seacuteries temporais com tendecircncia linear
mediante o uso de uma funccedilatildeo de ponderaccedilatildeo que daacute maior importacircncia aos periacuteodos de tempo mais recentes Seu
algoritmo de previsatildeo utiliza as seguintes expressotildees
))(1( 11 tttt TLxL (Equaccedilatildeo 26)
11 )1)(( tttt TLLT (Equaccedilatildeo 27)
mtx ˆ
tt mTL (Equaccedilatildeo 28)
Onde
mtx ˆ = previsatildeo para o periacuteodo t+m
= constantes de suavizaccedilatildeo com valor entre 0 e 1 que determinam a rapidez de decaimento dos pesos
da seacuterie quanto mais proacuteximo de um maior o peso das observaccedilotildees recentes
tL = estimativa do niacutevel da seacuterie no tempo t
tT = estimativa de declividade da seacuterie no tempo t
Como o meacutetodo de Holt baseia-se na aplicaccedilatildeo recursiva das expresses anteriores satildeo necessaacuterios tambeacutem
como dados de entrada tL e tT que podem ser considerados como 1L 1x e 1T 12 xx Outra forma de caacutelculo eacute a
regressatildeo linear simples aplicada aos dados da seacuterie temporal onde se obteacutem o valor da declividade da seacuterie temporal
e de 0L em sua origem
243 ndash Meacutetodo de Winters
Os meacutetodos de Winters dividem-se em dois grupos aditivo e multiplicativo No meacutetodo aditivo a amplitude da
variaccedilatildeo sazonal eacute constante ao longo do tempo ou seja a diferenccedila entre o maior e menor valor de demanda dentro
das estaccedilotildees permanece relativamente constante no tempo No meacutetodo multiplicativo a amplitude da variaccedilatildeo sazonal
aumente ou diminui como funccedilatildeo do tempo
2431 ndash Meacutetodo Sazonal Multiplicativo de Winters
))(1( 11
tt
t
t
t TLSS
xL (Equaccedilatildeo 29)
11 )1()( tttt TLLT (Equaccedilatildeo 30)
SSL
xS t
t
t
t
1 (Equaccedilatildeo 31)
mSSmTLx tttmt ˆ (Equaccedilatildeo 32)
23
Onde
mtx ˆ = previsatildeo para o periacuteodo t+m
= constantes de suavizaccedilatildeo que variam entre 0 e 1
tx = observaccedilatildeo mais recente
tL = estimativa do niacutevel de seacuterie no tempo t
tT = estimativa de declividade da seacuterie no tempo t
tS = componente de sazonalidade no tempo t
S = nuacutemero de subperiacuteodos do ano (sazonalidade)
A escolha de valores para as constantes de suavizaccedilatildeo eacute condicionada a algum criteacuterio que na maioria das
vezes consiste na minimizaccedilatildeo por meio do algoritmo de minimizaccedilatildeo linear do erro quadraacutetico meacutedio (MSE) atribuiacutedo
ao desempenho do meacutetodo
Como o meacutetodo multiplicativo de Winters baseia-se na aplicaccedilatildeo recursiva das equaccedilotildees deste item e que
deve ser iniciada em algum periacuteodo do passado no qual os valores de TL TT e TS devem ser estimados A maneira
mais simples de inicializar o niacutevel de tendecircncia no periacuteodo S O niacutevel eacute inicializado no primeiro periacuteodo sazonal da
seguinte forma
S
Sxxxx
SL
1
321
(Equaccedilatildeo 33)
Para inicializar a tendecircncia eacute conveniente o uso de dois ciclos completos isto eacute 2S periacuteodos como descrito
abaixo
S
xx
S
xx
S
xx
ST SSSSS
S 1 2211 (Equaccedilatildeo 34)
Por ultimo os iacutendices sazonais satildeo inicializados usando-se a razatildeo das primeiras observaccedilotildees como a meacutedia
do primeiro ano com descrito a seguir
S
xS
L
11
S
xS
L
22
S
S
s
xS
L (Equaccedilatildeo 35)
2432 ndash Meacutetodo Sazonal Aditivo de Winters
O meacutetodo aditivo de Winters eacute utilizado na modelagem dos dados sazonais no qual a amplitude do ciclo
sazonal permanece constante com o passar do tempo
Aleacutem disso a amplitude da variaccedilatildeo sazonal eacute constante ao longo do tempo ou seja a diferenccedila entre o maior
e o menor valor de demanda dentro das estaccedilotildees permanece relativamente constante no tempo As equaccedilotildees
matemaacuteticas satildeo
))(1()( 11 ttttt TLSSxL (Equaccedilatildeo 36)
24
11 )1()( tttt TLLT (Equaccedilatildeo 37)
Stttt SLxS )1()( St = γ(xt - Lt) + (1- γ)St-S (Equaccedilatildeo 38)
mStttmt SmTLx ˆ (Equaccedilatildeo 39)
A segunda equaccedilatildeo deste item eacute igual agravequela do meacutetodo multiplicativo de Winters O restante das equaccedilotildees se
diferem por iacutendice sazonais serem somados e subtraiacutedos ao inveacutes de serem tomados em produtos ou divisotildees
Os valores iniciais de SL e ST satildeo iguais aos do meacutetodo multiplicativo Os iacutendices sazonais satildeo inicializados da
seguinte forma
SLxS 11 SLxS 22 SSS LxS (Equaccedilatildeo 40)
25 ndash SELECcedilAtildeO DE MODELOS
A partir do momento em que vaacuterios modelos ajustam-se a uma seacuterie temporal deve-se eleger aquele que
melhor representa o seu comportamento por meio da anaacutelise de seus paracircmetros Neste trabalho os paracircmetros seratildeo
utilizados os seguintes paracircmetros de forma primordial na definiccedilatildeo do modelo mais apropriado
251 ndash Maacuteximo R2
A estatiacutestica R2 eacute definida por
n
1t
2
2n
1t2
ˆ
1
tt
tt
xx
xx
R (Equaccedilatildeo 41)
Onde
tx = observaccedilatildeo real para o periacuteodo t
tx = previsatildeo para o periacuteodo t
Uma medida de R2 mais proacutexima de zero indica um modelo com ajuste pobre enquanto que um valor proacuteximo
de um indica um bom ajuste
252 ndash Miacutenimo BIC (Bayesian Information Criterion)
Este criteacuterio penaliza os modelos com muitos paracircmetros sendo portanto um criteacuterio de verosimilhanccedila
penalisada Vale ressaltar que o BIC natildeo deve ser utilizado de forma isolada mas em conjunto com outros paracircmetros
na comparaccedilatildeo com diversos modelos
O BIC eacute definido pela seguinte expressatildeo
25
nm
nMSEBIC2
(Equaccedilatildeo 42)
nm
tt nxxn
BIC22
n
1t
ˆ1
(Equaccedilatildeo 43)
Onde
m = nuacutemero de paracircmetros do modelo
n = nuacutemero de observaccedilotildees da seacuterie temporal
3 - DESENVOLVIMENTO
31 ndash ANAacuteLISE DA SEacuteRIE
A seacuterie a seguir apresenta os dados quantitativos da evoluccedilatildeo do volume de produccedilatildeo de caminhotildees no Brasil
Tratam-se de dados mensais entre janeiro de 1957 e dezembro de 2011 totalizando 660 observaccedilotildees
5000
10000
15000
20000
60 65 70 75 80 85 90 95 0 5 10
Legend
PRODUCAO
Figura 2 - Seacuterie de Volume de Produccedilatildeo no Brasil
Fonte Elaborado pelos Autores 2012
26
32 ndash ANAacuteLISE DESCRITIVA
O primeiro passo foi a anaacutelise descritiva da seacuterie visando obter uma anaacutelise inicial para definir o modelo de
previsatildeo mais adequado agraves suas caracteriacutesticas
Utilizando o software Minitab obteve-se a seguinte tabela
Figura 3 - Estatiacutesticas Descritivas da Seacuterie Inicial
Fonte Minitab 2012
O coeficiente de correlaccedilatildeo de Pearson indica a razatildeo entre o desvio padratildeo e a meacutedia de uma seacuterie cujo
caacutelculo eacute representado por
CV = desvio padratildeomeacutedia
Introduzindo os valores do desvio padratildeo (3515) e da meacutedia da amostra (5560) na foacutermula anterior obteacutem-se o
seguinte resultado
CV = 35155560 = 06322 ~ 63 de grau de dispersatildeo
Essa medida eacute utilizada quando se pretende comparar duas ou mais distribuiccedilotildees de probabilidade quanto agraves
suas variabilidades atuando como uma medida de variabilidade relativa
Na teoria de probabilidade o grau de simetria eacute uma medida de assimetria da distribuiccedilatildeo de valores reais
aleatoacuterios O grau de simetria pode ser positivo ou negativo ou mesmo indefinido Qualitativamente um valor negativo
em que a cauda no lado esquerdo da funccedilatildeo de densidade de probabilidade eacute maior do que o lado direito e a maioria
dos valores tende ao lado direito da meacutedia De mesma forma um valor positivo indica que a cauda no lado direito eacute
maior do que o lado esquerdo e que a maioria dos valores tende ao lado esquerdo da meacutedia O valor zero indica que
valores relativos igualmente distribuiacutedos dos dois lados ao redor da meacutedia mas natildeo necessariamente implica em uma
distribuiccedilatildeo simeacutetrica
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de grau de simetria (skewness) O valor positivo do grau de
simetria indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa conforme apresentado no
histograma a seguir
27
dados
Fre
qu
en
cy
200001600012000800040000
120
100
80
60
40
20
0
Mean 5560
StDev 3515
N 660
Histogram (with Normal Curve) of dados
Figura 4 - Histograma da Seacuterie Inicial
Fonte SPSS 2012
De forma similar o conceito de curtose trata-se da uma medida de dispersatildeo para descriccedilatildeo da forma da
distribuiccedilatildeo de probabilidades e como o grau de simetria existem formas diferentes de quantificaacute-la como uma
distribuiccedilatildeo teoacuterica e formas correspondentes de estimaacute-la a partir de uma amostra oriunda de uma populaccedilatildeo Essa
medida indica o grau de achatamento curva de distribuiccedilatildeo de probabilidade
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de curtose (kurtosis) O valor positivo do grau de simetria
indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa O valor positivo indica um
comportamento leptocuacutertica indicando que a mesma eacute mais alta e mais concentrada que a distribuiccedilatildeo normal
O Teste de Normalidade realizado com 95 de niacutevel de confianccedila gerou um p-value nulo ou seja abaixo dos
5 de significacircncia Desta maneira a hipoacutetese nula de que os dados apresentariam uma distribuiccedilatildeo normal foi
rejeitada
Tests of Normality
105 660 000 860 660 000VAR00001
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 5 - Teste de Normalidade da Seacuterie Inicial
Fonte SPSS 2012
28
O teste de Kolmogorov-Smirnov eacute utilizado para determinar se duas distribuiccedilotildees de probabilidade diferem uma
da outra ou natildeo O graacutefico abaixo referente a este testem evidencia o comportamento da distribuiccedilatildeo frente ao
comportamento da distribuiccedilatildeo normal
dados
Pe
rce
nt
2500020000150001000050000-5000-10000
9999
99
95
80
50
20
5
1
001
Mean
lt0010
5560
StDev 3515
N 660
KS 0105
P-Value
Teste de Normalidade Kolmogorov-SmirnovNormal
Figura 6 - Teste de Kolmogorov-Smirnov para a Seacuterie Inicial
Fonte SPSS 2012
Assim faz-se necessaacuterio uma transformaccedilatildeo na seacuterie para adequaccedilatildeo dos dados para uma distribuiccedilatildeo
normal Para tal modificaccedilatildeo neste trabalho foi utilizada a distribuiccedilatildeo logariacutetmica na base 10
Apoacutes a transformaccedilatildeo o teste de normalidade foi realizado novamente (tambeacutem com 95 de significacircncia) O
resultado eacute apresentado na tabela a seguir
Tests of Normality
042 660 007 994 660 009log10
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 7 - Teste de Normalidade para a Seacuterie Transformada
Fonte SPSS 2012
Conforme pode ser observado na tabela acima o p-value foi proacuteximo de 001 menor que 005 Apesar do
pressuposto de normalidade dos dados natildeo ter sido alcanccedilado esta base de dados seraacute utilizada nas modelagens
para fins acadecircmicos e seraacute tomado como premissa que a distribuiccedilatildeo estaacute normalizada
29
O teste graacutefico de normalidade de Kolmogorov-Smirnov foi realizado para a distribuiccedilatildeo transformada O
graacutefico abaixo evidencia o comportamento dos dados da distribuiccedilatildeo frente ao comportamento da distribuiccedilatildeo normal
auxiliando na conclusatildeo do teste anterior
log 10
Pe
rce
nt
4540353025
9999
99
95
80
50
20
5
1
001
Mean
lt0010
3668
StDev 02593
N 660
KS 0042
P-Value
Teste de Normalidade Kolmogorov-Smirnov - log 10Normal
Figura 8 - Teste de Kolmogorov-Smirnov para a Seacuterie Transformada
Fonte SPSS 2012
A seguir tem-se o histograma da seacuterie transformada evidenciando a mudanccedila do comportamento dos dados
30
log 10
Fre
qu
en
cy
42403836343230
70
60
50
40
30
20
10
0
Mean 3668
StDev 02593
N 660
Histogram of log 10Normal
Figura 9 - Histograma da Seacuterie Transformada
Fonte SPSS 2012
O teste da igualdade de variacircncias eacute aplicado com o objetivo de verificar se devem ou natildeo ser assumidas
igualdade entre as variacircncias das populaccedilotildees Para isso foi utilizado na anaacutelise o Teste de Levene cujas hipoacuteteses
satildeo as seguintes
H0 as variacircncias nas duas populaccedilotildees satildeo iguais ou seja existe homocedasticidade (σ1 = σ2 ou σ1 = σ2 = 0)
Neste caso assume-se a estatiacutestica Sig F gt 005
H1 as variacircncias nas duas populaccedilotildees satildeo diferentes ou seja natildeo existe homocedasticidade (σ1 ne σ2 ou σ1 ne
σ2 ne 0) Neste caso assume-se a estatiacutestica Sig F lt ou = 005
Para a realizaccedilatildeo do teste dividiu-se a populaccedilatildeo em dois grupos iguais (grupos denominados como 0 e 1
cada um com 330 unidades) Os resultados satildeo os seguintes
31
Group Statistics
330 35473 23553 01297
330 37896 22313 01228
Teste de Lev ene0
1
log10N Mean Std Dev iation
Std Error
Mean
Independent Samples Test
5981 015 -13569 658 000 -24235 01786 -27742 -20728
-13569 656086 000 -24235 01786 -27742 -20728
Equal variances
assumed
Equal variances
not assumed
log10F Sig
Lev enes Test for
Equality of Variances
t df Sig (2-tailed)
Mean
Dif f erence
Std Error
Dif f erence Lower Upper
95 Conf idence
Interv al of the
Dif f erence
t-test f or Equality of Means
Figura 10 - Teste de Homocedasticidade para a Seacuterie Transformada
Fonte SPSS 2012
Pelo resultado do teste pode-se verificar que o valor de ldquoSigrdquo (referente ao p-value) foi de 0015 onde se
conclui que a hipoacutetese nula que leva em consideraccedilatildeo que a variacircncia da seacuterie eacute constante pode ser aceita
33 ndash MODELOS DE PREVISAtildeO
Neste trabalho seratildeo analisados os seguintes modelos de previsatildeo
1 ndash Box Jenkins
2 ndash Suavizaccedilatildeo Exponencial
Para determinar o modelo de previsatildeo mais adequado foi utilizado o software Forecast Pro for Windows (FPW)
Todas as previsotildees foram realizadas utilizando a seacuterie com a variaacutevel transformada a fim de atender o
pressuposto de normalidade da seacuterie necessaacuterio nos modelos de previsatildeo
32
Figura 11 - Seleccedilatildeo da Seacuterie para a Previsatildeo
Fonte FPW 2012
331 ndash Box-Jenkins
Apoacutes a apresentaccedilatildeo e anaacutelises dos pressupostos necessaacuterios para a aplicaccedilatildeo do modelo Box-Jenkins seratildeo
realizadas as anaacutelises que demonstram a funccedilatildeo de autocorrelaccedilatildeo (FAC) e funccedilatildeo de autocorrelaccedilatildeo parcial (FACP)
Figura 12 - FAC da Seacuterie
Fonte FPW 2012
33
Figura 13 - FACP da Seacuterie
Fonte FPW 2012
Nota-se na Figura XXX FAC da seacuterie que a seacuterie decai muito lentamente indicando tendecircncia logo faz-se
necessaacuterio realizar uma diferenciaccedilatildeo na parte simples
Apoacutes a diferenciaccedilatildeo obtiveram-se os seguintes novos graacuteficos para a funccedilatildeo de autocorrelaccedilatildeo e funccedilatildeo de
autocorrelaccedilatildeo parcial
Figura 14 - FAC da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
34
Figura 15 - FACP da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
Apoacutes a realizaccedilatildeo da diferenciaccedilatildeo os seguintes modelos foram testados
1 ndash ARIMA (110)
2 ndash ARIMA (011)
3 ndash ARIMA (210)
4 ndash ARIMA (012)
5 ndash ARIMA (111)
A seguir cada modelo seraacute demonstrado
1 ndash ARIMA (110)
Figura 16 - Resultado ARIMA (110)
Fonte FPW 2012
35
Figura 17 - FAC dos Resiacuteduos ARIMA (110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08746) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel a(1) foi considerada significativa
2 - ARIMA (011)
Figura 18 - Resultado ARIMA (011)
Fonte FPW 2012
36
Figura 19 - FAC dos Resiacuteduos ARIMA (011)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel b(1) foi considerada significativa
3 - ARIMA (210)
Figura 20 - Resultado ARIMA (210)
Fonte FPW 2012
37
Figura 21 - FAC dos Resiacuteduos ARIMA (210)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08765) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
4 - ARIMA (012)
Figura 22 - Resultado ARIMA (012)
Fonte FPW 2012
38
Figura 23 - FAC dos Resiacuteduos ARIMA (012)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08777) com lag significativo nas fases 12 24 e 36 no graacutefico da FAC dos
resiacuteduos As variaacuteveis b(1) e b(2) foram consideradas significativas
5 - ARIMA (111)
Figura 24 - Resultado ARIMA (111)
Fonte FPW 2012
39
Figura 25 - FAC dos Resiacuteduos ARIMA (111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08811) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e b(1) foi considerada significativa
Observando os resultados obtidos nos cinco modelos anteriores fica evidente a semelhanccedila da presenccedila dos
lags significativos nas fases 12 24 e 36 no graacutefico da FAC dos resiacuteduos indicando a existecircncia de sazonalidade na
seacuterie modelada Assim torna-se necessaacuterio diferenciar a fase sazonal dos dados
Apoacutes a diferenciaccedilatildeo simples foram realizadas as seguintes diferenciaccedilotildees sazonais obtendo-se os seguintes
resultados para os modelos SARIMA
6 ndash SARIMA (011)(010)
Figura 26 - Resultado SARIMA (011)(010)
Fonte FPW 2012
40
Figura 27 - FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel b(1) foi considerada significativa
7 ndash SARIMA (110)(010)
Figura 28 - Resultado SARIMA (011)(010)
Fonte FPW 2012
41
Figura 29 - FAC dos Resiacuteduos SARIMA (011)(010)
Figura 29 ndash FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08305) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel a(1) foi considerada significativa
8 ndash SARIMA (210)(010)
Figura 30 - Resultado SARIMA (210)(010)
Fonte FPW 2012
42
Figura 31 - FAC dos Resiacuteduos SARIMA (210)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08337) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
9 ndash SARIMA (012)(010)
Figura 32 - Resultado SARIMA (012)(010)
Fonte FPW 2012
43
Figura 33 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
10 ndash SARIMA (111)(010)
Figura 34 - Resultado SARIMA (111)(010)
Fonte FPW 2012
44
Figura 35 - FAC dos Resiacuteduos SARIMA (111)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 12 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1
11 ndash SARIMA (011)(110)
Figura 36 - Resultado SARIMA (011)(110)
Fonte FPW 2012
45
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08623) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis A(12) e b(1) foram consideradas significativas
12 ndash SARIMA (110)(110)
Figura 38 - Resultado SARIMA (011)(110)
Fonte FPW 2012
46
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08595) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e A(12) foram consideradas significativas
13 ndash SARIMA (210)(110)
Figura 40 - Resultado SARIMA (210)(110)
Fonte FPW 2012
47
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08620) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) a(2) e A(12) foram consideradas significativas
14 ndash SARIMA (012)(010)
Figura 42 - Resultado SARIMA (012)(010)
Fonte FPW 2012
48
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08625) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
15 ndash SARIMA (111)(110)
Figura 44 - Resultado SARIMA (111)(110)
Fonte FPW 2012
49
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08626) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 24 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1 e MA = 1
16 ndash SARIMA (011)(111)
Figura 46 - Resultado SARIMA (011)(111)
Fonte FPW 2012
50
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) e B(12) foram consideradas significativas pelo modelo
17 ndash SARIMA (110)(111)
Figura 48 - Resultado SARIMA (110)(111)
Fonte FPW 2012
51
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09010) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) e B(12) foram consideradas significativas pelo modelo
18 ndash SARIMA (210)(111)
Figura 50 - Resultado SARIMA (210)(111)
Fonte FPW 2012
52
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) a(12) e B(12) foram consideradas significativas pelo modelo
19 ndash SARIMA (012)(111)
Figura 52 ndash Resultado SARIMA (012)(111)
Fonte FPW 2012
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
18
231 ndash Modelo ARMA (Auto-Regressivo a Meacutedia Moacutevel)
O modelo ARMA natildeo possui uma parte integrada Sendo assim satildeo utilizados para uma seacuterie temporal
estacionaacuteria com relaccedilatildeo agrave meacutedia e a variacircncia e satildeo definidos pelas equaccedilotildees a seguir
qtqttptptt eeexxcx 1111 (Equaccedilatildeo 13)
Existem restriccedilotildees aos valores cujos paracircmetros podem assumir nas equaccedilotildees anteriores a saber
Para p = 1 -1 lt 1 lt 1
Para p = 2 -1 lt 2 lt 1 1 + 2 lt 1 e 2 ndash 1 lt 1
Para p gt= 3 condiccedilotildees mais complexas prevalecem
Da mesma forma
Para q = 1 -1 lt 1 lt 1
Para q = 2 -1 lt 2 lt 1 1 + 2 lt 1 e 2 ndash 1 lt 1
Para p gt= 3 condiccedilotildees mais complexas prevalecem
Um dispositivo de notaccedilatildeo uacutetil eacute o operador de deslocamento retroativo definido por 1 tt xBx Assim B
operando sobre tx tem o efeito de deslocar os dados para traacutes em um periacuteodo Dessa forma
2
2)( ttt xxBBxB (Equaccedilatildeo 14)
Por meio da equaccedilatildeo acima que o modelo recebe a denominaccedilatildeo de Auto-Regressivo a Meacutedia Moacutevel (ARMA)
de ordens (pq) conforme expresso na equaccedilatildeo seguinte
t
MA
p
p
AR
t
p
p eBBcxBB
qp
)()(
11 11 (Equaccedilatildeo 15)
Os coeficientes 1 2 p e 1 2 q satildeo estimados para ajustarem-se agrave seacuterie temporal estudada
atraveacutes dos meacutetodos dos miacutenimos quadrados ou da maacutexima verossimilhanccedila A aplicaccedilatildeo do meacutetodo dos miacutenimos
quadrados eacute realizada atraveacutes de estimativas feitas iterativamente por softwares ateacute que soma dos erros quadraacuteticos
seja minimizada O meacutetodo da maacutexima verossimilhanccedila estima tambeacutem iterativamente os valores dos paracircmetros que
maximizem a verossimilhanccedila de um conjunto de observaccedilotildees
O modelo ARMA deve ter seus erros et distribuiacutedos aleatoriamente comportando-se como uma seacuterie de ruiacutedo
branco Os resiacuteduos natildeo satildeo ruiacutedo branco se as estatiacutesticas Q sugerida por Box-Pierce ou Q sugerida por Ljungndash
Box posicionarem-se no extremo 5 da cauda direita da distribuiccedilatildeo χ2 As expressotildees para caacutelculo das estatiacutesticas
Q de BoxndashPierce ou Q de Ljung-Box satildeo as seguintes
19
h
1k
2
k tnQ (Equaccedilatildeo 16)
h
1k
2
k
k-
r)2(
nnnQ (Equaccedilatildeo 17)
Onde
n = nuacutemero de observaccedilotildees da seacuterie
h = maacutexima defasagem dos coeficientes de correlaccedilatildeo dos resiacuteduos
Alguns autores apresentam procedimentos para identificaccedilatildeo das ordens p e q dos modelos ARMA por meio
dos graacuteficos das FAC e FACP como exemplificado no quadro a seguir
Modelo FAC FACP
ARMA (p0) Decaimento gradativo Decaimento brusco apoacutes defasagem p
ARMA (0q) Decaimento brusco apoacutes defasagem q Decaimento gradativo
ARMA (pq) Decaimento gradativo com onda
senoidal amortecida apoacutes a
defasagem (q-p)
Decaimento gradativo com onda
senoidal amortecida apoacutes a defasagem
(p-q)
Tabela 1 - Comportamento das FAC e FACP para Modelos Estacionaacuterios
Fonte Elaborado pelos Autores
232 ndash Modelo ARIMA
Em muitos casos as seacuteries temporais encontradas possuem tendecircncia apresentando um comportamento natildeo
estacionaacuterio No entanto para aplicar o meacutetodo de Box-Jenkins eacute necessaacuterio remover a tendecircncia da seacuterie atraveacutes da
diferenciaccedilatildeo ou seja aplicar sobre a mesma o operador (1 ndash B) no modelo ARMA conforme equaccedilatildeo a seguir
tttt xBxxx )1(1
(Equaccedilatildeo 18)
Desta forma a expressatildeo do modelo ARIMA (pdq) ndash auto regressivo integrado a meacutedia moacutevel de ordem p d
q eacute a expressatildeo do modelo ARMA (pq) acrescido do fator de diferenciaccedilatildeo de ordem d responsaacutevel pela descriccedilatildeo do
comportamento de tendecircncia da seacuterie conforme representado na equaccedilatildeo a seguir
t
MA
p
p
I
t
d
AR
p
p eBBcxBBB
qdp
)()()(
111 11 (Equaccedilatildeo 19)
233 ndash Modelo ARIMA Sazonal (SARIMA)
O comportamento mais geral de seacuteries histoacutericas natildeo estacionaacuterias eacute o que combina o padratildeo de tendecircncia
com o padratildeo de sazonalidade O meacutetodo de Box-Jenkins recomenda a remoccedilatildeo tanto da tendecircncia quanto da
sazonalidade das seacuteries diferenciando-a duas vezes Eacute recomendado que a diferenciaccedilatildeo sazonal sobre a seacuterie
20
original seja feita em primeiro lugar uma vez que em alguns casos sua aplicaccedilatildeo jaacute torna a seacuterie estacionaacuteria como
mostrado na expressatildeo a seguir (para uma seacuterie com nuacutemero de periacuteodos com ciclo sazonal igual a 12)
tttt xBxxx )1( 12
12
(Equaccedilatildeo 20)
Nos casos em que se torna necessaacuteria a segunda diferenciaccedilatildeo faz necessaacuteria aplicar o operador )1( B na
mesma conforme equaccedilatildeo a seguir
ttttt xBBxBxxx 12
1
11)1( (Equaccedilatildeo 21)
24 ndash MEacuteTODO DO AMORTECIMENTO EXPONENCIAL
Historicamente o amortecimento exponencial descreve uma classe de meacutetodos de previsatildeo De fato alguns
dos meacutetodos mais utilizados para esse fim satildeo baseados nesse conceito cada um deles utilizando a propriedade em
que os pesos das observaccedilotildees mais recentes satildeo maiores do que aqueles referentes a observaccedilotildees no passado
Assim o nome ldquoamortecimento exponencialrdquo reflete no fato de que os pesos (atraveacutes do uso da meacutedia ponderada)
diminuem exponencialmente agrave medida que as observaccedilotildees satildeo mais antigas
Os primeiros registros da utilizaccedilatildeo do meacutetodo satildeo de Robert G Brown em 1944 enquanto desenvolvia
trabalhos como analista de Pesquisa Operacional na Marinha Americana enquanto desenvolvia um dispositivo
mecacircnico para monitorar a velocidade e o acircngulo de tiros disparados de submarinos Em 1950 ele estendeu o uso
desse meacutetodo para seacuteries temporais discretas incluindo termos para lidar com as componentes de sazonalidade e
tendecircncia
Paralelamente Charles Holt tambeacutem estava trabalhando em um meacutetodo de amortecimento exponencial para o
Escritoacuterio Americano de Pesquisas Navais O seu trabalho em modelos sazonais aditivos e multiplicativos se tornaram
conhecidos atraveacutes de um artigo publicado por seu estudante Peter Winters em 1960 aplicando testes empiacutericos ao
meacutetodo de Holt Como resultado a versatildeo da ferramenta que trabalha com a componente sazonal eacute denominada de
Holt-Winters
Os modelos de suavizaccedilatildeo exponencial satildeo largamente utilizados devido a sua simplicidade e baixo custo
Assim quando se necessitam previsotildees para milhares de itens como eacute o caso em muitos sistemas de gestatildeo esses
modelos satildeo muitas vezes os uacutenicos suficientemente raacutepidos e baratos para assegurar uma implementaccedilatildeo viaacutevel
Dessa forma existem trecircs classes de meacutetodos de amortecimento exponencial a saber
1 ndash Seacuteries localmente constantes analisadas pelos modelos de meacutedias moacuteveis simples ou amortecimento
exponencial
2 ndash Seacuteries com tendecircncias que utilizam o modelo de Holt
3 ndash Seacuteries com comportamento sazonal que utilizam o modelo Holt-Winters
241 ndash Meacutetodos de Amortecimento Exponencial Simples
21
O meacutetodo de suavizaccedilatildeo exponencial simples tem melhor precisatildeo para seacuteries de padratildeo horizontal isto eacute
agravequelas que natildeo apresentam tendecircncia nem sazonalidade e eacute apropriado para previsotildees de curto prazo Seu algoritmo
de previsatildeo utiliza a seguinte expressatildeo da equaccedilatildeo
ttt xxx ˆ1ˆ1 (Equaccedilatildeo 22)
Onde
1ˆtx = previsatildeo para o periacuteodo t+1
α = constante de suavizaccedilatildeo cujo valor encontra-se entre 0 e 1
tx = uacuteltimo valor observado
tx = uacuteltimo valor observado com peso (1 ndash α)
Expandindo-se a expressatildeo acima pela substituiccedilatildeo de tx 1ˆtx 2
ˆtx por seus componentes resulta em
1113211ˆ)1()1(3)1(2)1(1ˆ xxxxxxx ttttttt (Equaccedilatildeo 23)
Assim 1ˆtx eacute uma meacutedia ponderada de todas as observaccedilotildees passadas constituindo os coeficientes de
ponderaccedilatildeo uma seacuterie decrescente exponencialmente para valores de α entre 0 e 1 Dessa constataccedilatildeo origina-se o
nome amortecimento exponencial Analisando-se a uacuteltima equaccedilatildeo verifica-se que a constante de suavizaccedilatildeo α
determina a rapidez do decaimento dos coeficientes (pesos) A escolha do valor para a constante de suavizaccedilatildeo pode
ser arbitraacuteria ou condicionada a algum criteacuterio que na maioria das vezes consiste na minimizaccedilatildeo do erro quadraacutetico
meacutedio atribuiacutedo ao desempenho do meacutetodo
A constante de suavizaccedilatildeo estaacute diretamente ligada agrave velocidade de resposta das previsotildees agraves variaccedilotildees das
observaccedilotildees ou seja quanto menor o valor de α mais lenta eacute a resposta Valores maiores que α causam reaccedilotildees
mais raacutepidas das previsotildees agraves variaccedilotildees das observaccedilotildees podendo causar instabilidade no desempenho do meacutetodo
Como o peso da primeira previsatildeo 1x eacute (1 ndash α)t verifica-se que menor importacircncia um fator teraacute para a
previsatildeo de t+1 quanto mais proacuteximo de um for e quanto maior for o t Como eacute necessaacuterio ter o valor de 1x eacute feita a
suposiccedilatildeo de que 1x = 1x ou seja igual agrave uacuteltima observaccedilatildeo O erro decorrente dessa suposiccedilatildeo seraacute tanto menor
quanto maiores forem α e t
Alternativamente a expressatildeo inicial desse item pode ser representada como
1ˆtx = tx + α( tx ndash tx ) (Equaccedilatildeo 24)
1ˆtx = tx + α te (Equaccedilatildeo 25)
Atraveacutes da anaacutelise da uacuteltima equaccedilatildeo pode-se concluir que o meacutetodo de suavizaccedilatildeo exponencial simples
prevecirc o valor de uma seacuterie temporal tomando a previsatildeo para o periacuteodo anterior e ajustando-a pelo valor do erro no
mesmo periacuteodo
22
242 ndash Meacutetodo de Holt
O meacutetodo de Holt pode ser utilizado de maneira satisfatoacuteria em seacuteries temporais com tendecircncia linear
mediante o uso de uma funccedilatildeo de ponderaccedilatildeo que daacute maior importacircncia aos periacuteodos de tempo mais recentes Seu
algoritmo de previsatildeo utiliza as seguintes expressotildees
))(1( 11 tttt TLxL (Equaccedilatildeo 26)
11 )1)(( tttt TLLT (Equaccedilatildeo 27)
mtx ˆ
tt mTL (Equaccedilatildeo 28)
Onde
mtx ˆ = previsatildeo para o periacuteodo t+m
= constantes de suavizaccedilatildeo com valor entre 0 e 1 que determinam a rapidez de decaimento dos pesos
da seacuterie quanto mais proacuteximo de um maior o peso das observaccedilotildees recentes
tL = estimativa do niacutevel da seacuterie no tempo t
tT = estimativa de declividade da seacuterie no tempo t
Como o meacutetodo de Holt baseia-se na aplicaccedilatildeo recursiva das expresses anteriores satildeo necessaacuterios tambeacutem
como dados de entrada tL e tT que podem ser considerados como 1L 1x e 1T 12 xx Outra forma de caacutelculo eacute a
regressatildeo linear simples aplicada aos dados da seacuterie temporal onde se obteacutem o valor da declividade da seacuterie temporal
e de 0L em sua origem
243 ndash Meacutetodo de Winters
Os meacutetodos de Winters dividem-se em dois grupos aditivo e multiplicativo No meacutetodo aditivo a amplitude da
variaccedilatildeo sazonal eacute constante ao longo do tempo ou seja a diferenccedila entre o maior e menor valor de demanda dentro
das estaccedilotildees permanece relativamente constante no tempo No meacutetodo multiplicativo a amplitude da variaccedilatildeo sazonal
aumente ou diminui como funccedilatildeo do tempo
2431 ndash Meacutetodo Sazonal Multiplicativo de Winters
))(1( 11
tt
t
t
t TLSS
xL (Equaccedilatildeo 29)
11 )1()( tttt TLLT (Equaccedilatildeo 30)
SSL
xS t
t
t
t
1 (Equaccedilatildeo 31)
mSSmTLx tttmt ˆ (Equaccedilatildeo 32)
23
Onde
mtx ˆ = previsatildeo para o periacuteodo t+m
= constantes de suavizaccedilatildeo que variam entre 0 e 1
tx = observaccedilatildeo mais recente
tL = estimativa do niacutevel de seacuterie no tempo t
tT = estimativa de declividade da seacuterie no tempo t
tS = componente de sazonalidade no tempo t
S = nuacutemero de subperiacuteodos do ano (sazonalidade)
A escolha de valores para as constantes de suavizaccedilatildeo eacute condicionada a algum criteacuterio que na maioria das
vezes consiste na minimizaccedilatildeo por meio do algoritmo de minimizaccedilatildeo linear do erro quadraacutetico meacutedio (MSE) atribuiacutedo
ao desempenho do meacutetodo
Como o meacutetodo multiplicativo de Winters baseia-se na aplicaccedilatildeo recursiva das equaccedilotildees deste item e que
deve ser iniciada em algum periacuteodo do passado no qual os valores de TL TT e TS devem ser estimados A maneira
mais simples de inicializar o niacutevel de tendecircncia no periacuteodo S O niacutevel eacute inicializado no primeiro periacuteodo sazonal da
seguinte forma
S
Sxxxx
SL
1
321
(Equaccedilatildeo 33)
Para inicializar a tendecircncia eacute conveniente o uso de dois ciclos completos isto eacute 2S periacuteodos como descrito
abaixo
S
xx
S
xx
S
xx
ST SSSSS
S 1 2211 (Equaccedilatildeo 34)
Por ultimo os iacutendices sazonais satildeo inicializados usando-se a razatildeo das primeiras observaccedilotildees como a meacutedia
do primeiro ano com descrito a seguir
S
xS
L
11
S
xS
L
22
S
S
s
xS
L (Equaccedilatildeo 35)
2432 ndash Meacutetodo Sazonal Aditivo de Winters
O meacutetodo aditivo de Winters eacute utilizado na modelagem dos dados sazonais no qual a amplitude do ciclo
sazonal permanece constante com o passar do tempo
Aleacutem disso a amplitude da variaccedilatildeo sazonal eacute constante ao longo do tempo ou seja a diferenccedila entre o maior
e o menor valor de demanda dentro das estaccedilotildees permanece relativamente constante no tempo As equaccedilotildees
matemaacuteticas satildeo
))(1()( 11 ttttt TLSSxL (Equaccedilatildeo 36)
24
11 )1()( tttt TLLT (Equaccedilatildeo 37)
Stttt SLxS )1()( St = γ(xt - Lt) + (1- γ)St-S (Equaccedilatildeo 38)
mStttmt SmTLx ˆ (Equaccedilatildeo 39)
A segunda equaccedilatildeo deste item eacute igual agravequela do meacutetodo multiplicativo de Winters O restante das equaccedilotildees se
diferem por iacutendice sazonais serem somados e subtraiacutedos ao inveacutes de serem tomados em produtos ou divisotildees
Os valores iniciais de SL e ST satildeo iguais aos do meacutetodo multiplicativo Os iacutendices sazonais satildeo inicializados da
seguinte forma
SLxS 11 SLxS 22 SSS LxS (Equaccedilatildeo 40)
25 ndash SELECcedilAtildeO DE MODELOS
A partir do momento em que vaacuterios modelos ajustam-se a uma seacuterie temporal deve-se eleger aquele que
melhor representa o seu comportamento por meio da anaacutelise de seus paracircmetros Neste trabalho os paracircmetros seratildeo
utilizados os seguintes paracircmetros de forma primordial na definiccedilatildeo do modelo mais apropriado
251 ndash Maacuteximo R2
A estatiacutestica R2 eacute definida por
n
1t
2
2n
1t2
ˆ
1
tt
tt
xx
xx
R (Equaccedilatildeo 41)
Onde
tx = observaccedilatildeo real para o periacuteodo t
tx = previsatildeo para o periacuteodo t
Uma medida de R2 mais proacutexima de zero indica um modelo com ajuste pobre enquanto que um valor proacuteximo
de um indica um bom ajuste
252 ndash Miacutenimo BIC (Bayesian Information Criterion)
Este criteacuterio penaliza os modelos com muitos paracircmetros sendo portanto um criteacuterio de verosimilhanccedila
penalisada Vale ressaltar que o BIC natildeo deve ser utilizado de forma isolada mas em conjunto com outros paracircmetros
na comparaccedilatildeo com diversos modelos
O BIC eacute definido pela seguinte expressatildeo
25
nm
nMSEBIC2
(Equaccedilatildeo 42)
nm
tt nxxn
BIC22
n
1t
ˆ1
(Equaccedilatildeo 43)
Onde
m = nuacutemero de paracircmetros do modelo
n = nuacutemero de observaccedilotildees da seacuterie temporal
3 - DESENVOLVIMENTO
31 ndash ANAacuteLISE DA SEacuteRIE
A seacuterie a seguir apresenta os dados quantitativos da evoluccedilatildeo do volume de produccedilatildeo de caminhotildees no Brasil
Tratam-se de dados mensais entre janeiro de 1957 e dezembro de 2011 totalizando 660 observaccedilotildees
5000
10000
15000
20000
60 65 70 75 80 85 90 95 0 5 10
Legend
PRODUCAO
Figura 2 - Seacuterie de Volume de Produccedilatildeo no Brasil
Fonte Elaborado pelos Autores 2012
26
32 ndash ANAacuteLISE DESCRITIVA
O primeiro passo foi a anaacutelise descritiva da seacuterie visando obter uma anaacutelise inicial para definir o modelo de
previsatildeo mais adequado agraves suas caracteriacutesticas
Utilizando o software Minitab obteve-se a seguinte tabela
Figura 3 - Estatiacutesticas Descritivas da Seacuterie Inicial
Fonte Minitab 2012
O coeficiente de correlaccedilatildeo de Pearson indica a razatildeo entre o desvio padratildeo e a meacutedia de uma seacuterie cujo
caacutelculo eacute representado por
CV = desvio padratildeomeacutedia
Introduzindo os valores do desvio padratildeo (3515) e da meacutedia da amostra (5560) na foacutermula anterior obteacutem-se o
seguinte resultado
CV = 35155560 = 06322 ~ 63 de grau de dispersatildeo
Essa medida eacute utilizada quando se pretende comparar duas ou mais distribuiccedilotildees de probabilidade quanto agraves
suas variabilidades atuando como uma medida de variabilidade relativa
Na teoria de probabilidade o grau de simetria eacute uma medida de assimetria da distribuiccedilatildeo de valores reais
aleatoacuterios O grau de simetria pode ser positivo ou negativo ou mesmo indefinido Qualitativamente um valor negativo
em que a cauda no lado esquerdo da funccedilatildeo de densidade de probabilidade eacute maior do que o lado direito e a maioria
dos valores tende ao lado direito da meacutedia De mesma forma um valor positivo indica que a cauda no lado direito eacute
maior do que o lado esquerdo e que a maioria dos valores tende ao lado esquerdo da meacutedia O valor zero indica que
valores relativos igualmente distribuiacutedos dos dois lados ao redor da meacutedia mas natildeo necessariamente implica em uma
distribuiccedilatildeo simeacutetrica
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de grau de simetria (skewness) O valor positivo do grau de
simetria indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa conforme apresentado no
histograma a seguir
27
dados
Fre
qu
en
cy
200001600012000800040000
120
100
80
60
40
20
0
Mean 5560
StDev 3515
N 660
Histogram (with Normal Curve) of dados
Figura 4 - Histograma da Seacuterie Inicial
Fonte SPSS 2012
De forma similar o conceito de curtose trata-se da uma medida de dispersatildeo para descriccedilatildeo da forma da
distribuiccedilatildeo de probabilidades e como o grau de simetria existem formas diferentes de quantificaacute-la como uma
distribuiccedilatildeo teoacuterica e formas correspondentes de estimaacute-la a partir de uma amostra oriunda de uma populaccedilatildeo Essa
medida indica o grau de achatamento curva de distribuiccedilatildeo de probabilidade
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de curtose (kurtosis) O valor positivo do grau de simetria
indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa O valor positivo indica um
comportamento leptocuacutertica indicando que a mesma eacute mais alta e mais concentrada que a distribuiccedilatildeo normal
O Teste de Normalidade realizado com 95 de niacutevel de confianccedila gerou um p-value nulo ou seja abaixo dos
5 de significacircncia Desta maneira a hipoacutetese nula de que os dados apresentariam uma distribuiccedilatildeo normal foi
rejeitada
Tests of Normality
105 660 000 860 660 000VAR00001
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 5 - Teste de Normalidade da Seacuterie Inicial
Fonte SPSS 2012
28
O teste de Kolmogorov-Smirnov eacute utilizado para determinar se duas distribuiccedilotildees de probabilidade diferem uma
da outra ou natildeo O graacutefico abaixo referente a este testem evidencia o comportamento da distribuiccedilatildeo frente ao
comportamento da distribuiccedilatildeo normal
dados
Pe
rce
nt
2500020000150001000050000-5000-10000
9999
99
95
80
50
20
5
1
001
Mean
lt0010
5560
StDev 3515
N 660
KS 0105
P-Value
Teste de Normalidade Kolmogorov-SmirnovNormal
Figura 6 - Teste de Kolmogorov-Smirnov para a Seacuterie Inicial
Fonte SPSS 2012
Assim faz-se necessaacuterio uma transformaccedilatildeo na seacuterie para adequaccedilatildeo dos dados para uma distribuiccedilatildeo
normal Para tal modificaccedilatildeo neste trabalho foi utilizada a distribuiccedilatildeo logariacutetmica na base 10
Apoacutes a transformaccedilatildeo o teste de normalidade foi realizado novamente (tambeacutem com 95 de significacircncia) O
resultado eacute apresentado na tabela a seguir
Tests of Normality
042 660 007 994 660 009log10
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 7 - Teste de Normalidade para a Seacuterie Transformada
Fonte SPSS 2012
Conforme pode ser observado na tabela acima o p-value foi proacuteximo de 001 menor que 005 Apesar do
pressuposto de normalidade dos dados natildeo ter sido alcanccedilado esta base de dados seraacute utilizada nas modelagens
para fins acadecircmicos e seraacute tomado como premissa que a distribuiccedilatildeo estaacute normalizada
29
O teste graacutefico de normalidade de Kolmogorov-Smirnov foi realizado para a distribuiccedilatildeo transformada O
graacutefico abaixo evidencia o comportamento dos dados da distribuiccedilatildeo frente ao comportamento da distribuiccedilatildeo normal
auxiliando na conclusatildeo do teste anterior
log 10
Pe
rce
nt
4540353025
9999
99
95
80
50
20
5
1
001
Mean
lt0010
3668
StDev 02593
N 660
KS 0042
P-Value
Teste de Normalidade Kolmogorov-Smirnov - log 10Normal
Figura 8 - Teste de Kolmogorov-Smirnov para a Seacuterie Transformada
Fonte SPSS 2012
A seguir tem-se o histograma da seacuterie transformada evidenciando a mudanccedila do comportamento dos dados
30
log 10
Fre
qu
en
cy
42403836343230
70
60
50
40
30
20
10
0
Mean 3668
StDev 02593
N 660
Histogram of log 10Normal
Figura 9 - Histograma da Seacuterie Transformada
Fonte SPSS 2012
O teste da igualdade de variacircncias eacute aplicado com o objetivo de verificar se devem ou natildeo ser assumidas
igualdade entre as variacircncias das populaccedilotildees Para isso foi utilizado na anaacutelise o Teste de Levene cujas hipoacuteteses
satildeo as seguintes
H0 as variacircncias nas duas populaccedilotildees satildeo iguais ou seja existe homocedasticidade (σ1 = σ2 ou σ1 = σ2 = 0)
Neste caso assume-se a estatiacutestica Sig F gt 005
H1 as variacircncias nas duas populaccedilotildees satildeo diferentes ou seja natildeo existe homocedasticidade (σ1 ne σ2 ou σ1 ne
σ2 ne 0) Neste caso assume-se a estatiacutestica Sig F lt ou = 005
Para a realizaccedilatildeo do teste dividiu-se a populaccedilatildeo em dois grupos iguais (grupos denominados como 0 e 1
cada um com 330 unidades) Os resultados satildeo os seguintes
31
Group Statistics
330 35473 23553 01297
330 37896 22313 01228
Teste de Lev ene0
1
log10N Mean Std Dev iation
Std Error
Mean
Independent Samples Test
5981 015 -13569 658 000 -24235 01786 -27742 -20728
-13569 656086 000 -24235 01786 -27742 -20728
Equal variances
assumed
Equal variances
not assumed
log10F Sig
Lev enes Test for
Equality of Variances
t df Sig (2-tailed)
Mean
Dif f erence
Std Error
Dif f erence Lower Upper
95 Conf idence
Interv al of the
Dif f erence
t-test f or Equality of Means
Figura 10 - Teste de Homocedasticidade para a Seacuterie Transformada
Fonte SPSS 2012
Pelo resultado do teste pode-se verificar que o valor de ldquoSigrdquo (referente ao p-value) foi de 0015 onde se
conclui que a hipoacutetese nula que leva em consideraccedilatildeo que a variacircncia da seacuterie eacute constante pode ser aceita
33 ndash MODELOS DE PREVISAtildeO
Neste trabalho seratildeo analisados os seguintes modelos de previsatildeo
1 ndash Box Jenkins
2 ndash Suavizaccedilatildeo Exponencial
Para determinar o modelo de previsatildeo mais adequado foi utilizado o software Forecast Pro for Windows (FPW)
Todas as previsotildees foram realizadas utilizando a seacuterie com a variaacutevel transformada a fim de atender o
pressuposto de normalidade da seacuterie necessaacuterio nos modelos de previsatildeo
32
Figura 11 - Seleccedilatildeo da Seacuterie para a Previsatildeo
Fonte FPW 2012
331 ndash Box-Jenkins
Apoacutes a apresentaccedilatildeo e anaacutelises dos pressupostos necessaacuterios para a aplicaccedilatildeo do modelo Box-Jenkins seratildeo
realizadas as anaacutelises que demonstram a funccedilatildeo de autocorrelaccedilatildeo (FAC) e funccedilatildeo de autocorrelaccedilatildeo parcial (FACP)
Figura 12 - FAC da Seacuterie
Fonte FPW 2012
33
Figura 13 - FACP da Seacuterie
Fonte FPW 2012
Nota-se na Figura XXX FAC da seacuterie que a seacuterie decai muito lentamente indicando tendecircncia logo faz-se
necessaacuterio realizar uma diferenciaccedilatildeo na parte simples
Apoacutes a diferenciaccedilatildeo obtiveram-se os seguintes novos graacuteficos para a funccedilatildeo de autocorrelaccedilatildeo e funccedilatildeo de
autocorrelaccedilatildeo parcial
Figura 14 - FAC da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
34
Figura 15 - FACP da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
Apoacutes a realizaccedilatildeo da diferenciaccedilatildeo os seguintes modelos foram testados
1 ndash ARIMA (110)
2 ndash ARIMA (011)
3 ndash ARIMA (210)
4 ndash ARIMA (012)
5 ndash ARIMA (111)
A seguir cada modelo seraacute demonstrado
1 ndash ARIMA (110)
Figura 16 - Resultado ARIMA (110)
Fonte FPW 2012
35
Figura 17 - FAC dos Resiacuteduos ARIMA (110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08746) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel a(1) foi considerada significativa
2 - ARIMA (011)
Figura 18 - Resultado ARIMA (011)
Fonte FPW 2012
36
Figura 19 - FAC dos Resiacuteduos ARIMA (011)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel b(1) foi considerada significativa
3 - ARIMA (210)
Figura 20 - Resultado ARIMA (210)
Fonte FPW 2012
37
Figura 21 - FAC dos Resiacuteduos ARIMA (210)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08765) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
4 - ARIMA (012)
Figura 22 - Resultado ARIMA (012)
Fonte FPW 2012
38
Figura 23 - FAC dos Resiacuteduos ARIMA (012)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08777) com lag significativo nas fases 12 24 e 36 no graacutefico da FAC dos
resiacuteduos As variaacuteveis b(1) e b(2) foram consideradas significativas
5 - ARIMA (111)
Figura 24 - Resultado ARIMA (111)
Fonte FPW 2012
39
Figura 25 - FAC dos Resiacuteduos ARIMA (111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08811) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e b(1) foi considerada significativa
Observando os resultados obtidos nos cinco modelos anteriores fica evidente a semelhanccedila da presenccedila dos
lags significativos nas fases 12 24 e 36 no graacutefico da FAC dos resiacuteduos indicando a existecircncia de sazonalidade na
seacuterie modelada Assim torna-se necessaacuterio diferenciar a fase sazonal dos dados
Apoacutes a diferenciaccedilatildeo simples foram realizadas as seguintes diferenciaccedilotildees sazonais obtendo-se os seguintes
resultados para os modelos SARIMA
6 ndash SARIMA (011)(010)
Figura 26 - Resultado SARIMA (011)(010)
Fonte FPW 2012
40
Figura 27 - FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel b(1) foi considerada significativa
7 ndash SARIMA (110)(010)
Figura 28 - Resultado SARIMA (011)(010)
Fonte FPW 2012
41
Figura 29 - FAC dos Resiacuteduos SARIMA (011)(010)
Figura 29 ndash FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08305) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel a(1) foi considerada significativa
8 ndash SARIMA (210)(010)
Figura 30 - Resultado SARIMA (210)(010)
Fonte FPW 2012
42
Figura 31 - FAC dos Resiacuteduos SARIMA (210)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08337) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
9 ndash SARIMA (012)(010)
Figura 32 - Resultado SARIMA (012)(010)
Fonte FPW 2012
43
Figura 33 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
10 ndash SARIMA (111)(010)
Figura 34 - Resultado SARIMA (111)(010)
Fonte FPW 2012
44
Figura 35 - FAC dos Resiacuteduos SARIMA (111)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 12 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1
11 ndash SARIMA (011)(110)
Figura 36 - Resultado SARIMA (011)(110)
Fonte FPW 2012
45
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08623) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis A(12) e b(1) foram consideradas significativas
12 ndash SARIMA (110)(110)
Figura 38 - Resultado SARIMA (011)(110)
Fonte FPW 2012
46
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08595) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e A(12) foram consideradas significativas
13 ndash SARIMA (210)(110)
Figura 40 - Resultado SARIMA (210)(110)
Fonte FPW 2012
47
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08620) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) a(2) e A(12) foram consideradas significativas
14 ndash SARIMA (012)(010)
Figura 42 - Resultado SARIMA (012)(010)
Fonte FPW 2012
48
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08625) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
15 ndash SARIMA (111)(110)
Figura 44 - Resultado SARIMA (111)(110)
Fonte FPW 2012
49
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08626) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 24 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1 e MA = 1
16 ndash SARIMA (011)(111)
Figura 46 - Resultado SARIMA (011)(111)
Fonte FPW 2012
50
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) e B(12) foram consideradas significativas pelo modelo
17 ndash SARIMA (110)(111)
Figura 48 - Resultado SARIMA (110)(111)
Fonte FPW 2012
51
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09010) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) e B(12) foram consideradas significativas pelo modelo
18 ndash SARIMA (210)(111)
Figura 50 - Resultado SARIMA (210)(111)
Fonte FPW 2012
52
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) a(12) e B(12) foram consideradas significativas pelo modelo
19 ndash SARIMA (012)(111)
Figura 52 ndash Resultado SARIMA (012)(111)
Fonte FPW 2012
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
19
h
1k
2
k tnQ (Equaccedilatildeo 16)
h
1k
2
k
k-
r)2(
nnnQ (Equaccedilatildeo 17)
Onde
n = nuacutemero de observaccedilotildees da seacuterie
h = maacutexima defasagem dos coeficientes de correlaccedilatildeo dos resiacuteduos
Alguns autores apresentam procedimentos para identificaccedilatildeo das ordens p e q dos modelos ARMA por meio
dos graacuteficos das FAC e FACP como exemplificado no quadro a seguir
Modelo FAC FACP
ARMA (p0) Decaimento gradativo Decaimento brusco apoacutes defasagem p
ARMA (0q) Decaimento brusco apoacutes defasagem q Decaimento gradativo
ARMA (pq) Decaimento gradativo com onda
senoidal amortecida apoacutes a
defasagem (q-p)
Decaimento gradativo com onda
senoidal amortecida apoacutes a defasagem
(p-q)
Tabela 1 - Comportamento das FAC e FACP para Modelos Estacionaacuterios
Fonte Elaborado pelos Autores
232 ndash Modelo ARIMA
Em muitos casos as seacuteries temporais encontradas possuem tendecircncia apresentando um comportamento natildeo
estacionaacuterio No entanto para aplicar o meacutetodo de Box-Jenkins eacute necessaacuterio remover a tendecircncia da seacuterie atraveacutes da
diferenciaccedilatildeo ou seja aplicar sobre a mesma o operador (1 ndash B) no modelo ARMA conforme equaccedilatildeo a seguir
tttt xBxxx )1(1
(Equaccedilatildeo 18)
Desta forma a expressatildeo do modelo ARIMA (pdq) ndash auto regressivo integrado a meacutedia moacutevel de ordem p d
q eacute a expressatildeo do modelo ARMA (pq) acrescido do fator de diferenciaccedilatildeo de ordem d responsaacutevel pela descriccedilatildeo do
comportamento de tendecircncia da seacuterie conforme representado na equaccedilatildeo a seguir
t
MA
p
p
I
t
d
AR
p
p eBBcxBBB
qdp
)()()(
111 11 (Equaccedilatildeo 19)
233 ndash Modelo ARIMA Sazonal (SARIMA)
O comportamento mais geral de seacuteries histoacutericas natildeo estacionaacuterias eacute o que combina o padratildeo de tendecircncia
com o padratildeo de sazonalidade O meacutetodo de Box-Jenkins recomenda a remoccedilatildeo tanto da tendecircncia quanto da
sazonalidade das seacuteries diferenciando-a duas vezes Eacute recomendado que a diferenciaccedilatildeo sazonal sobre a seacuterie
20
original seja feita em primeiro lugar uma vez que em alguns casos sua aplicaccedilatildeo jaacute torna a seacuterie estacionaacuteria como
mostrado na expressatildeo a seguir (para uma seacuterie com nuacutemero de periacuteodos com ciclo sazonal igual a 12)
tttt xBxxx )1( 12
12
(Equaccedilatildeo 20)
Nos casos em que se torna necessaacuteria a segunda diferenciaccedilatildeo faz necessaacuteria aplicar o operador )1( B na
mesma conforme equaccedilatildeo a seguir
ttttt xBBxBxxx 12
1
11)1( (Equaccedilatildeo 21)
24 ndash MEacuteTODO DO AMORTECIMENTO EXPONENCIAL
Historicamente o amortecimento exponencial descreve uma classe de meacutetodos de previsatildeo De fato alguns
dos meacutetodos mais utilizados para esse fim satildeo baseados nesse conceito cada um deles utilizando a propriedade em
que os pesos das observaccedilotildees mais recentes satildeo maiores do que aqueles referentes a observaccedilotildees no passado
Assim o nome ldquoamortecimento exponencialrdquo reflete no fato de que os pesos (atraveacutes do uso da meacutedia ponderada)
diminuem exponencialmente agrave medida que as observaccedilotildees satildeo mais antigas
Os primeiros registros da utilizaccedilatildeo do meacutetodo satildeo de Robert G Brown em 1944 enquanto desenvolvia
trabalhos como analista de Pesquisa Operacional na Marinha Americana enquanto desenvolvia um dispositivo
mecacircnico para monitorar a velocidade e o acircngulo de tiros disparados de submarinos Em 1950 ele estendeu o uso
desse meacutetodo para seacuteries temporais discretas incluindo termos para lidar com as componentes de sazonalidade e
tendecircncia
Paralelamente Charles Holt tambeacutem estava trabalhando em um meacutetodo de amortecimento exponencial para o
Escritoacuterio Americano de Pesquisas Navais O seu trabalho em modelos sazonais aditivos e multiplicativos se tornaram
conhecidos atraveacutes de um artigo publicado por seu estudante Peter Winters em 1960 aplicando testes empiacutericos ao
meacutetodo de Holt Como resultado a versatildeo da ferramenta que trabalha com a componente sazonal eacute denominada de
Holt-Winters
Os modelos de suavizaccedilatildeo exponencial satildeo largamente utilizados devido a sua simplicidade e baixo custo
Assim quando se necessitam previsotildees para milhares de itens como eacute o caso em muitos sistemas de gestatildeo esses
modelos satildeo muitas vezes os uacutenicos suficientemente raacutepidos e baratos para assegurar uma implementaccedilatildeo viaacutevel
Dessa forma existem trecircs classes de meacutetodos de amortecimento exponencial a saber
1 ndash Seacuteries localmente constantes analisadas pelos modelos de meacutedias moacuteveis simples ou amortecimento
exponencial
2 ndash Seacuteries com tendecircncias que utilizam o modelo de Holt
3 ndash Seacuteries com comportamento sazonal que utilizam o modelo Holt-Winters
241 ndash Meacutetodos de Amortecimento Exponencial Simples
21
O meacutetodo de suavizaccedilatildeo exponencial simples tem melhor precisatildeo para seacuteries de padratildeo horizontal isto eacute
agravequelas que natildeo apresentam tendecircncia nem sazonalidade e eacute apropriado para previsotildees de curto prazo Seu algoritmo
de previsatildeo utiliza a seguinte expressatildeo da equaccedilatildeo
ttt xxx ˆ1ˆ1 (Equaccedilatildeo 22)
Onde
1ˆtx = previsatildeo para o periacuteodo t+1
α = constante de suavizaccedilatildeo cujo valor encontra-se entre 0 e 1
tx = uacuteltimo valor observado
tx = uacuteltimo valor observado com peso (1 ndash α)
Expandindo-se a expressatildeo acima pela substituiccedilatildeo de tx 1ˆtx 2
ˆtx por seus componentes resulta em
1113211ˆ)1()1(3)1(2)1(1ˆ xxxxxxx ttttttt (Equaccedilatildeo 23)
Assim 1ˆtx eacute uma meacutedia ponderada de todas as observaccedilotildees passadas constituindo os coeficientes de
ponderaccedilatildeo uma seacuterie decrescente exponencialmente para valores de α entre 0 e 1 Dessa constataccedilatildeo origina-se o
nome amortecimento exponencial Analisando-se a uacuteltima equaccedilatildeo verifica-se que a constante de suavizaccedilatildeo α
determina a rapidez do decaimento dos coeficientes (pesos) A escolha do valor para a constante de suavizaccedilatildeo pode
ser arbitraacuteria ou condicionada a algum criteacuterio que na maioria das vezes consiste na minimizaccedilatildeo do erro quadraacutetico
meacutedio atribuiacutedo ao desempenho do meacutetodo
A constante de suavizaccedilatildeo estaacute diretamente ligada agrave velocidade de resposta das previsotildees agraves variaccedilotildees das
observaccedilotildees ou seja quanto menor o valor de α mais lenta eacute a resposta Valores maiores que α causam reaccedilotildees
mais raacutepidas das previsotildees agraves variaccedilotildees das observaccedilotildees podendo causar instabilidade no desempenho do meacutetodo
Como o peso da primeira previsatildeo 1x eacute (1 ndash α)t verifica-se que menor importacircncia um fator teraacute para a
previsatildeo de t+1 quanto mais proacuteximo de um for e quanto maior for o t Como eacute necessaacuterio ter o valor de 1x eacute feita a
suposiccedilatildeo de que 1x = 1x ou seja igual agrave uacuteltima observaccedilatildeo O erro decorrente dessa suposiccedilatildeo seraacute tanto menor
quanto maiores forem α e t
Alternativamente a expressatildeo inicial desse item pode ser representada como
1ˆtx = tx + α( tx ndash tx ) (Equaccedilatildeo 24)
1ˆtx = tx + α te (Equaccedilatildeo 25)
Atraveacutes da anaacutelise da uacuteltima equaccedilatildeo pode-se concluir que o meacutetodo de suavizaccedilatildeo exponencial simples
prevecirc o valor de uma seacuterie temporal tomando a previsatildeo para o periacuteodo anterior e ajustando-a pelo valor do erro no
mesmo periacuteodo
22
242 ndash Meacutetodo de Holt
O meacutetodo de Holt pode ser utilizado de maneira satisfatoacuteria em seacuteries temporais com tendecircncia linear
mediante o uso de uma funccedilatildeo de ponderaccedilatildeo que daacute maior importacircncia aos periacuteodos de tempo mais recentes Seu
algoritmo de previsatildeo utiliza as seguintes expressotildees
))(1( 11 tttt TLxL (Equaccedilatildeo 26)
11 )1)(( tttt TLLT (Equaccedilatildeo 27)
mtx ˆ
tt mTL (Equaccedilatildeo 28)
Onde
mtx ˆ = previsatildeo para o periacuteodo t+m
= constantes de suavizaccedilatildeo com valor entre 0 e 1 que determinam a rapidez de decaimento dos pesos
da seacuterie quanto mais proacuteximo de um maior o peso das observaccedilotildees recentes
tL = estimativa do niacutevel da seacuterie no tempo t
tT = estimativa de declividade da seacuterie no tempo t
Como o meacutetodo de Holt baseia-se na aplicaccedilatildeo recursiva das expresses anteriores satildeo necessaacuterios tambeacutem
como dados de entrada tL e tT que podem ser considerados como 1L 1x e 1T 12 xx Outra forma de caacutelculo eacute a
regressatildeo linear simples aplicada aos dados da seacuterie temporal onde se obteacutem o valor da declividade da seacuterie temporal
e de 0L em sua origem
243 ndash Meacutetodo de Winters
Os meacutetodos de Winters dividem-se em dois grupos aditivo e multiplicativo No meacutetodo aditivo a amplitude da
variaccedilatildeo sazonal eacute constante ao longo do tempo ou seja a diferenccedila entre o maior e menor valor de demanda dentro
das estaccedilotildees permanece relativamente constante no tempo No meacutetodo multiplicativo a amplitude da variaccedilatildeo sazonal
aumente ou diminui como funccedilatildeo do tempo
2431 ndash Meacutetodo Sazonal Multiplicativo de Winters
))(1( 11
tt
t
t
t TLSS
xL (Equaccedilatildeo 29)
11 )1()( tttt TLLT (Equaccedilatildeo 30)
SSL
xS t
t
t
t
1 (Equaccedilatildeo 31)
mSSmTLx tttmt ˆ (Equaccedilatildeo 32)
23
Onde
mtx ˆ = previsatildeo para o periacuteodo t+m
= constantes de suavizaccedilatildeo que variam entre 0 e 1
tx = observaccedilatildeo mais recente
tL = estimativa do niacutevel de seacuterie no tempo t
tT = estimativa de declividade da seacuterie no tempo t
tS = componente de sazonalidade no tempo t
S = nuacutemero de subperiacuteodos do ano (sazonalidade)
A escolha de valores para as constantes de suavizaccedilatildeo eacute condicionada a algum criteacuterio que na maioria das
vezes consiste na minimizaccedilatildeo por meio do algoritmo de minimizaccedilatildeo linear do erro quadraacutetico meacutedio (MSE) atribuiacutedo
ao desempenho do meacutetodo
Como o meacutetodo multiplicativo de Winters baseia-se na aplicaccedilatildeo recursiva das equaccedilotildees deste item e que
deve ser iniciada em algum periacuteodo do passado no qual os valores de TL TT e TS devem ser estimados A maneira
mais simples de inicializar o niacutevel de tendecircncia no periacuteodo S O niacutevel eacute inicializado no primeiro periacuteodo sazonal da
seguinte forma
S
Sxxxx
SL
1
321
(Equaccedilatildeo 33)
Para inicializar a tendecircncia eacute conveniente o uso de dois ciclos completos isto eacute 2S periacuteodos como descrito
abaixo
S
xx
S
xx
S
xx
ST SSSSS
S 1 2211 (Equaccedilatildeo 34)
Por ultimo os iacutendices sazonais satildeo inicializados usando-se a razatildeo das primeiras observaccedilotildees como a meacutedia
do primeiro ano com descrito a seguir
S
xS
L
11
S
xS
L
22
S
S
s
xS
L (Equaccedilatildeo 35)
2432 ndash Meacutetodo Sazonal Aditivo de Winters
O meacutetodo aditivo de Winters eacute utilizado na modelagem dos dados sazonais no qual a amplitude do ciclo
sazonal permanece constante com o passar do tempo
Aleacutem disso a amplitude da variaccedilatildeo sazonal eacute constante ao longo do tempo ou seja a diferenccedila entre o maior
e o menor valor de demanda dentro das estaccedilotildees permanece relativamente constante no tempo As equaccedilotildees
matemaacuteticas satildeo
))(1()( 11 ttttt TLSSxL (Equaccedilatildeo 36)
24
11 )1()( tttt TLLT (Equaccedilatildeo 37)
Stttt SLxS )1()( St = γ(xt - Lt) + (1- γ)St-S (Equaccedilatildeo 38)
mStttmt SmTLx ˆ (Equaccedilatildeo 39)
A segunda equaccedilatildeo deste item eacute igual agravequela do meacutetodo multiplicativo de Winters O restante das equaccedilotildees se
diferem por iacutendice sazonais serem somados e subtraiacutedos ao inveacutes de serem tomados em produtos ou divisotildees
Os valores iniciais de SL e ST satildeo iguais aos do meacutetodo multiplicativo Os iacutendices sazonais satildeo inicializados da
seguinte forma
SLxS 11 SLxS 22 SSS LxS (Equaccedilatildeo 40)
25 ndash SELECcedilAtildeO DE MODELOS
A partir do momento em que vaacuterios modelos ajustam-se a uma seacuterie temporal deve-se eleger aquele que
melhor representa o seu comportamento por meio da anaacutelise de seus paracircmetros Neste trabalho os paracircmetros seratildeo
utilizados os seguintes paracircmetros de forma primordial na definiccedilatildeo do modelo mais apropriado
251 ndash Maacuteximo R2
A estatiacutestica R2 eacute definida por
n
1t
2
2n
1t2
ˆ
1
tt
tt
xx
xx
R (Equaccedilatildeo 41)
Onde
tx = observaccedilatildeo real para o periacuteodo t
tx = previsatildeo para o periacuteodo t
Uma medida de R2 mais proacutexima de zero indica um modelo com ajuste pobre enquanto que um valor proacuteximo
de um indica um bom ajuste
252 ndash Miacutenimo BIC (Bayesian Information Criterion)
Este criteacuterio penaliza os modelos com muitos paracircmetros sendo portanto um criteacuterio de verosimilhanccedila
penalisada Vale ressaltar que o BIC natildeo deve ser utilizado de forma isolada mas em conjunto com outros paracircmetros
na comparaccedilatildeo com diversos modelos
O BIC eacute definido pela seguinte expressatildeo
25
nm
nMSEBIC2
(Equaccedilatildeo 42)
nm
tt nxxn
BIC22
n
1t
ˆ1
(Equaccedilatildeo 43)
Onde
m = nuacutemero de paracircmetros do modelo
n = nuacutemero de observaccedilotildees da seacuterie temporal
3 - DESENVOLVIMENTO
31 ndash ANAacuteLISE DA SEacuteRIE
A seacuterie a seguir apresenta os dados quantitativos da evoluccedilatildeo do volume de produccedilatildeo de caminhotildees no Brasil
Tratam-se de dados mensais entre janeiro de 1957 e dezembro de 2011 totalizando 660 observaccedilotildees
5000
10000
15000
20000
60 65 70 75 80 85 90 95 0 5 10
Legend
PRODUCAO
Figura 2 - Seacuterie de Volume de Produccedilatildeo no Brasil
Fonte Elaborado pelos Autores 2012
26
32 ndash ANAacuteLISE DESCRITIVA
O primeiro passo foi a anaacutelise descritiva da seacuterie visando obter uma anaacutelise inicial para definir o modelo de
previsatildeo mais adequado agraves suas caracteriacutesticas
Utilizando o software Minitab obteve-se a seguinte tabela
Figura 3 - Estatiacutesticas Descritivas da Seacuterie Inicial
Fonte Minitab 2012
O coeficiente de correlaccedilatildeo de Pearson indica a razatildeo entre o desvio padratildeo e a meacutedia de uma seacuterie cujo
caacutelculo eacute representado por
CV = desvio padratildeomeacutedia
Introduzindo os valores do desvio padratildeo (3515) e da meacutedia da amostra (5560) na foacutermula anterior obteacutem-se o
seguinte resultado
CV = 35155560 = 06322 ~ 63 de grau de dispersatildeo
Essa medida eacute utilizada quando se pretende comparar duas ou mais distribuiccedilotildees de probabilidade quanto agraves
suas variabilidades atuando como uma medida de variabilidade relativa
Na teoria de probabilidade o grau de simetria eacute uma medida de assimetria da distribuiccedilatildeo de valores reais
aleatoacuterios O grau de simetria pode ser positivo ou negativo ou mesmo indefinido Qualitativamente um valor negativo
em que a cauda no lado esquerdo da funccedilatildeo de densidade de probabilidade eacute maior do que o lado direito e a maioria
dos valores tende ao lado direito da meacutedia De mesma forma um valor positivo indica que a cauda no lado direito eacute
maior do que o lado esquerdo e que a maioria dos valores tende ao lado esquerdo da meacutedia O valor zero indica que
valores relativos igualmente distribuiacutedos dos dois lados ao redor da meacutedia mas natildeo necessariamente implica em uma
distribuiccedilatildeo simeacutetrica
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de grau de simetria (skewness) O valor positivo do grau de
simetria indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa conforme apresentado no
histograma a seguir
27
dados
Fre
qu
en
cy
200001600012000800040000
120
100
80
60
40
20
0
Mean 5560
StDev 3515
N 660
Histogram (with Normal Curve) of dados
Figura 4 - Histograma da Seacuterie Inicial
Fonte SPSS 2012
De forma similar o conceito de curtose trata-se da uma medida de dispersatildeo para descriccedilatildeo da forma da
distribuiccedilatildeo de probabilidades e como o grau de simetria existem formas diferentes de quantificaacute-la como uma
distribuiccedilatildeo teoacuterica e formas correspondentes de estimaacute-la a partir de uma amostra oriunda de uma populaccedilatildeo Essa
medida indica o grau de achatamento curva de distribuiccedilatildeo de probabilidade
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de curtose (kurtosis) O valor positivo do grau de simetria
indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa O valor positivo indica um
comportamento leptocuacutertica indicando que a mesma eacute mais alta e mais concentrada que a distribuiccedilatildeo normal
O Teste de Normalidade realizado com 95 de niacutevel de confianccedila gerou um p-value nulo ou seja abaixo dos
5 de significacircncia Desta maneira a hipoacutetese nula de que os dados apresentariam uma distribuiccedilatildeo normal foi
rejeitada
Tests of Normality
105 660 000 860 660 000VAR00001
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 5 - Teste de Normalidade da Seacuterie Inicial
Fonte SPSS 2012
28
O teste de Kolmogorov-Smirnov eacute utilizado para determinar se duas distribuiccedilotildees de probabilidade diferem uma
da outra ou natildeo O graacutefico abaixo referente a este testem evidencia o comportamento da distribuiccedilatildeo frente ao
comportamento da distribuiccedilatildeo normal
dados
Pe
rce
nt
2500020000150001000050000-5000-10000
9999
99
95
80
50
20
5
1
001
Mean
lt0010
5560
StDev 3515
N 660
KS 0105
P-Value
Teste de Normalidade Kolmogorov-SmirnovNormal
Figura 6 - Teste de Kolmogorov-Smirnov para a Seacuterie Inicial
Fonte SPSS 2012
Assim faz-se necessaacuterio uma transformaccedilatildeo na seacuterie para adequaccedilatildeo dos dados para uma distribuiccedilatildeo
normal Para tal modificaccedilatildeo neste trabalho foi utilizada a distribuiccedilatildeo logariacutetmica na base 10
Apoacutes a transformaccedilatildeo o teste de normalidade foi realizado novamente (tambeacutem com 95 de significacircncia) O
resultado eacute apresentado na tabela a seguir
Tests of Normality
042 660 007 994 660 009log10
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 7 - Teste de Normalidade para a Seacuterie Transformada
Fonte SPSS 2012
Conforme pode ser observado na tabela acima o p-value foi proacuteximo de 001 menor que 005 Apesar do
pressuposto de normalidade dos dados natildeo ter sido alcanccedilado esta base de dados seraacute utilizada nas modelagens
para fins acadecircmicos e seraacute tomado como premissa que a distribuiccedilatildeo estaacute normalizada
29
O teste graacutefico de normalidade de Kolmogorov-Smirnov foi realizado para a distribuiccedilatildeo transformada O
graacutefico abaixo evidencia o comportamento dos dados da distribuiccedilatildeo frente ao comportamento da distribuiccedilatildeo normal
auxiliando na conclusatildeo do teste anterior
log 10
Pe
rce
nt
4540353025
9999
99
95
80
50
20
5
1
001
Mean
lt0010
3668
StDev 02593
N 660
KS 0042
P-Value
Teste de Normalidade Kolmogorov-Smirnov - log 10Normal
Figura 8 - Teste de Kolmogorov-Smirnov para a Seacuterie Transformada
Fonte SPSS 2012
A seguir tem-se o histograma da seacuterie transformada evidenciando a mudanccedila do comportamento dos dados
30
log 10
Fre
qu
en
cy
42403836343230
70
60
50
40
30
20
10
0
Mean 3668
StDev 02593
N 660
Histogram of log 10Normal
Figura 9 - Histograma da Seacuterie Transformada
Fonte SPSS 2012
O teste da igualdade de variacircncias eacute aplicado com o objetivo de verificar se devem ou natildeo ser assumidas
igualdade entre as variacircncias das populaccedilotildees Para isso foi utilizado na anaacutelise o Teste de Levene cujas hipoacuteteses
satildeo as seguintes
H0 as variacircncias nas duas populaccedilotildees satildeo iguais ou seja existe homocedasticidade (σ1 = σ2 ou σ1 = σ2 = 0)
Neste caso assume-se a estatiacutestica Sig F gt 005
H1 as variacircncias nas duas populaccedilotildees satildeo diferentes ou seja natildeo existe homocedasticidade (σ1 ne σ2 ou σ1 ne
σ2 ne 0) Neste caso assume-se a estatiacutestica Sig F lt ou = 005
Para a realizaccedilatildeo do teste dividiu-se a populaccedilatildeo em dois grupos iguais (grupos denominados como 0 e 1
cada um com 330 unidades) Os resultados satildeo os seguintes
31
Group Statistics
330 35473 23553 01297
330 37896 22313 01228
Teste de Lev ene0
1
log10N Mean Std Dev iation
Std Error
Mean
Independent Samples Test
5981 015 -13569 658 000 -24235 01786 -27742 -20728
-13569 656086 000 -24235 01786 -27742 -20728
Equal variances
assumed
Equal variances
not assumed
log10F Sig
Lev enes Test for
Equality of Variances
t df Sig (2-tailed)
Mean
Dif f erence
Std Error
Dif f erence Lower Upper
95 Conf idence
Interv al of the
Dif f erence
t-test f or Equality of Means
Figura 10 - Teste de Homocedasticidade para a Seacuterie Transformada
Fonte SPSS 2012
Pelo resultado do teste pode-se verificar que o valor de ldquoSigrdquo (referente ao p-value) foi de 0015 onde se
conclui que a hipoacutetese nula que leva em consideraccedilatildeo que a variacircncia da seacuterie eacute constante pode ser aceita
33 ndash MODELOS DE PREVISAtildeO
Neste trabalho seratildeo analisados os seguintes modelos de previsatildeo
1 ndash Box Jenkins
2 ndash Suavizaccedilatildeo Exponencial
Para determinar o modelo de previsatildeo mais adequado foi utilizado o software Forecast Pro for Windows (FPW)
Todas as previsotildees foram realizadas utilizando a seacuterie com a variaacutevel transformada a fim de atender o
pressuposto de normalidade da seacuterie necessaacuterio nos modelos de previsatildeo
32
Figura 11 - Seleccedilatildeo da Seacuterie para a Previsatildeo
Fonte FPW 2012
331 ndash Box-Jenkins
Apoacutes a apresentaccedilatildeo e anaacutelises dos pressupostos necessaacuterios para a aplicaccedilatildeo do modelo Box-Jenkins seratildeo
realizadas as anaacutelises que demonstram a funccedilatildeo de autocorrelaccedilatildeo (FAC) e funccedilatildeo de autocorrelaccedilatildeo parcial (FACP)
Figura 12 - FAC da Seacuterie
Fonte FPW 2012
33
Figura 13 - FACP da Seacuterie
Fonte FPW 2012
Nota-se na Figura XXX FAC da seacuterie que a seacuterie decai muito lentamente indicando tendecircncia logo faz-se
necessaacuterio realizar uma diferenciaccedilatildeo na parte simples
Apoacutes a diferenciaccedilatildeo obtiveram-se os seguintes novos graacuteficos para a funccedilatildeo de autocorrelaccedilatildeo e funccedilatildeo de
autocorrelaccedilatildeo parcial
Figura 14 - FAC da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
34
Figura 15 - FACP da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
Apoacutes a realizaccedilatildeo da diferenciaccedilatildeo os seguintes modelos foram testados
1 ndash ARIMA (110)
2 ndash ARIMA (011)
3 ndash ARIMA (210)
4 ndash ARIMA (012)
5 ndash ARIMA (111)
A seguir cada modelo seraacute demonstrado
1 ndash ARIMA (110)
Figura 16 - Resultado ARIMA (110)
Fonte FPW 2012
35
Figura 17 - FAC dos Resiacuteduos ARIMA (110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08746) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel a(1) foi considerada significativa
2 - ARIMA (011)
Figura 18 - Resultado ARIMA (011)
Fonte FPW 2012
36
Figura 19 - FAC dos Resiacuteduos ARIMA (011)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel b(1) foi considerada significativa
3 - ARIMA (210)
Figura 20 - Resultado ARIMA (210)
Fonte FPW 2012
37
Figura 21 - FAC dos Resiacuteduos ARIMA (210)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08765) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
4 - ARIMA (012)
Figura 22 - Resultado ARIMA (012)
Fonte FPW 2012
38
Figura 23 - FAC dos Resiacuteduos ARIMA (012)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08777) com lag significativo nas fases 12 24 e 36 no graacutefico da FAC dos
resiacuteduos As variaacuteveis b(1) e b(2) foram consideradas significativas
5 - ARIMA (111)
Figura 24 - Resultado ARIMA (111)
Fonte FPW 2012
39
Figura 25 - FAC dos Resiacuteduos ARIMA (111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08811) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e b(1) foi considerada significativa
Observando os resultados obtidos nos cinco modelos anteriores fica evidente a semelhanccedila da presenccedila dos
lags significativos nas fases 12 24 e 36 no graacutefico da FAC dos resiacuteduos indicando a existecircncia de sazonalidade na
seacuterie modelada Assim torna-se necessaacuterio diferenciar a fase sazonal dos dados
Apoacutes a diferenciaccedilatildeo simples foram realizadas as seguintes diferenciaccedilotildees sazonais obtendo-se os seguintes
resultados para os modelos SARIMA
6 ndash SARIMA (011)(010)
Figura 26 - Resultado SARIMA (011)(010)
Fonte FPW 2012
40
Figura 27 - FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel b(1) foi considerada significativa
7 ndash SARIMA (110)(010)
Figura 28 - Resultado SARIMA (011)(010)
Fonte FPW 2012
41
Figura 29 - FAC dos Resiacuteduos SARIMA (011)(010)
Figura 29 ndash FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08305) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel a(1) foi considerada significativa
8 ndash SARIMA (210)(010)
Figura 30 - Resultado SARIMA (210)(010)
Fonte FPW 2012
42
Figura 31 - FAC dos Resiacuteduos SARIMA (210)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08337) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
9 ndash SARIMA (012)(010)
Figura 32 - Resultado SARIMA (012)(010)
Fonte FPW 2012
43
Figura 33 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
10 ndash SARIMA (111)(010)
Figura 34 - Resultado SARIMA (111)(010)
Fonte FPW 2012
44
Figura 35 - FAC dos Resiacuteduos SARIMA (111)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 12 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1
11 ndash SARIMA (011)(110)
Figura 36 - Resultado SARIMA (011)(110)
Fonte FPW 2012
45
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08623) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis A(12) e b(1) foram consideradas significativas
12 ndash SARIMA (110)(110)
Figura 38 - Resultado SARIMA (011)(110)
Fonte FPW 2012
46
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08595) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e A(12) foram consideradas significativas
13 ndash SARIMA (210)(110)
Figura 40 - Resultado SARIMA (210)(110)
Fonte FPW 2012
47
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08620) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) a(2) e A(12) foram consideradas significativas
14 ndash SARIMA (012)(010)
Figura 42 - Resultado SARIMA (012)(010)
Fonte FPW 2012
48
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08625) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
15 ndash SARIMA (111)(110)
Figura 44 - Resultado SARIMA (111)(110)
Fonte FPW 2012
49
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08626) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 24 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1 e MA = 1
16 ndash SARIMA (011)(111)
Figura 46 - Resultado SARIMA (011)(111)
Fonte FPW 2012
50
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) e B(12) foram consideradas significativas pelo modelo
17 ndash SARIMA (110)(111)
Figura 48 - Resultado SARIMA (110)(111)
Fonte FPW 2012
51
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09010) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) e B(12) foram consideradas significativas pelo modelo
18 ndash SARIMA (210)(111)
Figura 50 - Resultado SARIMA (210)(111)
Fonte FPW 2012
52
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) a(12) e B(12) foram consideradas significativas pelo modelo
19 ndash SARIMA (012)(111)
Figura 52 ndash Resultado SARIMA (012)(111)
Fonte FPW 2012
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
20
original seja feita em primeiro lugar uma vez que em alguns casos sua aplicaccedilatildeo jaacute torna a seacuterie estacionaacuteria como
mostrado na expressatildeo a seguir (para uma seacuterie com nuacutemero de periacuteodos com ciclo sazonal igual a 12)
tttt xBxxx )1( 12
12
(Equaccedilatildeo 20)
Nos casos em que se torna necessaacuteria a segunda diferenciaccedilatildeo faz necessaacuteria aplicar o operador )1( B na
mesma conforme equaccedilatildeo a seguir
ttttt xBBxBxxx 12
1
11)1( (Equaccedilatildeo 21)
24 ndash MEacuteTODO DO AMORTECIMENTO EXPONENCIAL
Historicamente o amortecimento exponencial descreve uma classe de meacutetodos de previsatildeo De fato alguns
dos meacutetodos mais utilizados para esse fim satildeo baseados nesse conceito cada um deles utilizando a propriedade em
que os pesos das observaccedilotildees mais recentes satildeo maiores do que aqueles referentes a observaccedilotildees no passado
Assim o nome ldquoamortecimento exponencialrdquo reflete no fato de que os pesos (atraveacutes do uso da meacutedia ponderada)
diminuem exponencialmente agrave medida que as observaccedilotildees satildeo mais antigas
Os primeiros registros da utilizaccedilatildeo do meacutetodo satildeo de Robert G Brown em 1944 enquanto desenvolvia
trabalhos como analista de Pesquisa Operacional na Marinha Americana enquanto desenvolvia um dispositivo
mecacircnico para monitorar a velocidade e o acircngulo de tiros disparados de submarinos Em 1950 ele estendeu o uso
desse meacutetodo para seacuteries temporais discretas incluindo termos para lidar com as componentes de sazonalidade e
tendecircncia
Paralelamente Charles Holt tambeacutem estava trabalhando em um meacutetodo de amortecimento exponencial para o
Escritoacuterio Americano de Pesquisas Navais O seu trabalho em modelos sazonais aditivos e multiplicativos se tornaram
conhecidos atraveacutes de um artigo publicado por seu estudante Peter Winters em 1960 aplicando testes empiacutericos ao
meacutetodo de Holt Como resultado a versatildeo da ferramenta que trabalha com a componente sazonal eacute denominada de
Holt-Winters
Os modelos de suavizaccedilatildeo exponencial satildeo largamente utilizados devido a sua simplicidade e baixo custo
Assim quando se necessitam previsotildees para milhares de itens como eacute o caso em muitos sistemas de gestatildeo esses
modelos satildeo muitas vezes os uacutenicos suficientemente raacutepidos e baratos para assegurar uma implementaccedilatildeo viaacutevel
Dessa forma existem trecircs classes de meacutetodos de amortecimento exponencial a saber
1 ndash Seacuteries localmente constantes analisadas pelos modelos de meacutedias moacuteveis simples ou amortecimento
exponencial
2 ndash Seacuteries com tendecircncias que utilizam o modelo de Holt
3 ndash Seacuteries com comportamento sazonal que utilizam o modelo Holt-Winters
241 ndash Meacutetodos de Amortecimento Exponencial Simples
21
O meacutetodo de suavizaccedilatildeo exponencial simples tem melhor precisatildeo para seacuteries de padratildeo horizontal isto eacute
agravequelas que natildeo apresentam tendecircncia nem sazonalidade e eacute apropriado para previsotildees de curto prazo Seu algoritmo
de previsatildeo utiliza a seguinte expressatildeo da equaccedilatildeo
ttt xxx ˆ1ˆ1 (Equaccedilatildeo 22)
Onde
1ˆtx = previsatildeo para o periacuteodo t+1
α = constante de suavizaccedilatildeo cujo valor encontra-se entre 0 e 1
tx = uacuteltimo valor observado
tx = uacuteltimo valor observado com peso (1 ndash α)
Expandindo-se a expressatildeo acima pela substituiccedilatildeo de tx 1ˆtx 2
ˆtx por seus componentes resulta em
1113211ˆ)1()1(3)1(2)1(1ˆ xxxxxxx ttttttt (Equaccedilatildeo 23)
Assim 1ˆtx eacute uma meacutedia ponderada de todas as observaccedilotildees passadas constituindo os coeficientes de
ponderaccedilatildeo uma seacuterie decrescente exponencialmente para valores de α entre 0 e 1 Dessa constataccedilatildeo origina-se o
nome amortecimento exponencial Analisando-se a uacuteltima equaccedilatildeo verifica-se que a constante de suavizaccedilatildeo α
determina a rapidez do decaimento dos coeficientes (pesos) A escolha do valor para a constante de suavizaccedilatildeo pode
ser arbitraacuteria ou condicionada a algum criteacuterio que na maioria das vezes consiste na minimizaccedilatildeo do erro quadraacutetico
meacutedio atribuiacutedo ao desempenho do meacutetodo
A constante de suavizaccedilatildeo estaacute diretamente ligada agrave velocidade de resposta das previsotildees agraves variaccedilotildees das
observaccedilotildees ou seja quanto menor o valor de α mais lenta eacute a resposta Valores maiores que α causam reaccedilotildees
mais raacutepidas das previsotildees agraves variaccedilotildees das observaccedilotildees podendo causar instabilidade no desempenho do meacutetodo
Como o peso da primeira previsatildeo 1x eacute (1 ndash α)t verifica-se que menor importacircncia um fator teraacute para a
previsatildeo de t+1 quanto mais proacuteximo de um for e quanto maior for o t Como eacute necessaacuterio ter o valor de 1x eacute feita a
suposiccedilatildeo de que 1x = 1x ou seja igual agrave uacuteltima observaccedilatildeo O erro decorrente dessa suposiccedilatildeo seraacute tanto menor
quanto maiores forem α e t
Alternativamente a expressatildeo inicial desse item pode ser representada como
1ˆtx = tx + α( tx ndash tx ) (Equaccedilatildeo 24)
1ˆtx = tx + α te (Equaccedilatildeo 25)
Atraveacutes da anaacutelise da uacuteltima equaccedilatildeo pode-se concluir que o meacutetodo de suavizaccedilatildeo exponencial simples
prevecirc o valor de uma seacuterie temporal tomando a previsatildeo para o periacuteodo anterior e ajustando-a pelo valor do erro no
mesmo periacuteodo
22
242 ndash Meacutetodo de Holt
O meacutetodo de Holt pode ser utilizado de maneira satisfatoacuteria em seacuteries temporais com tendecircncia linear
mediante o uso de uma funccedilatildeo de ponderaccedilatildeo que daacute maior importacircncia aos periacuteodos de tempo mais recentes Seu
algoritmo de previsatildeo utiliza as seguintes expressotildees
))(1( 11 tttt TLxL (Equaccedilatildeo 26)
11 )1)(( tttt TLLT (Equaccedilatildeo 27)
mtx ˆ
tt mTL (Equaccedilatildeo 28)
Onde
mtx ˆ = previsatildeo para o periacuteodo t+m
= constantes de suavizaccedilatildeo com valor entre 0 e 1 que determinam a rapidez de decaimento dos pesos
da seacuterie quanto mais proacuteximo de um maior o peso das observaccedilotildees recentes
tL = estimativa do niacutevel da seacuterie no tempo t
tT = estimativa de declividade da seacuterie no tempo t
Como o meacutetodo de Holt baseia-se na aplicaccedilatildeo recursiva das expresses anteriores satildeo necessaacuterios tambeacutem
como dados de entrada tL e tT que podem ser considerados como 1L 1x e 1T 12 xx Outra forma de caacutelculo eacute a
regressatildeo linear simples aplicada aos dados da seacuterie temporal onde se obteacutem o valor da declividade da seacuterie temporal
e de 0L em sua origem
243 ndash Meacutetodo de Winters
Os meacutetodos de Winters dividem-se em dois grupos aditivo e multiplicativo No meacutetodo aditivo a amplitude da
variaccedilatildeo sazonal eacute constante ao longo do tempo ou seja a diferenccedila entre o maior e menor valor de demanda dentro
das estaccedilotildees permanece relativamente constante no tempo No meacutetodo multiplicativo a amplitude da variaccedilatildeo sazonal
aumente ou diminui como funccedilatildeo do tempo
2431 ndash Meacutetodo Sazonal Multiplicativo de Winters
))(1( 11
tt
t
t
t TLSS
xL (Equaccedilatildeo 29)
11 )1()( tttt TLLT (Equaccedilatildeo 30)
SSL
xS t
t
t
t
1 (Equaccedilatildeo 31)
mSSmTLx tttmt ˆ (Equaccedilatildeo 32)
23
Onde
mtx ˆ = previsatildeo para o periacuteodo t+m
= constantes de suavizaccedilatildeo que variam entre 0 e 1
tx = observaccedilatildeo mais recente
tL = estimativa do niacutevel de seacuterie no tempo t
tT = estimativa de declividade da seacuterie no tempo t
tS = componente de sazonalidade no tempo t
S = nuacutemero de subperiacuteodos do ano (sazonalidade)
A escolha de valores para as constantes de suavizaccedilatildeo eacute condicionada a algum criteacuterio que na maioria das
vezes consiste na minimizaccedilatildeo por meio do algoritmo de minimizaccedilatildeo linear do erro quadraacutetico meacutedio (MSE) atribuiacutedo
ao desempenho do meacutetodo
Como o meacutetodo multiplicativo de Winters baseia-se na aplicaccedilatildeo recursiva das equaccedilotildees deste item e que
deve ser iniciada em algum periacuteodo do passado no qual os valores de TL TT e TS devem ser estimados A maneira
mais simples de inicializar o niacutevel de tendecircncia no periacuteodo S O niacutevel eacute inicializado no primeiro periacuteodo sazonal da
seguinte forma
S
Sxxxx
SL
1
321
(Equaccedilatildeo 33)
Para inicializar a tendecircncia eacute conveniente o uso de dois ciclos completos isto eacute 2S periacuteodos como descrito
abaixo
S
xx
S
xx
S
xx
ST SSSSS
S 1 2211 (Equaccedilatildeo 34)
Por ultimo os iacutendices sazonais satildeo inicializados usando-se a razatildeo das primeiras observaccedilotildees como a meacutedia
do primeiro ano com descrito a seguir
S
xS
L
11
S
xS
L
22
S
S
s
xS
L (Equaccedilatildeo 35)
2432 ndash Meacutetodo Sazonal Aditivo de Winters
O meacutetodo aditivo de Winters eacute utilizado na modelagem dos dados sazonais no qual a amplitude do ciclo
sazonal permanece constante com o passar do tempo
Aleacutem disso a amplitude da variaccedilatildeo sazonal eacute constante ao longo do tempo ou seja a diferenccedila entre o maior
e o menor valor de demanda dentro das estaccedilotildees permanece relativamente constante no tempo As equaccedilotildees
matemaacuteticas satildeo
))(1()( 11 ttttt TLSSxL (Equaccedilatildeo 36)
24
11 )1()( tttt TLLT (Equaccedilatildeo 37)
Stttt SLxS )1()( St = γ(xt - Lt) + (1- γ)St-S (Equaccedilatildeo 38)
mStttmt SmTLx ˆ (Equaccedilatildeo 39)
A segunda equaccedilatildeo deste item eacute igual agravequela do meacutetodo multiplicativo de Winters O restante das equaccedilotildees se
diferem por iacutendice sazonais serem somados e subtraiacutedos ao inveacutes de serem tomados em produtos ou divisotildees
Os valores iniciais de SL e ST satildeo iguais aos do meacutetodo multiplicativo Os iacutendices sazonais satildeo inicializados da
seguinte forma
SLxS 11 SLxS 22 SSS LxS (Equaccedilatildeo 40)
25 ndash SELECcedilAtildeO DE MODELOS
A partir do momento em que vaacuterios modelos ajustam-se a uma seacuterie temporal deve-se eleger aquele que
melhor representa o seu comportamento por meio da anaacutelise de seus paracircmetros Neste trabalho os paracircmetros seratildeo
utilizados os seguintes paracircmetros de forma primordial na definiccedilatildeo do modelo mais apropriado
251 ndash Maacuteximo R2
A estatiacutestica R2 eacute definida por
n
1t
2
2n
1t2
ˆ
1
tt
tt
xx
xx
R (Equaccedilatildeo 41)
Onde
tx = observaccedilatildeo real para o periacuteodo t
tx = previsatildeo para o periacuteodo t
Uma medida de R2 mais proacutexima de zero indica um modelo com ajuste pobre enquanto que um valor proacuteximo
de um indica um bom ajuste
252 ndash Miacutenimo BIC (Bayesian Information Criterion)
Este criteacuterio penaliza os modelos com muitos paracircmetros sendo portanto um criteacuterio de verosimilhanccedila
penalisada Vale ressaltar que o BIC natildeo deve ser utilizado de forma isolada mas em conjunto com outros paracircmetros
na comparaccedilatildeo com diversos modelos
O BIC eacute definido pela seguinte expressatildeo
25
nm
nMSEBIC2
(Equaccedilatildeo 42)
nm
tt nxxn
BIC22
n
1t
ˆ1
(Equaccedilatildeo 43)
Onde
m = nuacutemero de paracircmetros do modelo
n = nuacutemero de observaccedilotildees da seacuterie temporal
3 - DESENVOLVIMENTO
31 ndash ANAacuteLISE DA SEacuteRIE
A seacuterie a seguir apresenta os dados quantitativos da evoluccedilatildeo do volume de produccedilatildeo de caminhotildees no Brasil
Tratam-se de dados mensais entre janeiro de 1957 e dezembro de 2011 totalizando 660 observaccedilotildees
5000
10000
15000
20000
60 65 70 75 80 85 90 95 0 5 10
Legend
PRODUCAO
Figura 2 - Seacuterie de Volume de Produccedilatildeo no Brasil
Fonte Elaborado pelos Autores 2012
26
32 ndash ANAacuteLISE DESCRITIVA
O primeiro passo foi a anaacutelise descritiva da seacuterie visando obter uma anaacutelise inicial para definir o modelo de
previsatildeo mais adequado agraves suas caracteriacutesticas
Utilizando o software Minitab obteve-se a seguinte tabela
Figura 3 - Estatiacutesticas Descritivas da Seacuterie Inicial
Fonte Minitab 2012
O coeficiente de correlaccedilatildeo de Pearson indica a razatildeo entre o desvio padratildeo e a meacutedia de uma seacuterie cujo
caacutelculo eacute representado por
CV = desvio padratildeomeacutedia
Introduzindo os valores do desvio padratildeo (3515) e da meacutedia da amostra (5560) na foacutermula anterior obteacutem-se o
seguinte resultado
CV = 35155560 = 06322 ~ 63 de grau de dispersatildeo
Essa medida eacute utilizada quando se pretende comparar duas ou mais distribuiccedilotildees de probabilidade quanto agraves
suas variabilidades atuando como uma medida de variabilidade relativa
Na teoria de probabilidade o grau de simetria eacute uma medida de assimetria da distribuiccedilatildeo de valores reais
aleatoacuterios O grau de simetria pode ser positivo ou negativo ou mesmo indefinido Qualitativamente um valor negativo
em que a cauda no lado esquerdo da funccedilatildeo de densidade de probabilidade eacute maior do que o lado direito e a maioria
dos valores tende ao lado direito da meacutedia De mesma forma um valor positivo indica que a cauda no lado direito eacute
maior do que o lado esquerdo e que a maioria dos valores tende ao lado esquerdo da meacutedia O valor zero indica que
valores relativos igualmente distribuiacutedos dos dois lados ao redor da meacutedia mas natildeo necessariamente implica em uma
distribuiccedilatildeo simeacutetrica
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de grau de simetria (skewness) O valor positivo do grau de
simetria indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa conforme apresentado no
histograma a seguir
27
dados
Fre
qu
en
cy
200001600012000800040000
120
100
80
60
40
20
0
Mean 5560
StDev 3515
N 660
Histogram (with Normal Curve) of dados
Figura 4 - Histograma da Seacuterie Inicial
Fonte SPSS 2012
De forma similar o conceito de curtose trata-se da uma medida de dispersatildeo para descriccedilatildeo da forma da
distribuiccedilatildeo de probabilidades e como o grau de simetria existem formas diferentes de quantificaacute-la como uma
distribuiccedilatildeo teoacuterica e formas correspondentes de estimaacute-la a partir de uma amostra oriunda de uma populaccedilatildeo Essa
medida indica o grau de achatamento curva de distribuiccedilatildeo de probabilidade
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de curtose (kurtosis) O valor positivo do grau de simetria
indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa O valor positivo indica um
comportamento leptocuacutertica indicando que a mesma eacute mais alta e mais concentrada que a distribuiccedilatildeo normal
O Teste de Normalidade realizado com 95 de niacutevel de confianccedila gerou um p-value nulo ou seja abaixo dos
5 de significacircncia Desta maneira a hipoacutetese nula de que os dados apresentariam uma distribuiccedilatildeo normal foi
rejeitada
Tests of Normality
105 660 000 860 660 000VAR00001
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 5 - Teste de Normalidade da Seacuterie Inicial
Fonte SPSS 2012
28
O teste de Kolmogorov-Smirnov eacute utilizado para determinar se duas distribuiccedilotildees de probabilidade diferem uma
da outra ou natildeo O graacutefico abaixo referente a este testem evidencia o comportamento da distribuiccedilatildeo frente ao
comportamento da distribuiccedilatildeo normal
dados
Pe
rce
nt
2500020000150001000050000-5000-10000
9999
99
95
80
50
20
5
1
001
Mean
lt0010
5560
StDev 3515
N 660
KS 0105
P-Value
Teste de Normalidade Kolmogorov-SmirnovNormal
Figura 6 - Teste de Kolmogorov-Smirnov para a Seacuterie Inicial
Fonte SPSS 2012
Assim faz-se necessaacuterio uma transformaccedilatildeo na seacuterie para adequaccedilatildeo dos dados para uma distribuiccedilatildeo
normal Para tal modificaccedilatildeo neste trabalho foi utilizada a distribuiccedilatildeo logariacutetmica na base 10
Apoacutes a transformaccedilatildeo o teste de normalidade foi realizado novamente (tambeacutem com 95 de significacircncia) O
resultado eacute apresentado na tabela a seguir
Tests of Normality
042 660 007 994 660 009log10
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 7 - Teste de Normalidade para a Seacuterie Transformada
Fonte SPSS 2012
Conforme pode ser observado na tabela acima o p-value foi proacuteximo de 001 menor que 005 Apesar do
pressuposto de normalidade dos dados natildeo ter sido alcanccedilado esta base de dados seraacute utilizada nas modelagens
para fins acadecircmicos e seraacute tomado como premissa que a distribuiccedilatildeo estaacute normalizada
29
O teste graacutefico de normalidade de Kolmogorov-Smirnov foi realizado para a distribuiccedilatildeo transformada O
graacutefico abaixo evidencia o comportamento dos dados da distribuiccedilatildeo frente ao comportamento da distribuiccedilatildeo normal
auxiliando na conclusatildeo do teste anterior
log 10
Pe
rce
nt
4540353025
9999
99
95
80
50
20
5
1
001
Mean
lt0010
3668
StDev 02593
N 660
KS 0042
P-Value
Teste de Normalidade Kolmogorov-Smirnov - log 10Normal
Figura 8 - Teste de Kolmogorov-Smirnov para a Seacuterie Transformada
Fonte SPSS 2012
A seguir tem-se o histograma da seacuterie transformada evidenciando a mudanccedila do comportamento dos dados
30
log 10
Fre
qu
en
cy
42403836343230
70
60
50
40
30
20
10
0
Mean 3668
StDev 02593
N 660
Histogram of log 10Normal
Figura 9 - Histograma da Seacuterie Transformada
Fonte SPSS 2012
O teste da igualdade de variacircncias eacute aplicado com o objetivo de verificar se devem ou natildeo ser assumidas
igualdade entre as variacircncias das populaccedilotildees Para isso foi utilizado na anaacutelise o Teste de Levene cujas hipoacuteteses
satildeo as seguintes
H0 as variacircncias nas duas populaccedilotildees satildeo iguais ou seja existe homocedasticidade (σ1 = σ2 ou σ1 = σ2 = 0)
Neste caso assume-se a estatiacutestica Sig F gt 005
H1 as variacircncias nas duas populaccedilotildees satildeo diferentes ou seja natildeo existe homocedasticidade (σ1 ne σ2 ou σ1 ne
σ2 ne 0) Neste caso assume-se a estatiacutestica Sig F lt ou = 005
Para a realizaccedilatildeo do teste dividiu-se a populaccedilatildeo em dois grupos iguais (grupos denominados como 0 e 1
cada um com 330 unidades) Os resultados satildeo os seguintes
31
Group Statistics
330 35473 23553 01297
330 37896 22313 01228
Teste de Lev ene0
1
log10N Mean Std Dev iation
Std Error
Mean
Independent Samples Test
5981 015 -13569 658 000 -24235 01786 -27742 -20728
-13569 656086 000 -24235 01786 -27742 -20728
Equal variances
assumed
Equal variances
not assumed
log10F Sig
Lev enes Test for
Equality of Variances
t df Sig (2-tailed)
Mean
Dif f erence
Std Error
Dif f erence Lower Upper
95 Conf idence
Interv al of the
Dif f erence
t-test f or Equality of Means
Figura 10 - Teste de Homocedasticidade para a Seacuterie Transformada
Fonte SPSS 2012
Pelo resultado do teste pode-se verificar que o valor de ldquoSigrdquo (referente ao p-value) foi de 0015 onde se
conclui que a hipoacutetese nula que leva em consideraccedilatildeo que a variacircncia da seacuterie eacute constante pode ser aceita
33 ndash MODELOS DE PREVISAtildeO
Neste trabalho seratildeo analisados os seguintes modelos de previsatildeo
1 ndash Box Jenkins
2 ndash Suavizaccedilatildeo Exponencial
Para determinar o modelo de previsatildeo mais adequado foi utilizado o software Forecast Pro for Windows (FPW)
Todas as previsotildees foram realizadas utilizando a seacuterie com a variaacutevel transformada a fim de atender o
pressuposto de normalidade da seacuterie necessaacuterio nos modelos de previsatildeo
32
Figura 11 - Seleccedilatildeo da Seacuterie para a Previsatildeo
Fonte FPW 2012
331 ndash Box-Jenkins
Apoacutes a apresentaccedilatildeo e anaacutelises dos pressupostos necessaacuterios para a aplicaccedilatildeo do modelo Box-Jenkins seratildeo
realizadas as anaacutelises que demonstram a funccedilatildeo de autocorrelaccedilatildeo (FAC) e funccedilatildeo de autocorrelaccedilatildeo parcial (FACP)
Figura 12 - FAC da Seacuterie
Fonte FPW 2012
33
Figura 13 - FACP da Seacuterie
Fonte FPW 2012
Nota-se na Figura XXX FAC da seacuterie que a seacuterie decai muito lentamente indicando tendecircncia logo faz-se
necessaacuterio realizar uma diferenciaccedilatildeo na parte simples
Apoacutes a diferenciaccedilatildeo obtiveram-se os seguintes novos graacuteficos para a funccedilatildeo de autocorrelaccedilatildeo e funccedilatildeo de
autocorrelaccedilatildeo parcial
Figura 14 - FAC da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
34
Figura 15 - FACP da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
Apoacutes a realizaccedilatildeo da diferenciaccedilatildeo os seguintes modelos foram testados
1 ndash ARIMA (110)
2 ndash ARIMA (011)
3 ndash ARIMA (210)
4 ndash ARIMA (012)
5 ndash ARIMA (111)
A seguir cada modelo seraacute demonstrado
1 ndash ARIMA (110)
Figura 16 - Resultado ARIMA (110)
Fonte FPW 2012
35
Figura 17 - FAC dos Resiacuteduos ARIMA (110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08746) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel a(1) foi considerada significativa
2 - ARIMA (011)
Figura 18 - Resultado ARIMA (011)
Fonte FPW 2012
36
Figura 19 - FAC dos Resiacuteduos ARIMA (011)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel b(1) foi considerada significativa
3 - ARIMA (210)
Figura 20 - Resultado ARIMA (210)
Fonte FPW 2012
37
Figura 21 - FAC dos Resiacuteduos ARIMA (210)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08765) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
4 - ARIMA (012)
Figura 22 - Resultado ARIMA (012)
Fonte FPW 2012
38
Figura 23 - FAC dos Resiacuteduos ARIMA (012)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08777) com lag significativo nas fases 12 24 e 36 no graacutefico da FAC dos
resiacuteduos As variaacuteveis b(1) e b(2) foram consideradas significativas
5 - ARIMA (111)
Figura 24 - Resultado ARIMA (111)
Fonte FPW 2012
39
Figura 25 - FAC dos Resiacuteduos ARIMA (111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08811) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e b(1) foi considerada significativa
Observando os resultados obtidos nos cinco modelos anteriores fica evidente a semelhanccedila da presenccedila dos
lags significativos nas fases 12 24 e 36 no graacutefico da FAC dos resiacuteduos indicando a existecircncia de sazonalidade na
seacuterie modelada Assim torna-se necessaacuterio diferenciar a fase sazonal dos dados
Apoacutes a diferenciaccedilatildeo simples foram realizadas as seguintes diferenciaccedilotildees sazonais obtendo-se os seguintes
resultados para os modelos SARIMA
6 ndash SARIMA (011)(010)
Figura 26 - Resultado SARIMA (011)(010)
Fonte FPW 2012
40
Figura 27 - FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel b(1) foi considerada significativa
7 ndash SARIMA (110)(010)
Figura 28 - Resultado SARIMA (011)(010)
Fonte FPW 2012
41
Figura 29 - FAC dos Resiacuteduos SARIMA (011)(010)
Figura 29 ndash FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08305) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel a(1) foi considerada significativa
8 ndash SARIMA (210)(010)
Figura 30 - Resultado SARIMA (210)(010)
Fonte FPW 2012
42
Figura 31 - FAC dos Resiacuteduos SARIMA (210)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08337) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
9 ndash SARIMA (012)(010)
Figura 32 - Resultado SARIMA (012)(010)
Fonte FPW 2012
43
Figura 33 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
10 ndash SARIMA (111)(010)
Figura 34 - Resultado SARIMA (111)(010)
Fonte FPW 2012
44
Figura 35 - FAC dos Resiacuteduos SARIMA (111)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 12 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1
11 ndash SARIMA (011)(110)
Figura 36 - Resultado SARIMA (011)(110)
Fonte FPW 2012
45
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08623) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis A(12) e b(1) foram consideradas significativas
12 ndash SARIMA (110)(110)
Figura 38 - Resultado SARIMA (011)(110)
Fonte FPW 2012
46
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08595) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e A(12) foram consideradas significativas
13 ndash SARIMA (210)(110)
Figura 40 - Resultado SARIMA (210)(110)
Fonte FPW 2012
47
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08620) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) a(2) e A(12) foram consideradas significativas
14 ndash SARIMA (012)(010)
Figura 42 - Resultado SARIMA (012)(010)
Fonte FPW 2012
48
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08625) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
15 ndash SARIMA (111)(110)
Figura 44 - Resultado SARIMA (111)(110)
Fonte FPW 2012
49
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08626) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 24 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1 e MA = 1
16 ndash SARIMA (011)(111)
Figura 46 - Resultado SARIMA (011)(111)
Fonte FPW 2012
50
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) e B(12) foram consideradas significativas pelo modelo
17 ndash SARIMA (110)(111)
Figura 48 - Resultado SARIMA (110)(111)
Fonte FPW 2012
51
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09010) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) e B(12) foram consideradas significativas pelo modelo
18 ndash SARIMA (210)(111)
Figura 50 - Resultado SARIMA (210)(111)
Fonte FPW 2012
52
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) a(12) e B(12) foram consideradas significativas pelo modelo
19 ndash SARIMA (012)(111)
Figura 52 ndash Resultado SARIMA (012)(111)
Fonte FPW 2012
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
21
O meacutetodo de suavizaccedilatildeo exponencial simples tem melhor precisatildeo para seacuteries de padratildeo horizontal isto eacute
agravequelas que natildeo apresentam tendecircncia nem sazonalidade e eacute apropriado para previsotildees de curto prazo Seu algoritmo
de previsatildeo utiliza a seguinte expressatildeo da equaccedilatildeo
ttt xxx ˆ1ˆ1 (Equaccedilatildeo 22)
Onde
1ˆtx = previsatildeo para o periacuteodo t+1
α = constante de suavizaccedilatildeo cujo valor encontra-se entre 0 e 1
tx = uacuteltimo valor observado
tx = uacuteltimo valor observado com peso (1 ndash α)
Expandindo-se a expressatildeo acima pela substituiccedilatildeo de tx 1ˆtx 2
ˆtx por seus componentes resulta em
1113211ˆ)1()1(3)1(2)1(1ˆ xxxxxxx ttttttt (Equaccedilatildeo 23)
Assim 1ˆtx eacute uma meacutedia ponderada de todas as observaccedilotildees passadas constituindo os coeficientes de
ponderaccedilatildeo uma seacuterie decrescente exponencialmente para valores de α entre 0 e 1 Dessa constataccedilatildeo origina-se o
nome amortecimento exponencial Analisando-se a uacuteltima equaccedilatildeo verifica-se que a constante de suavizaccedilatildeo α
determina a rapidez do decaimento dos coeficientes (pesos) A escolha do valor para a constante de suavizaccedilatildeo pode
ser arbitraacuteria ou condicionada a algum criteacuterio que na maioria das vezes consiste na minimizaccedilatildeo do erro quadraacutetico
meacutedio atribuiacutedo ao desempenho do meacutetodo
A constante de suavizaccedilatildeo estaacute diretamente ligada agrave velocidade de resposta das previsotildees agraves variaccedilotildees das
observaccedilotildees ou seja quanto menor o valor de α mais lenta eacute a resposta Valores maiores que α causam reaccedilotildees
mais raacutepidas das previsotildees agraves variaccedilotildees das observaccedilotildees podendo causar instabilidade no desempenho do meacutetodo
Como o peso da primeira previsatildeo 1x eacute (1 ndash α)t verifica-se que menor importacircncia um fator teraacute para a
previsatildeo de t+1 quanto mais proacuteximo de um for e quanto maior for o t Como eacute necessaacuterio ter o valor de 1x eacute feita a
suposiccedilatildeo de que 1x = 1x ou seja igual agrave uacuteltima observaccedilatildeo O erro decorrente dessa suposiccedilatildeo seraacute tanto menor
quanto maiores forem α e t
Alternativamente a expressatildeo inicial desse item pode ser representada como
1ˆtx = tx + α( tx ndash tx ) (Equaccedilatildeo 24)
1ˆtx = tx + α te (Equaccedilatildeo 25)
Atraveacutes da anaacutelise da uacuteltima equaccedilatildeo pode-se concluir que o meacutetodo de suavizaccedilatildeo exponencial simples
prevecirc o valor de uma seacuterie temporal tomando a previsatildeo para o periacuteodo anterior e ajustando-a pelo valor do erro no
mesmo periacuteodo
22
242 ndash Meacutetodo de Holt
O meacutetodo de Holt pode ser utilizado de maneira satisfatoacuteria em seacuteries temporais com tendecircncia linear
mediante o uso de uma funccedilatildeo de ponderaccedilatildeo que daacute maior importacircncia aos periacuteodos de tempo mais recentes Seu
algoritmo de previsatildeo utiliza as seguintes expressotildees
))(1( 11 tttt TLxL (Equaccedilatildeo 26)
11 )1)(( tttt TLLT (Equaccedilatildeo 27)
mtx ˆ
tt mTL (Equaccedilatildeo 28)
Onde
mtx ˆ = previsatildeo para o periacuteodo t+m
= constantes de suavizaccedilatildeo com valor entre 0 e 1 que determinam a rapidez de decaimento dos pesos
da seacuterie quanto mais proacuteximo de um maior o peso das observaccedilotildees recentes
tL = estimativa do niacutevel da seacuterie no tempo t
tT = estimativa de declividade da seacuterie no tempo t
Como o meacutetodo de Holt baseia-se na aplicaccedilatildeo recursiva das expresses anteriores satildeo necessaacuterios tambeacutem
como dados de entrada tL e tT que podem ser considerados como 1L 1x e 1T 12 xx Outra forma de caacutelculo eacute a
regressatildeo linear simples aplicada aos dados da seacuterie temporal onde se obteacutem o valor da declividade da seacuterie temporal
e de 0L em sua origem
243 ndash Meacutetodo de Winters
Os meacutetodos de Winters dividem-se em dois grupos aditivo e multiplicativo No meacutetodo aditivo a amplitude da
variaccedilatildeo sazonal eacute constante ao longo do tempo ou seja a diferenccedila entre o maior e menor valor de demanda dentro
das estaccedilotildees permanece relativamente constante no tempo No meacutetodo multiplicativo a amplitude da variaccedilatildeo sazonal
aumente ou diminui como funccedilatildeo do tempo
2431 ndash Meacutetodo Sazonal Multiplicativo de Winters
))(1( 11
tt
t
t
t TLSS
xL (Equaccedilatildeo 29)
11 )1()( tttt TLLT (Equaccedilatildeo 30)
SSL
xS t
t
t
t
1 (Equaccedilatildeo 31)
mSSmTLx tttmt ˆ (Equaccedilatildeo 32)
23
Onde
mtx ˆ = previsatildeo para o periacuteodo t+m
= constantes de suavizaccedilatildeo que variam entre 0 e 1
tx = observaccedilatildeo mais recente
tL = estimativa do niacutevel de seacuterie no tempo t
tT = estimativa de declividade da seacuterie no tempo t
tS = componente de sazonalidade no tempo t
S = nuacutemero de subperiacuteodos do ano (sazonalidade)
A escolha de valores para as constantes de suavizaccedilatildeo eacute condicionada a algum criteacuterio que na maioria das
vezes consiste na minimizaccedilatildeo por meio do algoritmo de minimizaccedilatildeo linear do erro quadraacutetico meacutedio (MSE) atribuiacutedo
ao desempenho do meacutetodo
Como o meacutetodo multiplicativo de Winters baseia-se na aplicaccedilatildeo recursiva das equaccedilotildees deste item e que
deve ser iniciada em algum periacuteodo do passado no qual os valores de TL TT e TS devem ser estimados A maneira
mais simples de inicializar o niacutevel de tendecircncia no periacuteodo S O niacutevel eacute inicializado no primeiro periacuteodo sazonal da
seguinte forma
S
Sxxxx
SL
1
321
(Equaccedilatildeo 33)
Para inicializar a tendecircncia eacute conveniente o uso de dois ciclos completos isto eacute 2S periacuteodos como descrito
abaixo
S
xx
S
xx
S
xx
ST SSSSS
S 1 2211 (Equaccedilatildeo 34)
Por ultimo os iacutendices sazonais satildeo inicializados usando-se a razatildeo das primeiras observaccedilotildees como a meacutedia
do primeiro ano com descrito a seguir
S
xS
L
11
S
xS
L
22
S
S
s
xS
L (Equaccedilatildeo 35)
2432 ndash Meacutetodo Sazonal Aditivo de Winters
O meacutetodo aditivo de Winters eacute utilizado na modelagem dos dados sazonais no qual a amplitude do ciclo
sazonal permanece constante com o passar do tempo
Aleacutem disso a amplitude da variaccedilatildeo sazonal eacute constante ao longo do tempo ou seja a diferenccedila entre o maior
e o menor valor de demanda dentro das estaccedilotildees permanece relativamente constante no tempo As equaccedilotildees
matemaacuteticas satildeo
))(1()( 11 ttttt TLSSxL (Equaccedilatildeo 36)
24
11 )1()( tttt TLLT (Equaccedilatildeo 37)
Stttt SLxS )1()( St = γ(xt - Lt) + (1- γ)St-S (Equaccedilatildeo 38)
mStttmt SmTLx ˆ (Equaccedilatildeo 39)
A segunda equaccedilatildeo deste item eacute igual agravequela do meacutetodo multiplicativo de Winters O restante das equaccedilotildees se
diferem por iacutendice sazonais serem somados e subtraiacutedos ao inveacutes de serem tomados em produtos ou divisotildees
Os valores iniciais de SL e ST satildeo iguais aos do meacutetodo multiplicativo Os iacutendices sazonais satildeo inicializados da
seguinte forma
SLxS 11 SLxS 22 SSS LxS (Equaccedilatildeo 40)
25 ndash SELECcedilAtildeO DE MODELOS
A partir do momento em que vaacuterios modelos ajustam-se a uma seacuterie temporal deve-se eleger aquele que
melhor representa o seu comportamento por meio da anaacutelise de seus paracircmetros Neste trabalho os paracircmetros seratildeo
utilizados os seguintes paracircmetros de forma primordial na definiccedilatildeo do modelo mais apropriado
251 ndash Maacuteximo R2
A estatiacutestica R2 eacute definida por
n
1t
2
2n
1t2
ˆ
1
tt
tt
xx
xx
R (Equaccedilatildeo 41)
Onde
tx = observaccedilatildeo real para o periacuteodo t
tx = previsatildeo para o periacuteodo t
Uma medida de R2 mais proacutexima de zero indica um modelo com ajuste pobre enquanto que um valor proacuteximo
de um indica um bom ajuste
252 ndash Miacutenimo BIC (Bayesian Information Criterion)
Este criteacuterio penaliza os modelos com muitos paracircmetros sendo portanto um criteacuterio de verosimilhanccedila
penalisada Vale ressaltar que o BIC natildeo deve ser utilizado de forma isolada mas em conjunto com outros paracircmetros
na comparaccedilatildeo com diversos modelos
O BIC eacute definido pela seguinte expressatildeo
25
nm
nMSEBIC2
(Equaccedilatildeo 42)
nm
tt nxxn
BIC22
n
1t
ˆ1
(Equaccedilatildeo 43)
Onde
m = nuacutemero de paracircmetros do modelo
n = nuacutemero de observaccedilotildees da seacuterie temporal
3 - DESENVOLVIMENTO
31 ndash ANAacuteLISE DA SEacuteRIE
A seacuterie a seguir apresenta os dados quantitativos da evoluccedilatildeo do volume de produccedilatildeo de caminhotildees no Brasil
Tratam-se de dados mensais entre janeiro de 1957 e dezembro de 2011 totalizando 660 observaccedilotildees
5000
10000
15000
20000
60 65 70 75 80 85 90 95 0 5 10
Legend
PRODUCAO
Figura 2 - Seacuterie de Volume de Produccedilatildeo no Brasil
Fonte Elaborado pelos Autores 2012
26
32 ndash ANAacuteLISE DESCRITIVA
O primeiro passo foi a anaacutelise descritiva da seacuterie visando obter uma anaacutelise inicial para definir o modelo de
previsatildeo mais adequado agraves suas caracteriacutesticas
Utilizando o software Minitab obteve-se a seguinte tabela
Figura 3 - Estatiacutesticas Descritivas da Seacuterie Inicial
Fonte Minitab 2012
O coeficiente de correlaccedilatildeo de Pearson indica a razatildeo entre o desvio padratildeo e a meacutedia de uma seacuterie cujo
caacutelculo eacute representado por
CV = desvio padratildeomeacutedia
Introduzindo os valores do desvio padratildeo (3515) e da meacutedia da amostra (5560) na foacutermula anterior obteacutem-se o
seguinte resultado
CV = 35155560 = 06322 ~ 63 de grau de dispersatildeo
Essa medida eacute utilizada quando se pretende comparar duas ou mais distribuiccedilotildees de probabilidade quanto agraves
suas variabilidades atuando como uma medida de variabilidade relativa
Na teoria de probabilidade o grau de simetria eacute uma medida de assimetria da distribuiccedilatildeo de valores reais
aleatoacuterios O grau de simetria pode ser positivo ou negativo ou mesmo indefinido Qualitativamente um valor negativo
em que a cauda no lado esquerdo da funccedilatildeo de densidade de probabilidade eacute maior do que o lado direito e a maioria
dos valores tende ao lado direito da meacutedia De mesma forma um valor positivo indica que a cauda no lado direito eacute
maior do que o lado esquerdo e que a maioria dos valores tende ao lado esquerdo da meacutedia O valor zero indica que
valores relativos igualmente distribuiacutedos dos dois lados ao redor da meacutedia mas natildeo necessariamente implica em uma
distribuiccedilatildeo simeacutetrica
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de grau de simetria (skewness) O valor positivo do grau de
simetria indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa conforme apresentado no
histograma a seguir
27
dados
Fre
qu
en
cy
200001600012000800040000
120
100
80
60
40
20
0
Mean 5560
StDev 3515
N 660
Histogram (with Normal Curve) of dados
Figura 4 - Histograma da Seacuterie Inicial
Fonte SPSS 2012
De forma similar o conceito de curtose trata-se da uma medida de dispersatildeo para descriccedilatildeo da forma da
distribuiccedilatildeo de probabilidades e como o grau de simetria existem formas diferentes de quantificaacute-la como uma
distribuiccedilatildeo teoacuterica e formas correspondentes de estimaacute-la a partir de uma amostra oriunda de uma populaccedilatildeo Essa
medida indica o grau de achatamento curva de distribuiccedilatildeo de probabilidade
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de curtose (kurtosis) O valor positivo do grau de simetria
indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa O valor positivo indica um
comportamento leptocuacutertica indicando que a mesma eacute mais alta e mais concentrada que a distribuiccedilatildeo normal
O Teste de Normalidade realizado com 95 de niacutevel de confianccedila gerou um p-value nulo ou seja abaixo dos
5 de significacircncia Desta maneira a hipoacutetese nula de que os dados apresentariam uma distribuiccedilatildeo normal foi
rejeitada
Tests of Normality
105 660 000 860 660 000VAR00001
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 5 - Teste de Normalidade da Seacuterie Inicial
Fonte SPSS 2012
28
O teste de Kolmogorov-Smirnov eacute utilizado para determinar se duas distribuiccedilotildees de probabilidade diferem uma
da outra ou natildeo O graacutefico abaixo referente a este testem evidencia o comportamento da distribuiccedilatildeo frente ao
comportamento da distribuiccedilatildeo normal
dados
Pe
rce
nt
2500020000150001000050000-5000-10000
9999
99
95
80
50
20
5
1
001
Mean
lt0010
5560
StDev 3515
N 660
KS 0105
P-Value
Teste de Normalidade Kolmogorov-SmirnovNormal
Figura 6 - Teste de Kolmogorov-Smirnov para a Seacuterie Inicial
Fonte SPSS 2012
Assim faz-se necessaacuterio uma transformaccedilatildeo na seacuterie para adequaccedilatildeo dos dados para uma distribuiccedilatildeo
normal Para tal modificaccedilatildeo neste trabalho foi utilizada a distribuiccedilatildeo logariacutetmica na base 10
Apoacutes a transformaccedilatildeo o teste de normalidade foi realizado novamente (tambeacutem com 95 de significacircncia) O
resultado eacute apresentado na tabela a seguir
Tests of Normality
042 660 007 994 660 009log10
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 7 - Teste de Normalidade para a Seacuterie Transformada
Fonte SPSS 2012
Conforme pode ser observado na tabela acima o p-value foi proacuteximo de 001 menor que 005 Apesar do
pressuposto de normalidade dos dados natildeo ter sido alcanccedilado esta base de dados seraacute utilizada nas modelagens
para fins acadecircmicos e seraacute tomado como premissa que a distribuiccedilatildeo estaacute normalizada
29
O teste graacutefico de normalidade de Kolmogorov-Smirnov foi realizado para a distribuiccedilatildeo transformada O
graacutefico abaixo evidencia o comportamento dos dados da distribuiccedilatildeo frente ao comportamento da distribuiccedilatildeo normal
auxiliando na conclusatildeo do teste anterior
log 10
Pe
rce
nt
4540353025
9999
99
95
80
50
20
5
1
001
Mean
lt0010
3668
StDev 02593
N 660
KS 0042
P-Value
Teste de Normalidade Kolmogorov-Smirnov - log 10Normal
Figura 8 - Teste de Kolmogorov-Smirnov para a Seacuterie Transformada
Fonte SPSS 2012
A seguir tem-se o histograma da seacuterie transformada evidenciando a mudanccedila do comportamento dos dados
30
log 10
Fre
qu
en
cy
42403836343230
70
60
50
40
30
20
10
0
Mean 3668
StDev 02593
N 660
Histogram of log 10Normal
Figura 9 - Histograma da Seacuterie Transformada
Fonte SPSS 2012
O teste da igualdade de variacircncias eacute aplicado com o objetivo de verificar se devem ou natildeo ser assumidas
igualdade entre as variacircncias das populaccedilotildees Para isso foi utilizado na anaacutelise o Teste de Levene cujas hipoacuteteses
satildeo as seguintes
H0 as variacircncias nas duas populaccedilotildees satildeo iguais ou seja existe homocedasticidade (σ1 = σ2 ou σ1 = σ2 = 0)
Neste caso assume-se a estatiacutestica Sig F gt 005
H1 as variacircncias nas duas populaccedilotildees satildeo diferentes ou seja natildeo existe homocedasticidade (σ1 ne σ2 ou σ1 ne
σ2 ne 0) Neste caso assume-se a estatiacutestica Sig F lt ou = 005
Para a realizaccedilatildeo do teste dividiu-se a populaccedilatildeo em dois grupos iguais (grupos denominados como 0 e 1
cada um com 330 unidades) Os resultados satildeo os seguintes
31
Group Statistics
330 35473 23553 01297
330 37896 22313 01228
Teste de Lev ene0
1
log10N Mean Std Dev iation
Std Error
Mean
Independent Samples Test
5981 015 -13569 658 000 -24235 01786 -27742 -20728
-13569 656086 000 -24235 01786 -27742 -20728
Equal variances
assumed
Equal variances
not assumed
log10F Sig
Lev enes Test for
Equality of Variances
t df Sig (2-tailed)
Mean
Dif f erence
Std Error
Dif f erence Lower Upper
95 Conf idence
Interv al of the
Dif f erence
t-test f or Equality of Means
Figura 10 - Teste de Homocedasticidade para a Seacuterie Transformada
Fonte SPSS 2012
Pelo resultado do teste pode-se verificar que o valor de ldquoSigrdquo (referente ao p-value) foi de 0015 onde se
conclui que a hipoacutetese nula que leva em consideraccedilatildeo que a variacircncia da seacuterie eacute constante pode ser aceita
33 ndash MODELOS DE PREVISAtildeO
Neste trabalho seratildeo analisados os seguintes modelos de previsatildeo
1 ndash Box Jenkins
2 ndash Suavizaccedilatildeo Exponencial
Para determinar o modelo de previsatildeo mais adequado foi utilizado o software Forecast Pro for Windows (FPW)
Todas as previsotildees foram realizadas utilizando a seacuterie com a variaacutevel transformada a fim de atender o
pressuposto de normalidade da seacuterie necessaacuterio nos modelos de previsatildeo
32
Figura 11 - Seleccedilatildeo da Seacuterie para a Previsatildeo
Fonte FPW 2012
331 ndash Box-Jenkins
Apoacutes a apresentaccedilatildeo e anaacutelises dos pressupostos necessaacuterios para a aplicaccedilatildeo do modelo Box-Jenkins seratildeo
realizadas as anaacutelises que demonstram a funccedilatildeo de autocorrelaccedilatildeo (FAC) e funccedilatildeo de autocorrelaccedilatildeo parcial (FACP)
Figura 12 - FAC da Seacuterie
Fonte FPW 2012
33
Figura 13 - FACP da Seacuterie
Fonte FPW 2012
Nota-se na Figura XXX FAC da seacuterie que a seacuterie decai muito lentamente indicando tendecircncia logo faz-se
necessaacuterio realizar uma diferenciaccedilatildeo na parte simples
Apoacutes a diferenciaccedilatildeo obtiveram-se os seguintes novos graacuteficos para a funccedilatildeo de autocorrelaccedilatildeo e funccedilatildeo de
autocorrelaccedilatildeo parcial
Figura 14 - FAC da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
34
Figura 15 - FACP da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
Apoacutes a realizaccedilatildeo da diferenciaccedilatildeo os seguintes modelos foram testados
1 ndash ARIMA (110)
2 ndash ARIMA (011)
3 ndash ARIMA (210)
4 ndash ARIMA (012)
5 ndash ARIMA (111)
A seguir cada modelo seraacute demonstrado
1 ndash ARIMA (110)
Figura 16 - Resultado ARIMA (110)
Fonte FPW 2012
35
Figura 17 - FAC dos Resiacuteduos ARIMA (110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08746) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel a(1) foi considerada significativa
2 - ARIMA (011)
Figura 18 - Resultado ARIMA (011)
Fonte FPW 2012
36
Figura 19 - FAC dos Resiacuteduos ARIMA (011)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel b(1) foi considerada significativa
3 - ARIMA (210)
Figura 20 - Resultado ARIMA (210)
Fonte FPW 2012
37
Figura 21 - FAC dos Resiacuteduos ARIMA (210)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08765) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
4 - ARIMA (012)
Figura 22 - Resultado ARIMA (012)
Fonte FPW 2012
38
Figura 23 - FAC dos Resiacuteduos ARIMA (012)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08777) com lag significativo nas fases 12 24 e 36 no graacutefico da FAC dos
resiacuteduos As variaacuteveis b(1) e b(2) foram consideradas significativas
5 - ARIMA (111)
Figura 24 - Resultado ARIMA (111)
Fonte FPW 2012
39
Figura 25 - FAC dos Resiacuteduos ARIMA (111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08811) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e b(1) foi considerada significativa
Observando os resultados obtidos nos cinco modelos anteriores fica evidente a semelhanccedila da presenccedila dos
lags significativos nas fases 12 24 e 36 no graacutefico da FAC dos resiacuteduos indicando a existecircncia de sazonalidade na
seacuterie modelada Assim torna-se necessaacuterio diferenciar a fase sazonal dos dados
Apoacutes a diferenciaccedilatildeo simples foram realizadas as seguintes diferenciaccedilotildees sazonais obtendo-se os seguintes
resultados para os modelos SARIMA
6 ndash SARIMA (011)(010)
Figura 26 - Resultado SARIMA (011)(010)
Fonte FPW 2012
40
Figura 27 - FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel b(1) foi considerada significativa
7 ndash SARIMA (110)(010)
Figura 28 - Resultado SARIMA (011)(010)
Fonte FPW 2012
41
Figura 29 - FAC dos Resiacuteduos SARIMA (011)(010)
Figura 29 ndash FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08305) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel a(1) foi considerada significativa
8 ndash SARIMA (210)(010)
Figura 30 - Resultado SARIMA (210)(010)
Fonte FPW 2012
42
Figura 31 - FAC dos Resiacuteduos SARIMA (210)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08337) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
9 ndash SARIMA (012)(010)
Figura 32 - Resultado SARIMA (012)(010)
Fonte FPW 2012
43
Figura 33 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
10 ndash SARIMA (111)(010)
Figura 34 - Resultado SARIMA (111)(010)
Fonte FPW 2012
44
Figura 35 - FAC dos Resiacuteduos SARIMA (111)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 12 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1
11 ndash SARIMA (011)(110)
Figura 36 - Resultado SARIMA (011)(110)
Fonte FPW 2012
45
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08623) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis A(12) e b(1) foram consideradas significativas
12 ndash SARIMA (110)(110)
Figura 38 - Resultado SARIMA (011)(110)
Fonte FPW 2012
46
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08595) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e A(12) foram consideradas significativas
13 ndash SARIMA (210)(110)
Figura 40 - Resultado SARIMA (210)(110)
Fonte FPW 2012
47
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08620) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) a(2) e A(12) foram consideradas significativas
14 ndash SARIMA (012)(010)
Figura 42 - Resultado SARIMA (012)(010)
Fonte FPW 2012
48
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08625) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
15 ndash SARIMA (111)(110)
Figura 44 - Resultado SARIMA (111)(110)
Fonte FPW 2012
49
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08626) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 24 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1 e MA = 1
16 ndash SARIMA (011)(111)
Figura 46 - Resultado SARIMA (011)(111)
Fonte FPW 2012
50
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) e B(12) foram consideradas significativas pelo modelo
17 ndash SARIMA (110)(111)
Figura 48 - Resultado SARIMA (110)(111)
Fonte FPW 2012
51
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09010) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) e B(12) foram consideradas significativas pelo modelo
18 ndash SARIMA (210)(111)
Figura 50 - Resultado SARIMA (210)(111)
Fonte FPW 2012
52
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) a(12) e B(12) foram consideradas significativas pelo modelo
19 ndash SARIMA (012)(111)
Figura 52 ndash Resultado SARIMA (012)(111)
Fonte FPW 2012
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
22
242 ndash Meacutetodo de Holt
O meacutetodo de Holt pode ser utilizado de maneira satisfatoacuteria em seacuteries temporais com tendecircncia linear
mediante o uso de uma funccedilatildeo de ponderaccedilatildeo que daacute maior importacircncia aos periacuteodos de tempo mais recentes Seu
algoritmo de previsatildeo utiliza as seguintes expressotildees
))(1( 11 tttt TLxL (Equaccedilatildeo 26)
11 )1)(( tttt TLLT (Equaccedilatildeo 27)
mtx ˆ
tt mTL (Equaccedilatildeo 28)
Onde
mtx ˆ = previsatildeo para o periacuteodo t+m
= constantes de suavizaccedilatildeo com valor entre 0 e 1 que determinam a rapidez de decaimento dos pesos
da seacuterie quanto mais proacuteximo de um maior o peso das observaccedilotildees recentes
tL = estimativa do niacutevel da seacuterie no tempo t
tT = estimativa de declividade da seacuterie no tempo t
Como o meacutetodo de Holt baseia-se na aplicaccedilatildeo recursiva das expresses anteriores satildeo necessaacuterios tambeacutem
como dados de entrada tL e tT que podem ser considerados como 1L 1x e 1T 12 xx Outra forma de caacutelculo eacute a
regressatildeo linear simples aplicada aos dados da seacuterie temporal onde se obteacutem o valor da declividade da seacuterie temporal
e de 0L em sua origem
243 ndash Meacutetodo de Winters
Os meacutetodos de Winters dividem-se em dois grupos aditivo e multiplicativo No meacutetodo aditivo a amplitude da
variaccedilatildeo sazonal eacute constante ao longo do tempo ou seja a diferenccedila entre o maior e menor valor de demanda dentro
das estaccedilotildees permanece relativamente constante no tempo No meacutetodo multiplicativo a amplitude da variaccedilatildeo sazonal
aumente ou diminui como funccedilatildeo do tempo
2431 ndash Meacutetodo Sazonal Multiplicativo de Winters
))(1( 11
tt
t
t
t TLSS
xL (Equaccedilatildeo 29)
11 )1()( tttt TLLT (Equaccedilatildeo 30)
SSL
xS t
t
t
t
1 (Equaccedilatildeo 31)
mSSmTLx tttmt ˆ (Equaccedilatildeo 32)
23
Onde
mtx ˆ = previsatildeo para o periacuteodo t+m
= constantes de suavizaccedilatildeo que variam entre 0 e 1
tx = observaccedilatildeo mais recente
tL = estimativa do niacutevel de seacuterie no tempo t
tT = estimativa de declividade da seacuterie no tempo t
tS = componente de sazonalidade no tempo t
S = nuacutemero de subperiacuteodos do ano (sazonalidade)
A escolha de valores para as constantes de suavizaccedilatildeo eacute condicionada a algum criteacuterio que na maioria das
vezes consiste na minimizaccedilatildeo por meio do algoritmo de minimizaccedilatildeo linear do erro quadraacutetico meacutedio (MSE) atribuiacutedo
ao desempenho do meacutetodo
Como o meacutetodo multiplicativo de Winters baseia-se na aplicaccedilatildeo recursiva das equaccedilotildees deste item e que
deve ser iniciada em algum periacuteodo do passado no qual os valores de TL TT e TS devem ser estimados A maneira
mais simples de inicializar o niacutevel de tendecircncia no periacuteodo S O niacutevel eacute inicializado no primeiro periacuteodo sazonal da
seguinte forma
S
Sxxxx
SL
1
321
(Equaccedilatildeo 33)
Para inicializar a tendecircncia eacute conveniente o uso de dois ciclos completos isto eacute 2S periacuteodos como descrito
abaixo
S
xx
S
xx
S
xx
ST SSSSS
S 1 2211 (Equaccedilatildeo 34)
Por ultimo os iacutendices sazonais satildeo inicializados usando-se a razatildeo das primeiras observaccedilotildees como a meacutedia
do primeiro ano com descrito a seguir
S
xS
L
11
S
xS
L
22
S
S
s
xS
L (Equaccedilatildeo 35)
2432 ndash Meacutetodo Sazonal Aditivo de Winters
O meacutetodo aditivo de Winters eacute utilizado na modelagem dos dados sazonais no qual a amplitude do ciclo
sazonal permanece constante com o passar do tempo
Aleacutem disso a amplitude da variaccedilatildeo sazonal eacute constante ao longo do tempo ou seja a diferenccedila entre o maior
e o menor valor de demanda dentro das estaccedilotildees permanece relativamente constante no tempo As equaccedilotildees
matemaacuteticas satildeo
))(1()( 11 ttttt TLSSxL (Equaccedilatildeo 36)
24
11 )1()( tttt TLLT (Equaccedilatildeo 37)
Stttt SLxS )1()( St = γ(xt - Lt) + (1- γ)St-S (Equaccedilatildeo 38)
mStttmt SmTLx ˆ (Equaccedilatildeo 39)
A segunda equaccedilatildeo deste item eacute igual agravequela do meacutetodo multiplicativo de Winters O restante das equaccedilotildees se
diferem por iacutendice sazonais serem somados e subtraiacutedos ao inveacutes de serem tomados em produtos ou divisotildees
Os valores iniciais de SL e ST satildeo iguais aos do meacutetodo multiplicativo Os iacutendices sazonais satildeo inicializados da
seguinte forma
SLxS 11 SLxS 22 SSS LxS (Equaccedilatildeo 40)
25 ndash SELECcedilAtildeO DE MODELOS
A partir do momento em que vaacuterios modelos ajustam-se a uma seacuterie temporal deve-se eleger aquele que
melhor representa o seu comportamento por meio da anaacutelise de seus paracircmetros Neste trabalho os paracircmetros seratildeo
utilizados os seguintes paracircmetros de forma primordial na definiccedilatildeo do modelo mais apropriado
251 ndash Maacuteximo R2
A estatiacutestica R2 eacute definida por
n
1t
2
2n
1t2
ˆ
1
tt
tt
xx
xx
R (Equaccedilatildeo 41)
Onde
tx = observaccedilatildeo real para o periacuteodo t
tx = previsatildeo para o periacuteodo t
Uma medida de R2 mais proacutexima de zero indica um modelo com ajuste pobre enquanto que um valor proacuteximo
de um indica um bom ajuste
252 ndash Miacutenimo BIC (Bayesian Information Criterion)
Este criteacuterio penaliza os modelos com muitos paracircmetros sendo portanto um criteacuterio de verosimilhanccedila
penalisada Vale ressaltar que o BIC natildeo deve ser utilizado de forma isolada mas em conjunto com outros paracircmetros
na comparaccedilatildeo com diversos modelos
O BIC eacute definido pela seguinte expressatildeo
25
nm
nMSEBIC2
(Equaccedilatildeo 42)
nm
tt nxxn
BIC22
n
1t
ˆ1
(Equaccedilatildeo 43)
Onde
m = nuacutemero de paracircmetros do modelo
n = nuacutemero de observaccedilotildees da seacuterie temporal
3 - DESENVOLVIMENTO
31 ndash ANAacuteLISE DA SEacuteRIE
A seacuterie a seguir apresenta os dados quantitativos da evoluccedilatildeo do volume de produccedilatildeo de caminhotildees no Brasil
Tratam-se de dados mensais entre janeiro de 1957 e dezembro de 2011 totalizando 660 observaccedilotildees
5000
10000
15000
20000
60 65 70 75 80 85 90 95 0 5 10
Legend
PRODUCAO
Figura 2 - Seacuterie de Volume de Produccedilatildeo no Brasil
Fonte Elaborado pelos Autores 2012
26
32 ndash ANAacuteLISE DESCRITIVA
O primeiro passo foi a anaacutelise descritiva da seacuterie visando obter uma anaacutelise inicial para definir o modelo de
previsatildeo mais adequado agraves suas caracteriacutesticas
Utilizando o software Minitab obteve-se a seguinte tabela
Figura 3 - Estatiacutesticas Descritivas da Seacuterie Inicial
Fonte Minitab 2012
O coeficiente de correlaccedilatildeo de Pearson indica a razatildeo entre o desvio padratildeo e a meacutedia de uma seacuterie cujo
caacutelculo eacute representado por
CV = desvio padratildeomeacutedia
Introduzindo os valores do desvio padratildeo (3515) e da meacutedia da amostra (5560) na foacutermula anterior obteacutem-se o
seguinte resultado
CV = 35155560 = 06322 ~ 63 de grau de dispersatildeo
Essa medida eacute utilizada quando se pretende comparar duas ou mais distribuiccedilotildees de probabilidade quanto agraves
suas variabilidades atuando como uma medida de variabilidade relativa
Na teoria de probabilidade o grau de simetria eacute uma medida de assimetria da distribuiccedilatildeo de valores reais
aleatoacuterios O grau de simetria pode ser positivo ou negativo ou mesmo indefinido Qualitativamente um valor negativo
em que a cauda no lado esquerdo da funccedilatildeo de densidade de probabilidade eacute maior do que o lado direito e a maioria
dos valores tende ao lado direito da meacutedia De mesma forma um valor positivo indica que a cauda no lado direito eacute
maior do que o lado esquerdo e que a maioria dos valores tende ao lado esquerdo da meacutedia O valor zero indica que
valores relativos igualmente distribuiacutedos dos dois lados ao redor da meacutedia mas natildeo necessariamente implica em uma
distribuiccedilatildeo simeacutetrica
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de grau de simetria (skewness) O valor positivo do grau de
simetria indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa conforme apresentado no
histograma a seguir
27
dados
Fre
qu
en
cy
200001600012000800040000
120
100
80
60
40
20
0
Mean 5560
StDev 3515
N 660
Histogram (with Normal Curve) of dados
Figura 4 - Histograma da Seacuterie Inicial
Fonte SPSS 2012
De forma similar o conceito de curtose trata-se da uma medida de dispersatildeo para descriccedilatildeo da forma da
distribuiccedilatildeo de probabilidades e como o grau de simetria existem formas diferentes de quantificaacute-la como uma
distribuiccedilatildeo teoacuterica e formas correspondentes de estimaacute-la a partir de uma amostra oriunda de uma populaccedilatildeo Essa
medida indica o grau de achatamento curva de distribuiccedilatildeo de probabilidade
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de curtose (kurtosis) O valor positivo do grau de simetria
indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa O valor positivo indica um
comportamento leptocuacutertica indicando que a mesma eacute mais alta e mais concentrada que a distribuiccedilatildeo normal
O Teste de Normalidade realizado com 95 de niacutevel de confianccedila gerou um p-value nulo ou seja abaixo dos
5 de significacircncia Desta maneira a hipoacutetese nula de que os dados apresentariam uma distribuiccedilatildeo normal foi
rejeitada
Tests of Normality
105 660 000 860 660 000VAR00001
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 5 - Teste de Normalidade da Seacuterie Inicial
Fonte SPSS 2012
28
O teste de Kolmogorov-Smirnov eacute utilizado para determinar se duas distribuiccedilotildees de probabilidade diferem uma
da outra ou natildeo O graacutefico abaixo referente a este testem evidencia o comportamento da distribuiccedilatildeo frente ao
comportamento da distribuiccedilatildeo normal
dados
Pe
rce
nt
2500020000150001000050000-5000-10000
9999
99
95
80
50
20
5
1
001
Mean
lt0010
5560
StDev 3515
N 660
KS 0105
P-Value
Teste de Normalidade Kolmogorov-SmirnovNormal
Figura 6 - Teste de Kolmogorov-Smirnov para a Seacuterie Inicial
Fonte SPSS 2012
Assim faz-se necessaacuterio uma transformaccedilatildeo na seacuterie para adequaccedilatildeo dos dados para uma distribuiccedilatildeo
normal Para tal modificaccedilatildeo neste trabalho foi utilizada a distribuiccedilatildeo logariacutetmica na base 10
Apoacutes a transformaccedilatildeo o teste de normalidade foi realizado novamente (tambeacutem com 95 de significacircncia) O
resultado eacute apresentado na tabela a seguir
Tests of Normality
042 660 007 994 660 009log10
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 7 - Teste de Normalidade para a Seacuterie Transformada
Fonte SPSS 2012
Conforme pode ser observado na tabela acima o p-value foi proacuteximo de 001 menor que 005 Apesar do
pressuposto de normalidade dos dados natildeo ter sido alcanccedilado esta base de dados seraacute utilizada nas modelagens
para fins acadecircmicos e seraacute tomado como premissa que a distribuiccedilatildeo estaacute normalizada
29
O teste graacutefico de normalidade de Kolmogorov-Smirnov foi realizado para a distribuiccedilatildeo transformada O
graacutefico abaixo evidencia o comportamento dos dados da distribuiccedilatildeo frente ao comportamento da distribuiccedilatildeo normal
auxiliando na conclusatildeo do teste anterior
log 10
Pe
rce
nt
4540353025
9999
99
95
80
50
20
5
1
001
Mean
lt0010
3668
StDev 02593
N 660
KS 0042
P-Value
Teste de Normalidade Kolmogorov-Smirnov - log 10Normal
Figura 8 - Teste de Kolmogorov-Smirnov para a Seacuterie Transformada
Fonte SPSS 2012
A seguir tem-se o histograma da seacuterie transformada evidenciando a mudanccedila do comportamento dos dados
30
log 10
Fre
qu
en
cy
42403836343230
70
60
50
40
30
20
10
0
Mean 3668
StDev 02593
N 660
Histogram of log 10Normal
Figura 9 - Histograma da Seacuterie Transformada
Fonte SPSS 2012
O teste da igualdade de variacircncias eacute aplicado com o objetivo de verificar se devem ou natildeo ser assumidas
igualdade entre as variacircncias das populaccedilotildees Para isso foi utilizado na anaacutelise o Teste de Levene cujas hipoacuteteses
satildeo as seguintes
H0 as variacircncias nas duas populaccedilotildees satildeo iguais ou seja existe homocedasticidade (σ1 = σ2 ou σ1 = σ2 = 0)
Neste caso assume-se a estatiacutestica Sig F gt 005
H1 as variacircncias nas duas populaccedilotildees satildeo diferentes ou seja natildeo existe homocedasticidade (σ1 ne σ2 ou σ1 ne
σ2 ne 0) Neste caso assume-se a estatiacutestica Sig F lt ou = 005
Para a realizaccedilatildeo do teste dividiu-se a populaccedilatildeo em dois grupos iguais (grupos denominados como 0 e 1
cada um com 330 unidades) Os resultados satildeo os seguintes
31
Group Statistics
330 35473 23553 01297
330 37896 22313 01228
Teste de Lev ene0
1
log10N Mean Std Dev iation
Std Error
Mean
Independent Samples Test
5981 015 -13569 658 000 -24235 01786 -27742 -20728
-13569 656086 000 -24235 01786 -27742 -20728
Equal variances
assumed
Equal variances
not assumed
log10F Sig
Lev enes Test for
Equality of Variances
t df Sig (2-tailed)
Mean
Dif f erence
Std Error
Dif f erence Lower Upper
95 Conf idence
Interv al of the
Dif f erence
t-test f or Equality of Means
Figura 10 - Teste de Homocedasticidade para a Seacuterie Transformada
Fonte SPSS 2012
Pelo resultado do teste pode-se verificar que o valor de ldquoSigrdquo (referente ao p-value) foi de 0015 onde se
conclui que a hipoacutetese nula que leva em consideraccedilatildeo que a variacircncia da seacuterie eacute constante pode ser aceita
33 ndash MODELOS DE PREVISAtildeO
Neste trabalho seratildeo analisados os seguintes modelos de previsatildeo
1 ndash Box Jenkins
2 ndash Suavizaccedilatildeo Exponencial
Para determinar o modelo de previsatildeo mais adequado foi utilizado o software Forecast Pro for Windows (FPW)
Todas as previsotildees foram realizadas utilizando a seacuterie com a variaacutevel transformada a fim de atender o
pressuposto de normalidade da seacuterie necessaacuterio nos modelos de previsatildeo
32
Figura 11 - Seleccedilatildeo da Seacuterie para a Previsatildeo
Fonte FPW 2012
331 ndash Box-Jenkins
Apoacutes a apresentaccedilatildeo e anaacutelises dos pressupostos necessaacuterios para a aplicaccedilatildeo do modelo Box-Jenkins seratildeo
realizadas as anaacutelises que demonstram a funccedilatildeo de autocorrelaccedilatildeo (FAC) e funccedilatildeo de autocorrelaccedilatildeo parcial (FACP)
Figura 12 - FAC da Seacuterie
Fonte FPW 2012
33
Figura 13 - FACP da Seacuterie
Fonte FPW 2012
Nota-se na Figura XXX FAC da seacuterie que a seacuterie decai muito lentamente indicando tendecircncia logo faz-se
necessaacuterio realizar uma diferenciaccedilatildeo na parte simples
Apoacutes a diferenciaccedilatildeo obtiveram-se os seguintes novos graacuteficos para a funccedilatildeo de autocorrelaccedilatildeo e funccedilatildeo de
autocorrelaccedilatildeo parcial
Figura 14 - FAC da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
34
Figura 15 - FACP da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
Apoacutes a realizaccedilatildeo da diferenciaccedilatildeo os seguintes modelos foram testados
1 ndash ARIMA (110)
2 ndash ARIMA (011)
3 ndash ARIMA (210)
4 ndash ARIMA (012)
5 ndash ARIMA (111)
A seguir cada modelo seraacute demonstrado
1 ndash ARIMA (110)
Figura 16 - Resultado ARIMA (110)
Fonte FPW 2012
35
Figura 17 - FAC dos Resiacuteduos ARIMA (110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08746) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel a(1) foi considerada significativa
2 - ARIMA (011)
Figura 18 - Resultado ARIMA (011)
Fonte FPW 2012
36
Figura 19 - FAC dos Resiacuteduos ARIMA (011)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel b(1) foi considerada significativa
3 - ARIMA (210)
Figura 20 - Resultado ARIMA (210)
Fonte FPW 2012
37
Figura 21 - FAC dos Resiacuteduos ARIMA (210)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08765) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
4 - ARIMA (012)
Figura 22 - Resultado ARIMA (012)
Fonte FPW 2012
38
Figura 23 - FAC dos Resiacuteduos ARIMA (012)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08777) com lag significativo nas fases 12 24 e 36 no graacutefico da FAC dos
resiacuteduos As variaacuteveis b(1) e b(2) foram consideradas significativas
5 - ARIMA (111)
Figura 24 - Resultado ARIMA (111)
Fonte FPW 2012
39
Figura 25 - FAC dos Resiacuteduos ARIMA (111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08811) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e b(1) foi considerada significativa
Observando os resultados obtidos nos cinco modelos anteriores fica evidente a semelhanccedila da presenccedila dos
lags significativos nas fases 12 24 e 36 no graacutefico da FAC dos resiacuteduos indicando a existecircncia de sazonalidade na
seacuterie modelada Assim torna-se necessaacuterio diferenciar a fase sazonal dos dados
Apoacutes a diferenciaccedilatildeo simples foram realizadas as seguintes diferenciaccedilotildees sazonais obtendo-se os seguintes
resultados para os modelos SARIMA
6 ndash SARIMA (011)(010)
Figura 26 - Resultado SARIMA (011)(010)
Fonte FPW 2012
40
Figura 27 - FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel b(1) foi considerada significativa
7 ndash SARIMA (110)(010)
Figura 28 - Resultado SARIMA (011)(010)
Fonte FPW 2012
41
Figura 29 - FAC dos Resiacuteduos SARIMA (011)(010)
Figura 29 ndash FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08305) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel a(1) foi considerada significativa
8 ndash SARIMA (210)(010)
Figura 30 - Resultado SARIMA (210)(010)
Fonte FPW 2012
42
Figura 31 - FAC dos Resiacuteduos SARIMA (210)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08337) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
9 ndash SARIMA (012)(010)
Figura 32 - Resultado SARIMA (012)(010)
Fonte FPW 2012
43
Figura 33 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
10 ndash SARIMA (111)(010)
Figura 34 - Resultado SARIMA (111)(010)
Fonte FPW 2012
44
Figura 35 - FAC dos Resiacuteduos SARIMA (111)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 12 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1
11 ndash SARIMA (011)(110)
Figura 36 - Resultado SARIMA (011)(110)
Fonte FPW 2012
45
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08623) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis A(12) e b(1) foram consideradas significativas
12 ndash SARIMA (110)(110)
Figura 38 - Resultado SARIMA (011)(110)
Fonte FPW 2012
46
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08595) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e A(12) foram consideradas significativas
13 ndash SARIMA (210)(110)
Figura 40 - Resultado SARIMA (210)(110)
Fonte FPW 2012
47
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08620) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) a(2) e A(12) foram consideradas significativas
14 ndash SARIMA (012)(010)
Figura 42 - Resultado SARIMA (012)(010)
Fonte FPW 2012
48
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08625) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
15 ndash SARIMA (111)(110)
Figura 44 - Resultado SARIMA (111)(110)
Fonte FPW 2012
49
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08626) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 24 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1 e MA = 1
16 ndash SARIMA (011)(111)
Figura 46 - Resultado SARIMA (011)(111)
Fonte FPW 2012
50
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) e B(12) foram consideradas significativas pelo modelo
17 ndash SARIMA (110)(111)
Figura 48 - Resultado SARIMA (110)(111)
Fonte FPW 2012
51
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09010) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) e B(12) foram consideradas significativas pelo modelo
18 ndash SARIMA (210)(111)
Figura 50 - Resultado SARIMA (210)(111)
Fonte FPW 2012
52
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) a(12) e B(12) foram consideradas significativas pelo modelo
19 ndash SARIMA (012)(111)
Figura 52 ndash Resultado SARIMA (012)(111)
Fonte FPW 2012
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
23
Onde
mtx ˆ = previsatildeo para o periacuteodo t+m
= constantes de suavizaccedilatildeo que variam entre 0 e 1
tx = observaccedilatildeo mais recente
tL = estimativa do niacutevel de seacuterie no tempo t
tT = estimativa de declividade da seacuterie no tempo t
tS = componente de sazonalidade no tempo t
S = nuacutemero de subperiacuteodos do ano (sazonalidade)
A escolha de valores para as constantes de suavizaccedilatildeo eacute condicionada a algum criteacuterio que na maioria das
vezes consiste na minimizaccedilatildeo por meio do algoritmo de minimizaccedilatildeo linear do erro quadraacutetico meacutedio (MSE) atribuiacutedo
ao desempenho do meacutetodo
Como o meacutetodo multiplicativo de Winters baseia-se na aplicaccedilatildeo recursiva das equaccedilotildees deste item e que
deve ser iniciada em algum periacuteodo do passado no qual os valores de TL TT e TS devem ser estimados A maneira
mais simples de inicializar o niacutevel de tendecircncia no periacuteodo S O niacutevel eacute inicializado no primeiro periacuteodo sazonal da
seguinte forma
S
Sxxxx
SL
1
321
(Equaccedilatildeo 33)
Para inicializar a tendecircncia eacute conveniente o uso de dois ciclos completos isto eacute 2S periacuteodos como descrito
abaixo
S
xx
S
xx
S
xx
ST SSSSS
S 1 2211 (Equaccedilatildeo 34)
Por ultimo os iacutendices sazonais satildeo inicializados usando-se a razatildeo das primeiras observaccedilotildees como a meacutedia
do primeiro ano com descrito a seguir
S
xS
L
11
S
xS
L
22
S
S
s
xS
L (Equaccedilatildeo 35)
2432 ndash Meacutetodo Sazonal Aditivo de Winters
O meacutetodo aditivo de Winters eacute utilizado na modelagem dos dados sazonais no qual a amplitude do ciclo
sazonal permanece constante com o passar do tempo
Aleacutem disso a amplitude da variaccedilatildeo sazonal eacute constante ao longo do tempo ou seja a diferenccedila entre o maior
e o menor valor de demanda dentro das estaccedilotildees permanece relativamente constante no tempo As equaccedilotildees
matemaacuteticas satildeo
))(1()( 11 ttttt TLSSxL (Equaccedilatildeo 36)
24
11 )1()( tttt TLLT (Equaccedilatildeo 37)
Stttt SLxS )1()( St = γ(xt - Lt) + (1- γ)St-S (Equaccedilatildeo 38)
mStttmt SmTLx ˆ (Equaccedilatildeo 39)
A segunda equaccedilatildeo deste item eacute igual agravequela do meacutetodo multiplicativo de Winters O restante das equaccedilotildees se
diferem por iacutendice sazonais serem somados e subtraiacutedos ao inveacutes de serem tomados em produtos ou divisotildees
Os valores iniciais de SL e ST satildeo iguais aos do meacutetodo multiplicativo Os iacutendices sazonais satildeo inicializados da
seguinte forma
SLxS 11 SLxS 22 SSS LxS (Equaccedilatildeo 40)
25 ndash SELECcedilAtildeO DE MODELOS
A partir do momento em que vaacuterios modelos ajustam-se a uma seacuterie temporal deve-se eleger aquele que
melhor representa o seu comportamento por meio da anaacutelise de seus paracircmetros Neste trabalho os paracircmetros seratildeo
utilizados os seguintes paracircmetros de forma primordial na definiccedilatildeo do modelo mais apropriado
251 ndash Maacuteximo R2
A estatiacutestica R2 eacute definida por
n
1t
2
2n
1t2
ˆ
1
tt
tt
xx
xx
R (Equaccedilatildeo 41)
Onde
tx = observaccedilatildeo real para o periacuteodo t
tx = previsatildeo para o periacuteodo t
Uma medida de R2 mais proacutexima de zero indica um modelo com ajuste pobre enquanto que um valor proacuteximo
de um indica um bom ajuste
252 ndash Miacutenimo BIC (Bayesian Information Criterion)
Este criteacuterio penaliza os modelos com muitos paracircmetros sendo portanto um criteacuterio de verosimilhanccedila
penalisada Vale ressaltar que o BIC natildeo deve ser utilizado de forma isolada mas em conjunto com outros paracircmetros
na comparaccedilatildeo com diversos modelos
O BIC eacute definido pela seguinte expressatildeo
25
nm
nMSEBIC2
(Equaccedilatildeo 42)
nm
tt nxxn
BIC22
n
1t
ˆ1
(Equaccedilatildeo 43)
Onde
m = nuacutemero de paracircmetros do modelo
n = nuacutemero de observaccedilotildees da seacuterie temporal
3 - DESENVOLVIMENTO
31 ndash ANAacuteLISE DA SEacuteRIE
A seacuterie a seguir apresenta os dados quantitativos da evoluccedilatildeo do volume de produccedilatildeo de caminhotildees no Brasil
Tratam-se de dados mensais entre janeiro de 1957 e dezembro de 2011 totalizando 660 observaccedilotildees
5000
10000
15000
20000
60 65 70 75 80 85 90 95 0 5 10
Legend
PRODUCAO
Figura 2 - Seacuterie de Volume de Produccedilatildeo no Brasil
Fonte Elaborado pelos Autores 2012
26
32 ndash ANAacuteLISE DESCRITIVA
O primeiro passo foi a anaacutelise descritiva da seacuterie visando obter uma anaacutelise inicial para definir o modelo de
previsatildeo mais adequado agraves suas caracteriacutesticas
Utilizando o software Minitab obteve-se a seguinte tabela
Figura 3 - Estatiacutesticas Descritivas da Seacuterie Inicial
Fonte Minitab 2012
O coeficiente de correlaccedilatildeo de Pearson indica a razatildeo entre o desvio padratildeo e a meacutedia de uma seacuterie cujo
caacutelculo eacute representado por
CV = desvio padratildeomeacutedia
Introduzindo os valores do desvio padratildeo (3515) e da meacutedia da amostra (5560) na foacutermula anterior obteacutem-se o
seguinte resultado
CV = 35155560 = 06322 ~ 63 de grau de dispersatildeo
Essa medida eacute utilizada quando se pretende comparar duas ou mais distribuiccedilotildees de probabilidade quanto agraves
suas variabilidades atuando como uma medida de variabilidade relativa
Na teoria de probabilidade o grau de simetria eacute uma medida de assimetria da distribuiccedilatildeo de valores reais
aleatoacuterios O grau de simetria pode ser positivo ou negativo ou mesmo indefinido Qualitativamente um valor negativo
em que a cauda no lado esquerdo da funccedilatildeo de densidade de probabilidade eacute maior do que o lado direito e a maioria
dos valores tende ao lado direito da meacutedia De mesma forma um valor positivo indica que a cauda no lado direito eacute
maior do que o lado esquerdo e que a maioria dos valores tende ao lado esquerdo da meacutedia O valor zero indica que
valores relativos igualmente distribuiacutedos dos dois lados ao redor da meacutedia mas natildeo necessariamente implica em uma
distribuiccedilatildeo simeacutetrica
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de grau de simetria (skewness) O valor positivo do grau de
simetria indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa conforme apresentado no
histograma a seguir
27
dados
Fre
qu
en
cy
200001600012000800040000
120
100
80
60
40
20
0
Mean 5560
StDev 3515
N 660
Histogram (with Normal Curve) of dados
Figura 4 - Histograma da Seacuterie Inicial
Fonte SPSS 2012
De forma similar o conceito de curtose trata-se da uma medida de dispersatildeo para descriccedilatildeo da forma da
distribuiccedilatildeo de probabilidades e como o grau de simetria existem formas diferentes de quantificaacute-la como uma
distribuiccedilatildeo teoacuterica e formas correspondentes de estimaacute-la a partir de uma amostra oriunda de uma populaccedilatildeo Essa
medida indica o grau de achatamento curva de distribuiccedilatildeo de probabilidade
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de curtose (kurtosis) O valor positivo do grau de simetria
indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa O valor positivo indica um
comportamento leptocuacutertica indicando que a mesma eacute mais alta e mais concentrada que a distribuiccedilatildeo normal
O Teste de Normalidade realizado com 95 de niacutevel de confianccedila gerou um p-value nulo ou seja abaixo dos
5 de significacircncia Desta maneira a hipoacutetese nula de que os dados apresentariam uma distribuiccedilatildeo normal foi
rejeitada
Tests of Normality
105 660 000 860 660 000VAR00001
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 5 - Teste de Normalidade da Seacuterie Inicial
Fonte SPSS 2012
28
O teste de Kolmogorov-Smirnov eacute utilizado para determinar se duas distribuiccedilotildees de probabilidade diferem uma
da outra ou natildeo O graacutefico abaixo referente a este testem evidencia o comportamento da distribuiccedilatildeo frente ao
comportamento da distribuiccedilatildeo normal
dados
Pe
rce
nt
2500020000150001000050000-5000-10000
9999
99
95
80
50
20
5
1
001
Mean
lt0010
5560
StDev 3515
N 660
KS 0105
P-Value
Teste de Normalidade Kolmogorov-SmirnovNormal
Figura 6 - Teste de Kolmogorov-Smirnov para a Seacuterie Inicial
Fonte SPSS 2012
Assim faz-se necessaacuterio uma transformaccedilatildeo na seacuterie para adequaccedilatildeo dos dados para uma distribuiccedilatildeo
normal Para tal modificaccedilatildeo neste trabalho foi utilizada a distribuiccedilatildeo logariacutetmica na base 10
Apoacutes a transformaccedilatildeo o teste de normalidade foi realizado novamente (tambeacutem com 95 de significacircncia) O
resultado eacute apresentado na tabela a seguir
Tests of Normality
042 660 007 994 660 009log10
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 7 - Teste de Normalidade para a Seacuterie Transformada
Fonte SPSS 2012
Conforme pode ser observado na tabela acima o p-value foi proacuteximo de 001 menor que 005 Apesar do
pressuposto de normalidade dos dados natildeo ter sido alcanccedilado esta base de dados seraacute utilizada nas modelagens
para fins acadecircmicos e seraacute tomado como premissa que a distribuiccedilatildeo estaacute normalizada
29
O teste graacutefico de normalidade de Kolmogorov-Smirnov foi realizado para a distribuiccedilatildeo transformada O
graacutefico abaixo evidencia o comportamento dos dados da distribuiccedilatildeo frente ao comportamento da distribuiccedilatildeo normal
auxiliando na conclusatildeo do teste anterior
log 10
Pe
rce
nt
4540353025
9999
99
95
80
50
20
5
1
001
Mean
lt0010
3668
StDev 02593
N 660
KS 0042
P-Value
Teste de Normalidade Kolmogorov-Smirnov - log 10Normal
Figura 8 - Teste de Kolmogorov-Smirnov para a Seacuterie Transformada
Fonte SPSS 2012
A seguir tem-se o histograma da seacuterie transformada evidenciando a mudanccedila do comportamento dos dados
30
log 10
Fre
qu
en
cy
42403836343230
70
60
50
40
30
20
10
0
Mean 3668
StDev 02593
N 660
Histogram of log 10Normal
Figura 9 - Histograma da Seacuterie Transformada
Fonte SPSS 2012
O teste da igualdade de variacircncias eacute aplicado com o objetivo de verificar se devem ou natildeo ser assumidas
igualdade entre as variacircncias das populaccedilotildees Para isso foi utilizado na anaacutelise o Teste de Levene cujas hipoacuteteses
satildeo as seguintes
H0 as variacircncias nas duas populaccedilotildees satildeo iguais ou seja existe homocedasticidade (σ1 = σ2 ou σ1 = σ2 = 0)
Neste caso assume-se a estatiacutestica Sig F gt 005
H1 as variacircncias nas duas populaccedilotildees satildeo diferentes ou seja natildeo existe homocedasticidade (σ1 ne σ2 ou σ1 ne
σ2 ne 0) Neste caso assume-se a estatiacutestica Sig F lt ou = 005
Para a realizaccedilatildeo do teste dividiu-se a populaccedilatildeo em dois grupos iguais (grupos denominados como 0 e 1
cada um com 330 unidades) Os resultados satildeo os seguintes
31
Group Statistics
330 35473 23553 01297
330 37896 22313 01228
Teste de Lev ene0
1
log10N Mean Std Dev iation
Std Error
Mean
Independent Samples Test
5981 015 -13569 658 000 -24235 01786 -27742 -20728
-13569 656086 000 -24235 01786 -27742 -20728
Equal variances
assumed
Equal variances
not assumed
log10F Sig
Lev enes Test for
Equality of Variances
t df Sig (2-tailed)
Mean
Dif f erence
Std Error
Dif f erence Lower Upper
95 Conf idence
Interv al of the
Dif f erence
t-test f or Equality of Means
Figura 10 - Teste de Homocedasticidade para a Seacuterie Transformada
Fonte SPSS 2012
Pelo resultado do teste pode-se verificar que o valor de ldquoSigrdquo (referente ao p-value) foi de 0015 onde se
conclui que a hipoacutetese nula que leva em consideraccedilatildeo que a variacircncia da seacuterie eacute constante pode ser aceita
33 ndash MODELOS DE PREVISAtildeO
Neste trabalho seratildeo analisados os seguintes modelos de previsatildeo
1 ndash Box Jenkins
2 ndash Suavizaccedilatildeo Exponencial
Para determinar o modelo de previsatildeo mais adequado foi utilizado o software Forecast Pro for Windows (FPW)
Todas as previsotildees foram realizadas utilizando a seacuterie com a variaacutevel transformada a fim de atender o
pressuposto de normalidade da seacuterie necessaacuterio nos modelos de previsatildeo
32
Figura 11 - Seleccedilatildeo da Seacuterie para a Previsatildeo
Fonte FPW 2012
331 ndash Box-Jenkins
Apoacutes a apresentaccedilatildeo e anaacutelises dos pressupostos necessaacuterios para a aplicaccedilatildeo do modelo Box-Jenkins seratildeo
realizadas as anaacutelises que demonstram a funccedilatildeo de autocorrelaccedilatildeo (FAC) e funccedilatildeo de autocorrelaccedilatildeo parcial (FACP)
Figura 12 - FAC da Seacuterie
Fonte FPW 2012
33
Figura 13 - FACP da Seacuterie
Fonte FPW 2012
Nota-se na Figura XXX FAC da seacuterie que a seacuterie decai muito lentamente indicando tendecircncia logo faz-se
necessaacuterio realizar uma diferenciaccedilatildeo na parte simples
Apoacutes a diferenciaccedilatildeo obtiveram-se os seguintes novos graacuteficos para a funccedilatildeo de autocorrelaccedilatildeo e funccedilatildeo de
autocorrelaccedilatildeo parcial
Figura 14 - FAC da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
34
Figura 15 - FACP da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
Apoacutes a realizaccedilatildeo da diferenciaccedilatildeo os seguintes modelos foram testados
1 ndash ARIMA (110)
2 ndash ARIMA (011)
3 ndash ARIMA (210)
4 ndash ARIMA (012)
5 ndash ARIMA (111)
A seguir cada modelo seraacute demonstrado
1 ndash ARIMA (110)
Figura 16 - Resultado ARIMA (110)
Fonte FPW 2012
35
Figura 17 - FAC dos Resiacuteduos ARIMA (110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08746) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel a(1) foi considerada significativa
2 - ARIMA (011)
Figura 18 - Resultado ARIMA (011)
Fonte FPW 2012
36
Figura 19 - FAC dos Resiacuteduos ARIMA (011)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel b(1) foi considerada significativa
3 - ARIMA (210)
Figura 20 - Resultado ARIMA (210)
Fonte FPW 2012
37
Figura 21 - FAC dos Resiacuteduos ARIMA (210)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08765) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
4 - ARIMA (012)
Figura 22 - Resultado ARIMA (012)
Fonte FPW 2012
38
Figura 23 - FAC dos Resiacuteduos ARIMA (012)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08777) com lag significativo nas fases 12 24 e 36 no graacutefico da FAC dos
resiacuteduos As variaacuteveis b(1) e b(2) foram consideradas significativas
5 - ARIMA (111)
Figura 24 - Resultado ARIMA (111)
Fonte FPW 2012
39
Figura 25 - FAC dos Resiacuteduos ARIMA (111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08811) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e b(1) foi considerada significativa
Observando os resultados obtidos nos cinco modelos anteriores fica evidente a semelhanccedila da presenccedila dos
lags significativos nas fases 12 24 e 36 no graacutefico da FAC dos resiacuteduos indicando a existecircncia de sazonalidade na
seacuterie modelada Assim torna-se necessaacuterio diferenciar a fase sazonal dos dados
Apoacutes a diferenciaccedilatildeo simples foram realizadas as seguintes diferenciaccedilotildees sazonais obtendo-se os seguintes
resultados para os modelos SARIMA
6 ndash SARIMA (011)(010)
Figura 26 - Resultado SARIMA (011)(010)
Fonte FPW 2012
40
Figura 27 - FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel b(1) foi considerada significativa
7 ndash SARIMA (110)(010)
Figura 28 - Resultado SARIMA (011)(010)
Fonte FPW 2012
41
Figura 29 - FAC dos Resiacuteduos SARIMA (011)(010)
Figura 29 ndash FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08305) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel a(1) foi considerada significativa
8 ndash SARIMA (210)(010)
Figura 30 - Resultado SARIMA (210)(010)
Fonte FPW 2012
42
Figura 31 - FAC dos Resiacuteduos SARIMA (210)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08337) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
9 ndash SARIMA (012)(010)
Figura 32 - Resultado SARIMA (012)(010)
Fonte FPW 2012
43
Figura 33 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
10 ndash SARIMA (111)(010)
Figura 34 - Resultado SARIMA (111)(010)
Fonte FPW 2012
44
Figura 35 - FAC dos Resiacuteduos SARIMA (111)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 12 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1
11 ndash SARIMA (011)(110)
Figura 36 - Resultado SARIMA (011)(110)
Fonte FPW 2012
45
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08623) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis A(12) e b(1) foram consideradas significativas
12 ndash SARIMA (110)(110)
Figura 38 - Resultado SARIMA (011)(110)
Fonte FPW 2012
46
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08595) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e A(12) foram consideradas significativas
13 ndash SARIMA (210)(110)
Figura 40 - Resultado SARIMA (210)(110)
Fonte FPW 2012
47
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08620) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) a(2) e A(12) foram consideradas significativas
14 ndash SARIMA (012)(010)
Figura 42 - Resultado SARIMA (012)(010)
Fonte FPW 2012
48
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08625) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
15 ndash SARIMA (111)(110)
Figura 44 - Resultado SARIMA (111)(110)
Fonte FPW 2012
49
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08626) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 24 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1 e MA = 1
16 ndash SARIMA (011)(111)
Figura 46 - Resultado SARIMA (011)(111)
Fonte FPW 2012
50
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) e B(12) foram consideradas significativas pelo modelo
17 ndash SARIMA (110)(111)
Figura 48 - Resultado SARIMA (110)(111)
Fonte FPW 2012
51
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09010) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) e B(12) foram consideradas significativas pelo modelo
18 ndash SARIMA (210)(111)
Figura 50 - Resultado SARIMA (210)(111)
Fonte FPW 2012
52
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) a(12) e B(12) foram consideradas significativas pelo modelo
19 ndash SARIMA (012)(111)
Figura 52 ndash Resultado SARIMA (012)(111)
Fonte FPW 2012
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
24
11 )1()( tttt TLLT (Equaccedilatildeo 37)
Stttt SLxS )1()( St = γ(xt - Lt) + (1- γ)St-S (Equaccedilatildeo 38)
mStttmt SmTLx ˆ (Equaccedilatildeo 39)
A segunda equaccedilatildeo deste item eacute igual agravequela do meacutetodo multiplicativo de Winters O restante das equaccedilotildees se
diferem por iacutendice sazonais serem somados e subtraiacutedos ao inveacutes de serem tomados em produtos ou divisotildees
Os valores iniciais de SL e ST satildeo iguais aos do meacutetodo multiplicativo Os iacutendices sazonais satildeo inicializados da
seguinte forma
SLxS 11 SLxS 22 SSS LxS (Equaccedilatildeo 40)
25 ndash SELECcedilAtildeO DE MODELOS
A partir do momento em que vaacuterios modelos ajustam-se a uma seacuterie temporal deve-se eleger aquele que
melhor representa o seu comportamento por meio da anaacutelise de seus paracircmetros Neste trabalho os paracircmetros seratildeo
utilizados os seguintes paracircmetros de forma primordial na definiccedilatildeo do modelo mais apropriado
251 ndash Maacuteximo R2
A estatiacutestica R2 eacute definida por
n
1t
2
2n
1t2
ˆ
1
tt
tt
xx
xx
R (Equaccedilatildeo 41)
Onde
tx = observaccedilatildeo real para o periacuteodo t
tx = previsatildeo para o periacuteodo t
Uma medida de R2 mais proacutexima de zero indica um modelo com ajuste pobre enquanto que um valor proacuteximo
de um indica um bom ajuste
252 ndash Miacutenimo BIC (Bayesian Information Criterion)
Este criteacuterio penaliza os modelos com muitos paracircmetros sendo portanto um criteacuterio de verosimilhanccedila
penalisada Vale ressaltar que o BIC natildeo deve ser utilizado de forma isolada mas em conjunto com outros paracircmetros
na comparaccedilatildeo com diversos modelos
O BIC eacute definido pela seguinte expressatildeo
25
nm
nMSEBIC2
(Equaccedilatildeo 42)
nm
tt nxxn
BIC22
n
1t
ˆ1
(Equaccedilatildeo 43)
Onde
m = nuacutemero de paracircmetros do modelo
n = nuacutemero de observaccedilotildees da seacuterie temporal
3 - DESENVOLVIMENTO
31 ndash ANAacuteLISE DA SEacuteRIE
A seacuterie a seguir apresenta os dados quantitativos da evoluccedilatildeo do volume de produccedilatildeo de caminhotildees no Brasil
Tratam-se de dados mensais entre janeiro de 1957 e dezembro de 2011 totalizando 660 observaccedilotildees
5000
10000
15000
20000
60 65 70 75 80 85 90 95 0 5 10
Legend
PRODUCAO
Figura 2 - Seacuterie de Volume de Produccedilatildeo no Brasil
Fonte Elaborado pelos Autores 2012
26
32 ndash ANAacuteLISE DESCRITIVA
O primeiro passo foi a anaacutelise descritiva da seacuterie visando obter uma anaacutelise inicial para definir o modelo de
previsatildeo mais adequado agraves suas caracteriacutesticas
Utilizando o software Minitab obteve-se a seguinte tabela
Figura 3 - Estatiacutesticas Descritivas da Seacuterie Inicial
Fonte Minitab 2012
O coeficiente de correlaccedilatildeo de Pearson indica a razatildeo entre o desvio padratildeo e a meacutedia de uma seacuterie cujo
caacutelculo eacute representado por
CV = desvio padratildeomeacutedia
Introduzindo os valores do desvio padratildeo (3515) e da meacutedia da amostra (5560) na foacutermula anterior obteacutem-se o
seguinte resultado
CV = 35155560 = 06322 ~ 63 de grau de dispersatildeo
Essa medida eacute utilizada quando se pretende comparar duas ou mais distribuiccedilotildees de probabilidade quanto agraves
suas variabilidades atuando como uma medida de variabilidade relativa
Na teoria de probabilidade o grau de simetria eacute uma medida de assimetria da distribuiccedilatildeo de valores reais
aleatoacuterios O grau de simetria pode ser positivo ou negativo ou mesmo indefinido Qualitativamente um valor negativo
em que a cauda no lado esquerdo da funccedilatildeo de densidade de probabilidade eacute maior do que o lado direito e a maioria
dos valores tende ao lado direito da meacutedia De mesma forma um valor positivo indica que a cauda no lado direito eacute
maior do que o lado esquerdo e que a maioria dos valores tende ao lado esquerdo da meacutedia O valor zero indica que
valores relativos igualmente distribuiacutedos dos dois lados ao redor da meacutedia mas natildeo necessariamente implica em uma
distribuiccedilatildeo simeacutetrica
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de grau de simetria (skewness) O valor positivo do grau de
simetria indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa conforme apresentado no
histograma a seguir
27
dados
Fre
qu
en
cy
200001600012000800040000
120
100
80
60
40
20
0
Mean 5560
StDev 3515
N 660
Histogram (with Normal Curve) of dados
Figura 4 - Histograma da Seacuterie Inicial
Fonte SPSS 2012
De forma similar o conceito de curtose trata-se da uma medida de dispersatildeo para descriccedilatildeo da forma da
distribuiccedilatildeo de probabilidades e como o grau de simetria existem formas diferentes de quantificaacute-la como uma
distribuiccedilatildeo teoacuterica e formas correspondentes de estimaacute-la a partir de uma amostra oriunda de uma populaccedilatildeo Essa
medida indica o grau de achatamento curva de distribuiccedilatildeo de probabilidade
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de curtose (kurtosis) O valor positivo do grau de simetria
indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa O valor positivo indica um
comportamento leptocuacutertica indicando que a mesma eacute mais alta e mais concentrada que a distribuiccedilatildeo normal
O Teste de Normalidade realizado com 95 de niacutevel de confianccedila gerou um p-value nulo ou seja abaixo dos
5 de significacircncia Desta maneira a hipoacutetese nula de que os dados apresentariam uma distribuiccedilatildeo normal foi
rejeitada
Tests of Normality
105 660 000 860 660 000VAR00001
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 5 - Teste de Normalidade da Seacuterie Inicial
Fonte SPSS 2012
28
O teste de Kolmogorov-Smirnov eacute utilizado para determinar se duas distribuiccedilotildees de probabilidade diferem uma
da outra ou natildeo O graacutefico abaixo referente a este testem evidencia o comportamento da distribuiccedilatildeo frente ao
comportamento da distribuiccedilatildeo normal
dados
Pe
rce
nt
2500020000150001000050000-5000-10000
9999
99
95
80
50
20
5
1
001
Mean
lt0010
5560
StDev 3515
N 660
KS 0105
P-Value
Teste de Normalidade Kolmogorov-SmirnovNormal
Figura 6 - Teste de Kolmogorov-Smirnov para a Seacuterie Inicial
Fonte SPSS 2012
Assim faz-se necessaacuterio uma transformaccedilatildeo na seacuterie para adequaccedilatildeo dos dados para uma distribuiccedilatildeo
normal Para tal modificaccedilatildeo neste trabalho foi utilizada a distribuiccedilatildeo logariacutetmica na base 10
Apoacutes a transformaccedilatildeo o teste de normalidade foi realizado novamente (tambeacutem com 95 de significacircncia) O
resultado eacute apresentado na tabela a seguir
Tests of Normality
042 660 007 994 660 009log10
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 7 - Teste de Normalidade para a Seacuterie Transformada
Fonte SPSS 2012
Conforme pode ser observado na tabela acima o p-value foi proacuteximo de 001 menor que 005 Apesar do
pressuposto de normalidade dos dados natildeo ter sido alcanccedilado esta base de dados seraacute utilizada nas modelagens
para fins acadecircmicos e seraacute tomado como premissa que a distribuiccedilatildeo estaacute normalizada
29
O teste graacutefico de normalidade de Kolmogorov-Smirnov foi realizado para a distribuiccedilatildeo transformada O
graacutefico abaixo evidencia o comportamento dos dados da distribuiccedilatildeo frente ao comportamento da distribuiccedilatildeo normal
auxiliando na conclusatildeo do teste anterior
log 10
Pe
rce
nt
4540353025
9999
99
95
80
50
20
5
1
001
Mean
lt0010
3668
StDev 02593
N 660
KS 0042
P-Value
Teste de Normalidade Kolmogorov-Smirnov - log 10Normal
Figura 8 - Teste de Kolmogorov-Smirnov para a Seacuterie Transformada
Fonte SPSS 2012
A seguir tem-se o histograma da seacuterie transformada evidenciando a mudanccedila do comportamento dos dados
30
log 10
Fre
qu
en
cy
42403836343230
70
60
50
40
30
20
10
0
Mean 3668
StDev 02593
N 660
Histogram of log 10Normal
Figura 9 - Histograma da Seacuterie Transformada
Fonte SPSS 2012
O teste da igualdade de variacircncias eacute aplicado com o objetivo de verificar se devem ou natildeo ser assumidas
igualdade entre as variacircncias das populaccedilotildees Para isso foi utilizado na anaacutelise o Teste de Levene cujas hipoacuteteses
satildeo as seguintes
H0 as variacircncias nas duas populaccedilotildees satildeo iguais ou seja existe homocedasticidade (σ1 = σ2 ou σ1 = σ2 = 0)
Neste caso assume-se a estatiacutestica Sig F gt 005
H1 as variacircncias nas duas populaccedilotildees satildeo diferentes ou seja natildeo existe homocedasticidade (σ1 ne σ2 ou σ1 ne
σ2 ne 0) Neste caso assume-se a estatiacutestica Sig F lt ou = 005
Para a realizaccedilatildeo do teste dividiu-se a populaccedilatildeo em dois grupos iguais (grupos denominados como 0 e 1
cada um com 330 unidades) Os resultados satildeo os seguintes
31
Group Statistics
330 35473 23553 01297
330 37896 22313 01228
Teste de Lev ene0
1
log10N Mean Std Dev iation
Std Error
Mean
Independent Samples Test
5981 015 -13569 658 000 -24235 01786 -27742 -20728
-13569 656086 000 -24235 01786 -27742 -20728
Equal variances
assumed
Equal variances
not assumed
log10F Sig
Lev enes Test for
Equality of Variances
t df Sig (2-tailed)
Mean
Dif f erence
Std Error
Dif f erence Lower Upper
95 Conf idence
Interv al of the
Dif f erence
t-test f or Equality of Means
Figura 10 - Teste de Homocedasticidade para a Seacuterie Transformada
Fonte SPSS 2012
Pelo resultado do teste pode-se verificar que o valor de ldquoSigrdquo (referente ao p-value) foi de 0015 onde se
conclui que a hipoacutetese nula que leva em consideraccedilatildeo que a variacircncia da seacuterie eacute constante pode ser aceita
33 ndash MODELOS DE PREVISAtildeO
Neste trabalho seratildeo analisados os seguintes modelos de previsatildeo
1 ndash Box Jenkins
2 ndash Suavizaccedilatildeo Exponencial
Para determinar o modelo de previsatildeo mais adequado foi utilizado o software Forecast Pro for Windows (FPW)
Todas as previsotildees foram realizadas utilizando a seacuterie com a variaacutevel transformada a fim de atender o
pressuposto de normalidade da seacuterie necessaacuterio nos modelos de previsatildeo
32
Figura 11 - Seleccedilatildeo da Seacuterie para a Previsatildeo
Fonte FPW 2012
331 ndash Box-Jenkins
Apoacutes a apresentaccedilatildeo e anaacutelises dos pressupostos necessaacuterios para a aplicaccedilatildeo do modelo Box-Jenkins seratildeo
realizadas as anaacutelises que demonstram a funccedilatildeo de autocorrelaccedilatildeo (FAC) e funccedilatildeo de autocorrelaccedilatildeo parcial (FACP)
Figura 12 - FAC da Seacuterie
Fonte FPW 2012
33
Figura 13 - FACP da Seacuterie
Fonte FPW 2012
Nota-se na Figura XXX FAC da seacuterie que a seacuterie decai muito lentamente indicando tendecircncia logo faz-se
necessaacuterio realizar uma diferenciaccedilatildeo na parte simples
Apoacutes a diferenciaccedilatildeo obtiveram-se os seguintes novos graacuteficos para a funccedilatildeo de autocorrelaccedilatildeo e funccedilatildeo de
autocorrelaccedilatildeo parcial
Figura 14 - FAC da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
34
Figura 15 - FACP da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
Apoacutes a realizaccedilatildeo da diferenciaccedilatildeo os seguintes modelos foram testados
1 ndash ARIMA (110)
2 ndash ARIMA (011)
3 ndash ARIMA (210)
4 ndash ARIMA (012)
5 ndash ARIMA (111)
A seguir cada modelo seraacute demonstrado
1 ndash ARIMA (110)
Figura 16 - Resultado ARIMA (110)
Fonte FPW 2012
35
Figura 17 - FAC dos Resiacuteduos ARIMA (110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08746) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel a(1) foi considerada significativa
2 - ARIMA (011)
Figura 18 - Resultado ARIMA (011)
Fonte FPW 2012
36
Figura 19 - FAC dos Resiacuteduos ARIMA (011)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel b(1) foi considerada significativa
3 - ARIMA (210)
Figura 20 - Resultado ARIMA (210)
Fonte FPW 2012
37
Figura 21 - FAC dos Resiacuteduos ARIMA (210)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08765) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
4 - ARIMA (012)
Figura 22 - Resultado ARIMA (012)
Fonte FPW 2012
38
Figura 23 - FAC dos Resiacuteduos ARIMA (012)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08777) com lag significativo nas fases 12 24 e 36 no graacutefico da FAC dos
resiacuteduos As variaacuteveis b(1) e b(2) foram consideradas significativas
5 - ARIMA (111)
Figura 24 - Resultado ARIMA (111)
Fonte FPW 2012
39
Figura 25 - FAC dos Resiacuteduos ARIMA (111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08811) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e b(1) foi considerada significativa
Observando os resultados obtidos nos cinco modelos anteriores fica evidente a semelhanccedila da presenccedila dos
lags significativos nas fases 12 24 e 36 no graacutefico da FAC dos resiacuteduos indicando a existecircncia de sazonalidade na
seacuterie modelada Assim torna-se necessaacuterio diferenciar a fase sazonal dos dados
Apoacutes a diferenciaccedilatildeo simples foram realizadas as seguintes diferenciaccedilotildees sazonais obtendo-se os seguintes
resultados para os modelos SARIMA
6 ndash SARIMA (011)(010)
Figura 26 - Resultado SARIMA (011)(010)
Fonte FPW 2012
40
Figura 27 - FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel b(1) foi considerada significativa
7 ndash SARIMA (110)(010)
Figura 28 - Resultado SARIMA (011)(010)
Fonte FPW 2012
41
Figura 29 - FAC dos Resiacuteduos SARIMA (011)(010)
Figura 29 ndash FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08305) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel a(1) foi considerada significativa
8 ndash SARIMA (210)(010)
Figura 30 - Resultado SARIMA (210)(010)
Fonte FPW 2012
42
Figura 31 - FAC dos Resiacuteduos SARIMA (210)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08337) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
9 ndash SARIMA (012)(010)
Figura 32 - Resultado SARIMA (012)(010)
Fonte FPW 2012
43
Figura 33 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
10 ndash SARIMA (111)(010)
Figura 34 - Resultado SARIMA (111)(010)
Fonte FPW 2012
44
Figura 35 - FAC dos Resiacuteduos SARIMA (111)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 12 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1
11 ndash SARIMA (011)(110)
Figura 36 - Resultado SARIMA (011)(110)
Fonte FPW 2012
45
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08623) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis A(12) e b(1) foram consideradas significativas
12 ndash SARIMA (110)(110)
Figura 38 - Resultado SARIMA (011)(110)
Fonte FPW 2012
46
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08595) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e A(12) foram consideradas significativas
13 ndash SARIMA (210)(110)
Figura 40 - Resultado SARIMA (210)(110)
Fonte FPW 2012
47
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08620) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) a(2) e A(12) foram consideradas significativas
14 ndash SARIMA (012)(010)
Figura 42 - Resultado SARIMA (012)(010)
Fonte FPW 2012
48
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08625) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
15 ndash SARIMA (111)(110)
Figura 44 - Resultado SARIMA (111)(110)
Fonte FPW 2012
49
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08626) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 24 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1 e MA = 1
16 ndash SARIMA (011)(111)
Figura 46 - Resultado SARIMA (011)(111)
Fonte FPW 2012
50
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) e B(12) foram consideradas significativas pelo modelo
17 ndash SARIMA (110)(111)
Figura 48 - Resultado SARIMA (110)(111)
Fonte FPW 2012
51
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09010) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) e B(12) foram consideradas significativas pelo modelo
18 ndash SARIMA (210)(111)
Figura 50 - Resultado SARIMA (210)(111)
Fonte FPW 2012
52
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) a(12) e B(12) foram consideradas significativas pelo modelo
19 ndash SARIMA (012)(111)
Figura 52 ndash Resultado SARIMA (012)(111)
Fonte FPW 2012
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
25
nm
nMSEBIC2
(Equaccedilatildeo 42)
nm
tt nxxn
BIC22
n
1t
ˆ1
(Equaccedilatildeo 43)
Onde
m = nuacutemero de paracircmetros do modelo
n = nuacutemero de observaccedilotildees da seacuterie temporal
3 - DESENVOLVIMENTO
31 ndash ANAacuteLISE DA SEacuteRIE
A seacuterie a seguir apresenta os dados quantitativos da evoluccedilatildeo do volume de produccedilatildeo de caminhotildees no Brasil
Tratam-se de dados mensais entre janeiro de 1957 e dezembro de 2011 totalizando 660 observaccedilotildees
5000
10000
15000
20000
60 65 70 75 80 85 90 95 0 5 10
Legend
PRODUCAO
Figura 2 - Seacuterie de Volume de Produccedilatildeo no Brasil
Fonte Elaborado pelos Autores 2012
26
32 ndash ANAacuteLISE DESCRITIVA
O primeiro passo foi a anaacutelise descritiva da seacuterie visando obter uma anaacutelise inicial para definir o modelo de
previsatildeo mais adequado agraves suas caracteriacutesticas
Utilizando o software Minitab obteve-se a seguinte tabela
Figura 3 - Estatiacutesticas Descritivas da Seacuterie Inicial
Fonte Minitab 2012
O coeficiente de correlaccedilatildeo de Pearson indica a razatildeo entre o desvio padratildeo e a meacutedia de uma seacuterie cujo
caacutelculo eacute representado por
CV = desvio padratildeomeacutedia
Introduzindo os valores do desvio padratildeo (3515) e da meacutedia da amostra (5560) na foacutermula anterior obteacutem-se o
seguinte resultado
CV = 35155560 = 06322 ~ 63 de grau de dispersatildeo
Essa medida eacute utilizada quando se pretende comparar duas ou mais distribuiccedilotildees de probabilidade quanto agraves
suas variabilidades atuando como uma medida de variabilidade relativa
Na teoria de probabilidade o grau de simetria eacute uma medida de assimetria da distribuiccedilatildeo de valores reais
aleatoacuterios O grau de simetria pode ser positivo ou negativo ou mesmo indefinido Qualitativamente um valor negativo
em que a cauda no lado esquerdo da funccedilatildeo de densidade de probabilidade eacute maior do que o lado direito e a maioria
dos valores tende ao lado direito da meacutedia De mesma forma um valor positivo indica que a cauda no lado direito eacute
maior do que o lado esquerdo e que a maioria dos valores tende ao lado esquerdo da meacutedia O valor zero indica que
valores relativos igualmente distribuiacutedos dos dois lados ao redor da meacutedia mas natildeo necessariamente implica em uma
distribuiccedilatildeo simeacutetrica
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de grau de simetria (skewness) O valor positivo do grau de
simetria indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa conforme apresentado no
histograma a seguir
27
dados
Fre
qu
en
cy
200001600012000800040000
120
100
80
60
40
20
0
Mean 5560
StDev 3515
N 660
Histogram (with Normal Curve) of dados
Figura 4 - Histograma da Seacuterie Inicial
Fonte SPSS 2012
De forma similar o conceito de curtose trata-se da uma medida de dispersatildeo para descriccedilatildeo da forma da
distribuiccedilatildeo de probabilidades e como o grau de simetria existem formas diferentes de quantificaacute-la como uma
distribuiccedilatildeo teoacuterica e formas correspondentes de estimaacute-la a partir de uma amostra oriunda de uma populaccedilatildeo Essa
medida indica o grau de achatamento curva de distribuiccedilatildeo de probabilidade
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de curtose (kurtosis) O valor positivo do grau de simetria
indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa O valor positivo indica um
comportamento leptocuacutertica indicando que a mesma eacute mais alta e mais concentrada que a distribuiccedilatildeo normal
O Teste de Normalidade realizado com 95 de niacutevel de confianccedila gerou um p-value nulo ou seja abaixo dos
5 de significacircncia Desta maneira a hipoacutetese nula de que os dados apresentariam uma distribuiccedilatildeo normal foi
rejeitada
Tests of Normality
105 660 000 860 660 000VAR00001
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 5 - Teste de Normalidade da Seacuterie Inicial
Fonte SPSS 2012
28
O teste de Kolmogorov-Smirnov eacute utilizado para determinar se duas distribuiccedilotildees de probabilidade diferem uma
da outra ou natildeo O graacutefico abaixo referente a este testem evidencia o comportamento da distribuiccedilatildeo frente ao
comportamento da distribuiccedilatildeo normal
dados
Pe
rce
nt
2500020000150001000050000-5000-10000
9999
99
95
80
50
20
5
1
001
Mean
lt0010
5560
StDev 3515
N 660
KS 0105
P-Value
Teste de Normalidade Kolmogorov-SmirnovNormal
Figura 6 - Teste de Kolmogorov-Smirnov para a Seacuterie Inicial
Fonte SPSS 2012
Assim faz-se necessaacuterio uma transformaccedilatildeo na seacuterie para adequaccedilatildeo dos dados para uma distribuiccedilatildeo
normal Para tal modificaccedilatildeo neste trabalho foi utilizada a distribuiccedilatildeo logariacutetmica na base 10
Apoacutes a transformaccedilatildeo o teste de normalidade foi realizado novamente (tambeacutem com 95 de significacircncia) O
resultado eacute apresentado na tabela a seguir
Tests of Normality
042 660 007 994 660 009log10
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 7 - Teste de Normalidade para a Seacuterie Transformada
Fonte SPSS 2012
Conforme pode ser observado na tabela acima o p-value foi proacuteximo de 001 menor que 005 Apesar do
pressuposto de normalidade dos dados natildeo ter sido alcanccedilado esta base de dados seraacute utilizada nas modelagens
para fins acadecircmicos e seraacute tomado como premissa que a distribuiccedilatildeo estaacute normalizada
29
O teste graacutefico de normalidade de Kolmogorov-Smirnov foi realizado para a distribuiccedilatildeo transformada O
graacutefico abaixo evidencia o comportamento dos dados da distribuiccedilatildeo frente ao comportamento da distribuiccedilatildeo normal
auxiliando na conclusatildeo do teste anterior
log 10
Pe
rce
nt
4540353025
9999
99
95
80
50
20
5
1
001
Mean
lt0010
3668
StDev 02593
N 660
KS 0042
P-Value
Teste de Normalidade Kolmogorov-Smirnov - log 10Normal
Figura 8 - Teste de Kolmogorov-Smirnov para a Seacuterie Transformada
Fonte SPSS 2012
A seguir tem-se o histograma da seacuterie transformada evidenciando a mudanccedila do comportamento dos dados
30
log 10
Fre
qu
en
cy
42403836343230
70
60
50
40
30
20
10
0
Mean 3668
StDev 02593
N 660
Histogram of log 10Normal
Figura 9 - Histograma da Seacuterie Transformada
Fonte SPSS 2012
O teste da igualdade de variacircncias eacute aplicado com o objetivo de verificar se devem ou natildeo ser assumidas
igualdade entre as variacircncias das populaccedilotildees Para isso foi utilizado na anaacutelise o Teste de Levene cujas hipoacuteteses
satildeo as seguintes
H0 as variacircncias nas duas populaccedilotildees satildeo iguais ou seja existe homocedasticidade (σ1 = σ2 ou σ1 = σ2 = 0)
Neste caso assume-se a estatiacutestica Sig F gt 005
H1 as variacircncias nas duas populaccedilotildees satildeo diferentes ou seja natildeo existe homocedasticidade (σ1 ne σ2 ou σ1 ne
σ2 ne 0) Neste caso assume-se a estatiacutestica Sig F lt ou = 005
Para a realizaccedilatildeo do teste dividiu-se a populaccedilatildeo em dois grupos iguais (grupos denominados como 0 e 1
cada um com 330 unidades) Os resultados satildeo os seguintes
31
Group Statistics
330 35473 23553 01297
330 37896 22313 01228
Teste de Lev ene0
1
log10N Mean Std Dev iation
Std Error
Mean
Independent Samples Test
5981 015 -13569 658 000 -24235 01786 -27742 -20728
-13569 656086 000 -24235 01786 -27742 -20728
Equal variances
assumed
Equal variances
not assumed
log10F Sig
Lev enes Test for
Equality of Variances
t df Sig (2-tailed)
Mean
Dif f erence
Std Error
Dif f erence Lower Upper
95 Conf idence
Interv al of the
Dif f erence
t-test f or Equality of Means
Figura 10 - Teste de Homocedasticidade para a Seacuterie Transformada
Fonte SPSS 2012
Pelo resultado do teste pode-se verificar que o valor de ldquoSigrdquo (referente ao p-value) foi de 0015 onde se
conclui que a hipoacutetese nula que leva em consideraccedilatildeo que a variacircncia da seacuterie eacute constante pode ser aceita
33 ndash MODELOS DE PREVISAtildeO
Neste trabalho seratildeo analisados os seguintes modelos de previsatildeo
1 ndash Box Jenkins
2 ndash Suavizaccedilatildeo Exponencial
Para determinar o modelo de previsatildeo mais adequado foi utilizado o software Forecast Pro for Windows (FPW)
Todas as previsotildees foram realizadas utilizando a seacuterie com a variaacutevel transformada a fim de atender o
pressuposto de normalidade da seacuterie necessaacuterio nos modelos de previsatildeo
32
Figura 11 - Seleccedilatildeo da Seacuterie para a Previsatildeo
Fonte FPW 2012
331 ndash Box-Jenkins
Apoacutes a apresentaccedilatildeo e anaacutelises dos pressupostos necessaacuterios para a aplicaccedilatildeo do modelo Box-Jenkins seratildeo
realizadas as anaacutelises que demonstram a funccedilatildeo de autocorrelaccedilatildeo (FAC) e funccedilatildeo de autocorrelaccedilatildeo parcial (FACP)
Figura 12 - FAC da Seacuterie
Fonte FPW 2012
33
Figura 13 - FACP da Seacuterie
Fonte FPW 2012
Nota-se na Figura XXX FAC da seacuterie que a seacuterie decai muito lentamente indicando tendecircncia logo faz-se
necessaacuterio realizar uma diferenciaccedilatildeo na parte simples
Apoacutes a diferenciaccedilatildeo obtiveram-se os seguintes novos graacuteficos para a funccedilatildeo de autocorrelaccedilatildeo e funccedilatildeo de
autocorrelaccedilatildeo parcial
Figura 14 - FAC da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
34
Figura 15 - FACP da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
Apoacutes a realizaccedilatildeo da diferenciaccedilatildeo os seguintes modelos foram testados
1 ndash ARIMA (110)
2 ndash ARIMA (011)
3 ndash ARIMA (210)
4 ndash ARIMA (012)
5 ndash ARIMA (111)
A seguir cada modelo seraacute demonstrado
1 ndash ARIMA (110)
Figura 16 - Resultado ARIMA (110)
Fonte FPW 2012
35
Figura 17 - FAC dos Resiacuteduos ARIMA (110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08746) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel a(1) foi considerada significativa
2 - ARIMA (011)
Figura 18 - Resultado ARIMA (011)
Fonte FPW 2012
36
Figura 19 - FAC dos Resiacuteduos ARIMA (011)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel b(1) foi considerada significativa
3 - ARIMA (210)
Figura 20 - Resultado ARIMA (210)
Fonte FPW 2012
37
Figura 21 - FAC dos Resiacuteduos ARIMA (210)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08765) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
4 - ARIMA (012)
Figura 22 - Resultado ARIMA (012)
Fonte FPW 2012
38
Figura 23 - FAC dos Resiacuteduos ARIMA (012)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08777) com lag significativo nas fases 12 24 e 36 no graacutefico da FAC dos
resiacuteduos As variaacuteveis b(1) e b(2) foram consideradas significativas
5 - ARIMA (111)
Figura 24 - Resultado ARIMA (111)
Fonte FPW 2012
39
Figura 25 - FAC dos Resiacuteduos ARIMA (111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08811) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e b(1) foi considerada significativa
Observando os resultados obtidos nos cinco modelos anteriores fica evidente a semelhanccedila da presenccedila dos
lags significativos nas fases 12 24 e 36 no graacutefico da FAC dos resiacuteduos indicando a existecircncia de sazonalidade na
seacuterie modelada Assim torna-se necessaacuterio diferenciar a fase sazonal dos dados
Apoacutes a diferenciaccedilatildeo simples foram realizadas as seguintes diferenciaccedilotildees sazonais obtendo-se os seguintes
resultados para os modelos SARIMA
6 ndash SARIMA (011)(010)
Figura 26 - Resultado SARIMA (011)(010)
Fonte FPW 2012
40
Figura 27 - FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel b(1) foi considerada significativa
7 ndash SARIMA (110)(010)
Figura 28 - Resultado SARIMA (011)(010)
Fonte FPW 2012
41
Figura 29 - FAC dos Resiacuteduos SARIMA (011)(010)
Figura 29 ndash FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08305) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel a(1) foi considerada significativa
8 ndash SARIMA (210)(010)
Figura 30 - Resultado SARIMA (210)(010)
Fonte FPW 2012
42
Figura 31 - FAC dos Resiacuteduos SARIMA (210)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08337) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
9 ndash SARIMA (012)(010)
Figura 32 - Resultado SARIMA (012)(010)
Fonte FPW 2012
43
Figura 33 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
10 ndash SARIMA (111)(010)
Figura 34 - Resultado SARIMA (111)(010)
Fonte FPW 2012
44
Figura 35 - FAC dos Resiacuteduos SARIMA (111)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 12 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1
11 ndash SARIMA (011)(110)
Figura 36 - Resultado SARIMA (011)(110)
Fonte FPW 2012
45
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08623) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis A(12) e b(1) foram consideradas significativas
12 ndash SARIMA (110)(110)
Figura 38 - Resultado SARIMA (011)(110)
Fonte FPW 2012
46
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08595) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e A(12) foram consideradas significativas
13 ndash SARIMA (210)(110)
Figura 40 - Resultado SARIMA (210)(110)
Fonte FPW 2012
47
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08620) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) a(2) e A(12) foram consideradas significativas
14 ndash SARIMA (012)(010)
Figura 42 - Resultado SARIMA (012)(010)
Fonte FPW 2012
48
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08625) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
15 ndash SARIMA (111)(110)
Figura 44 - Resultado SARIMA (111)(110)
Fonte FPW 2012
49
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08626) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 24 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1 e MA = 1
16 ndash SARIMA (011)(111)
Figura 46 - Resultado SARIMA (011)(111)
Fonte FPW 2012
50
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) e B(12) foram consideradas significativas pelo modelo
17 ndash SARIMA (110)(111)
Figura 48 - Resultado SARIMA (110)(111)
Fonte FPW 2012
51
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09010) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) e B(12) foram consideradas significativas pelo modelo
18 ndash SARIMA (210)(111)
Figura 50 - Resultado SARIMA (210)(111)
Fonte FPW 2012
52
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) a(12) e B(12) foram consideradas significativas pelo modelo
19 ndash SARIMA (012)(111)
Figura 52 ndash Resultado SARIMA (012)(111)
Fonte FPW 2012
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
26
32 ndash ANAacuteLISE DESCRITIVA
O primeiro passo foi a anaacutelise descritiva da seacuterie visando obter uma anaacutelise inicial para definir o modelo de
previsatildeo mais adequado agraves suas caracteriacutesticas
Utilizando o software Minitab obteve-se a seguinte tabela
Figura 3 - Estatiacutesticas Descritivas da Seacuterie Inicial
Fonte Minitab 2012
O coeficiente de correlaccedilatildeo de Pearson indica a razatildeo entre o desvio padratildeo e a meacutedia de uma seacuterie cujo
caacutelculo eacute representado por
CV = desvio padratildeomeacutedia
Introduzindo os valores do desvio padratildeo (3515) e da meacutedia da amostra (5560) na foacutermula anterior obteacutem-se o
seguinte resultado
CV = 35155560 = 06322 ~ 63 de grau de dispersatildeo
Essa medida eacute utilizada quando se pretende comparar duas ou mais distribuiccedilotildees de probabilidade quanto agraves
suas variabilidades atuando como uma medida de variabilidade relativa
Na teoria de probabilidade o grau de simetria eacute uma medida de assimetria da distribuiccedilatildeo de valores reais
aleatoacuterios O grau de simetria pode ser positivo ou negativo ou mesmo indefinido Qualitativamente um valor negativo
em que a cauda no lado esquerdo da funccedilatildeo de densidade de probabilidade eacute maior do que o lado direito e a maioria
dos valores tende ao lado direito da meacutedia De mesma forma um valor positivo indica que a cauda no lado direito eacute
maior do que o lado esquerdo e que a maioria dos valores tende ao lado esquerdo da meacutedia O valor zero indica que
valores relativos igualmente distribuiacutedos dos dois lados ao redor da meacutedia mas natildeo necessariamente implica em uma
distribuiccedilatildeo simeacutetrica
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de grau de simetria (skewness) O valor positivo do grau de
simetria indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa conforme apresentado no
histograma a seguir
27
dados
Fre
qu
en
cy
200001600012000800040000
120
100
80
60
40
20
0
Mean 5560
StDev 3515
N 660
Histogram (with Normal Curve) of dados
Figura 4 - Histograma da Seacuterie Inicial
Fonte SPSS 2012
De forma similar o conceito de curtose trata-se da uma medida de dispersatildeo para descriccedilatildeo da forma da
distribuiccedilatildeo de probabilidades e como o grau de simetria existem formas diferentes de quantificaacute-la como uma
distribuiccedilatildeo teoacuterica e formas correspondentes de estimaacute-la a partir de uma amostra oriunda de uma populaccedilatildeo Essa
medida indica o grau de achatamento curva de distribuiccedilatildeo de probabilidade
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de curtose (kurtosis) O valor positivo do grau de simetria
indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa O valor positivo indica um
comportamento leptocuacutertica indicando que a mesma eacute mais alta e mais concentrada que a distribuiccedilatildeo normal
O Teste de Normalidade realizado com 95 de niacutevel de confianccedila gerou um p-value nulo ou seja abaixo dos
5 de significacircncia Desta maneira a hipoacutetese nula de que os dados apresentariam uma distribuiccedilatildeo normal foi
rejeitada
Tests of Normality
105 660 000 860 660 000VAR00001
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 5 - Teste de Normalidade da Seacuterie Inicial
Fonte SPSS 2012
28
O teste de Kolmogorov-Smirnov eacute utilizado para determinar se duas distribuiccedilotildees de probabilidade diferem uma
da outra ou natildeo O graacutefico abaixo referente a este testem evidencia o comportamento da distribuiccedilatildeo frente ao
comportamento da distribuiccedilatildeo normal
dados
Pe
rce
nt
2500020000150001000050000-5000-10000
9999
99
95
80
50
20
5
1
001
Mean
lt0010
5560
StDev 3515
N 660
KS 0105
P-Value
Teste de Normalidade Kolmogorov-SmirnovNormal
Figura 6 - Teste de Kolmogorov-Smirnov para a Seacuterie Inicial
Fonte SPSS 2012
Assim faz-se necessaacuterio uma transformaccedilatildeo na seacuterie para adequaccedilatildeo dos dados para uma distribuiccedilatildeo
normal Para tal modificaccedilatildeo neste trabalho foi utilizada a distribuiccedilatildeo logariacutetmica na base 10
Apoacutes a transformaccedilatildeo o teste de normalidade foi realizado novamente (tambeacutem com 95 de significacircncia) O
resultado eacute apresentado na tabela a seguir
Tests of Normality
042 660 007 994 660 009log10
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 7 - Teste de Normalidade para a Seacuterie Transformada
Fonte SPSS 2012
Conforme pode ser observado na tabela acima o p-value foi proacuteximo de 001 menor que 005 Apesar do
pressuposto de normalidade dos dados natildeo ter sido alcanccedilado esta base de dados seraacute utilizada nas modelagens
para fins acadecircmicos e seraacute tomado como premissa que a distribuiccedilatildeo estaacute normalizada
29
O teste graacutefico de normalidade de Kolmogorov-Smirnov foi realizado para a distribuiccedilatildeo transformada O
graacutefico abaixo evidencia o comportamento dos dados da distribuiccedilatildeo frente ao comportamento da distribuiccedilatildeo normal
auxiliando na conclusatildeo do teste anterior
log 10
Pe
rce
nt
4540353025
9999
99
95
80
50
20
5
1
001
Mean
lt0010
3668
StDev 02593
N 660
KS 0042
P-Value
Teste de Normalidade Kolmogorov-Smirnov - log 10Normal
Figura 8 - Teste de Kolmogorov-Smirnov para a Seacuterie Transformada
Fonte SPSS 2012
A seguir tem-se o histograma da seacuterie transformada evidenciando a mudanccedila do comportamento dos dados
30
log 10
Fre
qu
en
cy
42403836343230
70
60
50
40
30
20
10
0
Mean 3668
StDev 02593
N 660
Histogram of log 10Normal
Figura 9 - Histograma da Seacuterie Transformada
Fonte SPSS 2012
O teste da igualdade de variacircncias eacute aplicado com o objetivo de verificar se devem ou natildeo ser assumidas
igualdade entre as variacircncias das populaccedilotildees Para isso foi utilizado na anaacutelise o Teste de Levene cujas hipoacuteteses
satildeo as seguintes
H0 as variacircncias nas duas populaccedilotildees satildeo iguais ou seja existe homocedasticidade (σ1 = σ2 ou σ1 = σ2 = 0)
Neste caso assume-se a estatiacutestica Sig F gt 005
H1 as variacircncias nas duas populaccedilotildees satildeo diferentes ou seja natildeo existe homocedasticidade (σ1 ne σ2 ou σ1 ne
σ2 ne 0) Neste caso assume-se a estatiacutestica Sig F lt ou = 005
Para a realizaccedilatildeo do teste dividiu-se a populaccedilatildeo em dois grupos iguais (grupos denominados como 0 e 1
cada um com 330 unidades) Os resultados satildeo os seguintes
31
Group Statistics
330 35473 23553 01297
330 37896 22313 01228
Teste de Lev ene0
1
log10N Mean Std Dev iation
Std Error
Mean
Independent Samples Test
5981 015 -13569 658 000 -24235 01786 -27742 -20728
-13569 656086 000 -24235 01786 -27742 -20728
Equal variances
assumed
Equal variances
not assumed
log10F Sig
Lev enes Test for
Equality of Variances
t df Sig (2-tailed)
Mean
Dif f erence
Std Error
Dif f erence Lower Upper
95 Conf idence
Interv al of the
Dif f erence
t-test f or Equality of Means
Figura 10 - Teste de Homocedasticidade para a Seacuterie Transformada
Fonte SPSS 2012
Pelo resultado do teste pode-se verificar que o valor de ldquoSigrdquo (referente ao p-value) foi de 0015 onde se
conclui que a hipoacutetese nula que leva em consideraccedilatildeo que a variacircncia da seacuterie eacute constante pode ser aceita
33 ndash MODELOS DE PREVISAtildeO
Neste trabalho seratildeo analisados os seguintes modelos de previsatildeo
1 ndash Box Jenkins
2 ndash Suavizaccedilatildeo Exponencial
Para determinar o modelo de previsatildeo mais adequado foi utilizado o software Forecast Pro for Windows (FPW)
Todas as previsotildees foram realizadas utilizando a seacuterie com a variaacutevel transformada a fim de atender o
pressuposto de normalidade da seacuterie necessaacuterio nos modelos de previsatildeo
32
Figura 11 - Seleccedilatildeo da Seacuterie para a Previsatildeo
Fonte FPW 2012
331 ndash Box-Jenkins
Apoacutes a apresentaccedilatildeo e anaacutelises dos pressupostos necessaacuterios para a aplicaccedilatildeo do modelo Box-Jenkins seratildeo
realizadas as anaacutelises que demonstram a funccedilatildeo de autocorrelaccedilatildeo (FAC) e funccedilatildeo de autocorrelaccedilatildeo parcial (FACP)
Figura 12 - FAC da Seacuterie
Fonte FPW 2012
33
Figura 13 - FACP da Seacuterie
Fonte FPW 2012
Nota-se na Figura XXX FAC da seacuterie que a seacuterie decai muito lentamente indicando tendecircncia logo faz-se
necessaacuterio realizar uma diferenciaccedilatildeo na parte simples
Apoacutes a diferenciaccedilatildeo obtiveram-se os seguintes novos graacuteficos para a funccedilatildeo de autocorrelaccedilatildeo e funccedilatildeo de
autocorrelaccedilatildeo parcial
Figura 14 - FAC da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
34
Figura 15 - FACP da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
Apoacutes a realizaccedilatildeo da diferenciaccedilatildeo os seguintes modelos foram testados
1 ndash ARIMA (110)
2 ndash ARIMA (011)
3 ndash ARIMA (210)
4 ndash ARIMA (012)
5 ndash ARIMA (111)
A seguir cada modelo seraacute demonstrado
1 ndash ARIMA (110)
Figura 16 - Resultado ARIMA (110)
Fonte FPW 2012
35
Figura 17 - FAC dos Resiacuteduos ARIMA (110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08746) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel a(1) foi considerada significativa
2 - ARIMA (011)
Figura 18 - Resultado ARIMA (011)
Fonte FPW 2012
36
Figura 19 - FAC dos Resiacuteduos ARIMA (011)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel b(1) foi considerada significativa
3 - ARIMA (210)
Figura 20 - Resultado ARIMA (210)
Fonte FPW 2012
37
Figura 21 - FAC dos Resiacuteduos ARIMA (210)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08765) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
4 - ARIMA (012)
Figura 22 - Resultado ARIMA (012)
Fonte FPW 2012
38
Figura 23 - FAC dos Resiacuteduos ARIMA (012)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08777) com lag significativo nas fases 12 24 e 36 no graacutefico da FAC dos
resiacuteduos As variaacuteveis b(1) e b(2) foram consideradas significativas
5 - ARIMA (111)
Figura 24 - Resultado ARIMA (111)
Fonte FPW 2012
39
Figura 25 - FAC dos Resiacuteduos ARIMA (111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08811) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e b(1) foi considerada significativa
Observando os resultados obtidos nos cinco modelos anteriores fica evidente a semelhanccedila da presenccedila dos
lags significativos nas fases 12 24 e 36 no graacutefico da FAC dos resiacuteduos indicando a existecircncia de sazonalidade na
seacuterie modelada Assim torna-se necessaacuterio diferenciar a fase sazonal dos dados
Apoacutes a diferenciaccedilatildeo simples foram realizadas as seguintes diferenciaccedilotildees sazonais obtendo-se os seguintes
resultados para os modelos SARIMA
6 ndash SARIMA (011)(010)
Figura 26 - Resultado SARIMA (011)(010)
Fonte FPW 2012
40
Figura 27 - FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel b(1) foi considerada significativa
7 ndash SARIMA (110)(010)
Figura 28 - Resultado SARIMA (011)(010)
Fonte FPW 2012
41
Figura 29 - FAC dos Resiacuteduos SARIMA (011)(010)
Figura 29 ndash FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08305) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel a(1) foi considerada significativa
8 ndash SARIMA (210)(010)
Figura 30 - Resultado SARIMA (210)(010)
Fonte FPW 2012
42
Figura 31 - FAC dos Resiacuteduos SARIMA (210)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08337) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
9 ndash SARIMA (012)(010)
Figura 32 - Resultado SARIMA (012)(010)
Fonte FPW 2012
43
Figura 33 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
10 ndash SARIMA (111)(010)
Figura 34 - Resultado SARIMA (111)(010)
Fonte FPW 2012
44
Figura 35 - FAC dos Resiacuteduos SARIMA (111)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 12 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1
11 ndash SARIMA (011)(110)
Figura 36 - Resultado SARIMA (011)(110)
Fonte FPW 2012
45
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08623) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis A(12) e b(1) foram consideradas significativas
12 ndash SARIMA (110)(110)
Figura 38 - Resultado SARIMA (011)(110)
Fonte FPW 2012
46
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08595) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e A(12) foram consideradas significativas
13 ndash SARIMA (210)(110)
Figura 40 - Resultado SARIMA (210)(110)
Fonte FPW 2012
47
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08620) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) a(2) e A(12) foram consideradas significativas
14 ndash SARIMA (012)(010)
Figura 42 - Resultado SARIMA (012)(010)
Fonte FPW 2012
48
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08625) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
15 ndash SARIMA (111)(110)
Figura 44 - Resultado SARIMA (111)(110)
Fonte FPW 2012
49
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08626) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 24 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1 e MA = 1
16 ndash SARIMA (011)(111)
Figura 46 - Resultado SARIMA (011)(111)
Fonte FPW 2012
50
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) e B(12) foram consideradas significativas pelo modelo
17 ndash SARIMA (110)(111)
Figura 48 - Resultado SARIMA (110)(111)
Fonte FPW 2012
51
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09010) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) e B(12) foram consideradas significativas pelo modelo
18 ndash SARIMA (210)(111)
Figura 50 - Resultado SARIMA (210)(111)
Fonte FPW 2012
52
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) a(12) e B(12) foram consideradas significativas pelo modelo
19 ndash SARIMA (012)(111)
Figura 52 ndash Resultado SARIMA (012)(111)
Fonte FPW 2012
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
27
dados
Fre
qu
en
cy
200001600012000800040000
120
100
80
60
40
20
0
Mean 5560
StDev 3515
N 660
Histogram (with Normal Curve) of dados
Figura 4 - Histograma da Seacuterie Inicial
Fonte SPSS 2012
De forma similar o conceito de curtose trata-se da uma medida de dispersatildeo para descriccedilatildeo da forma da
distribuiccedilatildeo de probabilidades e como o grau de simetria existem formas diferentes de quantificaacute-la como uma
distribuiccedilatildeo teoacuterica e formas correspondentes de estimaacute-la a partir de uma amostra oriunda de uma populaccedilatildeo Essa
medida indica o grau de achatamento curva de distribuiccedilatildeo de probabilidade
Na tabela anterior estaacute tambeacutem disponiacutevel o valor de curtose (kurtosis) O valor positivo do grau de simetria
indica que a distribuiccedilatildeo possui uma cauda positiva mais longa do que a negativa O valor positivo indica um
comportamento leptocuacutertica indicando que a mesma eacute mais alta e mais concentrada que a distribuiccedilatildeo normal
O Teste de Normalidade realizado com 95 de niacutevel de confianccedila gerou um p-value nulo ou seja abaixo dos
5 de significacircncia Desta maneira a hipoacutetese nula de que os dados apresentariam uma distribuiccedilatildeo normal foi
rejeitada
Tests of Normality
105 660 000 860 660 000VAR00001
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 5 - Teste de Normalidade da Seacuterie Inicial
Fonte SPSS 2012
28
O teste de Kolmogorov-Smirnov eacute utilizado para determinar se duas distribuiccedilotildees de probabilidade diferem uma
da outra ou natildeo O graacutefico abaixo referente a este testem evidencia o comportamento da distribuiccedilatildeo frente ao
comportamento da distribuiccedilatildeo normal
dados
Pe
rce
nt
2500020000150001000050000-5000-10000
9999
99
95
80
50
20
5
1
001
Mean
lt0010
5560
StDev 3515
N 660
KS 0105
P-Value
Teste de Normalidade Kolmogorov-SmirnovNormal
Figura 6 - Teste de Kolmogorov-Smirnov para a Seacuterie Inicial
Fonte SPSS 2012
Assim faz-se necessaacuterio uma transformaccedilatildeo na seacuterie para adequaccedilatildeo dos dados para uma distribuiccedilatildeo
normal Para tal modificaccedilatildeo neste trabalho foi utilizada a distribuiccedilatildeo logariacutetmica na base 10
Apoacutes a transformaccedilatildeo o teste de normalidade foi realizado novamente (tambeacutem com 95 de significacircncia) O
resultado eacute apresentado na tabela a seguir
Tests of Normality
042 660 007 994 660 009log10
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 7 - Teste de Normalidade para a Seacuterie Transformada
Fonte SPSS 2012
Conforme pode ser observado na tabela acima o p-value foi proacuteximo de 001 menor que 005 Apesar do
pressuposto de normalidade dos dados natildeo ter sido alcanccedilado esta base de dados seraacute utilizada nas modelagens
para fins acadecircmicos e seraacute tomado como premissa que a distribuiccedilatildeo estaacute normalizada
29
O teste graacutefico de normalidade de Kolmogorov-Smirnov foi realizado para a distribuiccedilatildeo transformada O
graacutefico abaixo evidencia o comportamento dos dados da distribuiccedilatildeo frente ao comportamento da distribuiccedilatildeo normal
auxiliando na conclusatildeo do teste anterior
log 10
Pe
rce
nt
4540353025
9999
99
95
80
50
20
5
1
001
Mean
lt0010
3668
StDev 02593
N 660
KS 0042
P-Value
Teste de Normalidade Kolmogorov-Smirnov - log 10Normal
Figura 8 - Teste de Kolmogorov-Smirnov para a Seacuterie Transformada
Fonte SPSS 2012
A seguir tem-se o histograma da seacuterie transformada evidenciando a mudanccedila do comportamento dos dados
30
log 10
Fre
qu
en
cy
42403836343230
70
60
50
40
30
20
10
0
Mean 3668
StDev 02593
N 660
Histogram of log 10Normal
Figura 9 - Histograma da Seacuterie Transformada
Fonte SPSS 2012
O teste da igualdade de variacircncias eacute aplicado com o objetivo de verificar se devem ou natildeo ser assumidas
igualdade entre as variacircncias das populaccedilotildees Para isso foi utilizado na anaacutelise o Teste de Levene cujas hipoacuteteses
satildeo as seguintes
H0 as variacircncias nas duas populaccedilotildees satildeo iguais ou seja existe homocedasticidade (σ1 = σ2 ou σ1 = σ2 = 0)
Neste caso assume-se a estatiacutestica Sig F gt 005
H1 as variacircncias nas duas populaccedilotildees satildeo diferentes ou seja natildeo existe homocedasticidade (σ1 ne σ2 ou σ1 ne
σ2 ne 0) Neste caso assume-se a estatiacutestica Sig F lt ou = 005
Para a realizaccedilatildeo do teste dividiu-se a populaccedilatildeo em dois grupos iguais (grupos denominados como 0 e 1
cada um com 330 unidades) Os resultados satildeo os seguintes
31
Group Statistics
330 35473 23553 01297
330 37896 22313 01228
Teste de Lev ene0
1
log10N Mean Std Dev iation
Std Error
Mean
Independent Samples Test
5981 015 -13569 658 000 -24235 01786 -27742 -20728
-13569 656086 000 -24235 01786 -27742 -20728
Equal variances
assumed
Equal variances
not assumed
log10F Sig
Lev enes Test for
Equality of Variances
t df Sig (2-tailed)
Mean
Dif f erence
Std Error
Dif f erence Lower Upper
95 Conf idence
Interv al of the
Dif f erence
t-test f or Equality of Means
Figura 10 - Teste de Homocedasticidade para a Seacuterie Transformada
Fonte SPSS 2012
Pelo resultado do teste pode-se verificar que o valor de ldquoSigrdquo (referente ao p-value) foi de 0015 onde se
conclui que a hipoacutetese nula que leva em consideraccedilatildeo que a variacircncia da seacuterie eacute constante pode ser aceita
33 ndash MODELOS DE PREVISAtildeO
Neste trabalho seratildeo analisados os seguintes modelos de previsatildeo
1 ndash Box Jenkins
2 ndash Suavizaccedilatildeo Exponencial
Para determinar o modelo de previsatildeo mais adequado foi utilizado o software Forecast Pro for Windows (FPW)
Todas as previsotildees foram realizadas utilizando a seacuterie com a variaacutevel transformada a fim de atender o
pressuposto de normalidade da seacuterie necessaacuterio nos modelos de previsatildeo
32
Figura 11 - Seleccedilatildeo da Seacuterie para a Previsatildeo
Fonte FPW 2012
331 ndash Box-Jenkins
Apoacutes a apresentaccedilatildeo e anaacutelises dos pressupostos necessaacuterios para a aplicaccedilatildeo do modelo Box-Jenkins seratildeo
realizadas as anaacutelises que demonstram a funccedilatildeo de autocorrelaccedilatildeo (FAC) e funccedilatildeo de autocorrelaccedilatildeo parcial (FACP)
Figura 12 - FAC da Seacuterie
Fonte FPW 2012
33
Figura 13 - FACP da Seacuterie
Fonte FPW 2012
Nota-se na Figura XXX FAC da seacuterie que a seacuterie decai muito lentamente indicando tendecircncia logo faz-se
necessaacuterio realizar uma diferenciaccedilatildeo na parte simples
Apoacutes a diferenciaccedilatildeo obtiveram-se os seguintes novos graacuteficos para a funccedilatildeo de autocorrelaccedilatildeo e funccedilatildeo de
autocorrelaccedilatildeo parcial
Figura 14 - FAC da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
34
Figura 15 - FACP da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
Apoacutes a realizaccedilatildeo da diferenciaccedilatildeo os seguintes modelos foram testados
1 ndash ARIMA (110)
2 ndash ARIMA (011)
3 ndash ARIMA (210)
4 ndash ARIMA (012)
5 ndash ARIMA (111)
A seguir cada modelo seraacute demonstrado
1 ndash ARIMA (110)
Figura 16 - Resultado ARIMA (110)
Fonte FPW 2012
35
Figura 17 - FAC dos Resiacuteduos ARIMA (110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08746) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel a(1) foi considerada significativa
2 - ARIMA (011)
Figura 18 - Resultado ARIMA (011)
Fonte FPW 2012
36
Figura 19 - FAC dos Resiacuteduos ARIMA (011)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel b(1) foi considerada significativa
3 - ARIMA (210)
Figura 20 - Resultado ARIMA (210)
Fonte FPW 2012
37
Figura 21 - FAC dos Resiacuteduos ARIMA (210)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08765) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
4 - ARIMA (012)
Figura 22 - Resultado ARIMA (012)
Fonte FPW 2012
38
Figura 23 - FAC dos Resiacuteduos ARIMA (012)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08777) com lag significativo nas fases 12 24 e 36 no graacutefico da FAC dos
resiacuteduos As variaacuteveis b(1) e b(2) foram consideradas significativas
5 - ARIMA (111)
Figura 24 - Resultado ARIMA (111)
Fonte FPW 2012
39
Figura 25 - FAC dos Resiacuteduos ARIMA (111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08811) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e b(1) foi considerada significativa
Observando os resultados obtidos nos cinco modelos anteriores fica evidente a semelhanccedila da presenccedila dos
lags significativos nas fases 12 24 e 36 no graacutefico da FAC dos resiacuteduos indicando a existecircncia de sazonalidade na
seacuterie modelada Assim torna-se necessaacuterio diferenciar a fase sazonal dos dados
Apoacutes a diferenciaccedilatildeo simples foram realizadas as seguintes diferenciaccedilotildees sazonais obtendo-se os seguintes
resultados para os modelos SARIMA
6 ndash SARIMA (011)(010)
Figura 26 - Resultado SARIMA (011)(010)
Fonte FPW 2012
40
Figura 27 - FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel b(1) foi considerada significativa
7 ndash SARIMA (110)(010)
Figura 28 - Resultado SARIMA (011)(010)
Fonte FPW 2012
41
Figura 29 - FAC dos Resiacuteduos SARIMA (011)(010)
Figura 29 ndash FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08305) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel a(1) foi considerada significativa
8 ndash SARIMA (210)(010)
Figura 30 - Resultado SARIMA (210)(010)
Fonte FPW 2012
42
Figura 31 - FAC dos Resiacuteduos SARIMA (210)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08337) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
9 ndash SARIMA (012)(010)
Figura 32 - Resultado SARIMA (012)(010)
Fonte FPW 2012
43
Figura 33 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
10 ndash SARIMA (111)(010)
Figura 34 - Resultado SARIMA (111)(010)
Fonte FPW 2012
44
Figura 35 - FAC dos Resiacuteduos SARIMA (111)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 12 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1
11 ndash SARIMA (011)(110)
Figura 36 - Resultado SARIMA (011)(110)
Fonte FPW 2012
45
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08623) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis A(12) e b(1) foram consideradas significativas
12 ndash SARIMA (110)(110)
Figura 38 - Resultado SARIMA (011)(110)
Fonte FPW 2012
46
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08595) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e A(12) foram consideradas significativas
13 ndash SARIMA (210)(110)
Figura 40 - Resultado SARIMA (210)(110)
Fonte FPW 2012
47
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08620) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) a(2) e A(12) foram consideradas significativas
14 ndash SARIMA (012)(010)
Figura 42 - Resultado SARIMA (012)(010)
Fonte FPW 2012
48
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08625) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
15 ndash SARIMA (111)(110)
Figura 44 - Resultado SARIMA (111)(110)
Fonte FPW 2012
49
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08626) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 24 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1 e MA = 1
16 ndash SARIMA (011)(111)
Figura 46 - Resultado SARIMA (011)(111)
Fonte FPW 2012
50
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) e B(12) foram consideradas significativas pelo modelo
17 ndash SARIMA (110)(111)
Figura 48 - Resultado SARIMA (110)(111)
Fonte FPW 2012
51
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09010) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) e B(12) foram consideradas significativas pelo modelo
18 ndash SARIMA (210)(111)
Figura 50 - Resultado SARIMA (210)(111)
Fonte FPW 2012
52
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) a(12) e B(12) foram consideradas significativas pelo modelo
19 ndash SARIMA (012)(111)
Figura 52 ndash Resultado SARIMA (012)(111)
Fonte FPW 2012
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
28
O teste de Kolmogorov-Smirnov eacute utilizado para determinar se duas distribuiccedilotildees de probabilidade diferem uma
da outra ou natildeo O graacutefico abaixo referente a este testem evidencia o comportamento da distribuiccedilatildeo frente ao
comportamento da distribuiccedilatildeo normal
dados
Pe
rce
nt
2500020000150001000050000-5000-10000
9999
99
95
80
50
20
5
1
001
Mean
lt0010
5560
StDev 3515
N 660
KS 0105
P-Value
Teste de Normalidade Kolmogorov-SmirnovNormal
Figura 6 - Teste de Kolmogorov-Smirnov para a Seacuterie Inicial
Fonte SPSS 2012
Assim faz-se necessaacuterio uma transformaccedilatildeo na seacuterie para adequaccedilatildeo dos dados para uma distribuiccedilatildeo
normal Para tal modificaccedilatildeo neste trabalho foi utilizada a distribuiccedilatildeo logariacutetmica na base 10
Apoacutes a transformaccedilatildeo o teste de normalidade foi realizado novamente (tambeacutem com 95 de significacircncia) O
resultado eacute apresentado na tabela a seguir
Tests of Normality
042 660 007 994 660 009log10
Stat is tic df Sig Stat is tic df Sig
Kolmogorov-Smirnova
Shapiro-Wilk
Lillief ors Signif icance Correct iona
Figura 7 - Teste de Normalidade para a Seacuterie Transformada
Fonte SPSS 2012
Conforme pode ser observado na tabela acima o p-value foi proacuteximo de 001 menor que 005 Apesar do
pressuposto de normalidade dos dados natildeo ter sido alcanccedilado esta base de dados seraacute utilizada nas modelagens
para fins acadecircmicos e seraacute tomado como premissa que a distribuiccedilatildeo estaacute normalizada
29
O teste graacutefico de normalidade de Kolmogorov-Smirnov foi realizado para a distribuiccedilatildeo transformada O
graacutefico abaixo evidencia o comportamento dos dados da distribuiccedilatildeo frente ao comportamento da distribuiccedilatildeo normal
auxiliando na conclusatildeo do teste anterior
log 10
Pe
rce
nt
4540353025
9999
99
95
80
50
20
5
1
001
Mean
lt0010
3668
StDev 02593
N 660
KS 0042
P-Value
Teste de Normalidade Kolmogorov-Smirnov - log 10Normal
Figura 8 - Teste de Kolmogorov-Smirnov para a Seacuterie Transformada
Fonte SPSS 2012
A seguir tem-se o histograma da seacuterie transformada evidenciando a mudanccedila do comportamento dos dados
30
log 10
Fre
qu
en
cy
42403836343230
70
60
50
40
30
20
10
0
Mean 3668
StDev 02593
N 660
Histogram of log 10Normal
Figura 9 - Histograma da Seacuterie Transformada
Fonte SPSS 2012
O teste da igualdade de variacircncias eacute aplicado com o objetivo de verificar se devem ou natildeo ser assumidas
igualdade entre as variacircncias das populaccedilotildees Para isso foi utilizado na anaacutelise o Teste de Levene cujas hipoacuteteses
satildeo as seguintes
H0 as variacircncias nas duas populaccedilotildees satildeo iguais ou seja existe homocedasticidade (σ1 = σ2 ou σ1 = σ2 = 0)
Neste caso assume-se a estatiacutestica Sig F gt 005
H1 as variacircncias nas duas populaccedilotildees satildeo diferentes ou seja natildeo existe homocedasticidade (σ1 ne σ2 ou σ1 ne
σ2 ne 0) Neste caso assume-se a estatiacutestica Sig F lt ou = 005
Para a realizaccedilatildeo do teste dividiu-se a populaccedilatildeo em dois grupos iguais (grupos denominados como 0 e 1
cada um com 330 unidades) Os resultados satildeo os seguintes
31
Group Statistics
330 35473 23553 01297
330 37896 22313 01228
Teste de Lev ene0
1
log10N Mean Std Dev iation
Std Error
Mean
Independent Samples Test
5981 015 -13569 658 000 -24235 01786 -27742 -20728
-13569 656086 000 -24235 01786 -27742 -20728
Equal variances
assumed
Equal variances
not assumed
log10F Sig
Lev enes Test for
Equality of Variances
t df Sig (2-tailed)
Mean
Dif f erence
Std Error
Dif f erence Lower Upper
95 Conf idence
Interv al of the
Dif f erence
t-test f or Equality of Means
Figura 10 - Teste de Homocedasticidade para a Seacuterie Transformada
Fonte SPSS 2012
Pelo resultado do teste pode-se verificar que o valor de ldquoSigrdquo (referente ao p-value) foi de 0015 onde se
conclui que a hipoacutetese nula que leva em consideraccedilatildeo que a variacircncia da seacuterie eacute constante pode ser aceita
33 ndash MODELOS DE PREVISAtildeO
Neste trabalho seratildeo analisados os seguintes modelos de previsatildeo
1 ndash Box Jenkins
2 ndash Suavizaccedilatildeo Exponencial
Para determinar o modelo de previsatildeo mais adequado foi utilizado o software Forecast Pro for Windows (FPW)
Todas as previsotildees foram realizadas utilizando a seacuterie com a variaacutevel transformada a fim de atender o
pressuposto de normalidade da seacuterie necessaacuterio nos modelos de previsatildeo
32
Figura 11 - Seleccedilatildeo da Seacuterie para a Previsatildeo
Fonte FPW 2012
331 ndash Box-Jenkins
Apoacutes a apresentaccedilatildeo e anaacutelises dos pressupostos necessaacuterios para a aplicaccedilatildeo do modelo Box-Jenkins seratildeo
realizadas as anaacutelises que demonstram a funccedilatildeo de autocorrelaccedilatildeo (FAC) e funccedilatildeo de autocorrelaccedilatildeo parcial (FACP)
Figura 12 - FAC da Seacuterie
Fonte FPW 2012
33
Figura 13 - FACP da Seacuterie
Fonte FPW 2012
Nota-se na Figura XXX FAC da seacuterie que a seacuterie decai muito lentamente indicando tendecircncia logo faz-se
necessaacuterio realizar uma diferenciaccedilatildeo na parte simples
Apoacutes a diferenciaccedilatildeo obtiveram-se os seguintes novos graacuteficos para a funccedilatildeo de autocorrelaccedilatildeo e funccedilatildeo de
autocorrelaccedilatildeo parcial
Figura 14 - FAC da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
34
Figura 15 - FACP da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
Apoacutes a realizaccedilatildeo da diferenciaccedilatildeo os seguintes modelos foram testados
1 ndash ARIMA (110)
2 ndash ARIMA (011)
3 ndash ARIMA (210)
4 ndash ARIMA (012)
5 ndash ARIMA (111)
A seguir cada modelo seraacute demonstrado
1 ndash ARIMA (110)
Figura 16 - Resultado ARIMA (110)
Fonte FPW 2012
35
Figura 17 - FAC dos Resiacuteduos ARIMA (110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08746) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel a(1) foi considerada significativa
2 - ARIMA (011)
Figura 18 - Resultado ARIMA (011)
Fonte FPW 2012
36
Figura 19 - FAC dos Resiacuteduos ARIMA (011)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel b(1) foi considerada significativa
3 - ARIMA (210)
Figura 20 - Resultado ARIMA (210)
Fonte FPW 2012
37
Figura 21 - FAC dos Resiacuteduos ARIMA (210)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08765) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
4 - ARIMA (012)
Figura 22 - Resultado ARIMA (012)
Fonte FPW 2012
38
Figura 23 - FAC dos Resiacuteduos ARIMA (012)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08777) com lag significativo nas fases 12 24 e 36 no graacutefico da FAC dos
resiacuteduos As variaacuteveis b(1) e b(2) foram consideradas significativas
5 - ARIMA (111)
Figura 24 - Resultado ARIMA (111)
Fonte FPW 2012
39
Figura 25 - FAC dos Resiacuteduos ARIMA (111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08811) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e b(1) foi considerada significativa
Observando os resultados obtidos nos cinco modelos anteriores fica evidente a semelhanccedila da presenccedila dos
lags significativos nas fases 12 24 e 36 no graacutefico da FAC dos resiacuteduos indicando a existecircncia de sazonalidade na
seacuterie modelada Assim torna-se necessaacuterio diferenciar a fase sazonal dos dados
Apoacutes a diferenciaccedilatildeo simples foram realizadas as seguintes diferenciaccedilotildees sazonais obtendo-se os seguintes
resultados para os modelos SARIMA
6 ndash SARIMA (011)(010)
Figura 26 - Resultado SARIMA (011)(010)
Fonte FPW 2012
40
Figura 27 - FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel b(1) foi considerada significativa
7 ndash SARIMA (110)(010)
Figura 28 - Resultado SARIMA (011)(010)
Fonte FPW 2012
41
Figura 29 - FAC dos Resiacuteduos SARIMA (011)(010)
Figura 29 ndash FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08305) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel a(1) foi considerada significativa
8 ndash SARIMA (210)(010)
Figura 30 - Resultado SARIMA (210)(010)
Fonte FPW 2012
42
Figura 31 - FAC dos Resiacuteduos SARIMA (210)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08337) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
9 ndash SARIMA (012)(010)
Figura 32 - Resultado SARIMA (012)(010)
Fonte FPW 2012
43
Figura 33 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
10 ndash SARIMA (111)(010)
Figura 34 - Resultado SARIMA (111)(010)
Fonte FPW 2012
44
Figura 35 - FAC dos Resiacuteduos SARIMA (111)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 12 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1
11 ndash SARIMA (011)(110)
Figura 36 - Resultado SARIMA (011)(110)
Fonte FPW 2012
45
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08623) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis A(12) e b(1) foram consideradas significativas
12 ndash SARIMA (110)(110)
Figura 38 - Resultado SARIMA (011)(110)
Fonte FPW 2012
46
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08595) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e A(12) foram consideradas significativas
13 ndash SARIMA (210)(110)
Figura 40 - Resultado SARIMA (210)(110)
Fonte FPW 2012
47
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08620) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) a(2) e A(12) foram consideradas significativas
14 ndash SARIMA (012)(010)
Figura 42 - Resultado SARIMA (012)(010)
Fonte FPW 2012
48
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08625) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
15 ndash SARIMA (111)(110)
Figura 44 - Resultado SARIMA (111)(110)
Fonte FPW 2012
49
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08626) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 24 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1 e MA = 1
16 ndash SARIMA (011)(111)
Figura 46 - Resultado SARIMA (011)(111)
Fonte FPW 2012
50
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) e B(12) foram consideradas significativas pelo modelo
17 ndash SARIMA (110)(111)
Figura 48 - Resultado SARIMA (110)(111)
Fonte FPW 2012
51
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09010) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) e B(12) foram consideradas significativas pelo modelo
18 ndash SARIMA (210)(111)
Figura 50 - Resultado SARIMA (210)(111)
Fonte FPW 2012
52
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) a(12) e B(12) foram consideradas significativas pelo modelo
19 ndash SARIMA (012)(111)
Figura 52 ndash Resultado SARIMA (012)(111)
Fonte FPW 2012
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
29
O teste graacutefico de normalidade de Kolmogorov-Smirnov foi realizado para a distribuiccedilatildeo transformada O
graacutefico abaixo evidencia o comportamento dos dados da distribuiccedilatildeo frente ao comportamento da distribuiccedilatildeo normal
auxiliando na conclusatildeo do teste anterior
log 10
Pe
rce
nt
4540353025
9999
99
95
80
50
20
5
1
001
Mean
lt0010
3668
StDev 02593
N 660
KS 0042
P-Value
Teste de Normalidade Kolmogorov-Smirnov - log 10Normal
Figura 8 - Teste de Kolmogorov-Smirnov para a Seacuterie Transformada
Fonte SPSS 2012
A seguir tem-se o histograma da seacuterie transformada evidenciando a mudanccedila do comportamento dos dados
30
log 10
Fre
qu
en
cy
42403836343230
70
60
50
40
30
20
10
0
Mean 3668
StDev 02593
N 660
Histogram of log 10Normal
Figura 9 - Histograma da Seacuterie Transformada
Fonte SPSS 2012
O teste da igualdade de variacircncias eacute aplicado com o objetivo de verificar se devem ou natildeo ser assumidas
igualdade entre as variacircncias das populaccedilotildees Para isso foi utilizado na anaacutelise o Teste de Levene cujas hipoacuteteses
satildeo as seguintes
H0 as variacircncias nas duas populaccedilotildees satildeo iguais ou seja existe homocedasticidade (σ1 = σ2 ou σ1 = σ2 = 0)
Neste caso assume-se a estatiacutestica Sig F gt 005
H1 as variacircncias nas duas populaccedilotildees satildeo diferentes ou seja natildeo existe homocedasticidade (σ1 ne σ2 ou σ1 ne
σ2 ne 0) Neste caso assume-se a estatiacutestica Sig F lt ou = 005
Para a realizaccedilatildeo do teste dividiu-se a populaccedilatildeo em dois grupos iguais (grupos denominados como 0 e 1
cada um com 330 unidades) Os resultados satildeo os seguintes
31
Group Statistics
330 35473 23553 01297
330 37896 22313 01228
Teste de Lev ene0
1
log10N Mean Std Dev iation
Std Error
Mean
Independent Samples Test
5981 015 -13569 658 000 -24235 01786 -27742 -20728
-13569 656086 000 -24235 01786 -27742 -20728
Equal variances
assumed
Equal variances
not assumed
log10F Sig
Lev enes Test for
Equality of Variances
t df Sig (2-tailed)
Mean
Dif f erence
Std Error
Dif f erence Lower Upper
95 Conf idence
Interv al of the
Dif f erence
t-test f or Equality of Means
Figura 10 - Teste de Homocedasticidade para a Seacuterie Transformada
Fonte SPSS 2012
Pelo resultado do teste pode-se verificar que o valor de ldquoSigrdquo (referente ao p-value) foi de 0015 onde se
conclui que a hipoacutetese nula que leva em consideraccedilatildeo que a variacircncia da seacuterie eacute constante pode ser aceita
33 ndash MODELOS DE PREVISAtildeO
Neste trabalho seratildeo analisados os seguintes modelos de previsatildeo
1 ndash Box Jenkins
2 ndash Suavizaccedilatildeo Exponencial
Para determinar o modelo de previsatildeo mais adequado foi utilizado o software Forecast Pro for Windows (FPW)
Todas as previsotildees foram realizadas utilizando a seacuterie com a variaacutevel transformada a fim de atender o
pressuposto de normalidade da seacuterie necessaacuterio nos modelos de previsatildeo
32
Figura 11 - Seleccedilatildeo da Seacuterie para a Previsatildeo
Fonte FPW 2012
331 ndash Box-Jenkins
Apoacutes a apresentaccedilatildeo e anaacutelises dos pressupostos necessaacuterios para a aplicaccedilatildeo do modelo Box-Jenkins seratildeo
realizadas as anaacutelises que demonstram a funccedilatildeo de autocorrelaccedilatildeo (FAC) e funccedilatildeo de autocorrelaccedilatildeo parcial (FACP)
Figura 12 - FAC da Seacuterie
Fonte FPW 2012
33
Figura 13 - FACP da Seacuterie
Fonte FPW 2012
Nota-se na Figura XXX FAC da seacuterie que a seacuterie decai muito lentamente indicando tendecircncia logo faz-se
necessaacuterio realizar uma diferenciaccedilatildeo na parte simples
Apoacutes a diferenciaccedilatildeo obtiveram-se os seguintes novos graacuteficos para a funccedilatildeo de autocorrelaccedilatildeo e funccedilatildeo de
autocorrelaccedilatildeo parcial
Figura 14 - FAC da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
34
Figura 15 - FACP da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
Apoacutes a realizaccedilatildeo da diferenciaccedilatildeo os seguintes modelos foram testados
1 ndash ARIMA (110)
2 ndash ARIMA (011)
3 ndash ARIMA (210)
4 ndash ARIMA (012)
5 ndash ARIMA (111)
A seguir cada modelo seraacute demonstrado
1 ndash ARIMA (110)
Figura 16 - Resultado ARIMA (110)
Fonte FPW 2012
35
Figura 17 - FAC dos Resiacuteduos ARIMA (110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08746) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel a(1) foi considerada significativa
2 - ARIMA (011)
Figura 18 - Resultado ARIMA (011)
Fonte FPW 2012
36
Figura 19 - FAC dos Resiacuteduos ARIMA (011)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel b(1) foi considerada significativa
3 - ARIMA (210)
Figura 20 - Resultado ARIMA (210)
Fonte FPW 2012
37
Figura 21 - FAC dos Resiacuteduos ARIMA (210)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08765) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
4 - ARIMA (012)
Figura 22 - Resultado ARIMA (012)
Fonte FPW 2012
38
Figura 23 - FAC dos Resiacuteduos ARIMA (012)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08777) com lag significativo nas fases 12 24 e 36 no graacutefico da FAC dos
resiacuteduos As variaacuteveis b(1) e b(2) foram consideradas significativas
5 - ARIMA (111)
Figura 24 - Resultado ARIMA (111)
Fonte FPW 2012
39
Figura 25 - FAC dos Resiacuteduos ARIMA (111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08811) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e b(1) foi considerada significativa
Observando os resultados obtidos nos cinco modelos anteriores fica evidente a semelhanccedila da presenccedila dos
lags significativos nas fases 12 24 e 36 no graacutefico da FAC dos resiacuteduos indicando a existecircncia de sazonalidade na
seacuterie modelada Assim torna-se necessaacuterio diferenciar a fase sazonal dos dados
Apoacutes a diferenciaccedilatildeo simples foram realizadas as seguintes diferenciaccedilotildees sazonais obtendo-se os seguintes
resultados para os modelos SARIMA
6 ndash SARIMA (011)(010)
Figura 26 - Resultado SARIMA (011)(010)
Fonte FPW 2012
40
Figura 27 - FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel b(1) foi considerada significativa
7 ndash SARIMA (110)(010)
Figura 28 - Resultado SARIMA (011)(010)
Fonte FPW 2012
41
Figura 29 - FAC dos Resiacuteduos SARIMA (011)(010)
Figura 29 ndash FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08305) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel a(1) foi considerada significativa
8 ndash SARIMA (210)(010)
Figura 30 - Resultado SARIMA (210)(010)
Fonte FPW 2012
42
Figura 31 - FAC dos Resiacuteduos SARIMA (210)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08337) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
9 ndash SARIMA (012)(010)
Figura 32 - Resultado SARIMA (012)(010)
Fonte FPW 2012
43
Figura 33 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
10 ndash SARIMA (111)(010)
Figura 34 - Resultado SARIMA (111)(010)
Fonte FPW 2012
44
Figura 35 - FAC dos Resiacuteduos SARIMA (111)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 12 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1
11 ndash SARIMA (011)(110)
Figura 36 - Resultado SARIMA (011)(110)
Fonte FPW 2012
45
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08623) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis A(12) e b(1) foram consideradas significativas
12 ndash SARIMA (110)(110)
Figura 38 - Resultado SARIMA (011)(110)
Fonte FPW 2012
46
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08595) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e A(12) foram consideradas significativas
13 ndash SARIMA (210)(110)
Figura 40 - Resultado SARIMA (210)(110)
Fonte FPW 2012
47
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08620) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) a(2) e A(12) foram consideradas significativas
14 ndash SARIMA (012)(010)
Figura 42 - Resultado SARIMA (012)(010)
Fonte FPW 2012
48
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08625) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
15 ndash SARIMA (111)(110)
Figura 44 - Resultado SARIMA (111)(110)
Fonte FPW 2012
49
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08626) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 24 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1 e MA = 1
16 ndash SARIMA (011)(111)
Figura 46 - Resultado SARIMA (011)(111)
Fonte FPW 2012
50
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) e B(12) foram consideradas significativas pelo modelo
17 ndash SARIMA (110)(111)
Figura 48 - Resultado SARIMA (110)(111)
Fonte FPW 2012
51
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09010) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) e B(12) foram consideradas significativas pelo modelo
18 ndash SARIMA (210)(111)
Figura 50 - Resultado SARIMA (210)(111)
Fonte FPW 2012
52
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) a(12) e B(12) foram consideradas significativas pelo modelo
19 ndash SARIMA (012)(111)
Figura 52 ndash Resultado SARIMA (012)(111)
Fonte FPW 2012
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
30
log 10
Fre
qu
en
cy
42403836343230
70
60
50
40
30
20
10
0
Mean 3668
StDev 02593
N 660
Histogram of log 10Normal
Figura 9 - Histograma da Seacuterie Transformada
Fonte SPSS 2012
O teste da igualdade de variacircncias eacute aplicado com o objetivo de verificar se devem ou natildeo ser assumidas
igualdade entre as variacircncias das populaccedilotildees Para isso foi utilizado na anaacutelise o Teste de Levene cujas hipoacuteteses
satildeo as seguintes
H0 as variacircncias nas duas populaccedilotildees satildeo iguais ou seja existe homocedasticidade (σ1 = σ2 ou σ1 = σ2 = 0)
Neste caso assume-se a estatiacutestica Sig F gt 005
H1 as variacircncias nas duas populaccedilotildees satildeo diferentes ou seja natildeo existe homocedasticidade (σ1 ne σ2 ou σ1 ne
σ2 ne 0) Neste caso assume-se a estatiacutestica Sig F lt ou = 005
Para a realizaccedilatildeo do teste dividiu-se a populaccedilatildeo em dois grupos iguais (grupos denominados como 0 e 1
cada um com 330 unidades) Os resultados satildeo os seguintes
31
Group Statistics
330 35473 23553 01297
330 37896 22313 01228
Teste de Lev ene0
1
log10N Mean Std Dev iation
Std Error
Mean
Independent Samples Test
5981 015 -13569 658 000 -24235 01786 -27742 -20728
-13569 656086 000 -24235 01786 -27742 -20728
Equal variances
assumed
Equal variances
not assumed
log10F Sig
Lev enes Test for
Equality of Variances
t df Sig (2-tailed)
Mean
Dif f erence
Std Error
Dif f erence Lower Upper
95 Conf idence
Interv al of the
Dif f erence
t-test f or Equality of Means
Figura 10 - Teste de Homocedasticidade para a Seacuterie Transformada
Fonte SPSS 2012
Pelo resultado do teste pode-se verificar que o valor de ldquoSigrdquo (referente ao p-value) foi de 0015 onde se
conclui que a hipoacutetese nula que leva em consideraccedilatildeo que a variacircncia da seacuterie eacute constante pode ser aceita
33 ndash MODELOS DE PREVISAtildeO
Neste trabalho seratildeo analisados os seguintes modelos de previsatildeo
1 ndash Box Jenkins
2 ndash Suavizaccedilatildeo Exponencial
Para determinar o modelo de previsatildeo mais adequado foi utilizado o software Forecast Pro for Windows (FPW)
Todas as previsotildees foram realizadas utilizando a seacuterie com a variaacutevel transformada a fim de atender o
pressuposto de normalidade da seacuterie necessaacuterio nos modelos de previsatildeo
32
Figura 11 - Seleccedilatildeo da Seacuterie para a Previsatildeo
Fonte FPW 2012
331 ndash Box-Jenkins
Apoacutes a apresentaccedilatildeo e anaacutelises dos pressupostos necessaacuterios para a aplicaccedilatildeo do modelo Box-Jenkins seratildeo
realizadas as anaacutelises que demonstram a funccedilatildeo de autocorrelaccedilatildeo (FAC) e funccedilatildeo de autocorrelaccedilatildeo parcial (FACP)
Figura 12 - FAC da Seacuterie
Fonte FPW 2012
33
Figura 13 - FACP da Seacuterie
Fonte FPW 2012
Nota-se na Figura XXX FAC da seacuterie que a seacuterie decai muito lentamente indicando tendecircncia logo faz-se
necessaacuterio realizar uma diferenciaccedilatildeo na parte simples
Apoacutes a diferenciaccedilatildeo obtiveram-se os seguintes novos graacuteficos para a funccedilatildeo de autocorrelaccedilatildeo e funccedilatildeo de
autocorrelaccedilatildeo parcial
Figura 14 - FAC da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
34
Figura 15 - FACP da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
Apoacutes a realizaccedilatildeo da diferenciaccedilatildeo os seguintes modelos foram testados
1 ndash ARIMA (110)
2 ndash ARIMA (011)
3 ndash ARIMA (210)
4 ndash ARIMA (012)
5 ndash ARIMA (111)
A seguir cada modelo seraacute demonstrado
1 ndash ARIMA (110)
Figura 16 - Resultado ARIMA (110)
Fonte FPW 2012
35
Figura 17 - FAC dos Resiacuteduos ARIMA (110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08746) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel a(1) foi considerada significativa
2 - ARIMA (011)
Figura 18 - Resultado ARIMA (011)
Fonte FPW 2012
36
Figura 19 - FAC dos Resiacuteduos ARIMA (011)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel b(1) foi considerada significativa
3 - ARIMA (210)
Figura 20 - Resultado ARIMA (210)
Fonte FPW 2012
37
Figura 21 - FAC dos Resiacuteduos ARIMA (210)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08765) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
4 - ARIMA (012)
Figura 22 - Resultado ARIMA (012)
Fonte FPW 2012
38
Figura 23 - FAC dos Resiacuteduos ARIMA (012)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08777) com lag significativo nas fases 12 24 e 36 no graacutefico da FAC dos
resiacuteduos As variaacuteveis b(1) e b(2) foram consideradas significativas
5 - ARIMA (111)
Figura 24 - Resultado ARIMA (111)
Fonte FPW 2012
39
Figura 25 - FAC dos Resiacuteduos ARIMA (111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08811) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e b(1) foi considerada significativa
Observando os resultados obtidos nos cinco modelos anteriores fica evidente a semelhanccedila da presenccedila dos
lags significativos nas fases 12 24 e 36 no graacutefico da FAC dos resiacuteduos indicando a existecircncia de sazonalidade na
seacuterie modelada Assim torna-se necessaacuterio diferenciar a fase sazonal dos dados
Apoacutes a diferenciaccedilatildeo simples foram realizadas as seguintes diferenciaccedilotildees sazonais obtendo-se os seguintes
resultados para os modelos SARIMA
6 ndash SARIMA (011)(010)
Figura 26 - Resultado SARIMA (011)(010)
Fonte FPW 2012
40
Figura 27 - FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel b(1) foi considerada significativa
7 ndash SARIMA (110)(010)
Figura 28 - Resultado SARIMA (011)(010)
Fonte FPW 2012
41
Figura 29 - FAC dos Resiacuteduos SARIMA (011)(010)
Figura 29 ndash FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08305) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel a(1) foi considerada significativa
8 ndash SARIMA (210)(010)
Figura 30 - Resultado SARIMA (210)(010)
Fonte FPW 2012
42
Figura 31 - FAC dos Resiacuteduos SARIMA (210)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08337) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
9 ndash SARIMA (012)(010)
Figura 32 - Resultado SARIMA (012)(010)
Fonte FPW 2012
43
Figura 33 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
10 ndash SARIMA (111)(010)
Figura 34 - Resultado SARIMA (111)(010)
Fonte FPW 2012
44
Figura 35 - FAC dos Resiacuteduos SARIMA (111)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 12 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1
11 ndash SARIMA (011)(110)
Figura 36 - Resultado SARIMA (011)(110)
Fonte FPW 2012
45
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08623) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis A(12) e b(1) foram consideradas significativas
12 ndash SARIMA (110)(110)
Figura 38 - Resultado SARIMA (011)(110)
Fonte FPW 2012
46
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08595) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e A(12) foram consideradas significativas
13 ndash SARIMA (210)(110)
Figura 40 - Resultado SARIMA (210)(110)
Fonte FPW 2012
47
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08620) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) a(2) e A(12) foram consideradas significativas
14 ndash SARIMA (012)(010)
Figura 42 - Resultado SARIMA (012)(010)
Fonte FPW 2012
48
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08625) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
15 ndash SARIMA (111)(110)
Figura 44 - Resultado SARIMA (111)(110)
Fonte FPW 2012
49
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08626) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 24 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1 e MA = 1
16 ndash SARIMA (011)(111)
Figura 46 - Resultado SARIMA (011)(111)
Fonte FPW 2012
50
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) e B(12) foram consideradas significativas pelo modelo
17 ndash SARIMA (110)(111)
Figura 48 - Resultado SARIMA (110)(111)
Fonte FPW 2012
51
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09010) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) e B(12) foram consideradas significativas pelo modelo
18 ndash SARIMA (210)(111)
Figura 50 - Resultado SARIMA (210)(111)
Fonte FPW 2012
52
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) a(12) e B(12) foram consideradas significativas pelo modelo
19 ndash SARIMA (012)(111)
Figura 52 ndash Resultado SARIMA (012)(111)
Fonte FPW 2012
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
31
Group Statistics
330 35473 23553 01297
330 37896 22313 01228
Teste de Lev ene0
1
log10N Mean Std Dev iation
Std Error
Mean
Independent Samples Test
5981 015 -13569 658 000 -24235 01786 -27742 -20728
-13569 656086 000 -24235 01786 -27742 -20728
Equal variances
assumed
Equal variances
not assumed
log10F Sig
Lev enes Test for
Equality of Variances
t df Sig (2-tailed)
Mean
Dif f erence
Std Error
Dif f erence Lower Upper
95 Conf idence
Interv al of the
Dif f erence
t-test f or Equality of Means
Figura 10 - Teste de Homocedasticidade para a Seacuterie Transformada
Fonte SPSS 2012
Pelo resultado do teste pode-se verificar que o valor de ldquoSigrdquo (referente ao p-value) foi de 0015 onde se
conclui que a hipoacutetese nula que leva em consideraccedilatildeo que a variacircncia da seacuterie eacute constante pode ser aceita
33 ndash MODELOS DE PREVISAtildeO
Neste trabalho seratildeo analisados os seguintes modelos de previsatildeo
1 ndash Box Jenkins
2 ndash Suavizaccedilatildeo Exponencial
Para determinar o modelo de previsatildeo mais adequado foi utilizado o software Forecast Pro for Windows (FPW)
Todas as previsotildees foram realizadas utilizando a seacuterie com a variaacutevel transformada a fim de atender o
pressuposto de normalidade da seacuterie necessaacuterio nos modelos de previsatildeo
32
Figura 11 - Seleccedilatildeo da Seacuterie para a Previsatildeo
Fonte FPW 2012
331 ndash Box-Jenkins
Apoacutes a apresentaccedilatildeo e anaacutelises dos pressupostos necessaacuterios para a aplicaccedilatildeo do modelo Box-Jenkins seratildeo
realizadas as anaacutelises que demonstram a funccedilatildeo de autocorrelaccedilatildeo (FAC) e funccedilatildeo de autocorrelaccedilatildeo parcial (FACP)
Figura 12 - FAC da Seacuterie
Fonte FPW 2012
33
Figura 13 - FACP da Seacuterie
Fonte FPW 2012
Nota-se na Figura XXX FAC da seacuterie que a seacuterie decai muito lentamente indicando tendecircncia logo faz-se
necessaacuterio realizar uma diferenciaccedilatildeo na parte simples
Apoacutes a diferenciaccedilatildeo obtiveram-se os seguintes novos graacuteficos para a funccedilatildeo de autocorrelaccedilatildeo e funccedilatildeo de
autocorrelaccedilatildeo parcial
Figura 14 - FAC da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
34
Figura 15 - FACP da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
Apoacutes a realizaccedilatildeo da diferenciaccedilatildeo os seguintes modelos foram testados
1 ndash ARIMA (110)
2 ndash ARIMA (011)
3 ndash ARIMA (210)
4 ndash ARIMA (012)
5 ndash ARIMA (111)
A seguir cada modelo seraacute demonstrado
1 ndash ARIMA (110)
Figura 16 - Resultado ARIMA (110)
Fonte FPW 2012
35
Figura 17 - FAC dos Resiacuteduos ARIMA (110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08746) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel a(1) foi considerada significativa
2 - ARIMA (011)
Figura 18 - Resultado ARIMA (011)
Fonte FPW 2012
36
Figura 19 - FAC dos Resiacuteduos ARIMA (011)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel b(1) foi considerada significativa
3 - ARIMA (210)
Figura 20 - Resultado ARIMA (210)
Fonte FPW 2012
37
Figura 21 - FAC dos Resiacuteduos ARIMA (210)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08765) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
4 - ARIMA (012)
Figura 22 - Resultado ARIMA (012)
Fonte FPW 2012
38
Figura 23 - FAC dos Resiacuteduos ARIMA (012)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08777) com lag significativo nas fases 12 24 e 36 no graacutefico da FAC dos
resiacuteduos As variaacuteveis b(1) e b(2) foram consideradas significativas
5 - ARIMA (111)
Figura 24 - Resultado ARIMA (111)
Fonte FPW 2012
39
Figura 25 - FAC dos Resiacuteduos ARIMA (111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08811) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e b(1) foi considerada significativa
Observando os resultados obtidos nos cinco modelos anteriores fica evidente a semelhanccedila da presenccedila dos
lags significativos nas fases 12 24 e 36 no graacutefico da FAC dos resiacuteduos indicando a existecircncia de sazonalidade na
seacuterie modelada Assim torna-se necessaacuterio diferenciar a fase sazonal dos dados
Apoacutes a diferenciaccedilatildeo simples foram realizadas as seguintes diferenciaccedilotildees sazonais obtendo-se os seguintes
resultados para os modelos SARIMA
6 ndash SARIMA (011)(010)
Figura 26 - Resultado SARIMA (011)(010)
Fonte FPW 2012
40
Figura 27 - FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel b(1) foi considerada significativa
7 ndash SARIMA (110)(010)
Figura 28 - Resultado SARIMA (011)(010)
Fonte FPW 2012
41
Figura 29 - FAC dos Resiacuteduos SARIMA (011)(010)
Figura 29 ndash FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08305) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel a(1) foi considerada significativa
8 ndash SARIMA (210)(010)
Figura 30 - Resultado SARIMA (210)(010)
Fonte FPW 2012
42
Figura 31 - FAC dos Resiacuteduos SARIMA (210)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08337) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
9 ndash SARIMA (012)(010)
Figura 32 - Resultado SARIMA (012)(010)
Fonte FPW 2012
43
Figura 33 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
10 ndash SARIMA (111)(010)
Figura 34 - Resultado SARIMA (111)(010)
Fonte FPW 2012
44
Figura 35 - FAC dos Resiacuteduos SARIMA (111)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 12 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1
11 ndash SARIMA (011)(110)
Figura 36 - Resultado SARIMA (011)(110)
Fonte FPW 2012
45
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08623) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis A(12) e b(1) foram consideradas significativas
12 ndash SARIMA (110)(110)
Figura 38 - Resultado SARIMA (011)(110)
Fonte FPW 2012
46
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08595) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e A(12) foram consideradas significativas
13 ndash SARIMA (210)(110)
Figura 40 - Resultado SARIMA (210)(110)
Fonte FPW 2012
47
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08620) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) a(2) e A(12) foram consideradas significativas
14 ndash SARIMA (012)(010)
Figura 42 - Resultado SARIMA (012)(010)
Fonte FPW 2012
48
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08625) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
15 ndash SARIMA (111)(110)
Figura 44 - Resultado SARIMA (111)(110)
Fonte FPW 2012
49
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08626) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 24 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1 e MA = 1
16 ndash SARIMA (011)(111)
Figura 46 - Resultado SARIMA (011)(111)
Fonte FPW 2012
50
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) e B(12) foram consideradas significativas pelo modelo
17 ndash SARIMA (110)(111)
Figura 48 - Resultado SARIMA (110)(111)
Fonte FPW 2012
51
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09010) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) e B(12) foram consideradas significativas pelo modelo
18 ndash SARIMA (210)(111)
Figura 50 - Resultado SARIMA (210)(111)
Fonte FPW 2012
52
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) a(12) e B(12) foram consideradas significativas pelo modelo
19 ndash SARIMA (012)(111)
Figura 52 ndash Resultado SARIMA (012)(111)
Fonte FPW 2012
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
32
Figura 11 - Seleccedilatildeo da Seacuterie para a Previsatildeo
Fonte FPW 2012
331 ndash Box-Jenkins
Apoacutes a apresentaccedilatildeo e anaacutelises dos pressupostos necessaacuterios para a aplicaccedilatildeo do modelo Box-Jenkins seratildeo
realizadas as anaacutelises que demonstram a funccedilatildeo de autocorrelaccedilatildeo (FAC) e funccedilatildeo de autocorrelaccedilatildeo parcial (FACP)
Figura 12 - FAC da Seacuterie
Fonte FPW 2012
33
Figura 13 - FACP da Seacuterie
Fonte FPW 2012
Nota-se na Figura XXX FAC da seacuterie que a seacuterie decai muito lentamente indicando tendecircncia logo faz-se
necessaacuterio realizar uma diferenciaccedilatildeo na parte simples
Apoacutes a diferenciaccedilatildeo obtiveram-se os seguintes novos graacuteficos para a funccedilatildeo de autocorrelaccedilatildeo e funccedilatildeo de
autocorrelaccedilatildeo parcial
Figura 14 - FAC da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
34
Figura 15 - FACP da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
Apoacutes a realizaccedilatildeo da diferenciaccedilatildeo os seguintes modelos foram testados
1 ndash ARIMA (110)
2 ndash ARIMA (011)
3 ndash ARIMA (210)
4 ndash ARIMA (012)
5 ndash ARIMA (111)
A seguir cada modelo seraacute demonstrado
1 ndash ARIMA (110)
Figura 16 - Resultado ARIMA (110)
Fonte FPW 2012
35
Figura 17 - FAC dos Resiacuteduos ARIMA (110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08746) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel a(1) foi considerada significativa
2 - ARIMA (011)
Figura 18 - Resultado ARIMA (011)
Fonte FPW 2012
36
Figura 19 - FAC dos Resiacuteduos ARIMA (011)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel b(1) foi considerada significativa
3 - ARIMA (210)
Figura 20 - Resultado ARIMA (210)
Fonte FPW 2012
37
Figura 21 - FAC dos Resiacuteduos ARIMA (210)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08765) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
4 - ARIMA (012)
Figura 22 - Resultado ARIMA (012)
Fonte FPW 2012
38
Figura 23 - FAC dos Resiacuteduos ARIMA (012)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08777) com lag significativo nas fases 12 24 e 36 no graacutefico da FAC dos
resiacuteduos As variaacuteveis b(1) e b(2) foram consideradas significativas
5 - ARIMA (111)
Figura 24 - Resultado ARIMA (111)
Fonte FPW 2012
39
Figura 25 - FAC dos Resiacuteduos ARIMA (111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08811) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e b(1) foi considerada significativa
Observando os resultados obtidos nos cinco modelos anteriores fica evidente a semelhanccedila da presenccedila dos
lags significativos nas fases 12 24 e 36 no graacutefico da FAC dos resiacuteduos indicando a existecircncia de sazonalidade na
seacuterie modelada Assim torna-se necessaacuterio diferenciar a fase sazonal dos dados
Apoacutes a diferenciaccedilatildeo simples foram realizadas as seguintes diferenciaccedilotildees sazonais obtendo-se os seguintes
resultados para os modelos SARIMA
6 ndash SARIMA (011)(010)
Figura 26 - Resultado SARIMA (011)(010)
Fonte FPW 2012
40
Figura 27 - FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel b(1) foi considerada significativa
7 ndash SARIMA (110)(010)
Figura 28 - Resultado SARIMA (011)(010)
Fonte FPW 2012
41
Figura 29 - FAC dos Resiacuteduos SARIMA (011)(010)
Figura 29 ndash FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08305) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel a(1) foi considerada significativa
8 ndash SARIMA (210)(010)
Figura 30 - Resultado SARIMA (210)(010)
Fonte FPW 2012
42
Figura 31 - FAC dos Resiacuteduos SARIMA (210)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08337) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
9 ndash SARIMA (012)(010)
Figura 32 - Resultado SARIMA (012)(010)
Fonte FPW 2012
43
Figura 33 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
10 ndash SARIMA (111)(010)
Figura 34 - Resultado SARIMA (111)(010)
Fonte FPW 2012
44
Figura 35 - FAC dos Resiacuteduos SARIMA (111)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 12 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1
11 ndash SARIMA (011)(110)
Figura 36 - Resultado SARIMA (011)(110)
Fonte FPW 2012
45
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08623) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis A(12) e b(1) foram consideradas significativas
12 ndash SARIMA (110)(110)
Figura 38 - Resultado SARIMA (011)(110)
Fonte FPW 2012
46
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08595) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e A(12) foram consideradas significativas
13 ndash SARIMA (210)(110)
Figura 40 - Resultado SARIMA (210)(110)
Fonte FPW 2012
47
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08620) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) a(2) e A(12) foram consideradas significativas
14 ndash SARIMA (012)(010)
Figura 42 - Resultado SARIMA (012)(010)
Fonte FPW 2012
48
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08625) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
15 ndash SARIMA (111)(110)
Figura 44 - Resultado SARIMA (111)(110)
Fonte FPW 2012
49
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08626) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 24 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1 e MA = 1
16 ndash SARIMA (011)(111)
Figura 46 - Resultado SARIMA (011)(111)
Fonte FPW 2012
50
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) e B(12) foram consideradas significativas pelo modelo
17 ndash SARIMA (110)(111)
Figura 48 - Resultado SARIMA (110)(111)
Fonte FPW 2012
51
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09010) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) e B(12) foram consideradas significativas pelo modelo
18 ndash SARIMA (210)(111)
Figura 50 - Resultado SARIMA (210)(111)
Fonte FPW 2012
52
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) a(12) e B(12) foram consideradas significativas pelo modelo
19 ndash SARIMA (012)(111)
Figura 52 ndash Resultado SARIMA (012)(111)
Fonte FPW 2012
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
33
Figura 13 - FACP da Seacuterie
Fonte FPW 2012
Nota-se na Figura XXX FAC da seacuterie que a seacuterie decai muito lentamente indicando tendecircncia logo faz-se
necessaacuterio realizar uma diferenciaccedilatildeo na parte simples
Apoacutes a diferenciaccedilatildeo obtiveram-se os seguintes novos graacuteficos para a funccedilatildeo de autocorrelaccedilatildeo e funccedilatildeo de
autocorrelaccedilatildeo parcial
Figura 14 - FAC da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
34
Figura 15 - FACP da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
Apoacutes a realizaccedilatildeo da diferenciaccedilatildeo os seguintes modelos foram testados
1 ndash ARIMA (110)
2 ndash ARIMA (011)
3 ndash ARIMA (210)
4 ndash ARIMA (012)
5 ndash ARIMA (111)
A seguir cada modelo seraacute demonstrado
1 ndash ARIMA (110)
Figura 16 - Resultado ARIMA (110)
Fonte FPW 2012
35
Figura 17 - FAC dos Resiacuteduos ARIMA (110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08746) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel a(1) foi considerada significativa
2 - ARIMA (011)
Figura 18 - Resultado ARIMA (011)
Fonte FPW 2012
36
Figura 19 - FAC dos Resiacuteduos ARIMA (011)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel b(1) foi considerada significativa
3 - ARIMA (210)
Figura 20 - Resultado ARIMA (210)
Fonte FPW 2012
37
Figura 21 - FAC dos Resiacuteduos ARIMA (210)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08765) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
4 - ARIMA (012)
Figura 22 - Resultado ARIMA (012)
Fonte FPW 2012
38
Figura 23 - FAC dos Resiacuteduos ARIMA (012)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08777) com lag significativo nas fases 12 24 e 36 no graacutefico da FAC dos
resiacuteduos As variaacuteveis b(1) e b(2) foram consideradas significativas
5 - ARIMA (111)
Figura 24 - Resultado ARIMA (111)
Fonte FPW 2012
39
Figura 25 - FAC dos Resiacuteduos ARIMA (111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08811) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e b(1) foi considerada significativa
Observando os resultados obtidos nos cinco modelos anteriores fica evidente a semelhanccedila da presenccedila dos
lags significativos nas fases 12 24 e 36 no graacutefico da FAC dos resiacuteduos indicando a existecircncia de sazonalidade na
seacuterie modelada Assim torna-se necessaacuterio diferenciar a fase sazonal dos dados
Apoacutes a diferenciaccedilatildeo simples foram realizadas as seguintes diferenciaccedilotildees sazonais obtendo-se os seguintes
resultados para os modelos SARIMA
6 ndash SARIMA (011)(010)
Figura 26 - Resultado SARIMA (011)(010)
Fonte FPW 2012
40
Figura 27 - FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel b(1) foi considerada significativa
7 ndash SARIMA (110)(010)
Figura 28 - Resultado SARIMA (011)(010)
Fonte FPW 2012
41
Figura 29 - FAC dos Resiacuteduos SARIMA (011)(010)
Figura 29 ndash FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08305) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel a(1) foi considerada significativa
8 ndash SARIMA (210)(010)
Figura 30 - Resultado SARIMA (210)(010)
Fonte FPW 2012
42
Figura 31 - FAC dos Resiacuteduos SARIMA (210)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08337) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
9 ndash SARIMA (012)(010)
Figura 32 - Resultado SARIMA (012)(010)
Fonte FPW 2012
43
Figura 33 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
10 ndash SARIMA (111)(010)
Figura 34 - Resultado SARIMA (111)(010)
Fonte FPW 2012
44
Figura 35 - FAC dos Resiacuteduos SARIMA (111)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 12 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1
11 ndash SARIMA (011)(110)
Figura 36 - Resultado SARIMA (011)(110)
Fonte FPW 2012
45
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08623) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis A(12) e b(1) foram consideradas significativas
12 ndash SARIMA (110)(110)
Figura 38 - Resultado SARIMA (011)(110)
Fonte FPW 2012
46
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08595) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e A(12) foram consideradas significativas
13 ndash SARIMA (210)(110)
Figura 40 - Resultado SARIMA (210)(110)
Fonte FPW 2012
47
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08620) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) a(2) e A(12) foram consideradas significativas
14 ndash SARIMA (012)(010)
Figura 42 - Resultado SARIMA (012)(010)
Fonte FPW 2012
48
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08625) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
15 ndash SARIMA (111)(110)
Figura 44 - Resultado SARIMA (111)(110)
Fonte FPW 2012
49
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08626) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 24 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1 e MA = 1
16 ndash SARIMA (011)(111)
Figura 46 - Resultado SARIMA (011)(111)
Fonte FPW 2012
50
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) e B(12) foram consideradas significativas pelo modelo
17 ndash SARIMA (110)(111)
Figura 48 - Resultado SARIMA (110)(111)
Fonte FPW 2012
51
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09010) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) e B(12) foram consideradas significativas pelo modelo
18 ndash SARIMA (210)(111)
Figura 50 - Resultado SARIMA (210)(111)
Fonte FPW 2012
52
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) a(12) e B(12) foram consideradas significativas pelo modelo
19 ndash SARIMA (012)(111)
Figura 52 ndash Resultado SARIMA (012)(111)
Fonte FPW 2012
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
34
Figura 15 - FACP da Seacuterie com Diferenciaccedilatildeo Simples = 1
Fonte FPW 2012
Apoacutes a realizaccedilatildeo da diferenciaccedilatildeo os seguintes modelos foram testados
1 ndash ARIMA (110)
2 ndash ARIMA (011)
3 ndash ARIMA (210)
4 ndash ARIMA (012)
5 ndash ARIMA (111)
A seguir cada modelo seraacute demonstrado
1 ndash ARIMA (110)
Figura 16 - Resultado ARIMA (110)
Fonte FPW 2012
35
Figura 17 - FAC dos Resiacuteduos ARIMA (110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08746) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel a(1) foi considerada significativa
2 - ARIMA (011)
Figura 18 - Resultado ARIMA (011)
Fonte FPW 2012
36
Figura 19 - FAC dos Resiacuteduos ARIMA (011)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel b(1) foi considerada significativa
3 - ARIMA (210)
Figura 20 - Resultado ARIMA (210)
Fonte FPW 2012
37
Figura 21 - FAC dos Resiacuteduos ARIMA (210)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08765) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
4 - ARIMA (012)
Figura 22 - Resultado ARIMA (012)
Fonte FPW 2012
38
Figura 23 - FAC dos Resiacuteduos ARIMA (012)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08777) com lag significativo nas fases 12 24 e 36 no graacutefico da FAC dos
resiacuteduos As variaacuteveis b(1) e b(2) foram consideradas significativas
5 - ARIMA (111)
Figura 24 - Resultado ARIMA (111)
Fonte FPW 2012
39
Figura 25 - FAC dos Resiacuteduos ARIMA (111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08811) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e b(1) foi considerada significativa
Observando os resultados obtidos nos cinco modelos anteriores fica evidente a semelhanccedila da presenccedila dos
lags significativos nas fases 12 24 e 36 no graacutefico da FAC dos resiacuteduos indicando a existecircncia de sazonalidade na
seacuterie modelada Assim torna-se necessaacuterio diferenciar a fase sazonal dos dados
Apoacutes a diferenciaccedilatildeo simples foram realizadas as seguintes diferenciaccedilotildees sazonais obtendo-se os seguintes
resultados para os modelos SARIMA
6 ndash SARIMA (011)(010)
Figura 26 - Resultado SARIMA (011)(010)
Fonte FPW 2012
40
Figura 27 - FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel b(1) foi considerada significativa
7 ndash SARIMA (110)(010)
Figura 28 - Resultado SARIMA (011)(010)
Fonte FPW 2012
41
Figura 29 - FAC dos Resiacuteduos SARIMA (011)(010)
Figura 29 ndash FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08305) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel a(1) foi considerada significativa
8 ndash SARIMA (210)(010)
Figura 30 - Resultado SARIMA (210)(010)
Fonte FPW 2012
42
Figura 31 - FAC dos Resiacuteduos SARIMA (210)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08337) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
9 ndash SARIMA (012)(010)
Figura 32 - Resultado SARIMA (012)(010)
Fonte FPW 2012
43
Figura 33 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
10 ndash SARIMA (111)(010)
Figura 34 - Resultado SARIMA (111)(010)
Fonte FPW 2012
44
Figura 35 - FAC dos Resiacuteduos SARIMA (111)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 12 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1
11 ndash SARIMA (011)(110)
Figura 36 - Resultado SARIMA (011)(110)
Fonte FPW 2012
45
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08623) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis A(12) e b(1) foram consideradas significativas
12 ndash SARIMA (110)(110)
Figura 38 - Resultado SARIMA (011)(110)
Fonte FPW 2012
46
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08595) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e A(12) foram consideradas significativas
13 ndash SARIMA (210)(110)
Figura 40 - Resultado SARIMA (210)(110)
Fonte FPW 2012
47
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08620) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) a(2) e A(12) foram consideradas significativas
14 ndash SARIMA (012)(010)
Figura 42 - Resultado SARIMA (012)(010)
Fonte FPW 2012
48
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08625) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
15 ndash SARIMA (111)(110)
Figura 44 - Resultado SARIMA (111)(110)
Fonte FPW 2012
49
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08626) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 24 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1 e MA = 1
16 ndash SARIMA (011)(111)
Figura 46 - Resultado SARIMA (011)(111)
Fonte FPW 2012
50
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) e B(12) foram consideradas significativas pelo modelo
17 ndash SARIMA (110)(111)
Figura 48 - Resultado SARIMA (110)(111)
Fonte FPW 2012
51
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09010) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) e B(12) foram consideradas significativas pelo modelo
18 ndash SARIMA (210)(111)
Figura 50 - Resultado SARIMA (210)(111)
Fonte FPW 2012
52
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) a(12) e B(12) foram consideradas significativas pelo modelo
19 ndash SARIMA (012)(111)
Figura 52 ndash Resultado SARIMA (012)(111)
Fonte FPW 2012
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
35
Figura 17 - FAC dos Resiacuteduos ARIMA (110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08746) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel a(1) foi considerada significativa
2 - ARIMA (011)
Figura 18 - Resultado ARIMA (011)
Fonte FPW 2012
36
Figura 19 - FAC dos Resiacuteduos ARIMA (011)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel b(1) foi considerada significativa
3 - ARIMA (210)
Figura 20 - Resultado ARIMA (210)
Fonte FPW 2012
37
Figura 21 - FAC dos Resiacuteduos ARIMA (210)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08765) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
4 - ARIMA (012)
Figura 22 - Resultado ARIMA (012)
Fonte FPW 2012
38
Figura 23 - FAC dos Resiacuteduos ARIMA (012)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08777) com lag significativo nas fases 12 24 e 36 no graacutefico da FAC dos
resiacuteduos As variaacuteveis b(1) e b(2) foram consideradas significativas
5 - ARIMA (111)
Figura 24 - Resultado ARIMA (111)
Fonte FPW 2012
39
Figura 25 - FAC dos Resiacuteduos ARIMA (111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08811) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e b(1) foi considerada significativa
Observando os resultados obtidos nos cinco modelos anteriores fica evidente a semelhanccedila da presenccedila dos
lags significativos nas fases 12 24 e 36 no graacutefico da FAC dos resiacuteduos indicando a existecircncia de sazonalidade na
seacuterie modelada Assim torna-se necessaacuterio diferenciar a fase sazonal dos dados
Apoacutes a diferenciaccedilatildeo simples foram realizadas as seguintes diferenciaccedilotildees sazonais obtendo-se os seguintes
resultados para os modelos SARIMA
6 ndash SARIMA (011)(010)
Figura 26 - Resultado SARIMA (011)(010)
Fonte FPW 2012
40
Figura 27 - FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel b(1) foi considerada significativa
7 ndash SARIMA (110)(010)
Figura 28 - Resultado SARIMA (011)(010)
Fonte FPW 2012
41
Figura 29 - FAC dos Resiacuteduos SARIMA (011)(010)
Figura 29 ndash FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08305) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel a(1) foi considerada significativa
8 ndash SARIMA (210)(010)
Figura 30 - Resultado SARIMA (210)(010)
Fonte FPW 2012
42
Figura 31 - FAC dos Resiacuteduos SARIMA (210)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08337) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
9 ndash SARIMA (012)(010)
Figura 32 - Resultado SARIMA (012)(010)
Fonte FPW 2012
43
Figura 33 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
10 ndash SARIMA (111)(010)
Figura 34 - Resultado SARIMA (111)(010)
Fonte FPW 2012
44
Figura 35 - FAC dos Resiacuteduos SARIMA (111)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 12 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1
11 ndash SARIMA (011)(110)
Figura 36 - Resultado SARIMA (011)(110)
Fonte FPW 2012
45
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08623) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis A(12) e b(1) foram consideradas significativas
12 ndash SARIMA (110)(110)
Figura 38 - Resultado SARIMA (011)(110)
Fonte FPW 2012
46
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08595) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e A(12) foram consideradas significativas
13 ndash SARIMA (210)(110)
Figura 40 - Resultado SARIMA (210)(110)
Fonte FPW 2012
47
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08620) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) a(2) e A(12) foram consideradas significativas
14 ndash SARIMA (012)(010)
Figura 42 - Resultado SARIMA (012)(010)
Fonte FPW 2012
48
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08625) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
15 ndash SARIMA (111)(110)
Figura 44 - Resultado SARIMA (111)(110)
Fonte FPW 2012
49
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08626) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 24 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1 e MA = 1
16 ndash SARIMA (011)(111)
Figura 46 - Resultado SARIMA (011)(111)
Fonte FPW 2012
50
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) e B(12) foram consideradas significativas pelo modelo
17 ndash SARIMA (110)(111)
Figura 48 - Resultado SARIMA (110)(111)
Fonte FPW 2012
51
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09010) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) e B(12) foram consideradas significativas pelo modelo
18 ndash SARIMA (210)(111)
Figura 50 - Resultado SARIMA (210)(111)
Fonte FPW 2012
52
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) a(12) e B(12) foram consideradas significativas pelo modelo
19 ndash SARIMA (012)(111)
Figura 52 ndash Resultado SARIMA (012)(111)
Fonte FPW 2012
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
36
Figura 19 - FAC dos Resiacuteduos ARIMA (011)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos A variaacutevel b(1) foi considerada significativa
3 - ARIMA (210)
Figura 20 - Resultado ARIMA (210)
Fonte FPW 2012
37
Figura 21 - FAC dos Resiacuteduos ARIMA (210)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08765) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
4 - ARIMA (012)
Figura 22 - Resultado ARIMA (012)
Fonte FPW 2012
38
Figura 23 - FAC dos Resiacuteduos ARIMA (012)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08777) com lag significativo nas fases 12 24 e 36 no graacutefico da FAC dos
resiacuteduos As variaacuteveis b(1) e b(2) foram consideradas significativas
5 - ARIMA (111)
Figura 24 - Resultado ARIMA (111)
Fonte FPW 2012
39
Figura 25 - FAC dos Resiacuteduos ARIMA (111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08811) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e b(1) foi considerada significativa
Observando os resultados obtidos nos cinco modelos anteriores fica evidente a semelhanccedila da presenccedila dos
lags significativos nas fases 12 24 e 36 no graacutefico da FAC dos resiacuteduos indicando a existecircncia de sazonalidade na
seacuterie modelada Assim torna-se necessaacuterio diferenciar a fase sazonal dos dados
Apoacutes a diferenciaccedilatildeo simples foram realizadas as seguintes diferenciaccedilotildees sazonais obtendo-se os seguintes
resultados para os modelos SARIMA
6 ndash SARIMA (011)(010)
Figura 26 - Resultado SARIMA (011)(010)
Fonte FPW 2012
40
Figura 27 - FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel b(1) foi considerada significativa
7 ndash SARIMA (110)(010)
Figura 28 - Resultado SARIMA (011)(010)
Fonte FPW 2012
41
Figura 29 - FAC dos Resiacuteduos SARIMA (011)(010)
Figura 29 ndash FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08305) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel a(1) foi considerada significativa
8 ndash SARIMA (210)(010)
Figura 30 - Resultado SARIMA (210)(010)
Fonte FPW 2012
42
Figura 31 - FAC dos Resiacuteduos SARIMA (210)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08337) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
9 ndash SARIMA (012)(010)
Figura 32 - Resultado SARIMA (012)(010)
Fonte FPW 2012
43
Figura 33 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
10 ndash SARIMA (111)(010)
Figura 34 - Resultado SARIMA (111)(010)
Fonte FPW 2012
44
Figura 35 - FAC dos Resiacuteduos SARIMA (111)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 12 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1
11 ndash SARIMA (011)(110)
Figura 36 - Resultado SARIMA (011)(110)
Fonte FPW 2012
45
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08623) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis A(12) e b(1) foram consideradas significativas
12 ndash SARIMA (110)(110)
Figura 38 - Resultado SARIMA (011)(110)
Fonte FPW 2012
46
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08595) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e A(12) foram consideradas significativas
13 ndash SARIMA (210)(110)
Figura 40 - Resultado SARIMA (210)(110)
Fonte FPW 2012
47
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08620) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) a(2) e A(12) foram consideradas significativas
14 ndash SARIMA (012)(010)
Figura 42 - Resultado SARIMA (012)(010)
Fonte FPW 2012
48
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08625) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
15 ndash SARIMA (111)(110)
Figura 44 - Resultado SARIMA (111)(110)
Fonte FPW 2012
49
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08626) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 24 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1 e MA = 1
16 ndash SARIMA (011)(111)
Figura 46 - Resultado SARIMA (011)(111)
Fonte FPW 2012
50
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) e B(12) foram consideradas significativas pelo modelo
17 ndash SARIMA (110)(111)
Figura 48 - Resultado SARIMA (110)(111)
Fonte FPW 2012
51
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09010) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) e B(12) foram consideradas significativas pelo modelo
18 ndash SARIMA (210)(111)
Figura 50 - Resultado SARIMA (210)(111)
Fonte FPW 2012
52
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) a(12) e B(12) foram consideradas significativas pelo modelo
19 ndash SARIMA (012)(111)
Figura 52 ndash Resultado SARIMA (012)(111)
Fonte FPW 2012
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
37
Figura 21 - FAC dos Resiacuteduos ARIMA (210)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08765) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
4 - ARIMA (012)
Figura 22 - Resultado ARIMA (012)
Fonte FPW 2012
38
Figura 23 - FAC dos Resiacuteduos ARIMA (012)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08777) com lag significativo nas fases 12 24 e 36 no graacutefico da FAC dos
resiacuteduos As variaacuteveis b(1) e b(2) foram consideradas significativas
5 - ARIMA (111)
Figura 24 - Resultado ARIMA (111)
Fonte FPW 2012
39
Figura 25 - FAC dos Resiacuteduos ARIMA (111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08811) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e b(1) foi considerada significativa
Observando os resultados obtidos nos cinco modelos anteriores fica evidente a semelhanccedila da presenccedila dos
lags significativos nas fases 12 24 e 36 no graacutefico da FAC dos resiacuteduos indicando a existecircncia de sazonalidade na
seacuterie modelada Assim torna-se necessaacuterio diferenciar a fase sazonal dos dados
Apoacutes a diferenciaccedilatildeo simples foram realizadas as seguintes diferenciaccedilotildees sazonais obtendo-se os seguintes
resultados para os modelos SARIMA
6 ndash SARIMA (011)(010)
Figura 26 - Resultado SARIMA (011)(010)
Fonte FPW 2012
40
Figura 27 - FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel b(1) foi considerada significativa
7 ndash SARIMA (110)(010)
Figura 28 - Resultado SARIMA (011)(010)
Fonte FPW 2012
41
Figura 29 - FAC dos Resiacuteduos SARIMA (011)(010)
Figura 29 ndash FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08305) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel a(1) foi considerada significativa
8 ndash SARIMA (210)(010)
Figura 30 - Resultado SARIMA (210)(010)
Fonte FPW 2012
42
Figura 31 - FAC dos Resiacuteduos SARIMA (210)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08337) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
9 ndash SARIMA (012)(010)
Figura 32 - Resultado SARIMA (012)(010)
Fonte FPW 2012
43
Figura 33 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
10 ndash SARIMA (111)(010)
Figura 34 - Resultado SARIMA (111)(010)
Fonte FPW 2012
44
Figura 35 - FAC dos Resiacuteduos SARIMA (111)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 12 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1
11 ndash SARIMA (011)(110)
Figura 36 - Resultado SARIMA (011)(110)
Fonte FPW 2012
45
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08623) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis A(12) e b(1) foram consideradas significativas
12 ndash SARIMA (110)(110)
Figura 38 - Resultado SARIMA (011)(110)
Fonte FPW 2012
46
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08595) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e A(12) foram consideradas significativas
13 ndash SARIMA (210)(110)
Figura 40 - Resultado SARIMA (210)(110)
Fonte FPW 2012
47
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08620) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) a(2) e A(12) foram consideradas significativas
14 ndash SARIMA (012)(010)
Figura 42 - Resultado SARIMA (012)(010)
Fonte FPW 2012
48
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08625) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
15 ndash SARIMA (111)(110)
Figura 44 - Resultado SARIMA (111)(110)
Fonte FPW 2012
49
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08626) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 24 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1 e MA = 1
16 ndash SARIMA (011)(111)
Figura 46 - Resultado SARIMA (011)(111)
Fonte FPW 2012
50
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) e B(12) foram consideradas significativas pelo modelo
17 ndash SARIMA (110)(111)
Figura 48 - Resultado SARIMA (110)(111)
Fonte FPW 2012
51
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09010) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) e B(12) foram consideradas significativas pelo modelo
18 ndash SARIMA (210)(111)
Figura 50 - Resultado SARIMA (210)(111)
Fonte FPW 2012
52
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) a(12) e B(12) foram consideradas significativas pelo modelo
19 ndash SARIMA (012)(111)
Figura 52 ndash Resultado SARIMA (012)(111)
Fonte FPW 2012
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
38
Figura 23 - FAC dos Resiacuteduos ARIMA (012)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08777) com lag significativo nas fases 12 24 e 36 no graacutefico da FAC dos
resiacuteduos As variaacuteveis b(1) e b(2) foram consideradas significativas
5 - ARIMA (111)
Figura 24 - Resultado ARIMA (111)
Fonte FPW 2012
39
Figura 25 - FAC dos Resiacuteduos ARIMA (111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08811) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e b(1) foi considerada significativa
Observando os resultados obtidos nos cinco modelos anteriores fica evidente a semelhanccedila da presenccedila dos
lags significativos nas fases 12 24 e 36 no graacutefico da FAC dos resiacuteduos indicando a existecircncia de sazonalidade na
seacuterie modelada Assim torna-se necessaacuterio diferenciar a fase sazonal dos dados
Apoacutes a diferenciaccedilatildeo simples foram realizadas as seguintes diferenciaccedilotildees sazonais obtendo-se os seguintes
resultados para os modelos SARIMA
6 ndash SARIMA (011)(010)
Figura 26 - Resultado SARIMA (011)(010)
Fonte FPW 2012
40
Figura 27 - FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel b(1) foi considerada significativa
7 ndash SARIMA (110)(010)
Figura 28 - Resultado SARIMA (011)(010)
Fonte FPW 2012
41
Figura 29 - FAC dos Resiacuteduos SARIMA (011)(010)
Figura 29 ndash FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08305) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel a(1) foi considerada significativa
8 ndash SARIMA (210)(010)
Figura 30 - Resultado SARIMA (210)(010)
Fonte FPW 2012
42
Figura 31 - FAC dos Resiacuteduos SARIMA (210)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08337) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
9 ndash SARIMA (012)(010)
Figura 32 - Resultado SARIMA (012)(010)
Fonte FPW 2012
43
Figura 33 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
10 ndash SARIMA (111)(010)
Figura 34 - Resultado SARIMA (111)(010)
Fonte FPW 2012
44
Figura 35 - FAC dos Resiacuteduos SARIMA (111)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 12 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1
11 ndash SARIMA (011)(110)
Figura 36 - Resultado SARIMA (011)(110)
Fonte FPW 2012
45
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08623) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis A(12) e b(1) foram consideradas significativas
12 ndash SARIMA (110)(110)
Figura 38 - Resultado SARIMA (011)(110)
Fonte FPW 2012
46
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08595) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e A(12) foram consideradas significativas
13 ndash SARIMA (210)(110)
Figura 40 - Resultado SARIMA (210)(110)
Fonte FPW 2012
47
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08620) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) a(2) e A(12) foram consideradas significativas
14 ndash SARIMA (012)(010)
Figura 42 - Resultado SARIMA (012)(010)
Fonte FPW 2012
48
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08625) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
15 ndash SARIMA (111)(110)
Figura 44 - Resultado SARIMA (111)(110)
Fonte FPW 2012
49
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08626) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 24 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1 e MA = 1
16 ndash SARIMA (011)(111)
Figura 46 - Resultado SARIMA (011)(111)
Fonte FPW 2012
50
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) e B(12) foram consideradas significativas pelo modelo
17 ndash SARIMA (110)(111)
Figura 48 - Resultado SARIMA (110)(111)
Fonte FPW 2012
51
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09010) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) e B(12) foram consideradas significativas pelo modelo
18 ndash SARIMA (210)(111)
Figura 50 - Resultado SARIMA (210)(111)
Fonte FPW 2012
52
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) a(12) e B(12) foram consideradas significativas pelo modelo
19 ndash SARIMA (012)(111)
Figura 52 ndash Resultado SARIMA (012)(111)
Fonte FPW 2012
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
39
Figura 25 - FAC dos Resiacuteduos ARIMA (111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08811) com lag significativo nas fases 12 24 e 36 no graacutefico
da FAC dos resiacuteduos As variaacuteveis a(1) e b(1) foi considerada significativa
Observando os resultados obtidos nos cinco modelos anteriores fica evidente a semelhanccedila da presenccedila dos
lags significativos nas fases 12 24 e 36 no graacutefico da FAC dos resiacuteduos indicando a existecircncia de sazonalidade na
seacuterie modelada Assim torna-se necessaacuterio diferenciar a fase sazonal dos dados
Apoacutes a diferenciaccedilatildeo simples foram realizadas as seguintes diferenciaccedilotildees sazonais obtendo-se os seguintes
resultados para os modelos SARIMA
6 ndash SARIMA (011)(010)
Figura 26 - Resultado SARIMA (011)(010)
Fonte FPW 2012
40
Figura 27 - FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel b(1) foi considerada significativa
7 ndash SARIMA (110)(010)
Figura 28 - Resultado SARIMA (011)(010)
Fonte FPW 2012
41
Figura 29 - FAC dos Resiacuteduos SARIMA (011)(010)
Figura 29 ndash FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08305) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel a(1) foi considerada significativa
8 ndash SARIMA (210)(010)
Figura 30 - Resultado SARIMA (210)(010)
Fonte FPW 2012
42
Figura 31 - FAC dos Resiacuteduos SARIMA (210)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08337) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
9 ndash SARIMA (012)(010)
Figura 32 - Resultado SARIMA (012)(010)
Fonte FPW 2012
43
Figura 33 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
10 ndash SARIMA (111)(010)
Figura 34 - Resultado SARIMA (111)(010)
Fonte FPW 2012
44
Figura 35 - FAC dos Resiacuteduos SARIMA (111)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 12 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1
11 ndash SARIMA (011)(110)
Figura 36 - Resultado SARIMA (011)(110)
Fonte FPW 2012
45
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08623) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis A(12) e b(1) foram consideradas significativas
12 ndash SARIMA (110)(110)
Figura 38 - Resultado SARIMA (011)(110)
Fonte FPW 2012
46
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08595) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e A(12) foram consideradas significativas
13 ndash SARIMA (210)(110)
Figura 40 - Resultado SARIMA (210)(110)
Fonte FPW 2012
47
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08620) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) a(2) e A(12) foram consideradas significativas
14 ndash SARIMA (012)(010)
Figura 42 - Resultado SARIMA (012)(010)
Fonte FPW 2012
48
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08625) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
15 ndash SARIMA (111)(110)
Figura 44 - Resultado SARIMA (111)(110)
Fonte FPW 2012
49
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08626) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 24 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1 e MA = 1
16 ndash SARIMA (011)(111)
Figura 46 - Resultado SARIMA (011)(111)
Fonte FPW 2012
50
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) e B(12) foram consideradas significativas pelo modelo
17 ndash SARIMA (110)(111)
Figura 48 - Resultado SARIMA (110)(111)
Fonte FPW 2012
51
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09010) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) e B(12) foram consideradas significativas pelo modelo
18 ndash SARIMA (210)(111)
Figura 50 - Resultado SARIMA (210)(111)
Fonte FPW 2012
52
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) a(12) e B(12) foram consideradas significativas pelo modelo
19 ndash SARIMA (012)(111)
Figura 52 ndash Resultado SARIMA (012)(111)
Fonte FPW 2012
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
40
Figura 27 - FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel b(1) foi considerada significativa
7 ndash SARIMA (110)(010)
Figura 28 - Resultado SARIMA (011)(010)
Fonte FPW 2012
41
Figura 29 - FAC dos Resiacuteduos SARIMA (011)(010)
Figura 29 ndash FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08305) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel a(1) foi considerada significativa
8 ndash SARIMA (210)(010)
Figura 30 - Resultado SARIMA (210)(010)
Fonte FPW 2012
42
Figura 31 - FAC dos Resiacuteduos SARIMA (210)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08337) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
9 ndash SARIMA (012)(010)
Figura 32 - Resultado SARIMA (012)(010)
Fonte FPW 2012
43
Figura 33 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
10 ndash SARIMA (111)(010)
Figura 34 - Resultado SARIMA (111)(010)
Fonte FPW 2012
44
Figura 35 - FAC dos Resiacuteduos SARIMA (111)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 12 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1
11 ndash SARIMA (011)(110)
Figura 36 - Resultado SARIMA (011)(110)
Fonte FPW 2012
45
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08623) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis A(12) e b(1) foram consideradas significativas
12 ndash SARIMA (110)(110)
Figura 38 - Resultado SARIMA (011)(110)
Fonte FPW 2012
46
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08595) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e A(12) foram consideradas significativas
13 ndash SARIMA (210)(110)
Figura 40 - Resultado SARIMA (210)(110)
Fonte FPW 2012
47
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08620) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) a(2) e A(12) foram consideradas significativas
14 ndash SARIMA (012)(010)
Figura 42 - Resultado SARIMA (012)(010)
Fonte FPW 2012
48
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08625) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
15 ndash SARIMA (111)(110)
Figura 44 - Resultado SARIMA (111)(110)
Fonte FPW 2012
49
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08626) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 24 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1 e MA = 1
16 ndash SARIMA (011)(111)
Figura 46 - Resultado SARIMA (011)(111)
Fonte FPW 2012
50
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) e B(12) foram consideradas significativas pelo modelo
17 ndash SARIMA (110)(111)
Figura 48 - Resultado SARIMA (110)(111)
Fonte FPW 2012
51
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09010) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) e B(12) foram consideradas significativas pelo modelo
18 ndash SARIMA (210)(111)
Figura 50 - Resultado SARIMA (210)(111)
Fonte FPW 2012
52
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) a(12) e B(12) foram consideradas significativas pelo modelo
19 ndash SARIMA (012)(111)
Figura 52 ndash Resultado SARIMA (012)(111)
Fonte FPW 2012
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
41
Figura 29 - FAC dos Resiacuteduos SARIMA (011)(010)
Figura 29 ndash FAC dos Resiacuteduos SARIMA (011)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08305) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos A variaacutevel a(1) foi considerada significativa
8 ndash SARIMA (210)(010)
Figura 30 - Resultado SARIMA (210)(010)
Fonte FPW 2012
42
Figura 31 - FAC dos Resiacuteduos SARIMA (210)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08337) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
9 ndash SARIMA (012)(010)
Figura 32 - Resultado SARIMA (012)(010)
Fonte FPW 2012
43
Figura 33 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
10 ndash SARIMA (111)(010)
Figura 34 - Resultado SARIMA (111)(010)
Fonte FPW 2012
44
Figura 35 - FAC dos Resiacuteduos SARIMA (111)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 12 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1
11 ndash SARIMA (011)(110)
Figura 36 - Resultado SARIMA (011)(110)
Fonte FPW 2012
45
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08623) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis A(12) e b(1) foram consideradas significativas
12 ndash SARIMA (110)(110)
Figura 38 - Resultado SARIMA (011)(110)
Fonte FPW 2012
46
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08595) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e A(12) foram consideradas significativas
13 ndash SARIMA (210)(110)
Figura 40 - Resultado SARIMA (210)(110)
Fonte FPW 2012
47
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08620) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) a(2) e A(12) foram consideradas significativas
14 ndash SARIMA (012)(010)
Figura 42 - Resultado SARIMA (012)(010)
Fonte FPW 2012
48
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08625) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
15 ndash SARIMA (111)(110)
Figura 44 - Resultado SARIMA (111)(110)
Fonte FPW 2012
49
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08626) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 24 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1 e MA = 1
16 ndash SARIMA (011)(111)
Figura 46 - Resultado SARIMA (011)(111)
Fonte FPW 2012
50
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) e B(12) foram consideradas significativas pelo modelo
17 ndash SARIMA (110)(111)
Figura 48 - Resultado SARIMA (110)(111)
Fonte FPW 2012
51
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09010) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) e B(12) foram consideradas significativas pelo modelo
18 ndash SARIMA (210)(111)
Figura 50 - Resultado SARIMA (210)(111)
Fonte FPW 2012
52
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) a(12) e B(12) foram consideradas significativas pelo modelo
19 ndash SARIMA (012)(111)
Figura 52 ndash Resultado SARIMA (012)(111)
Fonte FPW 2012
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
42
Figura 31 - FAC dos Resiacuteduos SARIMA (210)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08337) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e a(2) foram consideradas significativas
9 ndash SARIMA (012)(010)
Figura 32 - Resultado SARIMA (012)(010)
Fonte FPW 2012
43
Figura 33 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
10 ndash SARIMA (111)(010)
Figura 34 - Resultado SARIMA (111)(010)
Fonte FPW 2012
44
Figura 35 - FAC dos Resiacuteduos SARIMA (111)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 12 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1
11 ndash SARIMA (011)(110)
Figura 36 - Resultado SARIMA (011)(110)
Fonte FPW 2012
45
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08623) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis A(12) e b(1) foram consideradas significativas
12 ndash SARIMA (110)(110)
Figura 38 - Resultado SARIMA (011)(110)
Fonte FPW 2012
46
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08595) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e A(12) foram consideradas significativas
13 ndash SARIMA (210)(110)
Figura 40 - Resultado SARIMA (210)(110)
Fonte FPW 2012
47
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08620) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) a(2) e A(12) foram consideradas significativas
14 ndash SARIMA (012)(010)
Figura 42 - Resultado SARIMA (012)(010)
Fonte FPW 2012
48
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08625) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
15 ndash SARIMA (111)(110)
Figura 44 - Resultado SARIMA (111)(110)
Fonte FPW 2012
49
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08626) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 24 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1 e MA = 1
16 ndash SARIMA (011)(111)
Figura 46 - Resultado SARIMA (011)(111)
Fonte FPW 2012
50
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) e B(12) foram consideradas significativas pelo modelo
17 ndash SARIMA (110)(111)
Figura 48 - Resultado SARIMA (110)(111)
Fonte FPW 2012
51
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09010) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) e B(12) foram consideradas significativas pelo modelo
18 ndash SARIMA (210)(111)
Figura 50 - Resultado SARIMA (210)(111)
Fonte FPW 2012
52
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) a(12) e B(12) foram consideradas significativas pelo modelo
19 ndash SARIMA (012)(111)
Figura 52 ndash Resultado SARIMA (012)(111)
Fonte FPW 2012
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
43
Figura 33 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
10 ndash SARIMA (111)(010)
Figura 34 - Resultado SARIMA (111)(010)
Fonte FPW 2012
44
Figura 35 - FAC dos Resiacuteduos SARIMA (111)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 12 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1
11 ndash SARIMA (011)(110)
Figura 36 - Resultado SARIMA (011)(110)
Fonte FPW 2012
45
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08623) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis A(12) e b(1) foram consideradas significativas
12 ndash SARIMA (110)(110)
Figura 38 - Resultado SARIMA (011)(110)
Fonte FPW 2012
46
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08595) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e A(12) foram consideradas significativas
13 ndash SARIMA (210)(110)
Figura 40 - Resultado SARIMA (210)(110)
Fonte FPW 2012
47
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08620) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) a(2) e A(12) foram consideradas significativas
14 ndash SARIMA (012)(010)
Figura 42 - Resultado SARIMA (012)(010)
Fonte FPW 2012
48
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08625) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
15 ndash SARIMA (111)(110)
Figura 44 - Resultado SARIMA (111)(110)
Fonte FPW 2012
49
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08626) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 24 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1 e MA = 1
16 ndash SARIMA (011)(111)
Figura 46 - Resultado SARIMA (011)(111)
Fonte FPW 2012
50
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) e B(12) foram consideradas significativas pelo modelo
17 ndash SARIMA (110)(111)
Figura 48 - Resultado SARIMA (110)(111)
Fonte FPW 2012
51
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09010) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) e B(12) foram consideradas significativas pelo modelo
18 ndash SARIMA (210)(111)
Figura 50 - Resultado SARIMA (210)(111)
Fonte FPW 2012
52
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) a(12) e B(12) foram consideradas significativas pelo modelo
19 ndash SARIMA (012)(111)
Figura 52 ndash Resultado SARIMA (012)(111)
Fonte FPW 2012
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
44
Figura 35 - FAC dos Resiacuteduos SARIMA (111)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08333) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 12 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1
11 ndash SARIMA (011)(110)
Figura 36 - Resultado SARIMA (011)(110)
Fonte FPW 2012
45
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08623) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis A(12) e b(1) foram consideradas significativas
12 ndash SARIMA (110)(110)
Figura 38 - Resultado SARIMA (011)(110)
Fonte FPW 2012
46
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08595) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e A(12) foram consideradas significativas
13 ndash SARIMA (210)(110)
Figura 40 - Resultado SARIMA (210)(110)
Fonte FPW 2012
47
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08620) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) a(2) e A(12) foram consideradas significativas
14 ndash SARIMA (012)(010)
Figura 42 - Resultado SARIMA (012)(010)
Fonte FPW 2012
48
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08625) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
15 ndash SARIMA (111)(110)
Figura 44 - Resultado SARIMA (111)(110)
Fonte FPW 2012
49
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08626) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 24 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1 e MA = 1
16 ndash SARIMA (011)(111)
Figura 46 - Resultado SARIMA (011)(111)
Fonte FPW 2012
50
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) e B(12) foram consideradas significativas pelo modelo
17 ndash SARIMA (110)(111)
Figura 48 - Resultado SARIMA (110)(111)
Fonte FPW 2012
51
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09010) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) e B(12) foram consideradas significativas pelo modelo
18 ndash SARIMA (210)(111)
Figura 50 - Resultado SARIMA (210)(111)
Fonte FPW 2012
52
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) a(12) e B(12) foram consideradas significativas pelo modelo
19 ndash SARIMA (012)(111)
Figura 52 ndash Resultado SARIMA (012)(111)
Fonte FPW 2012
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
45
Figura 37 - FAC dos Resiacuteduos SARIMA (011)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08623) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis A(12) e b(1) foram consideradas significativas
12 ndash SARIMA (110)(110)
Figura 38 - Resultado SARIMA (011)(110)
Fonte FPW 2012
46
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08595) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e A(12) foram consideradas significativas
13 ndash SARIMA (210)(110)
Figura 40 - Resultado SARIMA (210)(110)
Fonte FPW 2012
47
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08620) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) a(2) e A(12) foram consideradas significativas
14 ndash SARIMA (012)(010)
Figura 42 - Resultado SARIMA (012)(010)
Fonte FPW 2012
48
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08625) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
15 ndash SARIMA (111)(110)
Figura 44 - Resultado SARIMA (111)(110)
Fonte FPW 2012
49
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08626) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 24 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1 e MA = 1
16 ndash SARIMA (011)(111)
Figura 46 - Resultado SARIMA (011)(111)
Fonte FPW 2012
50
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) e B(12) foram consideradas significativas pelo modelo
17 ndash SARIMA (110)(111)
Figura 48 - Resultado SARIMA (110)(111)
Fonte FPW 2012
51
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09010) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) e B(12) foram consideradas significativas pelo modelo
18 ndash SARIMA (210)(111)
Figura 50 - Resultado SARIMA (210)(111)
Fonte FPW 2012
52
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) a(12) e B(12) foram consideradas significativas pelo modelo
19 ndash SARIMA (012)(111)
Figura 52 ndash Resultado SARIMA (012)(111)
Fonte FPW 2012
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
46
Figura 39 - FAC dos Resiacuteduos SARIMA (110)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08595) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) e A(12) foram consideradas significativas
13 ndash SARIMA (210)(110)
Figura 40 - Resultado SARIMA (210)(110)
Fonte FPW 2012
47
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08620) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) a(2) e A(12) foram consideradas significativas
14 ndash SARIMA (012)(010)
Figura 42 - Resultado SARIMA (012)(010)
Fonte FPW 2012
48
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08625) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
15 ndash SARIMA (111)(110)
Figura 44 - Resultado SARIMA (111)(110)
Fonte FPW 2012
49
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08626) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 24 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1 e MA = 1
16 ndash SARIMA (011)(111)
Figura 46 - Resultado SARIMA (011)(111)
Fonte FPW 2012
50
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) e B(12) foram consideradas significativas pelo modelo
17 ndash SARIMA (110)(111)
Figura 48 - Resultado SARIMA (110)(111)
Fonte FPW 2012
51
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09010) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) e B(12) foram consideradas significativas pelo modelo
18 ndash SARIMA (210)(111)
Figura 50 - Resultado SARIMA (210)(111)
Fonte FPW 2012
52
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) a(12) e B(12) foram consideradas significativas pelo modelo
19 ndash SARIMA (012)(111)
Figura 52 ndash Resultado SARIMA (012)(111)
Fonte FPW 2012
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
47
Figura 41 - FAC dos Resiacuteduos SARIMA (210)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08620) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos As variaacuteveis a(1) a(2) e A(12) foram consideradas significativas
14 ndash SARIMA (012)(010)
Figura 42 - Resultado SARIMA (012)(010)
Fonte FPW 2012
48
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08625) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
15 ndash SARIMA (111)(110)
Figura 44 - Resultado SARIMA (111)(110)
Fonte FPW 2012
49
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08626) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 24 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1 e MA = 1
16 ndash SARIMA (011)(111)
Figura 46 - Resultado SARIMA (011)(111)
Fonte FPW 2012
50
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) e B(12) foram consideradas significativas pelo modelo
17 ndash SARIMA (110)(111)
Figura 48 - Resultado SARIMA (110)(111)
Fonte FPW 2012
51
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09010) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) e B(12) foram consideradas significativas pelo modelo
18 ndash SARIMA (210)(111)
Figura 50 - Resultado SARIMA (210)(111)
Fonte FPW 2012
52
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) a(12) e B(12) foram consideradas significativas pelo modelo
19 ndash SARIMA (012)(111)
Figura 52 ndash Resultado SARIMA (012)(111)
Fonte FPW 2012
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
48
Figura 43 - FAC dos Resiacuteduos SARIMA (012)(010)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08625) com lag significativo na fase 12 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel b(2) foi considerada natildeo significativa
15 ndash SARIMA (111)(110)
Figura 44 - Resultado SARIMA (111)(110)
Fonte FPW 2012
49
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08626) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 24 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1 e MA = 1
16 ndash SARIMA (011)(111)
Figura 46 - Resultado SARIMA (011)(111)
Fonte FPW 2012
50
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) e B(12) foram consideradas significativas pelo modelo
17 ndash SARIMA (110)(111)
Figura 48 - Resultado SARIMA (110)(111)
Fonte FPW 2012
51
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09010) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) e B(12) foram consideradas significativas pelo modelo
18 ndash SARIMA (210)(111)
Figura 50 - Resultado SARIMA (210)(111)
Fonte FPW 2012
52
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) a(12) e B(12) foram consideradas significativas pelo modelo
19 ndash SARIMA (012)(111)
Figura 52 ndash Resultado SARIMA (012)(111)
Fonte FPW 2012
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
49
Figura 45 - FAC dos Resiacuteduos SARIMA (111)(110)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08626) com lag significativo na fase 24 no graacutefico da FAC dos
resiacuteduos Aleacutem disso a variaacutevel a(1) foi considerada natildeo significativa
De posse dos resultados anteriores percebe-se a permanecircncia do lag significativo na fase 24 dos graacuteficos de
erro das Funccedilotildees de Autocorrelaccedilatildeo modeladas Assim seratildeo testados a seguir os modelos com a componente
sazonal AR = 1 e MA = 1
16 ndash SARIMA (011)(111)
Figura 46 - Resultado SARIMA (011)(111)
Fonte FPW 2012
50
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) e B(12) foram consideradas significativas pelo modelo
17 ndash SARIMA (110)(111)
Figura 48 - Resultado SARIMA (110)(111)
Fonte FPW 2012
51
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09010) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) e B(12) foram consideradas significativas pelo modelo
18 ndash SARIMA (210)(111)
Figura 50 - Resultado SARIMA (210)(111)
Fonte FPW 2012
52
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) a(12) e B(12) foram consideradas significativas pelo modelo
19 ndash SARIMA (012)(111)
Figura 52 ndash Resultado SARIMA (012)(111)
Fonte FPW 2012
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
50
Figura 47 - FAC dos Resiacuteduos SARIMA (011)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) e B(12) foram consideradas significativas pelo modelo
17 ndash SARIMA (110)(111)
Figura 48 - Resultado SARIMA (110)(111)
Fonte FPW 2012
51
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09010) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) e B(12) foram consideradas significativas pelo modelo
18 ndash SARIMA (210)(111)
Figura 50 - Resultado SARIMA (210)(111)
Fonte FPW 2012
52
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) a(12) e B(12) foram consideradas significativas pelo modelo
19 ndash SARIMA (012)(111)
Figura 52 ndash Resultado SARIMA (012)(111)
Fonte FPW 2012
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
51
Figura 49 - FAC dos Resiacuteduos SARIMA (110)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09010) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) e B(12) foram consideradas significativas pelo modelo
18 ndash SARIMA (210)(111)
Figura 50 - Resultado SARIMA (210)(111)
Fonte FPW 2012
52
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) a(12) e B(12) foram consideradas significativas pelo modelo
19 ndash SARIMA (012)(111)
Figura 52 ndash Resultado SARIMA (012)(111)
Fonte FPW 2012
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
52
Figura 51 - FAC dos Resiacuteduos SARIMA (210)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09033) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) a(12) e B(12) foram consideradas significativas pelo modelo
19 ndash SARIMA (012)(111)
Figura 52 ndash Resultado SARIMA (012)(111)
Fonte FPW 2012
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
53
Figura 53 ndash FAC dos Resiacuteduos SARIMA (012)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09040) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) b(1) b(2) e B(12) foram consideradas significativas pelo modelo
20 ndash SARIMA (111)(111)
Figura 54 ndash Resultado SARIMA (111)(111)
Fonte FPW 2012
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
54
Figura 55 ndash FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09044) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos Aleacutem disso as variaacuteveis A(12) a(1) b(1) e B(12) foram consideradas significativas pelo modelo
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
Modelo SARIMA R2 Ajustado MAPE BIC
(011)(111) 0903 001366 008179
(110)(111) 09007 001379 008277
(210)(111) 09029 01368 008219
(012)(111) 09036 001363 008189
(111)(111) 09044 001369 00817
Tabela 2 ndash Comparaccedilatildeo de Resultados dos Modelos Box-Jenkins
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins mais adequado eacute
o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para o coeficiente de determinaccedilatildeo (R2 Ajustado)
mais proacuteximo de 1 e o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
mesmo apresentado um MAPE que representa o erro absoluto meacutedio ligeiramente superior aos demais
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
55
332 ndash Amortecimento Exponencial
O Amortecimento Exponencial eacute tratado como um meacutetodo de previsatildeo Assim natildeo necessita que os
pressupostos de normalidade e homocedasticidade sejam atendidos
A partir da anaacutelise da figura com o graacutefico da seacuterie pode-se inferir inicialmente que a mesma apresenta
tendecircncia e sazonalidade Assim aparentemente o meacutetodo de Winters tende a ser o mais adequado para a
modelagem dentre os meacutetodos de amortecimento exponencial em estudo neste trabalho
1 - Sem tendecircncia e sem sazonalidade
Figura 56 ndash Resultado Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Figura 57 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
56
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
2 - Com tendecircncia e sem sazonalidade (Holt)
Figura 58 ndash Resultado Amortecimento Exponencial com Tendecircncia e sem Sazonalidade (Holt)
Fonte FPW 2012
Figura 59 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sem Sazonalidade
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi ligeiramente significativo (R-Square = 08766) e a existecircncia de lags significativos nas fases 12 18
24 30 38 e 42 no graacutefico da FAC dos resiacuteduos
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
57
3 - Com Tendecircncia e Sazonalidade Aditiva (Winters)
Figura 60 ndash Resultado Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Figura 61 ndash FAC dos Resiacuteduos Amortecimento Exponencial com Tendecircncia e Sazonalidade Aditiva (Winters)
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 08999) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
58
4 - Sem tendecircncia e com sazonalidade aditiva
Figura 62 ndash Resultado Amortecimento Exponencial sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Figura 63 ndash FAC dos Resiacuteduos Amortecimento Exponencial Sem Tendecircncia e com Sazonalidade Aditiva
Fonte FPW 2012
Atraveacutes da anaacutelise dos dados demonstrados nas figuras anteriores pode-se dizer que o coeficiente de
determinaccedilatildeo foi significativo (R-Square = 09009) e a inexistecircncia de lags significativos no graacutefico da FAC dos
resiacuteduos
De forma resumida os resultados dos uacuteltimos modelos que apresentaram variaacuteveis significativas e ausecircncia de
lags significativos nos respectivos graacuteficos da FAC dos Resiacuteduos satildeo os seguintes
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
59
Meacutetodo R2 Ajustado MAPE BIC
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 3 ndash Comparaccedilatildeo de Resultados dos Meacutetodos de Amortecimento Exponencial
Fonte Elaborado pelos Autores
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o meacutetodo de Amortecimento Exponencial
mais adequado eacute o Sem Tendecircncia e Com Sazonalidade Aditiva Este modelo apresenta melhores iacutendices para o
coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um menor valor de erro absoluto meacutedio (MAPE) e
o menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados
No iniacutecio da anaacutelise da seacuterie utilizando este meacutetodo foi inferido que pelo fato da seacuterie apresentar tendecircncia e
sazonalidade o meacutetodo de Winters seria o mais adequado para a modelagem dos dados No entanto apoacutes a
realizaccedilatildeo das modelagens foi constatado que o melhor modelo encontrado (Sem Tendecircncia e Com Sazonalidade
Aditiva) difere da inferecircncia inicial pois a seacuterie apresenta claramente tendecircncia
34 ndash COMPARACcedilAtildeO ENTRE MODELOS
Com o objetivo de escolher o modelo que melhor representa o comportamento futuro da seacuterie em estudo tanto
em maior grau de explicaccedilatildeo quanto em menor erro a tabela abaixo foi construiacuteda visando comparar os principais
criteacuterios de determinaccedilatildeo do modelo ideal de previsatildeo global obtidos em todos os testes demonstrados ao longo deste
trabalho
ModeloMeacutetodo R2 ajustado MAPE BIC
SARIMA (011)(111) 0903 001366 008179
SARIMA (110)(111) 09007 001379 008277
SARIMA (210)(111) 09029 01368 008219
SARIMA (012)(111) 09036 001363 008189
SARIMA (111)(111) 09044 001369 00817
Sem Tendecircncia e Sem Sazonalidade 08766 001602 00915
Com Tendecircncia e Sem Sazonalidade (Holt) 08766 0016 009194
Com Tendecircncia e Sazonalidade Aditiva (Winters) 08999 001423 008319
Sem Tendecircncia e Com Sazonalidade Aditiva 09009 001411 008239 Tabela 4 ndash Comparaccedilatildeo de Resultados Globais
Fonte Elaborado pelos Autores
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
60
Conforme jaacute apresentado os meacutetodos de Amortecimento Exponencial ldquoSem Tendecircncia e Sem Sazonalidaderdquo e
ldquoCom Tendecircncia e Sem Sazonalidade (Holt)rdquo apresentaram lags significativos na FAC dos resiacuteduos apresentando
portanto os piores iacutendices de explicaccedilatildeo dos modelos Jaacute os meacutetodos ldquoCom Tendecircncia e Sazonalidade Aditiva
(Winters)rdquo e ldquoCom Tendecircncia e Com Sazonalidade Aditivardquo natildeo apresentaram lags significativos na FAC dos resiacuteduos e
apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos para a comparaccedilatildeo global do melhor modelo
Com relaccedilatildeo aos modelos Box-Jenkins apresentados todos os incluiacutedos nesta anaacutelise final natildeo apresentaram
lags significativos na FAC dos resiacuteduos e apresentaram valores para as estatiacutesticas de comparaccedilatildeo bem proacuteximos
entre si no entanto ligeiramente superiores aos apresentados pelos meacutetodos de Amortecimento Exponencial
Atraveacutes das anaacutelises dos paracircmetros da tabela acima conclui-se que o modelo Box-Jenkins global mais
adequado dentre todos os testes realizados eacute o SARIMA (111)(111) Este modelo apresenta melhores iacutendices para
o coeficiente de determinaccedilatildeo (R2 Ajustado) mais proacuteximo da unidade um valor de MAPE ligeiramente maior e o
menor valor para a estatiacutestica de BIC (Bayesian Information Criterion) para os modelos testados principalmente na
comparaccedilatildeo com o segundo melhor modelo analisado ndash SARIMA (012)(111)
4 - CONCLUSAtildeO
41 ndash PREVISAtildeO FINAL
Utilizando o modelo Box Jenkins SARIMA (111)(111) como o mais adequado para a previsatildeo da seacuterie em
estudo segue abaixo o graacutefico da previsatildeo da seacuterie
Figura 64 - Graacutefico da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
61
A seguir tem-se o resultado tabelado da previsatildeo
Figura 65 - Resultado da Previsatildeo Utilizando o Modelo SARIMA (111)(111)
Fonte FPW 2012
Como pode ser observado na coluna ldquoForecastrdquo da figura acima a previsatildeo para o volume de produccedilatildeo de caminhotildees no
Brasil para os meses de janeiro fevereiro e marccedilo de 2012 eacute de aproximadamente 17515 unidades 18442 unidades e 20877
unidades respectivamente
A figura abaixo apresenta os paracircmetros do modelo de previsatildeo utilizando a seacuterie inicial com transformaccedilatildeo logariacutetmica
para a base 10
Figura 66 - Resultado dos Paracircmetros do Modelo SARIMA (111)(111)
Fonte FPW 2012
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
62
Pela previsatildeo modelada nota-se que o paracircmetro R2 ajustado eacute 0904 ou seja a seacuterie atraveacutes desse modelo
consegue ter cerca de 904 de seu comportamento explicado
Da mesma forma o valor de MAPE obtido de 0124 informa que utilizando este modelo o erro de previsatildeo eacute
de aproximadamente 124
Figura 67 - FAC dos Resiacuteduos SARIMA (111)(111)
Fonte FPW 2012
Pela figura anterior do modelo SARIMA (111)(111) nota-se que natildeo existem lags significativos na FAC dos
resiacuteduos do modelo caracterizando um ruiacutedo branco ou seja trata-se de um processo estocaacutestico que aleacutem de
estacionaacuterio de segunda ordem (apresenta meacutedia e variacircncia constantes) tambeacutem natildeo apresenta dependecircncia serial
42 ndash CONSIDERACcedilOtildeES FINAIS
O objetivo do trabalho era o de apresentar uma previsatildeo para a seacuterie de volume de produccedilatildeo de caminhotildees no
Brasil Para esta tarefa foram realizados os testes contidos neste trabalho para alcanccedilar o modelo mais adequado
Foram utilizados dois modelomeacutetodos de previsatildeo Box-Jenkins e Amortecimento Exponencial
O trabalho foi realizado utilizando-se 95 de significacircncia e para atender aos pressupostos dos modelos Box-
Jenkins foram realizados os testes de normalidade e homocedasticidade da seacuterie transformada para a distribuiccedilatildeo
logariacutetmica na base 10 No entanto a com a base utilizada o pressuposto de normalidade natildeo foi alcanccedilado e o
princiacutepio de homocedasticidade por sua vez foi aceito Por se tratar de um trabalho acadecircmico esta base foi
empregada no trabalho tomando-se como base de que as duas condiccedilotildees foram satisfeitas
No decorrer do trabalho foram testados os ARIMA SARIMA Holt Winters e demais meacutetodos de
Amortecimento Exponencial com variaacuteveis dependentes diferentes buscando conseguir os melhores paracircmetros para
a seacuterie em estudo Os criteacuterios para a seleccedilatildeo do melhor modelo foram o R2-Ajustado MAPE e BIC
Apoacutes a anaacutelise detalhada de todos os modelos o que demonstrou as melhores estatiacutesticas foi o SARIMA
(111)(111) Conforme demonstrado na seccedilatildeo anterior para uma previsatildeo de trecircs meses para o ano de 2012 o
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
63
modelo proposto possui uma explicaccedilatildeo de 90 e um erro absoluto meacutedio em torno de 14 Desta forma pode-se
afirmar que o objetivo deste trabalho foi alcanccedilado
Por se tratar de um bem de produccedilatildeo o volume de produccedilatildeo de caminhotildees no Brasil eacute altamente relacionado a
fatores econocircmicos e poliacuteticos que satildeo responsaacuteveis pela variaccedilatildeo de produccedilatildeo no decorrer dos anos No entanto em
um ambiente com aceleraccedilatildeo da economia aumento de obras de infraestruturas produccedilatildeo global da induacutestria e
incentivos fiscais para renovaccedilatildeo de frota o volume de produccedilatildeo dos novos caminhotildees com a tecnologia Proconve 7
Euro 5 tende a aumentar
Como recomendaccedilatildeo para trabalhos futuros possibilidade de estudos estariam ligados a exploraccedilatildeo de
modelos de Regressatildeo Dinacircmica para esta seacuterie buscando alcanccedilar iacutendices de explicaccedilatildeo superiores a 90
5 - REFEREcircNCIAS
ANFAVEA Induacutestria Automobiliacutestica Brasileira 20112010 Janeiro 2012 Disponiacutevel em lthttp
httpwwwanfaveacombrcartasCarta308pdfgt Acessado em 30062012
BOX G E P JENKINS G M REINSEL G C Time Series Analysis forecasting and control 4 Ed
Englewood Cliffs NJ Prentice-Hall 2008 746p
EVANS MK Practical Business Forecasting Blackwell Publishers EUA 2002 Disponiacutevel em
lthttpbooksgooglecombrbooksid=6Ogww0zPJosCamppg=PA226ampdq=box-jenkins+forecasting+models+articlesamphl=pt-
BRampsa=Xampei=eWhKT7_eFIOCgweb3t2aDgampved=0CDcQ6AEwAAv=onepageampq=box-
jenkins20forecasting20models20articlesampf=falsegt Acesso em 26022012
FENABRAVE Eleiccedilatildeo e Novas Regras Aceleram as Vendas Novembro 2011 Disponiacutevel em
lthttpwwwfenabravecombrprincipalhomesistema=conteudos|conteudoampid_conteudo=4084conteudogt Acesso
em 20022012
FERLA M Produccedilatildeo de Caminhotildees Cresce 138 em 2011 Janeiro 2012 Disponiacutevel em
lthttpwwwtransportabrasilcombr201201producao-de-caminhoes-cresce-138-em-2011gt Acesso em 22022012
FRANSES PH Time Series Models for Business and Economic Forecasting Cambridge University Press
Nova York EUA 1998 Disponiacutevel em lthttpbooksgooglecombrbookshl=pt-
BRamplr=ampid=c_F7nS_6WiECampoi=fndamppg=PR9ampdq=application+forecasting+methods+businessampots=i9XnW-
1HYQampsig=K4LBBDdpxLDfQMrrE0lugIyfg6Yv=onepageampq=application20forecasting20methods20businessampf=fa
lsegt Acesso em 03032012
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre
64
HYNDMAN R KOEHLER A ORD K SNYDER R Forecasting With Exponential Smoothing Springer 2008
Disponiacutevel em
lthttpbooksgooglecombrbooksid=GSyzox8Lu9YCampprintsec=frontcoverampdq=exponential+smoothingamphl=pt-
BRampsa=Xampei=ec5OT8C1BMfZ0QGt6qHeAgampved=0CDAQ6AEwAAv=onepageampq=exponential20smoothingampf=false
gt Acesso em 08032012
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MAKRIDAKIS S WHELLRIGHT SC HYNDMAN R J Forecasting methods and applications 3 ed New
York John Wiley 1998 642p
MORETTIN PA TOLOI CMC Anaacutelise de seacuteries temporais 2ed Satildeo Paulo Edgard Bluumlcher 2006 538 p
PELLEGRINI FR Metodologia para Implementaccedilatildeo de Sistemas de Previsatildeo de Demanda 2000 146f
Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de Produccedilatildeo da Universidade Federal do Rio
Grande do Sul Porto Alegre
SOUZA Reinaldo C CAMARGO Maria E Anaacutelise e Previsatildeo de Seacuteries Temporais ndash Os modelos Arima 2ordf
ed Rio de Janeiro Graacutefica e Editora Regional 2004
TEIXEIRA J A J Metodologia para Implementaccedilatildeo de Um Sistema de Gestatildeo de Estoques Baseado em
Previsatildeo de Demanda 2004 142 f Dissertaccedilatildeo submetida ao Programa de Poacutes-Graduaccedilatildeo em Engenharia de
Produccedilatildeo da Universidade Federal do Rio Grande do Sul Porto Alegre