– Basta reflectir uns instantes para perceber que é impossível (mesmo com a ajuda dos
mais ilustres adivinhos e matemáticos) prever o que vai acontecer (Octávio Augusto –
Imperador Romano 63 AC – 14 DC).
– Prever é difícil principalmente em relação ao futuro.
– Se alguém te disser que prevê o futuro, mente, mas pode acertar.
Vendas
Tempo
• Modelos quantitativos
– Séries temporais Modelos Modelos
– Modelos causais qualitativos quantitativos
Modelos de Modelos de
amortecimento decomposição
Estudos de mercado
Realização de questionários aos consumidores ou potenciais
consumidores seguido de tratamento estatístico, de modo a determinar
a suas intenções de compra e a sua reacção à introdução de novas
características nos produtos. Método particularmente relevante na fase
de desenvolvimento de novos produtos e na realização de previsões
iniciais de vendas.
Método de Delphi
Este método envolve um painel de peritos a quem são entregues uma
série de questionários acerca de um determinado assunto. Os peritos
não se encontram em contacto de modo a que a sua opinião não seja
influenciada. Os resultados de todos os questionários são enviados a
cada perito com o questionário seguinte possibilitando que cada perito
possa avaliar essa informação e ajustar as suas respostas no ciclo
seguinte. Após alguns ciclos desse tipo chega-se a uma proposta de
consenso ou divergência justificada.
ε t = Z t − Pt
εt – Erro de previsão
Zt – Valor observado
Pt – Previsão realizada
1 n 2
EQM = ∑ ε t
n t =1
y = a + bx
• Que minimiza a soma dos quadrados das distâncias dos pontos à recta obtida
a=
∑ ∑ y − ∑ x∑ xy
x 2
n∑ x − (∑ x )
2 2
n∑ xy − ∑ x∑ y
b=
n∑ x 2 − (∑ x )
2
Temperatura Consumo de
(Cº) electricidade (Mwh)
Dia X Y X^2 X*Y
1 29,3 16,3 858,49 477,59
2 21,7 16,8 470,89 364,56
3 23,7 15,5 561,69 367,35
4 10,4 18,2 108,16 189,28
5 29,7 15,2 882,09 451,44
6 11,9 17,5 141,61 208,25
7 9 19,8 81 178,2
8 23,4 19 547,56 444,6
9 17,8 17,5 316,84 311,5
10 30 16 900 480
Somatório 206,9 171,8 4868,33 3472,77
y = 20,06 – 0,139x
22
Que consumo de
electricidade se deve
20
esperar para um dia com
temperatura máxima de
Consumo (Mwh)
18
10º ?
16
12
0 5 10 15 20 25 30 35
Temperatura (Cº)
n∑ xy − ∑ x ∑ y
r=
[n∑ x 2
][
− (∑ x ) × n∑ y 2 − (∑ y )
2 2
]
Coeficiente de determinação
r2 percentagem da variação de y explicada pela variação de x
• Exemplo
120
Índice mensal de
produção industrial 110
Fonte INE 90
80
70
60
50
90
91
92
93
94
95
96
97
98
19
19
19
19
19
19
19
19
19
Grupo de Controlo e Gestão G G
C
Séries cronológicas
Componentes
• Tendência – Indica a evolução global e estável da variável no longo
prazo
• Ciclo – Variação oscilatória do valor da variável em torno da tendência.
Não apresenta um carácter repetitivo e prolonga-se no médio prazo. É
vulgar associar essas oscilações à evolução cíclica da economia. A
magnitude, “timing” e padrão do ciclo deve-se a tantas causas que de
uma forma geral a sua previsão é impraticável.
• Sazonalidade – Flutuação recorrente da variável em torno da tendência
que se repete a intervalos regulares. Ao contrário do ciclo esta flutuação
é repetitiva e manifesta-se no curto prazo.
• Erro – Variação aleatória de carácter imprevisível. É a “dor de cabeça”
de qualquer pessoa que pretenda fazer previsões.
105
100
95 Tendência e ciclo
90
85
1,1
0,9
Sazonalidade
0,8
0,7
0,6
1,05
1
Nota: Uma série
Erro
0,95 temporal pode não ter
0,9 todas estas
0,85 componentes
90
91
92
93
94
95
96
97
98
19
19
19
19
19
19
19
19
19
Z t = f (Tt , Ct , S t , ε t )
Z t = Tt × C t × S t × ε t
Modelo aditivo
Z t = Tt + C t + S t + ε t
1
Mt = (Z t −n + Z t −n+1 + ⋅ ⋅ ⋅ + Z t + ⋅ ⋅ ⋅ + Z t + n−1 + Z t + n )
N
Note-se que se se utilizasse um número par de termos não seria possível centrar a
média nos valores utilizados para o seu cálculo.
Média
total móvel (4
Mês Procura meses)
}
1 120 ÷2
2 130
3 110 495 ÷4 123,75
4 140 490 122,5
5 110 ÷2
6 130
Médias móveis
t Zt n=3 n=6 300
1 124
2 139 166,3
3 236 171,3
4 139 205,7 191,3 250
5 242 190,0 212,1
6 189 237,7 218,0
7 282 233,7 222,5
8 230 242,7 232,5
9 216 219,7 237,7 200
10 213 239,0 234,6
11 288 235,3 233,3
12 205 240,7 227,5
13 229 234,0 215,3
150
14 268 201,7 211,8 Zt
15 108 183,3 214,8
n=3
16 174 189,3 218,3
17 286 234,3 212,3 n=6
18 243 254,0 100
19 233 222,3 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
20 191
950000
850000
750000
Hóspedes
650000
• Tendência crescente
550000
• Sazonalidade 4 períodos
• Vamos assumir modelo 450000
multiplicativo 350000
250000
1996
1997
1998
1999
2000
Tempo
850000
750000
Z t = Tt × C t × S t × ε t
650000
Hóspedes
Zt
Mt
550000
450000
M t = Tt × C t 350000
25000096
97
98
99
00
19
19
19
19
20
Tempo
1,5
1,3
1,1 rt
rt
0,9
0,7
0,5
1996
1997
1998
1999
2000
Tempo
1,04
1,02
Et
A série dos erros, dada a sua 0,98
97
98
99
00
19
19
19
19
20
pretende estudar. Tempo
620000
Tt = 6351,7*t + 490939
600000
580000
Mt
Linear (Mt)
560000
540000
520000
500000
96
97
98
99
00
19
19
19
19
20
Grupo de Controlo e Gestão G G
C
Método da decomposição clássica - Lógica
6º Passo – Cálculo da série Ct.
Mt
Ct =
Tt
Ciclo (Ct)
1996 1997 1998 1999 2000
1º Trim. 1,0043 0,9948 1,0066 0,9991
2º Trim. 1,0114 0,9962 1,0027 1,0019
3º Trim. 0,9970 0,9993 1,0014 0,9968
4º Trim. 0,9962 0,9915 1,0069 0,9935
A previsão da evolução da componente ciclo pode ser muito difícil. Para previsões de
curto prazo pode-se utilizar o último valor conhecido para as previsões pretendidas,
assumindo-se que a componente ciclo se mantém no médio prazo. Às vezes esta
componente não é utilizada para efectuar as previsões
Período Previsão
t Tt Ct St Tt * Ct * St
1º Trim. 21 6351,7 * 21 + 490939 = 624324,7 1,0019 0,6077 380152
Hóspedes
16 411616 0,6841 592566,2 0,9935 402724 Observação
2000 17 362045 0,6077 598917,9 0,9991 363681 Previsão
18 730364 1,1995 605269,6 1,0019 727398 600000
19 914052 1,5075 611621,3 1,0019 923762
20 426910 0,6841 617973,0 1,0019 423529
500000
2001 21 353755 0,6077 624324,7 1,0019 380152
22 715120 1,1995 630676,4 1,0019 757932
23 866547 1,5075 637028,1 1,0019 962135 400000
24 392423 0,6841 643379,8 1,0019 440941
300000 96
97
98
99
00
01
19
19
19
19
20
20
Ano
Cálculo do ciclo
M Ct = M t − Tt
Ct = t
Tt
Projecção dos componentes e reagrupamento para obter a previsão pretendida
Pt +1 = αZ t + (1 − α )Pt
Pt +1 = αZ t + (1 − α )Pt
Obtem-se
Pt +1 = αZ t + (1 − α )[αZ t −1 + (1 − α )Pt −1 ] = αZ t + α (1 − α )Z t −1 + (1 − α ) Pt −1
2
Pt +1 = αZ t + α (1 − α )Z t −1 + α (1 − α ) Z t − 2 + α (1 − α ) Z t −3 + ... + α (1 − α ) Z1 + (1 − α ) P1
2 3 t −1 t
Escolha de P1
P1 = Z1
P1 = (Z1 + Z2 + Z3 + Z4)/4
Escolha de α
Observações
28 A. Exp. (0,1)
A. Exp. (0,5)
26 A. Exp. (0,9)
24
22
Procura
20
18
16
14
12
1 2 3 4 5 6 7
Mês 8 9 10 11 12 13
nt = αZ t + (1 − α )(nt −1 + bt −1 ) Nível
Pt + k = nt + kbt Previsão
Escolha de n1 e b1
A forma mais simples de fazer essa inicialização consiste em considerar que
n1 = Z1 e b1 = Z2 – Z1
Escolha de α e β
45
Observações
40 A. Exp. Simples
Holt
35
Procura
30
25
20
15
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Mês
Zt
nt = α + (1 − α )(nt −1 + bt −1 )
S t −s
−s
bt = β (nt − nt −1 ) + (1 − β )bt −1
Zt
St = γ + (1 − γ )S t − s
nt
Pt + k = (nt + kbt )S t − s + k
Escolha de α, β e γ
1
ns = (Z1 + Z 2 + L + Z s )
s
1 Z − Z1 Z s +2 − Z 2 Z − Zs
bs = s +1 + + L + s+s
s s s s
Z1 Z Z
S1 = , S2 = 2 , L Ss = s
ns ns ns
950000
850000
750000
Hóspedes
650000
550000
450000
350000
250000
1996
1997
1998
1999
2000
Tempo
1
n4 = (311186 + 605173 + 762883 + 343027 )
4
Hóspedes
16 411616 600619,18 7065,36 0,6862 414512,7 700000
2000 17 362045 606512,98 6479,58 0,5990 369162,1
18 730364 612775,44 6371,02 1,1927 732960,1 600000
19 914052 619449,18 6522,38 1,4743 909604,6
20 426910 625589,17 6331,19 0,6832 429533,9 500000
2001 21 353755 374753,5
22 715120 746113,7
23 866547 922303,6 400000
24 392423 427382,3
300000
96
97
98
99
00
01
19
19
19
19
20
20
Tempo