Previsão de futuros: um estudo sobre o boi gordo

Transcrição

1 Previsão de futuros: um estudo sobre o boi gordo André Luiz Medeiros (UNIFEI) ecolimp.andre@terra.com.br José Arnaldo Barra Montevechi (UNIFEI) montevechi@unifei.edu.br Marcelo Lacerda Rezende (UNIFEI) mrezende@unifei.edu.br Resumo A vontade de desvendar o amanhã se aplica tanto na vida pessoal quanto nos negócios. Portanto, prever o preço da arroba do boi gordo geraria um grande diferencial competitivo para os produtores rurais, para os frigoríficos, para os consumidores e até mesmo para os especuladores. Porém, para se realizar um bom processo de previsão, é necessário um longo e aprofundado estudo sobre o assunto, pois além da teoria sobre o mercado de boi gordo, existem três métodos diferentes de fazer previsão (qualitativo, univariável e multivariável) e vários modelos de ajuste. Assim, o objetivo é prever o valor a ser recebido em 12 meses pela arroba de boi gordo, a partir de preços mensais recebido pelos produtores. O resultado é que se conseguiu obter valores futuros com boa confiabilidade, pois o modelo apresenta bom ajuste, pouco desvio da média e baixo erro. Palavras-chave: Previsão, Mercado futuro, Boi gordo 1. Introdução Prever o futuro é um dos desejos mais antigos dos seres humanos. E a vontade de desvendar o amanhã se aplica tanto na vida pessoal quanto nos negócios. Portanto, prever o preço da arroba do boi gordo poderia gerar um grande diferencial competitivo para os produtores rurais, para os frigoríficos, para os consumidores e até mesmo para os especuladores. Pois, pecuária é uma das atividades mais importantes do agronegócio brasileiro gerando um PIB de aproximadamente R$ 44,9 bilhões. Porém, para se realizar um bom processo de previsão, é necessário um longo e aprofundado estudo sobre o assunto, pois além dos três métodos diferentes de fazer previsão (método qualitativo, univariável e multivariável) e há, ainda, vários modelos de ajuste para os dados a serem previstos. Portanto o objetivo deste artigo é, através de dados mensais do preço recebido pela arroba de boi gordo por produtores rurais, prever o valor a ser recebido em 12 meses. O resultado é que, através de um modelo adequado, se consegue obter valores futuros com boa confiabilidade, pois o modelo apresenta pouco desvio da média e baixo erro. 2. O mercado de boi gordo A pecuária é uma das atividades mais importantes do agronegócio brasileiro. Ao considerar os negócios realizados dentro da porteira, o Produto Interno Bruto (PIB) da agropecuária em 2001, segundo o Centro de Estudos Avançados em Economia Aplicada CEPEA/FEALQ/USP foi de aproximadamente R$ 99,4 bilhões. Deste total, 47,10% correspondem às atividades da pecuária (R$ 44,9 bilhões). Para entender o mercado de reposição da pecuária bovina de corte, é preciso uma analisar as características de seu processo produtivo. De acordo com Bliska e Gonçalves (1999), no Brasil, a pecuária bovina de corte é realizada de forma extensiva, em regime de pasto natural ou cultivado. E, existem, basicamente, três etapas de produção: cria, recria e engorda. ENEGEP 2005 ABEPRO 3108

2 A cria envolve essencialmente a produção de bezerros. De Zen (1993) define que o animal para ser considerado bezerro, no que diz respeito à comercialização, deve possuir idade de até dezoito meses, com um peso que varia entre quatro a oito arrobas. Em relação a recria, é possível estabelecer que esta fase compreende desde a desmanda até o ponto em que a fêmea inicia seu período reprodutivo (dois a três anos) e em que o macho inicia a fase de engorda (ZIMMER, 1999; BLISKA E GONÇALVES,1999). O objetivo da última etapa do processo de produção, a engorda, é aumentar o peso do animal a fim de que se tenha um maior lucro no abate. O peso médio ideal para o animal é de 16,5 arrobas, o que equivale a um animal vivo com peso entre 450 a 500 kg, sendo que na engorda pode durar entre doze e dezoito meses e no confinamento a duração média é de seis meses (SCHOUCHANA E CAFFAGNI, 2001). É perceptível, portanto, que a produção de carne bovina está diretamente condicionada à eficiência reprodutiva e à velocidade de crescimento dos animais, influenciando diretamente no ciclo de preços da cadeia da carne. O ciclo de preços da pecuária bovina de corte, de acordo com Igreja (1987), possui dois ciclos, sendo que o primeiro está relacionado às variações estacionais que ocorrem durante o ano agrícola e o segundo, refere-se a um ciclo plurianual. As variações estacionais ocorrem devido aos períodos das águas e da seca, ou seja, estão diretamente relacionadas à sazonalidade da produção de forrageira. Em geral, na região Centro-Sul, existe uma maior quantidade e qualidade das pastagens no primeiro semestre do ano. Nestes meses, os proprietários retêm o gado para um aumento do peso e ao atingir o ponto ideal para abate, ocorre a venda. Dessa forma, existe uma maior oferta de animais para abate neste período, o que leva à queda das cotações. Já no segundo semestre do ano, com a queda da quantidade e qualidade das pastagens devido ao período da seca, a oferta do boi para o abate reduz, o que acaba provocando aumento em sua cotação. Pode-se concluir, portanto, que enquanto o primeiro semestre marca o período da safra do boi gordo, o segundo semestre indica a entressafra (NEVES e COUTO, 1999; KASSOUF, 1988). Quanto ao ciclo plurianual, sua origem está relacionada às expectativas dos agentes do sistema produtivo em relação ao preço do boi gordo no futuro. Sua duração oscila entre cinco e seis anos, sendo que possui duas fases. A primeira delas se inicia quando existe uma tendência de queda nos preços do boi gordo. A partir desse fato, todas as etapas de produção formam expectativas pessimistas em relação aos preços em um momento futuro. Os produtores responsáveis pela etapa de cria, ao possuir uma expectativa de queda nos preços, acabam abatendo as matrizes, com o objetivo de minimizar o prejuízo futuro e cobrir seus custos de produção. Duas conseqüências drásticas são criadas. No curto-prazo, há aumento da oferta de animais para o abate, o que contribui ainda mais para o declínio dos preços. No longo-prazo, a oferta de animais para reposição fica comprometida, já que as matrizes dariam origem aos bezerros (NEVES e COUTO, 1999; IGREJA, 1987; KASSOUF, 1988). Esta diminuição na oferta de bezerros levará, em períodos futuros, a uma queda na oferta de boi gordo. Neste sentido, o movimento de declínio dos preços sofre uma reversão, já que a expectativa de preços formada pelos agentes deste mercado se altera completamente. Este é o início da segunda fase do ciclo pecuário, a fase ascendente. O produtor diminuirá a oferta de matrizes para o abate, visando aumentar a oferta de animais para reposição. E, segundo Neves e Couto (1999), os preços irão se elevar após dois ou três anos do início desta fase. Dois impactos, novamente serão sentidos: primeiro os preços do boi gordo sofrerão um aumento ainda maior devido à queda da oferta para abate e segundo, haverá aumento de animais de reposição para o abate, o que acarretará, na fase descendente dos preços (IGREJA, 1987). ENEGEP 2005 ABEPRO 3109

3 Silveira (2002) comenta que, com a inovação tecnológica que a pecuária bovina de corte vem passando nestes últimos anos, a precocidade dos animais tem sido cada vez maior, levando a uma menor duração deste ciclo. Mas por outro lado, esta diminuição do ciclo produtivo gera uma queda no estoque de animais, o que, novamente, aumenta o preço da arroba de boi gordo. Diante de todas essas mudanças, aumenta ainda mais a dúvida sobre os preços futuros do boi gordo. Por isso, na próxima seção serão discutidos alguns conceitos básicos sobre previsão. Processo que pode ajudar a reduzir a incerteza sobre os preços futuros. 3. Previsão A cada dia, as previsões são mais importantes para o sucesso empresarial. E, por ser feita intuitivamente ou formalmente, segundo DeLurgio (1998), todos têm uma idéia do que é. De um modo geral, a definição de previsão resume-se no uso de procedimentos, métodos, modelos e técnicas (quantitativas ou qualitativas) na tentativa de prever o futuro, com o propósito de facilitar o planejamento e à tomada de decisões, através de informações probabilísticas (SANDERS, 1995; DeLURGIO, 1998; BARBANCHO, 1970; MORETTIN e TOLOI, 1981; MARTINS e LAUGENI, 1995). Apesar da maioria das definições levarem em conta que previsões baseiam-se em métodos quantitativos, estudos têm mostrado que muitos as fazem de maneira subjetiva (SANDERS, 1995 e DeLURGIO, 1998). E, um dos obstáculos mais comuns ao uso de métodos de previsão estatística como ferramenta, em organizações, é a resistência à mudança, pois há uma tendência de dar continuidade a velhas práticas (SANDERS, 1995). Para Sanders (1995) a previsão organizacional serve como uma base para todas as outras decisões dos negócios e a qualidade das decisões dos negócios podem ser tão boas quanto as previsões em que elas estão baseadas. No mesmo sentido, DeLurgio (1998) afirma que as previsões são essenciais para todos os planos e decisões, porque nada acontece sem que alguém faça uma previsão, pois estas guiam o marketing, as finanças e o sistema de controle de informações produtivas. Para Moore e Weatherford (2005), não apenas o processo de previsão torna-se cada vez mais importante, mas também os modelos serem usados desempenham um papel cada vez mais importante na função do processo de previsão. Por existir vários modelos de previsão, há também diversas maneiras de classificá-los, sendo que a terminologia varia de acordo com a classificação. Contudo, a principal diferenciação a ser empregada está nos métodos de previsão qualitativos e nos métodos quantitativos (MOORE e WEATHERFORD, 2005; SCHWITZKY, 2001; FABRIS, 2000). Sendo que os métodos quantitativos podem, ainda, serem subdivididos em Métodos Univariáveis ou Séries Temporais e Métodos Multivariáveis ou Causais. As previsões por métodos qualitativos baseiam-se em opiniões pessoais, ou seja, no julgamento e ou opiniões de pessoas sobre tendências futuras, preferências e mudanças tecnológicas; considerando, portanto, o relato ou a posição de pessoas, com experiências em cada ramo de atividade como gerentes, vendedores, clientes e fornecedores (SCHWITZKY, 2001; DeLURGIO, 1998). E, entre os métodos subjetivos, pode-se encontrar o Painel de especialistas; Sales force composite, Delphi, Analogia histórica e Árvores de decisão (DeLURGIO, 1998) Armstrong e Collopy (1998) comentam que os métodos quantitativos ou estatísticos são menos tendenciosos e usam de forma mais eficiente os dados passados. Além disso, para Moore e Weatherford (2005), os métodos quantitativos de previsão possuem dois recursos ENEGEP 2005 ABEPRO 3110

4 importantes e atraentes: São expressos em notação matemática. Portanto, estabelecem um registro não-ambíguo de como a previsão é feita. Esses métodos fornecem uma oportunidade de modificação sistemática e aprimoramento da técnica de previsão. Com o uso de planilhas e computadores, os modelos quantitativos podem ter por base uma quantidade surpreendente de dados. O conceito básico do método de previsão univariável ou séries temporais é que ele usa um conjunto de observações de variáveis quantitativas coletadas ao longo do tempo, onde os valores futuros das séries são funções matemáticas de valores passados (DeLURGIO, 1998; MOORE e WEATHERFORD (2005) 2005; MUELLER, 1996; SCHWITZKY, 2001; WHEELWRIGHT e MAKRIDAKIS, 1985; RAGSDALE, 2001). Na Tabela 1 são apresentados as características e os principais modelos de previsão, referenciados na literatura, para a análise de Séries Temporais. Já os métodos multivariáveis ou causais, as variáveis dependentes estão correlacionadas com outras variáveis internas ou até mesmo externas (variáveis independentes), ou seja, os métodos multivariáveis abrangem procedimentos de previsão que associam mais de uma série de dados na efetivação de prognósticos sem, no entanto, qualquer imposição com relação à causalidade entre essas séries (MOREIRA, 1996; MUELLER, 1996; DeLURGIO, 1998). Portanto, a principal diferença entre o método univariável e o multivariável, conforme DeLurgio (1998), é que o primeiro é desenvolvido para modelar o passado a partir de relações matemáticas, mas não explica, necessariamente, os padrões passados. Por outro lado, ainda segundo o autor, o outro método é desenvolvido para modelar a relação de causa e efeito do passado, assim como prever e explicar o comportamento, sendo que, nem todos os modelos multivariáveis são necessariamente modelos causais. Na Tabela 2, são apresentados os principais modelos e características do método multivariável. Modelos Médias Móveis Alisamento Exponencial Holts-Winters Decomposição Clássica Census II X-11 Séries Fourier Características Suavização de séries temporais usando médias móveis reduz período por período a variação, mas marcas locais movimentam acima e abaixo da média em longos períodos de média. Séries temporais são suavizadas por onde muitas observações recentes recebem maior peso. Métodos avançados incluem tendência e sazonalidade por decomposição. Método que decompõem sistematicamente uma série temporal em tendência, ciclo, sazonalidade e componentes de erro. Usado para retirar a sazonalidade de dados econômicos. Método que modela tendência, sazonalidade e movimentos cíclicos usando trigonometria e função seno e co-seno. É um método usado em sistemas de previsão automatizados. Método que modela séries usando tendência, sazonalidade e coeficientes de suavização que ARIMA (Box-Jenkins) são baseados em médias móveis, autoregressão e diferença de equações. Métodos de Conjunto de métodos heurísticos que podem ser usados para fazer previsões. Simulação Intuitivamente atraente e supostamente preciso na modelagem de muitas séries, é Multimodelos popularmente conhecido como foco da previsão. Fonte: Adaptado de DeLurgio (1998). Tabela 1. Principais modelos de previsão para o método univariável ou Séries Temporais. Além dos métodos quantitativos já apresentados, outros métodos quantitativos de previsão como Pesquisa de Mercado, Pesquisa Operacional/Ciência da Gestão e Redes Neurais Artificiais (FREIMAN, 2004), estão recebendo destaque na literatura e não se encaixam nem nos métodos univariáveis e nem nos multivariáveis. ENEGEP 2005 ABEPRO 3111

5 Modelos Regressão Múltipla Econometria Método Cíclico ARIMA Multivariáveis (Box-Jenkins MARIMA) State Space Vetor de Autoregressão (VAR) Modelo Entrada/Saída Características A partir de um ponto de vista causal, os modelos de regressão múltipla não são tão válidos como os modelos de econometria, entretanto eles podem prever precisamente. Pequenas escalas, modelos simples são modelados por regressão múltipla; entretanto, a fundamentação teórica de modelos econométricos é muito mais rigorosa e válida. Causalidade recíproca pode ser modelada usando algumas equações simultâneas com métodos econométricos. Métodos que tentam rever pontos de retorno na economia usando indicadores principais, taxa de retorno e teorias de ondas-longas Método que combina a força da econometria e métodos de séries temporais ARIMA. Pouca eficiência em aplicações em que os efeitos das variáveis independentes influenciam uma ou mais variáveis dependentes. Uma aproximação que é estatisticamente equivalente aos modelos MARIMA porém mais fáceis de serem aplicados usando software de automação; entretanto, destaca-se a complexidade da fundamentação matemática. Simples aproximação que usa modelos MARIMA quando há efeito retardado de algumas variáveis independentes em algumas variáveis dependentes. Entretanto, enquanto estimar o VAR é simples, os modelos sempre têm muitos coeficientes como os modelos MARIMA. Modelo econômico que representa as relações industriais entre as entradas e as saídas usando matrizes de influência. Fonte: Adaptado de DeLurgio (1998). Tabela 2. Principais modelos de previsão para os métodos multivariáveis ou Causais. 4. Resultados e procedimentos da pesquisa A aplicação da teoria proposta é uma forma de reforçar e até mesmo validar este estudo. Portanto, este busca conciliar a teoria de preço da arroba de boi gordo com a teoria da previsão. No intuito de alcançar tal objetivo, coletou-se, a partir do Instituto Brasileiro de Economia (IBRE) Fundação Getúlio Vargas (FGV) o valor mensal da arroba de boi gordo recebido pelos produtores (R$/arroba), de setembro de 1994 a agosto de Dada a complexidade da série apresentada pelos dados e dos modelos apresentados na Tabela 1, utilizou-se o Crystal Ball Predictor, um add-in do Microsoft Excel, que implementa automaticamente quase todos os modelos descritos neste. A Tabela 3 mostra os resultados dos modelos, fornecido pelo Crystal Ball Predictor. Modelos Rank RMSE MAD MAPE Durbin- Watson Theil s U Alpha Beta Gamma Double Exponential Smoothing 2 1,0092 0,7072 2,195% 1,815 1,005 0,999 0,742 Double Moving Average 8 1,1906 0,8203 2,55% 1,182 1,222 Holt-Winters' Additive 4 1,0341 0,6585 2,115% 1,398 0,804 0,999 0,599 0,001 Holt-Winters' Multiplicative 1 0,8008 0,6017 1,856% 1,214 0,790 0,999 0,001 0,001 Seasonal Additive 7 1,053 0,69 2,229% 0,678 0,826 0,999 0,001 Seasonal Multiplicative 3 1,0132 0,735 2,214% 1,065 0,953 0,855 0,999 Single Exponential Smoothing 5 1,0371 0,7128 2,152% 0,956 1,000 0,999 Single Moving Average 6 1,0409 0,7183 2,168% 0,82 1,000 Tabela 3. Modelos para ajuste dos dados obtidos através do Crystal Ball Predictor. Esta tabela fornece um resumo do desempenho relativo dos diferentes modelos de séries temporais para o conjunto de dados usados. Neste caso, o modelo de Alisamento Exponencial ou Holts-Winters é o que melhor se ajusta aos dados coletados. Além disso, percebe-se que esse modelo apresenta uma característica especial, pois a série é caracterizada por apresentar efeitos sazonais multiplicativos (Holts-Winters Multiplicative). O add-in selecionou o modelo ENEGEP 2005 ABEPRO 3112

6 com base nos menores valores estatísticos para a raiz quadrada do erro médio quadrado (RMSE root mean square error), o desvio médio absoluto (MAD mean absolute deviation) e o erro percentual médio absoluto (MAPE mean absolute percent error). Entretanto, é possível que a técnica de previsão com os menores valores possa não ter os melhores valores em todas as estatísticas. A estatística de Durbin-Watson, de acordo com Ragsdale (2001), descreve a autocorrelação na série temporal. A autocorrelação refere-se ao grau em que um dado anterior na série temporal está correlacionado ao dado do próximo período. A faixa da estatística de Durbin- Watson varia de 0 a 4. Ainda segundo o autor, o valor menor do que 1 indica autocorrelação positiva, enquanto que valores maiores do que 3 indicam autocorrelação negativa; e os valores próximos de 2 indicam autocorrelação não significativa nos dados. O coeficiente U de Theil (Theil s U), segundo Freiman (2004) é uma medida que mostra quanto os resultados estão melhores do que uma previsão ingênua ou trivial. Quando esse coeficiente é menor do que 1, indica que a previsão realizada através do modelo possui um erro menor do que o erro ingênuo. Já quando o valor é maior do que 1, o erro do modelo é maior do que o erro ingênuo. Portanto, quanto menor do que 1 for o Theil s U melhor será a previsão, se comparada com a previsão trivial. A Figura 1 é o gráfico resultante da análise do Crystal Ball Predictor, onde ele apresenta: a projeção dos dados; os valores ajustados; a previsão dos valores futuros; e os valores superior 95% e inferior 5% do previsto. Através do gráfico, percebe-se que o modelo é bastante adequado aos dados coletados, aos valores ajustados e aos valores previstos. Fato este que é confirmado pelos dados da Tabela 3. Onde, apesar do modelo apresentar Durbin-Watson de 1,214 (com resultados inconclusivos sobre a autocorrelação), o coeficiente U de Theil é 0,790. Fato este que indica que a previsão do modelo é melhor do que uma previsão trivial. Além do mais, o modelo apresenta um MAD de 0,6017, que é relativamente baixo. Outro aspecto importante para ser analisado é o MAPE, que assume o valor de 1,856%, mostrando-se mais preciso do que os outros modelos. Além do MAPE, o RMSE assume valor de 0,8008 que é o menor valor se comparado com os demais modelos. R$ 70,00 Preço Recebido pelo Produtor Pela Arroba de Boi Gordo R$ 60,00 R$ 50,00 R$ 40,00 R$ 30,00 R$ 20,00 R$ 10,00 R$ - Dados Ajustado Previsto Superior: 95% Inf erior: 5% Figura 1. Gráfico resultante da análise do Crystal Ball Predictor. ENEGEP 2005 ABEPRO 3113

7 A Tabela 4 apresenta os valores previstos para os meses de setembro de 2004 a agosto de 2005, além dos valores acima e abaixo da previsão. Data Lower: 5% Previsto Upper: 95% set-04 R$ 55,16 R$ 56,49 R$ 57,82 out-04 R$ 57,34 R$ 58,68 R$ 60,02 nov-04 R$ 58,50 R$ 59,85 R$ 61,21 dez-04 R$ 57,71 R$ 59,07 R$ 60,43 jan-05 R$ 56,37 R$ 57,75 R$ 59,12 fev-05 R$ 55,96 R$ 57,35 R$ 58,74 mar-05 R$ 55,56 R$ 56,96 R$ 58,36 abr-05 R$ 54,89 R$ 56,30 R$ 57,71 mai-05 R$ 53,73 R$ 55,15 R$ 56,58 jun-05 R$ 53,56 R$ 54,99 R$ 56,43 jul-05 R$ 55,17 R$ 56,62 R$ 58,07 ago-05 R$ 56,73 R$ 58,19 R$ 59,66 Tabela 4. Valores previstos para os meses de Setembro de 2004 a Agosto de Conclusão O objetivo deste trabalho era, através de dados mensais do preço recebido pela arroba de boi gordo pelos produtores rurais, prever o valor a ser recebido em 12 meses. Diante do exposto, o trabalho atingiu o objetivo, pois na Tabela 4 apresenta-se os valores previstos para o período de setembro de 2004 a agosto de Através das estatísticas apresentadas pelo modelo de previsão selecionado, pode-se afirmar que o modelo utilizado é adequado para realizar a previsão da série em estudo pois este apresenta bom ajuste dos dados, pouco desvio da média e baixo erro. Além disso, apesar do valor de Durbin-Watson não apresentar o melhor valor, o coeficiente U de Theil reforça a utilização do modelo. Outro ponto que deve ser destacado é que tanto a teoria sobre a formação do preço do boi gordo quanto a teoria da previsão mostraram-se adequadas, pois os resultados obtidos confirmaram tanto o ciclo sazonal relatado quanto o uso efetivo do modelo de previsão. Vale ressaltar que este trabalho apresenta apenas os resultados preliminares de um estudo mais aprofundado que está sendo desenvolvido na Pós-graduação em Engenharia de Produção da Universidade Federal de Itajubá. O objetivo principal é obter um modelo econométrico, que, além de explicar os itens que mais afetam o preço da arroba de boi gordo, consiga realizar previsões da cotação para médio e longo prazo, com baixo percentual de erro. 5. Referências ARMSTRONG, J. S.; COLLOPY, F. (1998). Integration of Statistical Methods and Judgment for Time Series Forecasting: Principles from Empirical Research. 33p. ARNOLD, J. R. T. (1999). Administração de Materiais. São Paulo: Atlas. BARBANCHO, A. G. (1970) Fundamentos e Possibilidades da Econometria. Rio de Janeiro: Forum Editora. p BERTRAND, J. W. M., FRANSOO, J. C. (2002). Modelling and Simulation. Operations management research methodologies using quantitative modeling. International Journal of Operations & Production Management, v.22. n.2, pp BLISKA, F. M. M.; GONÇALVES, J. R. (1999). Cadeia produtiva da carne bovina no Brasil: principais fatores limitantes e críticos. In: SIMPÓSIO GOIANO SOBRE PRODUÇÃO DE BOVINOS DE CORTE. Goiânia, Anais. Goiânia: CBNA p. ENEGEP 2005 ABEPRO 3114

8 DE ZEN, S. (1993). Alguns aspectos do processo de formação de preços da pecuária de corte. Preços Agrícolas, v. 86, 4-9 p., dez. DeLURGIO, S. A. (1998). Forecasting principles and applications. 1st Edition. Singapore: McGraw-Hill. 802p. FABRIS, A. A. (2000). Estratégia para previsão e acompanhamento da demanda de carnes no mercado de frangos de corte. Florianópolis. 97f.. Dissertação (Mestrado em Engenharia de Produção) Universidade Federal de Santa Catarina. FREIMAN, J. P. (2004). Utilização de redes neurais artificiais na previsão de indicadores financeiros para avaliação econômica de negócios em situação de risco. 84f. Dissertação (Mestrado em Engenharia de Produção) Universidade Federal de Itajubá. IGREJA, A. C. M. (1987). Evolução da pecuária bovina de corte no estado de São Paulo no período de Piracicaba. 197 p. Dissertação (mestrado) Escola Superior de Agricultura Luiz de Queiroz, Universidade de São Paulo. KASSOUF, A. L. (1988) Previsão de preços na pecuária de corte do Estado de São Paulo. Piracicaba. 102 p. Dissertação (mestrado) Escola Superior de Agricultura Luiz de Queiroz, Universidade de São Paulo. LEAL, F. (2003). Um diagnóstico do processo de atendimento a clientes em uma agência bancária através de mapeamento do processo e simulação computacional. 223p. Dissertação (mestrado em Engenharia de produção).universidade Federal de Itajubá. MARTINS, P. G.; LAUGENI, F. P. (1999) Administração da produção. São Paulo: Saraiva. MOORE, J. H.; WEATHERFORD, L. R. (2005) Tomada de decisões em administração com planilhas eletrônicas. 6ª edição. Porto Alegre: Bookman. Capítulo 13, Previsão. 644p. MOREIRA, D. A. (1996) Administração da produção e operações. 2.ed. São Paulo: Pioneira. MORETTIN, P. A.; TOLOI, C. M. de C. (1981). Modelos para Previsão de Séries Temporais. In : 13 Colóquio Brasileiro de Matemática. Rio de Janeiro: [s.n.], MUELLER, A. (1996). Uma aplicação de redes neurais artificiais na previsão do mercado acionário. Florianópolis. 90f.. Dissertação (Mestrado em Engenharia de Produção) Centro tecnológico, Universidade Federal de Santa Catarina. Murdick, R. G; Georgoff, D. M. (1986). How to choose the best techniques or combination of techniques to help solve your particular forecasting dilemma. Harvard Business Review, January-February. p NEVES, M. E.; COUTO, M. T. (1999). Confinamento de bovinos de corte: condicionantes econômicos e instrumentos de apoio à tomada de decisão. In: PEIXOTO, A. M.; MOURA, J. RAGSDALE, C. T. (2001). Spreadsheet mdeling and decision analysis. 3 th Edition. Ohio: South-Western Publishing. 794p. SANDERS, N. R.; (1995) Managing the forecasting funtion. Industrial Managemente & Data Systems, MCB University Press, v. 95, n. 4, p SCHOUCHANA, F.; CAFFAGNI, L. C. (2001). Fatores que determinam o preço do bezerro. Resenha BM&F, n. 143, p SCHWITZKY, M. (2001). Acuracidade dos métodos de previsão e sua relação com o dimensionamento dos estoques de produtos acabados. Florianópolis. 137f.. Dissertação (Mestrado em Engenharia de Produção) Universidade Federal de Santa Catarina. SHANNON, R. E. (1975). Systems simulation: the art and science. Englewood Cliffs: Prentice-Hall, [s. n.]. SILVEIRA, R. L. F. da. (2002) Análise das operações de cross hedge do bezerro e do hedge do boi gordo no mercado futuro da BM&F. Piracicaba. 106 p. Dissertação (mestrado) Escola Superior de Agricultura Luiz de Queiroz, Universidade de São Paulo. STRACK, J. (1984). GPSS: modelagem e simulação de sistemas. Rio de Janeiro: LTC, WHEELWRIGHT, S. C.; MAKRIDAKIS, S. (1985). Forecasting Methods for Management. 4th edition. New York: John Wiley & Sons Inc. ZIMMER, A. H. (1999). Pastagens para bovinos de corte. In: PEIXOTO, A. M.; MOURA, J. C.; FARIA, V. P. Bovinocultura de corte: fundamentos da exploração racional. 3 ed. Piracicaba: FEALQ p. (Série atualização em Zootecnia, 8). ENEGEP 2005 ABEPRO 3115