2 PREVISÃO DA DEMANDA

Save this PDF as:
 WORD  PNG  TXT  JPG

Tamanho: px
Começar a partir da página:

Download "2 PREVISÃO DA DEMANDA"

Transcrição

1 PREVISÃO DA DEMANDA Abandonando um pouco a visão românica do ermo previsão, milhares de anos após as grandes civilizações da nossa hisória, a previsão do fuuro vola a omar a sua posição de imporância no plano de gesão e planejameno das empresas. Não é preciso aqui relembrar os ermos mais uilizados (e os seus significados) no mundo dos negócios nos úlimos anos: globalização, compeiividade, supply chain managemen e redução de cusos. Eses são alguns dos drivers que orienam as empresas na busca pelo seu maior objeivo: Maximização da Lucraividade. Aqui pode-se inroduzir o conceio de previsão de demanda, como uma das ferramenas que mais em obido imporância nos úlimos anos..1. CONSIDERAÇÕES INICIAIS O processo de previsão de demanda se baseia no pressuposo que a demanda passada de um produo poderá, em pare, explicar a sua demanda fuura. Ese processo busca a idenificação e o enendimeno dos faores que formaram esa demanda passada e a parir daí exrapolá-los para o fuuro. O conhecimeno que uma empresa possui sobre o comporameno dos seus clienes é um diferencial compeiivo, pois auxilia consideravelmene nese planejameno. Quano maior a precisão na idenificação deses faores, menor será o erro associado à previsão e, porano, melhores resulados serão alcançados. Alguns faores podem influenciar a demanda, como por exemplo, promoções e desconos por quanidade, campanhas de vendas, lançameno de um novo produo similar, variação do clima (faor preponderane para sorvees e cerveja, por exemplo), conjunura econômica e relação enre produos (promoção de um similar roubando demanda de ouro).

2 6 Aqui abre-se um parênese para raar de um conceio exremamene imporane apresenado por Ballou (Gerenciameno da Cadeia de Suprimenos, 001). É o de demanda espacial. Ele desaca que, em geral, quando se fala em previsão da demanda, os gesores acabam pensando somene na quesão emporal, ou seja, raam unicamene da variação da demanda ao longo do empo. Conudo, na Logísica, além da dimensão empo, deve-se ambém considerar a dimensão espacial. Em ouras palavras, na logísica deve exisir a preocupação não somene quando a demanda irá ocorrer, mas ambém aonde ocorrerá. A localização da demanda auxiliará ao gesor a planejar localizações de cenros de disribuição, o nível de esoque no sisema logísico (CD s x ponos de vendas), bem como dimensionameno de froa. Ainda, segundo Ballou, Técnicas de previsão devem ser selecionadas para refleir as diferenças geográficas que podem afear os padrões de demanda. Também, as écnicas, podem diferir dependendo se oda a demanda esá previsa e, enão, é desagregada por localização geográfica (previsão op-down) ou se cada localização geográfica esá previsa separadamene e agregada poseriormene (previsão boom-up). Enreano o presene esudo raará somene da demanda emporal, rabalhando com demanda agregada. Algumas considerações precisam ser levanadas sobre a quesão das análises op-down e boom-up. Cada uma das abordagens possui vanagens e desvanagens. A primeira, ambém denominada análise consolidada, refere-se à avaliação ou do oal de uma família de produos ou de vendas de uma direoria regional, por exemplo. A parir da previsão consolidada, faz-se a divisão dos valores com base nos percenuais hisóricos de paricipação de cada produo ou área geográfica. Já na análise boom-up pare-se de uma avaliação individualizada (produo ou região), que poseriormene é consolidada num plano de produção ou meas de vendas de uma direoria comercial. A decisão sobre qual meodologia deve-se seguir raz implicações para a empresa. A análise consolidada é menos complexa e com menos cuso, viso que não há necessidade de se analisar o comporameno de cenenas (ou aé mesmo, milhares de iens). Conudo, quando se avalia uma família de produos de forma consolidada, corre-

3 7 se o risco de exrapolar o crescimeno apresenado por um deerminado produo para oda a família, o que pode levar a uma disorção dos níveis de esoque. Em resumo, a avaliação op-down é melhor na enaiva de se minimizar o impaco de componenes aleaórios, em conraparida, a boom-up pode ser a mais apropriada nos casos em que há presença de fore endência (de crescimeno ou declínio) em alguns iens analisados, razendo o risco de superavaliar ou subavaliar os ouros iens. A meodologia mais adequada deve ser definida a parir da avaliação do comporameno das séries. De qualquer maneira, um dos drivers mais imporanes e que deve ser levado em consideração no momeno da decisão é o nível de precisão desejado para a previsão... CARACTERÍSTICAS DA PREVISÃO A disseminação do uso da ecnologia da informação e gerenciameno de dados em impulsionado a uilização das écnicas de previsão de demanda. Já é possível com os sisemas inegrados o acesso rápido às informações necessárias ao processo de previsão. Esa disseminação ambém é conseqüência direa do desenvolvimeno e popularização dos microcompuadores. Aualmene, praicamene qualquer gesor em condições de monar modelos de previsão de demanda uilizando planilhas elerônicas como apoio ao processo de omada de decisão. Conudo, apesar desa facilidade, os gesores êm que presar aenção em algumas caracerísicas das previsões: 1. Toda e qualquer previsão possui um erro inrínseco chamado de incereza da demanda. Infinios faores podem influenciar a demanda de deerminado produo, ornando impossível ao gesor mapear e avaliar o impaco de cada faor em deerminado momeno. O papel do gesor é

4 8 minimizar ese erro. As medidas de nível de erro são fundamenais para se avaliar a qualidade da previsão;. As previsões de curo prazo são mais precisas que as de longo prazo, iso porque o nível de incereza aumena à medida que o horizone da previsão se disancia do momeno aual; 3. As previsões agregadas são mais precisas que as desagregadas. Esa caracerísica pode ser explicada aravés do Teorema Cenral do Limie, que comprova que a soma de muias variáveis aleaórias ende para uma variável aleaória de disribuição normal. Ouro conceio imporane no processo de previsão é o de série hisórica ou emporal. Segundo Chafield ( The Analysis of Time Series, 1995) uma série hisórica é uma coleção de observações realizadas seqüencialmene no empo. A série hisórica é a principal informação uilizada para se enar enender a demanda passada. Conudo, deve-se ambém considerar na análise das séries emporais, que deverá exisir uma dependência enre as observações. A Prof.ª Monica Barros, em seu livro Processos Esocásicos (004) coloca que a dependência serial enre os valores da série é um aspeco essencial, pois nos permie gerar previsões de valores fuuros da série. Esas previsões seriam puro chue se não houvesse a dependência serial. É exaamene esa dependência que reflee as informações de comporameno nos dados da série. Na figura 1, a seguir, observa-se alguns exemplos de séries hisóricas. O processo de previsão de uma série emporal de demanda é composo de duas eapas: 1. Análise e modelagem da série emporal Nesa eapa avalia-se os faores que influenciam a demanda e suas caracerísicas mais relevanes. Também busca-se represenar maemaicamene ese comporameno;. Previsão Após a eapa de análise, o modelo é aplicado e os números da previsão são gerados. Um pono imporane sobre a avaliação das séries emporais e que é levanado em boa pare dos livros que raam do assuno: a primeira medida a ser

5 9 omada ao se deparar com uma série hisórica é consruir o seu gráfico para observar a sua evolução ao longo do empo. Chafield (The Analysis of Time Series, 1995) é mais incisivo: qualquer um que ene analisar uma série hisórica sem ploar os dados primeiro esará pedindo problemas. O gráfico poderá mosrar além das endências e sazonalidades, os chamados ouliers, ou variações anormais da demanda. Os ouliers necessiam ser idenificados e explicados. Após a sua idenificação, a variação anormal deverá ser de alguma forma ajusada, de maneira que a análise dos dados não fique disorcida. (a) Série Hisórica sem endência (b) Série com endência de crescimeno sem sazonalidade Unidades 40 0 Unidades Tempo Tempo Vendas reais Vendas Médias Vendas reais Vendas Médias (c) Série hisórica com endência e sazonalidade Unidade Tempo Vendas reais Vendas Médias Figura 1 Séries hisóricas com endência e sazonalidade. FONTE: Adapado de Gerenciameno da Cadeia de Suprimenos, Ronald Ballou, 001. Peer Brockwell e Richard Davis (Inroducion o Time Series and Forecasing, 00) ambém ressalam a imporância da monagem dos gráficos. A sua principal função é exibir a exisência de endências, sazonalidades, mudanças aparenes no comporameno da curva e possíveis ouliers. Os modelos de previsão podem ser classificados da seguine maneira:

6 30 1. Qualiaivos Os modelos qualiaivos, ambém denominados subjeivos, se baseiam na inuição, pesquisas de mercado ou julgameno de uma ou várias pessoas para se chegar à previsão final. Geralmene buscam-se pessoas com vasa experiência no mercado ou no assuno raado. São muio uilizados quando não exisem dados hisóricos disponíveis para a análise ou no lançameno de produos novos. Alguns exemplos de méodos qualiaivos que podem ser ciados: esimaivas da área de vendas, que levam em consideração a opinião da equipe de vendedores (é basane úil quando esa equipe esá bem próxima dos clienes); painéis de consenso, quando vários especialisas são reunidos e são incenivados a discuir as previsões; e ambém a analogia hisórica que leva em consideração experiência anerior com produos similares;. Méodos Quaniaivos ou de projeção hisórica Referem-se aos méodos que uilizam as séries emporais para gerar a previsão. Parem do pressuposo que a demanda passada poderá auxiliar na geração de números que se aproximem da demanda fuura. Conforme mencionado aneriormene, é necessária a exisência de dependência enre os dados ao longo do empo; 3. Méodos Causais Procuram esabelecer uma relação enre a demanda e faores conjunurais e/ou exernos, como por exemplo, inflação, axas de juros, políicas econômicas, emperaura ambiene. O gesor deverá selecionar o méodo mais adequado às suas necessidades. Ainda segundo Chafield, o perfil da série hisórica definirá o méodo mais adequado. Se o perfil for basane claro, onde enhamos condições de verificar a exisência (ou não) de endência e sazonalidade, o méodo quaniaivo será perfeiamene adequado às necessidades do gesor. De qualquer forma, o ideal é que a empresa busque sempre o aperfeiçoameno das previsões aravés da inervenção do homem. Nese momeno, a composição com a análise qualiaiva pode razer excelenes resulados. A série hisórica é formada por dois componenes básicos: o sisemáico, que se refere ao valor esperado da demanda. É composa, por sua vez, por ouras rês pares: nível, que é o comporameno das vendas auais desazonalizada;

7 31 endência, que significa a axa de crescimeno ou decréscimo apresenada pela série a médio e longo prazo, e sazonalidade que represena as variações que ocorrem ao longo do ano (Naal, verão, inverno, Dia das Mães, ec.). O componene sisemáico pode assumir dois comporamenos básicos: Adiivo: Nese caso o padrão de comporameno da sazonalidade não se modifica com possíveis alerações no nível da série; VALOR PREVISTO (P) = NÍVEL (N) + TENDÊNCIA (T) + SAZONALIDADE (S) Muliplicaivo: No modelo muliplicaivo, a sazonalidade da série é afeada com as modificações do nível. Pode ser ampliada ou reduzida. VALOR PREVISTO (P) = NÍVEL (N) x TENDÊNCIA (T) x SAZONALIDADE (S) Ou VALOR PREVISTO (P) = (NÍVEL (N) + TENDÊNCIA (T)) x SAZONALIDADE (S) O segundo componene é o chamado aleaório, que se refere a odas as ouras variações não explicadas pelos componenes sisemáicos. Podem ser causadas por evenos específicos e que não se repeem. Esá desvinculado da pare sisemáica do modelo. Pode-se afirmar que é impossível prever ese úlimo componene, cabendo à empresa avaliar o seu amanho e variabilidade, o que gerará as chamadas medidas de erro da previsão. O papel do gesor é minimizar ese erro, em ouras palavras, procurar a maior precisão possível para o sisema de previsão. Em geral, supõe-se que o erro aleaório em média zero e variância consane, e freqüenemene faz-se a hipóese de Normalidade do erro, permiindo a consrução de inervalos de confiança e eses de hipóeses. Poseriormene será abordada a quesão sobre indicadores de erro (ambém denominados de indicadores de desempenho).

8 3 VALOR PREVISTO(P)=NÍVEL(N) + TENDÊNCIA(T) + SAZONALIDADE(S) + COMPONENTE ALEATÓRIO () A figura 1, visa aneriormene, exibe rês classes de modelos: 1) Modelo Consane Pode ser considerado o modelo mais simples, pois não são enconrados endências de longo prazo (crescimeno ou queda) e ampouco sazonalidade. Nese caso, a demanda deverá variar somene em orno do nível. Tem-se a seguine esruura: x = a + ε eq(1) Onde define-se a como o nível da demanda e aleaório (ou erro), que erá média zero e variância ε como o componene σ (figura 1.a); ) Modelo Linear Nese modelo já exise a presença da endência (crescimeno ou queda). Pode-se represená-lo com a seguine equação geral: x = a + b + ε eq() Onde denomina-se b como axa de crescimeno ou de decréscimo da demanda (figura 1.b); 3) Modelo Sazonal Aqui, além da endência, passa-se a observar variações da demanda denro do ano. Sua represenação será dada por: x = ( a + b ) + ε eq(3) F Onde F será o faor sazonal no período (figura 1.c).

9 33 A seguir serão apresenados alguns méodos de previsão que poderão ser adoados de acordo com o perfil apresenado na série..3. MÉTODOS DE PREVISÃO A função dos méodos é possibiliar ao analisa esimar os componenes da demanda. De acordo com os perfis apresenados no iem anerior, define-se os modelos que serão mais adequados a cada série e que possibiliarão a geração de esimaivas deses componenes com a menor margem de erro possível. Aualmene exisem dezenas de méodos para cálculo dos esimadores (dos mais simples aos mais complexos), conudo a referência bibliográfica consulada indica que muias vezes os méodos mais simples (porano, com menores cusos) aingem resulados ão bons quano os mais complexos. Segundo Makridakis ( Forecasing and Planning: An Evaluaion, Managemen Science 7, n fevereiro 1981, ), em geral, a complexidade dos modelos de previsão não diminui consideravelmene a margem de erro. Os méodos básicos mais uilizados serão apresenados a seguir Média Simples É considerado um dos méodos mais simples de previsão. Pare do pressuposo que a média ariméica simples é uma boa esimaiva de previsão para os períodos seguines: n R P = + 1 n eq(4) Onde: P +1 - Previsão para o período +1; R - Demanda real ocorrido em ;

10 34 n - Número oal de regisros ou ocorrências passadas. Pode ser um méodo adequado para os modelos consanes, conudo é desaconselhável seu uso para séries com endência e sazonalidade, viso que eses componenes provavelmene disorcerão a média, aumenando o nível de erro. Ouro pono negaivo dese modelo é que a média responde muio lenamene às alerações recenes no nível da série, o que pode gerar problemas de fala de produos, por exemplo, caso o gesor rabalhe com uma políica de esoques enxua. Uma das caracerísicas dese ipo de modelo é que odas as ocorrências possuem o mesmo peso ou imporância no cálculo de previsão, o que pode ser inoporuno, caso a inenção do gesor seja dar às observações mais anigas menor impaco..3.. Média Móvel Traa-se de uma variação da média simples. Nese caso, passa-se a uilizar a média ariméica das n úlimas observações. A cada novo período subsiui-se o regisro mais anigo pelo mais recene e recalcula-se a média. Sua fórmula passa a ser: P + 1 R + R 1 + R + (...) + R n+ 1 = M = eq(5) n Onde: P +1 - Previsão para o período +1; M - Média Móvel para o período ; R - Demanda real ocorrida em ; n - Número de regisros que deverão ser considerados para o cálculo da média móvel. Aqui, a exemplo da Média Simples, as ocorrências ambém possuem o mesmo peso. A diferença é que a média móvel passa a ser um pouco mais

11 35 sensível às alerações do nível, já que reira as ocorrências mais anigas, subsiuindo-as pelas mais recenes. Esas passam a ser mais relevanes para a composição da média. Conudo, uma quesão imporane a ser definida é o amanho mais adequado desa amosra n. Segundo a Prof.ª Mônica Barros, quano maior o valor de n, mais suave será a previsão. Ao conrário, se n é menor, a previsão passa a oscilar muio. Logicamene, ao se adoar a amosra ineira como n, reorna-se à média simples. Deve-se definir n de modo a minimizar a soma dos quadrados dos erros da previsão. A exemplo do que ocorre com a média simples, é desaconselhável seu uso em séries emporais que apresenam endência e sazonalidade, viso que as previsões acabam sendo reaivas às alerações dos componenes da série Média Móvel Dupla Ese modelo já pode ser uilizado em séries com endência. O seu cálculo é dividido em cinco eapas: 1. Cálculo da média móvel de amanho n M R + R 1 + R + (...) + R n+ 1 = eq(6) n. A parir das médias móveis apuradas no passo anerior, calculamos a média móvel dupla de amanho n MMD M + M 1 + M + (...) + M n+ 1 = eq(7) n O nível é esimado somando-se a média móvel simples à diferença enre a média dupla e a simples: a = M + M MMD ) eq(8) ( 3. Para incluir a endência no cálculo, define-se um faor de ajuse, equivalene ao coeficiene angular de rea: b = ( M MMD ) eq(9) n 1

12 36 4. A previsão fuura será dada, enão, pela equação: P +1 = a + b. eq(10) Da mesma maneira que na média móvel, ambém a necessidade de se definir a quanidade de períodos n mais adequada à série em quesão (sempre buscando minimizar a soma quadrada dos erros da previsão do período seguine). Aqui as ocorrências ambém irão possuir o mesmo peso, independenemene da sua idade, o que é um dos ponos negaivos dese ipo de modelo. A seguir, na abela 1 e na figura, observa-se um comparaivo dos méodos de médias, simples, móveis e duplas com amanho rês (n=3), uilizando os dados de esojos de meia aliança. DESCRICAO MES 004 média simples média móvel n=3 média dupla n=3 ESTOJO ANEL/MEIA ALIANCA Tabela 1 Comparaivo dos resulados das écnicas de média simples, móvel e dupla, em unidades. FONTE: Gerência da CAM Nese caso, não se buscará a oimização do amanho da janela (n), que será fixado n = 3.

13 37 Comparaivo de Previsões Médias Simples, Móvel e Dupla unidades Mês média simples média móvel N=3 média dupla N=3 Realizado Figura Comparaivo de resulados de previsões, uilizando a média simples, móvel e dupla. FONTE: Gerência da CAM. Nese caso, se houvesse sido adoado o modelo de média simples, poderiase considerar a coberura adequada nos primeiros cinco meses do ano, conudo a parir do sexo aé o séimo mês, há uma queda no consumo dos esojos, endência que não é acompanhada pela média simples, que é fixa. A média móvel responde um pouco melhor a esa aleração, começando a reagir a parir do mês seguine. A parir do oiavo mês, a demanda começa a apresenar um crescimeno acenuado. Ese movimeno começa a ser acompanhado pelos números gerados pela média móvel somene a parir do décimo mês, mas sem a mesma velocidade da axa de crescimeno. Ou seja, em ermos práicos, a parir do décimo mês o risco de desabasecimeno aumena. A média móvel dupla apresena, nese caso, uma previsão mais próxima da demanda ao longo do empo. Aé o décimo mês podemos observar que ese méodo apresena erros menores que os ouros, conudo a sua resposa ao aumeno de demanda a parir do décimo mês, acaba ficando abaixo da média móvel. A parir dese momeno a Média Móvel passa a esar mais pero do realizado que a Média Móvel Dupla.

14 Amorecimeno Exponencial Simples O méodo de Amorecimeno Exponencial é um méodo similar à média móvel, mas que em como base a diferenciação dos pesos aplicados aos valores da série hisórica em função do empo. As observações mais recenes da série erão uma imporância maior na obenção da previsão que os primeiros evenos. O conceio por rás dese modelo pressupõe que os úlimos evenos de uma série erão informações mais aualizadas sobre a demanda e, conseqüenemene, mais imporância na previsão da demanda fuura. Os diversos méodos de amorecimeno exponencial são considerados como alguns dos mais úeis, pela sua simplicidade e pequena necessidade de séries longas, o que facilia a implemenação. Na lieraura podem ser enconradas diversas variações dos méodos de amorecimeno, mas sempre manendo o mesmo conceio chave: ponderação das observações em função do empo. Algumas meodologias de amorecimeno serão apresenadas nese rabalho. Os pesos são conhecidos como faores de ponderação ou coeficienes de amorecimeno e seus valores variam de zero a um. Segundo Barros (004), A exisência de uma ou mais consanes de amorecimeno irá deerminar como funciona ese mecanismo de ponderação, ou o quão rapidamene decai a influência das observações passadas. Esa ponderação faz com que o modelo responda mais rapidamene às mudanças na série. O méodo é denominado exponencial, pois os pesos (α ) decrescem exponencialmene, como uma progressão geomérica (α, α( 1 α), α( 1 α), 3 α( 1 α) ), à medida que os evenos vão ocorrendo ao longo do empo. Quano maior o valor de α, maior a influência do eveno mais recene na previsão final. Conudo, um valor de α muio elevado pode fazer com que a previsão fique exremamene sensível às variações aleaórias da demanda realizada, em derimeno das mudanças esruurais. Por ouro lado, um coeficiene muio baixo ornará o modelo exremamene esável, resisene à aleaoriedade

15 39 exisene na série hisórica. A bibliografia relacionada ao assuno sugere um valor de α enre 0,05 e 0,5. Nese méodo, a maior dificuldade é exaamene definir o valor adequado de α, de forma a minimizar os erros da previsão, buscando ao mesmo empo uma aderência mais rápida às mudanças ocorridas na série hisórica. Uma possibilidade é a escolha de α que minimize o erro quadráico médio (EMQ), que é uma esimaiva da variância do erro da previsão. 1 EMQ = n Onde: n = 1 ( R P ) R - Valor observado no insane ; P - Previsão no mesmo insane. eq(11) Aualmene já exisem sofwares de séries emporais que esimam os coeficienes óimos de amorecimeno. Aé mesmo o Excel pode auxiliar nesa arefa, aravés da ferramena Solver. Ouro pono imporane no amorecimeno exponencial é o valor inicial a ser adoado na previsão, pois dependendo do amanho da série, aquele erá um peso muio grande na esimação da previsão. Geralmene adoa-se P 0 = R0. O efeio da escolha inicial é minimizado, é claro, à medida que aumena. Uma alernaiva basane uilizada nesa quesão é rabalhar com a média de n valores iniciais como pono de parida. O amorecimeno exponencial simples é um méodo que, a exemplo da média móvel simples, não é indicada para séries emporais com endência e sazonalidade, pois nesa siuação as previsões geradas acompanhariam a evolução da demanda com araso. dado por: A equação de previsão no modelo de amorecimeno exponencial simples é

16 40 P α R + α 1 α) R + α(1 α) R (...) eq(1) + 1 = ( 1 + Onde: P +1 - Previsão para o período +1; α - Coeficiene de amorecimeno, α [0,1] ; R - Demanda real ocorrido em ; Ou ambém, na forma reduzida: P R ) P + 1 = α + (1 α eq(13) A exemplo do que ocorre com qualquer ouro méodo de previsão, evenualmene observa-se a necessidade de revisão de α, que será definida aravés do moniorameno dos níveis de erro das previsões. É imporane a definição de políicas de conroles para eses erros com os respecivos ajuses Amorecimeno Exponencial Duplo (Modelo De Brown) O modelo de Brown é uma variação do amorecimeno exponencial simples desenvolvida para séries emporais que apresenam endência, mas não sazonalidade. Ese méodo se assemelha à Média Móvel Dupla, sendo o componene de nível calculado aravés da diferença enre um valor apurado com o amorecimeno simples e ouro, com um segundo amorecimeno do primeiro. Já para o cálculo da endência, exise uma equação própria, similar à fórmula de coeficiene angular da rea. O cálculo de previsão ocorre como a seguir: 1. Cálculo do primeiro amorecimeno: P = α R + ( 1 α) P 1 eq(14). Cálculo do segundo amorecimeno: P ' ' = P + ( 1 α) P 1 α eq(15) 3. Cálculo de esimaiva do nível como a soma do primeiro amorecimeno com a diferença enre o primeiro e o segundo amorecimenos: a = P + eq(16) ' ' ( P P ) = P P

17 41 α ' 4. Cálculo de esimaiva de endência: b = ( P P ) 1 α eq(17) 5. A previsão fuura será dada, enão, pela equação: P + p = a + b p eq(18) Aqui novamene deve-se desacar que ão imporane quano a consane de amorecimeno a ser uilizada, são as esimaivas iniciais de P 0 e ' P 0. Não se deve uilizar o primeiro valor da série para iniciar as equações, pois corre-se o risco de subesimar a endência desa série. As esimaivas iniciais do P 0 e geralmene dadas por: ' P 0 são P P 0 ' 0 1 α = a0 b0 eq(19) α 1 α = a0 b0 eq(0) α Onde: a 0 = coeficiene linear obido aravés da regressão linear dos valores da série pelos números dos períodos; b 0 = coeficiene angular obido aravés da regressão dos valores da série pelos números dos períodos. Para a esimaiva do valor inicial de α, necessário para o cálculo das esimaivas iniciais do P 0 e ' P 0, deve-se auar da mesma forma que a descria no méodo de amorecimeno exponencial simples, quando mencionou-se que α é o valor que deve ser escolhido de forma a minimizar o erro médio quadrado (EMQ).

18 Amorecimeno Exponencial - Méodo De Hol O méodo de Hol é oura variação do méodo de amorecimeno, uilizado para as séries que apresenam endência (mas não sazonalidade). Nese méodo, ao conrário do modelo de Brown, adoam-se duas consanes de amorecimeno diferenes, α e β, uma delas para esimação da endência e a oura para o nível. Aqui recuperaremos o conceio de componene sisemáico, apresenado no início dese capíulo. VALOR PREVISTO (P) = NÍVEL (N) + TENDÊNCIA (T) Onde: O méodo de Hol rabalha com rês equações: 1. Esimação do nível: N α R + 1 α)( N T ) eq(1) = ( Esimação da endência: T = β N N 1 ) + (1 β ) T 1 eq() ( 3. Equação para previsão para p períodos fuuros: P + p = N + T p eq(3) N - Nível para o período ; R - Demanda real ocorrido em ; T - Tendência para o período ; P +1 - Previsão para o período +1; α - Coeficiene de amorecimeno para o nível, α [0,1] ; β - Coeficiene de amorecimeno para a endência, β [0,1] ; A exemplo do que ocorre nos ouros méodos de amorecimeno exponencial, é necessário calcular as esimaivas iniciais para o nível e a endência de forma a iniciar o sisema de cálculo das previsões. Nese caso, pode-se rabalhar com a regressão linear enre a demanda e os períodos, pois exise uma endência (de crescimeno ou declínio) ao longo do empo. A esimaiva para o nível inicial N 0 será, enão, o coeficiene linear obido aravés da regressão linear da demanda pelo número de período. E a endência T 0, será o coeficiene angular ou de inclinação, obido aravés do mesmo processo de regressão.

19 43 Cabe aqui desacar que o Excel possui uma ferramena que realiza facilmene o cálculo de regressão linear (menu Ferramenas Análise de Dados Regressão) Amorecimeno Exponencial Modelo de Winers O modelo de Winers é uilizado para as séries que apresenam endência e sazonalidade e adoa rês coeficienes de amorecimeno diferenes, um para cada componene sisemáico da demanda (Nível, Tendência e Sazonalidade), α, β e γ, respecivamene, odos no inervalo (0,1) Novamene, resgaamos o conceio de componene sisemáico, agregando a sazonalidade. Pode-se er dois comporamenos básicos: Adiivo: O padrão de comporameno da sazonalidade não se modifica com possíveis alerações no nível da série VALOR PREVISTO (P) = NÍVEL (N) + TENDÊNCIA (T) + SAZONALIDADE (S) Muliplicaivo: No modelo muliplicaivo, a sazonalidade da série é afeada com as modificações do nível. Pode ser ampliada ou reduzida. VALOR PREVISTO (P) = NÍVEL (N) x TENDÊNCIA (T) x SAZONALIDADE (S) Ou VALOR PREVISTO (P)= (NÍVEL (N) + TENDÊNCIA (T))x SAZONALIDADE (S) O gesor, enão, erá que avaliar e selecionar o comporameno com base na sua série hisórica. No presene esudo, será uilizado o modelo muliplicaivo (ambém chamado de miso) para demonsrar o méodo.

20 44 O méodo de Winers muliplicaivo rabalha com quaro equações: 1. Esimação do nível: = R N ( + (1 )( + α α N 1 T 1) eq(4) S. Esimação da endência: T = β ( N N 1 ) + (1 β ) T 1 eq(5) R 3. Esimação da sazonalidade: S = γ ( ) + (1 γ ) S p eq(6) N Sendo p o número de períodos sazonais (doze no caso de séries mensais e quaro para séries rimesrais); 4. Equação de previsão para k períodos fuuros: P = ( N + T k) S + k eq(7) Onde: N - Nível para o período ; R - Demanda real ocorrido em ; T - Tendência para o período ; S - Sazonalidade para o período ; P +1 - Previsão para o período +1; α - Coeficiene de amorecimeno para o nível, sendo que α [0,1] ; β - Coeficiene de amorecimeno para a endência, sendo que β [0,1] ; γ - Coeficiene de amorecimeno para a sazonalidade, sendo que β [0,1] ; O méodo é iniciado com o cálculo das esimaivas iniciais para o nível, endência e faores sazonais. Anes de se esimar N e T, deve-se dessazonalizar a série, ou seja, remover os efeios da sazonalidade dos números. Aqui se inroduz o conceio de período sazonal, que passará a ser represenar por p. Por exemplo, numa série rimesral, exisem quaro períodos sazonais por ano, ou seja, p = 4. Em séries mensais, como as consideradas nese rabalho, p = 1. Para a dessazonalização da série deve-se calcular uma média dos períodos consecuivos da demanda p. No caso da periodicidade p ser ímpar, o cálculo

21 45 fornecerá a demanda dessazonalizada para um período exisene. A demanda dessazonalizada será dada, enão, pela seguine fórmula: + ( p / ) R = R / p eq(8) i i= ( p/ ) Conudo se p for par, esa média fornecerá uma demanda dessazonalizada para um pono enre dois períodos. Para resolver esa quesão uiliza-se a seguine fórmula: R 1 ( p / ) + = R ( p / ) + R + ( p / ) + Ri / p eq(9) i= + 1 ( p / ) Aplicando as fórmulas, obem-se as demandas dessazonalizadas para os períodos da série hisórica. Com esa nova demanda calculada, em-se condições de avaliar de forma adequada a endência da série, pois exise uma relação linear enre esa demanda dessazonalizada e os períodos. Esa relação pode ser represenada pela fórmula: R N + = T eq(30) Assim, aravés da regressão linear são definidos os valores iniciais do nível ( N 0 ) e da endência ( T 0 ). O nível será obido pelo inercepo e a endência pelo coeficiene angular (ou inclinação). Ao conrário do méodo de Hol, não se pode aplicar a regressão linear direamene na demanda original, pois a série em embuida em si a sazonalidade, o que disorceria o resulado da regressão. A seguir calcula-se, enão, os faores sazonais (S) para cada período da série hisórica. Para al, basa dividir a demanda original pela demanda dessazonalizada: S / = R R. eq(31)

22 46 A parir da periodicidade p são esimados os valores iniciais dos faores de sazonalidade para cada período sazonal ( S ), aravés da média simples dos períodos que o compõem. Por exemplo, dada uma série hisórica com um período sazonal de rês meses de um oal de doze, o que significa quaro períodos de sazonalidade anuais, obem-se os faores de sazonalidade da seguine forma: S = ( S1 + S5 + 9)/3 eq(3) 1 S S = ( S + S6 + 10)/3 eq(33) S S = ( S3 + S )/3 eq(34) 3 S S = ( S 4 + S8 + 1)/3 eq(35) 4 S Cabe aqui desacar que no caso de sazonalidade muliplicaiva, a soma dos faores sazonais é igual a S (por exemplo, no caso de dados mensais, S = 1). Já na sazonalidade adiiva, a soma dos faores sazonais é sempre igual a zero. A parir das consanes de amorecimeno (α, β e γ ), dos valores iniciais do nível (N), endência (T) e sazonalidade (S) e das fórmulas apresenadas podese aualizar as esimaivas ao longo do empo e aplicar a equação de previsão. Os faores sazonais serão aualizados somene cada vez que o período sazonal for compleo Modelos ARIMA de BO e JENKINS Os modelos de Box-Jenkins ambém conhecidos como ARIMA, sigla para Auo Regressive Inegraed Moving Averages (auo-regressivos inegrados de médias móveis), buscam explicar o comporameno das séries aravés da auocorrelação emporal enre os seus valores. O pono chave do processo é a busca da esruura de correlação que melhor represene ese comporameno.

23 47 Os modelos ARIMA são formados por rês filros: o componene auoregressivo (AR), o filro de inegração (I) e as médias móveis (MA). O componene AR indica quão relacionados esão os valores sucessivos da série analisada (defasagens emporais ou ime lags ). A idenificação do número de ermos necessários é feia aravés da análise dos coeficienes de auocorrelação parcial. O filro de médias móveis (MA) busca a mesma relação, só que enre os erros da série. Aqui serão inroduzidos alguns conceios imporanes para a aplicação dos modelos ARIMA: 1. Esacionariedade: Uma série é dia esacionária quando esá em equilíbrio, o que significa que ano a média quano a variância são consanes ao longo da série e a sua covariância é função da defasagem enre os insanes (ou lags). Desa forma, como primeiro passo para se iniciar a modelagem Box-Jenkins, deve-se ransformar a série para orná-la esacionária. O filro de inegração refere-se exaamene ao processo de modificação da série original aravés de diferenças sucessivas aé que ela eseja em equilíbrio ou esacionária, de forma a permiir a idenificação de odos os seus padrões de comporameno;. Auocovariância de lag k: Segundo Souza (1991) é a covariância enre e o seu valor +, separado por k inervalos de empo. Sendo k { :=1,,3,4,...,T}, podemos defini-la como: T 1 γ = ( µ )( µ ) eq(36) k T k 1 = k K 3. Auocorrelação de lag k (ACF): Segundo o mesmo auor, a auocorrelação serve para medir a exensão para a qual o valor omado no empo é dependene do realizado no empo -k. O gráfico da auocorrelação ao longo de k é denominado de correlograma e é fundamenal para idenificação da esruura de um processo ARIMA.

24 48 Souza (1991) ainda comena que para se ober uma boa esimaiva da função de auocorrelação, necessiamos de pelo menos 50 observações. A sua fórmula é dada por: T ( µ )( k µ ) = k + 1 ρ k = T eq(37) ( ) = k + 1 K 4. Auocorrelação Parcial (PACF): Segundo Souza (1991), é a medida de correlação enre duas observações, eliminando-se a dependência exisene enre as observações inermediárias. Considerando-se quaro observações 1,, 3 e 4, denomina-se correlação parcial quando se deseja saber a correlação enre e 4, eliminando-se a influência de 3, por exemplo. O gráfico de PACF ambém é imporane para a análise da esruura deses modelos; 5. Ruído branco: É uma seqüência de valores aleaórios independenes e idenicamene disribuídos. Em geral, supõe-se que eles apresenem disribuição normal com média zero, variância consane e função de auocorrelação nula em odos os lags de empo; 6. Operador de araso: Represena uma defasagem de k períodos de empo para rás. Sua noação é dada por: B k = eq(38) k Ouro conceio não menos imporane é o de modelo linear. Segundo Souza (1991), busca-se aravés da análise de um conjuno de observações, com duas ou mais variáveis, explicar o comporameno de uma delas em função de oura. Ora, se as observações esão indexadas no empo, aravés da aplicação da Teoria de Funções de Transferência em sisemas lineares, conseguimos converer uma série inpu - ruído branco - em oura oupu - processo esocásico esacionário. A figura 3, a seguir, represena o processo.

25 49 Figura 3 Represenação esquemáica de um modelo linear. FONTE: Meodologia Box & Jenkins para Séries Temporais (1991) Assim, segundo Souza (1991), uma classe muio imporane de processos esocásicos,, é conseqüência da passagem de um processo ruído branco aravés de um filro linear. Freqüenemene a filragem linear é apenas uma combinação linear de observações passadas e presenes da série original. Maemaicamene eremos: Onde: - k = k = 0 ψ a eq(39) k k θ q ( B) ψ é o filro linear definido por: ψ k = ; φ ( B) - a k - Ruído branco ou resíduo. p Desa forma, os modelos ARMA(p,q) de Box & Jenkins podem ser escrios como: φ p ( B ) = θ q ( B) a eq(40) AR MA Onde: B - operador de defasagem com noação B k = ; k φ p - Polinômio de grau p, denominado AR(p); θq - Polinômio de grau q, denominado MA(q). Os modelos são conseqüência direa da ineração dos rês filros conceiuados aneriormene ou de pare deles. A eapa de idenificação da

26 50 esruura dos modelos é complexa, mas aualmene já exisem sofwares que auxiliam na modelagem do processo. Ae o momeno pariu-se do pressuposo que as séries emporais eram esacionárias. Conudo, evenualmene pode-se deparar com séries nãoesacionárias, sendo necessário, enão, ransformá-las. A ransformação mais comum se dá aravés do cálculo de diferenças sucessivas enre os ermos da série, aé que se obenha uma série esacionária. A primeira diferença de será definida por: d = eq(41) 1 Ese ermo é ambém denominado operador de diferença. Caso, a série permaneça não esacionária, deve-se proceder com a segunda diferença: d [D ] = D [ 1 ] = 1 eq(4) Segundo Barros (004): genericamene, a série final esacionária será obida pela aplicação de d (d=0,1,,3,...) diferenças na série original. Sua noação será dada por W d =. Em seguida, modela-se a série esacionária obida, uilizando-se a modelagem ARMA (p,q) apropriada. Os modelos são indicados por ARIMA (p,d,q), onde os parâmeros do modelo são: ordem do polinômio auo-regressivo (p), número de diferenças (d) e ordem do polinômio de médias móveis (q) Modelo Auo-regressivo (AR) Conforme mencionado aneriormene, no modelo AR a série das observações hisóricas é descria pelos seus valores passados regredidos e pelo ruído aleaórioε. O modelo auo-regressivo de ordem p pode ser descrio como:

27 51 = φ φ + φ3 3 + (...) + φ p p + ε eq(43) Onde: - Valor da série emporal no insane ; ε - Resíduo ou erro aleaório; φ p - Parâmero que descreve como se relaciona com p B, assim: O modelo AR(p) pode ser reescrio uilizando-se o operador de defasagem (1 φ B φ B... φ B ) = ε φ( B) = ε p 1 p eq(44) A especificação do grau do polinômio p, que irá deerminar o número de ermos da equação geral, passa pela análise dos coeficienes de auocorrelação e auocorrelação parcial. Segundo Barros (004), num processo AR(p), as auocorrelações parciais são nulas para odos os lags maiores que p. Assim, numa represenação gráfica do PACF pode-se idenificar o grau do modelo AR(p). A seguir, na figura 4, veremos um exemplo de gráfico do PACF, indicando um modelo AR(1). Figura 4 Gráfico PACF de uma série, indicando um modelo AR(1).

28 5 Um modelo AR(1) erá a seguine forma: = φ ε eq(45) Para o modelo ser considerado esacionário, se faz necessário que φ < 1 1 e que as auocovariâncias sejam independenes. Já um modelo AR(), assumirá a forma: = φ φ + ε eq(46) Após definido o grau da equação, omando como exemplo uma equação AR(), deveremos esimar os valores de φ1 eφ. O criério é buscar a minimização do MSE. Assim, rearranjando a equação de AR(), obém-se: ε ( φ φ ) eq(47) = Sendo que deve-se minimizar ε i. n Modelo de Médias Móveis (MA) Segundo Makridakis (1978): Exisem alguns padrões de comporameno das séries emporais que não serão idenificados e isolados pelos modelos AR(p). Conudo, exise ouro ipo de modelo, chamado de médias móveis, ou moving average, MA(q), que poderá auxiliar na idenificação deses padrões. Qualquer série emporal discrea pode ser expressa como um modelo AR e/ou MA. Enquano os modelos AR(q) buscam as previsões da série com base na combinação linear dos seus (p) valores passados, os modelos MA(q) realizam as previsões com base na combinação linear dos erros passados.

29 53 como: O modelo de médias móveis MA(q) pode ser descrio, na sua forma geral, = ε θ ε θ ε (...) θ ε 1 1 q q eq(48) Onde: - Valor da série emporal no insane ; ε - Resíduo ou erro aleaório no insane. θ p - Parâmero de média móvel que descreve como se relaciona com p O modelo de médias móveis de ordem q, ou MA(q), pode ser reescrio uilizando-se o operador de defasagem B, assim: (1 θ B θ B... θ B ) ε = θ ( B) ε = p 1 p eq(49) A exemplo do que ocorre com a classe de modelos AR(p), a idenificação adequada do valor de q passa pela análise dos coeficienes de auocorrelação e auocorrelação parcial da série. O modelo mais simples de médias móveis é o de grau um, ou MA (1), represenado pela fórmula: = θ1ε 1 ε eq(50) O modelo MA() é represenado por: = θ1ε 1 θ ε ε eq(51) O grau q deve ser esimado buscando-se ambém a minimização do MSE Modelos Auo-regressivos de Médias Móveis (ARMA) Em alguns casos é necessário combinar as esruuras AR(p) e MA(q), gerando um modelo ARMA (p,q). Segundo Makridakis, o desempenho

30 54 combinado dos dois modelos será melhor do que se for rabalhado com o modelo AR(p) e MA(q) separadamene, resulando em modelos mais parcimoniosos. A expressão geral do modelo é dada por: = φ + φ + (...) + φ + ε θ ε θ ε (...) θ ε 1 1 p p 1 1 q q eq(5) O modelo ARMA(1, 1) é descrio como: = ε θ1ε 1 φ eq(53) O modelo ARMA(, 1) é descrio como: = φ + ε θ1ε 1 φ eq(54) Segundo Makridakis, para uma série esacionária a meodologia proposa por Box e Jenkins pode ser resumida em rês fases disinas: 1. Idenificação: O objeivo desa fase é selecionar o modelo ARMA(p,q) mais adequado para se descrever os padrões de comporameno da série hisórica. Aqui serão analisados os dados hisóricos e os comporamenos das funções de auocorrelação (ACF) e auocorrelação parcial (PACF), idenificando desa forma os graus (p,q) do modelo;. Esimação e ese: A parir do momeno em que os valores (p, q), são idenificados, esima-se os parâmeros φ do modelo AR, θ do componene MA e a variância dos resíduos. A parir da análise da ACF e PACF deses resíduos em-se condições de avaliar se o modelo é adequado ou não. Para iso, esas correlações deverão ser insignificanes, o que indicaria que o modelo esá represenando adequadamene o padrão de comporameno da série. No caso do modelo não ser adequado, o ciclo é repeido, reornando-se à fase de idenificação. Alguns auores sugerem a idenificação de mais de um modelo simulaneamene, que ambém serão esimados e verificados.

31 55 3. Previsão: Nesa eapa em-se a aplicação do modelo para a previsão dos números fuuros. Cabe ressalar que a meodologia sugerida acima pressupõe que a série esudada é esacionária. Se a série original não for esacionária, diferenças sucessivas deverão ser previamene aplicadas de forma a orná-la esacionária. Em ouras palavras, a ordem da definição (d), já foi idenificada. A figura 5 ilusra de forma resumida o processo. Figura 5 Abordagem do méodo de Box-Jenkins FONTE: Adapado do livro Forecasing Mehods and Applicaions, Makridakis Segundo Granger e Newbold (Forecasing Economic Time Series, 1986), os modelos de Box-Jenkins necessiam de uma série emporal de cinco a dez anos de dados hisóricos mensais (enre sessena a ceno e vine observações) para

32 56 produzir análises com precisão adequada. Makridakis (Forecasing Mehods and Applicaions, 1978) sugere que, no mínimo, de quarena a cinqüena observações são necessárias para se avaliar adequadamene os padrões exisenes numa série emporal Idenificação Na descrição dos modelos, mencionou-se que a idenificação do grau, ou valores dos ermos q e p, são feios aravés da análise dos coeficienes de auocorrelação (ACF) e auo-correlação parcial (PACF) da série emporal. A idenificação dos modelos pode ser feia aravés da observação deses gráficos. Nese ópico, serão demonsrados os comporamenos eóricos de ACF e PACF para os modelos AR e MA. Será apresenada aqui uma abordagem superficial, baseada em Makridakis, mas suficiene para uma primeira abordagem do assuno. O modelo AR(p) é idenificado examinando-se o gráfico da função PACF. Nese caso o gráfico deverá cair abrupamene após algumas observações. Assim, o grau dese modelo será indicado pelos primeiros lags significaivamene diferenes de zero. Já a sua função ACF apresena uma queda endendo a zero aravés de uma curva exponencial (vide figuras 6 e 7, a seguir).

33 57 Figura 6 Gráficos Teóricos de ACF e PACF de uma série, indicando um modelo AR(1). FONTE: Adapado do livro Forecasing Mehods and Applicaions, Makridakis Figura 7 Gráficos Teóricos de ACF e PACF de uma série, indicando um modelo AR(). FONTE: Adapado do livro Forecasing Mehods and Applicaions, Makridakis Com o modelo MA(q) ocorre exaamene ao conrário, no gráfico de ACF, os valores dos coeficienes caem abrupamene após q lags. Já o gráfico de PACF decai exponencialmene, conforme pode-se observar nas figuras 8 e 9. Figura 8 Gráficos Teóricos de ACF e PACF de uma série, indicando um modelo MA(1) FONTE: Adapado do livro Forecasing Mehods and Applicaions, Makridakis 1978.

34 58 Figura 9 Gráficos Teóricos de ACF e PACF de uma série, indicando um modelo MA(). FONTE: Adapado do livro Forecasing Mehods and Applicaions, Makridakis Os modelos misos ARMA (p,q), combinam as caracerísicas e as propriedades dos dois modelos que a compõem. Ou seja, apresenam comporamenos similares nas funções de ACF e PACF, gerando gráficos semelhanes, com várias possibilidades de padrões. Makridakis desaca que a principal eapa da meodologia Box-Jenkins é idenificar o modelo ARMA (p,q) mais apropriado aravés da análise das funções ACF e PACF, mas não de forma auomáica pois necessia do julgameno humano. Esa análise é dividida em rês eapas: 1. Verificar se a série é esacionária ou não. Caso não seja, proceder com os devidos ajuses;. Avaliar os gráficos de ACF e PACF para se idenificar o modelo mais adequado; 3. Analisar as correlações de forma a se definir o grau de cada modelo Modelos Sazonais O méodo de Box-Jenkins ambém pode ser adoado para as séries emporais que apresenem padrões de comporameno periódico, ou seja, que se repeem em

35 59 S períodos de empo (sazonalidade). Sua idenificação segue o mesmo méodo descrio para as séries não sazonais. O modelo geral é dado pela equação 55, apresenada a seguir: (1 φ B φ B 1 (1 θ B θ B 1... φ B p q p )(1 Φ B q... θ B )(1 Θ B Θ B 1 1 S Φ B S... Φ... Θ QS P B B QS PS ) ε ) = eq(55) Onde: Φ e Θ - Parâmeros do modelo sazonal; φ e θ - Parâmeros do modelo não-sazonal; S Comprimeno da sazonalidade (S = 1 para dados mensais); (1 φ B φ B 1... φ B p p grau p com operador de defasagem B; (1 Φ B 1 S Φ B S... Φ B grau P com operador de defasagem B; (1 θ B θ B 1... θ B q q grau q com operador de defasagem B; ) - Refere-se ao ermo auo-regressivo não-sazonal de P PS ) - Refere-se ao ermo auo-regressivo sazonal de ) - Refere-se à pare não-sazonal de médias móveis de QS (1 Θ B Θ B... Θ ) Refere-se à pare sazonal de médias móveis de 1 QS B grau Q com operador de defasagem B; ε - Erro. Desa forma, em-se a represenação do modelo ARMA (p,q) (P,Q) onde p e q referem-se aos graus dos polinômios dos modelos auo-regressivo e de médias móveis não-sazonais, respecivamene. Já P e Q referem-se aos graus dos modelos auo-regressivo e médias móveis sazonais. Cabe desacar que para se aplicar a meodologia de Box-Jenkins nas séries emporais com sazonalidade, ambém se faz necessário que a série seja esacionária, ou seja, em que er média e variância consanes ao longo da série e covariância como função da defasagem enre os lags.

36 60 No caso da série emporal não ser esacionária e possuir sazonalidade, eremos um modelo ARIMA (p,d,q) (P,D,Q), onde d represena a ordem de diferenciação não sazonal e D a ordem de diferenciação sazonal. Esas diferenciações, a exemplo do modelo sem sazonalidade, ocorrem da seguine forma: W (diferença) eq(56) d = = 1 W D = = S (diferença sazonal) eq(57) A definição da esacionaridade será feio observando-se a função de auocorrelação da série. Esa função ambém mosrará se há componene sazonal, o que é observado quando esa segue um padrão gráfico de picos periódicos..4. MEDIDAS DE ERRO NA PREVISÃO O processo de previsão da demanda em como pressuposo básico que, ao se uilizar informações passadas, obem-se uma boa direriz sobre o que ocorrerá no fuuro. Conudo, não exise uma garania que o conhecimeno sobre o passado rará informações exaas sobre ese fuuro. Sempre exisirá uma incereza vinculada às previsões. Desa forma, não se pode simplesmene implemenar um modelo de previsão de demanda sem acompanhar o seu desempenho ao longo do empo. Quando um modelo de previsão é selecionado, busca-se a maior precisão possível, ou seja, a menor diferença que possa exisir enre a demanda realizada e a previsão. Esa diferença é chamada erro de previsão ou resíduo e da mesma forma que os dados passados razem informações valiosas sobre o comporameno fuuro, ambém deve-se considerar que os erros decorrenes das previsões devem ser avaliados com basane criério, pois ambém podem razer quesões imporanes para a gesão do processo em quesão. Dois aspecos jusificam a análise deses erros:

37 61 1. Com base no comporameno dos erros, pode-se chegar à conclusão que é necessário o ajuse do modelo ou aé mesmo a roca do méodo inicialmene selecionado. Em ouras palavras, raa-se do nível de desempenho do méodo aplicado;. Por ouro lado, uma esimaiva precisa de erro pode auxiliar ao gesor a monar planos de coningência, como por exemplo, níveis de esoques de segurança ou políicas de compras. Onde: Conforme conceiuado aneriormene, a fórmula básica do erro é: E = R P eq(58) P - Previsão para o período ; R - Demanda real ocorrido em ; Obviamene, o erro negaivo indica que a previsão gerada ficou acima do realizado, assim como o erro posiivo mosra que a previsão ficou abaixo do realizado. Esa definição de erro é, em geral, chamada em Esaísica de resíduo, pois corresponde a uma quanidade observável, enquano o erro de um modelo é uma variável aleaória não observável, suposamene com média zero e variância consane. Exisem vários indicadores disponíveis para a mensuração da precisão dos méodos de previsão. A seguir alguns deles serão apresenados:.4.1. Erro Absoluo Médio (MAD) O Erro Absoluo Médio, ambém conhecido como MAD (Mean Absolue Deviaion) é um indicador basane adoado, uilizado quando o gesor quer avaliar o erro na mesma unidade de medida da série original. O valor absoluo do

38 6 erro é uilizado para se eviar que os erros posiivos anulem os erros negaivos. A sua fórmula é dada por: MAD n R P = = 1 n eq(59).4.. Erro Percenual Absoluo Médio (MAPE) O Erro Percenual Absoluo Médio, ou MAPE (Mean Absolue Percenual Error) é o erro médio em porcenagem, ao invés de quanidade. Ese indicador é úil para deerminar a ampliude do erro da previsão em relação aos valores da série hisórica. Sua fórmula é dada por: n R P / R = MAPE = 1 n.4.3. Erro Quadráico Médio (MSE) eq(60) Oura medida de erro de previsão basane uilizada é o Erro Quadráico Médio (EQM), em inglês, Mean Squared Error. Sua fórmula é dada por: MSE n = = 1 ( R P ) n eq(61) Esa medida amplifica o efeio dos ouliers, que recebem uma grande imporância quando deveriam ser desconsiderados da previsão. Oura caracerísica dese indicador é que sua unidade de medida é a unidade do valor real ao quadrado. Ese fao é resolvido adoando-se a raiz quadrada do MSE, ou RMSE (Roo Mean Squared Error). RMSE = n =1 ( R P ) n = MSE eq(6)

Análise de séries de tempo: modelos de decomposição

Análise de séries de tempo: modelos de decomposição Análise de séries de empo: modelos de decomposição Profa. Dra. Liane Werner Séries de emporais - Inrodução Uma série emporal é qualquer conjuno de observações ordenadas no empo. Dados adminisraivos, econômicos,

Leia mais

Contabilometria. Séries Temporais

Contabilometria. Séries Temporais Conabilomeria Séries Temporais Fone: Corrar, L. J.; Theóphilo, C. R. Pesquisa Operacional para Decisão em Conabilidade e Adminisração, Ediora Alas, São Paulo, 2010 Cap. 4 Séries Temporais O que é? Um conjuno

Leia mais

Universidade Federal do Rio de Janeiro

Universidade Federal do Rio de Janeiro Universidade Federal do Rio de Janeiro Circuios Eléricos I EEL42 Coneúdo 8 - Inrodução aos Circuios Lineares e Invarianes...1 8.1 - Algumas definições e propriedades gerais...1 8.2 - Relação enre exciação

Leia mais

Séries temporais Modelos de suavização exponencial. Séries de temporais Modelos de suavização exponencial

Séries temporais Modelos de suavização exponencial. Séries de temporais Modelos de suavização exponencial Programa de Pós-graduação em Engenharia de Produção Análise de séries de empo: modelos de suavização exponencial Profa. Dra. Liane Werner Séries emporais A maioria dos méodos de previsão se baseiam na

Leia mais

Exercícios sobre o Modelo Logístico Discreto

Exercícios sobre o Modelo Logístico Discreto Exercícios sobre o Modelo Logísico Discreo 1. Faça uma abela e o gráfico do modelo logísico discreo descrio pela equação abaixo para = 0, 1,..., 10, N N = 1,3 N 1, N 0 = 1. 10 Solução. Usando o Excel,

Leia mais

4 O modelo econométrico

4 O modelo econométrico 4 O modelo economérico O objeivo desse capíulo é o de apresenar um modelo economérico para as variáveis financeiras que servem de enrada para o modelo esocásico de fluxo de caixa que será apresenado no

Leia mais

Características dos Processos ARMA

Características dos Processos ARMA Caracerísicas dos Processos ARMA Aula 0 Bueno, 0, Capíulos e 3 Enders, 009, Capíulo. a.6 Morein e Toloi, 006, Capíulo 5. Inrodução A expressão geral de uma série emporal, para o caso univariado, é dada

Leia mais

Conceito. Exemplos. Os exemplos de (a) a (d) mostram séries discretas, enquanto que os de (e) a (g) ilustram séries contínuas.

Conceito. Exemplos. Os exemplos de (a) a (d) mostram séries discretas, enquanto que os de (e) a (g) ilustram séries contínuas. Conceio Na Esaísica exisem siuações onde os dados de ineresse são obidos em insanes sucessivos de empo (minuo, hora, dia, mês ou ano), ou ainda num período conínuo de empo, como aconece num elerocardiograma

Leia mais

3 Retorno, Marcação a Mercado e Estimadores de Volatilidade

3 Retorno, Marcação a Mercado e Estimadores de Volatilidade eorno, Marcação a Mercado e Esimadores de Volailidade 3 3 eorno, Marcação a Mercado e Esimadores de Volailidade 3.. eorno de um Aivo Grande pare dos esudos envolve reorno ao invés de preços. Denre as principais

Leia mais

ECONOMETRIA. Prof. Patricia Maria Bortolon, D. Sc.

ECONOMETRIA. Prof. Patricia Maria Bortolon, D. Sc. ECONOMETRIA Prof. Paricia Maria Borolon, D. Sc. Séries Temporais Fone: GUJARATI; D. N. Economeria Básica: 4ª Edição. Rio de Janeiro. Elsevier- Campus, 2006 Processos Esocásicos É um conjuno de variáveis

Leia mais

GERAÇÃO DE PREÇOS DE ATIVOS FINANCEIROS E SUA UTILIZAÇÃO PELO MODELO DE BLACK AND SCHOLES

GERAÇÃO DE PREÇOS DE ATIVOS FINANCEIROS E SUA UTILIZAÇÃO PELO MODELO DE BLACK AND SCHOLES XXX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO Mauridade e desafios da Engenharia de Produção: compeiividade das empresas, condições de rabalho, meio ambiene. São Carlos, SP, Brasil, 1 a15 de ouubro de

Leia mais

Cálculo do valor em risco dos ativos financeiros da Petrobrás e da Vale via modelos ARMA-GARCH

Cálculo do valor em risco dos ativos financeiros da Petrobrás e da Vale via modelos ARMA-GARCH Cálculo do valor em risco dos aivos financeiros da Perobrás e da Vale via modelos ARMA-GARCH Bruno Dias de Casro 1 Thiago R. dos Sanos 23 1 Inrodução Os aivos financeiros das companhias Perobrás e Vale

Leia mais

APLICAÇÃO DO MODELO ARIMA PARA PREVISÃO DO PREÇO DO FRANGO INTEIRO RESFRIADO NO GRANDE ATACADO DO ESTADO DE SÃO PAULO

APLICAÇÃO DO MODELO ARIMA PARA PREVISÃO DO PREÇO DO FRANGO INTEIRO RESFRIADO NO GRANDE ATACADO DO ESTADO DE SÃO PAULO APLICAÇÃO DO MODELO ARIMA PARA PREVISÃO DO PREÇO DO FRANGO INEIRO RESFRIADO NO GRANDE AACADO DO ESADO DE SÃO PAULO PAULO ANDRÉ CAVALCANI CAMPOS Ademir Clemene AGNALDO ANÔNIO LOPES DE CORDEIRO Resumo: O

Leia mais

Utilização de modelos de holt-winters para a previsão de séries temporais de consumo de refrigerantes no Brasil

Utilização de modelos de holt-winters para a previsão de séries temporais de consumo de refrigerantes no Brasil XXVI ENEGEP - Foraleza, CE, Brasil, 9 a 11 de Ouubro de 2006 Uilização de modelos de hol-winers para a previsão de séries emporais de consumo de refrigeranes no Brasil Jean Carlos da ilva Albuquerque (UEPA)

Leia mais

Modelagem e Previsão do Índice de Saponificação do Óleo de Soja da Giovelli & Cia Indústria de Óleos Vegetais

Modelagem e Previsão do Índice de Saponificação do Óleo de Soja da Giovelli & Cia Indústria de Óleos Vegetais XI SIMPEP - Bauru, SP, Brasil, 8 a 1 de novembro de 24 Modelagem e Previsão do Índice de Saponificação do Óleo de Soja da Giovelli & Cia Indúsria de Óleos Vegeais Regiane Klidzio (URI) gep@urisan.che.br

Leia mais

Um modelo matemático para o ciclo de vida do mosquito Aedes aegypti e controle de epidemias

Um modelo matemático para o ciclo de vida do mosquito Aedes aegypti e controle de epidemias Universidade Federal de Ouro Preo Modelagem e Simulação de Sisemas Terresres DECOM- prof. Tiago Garcia de Senna Carneiro Um modelo maemáico para o ciclo de vida do mosquio Aedes aegypi e conrole de epidemias

Leia mais

Instituto de Física USP. Física V - Aula 26. Professora: Mazé Bechara

Instituto de Física USP. Física V - Aula 26. Professora: Mazé Bechara Insiuo de Física USP Física V - Aula 6 Professora: Mazé Bechara Aula 6 Bases da Mecânica quânica e equações de Schroedinger. Aplicação e inerpreações. 1. Ouros posulados da inerpreação de Max-Born para

Leia mais

4 O Papel das Reservas no Custo da Crise

4 O Papel das Reservas no Custo da Crise 4 O Papel das Reservas no Cuso da Crise Nese capíulo buscamos analisar empiricamene o papel das reservas em miigar o cuso da crise uma vez que esa ocorre. Acrediamos que o produo seja a variável ideal

Leia mais

GRUPO XIII GRUPO DE ESTUDO DE INTERFERÊNCIAS, COMPATIBILIDADE ELETROMAGNÉTICA E QUALIDADE DE ENERGIA - GCQ

GRUPO XIII GRUPO DE ESTUDO DE INTERFERÊNCIAS, COMPATIBILIDADE ELETROMAGNÉTICA E QUALIDADE DE ENERGIA - GCQ SNPTEE SEMINÁRIO NACIONAL DE PRODUÇÃO E TRANSMISSÃO DE ENERGIA ELÉTRICA GCQ - 11 16 a 21 Ouubro de 2005 Curiiba - Paraná GRUPO XIII GRUPO DE ESTUDO DE INTERFERÊNCIAS, COMPATIBILIDADE ELETROMAGNÉTICA E

Leia mais

4 Modelagem e metodologia de pesquisa

4 Modelagem e metodologia de pesquisa 4 Modelagem e meodologia de pesquisa Nese capíulo será apresenada a meodologia adoada nese rabalho para a aplicação e desenvolvimeno de um modelo de programação maemáica linear misa, onde a função-objeivo,

Leia mais

*UiILFRGH&RQWUROH(:0$

*UiILFRGH&RQWUROH(:0$ *UiILFRGH&RQWUROH(:$ A EWMA (de ([SRQHQWLDOO\:HLJKWHGRYLQJ$YHUDJH) é uma esaísica usada para vários fins: é largamene usada em méodos de esimação e previsão de séries emporais, e é uilizada em gráficos

Leia mais

Capítulo 5: Introdução às Séries Temporais e aos Modelos ARIMA

Capítulo 5: Introdução às Séries Temporais e aos Modelos ARIMA 0 Capíulo 5: Inrodução às Séries emporais e aos odelos ARIA Nese capíulo faremos uma inrodução às séries emporais. O nosso objeivo aqui é puramene operacional e esaremos mais preocupados com as definições

Leia mais

Desenvolvimento de um sistema instrumentado para ensaios de filtração em batelada

Desenvolvimento de um sistema instrumentado para ensaios de filtração em batelada Desenvolvimeno de um sisema insrumenado para ensaios de ilração em baelada Pedro Tersiguel de Oliveira Bolsisa de Iniciação Cieníica, Engenharia ecânica, UFRJ Claudio L. Schneider Orienador, Engenheiro

Leia mais

Circuitos Elétricos I EEL420

Circuitos Elétricos I EEL420 Universidade Federal do Rio de Janeiro Circuios Eléricos I EEL420 Coneúdo 1 - Circuios de primeira ordem...1 1.1 - Equação diferencial ordinária de primeira ordem...1 1.1.1 - Caso linear, homogênea, com

Leia mais

Jovens no mercado de trabalho formal brasileiro: o que há de novo no ingresso dos ocupados? 1

Jovens no mercado de trabalho formal brasileiro: o que há de novo no ingresso dos ocupados? 1 Jovens no mercado de rabalho formal brasileiro: o que há de novo no ingresso dos ocupados? 1 Luís Abel da Silva Filho 2 Fábio José Ferreira da Silva 3 Silvana Nunes de Queiroz 4 Resumo: Nos anos 1990,

Leia mais

5 Metodologia Probabilística de Estimativa de Reservas Considerando o Efeito-Preço

5 Metodologia Probabilística de Estimativa de Reservas Considerando o Efeito-Preço 5 Meodologia Probabilísica de Esimaiva de Reservas Considerando o Efeio-Preço O principal objeivo desa pesquisa é propor uma meodologia de esimaiva de reservas que siga uma abordagem probabilísica e que

Leia mais

Aplicações à Teoria da Confiabilidade

Aplicações à Teoria da Confiabilidade Aplicações à Teoria da ESQUEMA DO CAPÍTULO 11.1 CONCEITOS FUNDAMENTAIS 11.2 A LEI DE FALHA NORMAL 11.3 A LEI DE FALHA EXPONENCIAL 11.4 A LEI DE FALHA EXPONENCIAL E A DISTRIBUIÇÃO DE POISSON 11.5 A LEI

Leia mais

Danilo Perretti Trofimoff EXPOSIÇÃO CAMBIAL ASSIMÉTRICA: EVIDÊNCIA SOBRE O BRASIL

Danilo Perretti Trofimoff EXPOSIÇÃO CAMBIAL ASSIMÉTRICA: EVIDÊNCIA SOBRE O BRASIL FACULDADE IBMEC SÃO PAULO Programa de Mesrado Profissional em Economia Danilo Perrei Trofimoff EXPOSIÇÃO CAMBIAL ASSIMÉTRICA: EVIDÊNCIA SOBRE O BRASIL São Paulo 2008 1 Livros Gráis hp://www.livrosgrais.com.br

Leia mais

Resumo. Sinais e Sistemas Sinais e Sistemas. Sinal em Tempo Contínuo. Sinal Acústico

Resumo. Sinais e Sistemas Sinais e Sistemas. Sinal em Tempo Contínuo. Sinal Acústico Resumo Sinais e Sisemas Sinais e Sisemas lco@is.ul.p Sinais de empo conínuo e discreo Transformações da variável independene Sinais básicos: impulso, escalão e exponencial. Sisemas conínuos e discreos

Leia mais

CINÉTICA QUÍMICA LEI DE VELOCIDADE - TEORIA

CINÉTICA QUÍMICA LEI DE VELOCIDADE - TEORIA CINÉTICA QUÍMICA LEI DE VELOCIDADE - TEORIA Inrodução Ese arigo raa de um dos assunos mais recorrenes nas provas do IME e do ITA nos úlimos anos, que é a Cinéica Química. Aqui raamos principalmene dos

Leia mais

AULA 22 PROCESSO DE TORNEAMENTO: CONDIÇÕES ECONÔMICAS DE USINAGEM

AULA 22 PROCESSO DE TORNEAMENTO: CONDIÇÕES ECONÔMICAS DE USINAGEM AULA 22 PROCESSO DE TORNEAMENTO: CONDIÇÕES ECONÔMICAS DE USINAGEM 163 22. PROCESSO DE TORNEAMENTO: CONDIÇÕES ECONÔMICAS DE USINAGEM 22.1. Inrodução Na Seção 9.2 foi falado sobre os Parâmeros de Core e

Leia mais

Lista de Exercícios nº 3 - Parte IV

Lista de Exercícios nº 3 - Parte IV DISCIPLINA: SE503 TEORIA MACROECONOMIA 01/09/011 Prof. João Basilio Pereima Neo E-mail: joaobasilio@ufpr.com.br Lisa de Exercícios nº 3 - Pare IV 1ª Quesão (...) ª Quesão Considere um modelo algébrico

Leia mais

Previsão de Demanda. Logística. Prof. Dr. Claudio Barbieri da Cunha

Previsão de Demanda. Logística. Prof. Dr. Claudio Barbieri da Cunha Previsão de Demanda Logísica Prof. Dr. Claudio Barbieri da Cunha Escola Poliécnica da Universidade de São Paulo Deparameno de Engenharia de Transpores março de 206 Previsão de Demanda Conhecer a demanda

Leia mais

METODOLOGIAS ALTERNATIVAS DE GERAÇÃO DE CENÁRIOS NA APURAÇÃO DO V@R DE INSTRUMETOS NACIONAIS. Alexandre Jorge Chaia 1 Fábio da Paz Ferreira 2

METODOLOGIAS ALTERNATIVAS DE GERAÇÃO DE CENÁRIOS NA APURAÇÃO DO V@R DE INSTRUMETOS NACIONAIS. Alexandre Jorge Chaia 1 Fábio da Paz Ferreira 2 IV SEMEAD METODOLOGIAS ALTERNATIVAS DE GERAÇÃO DE CENÁRIOS NA APURAÇÃO DO V@R DE INSTRUMETOS NACIONAIS Alexandre Jorge Chaia 1 Fábio da Paz Ferreira 2 RESUMO Uma das ferramenas de gesão do risco de mercado

Leia mais

Palavras-chave: Análise de Séries Temporais; HIV; AIDS; HUJBB.

Palavras-chave: Análise de Séries Temporais; HIV; AIDS; HUJBB. Análise de Séries Temporais de Pacienes com HIV/AIDS Inernados no Hospial Universiário João de Barros Barreo (HUJBB), da Região Meropoliana de Belém, Esado do Pará Gilzibene Marques da Silva ¹ Adrilayne

Leia mais

Função Exponencial 2013

Função Exponencial 2013 Função Exponencial 1 1. (Uerj 1) Um imóvel perde 6% do valor de venda a cada dois anos. O valor V() desse imóvel em anos pode ser obido por meio da fórmula a seguir, na qual V corresponde ao seu valor

Leia mais

Função de risco, h(t) 3. Função de risco ou taxa de falha. Como obter a função de risco. Condições para uma função ser função de risco

Função de risco, h(t) 3. Função de risco ou taxa de falha. Como obter a função de risco. Condições para uma função ser função de risco Função de risco, h() 3. Função de risco ou axa de falha Manuenção e Confiabilidade Prof. Flavio Fogliao Mais imporane das medidas de confiabilidade Traa-se da quanidade de risco associada a uma unidade

Leia mais

DETERMINANTES DA DEMANDA DE GASOLINA C NO ESTADO DE MINAS GERAIS, 2002 A 2010 1

DETERMINANTES DA DEMANDA DE GASOLINA C NO ESTADO DE MINAS GERAIS, 2002 A 2010 1 Rosangela Aparecida Soares Fernandes, Crisiane Marcia dos Sanos & Sarah Lorena Peixoo ISSN 1679-1614 DETERMINANTES DA DEMANDA DE GASOLINA C NO ESTADO DE MINAS GERAIS, 2002 A 2010 1 Rosangela Aparecida

Leia mais

Seção 5: Equações Lineares de 1 a Ordem

Seção 5: Equações Lineares de 1 a Ordem Seção 5: Equações Lineares de 1 a Ordem Definição. Uma EDO de 1 a ordem é dia linear se for da forma y + fx y = gx. 1 A EDO linear de 1 a ordem é uma equação do 1 o grau em y e em y. Qualquer dependência

Leia mais

Equações Simultâneas. Aula 16. Gujarati, 2011 Capítulos 18 a 20 Wooldridge, 2011 Capítulo 16

Equações Simultâneas. Aula 16. Gujarati, 2011 Capítulos 18 a 20 Wooldridge, 2011 Capítulo 16 Equações Simulâneas Aula 16 Gujarai, 011 Capíulos 18 a 0 Wooldridge, 011 Capíulo 16 Inrodução Durane boa pare do desenvolvimeno dos coneúdos desa disciplina, nós nos preocupamos apenas com modelos de regressão

Leia mais

Tópicos Especiais em Energia Elétrica (Projeto de Inversores e Conversores CC-CC)

Tópicos Especiais em Energia Elétrica (Projeto de Inversores e Conversores CC-CC) Deparameno de Engenharia Elérica Tópicos Especiais em Energia Elérica () ula 2.2 Projeo do Induor Prof. João mérico Vilela Projeo de Induores Definição do úcleo a Fig.1 pode ser observado o modelo de um

Leia mais

Física. Física Módulo 1

Física. Física Módulo 1 Física Módulo 1 Nesa aula... Movimeno em uma dimensão Aceleração e ouras coisinhas O cálculo de x() a parir de v() v( ) = dx( ) d e x( ) x v( ) d = A velocidade é obida derivando-se a posição em relação

Leia mais

EXAME DE ESTATÍSTICA AMBIENTAL 1ª Época (v1)

EXAME DE ESTATÍSTICA AMBIENTAL 1ª Época (v1) Nome: Aluno nº: Duração: horas LICENCIATURA EM CIÊNCIAS DE ENGENHARIA - ENGENHARIA DO AMBIENTE EXAME DE ESTATÍSTICA AMBIENTAL ª Época (v) I (7 valores) Na abela seguine apresena-se os valores das coordenadas

Leia mais

ESTUDO DE MODELOS DE SÉRIES TEMPORAIS PARA A DEMANDA DE PRODUÇÃO DE CIMENTO

ESTUDO DE MODELOS DE SÉRIES TEMPORAIS PARA A DEMANDA DE PRODUÇÃO DE CIMENTO ESTUDO DE MODELOS DE SÉRIES TEMPORAIS PARA A DEMANDA DE PRODUÇÃO DE CIMENTO Nagila Raquel Marins Gomes; Célia Mendes Carvalho Lopes Engenharia de Produção, Escola de Engenharia, Universidade Presbieriana

Leia mais

NOTA TÉCNICA. Nota Sobre Evolução da Produtividade no Brasil. Fernando de Holanda Barbosa Filho

NOTA TÉCNICA. Nota Sobre Evolução da Produtividade no Brasil. Fernando de Holanda Barbosa Filho NOTA TÉCNICA Noa Sobre Evolução da Produividade no Brasil Fernando de Holanda Barbosa Filho Fevereiro de 2014 1 Essa noa calcula a evolução da produividade no Brasil enre 2002 e 2013. Para ano uiliza duas

Leia mais

Movimento unidimensional 25 MOVIMENTO UNIDIMENSIONAL

Movimento unidimensional 25 MOVIMENTO UNIDIMENSIONAL Movimeno unidimensional 5 MOVIMENTO UNIDIMENSIONAL. Inrodução Denre os vários movimenos que iremos esudar, o movimeno unidimensional é o mais simples, já que odas as grandezas veoriais que descrevem o

Leia mais

Experiência IV (aulas 06 e 07) Queda livre

Experiência IV (aulas 06 e 07) Queda livre Experiência IV (aulas 06 e 07) Queda livre 1. Objeivos. Inrodução 3. Procedimeno experimenal 4. Análise de dados 5. Quesões 6. Referências 1. Objeivos Nesa experiência, esudaremos o movimeno da queda de

Leia mais

UMA APLICAÇÃO DO TESTE DE RAIZ UNITÁRIA PARA DADOS EM SÉRIES TEMPORAIS DO CONSUMO AGREGADO DAS FAMÍLIAS BRASILEIRAS

UMA APLICAÇÃO DO TESTE DE RAIZ UNITÁRIA PARA DADOS EM SÉRIES TEMPORAIS DO CONSUMO AGREGADO DAS FAMÍLIAS BRASILEIRAS UMA APLICAÇÃO DO TESTE DE RAIZ UNITÁRIA PARA DADOS EM SÉRIES TEMPORAIS DO CONSUMO AGREGADO DAS FAMÍLIAS BRASILEIRAS VIEIRA, Douglas Tadeu. TCC, Ciências Econômicas, Fecilcam, vieira.douglas@gmail.com PONTILI,

Leia mais

CRESCIMENTO ECONÔMICO E CONCENTRAÇÃO DE RENDA: SEUS EFEITOS NA POBREZA NO BRASIL

CRESCIMENTO ECONÔMICO E CONCENTRAÇÃO DE RENDA: SEUS EFEITOS NA POBREZA NO BRASIL SÉRIES WORKING PAPER BNDES/ANPEC PROGRAMA DE FOMENTO À PESQUISA EM DESENVOLVIMENTO ECONÔMICO - PDE CRESCIMENTO ECONÔMICO E CONCENTRAÇÃO DE RENDA: SEUS EFEITOS NA POBREZA NO BRASIL Emerson Marinho UFC/CAEN

Leia mais

DEMANDA BRASILEIRA DE CANA DE AÇÚCAR, AÇÚCAR E ETANOL REVISITADA

DEMANDA BRASILEIRA DE CANA DE AÇÚCAR, AÇÚCAR E ETANOL REVISITADA XXX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO Mauridade e desafios da Engenharia de Produção: compeiividade das empresas, condições de rabalho, meio ambiene. São Carlos, SP, Brasil, 12 a15 de ouubro

Leia mais

O EFEITO DIA DO VENCIMENTO DE OPÇÕES NA BOVESPA 1

O EFEITO DIA DO VENCIMENTO DE OPÇÕES NA BOVESPA 1 O EFEITO DIA DO VENCIMENTO DE OPÇÕES NA BOVESPA 1 Paulo J. Körbes 2 Marcelo Marins Paganoi 3 RESUMO O objeivo dese esudo foi verificar se exise influência de evenos de vencimeno de conraos de opções sobre

Leia mais

3 LTC Load Tap Change

3 LTC Load Tap Change 54 3 LTC Load Tap Change 3. Inrodução Taps ou apes (ermo em poruguês) de ransformadores são recursos largamene uilizados na operação do sisema elérico, sejam eles de ransmissão, subransmissão e disribuição.

Leia mais

Prof. Carlos H. C. Ribeiro ramal 5895 sala 106 IEC

Prof. Carlos H. C. Ribeiro  ramal 5895 sala 106 IEC MB770 Previsão usa ando modelos maemáicos Prof. Carlos H. C. Ribeiro carlos@comp.ia.br www.comp.ia.br/~carlos ramal 5895 sala 106 IEC Aula 14 Modelos de defasagem disribuída Modelos de auo-regressão Esacionariedade

Leia mais

Exercícios Sobre Oscilações, Bifurcações e Caos

Exercícios Sobre Oscilações, Bifurcações e Caos Exercícios Sobre Oscilações, Bifurcações e Caos Os ponos de equilíbrio de um modelo esão localizados onde o gráfico de + versus cora a rea definida pela equação +, cuja inclinação é (pois forma um ângulo

Leia mais

TAXA DE CÂMBIO E PREÇOS DE EXPORTAÇÃO DA CARNE DE FRANGO EM

TAXA DE CÂMBIO E PREÇOS DE EXPORTAÇÃO DA CARNE DE FRANGO EM TAXA DE CÂMBIO E PREÇOS DE EXPORTAÇÃO DA CARNE DE FRANGO EM Área Temáica: 9. Méodos Quaniaivos Resumo SANTA CATARINA Eliane Pinheiro de Sousa 1 Airon Lopes Amorim 2 Daniel Arruda Coronel 3 Ese arigo buscou

Leia mais

MATEMÁTICA APLICADA AO PLANEJAMENTO DA PRODUÇÃO E LOGÍSTICA. Silvio A. de Araujo Socorro Rangel

MATEMÁTICA APLICADA AO PLANEJAMENTO DA PRODUÇÃO E LOGÍSTICA. Silvio A. de Araujo Socorro Rangel MAEMÁICA APLICADA AO PLANEJAMENO DA PRODUÇÃO E LOGÍSICA Silvio A. de Araujo Socorro Rangel saraujo@ibilce.unesp.br, socorro@ibilce.unesp.br Apoio Financeiro: PROGRAMA Inrodução 1. Modelagem maemáica: conceios

Leia mais

Aplicação de Séries Temporais na Série Teor de Umidade da Areia de Fundição da Indústria FUNDIMISA*

Aplicação de Séries Temporais na Série Teor de Umidade da Areia de Fundição da Indústria FUNDIMISA* XII SIMPEP, Bauru, SP, Brasil, 7 a 9 de novembro de 25 Aplicação de Séries Temporais na Série Teor de Umidade da Areia de Fundição da Indúsria FUNDIMISA* Suzana Russo (URI - UALG) jss@urisan.che.br Paulo

Leia mais

Introdução às Medidas em Física

Introdução às Medidas em Física Inrodução às Medidas em Física 43152 Elisabeh Maeus Yoshimura emaeus@if.usp.br Bloco F Conjuno Alessandro Vola sl 18 agradecimenos a Nemiala Added por vários slides Conceios Básicos Lei Zero da Termodinâmica

Leia mais

Notas Técnicas do Banco Central do Brasil

Notas Técnicas do Banco Central do Brasil ISSN 1519-7212 Noas Técnicas do Banco Cenral do Brasil Número 25 Julho de 2002 Há Razões para Duvidar de Que a Dívida Pública no Brasil é Susenável? Ilan Goldfajn ISSN 1519-7212 CGC 00.038.166/0001-05

Leia mais

Expectativas, consumo e investimento CAPÍTULO 16. Olivier Blanchard Pearson Education Pearson Education Macroeconomia, 4/e Olivier Blanchard

Expectativas, consumo e investimento CAPÍTULO 16. Olivier Blanchard Pearson Education Pearson Education Macroeconomia, 4/e Olivier Blanchard Expecaivas, consumo e Olivier Blanchard Pearson Educaion CAPÍTULO 16 16.1 Consumo A eoria do consumo foi desenvolvida na década de 1950 por Milon Friedman, que a chamou de eoria do consumo da renda permanene,

Leia mais

Estudo comparativo de processo produtivo com esteira alimentadora em uma indústria de embalagens

Estudo comparativo de processo produtivo com esteira alimentadora em uma indústria de embalagens Esudo comparaivo de processo produivo com eseira alimenadora em uma indúsria de embalagens Ana Paula Aparecida Barboza (IMIH) anapbarboza@yahoo.com.br Leicia Neves de Almeida Gomes (IMIH) leyneves@homail.com

Leia mais

1 Pesquisador - Embrapa Semiárido. 2 Analista Embrapa Semiárido.

1 Pesquisador - Embrapa Semiárido.   2 Analista Embrapa Semiárido. XII Escola de Modelos de Regressão, Foraleza-CE, 13-16 Março 2011 Análise de modelos de previsão de preços de Uva Iália: uma aplicação do modelo SARIMA João Ricardo F. de Lima 1, Luciano Alves de Jesus

Leia mais

Confiabilidade e Taxa de Falhas

Confiabilidade e Taxa de Falhas Prof. Lorí Viali, Dr. hp://www.pucrs.br/fama/viali/ viali@pucrs.br Definição A confiabilidade é a probabilidade de que de um sisema, equipameno ou componene desempenhe a função para o qual foi projeado

Leia mais

Universidade Federal do Rio Grande do Sul Escola de Engenharia de Porto Alegre Departamento de Engenharia Elétrica ANÁLISE DE CIRCUITOS II - ENG04031

Universidade Federal do Rio Grande do Sul Escola de Engenharia de Porto Alegre Departamento de Engenharia Elétrica ANÁLISE DE CIRCUITOS II - ENG04031 Universidade Federal do io Grande do Sul Escola de Engenharia de Poro Alegre Deparameno de Engenharia Elérica ANÁLISE DE CICUITOS II - ENG43 Aula 5 - Condições Iniciais e Finais de Carga e Descarga em

Leia mais

DEMOGRAFIA. Assim, no processo de planeamento é muito importante conhecer a POPULAÇÃO porque:

DEMOGRAFIA. Assim, no processo de planeamento é muito importante conhecer a POPULAÇÃO porque: DEMOGRAFIA Fone: Ferreira, J. Anunes Demografia, CESUR, Lisboa Inrodução A imporância da demografia no planeameno regional e urbano O processo de planeameno em como fim úlimo fomenar uma organização das

Leia mais

ENGENHARIA ECONÔMICA AVANÇADA

ENGENHARIA ECONÔMICA AVANÇADA ENGENHARIA ECONÔMICA AVANÇADA TÓPICOS AVANÇADOS MATERIAL DE APOIO ÁLVARO GEHLEN DE LEÃO gehleao@pucrs.br 55 5 Avaliação Econômica de Projeos de Invesimeno Nas próximas seções serão apresenados os principais

Leia mais

Políticas anticíclicas na indústria automobilística: uma análise de co-integração dos impactos da redução do IPI sobre as vendas de veículos 1

Políticas anticíclicas na indústria automobilística: uma análise de co-integração dos impactos da redução do IPI sobre as vendas de veículos 1 Políicas anicíclicas na indúsria auomobilísica: uma análise de co-inegração dos impacos da redução do IPI sobre as vendas de veículos Gusavo Varela Alvarenga, Parick Franco Alves, Carolina Fernandes dos

Leia mais

APLICAÇÃO DE MODELAGEM NO CRESCIMENTO POPULACIONAL BRASILEIRO

APLICAÇÃO DE MODELAGEM NO CRESCIMENTO POPULACIONAL BRASILEIRO ALICAÇÃO DE MODELAGEM NO CRESCIMENTO OULACIONAL BRASILEIRO Adriano Luís Simonao (Faculdades Inegradas FAFIBE) Kenia Crisina Gallo (G- Faculdade de Ciências e Tecnologia de Birigüi/S) Resumo: Ese rabalho

Leia mais

Reestruturação e Emprego

Reestruturação e Emprego 5 Reesruuração e Emprego O Impaco da Aberura Comercial sobre o Emprego: 1990-1997 Maurício Mesquia Moreira Sheila Najberg Os auores agradecem a Armando Caselar pelos comenários, a Marcelo Ikeda pela inesimável

Leia mais

APLICABILIDADE DAS TÉCNICAS DE PREVISÃO PARA O PLANEJAMENTO DA DEMANDA DE SOBRESSALENTES DE UMA ORGANIZAÇÃO MILITAR PRESTADORA DE SERVIÇOS

APLICABILIDADE DAS TÉCNICAS DE PREVISÃO PARA O PLANEJAMENTO DA DEMANDA DE SOBRESSALENTES DE UMA ORGANIZAÇÃO MILITAR PRESTADORA DE SERVIÇOS APLICABILIDADE DAS TÉCNICAS DE PREVISÃO PARA O PLANEJAMENTO DA DEMANDA DE SOBRESSALENTES DE UMA ORGANIZAÇÃO MILITAR PRESTADORA DE SERVIÇOS Manoel Alexandre da Rosa Neo Disseração de Mesrado apresenada

Leia mais

O gráfico que é uma reta

O gráfico que é uma reta O gráfico que é uma rea A UUL AL A Agora que já conhecemos melhor o plano caresiano e o gráfico de algumas relações enre e, volemos ao eemplo da aula 8, onde = + e cujo gráfico é uma rea. Queremos saber

Leia mais

RONALDO NITO YAMAMOTO MODELO DE PREVISÃO DE DEMANDA EM UMA INDÚSTRIA ALIMENTÍCIA UTILIZANDO UM MÉTODO QUANTITATIVO

RONALDO NITO YAMAMOTO MODELO DE PREVISÃO DE DEMANDA EM UMA INDÚSTRIA ALIMENTÍCIA UTILIZANDO UM MÉTODO QUANTITATIVO RONALDO NITO YAMAMOTO MODELO DE PREVISÃO DE DEMANDA EM UMA INDÚSTRIA ALIMENTÍCIA UTILIZANDO UM MÉTODO QUANTITATIVO Trabalho de Formaura apresenado à Escola Poliécnica da Universidade de São Paulo para

Leia mais

UTILIZAÇÃO DO MÉTODO DE HOLT-WINTERS PARA PREVISÃO DO LEITE ENTREGUE ÀS INDÚSTRIAS CATARINENSES

UTILIZAÇÃO DO MÉTODO DE HOLT-WINTERS PARA PREVISÃO DO LEITE ENTREGUE ÀS INDÚSTRIAS CATARINENSES UTILIZAÇÃO DO MÉTODO DE HOLT-WINTERS PARA PREVISÃO DO LEITE ENTREGUE ÀS INDÚSTRIAS CATARINENSES Rober Wayne Samohyl Professor do Programa de Pós-Graduação em Engenharia de Produção e Sisemas UFSC. Florianópolis-SC.

Leia mais

OTIMIZAÇÃO ENERGÉTICA NA CETREL: DIAGNÓSTICO, IMPLEMENTAÇÃO E AVALIAÇÃO DE GANHOS

OTIMIZAÇÃO ENERGÉTICA NA CETREL: DIAGNÓSTICO, IMPLEMENTAÇÃO E AVALIAÇÃO DE GANHOS STC/ 08 17 à 22 de ouubro de 1999 Foz do Iguaçu Paraná - Brasil SESSÃO TÉCNICA ESPECIAL CONSERVAÇÃO DE ENERGIA ELÉTRICA (STC) OTIMIZAÇÃO ENERGÉTICA NA CETREL: DIAGNÓSTICO, IMPLEMENTAÇÃO E AVALIAÇÃO DE

Leia mais

A Economia Não Registada em Portugal

A Economia Não Registada em Portugal A Economia Não Regisada em Porugal por Nuno Miguel Vilarinho Gonçalves Tese de Mesrado em Economia Orienada por: Professor Douor Óscar Afonso 2010 Dedicado aos meus pais e à Deolinda. Agradecimenos Quero

Leia mais

Função definida por várias sentenças

Função definida por várias sentenças Ese caderno didáico em por objeivo o esudo de função definida por várias senenças. Nese maerial você erá disponível: Uma siuação que descreve várias senenças maemáicas que compõem a função. Diversas aividades

Leia mais

CAPÍTULO 9. y(t). y Medidor. Figura 9.1: Controlador Analógico

CAPÍTULO 9. y(t). y Medidor. Figura 9.1: Controlador Analógico 146 CAPÍULO 9 Inrodução ao Conrole Discreo 9.1 Inrodução Os sisemas de conrole esudados aé ese pono envolvem conroladores analógicos, que produzem sinais de conrole conínuos no empo a parir de sinais da

Leia mais

OBJETIVOS. Ao final desse grupo de slides os alunos deverão ser capazes de: Explicar a diferença entre regressão espúria e cointegração.

OBJETIVOS. Ao final desse grupo de slides os alunos deverão ser capazes de: Explicar a diferença entre regressão espúria e cointegração. Ao final desse grupo de slides os alunos deverão ser capazes de: OBJETIVOS Explicar a diferença enre regressão espúria e coinegração. Jusificar, por meio de ese de hipóeses, se um conjuno de séries emporais

Leia mais

4 Análise de Sensibilidade

4 Análise de Sensibilidade 4 Análise de Sensibilidade 4.1 Considerações Gerais Conforme viso no Capíulo 2, os algorimos uilizados nese rabalho necessiam das derivadas da função objeivo e das resrições em relação às variáveis de

Leia mais

UM MÉTODO RÁPIDO PARA ANÁLISE DO COMPORTAMENTO TÉRMICO DO ENROLAMENTO DO ESTATOR DE MOTORES DE INDUÇÃO TRIFÁSICOS DO TIPO GAIOLA

UM MÉTODO RÁPIDO PARA ANÁLISE DO COMPORTAMENTO TÉRMICO DO ENROLAMENTO DO ESTATOR DE MOTORES DE INDUÇÃO TRIFÁSICOS DO TIPO GAIOLA ART643-07 - CD 262-07 - PÁG.: 1 UM MÉTD RÁPID PARA ANÁLISE D CMPRTAMENT TÉRMIC D ENRLAMENT D ESTATR DE MTRES DE INDUÇÃ TRIFÁSICS D TIP GAILA 1 - RESUM Jocélio de Sá; João Robero Cogo; Hécor Arango. objeivo

Leia mais

Universidade do Estado do Rio de Janeiro Instituto de Matemática e Estatística Econometria

Universidade do Estado do Rio de Janeiro Instituto de Matemática e Estatística Econometria Universidade do Esado do Rio de Janeiro Insiuo de Maemáica e Esaísica Economeria Variável dummy Regressão linear por pares Tese de hipóeses simulâneas sobre coeficienes de regressão Tese de Chow professorjfmp@homail.com

Leia mais

CORREIOS. Prof. Sérgio Altenfelder

CORREIOS. Prof. Sérgio Altenfelder 15. Uma pessoa preende medir a alura de um edifício baseado no amanho de sua sombra projeada ao solo. Sabendo-se que a pessoa em 1,70m de alura e as sombras do edifício e da pessoa medem 20m e 20cm respecivamene,

Leia mais

Valor do Trabalho Realizado 16.

Valor do Trabalho Realizado 16. Anonio Vicorino Avila Anonio Edésio Jungles Planejameno e Conrole de Obras 16.2 Definições. 16.1 Objeivo. Valor do Trabalho Realizado 16. Parindo do conceio de Curva S, foi desenvolvida pelo Deparameno

Leia mais

CONSUMO DE BENS DURÁVEIS E POUPANÇA EM UMA NOVA TRAJETÓRIA DE COMPORTAMENTO DO CONSUMIDOR BRASILEIRO RESUMO

CONSUMO DE BENS DURÁVEIS E POUPANÇA EM UMA NOVA TRAJETÓRIA DE COMPORTAMENTO DO CONSUMIDOR BRASILEIRO RESUMO CONSUMO DE BENS DURÁVEIS E POUPANÇA EM UMA NOVA TRAJETÓRIA DE COMPORTAMENTO DO CONSUMIDOR BRASILEIRO VIVIANE SEDA BITTENCOURT (IBRE/FGV) E ANDREI GOMES SIMONASSI (CAEN/UFC) RESUMO O rabalho avalia a dinâmica

Leia mais

Porto Alegre, 14 de novembro de 2002

Porto Alegre, 14 de novembro de 2002 Poro Alegre, 14 de novembro de 2002 Aula 6 de Relaividade e Cosmologia Horácio Doori 1.12- O paradoo dos gêmeos 1.12.1- Sisemas Inerciais (observadores) com velocidades diversas vêem a disância emporal

Leia mais

Questão 1. Questão 3. Questão 2. alternativa B. alternativa E. alternativa C. Os números inteiros x e y satisfazem a equação

Questão 1. Questão 3. Questão 2. alternativa B. alternativa E. alternativa C. Os números inteiros x e y satisfazem a equação Quesão Os números ineiros x e y saisfazem a equação x x y y 5 5.Enãox y é: a) 8 b) 5 c) 9 d) 6 e) 7 alernaiva B x x y y 5 5 x ( ) 5 y (5 ) x y 7 x 6 y 5 5 5 Como x e y são ineiros, pelo Teorema Fundamenal

Leia mais

TRANSFORMADA DE FOURIER NOTAS DE AULA (CAP. 18 LIVRO DO NILSON)

TRANSFORMADA DE FOURIER NOTAS DE AULA (CAP. 18 LIVRO DO NILSON) TRANSFORMADA DE FOURIER NOTAS DE AULA (CAP. 8 LIVRO DO NILSON). CONSIDERAÇÕES INICIAIS SÉRIES DE FOURIER: descrevem funções periódicas no domínio da freqüência (ampliude e fase). TRANSFORMADA DE FOURIER:

Leia mais

3 O impacto de choques externos sobre a inflação e o produto dos países em desenvolvimento: o grau de abertura comercial importa?

3 O impacto de choques externos sobre a inflação e o produto dos países em desenvolvimento: o grau de abertura comercial importa? 3 O impaco de choques exernos sobre a inflação e o produo dos países em desenvolvimeno: o grau de aberura comercial impora? 3.1.Inrodução Todas as economias esão sujeias a choques exernos. Enreano, a presença

Leia mais

Econometria Semestre

Econometria Semestre Economeria Semesre 00.0 6 6 CAPÍTULO ECONOMETRIA DE SÉRIES TEMPORAIS CONCEITOS BÁSICOS.. ALGUMAS SÉRIES TEMPORAIS BRASILEIRAS Nesa seção apresenamos algumas séries econômicas, semelhanes às exibidas por

Leia mais

Estudo comparativo do fluxo de caminhões nos portos de Uruguaiana e Foz do Iguaçu

Estudo comparativo do fluxo de caminhões nos portos de Uruguaiana e Foz do Iguaçu XIII SIMPEP - Bauru, SP, Brasil, 6 a 8 de novembro de 26. Esudo comparaivo do fluxo de caminhões nos poros de Uruguaiana e Foz do Iguaçu Suzana Leião Russo (URI) jss@urisan.che.br Ivan Gomes Jardim (URI)

Leia mais

3 A Formação de Preços dos Futuros Agropecuários

3 A Formação de Preços dos Futuros Agropecuários 3 A ormação de Preços dos uuros Agropecuários Para avaliar a formação de preços nos mercados fuuros agropecuários é necessária uma base de comparação Para al base, esa disseração usa os preços que, em

Leia mais

5.3 Escalonamento FCFS (First-Come, First Served)

5.3 Escalonamento FCFS (First-Come, First Served) c prof. Carlos Maziero Escalonameno FCFS (Firs-Come, Firs Served) 26 5.3 Escalonameno FCFS (Firs-Come, Firs Served) A forma de escalonameno mais elemenar consise em simplesmene aender as arefas em sequência,

Leia mais

Estrutura a Termo da Taxa de Juros e Dinâmica Macroeconômica no Brasil*

Estrutura a Termo da Taxa de Juros e Dinâmica Macroeconômica no Brasil* REVISTA DO BNDES, RIO DE JANEIRO, V. 15, N. 30, P. 303-345, DEZ. 2008 303 Esruura a Termo da Taxa de Juros e Dinâmica Macroeconômica no Brasil* SAMER SHOUSHA** RESUMO Exise uma relação muio próxima enre

Leia mais

12 Integral Indefinida

12 Integral Indefinida Inegral Indefinida Em muios problemas, a derivada de uma função é conhecida e o objeivo é enconrar a própria função. Por eemplo, se a aa de crescimeno de uma deerminada população é conhecida, pode-se desejar

Leia mais

Capítulo 2: Conceitos Fundamentais sobre Circuitos Elétricos

Capítulo 2: Conceitos Fundamentais sobre Circuitos Elétricos SETOR DE TECNOLOGIA DEPARTAMENTO DE ENGENHARIA ELÉTRICA TE041 Circuios Eléricos I Prof. Ewaldo L. M. Mehl Capíulo 2: Conceios Fundamenais sobre Circuios Eléricos 2.1. CARGA ELÉTRICA E CORRENTE ELÉTRICA

Leia mais

F B d E) F A. Considere:

F B d E) F A. Considere: 5. Dois corpos, e B, de massas m e m, respecivamene, enconram-se num deerminado insane separados por uma disância d em uma região do espaço em que a ineração ocorre apenas enre eles. onsidere F o módulo

Leia mais

4 Cenários de estresse

4 Cenários de estresse 4 Cenários de esresse Os cenários de esresse são simulações para avaliar a adequação de capial ao limie de Basiléia numa deerminada daa. Sua finalidade é medir a capacidade de o PR das insiuições bancárias

Leia mais

VALOR DA PRODUÇÃO DE CACAU E ANÁLISE DOS FATORES RESPONSÁVEIS PELA SUA VARIAÇÃO NO ESTADO DA BAHIA. Antônio Carlos de Araújo

VALOR DA PRODUÇÃO DE CACAU E ANÁLISE DOS FATORES RESPONSÁVEIS PELA SUA VARIAÇÃO NO ESTADO DA BAHIA. Antônio Carlos de Araújo 1 VALOR DA PRODUÇÃO DE CACAU E ANÁLISE DOS FATORES RESPONSÁVEIS PELA SUA VARIAÇÃO NO ESTADO DA BAHIA Anônio Carlos de Araújo CPF: 003.261.865-49 Cenro de Pesquisas do Cacau CEPLAC/CEPEC Faculdade de Tecnologia

Leia mais

Boom nas vendas de autoveículos via crédito farto, preços baixos e confiança em alta: o caso de um ciclo?

Boom nas vendas de autoveículos via crédito farto, preços baixos e confiança em alta: o caso de um ciclo? Boom nas vendas de auoveículos via crédio faro, preços baixos e confiança em ala: o caso de um ciclo? Fábio Auguso Reis Gomes * Fabio Maciel Ramos ** RESUMO - A proposa dese rabalho é conribuir para o

Leia mais

O gráfico que é uma reta

O gráfico que é uma reta O gráfico que é uma rea A UUL AL A Agora que já conhecemos melhor o plano caresiano e o gráfico de algumas relações enre e, volemos ao eemplo da aula 8, onde = + e cujo gráfico é uma rea. Queremos saber

Leia mais