ANAIS PREVISÃO DE DEMANDA. ESTUDO EM UMA AGROINDÚSTRIA DO OESTE DE SANTA CATARINA
|
|
- Ivan Caldas Castro
- 7 Há anos
- Visualizações:
Transcrição
1 PREVISÃO DE DEMANDA. ESTUDO EM UMA AGROINDÚSTRIA DO OESTE DE SANTA CATARINA ANTONIO ZANIN ( zanin@unochapeco.edu.br, zanin9@gmail.com ) UNIVERSIDADE COMUNITÁRIA REGIONAL DE CHAPECÓ - UNOCHAPECÓ MOACIR FRANCISCO DEIMLING ( moacir@unochapeco.edu.br, moacir.deimling@gmail.com ) UNIVERSIDADE COMUNITÁRIA DA REGIÃO DE CHAPECÓ - UNOCHAPECÓ MARCIO DA PAIXÃO RODRIGUES ( mpr@unochapeco.edu.br ) UNIVERSIDADE COMINITÁRIA DA REGIÃO DE CHAPECÓ - UNOCHAPECÓ Resumo: O objetivo deste trabalho foi analisar uma prospecção do volume de vendas do segmento de aves de uma empresa do ramo agroindustrial. Para tanto, utilizou-se uma comparação dos modelos de tendência ajustados pelo método de mínimos quadrados ordinários com os modelos de suavização exponencial de Holt e Winters. Os modelos foram estimados considerando uma amostra de 114 observações, que vai de jan/2000 a jun/2009. Para efeitos de previsão, foram comparados os valores previstos de cada modelo com os valores efetivamente observados durante os meses de julho a dezembro do ano de Palavras-chave: Previsão de demanda; séries temporais; suavização exponencial. 1 INTRODUÇÃO Prever o futuro é uma atividade que há muito vêm despertando o interesse de pessoas e organizações, principalmente na atual conjectura empresarial, marcada pela alta competitividade. Conforme Santos et. al. (2002), uma grande variedade de métodos e técnicas de previsão, especialmente aquelas conhecidas como forecasting, foram desenvolvidas a partir da década de 1950, objetivando formalizar procedimentos para estudos sistemáticos das tendências e fatos futuros. Segundo Morettin; Toloi (1987), modelos para previsão de demanda são elaboradas utilizando: (i) métodos quantitativos, (ii), métodos qualitativos, ou (iii) combinações de métodos quantitativos e qualitativos. Métodos qualitativos baseiam-se em opiniões de especialistas, os quais fundamentam se no julgamento de executivos, apreciação do pessoal de vendas e expectativas dos consumidores. Como diferentes indivíduos apresentam preferências distintas, esses métodos são vulneráveis a tendências que podem comprometer a confiabilidade de seus resultados. Em relação aos métodos quantitativos, a estatística e a econometria tem a capacidade de obter, analisar, utilizar e interpretar dados, das mais diversas naturezas e de elaborar modelos de suporte à tomada de decisão. Servindo-se da informação disponível, elaboram modelos que permitem explicar o passado e, na medida do possível, antever o futuro, ajudando, deste modo, os agentes de decisão a tomar as opções que melhor se adaptam aos objetivos desejados. A análise de tendências segundo Johnston (1976), em geral, utiliza técnicas matemáticas e estatísticas para extrapolar séries temporais para o futuro. Coleta-se informação sobre uma variável ao longo do tempo e, em seguida, essa informação é extrapolada para um 1/13
2 ponto no futuro. Esse processo deve ser repetido até que os resultados previstos para o planejamento sejam satisfatórios. De acordo com Padoveze (2005), as vendas de uma empresa ao longo do tempo confrontada com a evolução econômica do país em igual período, podem gerar uma dependência entre estas variáveis, confirmadas através de instrumental de análise quantitativo como, análise de tendências, regressão linear e análise de correlação. A natureza dinâmica e a característica extremamente não linear dos dados econômicos restringem o uso das análises clássicas que utilizam séries temporais para previsões em economia, quando se exigem inferência de complexas relações não lineares entre variáveis de entrada e de saída. Diante do exposto, o presente trabalho tem como objetivo analisar e realizar prospecção do volume de vendas do segmento de aves de uma empresa do ramo agroindustrial. Para tanto, utiliza-se uma comparação dos modelos de tendência ajustados pelo método de mínimos quadrados ordinários com os modelos de suavização exponencial de Holt e Winters. 2. REVISÃO TEÓRICA Previsões de demanda têm um forte impacto sobre as atividades da empresa, afetando esta de várias formas, como volumes de produção, determinação dos custos e preços e alocação dos mais variados recursos. Para uma maximização dos resultados, quanto mais precisa a informação, melhor será a decisão tomada. De acordo com Dias (2004), uma vez que existe uma diferença entre o fornecimento e a demanda, e que existe uma diferença de tempo entre o início da produção de um produto e sua disponibilização aos consumidores, as empresas devem recorrer à previsão de demanda para antecipar o comportamento do mercado e permitir que seus consumidores encontrem seus produtos no momento em que desejarem. Para Moreira (2004) uma grande e importante base comum a todo planejamento é a previsão da demanda. È necessário saber quanto a empresa planeja vender de seus produtos ou serviços no futuro, pois essa expectativa é o ponto de partida, direto ou indireto, para praticamente todas as decisões. Segundo Corrêa e Corrêa, (2004), Previsões são estimativas de como se vai comportar o mercado demandante no futuro, são especulações sobre o potencial de compra do mercado. Metas são parcelas desse potencial de compra do mercado, a que a empresa deseja atender. As previsões de vendas envolvem diversos fatores que se não levados em consideração, podem fazer com que a margem de erro da previsão seja maior, pois toda previsão tem uma margem de erro, porém, ela pode ser relativamente minimizada se utilizados os procedimentos mais adequados ou corretos. [...] todas as previsões são erradas. A diferença entre uma boa previsão e uma má previsão estaria, simplesmente, na extensão dos seus erros. (PENTEADO FILHO, 1984, p.17). Diversas técnicas e metodologias de pesquisa têm sido usadas com o intuito de realizar prospecções ambientais e de futuro, entre elas são as mais encontradas na literatura disponível: opinião de especialistas, extrapolação de tendências; cenários alternados; cenários simples; simulação de modelos; Brainstorming; modelos causais; projeções Delphi; análise de impactos cruzados; análise de inputs e outputs; previsões exponenciais; monitoramento de sinais; árvore de relevância; análise morfológica. Levine et al (2000), resume basicamente dois métodos de previsão: o qualitativo e o quantitativo. Os métodos qualitativos são importantes quando os dados históricos são indisponíveis, por exemplo: prever dados de venda de um novo produto. Este método tem 2/13
3 como objetivo estudar acontecimentos passados através de uma estrutura básica de dados, e fornecer meios para a previsão futura. Os métodos de previsão quantitativos são divididos em dois tipos: a) Série causal: que envolve a determinação dos fatores que se relacionam com a variável a ser prevista entre eles; análise de regressão múltipla com variáveis observadas no passado; a modelagem econométrica; análise do indicador principal e outros indicadores econômicos. b) Série temporal que envolve valores futuros de uma variável com base em observações presentes e futuras desta variável. Métodos qualitativos de previsão, geralmente são realizados com especialistas que estabelecem as variáveis e indicadores críticos e avaliam os eventos prováveis, havendo o aperfeiçoamento das hipóteses e julgamentos após cada fase (busca do cenário mais provável); cenários múltiplos - construção de imagens de futuros alternativos, cada um com consistência interna e tendo relevância, além de certa probabilidade de ocorrência. Segundo Hill et. al. (1999, p.3): Para a maioria dos problemas de decisão ou escolha econômica, não basta sabermos que determinadas variáveis econômicas estão inter-relacionadas. Precisamos também saber a direção dos relacionamentos e as ordens da grandeza em jogo. Isto é, devemos ser capazes de responder a pergunta quanto ou, pelo menos, dizer alguma coisa sobre a probabilidade de quanto. Rattner (1979), propõe uma divisão nas técnicas de previsão quantitativas e qualitativas. Nas técnicas quantitativas, por sua vez, distingue as de análise e projeção de série temporal e os métodos causais. Para Hill et al (1999), são inúmeras as aplicações de previsão dentro de uma empresa. A operacionalização satisfatória de estratégias de planejamento e controle da produção, por exemplo, está fortemente associada à existência de um sistema eficiente de previsão de demanda. Outros exemplos, como a definição de políticas de expansão, ou redução da capacidade produtiva, associadas ao planejamento estratégico da empresa, também podem ser facilmente encontrados na literatura. Uma série temporal é uma coleção de observações feitas seqüencialmente ao longo do tempo. A característica mais importante deste tipo de dados é que as observações vizinhas são dependentes e há o interesse em analisar e modelar esta dependência. Enquanto em modelos de regressão, a ordem das observações é irrelevante para a análise, em séries temporais a ordem dos dados é crucial (MORETTIN; TOLOI, 1987). Vale notar também que o tempo pode ser substituído por outra variável como espaço, profundidade, etc. Como a maior parte dos procedimentos estatísticos foi desenvolvida para analisar observações independentes, o estudo de séries temporais requer o uso de técnicas específicas. Para Pindyck; Rubinfeld (2004, p. 3) série temporal é definida como: Os dados que resultam da medição de variáveis podem vir de inúmeras fontes e de várias formas. Dados que descrevem o movimento de uma variável ao longo do tempo são chamadas séries temporais, as quais podem ser diárias, semanais, mensais, trimestrais ou anuais. Numa época em que quase todas as organizações registram e guardam os seus dados de operação, a análise de Séries Temporais, começa a ter um importante papel na definição de metodologias de ação dentro das organizações. Muitas vezes, servindo também como instrumento de análise e avaliação de medidas tomadas, principalmente em relação a previsões futuras. 3. METODOLOGIA 3/13
4 Para analisar o comportamento do volume de vendas do segmento de aves, bem como, realizar projeções, utilizou-se a classe dos modelos de tendência ajustados pelo método de mínimos quadrados ordinários e os modelos de suavização exponencial de Holt e Winters. A amostra de dados coletada na empresa abrangeu o período de jan/2000 a dez/2009. Contudo, os modelos foram estimados com apenas 114 observações que compreendem o período de jan/2000 a jun/2009. Optou-se por retirar da amostra os seis últimos meses, julho a dezembro de 2009 para servir de comparação com os valores previstos de cada modelo estimado. Desta forma foi possível calcular a estatística MAD Mean Absolute Deviation para medir o erro residual, ou seja, a dispersão dos dados em torno das vendas observadas. Portanto, o horizonte de previsão refere-se a seis passos à frente, que vai de julho a dezembro de Para Levine et. al. (2000, p. 667), para um determinado modelo, o MAD é a medida relativa à média das discrepâncias absolutas, entre os valores verdadeiros e os valores ajustados em uma dada série temporal. Para estimar os modelos propostos, utilizou-se os programas Minitab, NCSS e Excel. Os dados do volume de vendas foram fornecidos pelo setor de controladoria da empresa estudada. A série histórica refere-se às vendas direcionadas ao mercado interno durante os anos 2000 a 2009 e foi disponibilizada tanto em quantidade quanto em reais. Contudo, para efeitos de previsão optou-se por utilizar a quantidade vendida por ser menos volátil em relação ao volume de vendas em Reais (R$) e por ser mais interessante para o planejamento da produção da empresa. 4. RESULTADOS EMPÍRICOS Nesta seção será analisada a evolução das vendas da empresa ao longo do tempo e os modelos utilizados para previsão. O método de previsão é baseado em séries temporais e divide-se em duas classes de modelos: modelos de tendência ajustados pelo método de mínimos quadrados ordinários (MQO) e modelos de suavização exponencial. O gráfico 1 mostra a evolução do volume de vendas de frango da empresa durante jan/2000 a dez/2009. Verifica-se claramente uma tendência de crescimento e um componente de sazonalidade ao longo do tempo. Apesar dos picos de altas e baixas nas vendas, durante jan/2000 a dez/2009 o volume de quantidade vendida cresceu 112% refletindo uma mudança no nível da série ao longo do tempo T i m e S e r i e s P l o t o f Q u a n t Quant M o n th Y e a r Gráfico 1 Evolução das vendas da empresa, jan/2000 a dez/2009. Nas duas próximas seções serão apresentados os modelos de previsão utilizados no presente trabalho, quais sejam: modelo de tendência linear; tendência quadrática; tendência 4/13
5 exponencial; tendência logarítmica; tendência autorregressivo e modelos de suavização exponencial. 4.1 Modelos de tendência ajustados pelo método de Mínimos Quadrados Ordinários (MQO) Todos os modelos de tendência foram estimados utilizando-se a técnica de análise regressão e o método de mínimos quadrados ordinários (MQO), a partir de uma amostra de 114 observações, durante o período de jan/2000 a jun/2009. Para cada modelo apresentam-se os parâmetros estimados juntamente com sua significância estatística Modelo de tendência linear O Gráfico 2 mostra o ajustamento do modelo linear aos dados de vendas da empresa entre jan/2000 a jun/2009. A reta estimada representa o ajustamento de mínimos quadrados ordinários que minimiza a soma dos resíduos ao quadrado, ou seja, em termos lineares está é considerada a melhor reta para ajustar os dados de vendas da empresa. Apesar de o modelo acompanhar bem o ajustamento em termos de tendência, ele revela uma fragilidade importante que é justamente considerar que as vendas seguirão uma tendência linear crescente ao longo do tempo, com taxas de crescimento constantes. s a d n e v , , , , ,00 - y = ,67 x ,93-20,00 40,00 60,00 80,00 100,00 120,00 tempo Gráfico 2 Evolução das vendas e ajustamento via modelo linear Fonte: elaborados pelos autores A Tabela 1 mostra as estimativas e os testes de significância do modelo linear. Verifica-se um alto valor do teste t, indicando através do Valo-P que os coeficientes do modelo são estatisticamente significantes a partir de uma margem de erro de 1%. Em termos gerais a estatística do coeficiente de determinação (R2) mostra que o ajustamento linear explica 69,94% dos movimentos das vendas da empresa no período considerado. Tabela 1 Estimativas do modelo Linear Variáveis/Constante Coeficiente Erro padrão Test t Valor - P Intersecção , ,73 22,66 0,00 T , ,96 16,14 0,00 R Quadrado = 0,6994 F = 260,5746 5/13
6 4.1.2 Modelo Quadrático ANAIS No Gráfico 3, observa-se o ajustamento do modelo quadrático aos dados de vendas da empresa ao longo do tempo. Em termos gráficos, verifica-se que os dados deste modelo estão bem mais próximos da curva do que o modelo linear, indicando que o ajuste estatístico é bem melhor do que o anterior. Em termos comparativos, o modelo quadrático difere do modelo linear por ser um modelo de regressão múltipla com duas variáveis explicativas, a tendência e a tendência ao quadrado, enquanto que o modelo linear tem apenas a variável tendência , ,00 y = 1.239,55 x ,01 x , ,00 vendas , , ,00 40,00 60,00 80,00 100,00 120,00 tempo Gráfico 3 Evolução das vendas e ajustamento via modelo quadrático A Tabela 2 mostra as estimativas e os testes de significância do modelo quadrático. Verifica-se também um alto valor do teste t, indicando através do Valo-P que todos os coeficientes do modelo são estatisticamente significantes a partir de uma margem de erro de 1%. Em termos gerais a estatística do coeficiente de determinação (R2) mostra que o ajustamento linear explica 83,13% dos movimentos das vendas da empresa no período considerado. Tabelas 2 Estimativas do modelo quadrático Variáveis/Constante Coeficiente Erro padrão Test t Valor - P Intersecção , ,88 26,87 0,00 T2 (tendência) 1.239,55 132,97 9,32 0,00 T (58.576,01) ,82 (3,71) 0,00 R Quadrado = 0, F = 273, Modelo Exponencial O Gráfico 4 mostra o ajustamento do modelo exponencial aos dados de vendas da empresa durante jan/2000 a jun/2009. Graficamente, se verifica que os dados deste modelo, praticamente são iguais aos dados da curva do modelo linear. Assim como no modelo linear apesar de o modelo acompanha bem o ajustamento em termos de tendência, revela a mesma fragilidade, ou seja, também considera que as vendas seguirão uma tendência exponencial crescente ao longo do tempo. 6/13
7 , ,00 y = ,547 e 0,006 x ,00 vendas , , ,00 40,00 60,00 80,00 100,00 120,00 tempo Gráfico 4 Evolução das vendas e ajustamento via modelo exponencial A Tabela 3 mostra as estimativas e os testes de significância do modelo exponencial. Verifica-se um alto valor do teste t, indicando através do Valor P, que os coeficientes do modelo são estatisticamente significantes a partir de uma margem de erro de 1%. Em termos gerais a estatística do coeficiente de determinação(r2) mostra que o ajustamento linear explica 71,74% dos movimentos das vendas da empresa no período considerado. Tabela 3 Estimativas do modelo exponencial Variáveis/Constante Coeficiente Erro padrão Test t Valor - P Intersecção 15,9596 0, ,9485 0,0000 T 0,0063 0, ,8632 0,0000 R Quadrado = 0, F = 284,3676 Fonte: Elaborado pelo autor Modelo Logarítmico O Gráfico 5 mostra o ajustamento do modelo logarítmico aos dados de vendas da empresa ao longo do tempo. Em termos gráficos, verifica-se que os dados deste modelo estão bem mais afastados da curva do que todos os demais modelos, indicando deficiência em relação ao ajuste estatístico. Em termos comparativos, o modelo logarítmico diferencia-se dos demais modelos de regressão, por utilizar o logarítmico da variável dependente, frente as vendas. 7/13
8 , ,00 y = ,34 ln(x) , ,00 vendas , , ,00 40,00 60,00 80,00 100,00 120,00 tempo Gráfico 5 Evolução das vendas e ajustamento via modelo logarítmico A Tabela 4 mostra as estimativas e os testes de significância do modelo logarítmico. Verifica-se um alto valor do teste t, indicando através do Valor P, que os coeficientes do modelo são estatisticamente significantes a partir de uma margem de erro de 1%. Em termos gerais a estatística do coeficiente de determinação(r2) mostra que o ajustamento linear explica 40,24% dos movimentos das vendas da empresa no período considerado. Tabela 4 Estimativas do modelo logarítmico Variáveis/Constante Coeficiente Erro padrão Test t Valor - P Intersecção ,12 0,00 Ln T ,69 0,00 R Quadrado = 0, F = 75, Modelo autorregressivo de segunda ordem AR(2) Este modelo em geral apresenta bons ajustes quando a série de dados apresenta componentes cíclicos. O Gráfico 6 mostra o ajustamento do modelo autorregressivo de segunda ordem AR(2) a série de tempo de vendas da empresa. Em termos gráficos, verifica-se que a equação estimada gera valores previstos bem próximos dos valores observados das vendas, indicando um bom ajuste aos dados históricos. 8/13
9 , , ,00 vendas , , Meses/anos Vendas Previsto(a) Vendas Gráfico 6 Evolução das vendas e ajustamento via modelo autorregressivo AR(2) A Tabela 5 mostra as estimativas e os testes de significância do modelo autorregressivo. Verifica-se um alto valor do teste t, indicando através do Valor P, que os coeficientes do modelo são estatisticamente significantes a partir de uma margem de erro de 1%. Em termos gerais a estatística do coeficiente de determinação (R2) mostra que o ajustamento linear explica 81,35% dos movimentos das vendas da empresa no período considerado. Tabelas 5 Estimativas do modelo autorregressivo AR(2) Variáveis/Constante Coeficiente Erro padrão Test t Valor - P Interseção , ,709 1,525 0,130 Vendas_1 0,6681 0,093 7,180 0,000 Vendas_2 0,2728 0,096 2,843 0,005 R Quadrado = 0, 8135 F = 237, 6903 Fonte: elaborado pelos autores 4.2 Modelos de suavização exponencial Nesta seção apresentam-se os modelos de suavização exponencial que envolvem a aplicação de pesos distintos aos dados históricos o que permite dar maior ou menor importância as observações mais recentes. A apresentação segue a ordem dos seguintes modelos: modelo de suavização exponencial simples; modelo de suavização exponencial na presença de tendência (modelo de Holt); modelo de suavização exponencial na presença de sazonalidade (modelo de Holt-Winters) na forma multiplicativa e aditiva. O primeiro modelo de suavização exponencial simples assume que o padrão de comportamento da série histórica apresenta somente componente de nível e ruído, de modo que a previsão para um período futuro é ajustada pelo período atual mais o erro de previsão. Para estimar o modelo é preciso determinar somente uma constante de suavização para o nível da série. O gráfico 7 mostra a evolução das vendas com ajustamento via modelo de suavização exponencial simples juntamente com as estatísticas utilizadas para avaliar os erros de previsão dos modelos. Verifica-se que o modelo acompanha bem a evolução das vendas, mas não consegue acompanhar com êxito a tendência nem o componente sazonal da série. 9/13
10 Smoothing Plot for Quant1 Single Exponential Method Quant Variable Actual Fits Forecasts 95,0% PI Smoothing Constant Alpha 0, Accuracy Measures MAPE 8,38138E+00 MAD 1,06366E+06 MSD 1,87951E Index Gráfico 7 Evolução das vendas e ajustamento via modelo de suavização exponencial simples Fonte: elaborado pelos autores O gráfico 8 mostra a evolução das vendas e ajustamento via modelo de suavização exponencial na presença de tendência (modelo Holt). A idéia deste modelo é expandir o modelo anterior para previsões com dados que apresentam tendência linear, mas que não apresentam sazonalidade. Para estimar o modelo é preciso determinar duas constantes de suavização, uma para o nível e outra para a tendência da série. A inserção do componente de tendência no modelo melhora sensivelmente a ajustamento ao longo do tempo. S m o o t h i n g P l o t f o r Q u a n t 1 D o u b l e E x p o n e n t i a l M e t h o d Quant V a r ia b l e A c t u a l F i t s F o r e c a s t s 9 5, 0 % P I S m o o t h i n g C o n s t a n t s A l p h a ( l e v e l ) 0, G a m m a ( t r e n d ) 0, A c c u r a c y M e a s u r e s M A P E 9, E M A D 1, E M S D 2, E I n d e x Gráfico 8 Evolução das vendas e ajustamento via modelo de suavização exponencial na presença de tendência (modelo de Holt) Fonte: elaborado pelos autores Como a série histórica das vendas apresenta visualmente um componente de tendência e um componente sazonal, o modelo de suavização exponencial com tendência linear e sazonalidade foi estimado para ajustar os dados, conforme gráfico 9. A idéia deste modelo é estimar o nível, a tendência e o componente sazonal da série histórica a partir de duas abordagens distintas que dependem do tipo de sazonalidade presente nos dados, quais sejam: forma multiplicativa e aditiva. O gráfico 9 mostra o ajustamento via modelo na forma multiplicativa, ideal para dados onde a amplitude do padrão sazonalidade varia com o nível de vendas. Como os modelos anteriores mostraram a importância da modelagem tanto do nível como da tendência da série, a inclusão do componente sazonal melhora o ajustamento do modelo devido principalmente a mudança na amplitude do padrão da sazonalidade dos dados. 10/13
11 Winters' Method Plot for Quant1 Multiplicative Method Variable Actual Fits Forecasts 95,0% PI Quant Smoothing Constants Alpha (level) 0,90 Gamma (trend) 0,02 Delta (seasonal) 0,65 Accuracy Measures MAPE 9,09377E+00 MAD 1,15082E+06 MSD 2,12693E Index Gráfico 9 Evolução das vendas e ajustamento via modelo de suavização exponencial na presença de tendência linear e sazonalidade (modelo de Holt-Winters) método multiplicativo Fonte: elaborado pelos autores Por fim, o gráfico 10 mostra a evolução das vendas via ajustamento do modelo exponencial na presença de tendência e sazonalidade na forma aditiva. A hipótese que diferencia este modelo em relação ao anterior (forma multiplicativa) é que neste caso, a amplitude do padrão da sazonalidade permanece constante ao longo do tempo. O ajustamento segue basicamente o processo do modelo anterior, com bons ajustes do padrão de sazonalidade presente nos dados. Winters' Method Plot for Quant1 Additive Method Variable Actual Fits Forecasts 95,0% PI Quant Smoothing Constants Alpha (level) 0,90 Gamma (trend) 0,02 Delta (seasonal) 0,65 Accuracy Measures MAPE 9,12183E+00 MAD 1,14650E+06 MSD 2,08213E Index Gráfico 10 Evolução das vendas e ajustamento via modelo de suavização exponencial na presença de tendência linear e sazonalidade (modelo de Holt-Winters) método aditivo Fonte: elaborado pelos autores 4.3 Previsão e critérios de decisão para escolha dos modelos Nesta seção utilizam-se as estimativas dos modelos para realizar extrapolação da projeção, isto é, para realizar previsão para fora da amostra. Para efeitos de previsão, optou-se por retirar os seis últimos meses da amostra para ser comparado com a projeção de seis passos à frente, que compreende o período de julho a dezembro do ano de A Tabela 6 mostra o 11/13
12 volume de vendas realizadas no período de julho a dezembro de 2009, a projeção de cada modelo para este período e a estatística MAD Mean Absolute Deviation que mede a dispersão dos dados em torno das vendas realizadas com as projeções de cada modelo seis passos à frente. Considerando a projeção seis passos à frente e o fato de que quanto menor a estatística MAD melhor é considerado o ajustamento do modelo aos dados observados, destaca-se o fato de que todos os modelos que compõem a classe dos modelos de tendência ajustados pelo método de mínimos quadrados ordinários apresentam a estatística MAD maior do que o pior modelo do grupo dos modelos de suavização exponencial (neste caso o modelo de suavização exponencial na presença de tendência linear). Em geral, o grupo dos modelos de suavização exponencial apresenta a menor discrepância entre os valores previstos e observados das vendas, sendo que dentro desta classe de modelos, o de suavização exponencial na presença de tendência e sazonalidade na forma multiplicativa foi o que minimizou a estatística MAD, propiciando o melhor ajuste aos dados considerando seis passos à frente. Tabela 6: Comparativo entre os modelos de previsão jul/09 ago/09 set/09 out/09 nov/09 dez/09 MAD Vendas realizadas Modelos estimados M. Linear M. Quadratico M. Exponencial M. Logaritimico M. AR(2) Exponencial Simples Exponencial com tendencia linear Exponencial com tendencia linera e sazonalidade: forma multiplicativa Exponencial com tendencia linera e sazonalidade: forma aditiva Fonte: elaborado pelos autores O fato de o modelo de suavização exponencial na presença de tendência e sazonalidade na forma multiplicativa ter sido escolhido o melhor modelo vem ao encontro das premissas estabelecidas neste método que propicia bons ajustamentos em série que possuam componentes de tendência e de sazonalidade com amplitude variando ao longo do tempo. 5. CONSIDERAÇÕES FINAIS O objetivo deste trabalho foi analisar e realizar prospecção do volume de vendas do segmento de aves de uma empresa do ramo agroindustrial. Para tanto, utilizou-se uma comparação dos modelos de tendência ajustados pelo método de mínimos quadrados ordinários com os modelos de suavização exponencial de Holt e Winters. Os modelos foram estimados considerando uma amostra de 114 observações, que vai de jan/2000 a jun/2009. Para efeitos de previsão, foram comparados os valores previstos de cada modelo com os valores efetivamente observados durante os meses de julho a dezembro do ano de Como critério de decisão para a escolha do melhor modelo utilizou-se a estatística MAD Mean Absolute Deviation que mediu a dispersão das projeções em torno das vendas realizadas seis passos à frente. Os resultados mostram que em geral a classe dos modelos de suavização exponencial foi a que obteve a menor estatística MAD, propiciando o melhor ajuste aos dados, 12/13
13 comparativamente com os modelos de tendência ajustados pelo método de mínimos quadrados ordinários. E dentro da classe dos modelos de suavização exponencial, o melhor foi o modelo de suavização exponencial na presença de tendência e sazonalidade na forma multiplicativa, mostrando a importância deste tipo de modelagem quando há a presença desses dois componentes na série histórica. REFERÊNCIAS CORRÊA, Henrique L.; CORRÊA, Carlos A. Administração de produção e operações: manufatura e serviços: uma abordagem estratégica. São Paulo: Atlas, DIAS, A. S. Uso de conhecimentos teóricos e de especialista para Previsão de Demanda. São Carlos, p. Dissertação (Engenharia de Produção) Universidade Federal de São Carlos. GIL, Antonio Carlos. Técnicas de Pesquisa em Economia e Elaboração de Monografia. São Paulo: Atlas, HILL, C.; GRIFFITHS,W.; JUDGE,G. Econometria. São Paulo: Saraiva, JOHNSTON, J. Métodos econométricos. São Paulo: Atlas, LEVINE, D. M. et al. Estatística: teoria e aplicações. Rio de Janeiro: LTC, MOREIRA, Daniel Augusto; Administração da Produção e Operações: 3.ed. São Paulo: Pioneira Thomson Learning, MORETTIN, P. A. & TOLOI, C. M. C. Previsões de séries temporais, 2ª ed.são Paulo:Atual, PADOVEZE, C. L. Planejamento orçamentário. São Paulo: Pioneira Thomson Learning, PENTEADO FILHO, José Roberto Whitaker. Previsão de Vendas: 3.ed. São Paulo: Ed.Atlas, PINDICK, R.S.; RUBINFELD, D.L. Macroeconomia. 4ª ed. São Paulo: Editora Makron Books do Brasil, RATTNER, H. Estudos do futuro: introdução à antecipação tecnológica e social. Rio de Janeiro: FGV, SANTOS, D.M.; GUIMARÃES, M.C.S.; SILVA, C.H.; COELHO, G.M. Prospecção tecnológica: experiências recentes no Brasil. In: 22nd International Symposium on Forecasting, 2002, Dublin. 13/13
Análise de Séries Temporais
Análise de Séries Temporais Definições Uma série temporal é qualquer conjunto de observações ordenadas no tempo. Por exemplo: Valores diários de poluição na cidade de São Paulo; Valores mansais de temperatura
Leia maisAnálise de Séries Temporais
Análise de Séries Temporais Análise de Séries Temporais Definições Uma série temporal é qualquer conjunto de observações ordenadas no tempo. Por exemplo: Valores diários de poluição na cidade de São Paulo;
Leia maisUtilização do modelo Holt-Winters para previsão das vendas de leite em um laticínio no oeste paranaense
Utilização do modelo Holt-Winters para previsão das vendas de leitm um laticínio no oeste paranaense Anariele Maria Minosso 1 Silvana Lígia Vincenzi Bortolotti 2 Katiane de Oliveira 3 1 Introdução A cadeia
Leia maisAnálise e previsão das taxas da população ocupada em Fortaleza, Ceará, de setembro de 1991 a dezembro de 2008
Análise e previsão das taxas da população ocupada em Fortaleza, Ceará, de setembro de 1991 a dezembro de 2008 Daniela Bandeira, Paulo Germano, Filipe Formiga e Jeremias Leão Universidade Federal do Piauí
Leia maisEscola de Engenharia de Lorena EEL/USP Curso de Engenharia de Produção. Prof. Fabrício Maciel Gomes
Escola de Engenharia de Lorena EEL/USP Curso de Engenharia de Produção Prof. Fabrício Maciel Gomes Previsão de Demanda A previsão da demanda é a base para o planejamento estratégico da produção, vendas
Leia maisA análise de séries temporais é uma área da estatística dedicada ao estudo de dados orientados no tempo (MONTGOMERY, 2004).
3 Séries temporais A análise de séries temporais é uma área da estatística dedicada ao estudo de dados orientados no tempo (MONTGOMERY, 2004). 3.1. Princípios fundamentais Conforme Box et al. (1994), uma
Leia maisMódulo 2 AVALIAÇÃO DA DEMANDA EM TRANSPORTES
Módulo 2 AVALIAÇÃO DA DEMANDA EM TRANSPORTES Conceitos Iniciais Prever é a arte e a ciência de predizer eventos futuros, utilizandose de dados históricos e sua projeção para o futuro, de fatores subjetivos
Leia maisCód. Disciplina Período Créditos Carga Horária Semanal Mensal Nome da Disciplina
e Cód. Disciplina Período Créditos Carga Horária 02004 7 04 Semanal Mensal 04 60 Nome da Disciplina TÓPICOS EM MÉTODOS QUANTITATIVOS APLICADOS À ECONOMIA Curso CIÊNCIAS ECONÔMICAS Inferência estatística.
Leia maisCORRELAÇÃO E REGRESSÃO
CORRELAÇÃO E REGRESSÃO Permite avaliar se existe relação entre o comportamento de duas ou mais variáveis e em que medida se dá tal interação. Gráfico de Dispersão A relação entre duas variáveis pode ser
Leia maisAULA 09 Regressão. Ernesto F. L. Amaral. 17 de setembro de 2012
1 AULA 09 Regressão Ernesto F. L. Amaral 17 de setembro de 2012 Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas Gerais (UFMG) Fonte: Triola, Mario F. 2008. Introdução à
Leia maisLISTA DE EXERCÍCIOS 3 INE 7001 PROF. MARCELO MENEZES REIS ANÁLISE DE SÉRIES TEMPORAIS
LISTA DE EXERCÍCIOS 3 INE 7001 PROF. MARCELO MENEZES REIS ANÁLISE DE SÉRIES TEMPORAIS 1) A que componentes de uma série temporal (pelo modelo clássico) estariam principalmente associados cada um dos seguintes
Leia maisRegressões: Simples e MúltiplaM. Prof. Dr. Luiz Paulo Fávero 1
Regressões: Simples e MúltiplaM Prof. Dr. Luiz Paulo FáveroF Prof. Dr. Luiz Paulo Fávero 1 1 Técnicas de Dependência Análise de Objetivos 1. Investigação de dependências entre variáveis. 2. Avaliação da
Leia maisPrevisão de Séries Temporais utilizando Métodos Estatísticos
Previsão de Séries Temporais utilizando Métodos Estatísticos Elisângela Lopes de Faria (a) Marcelo Portes Albuquerque (a) Jorge Luis González Alfonso (b) Márcio Portes Albuquerque (a) José Thadeu Pinto
Leia maisGESTÃO DA TECNOLOGIA DA INFORMAÇÃO DA PRODUÇÃO GTIP
Aula 05 GESTÃO DA TECNOLOGIA DA INFORMAÇÃO DA PRODUÇÃO GTIP Professora Ma. Vanessa da Silva Mata Gestão da demanda Objetivo do Modelo A primeira etapa consiste em definir a razão pela qual necessitamos
Leia maisAdministração. Previsão de Estoques. Professor Rafael Ravazolo.
Administração Previsão de Estoques Professor Rafael Ravazolo www.acasadoconcurseiro.com.br Administração Aula XX PREVISÃO DE ESTOQUES Cada aspecto do gerenciamento de materiais está voltado para fornecer
Leia maisRegressão linear simples
Regressão linear simples Universidade Estadual de Santa Cruz Ivan Bezerra Allaman Introdução Foi visto na aula anterior que o coeficiente de correlação de Pearson é utilizado para mensurar o grau de associação
Leia maisUNIVERSIDADE FEDERAL DE UBERLÂNDIA FACULDADE DE CIÊNCIAS CONTÁBEIS PROGRAMA DE PÓS GRADUAÇÃO EM CIÊNCIAS CONTÁBEIS - PPGCC FICHA DE DISCIPLINA
FICHA DE DISCIPLINA Disciplina Métodos Quantitativos II Código PPGCC Carga Horária 60 Créditos 4 Tipo: Optativa OBJETIVOS Discutir com os alunos um conjunto de instrumentos estatísticos de pesquisa, necessários
Leia maisORGANIZAÇÃO INDUSTRIAL PROFESSORA MAUREN POMALIS. ENG. ELÉTRICA - 8 PERÍODO UNIR/Porto Velho 2017/1
ORGANIZAÇÃO INDUSTRIAL PROFESSORA MAUREN POMALIS mauren.pomalis@unir.br ENG. ELÉTRICA - 8 PERÍODO UNIR/Porto Velho 2017/1 Aula 6 Técnicas de Previsão Previsão de demanda Em todas as áreas de atividade
Leia maisMétodos de Alisamento (ou Suavização)
Métodos de Alisamento (ou Suavização) Ricardo Ehlers ehlers@icmc.usp.br Departamento de Matemática Aplicada e Estatística Universidade de São Paulo Alisamento Exponencial Nesta técnica os valores suavizados
Leia maisAnálise do volume útil do reservatório de Furnas via modelos de séries temporais
Análise do volume útil do reservatório de Furnas via modelos de séries temporais Cristina Henriques Nogueira 1 3 Thelma Sáfadi 2 1 Introdução A energia elétrica é, sem dúvida, um recurso indispensável
Leia maisAnálise do custo médio por metro quadrado da construção civil no estado de Minas Gerais usando modelos de séries temporais
Análise do custo médio por metro quadrado da construção civil no estado de Minas Gerais usando modelos de séries temporais 1 Introdução Charles Shalimar Felippe da Silva 1 Ricardo Vitor Ribeiro dos Santos
Leia maisPONTIFÍCIA UNIVERSIDADE CATÓLICA DE GOIÁS ESCOLA DE ENGENHARIA ENGENHARIA DE PRODUÇÃO
PONTIFÍCIA UNIVERSIDADE CATÓLICA DE GOIÁS ESCOLA DE ENGENHARIA ENGENHARIA DE PRODUÇÃO Lista de exercícios para a prova 2 Grupo teórico: 1) Comente três razões para se gerenciar a demanda 2) Defina tendência
Leia maisCÁLCULO NUMÉRICO. Profa. Dra. Yara de Souza Tadano
CÁLCULO NUMÉRICO Profa. Dra. Yara de Souza Tadano yaratadano@utfpr.edu.br Aula 4 Ajuste de Curvas AJUSTE DE CURVAS Cálculo Numérico 3/55 Introdução Em geral, experimentos geram uma gama de dados que devem
Leia maisAvaliação de modelos de previsão para quantidade de automóveis no Estado de Santa Catarina
Avaliação de modelos de previsão para quantidade de automóveis no Estado de Santa Catarina Leandro Callegari Coelho (UFSC) leandroah@hotmail.com Robert Wayne Samohyl (UFSC) samohyl@yahoo.com Resumo: Este
Leia maisAJUSTE DE CURVAS PELO MÉTODO DOS QUADRADOS MÍNIMOS
AJUSTE DE CURVAS PELO MÉTODO DOS QUADRADOS MÍNIMOS Bruna Larissa Cecco 1 Angelo Fernando Fiori 2 Grazielli Vassoler 3 Resumo: Em muitos ramos da ciência, dados experimentais são utilizados para deduzir
Leia maisAnálise Multivariada Aplicada à Contabilidade
Mestrado e Doutorado em Controladoria e Contabilidade Análise Multivariada Aplicada à Contabilidade Prof. Dr. Marcelo Botelho da Costa Moraes www.marcelobotelho.com mbotelho@usp.br Turma: 2º / 2016 1 Agenda
Leia mais4 APLICAÇÕES À SÉRIE TEMPORAL DE CONSUMO RESIDENCIAL MENSAL DE ENERGIA ELÉTRICA
4 APLICAÇÕES À SÉRIE TEMPORAL DE CONSUMO RESIDENCIAL MENSAL DE ENERGIA ELÉTRICA No capítulo 4, são aplicados os métodos individuais e os combinados à projeção de curto prazo da série de consumo residencial
Leia maisMÉTODOS QUANTITATIVOS APLICADOS. Prof. Danilo Monte-Mor
MÉTODOS QUANTITATIVOS APLICADOS Prof. Danilo Monte-Mor Métodos Quantitativos Aulas 1 e 2 Análise Exploratória de Dados 2 Danilo Soares Monte Mor Currículum Vitae Prof. Dr. e especialista em Métodos Quantitativos
Leia maisUniversidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica. Regressão. David Menotti.
Universidade Federal do Paraná (UFPR) Bacharelado em Informática Biomédica Regressão David Menotti www.inf.ufpr.br/menotti/ci171-182 Hoje Regressão Linear ( e Múltipla ) Não-Linear ( Exponencial / Logística
Leia maisAnálise da Regressão. Prof. Dr. Alberto Franke (48)
Análise da Regressão Prof. Dr. Alberto Franke (48) 91471041 O que é Análise da Regressão? Análise da regressão é uma metodologia estatística que utiliza a relação entre duas ou mais variáveis quantitativas
Leia maisDisciplina: PCP II. Rodrigues, Roger Antônio. R696p PCP II / Roger Antônio Rodrigues slides : il. colors.
Disciplina: PCP II Rodrigues, Roger Antônio. R696p PCP II / Roger Antônio Rodrigues. 2015. 22 slides : il. colors. Varginha, Sistema requerido: Adobe Acrobat Reader Modo de Acesso: World Wide Web 1. Administração
Leia maisAnálise de Regressão
Análise de Regressão Tópicos em Avaliação de Desempenho de Sistemas Aline Oliveira Camila Araujo Iure Fé Janailda aso2@cin.ufpe.br cga2@cin.ufpe.br isf2@cin.ufpe.br jbs4@cin.ufpe.br Agenda Parte I: Contextualização
Leia maisLucas Santana da Cunha de julho de 2018 Londrina
Análise de Correlação e Lucas Santana da Cunha email: lscunha@uel.br http://www.uel.br/pessoal/lscunha/ 26 de julho de 2018 Londrina 1 / 17 Há casos em que pode existir um relacionamento entre duas variáveis:
Leia maisPrevisão de Demanda: Uma Análise quantitativa baseada em séries temporais de uma empresa fabricante de portas
Previsão de Demanda: Uma Análise quantitativa baseada em séries temporais de uma empresa fabricante de portas Edimar Nunes Dias, EPA, UNESPAR/Campus de Campo Mourão dias_edimar@hotmail.com Igor José do
Leia maisAULAS 14 E 15 Modelo de regressão simples
1 AULAS 14 E 15 Modelo de regressão simples Ernesto F. L. Amaral 18 e 23 de outubro de 2012 Avaliação de Políticas Públicas (DCP 046) Fonte: Wooldridge, Jeffrey M. Introdução à econometria: uma abordagem
Leia maisNOÇÕES SOBRE EXPERIMENTOS FATORIAIS
3 NOÇÕES SOBRE EXPERIMENTOS FATORIAIS Planejamento de Experimentos Design of Experiments - DOE Em primeiro lugar devemos definir o que é um experimento: Um experimento é um procedimento no qual alterações
Leia maisUso de séries temporais na análise da temperatura média mensal da cidade de Mossoró, RN
Uso de séries temporais na análise da temperatura média mensal da cidade de Mossoró, RN Ben Dêivide de Oliveira Batista 1 2 Tales Jesus Fernandes 2 Thelma Sáfadi 2 Wesley de Oliveira Santos 3 1 Introdução
Leia maisPrevisões. Forecasting
Previsões Forecasting Índice Introdução O sistema de Previsões Idenficar o Problema Compreender o Problema Características do Problema Processos constantes Processos sinusoidais Interpretar e implementar
Leia maisANÁLISE COMPARATIVA ENTRE MÉTODOS DE PREVISÃO DE DEMANDA - UM ESTUDO APLICADO A INDÚSTRIA DE GÁS NATURAL NO BRASIL
João Pessoa/PB, Brasil, de 03 a 06 de outubro de 2016 ANÁLISE COMPARATIVA ENTRE MÉTODOS DE PREVISÃO DE DEMANDA - UM ESTUDO APLICADO A INDÚSTRIA DE GÁS NATURAL NO BRASIL Thiago Costa Carvalho (UFERSA )
Leia maisMódulo 4 Ajuste de Curvas
Módulo 4 Ajuste de Curvas 4.1 Intr odução Em matemática e estatística aplicada existem muitas situações onde conhecemos uma tabela de pontos (x; y), com y obtido experimentalmente e deseja se obter uma
Leia maisANÁLISE DE SÉRIES TEMPORAIS
1 Definição e representação ANÁLISE DE SÉRIES TEMPORAIS Uma série temporal é um conjunto de observações tomadas em intervalos de tempo comumente iguais (ano a ano, mês a mês, semana a semana, etc.). Exemplos:
Leia maisAplicação da metodologia Box & Jenkins para previsão de vendas de emulsificante
Aplicação da metodologia Box & Jenkins para previsão de vendas de emulsificante Eduardo Campana Barbosa1 Carlos Henrique Osório Silva2 Resumo: Utilizou-se a metodologia Box & Jenkins para previsão da demanda
Leia maisCapítulo 1. ˆ Observações correlacionadas são mais difíceis de analisar e requerem técnicas
Capítulo 1 Introdução Uma série temporal é uma coleção de observações feitas sequencialmente ao longo do tempo. A característica mais importante deste tipo de dados é que as observações vizinhas são dependentes
Leia mais5 Estudo de Caso e Resultados
5 Estudo de Caso e Resultados 5.1. Introdução Finalizado o desenvolvimento da ferramenta, é indispensável testar suas funcionalidades e a eficácia da aplicação conjunta dos seus módulos de geração de experimentos
Leia maisPREVISÃO DA DEMANDA MILKA SOUSA DE MEDEIROS HTTPS://SITES.GOOGLE.COM/SITE/MMEDEIROSACADEMICO/
PREVISÃO DA DEMANDA MILKA SOUSA DE MEDEIROS MILKAMEDEIROS.AEB@GMAIL.COM HTTPS://SITES.GOOGLE.COM/SITE/MMEDEIROSACADEMICO/ INTRODUÇÃO Existem vários tipos de planejamentos, tratando de diversos assuntos,
Leia maisREGRESSÃO E CORRELAÇÃO
Vendas (em R$) Disciplina de Estatística 01/ Professora Ms. Valéria Espíndola Lessa REGRESSÃO E CORRELAÇÃO 1. INTRODUÇÃO A regressão e a correlação são duas técnicas estreitamente relacionadas que envolvem
Leia maisMODELO APLICADO À PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA DO CAMPUS I DO CENTRO FEDERAL DE EDUCAÇÃO TECNOLÓGICA DE MINAS GERAIS (CEFET-MG).
MODELO APLICADO À PREVISÃO DA DEMANDA DE ENERGIA ELÉTRICA DO CAMPUS I DO CENTRO FEDERAL DE EDUCAÇÃO. Introdução TECNOLÓGICA DE MINAS GERAIS (CEFET-MG). Luciane Teixeira Passos Giarola Fátima Oliveira Takenaka
Leia maisModelagem de séries temporais de demanda de energia elétrica da Universidade Federal de Lavras, correspondentes ao período de 1995 a 2013
Modelagem de séries temporais de demanda de energia elétrica da Universidade Federal de Lavras, correspondentes ao período de 1995 a 2013 Jair Rocha do Prado 1 Thelma Sáfadi 2 Joaquim Paulo da Silva 3
Leia maisPREVISÃO DA DEMANDA. Aula 10 e 11 e 12 - Regina Meyer Branski
PREVISÃO DA DEMANDA Aula 10 e 11 e 12 - Regina Meyer Branski Objetivos da aula Ao final os alunos devem ser capazes de implementar processo de previsão de demanda conhecendo: Modelos de Previsão Indicadores
Leia maisaula ANÁLISE DO DESEMPENHO DO MODELO EM REGRESSÕES
ANÁLISE DO DESEMPENHO DO MODELO EM REGRESSÕES 18 aula META Fazer com que o aluno seja capaz de realizar os procedimentos existentes para a avaliação da qualidade dos ajustes aos modelos. OBJETIVOS Ao final
Leia maisPlanejamento e Controle da Produção I
Planejamento e Controle da Produção I Previsão de Demanda Prof. M.Sc. Gustavo Meireles 1 Introdução A previsão de demanda é a base para o planejamento da produção, vendas e finanças de qualquer empresa;
Leia maisUniversidade Federal do Rio Grande do Norte. Centro de Ciências Exatas e da Terra. Departamento de Demografia e Ciências Atuariais
Universidade Federal do Rio Grande do Norte Centro de Ciências Exatas e da Terra Departamento de Demografia e Ciências Atuariais Disciplina: Séries temporais Professor: Marcos Roberto Gonzaga Trabalho
Leia maisAula 01/10/2018 José Luiz Padilha 01 de outubro de 2018
Aula 01/10/2018 José Luiz Padilha 01 de outubro de 2018 Previsão Uma das formas de utilização de um modelo ajustado é para fazer previsões de valores futuros. Assim, se t é o período corrente estamos interessados
Leia maisMétodos de Previsão João Carlos Lourenço
Métodos de Previsão João Carlos Lourenço joao.lourenco@tecnico.ulisboa.pt Ano lectivo 2015/2016 Leituras recomendadas: Hair, J.F., Black, W.C., Babin, B.J., Anderson, R.E., 2010. Multivariate Data Analysis,
Leia maisModelagem do comportamento da variação do índice IBOVESPA através da metodologia de séries temporais
Modelagem do comportamento da variação do índice IBOVESPA através da metodologia de séries temporais João Eduardo da Silva Pereira (UFSM) jesp@smail.ufsm.br Tânia Maria Frighetto (UFSM) jesp@smail.ufsm.br
Leia maisINSTITUTO DE ESTUDOS EM DESENVOLVIMENTO AGRÁRIO E REGIONAL CURSO: ECONOMIA. Disciplina: Econometria I CH 60h Número de Créditos 06
INSTITUTO DE ESTUDOS EM DESENVOLVIMENTO AGRÁRIO E REGIONAL CURSO: ECONOMIA 1. ESTRUTURA DA DISCIPLINA Disciplina: Econometria I CH 60h Número de Créditos 06 Professor: Rosianne Pereira da Silva Período:
Leia maisAula IV. Representação gráfica e regressão linear. Prof. Paulo Vitor de Morais
Aula IV Representação gráfica e regressão linear Prof. Paulo Vitor de Morais Representação gráfica A representação gráfica é uma forma de representar um conjunto de dados de medidas que permite o estudo
Leia maisHoje vamos analisar duas variáveis quantitativas conjuntamente com o objetivo de verificar se existe alguma relação entre elas.
Correlação e Regressão Hoje vamos analisar duas variáveis quantitativas conjuntamente com o objetivo de verificar se existe alguma relação entre elas. Vamos 1. definir uma medida de associação entre duas
Leia mais6. Aplicação à Séries de Velocidade do Vento
9. Aplicação à Séries de Velocidade do Vento A geração eólica de energia elétrica vem sendo explorada com mais intensidade desde e para este tipo de geração, a principal variável a ser estudada é a velocidade
Leia maisPROGRAMA DE DISCIPLINA
Faculdade Anísio Teixeira de Feira de Santana Autorizada pela Portaria Ministerial nº 552 de 22 de março de 2001 e publicada no Diário Oficial da União de 26 de março de 2001. Endereço: Rua Juracy Magalhães,
Leia maisSéries Temporais Tendência e sazonalidade.
Séries Temporais Tendência e sazonalidade. Fernando Lucambio Departamento de Estatística Universidade Federal do Paraná Curitiba/PR, 81531 990, Brasil email: lucambio.ufpr@gmail.com Agosto de 2015 DECOMPOSIÇÃO
Leia maisCURTA DURAÇÃO APLICAÇÕES DE ESTATÍSTICA
CURTA DURAÇÃO APLICAÇÕES DE ESTATÍSTICA OBJETIVO O curso tem como objetivo apresentar algumas técnicas de estatística aplicada utilizar a na análise de dados. PERFIL DO ALUNO Destina-se a executivos das
Leia maisMestrado Profissionalizante em Finanças as e Economia Empresarial FGV / EPGE Prof. Eduardo Ribeiro Julho Setembro 2007
Projeções de Séries S Temporais Econometria dos Mercados Financeiros Mestrado Profissionalizante em Finanças as e Economia Empresarial FGV / EPGE Prof. Eduardo Ribeiro Julho Setembro 2007 Objetivo do curso
Leia maisCORRELAÇÃO E REGRESSÃO. Modelos Probabilísticos para a Computação Professora: Andréa Rocha. UNIVERSIDADE FEDERAL DA PARAÍBA Dezembro, 2011
CORRELAÇÃO E REGRESSÃO CORRELAÇÃO E REGRESSÃO Modelos Probabilísticos para a Computação Professora: Andréa Rocha UNIVERSIDADE FEDERAL DA PARAÍBA Dezembro, 2011 CORRELAÇÃO Introdução Quando consideramos
Leia maisProf. Dr. Lucas Barboza Sarno da Silva
Prof. Dr. Lucas Barboza Sarno da Silva Medidas de grandezas físicas Valor numérico e sua incerteza, unidades apropriadas Exemplos: - Velocidade (10,02 0,04) m/s - Tempo (2,003 0,001) µs - Temperatura (273,3
Leia maisPROGRAMA DE DISCIPLINA
Faculdade Anísio Teixeira de Feira de Santana Autorizada pela Portaria Ministerial nº 552 de 22 de março de 2001 e publicada no Diário Oficial da União de 26 de março de 2001. Endereço: Rua Juracy Magalhães,
Leia maisAnálise da série temporal do desemprego em regiões metropolitanas do Brasil
Análise da série temporal do desemprego em regiões metropolitanas do Brasil Érica Fernanda da Cruz 1 3 Tamara Aparecida Nogueira dos Anjos 2 Thelma Sáfadi 2 1 Introdução O desemprego no Brasil é uma constante
Leia maisAULAS 14 E 15 Modelo de regressão simples
1 AULAS 14 E 15 Modelo de regressão simples Ernesto F. L. Amaral 30 de abril e 02 de maio de 2013 Avaliação de Políticas Públicas (DCP 046) Fonte: Wooldridge, Jeffrey M. Introdução à econometria: uma abordagem
Leia maisModelagem do preço da soja utilizando a metodologia de análise de séries temporais 1
Modelagem do preço da soja utilizando a metodologia de análise de séries temporais 1 Jair Wyzykowski 2 Maíra Rodrigues Villamagna 3 Thelma Sáfadi 4 Augusto Ramalho de Morais 5 1 Introdução Uma série é
Leia maisREGRESSÃO E CORRELAÇÃO
REGRESSÃO E CORRELAÇÃO A interpretação moderna da regressão A análise de regressão diz respeito ao estudo da dependência de uma variável, a variável dependente, em relação a uma ou mais variáveis explanatórias,
Leia maisDefinição Há correlação entre duas variáveis quando os valores de uma variável estão relacionados, de alguma maneira, com os valores da outra variável
Correlação Definição Há correlação entre duas variáveis quando os valores de uma variável estão relacionados, de alguma maneira, com os valores da outra variável Exemplos Perímetro de um quadrado e o tamanho
Leia maisGESTÃO DA PRODUÇÃO. Introdução à Previsão de Demanda UFES. Prof. Dr. Joao Ferreira Netto
GESTÃO DA PRODUÇÃO Introdução à Previsão de Demanda UFES Prof. Dr. Joao Ferreira Netto Avaliação de Desempenho Marketing Previsão de Vendas Pedidos em Carteira Engenharia Estrutura do Produto Roteiro de
Leia maisPREVISÃO. Prever o que irá. acontecer. boas decisões com impacto no futuro. Informação disponível. -quantitativa: dados.
PREVISÃO O problema: usar a informação disponível para tomar boas decisões com impacto no futuro Informação disponível -qualitativa Prever o que irá acontecer -quantitativa: dados t DEI/FCTUC/PGP/00 1
Leia maisContabilometria. Aula 9 Regressão Linear Inferências e Grau de Ajustamento
Contabilometria Aula 9 Regressão Linear Inferências e Grau de Ajustamento Interpretação do Intercepto e da Inclinação b 0 é o valor estimado da média de Y quando o valor de X é zero b 1 é a mudança estimada
Leia mais11/05/2012 PREVISÃO DE DEMANDA. Introdução. Gestão da distribuição Prof. Marco A. Arbex
PREVISÃO DE DEMANDA Gestão da distribuição Prof. Marco A. Arbex Introdução Demanda é definida como a procura por um determinado bem ou serviço. Um produto tem demanda quando há necessidade ou desejo por
Leia maisPrevisão da produção de energia hidrelétrica no Brasil via séries temporais.
Previsão da produção de energia hidrelétrica no Brasil via séries temporais. Sílvio de Castro Silveira. Introdução Joel Augusto Muniz Thelma Sáfadi Tadeu Vilela de Souza Recentemente ascendeu-se a discussão
Leia maisMESTRADO PROFISSIONAL EM ECONOMIA. Ênfase em Banking (Economia e Finanças Bancárias) MESTRADO PROFISSIONAL EM ECONOMIA - ÊNFASE BANKING 1.
MESTRADO PROFISSIONAL EM ECONOMIA Ênfase em Banking (Economia e Finanças Bancárias) MESTRADO PROFISSIONAL EM ECONOMIA - ÊNFASE BANKING 1 vire aqui DISCIPLINAS MATEMÁTICA Esta disciplina tem como objetivo
Leia maisAnálise de Regressão Prof. MSc. Danilo Scorzoni Ré FMU Estatística Aplicada
Aula 2 Regressão Linear Simples Análise de Regressão Prof. MSc. Danilo Scorzoni Ré FMU Estatística Aplicada Conceitos Gerais A análise de regressão é utilizada para explicar ou modelar a relação entre
Leia maisAULAS 21 E 22 Análise de Regressão Múltipla: Estimação
1 AULAS 21 E 22 Análise de Regressão Múltipla: Estimação Ernesto F. L. Amaral 28 de outubro e 04 de novembro de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Cohen, Ernesto, e Rolando Franco. 2000. Avaliação
Leia maisAULA 07 Regressão. Ernesto F. L. Amaral. 05 de outubro de 2013
1 AULA 07 Regressão Ernesto F. L. Amaral 05 de outubro de 2013 Centro de Pesquisas Quantitativas em Ciências Sociais (CPEQS) Faculdade de Filosofia e Ciências Humanas (FAFICH) Universidade Federal de Minas
Leia maisAula 2 Regressão e Correlação Linear
1 ESTATÍSTICA E PROBABILIDADE Aula Regressão e Correlação Linear Professor Luciano Nóbrega Regressão e Correlação Quando consideramos a observação de duas ou mais variáveis, surge um novo problema: -as
Leia maisDissecando o Método Comparativo Direto de Custo Utilizado na Engenharia de Custos - Aplicação para o Caso de Termelétricas
Dissecando o Método Comparativo Direto de Custo Utilizado na Engenharia de Custos - Aplicação para o Caso de Termelétricas Gilson Pereira de Andrade Lima Resumo: Está sendo previsto na Norma de Avaliação
Leia maisVamos conversar sobre BRUNI
Vamos conversar sobre Aviso importante!!! Estes slides apresentam o conteúdo do livro Estatística Aplicada à Gestão Empresarial, de Adriano Leal Bruni, publicado pela Editora Atlas Capítulo 2 Gráficos
Leia maisCarga Horária: 80 horas (correspondem a aulas e atividades extra-classe)
Curso: Economia Disciplina: ECONOMETRIA Turma 4ECO Carga Horária: 80 horas (correspondem a aulas e atividades extra-classe) Período Letivo: 2014/1 Professor: Hedibert Freitas Lopes (www.hedibert.org) OBJETIVO:
Leia maisAnálise de Regressão. Luiz Carlos Terra
Luiz Carlos Terra Em mercadologia é importante conhecer as ferramentas existentes para estimação dos valores de vendas, de preços de produtos ou de custos de produção. A análise de regressão representa
Leia maisMBA EM GESTÃO COMERCIAL
Módulo: Projeção de Vendas Aula 3: Quantitativos Sazonalidade/Tendência, Média Móvel e Suavização 2015 by Ibramerc. This work is licensed under the Creative Commons. If you want to use or share, you must
Leia maisCarta de Conjuntura do Setor de Seguros
Carta de Conjuntura do Setor de Seguros Número 3, Junho/2014 www.ratingdeseguros.com.br 1 Objetivo: O objetivo desta é ser uma avaliação mensal desse segmento e seus setores relacionados (resseguro, capitalização,
Leia maisEstudos Correlacionais e Estudos Causal Comparativos. Trabalho Elaborado por: Ana Henriques Carla Neves Idália Pesquita
Estudos Correlacionais e Estudos Causal Comparativos Trabalho Elaborado por: Ana Henriques Carla Neves Idália Pesquita Estudos Correlacionais e Estudos Causal Comparativos A compreensão do comportamento
Leia maisUNIVERSIDADE FEDERAL DO CEARÁ FACULDADE DE ECONOMIA, ADMINISTRAÇÃO, ATUÁRIA, CONTABILIDADE E SECRETARIADO DEPARTAMENTO DE ADMINISTRAÇÃO
UNIVERSIDADE FEDERAL DO CEARÁ FACULDADE DE ECONOMIA, ADMINISTRAÇÃO, ATUÁRIA, CONTABILIDADE E SECRETARIADO DEPARTAMENTO DE ADMINISTRAÇÃO TÉCNICAS BÁSICAS DE PREVISÃO ORÇAMENTÁRIAS Prof. Isidro Abr/2010
Leia maisCorrelação e Regressão
Correlação e Regressão Vamos começar com um exemplo: Temos abaixo uma amostra do tempo de serviço de 10 funcionários de uma companhia de seguros e o número de clientes que cada um possui. Será que existe
Leia maisO cálculo das Estimativas Mensais de Emprego e Desemprego divulgadas em 2014
O cálculo das Estimativas Mensais de Emprego e Desemprego divulgadas em 2014 XXII Jornadas de Classificação e Análise de Dados 2015 Estatísticas Oficiais, Instituto Nacional de Estatística Sónia Torres
Leia maisMINICURSO. Uso da Calculadora Científica Casio Fx. Prof. Ms. Renato Francisco Merli
MINICURSO Uso da Calculadora Científica Casio Fx Prof. Ms. Renato Francisco Merli Sumário Antes de Começar Algumas Configurações Cálculos Básicos Cálculos com Memória Cálculos com Funções Cálculos Estatísticos
Leia maisQUALIDADE DO AR UTILIZAÇÃO DE SÉRIES TEMPORAIS PARA PREVISÃO DO MATERIAL PARTICULADO (MP 10 ) NA CIDADE DE PAULÍNIA (SP)
QUALIDADE DO AR UTILIZAÇÃO DE SÉRIES TEMPORAIS PARA PREVISÃO DO MATERIAL PARTICULADO (MP 10 ) NA CIDADE DE PAULÍNIA (SP) Nathália Morgana Rissi rissi.nathalia@gmail.com Universidade Estadual de Campinas
Leia maisUTILIZAÇÃO DO MODELO HOLT-WINTERS PARA PREVISÃO DAS VENDAS DE LEITE EM UM LATICÍNIO NO OESTE PARANAENSE
UTILIZAÇÃO DO MODELO HOLT-WINTERS PARA PREVISÃO DAS VENDAS DE LEITE EM UM LATICÍNIO NO OESTE PARANAENSE Katiane de OLIVEIRA Universidade Tecnológica Federal do Paraná - UTFPR katiane.d.o@hotmail.com Silvana
Leia maisAnálise de Regressão Linear Simples e
Análise de Regressão Linear Simples e Múltipla Carla Henriques Departamento de Matemática Escola Superior de Tecnologia de Viseu Introdução A análise de regressão estuda o relacionamento entre uma variável
Leia maisSONDAGEM DA INDÚSTRIA DE TRANSFORMAÇÃO. Julho, 2015
SONDAGEM DA INDÚSTRIA DE TRANSFORMAÇÃO Julho, 2015 Resultados da pesquisa Empresas informantes: 1.134 Vendas (R$ Bilhões): 709,5 Pessoal Ocupado (em milhares): 1.360 Período de coleta: 01/07/15 a 22/07/15
Leia maisi j i i Y X X X i j i i i
Mario de Andrade Lira Junior lira.pro.br\wordpress lira.pro.br\wordpress Diferença Regressão - equação ligando duas ou mais variáveis Correlação medida do grau de ligação entre duas variáveis Usos Regressão
Leia maisDesenvolvimento de uma metodologia para avaliação da demanda e capacidade de carga nos principais aeroportos brasileiros
Desenvolvimento de uma metodologia para avaliação da demanda e capacidade de carga nos principais aeroportos brasileiros Michel de Oliveira Vasconcelos Instituto Tecnológico de Aeronáutica, São José dos
Leia maisRelação entre IC e Teste de Hipóteses para p. Situação-problema 24. Situação-problema 24. Planejamento. Estatística II. IC para comparação de p
UNIVERSIDADE FEDERAL DE RONDÔNIA CAMPUS DE JI-PARANÁ DEPARTAMENTO DE ENGENHARIA AMBIENTAL Estatística I - UNIR Estatística II Relação entre IC e Teste de Hipóteses para p Profa. Renata Gonçalves Aguiar
Leia maisPesquisador. Planejamento de Experimentos Design of Experiments - DOE NOÇÕES SOBRE EXPERIMENTOS FATORIAIS. 1 - Fixar T e variar P até > Pureza
3 NOÇÕES SOBRE EXPERIMENTOS FATORIAIS Planeamento de Experimentos Design of Experiments - DOE Em primeiro lugar devemos definir o que é um experimento: Um experimento é um procedimento no qual alterações
Leia mais