APLICAÇÃO DOS MODELOS ARMA NA PREVISÃO DE VENDAS
|
|
- Adelino Aires Lage
- 7 Há anos
- Visualizações:
Transcrição
1 RESUMO APLICAÇÃO DOS MODELOS ARMA NA PREVISÃO DE VENDAS Auoria: Mara Olivia Rovedder de Oliveira, Felipe Tavares Milach, Vior Francisco Dalla Core A arefa de previsão de vendas pode ser complexa, porém é exremamene relevane para as empresas, requerendo, assim, aenção do meio acadêmico. Dada a complexidade de alguns modelos de previsão, muias companhias acabam uilizando écnicas subjeivas de previsão; dada a sua relevância (base para o plano de markeing, orçameno empresarial e planejameno esraégico) (Sanon & Spiro, 2000; Pilinkienė 2008), muios gesores e pesquisadores escolhem méodos esaísicos mais elaborados, conudo, nem sempre realizam uma devida verificação da adequação do méodo aos dados disponíveis para realizar as esimaivas. Conseqüenemene, as previsões podem apresenar falhas. Uma das causas de falha no uso de méodos quaniaivos diz respeio a não verificação de alguns pressuposos esaísicos necessários ao bom funcionameno dos modelos. No caso da uilização de séries emporais orna-se necessária a verificação da presença de correlação serial ou auocorrelação nos dados para a realização de uma previsão (Maddala, 2003; Gujarai, 2006). Se presene, a auocorrelação cria um viés de previsão, compromeendo o processo de omada de decisão. O raameno da auocorrelação pode ser feio aravés de modelos auo-regressivos de média móvel, ambém conhecidos como modelos ARMA (Box & Jenkins, 1978). Cabe desacar que os modelos ARMA são amplamene uilizados para realizar previsões em ouros campos do conhecimeno, como economia, finanças, engenharia e meereologia, no enano sua aplicação em esudos na área de markeing ainda é escassa. Dessa forma, ese esudo objeivou esar a adequação dos modelos ARMA na previsão de vendas de uma empresa que fabrica refrescos. Foram, enão, analisadas 12 séries de dados diários sobre as vendas de refrescos, em um período de 11 meses. Foi idenificada a presença de não esacionariedade das séries de vendas, indicando que a suas médias e as suas variâncias não foram consanes ao longo do período analisado. Dessa forma, ornou-se necessário diferenciar as séries, passando-se a rabalhar com as variações nas vendas ou invés dos valores bruos de vendas. Aravés da aplicação do Tese de Box-Pierce nas 12 séries analisadas foi possível idenificar a presença de auocorrelação nas mesmas. Dessa forma, ornou-se necessário o ajuse desas aravés dos modelos ARMA. Das 12 séries analisadas, nove foram ajusadas aravés de um ARMA (2, 1). As demais foram modeladas por um AR (1), um AR (2) e um ARMA (1, 1). Desaca-se que al fao acabou corroborando com a suspeia que havia sido levanada inicialmene na consrução da mariz de correlações, onde as séries de variações nas vendas apresenavam, em sua maioria, correlações posiivamene fores, um possível indicaivo que as mesmas seguiam processos semelhanes. De uma forma geral, pode-se afirmar que os modelos ARMA foram adequados para modelar as 12 séries analisadas, uma vez que, após o ajuse, não foram enconradas evidências de auocorrelação nos resíduos das mesmas. 1
2 1. Inrodução A previsão de vendas é uma pare exremamene imporane do plano de markeing (Roggeveen & Johar, 2004), assim com do orçameno empresarial, sendo essencial para as empresas. Além disso, a previsão de vendas represena uma informação fundamenal para o planejameno empresarial, pois é usada para o dimensionameno dos recursos necessários à operação da empresa (Makridakis, Wheelwrigh & Hyndman, 1998). Previsões acuradas das vendas auxiliam na obenção de lucros e na sobrevivência das companhias (Decker & Gnibba- Yukawa, 2010). Por conseguine, as previsões de vendas embasam o processo de omada de decisões dos gesores. Cada decisão exige uma esimaiva dos seus efeios, logo envolve uma previsão. Uma previsão é uma lisagem de informações que ajuda o gerene a chegar a uma decisão (Baersby, 1976, p. 13). Conseqüenemene, cada vez mais os gesores requerem modelos que forneçam previsões de vendas confiáveis (Neelamegham & Chinaguna, 2004), principalmene porque, a efeiva seleção e uilização de um modelo de predição podem reduzir a incereza dos gesores (Pilinkienė, 2008). Conudo, a arefa da previsão de vendas é árdua e complexa se os dados são escassos e a meodologia inadequada. (Cobra, 1994, p. 97). Dada a complexidade de alguns modelos de previsão, muias companhias acabam uilizando écnicas subjeivas de previsão, principalmene as pequenas e médias empresas. Em conraparida, dada a relevância das previsões de vendas para a companhia - como servir de base para o orçameno e planejameno esraégico -, muios gesores e pesquisadores escolhem méodos esaísicos mais elaborados. Conudo, esses modelos nem sempre condizem com a naureza dos dados disponíveis para realizar as esimaivas. Conseqüenemene, as previsões de vendas podem apresenar falhas. Uma das causas de falha no uso de méodos quaniaivos diz respeio a não verificação de alguns pressuposos esaísicos necessários para o bom funcionameno dos modelos. No caso da uilização de séries emporais, por exemplo, o número de vendas diárias de um produo durane um deerminado horizone de empo, orna-se necessária a verificação da presença de correlação serial ou auocorrelação nos dados. Se presene, a auocorrelação cria um viés de previsão, compromeendo o processo de omada de decisão. O raameno da auocorrelação pode ser feio aravés de modelos auo-regressivos de média móvel, ambém conhecidos como modelos ARMA. Cabe desacar que os modelos ARMA são amplamene uilizados para realizar previsões em ouros campos do conhecimeno, como economia, finanças, engenharia da produção e meereologia, no enano sua aplicação na área de markeing ainda é escassa. Ao realizar um levanameno nos Anais do Enconro de Markeing da ANPAD (EMA) e no Enconro de Adminisração (ENANPAD), principais congressos na área de markeing no Brasil, foram enconrados poucos arigos que raam sobre previsão de vendas. Nos rês Enconros de Markeing realizados foi publicado um arigo sobre previsão de vendas. No período enre 1998 e 2009, foram enconrados 3 arigos relaivos a previsão de vendas nos anais do ENANPAD, sendo um sobre orçameno de vendas e um sobre previsão de fidelização dos clienes. Cabe desacar que apenas um deses arigos foi publicado na área de markeing. Dois foram publicados na área de Adminisração de TI nas Organizações e uma na área de Conabilidade e Conrole Gerencial. Via ese levanameno, pode-se observar que ao longo de 11 anos foram publicados 5 arigos referenes a previsão de vendas nas conferencias analisadas, sendo que somene 2 arigos foram submeidos a área de Markeing. Desaca-se ambém, que nenhum deles rabalhou com os modelos ARMA. Dada a pouca quanidade de aplicações de ais modelos na lieraura brasileira de markeing e a imporância do ema de previsão de vendas para os gesores e práicos de markeing, pode-se afirmar que al assuno represena um campo a ser explorado. Dessa 2
3 forma, preende-se esar a adequação dos modelos ARMA na previsão de vendas de uma empresa que fabrica refrescos. Para ano, foram analisadas as séries de vendas diárias de 12 sabores comercializados pela fabricane. Primeiramene foi realizada uma revisão da lieraura sobre méodos de previsão de vendas, desacando-se os modelos de série emporais, enre os quais esão os modelo ARMA, apresenados no iem 2, dese arigo. Os procedimenos meodológicos esão descrios no iem 3, enquano os resulados esão no iem 4. Por fim, são exposas as considerações finais dese esudo, junamene com as sugesões de fuuras pesquisas. 2. Méodos de Previsão de Vendas O principal objeivo de um méodo de previsão é ransferir a informação aual para o fuuro e mover-se do processameno da informação para a previsão (Pilinkienė, 2008). A previsão de vendas é uma esimaiva de vendas (em dinheiro ou em unidades) que uma empresa espera alcançar durane um período de empo especificado, num deerminado mercado e segundo um plano de markeing proposo (Sanon & Spiro, 2000, p.331). Ou seja, a previsão de vendas é a projeção numérica das expecaivas da organização, sobre o que poderá ocorrer no fuuro denro do mercado alvo de auação (Moreira, Gobe, Fische & Pasquale, 2004). De acordo com a lieraura acadêmica de economia, exisem mais de 200 méodos de previsão (Pilinkienė, 2008). Eles variam dos méodos mais ingênuos, ais como o uso das mais recenes observações, aé as abordagens alamene complexas, como as redes neurais e sisemas economéricos de equações simulâneas (Makridakis, Wheelwrigh & Hyndman, 1998). Além disso, há uma grande variedade de méodos para a previsão de vendas, em específico (Cobra, 1994; Moreira e al., 2004). Devido à grande quanidade de méodos exisenes, pesquisadores enam classificá-los em grandes caegorias. Conudo, diferenes auores aponam disinas classificações. Segundo Pilinkiené (2008), dependendo da área de pesquisa e de seu objeivo, a classificação dos méodos de previsão é baseada nos seguines criérios: - ipo de informação (quaniaiva e qualiaiva); - empo de previsão (curo prazo, médio prazo e longo prazo); - objeo da previsão (méodos de previsão para indicadores econômicos micro ou macro); - objeivo da previsão. Cobra (1994), por sua vez, julga que exisam quaro caegorias gerais de méodos para a previsão: méodos não-cieníficos, méodos maemáicos, méodos de levanameno (pesquisas), méodos de zona-piloo (área-ese de mercado). Já Moreira e al. (2004) e Las Casas (2002) classificam os méodos de previsão de vendas apenas em: méodos cieníficos e méodos não-cieníficos. Segundo Moreira (2004), alguns dos méodos para previsão de vendas são baseados em processos cieníficos apurados, refleindo a preocupação das empresas em possuir garanias para a previsão fuura: são os méodos cieníficos. No ouro exremo, esão os méodos pouco conceiuados cienificamene, mas que são usados em função dos recursos disponíveis: são os méodos não-cieníficos (Moreira e al., 2004, p. 88). Para Las Casas (2002), os méodos cieníficos são bem mais sofisicados, alvez, por essa razão, menciona o auor, a maioria das empresas, principalmene as pequenas e médias, uilizam méodos não cieníficos. Muias vezes, os méodos mais écnicos, por serem mais caros e exigirem mais empo e qualificação, acabam sendo subsiuídos por alernaivas baseadas na percepção ou feeling (Moreira e al., 2004, p. 88). Denre os méodos não cienífico de previsão de vendas enconram-se a lisagem de faores, consrução de cenários e exrapolação (Cobra, 1994; Moreira e al., 2004). Las Casas 3
4 (2004) ambém apona a opinião da força de vendas e o julgameno dos execuivos denre os méodos não cieníficos. O méodo cienífico, por sua vez, é aquele no qual se uilizam dados do passado para que, combinados com écnicas diversas e o uso da maemáica, sejam enconrados números mais confiáveis (Moreira e al., 2004). Para o exercício da previsão de vendas é imporane observar o passado para fazer inerferências acerca do fuuro (Cobra, 1994). Com esse inuio, segundo o auor, exisem diversas écnicas com o uso da maemáica que são muio úeis na análise da série hisórica de vendas. Conudo, é imporane observar que não exise um modelo único, válido para odas e quaisquer circunsâncias; em função do rigor e precisão desejada há um modelo maemáico mais adequado para cada caso (Cobra, 1994, p. 105). Ou seja, esa meodologia não pode ser aplicada de forma indiscriminada para odos os seores; exisem siuações em que uma forma maemáica é mais úil do que em oura, assim deve-se conhecer a mecânica dos méodos maemáicos e aplicar de forma coerene a cada caso (Moreira e al., 2004). Denre os méodos maemáicos, desacam-se os modelos das médias móveis, os modelos da média ponderada, os modelos da suavização (aplicação paricular da média ponderada), os modelos de ajusameno exponencial, os modelos de regressão, modelos economéricos, modelos de simulações. Já os méodos de levanameno raam-se da inenção de compra dos clienes, análise do rendimeno da ação comercial, avaliação da concorrência, júri de opiniões de execuivos, o méodo de opinião da força de vendas. Já os méodos de zona-piloo apresenam como exemplo o modelo para a esimaiva das mudanças econômicas. Conudo, Roggeveen e Johar (2004) apresenam oura caegorização. Eles mencionam que os méodos de previsão normalmene são caegorizados apenas em duas caegorias: aquelas baseadas principalmene no julgameno e (2) aquelas baseadas em fones esaísicas. Na realidade, a forma mais popular universal, a mais comumene aplicada nos arigos de pesquisa é a classificação baseada em méodos de previsão qualiaivos e quaniaivos, porque suas caracerísicas envolvem os méodos classificados em ouros grupos (Pilinkienė, 2008, p. 20). Wanke e Julianelli (2006) e Makridakis, Wheelwrigh e Hyndman (1998), denre ouros auores, uilizam essa classificação. Cabe desacar, que ambém podem ser realizadas pesquisas com a combinação de modelos qualiaivos e quaniaivos. Os méodos qualiaivos ou subjeivos são baseados em informações inuiivas (opiniões, inenções e senimenos) que podem ser obidas por vários ipos de enrevisas (consumidores, pessoal de vendas, pessoal da companhia), levando em cona a análise do pono de visa de especialisas (Pilinkienė 2008). Ou seja, os méodos qualiaivos baseiam-se na opinião de ceras pessoas consideradas apas a formular previsões sobre um deerminado fenômeno. São freqüenemene uilizados quando se verificam alerações significaivas nas circunsâncias exisenes, quando não exise informação hisórica (série hisórica) disponível, limiada ou inexisene informação quaniaiva (Wanke & Julianelli, 2006; Makridakis, Wheelwrigh & Hyndman, 1998). Esas écnicas dependem exclusivamene do experise do(s) previsor(es), sendo que geralmene são mais caras e rabalhosas que os méodos quaniaivos de previsão (Wanke & Julianelli, 2006, p. 31). Os méodos qualiaivos englobam: opiniões dos vendedores, dos execuivos, ec.; a consrução de cenários; e o méodo Delphi, processo ineraivo baseado em quesionários e enrevisas realizados a um deerminado grupo previamene escolhido. Segundo Makridakis, Wheelwrigh e Hyndman (1998), os méodos de previsão qualiaivos dividem-se em exploraórios e normaivos. Os méodos quaniaivos analisam objeivamene os dados passados, fazendo suposições que seus valores não vão mudar, enquano as regularidades auais permanecerem a mesma (Peerson & Lewis, 1999 apud Pilinkiené, 2008). Ou seja, o méodo quaniaivo 4
5 baseia-se na análise dos dados hisóricos e demanda rês condições para a sua aplicação (Makridakis, Wheelwrigh & Hyndman, 1998): -disponibilidade de informações sobre o passado; -possibilidade de essas informações serem quanificada em forma de dados numéricos; - pressupor que alguns aspecos de padrões passados permanecerão no fuuro. Esa úlima condição é conhecida como a pressuposição da coninuidade; que é uma premissa de odos os méodos de previsão quaniaivos e de muios qualiaivos, independene do seu grau de sofisicação (Makridakis, Wheelwrigh & Hyndman, 1998, p. 9). Os méodos quaniaivos dividem-se me dois sub-grupos principais: modelos causais e séries emporais. As écnicas causais procuram relacionar as vendas (variável dependene) com ouros faores (Wanke & Julianelli, 2006), geralmene de cunho econômico. Um exemplo são os modelos economéricos. O segundo sub-grupo, as écnicas de série emporais, uilizam dados hisóricos de vendas como base para a deerminação de padrões que podem se repeir no fuuro (Wanke & Julianelli, 2006). Ou seja, os valores passados das vendas são usados para esimar o seu comporameno fuuro, por meio de modelos de séries emporais (Makridakis, Wheelwrigh & Hyndman, 1998). Esses modelos serão raados dealhadamene na próxima sessão do arigo. 2.1 Séries emporais De acordo com Maddala (2003, p. 273),...uma série emporal é uma seqüência de dados numéricos na qual cada iem é associado a um insane paricular de empo. Se represena o valor de uma variável aleaória no insane, a série emporal é denoada por 1, 2,..., n, onde n é o corresponde ao amanho da série ou número de observações seriais da variável. Souza e Camargo (2004) ainda aponam quaro objeivos principais para a análise de séries emporais: descrição, explicação, previsão e conrole. No enano, para que se ainjam esses objeivos, é preciso considerar alguns pressuposos exisenes para a análise de séries emporais, como a auocorrelação dos dados. Em relação à auocorrelação, Maddala (2003) explica que, há siuações em que os ermos de erro a do modelo de regressão podem ser correlacionados, nesse caso, a em um período de empo, é correlacionado com os ermos de erro a + 1, a + 2,...e a 1, a 2, e assim por diane, violando, dessa forma um das premissas necessárias para a escolha do melhor esimador não-viesado, realizada pelo Méodo dos Mínimos Quadrados Ordinários (MQO). Em séries emporais, diz-se que o ermo de erro deve ser ruído branco, represenado 2 por a ~ IIDN(0, σ ), ou seja, a é o ermo de erro, disribuído de modo independene e idênico, não necessariamene, mas usualmene, a uma disribuição normal com μ = 0 (média 2 zero) e σ (variância consane). Uma das écnicas amplamene ciadas para o raameno dos dados auocorrelacionados são os ajuses realizados pela família de modelos ARMA (auoregressivo de médias móveis), desenvolvidos por Box e Jenkins (1978), cujo principal objeivo é remover a auocorrelação dos dados. A família de modelos ARMA é composa, basicamene, por modelos auo-regressivos [AR (p)], modelos de média móvel [MA (q)], modelos auo-regressivos de média móvel [ARMA (p, q)] e modelos auo-regressivos inegrados de média móvel [ARIMA (p, d, q)]. Os modelos AR (p) podem ser definidos de forma geral pela equação 1: + = φ φ φ p p a [1] 5
6 Onde a é um ermo de erro ruído branco e p corresponde ao número de ermos auoregressivos. Nos modelos AR (1), o valor de no período depende do seu valor no período -1 e um ermo de erro aleaório, sendo os valores de expressos como desvios da sua média, ou seja, o valor previso para é simplesmene uma proporção ( φ 1 ) do valor de -1 (Gujarai, 2006). Ouro modelo perencene à família ARMA é o MA (q) que pode ser expresso conforme a equação 2: = μ + β... β 0 a + β1a 1 + β 2a qa q [2] Onde μ é uma consane e q é o número médias móveis exisenes. Gujarai (2006) desaca que nos modelos MA(q) o valor de no período é uma consane (μ) mais uma média móvel dos ermos de erro presenes (β 0 ) e passados (β q ). O processo de MA (q) é simplesmene uma combinação linear de ermos de erro de um ruído branco (a ). Um modelo ainda pode apresenar caracerísicas de um processo AR (p) e de um processo MA (q). Os Modelos ARMA (p, q) podem ser represenados da seguine forma: = θ + φ... β β0a + β1a 1 + φ2 2 + β 2a φ p p + qa q [3] Onde θ é um ermo consane. É ineressane noar que os modelos AR (p), MA (q) e ARMA (p, q) pressupõe que a série analisada seja esacionária (média e variância consanes ao longo do empo). No enano nem sempre essa premissa se verifica empiricamene. Caso a série seja não esacionária, uma alernaiva é a uilização do modelo ARIMA (p, d, q). Onde d corresponde ao número de diferenciações necessárias para que a série se orne esacionária. Apresenados os modelos, deve-se escolher o mais adequado. Assim, para que o modelo seja correamene escolhido, sugere-se um processo de cinco passos, chamado de meodologia Box-Jenkins, que segundo Maddala (2003) e Gujarai (2006) podem ser definidos de acordo com a Figura 1. 6
7 A série é esacionária? Idenificação do modelo Escolha provisória de (p,d,q) Esimação dos parâmeros do modelo Verificação do diagnósico os resíduos são ruídos brancos? Sim Não Usar o modelo para previsão e conrole Figura 1 - Cinco passos para o desenvolvimeno da meodologia Box-Jenkins Fone: Adapado de Maddala, G. S. (2003). Inrodução à economeria. (3a ed.). Rio de Janeiro: Ediora LTC. De acordo com o exposo na Figura 1, o primeiro passo é verificar a esacionariedade da série analisada, para ano pode se uilizar um ese de raiz uniária, como os eses ADF e KPSS. Se a série for esacionária, é necessário diferenciá-la. Nesse caso, modelo ARIMA (p, d, q) escolhido deve apresenar d = I(d), ou seja, d deve ser igual ao número de diferenciações necessárias para que a série seja esacionária. O segundo passo é idenificar o modelo aravés da escolha de valores adequados para p, d e q. A seleção dos valores é realizada a parir da análise de écnicas como a função de auocorrelação (ACF) e a função de auocorrelação parcial (PACF). A ACF mede o comporameno da correlação enre as observações em relação às suas defasagens, onde o primeiro valor é a correlação enre e -1, o segundo é a correlação enre e -2, e assim por diane. A ACF é definida pela equação 4: γ ρ = k k γ [4] 0 Onde = cov(, ) γ, ou seja, a covariância de na defasagem k e var( ) k + k γ. 0 = 7
8 A PACF, por sua vez, mensura o comporameno da correlação enre as observações em relação às suas defasagens, removendo o efeio das observações inermediárias. Por exemplo, ao mensurar a relação enre e -2, a PACF remove a influência de -1. O PACF se vale da uilização de regressões múliplas, enquano o ACF usa regressões simples, e é definida pela equação 5: = φ... φ k1 1 + φk kk k [5] O próximo passo, após a escolha do modelo é a esimação do mesmo. Em seguida deve-se verificar se o modelo é adequado aos dados aravés de um diagnósico. Para ano, deve-se examinar o ACF dos resíduos, cujos valores não podem ser esaisicamene significaivos e verificar os valores para a esaísica Q de Box-Pierce, que devem aponar os resíduos como ruído branco. Ainda, deve-se esar a normalidade dos resíduos. Terminada essa eapa, caso seja verificada a ausência de auocorrelação e uma normalidade na disribuição dos resíduos (desejável, mas não necessária), o modelo é julgado como adequado para a previsão, caso conrário deve-se esar ouro modelo ARMA. Para a previsão de n passos a frene de um modelo AR (p), com observações aé o empo T, em-se a equação 6: T + φ + + ( n) 1 T ( n 1) 2 T ( n 2) p T ( n ) = φ... φ p, [6] Onde T ( n p) represena o valor esimado de T ( n p) aé a ordem p. Com base nesa revisão da lieraura sobre modelos ARMA, elaboraram-se as esraégias para a operacionalização do objeivo dese esudo, descrias no próximo iem (procedimenos meodológicos). 3. Procedimenos Meodológicos Para aplicar e avaliar a adequação dos modelos ARMA na previsão de vendas do refresco YZ, a amosra uilizada na pesquisa correspondeu ao oal de vendas diárias do refresco YZ durane o período de onze meses, oalizando 209 observações. O YZ possui quaorze sabores disinos. Conudo, devido aos problemas acarreados por informações ausenes em séries de dados organizadas ao longo do empo, foram selecionados os doze sabores que apresenaram vendas ao longo de odos os dias da amosra: laranja, abacaxi, maracujá, angerina, guaraná, uva, manga, limão, morango, acerola, pêra e pêssego. Nauralmene, na amosra não esavam presenes os dias correspondenes a sábados, domingos e feriados. Ainda, em relação às vendas, cabe desacar que as mesmas são realizadas em caixas, assim, os valores analisados correspondem ao número de caixas vendidas. Cada caixa coném quinze saches do refresco. Como o objeivo do esudo é realizar e avaliar uma previsão para as vendas do refresco YZ, rabalhou-se, durane a esimação dos modelos ARMA, com uma amosra de esimação e oura de avaliação dos modelos. A primeira correspondeu ao período de fevereiro a novembro, enquano a segunda abarcou nove dias perencenes ao mês de dezembro. O sofware uilizado para a análise dos dados foi o OxMerics, no seu módulo G@RCH 5.0. Para a análise dos dados, primeiramene foram verificadas as esaísicas descriivas para as séries de vendas dos doze sabores de refrigeranes, objeivando realizar comparações direas enre os diferenes ipos de refrigeranes da empresa YZ. Dessa forma, 8
9 foram averiguadas as médias, medianas, valor máximo e mínimo, desvio padrão, assimeria, curose e o ese de Jarque-Bera. Para a aplicação do modelo ARMA, primeiramene foi verificado se as séries de dados eram esacionárias. Para aender al pressuposo, foram calculados os eses ADF e KPSS. O primeiro é um ese paramérico, cuja hipóese nula (H 0 ) indica a presença de raiz sobre o círculo uniário, aponando para a presença de não esacionariedade. O KPSS, por sua vez, é um ese não paramérico, que em como H 0 a ausência de raízes uniárias, indicando a esacionariedade da série analisada. Os eses ADF e KPSS foram esimados em suas versões com consane e com consane e endência, uma vez que não se sabia de anemão qual processo que melhor descreveria o comporameno das séries de dados. No caso das séries não serem esacionárias, pode ser realizada a ransformação dos dados. A ransformação dos valores em nível para os valores em suas primeiras diferenças é realizada segundo a seguine equação 7: i, i, 1 Δ i, =, [7] i, 1 Onde, corresponde ao oal de vendas do sabor i no dia e 1 corresponde ao i dia imediaamene anerior a.esa ransformação pode ser realizada direamene aravés do sofware uilizado, no momeno da esimação dos modelos ARMA, no enano, julgou-se mais ineressane a realização de al procedimeno anes da esimação dos mesmos, o que permie que se possam analisar alguns faos esilizados sobre as caracerísicas das séries em ermos de suas primeiras diferenças, como vem a ser o caso das esaísicas descriivas. O próximo passo consisiu na verificação da presença de auocorrelação nas séries aravés do ese de Box-Pierce, dado pela equação 8: Q = n m k = 1 2 k ρ, [8] 2 Onde n corresponde ao oal de observações e ρ k aos valores para as k primeiras auocorrelações esimadas elevadas ao quadrado. A esaísica Q desses eses é 2 aproximadamene disribuída como uma χ com k graus de liberdade. A hipóese nula (H 0 ) afirma que não há dependência serial enre os dados aé a defasagem k. Seguido o proposo pela meodologia de Box e Jenkins (1976), foram esimados os modelos de ajuse perencenes à família ARMA para que o problema da auocorrelação pudesse ser corrigido. Aplicou-se o ese de Box-Pierce aplicado aos resíduos dos modelos ARMA para ober a esaísica Q. Assim, foram aplicados os modelos ARMA para as 199 observações, correspondenes ao período enre fevereiro e novembro de 2007, para prever as vendas de nove dias do mês de dezembro do mesmo ano. A acurácia de previsão foi avaliada com aplicação de rês funções de perda: o erro médio (EM), o erro quadráico médio (EQM) e o erro absoluo médio (EAM), que são apresenadas, respecivamene, nas equações 9, 10 e 11: EM = 1 n n n 0 = n0 + 1, [9] 9
10 1 EQM = n n 1 EAM = n n n 0 = n0 + 1 n 0 = n , [10], [11] Onde n indica o número oal de observações e n 0 corresponde ao número de observações uilizadas para esimar o modelo, e represenam o valor esimado para as vendas no dia e o valor observado de vendas no mesmo período, respecivamene. 4. Análise dos resulados Inicialmene foram compuadas as esaísicas descriivas para as doze séries analisadas. Os resulados para as séries em nível esão exposos na Tabela 01. Tabela 01 Esaísicas descriivas para as doze séries analisadas (valores em nível) Média Mediana Máximo Mínimo Desvio Padrão Assimeria Curose Jarque-Bera a Obs. Laranja ,833 5,057 61,017 ** 209 Abacaxi ,265 2,530 4,364 * 209 Maracujá ,348 2,823 4,494 * 209 Tangerina ,424 3,210 6,639 ** 209 Guaraná ,916 5,440 81,083 ** 209 Uva ,989 5,694 97,251 ** 209 Manga ,122 6, ,832 ** 209 Limão ,448 3,221 7,411 ** 209 Morango ,801 4,754 49,116 ** 209 Acerola ,567 3,286 11,897 ** 209 Pêra ,257 2,423 5,205 * 209 Pêssego ,473 3,182 8,069 ** 209 Noa. Fone: elaboração própria. a 2 Segundo o indicado em abelas esaísicas χ, ao nível de 5% e para 2 g.l., o valor críico para o ese de Jarque-Bera é 5,99. *valores significaivos p <.05; **valores muio significaivos p <.01. De acordo com a Tabela 01, pode-se verificar que o sabor que apresenou o maior número de vendas média no período foi o sabor laranja, seguido do abacaxi e do maracujá. Cabe desacar que o sabor laranja, em relação aos demais, ambém apresenou o valor máximo de vendas em um único dia (26262), além do valor mais elevado enre os mínimos, indicando que esse sabor é realmene aquele que apresena uma maior demanda. Por ouro lado, o refresco de pêra foi aquele com a menor média de vendas, menor valor máximo e maior quanidade mínima vendida enre os doze sabores. Por conseguine, o sabor laranja acabou revelando o maior desvio padrão (3659), enquano o de pêra apresenou o menor (813). Todas as séries indicaram valores posiivos para a assimeria, o que significa que suas disribuições possuem uma cauda maior à direia, gerando, conseqüenemene, um desvio à 10
11 esquerda das mesmas. Os valores obidos para a curose dos sabores abacaxi, maracujá e pêra indicaram a presença de disribuições plaicúricas, com grau de achaameno maior do que uma disribuição normal, enquano os valores enconrados para os demais sabores revelaram disribuições lepocúricas, com grau de afilameno superior ao de uma curva normal. Por sua vez, o ese de Jarque-Bera aponou para a rejeição da hipóese nula de normalidade para odas as séries, indicando que as mesmas não seguem uma disribuição normal. Conforme já foi desacado, a verificação da esacionariedade das séries emporais é um imporane pressuposo esaísico para que possa ser dado o correo raameno às mesmas. Os resulados para os eses ADF e KPSS são apresenados na Tabela 02. Tabela 02 Tese ADF e KPSS para as doze séries analisadas (valores em nível) ADF a ADF b KPSS c KPSS d Laranja -2,088-2,556 0,652 * 0,369 ** Abacaxi -1,338-1,754 0,551 * 0,359 ** Maracujá -1,447-1,781 0,533 * 0,395 ** Tangerina -0,973-1,371 0,557 * 0,412 ** Guarana -0,365-0,745 0,589 * 0,411 ** Uva -1,467-1,886 0,584 * 0,382 ** Manga -2,214-2,581 0,586 * 0,384 ** Limão -0,515-0,950 0,518 * 0,393 ** Morango -0,800-1,248 0,603 * 0,391 ** Acerola -1,494-1,773 0,511 * 0,398 ** Pêra -1,718-1,910 0,490 * 0,414 ** Pêssego -1,242-1,664 0,539 * 0,372 ** Noa. Fone: elaboração própria. a ADF realizado apenas com a consane. Segundo o indicado em abelas esaísicas τ, ao nível de 5% e 1%, os valor críicos são de -2,875 e -3,462, respecivamene. b ADF realizado com consane e endência. Segundo o indicado em abelas esaísicas τ, ao nível de 5% e 1%, os valor críicos são de -3,432 e -4,003, respecivamene. c KPSS realizado com consane. Valores críicos para a esaísica M.L. de 0,739 e 0,463, ao níveis de 5% e 1%, respecivamene. d KPSS realizado com consane e endência. Valores críicos para a esaísica M.L. de 0,216 e 0,146, ao níveis de 5% e 1%, respecivamene. *valores significaivos p <.05; **valores muio significaivos p <.01. Na Tabela 02, pode-se observar que ano o ese paramérico ADF, quano o não paramérico KPSS, realizados nas suas versões com consane e com consane e endência, aponaram para a presença de raízes uniárias nas doze séries analisadas, indicando a não esacionariedade das mesmas. Tal fao apona para a necessidade de ransformação dos dados, uma vez que é desejável, do pono de visa esaísico, que as séries em quesão sejam esacionárias. As esaísicas descriivas, após a ransformação dos dados, são apresenadas na Tabela
12 Tabela 03 Esaísicas descriivas para as doze séries analisadas (valores em primeira diferença) Média Mediana Máximo Mínimo Desvio Padrão Assimeria Curose Jarque-Bera a Obs. Laranja 0,057-0,013 1,955-0,681 0,359 1,551 8, ,247 ** 208 Abacaxi 0,047-0,010 1,217-0,557 0,310 0,835 4,007 32,982 ** 208 Maracujá 0,072 0,012 1,200-0,680 0,390 0,666 3,100 15,485 ** 208 Tangerina 0,068 0,008 1,650-0,622 0,384 0,872 3,898 33,357 ** 208 Guaraná 0,102-0,020 1,765-0,735 0,480 0,965 3,715 36,685 ** 208 Uva 0,070 0,009 2,236-0,706 0,396 1,472 8, ,794 ** 208 Manga 0,075 0,011 2,218-0,717 0,409 1,387 7, ,954 ** 208 Limão 0,063 0,017 2,046-0,609 0,380 1,388 6, ,485 ** 208 Morango 0,075-0,007 1,799-0,659 0,401 0,954 4,338 47,047 ** 208 Acerola 0,073-0,001 1,256-0,647 0,393 0,721 3,146 18,208 ** 208 Pêra 0,067-0,001 3,614-0,652 0,423 3,098 25, ,502 ** 208 Pêssego 0,054 0,007 1,543-0,604 0,333 0,762 4,080 30,262 ** 208 Noa. Fone: elaboração própria. a 2 Segundo o indicado em abelas esaísicas χ, ao nível de 5% e para 2 g.l., o valor críico para o ese de Jarque-Bera é 5,99. **valores muio significaivos p <.01. O emprego de valores em suas primeiras diferenças, ao conrário do que ocorre quando se uilizam valores em nível, permie uma comparação mais direa enre séries que possuem magniudes disinas. Por exemplo, de acordo com o indicado na Tabela 03, podemse comparar direamene os valores obidos para o desvio padrão das séries. O guaraná foi o sabor com maior variabilidade de vendas (0,480), seguido dos sabores pêra (0,423), manga (0,409) e morango (0,401). Em comparação com os resulados obidos na Tabela 01, percebe-se na Tabela 03 um aumeno na magniude da curose das séries, pois odas revelaram disribuições lepocúricas. O ese de normalidade de Jarque-Bera ambém revelou um aumeno nos seus valores, passando a rejeiar a H 0 de normalidade para odas as séries a um nível de, pelo menos, 1%. Buscando confirmar a esacionariedade das séries disposas em suas primeiras diferenças, foram aplicados novamene os eses ADF e KPSS. Os resulados esão exposos na Tabela 04, onde o ese ADF revela a ausência de raízes uniárias, aponando para a esacionariedade das doze séries. O ese KPSS indica, por sua vez, a esacionariedade de apenas nove desas. Os resulados foram conradiórios para as séries dos sabores manga, limão e pêssego. Tal fao pode indicar uma possível presença de inegração fracionária nas mesmas (BAILLIE, 1996), ornando-se necessário a verificação da presença de memória longa nessas séries, para que possam ser esimados modelos perencenes a classe ARFIMA (p, d, q), gerando previsões mais correas para as séries. Dado o escopo do presene esudo, não foram esimados os modelos ARFIMA (p, d, q). 12
13 Tabela 04 Tese ADF e KPSS para as doze séries analisadas (valores em primeira diferença) Laranja -8,295 ** 0,147 Abacaxi -8,261 ** 0,286 Maracujá -6,851 ** 0,077 Tangerina -7,343 ** 0,082 Guarana -4,035 ** 0,079 Uva -8,022 ** 0,213 Manga -7,846 ** 0,500 * Limão -7,708 ** 0,474 * Morango -7,869 ** 0,133 Acerola -7,661 ** 0,106 Pêra -23,222 ** 0,096 Pêssego -25,402 ** 0,463 * Noa. Fone: elaboração própria. a ADF realizado sem consane e sem endência. Segundo o indicado em abelas esaísicas τ, ao nível de 5% e 1%, os valor críicos são de -2,576 e -1,942, respecivamene. b KPSS realizado com consane. Valores críicos para a esaísica M.L. de 0,739 e 0,463, ao níveis de 5% e 1%, respecivamene. *valores significaivos p <.05; **valores muio significaivos p <.01. ADF a KPSS b A análise da mariz de correlações enre as séries de dados pode ser um primeiro indicaivo de que esas seguem processos semelhanes. Assim, buscou-se esimar a mesma. Os resulados esão exposos na Tabela 05. Tabela 05 Mariz de correlação para as doze séries analisadas (valores em primeira diferença) Laranja Abacaxi Maracujá Tangerina Guaraná Uva Manga Limão Morango Acerola Pêra Pêssego Laranja 1,000 Abacaxi 0,901 1,000 Maracujá 0,766 0,856 1,000 Tangerina 0,767 0,860 0,919 1,000 Guarana 0,668 0,741 0,856 0,837 1,000 Uva 0,863 0,854 0,878 0,895 0,790 1,000 Manga 0,876 0,831 0,807 0,779 0,721 0,862 1,000 Limão 0,751 0,798 0,849 0,901 0,811 0,871 0,735 1,000 Morango 0,838 0,843 0,890 0,912 0,810 0,920 0,835 0,904 1,000 Acerola 0,745 0,816 0,858 0,883 0,810 0,830 0,728 0,851 0,870 1,000 Pêra 0,682 0,758 0,748 0,832 0,648 0,807 0,659 0,842 0,813 0,767 1,000 Pêssego 0,742 0,822 0,825 0,872 0,751 0,856 0,743 Noa. Fone: elaboração própria. 0,852 0,838 0,811 0,867 1,000 Conforme o apresenado na Tabela 05, as séries revelaram correlações foremene posiivas enre si, sendo al fao um indicaivo de que as mesmas possam seguir processos semelhanes. Após, foi verificada a presença de auocorrelação nas séries com a uilização do 13
14 ese de Box-Pierce para as doze séries analisadas. Os valores obidos para a esaísica Q do ese de Box-Pierce esão indicados na Tabela 06. Tabela 06 Tese de Box e Pierce para as doze séries analisadas (valores em primeira diferença) Q (05) Q (10) Q (20) Q (50) Laranja 61,647 ** 80,052 ** 92,070 ** 156,318 ** Abacaxi 80,110 ** 92,836 ** 111,782 ** 188,650 ** Maracujá 130,471 ** 156,354 ** 167,008 ** 221,245 ** Tangerina 109,717 ** 137,324 ** 155,479 ** 222,353 ** Guarana 133,932 ** 156,615 ** 164,792 ** 234,697 ** Uva 82,115 ** 101,331 ** 107,205 ** 151,148 ** Manga 72,730 ** 84,987 ** 94,674 ** 164,217 ** Limão 88,636 ** 117,187 ** 127,210 ** 166,841 ** Morango 87,187 ** 103,744 ** 113,517 ** 192,741 ** Acerola 105,486 ** 131,927 ** 147,267 ** 208,782 ** Pêra 62,986 ** 68,756 ** 79,330 ** 146,946 ** Pêssego 78,425 ** 89,729 ** 117,135 ** Noa. Fone: elaboração própria. 166,312 ** **valores muio significaivos p <.01. A Tabela 06 apona para a rejeição da H 0 de ausência de auocorrelação para odas as séries, ao nível de, pelo menos, 1%. Surge assim a necessidade de se raar al problema. Dessa forma, os modelos ARMA foram selecionados a parir da verificação da significância dos coeficienes AR (p) e MA (q) e ambém aravés da análise dos valores da esaísica Q do ese de Box-Pierce aplicado aos resíduos dos modelos. Ao final, chegaram-se aos seguines modelos, exposos na Tabela 07. Tabela 07 Modelos de ajuse para as doze séries analisadas (valores em primeira diferença) AR(1) AR(2) MA(1) Laranja -1,102 ** -0,437 ** 0,608 ** Abacaxi -1,210 ** -0,510 ** 0,633 ** Maracujá -1,289 ** -0,580 ** 0,664 ** Tangerina -1,230 ** -0,524 ** 0,610 ** Guaraná -1,240 ** -0,581 ** 0,680 ** Uva -1,195 ** -0,478 ** 0,635 ** Manga -1,224 ** -0,475 ** 0,722 ** Limão -1,139 ** -0,451 ** 0,545 ** Morango -0,598 ** -0,159 ** Acerola -1,193 ** -0,499 ** 0,564 ** Pêra -0,446 ** Pêssego -0,415 ** Noa.*valores significaivos p <.05; **valores muio significaivos p < ,159 * A Tabela 07 revela que grande pare das séries foram modeladas por um ARMA (2, 1), nove no oal. As séries do refresco de morango, pêra e pêssego foram modeladas por um AR (2), um AR (1) e um ARMA (1, 1), respecivamene. Tal fao acabou corroborando com a suspeia, levanada inicialmene na consrução da mariz de correlações, de que as séries, em 14
15 sua maioria, seguiam processos semelhanes. A Tabela 08 mosra os valores obidos para a esaísica Q do ese de Box-Pierce aplicado aos resíduos dos modelos ARMA exposos na Tabela 07. Tabela 08 Tese de Box e Pierce para os resíduos dos modelos esimados Q (05) Q (10) Q (20) Q (50) Laranja 3,468 10,961 19,824 51,307 Abacaxi 7,876 10,294 21,920 56,626 Maracujá 4,312 7,252 20,788 56,722 Tangerina 1,528 6,765 15,936 45,184 Guarana 2,976 5,087 10,403 48,864 Uva 1,541 7,293 10,864 43,482 Manga 1,641 3,891 15,166 46,829 Limão 1,519 10,754 17,025 47,872 Morango 7,682 15,390 26,387 61,705 Acerola 2,626 8,973 15,961 51,945 Pêra 6,817 9,048 15,400 44,768 Pêssego 6,317 10,159 26,391 Noa. Fone: elaboração própria. 49,520 Os resulados para o Tese Box-Pierce nos resíduos aponam para a ausência de auocorrelação, indicando um bom ajuse dos modelos ARMA, apresenados na Tabela 08, às séries analisadas. Por fim, a úlima eapa do esudo consisiu na aplicação de ais modelos, uilizados para prever as vendas de nove dias do mês de dezembro. A acurácia de previsão foi verificada aravés de rês funções de perda: o erro médio (EM), o erro quadráico médio (EQM) e o erro absoluo médio (EAM). Os resulados para os erros de previsão esão exposos na Tabela 09. Tabela 09 Funções de perda calculadas para a média das previsões dos modelos esimados para as doze séries analisadas EM EQM EAM Laranja 0,123 0,096 0,254 Abacaxi 0,126 0,104 0,243 Maracujá 0,158 0,154 0,313 Tangerina 0,145 0,099 0,268 Guaraná 0,283 0,454 0,500 Uva 0,156 0,115 0,297 Manga 0,153 0,135 0,319 Limão 0,139 0,090 0,261 Morango 0,164 0,122 0,317 Acerola 0,137 0,099 0,255 Pêra 0,152 0,147 0,321 Pêssego 0,134 0,095 Noa. Fone: elaboração própria. 0,281 Analisando o exposo na Tabela 09, pode-se afirmar que os melhores resulados (menores erros de previsão) ocorreram para as séries dos sabores laranja, abacaxi, limão, 15
16 acerola e pêssego. Enre as séries supraciadas, apenas aquela referene ao pêssego não foi modelada por um ARMA (2, 1). Por ouro lado o modelo ARMA (2, 1) ambém apresenou resulados menos expressivos, como para as séries dos sabores manga, maracujá e guaraná, sendo essa úlima aquela que revelou o pior desempenho enre as doze séries. De uma forma geral, pode-se afirmar que os modelos ARMA foram adequados para modelar as 12 séries analisadas, uma vez que, após o ajuse, não foram enconradas evidências de auocorrelação nos resíduos das mesmas. O não raameno de al problema acarrearia em previsões com erros maiores, compromeendo assim o processo de omada de decisão dos gesores. 5. Considerações finais O presene esudo eve como objeivo verificar a adequação de modelos perencene à família ARMA na previsão de vendas do refresco YZ. Inicialmene foram observadas algumas caracerísicas esaísicas das séries analisadas. Desaca-se a presença de não esacionariedade das séries de vendas, indicando que a suas médias e as suas variâncias não foram consanes ao longo do período analisado. Dessa forma, ornou-se necessário diferenciar as séries, passando-se a rabalhar com as variações nas vendas ou invés dos valores bruos de vendas. Aravés da aplicação do Tese de Box-Pierce nas 12 séries analisadas foi possível idenificar a presença de auocorrelação nas mesmas. Dessa forma, ornou-se necessário o ajuse desas aravés dos modelos ARMA. Das 12 séries analisadas, nove foram ajusadas aravés de um ARMA (2, 1). As demais foram modeladas por um AR (1), um AR (2) e um ARMA (1, 1). Desaca-se que al fao acabou corroborando com a suspeia que havia sido levanada na inicialmene na consrução da mariz de correlações, onde as séries de variações nas vendas apresenavam, em sua maioria, correlações posiivamene fores, um possível indicaivo que as mesmas seguiam processos semelhanes. Em relação ao desempenho dos modelos ARMA nas previsões realizadas, pode-se afirmar que, segundo as rês funções de perda uilizadas na análise, os modelos correspondenes às séries dos sabores laranja, abacaxi, limão, acerola e pêssego foram aqueles que revelaram um melhor desempenho, apresenando os menores erros. Assim, desaca-se que com a aplicação dos modelos perencenes à família ARMA foi possível realizar previsões esaisicamene adequadas para as vendas diárias (e ambém para as variações nas mesmas) do refresco YZ. Tal fao foi confirmado após a verificação da ausência de auocorrelação nos resíduos das séries, indicando a adequação dos modelos ARMA para a resolução de al problema. A quesão demonsra a relevância que o modelo pode represenar para as empresas e seus gesores. Uilizando simplesmene uma série de dados hisóricos, pôde ser realizada uma adequada previsão de vendas para a companhia, sem o dispêndio com a uilização de ouras écnicas, eviando, ainda, a uilização de modelos subjeivos de predição. Com essa apropriada previsão de vendas, o processo orçamenário e de planejameno podem ser realizados com mais acurácia, minimizando incerezas na omada de decisões, melhor suporando a empresa no mercado. Apesar de a previsão er sido realizada para um período curo de empo, desaca-se que a previsão deve ser um processo conínuo na empresa, que ene absorver as alerações que venham ocorrer inernamene e no mercado. Apesar dos modelos ARMA erem demonsrado um desempenho posiivo, não se pode dizer que ese é o melhor méodo para a realização de previsões para ese ipo de produo. Para averiguar essa quesão, faz-se necessária a aplicação de ouros méodos, que possibiliem uma comparação de resulados. Assim, sugere-se que sejam realizados fuuros esudos com a aplicação de ouros méodos quaniaivos, como, por exemplo, écnicas de médias móveis, 16
17 amorecimeno exponencial e redes neurais. Poderiam ainda ser esados modelos Bayesianos, combinado assim as informações conidas exclusivamene nos dados coleados com aquelas informações que já são de conhecimeno da empresa a priori. Nauralmene ainda há a possibilidade de se uilizarem écnicas qualiaivas no apoio dos modelos ARMA. Uma das limiações da pesquisa é o curo prazo de empo analisado: dados de fevereiro de 2007 aé novembro de 2007, oalizando 200 observações, fazendo com que, dessa forma, não seja possível verificar a influência de uma possível sazonalidade nas vendas. Assim, sugere-se que esudos fuuros uilizem séries de dados maiores, de preferência com informações referenes a mais de cinco anos, para que assim possam ser verificas as possíveis influências de sazonalidades. Referências Baillie, R., Chung, C.-F., & Tieslau, M. A. (1996). Analyzing inflaion by he fracionally inegraed ARFIMA-GARCH model. Journal of Applied Economerics, 11(1), Baersby, A. (1976). Previsão de Vendas. Zahar Ediores, Rio de Janeiro. Box, G. E. P., & Jenkins, G. M. (1978). Times Series Analysis: Forecasing and Conrol. Edição revisa. San Francisco: Holden Day. Cobra, M. (1994). Adminisração de vendas. (4a ed.). São Paulo: Alas. Decker, R., & Gnibba-Yukawa, K. (2010). Sales forecasing in high-echnology markes: a uiliy-based approach. Journal of Produc Innovaion, 27(1), Gujarai, D. (2006). Economeria básica. (4a ed.). Rio de Janeiro: Elsevier. Las Casas, A. L. (2002). Adminisração de vendas. (6a ed.). São Paulo, Alas. Maddala, G. S. (2003). Inrodução à economeria. (3a ed.). Rio de Janeiro: Ediora LTC. Makridaki, S., Wheelwrigh, S. C., & Hyndman, R. J. (1998). Forecasing: Mehods and Applicaions. (3a ed.). New York: John Wiley & Sons. Moreira, J. C. T. (org.), Gobe, A. C., Fischer, C. H., Sousa, J. J., & Pasquale, P. P. (2004). Adminisração de vendas. São Paulo: Saraiva. Neelamegham, R., & Chinaguna, P. K. (2004). Modeling and forecasing he sales of echnology producs. Quaniaive Markeing and Economics, 2(3), Pilinkienė, Vaida. (2008). Selecion of marke demand forecas mehods: crieria and applicaion. Engineering Economics, 58(3), Roggeveen, A. L., & Johar, V. J. (2004). Inegraion of discrepan sales forecass: he influence of plausibiliy inferences based on an evoked range. Journal of Markeing Research, LI (February), Sanon, W. J., & Spiro, R. L. (2000). Adminisração de vendas. (7a ed.). Rio de Janeiro: LTC Ediora. Souza, R. C., & Camargo, M. E. (2004) Análise e previsão de séries emporais: os modelos ARIMA. (2a ed.). Rio de Janeiro. Thomakos, D. D., & Guerard, J. B. (2004). Naïve, ARIMA, nonparameric, ransfer funcion and VAR models: a comparison of forecasing performance. Inernaional Journal of Forecasing, 20(1), Wanke, P., & Julianelli, L. (Orgs.). (2006). Previsão de vendas: processos organizacionais e méodos quaniaivos e qualiaivos. São Paulo: Alas. 17
3 Metodologia do Estudo 3.1. Tipo de Pesquisa
42 3 Meodologia do Esudo 3.1. Tipo de Pesquisa A pesquisa nese rabalho pode ser classificada de acordo com 3 visões diferenes. Sob o pono de visa de seus objeivos, sob o pono de visa de abordagem do problema
Leia maisECONOMETRIA. 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 maisCálculo 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 maisModelagem 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 mais4 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 mais1 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 maisSéries 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 mais3 Uma metodologia para validação estatística da análise técnica: a busca pela homogeneidade
3 Uma meodologia para validação esaísica da análise écnica: a busca pela homogeneidade Ese capíulo em como objeivo apresenar uma solução para as falhas observadas na meodologia uilizada por Lo e al. (2000)
Leia mais3 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 mais3 O Modelo SAGA de Gestão de Estoques
3 O Modelo SG de Gesão de Esoques O Sisema SG, Sisema uomaizado de Gerência e poio, consise de um sofware conendo um modelo maemáico que permie fazer a previsão de iens no fuuro com base nos consumos regisrados
Leia maisAnálise 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 maisUtilização 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 mais4 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 maisContabilometria. 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 maisConceito. 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 maisEXAME DE ESTATÍSTICA AMBIENTAL Ano lectivo 2015/16-1ª Época (V1) 18 de Janeiro de 2016
Nome: Aluno nº: Duração: h:30 m MESTRADO INTEGRADO EM ENGENHARIA DO AMBIENTE EXAME DE ESTATÍSTICA AMBIENTAL Ano lecivo 05/6 - ª Época (V) 8 de Janeiro de 06 I (7 valores) No quadro de dados seguine (Tabela
Leia maisEXAME 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 maisProf. Lorí Viali, Dr. UFRGS Instituto de Matemática - Departamento de Estatística
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 maisGrupo I (Cotação: 0 a 3.6 valores: uma resposta certa vale 1.2 valores e uma errada valores)
INSTITUTO SUPERIOR DE ECONOMIA E GESTÃO Esaísica II - Licenciaura em Gesão Época de Recurso 6//9 Pare práica (quesões resposa múlipla) (7.6 valores) Nome: Nº Espaço reservado para a classificação (não
Leia maisEXAME DE ESTATÍSTICA AMBIENTAL 2ª 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 maisMÉTODOS PARAMÉTRICOS PARA A ANÁLISE DE DADOS DE SOBREVIVÊNCIA
MÉTODOS PARAMÉTRICOS PARA A ANÁLISE DE DADOS DE SOBREVIVÊNCIA Nesa abordagem paramérica, para esimar as funções básicas da análise de sobrevida, assume-se que o empo de falha T segue uma disribuição conhecida
Leia mais4 Análise dos tributos das concessionárias selecionadas
4 Análise dos ribuos das concessionárias selecionadas Nese capíulo serão abordados os subsídios eóricos dos modelos esaísicos aravés da análise das séries emporais correspondenes aos ribuos e encargos
Leia mais3 Modelos de Markov Ocultos
23 3 Modelos de Markov Oculos 3.. Processos Esocásicos Um processo esocásico é definido como uma família de variáveis aleaórias X(), sendo geralmene a variável empo. X() represena uma caracerísica mensurável
Leia mais4 Método de geração de cenários em árvore
Méodo de geração de cenários em árvore 4 4 Méodo de geração de cenários em árvore 4.. Conceios básicos Uma das aividades mais comuns no mercado financeiro é considerar os possíveis esados fuuros da economia.
Leia maisEstudo 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 maisAplicação 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 maisUTILIZAÇÃO 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 maisDEMOGRAFIA. 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 maisANÁLISE DE SÉRIES TEMPORAIS NA PREVISÃO DA RECEITA DE UMA MERCEARIA LOCALIZADA EM BELÉM-PA USANDO O MODELO HOLT- WINTERS PADRÃO
XXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO. ANÁLISE DE SÉRIES TEMPORAIS NA PREVISÃO DA RECEITA DE UMA MERCEARIA LOCALIZADA EM BELÉM-PA USANDO O MODELO HOLT- WINTERS PADRÃO Breno Richard Brasil Sanos
Leia maisCINÉTICA 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 maisAplicações 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 maisProf. 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 mais3 Metodologia 3.1. O modelo
3 Meodologia 3.1. O modelo Um esudo de eveno em como obeivo avaliar quais os impacos de deerminados aconecimenos sobre aivos ou iniciaivas. Para isso são analisadas as diversas variáveis impacadas pelo
Leia mais5 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 maisDEPARTAMENTO DE ESTATÍSTICA - UFSCar 6 a Lista de exercício de Teoria de Matrizes 28/06/2017
DEPARTAMENTO DE ESTATÍSTICA - UFSCar 6 a Lisa de exercício de Teoria de Marizes 8/06/017 1 Uma pesquisa foi realizada para se avaliar os preços dos imóveis na cidade de Milwaukee, Wisconsin 0 imóveis foram
Leia mais*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 mais4 Filtro de Kalman. 4.1 Introdução
4 Filro de Kalman Ese capíulo raa da apresenação resumida do filro de Kalman. O filro de Kalman em sua origem na década de sessena, denro da área da engenharia elérica relacionado à eoria do conrole de
Leia maisFunção 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 maisEconometria 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 maisMódulo de Regressão e Séries S Temporais
Quem sou eu? Módulo de Regressão e Séries S Temporais Pare 4 Mônica Barros, D.Sc. Julho de 007 Mônica Barros Douora em Séries Temporais PUC-Rio Mesre em Esaísica Universiy of Texas a Ausin, EUA Bacharel
Leia maisExercícios 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 maisO Modelo Linear. 4.1 A Estimação do Modelo Linear
4 O Modelo Linear Ese capíulo analisa empiricamene o uso do modelo linear para explicar o comporameno da políica moneária brasileira. A inenção dese e do próximo capíulos é verificar se variações em preços
Leia mais5 Aplicação da Modelagem Estrutural ao problema de previsão de Preço Spot de Energia Elétrica.
Aplicação da Modelagem Esruural ao problema de previsão de Preço Spo de Energia Elérica. 41 5 Aplicação da Modelagem Esruural ao problema de previsão de Preço Spo de Energia Elérica. 5.1. Inrodução Nesa
Leia mais4 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 mais3 Modelo Teórico e Especificação Econométrica
3 Modelo Teórico e Especificação Economérica A base eórica do experimeno será a Teoria Neoclássica do Invesimeno, apresenada por Jorgensen (1963). Aneriormene ao arigo de Jorgensen, não havia um arcabouço
Leia mais4. Modelagem (3) (4) 4.1. Estacionaridade
24 4. Modelagem Em um modelo esaísico adequado para se evidenciar a exisência de uma relação lead-lag enre as variáveis à visa e fuura de um índice é necessário primeiramene verificar se as variáveis logarimo
Leia maisAULA 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 maisCapítulo 4. Propriedades dos Estimadores de Mínimos Quadrados
Capíulo 4 Propriedades dos Esimadores de Mínimos Quadrados Hipóeses do Modelo de Regressão Linear Simples RS1. y x e 1 RS. Ee ( ) 0 E( y ) 1 x RS3. RS4. var( e) var( y) cov( e, e ) cov( y, y ) 0 i j i
Leia mais4 Metodologia Proposta para o Cálculo do Valor de Opções Reais por Simulação Monte Carlo com Aproximação por Números Fuzzy e Algoritmos Genéticos.
4 Meodologia Proposa para o Cálculo do Valor de Opções Reais por Simulação Mone Carlo com Aproximação por Números Fuzzy e Algorimos Genéicos. 4.1. Inrodução Nese capíulo descreve-se em duas pares a meodologia
Leia maisAPLICAÇÃO DO MÉTODO DE HOLT NA PREVISÃO DE DADOS DE ÁGUA DA CIDADE DE RONDONÓPOLIS-MT
APLICAÇÃO DO MÉTODO DE HOLT NA PREVISÃO DE DADOS DE ÁGUA DA CIDADE DE RONDONÓPOLIS-MT Alerêdo Oliveira Curim 1 & Aldo da Cunha Rebouças Resumo - O conhecimeno prévio dos volumes de água de qualquer sisema
Leia maisInstituto 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 maisINFLUÊNCIA DO FLUIDO NA CALIBRAÇÃO DE UMA BALANÇA DE PRESSÃO
INFLUÊNCIA DO FLUIDO NA CALIBRAÇÃO DE UMA BALANÇA DE PRESSÃO Luiz Henrique Paraguassú de Oliveira 1, Paulo Robero Guimarães Couo 1, Jackson da Silva Oliveira 1, Walmir Sérgio da Silva 1, Paulo Lyra Simões
Leia maisUniversidade Federal de Lavras
Universidade Federal de Lavras Deparameno de Esaísica Prof. Daniel Furado Ferreira 11 a Teoria da Decisão Esaísica 1) Quais são os erros envolvidos nos eses de hipóeses? Explique. 2) Se ao realizar um
Leia mais4 Análise Empírica. 4.1 Definição da amostra de cada país
57 4 Análise Empírica As simulações apresenadas no capíulo anerior indicaram que a meodologia desenvolvida por Rigobon (2001 é aparenemene adequada para a análise empírica da relação enre a axa de câmbio
Leia maisExportações e Consumo de Energia Elétrica: Uma Análise Econométrica Via Decomposição do Fator Renda.
XVIII Seminário Nacional de Disribuição de Energia Elérica Olinda - Pernambuco - Brasil SENDI 2008-06 a 0 de ouubro Exporações e Consumo de Energia Elérica: Uma Análise Economérica Via Decomposição do
Leia maisTeoremas Básicos de Equações a Diferenças Lineares
Teoremas Básicos de Equações a Diferenças Lineares (Chiang e Wainwrigh Capíulos 17 e 18) Caracerização Geral de Equações a diferenças Lineares: Seja a seguine especificação geral de uma equação a diferença
Leia maisUniversidade 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 maisCaracterísticas 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 maisModelos Não-Lineares
Modelos ão-lineares O modelo malhusiano prevê que o crescimeno populacional é exponencial. Enreano, essa predição não pode ser válida por um empo muio longo. As funções exponenciais crescem muio rapidamene
Leia mais3 METODOLOGIA E AMOSTRA
3 METODOLOGIA E AMOSTRA 3.1. Descrição da Amosra Foram uilizados o índice da Bolsa de Valores de São Paulo (Ibovespa) como represenaivo da careira de mercado e os cerificados de depósios inerfinanceiros
Leia maisDETERMINAÇÃO DA RAZÃO DE HEDGE ÓTIMA PARA O BOI GORDO NO MERCADO FUTURO DA BM&F PELA APLICAÇÃO DA SIMULAÇÃO MONTE CARLO
XXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO. DETERMINAÇÃO DA RAZÃO DE HEDGE ÓTIMA PARA O BOI GORDO NO MERCADO FUTURO DA BM&F PELA APLICAÇÃO DA SIMULAÇÃO MONTE CARLO Reginaldo Sanana Figueiredo (UFG)
Leia mais2 PREVISÃO DA DEMANDA
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
Leia maisPREVISÃO DE VENDAS ATRAVÉS DA METODOLOGIA DE BOX & JENKINS: UM ESTUDO DE CASO
! "#$ " %'&)(*&)+,.- /1.2*&4365879&4/1:.+58;.2*=?5.@A2*3B;.- C)D 5.,.5FE)5.G.+ &4- (IHJ&?,.+ /?=)5.KA:.+5MLN&OHJ5F&4E)2*EOHJ&)(IHJ/)G.- D - ;./);.& PREVISÃO DE VENDAS ATRAVÉS DA METODOLOGIA DE BOX
Leia maisEnunciado genérico. Trabalho: Séries Temporais Disciplina: Estatística Ambiental
Enunciado genérico Trabalho: Séries Temporais Disciplina: Esaísica Ambienal Criérios de escolha da série 1. A série escolhida deverá er uma exensão, N, de pelo menos 150 observações da variável em esudo;.
Leia mais4 Modelo de fatores para classes de ativos
4 Modelo de aores para classes de aivos 4.. Análise de esilo baseado no reorno: versão original (esáica A análise de esilo baseada no reorno é um procedimeno esaísico que visa a ideniicar as ones de riscos
Leia mais5.1. Filtragem dos Estados de um Sistema Não-Linear Unidimensional. Considere-se o seguinte MEE [20] expresso por: t t
5 Esudo de Casos Para a avaliação dos algorimos online/bach evolucionários proposos nese rabalho, foram desenvolvidas aplicações em problemas de filragem dos esados de um sisema não-linear unidimensional,
Leia maisLista de Exercícios #11 Assunto: Séries Temporais
. ANPEC 995 - Quesão 5 Lisa de Exercícios # Assuno: Séries Temporais Sea yi xi i ordinários (MQO) de e, respecivamene. Pode-se afirmar que: uma equação de regressão e seam a e b esimadores de mínimos quadrados
Leia maisControle estatístico de processo: soluções de um estudo de caso usando procedimentos estatísticos
XI SIMPEP - Bauru, SP, Brasil, 08 a 10 de novembro de 2004 Conrole esaísico de processo: soluções de um esudo de caso usando procedimenos esaísicos Suzana Leião Russo (URI) jss@urisan.che.br Rober Wayne
Leia mais4 Aplicação do Modelo
Aplicação do Modelo É possível enconrar na lieraura diversas aplicações que uilizam écnicas esaísicas e de compuação inensiva para realizar previsões de curo prazo na área de energia elérica. Enre elas
Leia maisPrevisão de consumos a curto prazo
Previsão de consumos a curo prazo Séries emporais Cláudio Moneiro Disribuição de Energia II 5º ano da LEEC - ramo de Energia (FEUP) Séries emporais Esa é a meodologia clássica mais popular para a previsão
Leia maisÍndice de Avaliação de Obras - 15
Índice de Avaliação de Obras - 15 Assim sendo e de modo idênico ao apresenado na meodologia do ID, o cumprimeno do que foi programado indica no Índice de Avaliação de Obras, IAO, ambém o valor 1 (hum).
Leia maisAplicação. Uma famosa consultoria foi contratada por uma empresa. que, entre outras coisas, gostaria de entender o processo
Aplicação Uma famosa consuloria foi conraada por uma empresa que, enre ouras coisas, gosaria de enender o processo gerador relacionado às vendas de deerminado produo, Ainda, o conraane gosaria que a empresa
Leia maisCOMPORTAMENTO DOS PREÇOS DO ETANOL BRASILEIRO: DETERMINAÇÃO DE VARIÁVEIS CAUSAIS
Versão inicial submeida em 30/07/2013. Versão final recebida em 23/10/2014. Rio de Janeiro, v.7, n.1, p. 19-28, janeiro a abril de 2015 COMPORTAMENTO DOS PREÇOS DO ETANOL BRASILEIRO: DETERMINAÇÃO DE VARIÁVEIS
Leia maisMETODOLOGIA PARA IMPLEMENTAÇÃO DE SISTEMAS DE PREVISÃO DE DEMANDA
UNIVERSIDADE FEDERAL DO RIO GRANDE DO SUL ESCOLA DE ENGENHARIA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO METODOLOGIA PARA IMPLEMENTAÇÃO DE SISTEMAS DE PREVISÃO DE DEMANDA Fernando Rezende Pellegrini
Leia maisSéries de Tempo. José Fajardo. Agosto EBAPE- Fundação Getulio Vargas
Séries de Tempo Inrodução José Faardo EBAPE- Fundação Geulio Vargas Agoso 0 José Faardo Séries de Tempo . Por quê o esudo de séries de empo é imporane? Primeiro, porque muios dados econômicos e financeiros
Leia maisMotivação. Prof. Lorí Viali, Dr.
Moivação rof. Lorí Viali, Dr. vialli@ma.ufrgs.br hp://www.ma.ufrgs.br/~vialli/ Na práica, não exise muio ineresse na comparação de preços e quanidades de um único arigo, como é o caso dos relaivos, mas
Leia maisCapítulo 2: Proposta de um Novo Retificador Trifásico
30 Capíulo 2: Proposa de um Novo Reificador Trifásico O mecanismo do descobrimeno não é lógico e inelecual. É uma iluminação suberrânea, quase um êxase. Em seguida, é cero, a ineligência analisa e a experiência
Leia maisPrevisão 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 mais4 Distribuições univariadas e multivariadas de retornos e volatilidades
35 4 Disribuições univariadas e mulivariadas de reornos e volailidades 4.1. Disribuições Condicionais Univariadas de Reornos Caracerizar disribuições (incondicionais) de reornos de aivos é uma preocupação
Leia maisExperiência 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 mais5.3 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 maisCircuitos 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 maisGráfico 1 Nível do PIB: série antiga e série revista. Série antiga Série nova. através do site
2/mar/ 27 A Revisão do PIB Affonso Celso Pasore pasore@acpasore.com Maria Crisina Pinoi crisina@acpasore.com Leonardo Poro de Almeida leonardo@acpasore.com Terence de Almeida Pagano erence@acpasore.com
Leia maisEfeito Dia-da-Semana no Mercado Brasileiro: Uma Análise Sob a Ótica da Liquidez, do Retorno e da Volatilidade
Efeio Dia-da-Semana no Mercado Brasileiro: Uma Análise Sob a Óica da Liquidez, do Reorno e da Volailidade Resumo Auoria: Paulo Sergio Cerea, Kelmara Mendes Vieira, Felipe Milach Ese esudo em como objeivo
Leia maisUniversidade 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 maisMODELAGEM E PREVISÃO DE PREÇOS RECEBIDOS PELOS SOJICULTORES DOS ESTADOS DO RIO GRANDE DO SUL, PARANÁ E MATO GROSSO
"Conhecimenos para Agriculura do Fuuro" MODELAGEM E PREVISÃO DE PREÇOS RECEBIDOS PELOS SOJICULTORES DOS ESTADOS DO RIO GRANDE DO SUL, PARANÁ E MATO GROSSO JOELSIO JOSÉ LAZZAROTTO () ; JOÃO EUSTÁQUIO DE
Leia maisPREVISÃO DE ENERGIA ELÉTRICA: MODELAGEM E USO DE COMBINAÇÕES DE PREVISÕES
PREVISÃO DE ENERGIA ELÉTRICA: MODELAGEM E USO DE COMBINAÇÕES DE PREVISÕES LIANE WERNER (UFRGS) liane@producao.ufrgs.br VERA LÚCIA MILANI MARTINS (UFRGS) vlmmarins@yahoo.com.br DANILO CUZZUOL PEDRINI (UFRGS)
Leia mais4 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 maisRegularização de descargas
HIP 11 HIDROLOGIA II Aula 8 Professor Joel Avruch Goldenfum IPH/UFRGS Regularização de descargas vazões naurais exremamene variáveis deve-se compaibilizar a ofera naural com a demanda uso mais harmonioso
Leia mais2 Revisão Bibliográfica
Revisão Bibliográfica Ese capíulo apresena os principais conceios, abordagens e a formulação básica das meodologias que esão incluídas no modelo HPA. Conceios maemáicos e esaísicos mais dealhados podem
Leia maisCritérios e Metodologia de Apuração de Superfície de Volatilidade
Criérios e Meodologia de Apuração de Superfície de Volailidade Diariamene são calculadas superfícies de volailidade implícia de odos os vencimenos de conraos de opções em que há posição em abero e/ou séries
Leia maisIII Congresso da Sociedade Portuguesa de Estatística Guimarães, 26 a 28 Junho 1995
1 III Congresso da Sociedade Poruguesa de Esaísica Guimarães, 26 a 28 Junho 1995 Políicas Ópimas e Quase-Ópimas de Inspecção de um Sisema Sujeio a Falhas Cláudia Nunes, João Amaral Deparameno de Maemáica,
Leia mais2 Os métodos da família X Introdução
2 Os méodos da família X 2. Inrodução O méodo X (Dagum, 980) emprega médias móveis (MM) para esimar as principais componenes de uma série (Sysem of Naional Accouns, 2003): a endência e a sazonalidade.
Leia maisESTUDO SOBRE A PREVISIBILIDADE DE PREÇOS NO MERCADO SPOT DE MILHO
ESTUDO SOBRE A PREVISIBILIDADE DE PREÇOS NO MERCADO SPOT DE MILHO vancleizanin@gmail.com APRESENTACAO ORAL-Comercialização, Mercados e Preços FABIO BANDEIRA GUERRA; VANCLEI ZANIN ZANIN; VITOR AUGUSTO OZAKI.
Leia maisIV. METODOLOGIA ECONOMÉTRICA PROPOSTA PARA O CAPM CONDICIONAL A Função Máxima Verosimilhança e o Algoritmo de Berndt, Hall, Hall e Hausman
IV. MEODOLOGIA ECONOMÉRICA PROPOSA PARA O CAPM CONDICIONAL 4.1. A Função Máxima Verosimilhança e o Algorimo de Bernd, Hall, Hall e Hausman A esimação simulânea do CAPM Condicional com os segundos momenos
Leia maisCOMPARAÇÃO DE DESEMPENHO DE ESTATÍSTICAS DE MONITORAMENTO DA QUALIDADE DE PREVISÕES DE SÉRIES TEMPORAIS
Engenharia de Produção, Infraesruura e Desenvolvimeno Susenável: a Agenda Brasil+0 Curiiba, PR, Brasil, 07 a 0 de ouubro de 204. COMPARAÇÃO DE DESEMPENHO DE ESTATÍSTICAS DE MONITORAMENTO DA QUALIDADE DE
Leia maisAPOSTILA DE MODELOS LINEARES EM SÉRIES TEMPORAIS
UNIVERSIDADE FEDERAL DE MINAS GERAIS - UFMG INSIUO DE CIÊNCIAS EXAAS ICEx DEPARAMENO DE ESAÍSICA ES APOSILA DE MODELOS LINEARES EM SÉRIES EMPORAIS Glaura da Conceição Franco (ES/UFMG) Belo Horizone, agoso
Leia maisANÁLISE DO PROCESSO PRODUTIVO DE UMA INDÚSTRIA TÊXTIL ATRAVÉS DE CARTAS DE CONTROLE
5, 6 e 7 de Agoso de 010 ISSN 1984-9354 ANÁLISE DO PROCESSO PRODUTIVO DE UMA INDÚSTRIA TÊXTIL ATRAVÉS DE CARTAS DE CONTROLE Maria Emilia Camargo (Universidade de Caxias do Sul) kamargo@erra.com.br Waler
Leia maisLista 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 maisAPLICAÇÃO DE MODELOS QUANTITATIVOS DE PREVISÃO EM UMA EMPRESA DE TRANSPORTE FERROVIÁRIO
XXIII ENEGEP - Ouro Preo, MG, Brasil, 22 a 24 de ouubro de 2003 APLICAÇÃO DE MODELOS QUANTITATIVOS DE PREVISÃO EM UMA EMPRESA DE TRANSPORTE FERROVIÁRIO Ricardo Ferrari Pacheco Universidade Caólica de Goiás
Leia mais