PREVISÃO DE DEMANDA: UMA APLICAÇÃO DOS MODELOS BOX- JENKINS NA ÁREA DE ASSISTÊNCIA TÉCNICA DE COMPUTADORES PESSOAIS
|
|
- Ana do Carmo Borges Imperial
- 8 Há anos
- Visualizações:
Transcrição
1 PREVISÃO DE DEMANDA: UMA APLICAÇÃO DOS MODELOS BOX- JENKINS NA ÁREA DE ASSISTÊNCIA TÉCNICA DE COMPUTADORES PESSOAIS Liane Werner Deparameno de Esaísica, Universidade Federal do Rio Grande do Sul, Rua Beno Gonçalves, 900, CEP , Poro Alegre, RS, José Luis Duare Ribeiro Programa de Pós-graduação em Engenharia de Produção, Universidade Federal do Rio Grande do Sul, Praça Argenina, 9, o andar, sala LOPP, CEP , Poro Alegre, RS, ribeiro@ufrgs.br v.0, n., p.-, abr. 00 Resumo A previsão de demanda é uma aividade imporane para auxiliar na deerminação dos recursos necessários para a empresa. Nese arigo, a meodologia de Box-Jenkins foi uilizada para analisar dados hisóricos de uma empresa de assisência écnica de compuadores pessoais e ober previsões do número de aendimenos. A empresa esudada apresena rês ipos de clienes diferenciados: conraos, garania e avulsos. Como cada segmeno de clienes em suas peculiaridades, a previsão de demanda foi direcionada a cada ipo, buscando represenar o comporameno de endência e a sazonalidade por meio dos modelos de Box-Jenkins. A obenção dos modelos mais adequados foi baseada na análise de gráficos e em eses esaísicos próprios da meodologia, os quais subsidiaram a decisão de adoar o modelo AR() para prever o número de aendimenos dos clienes ipo conrao, o modelo ARIMA(,,0) para os clienes ipo garania e um modelo sazonal SARIMA(0,,0)(0,,) para os clienes ipo avulsos. Palavras-chave: previsão de demanda, modelos Box-Jenkins, modelos ARIMA, séries emporais, assisência écnica.
2 8 Werner & Ribeiro Previsão de Demanda: Uma Aplicação dos Modelos Box-Jenkins.... Inrodução Na úlima década, a globalização passou a ser a palavra-chave no mercado mundial. As empresas que desejam se maner nele, ou mesmo em seus mercados locais, precisam, anes de udo, analisar a siuação que as rodeiam e aenar aos rumos omados no âmbio da globalização. Segundo Makridakis e al. (998), realizar previsões de demanda é imporane para auxiliar na deerminação dos recursos necessários para a empresa. Em empos de aberura de mercados, essa aividade orna-se fundamenal. Os mercados que podem ser acessados pela empresa, assim como a concorrência que os dispua, mudam coninuamene, exigindo novas previsões de demanda em períodos mais curos. Na área de assisência écnica de compuadores, prever a demanda dos serviços esá inimamene ligado à disponibilização de recursos, ano humanos como de equipamenos, para um aendimeno eficaz aos clienes. As previsões de demanda são elaboradas uilizando écnicas quani e qualiaivas ou, ainda, uma misura de ambas. Segundo Pellegrini & Fogliao (000), méodos quaniaivos uilizam dados hisóricos para prever a demanda em períodos fuuros. Uma das écnicas quaniaivas mais difundida é a meodologia de Box-Jenkins, descria por esses auores na década de 0. Os modelos de Box- Jenkins parem da idéia de que cada valor da série (emporal) pode ser explicado por valores prévios, a parir do uso da esruura de correlação emporal que geralmene há enre os valores da série. Segundo Abdel-Aal & Al-Garni (99), os modelos Box-Jenkins êm sido largamene uilizados para modelagem e previsão em aplicações médicas, ambienais, financeiras e de engenharia. Os próprios auores aplicaram essa meodologia para prever o consumo mensal de energia elérica no lese da Arábia Saudia. Para Slini e al. (00), a modelagem de séries emporais é apropriada à previsão da qualidade do ar. Esses auores aplicaram a meodologia de Box-Jenkins para prever a qualidade do ar na cidade de Aenas, na Grécia. Além de aplicações nas áreas ciadas, Lim & McAleer (00) mencionam, com base em diferenes méodos de previsão de séries emporais, que a lieraura na área de previsão de demanda urísica é numerosa. Os referidos auores aplicaram a meodologia de Box-Jenkins e modelaram a demanda de urisas que chegam à Ausrália provenienes de rês países da Ásia. Nese arigo, a meodologia de Box-Jenkins é aplicada aos dados hisóricos de uma empresa que aua no seor de serviços, fornecendo assisência écnica para compuadores pessoais. A principal conribuição dese arigo pode ser resumida em rês aspecos:. apresenação passo a passo do emprego da meodologia;. uso seqüencial de gráficos e eses esaísicos para subsidiar a consrução e a escolha dos modelos mais adequados; e. ênfase na modelagem orienada a cada segmeno de cliene, uma vez que eles são influenciados por diferenes faores e, assim, apresenam comporameno disino no que se refere à endência e à sazonalidade.. Modelos Box-Jenkins Conforme Morrein & Toloi (98), uma série emporal é qualquer conjuno de observações ordenadas no empo. Séries emporais são composas por quaro elemenos:. Tendência: verifica o senido de deslocameno da série ao longo de vários anos.. Ciclo: movimeno ondulaório que ao longo de vários anos ende a ser periódico.. Sazonalidade: movimeno ondulaório de cura duração, em geral, inferior a um ano; associada, na maioria dos casos, a mudanças climáicas.. Ruído aleaório ou erro: compreende a variabilidade inrínseca aos dados e não pode ser modelado.
3 GESTÃO & PRODUÇÃO, v.0, n., p.-, abr Como uma série emporal em os dados coleados seqüencialmene ao longo do empo, espera-se que ela apresene correlação seriada no empo. Os modelos de Box-Jenkins, genericamene conhecidos por ARIMA (Auo Regressive Inegraed Moving Averages) e na lieraura em poruguês por Auo-regressivos Inegrados de Médias Móveis, são modelos maemáicos que visam capar o comporameno da correlação seriada ou auocorrelação enre os valores da série emporal, e com base nesse comporameno realizar previsões fuuras. Se essa esruura de correlação for bem modelada, fornecerá boas previsões. Segundo Fava (000), os modelos ARIMA resulam da combinação de rês componenes denominados filros : o componene auo-regressivo (AR), o filro de inegração (I) e o componene de médias móveis (MA). Uma série pode ser modelada pelos rês filros ou apenas um subconjuno deles, resulando em vários modelos abordados a seguir.. Modelos esacionários Modelos esacionários são aqueles que assumem que o processo esá em equilíbrio. Um processo é considerado fracamene esacionário se suas média e variância se manêm consanes ao longo do empo e a função de auocovariância depende apenas da defasagem enre os insanes de empo. Um processo é foremene esacionário se odos os momenos conjunos são invarianes a ranslações no empo. Modelo auo-regressivo (AR) Em um modelo auo-regressivo, a série de dados hisóricos Z é descria por seus valores passados regredidos e pelo ruído aleaório. Assim, um modelo AR(p) é dado por: Z φz φz... φp Z p (.) em que: Z Z µ ; φ i é o parâmero que descreve como Z se relaciona com o valor para i,,..., p. Z i O modelo AR(p) dado pela equação. pode ser reescrio conforme apresenado na equação., uilizando o operador de defasagem L (aplicando o operador de defasagem em Z emos L Z ). p ( φ L φl... φpl ) Z φ( L) Z (.) O modelo auo-regressivo de ordem ou AR() é a versão mais simples dessa classe de modelos. Sua apresenação algébrica é dada pela equação.: Z φ Z (.) Para o modelo ser esacionário é necessário que φ < (condição de esacionariedade) e que as auocovariâncias (γ k ) sejam independenes. No caso do modelo AR(), as auocovariâncias são dadas por: γ k φ k γ (.) 0 e as auocorrelações ρ k são dadas pela equação.: γ k k ρ k φ γ k 0,,,... (.) 0 A função de auocorrelação decai exponencialmene quando φ é posiivo; quando φ é negaivo, a função de auocorrelação ambém decai exponencialmene, mas apresena alernância de sinais posiivos e negaivos. Modelos de médias móveis (MA) Em um modelo de médias móveis (do inglês moving average), a série Z resula da combinação dos ruídos brancos do período aual com aqueles ocorridos em períodos aneriores. Assim, um modelo de médias móveis de ordem q ou MA(q) é dado por: Z θ θ... θ (.) q q
4 0 Werner & Ribeiro Previsão de Demanda: Uma Aplicação dos Modelos Box-Jenkins... em que: Z Z µ ; θ i é o parâmero que descreve como Z se relaciona com o valor i para i,,..., q. O modelo MA(q) dado pela equação. pode ser reescrio, como em., uilizando o operador de defasagem L. ( θ θ θ q L L... ql ) θ( L) Z (.) O modelo MA() é a versão mais simples dessa classe de modelos. Sua apresenação algébrica é dada pela equação.8: Z θ (.8) As auocorrelações ρ k, que nada mais são do que as auocovariâncias dividas pela variância, são dadas por: γ θσ θ ρ e γ0 ( θ ) σ ( θ ) ρ k 0 k > (.9) A função de auocorrelação do modelo MA() apresena apenas a primeira auocorrelação nãonula e as demais iguais a zero. A primeira auocorrelação será posiiva se θ for menor que zero e negaiva se θ for maior que zero. Segundo Nelson (9), uma propriedade imporane da MA(), proveniene da função de auocorrelação, é que sua memória é de somene um período. Uma dada observação, por exemplo Z, esá correlacionada apenas a seu anecessor Z e a seu sucessor Z, mas não a qualquer ouro membro da série. Para ober a condição de inveribilidade, iso é, para ransformar um modelo MA() em um modelo AR( ), é preciso impor a resrição de que θ <. Segundo Abraham & Ledoler (98), para que um processo MA(q) se orne inversível, é necessário que as raízes da equação: q θ(l) ( θ L θl... θql ) 0 sejam maiores que um. Modelos auo-regressivos de médias móveis (ARMA) Em alguns casos, pode ser necessário uilizar um grande número de parâmeros em modelos puramene AR ou puramene MA. Nesses casos, é vanajoso misurar os componenes de um modelo AR como os componenes de um modelo MA, gerando, assim, um modelo ARMA. O modelo ARMA(p,q) exigirá um número menor de ermos e pode ser expresso conforme a equação.0: Z φz... φpz p... q q θ θ (.0) O modelo ARMA mais simples é o ARMA(,), dado pela equação.: Z φ Z θ (.) A função de auocorrelação do modelo ARMA(,) é dada por: ρ ( φ θ )( φ θ) θ φ θ ρ k φρk para k > (.) A função de auocorrelação do modelo ARMA(p,q) apresena caracerísicas da função MA(q) para as defasagens k < q, pelo fao de a memória do componene de médias móveis durar apenas q períodos. Para defasagens maiores que k as caracerísicas são iguais às de um modelo AR(p).. Modelos não-esacionários Quando uma série emporal apresena média e variância dependenes do empo, é porque ela não é esacionária. A não-esacionariedade de uma série implica que: a) há inclinação nos dados e eles não permanecem ao redor de uma linha horizonal ao longo do empo e/ou b) a variação dos dados não permanece essencialmene consane sobre o empo, iso é, as fluuações
5 GESTÃO & PRODUÇÃO, v.0, n., p.-, abr. 00 aumenam ou diminuem com o passar do empo, indicando que a variância esá se alerando. Para deecar a não-esacionariedade de uma série, o comporameno emporal pode ser analisado graficamene, buscando padrões (a) e (b) ou, enão, aplicando os eses esaísicos de raiz uniária. O ese de raiz uniária mais usado é o de Dickey- Fuller. Ouros dealhes sobre esse ese podem ser visos em Makridakis e al. (998), Enders (99) e Hamilon (99). Modelos auo-regressivos inegrados de médias móveis (ARIMA) Como a maioria dos procedimenos de análise esaísica de séries emporais supõe que esas sejam esacionárias, será necessário ransformálas caso ainda não sejam. Segundo Morrein & Toloi (98), a ransformação mais comum consise em omar diferenças sucessivas da série original aé ober uma série esacionária. A primeira diferença de Z é definida por.: Z Z Z (.) a segunda é dada por.: DZ D [D Z ] D[Z Z ] Z Z Z (.) Em siuações normais, ainda segundo os auores ciados, será suficiene omar uma ou duas diferenças para que a série se orne esacionária. O número d de diferenças necessárias para ornar a série esacionária é denominado ordem de inegração. A inclusão do ermo de ordem de inegração permie que sejam uilizados os modelos ARIMA(p,d,q) dados pela equação.: w φ w... φpw p θ θ (.)... q q em que: w d Z. O modelo ARIMA(p,d,q) dado pela equação. pode ser reescrio, como em., uilizando o operador de defasagem L. ( φ p q L... φpl )w ( θl... θql ) com w ( L) d Z φ(l) ( L) d Z θ(l) (.). Modelos sazonais Os modelos ARIMA exploram a auocorrelação enre os valores da série em insanes sucessivos, mas quando os dados são observados em períodos inferiores a um ano, a série ambém pode apresenar auocorrelação para uma esação de sazonalidade s. Os modelos que conemplam as séries que apresenam auocorrelação sazonal são conhecidos como SARIMA. Os modelos SARIMA conêm uma pare não sazonal, com parâmeros (p,d,q), e uma sazonal, com parâmeros (P,D,Q) s. O modelo mais geral é dado pela equação.: ( φ Φ p s Ps L... φpl )( ΦL... PL ) d s D ( L) ( L ) Z ( θl... θq em que: s Qs L... ΘQL ) q L ) ( Θ (.) p ( φl... φ p L ) é a pare auo-regressiva não-sazonal de ordem p; s Ps ( ΦL... ΦPL ) é a pare auo-regressiva sazonal de ordem P e esação sazonal s; d ( L) é pare de inegração não-sazonal de ordem d; ( L s ) D é pare de inegração sazonal de ordem D e esação sazonal s; q ( θl... θ q L ) é a pare não-sazonal de médias móveis de ordem q; s Qs ( ΘL... ΘQL ) é a pare sazonal de médias móveis de ordem Q e esação sazonal s.
6 Werner & Ribeiro Previsão de Demanda: Uma Aplicação dos Modelos Box-Jenkins.... Eapas da meodologia Box-Jenkins Segundo Morrein & Toloi (98), a consrução dos modelos Box-Jenkins é baseada em um ciclo ieraivo, no qual a escolha do modelo é feia com base nos próprios dados. Segundo Box & Jenkins (9), são rês as eapas para consrução do modelo:. Idenificação: consise em descobrir qual denre as várias versões dos modelos de Box-Jenkins, sejam eles sazonais ou não, descreve o comporameno da série. A idenificação do modelo a ser esimado ocorre pelo comporameno das funções de auocorrelações (ACF) e das funções de auocorrelações parciais (PACF). Ouros dealhes referenes à obenção dessas funções e a quais comporamenos represenam os modelos aneriormene abordados podem ser pesquisados em Makridakis e al. (998).. Esimação: consise em esimar os parâmeros φ e Φ do componene auo-regressivo, os parâmeros θ e Θ do componene de médias móveis e a variância de.. Verificação: consise em avaliar se o modelo esimado é adequado para descrever o comporameno dos dados. Caso o modelo não seja adequado, o ciclo é repeido, volando-se à fase de idenificação. Um procedimeno muio uilizado é idenificar não só um único modelo, mas alguns modelos que serão enão esimados e verificados. Quando se obém um modelo saisfaório, passa-se para a úlima eapa da meodologia de Box-Jenkins, que consiui o objeivo principal da meodologia: realizar previsões. O dealhameno dessas eapas se dará com a aplicação no esudo de caso.. Esudo de caso Com o objeivo de realizar previsões de demanda, inicialmene, foram reunidos dados hisóricos de agoso de 99 a julho de 00 de uma empresa presadora de serviços de assisência écnica em equipamenos de informáica. Por moivos esraégicos, os dados mais auais não foram disponibilizados para publicação. No enano, isso não compromee a apresenação dese arigo, cujo propósio é esclarecer a uilização da meodologia e discuir a imporância da segmenação de clienes. Traa-se de uma empresa de pequeno pore que aualmene cona com duas lojas de aendimeno aos clienes na capial gaúcha, com aproximadamene 0 funcionários. Essa empresa em rês ipos diferenciados de clienes: os clienes que assinam conraos de manuenção, em geral pessoas jurídicas; os clienes que razem o equipameno para manuenção no período de garania; e os clienes avulsos, em geral pessoas físicas. A empresa realiza serviços de manuenção de hardware e/ ou sofware e, raramene, vende peças sem realizar algum ipo de serviço. A demanda da empresa não pode ser esabelecida sem uma análise segmenada dos ipos de clienes. Cada ipo de cliene aendido pela empresa em suas peculiaridades, por isso, a previsão de demanda oal deve ser a soma da previsão da demanda individual dos ipos de clienes. Assim, para realizar a previsão de demanda da empresa foi empregada a meodologia de Box-Jenkins para o número de aendimenos realizados em cada um dos rês ipos de clienes.. Meodologia Box-Jenkins para clienes ipo conrao.. Eapa de idenificação Para idenificar os modelos apropriados, inicialmene deve ser analisado o gráfico de empo da série em esudo. A análise desse gráfico pode indicar a presença de endência ou aleração na variância, o que revelaria se a série é ou não esacionária. Quano ao número de aendimenos de clienes ipo conrao, enconrado na Figura, observa-se fraca endência decrescene. Porano, como a série apresena inclinação muio pequena, ela será considerada esacionária. Essa
7 GESTÃO & PRODUÇÃO, v.0, n., p.-, abr. 00 suposição coincide com a expecaiva da equipe écnica da empresa, que não acredia que possa ocorrer diminuição do número de conraos nos próximos meses. O próximo passo é analisar as funções de auocorrelações (ACF) e de auocorrelações parciais (PACF). O comporameno dessas funções indica qual o modelo a ser uilizado, bem como auxilia no uso dos eses de raízes uniárias para confirmar a esacionariedade. A Figura a apresena a ACF do número de aendimenos de clienes ipo conrao. Podese observar que a ACF decai exponencialmene rápido, chegando a zero nas primeiras defasagens, indicação de um modelo AR(). A PACF apresena as auocorrelações parciais, as quais medem a correlação enre o valor de Z e Z k, desconadas a influência dos valores de Z aé Z k, e são obidas pelas equações de Yule-Walker (Figura b). Observa-se que apenas a auocorrelação de defasagem é significaiva, reforçando a indicação de um modelo AR(). Como as ACF e PACF fornecem a indicação de um modelo auo-regressivo de ordem um, esouse a esacionariedade da série por inermédio do ese Dickey-Fuller, o mais conhecido ese de raízes uniárias. Para al, uilizou-se o pacoe economérico EViews (versão.0), em que a hipóese de não-esacionariedade foi rejeiada em nível de % de significância. Viso que a série pode ser considerada esacionária, a ordem de inegração é zero, iso é, d 0... Eapa de esimaiva Uma vez indicados os valores de p, d e q, passa-se para a esimaiva dos parâmeros do modelo proposo, da variância do resíduo σ e da consane do modelo que, nese caso, é o nível médio do processo. Para esimar os parâmeros do modelo foi usado o pacoe esaísico SPSS (versão 8.0), opando-se pelo méodo de forecasing de mínimos quadrados incondicional. As esimaivas para o modelo em esudo foram: φ 0,9 e µ 9,9. Reescrevendo o modelo dado pela equação. e subsiuindo os valores dos coeficienes, emos: Z Z 0,9Z 9,9 0,9(Z 9,9) Z 0,9Z 9, 0 (.) 00 0 Número de aendimenos Ago/9 Fev/9 Ago/9 Fev/98 Ago/98 Fev/99 Ago/99 Fev/00 Ago/00 Fev/0 Mês Figura Número de aendimenos de clienes ipo conrao e sua endência.
8 Werner & Ribeiro Previsão de Demanda: Uma Aplicação dos Modelos Box-Jenkins...,0 (a),0 (b) Auocorrelações 0, 0, Auocorrelações parciais 0, 0,, , Figura a) Função de auocorrelação e b) função de auocorrelação parcial para o número de aendimenos de clienes ipo conrao... Eapa de verificação Essa eapa consise em verificar se o modelo idenificado e esimado é adequado. Em caso posiivo, ele pode ser uilizado para fazer previsões. Em caso negaivo, será necessário idenificar ouro modelo e repeir as eapas de esimaiva e verificação. Segundo Fava (000), as formas de verificação comumene uilizadas são: análise de resíduos e avaliação da ordem do modelo. Avaliação por meio da análise de resíduos Os resíduos do modelo esimado ˆ são esimaivas do ruído branco, sendo assim, devem apresenar esse comporameno se o modelo esiver adequadamene especificado, iso é, suas auocorrelações devem ser não-significanes. Para esar essa suposição, verificou-se o comporameno da ACF para os resíduos esimados. A análise da Figura revela que os resíduos apresenam comporameno aleaório, ou seja, não revelam padrão específico. Assim, a análise dos resíduos confirma a adequação do modelo. O uso do ese de Ljung-Box Q* reforça essa afirmaiva. Esse ese compara o valor da esaísica de ese com os valores abelados da disribuição Qui-quadrado com k-p-q graus de liberdade. Aplicando o ese para k sobre os erros esimados pela aplicação do modelo AR(), obém-se uma esaísica de ese Q*,0, que não é significaiva quando comparada ao valor da disribuição Quiquadrado com k p graus de liberdade. Assim, pela análise do ese de Ljung-Box, os resíduos podem ser considerados ruído branco. Avaliação da ordem do modelo O objeivo é verificar se o modelo é parcimonioso, iso é, se não em parâmeros em excesso. Essa verificação é realizada com base no erropadrão dos coeficienes. Se o valor do coeficiene esimado for pequeno em relação a seu erropadrão, conclui-se que ele não é significaivo, ou seja, não há evidências esaísicas para suporar a inclusão do coeficiene no modelo. Além disso, a análise do desvio-padrão residual é ouro indicador para verificar se a ordem do modelo esá adequada. Quano menor o erro-padrão, melhores serão as previsões. Os criérios de AIC (Akaike Informaion Crieria) e SBC (Schwarz Bayesian Crieria), uilizados para comparação de modelos e que levam em cona a variância do erro, o amanho da amosra T e os valores de p, q, P e Q, ambém são uilizados. Makridakis e al. (998) indicam que alguns programas compuacionais uilizam para o cálculo aproximado de AIC a expressão: T( ln(p)) T lns (p q P Q)
9 GESTÃO & PRODUÇÃO, v.0, n., p.-, abr. 00,0 0, Auocorrelações 0,, Figura Função de auocorrelação para os resíduos do modelo AR(). A Tabela apresena uma comparação do modelo escolhido com ouros dois modelos proposos para o número de aendimenos de clienes ipo conrao. Para o modelo AR() observa-se que o coeficiene φ não é significaivo (p-value igual a 0,), logo, a variável no empo não deve ser incluída no modelo. Para confirmar a esacionariedade da série, omou-se uma diferença e foi esimado o modelo ARIMA(,,0) que apresena desvio-padrão residual maior que o modelo indicado. Essas comparações levaram à escolha do modelo AR(), apresenado na equação.... Eapa de previsão Segundo Box & Jenkins (9), para um modelo auo-regressivo de primeira ordem, o previsor h passo a frene é dado por: (h) φ Z µ µφ (.) h em que: (h) é a previsão h passos a frene com base no empo ; φ é o coeficiene da variável em esudo defasada um período; e µ, a média do processo. h Tabela Criérios de comparação para verificação do melhor modelo. Modelo p-value dos coeficienes Criério AIC Criério SBC Desvio-padrão residual Variância residual AR() φ : 00 nível do processo: 00, (T ), (T ) 8,9., AR() φ : 00 φ : 0, nível do processo: 00,9 (T ) 8, (T ) 8,.8,8 ARIMA(,,0) φ : nível do processo: 0,8 9,,,., Fone: Análise no pacoe SPSS, versão 8.0.
10 Werner & Ribeiro Previsão de Demanda: Uma Aplicação dos Modelos Box-Jenkins... Para o esudo do número de aendimenos de clienes ipo conrao, a previsão com base no período de julho de 00 que corresponde a, é dada pela equação.: h (h) 0,9 9, 9 h 9,9* 0,9 (.) A Tabela apresena as previsões para a demanda do número de aendimenos de clienes ipo conrao, de agoso de 00 a fevereiro de 00, obidas com base no período de julho de 00. O gráfico com as previsões e o inervalo de 9% de confiança para as previsões enconrase na Figura. Tabela Previsões da demanda do número de aendimenos de clienes ipo conrao. Mês T h (h) Agoso/00 () 0,9 * 9,9 9,9* 0,9,9 Seembro/00 () 0,9 * 9,9 9,9*0,9,9 Ouubro/00 () 0,9 * 9,9 9,9*0,9 8,9 8 Novembro/00 () 0,9 * 9,9 9,9* 0,9 89,0 89 Dezembro/00 () 0,9 * 9,9 9,9* 0,9 9, 9 Janeiro/00 () 0,9 * 9,9 9,9*0,9 9, 9 Fevereiro/00 () 0,9 * 9,9 9,9*0,9 9, 9 00 Número de aendimenos Ago/9 Ago/9 Ago/98 Ago/99 Ago/00 Ago/0 Mês Valor observado Previsão Limie inferior a 9% Limie superior a 9% Figura Previsão da demanda do número de aendimenos de clienes ipo conrao.
11 GESTÃO & PRODUÇÃO, v.0, n., p.-, abr. 00. Meodologia Box-Jenkins para clienes ipo garania.. Eapa de idenificação Para idenificar os modelos apropriados, inicialmene, foi analisada a Figura, que apresena o gráfico de empo do número de aendimenos de clienes ipo garania. A análise dessa figura indica a presença de endência (crescimeno), o que revela uma série nãoesacionária. Além disso, a série apresena um nível médio que deve ser considerado no modelo a ser proposo. O próximo passo é analisar as funções de auocorrelações (ACF) e auocorrelações parciais (PACF) que podem auxiliar na verificação da esacionariedade e na definição do modelo mais apropriado. A Figura a apresena a ACF do número de aendimenos de clienes ipo garania e revela um comporameno senoidal, ípico do processo auo-regressivo. Já a PACF mosrada na Figura b apresena as rês primeiras defasagens significaivas, reforçando a indicação de um modelo auoregressivo, no caso, um AR(). As ACF e PACF indicam um modelo auoregressivo de ordem rês, conudo, é preciso verificar a esacionariedade da série. A verificação foi realizada por meio do ese Dickey- Fuller. Para al, uilizou-se o pacoe EViews (versão.0), em que a hipóese de não-esacionariedade não foi rejeiada em nível de % de significância. Assim, em virude da evidência de nãoesacionariedade da série, é necessário omar a diferença. Uilizando a primeira diferença e reaplicando o ese Dickey-Fuller verifica-se que a série é esacionária. Assim, em-se indicações de que a ordem de inegração deve ser um, iso é, d. Para ober a esacionariedade da série é preciso rabalhar com a diferença, porano, o modelo a ser indicado é um ARIMA(,,0) Número de aendimenos Ago/9 Fev/9 Ago/9 Fev/98 Ago/98 Fev/99 Ago/99 Fev/00 Ago/00 Fev/0 Mês Figura Número de aendimenos de clienes ipo garania e sua endência.
12 8 Werner & Ribeiro Previsão de Demanda: Uma Aplicação dos Modelos Box-Jenkins...,0 (a),0 (b) Auocorrelações 0, 0, Auocorrelações parciais 0, 0,, , Figura a) Função de auocorrelação e b) função de auocorrelação parcial para o número de aendimenos de clienes ipo garania... Eapa de esimaiva Uma vez indicados os valores de p, d e q, passa-se para a esimaiva dos parâmeros do modelo proposo e da variância do resíduo σ. Para esimar os parâmeros do modelo foi uilizado o pacoe esaísico SPSS (versão 8.0), opando-se pelo méodo de forecasing de mínimos quadrados incondicional. Conforme será viso na próxima seção, o modelo ARIMA(,,0) indicado aneriormene não é o mais adequado. O modelo que melhor represena a série do número de aendimenos de clienes ipo garania é o modelo ARIMA (,,0). As esimaivas dos coeficienes para esse modelo foram: φ 0,8; φ 0,9. Reescrevendo o modelo dado pela equação. (sem o ermo consane), com p, d e q 0, e subsiuindo os valores dos coeficienes, em-se: ( φ L φl )( L)Z Z 0,Z Z 0,9Z (.).. Eapa de verificação Avaliação por meio da análise de resíduos Se o modelo esiver adequadamene especificado, os resíduos do modelo esimado serão esimaivas de ruído branco e, assim, os coeficienes de auocorrelação dos resíduos devem ser esaisicamene iguais a zero. A Figura revela que os resíduos efeivamene apresenam comporameno aleaório (ruído branco), logo, o modelo é adequado no que se refere à análise dos resíduos. Essa conclusão é reforçada após a uilização do ese de Ljung-Box Q*, que não rejeia, para qualquer defasagem k, a hipóese de erros não correlacionados. Assim, podemos considerar que os resíduos se comporam como ruído branco. Avaliação da ordem do modelo A Tabela apresena uma comparação do modelo proposo ARIMA(,,0) com ouros rês modelos para o número de aendimenos dos clienes ipo garania. A análise do modelo ARIMA(,,0) revela que o coeficiene φ não é significaivo (p-value igual a 0,8). Como o
13 GESTÃO & PRODUÇÃO, v.0, n., p.-, abr erceiro componene não é significaivo, verificouse o modelo ARIMA(,,0). Esse modelo, por sua vez, apresenou o menor desvio-padrão residual, assim como os menores valores dos criérios AIC e SBC, quando comparado a modelos menos parcimoniosos que consam na abela. Essas comparações levaram à escolha do modelo ARIMA(,,0) apresenado na equação..,0 0, Auocorrelações 0,, Figura Função de auocorrelação para os resíduos do modelo ARIMA(,,0). Tabela Criérios de comparação para verificação do melhor modelo. Modelo p-value dos coeficienes Criério AIC Criério SBC Desvio-padrão residual Variância residual ARIMA(,,0) φ : 00 φ : 9 φ : 0,8,8 9, 0,.9,9 ARIMA(,,0) φ : 00 φ : 0,8,.99,9 ARIMA(,,) φ : θ : 8,8 80,,0.,8 ARIMA(,,) φ : 00 φ : 0 θ :, 9,80 0,.99,00 Fone: Análise no pacoe SPSS, versão 8.0.
14 Werner & Ribeiro Previsão de Demanda: Uma Aplicação dos Modelos Box-Jenkins..... Eapa de previsão Para o modelo ARIMA(,,0) esimado, o valor ( h) é dado por: Z h 0,Z h Z h 0,9Z h h (.) Assim, o previsor h passos a frene para o esudo do número de aendimenos de clienes ipo conrao, é dado pelo seguine conjuno de equações: () () 0,Z Z 0,9Z 0,Z Z 0,9Z 0, () Z 0,9Z () 0,Z Z 0,9Z 0, () () 0,9Z (h) 0, (h ) (h ) 0,9 (h ) h (.) A Tabela apresena as previsões para a demanda do número de aendimenos de clienes ipo garania, de agoso de 00 a fevereiro de 00, com base no período de julho de 00, que corresponde a. O gráfico com as previsões e o inervalo de 9% de confiança para as previsões enconra-se na Figura 8.. Meodologia Box-Jenkins para clienes ipo avulsos.. Eapa de idenificação A análise da Figura 9 auxilia a idenificar os possíveis modelos a serem uilizados. Essa figura revela a presença de endência crescene, o que indica que a série não é esacionária. Além disso, a série apresena valor médio a ser considerado no modelo a ser proposo (consane). A seguir, é realizada a análise das funções de auocorrelações (ACF) e auocorrelações parciais (PACF), que auxiliam na verificação da esacionariedade e na proposição de um modelo. Tabela Previsões da demanda do número de aendimenos de clienes ipo garania. Mês h (h) Agoso/00 Seembro/00 Ouubro/00 Novembro/00 Dezembro/00 Janeiro/00 Fevereiro/00 () 0, * Z * Z 9 0,9 * Z 8 () 0, * * 0,9 * () 0,*() * Z 0,9* Z9 () 0,*,8 * 0,9* () 0, * () * () 0,9Z () 0,*,8 *,8 0,9* 9 () 0, * () * () 0,9 * () () 0, * 9,98 *,8 0,9 *,8 () 0, * () * () 0,9 * () () 0,*, *9,98 0,9*,8 8 () 0, * () * () 0,9 * () () 0, * 8, *, 0,9 * 9,98 8 () 0, * () * () 0,9 * () () 0,* 8,89 * 8, 0,9*, 9
15 GESTÃO & PRODUÇÃO, v.0, n., p.-, abr. 00 Número de aendimenos Ago/9 Fev/9 Ago/9 Fev/98 Ago/98 Fev/99 Ago/99 Fev/00 Ago/00 Fev/0 Ago/0 Fev/0 Mês Valor observado Previsão Limie inferior a 9% Limie superior a 9% Figura 8 Previsões da demanda do número de aendimenos de clienes ipo garania. A Figura 0a, conendo a ACF do número de aendimenos de clienes ipo avulsos, revela que as auocorrelações apresenam decaimeno exponencial, ípico do processo auo-regressivo. A Figura 0b coném a PACF, a qual apresena apenas a auocorrelação parcial de ordem um significaiva. Assim, há indicação de que a ordem do modelo auo-regressivo é um, reforçando a indicação de um modelo auo-regressivo, no caso, um modelo AR(). É preciso verificar a esacionariedade da série, realizada por meio do ese Dickey-Fuller, uilizando o pacoe economérico EViews (versão.0). A hipóese de não-esacionariedade não foi rejeiada em nível de % de significância. Isso indica que, em virude da evidência de não-esacionariedade da série, é necessário uilizar a diferença. Uilizando a primeira diferença e reaplicando o ese Dickey- Fuller verifica-se que a série é esacionária em nível de %. Assim, em-se a indicação de que a ordem de inegração deva ser um, iso é, d. Com base nas análises das ACF, PACF e dos eses para verificar a esacionariedade da série, o modelo indicado é µm ARIMA(,,0)... Eapa de esimaiva Para esimar os parâmeros do modelo foi uilizado o pacoe esaísico SPSS (versão 8.0). Além dos parâmeros do modelo, foi esimada a variância dos resíduos σ. O modelo ARIMA(,,0) indicado não foi o mais adequado, como será viso na próxima seção. O modelo que melhor represena a série do número de aendimenos para clienes ipo avulsos é o modelo SARIMA (0,,0) (0,,), pois a influência da sazonalidade eve de ser considerada. A esimaiva do coeficiene de média móvel sazonal obida para esse modelo foi: Θ 0,. Reescrevendo o modelo dado pela equação., com D e Q, e subsiuindo o valor do coeficiene, em-se: ( L) ( L ) Z ( ΘL ) Z Z Z Z (.) 0,.. Eapa de verificação Avaliação por meio da análise de resíduos O modelo proposo pela análise da ACF, PACF e esacionariedade foi o ARIMA(,,0); conudo, como pode ser verificado na Figura, os resíduos não se comporam como ruído branco, pois a PACF revela a defasagem significaiva, o que indica a presença de sazonalidade, já referida na Figura 0a.
16 Werner & Ribeiro Previsão de Demanda: Uma Aplicação dos Modelos Box-Jenkins Número de aendimenos Ago/9 Fev/9 Ago/9 Fev/98 Ago/98 Fev/99 Ago/99 Fev/00 Ago/00 Fev/0 Mês Figura 9 Número de aendimenos de clienes ipo avulsos e sua endência.,0 (a),0 (b) Auocorrelações 0, 0, Auocorrelações parciais 0, 0,, , Figura 0 a) Função de auocorrelação e b) função de auocorrelação parcial para o número de aendimenos de clienes ipo avulsos.,0 (a),0 (b) Auocorrelações 0, 0, Auocorrelações parciais 0, 0,, , Figura a) Função de auocorrelação e b) função de auocorrelação parcial para os resíduos do modelo ARIMA(,,0).
17 GESTÃO & PRODUÇÃO, v.0, n., p.-, abr. 00 Avaliação da ordem do modelo Uma vez que os resíduos do modelo proposo indicaram a presença de sazonalidade, foram analisadas as ACF e PACF da primeira diferença em busca de ouro modelo. A Figura apresena as ACF e PACF da primeira diferença, que indicam um modelo auo-regressivo sazonal. A indicação de ermos auo-regressivos sazonais vem da significância das auocorrelações parciais de defasagens e. Assim, foi proposo um modelo SARIMA(0,,0)(,). Conudo, esse modelo apresenou coeficiene não-significaivo para o ermo auo-regressivo sazonal. Visando remover a influência do componene de sazonalidade, uilizou-se ambém a diferença sazonal de amanho s. Enão, foi verificado o comporameno do modelo SARIMA(0,,0) (,,0), que ambém apresenou coeficiene nãosignificaivo, parecendo não ser o modelo mais adequado para ese esudo. A Tabela apresena alguns dos modelos analisados e os criérios que levaram à escolha do modelo SARIMA(0,,0)(0,,). Denre os modelos sazonais abordados, odos apresenam coeficienes não-significaivos. Os demais modelos não relacionados aqui ou apresenavam coeficiene não-significaivo ou inham desvio-padrão residual maior que o modelo SARIMA(0,,0)(0,,) escolhido. As auocorrelações residuais do modelo SARIMA (0,,0)(0,,) são esaisicamene não-significaivas. Isso pode ser afirmado com base na conclusão obida pelo ese de Ljung-Box, que não rejeia, para qualquer defasagem k, a hipóese de erros não correlacionados. Assim, pode-se considerar, com base no ese Ljung-Box, que os resíduos comporam-se como ruído branco, sendo ese modelo adequado para realizar previsões... Eapa de previsão Para o modelo SARIMA(0,,0)(0,,) esimado, o valor ( h) é dado por: Z h Z h Z h Z h h (.8) 0,. h Assim, o previsor h passos a frene para o esudo do número de aendimenos de clienes ipo conrao é dado pela equação.9. O valor de h, que ainda não ocorreu, é esimado por sua média, ou seja, o valor zero: () Z Z Z h h h 0,. h (.9) (h) (h ) Z sendo: h. 0,. h Z h h (.0),0 (a),0 (b) Auocorrelações 0, 0, Auocorrelações parciais 0, 0,,0 Transformação: primeira diferença 8 9 0,0 Transformação: primeira diferença Figura a) Função de auocorrelação e b) função de auocorrelação parcial para a primeira diferença da série do número de aendimenos de clienes ipo avulsos.
18 Werner & Ribeiro Previsão de Demanda: Uma Aplicação dos Modelos Box-Jenkins... Tabela Criérios de comparação para verificar o melhor modelo. Modelo ARIMA(,,0) p-value dos coeficienes SARIMA(0,,0)(,) Φ : 0 SARIMA(0,,0)(,,0) Φ : SARIMA(,,0)(,,0) φ : 0,9 Φ : SARIMA(0,,0)(,) Θ : 0, SARIMA(0,,0)(0,,) Θ : φ SARIMA(,,0)(,) : Φ : 0,8 Fone: Análise no pacoe SPSS, versão 8.0. Criério AIC φ :, 9,90,9 (T ),8 (T ), (T ), Criério SBC 8,8,99, (T ) 0, (T ),8,9 (T ) 9,80 Desvio-padrão residual Variância residual,8.88,,9.90,,08.9,,8.999,8,9.9,9 8,0.,,9.80, A Tabela apresena as previsões para a demanda do número de aendimenos de clienes ipo avulsos, de agoso de 00 a fevereiro de 00. Essas previsões foram obidas aplicandose as equações.9 e.0 e endo por base o período de julho de 00, que corresponde a. O gráfico com as previsões e o inervalo de 9% de confiança para as previsões enconra-se na Figura.. Previsão da demanda fuura da empresa A previsão de demanda oal da empresa, apresenada na Tabela, é a soma da previsão da demanda individual dos rês ipos de clienes. As previsões apresenadas referem-se ao período de agoso de 00 a fevereiro de 00. É imporane observar que a previsão da demanda nese esudo de caso deve ser feia individualmene para cada segmeno. A modelagem individual é essencial, na medida em que os diferenes segmenos apresenam suas especificidades referenes à endência, à sazonalidade e à ordem dos modelos. Vale mencionar que séries simples (conendo apenas endência, por exemplo) podem ser modeladas com um número relaivamene pequeno de observações, mas séries complexas (conendo ermos de sazonalidade com múliplos períodos, por exemplo) podem exigir 80 ou mais observações para ober boa modelagem. No caso em esudo, foram uilizadas observações, pois represenam a oalidade dos dados disponibilizados pela empresa. Também vale mencionar que, na fase de verificação da meodologia Box-Jenkins, é comum reservar uma pare final dos dados disponíveis para verificar o desempenho do modelo, comparando as previsões com os valores observados. Nese esudo, isso não foi feio por duas razões: a amosra disponível ( observações) era relaivamene pequena e, por moivos esraégicos, a empresa não auorizou a divulgação de dados mais auais.
19 GESTÃO & PRODUÇÃO, v.0, n., p.-, abr. 00 Tabela Previsões da demanda do número de aendimenos de clienes ipo avulsos. Mês T h Zˆ (h) Agoso/00 Seembro/00 Ouubro/00 Novembro/00 Dezembro/00 Janeiro/00 Fevereiro/00 () Z Z Z 0,. () 8 0 0, *, 8 () ( ) Z Z 0,. () 80, 0 0, *,9 () ( ) Z Z 0,. (),0 89 0, *,8 0 () () ( ) Z Z 0,. 0,9 89 0, * (,0 ) 88 () ( ) Z Z 0,. () , *,8 () ( ) Z Z 0,. (), 00 0,* 9, 0 () ( ) Z Z 0,. () 0, 0, *( 8,) 0 00 Número de aendimenos Ago/9 Fev/9 Ago/9 Fev/98 Ago/98 Fev/99 Ago/99 Fev/00 Ago/00 Fev/0 Ago/0 Fev/0 Mês Valor observado Previsão Limie inferior a 9% Limie superior a 9% Figura Previsões da demanda do número de aendimenos de clienes ipo avulsos.
20 Werner & Ribeiro Previsão de Demanda: Uma Aplicação dos Modelos Box-Jenkins... Tabela Previsão da demanda oal da empresa e por ipo de cliene. Mês Previsão de demanda Conrao Garania Avulsos Toal Agoso/ Seembro/00 0 Ouubro/ Novembro/ Dezembro/ Janeiro/ Fevereiro/ Conclusões Realizar previsão de demanda é uma aividade imporane, pois pode revelar as endências de mercado e conribuir no planejameno esraégico da empresa. As previsões de demanda ambém auxiliam na solução de problemas mais imediaos, como a definição do número de écnicos necessários para aender o cliene final. Visando alcançar esses objeivos, ese rabalho uilizou a meodologia de Box-Jenkins e discuiu sua aplicação por meio de um esudo de caso dirigido ao seor de assisência écnica em compuadores pessoais. No esudo de caso desenvolvido, a demanda da empresa foi segmenada pelo ipo de clienes: conrao, garania e avulsos. Verificou-se que cada um desses segmenos apresena caracerísicas próprias. Como cada cliene em suas peculiaridades, o comporameno de cada um é disino no que se refere à endência e à sazonalidade, exigindo um modelo diferene em sua represenação. A aplicação da meodologia de Box-Jenkins requer do pesquisador aenção e práica para escolher o modelo que melhor define o comporameno emporal dos dados. Com a aplicação dessa meodologia, apoiada em eses esaísicos para subsidiar a modelagem, foi possível definir modelos apropriados para os rês segmenos de clienes. Para modelar o número de aendimeno de clienes ipo conrao foi uilizado modelo auoregressivo de primeira ordem, AR(), um modelo simples e amplamene esudado na lieraura. Para modelar o número de aendimeno de clienes ipo garania foi necessário um modelo com mais parâmeros, conando com ermos diferenciais e auo-regressivo de segunda ordem, ARIMA(,,0). Por fim, o número de aendimeno de clienes ipo avulsos revelou um comporameno mais complexo, com sazonalidade mensal. Nesse caso, foi necessário uilizar um modelo conendo ermos diferenciais e sazonais, SARIMA(0,,0)(0,,). A modelagem uilizada capou as diferenças exisenes enre os segmenos de clienes. Essas diferenças podem ser jusificadas ecnicamene. Para os clienes ipo conrao a influência emporal é reduzida, pois a demanda e a concorrência parecem crescer na mesma axa. O resulado é que o número de conraos da empresa varia pouco ao longo do ano. Já os clienes ipo garania revelam maior dependência emporal, pois as alerações no mercado e os acordos de assisência écnica se refleem gradaivamene nos negócios da empresa, ou seja, as mudanças demoram algum empo para surirem efeio em campo. Os clienes ipo avulsos, por sua vez, apresenam sazonalidade anual em função dos hábios de aquisição (presenes de naal e reorno às aulas, por exemplo), os quais esão inimamene relacionados aos períodos do ano. Por fim, vale mencionar que o rabalho realizado foi de grande uilidade para a empresa, principalmene por dois moivos: a modelagem
21 GESTÃO & PRODUÇÃO, v.0, n., p.-, abr. 00 permiiu maior enendimeno do comporameno dos diversos clienes; e os resulados foram imediaamene assimilados pela empresa, consiuindo fone adicional de informação no supore às decisões referenes a invesimenos e dimensionameno da equipe écnica. Referências Bibliográficas ABDEL-AAL, R. E.; AL-GARNI, Z. Forecasing monhly elecric energy consumpion in easern Saudi Arabia using univariae ime-series analysis. Energy, v., n., p , nov. 99. ABRAHAM, B.; LEDOLTER, J. Saisical mehods for forecasing. New York: John Wiley & Sons, 98. BOX, G. E. P.; JENKINS, G. M. Time series analysis forecasing and conrol. San Francisco: Holden- Day, 9. Edição revisada. ENDERS, W. Applied economeric ime series. New York: John Wiley & Sons, 99. FAVA, V. L. Manual de economeria. In: VASCONCELOS, M. A. S.; ALVES, D. São Paulo: Ediora Alas, 000. HAMILTON, J. D. Time series analysis. New Jersey: Princeon Universiy Press, 99. LIM, C.; McALEER, M. Time series forecass of inernaional ravel demand for ausralia. Tourism Managemen. (Arigo aceio em julho de 00, aguarda impressão.) MAKRIDAKIS, S.; WHEELWRIGHT, S.; HYNDMAN, R. J. Forecasing mehods and applicaions.. ed. New York: John Wiley & Sons, 998. MORRETIN, P. A.; TOLOI, C. M. C. Previsão de séries emporais.. ed. São Paulo: Aual Ediora, 98. NELSON, C. R. Applied ime series analysis for managerial forecasing. San Francisco: Holden- Day, 9. PELLEGRINI, F. R.; FOGLIATTO, F. Esudo comparaivo enre modelos de Winers e de Box- Jenkins para a previsão de demanda sazonal. Revisa Produo & Produção, v., número especial, p. -8, abr SLINI, L.; KARATZAS, K.; MOUSSIOPOULOS, N. Saisical analysis of environmenal daa as he basis of forecasing: an air qualiy applicaion. The Science of he Toal Environmen, v. 88, p. -, 00. DEMAND FORECASTING: AN APPLICATION OF THE BOX-JENKINS MODELS IN THE TECHNICAL ASSISTANCE OF PERSONAL COMPUTER Absrac Demand forecasing is an imporan ool o aid on he deerminaion of necessary resources of a given company. In his paper, he Box-Jenkins mehodology was applied o analyze hisorical daa of a personal compuer repair company and provide a forecas for he number of service calls. The company sudied presens hree segmens of cliens: conracs, warrany, and on-call. As each clien has i own characerisics, in order o beer represen endency and seasonaliy behavior hrough he Box-Jenkins models, a specific forecasing model was developed for each segmen. The choice of he opimum models were based ino graphic analysis and saisical ess, which lead o he decision of adoping he AR() model o foresee he number of conrac cliens, he ARIMA(,,0) model for warrany cliens and he SARIMA(0,,0)(0,,) seasonal model for on-call cliens. Key words: forecasing, Box-Jenkins models, ARIMA models, ime series, echnical assisance.
TOMADA DE DECISÃO EM FUTUROS AGROPECUÁRIOS COM MODELOS DE PREVISÃO DE SÉRIES TEMPORAIS
ARTIGO: TOMADA DE DECISÃO EM FUTUROS AGROPECUÁRIOS COM MODELOS DE PREVISÃO DE SÉRIES TEMPORAIS REVISTA: RAE-elerônica Revisa de Adminisração de Empresas FGV EASP/SP, v. 3, n. 1, Ar. 9, jan./jun. 2004 1
Leia maisCentro Federal de EducaçãoTecnológica 28/11/2012
Análise da Dinâmica da Volailidade dos Preços a visa do Café Arábica: Aplicação dos Modelos Heeroscedásicos Carlos Albero Gonçalves da Silva Luciano Moraes Cenro Federal de EducaçãoTecnológica 8//0 Objevos
Leia maisPrevisão de Demanda. Métodos de Previsão. Demanda: disposição ao consumo Demanda versus Vendas Fatores que afetam a Demanda (Vendas)
2.1 Previsão de emanda Conceios básicos Méodos de Previsão iscussão Formulação do Problema emanda: disposição ao consumo emanda versus Vendas Faores que afeam a emanda (Vendas) Economia, Mercado, Preços,
Leia mais12 Integral Indefinida
Inegral Indefinida Em muios problemas, a derivada de uma função é conhecida e o objeivo é enconrar a própria função. Por eemplo, se a aa de crescimeno de uma deerminada população é conhecida, pode-se desejar
Leia maisCAPÍTULO 9. y(t). y Medidor. Figura 9.1: Controlador Analógico
146 CAPÍULO 9 Inrodução ao Conrole Discreo 9.1 Inrodução Os sisemas de conrole esudados aé ese pono envolvem conroladores analógicos, que produzem sinais de conrole conínuos no empo a parir de sinais da
Leia maisO Fluxo de Caixa Livre para a Empresa e o Fluxo de Caixa Livre para os Sócios
O Fluxo de Caixa Livre para a Empresa e o Fluxo de Caixa Livre para os Sócios! Principais diferenças! Como uilizar! Vanagens e desvanagens Francisco Cavalcane (francisco@fcavalcane.com.br) Sócio-Direor
Leia mais4 Cenários de estresse
4 Cenários de esresse Os cenários de esresse são simulações para avaliar a adequação de capial ao limie de Basiléia numa deerminada daa. Sua finalidade é medir a capacidade de o PR das insiuições bancárias
Leia maisMODELAGEM E PREVISÃO POR MEIO DE METODOLOGIA BOX & JENKINS: UMA FERRAMENTA DE GESTÃO
UNIVERSIDADE FEDERAL DE SANTA MARIA CENTRO DE TECNOLOGIA PROGRAMA DE PÓS-GRADUAÇÃO EM ENGENHARIA DE PRODUÇÃO MODELAGEM E PREVISÃO POR MEIO DE METODOLOGIA BOX & JENKINS: UMA FERRAMENTA DE GESTÃO DISSERTAÇÃO
Leia maisFunção definida por várias sentenças
Ese caderno didáico em por objeivo o esudo de função definida por várias senenças. Nese maerial você erá disponível: Uma siuação que descreve várias senenças maemáicas que compõem a função. Diversas aividades
Leia maisMETODOLOGIA PROJEÇÃO DE DEMANDA POR TRANSPORTE AÉREO NO BRASIL
METODOLOGIA PROJEÇÃO DE DEMANDA POR TRANSPORTE AÉREO NO BRASIL 1. Inrodução O presene documeno visa apresenar dealhes da meodologia uilizada nos desenvolvimenos de previsão de demanda aeroporuária no Brasil
Leia maisUniversidade Federal de Lavras
Universidade Federal de Lavras Deparameno de Ciências Exaas Prof. Daniel Furado Ferreira 8 a Lisa de Exercícios Disribuição de Amosragem 1) O empo de vida de uma lâmpada possui disribuição normal com média
Leia maisModelo ARX para Previsão do Consumo de Energia Elétrica: Aplicação para o Caso Residencial no Brasil
Modelo ARX para Previsão do Consumo de Energia Elérica: Aplicação para o Caso Residencial no Brasil Resumo Ese rabalho propõe a aplicação do modelo ARX para projear o consumo residencial de energia elérica
Leia maisPROJEÇÃO DO PREÇO FUTURO DE UMA AÇÃO DA USIMINAS: UMA ABORDAGEM ECONOMÉTRICA
3 PROJEÇÃO DO PREÇO FUTURO DE UMA AÇÃO DA USIMINAS: UMA ABORDAGEM ECONOMÉTRICA PROJEÇÃO DO PREÇO FUTURO DE UMA AÇÃO DA USIMINAS: UMA ABORDAGEM ECONOMÉTRICA Felipe Lacerda Diniz Leroy 1 RESUMO Nese arigo,
Leia maisexercício e o preço do ativo são iguais, é dito que a opção está no dinheiro (at-themoney).
4. Mercado de Opções O mercado de opções é um mercado no qual o iular (comprador) de uma opção em o direio de exercer a mesma, mas não a obrigação, mediane o pagameno de um prêmio ao lançador da opção
Leia maisAPLICAÇÃO DE SÉRIES TEMPORAIS NA PREVISÃO DA MÉDIA MENSAL DA TAXA DE CÂMBIO DO REAL PARA O DÓLAR COMERCIAL DE COMPRA USANDO O MODELO DE HOLT
XXX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO Mauridade e desafios da Engenharia de Produção: compeiividade das empresas, condições de rabalho, meio ambiene. São Carlos, SP, Brasil, 12 a15 de ouubro
Leia maisValor do Trabalho Realizado 16.
Anonio Vicorino Avila Anonio Edésio Jungles Planejameno e Conrole de Obras 16.2 Definições. 16.1 Objeivo. Valor do Trabalho Realizado 16. Parindo do conceio de Curva S, foi desenvolvida pelo Deparameno
Leia maisANÁLISE ECONOMÉTRICA DA PRODUÇÃO DE MADEIRA SERRADA NO BRASIL
ANÁLISE ECONOMÉTRICA DA PRODUÇÃO DE MADEIRA SERRADA NO BRASIL Renao Vinícius Oliveira Casro 1, Ana Flávia Neves Mendes 2, Glauciana da Maa Aaíde 1, Carlos Albero Araújo Júnior 1, Gusavo Eduardo Marcai
Leia maisCurso de preparação para a prova de matemática do ENEM Professor Renato Tião
Porcenagem As quaro primeiras noções que devem ser assimiladas a respeio do assuno são: I. Que porcenagem é fração e fração é a pare sobre o odo. II. Que o símbolo % indica que o denominador desa fração
Leia maisPOSSIBILIDADE DE OBTER LUCROS COM ARBITRAGEM NO MERCADO DE CÂMBIO NO BRASIL
POSSIBILIDADE DE OBTER LUCROS COM ARBITRAGEM NO MERCADO DE CÂMBIO NO BRASIL FRANCISCO CARLOS CUNHA CASSUCE; CARLOS ANDRÉ DA SILVA MÜLLER; ANTÔNIO CARVALHO CAMPOS; UNIVERSIDADE FEDERAL DE VIÇOSA VIÇOSA
Leia maisO EFEITO DIA DO VENCIMENTO DE OPÇÕES NA BOVESPA 1
O EFEITO DIA DO VENCIMENTO DE OPÇÕES NA BOVESPA 1 Paulo J. Körbes 2 Marcelo Marins Paganoi 3 RESUMO O objeivo dese esudo foi verificar se exise influência de evenos de vencimeno de conraos de opções sobre
Leia maisBoom nas vendas de autoveículos via crédito farto, preços baixos e confiança em alta: o caso de um ciclo?
Boom nas vendas de auoveículos via crédio faro, preços baixos e confiança em ala: o caso de um ciclo? Fábio Auguso Reis Gomes * Fabio Maciel Ramos ** RESUMO - A proposa dese rabalho é conribuir para o
Leia maisCERNE ISSN: 0104-7760 cerne@dcf.ufla.br Universidade Federal de Lavras Brasil
CERNE ISSN: 0104-7760 cerne@dcf.ufla.br Universidade Federal de Lavras Brasil Pereira de Rezende, José Luiz; Moreira Coelho, Luiz; Donizee de Oliveira, Anônio; Sáfadi, Thelma Análise dos preços de carvão
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 maisAPLICAÇÃO DO MODELO ARIMA À PREVISÃO DO PREÇO DAS COMMODITIES AGRÍCOLAS BRASILEIRAS
APLICAÇÃO DO MODELO ARIMA À PREVISÃO DO PREÇO DAS COMMODITIES AGRÍCOLAS BRASILEIRAS PABLO AURÉLIO LACERDA DE ALMEIDA PINTO; ELENILDES SANTANA PEREIRA; MARIANNE COSTA OLIVEIRA; JOSÉ MÁRCIO DOS SANTOS; SINÉZIO
Leia maisExperimento. Guia do professor. O método de Monte Carlo. Governo Federal. Ministério da Educação. Secretaria de Educação a Distância
Análise de dados e probabilidade Guia do professor Experimeno O méodo de Mone Carlo Objeivos da unidade 1. Apresenar um méodo ineressane e simples que permie esimar a área de uma figura plana qualquer;.
Leia maisEquações Diferenciais Ordinárias Lineares
Equações Diferenciais Ordinárias Lineares 67 Noções gerais Equações diferenciais são equações que envolvem uma função incógnia e suas derivadas, além de variáveis independenes Aravés de equações diferenciais
Leia maisAÇÕES DO MERCADO FINACEIRO: UM ESTUDO VIA MODELOS DE SÉRIES TEMPORAIS
AÇÕES DO MERCADO FINACEIRO: UM ESTUDO VIA MODELOS DE SÉRIES TEMPORAIS Caroline Poli Espanhol; Célia Mendes Carvalho Lopes Engenharia de Produção, Escola de Engenharia, Universidade Presbieriana Mackenzie
Leia maisPREÇOS DE PRODUTO E INSUMO NO MERCADO DE LEITE: UM TESTE DE CAUSALIDADE
PREÇOS DE PRODUTO E INSUMO NO MERCADO DE LEITE: UM TESTE DE CAUSALIDADE Luiz Carlos Takao Yamaguchi Pesquisador Embrapa Gado de Leie e Professor Adjuno da Faculdade de Economia do Insiuo Vianna Júnior.
Leia maisCapítulo 5: Introdução às Séries Temporais e aos Modelos ARIMA
0 Capíulo 5: Inrodução às Séries emporais e aos odelos ARIA Nese capíulo faremos uma inrodução às séries emporais. O nosso objeivo aqui é puramene operacional e esaremos mais preocupados com as definições
Leia maisEquações Simultâneas. Aula 16. Gujarati, 2011 Capítulos 18 a 20 Wooldridge, 2011 Capítulo 16
Equações Simulâneas Aula 16 Gujarai, 011 Capíulos 18 a 0 Wooldridge, 011 Capíulo 16 Inrodução Durane boa pare do desenvolvimeno dos coneúdos desa disciplina, nós nos preocupamos apenas com modelos de regressão
Leia maisMODELOS DE SUAVIZAÇÃO EXPONENCIAL, ARIMA E REDES NEURAIS ARTIFICIAIS: UM ESTUDO COMPARATIVO PARA A PREVISÃO DE DEMANDA DE PRODUTOS
CENTRO UNIVERSITÁRIO UNIVATES CURSO DE ENGENHARIA DE PRODUÇÃO MODELOS DE SUAVIZAÇÃO EXPONENCIAL, ARIMA E REDES NEURAIS ARTIFICIAIS: UM ESTUDO COMPARATIVO PARA A PREVISÃO DE DEMANDA DE PRODUTOS William
Leia maisPalavras-chave: Análise de Séries Temporais; HIV; AIDS; HUJBB.
Análise de Séries Temporais de Pacienes com HIV/AIDS Inernados no Hospial Universiário João de Barros Barreo (HUJBB), da Região Meropoliana de Belém, Esado do Pará Gilzibene Marques da Silva ¹ Adrilayne
Leia maisModelos Econométricos para a Projeção de Longo Prazo da Demanda de Eletricidade: Setor Residencial no Nordeste
1 Modelos Economéricos para a Projeção de Longo Prazo da Demanda de Elericidade: Seor Residencial no Nordese M. L. Siqueira, H.H. Cordeiro Jr, H.R. Souza e F.S. Ramos UFPE e P. G. Rocha CHESF Resumo Ese
Leia mais2. Referencial Teórico
15 2. Referencial Teórico Se os mercados fossem eficienes e não houvesse imperfeições, iso é, se os mercados fossem eficienes na hora de difundir informações novas e fossem livres de impedimenos, índices
Leia maisAula - 2 Movimento em uma dimensão
Aula - Moimeno em uma dimensão Física Geral I - F- 18 o semesre, 1 Ilusração dos Principia de Newon mosrando a ideia de inegral Moimeno 1-D Conceios: posição, moimeno, rajeória Velocidade média Velocidade
Leia maisUMA ANÁLISE ECONOMÉTRICA DOS COMPONENTES QUE AFETAM O INVESTIMENTO PRIVADO NO BRASIL, FAZENDO-SE APLICAÇÃO DO TESTE DE RAIZ UNITÁRIA.
UMA ANÁLISE ECONOMÉTRICA DOS COMPONENTES QUE AFETAM O INVESTIMENTO PRIVADO NO BRASIL, FAZENDO-SE APLICAÇÃO DO TESTE DE RAIZ UNITÁRIA Área: ECONOMIA COELHO JUNIOR, Juarez da Silva PONTILI, Rosangela Maria
Leia maisENGENHARIA ECONÔMICA AVANÇADA
ENGENHARIA ECONÔMICA AVANÇADA TÓPICOS AVANÇADOS MATERIAL DE APOIO ÁLVARO GEHLEN DE LEÃO gehleao@pucrs.br 55 5 Avaliação Econômica de Projeos de Invesimeno Nas próximas seções serão apresenados os principais
Leia maisOTIMIZAÇÃO ENERGÉTICA NA CETREL: DIAGNÓSTICO, IMPLEMENTAÇÃO E AVALIAÇÃO DE GANHOS
STC/ 08 17 à 22 de ouubro de 1999 Foz do Iguaçu Paraná - Brasil SESSÃO TÉCNICA ESPECIAL CONSERVAÇÃO DE ENERGIA ELÉTRICA (STC) OTIMIZAÇÃO ENERGÉTICA NA CETREL: DIAGNÓSTICO, IMPLEMENTAÇÃO E AVALIAÇÃO DE
Leia maisModelos de séries temporais aplicados a índices de preços hospitalares do Hospital da Universidade Federal de Santa Catarina
Modelos de séries emporais aplicados a índices de preços hospialares do Hospial da Universidade Federal de Sana Caarina Marcelo Angelo Cirillo Thelma Sáfadi Resumo O princípio básico da adminisração de
Leia maisMecânica dos Fluidos. Aula 8 Introdução a Cinemática dos Fluidos. Prof. MSc. Luiz Eduardo Miranda J. Rodrigues
Aula 8 Inrodução a Cinemáica dos Fluidos Tópicos Abordados Nesa Aula Cinemáica dos Fluidos. Definição de Vazão Volumérica. Vazão em Massa e Vazão em Peso. Definição A cinemáica dos fluidos é a ramificação
Leia maisANÁLISE ESTRUTURAL DA SÉRIE DE PREÇOS DO SUÍNO NO ESTADO DO PARANÁ, 1994 A 2007
ANÁLISE ESTRUTURAL DA SÉRIE DE PREÇOS DO SUÍNO NO ESTADO DO PARANÁ, 994 A 7 ALAN FIGUEIREDO DE ARÊDES; MATHEUS WEMERSON GOMES PEREIRA; MAURINHO LUIZ DOS SANTOS; UNIVERSIDADE FEDERAL DE VIÇOSA VIÇOSA -
Leia maisCOMPORTAMENTO DOS PREÇOS DO ETANOL BRASILEIRO: DETERMINAÇÃO DE VARIÁVEIS CAUSAIS
Naal/RN COMPORTAMENTO DOS PREÇOS DO ETANOL BRASILEIRO: DETERMINAÇÃO DE VARIÁVEIS CAUSAIS André Assis de Salles Escola Poliécnica - Universidade Federal do Rio de Janeiro Cenro de Tecnologia Bloco F sala
Leia maisRisco no mercado de arroz em casca
RISCO NO MERCADO DE ARROZ EM CASCA ANDRÉIA CRISTINA DE OLIVEIRA ADAMI; GERALDO SANT ANA DE CAMARGO BARROS; ESALQ/USP PIRACICABA - SP - BRASIL adami@esalq.usp.br APRESENTAÇÃO ORAL Comercialização, Mercados
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 maisPROPOSTA DE FUNÇÃO EXECUTÁVEL EM R PARA AJUSTE DE MODELOS ARIMA(P, D, Q)
XXX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO Mauridade e desafios da Engenharia de Produção: compeiividade das empresas, condições de rabalho, meio ambiene. São Carlos, SP, Brasil, 12 a15 de ouubro
Leia maisUNIVERSIDADE DE CAXIAS DO SUL PROGRAMA DE PÓS-GRADUAÇÃO EM ADMINISTRAÇÃO PPGA CURSO DE MESTRADO
UNIVERSIDADE DE CAXIAS DO SUL PROGRAMA DE PÓS-GRADUAÇÃO EM ADMINISTRAÇÃO PPGA CURSO DE MESTRADO MODELO INTEGRADO PARA PREVISÃO DE VENDAS COMO UMA FERRAMENTA DE COMPETITIVIDADE: UM ESTUDO DE CASO EM UMA
Leia maisCURVA DE KUZNETS AMBIENTAL ESTIMATIVA ECONOMÉTRICA USANDO CO2 E PIB PER CAPITA
CURVA DE KUZNETS AMBIENTAL ESTIMATIVA ECONOMÉTRICA USANDO CO E PIB PER CAPITA CLEYZER ADRIAN CUNHA; UNIVERSIDADE FEDERAL DE GOIÁS GOIANIA - GO - BRASIL cleyzer@uai.com.br APRESENTAÇÃO ORAL Agropecuária,
Leia maisALBINO MILESKI JUNIOR ANÁLISE DE MÉTODOS DE PREVISÃO DE DEMANDA BASEADOS EM SÉRIES TEMPORAIS EM UMA EMPRESA DO SETOR DE PERFUMES E COSMÉTICOS
ALBINO MILESKI JUNIOR ANÁLISE DE MÉTODOS DE PREVISÃO DE DEMANDA BASEADOS EM SÉRIES TEMPORAIS EM UMA EMPRESA DO SETOR DE PERFUMES E COSMÉTICOS Disseração apresenada ao Programa de Pós- Graduação em Engenharia
Leia maisLuciano Jorge de Carvalho Junior. Rosemarie Bröker Bone. Eduardo Pontual Ribeiro. Universidade Federal do Rio de Janeiro
Análise do preço e produção de peróleo sobre a lucraividade das empresas perolíferas Luciano Jorge de Carvalho Junior Rosemarie Bröker Bone Eduardo Ponual Ribeiro Universidade Federal do Rio de Janeiro
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 maisRAIZ UNITÁRIA E COINTEGRAÇÃO: TR S
RAIZ UNITÁRIA E COINTEGRAÇÃO: TR S APLICA ES Marina Silva Cunha 1. INTRODUÇÃO Segundo Fava & Cai (1995) a origem da discussão sobre a exisência de raiz uniária nas séries econômicas esá no debae sobre
Leia maisEstudo comparativo de processo produtivo com esteira alimentadora em uma indústria de embalagens
Esudo comparaivo de processo produivo com eseira alimenadora em uma indúsria de embalagens Ana Paula Aparecida Barboza (IMIH) anapbarboza@yahoo.com.br Leicia Neves de Almeida Gomes (IMIH) leyneves@homail.com
Leia maisElasticidades da demanda residencial de energia elétrica
Elasicidades da demanda residencial de energia elérica RESUMO O objeivo dese rabalho é esimar elasicidades de preço e renda da demanda residencial por elericidade aravés de modelos dinâmicos. Como objeo
Leia maisPREVISÃO DO VOLUME DE VENDAS DE UM BEM DE CONSUMO
ARNAUD FRANCIS JEAN GUÉRIN PREVISÃO DO VOLUME DE VENDAS DE UM BEM DE CONSUMO Trabalho de formaura apresenado À Escola Poliécnica da Universidade de São Paulo para a obenção do Diploma de Engenheiro de
Leia maisDEMANDA BRASILEIRA DE CANA DE AÇÚCAR, AÇÚCAR E ETANOL REVISITADA
XXX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO Mauridade e desafios da Engenharia de Produção: compeiividade das empresas, condições de rabalho, meio ambiene. São Carlos, SP, Brasil, 12 a15 de ouubro
Leia maisModelos de Previsão. 1. Introdução. 2. Séries Temporais. Modelagem e Simulação - Modelos de Previsão
Modelos de Previsão Inrodução Em omada de decisão é basane comum raar problemas cujas decisões a serem omadas são funções de faos fuuros Assim, os dados descrevendo a siuação de decisão precisam ser represenaivos
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 maisVALOR DA PRODUÇÃO DE CACAU E ANÁLISE DOS FATORES RESPONSÁVEIS PELA SUA VARIAÇÃO NO ESTADO DA BAHIA. Antônio Carlos de Araújo
1 VALOR DA PRODUÇÃO DE CACAU E ANÁLISE DOS FATORES RESPONSÁVEIS PELA SUA VARIAÇÃO NO ESTADO DA BAHIA Anônio Carlos de Araújo CPF: 003.261.865-49 Cenro de Pesquisas do Cacau CEPLAC/CEPEC Faculdade de Tecnologia
Leia maisMETODOLOGIAS ALTERNATIVAS DE GERAÇÃO DE CENÁRIOS NA APURAÇÃO DO V@R DE INSTRUMETOS NACIONAIS. Alexandre Jorge Chaia 1 Fábio da Paz Ferreira 2
IV SEMEAD METODOLOGIAS ALTERNATIVAS DE GERAÇÃO DE CENÁRIOS NA APURAÇÃO DO V@R DE INSTRUMETOS NACIONAIS Alexandre Jorge Chaia 1 Fábio da Paz Ferreira 2 RESUMO Uma das ferramenas de gesão do risco de mercado
Leia maisPessoal Ocupado, Horas Trabalhadas, Jornada de Trabalho e Produtividade no Brasil
Pessoal Ocupado, Horas Trabalhadas, Jornada de Trabalho e Produividade no Brasil Fernando de Holanda Barbosa Filho Samuel de Abreu Pessôa Resumo Esse arigo consrói uma série de horas rabalhadas para a
Leia maisEVOLUÇÃO DO CRÉDITO PESSOAL E HABITACIONAL NO BRASIL: UMA ANÁLISE DA INFLUÊNCIA DOS FATORES MACROECONÔMICOS NO PERÍODO PÓS-REAL RESUMO
78 EVOLUÇÃO DO CRÉDITO PESSOAL E HABITACIONAL NO BRASIL: UMA ANÁLISE DA INFLUÊNCIA DOS FATORES MACROECONÔMICOS NO PERÍODO PÓS-REAL Pâmela Amado Trisão¹ Kelmara Mendes Vieira² Paulo Sergio Cerea³ Reisoli
Leia maisUniversidade Federal de Pelotas UFPEL Departamento de Economia - DECON. Economia Ecológica. Professor Rodrigo Nobre Fernandez
Universidade Federal de Peloas UFPEL Deparameno de Economia - DECON Economia Ecológica Professor Rodrigo Nobre Fernandez Capíulo 6 Conabilidade Ambienal Nacional Peloas, 2010 6.1 Inrodução O lado moneário
Leia maisTaxa de Juros e Desempenho da Agricultura Uma Análise Macroeconômica
Taxa de Juros e Desempenho da Agriculura Uma Análise Macroeconômica Humbero Francisco Silva Spolador Geraldo San Ana de Camargo Barros Resumo: Ese rabalho em como obeivo mensurar os efeios das axas de
Leia maisUma avaliação da poupança em conta corrente do governo
Uma avaliação da poupança em cona correne do governo Manoel Carlos de Casro Pires * Inrodução O insrumeno de políica fiscal em vários ojeivos e não é surpreendene que, ao se deerminar uma mea de superávi
Leia maisPREVISIBILIDADE DOS RESULTADOS DIVULGADOS PELAS COMPANHIAS ABERTAS BRASILEIRAS
1 PREVISIBILIDADE DOS RESULTADOS DIVULGADOS PELAS COMPANHIAS ABERTAS BRASILEIRAS Renaa Turola Takamasu Douoranda em Conroladoria e Conabilidade pela USP; Professora Assisene da UFMG - Brasil E-mail: reakamasu@gmail.com
Leia maisMODELOS DE PREVISÃO PARA ÍNDICES CRIMINAIS EM TRÊS CIDADES DO SUL DE MINAS GERAIS JOSIANE MAGALHÃES TEIXEIRA
MODELOS DE PREVISÃO PARA ÍNDICES CRIMINAIS EM TRÊS CIDADES DO SUL DE MINAS GERAIS JOSIANE MAGALHÃES TEIXEIRA 006 JOSIANE MAGALHÃES TEIXEIRA MODELOS DE PREVISÃO PARA ÍNDICES CRIMINAIS EM TRÊS CIDADES DO
Leia maisInsper Instituto de Ensino e Pesquisa Programa de Mestrado Profissional em Economia. Bruno Russi
Insper Insiuo de Ensino e Pesquisa Programa de Mesrado Profissional em Economia Bruno Russi ANÁLISE DA ALOCAÇÃO ESTRATÉGICA DE LONGO PRAZO EM ATIVOS BRASILEIROS São Paulo 200 Bruno Russi Análise da alocação
Leia mais1 Introdução. Onésio Assis Lobo 1 Waldemiro Alcântara da Silva Neto 2
Transmissão de preços enre o produor e varejo: evidências empíricas para o seor de carne bovina em Goiás Resumo: A economia goiana vem se desacado no conexo nacional. Seu PIB aingiu R$ 75 bilhões no ano
Leia maisO IMPACTO DOS INVESTIMENTOS NO ESTADO DO CEARÁ NO PERÍODO DE 1970-2001
O IMPACTO DOS INVESTIMENTOS NO ESTADO DO CEARÁ NO PERÍODO DE 970-200 Ricardo Candéa Sá Barreo * Ahmad Saeed Khan ** SINOPSE Ese rabalho em como objeivo analisar o impaco dos invesimenos na economia cearense
Leia maisSusan Schommer Risco de Crédito 1 RISCO DE CRÉDITO
Susan Schommer Risco de Crédio 1 RISCO DE CRÉDITO Definição: Risco de crédio é o risco de defaul ou de reduções no valor de mercado causada por rocas na qualidade do crédio do emissor ou conrapare. Modelagem:
Leia maisInfluência de Variáveis Meteorológicas sobre a Incidência de Meningite em Campina Grande PB
Revisa Fafibe On Line n.3 ago. 007 ISSN 808-6993 www.fafibe.br/revisaonline Faculdades Inegradas Fafibe Bebedouro SP Influência de Variáveis Meeorológicas sobre a Incidência de Meningie em Campina Grande
Leia maisRedes de Computadores
Inrodução Ins iuo de Info ormáic ca - UF FRGS Redes de Compuadores Conrole de fluxo Revisão 6.03.015 ula 07 Comunicação em um enlace envolve a coordenação enre dois disposiivos: emissor e recepor Conrole
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 O impacto de choques externos sobre a inflação e o produto dos países em desenvolvimento: o grau de abertura comercial importa?
3 O impaco de choques exernos sobre a inflação e o produo dos países em desenvolvimeno: o grau de aberura comercial impora? 3.1.Inrodução Todas as economias esão sujeias a choques exernos. Enreano, a presença
Leia maisDados do Plano. Resultado da Avaliação Atuarial. Data da Avaliação: 31/12/2010
AVALIAÇÃO ATUARIAL Daa da Avaliação: 3/2/200 Dados do Plano Nome do Plano: CEEEPREV CNPB: 20.020.04-56 Parocinadoras: Companhia Esadual de Geração e Transmissão de Energia Elérica CEEE-GT Companhia Esadual
Leia maisMÉTODO MARSHALL. Os corpos de prova deverão ter a seguinte composição em peso:
TEXTO COMPLEMENTAR MÉTODO MARSHALL ROTINA DE EXECUÇÃO (PROCEDIMENTOS) Suponhamos que se deseje dosar um concreo asfálico com os seguines maeriais: 1. Pedra 2. Areia 3. Cimeno Porland 4. CAP 85 100 amos
Leia maisSistema Computacional para Previsão de Demanda em Pontos de Suprimento e Subestação da COELBA
1 Sisema Compuacional para Previsão de Demanda em Ponos de Suprimeno e Subesação da COELBA P M Ribeiro e D A Garrido, COELBA, R G M Velásquez, CELPE, D M Falcão e A P A da Silva, COPPE Resumo O conhecimeno
Leia maisDinâmica de interação da praga da cana-de-açúcar com seu parasitóide Trichogramma galloi
Dinâmica de ineração da praga da cana-de-açúcar com seu parasióide Trichogramma galloi Elizabeh de Holanda Limeira 1, Mara Rafikov 2 1 Universidade Federal do ABC - UFABC, Sano André, Brasil, behmacampinas@yahoo.com.br
Leia maisEspaço SENAI. Missão do Sistema SENAI
Sumário Inrodução 5 Gerador de funções 6 Caracerísicas de geradores de funções 6 Tipos de sinal fornecidos 6 Faixa de freqüência 7 Tensão máxima de pico a pico na saída 7 Impedância de saída 7 Disposiivos
Leia maisAscensão e Queda do Desemprego no Brasil: 1998-2012
Ascensão e Queda do Desemprego no Brasil: 1998-2012 Fernando Siqueira dos Sanos Resumo: ese rabalho analisa a evolução do desemprego nos úlimos anos, com foco no período 1998 a 2012 devido à melhor disponibilidade
Leia maisUM MODELO ESTOCÁSTICO COMBINADO DE PREVISÃO SAZONAL PARA A PRECIPITAÇÃO NO BRASIL
Revisa Brasileira de Meeorologia, v.25, n.1, 70-87, 2010 UM MODELO ESTOCÁSTICO COMBINADO DE PREVISÃO SAZONAL PARA A PRECIPITAÇÃO NO BRASIL PAULO SÉRGIO LÚCIO 1, FABRÍCIO DANIEL DOS SANTOS SILVA 2, LAURO
Leia maisPREVISÃO DE INFLAÇÃO EM CABO VERDE POR MEIO DE VETORES AUTOREGRESSIVOS
PREVISÃO DE INFLAÇÃO EM CABO VERDE POR MEIO DE VETORES AUTOREGRESSIVOS Resumo Anônio José Medina dos Sanos Bapisa Rubicleis Gomes da Silva O objeivo do rabalho foi esimar um modelo de correção de erro
Leia maisANÁLISE DO COMPORTAMENTO DO ÍNDICE DOW JONES. Pedro Luiz Costa Carvalho
ANÁLISE DO COMPORTAMENTO DO ÍNDICE DOW JONES Pedro Luiz Cosa Carvalho Bacharel e mesre em Adminisração - UFLA Prof.: Insiuo Federal Goiano, campus Uruaí - Goiás Brasil. (pcosacarvalho@yahoo.com.br). Recebido
Leia maisOBJETIVOS. Ao final desse grupo de slides os alunos deverão ser capazes de: Explicar a diferença entre regressão espúria e cointegração.
Ao final desse grupo de slides os alunos deverão ser capazes de: OBJETIVOS Explicar a diferença enre regressão espúria e coinegração. Jusificar, por meio de ese de hipóeses, se um conjuno de séries emporais
Leia maisSistemas não-lineares de 2ª ordem Plano de Fase
EA93 - Pro. Von Zuben Sisemas não-lineares de ª ordem Plano de Fase Inrodução o esudo de sisemas dinâmicos não-lineares de a ordem baseia-se principalmene na deerminação de rajeórias no plano de esados,
Leia maisO objectivo deste estudo é a obtenção de estimativas para o número de nados vivos (de cada um dos sexos) ocorrido por mês em Portugal.
REVISTA DE ESTATÍSTICA 8ª PAGINA NADOS VIVOS: ANÁLISE E ESTIMAÇÃO LIVE BIRTHS: ANALYSIS AND ESTIMATION Auora: Teresa Bago d Uva -Gabinee de Esudos e Conjunura do Insiuo Nacional de Esaísica Resumo: O objecivo
Leia maisUMA APLICAÇÃO DO TESTE DE RAIZ UNITÁRIA PARA DADOS EM SÉRIES TEMPORAIS DO CONSUMO AGREGADO DAS FAMÍLIAS BRASILEIRAS
UMA APLICAÇÃO DO TESTE DE RAIZ UNITÁRIA PARA DADOS EM SÉRIES TEMPORAIS DO CONSUMO AGREGADO DAS FAMÍLIAS BRASILEIRAS VIEIRA, Douglas Tadeu. TCC, Ciências Econômicas, Fecilcam, vieira.douglas@gmail.com PONTILI,
Leia maisEscola E.B. 2,3 / S do Pinheiro
Escola E.B. 2,3 / S do Pinheiro Ciências Físico Químicas 9º ano Movimenos e Forças 1.º Período 1.º Unidade 2010 / 2011 Massa, Força Gravíica e Força de Ario 1 - A bordo de um vaivém espacial, segue um
Leia maisTaxa de Câmbio e Taxa de Juros no Brasil, Chile e México
Taxa de Câmbio e Taxa de Juros no Brasil, Chile e México A axa de câmbio consiui variável fundamenal em economias aberas, pois represena imporane componene do preço relaivo de bens, serviços e aivos, ou
Leia maisAnálise da Interdependência Temporal dos Preços nos Mercados de Cria Recria e Engorda de Bovinos no Brasil
"Conhecimenos para Agriculura do Fuuro" ANÁLISE DA INTERDEPENDÊNCIA TEMPORAL DOS PREÇOS NOS MERCADOS DE CRIA RECRIA E ENGORDA DE BOVINOS NO BRASIL HENRIQUE LIBOREIRO COTTA () ; WAGNER MOURA LAMOUNIER (2)..UNIVERSIDADE
Leia maisAnálise de Previsão de Itens de Demanda Intermitente Utilizando o Modelo Syntetos- Boylan Approximation (SBA)
Análise de Previsão de Iens de Demanda Inermiene Uilizando o Modelo Syneos- Boylan Approximaion (SBA) RESUMO Auoria: Carlos Alexandre Vieira de Carvalho Esa pesquisa se concenra em méodos de Suavização
Leia maisSILVA, W. V. TARDELLI, M. ROCHA, D. T. da MAIA, M.
APLICAÇÃO DA MÉTRICA VALUE AT RISK A ÍNDICES DE BOLSAS DE VALORES DE PAÍSES LATINO-AMERICANOS: UM ESTUDO UTILIZANDO OS MODELOS DE PREVISÃO DE VOLATILIDADE EWMA, EQMA E GARCH APLICAÇÃO DA MÉTRICA VALUE
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 maisSPREAD BANCÁRIO NO BRASIL
SPREAD BANCÁRIO NO BRASIL Elaine Aparecida Fernandes RESUMO: Diane da consaação de que os spreads bancários brasileiros (diferença enre as axas de juros de capação e aplicação dos bancos) se enconram em
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 RECEITAS TRIBUTÁRIAS: O ICMS DO ESTADO DO ESPÍRITO SANTO
PREVISÃO DE RECEITAS TRIBUTÁRIAS: O ICMS DO ESTADO DO ESPÍRITO SANTO Bernardino Josafa da Silva Casanho Universidade Federal do Espírio Sano josafac@erra.com.br Guemberg Hespanha Brasil Universidade Federal
Leia maisContratos Futuros e o Ibovespa: Um Estudo Empregando Procedimento de Auto- Regressão Vetorial Estutural. Autoria: Gustavo de Souza Grôppo
Conraos Fuuros e o Ibovespa: Um Esudo Empregando Procedimeno de Auo- Regressão Veorial Esuural. Auoria: Gusavo de Souza Grôppo Resumo: Ese esudo em como objeivo principal verificar a relação enre conraos
Leia maisExponential weighting and decomposition times series applied to forecast the volume of cargo handling at International Airport of Sao Paulo
Ouubro de 2010, vol. 02, n o. 10 Ponderação exponencial e decomposição em séries emporais aplicadas à previsão do volume de movimenação de carga no Aeroporo Inernacional de São Paulo Tiago José Menezes
Leia maisCOMISSÃO DE INTEGRAÇÃO ENERGÉTICA REGIONAL COMITÊ NACIONAL BRASILEIRO
COMISSÃO DE INTEGRAÇÃO ENERGÉTICA REGIONAL COMITÊ NACIONAL BRASILEIRO V CIERTEC - SEMINÁRIO INTERNACIONAL SOBRE GESTÃO DE PERDAS, EFICIENTIZAÇÃO ENERGÉTICA E PROTEÇÃO DA RECEITA NO SETOR ELÉTRICO Área
Leia mais2 O mercado de opções
2 O mercado de opções O mercado de opções adquiriu maior popularidade a parir da criação da Chicago Board Opions Exchange, em abril de 1973. A aberura objeivava especificamene a negociação de opções sobre
Leia mais