09 Cap 02

2
PREVISO DA DEMANDA
Abandonando um pouco a viso romntica do termo previso, milhares de

anos aps as grandes civilizaes da nossa histria, a previso do futuro volta a
tomar a sua posio de importncia no plano de gesto e planejamento das
empresas. No preciso aqui relembrar os termos mais utilizados (e os seus
significados) no mundo dos negcios nos ltimos anos: globalizao,
competitividade, supply chain management e reduo de custos. Estes so alguns
dos drivers que orientam as empresas na busca pelo seu maior objetivo:
PUC-Rio - Certificao Digital N 0621498/CA
Maximizao da Lucratividade.
Aqui pode-se introduzir o conceito de previso de demanda, como uma das

ferramentas que mais tem obtido importncia nos ltimos anos.
2.1.
CONSIDERAES INICIAIS
O processo de previso de demanda se baseia no pressuposto que a demanda

passada de um produto poder, em parte, explicar a sua demanda futura. Este
processo busca a identificao e o entendimento dos fatores que formaram esta
demanda passada e a partir da extrapol-los para o futuro. O conhecimento que
uma empresa possui sobre o comportamento dos seus clientes um diferencial
competitivo, pois auxilia consideravelmente neste planejamento. Quanto maior a
preciso na identificao destes fatores, menor ser o erro associado previso e,
portanto, melhores resultados sero alcanados. Alguns fatores podem influenciar
a demanda, como por exemplo, promoes e descontos por quantidade,
campanhas de vendas, lanamento de um novo produto similar, variao do clima
(fator preponderante para sorvetes e cerveja, por exemplo), conjuntura econmica
e relao entre produtos (promoo de um similar roubando demanda de outro).
26
Aqui abre-se um parntese para tratar de um conceito extremamente

importante apresentado por Ballou (Gerenciamento da Cadeia de Suprimentos,
2001). o de demanda espacial. Ele destaca que, em geral, quando se fala em
previso da demanda, os gestores acabam pensando somente na questo temporal,
ou seja, tratam unicamente da variao da demanda ao longo do tempo. Contudo,
na Logstica, alm da dimenso tempo, deve-se tambm considerar a dimenso
espacial. Em outras palavras, na logstica deve existir a preocupao no somente
quando a demanda ir ocorrer, mas tambm aonde ocorrer.
A localizao da demanda auxiliar ao gestor a planejar localizaes de

centros de distribuio, o nvel de estoque no sistema logstico (CDs x pontos de
vendas), bem como dimensionamento de frota. Ainda, segundo Ballou, Tcnicas
de previso devem ser selecionadas para refletir as diferenas geogrficas que
podem afetar os padres de demanda. Tambm, as tcnicas, podem diferir

dependendo se toda a demanda est prevista e, ento, desagregada por
localizao geogrfica (previso top-down) ou se cada localizao geogrfica est
prevista separadamente e agregada posteriormente (previso bottom-up).
Entretanto o presente estudo tratar somente da demanda temporal, trabalhando
com demanda agregada.
Algumas consideraes precisam ser levantadas sobre a questo das anlises

top-down e bottom-up. Cada uma das abordagens possui vantagens e
desvantagens. A primeira, tambm denominada anlise consolidada, refere-se
avaliao ou do total de uma famlia de produtos ou de vendas de uma diretoria
regional, por exemplo. A partir da previso consolidada, faz-se a diviso dos
valores com base nos percentuais histricos de participao de cada produto ou
rea geogrfica. J na anlise bottom-up parte-se de uma avaliao
individualizada (produto ou regio), que posteriormente consolidada num plano
de produo ou metas de vendas de uma diretoria comercial. A deciso sobre qual
metodologia deve-se seguir traz implicaes para a empresa. A anlise
consolidada menos complexa e com menos custo, visto que no h necessidade
de se analisar o comportamento de centenas (ou at mesmo, milhares de itens).
Contudo, quando se avalia uma famlia de produtos de forma consolidada, corre-
27
se o risco de extrapolar o crescimento apresentado por um determinado produto

para toda a famlia, o que pode levar a uma distoro dos nveis de estoque.
Em resumo, a avaliao top-down melhor na tentativa de se minimizar o

impacto de componentes aleatrios, em contrapartida, a bottom-up pode ser a
mais apropriada nos casos em que h presena de forte tendncia (de crescimento
ou declnio) em alguns itens analisados, trazendo o risco de superavaliar ou
subavaliar os outros itens.
A metodologia mais adequada deve ser definida a partir da avaliao do

comportamento das sries. De qualquer maneira, um dos drivers mais importantes
e que deve ser levado em considerao no momento da deciso o nvel de
preciso desejado para a previso.
2.2.
CARACTERSTICAS DA PREVISO
A disseminao do uso da tecnologia da informao e gerenciamento de

dados tem impulsionado a utilizao das tcnicas de previso de demanda. J
possvel com os sistemas integrados o acesso rpido s informaes necessrias
ao processo de previso.
Esta disseminao tambm conseqncia direta do desenvolvimento e

popularizao dos microcomputadores. Atualmente, praticamente qualquer gestor
tem condies de montar modelos de previso de demanda utilizando planilhas
eletrnicas como apoio ao processo de tomada de deciso.
Contudo, apesar desta facilidade, os gestores tm que prestar ateno em

algumas caractersticas das previses:
1. Toda e qualquer previso possui um erro intrnseco chamado de

incerteza da demanda. Infinitos fatores podem influenciar a demanda de
determinado produto, tornando impossvel ao gestor mapear e avaliar o
impacto de cada fator em determinado momento. O papel do gestor
28
minimizar este erro. As medidas de nvel de erro so fundamentais para se

avaliar a qualidade da previso;
2. As previses de curto prazo so mais precisas que as de longo prazo, isto
porque o nvel de incerteza aumenta medida que o horizonte da previso
se distancia do momento atual;
3. As previses agregadas so mais precisas que as desagregadas. Esta
caracterstica pode ser explicada atravs do Teorema Central do Limite,
que comprova que a soma de muitas variveis aleatrias tende para uma
varivel aleatria de distribuio normal.
Outro conceito importante no processo de previso o de srie histrica ou

temporal. Segundo Chatfield (The Analysis of Time Series, 1995) uma srie
histrica uma coleo de observaes realizadas seqencialmente no tempo. A
srie histrica a principal informao utilizada para se tentar entender a

demanda passada. Contudo, deve-se tambm considerar na anlise das sries
temporais, que dever existir uma dependncia entre as observaes. A Prof.
Monica Barros, em seu livro Processos Estocsticos (2004) coloca que a
dependncia serial entre os valores da srie um aspecto essencial, pois nos
permite gerar previses de valores futuros da srie. Estas previses seriam puro
chute se no houvesse a dependncia serial. exatamente esta dependncia que
reflete as informaes de comportamento nos dados da srie. Na figura 1, a seguir,
observa-se alguns exemplos de sries histricas.
O processo de previso de uma srie temporal de demanda composto de

duas etapas:
1. Anlise e modelagem da srie temporal Nesta etapa avalia-se os fatores

que influenciam a demanda e suas caractersticas mais relevantes.
Tambm busca-se representar matematicamente este comportamento;
2. Previso Aps a etapa de anlise, o modelo aplicado e os nmeros da
previso so gerados.
Um ponto importante sobre a avaliao das sries temporais e que

levantado em boa parte dos livros que tratam do assunto: a primeira medida a ser
29
tomada ao se deparar com uma srie histrica construir o seu grfico para
observar a sua evoluo ao longo do tempo. Chatfield (The Analysis of Time
Series, 1995) mais incisivo: qualquer um que tente analisar uma srie histrica
sem plotar os dados primeiro estar pedindo problemas. O grfico poder
mostrar alm das tendncias e sazonalidades, os chamados outliers, ou variaes
anormais da demanda. Os outliers necessitam ser identificados e explicados.
Aps a sua identificao, a variao anormal dever ser de alguma forma ajustada,
de maneira que a anlise dos dados no fique distorcida.
(a) Srie Histrica sem tendncia (b) Srie com tendncia de crescimento sem sazonalidade
60 60
40 40
Unidades
Unidades
20 20
0 0
0 5 10 15 20 25 30 0 5 10 15 20 25 30
Tem po Tem po
Vendas reais Vendas Mdias Vendas reais Vendas Mdias
(c) Srie histrica com tendncia e sazonalidade
60
40
Unidade
20
0
1 6 11 16 21
Tem po
Vendas reais Vendas Mdias
Figura 1 Sries histricas com tendncia e sazonalidade.

FONTE: Adaptado de Gerenciamento da Cadeia de Suprimentos, Ronald Ballou, 2001.
Peter Brockwell e Richard Davis (Introduction to Time Series and

Forecasting, 2002) tambm ressaltam a importncia da montagem dos grficos. A
sua principal funo exibir a existncia de tendncias, sazonalidades, mudanas
aparentes no comportamento da curva e possveis outliers.
Os modelos de previso podem ser classificados da seguinte maneira:

30
1. Qualitativos Os modelos qualitativos, tambm denominados subjetivos,

se baseiam na intuio, pesquisas de mercado ou julgamento de uma ou
vrias pessoas para se chegar previso final. Geralmente buscam-se
pessoas com vasta experincia no mercado ou no assunto tratado. So
muito utilizados quando no existem dados histricos disponveis para a
anlise ou no lanamento de produtos novos. Alguns exemplos de mtodos
qualitativos que podem ser citados: estimativas da rea de vendas, que
levam em considerao a opinio da equipe de vendedores ( bastante til
quando esta equipe est bem prxima dos clientes); painis de consenso,
quando vrios especialistas so reunidos e so incentivados a discutir as
previses; e tambm a analogia histrica que leva em considerao
experincia anterior com produtos similares;
2. Mtodos Quantitativos ou de projeo histrica Referem-se aos
mtodos que utilizam as sries temporais para gerar a previso. Partem do

pressuposto que a demanda passada poder auxiliar na gerao de nmeros
que se aproximem da demanda futura. Conforme mencionado
anteriormente, necessria a existncia de dependncia entre os dados ao
longo do tempo;
3. Mtodos Causais Procuram estabelecer uma relao entre a demanda e
fatores conjunturais e/ou externos, como por exemplo, inflao, taxas de
juros, polticas econmicas, temperatura ambiente.
O gestor dever selecionar o mtodo mais adequado s suas necessidades.

Ainda segundo Chatfield, o perfil da srie histrica definir o mtodo mais
adequado. Se o perfil for bastante claro, onde tenhamos condies de verificar a
existncia (ou no) de tendncia e sazonalidade, o mtodo quantitativo ser
perfeitamente adequado s necessidades do gestor. De qualquer forma, o ideal
que a empresa busque sempre o aperfeioamento das previses atravs da
interveno do homem. Neste momento, a composio com a anlise qualitativa
pode trazer excelentes resultados.
A srie histrica formada por dois componentes bsicos: o sistemtico,

que se refere ao valor esperado da demanda. composta, por sua vez, por outras
trs partes: nvel, que o comportamento das vendas atuais desazonalizada;
31
tendncia, que significa a taxa de crescimento ou decrscimo apresentada pela

srie a mdio e longo prazo, e sazonalidade que representa as variaes que
ocorrem ao longo do ano (Natal, vero, inverno, Dia das Mes, etc.).
O componente sistemtico pode assumir dois comportamentos bsicos:

Aditivo: Neste caso o padro de comportamento da sazonalidade no se
modifica com possveis alteraes no nvel da srie;
VALOR PREVISTO (P) = NVEL (N) + TENDNCIA (T) +

SAZONALIDADE (S)
Multiplicativo: No modelo multiplicativo, a sazonalidade da srie

afetada com as modificaes do nvel. Pode ser ampliada ou reduzida.
VALOR PREVISTO (P) = NVEL (N) x TENDNCIA (T) x

SAZONALIDADE (S)
Ou
VALOR PREVISTO (P) = (NVEL (N) + TENDNCIA (T)) x

SAZONALIDADE (S)
O segundo componente o chamado aleatrio, que se refere a todas as

outras variaes no explicadas pelos componentes sistemticos. Podem ser
causadas por eventos especficos e que no se repetem. Est desvinculado da parte
sistemtica do modelo. Pode-se afirmar que impossvel prever este ltimo
componente, cabendo empresa avaliar o seu tamanho e variabilidade, o que
gerar as chamadas medidas de erro da previso. O papel do gestor minimizar
este erro, em outras palavras, procurar a maior preciso possvel para o sistema de
previso. Em geral, supe-se que o erro aleatrio tem mdia zero e varincia
constante, e freqentemente faz-se a hiptese de Normalidade do erro, permitindo
a construo de intervalos de confiana e testes de hipteses. Posteriormente ser
abordada a questo sobre indicadores de erro (tambm denominados de
indicadores de desempenho).
32
VALOR PREVISTO(P)=NVEL(N) + TENDNCIA(T) +
SAZONALIDADE(S) + COMPONENTE ALEATRIO ( )
A figura 1, vista anteriormente, exibe trs classes de modelos:
1) Modelo Constante Pode ser considerado o modelo mais simples, pois

no so encontrados tendncias de longo prazo (crescimento ou queda) e
tampouco sazonalidade. Neste caso, a demanda dever variar somente em
torno do nvel. Tem-se a seguinte estrutura:
xt = a + t eq(1)
Onde define-se a como o nvel da demanda e t como o componente
aleatrio (ou erro), que ter mdia zero e varincia 2 (figura 1.a);
2) Modelo Linear Neste modelo j existe a presena da tendncia

(crescimento ou queda). Pode-se represent-lo com a seguinte equao
geral:
xt = a + b t + t eq(2)
Onde denomina-se b como taxa de crescimento ou de decrscimo da
demanda (figura 1.b);
3) Modelo Sazonal Aqui, alm da tendncia, passa-se a observar variaes

da demanda dentro do ano. Sua representao ser dada por:
xt = ( a + b t ) Ft + t eq(3)
Onde Ft ser o fator sazonal no perodo t (figura 1.c).

33
A seguir sero apresentados alguns mtodos de previso que podero ser

adotados de acordo com o perfil apresentado na srie.
2.3.
MTODOS DE PREVISO
A funo dos mtodos possibilitar ao analista estimar os componentes da

demanda. De acordo com os perfis apresentados no item anterior, define-se os
modelos que sero mais adequados a cada srie e que possibilitaro a gerao de
estimativas destes componentes com a menor margem de erro possvel.
Atualmente existem dezenas de mtodos para clculo dos estimadores (dos

mais simples aos mais complexos), contudo a referncia bibliogrfica consultada
indica que muitas vezes os mtodos mais simples (portanto, com menores
custos) atingem resultados to bons quanto os mais complexos. Segundo
Makridakis (Forecasting and Planning: An Evaluation, Management Science
27, n 2 fevereiro 1981, 115-138), em geral, a complexidade dos modelos de
previso no diminui consideravelmente a margem de erro.
Os mtodos bsicos mais utilizados sero apresentados a seguir.
2.3.1.
Mdia Simples
considerado um dos mtodos mais simples de previso. Parte do

pressuposto que a mdia aritmtica simples uma boa estimativa de previso para
os perodos seguintes:
n
Rt
Pt +1 = t =1
eq(4)
n
Onde:
Pt +1 - Previso para o perodo t+1;
Rt - Demanda real ocorrido em t;

34
n - Nmero total de registros ou ocorrncias passadas.
Pode ser um mtodo adequado para os modelos constantes, contudo

desaconselhvel seu uso para sries com tendncia e sazonalidade, visto que estes
componentes provavelmente distorcero a mdia, aumentando o nvel de erro.
Outro ponto negativo deste modelo que a mdia responde muito lentamente s
alteraes recentes no nvel da srie, o que pode gerar problemas de falta de
produtos, por exemplo, caso o gestor trabalhe com uma poltica de estoques
enxuta. Uma das caractersticas deste tipo de modelo que todas as ocorrncias
possuem o mesmo peso ou importncia no clculo de previso, o que pode ser
inoportuno, caso a inteno do gestor seja dar s observaes mais antigas menor
impacto.
2.3.2.
Mdia Mvel
Trata-se de uma variao da mdia simples. Neste caso, passa-se a utilizar a

mdia aritmtica das n ltimas observaes. A cada novo perodo substitui-se o
registro mais antigo pelo mais recente e recalcula-se a mdia. Sua frmula passa a
ser:
Rt + Rt 1 + Rt 2 + (...) + Rt n +1
Pt +1 = M t = eq(5)
n
Onde:
M t - Mdia Mvel para o perodo t;
Rt - Demanda real ocorrida em t;

n - Nmero de registros que devero ser considerados para o clculo da
mdia mvel.
Aqui, a exemplo da Mdia Simples, as ocorrncias tambm possuem o

mesmo peso. A diferena que a mdia mvel passa a ser um pouco mais
35
sensvel s alteraes do nvel, j que retira as ocorrncias mais antigas,

substituindo-as pelas mais recentes. Estas passam a ser mais relevantes para a
composio da mdia. Contudo, uma questo importante a ser definida o
tamanho mais adequado desta amostra n. Segundo a Prof. Mnica Barros,
quanto maior o valor de n, mais suave ser a previso. Ao contrrio, se n
menor, a previso passa a oscilar muito. Logicamente, ao se adotar a amostra
inteira como n, retorna-se mdia simples. Deve-se definir n de modo a
minimizar a soma dos quadrados dos erros da previso. A exemplo do que ocorre
com a mdia simples, desaconselhvel seu uso em sries temporais que
apresentam tendncia e sazonalidade, visto que as previses acabam sendo
reativas s alteraes dos componentes da srie.
2.3.3.
Mdia Mvel Dupla
Este modelo j pode ser utilizado em sries com tendncia. O seu clculo
dividido em cinco etapas:
1. Clculo da mdia mvel de tamanho n

Rt + Rt 1 + Rt 2 + (...) + Rt n +1
Mt = eq(6)
n
2. A partir das mdias mveis apuradas no passo anterior, calculamos a
mdia mvel dupla de tamanho n
M t + M t 1 + M t 2 + (...) + M t n +1
MMDt = eq(7)
n
O nvel estimado somando-se a mdia mvel simples diferena entre a
mdia dupla e a simples:
at = M t + ( M t MMDt ) eq(8)
3. Para incluir a tendncia no clculo, define-se um fator de ajuste,

equivalente ao coeficiente angular de reta:
2
bt = ( M t MMDt ) eq(9)
n 1
36
4. A previso futura ser dada, ento, pela equao:
Pt +1 = at + bt . eq(10)
Da mesma maneira que na mdia mvel, tambm a necessidade de se definir

a quantidade de perodos n mais adequada srie em questo (sempre buscando
minimizar a soma quadrada dos erros da previso do perodo seguinte). Aqui as
ocorrncias tambm iro possuir o mesmo peso, independentemente da sua
idade, o que um dos pontos negativos deste tipo de modelo.
A seguir, na tabela 1 e na figura 2, observa-se um comparativo dos mtodos

de mdias, simples, mveis e duplas com tamanho trs (n=3), utilizando os dados
de estojos de meia aliana.
mdia mdia mvel mdia dupla

DESCRICAO MES 2004
simples n=3 n=3
ESTOJO ANEL/MEIA ALIANCA 1 1448 1720
2 1836 1720
3 1822 1720 1702
4 1638 1720 1765
5 1715 1720 1725 1731
6 1380 1720 1578 1689
7 1220 1720 1438 1580
8 1591 1720 1397 1471
9 1471 1720 1427 1421
10 1819 1720 1627 1484
11 2120 1720 1803 1619
12 2579 1720 2173 1868
Tabela 1 Comparativo dos resultados das tcnicas de mdia simples, mvel e dupla, em
unidades.
FONTE: Gerncia da CAM
Neste caso, no se buscar a otimizao do tamanho da janela (n), que ser

fixado n = 3.
37
Comparativo de Previses
Mdias Simples, Mvel e Dupla
3000
2500
2000
unidades
1500
1000
500
0
1 2 3 4 5 6 7 8 9 10 11 12
Ms
mdia simples mdia mvel N=3
mdia dupla N=3 Realizado
Figura 2 Comparativo de resultados de previses, utilizando a mdia simples, mvel e

dupla.
FONTE: Gerncia da CAM.
Neste caso, se houvesse sido adotado o modelo de mdia simples, poderia-

se considerar a cobertura adequada nos primeiros cinco meses do ano, contudo a
partir do sexto at o stimo ms, h uma queda no consumo dos estojos, tendncia
que no acompanhada pela mdia simples, que fixa. A mdia mvel responde
um pouco melhor a esta alterao, comeando a reagir a partir do ms seguinte.
A partir do oitavo ms, a demanda comea a apresentar um crescimento
acentuado. Este movimento comea a ser acompanhado pelos nmeros gerados
pela mdia mvel somente a partir do dcimo ms, mas sem a mesma
velocidade da taxa de crescimento. Ou seja, em termos prticos, a partir do
dcimo ms o risco de desabastecimento aumenta.
A mdia mvel dupla apresenta, neste caso, uma previso mais prxima da
demanda ao longo do tempo. At o dcimo ms podemos observar que este
mtodo apresenta erros menores que os outros, contudo a sua resposta ao aumento
de demanda a partir do dcimo ms, acaba ficando abaixo da mdia mvel. A
partir deste momento a Mdia Mvel passa a estar mais perto do realizado que a
Mdia Mvel Dupla.
38
2.3.4.
Amortecimento Exponencial Simples
O mtodo de Amortecimento Exponencial um mtodo similar mdia

mvel, mas que tem como base a diferenciao dos pesos aplicados aos valores da
srie histrica em funo do tempo. As observaes mais recentes da srie tero
uma importncia maior na obteno da previso que os primeiros eventos. O
conceito por trs deste modelo pressupe que os ltimos eventos de uma srie
tero informaes mais atualizadas sobre a demanda e, conseqentemente, mais
importncia na previso da demanda futura. Os diversos mtodos de
amortecimento exponencial so considerados como alguns dos mais teis, pela
sua simplicidade e pequena necessidade de sries longas, o que facilita a
implementao. Na literatura podem ser encontradas diversas variaes dos
mtodos de amortecimento, mas sempre mantendo o mesmo conceito chave:
ponderao das observaes em funo do tempo. Algumas metodologias de

amortecimento sero apresentadas neste trabalho.
Os pesos so conhecidos como fatores de ponderao ou coeficientes de

amortecimento e seus valores variam de zero a um. Segundo Barros (2004), A
existncia de uma ou mais constantes de amortecimento ir determinar como
funciona este mecanismo de ponderao, ou o quo rapidamente decai a
influncia das observaes passadas. Esta ponderao faz com que o modelo
responda mais rapidamente s mudanas na srie.
O mtodo denominado exponencial, pois os pesos ( ) decrescem

exponencialmente, como uma progresso geomtrica ( , (1 ) , (1 ) 2 ,
(1 )3 ), medida que os eventos vo ocorrendo ao longo do tempo.
Quanto maior o valor de , maior a influncia do evento mais recente na

previso final. Contudo, um valor de muito elevado pode fazer com que a
previso fique extremamente sensvel s variaes aleatrias da demanda
realizada, em detrimento das mudanas estruturais. Por outro lado, um coeficiente
muito baixo tornar o modelo extremamente estvel, resistente aleatoriedade
39
existente na srie histrica. A bibliografia relacionada ao assunto sugere um valor

de entre 0,05 e 0,25.
Neste mtodo, a maior dificuldade exatamente definir o valor adequado de

, de forma a minimizar os erros da previso, buscando ao mesmo tempo uma
aderncia mais rpida s mudanas ocorridas na srie histrica. Uma possibilidade
a escolha de que minimize o erro quadrtico mdio (EMQ), que uma
estimativa da varincia do erro da previso.
1 n
EMQ = ( Rt Pt ) 2 eq(11)
n t =1
Onde:
Rt - Valor observado no instante t;
Pt - Previso no mesmo instante.
Atualmente j existem softwares de sries temporais que estimam os

coeficientes timos de amortecimento. At mesmo o Excel pode auxiliar nesta
tarefa, atravs da ferramenta Solver.
Outro ponto importante no amortecimento exponencial o valor inicial a ser

adotado na previso, pois dependendo do tamanho da srie, aquele ter um peso
muito grande na estimao da previso. Geralmente adota-se P0 = R0 . O efeito da
escolha inicial minimizado, claro, medida que t aumenta. Uma alternativa
bastante utilizada nesta questo trabalhar com a mdia de n valores iniciais
como ponto de partida.
O amortecimento exponencial simples um mtodo que, a exemplo da

mdia mvel simples, no indicada para sries temporais com tendncia e
sazonalidade, pois nesta situao as previses geradas acompanhariam a evoluo
da demanda com atraso.
A equao de previso no modelo de amortecimento exponencial simples

dado por:
40
Pt +1 = Rt + (1 ) Rt 1 + (1 ) 2 Rt 2 + (...) eq(12)
Onde:
- Coeficiente de amortecimento, [0,1] ;

Ou tambm, na forma reduzida: Pt +1 = Rt + (1 ) Pt eq(13)
A exemplo do que ocorre com qualquer outro mtodo de previso,

eventualmente observa-se a necessidade de reviso de , que ser definida
atravs do monitoramento dos nveis de erro das previses. importante a
definio de polticas de controles para estes erros com os respectivos ajustes.
2.3.5.
Amortecimento Exponencial Duplo (Modelo De Brown)
O modelo de Brown uma variao do amortecimento exponencial simples

desenvolvida para sries temporais que apresentam tendncia, mas no
sazonalidade. Este mtodo se assemelha Mdia Mvel Dupla, sendo o
componente de nvel calculado atravs da diferena entre um valor apurado com o
amortecimento simples e outro, com um segundo amortecimento do primeiro.
J para o clculo da tendncia, existe uma equao prpria, similar frmula de
coeficiente angular da reta. O clculo de previso ocorre como a seguir:
1. Clculo do primeiro amortecimento: Pt = Rt + (1 ) Pt 1 eq(14)
2. Clculo do segundo amortecimento: Pt = Pt + (1 ) Pt 1

' '
eq(15)
3. Clculo de estimativa do nvel como a soma do primeiro amortecimento

com a diferena entre o primeiro e o segundo amortecimentos:
a t = Pt + ( Pt Pt ') = 2 Pt Pt ' eq(16)

41

4. Clculo de estimativa de tendncia: bt = ( Pt Pt ') eq(17)
1
5. A previso futura ser dada, ento, pela equao: Pt + p = a t + bt p eq(18)
Aqui novamente deve-se destacar que to importante quanto a constante de

'
amortecimento a ser utilizada, so as estimativas iniciais de P0 e P0 . No se deve
utilizar o primeiro valor da srie para iniciar as equaes, pois corre-se o risco de
'
subestimar a tendncia desta srie. As estimativas iniciais do P0 e P0 so
geralmente dadas por:
1
P0 = a 0 b0 eq(19)

1
P0' = a 0 2 b0 eq(20)

Onde:
a0
= coeficiente linear obtido atravs da regresso linear dos valores da
srie pelos nmeros dos perodos;
b0
= coeficiente angular obtido atravs da regresso dos valores da srie
pelos nmeros dos perodos.
Para a estimativa do valor inicial de , necessrio para o clculo das

'
estimativas iniciais do P0 e P0 , deve-se atuar da mesma forma que a descrita no
mtodo de amortecimento exponencial simples, quando mencionou-se que o

valor que deve ser escolhido de forma a minimizar o erro mdio quadrado (EMQ).
42
2.3.6.
Amortecimento Exponencial - Mtodo De Holt
O mtodo de Holt outra variao do mtodo de amortecimento, utilizado

para as sries que apresentam tendncia (mas no sazonalidade). Neste mtodo, ao
contrrio do modelo de Brown, adotam-se duas constantes de amortecimento
diferentes, e , uma delas para estimao da tendncia e a outra para o nvel.
Aqui recuperaremos o conceito de componente sistemtico, apresentado no incio
deste captulo.
VALOR PREVISTO (P) = NVEL (N) + TENDNCIA (T)
O mtodo de Holt trabalha com trs equaes:

1. Estimao do nvel: N t = Rt + (1 )( N t 1 + Tt 1 ) eq(21)
2. Estimao da tendncia: Tt = ( N t N t 1 ) + (1 )Tt 1 eq(22)
3. Equao para previso para p perodos futuros: Pt + p = N t + Tt p eq(23)
Onde:
N t - Nvel para o perodo t;

Tt - Tendncia para o perodo t;
- Coeficiente de amortecimento para o nvel, [0,1] ;

- Coeficiente de amortecimento para a tendncia, [0,1] ;
A exemplo do que ocorre nos outros mtodos de amortecimento

exponencial, necessrio calcular as estimativas iniciais para o nvel e a tendncia
de forma a iniciar o sistema de clculo das previses. Neste caso, pode-se
trabalhar com a regresso linear entre a demanda e os perodos, pois existe uma
tendncia (de crescimento ou declnio) ao longo do tempo. A estimativa para o
nvel inicial N 0 ser, ento, o coeficiente linear obtido atravs da regresso linear
da demanda pelo nmero de perodo. E a tendncia T0 , ser o coeficiente angular

ou de inclinao, obtido atravs do mesmo processo de regresso.
43
Cabe aqui destacar que o Excel possui uma ferramenta que realiza
facilmente o clculo de regresso linear (menu Ferramentas Anlise de Dados
Regresso).
2.3.7.
Amortecimento Exponencial Modelo de Winters
O modelo de Winters utilizado para as sries que apresentam tendncia e

sazonalidade e adota trs coeficientes de amortecimento diferentes, um para cada
componente sistemtico da demanda (Nvel, Tendncia e Sazonalidade), , e
, respectivamente, todos no intervalo (0,1)
Novamente, resgatamos o conceito de componente sistemtico, agregando a

sazonalidade. Pode-se ter dois comportamentos bsicos:
Aditivo: O padro de comportamento da sazonalidade no se modifica
com possveis alteraes no nvel da srie
VALOR PREVISTO (P) = NVEL (N) + TENDNCIA (T) +

SAZONALIDADE (S)
Multiplicativo: No modelo multiplicativo, a sazonalidade da srie

afetada com as modificaes do nvel. Pode ser ampliada ou reduzida.
VALOR PREVISTO (P) = NVEL (N) x TENDNCIA (T) x

SAZONALIDADE (S)
Ou
VALOR PREVISTO (P)= (NVEL (N) + TENDNCIA (T))x

SAZONALIDADE (S)
O gestor, ento, ter que avaliar e selecionar o comportamento com base na

sua srie histrica. No presente estudo, ser utilizado o modelo multiplicativo
(tambm chamado de misto) para demonstrar o mtodo.
44
O mtodo de Winters multiplicativo trabalha com quatro equaes:

Rt
1. Estimao do nvel: N t = ( + (1 )( N t 1 + Tt 1 ) eq(24)
St
2. Estimao da tendncia: Tt = ( N t N t 1 ) + (1 )Tt 1 eq(25)
Rt
3. Estimao da sazonalidade: S t = ( ) + (1 ) S t p eq(26)
Nt
Sendo p o nmero de perodos sazonais (doze no caso de sries mensais e
quatro para sries trimestrais);
4. Equao de previso para k perodos futuros:
Pt + k = ( N t + Tt k ) S t eq(27)
Onde:
N t - Nvel para o perodo t;

Tt - Tendncia para o perodo t;
S t - Sazonalidade para o perodo t;
- Coeficiente de amortecimento para o nvel, sendo que [0,1] ;

- Coeficiente de amortecimento para a tendncia, sendo que [0,1] ;
- Coeficiente de amortecimento para a sazonalidade, sendo que [0,1] ;
O mtodo iniciado com o clculo das estimativas iniciais para o nvel,

tendncia e fatores sazonais. Antes de se estimar N e T, deve-se dessazonalizar a
srie, ou seja, remover os efeitos da sazonalidade dos nmeros. Aqui se introduz o
conceito de perodo sazonal, que passar a ser representar por p. Por exemplo,
numa srie trimestral, existem quatro perodos sazonais por ano, ou seja, p = 4.
Em sries mensais, como as consideradas neste trabalho, p = 12.
Para a dessazonalizao da srie deve-se calcular uma mdia dos perodos

consecutivos da demanda p. No caso da periodicidade p ser mpar, o clculo
45
fornecer a demanda dessazonalizada para um perodo existente. A demanda

dessazonalizada ser dada, ento, pela seguinte frmula:
t +( p / 2)
Rt = R /pi eq(28)
i =t ( p / 2)
Contudo se p for par, esta mdia fornecer uma demanda dessazonalizada

para um ponto entre dois perodos. Para resolver esta questo utiliza-se a seguinte
frmula:
t 1+ ( p / 2 )
Rt = Rt ( p / 2) + Rt + ( p / 2) + 2 Ri / 2 p eq(29)
i =t +1 ( p / 2 )
Aplicando as frmulas, obtem-se as demandas dessazonalizadas para os

perodos da srie histrica. Com esta nova demanda calculada, tem-se condies
de avaliar de forma adequada a tendncia da srie, pois existe uma relao linear
entre esta demanda dessazonalizada e os perodos. Esta relao pode ser
representada pela frmula: Rt = Nt + tTt eq(30)
Assim, atravs da regresso linear so definidos os valores iniciais do nvel

( N 0 ) e da tendncia ( T0 ). O nvel ser obtido pelo intercepto e a tendncia pelo
coeficiente angular (ou inclinao).
Ao contrrio do mtodo de Holt, no se pode aplicar a regresso linear

diretamente na demanda original, pois a srie tem embutida em si a
sazonalidade, o que distorceria o resultado da regresso.
A seguir calcula-se, ento, os fatores sazonais (S) para cada perodo da srie
histrica. Para tal, basta dividir a demanda original pela demanda
dessazonalizada: S t = Rt / Rt . eq(31)
46
A partir da periodicidade p so estimados os valores iniciais dos fatores de

sazonalidade para cada perodo sazonal ( S t ), atravs da mdia simples dos
perodos que o compem.
Por exemplo, dada uma srie histrica com um perodo sazonal de trs
meses de um total de doze, o que significa quatro perodos de sazonalidade
anuais, obtem-se os fatores de sazonalidade da seguinte forma:
S1 = (S 1 + S 5 + S 9 ) / 3 eq(32)
S2 = (S 2 + S 6 + S 10 ) / 3 eq(33)
S3 = (S 3 + S 7 + S 11) / 3 eq(34)
S4 = (S 4 + S 8 + S12 ) / 3 eq(35)
Cabe aqui destacar que no caso de sazonalidade multiplicativa, a soma dos

fatores sazonais igual a S (por exemplo, no caso de dados mensais, S = 12). J
na sazonalidade aditiva, a soma dos fatores sazonais sempre igual a zero.
A partir das constantes de amortecimento ( , e ), dos valores iniciais

do nvel (N), tendncia (T) e sazonalidade (S) e das frmulas apresentadas pode-
se atualizar as estimativas ao longo do tempo e aplicar a equao de previso. Os
fatores sazonais sero atualizados somente cada vez que o perodo sazonal for
completo.
2.3.8.
Modelos ARIMA de BOX e JENKINS
Os modelos de Box-Jenkins tambm conhecidos como ARIMA, sigla para

Auto Regressive Integrated Moving Averages (auto-regressivos integrados de
mdias mveis), buscam explicar o comportamento das sries atravs da
autocorrelao temporal entre os seus valores. O ponto chave do processo a
busca da estrutura de correlao que melhor represente este comportamento.
47
Os modelos ARIMA so formados por trs filtros: o componente auto-

regressivo (AR), o filtro de integrao (I) e as mdias mveis (MA).
O componente AR indica quo relacionados esto os valores sucessivos da

srie analisada (defasagens temporais ou time lags). A identificao do nmero
de termos necessrios feita atravs da anlise dos coeficientes de autocorrelao
parcial. O filtro de mdias mveis (MA) busca a mesma relao, s que entre os
erros da srie.
Aqui sero introduzidos alguns conceitos importantes para a aplicao dos

modelos ARIMA:
1. Estacionariedade: Uma srie dita estacionria quando est em

equilbrio, o que significa que tanto a mdia quanto a varincia so

constantes ao longo da srie e a sua covarincia funo da defasagem
entre os instantes (ou lags). Desta forma, como primeiro passo para se
iniciar a modelagem Box-Jenkins, deve-se transformar a srie para torn-la
estacionria. O filtro de integrao refere-se exatamente ao processo de
modificao da srie original atravs de diferenas sucessivas at que ela
esteja em equilbrio ou estacionria, de forma a permitir a identificao de
todos os seus padres de comportamento;
2. Autocovarincia de lag k: Segundo Souza (1991) a covarincia entre X t
e o seu valor X t + k , separado por k intervalos de tempo. Sendo
{ X t :t=1,2,3,4,...,T}, podemos defini-la como:
1 T
k = ( X t )( X t + K ) eq(36)
T k 1 t = k +1
3. Autocorrelao de lag k (ACF): Segundo o mesmo autor, a

autocorrelao serve para medir a extenso para a qual o valor tomado no
tempo t dependente do realizado no tempo t-k. O grfico da
autocorrelao ao longo de k denominado de correlograma e
fundamental para identificao da estrutura de um processo ARIMA.
48
Souza (1991) ainda comenta que para se obter uma boa estimativa da
funo de autocorrelao, necessitamos de pelo menos 50 observaes. A
sua frmula dada por:
T
( X t )( X t k )
k = t = k +1
T eq(37)
( X t X t K ) 2
t = k +1
4. Autocorrelao Parcial (PACF): Segundo Souza (1991), a medida de

correlao entre duas observaes, eliminando-se a dependncia existente
entre as observaes intermedirias. Considerando-se quatro observaes
X 1 , X 2 , X 3 e X 4 , denomina-se correlao parcial quando se deseja
saber a correlao entre X 2 e X 4 , eliminando-se a influncia de X 3 , por

exemplo. O grfico de PACF tambm importante para a anlise da

estrutura destes modelos;
5. Rudo branco: uma seqncia de valores aleatrios independentes e

identicamente distribudos. Em geral, supe-se que eles apresentem
distribuio normal com mdia zero, varincia constante e funo de
autocorrelao nula em todos os lags de tempo;
6. Operador de atraso: Representa uma defasagem de k perodos de tempo

para trs. Sua notao dada por:
B k X t = X t k eq(38)
Outro conceito no menos importante o de modelo linear. Segundo Souza

(1991), busca-se atravs da anlise de um conjunto de observaes, com duas ou
mais variveis, explicar o comportamento de uma delas em funo de outra. Ora,
se as observaes esto indexadas no tempo, atravs da aplicao da Teoria de
Funes de Transferncia em sistemas lineares, conseguimos converter uma srie
input - rudo branco - em outra output - processo estocstico estacionrio. A
figura 3, a seguir, representa o processo.
49
Figura 3 Representao esquemtica de um modelo linear.

FONTE: Metodologia Box & Jenkins para Sries Temporais (1991)
Assim, segundo Souza (1991), uma classe muito importante de processos

estocsticos, X t , conseqncia da passagem de um processo rudo branco
atravs de um filtro linear. Freqentemente a filtragem linear apenas uma
combinao linear de observaes passadas e presentes da srie original.
Matematicamente teremos:

Xt = k at k eq(39)
k =0
Onde:
q ( B)
- k o filtro linear definido por: k = ;
p ( B)
- at k - Rudo branco ou resduo.
Desta forma, os modelos ARMA(p,q) de Box & Jenkins podem ser escritos como:
p ( B ) X t = q ( B)at eq(40)
AR MA
Onde:
B - operador de defasagem com notao B X t = X t k ;

k
p - Polinmio de grau p, denominado AR(p);
q - Polinmio de grau q, denominado MA(q).
Os modelos so conseqncia direta da interao dos trs filtros

conceituados anteriormente ou de parte deles. A etapa de identificao da
50
estrutura dos modelos complexa, mas atualmente j existem softwares que

auxiliam na modelagem do processo.
Ate o momento partiu-se do pressuposto que as sries temporais eram

estacionrias. Contudo, eventualmente pode-se deparar com sries no-
estacionrias, sendo necessrio, ento, transform-las. A transformao mais
comum se d atravs do clculo de diferenas sucessivas entre os termos da srie,
at que se obtenha uma srie estacionria.
A primeira diferena de X t ser definida por:
d X t = X t X t 1 eq(41)
Este termo tambm denominado operador de diferena. Caso, a srie

permanea no estacionria, deve-se proceder com a segunda diferena:
d [D X t ] = D [ X t X t 1 ] = X t 2 X t 1 X t 2 eq(42)
Segundo Barros (2004): genericamente, a srie final estacionria ser

obtida pela aplicao de d (d=0,1,2,3,...) diferenas na srie original. Sua
notao ser dada por Wt = d X t . Em seguida, modela-se a srie estacionria
obtida, utilizando-se a modelagem ARMA (p,q) apropriada.
Os modelos so indicados por ARIMA (p,d,q), onde os parmetros do

modelo so: ordem do polinmio auto-regressivo (p), nmero de diferenas (d) e
ordem do polinmio de mdias mveis (q).
2.3.8.1.
Modelo Auto-regressivo (AR)
Conforme mencionado anteriormente, no modelo AR a srie das

observaes histricas X t descrita pelos seus valores passados regredidos e pelo
rudo aleatrio t . O modelo auto-regressivo de ordem p pode ser descrito como:

51
X t = 1 X t 1 + 2 X t 2 + 3 X t 3 + (...) + p X t p + t eq(43)
Onde:
X t - Valor da srie temporal no instante t;
t - Resduo ou erro aleatrio;

p - Parmetro que descreve como X t se relaciona com X t p
O modelo AR(p) pode ser reescrito utilizando-se o operador de defasagem

B, assim:
(1 1 B 2 B 2 ... p B p ) X t = t ( B) X t = t eq(44)
A especificao do grau do polinmio p, que ir determinar o nmero de

termos da equao geral, passa pela anlise dos coeficientes de autocorrelao e
autocorrelao parcial. Segundo Barros (2004), num processo AR(p), as
autocorrelaes parciais so nulas para todos os lags maiores que p. Assim,
numa representao grfica do PACF pode-se identificar o grau do modelo AR(p).
A seguir, na figura 4, veremos um exemplo de grfico do PACF, indicando um
modelo AR(1).
Figura 4 Grfico PACF de uma srie, indicando um modelo AR(1).

52
Um modelo AR(1) ter a seguinte forma: X t = 1 X t 1 + t eq(45)
Para o modelo ser considerado estacionrio, se faz necessrio que 1 < 1 e
que as autocovarincias sejam independentes.
J um modelo AR(2), assumir a forma:
X t = 1 X t 1 + 2 X t 2 + t eq(46)
Aps definido o grau da equao, tomando como exemplo uma equao

AR(2), deveremos estimar os valores de 1 e 2 . O critrio buscar a minimizao
do MSE.
Assim, rearranjando a equao de AR(2), obtm-se:
t = X t (1 X t 1 + 2 X t 2 ) eq(47)
i2
Sendo que deve-se minimizar .
n
2.3.8.2.
Modelo de Mdias Mveis (MA)
Segundo Makridakis (1978):
Existem alguns padres de comportamento das sries temporais que no sero

identificados e isolados pelos modelos AR(p). Contudo, existe outro tipo de
modelo, chamado de mdias mveis, ou moving average, MA(q), que poder
auxiliar na identificao destes padres. Qualquer srie temporal discreta pode
ser expressa como um modelo AR e/ou MA. Enquanto os modelos AR(q) buscam
as previses da srie com base na combinao linear dos seus (p) valores
passados, os modelos MA(q) realizam as previses com base na combinao
linear dos erros passados.
53
O modelo de mdias mveis MA(q) pode ser descrito, na sua forma geral,
como:
X t = t 1 t 1 2 t 2 (...) q t q eq(48)
Onde:
X t - Valor da srie temporal no instante t;
t - Resduo ou erro aleatrio no instante t.

p - Parmetro de mdia mvel que descreve como X t se relaciona com X t p
O modelo de mdias mveis de ordem q, ou MA(q), pode ser reescrito

utilizando-se o operador de defasagem B, assim:
(1 1 B 2 B 2 ... p B p ) t = X t ( B ) t = X t eq(49)
A exemplo do que ocorre com a classe de modelos AR(p), a identificao

adequada do valor de q passa pela anlise dos coeficientes de autocorrelao e
autocorrelao parcial da srie. O modelo mais simples de mdias mveis o de
grau um, ou MA (1), representado pela frmula:
X t = t 1 t 1 eq(50)
O modelo MA(2) representado por:
X t = t 1 t 1 2 t 2 eq(51)
O grau q deve ser estimado buscando-se tambm a minimizao do MSE.
2.3.8.3.
Modelos Auto-regressivos de Mdias Mveis (ARMA)
Em alguns casos necessrio combinar as estruturas AR(p) e MA(q),

gerando um modelo ARMA (p,q). Segundo Makridakis, o desempenho
54
combinado dos dois modelos ser melhor do que se for trabalhado com o modelo
AR(p) e MA(q) separadamente, resultando em modelos mais parcimoniosos. A
expresso geral do modelo dada por:
X t = 1 X t 1 + 2 X t 2 + (...) + p X t p + t 1 t 1 2 t 2 (...) q t q eq(52)
O modelo ARMA(1, 1) descrito como:
X t = 1 X t 1 + t 1 t 1 eq(53)
O modelo ARMA(2, 1) descrito como:

X t = 1 X t 1 + 2 X t 2 + t 1 t 1 eq(54)
Segundo Makridakis, para uma srie estacionria a metodologia proposta

por Box e Jenkins pode ser resumida em trs fases distintas:
1. Identificao: O objetivo desta fase selecionar o modelo ARMA(p,q)

mais adequado para se descrever os padres de comportamento da srie
histrica. Aqui sero analisados os dados histricos e os comportamentos
das funes de autocorrelao (ACF) e autocorrelao parcial (PACF),
identificando desta forma os graus (p,q) do modelo;
2. Estimao e teste: A partir do momento em que os valores (p, q), so
identificados, estima-se os parmetros do modelo AR, do
componente MA e a varincia dos resduos. A partir da anlise da ACF e
PACF destes resduos tem-se condies de avaliar se o modelo adequado
ou no. Para isto, estas correlaes devero ser insignificantes, o que
indicaria que o modelo est representando adequadamente o padro de
comportamento da srie. No caso do modelo no ser adequado, o ciclo
repetido, retornando-se fase de identificao. Alguns autores sugerem a
identificao de mais de um modelo simultaneamente, que tambm sero
estimados e verificados.
55
3. Previso: Nesta etapa tem-se a aplicao do modelo para a previso dos

nmeros futuros.
Cabe ressaltar que a metodologia sugerida acima pressupe que a srie

estudada estacionria. Se a srie original no for estacionria, diferenas
sucessivas devero ser previamente aplicadas de forma a torn-la estacionria. Em
outras palavras, a ordem da definio (d), j foi identificada.
A figura 5 ilustra de forma resumida o processo.

Figura 5 Abordagem do mtodo de Box-Jenkins

FONTE: Adaptado do livro Forecasting Methods and Applications, Makridakis 1978.
Segundo Granger e Newbold (Forecasting Economic Time Series, 1986), os

modelos de Box-Jenkins necessitam de uma srie temporal de cinco a dez anos de
dados histricos mensais (entre sessenta a cento e vinte observaes) para
56
produzir anlises com preciso adequada. Makridakis (Forecasting Methods and

Applications, 1978) sugere que, no mnimo, de quarenta a cinqenta observaes
so necessrias para se avaliar adequadamente os padres existentes numa srie
temporal.
2.3.8.4.
Identificao
Na descrio dos modelos, mencionou-se que a identificao do grau, ou

valores dos termos q e p, so feitos atravs da anlise dos coeficientes de
autocorrelao (ACF) e auto-correlao parcial (PACF) da srie temporal. A
identificao dos modelos pode ser feita atravs da observao destes grficos.
Neste tpico, sero demonstrados os comportamentos tericos de ACF e PACF
para os modelos AR e MA.
Ser apresentada aqui uma abordagem superficial, baseada em Makridakis,

mas suficiente para uma primeira abordagem do assunto.
O modelo AR(p) identificado examinando-se o grfico da funo PACF.

Neste caso o grfico dever cair abruptamente aps algumas observaes. Assim,
o grau deste modelo ser indicado pelos primeiros lags significativamente
diferentes de zero. J a sua funo ACF apresenta uma queda tendendo a zero
atravs de uma curva exponencial (vide figuras 6 e 7, a seguir).
57
Figura 6 Grficos Tericos de ACF e PACF de uma srie, indicando um modelo AR(1).
Figura 7 Grficos Tericos de ACF e PACF de uma srie, indicando um modelo AR(2).
Com o modelo MA(q) ocorre exatamente ao contrrio, no grfico de ACF,

os valores dos coeficientes caem abruptamente aps q lags. J o grfico de PACF
decai exponencialmente, conforme pode-se observar nas figuras 8 e 9.
Figura 8 Grficos Tericos de ACF e PACF de uma srie, indicando um modelo MA(1)
58
Figura 9 Grficos Tericos de ACF e PACF de uma srie, indicando um modelo MA(2).
Os modelos mistos ARMA (p,q), combinam as caractersticas e as

propriedades dos dois modelos que a compem. Ou seja, apresentam
comportamentos similares nas funes de ACF e PACF, gerando grficos
semelhantes, com vrias possibilidades de padres.
Makridakis destaca que a principal etapa da metodologia Box-Jenkins

identificar o modelo ARMA (p,q) mais apropriado atravs da anlise das funes
ACF e PACF, mas no de forma automtica pois necessita do julgamento
humano.
Esta anlise dividida em trs etapas:

1. Verificar se a srie estacionria ou no. Caso no seja, proceder
com os devidos ajustes;
2. Avaliar os grficos de ACF e PACF para se identificar o modelo
mais adequado;
3. Analisar as correlaes de forma a se definir o grau de cada modelo.
2.3.8.5.
Modelos Sazonais
O mtodo de Box-Jenkins tambm pode ser adotado para as sries temporais

que apresentem padres de comportamento peridico, ou seja, que se repetem em
59
S perodos de tempo (sazonalidade). Sua identificao segue o mesmo mtodo

descrito para as sries no sazonais. O modelo geral dado pela equao 55,
apresentada a seguir:
(1 1 B 2 B 2 ... p B p )(1 1 B S 2 B 2 S ... P B PS ) X t =

eq(55)
(1 1 B 2 B 2 ... q B q )(1 1 B 2 B 2 ... QS B QS ) t
Onde:
e - Parmetros do modelo sazonal;
e - Parmetros do modelo no-sazonal;
S Comprimento da sazonalidade (S = 12 para dados mensais);
(1 1 B 2 B 2 ... p B p ) - Refere-se ao termo auto-regressivo no-sazonal de
grau p com operador de defasagem B;

(1 1 B S 2 B 2 S ... P B PS ) - Refere-se ao termo auto-regressivo sazonal de
grau P com operador de defasagem B;
(1 1 B 2 B 2 ... q B q ) - Refere-se parte no-sazonal de mdias mveis de
grau q com operador de defasagem B;

(1 1 B 2 B 2 ... QS B QS ) Refere-se parte sazonal de mdias mveis de
grau Q com operador de defasagem B;

t - Erro.
Desta forma, tem-se a representao do modelo ARMA (p,q) (P,Q) onde p e

q referem-se aos graus dos polinmios dos modelos auto-regressivo e de mdias
mveis no-sazonais, respectivamente. J P e Q referem-se aos graus dos modelos
auto-regressivo e mdias mveis sazonais.
Cabe destacar que para se aplicar a metodologia de Box-Jenkins nas sries

temporais com sazonalidade, tambm se faz necessrio que a srie seja
estacionria, ou seja, tem que ter mdia e varincia constantes ao longo da srie e
covarincia como funo da defasagem entre os lags.
60
No caso da srie temporal no ser estacionria e possuir sazonalidade,

teremos um modelo ARIMA (p,d,q) (P,D,Q), onde d representa a ordem de
diferenciao no sazonal e D a ordem de diferenciao sazonal. Estas
diferenciaes, a exemplo do modelo sem sazonalidade, ocorrem da seguinte
forma:
Wt = d X t = X t X t 1 (diferena) eq(56)
Wt = D X t = X t X t S (diferena sazonal) eq(57)
A definio da estacionaridade ser feito observando-se a funo de

autocorrelao da srie. Esta funo tambm mostrar se h componente sazonal,
o que observado quando esta segue um padro grfico de picos peridicos.
2.4.
MEDIDAS DE ERRO NA PREVISO
O processo de previso da demanda tem como pressuposto bsico que, ao

se utilizar informaes passadas, obtem-se uma boa diretriz sobre o que ocorrer
no futuro. Contudo, no existe uma garantia que o conhecimento sobre o passado
trar informaes exatas sobre este futuro. Sempre existir uma incerteza
vinculada s previses.
Desta forma, no se pode simplesmente implementar um modelo de

previso de demanda sem acompanhar o seu desempenho ao longo do tempo.
Quando um modelo de previso selecionado, busca-se a maior preciso

possvel, ou seja, a menor diferena que possa existir entre a demanda realizada e
a previso. Esta diferena chamada erro de previso ou resduo e da mesma
forma que os dados passados trazem informaes valiosas sobre o comportamento
futuro, tambm deve-se considerar que os erros decorrentes das previses devem
ser avaliados com bastante critrio, pois tambm podem trazer questes
importantes para a gesto do processo em questo.
Dois aspectos justificam a anlise destes erros:

61
1. Com base no comportamento dos erros, pode-se chegar concluso que

necessrio o ajuste do modelo ou at mesmo a troca do mtodo
inicialmente selecionado. Em outras palavras, trata-se do nvel de
desempenho do mtodo aplicado;
2. Por outro lado, uma estimativa precisa de erro pode auxiliar ao gestor a
montar planos de contingncia, como por exemplo, nveis de estoques de
segurana ou polticas de compras.
Conforme conceituado anteriormente, a frmula bsica do erro :

Et = Rt Pt eq(58)
Onde:
Pt - Previso para o perodo t;
Obviamente, o erro negativo indica que a previso gerada ficou acima do

realizado, assim como o erro positivo mostra que a previso ficou abaixo do
realizado.
Esta definio de erro , em geral, chamada em Estatstica de resduo,

pois corresponde a uma quantidade observvel, enquanto o erro de um modelo
uma varivel aleatria no observvel, supostamente com mdia zero e varincia
constante.
Existem vrios indicadores disponveis para a mensurao da preciso dos

mtodos de previso. A seguir alguns deles sero apresentados:
2.4.1.
Erro Absoluto Mdio (MAD)
O Erro Absoluto Mdio, tambm conhecido como MAD (Mean Absolute

Deviation) um indicador bastante adotado, utilizado quando o gestor quer
avaliar o erro na mesma unidade de medida da srie original. O valor absoluto do
62
erro utilizado para se evitar que os erros positivos anulem os erros negativos. A
sua frmula dada por:
n
Rt Pt
MAD = t =1
eq(59)
n
2.4.2.
Erro Percentual Absoluto Mdio (MAPE)
O Erro Percentual Absoluto Mdio , ou MAPE (Mean Absolute Percentual

Error) o erro mdio em porcentagem, ao invs de quantidade. Este indicador
til para determinar a amplitude do erro da previso em relao aos valores da
srie histrica. Sua frmula dada por:
n
Rt Pt / Rt
MAPE = t =1
eq(60)
n
2.4.3.
Erro Quadrtico Mdio (MSE)
Outra medida de erro de previso bastante utilizada o Erro Quadrtico

Mdio (EQM), em ingls, Mean Squared Error. Sua frmula dada por:
n
(Rt Pt )2
MSE = t =1
eq(61)
n
Esta medida amplifica o efeito dos outliers, que recebem uma grande
importncia quando deveriam ser desconsiderados da previso. Outra
caracterstica deste indicador que sua unidade de medida a unidade do valor
real ao quadrado. Este fato resolvido adotando-se a raiz quadrada do MSE, ou
RMSE (Root Mean Squared Error).
n
(Rt Pt )2
RMSE = t =1
= MSE eq(62)
n
63
2.4.4.
Vis Do Erro De Previso
Denomina-se vis do erro de previso quando um determinado modelo

apresenta previses consideravelmente acima ou abaixo do realizado. Em outras
palavras, se o modelo subestima ou superestima a demanda. O ideal que o vis
da previso oscile em torno de zero, o que demonstrar que os resduos existentes
no modelo so efetivamente aleatrios. Caso contrrio, teremos um modelo que,
muito provavelmente, est incorreto ou que seus parmetros internos estejam
errados.
A melhor maneira de se detectar o vis atravs de montagem de um

grfico de soma acumulativa do erro de previso (SC), que nada mais do que a
soma dos erros da previso ( Et = Rt Pt ) ao longo dos perodos.

A ttulo de demonstrao, foi gerada a previso de demanda para o modelo

de estojos para brinco argola grande (1001147). Adotou-se o mtodo de Winters,
contudo sem otimizar os coeficientes de amortecimento, o que gerar previses
distorcidas. Os coeficientes utilizados foram = 0 ,1 , = 0 ,1 e = 0 ,1 .
Na tabela 2, a seguir, pode-se observar os resultados:

Pr- Erro Rea- Pr- Erro
ANO MES Realizado viso Erro acumulado ANO MES lizado viso Erro acumulado
2004 1 94 93 (0,60) (0,60) 2006 1 100 93 (6,76) (62,82)
2 97 96 (0,63) (1,23) 2 73 69 (4,10) (66,92)
3 123 122 (0,80) (2,03) 3 106 101 (4,81) (71,73)
4 90 89 (0,59) (2,61) 4 84 81 (2,95) (74,69)
5 170 169 (1,12) (3,73) 5 139 135 (3,55) (78,24)
6 165 164 (1,09) (4,83) 6 155 152 (2,58) (80,81)
7 91 90 (0,61) (5,43) 7 87 86 (0,73) (81,55)
8 105 104 (0,70) (6,14) 8 146 146 (0,13) (81,67)
9 119 118 (0,80) (6,94) 9 136 137 0,81 (80,87)
10 126 125 (0,86) (7,80) 10 96 97 1,15 (79,72)
11 140 139 (0,96) (8,76) 11 88 90 1,53 (78,19)
12 224 222 (1,54) (10,30) 12 213 218 4,69 (73,50)
2005 1 97 90 (7,26) (17,56) 2007 1 96 92 (4,27) (77,76)
2 89 83 (5,96) (23,52) 2 80 77 (2,68) (80,44)
3 88 83 (5,21) (28,74) 3 131 128 (3,05) (83,49)
4 114 108 (5,89) (34,63) 4 152 150 (2,09) (85,58)
5 146 140 (6,48) (41,11) 5 200 199 (1,01) (86,59)
64
6 114 110 (4,26) (45,37) 6 234 235 0,68 (85,91)

7 77 75 (2,36) (47,74) 7 136 137 1,36 (84,55)
8 135 132 (3,29) (51,03) 8 241 245 3,95 (80,60)
9 104 102 (1,92) (52,95) 9 185 189 4,06 (76,54)
10 91 90 (1,18) (54,13) 10 147 151 3,93 (72,60)
11 139 138 (1,10) (55,22) 11 174 179 5,36 (67,24)
12 259 258 (0,84) (56,06) 12 347 359 11,86 (55,38)
Tabela 2 Medida de erro de previso. Estojo para brinco argola grande

FONTE: Gerncia da CAM
E para uma melhor visualizao do conceito de vis, os dados referentes ao

erro e erro acumulado apurados foram plotados no grfico 10, a seguir.
Vis de Erro
1001147 Estojo para brinco argola grande
20,00
-
10
11
12
10
11
12
10
11
12
10
11
12
1
2
3
4
5
6
7
8
9
1
2
3
4
5
6
7
8
9
1
2
3
4
5
6
7
8
9
1
2
3
4
5
6
7
8
9
(20,00) 2004 2005 2006 2007
(40,00)
unidades
(60,00)
(80,00)
(100,00)
(120,00)
Ms
Erro Erro acumulado
Figura 10 Vis de Erro de Previso. Exemplo estojos para brinco argola grande.
FONTE: Gerncia da CAM.
No exemplo indicado, o modelo necessita de ajuste, pois o erro acumulado

mostra que as previses esto abaixo da demanda real, ou seja, subestima a
demanda com freqncia. Conforme mencionado anteriormente, o ideal que o
vis oscile em torno de zero. Provavelmente, neste caso o ajuste dever estar
relacionado diretamente com as constantes de amortecimento, visto que foram
fixadas arbitrariamente em 0,1.
65
2.5.SOFTWARE
A rpida evoluo da tecnologia observada nas ltimas dcadas,

principalmente a adoo de microcomputadores, alavancou a utilizao de
sistemas computacionais para a anlise e controle dos processos nas empresas.
Diversas ferramentas tm sido criadas para auxiliar os gestores no processo de
tomada de deciso.
O processo de previso de demanda foi um dos que teve seu uso facilitado e
disseminado em funo deste processo de desenvolvimento tecnolgico. Hoje
existem no mercado diversos softwares que realizam clculos estatsticos
automaticamente, facilitando a vida dos analistas. Entretanto, a parte qualitativa
da previso ainda necessita do julgamento humano para atingir o seu objetivo. Em
outras palavras, os softwares de previso, em geral, funcionam como base para o

processo previso de demanda, fornecendo subsdios para a avaliao dos
modelos e respectiva tomada de deciso.
Nas previses deste estudo, foi utilizado o software Forecast Pro, adotado
em grandes companhias nos EUA. Este software, a partir de uma srie histrica
fornecida, permite a identificao automtica de modelos e tambm a rpida
aplicao dos modelos univariados ajustados com o objetivo de previso.
Os principais mtodos matemticos de previso esto disponveis no

Forecast Pro, inclusive todos os detalhados no presente estudo, bem como alguns
outros, como por exemplo, regresso dinmica. Esta ferramenta possibilita
rapidamente a avaliao de todos os indicadores de performance de cada mtodo,
facilitando sobremaneira o trabalho do analista.
2.6.
PROCESSO
Segundo Makridakis (1978), ao contrrio do que encontramos nas relaes

da Fsica, onde no existem erros ou variaes aleatrias, nos sistemas
econmicos ou comportamentais, a aleatoriedade est sempre presente. A melhor
forma de se trabalhar, durante a modelagem, numa metodologia de previso
66
tentar isolar esta aleatoriedade e minimiz-la. Busca-se, assim, o menor erro

possvel.
As sries histricas sero tratadas no Forecast Pro e, num primeiro

momento, ser permitido que o software indique o modelo mais adequado srie.
A partir da anlise dos indicadores de desempenho gerados pelo sistema, avalia-se
a necessidade de alteraes, que podem incluir desde a aplicao de eventos
especficos, at a mudana do modelo selecionado previamente.
Foram selecionados dez modelos de estojos para anlise, que representam 80%
dos estojos consumidos anualmente na empresa.

09 Cap 02

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

09 Cap 02

Caricato da

Copyright:

Formati disponibili

2

Abandonando um pouco a viso romntica do termo previso, milhares de

Aqui pode-se introduzir o conceito de previso de demanda, como uma das

O processo de previso de demanda se baseia no pressuposto que a demanda

Aqui abre-se um parntese para tratar de um conceito extremamente

A localizao da demanda auxiliar ao gestor a planejar localizaes de

podem afetar os padres de demanda. Tambm, as tcnicas, podem diferir

Algumas consideraes precisam ser levantadas sobre a questo das anlises

se o risco de extrapolar o crescimento apresentado por um determinado produto

Em resumo, a avaliao top-down melhor na tentativa de se minimizar o

A metodologia mais adequada deve ser definida a partir da avaliao do

A disseminao do uso da tecnologia da informao e gerenciamento de

Esta disseminao tambm conseqncia direta do desenvolvimento e

Contudo, apesar desta facilidade, os gestores tm que prestar ateno em

1. Toda e qualquer previso possui um erro intrnseco chamado de

minimizar este erro. As medidas de nvel de erro so fundamentais para se

Outro conceito importante no processo de previso o de srie histrica ou

srie histrica a principal informao utilizada para se tentar entender a

O processo de previso de uma srie temporal de demanda composto de

1. Anlise e modelagem da srie temporal Nesta etapa avalia-se os fatores

Um ponto importante sobre a avaliao das sries temporais e que

Vendas reais Vendas Mdias Vendas reais Vendas Mdias

(c) Srie histrica com tendncia e sazonalidade

Vendas reais Vendas Mdias

Figura 1 Sries histricas com tendncia e sazonalidade.

Peter Brockwell e Richard Davis (Introduction to Time Series and

Os modelos de previso podem ser classificados da seguinte maneira:

1. Qualitativos Os modelos qualitativos, tambm denominados subjetivos,

mtodos que utilizam as sries temporais para gerar a previso. Partem do

O gestor dever selecionar o mtodo mais adequado s suas necessidades.

A srie histrica formada por dois componentes bsicos: o sistemtico,

tendncia, que significa a taxa de crescimento ou decrscimo apresentada pela

O componente sistemtico pode assumir dois comportamentos bsicos:

VALOR PREVISTO (P) = NVEL (N) + TENDNCIA (T) +

Multiplicativo: No modelo multiplicativo, a sazonalidade da srie

VALOR PREVISTO (P) = NVEL (N) x TENDNCIA (T) x

VALOR PREVISTO (P) = (NVEL (N) + TENDNCIA (T)) x

O segundo componente o chamado aleatrio, que se refere a todas as

VALOR PREVISTO(P)=NVEL(N) + TENDNCIA(T) +

SAZONALIDADE(S) + COMPONENTE ALEATRIO ( )

A figura 1, vista anteriormente, exibe trs classes de modelos:

1) Modelo Constante Pode ser considerado o modelo mais simples, pois

Onde define-se a como o nvel da demanda e t como o componente

2) Modelo Linear Neste modelo j existe a presena da tendncia

Onde denomina-se b como taxa de crescimento ou de decrscimo da

demanda (figura 1.b);

3) Modelo Sazonal Aqui, alm da tendncia, passa-se a observar variaes

Onde Ft ser o fator sazonal no perodo t (figura 1.c).

A seguir sero apresentados alguns mtodos de previso que podero ser

A funo dos mtodos possibilitar ao analista estimar os componentes da

Atualmente existem dezenas de mtodos para clculo dos estimadores (dos

Os mtodos bsicos mais utilizados sero apresentados a seguir.

considerado um dos mtodos mais simples de previso. Parte do

Pt +1 - Previso para o perodo t+1;

Rt - Demanda real ocorrido em t;

n - Nmero total de registros ou ocorrncias passadas.

Pode ser um mtodo adequado para os modelos constantes, contudo

Trata-se de uma variao da mdia simples. Neste caso, passa-se a utilizar a

Pt +1 - Previso para o perodo t+1;

M t - Mdia Mvel para o perodo t;

Rt - Demanda real ocorrida em t;

Aqui, a exemplo da Mdia Simples, as ocorrncias tambm possuem o

sensvel s alteraes do nvel, j que retira as ocorrncias mais antigas,