Vous êtes sur la page 1sur 16

Métodos de Previsão

M étodos de P revisão António Alves Flambó 1 Tenente-Coronel de Artilharia ABSTRACT MÉTODOS DE PREVISÃO

António Alves Flambó 1

Tenente-Coronel de Artilharia

ABSTRACT

MÉTODOS DE PREVISÃO

Forecasting methods are fundamental tools for projecting future behaviors. There are several areas of knowledge in which these methods are used in order to better plan the provision of services made available for potential users. This is only possible with the creation of information databases that map and quantify past behaviors. Forecasting methods are based on past behavior and project those same behaviors in the future. This way these methods can make future predictions of behaviors that they can support, the decision-makers in their decision making regarding their various activities. This article will only approach some quantifying methods bared upon that use mathematical manipulation of historical data.

Keywords: prediction models, time series, linear regression, seasonality, trend.

RESUMO

Os métodos de previsão são ferramentas fundamentais para projectar com- portamentos futuros. São várias as áreas do conhecimento que se servem destes métodos para melhor planearem a prestação dos serviços que põem à disposição

1 Professor Regente das unidades curriculares de Investigação Operacional e Gestão e Teoria da Decisão, da AM.

113 –

ProeliuM – revista da acadeMia Militar

dos potenciais utentes. Isto só é possível com a constituição de bases de dados de informação, que mapeiem os comportamentos passados e os quantifiquem. Os métodos de previsão socorrem-se dos comportamentos passados e projectam esses mesmos comportamentos no futuro. Desta forma podem fazer previsões futuras

de comportamento para apoiarem, nas diversas actividades, os decisores nas suas

tomadas de decisão. Neste artigo apenas serão abordados alguns métodos quanti-

tativos que assentam na manipulação matemática dos dados históricos.

Palavras-chave: modelos de previsão, séries cronológicas, regressão linear, sa- zonalidade, tendência.

INTRODUÇÃO

Em todos os domínios científicos surgem fenómenos onde a incerteza é um

factor presente. Eles impedem o conhecimento exacto do comportamento futuro.

O que leva à necessidade de produzir previsões. A previsão dos valores futuros

numa série cronológica é um objectivo fundamental da sua análise. A qual pode ser realizada através de diferentes metodologias, dependendo do tipo de utiliza- ção, a sua extensão (longo, médio e curto prazo) e a disponibilidade dos dados (Murteira, et al, 1993). Em múltiplos aspectos da actividade humana surge a necessidade de ob- ter previsões. Na vertente de planeamento, ao ser projectada uma rede viária é necessário prever volumes de tráfego, índices de utilização e obter projecções demográficas quando se dimensionam equipamentos ou infra-estruturas. Um ges- tor para estabelecer planos de produção ou de aprovisionamento e stockagem de produtos tem de prever o comportamento da procura desses produtos. Quando

se dimensionam os recursos humanos para prestação de serviços de saúde a uma

determinada população, tem de se ter previsões do comportamento dessa popu- lação na procura dos serviços. Os métodos de previsão podem ser classificados em dois grupos: os quali- tativos e os quantitativos (Hillier e Lieberman, 1995). Os qualitativos baseiam-se em juízos subjectivos, especulações e intuição de especialistas. Dispensam dados quantitativos e estabelecem cenários ou paralelismos com situações semelhantes. Quanto aos quantitativos servem-se da manipulação matemática de dados históri- cos (quantificados) para projectar no futuro padrões de comportamento que foram

identificados nos dados históricos (Oliveira, 1995).

114 –

Métodos de Previsão

Neste artigo, apenas são abordados os métodos quantitativos. Começando por definir o que são os métodos causais e não causais. Relativamente aos mé- todos causais são abordados os modelos de regressão. Quanto aos métodos não causais abordam-se as séries cronológicas, as médias móveis centradas, o método da decomposição para o modelo aditivo, modelos de médias móveis e o alisa- mento exponencial simples. Seguidamente é feita uma abordagem à comparação dos métodos de previsão através das medidas do erro. Este artigo termina com algumas considerações finais.

1. MÉTODOS QUANTITATIVOS

Estes métodos podem ser classificados em causais e não causais. Nos causais procura-se relacionar a variável explicada, com base nos dados históricos, com outras variáveis explicativas que possam explicar o seu comportamento. Recorrem tipicamente a técnicas de estatísticas de regressão. Os não causais

assentam apenas na análise da série de valores passados da variável a prever. Procuram caracterizar a evolução da série e projectam no futuro os padrões

de

comportamento.

Os

métodos quantitativos assentam numa hipótese de estabilidade. Essa hipótese

é a de que irão prevalecer no futuro as condições que determinaram no passado

a evolução da variável. Nos modelos causais assume-se que se irão manter

estáveis as relações entre as variáveis explicativas e a variável explicada. Para

os modelos não causais, assume-se que no futuro se irão manter os padrões

de comportamento que foram identificados no passado. Depois de ser conhecida a existência de uma relação causal entre as variáveis é necessário estudar o tipo dessa relação. Um indicador estatístico que pode ser utilizado para esse efeito é o coeficiente de correlação linear. O qual per- mite avaliar a magnitude e a direcção de associação ou correlação existente entre as variáveis. A correlação linear mede a relação entre duas variáveis

X e Y através da dispersão das suas observações relativamente a uma recta

(Rodrigues, et al, 2010). O estudo das relações entre duas variáveis pode ser feito através do:

• coeficiente de correlação linear de Pearson ou do modelo de regressão linear simples para variáveis continuas;

• coeficiente de correlação de Spearman para variáveis ordinais ou nominais.

115 –

ProeliuM – revista da acadeMia Militar

2. MÉTODOS CAUSAIS

2.1. Modelo de regressão

No processo de tomada de decisão, os decisores necessitam de fazer previsões que permitam a escolha da decisão que é potencialmente mais eficaz. Sendo assim, é mais fácil tomar decisões sobre uma variável quando é possível estabelecer uma relação com outra, cujo seu comportamento já é conhecido. A regressão linear é uma metodologia estatística que permite estabelecer relações matemáticas entre a variável de interesse (variável dependente, explicada ou endógena) e uma ou mais variáveis independentes (expli- cativas ou exógenas) (Rodrigues, et al, 2010). A partir de uma variável para ser possível fazer previsões sobre outra variável é necessário que exista uma relação de causa-efeito entre as duas. Ou seja, que a variação de uma possa ser atribuída à variação da outra. É inútil aplicar um método de regressão ou de correlação entre as variáveis se não se verificar a existência de uma relação causal. Depois de verificar a existência da relação causal há que determinar o tipo de relação existente. Para isso constrói-se um diagrama de dispersão dos dados que foram observados (Reis, 2008). O Diagrama de dispersão tem uma dupla função:

• permite determinar se existe alguma relação entre as variáveis;

• identifica qual a equação mais apropriada para descrever a relação.

As relações entre variáveis podem ser de vários tipos tais como: linear, exponencial, logística, potência, logarítmica, etc.

exponencial, logística, potência, logarítmica, etc. Figura 1 – Representa os valores observados entre duas

Figura 1 Representa os valores observados entre duas variáveis X e Y, que permitem estabelecer uma relação linear entre elas.

116 –

Métodos de Previsão

O tipo linear é a relação mais simples. Assim, admite-se que a variável

dependente (explicada ou endógena Y) é uma função linear da variável independente (explicativa ou exógena X). Quando a variável X contém

alguma informação sobre a variável Y, permite fazer previsões de Y quando

o X é conhecido. Mas estas previsões não são perfeitas, estão sujeitas a

erros. Pelo que a equação linear deve incorporar explicitamente a possi- bilidade da existência de desvios. Utiliza-se o ε (desvio, resíduo ou ruído) como variável do tipo residual que inclui os factores explicativos de Y,

não incluídos em X. O resíduo tem características imprevisíveis e aleató- rias (Tavares, et al, 1996). A relação linear define-se da seguinte forma:

Y = α + βX + ε

Esta relação entre as variáveis pode ser medida pela covariância. Que

se traduz pela média dos produtos dos desvios em relação à media. A

covariância pode ser negativa, positiva ou nula. Quando é negativa pre- dominam os produtos negativos, significando que quando uma variável aumenta a outra diminui e vice-versa. Quando é positiva, predominam

os produtos dos desvios positivos significando que os desvios tendem

a ser ambos positivos ou ambos negativos. Assim as variáveis tendem

a variar em média no mesmo sentido, ou seja, quando uma aumenta a

outra aumenta e vice-versa. Quando é nula, não há existência de relação linear entre as variáveis, pois os produtos positivos são compensados pelos negativos (Silvestre, 2007). Pode também medir-se o grau de relacionamento linear entre as duas vari- áveis através do coeficiente de correlação ρ, através da seguinte expressão:

ρ

=

cov

[

,

X Y

]

em que :

• cov[X,Y]: covariância de X,Y;

σ σ

X

Y

σ σ

X

ρ

Y

: desvio-padrão de X e Y;

: está compreendido entre 0 e 1, que corresponde aos seguintes casos extremos:

• Se as variáveis são linearmente independentes. É irrelevante

ρ = 0

o conhecimento da variável X para prever a variável Y.

• Se existe um relacionamento linear perfeito.

ρ = ±1

Assim, o coeficiente de correlação quanto mais próximo estiver de 0 mais fraca será a correlação ou relação linear entre as variáveis. Por outro lado,

117 –

ProeliuM – revista da acadeMia Militar

quanto mais próximo estiver de 1 (em valor absoluto) mais forte será a correlação ou relação linear (Silvestre, 2007). Normalmente só temos valores sobre algumas observações (amostra). Não temos a informação sobre todos os valores do universo de X e Y (popu- lação). Assim, levanta-se o problema de como estimar os parâmetros α e β do modelo linear. Para estimar estes parâmetros utiliza-se o “método dos mínimos quadrados”. Este método consiste na aplicação do critério da minimização da soma do quadrado dos erros (ou desvios) definida como (Tavares, et al, 1996):

SESE

=

n

n

∑ ∑

e

2

i

=

i = 1

i = 1

Y

i

 

Y

i

2

=

n

i =

1

Y

i

− 

α β X

+

i

em que:

• : estimativa produzida pelo modelo

X ,Y

i

i

Y

i

: par de valores observados (i=1,…,n)

• : erro (desvio) associado à estimativa

e

i

Y

i

2

Para um conjunto de dados de uma amostra o estimador da correlação e os estimadores dos parâmetros α e β do modelo linear são os seguintes:

X

∑ ( )( ) X − X Y − Y ∑ X Y − nXY
∑ (
)(
)
X
X
Y
Y
X Y
− nXY
i
i
i
i
=
=
(
)
2
(
)
2
2
2
X
X
Y
Y
X
Y
2 nY
i
i
i
i
∑ (
)(
)
X
X
Y
Y
X Y
− nX
i
i
i
i
=
=
)
2
2
∑ (
∑ X
X
− X
i n
i
ˆ
=
Y
β X
e
Y
são as médias dos valores observados X e Y.

em que

Baseando-se nos valores conhecidos da variável explicativa, a recta de regressão tem como utilização mais importante e mais comum a previsão

do comportamento da variável explicada (Reis, 2008). Esta estimativa será

baseada no seguinte modelo:

Os parâmetros deste modelo são estimados a partir da amostra. O quadrado do coeficiente de correlação é designado como coeficiente de determinação. Representa-se por R 2 e é uma medida do poder explicativo

ˆ

ˆ

Y

0

ˆ

= α + βX

0

118 –

Métodos de Previsão

da equação de regressão. Dá-nos a proporção da variável explicada (Y) com a presença da variável explicativa (X) (Tavares, et al, 1996). Este coeficiente é obtido através da seguinte expressão:

2

R =

Variação

exp

licada de

Y

Variação t

otal

de

Y

=

(

ˆ

Y

i

Y

)

2

(

Y

i

Y

)

2

2.2. Extensões do modelo de regressão linear simples

O modelo de regressão linear simples pode ser expandido em várias ver-

tentes. Uma delas é considerar-se mais do que uma variável explicativa. Neste caso teremos um modelo de regressão linear múltiplo (Tavares, et al, 1996). Nesta situação o modelo assume a seguinte forma:

Y

= α + β + β

1

X

1

2

X

2

+

+ β

m

X

m

+ ε

em que Xi (i=1,…,m) identifica as variáveis explicativas e o ε reflecte

o resíduo aleatório.

A outra é a adopção de relações não lineares ente as variáveis. Assim

estamos perante uma situação de regressão não linear. Para situações com

uma só variável explicativa, com transformações adequadas das variáveis,

é possível criar relações lineares e aplicar o modelo (Oliveira, 1995). A titulo exemplificativo uma relação do tipo exponencial com a aplicação de logaritmos pode tornar-se numa relação linear:

Y

β

X (

+ ε

)

ln

=

Y

α e

=

ln

α β

+

X

(

+

ε

)

ou

fazendo W

=

lnY e

α

=

ln

α

W

=

+

α β

X

(

+

ε

)

3. MÉTODOS NÃO CAUSAIS

3.1. Série cronológica

Actualmente o ambiente circundante das várias actividades a curto, médio

e longo prazo sofre alterações. Assim o planeamento da evolução futura é

uma necessidade actual em qualquer actividade. Este planeamento faculta previsões de acontecimentos capazes de afectarem as várias actividades.

É com base neste planeamento que são tomadas decisões.

119 –

ProeliuM – revista da acadeMia Militar

O gráfico resultante da representação dos valores da série chama-se crono- grama. Este cronograma é importante para se efectuar um estudo prévio.

A sua observação permite recolher elementos sobre o comportamento da

série. Nomeadamente, no que respeita a pontos de viragem, pontos muito altos ou muito baixos, oscilações ou ciclos e movimentos de natureza sazonal (Silvestre, 2007). Um instrumento do planeamento é a análise das séries cronológicas. Per- mite conhecer o comportamento passado de determinados acontecimentos

o comportamento passado de determinados acontecimentos Figura 2 – Representa uma série com tendência. e o

Figura 2 – Representa uma série com tendência.

e o seu comportamento previsível no futuro (Reis, 2008). A série cronológica é definida, durante um determinado intervalo, como um conjunto de observações feitas em pontos ou períodos sucessivos de tempo (Murteira, et al, 1993). Ou seja, são um conjunto de observações quantitativas, em diferentes momentos no tempo, sobre uma determinada

variável. Representa-se por Y t o valor de Y no instante t. Os erros as- sociados aos modelos quantitativos de previsão podem ser de três tipos:

devido à inexactidão dos dados quantitativos utilizados pelo utilizador;

a ausência de uma visão global; pelo facto de o pressuposto básico da

maioria dos métodos admitir que no futuro tudo será mantido idêntico ao passado (Reis, 2008). Numa série cronológica só é possível fazer previsões se as observa- ções passadas apresentarem autocorrelação. Com isto pretende-se que a

120 –

Métodos de Previsão

observação no instante t esteja estatisticamente correlacionada com as observações em instantes anteriores. Na maioria dos modelos assume-se que a série é estacionária. Mantém um equilibro estável desenvolvendo-se aleatoriamente no tempo em torno duma média constante. A autocorrelação pode ser definida entre valores da série desfasados k unidades de tempo, estimando-se o coeficiente de autocorrelação (r k ) a partir da seguinte expressão (Tavares, et al, 1996):

r

k

=

n − k ∑ ( )( ) Y − Y Y − Y t t
n
− k
∑ (
)(
)
Y
Y
Y
Y
t
t
+
k
t = 1
(
n
k
)
n
)
2
(
Y
− Y
t
t = 1
n

em que:

n: número de observações;

Y t : Observação correspondente ao instante t;

Y : média das observações;

k: número de unidades de tempo do desfasamento.

Estes coeficientes de correlação são apresentados normalmente num gráfico designado de correlograma.

normalmente num gráfico designado de correlograma. Figura 3 – Representa o correlograma de uma série. –

Figura 3 Representa o correlograma de uma série.

121

ProeliuM – revista da acadeMia Militar

3.2. Médias móveis centradas

Uma média aritmética das observações duma variável numa vizinhança do instante t define-se como média móvel centrada M t . Essa vizinhança define- se fixando o comprimento N da média, dada por (Tavares, et al, 1996):

▪ Para comprimento ímpar (N=2n+1):

M

t

=

1

N

(

Y

t

n

+

Y

t

+

n

1

+

+

Y

t

+

+

Y

t

+

n

1

+

Y

t

+

n

)

▪ Para comprimento par (N=2n):

M

t

=

1   1

2

N

Y

tn

+

Y

tn +

1

+

+

Y

t

+

+

Y

t + n

1

+

1

2

Y

t + n

Assim consideram-se, quer para a direita quer para a esquerda, as N obser- vações mais próximas do instante t para o cálculo da média. Estas médias apresentam duas propriedades importantes. Uma consiste na atenuação ou eliminação das flutuações de carácter aleatório da série. A outra consiste na eliminação das oscilações de carácter periódico (sazonalidade), quando se adopta, no cálculo da média móvel centrada, um comprimento igual ao período dessas oscilações.

3.3. Método da decomposição: modelo aditivo

Este método identifica e isola os componentes da série cronológica, es- tima cada um deles e posteriormente agrega os resultados para obter um modelo global (aditivo ou multiplicativo). Assume o pressuposto de que

a

série engloba quatro componentes: tendência, sazonalidade, ciclicidade

e

componente aleatória.

A

tendência tem um significado intuitivo e pode descrever-se como inércia

da série, marcha principal, variação em “média” ao longo do tempo, ou

ainda, mudança de nível. Reflecte globalmente o sentido do crescimento (ou decrescimento) da série. A sazonalidade descreve as variações em relação

à tendência. São as flutuações periódicas da variável com periodicidade

fixa. A ciclicidade reflecte movimentos oscilatórios da série que afectam

a sua tendência global a médio prazo. Por último, a componente aleatória

apresenta variações de carácter imprevisível (Murteira, et al, 1993). Se para o instante t, Y t representar o valor observado na série, T t a tendên- cia, S t a componente sazonal, C t a componente cíclica e ε t a componente aleatória. Desta forma, admite-se que o valor observado em cada período

é uma função das quatro componentes: Y t = f (T t , S t , C t , ε t ) (Reis, 2008). Assim, neste modelo os termos da série cronológica são uma função aditiva dos 4 componentes (Tavares, et al, 1996): Y t = T t + S t + C t + ε t

122 –

Métodos de Previsão

Uma média móvel centrada, de comprimento igual ao ciclo sazonal da série, permite eliminar a sua sazonalidade e o ruído. Deste modo a média móvel fica essencialmente constituída por tendência e componente cíclica:

M t = T t + C t

Atendendo a que a componente cíclica tem carácter irregular (de médio a longo prazo), os seus valores futuros dificilmente poderão ser previstos por métodos estatísticos, recorrendo-se muitas vezes a procedimentos subjec- tivos. Assim para séries que não sejam longas despreza-se a ciclicidade. Admite-se que a tendência para ser modelada varia em função de t, ou seja T t = f(t). A selecção de f(t) resulta da observação da série de mé- dias móveis centradas M t para estimar os parâmetros dessa função. Pode ajustar-se, observando o andamento da série de médias móveis centradas, a utilização de uma função polinomial (sendo o modelo linear o mais utiliza- do), exponencial, logístico, etc. Para uma tendência de crescimento linear poderá ser utilizada a regressão linear simples, definida por: T t = a + bt Isola-se a componente sazonal através da utilização de uma série auxiliar X t . Esta série irá incluir as componentes sazonais e aleatórias. Para eliminar, ou pelo menos reduzir, o efeito da componente aleatória calculam-se as médias dos valores de X t para cada estação 2 , estimando-se assim para cada uma o seu ciclo sazonal (Oliveira, 1995). A série auxiliar será: X t = Y t - M A soma dos índices sazonais deve ser nula. Quando isto não acontecer as estimativas dos índices sazonais podem ser corrigidas utilizando a seguinte expressão:

t

S

j

= S

j

∑ S j S j ∑ S j
S
j
S
j
S
j

em que S′ j é a estimativa corrigida do índice sazonal da estação j.

Assim que forem isoladas e se estimarem as diversas componentes, as previsões para os períodos futuros são elaboradas através da projecção dessas componentes, para os instantes em causa, e pela sua agregação utilizando o modelo aditivo (ignorando a componente aleatória que, por definição, é imprevisível).

2 Um ciclo sazonal compreende tantas estações quantos os períodos de tempo abrangidos por esse ciclo. Por exemplo uma série que apresente uma sazonalidade de período quatro terá quatro estações, que cor- respondem a quatro trimestres no ano.

123 –

ProeliuM – revista da acadeMia Militar

3.4. Modelo de médias móveis

Para uma série estacionária e puramente aleatória podem obter-se previsões considerando apenas a média de todas as observações. Isto iria minimizar

o erro quadrático médio. No entanto este procedimento apenas atribui igual importância (peso) a todas as observações passadas. Seria mais adequado atribuir às observações mais recentes maior importância, o que iria per- mitir detectar possíveis mudanças do seu comportamento. Desta forma estaria mais sensível às mudanças mais recentes do comportamento da série. Este é o princípio em que se enquadra a média móvel aritmética.

A

meia móvel aritmética é definida como a média aritmética das últimas

N

observações:

n =

t

1

N

(

Y

t

+

Y

t

1

+

+

Y

t

N

+

1

)

No caso de uma série estacionária (sem tendência ou sazonalidade) para os instantes futuros obtém-se a melhor previsão baseado no nível da série para o instante t (através da média móvel calculada nesse instante) (Tavares, et al, 1996). Assim:

ˆ

Y

t

+

k

onde

=

n

t

ˆ

Y

t

+

k

com K

=

1,

2 ,

3 ,

é a previsão feita no

no

instante t para K períodos adiante

Neste modelo é necessário especificar o número de termos N a utilizar. Este número poderá ser obtido por simulação, confrontando os valores

da previsão com os valores históricos. Um dos critérios mais utilizados

é o erro quadrático médio. O valor de N seleccionado deve ser aquele que gera menor erro quadrático médio.

3.5. Alisamento exponencial simples

No modelo de alisamento (ou amortecimento) exponencial simples o nível da série é estimado através da seguinte expressão:

n

t

=

αY

t

(

1

+

)

α n

t 1

Esta expressão como é recursiva permite actualizar a estimativa do nível no instante t. Para isso incorpora o valor da observação feita no instante t-1. A constante de amortecimento α está limitada ao intervalo (0,1).

124 –

Métodos de Previsão

Aplicando sucessivamente esta expressão para estimar os níveis de ins- tantes progressivamente mais antigos, obtém-se (Tavares, et al, 1996):

n

t

=

αY α

t

+

(1

)

α Y

t

1 +

α

(1

2

α Y

t

)

2 +

+

α

(1

α Y

ti

)

i

+

Nesta expressão verifica-se que o peso atribuído à observação no instante i é da forma a i = α (1 - α) i . O sistema de pesos fica apenas dependente de um só parâmetro (α). Haverá um decaimento exponencial dos pesos com a antiguidade das observações. Quanto mais elevado for o valor de α mais rápida será a redução dos pesos (Tavares, et al, 1996).

rápida será a redução dos pesos (Tavares, et al, 1996). Figura 4 – Representa o peso

Figura 4 Representa o peso atribuído às observações à medida que vão sendo mais antigas.

Tratando-se de uma série localmente estacionária, a previsão para instantes futuros (k passos adiante, para qualquer valor de k=1, 2, 3, …) é basea- da na estimativa do nível no instante t. A constante de amortecimento é escolhida de forma a minimizar o erro quadrático médio, com base nos ensaios sobre a série histórica de observações da variável (Oliveira, 1995). As estimativas são obtidas através da seguinte expressão:

ˆ

Y t

+

k

=

n

t

=

αY

t

(

1

+

)

α n

t

1

Neste modelo é necessário que se arbitre um nível inicial para o arranque do método. Isto deve-se ao facto da fórmula ser recursiva. Assim para se fazer a inicialização é usual adoptar um procedimento que divide a série histórica em três partes:

• Primeira: faz-se a iniciação com base nas primeiras k observações (habitualmente em número reduzido);

125 –

ProeliuM – revista da acadeMia Militar

• Segunda: são utilizadas as L observações seguintes para actualizar as estimativas do modelo. Não são avaliados os erros de previsão para permitir que o modelo se ajuste à série;

• Terceira: produzem-se previsões com a parte remanescente da série. Comparam-se com as observações históricas correspondentes para cal- cular os erros (EQM), que permitem avaliar o desempenho do modelo.

3.5. Comparação dos métodos de previsão: medidas do erro

Uma das grandes preocupações nos métodos de previsão é a sua precisão. Considerando-se o método mais adequado aquele que gera menores desvios em relação à realidade. No entanto para medir esses desvios é necessário conhecer os valores reais. Estes valores só existem para valores passados das variáveis. Dai a necessidade de confrontar os valores obtidos nas previsões com os valores históricos conhecidos. Estes desvios, uns positivos e outros negativos, tendencialmente anulam- se. Assim foram criados para os erros de previsão indicadores de síntese. O indicador mais utilizado é o erro quadrático médio (EQM). Exemplo de alguns indicadores:

▪ Erro absoluto médio:

n 1 EAM = ∑ ˆ − Y Y i i n i = 1
n
1
EAM =
ˆ
− Y
Y i
i
n
i = 1
2
n
1
ˆ )
EQM =
∑ (
Y
Y
i
n
i = 1
2
n
∑ (
ˆ )
Y
− Y
i
i = 1
σ
=
e
n − 1

▪ Erro quadrático médio:

▪ Desvio padrão do erro:

CONSIDERAÇÕES FINAIS

Um decisor deve rodear-se da máxima informação possível, antes da sua tomada de decisão. Só desta forma será racional a decisão tomada. Assim no que concerne a estas temáticas, deverá utilizar todos os modelos de previsão, que

126 –

Métodos de Previsão

tiver disponíveis, para ter várias análises do problema, optando por aquele que seja potencialmente o melhor. A capacidade computacional, actualmente, permite ensaiar, de forma muita rápida, vários modelos. Assim é possível chegar a um modelo que reduza ao máximo a componente residual sem prejuízo da respectiva aleatoriedade. Com base nos outputs desses modelos o decisor poderá optar por aquele que conduza a menores erros de previsão. Desta forma, poderá obter potencialmente melhores previsões, que irão ajudar o Decisor quando tiver de tomar a sua decisão. Existem muitos mais modelos do que aqueles que foram apresentados neste artigo. Estes modelos apresentam vantagens e desvantagens, estando a sua utili- zação condicionada aos tipos de dados históricos obtidos. Olhando para os dados haverá modelos que melhor se adaptam e consequentemente produzem melhores previsões. A escolha do melhor método passa por analisar as medidas de erro de cada um. Escolhe-se aquele que conduz a melhores resultados, ou seja onde a medida do erro é menor sendo melhores as previsões. Com base nestes modelos é possível apoiar a decisão dos agentes de decisão nos vários níveis numa empresa.

REFERÊNCIAS BIBLIOGRÁFICAS

HILLIER, F., & LIEBERMAN, G. (1995). Introduction to Operations Research (6ª ed.). Lisbon: McGraw-Hill.

MURTEIRA, et al. (1993). Análise de Sucessões Cronológicas. Lisboa, Portugal:

McGraw-Hill.

OLIVEIRA, R. (Agosto de 1995). Modelos de Previsão: apontamentos da cadeira A118. Lisboa: Academia Militar.

REIS, E. (2008). Estatística Descritiva (7ª edição ed.). Lisboa: Edições Sílabo, Lda.

RODRIGUES, et al. (2010). Estatística em Ciências Humanas e Sociais. Lisboa, Portugal: Universdade Lusiada.

SILVESTRE, A. (2007). Análise de Dados e Estatística Descritiva. Lisboa, Por- tugal: Escolar Editora.

TAVARES, et al. (1996). Investigação Operacional. Lisboa, Portugal: McGraw-Hill.

127 –

ProeliuM – revista da acadeMia Militar

128 –