Métodos Simplificados de Previsão Empresarial

Previso muito difcil, especicamente
se for sobre o futuro.

NIELS BOER, PRMIO NOBEL DE FSICA.
1. Introduo................................................................................... 1
1.1 Porque as Empresas e os Funcionrios Desconam dos
Mtodos de Previso .......................................................... 6
1.2 A Previso e a Discrepncia do Valor Observado .............. 9
1.3 Medindo a Qualidade da Previso Variabilidade ........... 10
1.3.1 Exemplo: a Variabilidade de Vendas ........................ 10
1.3.2 Quais so as Principais Caractersticas de uma
Previso Bem Feita?................................................. 12
1.4 Planejamento e Previso Oramentos, Alvos
e Previses .......................................................................... 15
1.5 Concluses ......................................................................... 16
1.6 Glossrio............................................................................. 17
1.7 Exerccios ........................................................................... 18
1.8 Respostas ............................................................................ 21
1.9 Referncias ......................................................................... 25
PrevisaoEmpresarial.indd 1 18/1/2008 12:06:52

1
Introduo
1. Introduo
A
MONTAGEM DO PLANO mestre de produo de responsabili-
dade de vrios tcnicos, engenheiros e gerentes da fbrica.
Consome uma grande parte dos recursos e do tempo. Ela
pode e deve chegar aos detalhes minuciosos de quanto, como e
quando produzir. Paradoxalmente, o plano mestre, que deve co-
mear com a melhor previso possvel da capacidade do mercado
em absorver a produo, raramente comea assim na indstria
brasileira. Para melhorar o desempenho nanceiro da empresa,
necessrio investigar a maneira que a previso da demanda
construda dentro dos procedimentos e responsveis da empresa?
Vem de uma estrutural formal, de processos controlados e moni-
torados, de funcionrios treinados para isso? Infeliz e certamente
este no o caso brasileiro. Ainda mais rara a utilizao de
tcnicas de previso na rea de planejamento de manuteno pre-
ventiva da fbrica, ou para a previso da demanda por recursos
humanos, entre muitas outras reas da atuao empresarial.
PrevisaoEmpresarial.indd S1:2 18/1/2008 12:07:02

2 Mtodos Simplificados de Previso Empresarial
Muitos empresrios ainda pensam que os mtodos de previ-

so no servem para os mercados onde atuam, quando a realidade
outra. Acham que o ambiente competitivo to complicado e
instvel que nenhuma metodologia aplicada para elaborar previ-
ses ser melhor que as suposies intuitivas dos prticos. A ver-
dade que a aplicao correta de algumas metodologias simples
na rea de gesto e de algumas tcnicas quantitativas de sries
temporais pode diminuir a impreciso das previses de mercado
pela metade. A literatura especca repleta de exemplos disso1.
Para citar um deles: uma empresa fabricante de escapamentos,
sem os cuidados de trabalhar com a funo formal de previso
nos procedimentos, sofre uma discrepncia de previso para
certo escapamento em torno de cento e oitenta unidades dirias.
Na empresa, previses de
A previso ingnua utiliza o volu- vendas so geradas por um grupo
me de vendas no passado como da alta gerncia da empresa e so
previso de vendas futuras. Cada
empresa um pouco diferen-
puramente julgamentos de valor.
te, mas, neste caso, uma rpi- O grupo se rene em horrios ir-
da pesquisa descobriu que uma regulares, em geral quando algu-
previso de vendas baseadas nas
ma informao aparece e julgada
vendas de 28 dias atrs foi sig-
nificantemente melhor do que as sucientemente relevante por um
previses feitas pelo grupo exe- membro desse grupo executivo, ou
cutivo. quando dois ou mais gerentes se en-
contram para tomar um cafezinho.
Anotaes das reunies so passadas para o vice-presidente da
empresa, e ele ento toma a deciso de quanto, quando e como
produzir.(Samohyl, 2006).
1
Pelo menos trs revistas internacionais da rea de previso se destacam:
The International Journal of Business Forecasting, The International Jour-
nal of Forecasting, and Foresight. O site do International Institute of Fore-
casters (www.forecasters.org/) tambm merece ateno dos interessados.

Introduo 3
O custo do processo informal de previso obviamente

muito alto, considerando o perl do grupo (altos gerentes e altos
salrios) e o tempo gasto. Surpreendentemente, seria muito fcil
nesta empresa melhorar a preciso das previses e, ao mesmo
tempo, diminuir o custo das previses para praticamente zero.
Uma previso ingnua, discutida em mais detalhes no capitulo
trs sobre decomposio clssica, facilmente daria previses me-
lhores. A previso ingnua utiliza o volume de vendas no passado
como previso de vendas futuras. Cada empresa diferente, mas,
neste caso, uma rpida pesquisa descobriu que uma previso ba-
seada nas vendas de vinte e oito dias atrs foi signicantemente
melhor do que as previses feitas pelo grupo executivo. Vendas
de vinte e oito dias atrs quer dizer no mesmo dia da semana
quatro semanas atrs, uma relao entre o passado e o presente
bastante intuitiva e convincente. Como foi mencionada, a discre-
pncia do grupo executivo de cento e oitenta unidades dirias;
a da previso ingnua seria de cento e quarenta. Nota-se que o
processo de previso ingnuo incorre em custos imperceptveis
se relacionado aos custos do grupo executivo.
Em outra empresa, o funcionrio notou que as vendas da
semana passada so comparveis com a previso das vendas para
a semana que vem. Esse tipo de relao a base da utilidade da
previso ingnua. Entretanto, ele tambm notou que o erro de
previso era sempre pessimista, ou seja, a previso sempre foi
menor que o valor observado das vendas reais. Ser visto, nos
captulos trs e quatro a seguir, que esta discrepncia signica a
presena de uma tendncia caracterizada na srie e que ela facil-
mente pode ser incorporada na prpria previso2.
A empresa no deve achar que as previses ingnuas so

as chaves do sucesso, mas sim deve considerar a utilizao
2
Veja os exerccios deste captulo.

de outros mtodos automticos que tambm dependem dos

dados passados. Existem metodologias que levam em conta
a tendncia dos dados no tempo, a sazonalidade do merca-
do especco, e as correlaes com outros fatores dentro e
fora da empresa. (Samohyl, 2006).
No caso do estudo de Souza (2005, p. 92), utilizando mo-

delos estatsticos mais amplos e relacionando vrios aspectos do
mercado, o erro mensal de previso do consumo de energia el-
trica diminuiu de pouco mais que 5% para menos que 2% nas
Centrais Eltricas Santa Catarina S. A (CELESC). Outro estudo
que demonstra as possibilidades de melhoria para previses na
rea nanceiro-econmica o de Corvalo (2002). Neste estudo,
a previso da arrecadao do ICMS no estado de Santa Catari-
na, no sistema tradicional de previso, apresentava um erro de
aproximadamente 4,5% mas, atravs de uma formulao mais
adequada, o erro de previso foi diminudo para 2,6%. Final-
mente relatamos os resultados do trabalho de Lopes (2002). Este
trabalho teve por objetivo determinar o modelo quantitativo de
previso de demanda com maior grau de exatido para se efetuar
previses de vendas de autopeas e, portanto, reduzir estoques
numa revendedora de carros no estado de Paran. A mesma me-
todologia utilizada nesta dissertao de mestrado apresentada
nos captulos trs e quatro deste livro. As previses da empresa
erravam em aproximadamente 40%, no entanto, com as metodo-
logias novas, as discrepncias passavam para 20%. Em todos os
casos, a melhoria nas previses foi em torno de 50% de diminui-
o de erro de previso.
A idia fundamental deste livro que, dominados alguns con-
ceitos simples e tambm alguns procedimentos computacionais
bsicos, as previses melhoram com poucas modicaes nas ati-
vidades do funcionrio da rea de previso. Podem ser previses de
vendas, custos, caractersticas do cho da fbrica como a preveno

Introduo 5
e manuteno da linha de produo, entre muitos outros. No nal,

uma boa previso sempre se desdobra em melhores estratgias de
curto e longo prazo com resultados nanceiros interessantes.3
O livro dividido em poucos captulos: este de introduo
ao assunto; um segundo captulo sobre as questes administrati-
vas seguindo os interrogatrios (cinco W e um H): quem, o que,
quando, onde, como e por que; e em seguida dois captulos sobre
as metodologias no estatsticas consagradas para a previso de
sries temporais: a decomposio clssica e os mtodos expo-
nenciais (suavizao exponencial). No nal dos trs prximos
captulos, que so centrais ao livro, existem exerccios de dicul-
dade variada e solues para testar o conhecimento do leitor. Fi-
nalmente, terminamos o livro com um exemplo de como ser um
relatrio executivo, conciso e completo, para expor as previses
a um pblico alvo, de uma maneira clara e convincente.
A exposio e o plano do livro seguem um desdobramen-
to da atividade de previso em duas partes: uma enfatizando a
necessidade de tratar as atividades empresariais como processo,
exigindo assim a aplicao de mtodos administrativos dentro
da empresa; outra mostrando os procedimentos simples das duas
metodologias quantitativas consagradas. A primeira parte, mais
administrativa, essencial para que, na segunda parte, os mto-
dos quantitativos funcionem melhor. Em outras palavras, a abor-
dagem do livro sistmica.
A atividade de previso dentro da empresa um proces-
so, composto de insumos e atividades, que resulta na previso.
Dentro do processo importante enfatizar que o ser humano, o
funcionrio encarregado das previses, apenas um dos ingre-
dientes do processo. Bem ou mal, o processo depende de vrios
3
Este livro no tem como objetivo entrar nas discusses sobre a deman-
da por bens e servios novos a serem lanados no mercado. Esse tpico
ser assunto de outro livro.

outros ingredientes que no tm necessariamente nenhuma re-

lao direta com o funcionrio. Entre muitas outras coisas, as
causas atrs da preciso das previses tm origem nas condies
ambientais de trabalho no escrit-
A tendncia empresarial de pro- rio, nas metodologias administrati-
curar o mau elemento do proces- vas e culturais utilizadas, na cona-
so apenas entre os funcionrios
um procedimento descabido e,
bilidade e urgncia dos dados, e no
at mesmo, prejudicial produti- equipamento disponvel. Se houver
vidade. A busca por solues deve problemas com previses impreci-
ser atravs de uma investigao
sas, a tendncia empresarial de pro-
do processo como um todo, in-
cluindo todos os insumos e todas curar o mau elemento do processo
as atividades, visando encontrar apenas entre os funcionrios um
e eliminar os elos fracos. procedimento descabido e, at mes-
mo, prejudicial produtividade.
A busca por solues deve ser atravs de uma investigao do
processo como um todo, incluindo todos os insumos e todas as
atividades, visando encontrar e eliminar os elos fracos.
O livro acompanhado por algumas planilhas eletrnicas
com aplicaes em Visual Basic for Applications (VBA), www.
previsaosimples.pbwiki.com. Elas so preparadas especialmente
para o usurio iniciante na rea de previso que no quer gastar
recursos, nem muito tempo, em sistemas computacionais caros e
tecnologicamente complicados.
1.1 Porque as Empresas e os Funcionrios

Desconfiam dos Mtodos de Previso
As empresas no tm metodologias para previso implantadas nos
seus procedimentos cotidianos por vrias razes. De uma forma ou
outra, os motivos por trs desta falha no so totalmente ilgicas e
sem sentido, considerando a cultura e o ambiente competitivo onde
a empresa se insere. O ambiente interno da empresa complicado
e contraditrio: a realidade que s vezes o funcionrio ou equi-

Introduo 7
pe, pelo simples fato de estarem fa-

Porque as empresas no se preo-
zendo certo da primeira vez (como cupam com o sistema de previ-
gostava de dizer Juran, veja captulo ses estruturado:
dois), podem desencadear uma srie PODER
COMPETIO
de problemas interpessoais (como
MIOPIA
cimes e inveja) e at mesmo re- POLTICA
taliaes extremamente agressivas
dos emocionalmente agredidos. Isto
acaba em deteriorar o ambiente de trabalho, a produtividade e con-
seqentemente a lucratividade.
PODER: Na maior parte dos casos, quem responsvel pela

construo e pela tomada de deciso sobre as previses a alta
gerncia da empresa. As previses vm de reunies fechadas aos
demais funcionrios. Procedimentos e metodologias so conhe-
cidos apenas pelos participantes das reunies fechadas, longe do
discernimento geral da empresa. Por que assim? Por que no
existe uma abertura maior e discusses mais livres? Se houvesse
maior liberdade de informao, ento qualquer funcionrio pode-
ria ver que o conhecimento dos altos gerentes no to privile-
giado assim, pelo menos no melhor que muitos funcionrios de
mdio e at mesmo baixo escalo. No nal, segredos signicam
poder, e poder garante a segurana de quem o detm.
COMPETIO: Por outro lado, quando o processo de previso se-

gue um modelo mais aberto, h um medo que a empresa possa sofrer
uma queda de moral, pois os funcionrios que possuem o talento de
ver melhor os valores futuros sero minoria na empresa. Neste caso,
poucos caro satisfeitos com o seu desempenho prprio e muitos
se sentiro frustrados. O esprito de colaborao entre funcionrios
na empresa certamente vai car lesado. Mais sobre esse assunto ser
discutido no captulo dois que aborda a administrao das previses
em termos tirados da rea de qualidade empresarial.

MIOPIA: A viso do mercado em inmeras empresas, decor-

rente de certa cultura empresarial, foca o grande lucro em curto
prazo como resultado de inovaes formidveis dos gnios da
mercadologia. Estudar o mercado com dados concretos, cienti-
camente, atravs de grcos ou frmulas, e estruturar procedi-
mentos formais para esses ns, considerado um esforo intil e
at mesmo oneroso em empresas que possuem esta viso distor-
cida. Nestas empresas, o trabalho de procurar os bens e servios
inovadores de grande impacto econmico um trabalho de vinte
e cinco horas por dia, assim o tempo no sobra para estruturar a
empresa em tarefas e funes bem denidas, rotineiras e formais.
Portanto, trabalhar as previses como processo formal nestas
empresas considerado perda de tempo.
POLTICA: Finalmente, basta lembrar que estruturas empre-

sariais em geral so extremamente constrangidas por grupos
internos com interesses prprios. A formao desses grupos
leva anos para se estabelecer, e, logicamente, os grupos lu-
tam contra qualquer tendncia de mudana. A grande verdade
que, frente a qualquer idia nova, no fazer nada e car inerte
so sempre as primeiras decises tomadas pelos grupos esta-
belecidos.
Acreditamos que os empecilhos esboados anteriormente
devem e podem ser minimizados em muitas empresas, uma vez
que a melhoria nas previses tem
Quando as previses erram den- resultados nanceiros quase ime-
tro de um processo organizado diatos e expressivos. claro que a
e formalizado, o erro acontece, empresa que quiser jogar lucro fora
no em funo do coitado do
funcionrio responsvel, mas em
no ir se interessar pelo assunto
funo de todos os ingredientes desse livro, mas provavelmente
do processo, que est sempre tambm no ir car muito tempo
aberto s melhorias (onde o ser
no mercado. A questo principal
humano apenas um deles).
que todos os empecilhos tm como

Introduo 9
base alguma considerao pessoal e emocional. justamente

esta natureza da tomada das decises que tem que ser minimi-
zada e, se possvel, substituda pela estruturao de procedi-
mentos mais objetivos e racionais, sem ferir desnecessariamen-
te os egos envolvidos. Pensando assim, quando as previses
erram dentro de um processo organizado e formalizado, o erro
acontece, no em funo do coitado do funcionrio respons-
vel, mas em funo de todos os ingredientes do processo, que
est sempre aberto s melhorias (onde o ser humano apenas
um deles).
1.2 A Previso e a Discrepncia do Valor

Observado
Como a prtica nas cincias exatas e nas engenharias, a melhor
maneira de comear a anlise de qualquer fenmeno atravs
das suas caractersticas fsicas e
mensurveis. Claro que no quere- Na rea de previso, temos uma
mos tentar quanticar tudo, como excelente medida de qualidade
das previses: a discrepncia en-
o grau de felicidade dos colabora- tre o dado previsto e o dado que
dores de uma empresa em unidades foi observado. A discrepncia me-
de felicidade ou tristeza, ou como de quanto que foi errada a tentati-
va do alvo (o dado previsto).
quanto os funcionrios gostam de
certo supervisor em unidades de
aceitao, entre outros absurdos. De qualquer maneira, quando
a caracterstica mensurvel, a existncia de uma mtrica sig-
nica meio caminho andado na procura de melhores nveis de
qualidade. Na rea de previso, temos uma excelente medida de
qualidade das previses: a discrepncia entre o valor previsto
e o valor que foi observado. Por exemplo, quantas unidades ven-
didas foram previstas e quantas unidades foram realmente ven-
didas. Simplesmente, a discrepncia mede quanto a tentativa se
distanciou do alvo.

1.3 Medindo a Qualidade da Previso Variabilidade

A grande contribuio da estatstica Engenharia e Administra-
o foi o reconhecimento de que medies so vlidas por duas
razes: para analisar as tendncias atravs de mdias extradas
de amostras e, igualmente, para investigar a variabilidade que
cerca a mdia. Desde a poca de Walter Shewhart, variabilidade
signica m qualidade4.
Nas fbricas, por exemplo, produtos tm que ser produzi-
dos dentro de medidas de conformidade e isso signica tanto as
mdias cando no alvo quanto a disperso das medies tambm
contidas em valores mnimos. A qualidade da previso tambm
segue essa mesma idia.
1.3.1 EXEMPLO: A VARIABILIDADE DE VENDAS

Imagine a comparao entre duas empresas em termos de esta-
bilidade e potencial de montar estratgias bem sucedidas: uma
com crescimento comercial estvel com pouca variabilidade ms
a ms, outra com crescimento irregular ms a ms e grande dis-
perso de resultado. No primeiro caso, a empresa consegue -
car com estoques mnimos, no segundo os estoques precisam ser
enormes para eventuais necessidades dos clientes. No primeiro
caso, o dia-a-dia da empresa est sob controle, e isso deixa mais
tempo para a construo de estratgias empresariais melhores.
Veja as vendas dirias acima e abaixo do valor previsto de
uma grande loja brasileira na Figura 1.1. As vendas esto sempre
um pouco acima do valor previsto, que pode signicar um grande
4
No prximo captulo vamos identicar alguns conceitos da rea de quali-
dade que, utilizados no processo de previso e que contribuem para maior
acurcia nas previses. Walter Shewhart, fsico e estatstico que inovou ao
aplicar estatstica na linha de produo na dcada de 30 nos Estados Unidos,
considerado o mentor dos conceitos desenvolvidos por Deming e Juran.

Introduo 11
desempenho do gerente da loja. No capitulo seguinte, argumenta-

remos que um vis desta natureza, de ter dados observados quase
sempre acima do valor previsto, no deve ser tolerado durante
muito tempo. O procedimento adequado ajustar as previses
para incorporar o vis.
FIGURA 1.1 Vendas dirias acima e abaixo do valor previsto durante

dois anos. Mdia = 12,1 e Desvio Padro = 7,7.
No segundo caso, representado na Figura 1.2, a maior dis-

crepncia na gura oitenta e cinco e a menor de sessenta abai-
xo de zero. Portanto, a amplitude dos dados cento e quarenta
e cinco. Apesar de vender em mdia acima do valor previsto, a
empresa sofre de altos e baixos que so muito maiores que no
primeiro caso (mxima discrepncia de trinta e oito e mnima
de zero, amplitude igual a trinta e oito)5. A irregularidade das
vendas signica que o gerente preso no curto prazo, utilizando
5
O desvio padro a medida mais utilizada nas engenharias para expressar
variabilidade. A segunda empresa tem variabilidade em torno de trs vezes
maior que a primeira (25,4/7,7 = 3,34).

seu tempo para apagar pequenos problemas e resolver pequenas

confuses, no restando tempo para pensar no longo prazo.
Neste caso, o gerente de vendas pode facilmente morrer de
ataque cardaco. A variabilidade de vendas pode acabar com os
nais de semana dele ou com a tranqilidade do novo casamen-
to, por exemplo. Com a aplicao de alguma metodologia mais
adequada para a previso das vendas, seria possvel reduzir es-
toques, ocupando o tempo do gerente com o planejamento dos
lanamentos para o prximo ano, em vez de preocup-lo com as
vendas de hoje ou amanh e com a volatilidade dos estoques.
FIGURA 1.2 Vendas dirias acima e abaixo do valor previsto durante

dois anos. Mdia = 18,7 e Desvio Padro = 25,4.
1.3.2 QUAIS SO AS PRINCIPAIS CARACTERSTICAS DE UMA

PREVISO BEM FEITA?
Previses sempre erram, mas prefervel errar com pequenas
discrepncias do que, com grandes. Nesta seo vamos investi-
gar o formato das discrepncias e alguns critrios para avali-las.
Em primeiro lugar, as discrepncias devem ser pequenas, ideal-

Introduo 13
mente, devem ser nulas, ou seja, iguais a zero. Imagine uma srie
de cem previses perfeitas com todas as discrepncias iguais a
zero, situao essa, que nunca se encontrar na vida real, mas que
serve de ponto de referncia.
Uma forma grca de demonstrar os valores das discrepn-
cias atravs de um histograma. O histograma tem duas dimen-
ses: no eixo horizontal est o valor da discrepncia e no eixo
vertical, quantas vezes esse valor aparece.6 Veja a gura 1.3 onde
colocada a situao muito pouco provvel de se ter cem previ-
ses que acertaram o valor a ser observado no futuro, gerando
uma discrepncia igual a zero.
FIGURA 1.3 Histograma de cem discrepncias de valor zero,

previses perfeitas.
Na realidade, sendo discrepncia zero uma felicidade rara-

mente vista no mundo de negcios, o histograma tem sempre um
6
O eixo horizontal pode ser denido em termos de classes de valores quan-
do o histograma composto de muitos valores, por exemplo, cem, duzentos
ou mais. A amplitude das classes deve ser igual para todas as classes. Veja
os exemplos nos exerccios do nal deste captulo.

formato mais parecido com a gura 1.4, com vis (a distribuio

das freqncias no centrada em zero) e variao ao redor do
valor central.
FIGURA 1.4 Histograma da vida real, de cem discrepncias.
Pela gura podemos ver que a maior discrepncia de valor

seis aparece somente uma vez (veja a pequena coluna no extremo
lado direito do grco). verdade que esta discrepncia muito
grande em relao aos outros valores, mas pelo menos esse valor
desagradvel aparece somente uma vez. No outro lado da distri-
buio tambm aparece a discrepncia de menos trs, mas tambm
essa discrepncia desagradvel aparece somente trs vezes. Nesta
situao h lugar para melhorias que diminuiro o tamanho da dis-
crepncia. O encarregado pode voltar no tempo e analisar os dados
que produziram as discrepncias maiores, investigando o mercado
naquele momento, tentando identicar as foras do mercado que
levaram o previsor a sofrer este erro to grande. Resultado que
no futuro, com o previsor j mais conhecedor do mercado e das
causas dos erros conhecidos, as discrepncias certamente vo di-
minuir. Assim, o processo de previso ter uma melhoria contnua.

Introduo 15
Como ser observado no prximo captulo, o monitoramento e a

aprendizagem resultante do acompanhamento das discrepncias
so to importantes quanto a produo das prprias previses.
Outra caracterstica importante que pode-se notar na Figura
1.4 da localizao central das freqncias. As freqncias no
so centradas no valor zero, mas sim no valor um, signicando
que h uma leve tendncia nos dados para a superpreviso da
realidade. A discrepncia denida como o valor previsto menos
o valor observado e, se for com tendncia positiva, ento parece
que h um otimismo reinante na empresa que no esta sendo con-
rmado a empresa na maioria das vezes acha que vai vender
tal quantia prevista, mas acaba vendendo menos. Na fbrica, isso
quer dizer produo maior que o mercado tolera e, portanto, es-
toques grandes e crescentes sem sada. Ou seja, um pesadelo para
o pessoal da linha de produo.
Resumindo, h duas caractersticas do histograma das dis-
crepncias que preocupam o pesquisador:
onde ca o centro da distribuio das freqncias e
qual o tamanho da disperso ao redor dele?
A presena de valores no centrados em zero signica vis que

deve ser incorporado nas prximas previses, e, no tocante a dis-
perso dos valores, deseja-se sempre disperses relativamente
pequenas.
1.4 Planejamento e Previso Oramentos, Alvos e

Previses
importante esclarecer aqui, e ser Valor previsto algo que poderia
assunto do prximo captulo, que h ocorrer no futuro, baseado nas
projees de dados passados,
uma enorme diferena entre alvo de
levando em conta possveis even-
planejamento e valor previsto. No tos e cenrios no futuro, relevan-
entanto, os dois conceitos vivem tes para a anlise.

juntos, mesclados e confundidos nos meios empresariais. Valor

previsto algo que poderia ocorrer no futuro, baseado nas pro-
jees de dados passados, levando em conta possveis eventos e
cenrios no futuro, relevantes para a anlise.
O cenrio futuro, apesar de
Alvo de planejamento muitas ve- ser uma construo mental sobre
zes no deixa de ser uma pura algo que no existe ainda, tambm
esperana da empresa sobre algo concreto, fruto de estudo e
vendas futuras.
anlise. Em outras palavras, valor
previsto um conceito objetivo e
frio, totalmente sem contedo emocional. Por outro lado, alvo
de planejamento muitas vezes no deixa de ser uma pura espe-
rana da empresa sobre vendas futuras. Quando a alta gerncia
pressiona os colaboradores com exortaes para que a empresa
venda 25% a mais que o ano passado, sem embasamento nos
dados passados nem em anlises do futuro, isso quase sempre
no passa de um sonho, um desejo por parte dos altos escales
da organizao, visando um ano de vendas espetaculares.
Alvo de planejamento um conceito estratgico emocional
utilizado para esquentar os nimos dos funcionrios. Nas maiores
multinacionais, podem existir exortaes desse tipo, mas menos
exageradas. Por sinal, atrs delas esto as equipes de previso
com longas horas de trabalho tentando revelar as reais possibili-
dades futuras do mercado. Nada pior e mais frustrante no meio
empresarial do que uma fase de incitaes que acaba em perdas
e desespero. Este livro trata apenas do problema de discrepncias
de previso, as discrepncias de planejamento assunto para ou-
tro livro e, certamente, outra equipe.
1.5 Concluses
Neste captulo, foi visto um pouco dos conceitos mais impor-
tantes da rea de previso empresarial. No prximo captulo, ar-

Introduo 17
mado com alguns conceitos da rea como valor previsto, valor

observado e discrepncia de previso, ser visto como o processo
de previso deve ser formalizado no dia-a-dia da empresa.
1.6 Glossrio
Discrepncia de previso o erro cometido na tentativa de prever
algum valor futuro. Especicamente a diferena entre o
valor previsto e o valor observado.
Histograma uma ferramenta da rea de estatstica para ilustrar

em forma grca a tendncia central dos dados e a disperso.
um grco de XY onde o eixo vertical (Y) mostra a freq-
ncia de certo classe de valores no eixo horizontal (X).
Previso ingnua o resultado da metodologia mais simples ima-

ginvel para construir previses. O valor previsto o valor
observado mais recentemente.
Processo composto de insumos que passam por atividades e

que resultam em novos produtos. Uma empresa a soma
dos seus processos.
Sazonalidade uma caracterstica da srie temporal onde padres

repetitivos aparecem regularmente. Para muitas indstrias
vendas e produo seguem uma sazonalidade forte durante
o ano. Embora sazonalidade tenha uma relao lgica com
o ano, pode ser tambm que durante a semana existe um
padro sazonal, vendas so maiores na segunda feira e sex-
ta feira, e menores quarta feira, ou dentro do ms ocorrem
vendas maiores no incio e no nal do ms, por exemplo.
Sistmica se origina de sistema e quer dizer o resultado de com-

binaes e interaes de processos.

Valor previsto algum valor do futuro que no existe ainda e so-

bre o qual h alguma incerteza. O valor construdo utili-
zando-se de alguma metodologia formal ou informal, com
procedimentos matemticos ou qualitativos.
Vis um dos componentes da discrepncia de previso. o quan-

to o erro ca acima ou abaixo de zero ao longo do tempo.
1.7 Exerccios
1.7.1 Ms a ms, as seguintes previses para uma empresa que
vende calha para telhados foram feitas durante o ano de 2006, e
os valores das vendas observados:
Venda de calhas
Discrepncia
Metros de calha Metros de calha
Ms de 2006 Previsto-
previstos observados
observado
jan 2500 2411
fev 2650 2545
mar 2780 2788
abr 3020 2875
maio 3120 3106
junho 3320 3215
julho 3520 3599
ago 3700 3611
set 3870 3800
out 4030 4133
nov 5010 5122
dez 5560 5767
Calcular as discrepncias.

Introduo 19
1.7.2 Na srie das discrepncias calculadas na questo anterior,

nota-se algum tipo de padro atravs do tempo? Para vericar se
existe padro ou no, colocar as discrepncias em grco.
1.7.3 Ainda seguindo o exemplo anterior, como adaptar as previ-

ses de 2007 com as informaes das discrepncias de 2006.
1.7.4 Na tabela, existem as freqncias das discrepncias de pre-

viso de vendas de uma fbrica de condicionadores de ar, em
valores semanais, durante quase dois anos. Nesta empresa, as
previses so da responsabilidade do departamento de vendas e
marketing. Com estes dados, montar um histograma e analisar o
resultado em termos de vis.
Discrepncias de previso das vendas de ar condicionado

Classe de tamanho das discrepncias Freqncia
de 217 a 172 2
de 171 a 128 3
de 127 a 85 10
de 84 a 41 10
de 40 a 3 17
de 4 a 47 13
de 48 a 92 15
de 93 a 136 12
de 137 a 180 10
maior que 180 8
1.7.5 Na prxima tabela, h classes de tamanho de discrepncias

de previso e suas respectivas freqncias para vendas de certo
tipo de motor eltrico. Como na questo acima, so valores pre-
vistos semanalmente durante quase dois anos. As previses so
da responsabilidade do gerente de produo. Montar um histo-
grama e analisar o resultado em termos de vis.

Discrepncias de previso das vendas de ar condicionado

Classe de tamanho das discrepncias Freqncia
at 37 2
de 36 a 32 11
de 31 a 26 11
de 25 a 21 17
de 20 a 16 27
de 15 a 10 27
de 9 a 5 35
de 4 a 1 45
de 2 a 6 24
de 7 a 11 24
de 12 a 16 11
de 17 a 22 5
de 23 a 28 5
de 29 a 33 4
de 34 a 38 1
maior que 38 1
1.7.6 Na sua empresa, existe um sistema estruturado para previ-

ses? Se no tiver, analisar o problema em termos dos conceitos
de poder, competio, miopia e poltica.
1.7.7 Na seguinte tabela, representada uma srie de previses

ingnuas para certo produto. Os valores observados na segun-
da coluna so projetados para o ms seguinte como previses
(ingnuas) na terceira coluna. Por exemplo, janeiro mostrou
vendas observadas de 1021 que o valor projetado para a previ-
so de fevereiro do mesmo valor de 1021. Na ltima coluna da
tabela so os valores de discrepncia de previso. Interessante
notar que a discrepncia de previso sempre ca em torno de 20
unidades. No nal de junho o funcionrio precisa fazer ento
a previso para julho. Analisando a situao, ele deve usar de
novo a previso ingnua obtida do valor vendido do ms junho,
ou ele deve fazer algo diferente para diminuir e, portanto, me-
lhorar a previso?

Introduo 21
Vendas, previses e discrepncias de previso de

determinado produto
Vendas mensais Previso
Meses de 2006 Discrepncia
em unidades (Ingnua)
Janeiro 1021
Fevereiro 1044 1021 -23
Maro 1062 1044 -18
Abril 1088 1062 -26
Maio 1101 1088 -13
Junho 1128 1101 -27
Julho ?
1.8 Respostas
1.7.1 Resposta: As doze discrepncias (diferena entre o valor
previsto e o observado) so:
Discrepncias
Ms de 2006 Discrepncia
Jan 89
Fev 105
Mar -8
Abr 145
Mai 14
Jun 105
Jul -79
Ago 89
Set 70
Out -103
Nov -112
Dez -207

1.7.2 Resposta:
O grco das discrepncias mostra uma ligeira tendncia de

sazonalidade na srie, pois os dados no nal do ano so menores
que os do incio do ano. Durante o ano todo, h uma tendncia
declinante com superprevises no inicio do ano e sub-previses
no nal.
1.7.3 Resposta: No grco da resposta anterior, ca claro que a

sazonalidade deve ser incorporada nas previses. O mtodo de
previso seguido hoje em dia pela empresa no adequado para
levar em conta sazonalidade. Sem mudar completamente o mto-
do de previso, algum tipo de ajuste necessrio para evitar dis-
crepncias maiores em funo da sazonalidade das vendas. No
mnimo, o funcionrio deve diminuir um pouco as previses do
incio do ano e aumentar as do nal do ano. So ajustes intuitivos
e qualitativos que vo melhorar muito a acurcia das previses.
1.7.4 Resposta: No histograma, parece que o lado direito ca mais

carregado, quer dizer, tem mais freqncias nesse lado do gr-

Introduo 23
co. Isso signica que as discrepncias tendem mais para as posi-

tivas e menos para as negativas. fcil ver isso, porque as cinco
colunas que representam valores positivos das discrepncias so
mais altos que as cinco colunas envolvendo valores negativos.
H um otimismo reinante na empresa com a gerao de super-
previsoes na maior parte dos casos. A empresa produz demais,
e, portanto, sofre de acmulo de estoques. Ser que a origem
deste desequilbrio est na deciso de deixar as previses na total
responsabilidade do departamento de vendas e marketing, onde o
otimismo sempre um forte ingrediente do pessoal?
1.7.5 Resposta: Ao contrrio da situao no histograma anterior,

a maior parte das freqncias ca no lado negativo das classes,
signicando que as previses esto abaixo da realidade da em-
presa, menores que o valor observado das vendas. Nesta empre-
sa, as previses de venda so da responsabilidade do gerente de
produo. comum certo conservadorismo nesse cargo, sempre
procurando ver metas de produo e vendas apertadas, onde es-
toques so minimizados tanto no lado das compras quanto nas
vendas dos produtos. Portanto, previses feitas pelo gerente de
produo tendem a subestimar o mercado.

1.7.7 Resposta: Nos primeiros seis meses do ano, as vendas so-

freram discrepncias mensais em torno de vinte unidades, com
previses sempre baixo do realizado. Isso signica que existe
um vis nas estimativas. Deve ser reconhecido que as vendas
crescem atravs do tempo e, se esse crescimento for inserido na
previso, a discrepncia ir diminuir. Assim, a previso para o
ms de julho ser 1128 (valor realizado de junho) acrescentado
o valor do vis de 20, ou seja, 1148 unidades.
A empresa poderia xar esse procedimento como regra para

as previses. Para prever as vendas para o ms que vem, primeiro
v as vendas do ms passado, e segundo calcula a discrepncia
mdia dos ltimos trs ou seis meses, dependendo do tempo dis-
ponvel do funcionrio. Terceiro, calcula a previso para o ms
que vem como a soma do valor observado do ms passado e da
mdia das discrepncias passadas7.
7
O objetivo deste livro mostrar vrios mtodos consagrados para previ-
so empresarial. Tendncias na srie e sazonalidade podem ser quantica-
das, algoritmos automticos podem ser montados para gerar previses que
reitam essas caractersticas. Nas prximas pginas sero encontrados os
mtodos e nas planilhas, a aplicao simplicada.

Introduo 25
1.9 Referncias8
CORVALO, E. D. Previso da arrecadao do imposto sobre
circulao de mercadorias e servios em Santa Catarina:
aplicao da abordagem geral para especco em modelos
dinmicos. Dissertao em Engenharia de Produo da Uni-
versidade Federal de Santa Catarina. Florianpolis, 2002.
Foresight: The International Journal of Applied Forecasting.
Publicao do International Institute of Forecasters
HANKE, J.E., REITSCH, A.G. e WICHERN, D.W. Business
Forecasting. New Jersey. Prentice Hall, 2001.
The International Journal of Business Forecasting, Interscience
Publishers.
The International Journal of Forecasting, Publicao Ocial do
International Institute of Forecasters.
LOPES, R. D. Previso de Autopeas: estudo de caso em uma
concessionria de veculos. 107f. Dissertao em Engenha-
ria de Produo da Universidade Federal de Santa Catarina.
Florianopolis. 2002.
MAKRIDAKIS, S., WHEELWRIGHT, S.C. e HYNDMAN, R.J.
Forecasting: Methods and Applications, 3rd edition. New
York. John Willey & Sons, 1998.
SAMOHYL, R. W., Measuring the Efciency of an Informal Fo-
recasting Process. Foresight: The International Journal of
Applied Forecasting, Colchester, n3, pp.16-21, Fevereiro
2006. Verso em portugus: www.qualimetria.ufsc.br
SOUZA, G. P. Previso do consumo industrial de energia eltrica
no estado de Santa Catarina: uma aplicao da combinao
de previses. Dissertao em Engenharia de Produo da Uni-
versidade Federal de Santa Catarina. Florianpolis, 2005.
8
As teses e dissertaes mencionadas aqui esto disponveis em www.qua-
limetria.ufsc.br

2.1 Introduo Porque Previses Empresariais
So Necessrias ................................................................. 27
2.2 Medidas de Discrepncia de Previso ................................ 30
2.2.1 Discrepncia Mdia.................................................. 31
2.2.2 Discrepncia Absoluta Mdia (DAM) ..................... 34
2.2.3 Discrepncia Quadrada Mdia (DQM) .................... 36
2.2.4 Discrepncia Percentual Absoluta Mdia (DPAM) .. 37
2.3 Qualidade Total nos Mandamentos de Deming e Juran ..... 39
2.3.1 Os 14 Pontos de Deming para a Qualidade.............. 39
2.3.2 As Dez Etapas no Processo de Melhorias
Contnuas de Qualidade de Juran ............................. 43
2.3.3 Reinterpretando os Princpios de Wallace e Stahl
sobre o Processo de Previso na Empresa................ 44
2.4 Concluses ......................................................................... 54
2.5 Glossrio............................................................................. 54
2.6 Referncias ......................................................................... 56

2
Administrando Previses
O
OBJETIVO DESTE CAPTULO discursar sobre a gesto do pro-
cesso de previso empresarial. As tcnicas de previso qua-
litativas e quantitativas que sero apresentadas nos captu-
los subseqentes esto disponveis tambm no site http://www.
qualimetria.ufsc.br/.
2.1 Introduo Porque Previses Empresariais So

Necessrias
A tarefa de previso raramente elevada a um nvel operacional

como ocorre com a de vendas, produo ou marketing. Mesmo
com o consenso de que planejamento nos diferentes prazos e
horizontes depende essencialmente de uma previso, ainda exis-
tem empresas que de um lado so totalmente estruturadas for-
malmente, mas que a funo de previso ca em algum tipo de
purgatrio empresarial. Entre a luz das normas ISO e certicados

de qualidade, entre a escurido da informalidade e o ocasional

coffee-break1.
Os custos empresariais incor-
Discrepncia entre os valores pre- ridos por previses pouco precisas
vistos e os verificados no merca-
podem ser pesados. Discrepncias
do pode causar srios problemas
tanto para os clientes, como para entre os valores previstos e os veri-
os acionistas, problemas como a cados no mercado podem causar s-
falta de capacidade instalada ou rios problemas, tanto para os clientes
mesmo o excesso, no caso de su-
perdimensionamento decorrente
como para os acionistas. Problemas
de previses errneas. com a falta de capacidade instalada
ou, at mesmo, com o seu excesso,
no caso de superdimensionamento decorrente de previses errne-
as. Conseqentemente, os custos de produo acompanham as fa-
lhas nas previses, e o desenvolvimento da empresa dicultado.
Assim, o grande motivador de um projeto de previso a econo-
mia que ocorrer quando a venda e a produo equilibrarem-se no
mesmo patamar, como conseqncia das previses mais exatas.
Tem sido muito divulgado na imprensa destinada ao pblico
empresarial, o sucesso nanceiro da aplicao de metodologias
de previso em grandes e renomadas empresas, tanto nacionais
como multinacionais. Porm, importante ressaltar que tcnicas
de previso tambm vm sendo utilizadas em larga escala tam-
bm em empresas de mdio e pequeno porte.
As empresas bem sucedidas apresentam uma fase inicial de
crescimento desencadeada pela viso do empresrio, somada ao
seu esforo prprio e dos seus colaboradores. inevitvel que o
prprio crescimento crie burocracias inecientes, procedimentos
complicados e desnecessrios, tempo perdido e atividades sem
criao de valor. No entanto, durante a implantao de qualquer
processo novo na empresa, fundamental atentar para que a sua
1
Na seo 2.3 deste captulo, vamos apresentar um uxograma do processo
de previso em certa empresa. Um exemplo simplicado, porm atual.

Administrando Previses 29
cultura seja respeitada. Por sinal, uma abordagem de implantao

de uma funo de previso na empresa tem que ser exvel, sem-
pre buscando se adequar s necessidades e cultura empresarial.
O fato que os modelos e pro-
cedimentos de previso atualmente A discrepncia uma medida da
adotados pelas empresas brasileiras qualidade do processo de previ-
so, e, portanto, a qualidade s
no atendem as reais necessidades
vai melhorar frente melhoria da
do mercado. Parece uma contradi- previso.
o. De um lado a necessidade de
mudar para algo melhor gritante, mas, por outro lado, a presena
de uma inrcia cultural inibe o movimento em direo s melho-
rias. Na verdade essa contradio realmente existe e generali-
zada em todas as empresas, com uma presena mais ou menos
intensa. Por tanto, so as empresas que conseguirem super-la que
sero as mais bem sucedidas. O destino das demais empresas ser
algum lugar prximo ao oblvio2.
Nesse captulo, no vamos nos afastar totalmente dos con-
ceitos puramente quantitativos sobre as discrepncias de previ-
so. Embora como denir a discrepncia um problema do con-
texto da empresa, e a verdade que uma denio no serve para
todas, algumas denies tm apelo mais universal. necessrio
discutir a discrepncia em termos mais rigorosos, porque para
comparar uma tcnica de previso com outra, ou uma empresa
com outra, um ponto de referncia tem que ser utilizado. Esse
ponto de referencia a discrepncia da previso em termos quan-
titativos.3 Em geral, para a maior parte da discusso, suciente-
mente claro denir a discrepncia de previso como a diferena
entre o valor previsto e o valor que foi realmente observado no
2
Na mitologia grega, o lugar pra onde vai tudo que foi esquecido.
3
Veja a url: http://www.forecastingprinciples.com/benchmarkerrors.html
#Sales%20forecasting. Aqui possvel encontrar benchmarks para vrias
indstrias no tocante preciso das previses de vendas.

mercado. Uma discrepncia relativamente grande signica que a

previso no se aproximou da realidade, e a empresa sofreu com
isso. No conseguindo alcanar as expectativas dos clientes ou
cando com mercadoria encalhada nas prateleiras. Conseqen-
temente, a discrepncia de previso deve ser relativamente pe-
quena e, no decorrer do tempo, se a empresa aprender com os
prprios erros, a discrepncia deve diminuir.
2.2 Medidas de Discrepncia de Previso
As medidas de erros de previso so bastante teis, no sentido

de melhoria continuada do processo de previso. Visto que as
discrepncias estaro sempre presentes, a identicao e investi-
gao desta impreciso pode, em muitos casos, levar ao melhora-
mento dos resultados futuros. A discrepncia pode ser determina-
da como a diferena entre o valor previsto e o valor observado.
Discrepncia de previso = valor previsto valor observado
A realizao de uma subestimao pode ser armada se, de

fato, o valor previsto for menor do que o observado. Isto signi-
ca que a discrepncia de previso possuir um sinal negativo.
Contrariamente, a superestimao caracterizada por um valor
previsto maior que o observado.
Na seo seguinte, sero apresentados alguns dos mais
utilizados ndices que medem a discrepncia de previso e que
podem auxiliar na escolha entre as
A discrepncia mdia (DM) a
medida mais simples e tambm a diferentes tcnicas. No nal, ser
mais frgil para se avaliar o ajus- utilizada a tcnica que produzir as
te de um determinado mtodo menores discrepncias. Se os da-
realidade observada.
dos analisados forem mensais, por

exemplo, obtm-se durante o ano doze discrepncias e procura

se uma nica mtrica que resuma os doze nmeros em um nico.
Esse nico nmero dever servir como o ndice de qualidade da
funo de previso da empresa.
Inicia-se a apresentao destas medidas e de sua forma de
clculo pelo ndice mais simples, a chamada discrepncia m-
dia (DM), passando, a seguir, pela discrepncia absoluta mdia
(DAM), pela discrepncia quadrada mdia (DQM) e, nalmente,
pela discrepncia percentual absoluta mdia (DPAM), que a
medida mais popular entre administradores e engenheiros. No
prximo captulo, que abordar o primeiro mtodo para reali-
zao de previses, chamado decomposio clssica, ser apre-
sentada tambm a medida U de Theil. Trata-se de uma medida
relativa das discrepncias. Relativa no sentido que compara as
discrepncias do mtodo sob anlise (que no contexto desse livro
a decomposio clssica ou a suavizao exponencial) com um
mtodo extremamente ingnuo.
incrvel ver como s vezes o mtodo ingnuo, que no
exige quase nenhum esforo para ser aplicado, produz resultados
muitas vezes melhores que o de comits executivos de alto nvel,
alto custo e com metodologias complexas. 4
2.2.1 DISCREPNCIA MDIA

A discrepncia media (DM) a medida mais simples e tambm
a mais frgil para se avaliar o ajuste de um determinado mtodo
realidade observada. Isto se justica pelo fato do clculo da
discrepncia mdia assumir um valor prximo zero, devido
questo das discrepncias possurem valores positivos e negati-
vos que, quando somados, acabam se cancelando. justamente
por isso que no se mostra to ecaz na escolha de um mtodo
4
Veja Samohyl, 2005.

em relao ao outro. Imagine, por exemplo, um mtodo que apre-

sente grandes discrepncias, ora positivas, ora negativas, mas
que sua mdia seja perto de zero. O clculo da sua DM poderia
facilmente levar o pesquisador a escolher este mtodo e no ou-
tro que, apesar de apresentar uma mdia levemente maior, apre-
sentasse discrepncias individuais signicativamente menores e,
portanto, melhores.
O clculo da DM, como a de
qualquer outra medida de discre-
Sem o acompanhamento ade-
quado das previses e sem o cl- pncia aqui abordada, se d a partir
culo da mdia das discrepncias, de uma srie histrica. A frmula
certamente o vis nas previses
de clculo (2.1), como segue, bas-
no chamar ateno aos toma-
dores de deciso da empresa a tante simples, signicando apenas a
tempo para equilibrar a produo mdia dos erros que se quer mensu-
e evitar o acmulo no planejado rar, onde et signica a diferena en-
de estoques excessivos.
tre o valor previsto Pt e o observado
Ot, respectivamente.
1 n 1 n
DM = t n
n t=1
e =
t=1
(Pt O t ) 0 (2.1)
Por outro lado, DM muito til como medida de vis. Nos

ltimos doze meses, uma empresa vem sistematicamente superes-
timando as vendas. As previses so sempre maiores do que os
valores posteriormente observados, em funo de um departamen-
to de vendas entusiasmado demais com as possibilidades de um
novo produto. Ms aps ms, o produto acumula-se no depsito da
fbrica sem ser notado por ningum, com a exceo de Odorico, o
encarregado da organizao das prateleiras. Sem um acompanha-
mento adequado das previses e sem o clculo da mdia das dis-
crepncias, certamente o vis nas previses no chamar ateno
dos tomadores de deciso da empresa a tempo de equilibrar a pro-
duo e evitar o acmulo excessivo de estoques no planejado.

Outra considerao importante a se fazer sobre a DM

que, se houver diferena em relao super e subestimao
em termos de custos, comum a utilizao de um vis (po-
sitivo ou negativo) nas previses como medida estratgica. O
vis positivo, que acaba superestimando a demanda, adotado
em situaes que se queira demonstrar otimismo, por exemplo,
ao mercado, aos investidores, aos clientes ou aos acionistas,
e o negativo subestima a demanda em situaes nas quais o
pessimismo representa cautela, ou mesmo uma medida de se-
gurana.
Como forma de ilustrar esta medida de discrepncia de pre-
viso e outras medidas que sero desenvolvidas ao longo do ca-
ptulo apresentada na Tabela 2.1 uma srie de discrepncias de
previses mensais.
Tabela 2.1. Planilha de discrepncias mensais de previso

de uma mercadoria um passo para frente, em unidades.
Ms horizonte
mar
ago
mai
nov
dez
abr
out
jan
fev
jun
set
jul
da previso
Ms feito a
previso
dez 10
jan 21
fev 32
mar 10
abr 0
maio 5
jun 6
jul 60
ago 13
set 11
out -21
nov 0
DM = 12,25
DAM = 15,75
DQM = 504,75
RQDQM = 22,5

A tabela mostra uma maneira inteligente para relatar as dis-

crepncias ms a ms. Na primeira coluna h o ms da confeco
da previso. Na linha, o ms do horizonte do perodo da previso.
Por exemplo, segundo a tabela, uma previso foi feita em de-
zembro (linha dez) prevendo valores que sero observados em
janeiro (coluna jan), e a discrepncia foi de dez unidades, ou
seja, o valor previsto foi dez unidades maior que o observado.
Na tabela so mostradas discrepncias para as previses de
um ms para frente, previso feita em janeiro para fevereiro, em
fevereiro para maro, e assim por diante. Nada probe que previ-
ses sejam feitas para mais que um ms para frente e, na prtica,
as previses so feitas para um total de trs, seis ou doze meses
para frente (a cerca dos horizontes). No h nada contra a idia
que todas as previses entrem na tabela. Teoricamente, horizontes
maiores signicam discrepncias maiores, mas na prtica os resul-
tados podem ser bem diferentes. possvel que uma previso com
horizonte de seis meses para frente seja melhor do que uma previ-
so de dois meses. No ltimo captulo deste livro, h uma tabela de
previses para o CUB-SC (custo de construo em Santa Catarina)
durante os primeiros meses do ano 2006 com horizonte total de
vinte e quatro meses, e neste caso horizontes mais longnquos no
so necessariamente os menos exatos, como pode ser visto.
Na clula DM, observa-se que o valor da DM mensal du-
rante o ano de nove unidades (9 = (10 + 21 + 32 + 10 +...)/12),
e, nas discrepncias individuais, h longos trechos com vrios
meses apresentando discrepncias positivas, o que signica uma
superestimao da realidade. Superestimaes da realidade sig-
nicam produtos no vendidos. Os produtos no vendidos viram
estoque que, por sua vez, torna-se custo.
2.2.2 DISCREPNCIA ABSOLUTA MDIA (DAM)

J a discrepncia absoluta mdia (DAM) uma medida mais robus-
ta do que o erro mdio, pois trabalha com seus valores individuais

na forma absoluta (sem sinal), assim tratando um erro como se fosse

uma distncia. No nal, no deixa de ser uma medida de distncia,
medindo a diferena entre a tentativa e o alvo. A frmula de clculo
desta medida (2.1) bastante parecida com a da discrepncia m-
dia, a diferena entre elas que o somatrio dos erros individuais se
d na sua forma absoluta, sob a qual calculada a mdia.
1 n 1 n
DAM = t n
n t=1
e =
t=1
Pt - O t (2.2)
Como forma de ilustrar esta medida de erro de previso,

como no caso do erro mdio, apresentada na Tabela 2.1 o
valor da DAM (15,75 = (10 + 21 +
32 + ... + 21)/12). possvel per- J a discrepncia absoluta mdia
(DAM) uma medida mais ro-
ceber que o valor da DAM maior
busta do que o erro mdio, pois
que o da DM. Isso acorre por causa trabalha com seus valores indi-
do ultimo valor das discrepncias viduais na forma absoluta (sem
sinal), assim tratando um erro
individuais, que igual a 21, mas
como se fosse uma distncia.
como considerado sem sinal ca,
simplesmente, 21. A DAM ento
mostra a distncia na mdia entre o previsto e o observado.
Procuramos sempre DAMs menores atravs do tempo mos-
trando melhorias contnuas, com processos e mtodos de pre-
viso melhores.
A DAM uma medida da qualidade da previso. apropria-
da para analisar as previses de um nico produto. Por exemplo,
muito intuitivo dizer que foram previstas (e subsequentemente
produzidas) vendas de quinhentos escapamentos de Uno Mille,
mas observaram vendas de apenas quatrocentos, resultando em
uma discrepncia de cem unidades para o referido ms. No mes-
mo ms, tambm erraram em cem unidades as previses para es-
capamentos na Ferrari. Obviamente, uma no comparvel com
a outra. Alm de ter um custo cem vezes maior, o escapamento
da Ferrari vendido com muito menos freqncia.

2.2.3 DISCREPNCIA QUADRADA MDIA (DQM)

Outra medida bastante utilizada nos
Outra medida bastante utilizada
nos meios acadmicos a discre-
meios acadmicos a discrepncia
pncia quadrada mdia (DQM). quadrada mdia (DQM). Sua lgi-
ca segue a mesma da discrepncia
absoluta mdia (DAM), ou seja, eliminar as desvantagens pro-
venientes de se considerar o sinal da discrepncia. A diferena
entre elas que, ao invs de se trabalhar com as discrepncias
em valores absolutos, trabalha-se com o quadrado dos erros, que
outra forma de neutralizar o sinal. A frmula de clculo segue
a equao (2.3):
2
1 n 2 1 n
DQM = et = n
n t=1 t=1
(Pt - O t ) (2.3)
Diz-se que esta a medida mais utilizada entre os estatsticos,

pela facilidade proporcionada em operaes matemticas e algbri-
cas. Caracterstica que no encontrada ao se considerar os erros
em termos absolutos. claro que esta particularidade que os mate-
mticos gostam, no tem nenhum valor para ns, os praticantes.
A DQM pode ainda ser considerada uma funo de perda ou de
custo. freqentemente utilizada em estudos de engenharia, onde
erros pequenos, ainda que quadrados, no contribuem substancial-
mente para sua soma, enquanto que os erros maiores contribuem de
uma forma desproporcional, em funo de sua forma quadrada. Em
outras palavras, o custo ou penalidade sofrida aumenta rapidamente
de maneira crescente quando o resultado se distancia do alvo.
Na prtica, a DQM penaliza os mtodos de previso que
possuem alguns poucos erros grandes, enquanto d preferncia
queles em que as discrepncias so pequenas. Na tabela 2.1, o
valor de DQM 504,75 (= (102 + 212 + 322 + 102 + ...)/12). O
tamanho desse valor grande e exagerado se comparado com
as outras mdias. Este problema parcialmente resolvido calcu-

lando-se a raiz quadrada da DQM e assim tornando as unidades

mais comparveis s outras mdias, na medida em que a raiz
quadrada da DQM , a RQDQM, igual a 22,5.
Normalmente esperada certa semelhana entre a DAM e
a RQDQM, mas neste caso h um fator complicador que uma
grande discrepncia igual a 60 na previso feita em julho, pre-
vendo valores para agosto. Este valor quadrado 3600, extre-
mamente diferente dos outros valores quadrados, o que perturba
qualquer tentativa de comparao. Como regra, sugere-se sem-
pre comparar somente medidas de discrepncia idnticas para o
mesmo produto, ou seja, DAM com DAM ou DQM com DQM,
mas nunca DQM com DAM.
2.2.4 DISCREPNCIA PERCENTUAL ABSOLUTA MDIA (DPAM)

A ltima das medidas de erro de previso apresentadas a discre-
pncia percentual absoluta mdia, que tambm segue a linha dos
critrios que neutralizam o sinal dos
valores individuais. Nos clculos A ltima das medidas de erro de
das engenharias e administraes, previso apresentadas a discre-
este o critrio mais utilizado de- pncia percentual absoluta m-
dia, que tambm segue a linha
vido a sua fcil interpretao intui-
dos critrios que neutralizam o
tiva, pois atravs de seu uso o pes- sinal dos valores individuais. Nas
quisador sabe quanto est errando engenharias e administrao,
em termos percentuais. Sua forma este o critrio mais utilizado,
devido a sua fcil interpretao
de clculo segue as equaes (2.4) intuitiva, pois atravs de seu uso
ou (2.5). O smbolo Ot o valor ob- a pesquisadora sabe quanto est
servado no tempo t e Pt do previsto errando em termos percentuais.
para o mesmo perodo, sendo que a

mdia calculada pelo somatrio da razo entre esta diferena e
o valor observado, tudo em termos absolutos.
As comparaes so apropriadas entre produtos ou tcnicas
diferentes. Portanto, utilizada como critrio para escolha das tc-

nicas de previso mais adequadas para o caso em estudo, em geral

os melhores processos de previso dentro e entre as empresas.
1 n Pt - O t
DPAM =
n t = 1 Ot
(2.4)
1 n et
DPAM =
n t = 1 Ot
(2.5)
Trata-se, porm, de uma medida que tambm apresenta fa-

lhas. Por exemplo, para demandas intermitentes, ou seja, quando
os valores observados so iguais a zero, como o caso de quando
no for vendida nenhuma Ferrari no ms, a DPAM sobe para o va-
lor innito, independentemente do valor da previso (dividir por
zero no funciona). Como no faz sentido dizer que a discrepn-
cia foi innita, outras medidas mais sosticadas vo ter que ser
desenvolvidas e utilizadas nestes casos. Nas referncias bibliogr-
cas no nal do captulo, veja o artigo de Robert Hyndman.
A Tabela 2.2 traz um resumo das discrepncias de previso
apresentadas neste captulo, na qual seus pontos fracos e fortes
tambm so expostos.
Tabela 2.2 As principais discrepncias de previso

Medida Sigla Equao Pontos fracos Pontos fortes
n n
Discrepncia
mdia
DM DM=
1
n e = n1 (P O ) 0
t=1
t
t=1
t t Soma=0 Mede vis
Discrepncia n n
absoluta
mdia
DAM DAM =
1
n
t=1
et =
1
n P -O
t=1
t t
Incomparvel
entre produtos
Intuitivo
2
Discrepncia n n Fcil
quadrada
mdia
DQM DQM =
1
n
t=1
e 2t =
1
n (Pt - Ot )
t=1
Incomparvel
entre produtos
manipulao
matemtica
Discrepncia n Comparvel

percentual 1 Pt - O t Sem denio
DPAM DPAM = entre produtos
absoluta n Ot para Ot = 0
t=1 e tcnicas
mdia

2.3 Qualidade Total nos Mandamentos de Deming e

Juran
Um dos movimentos mais importantes das ltimas dcadas na
indstria mundial foi o de qualidade ou qualidade total (ou a ver-
tente mais moderna chamada Seis Sigma5). As grandes con-
tribuies de Juran e Deming nesta rea so indiscutveis e fa-
cilmente podem ser aplicadas a quaisquer processos industriais,
inclusive os processos de previso.
A partir do momento em que os processos de previso tm
uma mtrica clara e razoavelmente fcil de clculo para medir a
qualidade, a discrepncia de previso, lgico e coerente concluir
que unir estas duas reas em um nico pensamento traga diversos
benefcios. Vamos agora ver os conceitos mais importantes sobre
qualidade desenvolvidos por estes dois grandes pesquisadores e
analisar como a qualidade pode ajudar os empresrios na implanta-
o de um processo de previso em diferentes situaes prticas.
Deming considerado quase como um lsofo da rea de
qualidade. conhecido por desenvolver os 14 pontos que levam
as empresas a atingir nveis cada vez mais altos de qualidade.
Na prxima seo, interpretamos estes 14 pontos em relao ao
processo empresarial de previso.
2.3.1 OS 14 PONTOS DE DEMING PARA A QUALIDADE

1. Criar tenacidade constante de inteno para melhorar o pro-
duto e o servio. O processo de previso no pode nunca ser es-
quecido no dia-a-dia da empresa. Para car sempre na frente da
conscincia da empresa, algum ou algum grupo de funcionrios
deve ser formalmente encarregado da montagem das previses.
5
H um grande debate tanto acadmico, quanto prtico, sobre se os concei-
tos de Seis Sigma realmente so ou no diferentes da rea de qualidade
mais tradicional de Deming e Juran. Colocamos algumas referncias neste
sentido no nal do captulo para o leitor interessado.

2. Acabar com a dependncia da inspeo por 100% para

conseguir qualidade. Aplicada rea de previso isso signica
que no so todos os produtos e servios da empresa que obri-
gam a montagem de previses. No precisa tentar prever tudo,
da mesma maneira que a empresa no precisa fazer inspeo de
100% da sua produo para garantir qualidade. Produtos consi-
derados carros-chefe da empresa e grandes famlias de produ-
tos devem sofrer o crivo de uma previso meticulosa e bem feita,
mas as previses de produtos individuais (SKU Stock Kee-
ping Units) podem ser feitas por percentagem da famlia ou por
decises tomadas em reunies executivas. A lio aqui prever o
mnimo necessrio, mas fazer isso muito bem feito.
3. Cessar a prtica de fechar contratos nica e absoluta-
mente baseados no preo de compra do produto. Custo baixo
importante, mas mais importante ainda o resultado nal. Se a
empresa deixa de comprar materiais e servios com boa quali-
dade e os substitui por insumos baratos com pouca qualidade, o
resultado pode ser desastroso. Gastar para melhorar as previses
no dinheiro desperdiado porque certamente h um retorno
maior: clientes mais satisfeitos, estoques menores, todos os pro-
cessos da fbrica mais estveis, entre outros.
4. Melhorar continuamente o sistema de produo e servi-
os para melhorar a qualidade e produtividade e, dessa forma,
reduzir constantemente os custos. Previses e suas discrepncias
devem ser analisadas regularmente, como meio de aprendiza-
gem, especialmente as discrepncias maiores. Tendo disciplina e
rotina, inevitvel que as previses iro melhorar com o tempo,
embora um choque surpresa possa ocorrer sem aviso.
5. Instituir treinamento. o mesmo raciocnio do ponto trs.
Existe custo tanto em termos nanceiros quanto de tempo inves-
tido, mas os retornos em geral so mais que compensatrios.
6. Estabelecer e incentivar liderana. O objetivo da chea
na funo de previso seguir prticas que melhorem o proces-

so, ajudando as pessoas a sentir satisfao, fazendo um trabalho

melhor e mais produtivo.
7. Eliminar o medo para que todos trabalhem de forma
mais ecaz para a organizao. Deixar espao para o funcionrio
opinar sobre o processo de previso, a metodologia utilizada, o
software empregado, entre outros, alm de incentivar a crtica
construtiva. Deve ser universalmente conhecido o medo do fun-
cionrio ser pego errando na sua funo, o que inibe a sua parti-
cipao no processo de previso. Crticas devem ser aceitas com
certa anonimidade como, por exemplo, no mtodo Delphi. Veja
as referencias de Armstrong no nal do captulo.
8. Baixar as barreiras entre setores. As pessoas das reas de
pesquisa, projetos, vendas, produo e previso devem trabalhar
todos juntos e com cordialidade como uma nica equipe, para
prevenir problemas de m comunicao, para equilibrar a produ-
o com o mercado, tanto qualitativa quanto quantitativamente.
9. Eliminar slogans, exortaes e metas para a fora de tra-
balho, e exigncias como a de zero defeitos. Dentro do proces-
so de produo (e previso) a mo-de-obra apenas um aspecto
entre vrios que causam a m qualidade. A maioria das causas
de baixa qualidade inerente ao sistema como um todo, cando
fora do controle dos trabalhadores. Slogans no vo mudar isso.
Cotas de trabalho e gerenciamento por metas numricas devem
ser substitudos pela liderana da chea. Em outras palavras o
processo com todos os seus componentes que deve ser julgado e
no unicamente as pessoas envolvidas no processo.
10. Eliminar barreiras como competies e a utilizao
exagerada de premiaes individuais, que tira dos demais tra-
balhadores o direito de se orgulharem de seu trabalho. A pessoa
deve sempre se sentir parte do grupo e deve ser enfatizada a sua
contribuio ao grupo. Nesse caso, o orgulho vem da satisfao
da contribuio ao grupo. Competies que premiam indivduos
pelas suas boas previses devem ser evitadas.

11. Remover barreiras como aquelas apontadas no ponto

dez, que envolvem os engenheiros e os altos gerentes.
12. Instituir um programa vigoroso de educao e desenvol-
vimento pessoal.
13. Colocar toda a empresa trabalhando no sentido de rea-
lizar a transformao: de uma empresa com processos informais
para uma empresa com processos formais e estruturados, especi-
camente na rea de previso.
14. Adotar esta nova losoa. A administrao precisa des-
pertar para o desao, precisa aprender suas responsabilidades e
assumir a liderana da mudana.
Os 14 Pontos do Deming:
1. Criar tenacidade constante de inteno para melhorar o produto e o servio.

2. Acabar com a dependncia na inspeo para conseguir qualidade.
3. Cessar a prtica de fechar contratos com base absoluta e nica no preo de
compra do produto.
4. Melhorar continuamente o sistema de produo e servios para melhorar a
qualidade e produtividade, e, dessa forma, reduzir constantemente os custos.
5. Instituir treinamento.
6. Estabelecer e incentivar liderana.
7. Eliminar o medo para que todos trabalhem de forma mais ecaz para a organi-
zao.
8. Baixar as barreiras entre setores.
9. Eliminar slogans, exortaes e metas para a fora de trabalho, exigncias de
zero defeito.
10. Eliminar barreiras como competies e a utilizao exagerada de premiaes
individuais que tira dos demais trabalhadores o direito de se orgulharem de seu
trabalho.
11. Remover barreiras do tipo apontado no ponto dez que envolvem os engenhei-
ros e os altos gerentes.
12. Instituir um programa vigoroso de educao e desenvolvimento pessoal.
13. Colocar toda a empresa trabalhando no sentido de realizar a transformao
de uma empresa com processos informais para uma com processos formais e
estruturados.
14. Adotar esta nova losoa.

2.3.2 AS DEZ ETAPAS NO PROCESSO DE MELHORIAS CONTNUAS DE

QUALIDADE DE JURAN
Juran, considerado como engenheiro ou estrategista de qualida-
de, em seus 10 passos para melhorar a qualidade enfatiza o lado
das metas quantitativas, que pela prpria natureza so mais claras
e, assim, mais fceis de seguir. Nesse caso, Juran diferente de
Deming, que foi quem sempre enfatizou o trabalho em grupo e a
liderana da chea. Os dez passos segundo Juran, interpretados
para o processo de previso, so os seguintes:
1. Desenvolver entre os funcionrios a conscincia das ne-
cessidades e oportunidades para melhorar as previses e diminuir
as discrepncias.
2. Fixar metas claras e acessveis para melhorar as previ-
ses. Por exemplo, a meta pode ser que a discrepncia deve di-
minuir cada ms e, se no diminuir, deve-se analisar melhor o
mercado.
3. Organizar o processo de previso para alcanar as metas.
4. Promover treinamento srio que viabilize melhorias no
processo de previso.
5. Montar e executar projetos para melhorar as previses.
6. Relatar progressos.
7. Reconhecer trabalhos bem feitos.
8. Sempre comunicar todos os resultados, sendo positivos
ou negativos.
9. Anunciar qual funcionrio ou equipe est ganhando, e
quem est perdendo na competio das melhores previses.
10. Manter a importncia do programa de melhorias nos
processos de previso, enfatizando relatrios anuais para com-
parao e anlise.

As 10 Etapas no Processo de Melhorias Contnuas de

Qualidade do Juran:
1. Desenvolver entre os funcionrios conscincia para melhorar.
2. Fixar metas claras.
3. Organizar o processo.
4. Promover treinamento.
5. Montar e executar projetos para melhorar.
6. Relatar progresso.
7. Reconhecer o trabalho bem feito.
8. Comunicar todos os resultados.
9. Anunciar qual funcionrio ou equipe est ganhando.
10. Manter a importncia do programa de melhorias.
No nal, toda empresa diferente e a sua prpria cultura deve

ditar como ela deve agir para implantar o processo formal de
previso. Ela pode migrar para uma gesto que se caracterize por
metas qualitativas para grupos de trabalho, enfatizando a lide-
rana das cheas; ou para a quanticao de metas individuais,
cobranas e prmios para os funcionrios e equipes envolvidas
nestes processos. Deming prioriza o trabalho coletivo e a capa-
cidade do chefe de encorajar esse trabalho. Juran pensa mais no
indivduo, em incentivos e prmios, e, se for o caso, penalidades
para o trabalho malfeito.
2.3.3 REINTERPRETANDO OS PRINCPIOS DE WALLACE E STAHL

SOBRE O PROCESSO DE PREVISO NA EMPRESA6
Nos princpios de Wallace e Stahl, aqui reinterpretados, questes

especcas sobre a funo de previso na empresa so abordadas.
A cada princpio relatado, sero associadas algumas perguntas re-
6
Os comentrios aqui so interpretaes dos princpios originais do Walla-
ce e Stahl. Veja o quadro no nal desta seo. Os princpios so reinterpre-
tados sob a luz da experincia em empresas brasileiras.

levantes no contexto empresarial com o intuito de desvendar exa-

tamente onde a empresa pode melhorar sua funo de previso.
1. A previso necessria porque o futuro incerto. Sem-
pre tente diminuir a incerteza do futuro. Quando a durao do
ciclo de produo sucientemente curta, menor que o prazo de
entrega, a empresa se encontra na invejvel situao de produzir
por pedido. Nesse caso, a funo de previso menos necessria
para o plano mestre de produo. A funo de previso torna-se
apenas relevante para equilibrar as alteraes na capacidade pro-
dutiva de mdio e longo prazo.
Questo: A sua empresa obrigada a fabricar para estoques, ou

por pedido?
Projeto: Contratos devem ser feitos para prazos mais longos. A

prtica moderna de fornecedores e clientes compartilharem in-
formaes e bancos de dados sobre os respectivos mercados
comum hoje entre empresas da mesma cadeia produtiva e pro-
porciona menores riscos comerciais.
2. Toda empresa faz previses, com estrutura formal ou no,

com exatido boa ou ruim.
Questo: Na sua empresa, quem faz as previses? Uma pergunta

mais geral seria: como hoje o processo de previso na sua empre-
sa? Quais so os insumos utilizados e os funcionrios envolvidos,
os nomes e o cargo deles. Quais so as atividades desenvolvidas?
O produto do processo de previso ca em formato de uma comu-
nicao oral, um grco, ou um relatrio? Depois da sua utiliza-
o, o resultado armazenado onde? reutilizado no futuro?
Projeto: Mapear em uxograma o processo de previso na sua

empresa. Na gura 2.1 veja o uxograma de um processo for-
mal/informal de previso. Nota-se que o uxograma espelha a

confuso existente em muitas empresas inerente a uma funo de

previso desvalorizada e sem disciplina e estrutura.
FIGURA 2.1 Fluxograma simplificado do processo de previso.
No canto noroeste do uxograma, h uma questo que desen-

cadeia todo o processo. Haver a reunio formal dos diretores da
empresa para chegar ao valor previsto de vendas para o prximo
perodo? A experincia mostra que esta reunio geralmente no
ocorre por varias razes, viagens dos diretores, falta de tempo,
baixa prioridade da reunio, entre outras. As reunies informais

so dos altos gerentes ou dos subordinados. Ocorrem no corredor

ou com o pessoal na copa tomando caf. Os resultados das reu-
nies formais ou informais vo at sala do vice-presidente e l
so aceitos ou no, e, portanto, modicados ou no. Finalmente os
relatrios nais vo at o chefe da linha de produo para denir
o que e quanto ser produzido no prximo perodo.
Muitas vezes, o vice-presidente se afasta do processo em
funo de viagem ou falta de tempo, e os subordinados acabam
sendo os tomadores das decises sobre as previses. Por falta de
unanimidade e falta de comunicao, os subordinados no neces-
sariamente conseguem concordar quanto ao valor da previso, e
o chefe da linha de produo toma a deciso de produzir exata-
mente a quantidade que foi produzida no perodo passado. Entre
outros, o processo tem dois grandes problemas. Primeiro, o ca-
minho da deciso cheio de bifurcaes. Cada caixa em formato
de diamante na gura acima um ponto de tomada importante
de deciso. Vai haver a reunio formal ou informal, ou vamos
empurrar a deciso para o chefe da linha de produo? Seria me-
lhor denir uma comisso xa, ou talvez uma nica pessoa, para
assumir a responsabilidade da previso, e regularmente um co-
mit executivo poderia revisar e julgar o processo e a unidade
responsvel. A regra que bifurcaes custam caro em tempo e
recursos, portanto, o nmero delas tem que ser mnimo possvel.
Em segundo lugar, sem um processo normalizado, com reu-
nies exveis demais e responsabilidades no desenhadas, as pre-
vises obrigatoriamente sero pssimas e conseqentemente os re-
sultados nanceiros tambm. No uxograma, o caminho dos sim,
ressaltado em negrito, so os procedimentos administrativos nas
empresas que respeitam a importncia da funo de previso e tem a
disciplina necessria para constantemente melhorar este processo.
3. Processos enxutos e bem-denidos resultam em resulta-
dos nanceiros maiores. Melhores processos de previso trazem
resultados melhores.

Questo: Como j foi colocado no princpio dois, processos em-

presariais tm em geral bifurcaes em excesso, atividades infor-
mais no denidas claramente, duplicaes, e tempo perdido em
atividades desnecessrias. Todas essas falhas resultam em perdas
nanceiras e limitam a potencialidade da empresa.
Projeto: Mapear seu processo de previso e propor um processo

melhor que leva em conta as seguintes dvidas.
Questo: Do lado operacional, quantas vezes por ano necess-

rio ativar o ciclo do processo de previso? O ciclo de previso
ocorre quatro vezes por ano (trimestralmente), doze vezes por
ano (mensalmente), cinqenta e duas vezes por ano (semanal-
mente) ou trezentas e sessenta e cinco vezes por ano? Embora
dependa muito do setor, hoje em dia comum no Brasil se rever
as previses e o setup da linha de produo semanalmente. Isto
ocorre em funo do prprio tempo de setup ou ciclo de produ-
o, que em muitos casos de uma semana. Dada a situao que,
de segunda a sexta a linha sofre modicaes para a produo de
produtos diferentes, a previso tem que ser montada na semana
anterior e com dados disponveis da semana retrasada.
Questo: Outra denio operacional o horizonte da previso. Se

o ciclo da previso de uma semana, a fronteira de seu horizonte
ca em quantas semanas no futuro, quatro, cinqenta e duas ou
cento e quatro? Para previses com horizontes mais longnquos
(por exemplo, um ano no futuro) prudente que o perodo da
previso seja maior (por exemplo, trimestral).
4. Nada melhor do que um bom e bem denido sistema de

informao dentro da empresa. O uxo de informao deve ser
livre, exvel e o mais aberto possvel, dependendo da cultura e
histria da empresa. A circulao das informaes geradas pelo

processo de previso deve fazer parte do sistema de informao

gerencial da empresa.
Questo: Existe um sistema de informao na sua empresa?
Projeto: Mapear o uxo de todas as informaes que circulam

pela empresa.
5. Agora, generalizando o princpio quatro, todos os processos da

empresa devem estar em sintonia entre si.
Questo: Existe esta sintonia na sua empresa?
Projeto: Mapear todos os processos relevantes dentro da empresa.
6. Segundo Wallace e Stahl, deve existir apenas uma pessoa

ou um setor da empresa encarregada da tarefa de previso. Alis,
o pessoal da rea de vendas e marketing devem ser os donos
das previses. Eles devem ser os funcionrios responsveis pelo
seu desenvolvimento, atualizao e execuo. A pessoa ou setor
que autoriza o valor da previso deve ter esta responsabilidade
bem denida entre suas atribuies. A opinio expressada neste
livro diferente. Se a cultura da empresa permitir, uma comisso
com membros de vrios setores da empresa deve ser montada
aproveitando os diversos pontos de vista.
Questo: Quantas pessoas ou setores fazem previses na sua em-

presa? H algum tipo de coordenao entre eles?
Projeto: Propor como poderia ser disposta uma maior coordena-

o entre os vrios setores que fazem previses na sua empresa,
explicitando os meios de comunicao como reunies ou e-mails,
e quais cargos seriam integrados ou mesmo criados para trocar
idias e produzir as previses.

Questo: Cada rea de uma empresa tem um vis quando a previ-

so calculada. Por natureza da personalidade das pessoas envol-
vidas em vendas, elas tendem a ser mais otimistas; enquanto que
o pessoal da rea de produo tem absoluto horror de estoques
sobrando e de prateleiras cheias de produto sem mercado. Qual
a situao na sua empresa? Qual setor teria o menor vis?
Projeto: Comece a montar uma planilha com as previses de v-

rios setores da sua empresa e fazer as comparaes ms a ms.
Qual setor o melhor previsor?
7. Mea a qualidade da previso pela sua discrepncia, a diferen-

a entre o valor previsto e o valor observado.
Questo: Existe algum na sua empresa preocupado com discre-

pncias de previso? So poucas as empresas que gastam tempo
olhando e analisando seu prprio passado. A riqueza de conheci-
mento embutida nas discrepncias passadas inimaginvel. No
primeiro captulo, j oferecemos algumas idias sobre por que as
empresas tm tanta antipatia no tocante s discrepncias.
Projeto: Se no houver ningum na sua empresa que se responsa-

biliza pelas previses, sugere quem seria o escolhido, nominal-
mente ou por cargo ou setor.
8. A discrepncia acumulada no decorrer do tempo deve

se aproximar de zero, com as discrepncias positivas cancelan-
do as negativas, mostrando que no h vis nas previses. Se
ocorrer algum vis, este valor deve ser incorporado nas prximas
previses. Neste captulo, temos enfatizado a utilizao da dis-
crepncia mdia para os mesmos propsitos. Como comentado
anteriormente (veja seo 2.2.1), a mdia das discrepncias deve
ca em torno de zero.

Questo: Na sua empresa h uma preocupao com o vis de pre-

viso? Veja o trabalho de Souza no captulo 5, citado nas refern-
cias bibliogrcas.
9. Quando as previses so mais exatas, os clientes cam

mais satisfeitos, os estoques diminuem, as operaes na fbrica
cam mais estveis e sem alteraes bruscas no plano mestre de
produo. Com tempo e recursos economizados, a empresa pode
se concentrar em estratgias de mdio e longo prazo.
Questo: Em alguma seo da sua empresa, existem cargos ou

pessoas que tm esta viso da funo de previso? Esta viso
incorporada nos processos da empresa de uma maneira formal?
Projeto: Esta viso da funo de previso tem que ser conquistada

dentro da empresa. Pensando politicamente, como pode ocorrer
esta conquista na sua empresa?
10. Faa o menor nmero de previses possveis, de gru-

pos ou famlias de produtos agregados. A previso da venda do
item produzido (SKU stock keeping unit) deve ser calculada
posteriormente como proporo histrica das vendas dos ltimos
meses. E, nalmente, faam as previses da melhor maneira pos-
svel, levando em conta tanto as tendncias e sazonalidades no
passado como as condies do mercado no futuro.
Questo: Qual a pessoa ou setor da sua empresa mais ligado ao

mercado e que mais o conhece? Cenrios e variveis que afetam
o mercado so avaliados? As avaliaes so escritas e tornam-se
documentos para referncias e apoio futuros?
Projeto: Montar uma relao de variveis econmicas que afetem

seus negcios como, taxas de juros, PIB, inao, valor do cmbio,

entre outros. Tente averiguar o efeito em termos quantitativos: por

exemplo, se a taxa de cmbio diminuir em 1%, minhas exportaes
podem subir em quantos por cento nos prximos trs meses?
Questo: Existem empresas que produzem milhares de itens.

Quantos itens sua empresa produz?
Projeto: Relacionar em diagrama ou em planilha os SKUs da sua

empresa, em seguida tentar uma primeira agregao, depois mais
uma agregao, mais outra e mais outra; enm, vrias outras
agregaes at chegar s grandes famlias de produtos e nal-
mente ao faturamento ou unidades totais vendidas pela empresa.
Para o leitor interessado, colocamos embaixo os doze prin-

cpios originais do Wallace e Stahl.
Os 12 Princpios Originais de Wallace e Stahl

1. Toda empresa faz previses, com estrutura formal ou no, com exatido boa ou
ruim.
2. Quando as previses so mais exatas, os clientes so mais satisfeitos.
3. O pessoal da rea de vendas e marketing deve ser o dono das previses.
4. As previses devem levar em conta tanto as tendncias e sazonalidades do
passado como tambm as condies do mercado no futuro.
5. Processos enxutos e bem-denidos resultam em resultados nanceiros maiores.
6. Mea a qualidade da previso pela sua discrepncia.
7. A discrepncia acumulada no decorrer do tempo deve se aproximar de zero.
8. Faa o menor nmero de previses possveis, de grupos ou famlias de produ-
tos agregados.
9. Deve existir apenas uma pessoa ou um setor da empresa encarregada da tare-
fa de previso.
10. A previso necessria porque o futuro incerto.
11. Nada melhor do que um bom e bem denido sistema de informao dentro da
empresa.
12. Todos os processos da empresa devem estar em sintonia entre si.
Agora organizando as sugestes dos pesquisadores Juran e

Deming, e Wallace e Stahl ao redor dos cinco W (who quem,

what o que, when quando, where onde, why por que) e um

H (how como). Veja a tabela 2.3.
Comparando Deming e Juran, as maiores diferenas esto nos
conceitos de colaborao e competitividade e na apreciao das
metodologias quantitativas e qualitativas. Talvez, em funo da sua
vasta experincia no Japo na primeira dcada depois da Segun-
da Guerra, Deming enfatizou sempre os benefcios do trabalho em
equipe e da liderana, achando desnecessria a adoo de metodo-
logias muito quantitativas. Juran, por sua vez, deu apoio s peque-
nas competies dentro da empresa, premiando o bom trabalho e
penalizando resultados inferiores. Devido a este fator, a tendncia
dele de buscar e trabalhar com tcnicas mais quantitativas.
Tabela 2.3 Comparando as Abordagens de Deming,

Juran, e Wallace e Stahl.
Deming Juran Wallace e Stahl
Quem exatamente no Equipes ou funcion- Setor de vendas e ma-
importante, mas o rios bem treinados e rketing. Um funcionrio
who quem cargo bem denido e competitivos. Prmios ou uma equipe.
integrado. Todo mundo e penalidades.
participa. Treinamento.
Nvel de agregao Agregados, mas no Agregados com tcni-

alta. muito. cas melhores e SKU
what o que
com percentagens his-
tricas.
Dia da semana ou igual igual
ms, continuamente.
when quando Alguns meses no fu-
turo. Monitoramento
constante.
where onde Veja who. Veja who. Veja who.
Melhorar qualidade. Buscar resultado nan- Implica em melhorias
Lucro conseqncia. ceiro. em todos os processos
why por que
com resultados nan-
ceiros.
Mtodos qualitativos Preferncia para mto- Combinar mtodos
how como principalmente. dos quantitativos. quantitativos e quali-
tativos.

2.4 Concluses
Na rea de gesto da funo de previso, a literatura em revistas
especializadas volumosa. No momento, comum falar em au-
ditoria do processo de previso, que essencialmente uma che-
cagem dos princpios de Wallace e Stahl na empresa. A checagem
feita considerando as prticas vigentes na empresa em com-
parao com as prticas das melhores empresas do mundo, as
benchmarks. Veja os trabalhos de Armstrong, disponvel na rede,
e da equipe de Mentzer, referenciados na bibliograa.
Toda esta literatura sobre auditorias voltada s questes
de gesto e administrao empresarial, cando muito pouco pre-
ocupada com as tcnicas quantitativas de previso, que ser o
assunto dos prximos captulos.
2.5 Glossrio
Discrepncia absoluta mdia (DAM) muito parecida com a discre-
pncia mdia (DM), mas utilizando valores absolutos, o que quer
dizer valores sem sinal de positivo ou negativo.
Discrepncia de previso, apesar de ter varias maneiras de ser cal-

culado, basicamente a diferena entre um valor previsto e o
valor que foi eventualmente observado e vericado. Tambm
chamada de erro de previso.
Discrepncia mdia (DM) a mdia das discrepncias, somando

discrepncias positivas com as negativas. Seu valor em geral,
mas no sempre, ca perto de zero.
Discrepncia percentual absoluta mdia (DPAM) assemelha-se

DAM, mas transformada em percentagem, dividindo a DAM
pelo valor observado.

Discrepncia quadrada mdia (DQM) tambm elimina o sinal dos va-

lores, mas com o quadrado da discrepncia.
Fabricar para estoques a situao mais comum no mercado,

quando o cliente exige a entrega do pedido praticamente ime-
diatamente. O ciclo de produo maior que o tempo exigido
pelo cliente para entrega. Nesta situao, necessrio produto na
prateleira esperando o cliente.
Fabricar por pedido signica uma situao muito confortvel para

a fbrica, pois o ciclo de produo, que signica o tempo neces-
srio para trocar a linha de produo para fabricar outro produto,
menor que o tempo exigido pelo cliente para entrega da en-
comenda. O cliente obrigado a esperar enquanto a produo
segue.
Fluxograma uma ferramenta visual para o mapeamento dos in-

sumos, das atividades e dos produtos de um processo ou subpro-
cesso.
Funo de previso uma serie de atividades dentro da empresa

cuja nalidade a montagem de uma estimativa de algum valor
futuro essencial para o planejamento. O valor futuro pode ser em
unidades de vendas ou valores nanceiros, ou ainda algum valor
importante no cho da fbrica como tempo entre manutenes.
Tradicionalmente, a empresa dividida em varias funes: ven-
das e marketing, compras, produo e recursos humanas.
Sazonalidade a caracterstica da srie ponderando alguns pe-

rodos com pesos maiores e outros perodos com pesos meno-
res numa seqncia regular. Por exemplo, dezembro sempre
um ms com mais vendas que setembro, um ms de poucas
vendas.

Stock keeping units (SKU) so itens individuais produzidos, repre-

senta o nvel de agregao mnima.
Tendncia ocorre quando os dados sobem ou descem durante um

longo perodo de tempo.
Vis ocorre quando uma discrepncia, durante longos perodos

de tempo, sempre cai no mesmo lado do zero, em outras pala-
vras, o mesmo sinal do erro cometido vrias vezes em segui-
da. O vis, quando conrmado, deve ser incorporado ao valor
previsto.
2.6 Referncias
ARMSTRONG, J. S. The Forecasting Audit. http://hops.whar-
ton.upenn.edu/forecast, acessado em 18/10/2007.
ARMSTRONG, J. S. Whats New about Delphi Decision Aid.
http://armstrong.wharton.upenn.edu/delphi2/whats_new.
php, acessado em 18/10/2007.
BENGT K., HKAN W., RICK L. E. Six sigma seen as a meth-
odology for total quality management, Measuring Business
Excellence. Volume 5, Number 1, pp. 31-35, 2001.
DEMING, E. Out of the Crisis. MIT, 1986.
FILDES, R., STUART B., FRED C., MICHAEL L., DOUG S.,
HEIDI W., JOHN T. M., MARK A. M. Researching Sales
Forecasting Practice Commentaries and authors response
on Conducting a Sales Forecasting Audit by M.A. Moon,
J.T. Mentzer & C.D. Smith. International Journal of Fore-
casting 19, 27-42, (2003)
HYNDMAN, R. Another look at forecast accuracy metrics for
intermittent demand. Foresight, No. 4, junho, 2006.
JURAN, J. M. Jurans Quality Handbook. McGraw-Hill, 1999.

CARVALHO, M. M. et al., Gesto da Qualidade, Captulo 4,

Modelo Seis Sigma. Editora Elsevier, So Paulo, 2005.
CARVALHO, M. M. et al., Gesto da Qualidade, Captulo 1,
Histrico da Gesto da Qualidade. Editora Elsevier, So
Paulo, 2005.
MENTZER, J., Moon, M. A., Kent, J. L., & Smith, C. The need
for a forecasting champion. Journal of Business Forecast-
ing, /6(3), 3-8. 1997.
MENTZER, J. T., MOON, M. A., SMITH, C. D., Conducting a
sales forecasting audit. International Journal of Forecas-
ting, 1 8, 19, no: 50169-2070(02)00032-8, 2002.
PALADINI, E. P., em CARVALHO, M. M. et al. Gesto da Qua-
lidade, Captulo 2, Perspectiva Estratgica da Qualidade.
Editora Elsevier, So Paulo, 2005.
SAMOHYL, R. W., em CARVALHO, M. M. et al. Gesto da
Qualidade, Captulo 9, Controle Estatstico de Processo
e Ferramentas de Qualidade. Editora Elsevier, So Paulo,
2005.
SAMOHYL, R. W., Measuring the Efciency of an Informal
Forecasting Process. Foresight: The International Journal
of Applied Forecasting, Colchester, n3, pp.16-21, Fever-
eiro 2006. Verso em portugus: www.qualimetria.ufsc.br
SOUZA, G. P., Previso do consumo industrial de energia eltri-
ca no estado de Santa Catarina: uma aplicao da combina-
o de previses. Dissertao em Engenharia de Produo
da Universidade Federal de Santa Catarina. Florianpolis,
2005.
WALLACE, T. F. E STAHL, R. A. Previso de Vendas: Uma
Nova Abordagem. So Paulo, IMAM, 2003.

3.1 Introduo e Problemtica .................................................. 59
3.1.1 Previso Ingnua um Passo Frente ..................... 61
3.1.2 U de Theil ................................................................. 68
3.1.3 Previso Ingnua Vrios Passos Frente .............. 71
3.1.4 U de Theil Sazonal ................................................... 74
3.1.5 Previso por Mdia Simples..................................... 75
3.2 Decomposio .................................................................... 79
3.2.1 Clculo da Tendncia ............................................... 82
3.2.2 Clculo da Sazonalidade .......................................... 87
3.2.3 Componente Discrepncia de Ajuste ....................... 94
3.2.4 Como Montar a Previso.......................................... 97
3.2.5 Discrepncia de Ajustamento e Discrepncia de
Previso .................................................................... 101
3.2.6 Outro Exemplo ......................................................... 103
3.3 Quando Usar o Mtodo Aditivo e o Mtodo
Multiplicativo ..................................................................... 105
3.4 Avanos e Confuses Mais Recentes ................................. 112
3.5 Comparao entre Mtodos ................................................ 114
3.6 Concluses ......................................................................... 117
3.7 Glossrio............................................................................. 118
3.8 Exerccios ........................................................................... 119
3.9 Respostas ............................................................................ 120
3.10 Referncias ......................................................................... 122
3.11 Apndices ........................................................................... 123

3
Decomposio Clssica
3.1 Introduo e Problemtica
N
ESTE CAPTULO, SEROabordados diferentes mtodos de pre-
viso, iniciando pelos mais singelos j bastante conhecidos
e consagrados tanto na literatura especca quanto no dia-a-
dia das empresas. Sero estudadas tcnicas quantitativas relativa-
mente simples, alm da apresentao de uma medida que possibi-
lita avaliar intuitivamente a utilidade de se empreender um maior
esforo aplicando, por exemplo, algum dos dois ltimos mtodos
abordados ao invs do primeiro que o mais simples deles.
Na seo 3.1.1, ser apresentado o mtodo de previso co-
nhecido como ingnuo1, o qual recebe esta denominao por no
se valer de nenhuma tcnica estatstica ou anlise prvia que per-
mita um maior conhecimento dos dados em estudo. Utiliza-se,
portanto, do mnimo de informao necessria. Esta caracterstica
1
Para um passo a frente, ou seja, com apenas um perodo como horizonte
de previso.

torna este mtodo bastante til, pois, em determinadas situaes,

a tcnica mais apropriada a ser empregada. Alm disso, tam-
bm serve de parmetro para avaliao das discrepncias obtidas
com a aplicao de procedimentos informais ou no estruturados
de previso, como demonstrado em Samohyl (2006).
Na seo 3.1.2, ser introduzida a medida de avaliao conhe-
cida como U de Theil, que pode ser uma ferramenta ecaz de esco-
lha entre mtodos alternativos de previso e o mtodo ingnuo. Esta
medida servir tambm para que se estabelea uma anlise compa-
rativa entre os diversos mtodos de previso apresentados aqui.
Na seo 3.1.3, ser apresentada uma variao do mtodo
ingnuo. Trata-se de uma adaptao para vrios passos frente.
Este mtodo ter como ferramenta de avaliao a medida de U
de Theil, igualmente adaptada (seo 3.1.4) para que possa ser
empregada em horizontes de previso maiores do que apenas um
passo frente e tambm sirva como parmetro de comparao.
Na seo 3.1.5, ser apresentado o mtodo de previso por
mdia simples, que no observa nenhuma caracterstica da srie
em especial, considera apenas a mdia de todas as observaes da
srie em anlise.
Na seo 3.2, realizar-se- uma iniciao s tcnicas univa-
riadas de previso um pouco mais elaboradas, ou seja, as que con-
sideram outras caractersticas (componentes) da srie sob estudo.
Lembra-se, porm, que a tcnica abordada nesta seo, chamada de
decomposio clssica, no est entre os mtodos univariados mais
sosticados, caso, por exemplo, dos mtodos abordados no captulo
seguinte. No entanto, possvel consider-la como bastante ade-
quada em situaes que a preocupao com o processo de previso
no ambiente empresarial comea a ser visto como importante.
A decomposio aqui estudada algo bastante simples, se
d a partir das caractersticas bsicas de uma srie, como sua ten-
dncia, comportamento cclico, sazonalidade, alm de sua varia-
o aleatria. Na prtica, esta tcnica mais utilizada como uma
forma de descrever o comportamento temporal de uma varivel

Decomposio Clssica 61
que se tenha interesse, do que propriamente para construir pre-

vises, principalmente em ambientes onde as tcnicas abordadas
no captulo quatro j so utilizadas. Porm, esta alternativa, alm
de possvel, em muitos casos se mostra mais precisa do que a
ingnua e a de mdia simples. Isto ocorre pelo simples fato de ser
considerado na previso o comportamento apresentado de cada
uma destas componentes ao longo do tempo.
Na seo 3.3, sero apresentadas discusses a respeito das
condies adequadas para se aplicar a decomposio clssica,
especialmente pelo fato da mesma apresentar duas alternativas
mutuamente excludentes, uma na forma multiplicativa e outra
aditiva. Na seo 3.4, encerra-se a discusso de metodologias
simplicadas de previso com a meno feita a uma tcnica mais
recente e tambm mais elaborada para se gerar previses, origi-
nada da decomposio clssica. Por m, na seo 3.5 realizada
uma anlise comparativa entre cada uma das tcnicas abordadas,
para que o leitor possa visualizar as possveis vantagens e des-
vantagens no emprego de cada uma delas.
Visando obedecer neste captulo a uma estrutura didtica
e a possibilitar a anlise comparativa mencionada, ser admiti-
do como problema prever a quantidade de energia eltrica con-
sumida nas indstrias no estado de Santa Catarina (medida em
MWh)2, srie na qual sero aplicadas as tcnicas mencionadas
a partir da seo 3.1.1. O desempenho dos mtodos abordados
tambm poder ser avaliado comparativamente pelo leitor, pois
para cada uma das tcnicas abordadas ser aplicada a medida U
de Theil, como mencionado inicialmente.
3.1.1 PREVISO INGNUA UM PASSO FRENTE

Um dos mtodos mais simples de realizar previses de sries
temporais, sem considerar suas componentes tendncia e sazona-
2
Veja o apndice deste captulo.

lidade, chama-se previso ingnua.

Um dos mtodos mais simples
de se realizar previses de sries
Este mtodo assim identicado
temporais, sem considerar suas por ser uma tcnica que utiliza ape-
componentes tendncia e sazo- nas o ltimo dado vericado como a
nalidade, chama-se previso
previso do prximo perodo, sem,
ingnua.
portanto, observar qualquer outra
caracterstica da srie; ou seja, no
se consideram os dados passados. Existem situaes em que este
mtodo realmente o mais indicado para realizar previses, ca-
sos como, por exemplo, aqueles caracterizados pela caminhada
aleatria, mais vulgarmente conhecida como caminhada de b-
bado. Nestes casos, como com um bbado, quase impossvel
realizar previses precisas do prximo passo, sendo mais pru-
dente, e teoricamente menos suscetvel a erros, armar apenas
que o bbado manter seu curso, no levando, portanto, qualquer
outra informao contextual em considerao. Situaes reais,
pode onde podem ser encontradas sries com caractersticas de
caminhada aleatria, so aquelas em que, por exemplo, encerram
o reexo de toda uma conjuntura econmica, tornando realmen-
te quase impossvel prev-los com preciso. Este o caso, por
exemplo, do preo de papis negociados no mercado nanceiro,
ou do valor da taxa de cmbio, e at mesmo da prpria inao,
quando esta no se trata do caso inercial, claro.
A Figura 3.1 busca evidenciar tal situao, ou seja, a de
uma srie que no possui um padro pr-estabelecido, tornando
complexa a tarefa de determinar, com relativa preciso, qual a
direo que ir tomar e/ou os valores que ir assumir nos mo-
mentos seguintes. Trata-se da mdia diria da taxa de cmbio
comercial (R$/US$) preo de compra (R$) de 01/06/2006
a 11/09/2006 que, apesar de apresentar uma aparente tendncia
de queda, na verdade possui as caractersticas de uma srie de
caminhada aleatria. Tais dados podem ser visualizados na ta-
bela 3.1.

FIGURA 3.1 Taxa de Cmbio Comercial (mdia diria R$/US$) de

01/06/2006 a 11/09/2006.
Tabela 3.1 Taxa de Cmbio Comercial

(mdia diria R$/US$).
Data 01/06 02/06 05/06 06/06 07/06 08/06 09/06 12/06 13/06 14/06 16/06 19/06
R$/US$ 2,2705 2,2587 2,2549 2,2678 2,2492 2,2693 2,2607 2,2699 2,301 2,2837 2,2513 2,2396
Data 20/06 21/06 22/06 23/06 26/06 27/06 28/06 29/06 30/06 03/07 04/07 05/07
R$/US$ 2,2498 2,237 2,2383 2,2454 2,2251 2,2307 2,2254 2,2055 2,1635 2,1693 2,1638 2,1947
Data 06/07 07/07 10/07 11/07 12/07 13/07 14/07 17/07 18/07 19/07 20/07 21/07
R$/US$ 2,1832 2,1757 2,1742 2,1851 2,1907 2,2098 2,2122 2,2118 2,1954 2,1802 2,1887 2,1927
Data 24/07 25/07 26/07 27/07 28/07 31/07 01/08 02/08 03/08 04/08 07/08 08/08
R$/US$ 2,1908 2,1985 2,1976 2,1891 2,1792 2,1754 2,1897 2,1813 2,1827 2,1712 2,1785 2,1831
Data 09/08 10/08 11/08 14/08 15/08 16/08 17/08 18/08 21/08 22/08 23/08 24/08
R$/US$ 2,1679 2,162 2,1608 2,1597 2,1472 2,1321 2,1357 2,1448 2,1353 2,1347 2,1346 2,1515
Data 25/08 28/08 29/08 30/08 31/08 01/09 04/09 05/09 06/09 08/09 11/09 -
R$/US$ 2,1563 2,1465 2,1411 2,1322 2,138 2,146 2,1274 2,128 2,1435 2,1574 2,1743 -
Fonte: Instituto de Pesquisa Econmica Aplicada (IpeaData) www.ipeadata.gov.br (acessado em 12/09/2006).
Neste caso a previso para o dia 12/09/2006, ou seja, um

passo frente, seria de R$ 2.174. Se construirmos um histrico de
previses atravs do mtodo ingnuo para o caso da taxa de cm-

bio apresentada anteriormente, a partir de 01/06/2006, teramos

uma situao como a representada na gura 3.2. Note que o pri-
meiro valor previsto (linha mais larga) em relao ao observado
(linha mais na) perdido, porm avana-se um perodo a mais
no tempo, pois trata-se de uma previso um passo frente.
FIGURA 3.2 Comparao da previso ingnua um passo frente da

taxa de cmbio comercial (mdia diria R$) com valores observados,
de 01/06/2006 a 11/09/2006 e previso de um passo frente de
2/06/2006 a 12/09/2006.
O hiato entre o valor previsto e o Note que o hiato entre o valor

valor observado a discrepncia previsto e o valor observado a dis-
de previso mencionada no cap- crepncia de previso mencionada
tulo anterior.
no captulo anterior. Para que se te-
nha uma melhor idia da aderncia
do mtodo de previso ingnua aos dados da taxa de cmbio,
apresentado na gura 3.3 o comportamento destas discrepncias
de previso ao longo do tempo.
Na gura 3.3, pode-se perceber que a maior discrepncia ob-
tida foi na 19 observao, um valor de R$ 0,04 referente ao dia 30
de junho. Valeria a pena investigar os acontecimentos no mercado
naquele dia e, se for possvel, incorporar as causas desta discre-

pncia nas previses futuras. Adicionalmente, interessante notar

que prximo ao perodo 25 (7/07/2006) a srie cou bem mais
estvel, e mais uma vez seria interessante para anlises futuras
entender melhor o porqu da instabilidade anterior a esta data.
FIGURA 3.3 Discrepncias da previso ingnua um passo frente da taxa

de cmbio comercial (mdia diria R$/US$) de 2/06/2006 a 11/09/2006.
Outro exemplo de previso ingnua um passo frente

aplicado ao consumo industrial de energia em Santa Catarina de
janeiro de 1994 a dezembro de 2004. Obviamente, este no
um exemplo de uma srie com caractersticas de caminhada ale-
atria3. No entanto, didaticamente
Como no se trata de uma srie
falando, bastante oportuna a uti-
de caminhada aleatria, teori-
lizao do mtodo de previso in- camente a aplicao de outras
gnua nestes dados, pois permitir tcnicas de previso que utilizem
a posterior comparao entre este mais informaes, e no somente
a ltima observao disponvel,
e os demais mtodos de previso gere melhores resultados para
abordados neste captulo. estes dados.
3
Pois possui uma tendncia e uma sazonalidade bem denidas. Isto devido
ao fato de estar fortemente correlacionada com o volume de produo no
Estado.

Na gura 3.4, possvel visualizar gracamente o desem-

penho de vrias aplicaes desta tcnica ao consumo industrial
de energia eltrica no estado de Santa Catarina durante o perodo.
Vale lembrar aqui que, como no se trata de uma srie de cami-
nhada aleatria, teoricamente, a aplicao de outras tcnicas de
previso que utilizem mais informaes, e no somente a ltima
observao disponvel, gere melhores resultados para estes dados.
FIGURA 3.4 Desempenho da previso ingnua um passo frente do

consumo industrial de energia eltrica (MWh).
Para que se tenha uma melhor idia da aderncia deste m-

todo de previso aos dados do consumo industrial de energia el-
trica em Santa Catarina, apresentado na gura 3.5 o comporta-
mento das discrepncias de previso ingnua ao longo do tempo.
Tambm como forma de avaliar estas discrepncias, a gura 3.6
traz o histograma de sua distribuio de freqncia.
Como pode ser percebido na gura anterior, existe uma
aparente sazonalidade nas discrepncias de previso. Quase todo
ano h uma queda acentuada seguida por uma alta, o que um
forte indicativo de que existe uma sazonalidade marcante na s-
rie. Em dados econmico-nanceiros, bastante comum a pre-

sena da caracterstica sazonal, no entanto tambm bastante

provvel que aparea em dados puramente operacionais de cho
de fbrica. As formas de quanticao desta caracterstica e de
sua incorporao nas previses so pontos importantes e, sendo
assim, sero abordados no restante deste livro.
FIGURA 3.5 Discrepncias da previso ingnua um passo frente do

consumo industrial de energia eltrica (MWh) fevereiro de 1994 a
dezembro de 2004.
Na gura 3.6, possvel observar que os dados referentes

s discrepncias no deixam de car centrados em torno de zero,
porm sua disperso bastante ampla. Alm disto, existem mais
dados esquerda do intervalo contendo valor nulo, do que di-
reita do mesmo. Isto indica que, na maioria das vezes em que se
buscou prever o consumo industrial de energia eltrica no per-
odo atravs do mtodo ingnuo, ocorreram subestimaes dos
valores reais que foram posteriormente observados.

FIGURA 3.6 Histograma das discrepncias da previso ingnua

um passo frente do consumo industrial de energia eltrica (MWh)
fevereiro de 1994 a dezembro de 2004.
3.1.2 U DE THEIL
Esta medida assume um papel decisi-
O U de Theil possui a capacidade
vo na determinao de utilizao ou
de demonstrar se o esforo em-
pregado na gerao das previses no de uma tcnica de previso espe-
compensador e se faz sentido cca, seja ela quantitativa, qualita-
despend-lo, ou se resultados me- tiva, formal ou informal, pois possui
lhores poderiam ser atingidos uti-
lizando-se a mais singela das tc-
a capacidade de demonstrar se tal
nicas, ou seja, a previso ingnua. esforo compensador e faz sentido
despend-lo, ou se resultados melho-
res poderiam ser atingidos utilizando-se a mais singela das tcnicas,
ou seja, a previso ingnua. O U de Theil (1966) tambm comu-
mente chamado de coeciente de desigualdade, pois uma medida
relativa, na qual se tem idia, em termos percentuais, das discre-
pncias um passo frente cometidas com a previso. Espera-se que
esta medida varie sempre entre zero e um, sendo este o universo de
oscilao aceitvel para as tcnicas consideradas adequadas.

Observando-se as equaes (3.1), (3.2) e (3.3), que repre-

sentam igualmente esta medida, no ca muito complicado en-
tender o que isto signica.
n-1 P - O O - O
2

t+1 t
-
t+1 t

t = 1

O t O t
U= (3.1)
2
n-1 O
t +1 - O t

t = 1

Ot

P -O 2
n-1

t+1 t+1

t = 1

Ot
U2 = (3.2)
2
n-1 O
t +1 - O t

t = 1 Ot

n-1 d 2

t+1

t = 1 O t

U2 = (3.3)
2
n-1
O t +1 - O t

t = 1 Ot

Imagine uma situao na qual ao realizar uma previso para

um passo frente (Pt+1), o valor previsto foi exatamente igual
ao valor a ser observado (Ot+1 = Pt+1). Esta a previso perfeita,
quase impossvel de acontecer. Tal situao extrema e, portanto,
hipottica, tornaria o numerador da equao acima nulo e, como
sabido, o quociente de qualquer frao que possua o numerador
nulo, tambm nulo. Esta circunstncia geraria um U de Theil
igual a zero, signicando, portanto, que quo mais prximo de
zero estiver esta medida, mais exata sero as previses geradas

pela tcnica em questo em relao ao mtodo ingnuo, e, por

conseguinte, mais adequada ela para os dados em estudo.
Imaginemos agora outra situao, em que o resultado da
aplicao de uma tcnica de previso gere um U de Theil igual
a um. Para que esta situao se congure, ser necessrio que
a previso do valor de um passo a frente (Pt+1) seja exatamen-
te igual a o valor observado do perodo atual (Ot), ou seja, a
mesma situao obtida com a aplicao do mtodo ingnuo de
previso visto na seo 3.1.1. Esta situao anularia a primeira
frao do numerador da equao 3.1, o que tornaria o valor do
coeciente de desigualdade o mximo aceitvel, ou seja, igual
a um. por esta razo que medidas de U de Theil, muito prxi-
mas ou superiores a um, no so favorveis tcnica utilizada
na gerao das previses, pois isto signica que ela apresenta
um desempenho inferior previso ingnua e que, portanto,
todo o esforo de aplicao da mesma nos dados em estudo
desnecessrio. Esta situao, como j mencionado no primeiro
captulo, bem possvel que seja observada em empresas onde
as previses so montadas em reunies da alta gerncia, pois
estas podem gerar valores de U de Theil maiores que um.
Portanto, para medidas do U de
Medidas do U de Theil cujo va-
Theil cujo valor ser superior a um,
lor superior a um indicam que
a teoria de previso empregada a teoria de previso empregada pode
pode ser considerada menos efi- ser considerada menos eciente que
ciente que o mtodo ingnuo. a teoria ingnua, e que os resulta-
dos obtidos seriam mais precisos se
fosse utilizada a teoria da caminhada aleatria para prev-la. Em
todas as equaes apresentadas anteriormente, possvel perceber
que o U de Theil uma expresso muito simples de ser calculada,
na qual o numerador baseado na discrepncia cometida ao se pre-
ver um passo frente, e o denominador simplesmente a taxa de
crescimento da varivel entre os perodos atual t e imediatamente
posterior t+1. Conseqentemente, o que a medida U de Theil faz

apenas comparar o atual crescimento da varivel com a discrepn-

cia cometida na previso do perodo seguinte. Essa interpretao
facilita a implementao desta equao em planilhas eletrnicas.
No caso do exemplo da taxa de cmbio, uma srie com com-
portamento de caminho aleatrio signica dizer que tal previso
feita setenta vezes um passo frente (representadas na gura 3.2)
possui um U de Theil igual a um e que, teoricamente, qualquer
outra previso, utilizando qualquer outro mtodo, geraria previ-
ses piores, ou seja, com o U de Theil maior do que um. Veja a
gura 3.7 abaixo. Analisando-a ca claro que sempre procura-se
valores de U de Theil menores que um.
FIGURA 3.7 Interpretao intuitiva dos valores de U de Theil.
3.1.3 PREVISO INGNUA VRIOS PASSOS FRENTE
Analogamente ao caso da utilizao da previso ingnua para

um horizonte de previso de um passo frente, tambm pode-

mos realizar previses ingnuas

No necessariamente um pesqui-
para maior de um passo frente.
sador tem de realizar uma previ-
so para janeiro repetindo o valor Imagine uma srie histrica com
observado no perodo imediata- periodicidade mensal onde se dese-
mente anterior. Ele pode utilizar, ja realizar previses atravs do m-
por exemplo, o ltimo valor obser-
vado do mesmo perodo no ciclo todo ingnuo. No necessariamente
sazonal. o pesquisador ter de realizar uma
previso para, por exemplo, janeiro
repetindo o valor observado de dezembro ltimo. Ele pode utili-
zar, por exemplo, o ltimo janeiro observado, obtendo assim uma
previso ingnua para doze passos frente.
Um exemplo desta alternativa de previso ingnua aplica-
do ao consumo industrial de energia em Santa Catarina no mes-
mo perodo no ciclo sazonal que a anterior, seguindo-se, portan-
to, a metodologia de doze passos frente. Na gura 3.8 pode-se
visualizar gracamente o desempenho de tal aplicao.
FIGURA 3.8 Desempenho da previso ingnua doze passos frente

do consumo industrial de energia eltrica (MWh).
Como possvel perceber, e ocorrer em qualquer aplicao

desta tcnica, os valores da previso referentes ao primeiro ciclo

sazonal, no caso do exemplo os doze primeiros valores, so perdi-

dos em relao ao observado, pois no h dados observados antes
de janeiro de 1994 para projetar as previses doze meses frente.
Para que se tenha uma melhor idia da aderncia do mtodo de
previso ingnua para doze passos frente aos dados do consumo
industrial de energia eltrica em Santa Catarina, apresentado na
gura 3.9 o comportamento das suas discrepncias de ajustamen-
to ao longo do tempo. Atravs desta exposio ca clara a perda
de aderncia desta tcnica ao se aumentar o horizonte de previso.
Como pode ser notado, o nmero de subestimaes (discrepncias
negativas) superou o nmero de superestimaes (discrepncias
positivas) o que revela uma tendncia de alta nos dados originais.
FIGURA 3.9 Discrepncias de previso ingnua para doze passos

frente do consumo industrial de energia eltrica (MWh) janeiro de
1995 a dezembro de 2004).
O problema da forte subestimao dos valores do consumo

industrial de energia ao se prever com o mtodo ingnuo de doze
passos frente pode ser mais bem visualizado no histograma da
gura 3.10, pois os valores alm de no estarem centrados em
torno de zero apresentam uma disperso mais ampla do que a
observada na gura 3.6.

FIGURA 3.10 Histograma das discrepncias de previso ingnua

para doze passos frente do consumo industrial de energia eltrica
(MWh) fevereiro de 1994 a dezembro de 2004.
Torna-se bastante til neste momento, dispormos de uma

medida que sirva de parmetro de avaliao, como, por exemplo,
a medida disponvel para um passo frente. neste sentido que
introduzimos a medida conhecida como U de Theil sazonal.
3.1.4 U DE THEIL SAZONAL

O U de Theil sazonal uma variante do U de Theil convencional,
visto na seo 3.1.2. Como coloca Meurer (1999), tal medida foi
desenvolvida para permitir que sejam consideradas as possveis
alteraes sazonais presentes na va-
U de Theil sazonal uma varian- rivel de interesse. Ao invs de con-
te do U de Theil convencional.
Tal medida foi desenvolvida para
siderar apenas o perodo imediata-
permitir que sejam consideradas mente anterior, compara-se a varia-
as alteraes sazonais presentes o prevista e observada em relao
na varivel de interesse, baseado
ao mesmo perodo no passado refe-
na caminhada aleatria sazonal.
rente a um ciclo sazonal completo.

A equao 3.4 representa esta medida. O subscrito s re-

presenta o ciclo sazonal dos dados, ou seja, doze para dados
mensais, seis para dados semestrais, quatro para os trimestrais e
assim por diante.
n-1 P - O O - O
2

t+s t
-
t+s t

t = 1

O t Y t
U-S = (3.4)
2
n-1 O
t +s - O t

t = 1

Ot

Nas prximas sees, sero apresentados o mtodo de pre-

viso por mdia e o de Decomposio Clssica, que um pouco
mais elaborado, que este ltimo, por captar a sazonalidade e a
tendncia nas sries estudadas. A medida U de Theil assumir um
papel importante a partir de agora, pois permitir um diagnstico
do desempenho destes mtodos.
3.1.5 PREVISO POR MDIA SIMPLES

A aplicao do mtodo de previso A previso por mdia simples
por mdia simples pode ser consi- consiste apenas em calcular a
derada to trivial quanto a do mto- mdia aritmtica das observa-
es anteriores para assim deter-
do ingnuo. Sua aplicao consiste minar a previso do prximo ou
apenas em calcular a mdia aritm- dos prximos perodos.
tica das observaes anteriores para
assim determinar a previso do prximo ou dos prximos pero-
dos. Como no caso da previso ingnua, recomendado que a re-
alizao de previses atravs deste mtodo seja sempre para um
horizonte de poucos passos frente, pois com horizontes maiores
de previso a tcnica perde em muito sua aderncia, tornando,
neste caso, mais indicado que se utilizem de outros mtodos mais

sosticados. Como veremos a seguir, o mtodo de mdia sim-

ples considerado um dos piores, apesar de muito utilizado. Suas
previses no levam em conta a sazonalidade nem a tendncia
da srie, alm de ser comum a ocorrncia do erro sempre para o
mesmo lado, ou seja, podem ser observados longos trechos de er-
ros tanto positivos como negativos. Veja as guras 3.11 e 3.12.
Outro aspecto a ser mencionado diz respeito ao fato da pre-
viso por mdia simples tender a mascarar os maiores e os meno-
res valores da srie, aos quais se deveria, teoricamente, dar mais
peso. Este tambm seria o caso dos valores mais recentes, que
igualmente exigiriam uma ateno especial, pois esta seria uma
forma de considerar a tendncia dos dados. Em outras palavras,
quando um valor for muito antigo, deve ganhar peso baixo, con-
siderando que um valor muito ultrapassado no deve ter muito
impacto no presente. Tais aspectos, pode-se dizer, so as princi-
pais fragilidades desta tcnica, tendo em vista que se ponderam
da mesma forma todas as observaes da amostra.
prudente armar que a utilizao desta tcnica mais ade-
quada para sries que no possuam caractersticas como tendn-
cia, sazonalidade ou ciclo, pelo menos no to marcantes, tendo
em vista que um pequeno ajuste por estas componentes pode re-
sultar em previses bem mais precisas. Este, porm, o caso
da srie de consumo de energia escolhida para ilustrao, mas,
como citado anteriormente, o interesse didtico est na compara-
o dos diferentes mtodos abordados no captulo.
Para se adquirir o efeito didtico e comparativo desejados,
empregou-se tal tcnica a um horizonte de um passo frente nos
mesmos dados dos exemplos anteriores, o que propicia ao leitor uma
viso intuitiva das vantagens e/ou desvantagens da aplicao de tal
mtodo em relao ao ingnuo. Na tabela 3.2, possvel visualizar
os valores previstos atravs desta tcnica e nas guras 3.11 e 3.12,
respectivamente, so apresentados o desempenho de tal mtodo e
suas discrepncias ao longo do tempo. Note que, por se estar tra-
balhando com uma mdia, os valores previstos iniciam no terceiro

perodo (maro de 1994), pois os valores de janeiro e fevereiro fo-

ram utilizados para compor a mdia representa a primeira previso.
Similarmente, a previso de janeiro de 2005 a mdia simples de to-
dos os valores observados, de janeiro de 1994 a dezembro de 2004.
Tabela 3.2 Previso por mdia simples do consumo

industrial de energia eltrica em Santa Catarina (MWh).
Ms/Ano Jan. Fev. Mar. Abr. Mai. Jun. Jul. Ago. Set. Out. Nov. Dez.
1994 287038.5 302757.67 304402.25 305661.8 308392.67 313852.29 315693.63 316981.67 321983 322556.18
1995 325740.17 323228.46 324931.64 329416.53 329967.25 331787.47 333100.22 333657.21 333097.85 333280.14 334654.46 335241.57
1996 334834.29 332842.28 334286.62 334116.41 334878.79 336507.72 336399.77 337496.16 339002.41 339383.39 339692.85 341264.4
1997 341602 340785.22 342195.66 343106.85 344682.75 346155 347058.26 348301.14 349579.64 350693.4 352341.13 352805.17
1998 353511.81 352787.8 353817 354634.31 355642.71 356313.28 357125.94 358226.22 359058.36 359906.72 360718.76 361257.76
1999 361979.65 361377.71 362120.40 363053 363876.52 364832.42 365536.09 366480.81 367326.22 368357.23 369186.63 369814.21
2000 370748.17 370713.30 371580.96 372922.48 373936.97 374973.35 375998.28 377018.90 378049.26 378999.99 380152.7 381375.33
2001 382123.14 382052.91 382654.67 384094.60 385371.93 386418.20 387552.93 388706.88 389551.97 390476.53 391287.35 392529.32
2002 393233.65 393420.68 394549.57 395568.87 397049.89 397901.69 399049.34 400215.01 401393.65 402225.75 403329.67 404218.71
2003 404983.59 405253.23 406439.98 407709.4 408680.32 409483.15 410448.55 411330.72 412071.87 413039.12 414163.12 414901.14
2004 415731.67 415912.06 416954.8 418330.33 419252.70 420415.7 421360.65 422413.59 423436.48 424163.95 424878.09 425740.05
2005 426427.82
Fonte: CELESC.
FIGURA 3.11 Desempenho da previso um passo frente por mdia

simples do consumo industrial de energia (MWh).

FIGURA 3.12 Discrepncias da previso por mdia simples do

consumo industrial de energia eltrica (MWh).
Na gura 3.12, possvel observar a deteriorao desta tc-

nica medida que o tempo passa. Isso torna evidente os prejuzos
incorridos ao adot-la. Tais prejuzos tambm podem ser dedu-
zidos ao se visualizar o histograma da gura 3.13, que apresenta
valores centrados em uma medida relativamente bastante distan-
te de zero e que s tende a aumentar com o passar do tempo.
FIGURA 3.13 Histograma das discrepncias de previso por mdia

simples do consumo industrial de energia eltrica (MWh).

Esta caracterstica decadente da preciso se d, em grande

parte, pela questo de ponderar da mesma forma tanto os valores
mais antigos quanto os mais recentes. Este efeito, em uma srie que
possui uma clara tendncia, como o caso, produz discrepncias de
previses cada vez maiores a medida que o tempo passa. Uma for-
ma relativamente comum de se evitar tal efeito calcular a mdia
mvel dos dados ao invs da simples, isto , como coloca Moretin e
Toloi (2004), eliminar a informao mais antiga a cada incluso de
uma mais recente. justamente esta mdia mvel a representante
de um dos componentes do mtodo de decomposio clssica para
gerao das previses, assunto este tratado na prxima seo.
3.2 Decomposio
As sries de dados ao longo do tem-
po, em sua grande maioria, apresen- As sries de dados ao longo do
tempo, em sua grande maioria,
tam caractersticas repetitivas que
apresentam caractersticas repeti-
podem ser utilizadas no momento tivas que podem ser utilizadas no
de realizar previses. Isso, como j momento de realizar previses.
citado, possibilita uma maior preci-
so nos resultados. Existem tcnicas de previso que permitem
identicar e isolar cada uma das componentes presentes em uma
srie, ou seja, tendncia, ciclo e sazonalidade, caracterizando as-
sim a decomposio da srie. A partir disto, o processo de cons-
truo dos valores previstos da srie composta consubstancia-se
na reunicao de cada uma de suas componentes.
Previso = Tendncia + Ciclo + Sazonalidade
O procedimento de previso atravs desta tcnica parte da

identicao do efeito de cada um destes elementos no conjunto
dos dados, acreditando-se que eles se repitam no futuro. Tal dis-
tino tambm acaba por revelar qual a forma mais adequada de

recombin-los, ou seja, de se cons-

O procedimento de previso atra-
tituir as desejadas previses. Um
vs desta tcnica parte da iden-
tificao do efeito de cada um exemplo bastante simples e claro
destes elementos no conjunto pode ser dado atravs das commo-
dos dados, acreditando-se que dities, ou seja, os produtos sazo-
eles se repitam no futuro. nais. Se for possvel identicar qual
o efeito do comportamento sazonal
do produto na sua comercializao e consider-lo no momento
de prever seu volume de vendas, por exemplo, possvel estimar
valores bem mais prximos daqueles a serem observados.
O mtodo utilizado para identicar cada um destes efeitos
conhecido como decomposio clssica. Trata-se de uma tcnica
desenvolvida, segundo Makridakis et al.(1998), na dcada de 1920
e que, por se mostrar relativamente precisa em diversas situaes,
bastante utilizada ainda nos dias atuais. O mtodo considerado
muito amigvel, permitindo uma no to complexa implementao
computacional, j que sua aplicao, como ser mostrado, consiste
basicamente em procedimentos que envolvem o clculo de mdias.
Na decomposio clssica
Na decomposio clssica exis- existem duas formas de separar as
tem duas formas de separar as componentes e, posteriormente, ge-
componentes e, posteriormente, rar as previses nais de uma srie
gerar as previses finais de uma
srie temporal: uma chamada de
temporal: uma chamada de aditiva
aditiva e outra de multiplicativa. (j demonstrada na anteriormente)
e outra de multiplicativa. A forma
multiplicativa :
O emprego do mtodo aditivo mais indicado nas situaes

em que as utuaes das componentes no variam com o nvel da
srie. J o mtodo multiplicativo mostra-se mais eciente quando
estas utuaes modicam-se proporcionalmente com a mudana
de nvel. Entende-se a utuao dos dados como sua oscilao em
torno da mdia, de um determinado perodo e as modicaes dos

valores desta mdia, a grosso modo, como a mudana de nvel.4

Portanto, pode-se dizer que uma srie possui componentes multi-
plicativas quando sua variao em torno da mdia no constante,
isto , cresce ou decresce ao longo do tempo, e ser aditiva em
caso contrrio. Exemplos prticos destas duas formas de sries so
apresentadas nas guras 3.14 e 3.15. Uma discusso com maiores
detalhes ser desenvolvida no tpico 3.3 logo a seguir.
FIGURA 3.14 Srie temporal com variabilidade constante. Fonte:

Federao das Indstrias do Estado de Santa Catarina (FIESC).
FIGURA 3.15 Srie temporal com incremento de variabilidade. Fonte:

CELESC.
4
Este assunto ser tratado em maiores detalhes no prximo captulo.

3.2.1 CLCULO DA TENDNCIA

O primeiro passo na decomposio
O primeiro passo na decomposi-
o de uma srie o clculo de
de uma srie o clculo de sua ten-
sua tendncia. dncia. A tendncia uma compo-
nente de fcil visualizao, pois sua
presena percebida quando os valores da srie aumentam ou
diminuem em um determinado intervalo de tempo. importan-
te ressaltar que existem diferentes tipos de tendncia, porm as
mais comuns so a linear, a quadrtica e a exponencial.
O comportamento cclico de uma srie temporal tambm re-
presenta os crescimentos e quedas que no ocorrem em perodos
xos de tempo. Esta inclusive a principal diferena deste compo-
nente em relao sazonalidade. Por este motivo, nos mtodos de
decomposio o ciclo geralmente mensurado juntamente com a
tendncia. Isto pode ser explicado, em parte, pela diculdade de se
armar com preciso onde se encontra a fronteira entre estas duas
componentes, onde acaba uma e comea outra, tendo em vista que
o perodo caracterizado por uma tendncia positiva tambm poderia
ser facilmente denido como o incio de um ciclo de crescimento.
importante perceber que a
recomendado que se determine presena de uma forte sazonalidade,
a tendncia de uma srie atravs por exemplo, pode facilmente con-
do clculo da mdia mvel, pois
fundir o pesquisador, no tornando
assim, torna-se possvel visuali-
zar com mais clareza e seguran- a verdadeira tendncia da srie mui-
a a real componente tendncia to visvel. Tendo em vista que esta
presente nos dados. uma possibilidade sempre presente,
recomendado que se determine a
tendncia de uma srie atravs do clculo da mdia mvel, pois
assim, torna-se possvel visualizar com mais clareza e segurana
a real tendncia presente nos dados.
Para ns de exemplo do clculo da tendncia atravs da mdia
mvel (MM), utilizar-se- mesma srie de dados dos exemplos
anteriores, ou seja, o consumo industrial de energia eltrica no esta-

do. Este exemplo torna-se bastante oportuno pelo fato de existirem

distines quando o nmero de observaes que correspondem a
um ciclo sazonal completo par ou mpar. Neste exemplo, pelo mo-
tivo dos dados serem mensais, cada mdia mvel de um ano con-
tm doze observaes, o que faz com que o grau desta mdia mvel
seja obviamente um nmero par. Este fato exige que se efetue o
clculo de duas mdias mveis (2x12) para, atravs da mdia des-
tas duas, possa-se extrair a medida a ser considerada chamada de
mdia mvel centrada (MMC). Segundo Makridakis et al. (1998)

MM1 + MM 2
e Hanke et al. (2001), MMC = , onde MM1 a
2
mdia aritmtica das 12 primeiras observaes e MM2 das doze
1 12 1 13
seguintes, isto , MM1 = t
n t=1
Y e MM 2 = Yt ou ainda,
n t=2
Y1 + Y2 + ... + Y12 Y + Y3 + ... + Y13
MM1 = e MM 2 = 2 .
12 12
Como pode ser deduzido pelo leitor, a partir da discusso
que vem sendo feita desde o incio da seo, o conjunto de to-
das as mdias mveis centradas possveis de serem calculadas a
partir de uma amostra constitui-se na tendncia da mesma. Para
facilitar o entendimento, veja uma aplicao.
No caso do exemplo da srie do consumo industrial de
energia eltrica, primeiramente calcula-se a mdia correspon-
dente s doze primeiras observaes, que corresponde MM da
observao 6,5 do primeiro ciclo sazonal, ou seja, a observao
entre o ms seis e o ms sete (322047 MWh). A mdia das doze
observaes seguintes, partindo-se da segunda observao, gera
a MM corresponde a observao 7,5, do ciclo sazonal anterior,
ou seja, entre o ms sete e o ms oito (346610 MWh). Em segui-
da, calcula-se a mdia entre estes dois valores, o que produzir
a MMC, ou seja o valor centrado do primeiro ciclo sazonal que

se iniciar no ms sete. Este procedimento se repetindo ao longo

de toda a srie e produz um copnjunto de dados que representar
sua componente referente tendncia.
importante ressaltar que nos casos como o do exemplo,
pelo mesmo fato que o primeiro valor da tendncia ser justa-
mente o valor aps a sexta observao da srie original, o ltimo
valor ser o de seis perodos anteriores ltima observao, ten-
do em vista a impossibilidade imposta pela falta de observaes
sucientes.
A tabela 3.3 traz os valores do clculo da mdia mvel e da
mdia mvel centrada para as primeiras observaes do consumo
industrial de energia e a tabela 3.4, os valores da mdia mvel
centrada calculada para a srie como um todo, os quais represen-
tam sua tendncia.
Tabela 3.3 Exemplo do clculo da mdia mvel centrada

para doze meses.
Consumo Industrial Mdia Mvel
Observao Ms/Ano Mdia Mvel
(MWh) Centrada
1 Jan.1994 273997
-
2 Fev.1994 300080 -
-
3 Mar.1994 334196 -
-
4 Abr.1994 309336 -
-
5 Mai.1994 310700 -
-
6 Jun.1994 322047 -
325740,2
7 Jul.1994 346610 326536
327331,1
8 Ago.1994 328583 329289
331247,2
9 Set.1994 327286 ...
...
10 Out.1994 366995 ...
...

Tabela 3.3 Exemplo do clculo da mdia mvel centrada

para doze meses.
Consumo Industrial Mdia Mvel
Observao Ms/Ano Mdia Mvel
(MWh) Centrada
11 Nov.1994 328288 ...
...
12 Dez.1994 360764 ...
...
13 Jan.1995 293088 ...
...
14 Fev.1995 347073 ... ...
... ... ... ... ...
125 Mai.2004 564627 ...

533226
126 Jun.2004 539480 533308
533389
127 Jul.2004 555084 ...
Tabela 3.4 Mdia mvel centrada do consumo industrial

de energia eltrica (MWh)
1994 326536 329289 333664 337285 340581 344064
1995 345332 344955 345102 345359 346042 345399 343593 344229 342596 340709 342311 342272
1996 342462 346209 349454 349497 350869 353973 356235 358333 361334 365447 368514 371587
1997 374959 377000 379791 384987 387322 387854 389519 390207 391358 392137 391598 391692
1998 393077 393802 394135 393645 393598 395107 396152 396586 397775 399194 401008 402920
1999 403848 405112 407203 409306 410999 413237 416380 419315 422599 426165 428748 431722
2000 434699 437335 439505 442159 446950 450076 450704 450989 452432 455857 458825 461257
2001 464156 465945 467090 467659 468526 470343 472475 476869 479277 480723 482880 484172
2002 486379 489833 492731 495472 497211 497872 499941 502222 505707 506735 506281 507151
2003 507041 505679 506136 508757 510006 511309 512597 513035 514957 517251 520646 524195
2004 526825 530959 532963 531437 531734 533308
Para melhor visualizao da tendncia calculada, na gura

3.16 apresentada a sua evoluo ao longo do tempo, o que de
fato possui um apelo visual mais signicativo para compreenso
desta componente por parte dos leitores.

FIGURA 3.16 Tendncia mvel centrada 2x12 do consumo industrial

de energia (MWh).
Na gura 3.16, no podemos deixar de perceber a suavi-

dade na variao dos dados ao longo do tempo, principalmente
quando a comparamos com o comportamento observado nas
guras 3.4, 3.8 ou 3.11, que ilustram os dados originais. Como
na gura 3.16, apenas o comportamento da tendncia est de-
senhada, presumvel que a inuncia da sazonalidade na srie
de consumo industrial de energia seja bastante marcante. Isto
exige uma maior ateno na anlise e tratamento desta compo-
nente, pois dela parece depender a condio de se obter previ-
ses acuradas.
Quanto s previses da tendncia, estas podem ser constru-
das de uma maneira bastante simples e intuitiva. Por exemplo,
para determinarmos os valores desta componente para os doze
meses de 2005, podemos traar
duas retas paralelas que abranjam
Quanto s previses da tendn-
cia, estas podem ser construdas a variao da tendncia, como as
de uma maneira bastante simples apresentadas na gura 3.16, e con-
e intuitiva, utilizando a idia de siderar um determinado valor per-
intervalos de previso.
tencente a este intervalo futuro.

3.2.2 CLCULO DA SAZONALIDADE

A sazonalidade, por sua vez, representa um padro comumente
identicvel em dados de sries temporais. Ela caracteriza as re-
peties com mesma intensidade e durao em intervalos idnti-
cos de tempo (dirio, semanal, mensal, anual etc.). A anlise des-
ta caracterstica fundamental para a tomada de decises tanto a
nvel macro quanto a nvel microeconmico, podendo estar pre-
sente, por exemplo, tanto na estratgia adotada por algum gover-
no5 como na estratgia de vendas ou produo de uma empresa.
Existem muitos produtos que possuem seu nvel de produ-
o diretamente inuenciado pelos padres sazonais, como, por
exemplo, as j mencionadas commodities. Um exemplo clssico
deste tipo de produtos so os agrcolas, identicados desta forma,
por exemplo, quando tem seus papis negociados na bolsa de
mercadorias e futuros (BM&F).
A determinao da componen-
A determinao da componente
te sazonal de uma srie temporal,
sazonal de uma srie temporal
diferentemente da tendncia, feita feita calculando-a em relao
indiretamente, isto , com o auxlio mdia mvel centrada apropriada.
de um conjunto de nmeros-ndices
previamente calculados para cada observao em um intervalo
xo de tempo (dirio, semanal, mensal, trimestral, mensal ou qua-
drimestral). Como existe a possibilidade de decompor uma srie
atravs tanto do mtodo aditivo como do mtodo multiplicativo,
existem tambm duas formas distintas de realizar o clculo destes
ndices sazonais. Estes nmeros representam a variao da srie
ao longo do tempo em termos unitrios, no caso da decomposio
ser aditiva; e as porcentagens de variao da mesma, no caso mul-
tiplicativo. Se o valor calculado do ndice sazonal multiplicativo
for, por exemplo, 1,25, isto signica que naquele ms a vari-
5
Consubstanciada em suas polticas pblicas.

vel em estudo possui uma variao sazonal positiva em mdia de

25% em relao mdia mvel centrada do ano. Se o ndice adi-
tivo for 125 unidades de medida, isto signica que naquele ms a
varivel em estudo sofrer uma adio em mdia de 125 unidades
em relao mdia mvel centrada do ano.
O clculo dos ndices sazonais possui para ambos os mto-
dos, tanto o aditivo quanto o multiplicativo, trs etapas a serem
cumpridas, sendo elas:
1. Calcular a tendncia atravs da mdia mvel centrada
apresentada na seo anterior. Se os dados forem mensais, uti-
liza-se 2x12MM; se forem trimestrais, utiliza-se 2x4MM, se fo-
rem quadrimestrais, 3MM; e assim por diante. Tal procedimento
refere-se terceira coluna da tabela 3.5;
2. O prximo passo retirar a tendncia da srie original.
Este procedimento se d de forma distinta entre o mtodo aditi-
vo e o multiplicativo. Se o mtodo adotado for o aditivo, como
tendncia + sazonalidade + discrepncia de ajuste6 = valores ob-
servados, a retirada da tendncia ser atravs da subtrao destes
valores aos dados originais: valores observados (tendncia). J
se o mtodo for o multiplicativo, este procedimento realizado
atravs da diviso dos dados originais pelos da tendncia: valo-
res observados / (tendncia). Procedimento que ilustrado na
quarta coluna da tabela 3.5;
3. Por m, calcula-se a mdia dos valores obtidos na se-
gunda etapa para cada ms, ou seja, se os dados forem mensais,
calcular-se- uma mdia para o ms de janeiro, uma para fe-
vereiro, e assim por diante, at serem obtidos os doze ndices
sazonais. Porm, se os dados forem trimestrais, calcula-se uma
6
Dentro dos prprios dados da srie, de se esperar uma pequena dife-
rena, chamada de discrepncia de ajuste, entre as componentes tendn-
cia-ciclo e sazonalidade e o valor observado. Esta discrepncia deve ser
bastante irregular e a sua mdia deve ser praticamente zero, como foi visto
no captulo anterior.

mdia para o primeiro trimestre, outra para o segundo, e assim

por diante, at que se obtenha os quatro ndices sazonais da
srie original.
Como mencionado, a tabela 3.5 traz os valores calculados
para ambos os mtodos referentes, da mdia mvel centrada e
dos ndices sazonais s primeiras observaes do consumo in-
dustrial de energia eltrica em Santa Catarina. Na tabela 3.6,
possvel visualizar os ndices sazonais multiplicativos e aditivos
calculados para a srie como um todo, ou seja, a aplicao dos
trs passos que ilustram o procedimento descrito anteriormente
e demonstrado na gura 3.17.
Tabela 3.5 Exemplo do clculo dos ndices sazonais do

consumo industrial de energia eltrica.
Consumo Consumo
Consumo Mdia Mvel ndice
Industrial Industrial / ndice Sazonal
Ms/Ano Industrial Centrada 12 Sazonal
Tendncia e Tendncia e Multiplicativo
(MWh) meses Aditivo
Ciclo Ciclo
Jan.1994 273997
Fev.1994 300080
Mar.1994 334196
Abr.1994 309336
Mai.1994 310700
Jun.1994 322047
Jul.1994 346610 326536 20074,38 12372,43 1,0615 1,031
Ago.1994 328583 329289 -706,13 3502,63 0,9979 1,009
Set.1994 327286 333664 -6378,21 426,65 0,9809 1,001
Out.1994 366995 ... ... ... ... ...
Nov.1994 328288 ... ... ... ... ...
Dez.1994 360764 ... ... ... ... ...
Jan.1995 293088 ... ... ... ... ...
Fev.1995 347073 ... ... ... ... ...
... ... ... ... ... ... ...
Mai.2004 564627 533226 32893,04 10134,77 1,0619 1,026
Jun.2004 539480 533389 6172,38 4321,72 1,0116 1,008

Tabela 3.6 ndices sazonais do consumo industrial de

energia eltrica.
Ms/Ano Aditivo Multiplicativo
Jan. -71831.3 0.8316
Fev. 7839.36 1.0191
Mar. 21096.52 1.0460
Abr. 13373.95 1.0296
Mai. 10134.77 1.0257
Jun. 4321.72 1.0080
Jul. 12372.43 1.0307
Ago. 3502.63 1.0087
Set. 426.65 1.0005
Out. 12394.85 1.0309
Nov. 151.82 1.0004
Dez. -8730.08 0.9809
Clculo da tendncia e ciclo atravs da mdia mvel centrada
Valo res observados tendncia e ciclo = sazonalidade + discrepncia de ajustamento
Md ia aritmtica de cada observao = ndice sazonal
Peri odicidade Mensal
Mdia dos valores ndice sazonal

de janeiro de janeiro

de fevereir o de fever eiro

de dezembro de dezembro
Periodi ci da de Tri mestral
Mdia dos valores do ndice sazona l do

primeiro trime str e primeiro trimestre
Mdia dos valores do ndice sazona l do

segundo trimestre segundo trimestre
Mdia dos valores ndice sazonal do

do quarto trimestre quarto trimestre
Outra
FIGURA 3.17 Fluxograma do processo de clculo dos ndices sazonais.

Para que se possa visualizar melhor a variabilidade anual

do consumo industrial de energia no estado de Santa Catarina,
apresentado na gura 3.18 o comportamento sazonal multiplica-
tivo para cada ms do ano. Optou-se pela demonstrao dos ndi-
ces multiplicativos por dois motivos. Primeiro por apresentarem
pouca diferena em termos de formato em relao aos aditivos,
o que bastante coerente, tendo em vista que ambos medem a
mesma componente,7 e, segundo, por darem uma maior noo
em termos percentuais da variao ocorrida em cada ms.
FIGURA 3.18 ndices sazonais multiplicativos do consumo industrial

de energia eltrica.
No processo de tomada de deciso, seja em um ambiente

pblico ou privado, interessante
que se ajuste os dados sazonalmen- No processo de tomada de deci-
so, seja em um ambiente pbli-
te antes de qualquer anlise. Com co ou privado, interessante que
isto possvel, por exemplo, com- se ajuste os dados sazonalmente
parar dados ao longo do tempo e ter antes de qualquer anlise.
um melhor entendimento dos rela-
cionamentos onde a sazonalidade representa um complicador.
7
Diferenciados apenas por suas unidades de medida.

Muitos dos dados publicados so desazonalisados, como ocorre

com algumas sries divulgadas pelo governo. Este procedimento
visa principalmente evitar complicaes interpretativas, as quais
poderiam acarretar facilmente em decises precipitadas.
Um aspecto importante a ser mencionado diz respeito de-
ciso de qual mtodo adotar, aditivo ou multiplicativo, quando
o ajuste sazonal necessrio, tendo em vista que apenas um de-
les pode ser considerado como o mais adequado situao. A
diferena bsica entre estes dois mtodos est no fato de que,
enquanto para o primeiro a srie original composta pelo soma-
trio de suas componentes, no segundo seu produtrio que a
compe, portanto, um ajuste sazonal adquirido subtraindo-se
ou dividindo-se a srie original pelo componente sazonal.
Apenas como exemplo ilustrativo deste procedimento,
apresenta-se uma aplicao de desazonalisao aditiva na arre-
cadao industrial de ICMS em Santa Catarina no perodo de
janeiro de 1997 a setembro de 2004. A tabela 3.7 traz os dados
observados desta srie e, na gura 3.19, seu comportamento pode
ser visualizado de forma mais clara.
Tabela 3.7 Arrecadao industrial de ICMS em Santa

Catarina (R$ mil).
1997 50860 51534 49302 56121 58727 57679 51810 49226 51407 56083 58494 60994
1998 52172 44612 51245 47803 54026 51279 49015 49720 45991 56375 55601 54769
1999 52332 39483 42351 53401 52336 53679 46466 48082 49677 50898 54438 62805
2000 62602 56432 53858 65161 60962 61913 56685 59084 64581 69860 63410 76774
2001 68738 53095 64731 73007 72137 67862 63576 64409 67894 64143 73948 77363
2002 79567 60493 66073 78424 73083 70836 64985 65602 71518 73813 83051 85875
2003 80121 71480 74128 83487 83852 81703 73497 73497 78064 78064 80751 80751
2004 80751 80751 80751 80751 81429 81818 81818 69889 86600
Fonte: Banco Central do Brasil.

FIGURA 3.19 Comportamento da arrecadao industrial de ICMS em

Santa Catarina (R$ mil).
O resultado dos clculos dos ndices sazonais para estes da-

dos pode ser visualizado no apndice do captulo. No corpo do
texto apresentamos apenas o grco dos ndices aditivos atravs
da gura 3.20, devido a seu apelo visual. Nesta gura possvel
perceber, por exemplo, que fevereiro, julho e agosto so os me-
ses em que o uxo de ICMS neste setor da economia catarinense
apresenta seus menores ndices de arrecadao no ano. Tal evi-
dncia d o embasamento necessrio s possveis inferncias que
justiquem o maior arrefecimento nas atividades industriais nos
dois primeiros meses de cada semestre no estado.
FIGURA 3.20 ndices sazonais aditivos da arrecadao industrial de

ICMS em Santa Catarina (R$ mil).

Portanto, para realizar o referido ajuste sazonal pelo mtodo

aditivo na arrecadao de ICMS, apenas foi subtrado da srie
original o valor relacionado a seu comportamento sazonal. O re-
sultado de tal procedimento para todos os dados da amostra da
arrecadao industrial de ICMS pode ser acompanhado atravs
da tabela encontrada no apndice e o seu comportamento pode
ser contemplado atravs da gura 3.21, onde possvel perceber
a relativa suavizao desta srie ao longo do tempo quando
comparada a srie apresentada na gura 3.19, na qual a inuncia
da sazonalidade est presente.
FIGURA 3.21 Comportamento da arrecadao industrial de ICMS

ajustada sazonalmente pelo mtodo aditivo (R$ mil).
3.2.3 COMPONENTE DISCREPNCIA DE AJUSTE
A componente discrepncia de ajus-

A ltima componente que resta ser
te uma caracterstica presente abordada no contexto da decom-
em, pode-se dizer, todas as sries posio clssica a discrepncia
histricas e refere-se ao que no
de ajuste, comumente tambm
pode ser considerado tendncia e
nem to pouco sazonalidade. identicada como componente
irregular ou resduo. Trata-se de

uma caracterstica presente em, pode-se dizer, todas as sries his-

tricas e refere-se ao que no pode ser considerado tendncia e
nem tampouco sazonalidade. Caso contrrio, as sries temporais
seriam determinsticas, ou seja, se fossem realizados esforos
para previso das mesmas, uma vez identicadas tendncia-ciclo
e sazonalidade, no haveria a possibilidade de existir a presena
de discrepncias.
Para melhor compreenso do que esta componente signica
apresentado na tabela 3.8 o resultado do seu clculo nos dados
do consumo industrial de energia eltrica no estado. Tais valores
foram obtidos pelo quociente entre os dados observados e o pro-
duto das demais componentes, uma vez que se utilizou o mtodo
multiplicativo de decomposio, segundo a seguinte expresso:
Tabela 3.8 Componente irregular ou resduo do consumo

industrial de energia eltrica.
1994 1.0299 0.9893 0.9804 1.0554 0.9635 1.0689
1995 1.0205 0.9873 1.0865 0.9512 1.0168 1.0208 0.9705 0.9287 0.9830 1.0349 1.0166 0.9694
1996 1.0008 1.0498 0.9020 0.9879 1.0618 0.9340 1.0088 1.0671 0.9725 0.9287 1.0706 0.9696
1997 0.9986 1.0265 0.9508 1.0247 1.0195 0.9824 0.9976 1.0278 1.0208 1.0550 0.9550 1.0065
1998 0.9729 1.0073 0.9593 1.0044 0.9689 1.0048 1.0229 1.0120 1.0237 0.9890 0.9784 1.0236
1999 0.9685 0.9868 0.9881 0.9866 1.0105 0.9873 0.9993 1.0024 1.0370 0.9706 0.9646 1.0321
2000 1.0185 0.9758 1.0271 0.9886 0.9897 1.0027 0.9830 1.0100 1.0053 1.0076 1.0492 0.9817
2001 0.9745 0.9135 1.0396 1.0312 0.9957 1.0304 1.0115 0.9697 0.9917 0.9417 1.0542 0.9689
2002 1.0170 1.0097 0.9613 1.0658 0.9472 1.0261 1.0075 1.0320 0.9660 0.9939 0.9841 0.9786
2003 1.0301 1.0397 1.0339 0.9860 0.9546 1.0080 0.9689 0.9610 1.0195 1.0233 0.9637 1.0007
2004 0.9987 1.0037 1.0514 0.9736 1.0352 1.0035

O primeiro valor obtido refere-se ao ms de julho, devido a

questes que caracterizam o clculo da tendncia de sries com
periodicidade mensal. A partir do valor calculado para tendn-
cia atravs de mdia mvel, que no caso da amostra adotada
foi de 326535,6 MWh, foi efetuada a sua diviso pelo o valor
para o mesmo perodo, que foi de 346610 MWh. Essa operao
resultou em um valor igual a 1,0615 MWh, o qual representa,
como sabido, as componentes sazonalidade e irregularidade
conjuntamente.
Por deduo, possvel saber que o valor referente
componente irregular ser inferior a 1,0615 MWh, tendo em
vista que este ltimo valor composto pelo produto desta e
da sazonalidade. Como o ndice sazonal multiplicativo deste
ms para esta srie j conhecido (1,030646), a multiplicao
deste valor pelo valor obtido com o clculo da componente
tendncia (326535,6 MWh), produz a medida 336542,5 MWh,
que representa as componentes tendncia e sazonalidade con-
juntamente.
FIGURA 3.22 Discrepncia de ajustamento do consumo industrial de

energia eltrica (MWh).

Portanto, para obteno do valor da irregularidade individu-

almente para o ms de julho de 1994, basta dividir o valor original
do consumo industrial de energia pelo valor calculado destas com-
ponentes em conjunto, ou seja, 346610 MWh / 336542,5 MWh =
1,0299145 MWh. Devido a seu apelo grco, a componente irre-
gular teve seu comportamento divulgado na gura 3.22.
3.2.4 COMO MONTAR A PREVISO

Aps realizar a decomposio de-
Aps realizar a decomposio,
monstrada anteriormente, o prxi-
o prximo desafio consiste em
mo desao consiste em construir construir as previses propria-
as previses propriamente ditas. mente ditas. Para isso basta re-
Para isso basta recompor a srie no- compor a srie novamente, ou
seja, reunir as previses de cada
vamente, ou seja, reunir cada uma uma de suas componentes.
das previses de suas componentes.
Para isso, primeiramente, neces-
srio que se realize uma previso dos dados referentes compo-
nente tendncia8 n vezes, independentemente do mtodo que
se estiver usando (aditivo ou o multiplicativo).
Como sugerido na seo 3.2.1, as previses da tendncia po-
dem ser construdas a partir de duas retas paralelas que abranjam
sua variao, sendo permitido considerar qualquer valor perten-
cente a este intervalo, exatamente como no caso apresentado na
gura 3.16. Utilizar esta tcnica visual parece um tanto quan-
to grosseiro, porm Webby e OConnor (1996) citando estudos
como o de Lawrence et al. (1985) (que mostraram que previses
julgamentais a partir de grcos eram mais precisas do que m-
todos estatsticos para macro sries, com baixa variabilidade ao
longo do tempo e quando o horizonte de previso era relativa-
mente curto) armam que tal mtodo apresenta bons resultados.
8
Anteriormente calculada atravs da mdia mvel.

Seguindo o exemplo do problema colocado durante todo

este captulo, aplicou-se tal metodologia de previso aos dados
da tendncia do consumo industrial de energia em Santa Catari-
na. Os valores julgamentais estimados para cada um dos meses
da amostra considerada podem ser observados na tabela 3.9.
Tabela 3.9 Valores estimados por julgamento visual da

tendncia do consumo industrial de energia eltrica (MWh).
1994 - - - - - - 335056 336530 338009 339495 340988 342486
1995 343991 345503 347020 348544 350075 351611 353154 354704 356259 357822 359390 360965
1996 362546 364133 365727 367327 368934 370546 372166 373791 375423 377061 378706 380356
1997 382014 383677 385347 387023 388706 390395 392090 393791 395499 397214 398934 400661
1998 402395 404134 405880 407632 409391 411156 412927 414705 416489 418280 420076 421879
1999 423689 425504 427327 429155 430990 432831 434678 436532 438392 440259 442131 444011
2000 445896 447788 449686 451591 453501 455419 457342 459272 461208 463151 465100 467055
2001 469017 470985 472959 474939 476926 478920 480919 482925 484938 486956 488981 491013
2002 493050 495094 497145 499202 501265 503334 505410 507492 509580 511675 513776 515884
2003 517997 520118 522244 524377 526516 528662 530813 532972 535136 537307 539484 541668
2004 543858 546054 548257 550465 552681 554902 557130 559365 561605 563852 566105 568365
Julgado o valor previsto da componente tendncia, o passo

seguinte unir esta componente componente sazonal, obtendo
assim a previso nal destes dados que so objeto deste estudo.
Esta recomposio realizada diferentemente dependendo do
mtodo utilizado, pois se o mtodo for, por exemplo, o multi-
plicativo, deve-se multiplicar os valores previstos para a compo-
nente por seus respectivos ndices sazonais.
Quanto a componente irregular, esta no incorporada
previso nal pelo fato de ser uma componente com comporta-
mento aleatrio em torno de zero, e por isso a tentativa de pre-
v-la acarretaria em ndices de discrepncia maiores, o que seria
obviamente indesejvel. Por este motivo, esta componente des-
prezada no momento da construo das previses nais.

No apndice deste captulo, possvel visualizar os valores

calculados das previses por decomposio clssica do consumo
industrial de energia eltrica em Santa Catarina para o perodo
mencionado. Tais valores foram construdos utilizando-se o m-
todo multiplicativo.
Na gura 3.23, apresentada a sobreposio dos dados ob-
servados com os previstos, para que a comparao intuitiva seja
feita com relao adequao desta tcnica. Visando dar uma
melhor idia da aderncia do mtodo de previso por decompo-
sio multiplicativa aos dados do consumo industrial de energia
eltrica no estado, tambm apresentado, na gura 3.24, o com-
portamento das discrepncias deste mtodo ao longo do tempo.
FIGURA 3.23 Desempenho da previso por decomposio

multiplicativa do consumo industrial de energia eltrica (MWh).
Observando a gura acima e tabm a prxima, poss-

vel perceber a superioridade no nmero de previses superesti-
madas em relao ao nmero de previses subestimadas. A ra-
zo para tal ocorrncia a limitao da tcnica de decomposio
clssica, quando utilizada para realizar previses, em considerar
as modicaes nas componentes ao longo do tempo, possibili-
dade esta admitida na suavizao exponencial, assunto do pr-

ximo captulo. Apesar disto, possvel visualizar no histograma

da gura 3.25, que a disperso destas discrepncias bem mais
restrita do que as geradas pelos mtodos anteriores apresentados,
o que sem dvida um aspecto positivo.
FIGURA 3.24 Discrepncias de ajustamento da previso por

decomposio multiplicativa do consumo industrial de energia eltrica
(MWh).
FIGURA 3.25 Histograma das discrepncias da previso por

decomposio multiplicativa do consumo industrial de energia eltrica
(MWh).

Como forma de simular uma situao real, em termos de

procedimentos empresariais da constituio de previses futuras,
utilizou-se os dados do consumo industrial de energia eltrica
apenas de janeiro de 1994 a dezembro de 2003, com o intuito
de construir previses para o ano de 2004. Tal procedimento d
a oportunidade de avaliar o desempenho desta tcnica para um
horizonte de at doze passos frente, termos o conhecimento
prvio do comportamento ocorrido em 2004.
Na gura 3.26, possvel confrontarmos os valores previs-
tos e os observados para o ano de 2004. Nela o hiato entre as duas
linhas representa as discrepncias de previso ocorridas at 12
passos frente.
FIGURA 3.26 Previses por decomposio at doze passos frente

do consumo industrial de energia eltrica (MWh).
3.2.5 DISCREPNCIA DE AJUSTAMENTO E DISCREPNCIA DE PREVISO

Uma diferenciao muito importante a se fazer neste texto, diz res-
peito ao termo discrepncia. Sua utilizao surge tanto no no proces-
so de ajustamento do mtodo aos dados da srie que se constituem

na amostra, como tambm no proces-

Como discrepncia de ajustamen-
to, entende-se toda informao
so de mensurao das discrepncias
cujo padro, por no ser identi- das previses futuras, nas quais os
ficvel, passa a no fazer parte dados a serem observados no fazem
dos ajustes que iro construir as
parte da amostra.
previses.
Como discrepncia de ajusta-
mento, entende-se toda informao
cujo padro, por no ser identicvel, passa a no fazer parte dos
ajustes que iro construir as previses. Tal componente em uma
srie, nada mais do que aquilo que chamamos de resduo na
metodologia de decomposio clssica. Ou seja, uma componen-
te de comportamento irregular ou aleatria que, por este motivo,
no pode ser identicada nem como
Como esta aleatoriedade no tendncia nem como sazonalidade,
incorporada no ajuste de uma passando, portanto, a no fazer par-
tcnica de previso aos dados
de interesse, natural que parte te do valor previsto.
deste comportamento tambm Como esta aleatoriedade no
esteja presente na discrepncia incorporada no ajuste de uma tcni-
de previso.
ca de previso aos dados de interes-
se, natural que parte deste com-
portamento tambm esteja presente na discrepncia de previso,
isto , na diferena entre o valor futuro previsto e o valor corres-
pondente observado para um determinado perodo. As medidas
tradicionalmente utilizadas para avaliar tais discrepncias so as
mesmas discutidas no captulo dois e citadas na tabela 3.10.
Tabela 3.10 Medidas de preciso para discrepncias de

previso.
Medida Acrnimo
Discrepncia Mdia DM
Discrepncia Absoluta Mdia DAM
Discrepncia Percentual Absoluta Mdia DPAM
Discrepncia Quadrada Mdia DQM
Raiz Quadrada da Discrepncia Quadrada Mdia RQDQM

3.2.6 OUTRO EXEMPLO

Com o intuito de esclarecer ainda mais o processo de aplicao do
mtodo de decomposio clssica na construo de previses, apre-
senta-se outro exemplo. Desta vez os dados utilizados como amos-
tra sero os de uma srie que mais se adequa ao mtodo aditivo de
decomposio. Para tanto, reportemos aos dados da arrecadao de
ICMS do setor industrial em Santa Catarina, os mesmos j apresen-
tados no nal da seo 3.2.2, na tabela 3.7, gura 3.19.
Os resultados do clculo da componente tendncia, segundo
a metodologia da mdia mvel, para a srie de arrecadao de
ICMS podem ser visualizados na tabela 3.11. J a gura 3.27 per-
mite que seu comportamento seja melhor compreendido.
Tabela 3.11 Tendncia da arrecadao industrial de ICMS

em Santa Catarina (R$ mil).
1997 54407.75 54174.00 53966.54 53700.92 53158.46 52695.92
1998 52312.79 52216.92 52011.83 51798.33 51689.96 51310.04 51057.33 50850.29 50266.00 50128.67 50291.50 50321.08
1999 50314.88 50140.42 50225.75 50151.13 49874.46 50160.83 50923.58 52057.71 53243.38 54212.83 55062.25 55764.75
2000 56533.63 57417.83 58497.25 59908.33 61072.25 62028.13 62865.83 62982.46 63296.46 64076.42 64868.96 65582.46
2001 66117.46 66626.46 66986.38 66886.21 67087.08 67550.71 68026.46 68785.92 69150.08 69431.71 69696.83 69860.17
2002 70042.79 70151.21 70351.92 70905.83 71688.04 72422.00 72799.75 73280.63 74074.04 74620.63 75280.29 76181.79
2003 76989.25 77672.88 78274.58 78724.46 78805.75 78496.42 78309.17 78721.71 79383.96 79545.92 79330.96 79234.79
2004 79586.29 79782.67 79988.00
FIGURA 3.27 Comportamento da componente tendncia (R$ mil).

Quanto aos resultados dos clculos dos ndices sazonais,

como j foram apresentados na gura 3.20, e seus valores esto
disponveis no apndice deste captulo, no demonstraremos no-
vamente seus clculos e resultados, passando diretamente a apre-
sentao da componente irregular. O resultado do clculo de seus
valores podem ser observados na tabela 3.12, e seu comporta-
mento visualizado na gura 3.28, assim como, os demais passos
da decomposio aplicada srie da arrecadao de ICMS do
setor industrial em Santa Catarina neste perodo.
Tabela 3.12 Componente irregular da arrecadao

industrial de ICMS Santa Catarina (R$ mil).
1994 2024.5 -486.2 -524.1 1879.4 2192.2 1199.5
1995 -3624.5 -796 2547.3 -7813.5 -360.4 -915 2579.9 3331.5 -2239.5 5743.6 2166.1 -2650.7
1996 -1466.6 -3848.5 -4560.7 -568.2 -234.9 2634.2 164.7 486.1 -1530.9 -3817.5 -3767.7 -58.3
1997 2584.7 5823.1 -1325.2 1434.6 -2806.7 -999.1 -1558.6 563.4 3320 5280.9 -4602.4 4093
1998 -863.2 -6722.6 1058.73 2302.67 2353.51 -572.69 171.81 84.90 779.41 -5791.41 1107.77 404.26
1999 6040.5 -2849.3 -964.8 3700.1 -1301.5 -2470 -3192.5 -3216.8 -520.6 -1310.3 4627.3 2594.6
2000 -352 616 -832.5 944.4 2349.8 2322.6 -189.9 -762.9 715.5 -1984.6 -1723.4 -5582.4
2001 -3624.5 -796 2547.3 -7813.5 -360.4 -915 2579.9 3331.5 -2239.5 5743.6 2166.1 -2650.7
2002 -2319 7777.2 4077.1
FIGURA 3.28 Decomposio clssica aditiva da arrecadao

industrial de ICMS em Santa Catarina (R$ mil).

Pelo fato da deciso de qual mtodo alternativo9 utilizar em

uma determinada situao ocupar um papel chave dentro da apli-
cao da tcnica de previso por decomposio, acredita-se que
uma discusso mais incisiva a cerca deste ponto extremamente
pertinente. A seo seguinte tem por objetivo discutir este ponto
em maiores detalhes, visando contribuir para um maior entendi-
mento a cerca dos possveis prejuzos a serem incorridos numa
deciso equivocada no momento de utilizar tal tcnica.
3.3 Quando Usar o Mtodo Aditivo e o Mtodo

Multiplicativo
A deciso de qual mtodo alternati-
A deciso de qual mtodo alter-
vo utilizar no momento de decom-
nativo utilizar no momento de
por uma srie e, principalmente, decompor uma srie e, principal-
no momento de recomp-la para mente, no momento de recom-
construir as previses, deve de- p-la para construir as previses,
deve depender, nica e exclusiva-
pender nica e exclusivamente do mente, do comportamento desta
comportamento desta srie ao lon- srie ao longo do tempo.
go do tempo. Como j foi dito, se
uma srie no apresenta uma modicao em sua amplitude com
o incremento do nvel ao longo do tempo, isto signica que ela
possui componentes aditivos, em caso contrrio pode-se dizer
que a srie apresenta componentes multiplicativos. As guras an-
teriormente apresentadas 3.14 e 3.15 possuem , respectivamente,
componentes aditivos e multiplicativos.
No mtodo aditivo a hiptese aceita que a srie compos-
ta, como o prprio nome diz, pela adio de suas componentes,
ou seja, tendncia mais sazonalidade e a componente irregular
(discrepncia). Portanto, uma vez calculada a tendncia, basta
realizar a subtrao desta da srie original para se obter a srie
9
Aditivo ou multiplicativo.

conjunta da sazonalidade e discrepncia. J com o clculo dos

ndices sazonais, torna-se possvel identicar o quanto da srie
conjunta restante referente componente sazonal, tratando-se,
portanto, de discrepncia os valores remanescentes.
No caso do mtodo multiplicativo a lgica bsica a mesma
desenvolvida no mtodo aditivo, o que se modica a operao
matemtica realizada para decompor a srie, que, no caso, passa
a ser a diviso. Para que se possa ter uma idia do possvel cus-
to de uma deciso desastrada, ser realizada a decomposio
por ambos os mtodos. Assim, ser possvel perceber mais clara-
mente as modicaes de comportamento das componentes, que
por serem a base das previses, interferem direta e signicativa-
mente no desempenho das mesmas.
A srie utilizada para esta demonstrao ser o consumo
comercial de energia em Santa Catarina medido em MWh de ja-
neiro de 1984 a dezembro de 2003, cujo comportamento j foi
apresentado na gura 3.1210. A opo por tal srie obedeceu o
critrio de convenincia didtica, pois como se trata de um caso
aparente de componentes multiplicativos, constitui-se em um
caso inequvoco e, portanto, bastante til s nossas pretenses.
Os valores calculados de sua tendncia, que serve para am-
bos os mtodos, podem ser visualizados na tabela 3.13. J seu
comportamento pode ser observado na gura 3.29.
Tabela 3.13 Tendncia do consumo comercial de energia

em Santa Catarina (MWh)
1984 45708 47174 44298 38270 37473 37022 36078 37198 34018 33747 36853 35524
1985 42611 43191 42399 41862 38241 36214 35566 37176 36237 38408 41012 39984
1986 47887 40847 34169 37199 38123 35642 36876 37768 36653 39323 40279 41359
1987 50471 47986 48425 45346 44852 39368 40399 41285 41025 48648 43397 46052
10
Seus valores so disponibilizados no apndice deste captulo.

1988 54800 48881 51780 51695 43246 43225 42843 42402 43178 42307 44014 46841
1989 53511 54668 54042 50907 48575 45897 45569 46383 46732 46661 49426 51043
1990 57222 58157 60947 57845 52301 47244 46716 50207 47872 49854 55264 54113
1991 60394 60659 58022 60584 56646 54216 53259 53462 53548 56803 57821 60117
1992 66160 71451 68809 63816 58444 54828 55341 55508 54462 56813 58384 59096
1993 72058 68882 69204 76458 68393 59398 61346 61087 60462 62304 68702 72250
1994 77721 77214 79660 77697 69610 68380 65827 62667 69517 69791 69970 78711
1995 89051 89734 92127 85089 78224 76130 77970 76357 79422 82434 83082 87548
1996 96276 100214 97171 97295 91291 82346 85056 81962 82632 83614 88301 94788
1997 111258 110303 109127 104073 97106 91794 91405 91581 96608 97922 98740 106931
1998 120508 121718 122100 111999 105565 101831 99109 101214 101946 103784 107822 115111
1999 126024 123951 138500 126480 114249 106152 107433 108565 112625 110753 112127 126364
2000 137334 142907 147442 136291 129871 121273 119459 117226 116364 128224 131919 139528
2001 147701 156664 168622 158155 140501 125423 119291 121086 122596 120267 134255 137897
2002 148879 160324 154784 167584 146069 137717 132389 131217 128870 142015 142025 150209
2003 167210 179081 180673 154867 153924 138968 138514 134497 132149 145602 145670 157248
FIGURA 3.29 Comportamento da componente tendncia (MWh).
Quanto aos ndices sazonais, seus valores podem ser visuali-

zados no apndice. Porm, seus comportamentos so expostos na
gura 3.30 para que o leitor possa contemplar as diferenas entre
ambos.

FIGURA 3.30 ndices sazonais do consumo comercial de energia

eltrica em Santa Catarina.
Por m, resta apresentarmos os valores da discrepncia de ajus-

te resultantes da aplicao tanto do mtodo multiplicativo quanto do
mtodo aditivo. As guras 3.31 e 3.32 trazem no s as discrepn-
cias, mas tambm os demais passos de ambas as decomposies.
Nestas guras, possvel perceber de forma mais clara as
diferenas entre os dois mtodos, que se tornam evidentes quan-
do a srie original decomposta. Como a operao matemtica
aplicada na decomposio distinta para ambos os mtodos, ine-
vitavelmente o comportamento da srie quando alguma compo-
nente extrada tambm se altera. O que importante lembrar,

da a convenincia didtica desta demonstrao, o fato de que

tais alteraes tambm produziro reexos no momento de re-
compor a srie. Isso conseqentemente acarretar discrepncias
diferentes que, de forma inevitvel, sero maiores no acumulado
do que aquelas atingidas utilizando-se o mtodo mais adequado.
FIGURA 3.31 Decomposio clssica aditiva do consumo comercial

de energia eltrica.
FIGURA 3.32 Decomposio clssica multiplicativa do consumo

comercial de energia eltrica.

Comparando-se o comportamento das componentes nas

guras 3.31 e 3.32, possvel perceber diferenas que signi-
cam as sub ou superestimaes que se pode dar a cada uma ao
se escolher um ou outro mtodo. Como para cada srie apenas
um dos mtodos alternativos de decomposio pode ser consi-
derado o mais adequado, os custos decorridos de uma escolha
precipitada poderiam signicar, no caso do exemplo, falhas no
fornecimento de energia eltrica por parte da concessionria de
distribuio devido ao mau dimensionamento do volume de de-
manda do comrcio.
FIGURA 3.33 Discrepncias da previso aditiva e multiplicativa do

consumo comercial de energia em Santa Catarina (MWh).

Tal situao se efetivaria com facilidade se, na tentativa

de prever o consumo comercial de energia eltrica no estado,
a concessionria optasse, por exemplo, pelo mtodo aditivo
para realizar suas previses ao invs do multiplicativo que, por
ser o mtodo teoricamente mais adequado, produziria meno-
res discrepncias. Esta situao pode ser melhor compreendida
observando-se a gura 3.33, que sobrepe s discrepncias de
previso tanto de um quanto de outro mtodo.
possvel que, primeira vista, o leitor admita que no
existe uma diferena signicativa entre ambos os mtodos. Na
verdade isto muito relativo, pois depende muito dos custos en-
volvidos e relacionados com as discrepncias. Cabe considerar
aqui que quando se est tratando de questes estratgicas que
envolvem milhes de reais para investimentos, como o caso
do fornecimento de energia, pequenas diferenas podem muitas
vezes signicar grandes prejuzos, o que pode torn-las extrema-
mente relevantes.
Para se avaliar as diferenas entre as discrepncias de
ajuste resultantes da aplicao destes dois mtodos alternati-
vos, podemos utilizar, por exemplo, as medidas de discrepn-
cias introduzidas no captulo anterior ou mesmo os histogra-
mas da gura 3.34. No caso do exemplo do consumo comer-
cial de energia, o clculo de algumas medidas de discrepncias
proporciona uma mensurao dos prejuzos possivelmente in-
corridos pelos comerciantes catarinenses, como, por exemplo,
daqueles que necessitam de refrigerao para sua conservao
de seus produtos, o que tambm pode ser utilizado nas diferen-
tes disperses dos histogramas da gura 3.34.
Neste caso, o clculo da DPAM do mtodo aditivo foi de
7,08% enquanto que a do mtodo multiplicativo foi de apenas
5,13%, ou seja, uma diferena de praticamente dois pontos per-
centuais.

FIGURA 3.34 Histogramas das discrepncias da previso aditiva e

multiplicativa do consumo comercial de energia em Santa Catarina
(MWh).
3.4 Avanos e Confuses Mais Recentes

Nesta seo comentaremos as possveis complicaes derivadas
desta tcnica relativamente simples de decomposio de uma srie.
No objetivo aqui entrar em maiores detalhes da tcnica conhecida
como Decomposio STL, pois devido a seu grau de complexidade,
isso fugiria ao escopo e proposta deste livro. O que se busca aqui
apenas informar esta possibilidade ao leitor. Caso algum deseje
aprofundar-se, saber ao menos em termos gerais do que se trata.

Proposta por Cleveland et al. (1990), a sigla STL refere-se

ao processo de decomposio se uma srie que pode ser aplicado
em sries com dados perdidos emprega a suavizao exponen-
cial11 no clculo dos componentes sazonais. A letra S refere-se
sazonalidade, a T a tendncia e a L a loess.
Este mtodo, segundo Makridakis et al. (1998), foi propos-
to como uma alternativa ao mtodo Census II, desenvolvido em
1955 pela Agncia do Censo do governo americano, que con-
sistia em encontrar um melhor ajustamento sazonal aos dados,
utilizando em muitos de seus passos de decomposio a apli-
cao de mdias mveis ponderadas na srie. O Census II era
originalmente multiplicativo, pois foi desenvolvido para sries
econmicas que em sua grande maioria apresentam variaes sa-
zonais que aumentam com o incremento do nvel. Seus primeiros
passos de utilizao so similares ao da decomposio clssica,
porm, logo em seguida, passa-se a realizar diversas interaes,
nas quais a estimao dos componentes renada.
J a decomposio STL propriamente dita consiste em uma
seqncia de aplicaes nos dados suavizando-os exponencial-
mente para se obter a decomposio que, segundo Makridakis
(1998), altamente resistente para observaes extremas. Uma das
ditas vantagens da STL sobre os demais mtodos de decomposio
sazonal sua capacidade de tratar sries temporais sazonais cuja
sazonalidade seja outra que no a trimestral ou a mensal. A decom-
posio STL tambm pode ser aplicada em sries que contenham
valores perdidos, algo que, como bem cita Makridakis (1998), no
facilmente tratado por outros mtodos de decomposio.
Como no caso do Census II, a decomposio STL um algo-
ritmo interativo onde as estimativas das componentes tendncia e
sazonalidade so progressivamente renadas e aperfeioadas. A
STL consiste em dois procedimentos recursivos, um loop interno
11
Assunto tratado em detalhes no captulo seguinte.

e outro externo, ambos aninhados entre si. Em cada interao do

loop interno os componentes tendncia e sazonalidade so atua-
lizados simultaneamente.
3.5 Comparao entre Mtodos

Como neste captulo foi admitido o problema principal de prever
o consumo industrial de energia eltrica no estado de Santa Ca-
tarina, visando obedecer a uma estrutura didtica e comparativa
para que as tcnicas mencionadas a partir da seo 3.1.1 pudes-
sem ter seu desempenho avaliado pelo leitor, passaremos agora
a discutir seus resultados simultaneamente. Como critrio para
realizar esta avaliao, adotou-se a medida U de Theil, apresen-
tada na seo 3.1.2, pois, como mencionado inicialmente, pode
se constituir em uma ferramenta ecaz de escolha entre mtodos
alternativos de previso e o mtodo ingnuo.
A tabela 3.14 traz o clculo realizado desta medida para pre-
vises at 12 passos frente de todos os mtodos abordados, ou
seja, previses para o ano de 2004, na medida que utilizou para
ajustamento das tcnicas os dados de janeiro de 1994 a dezembro
de 2003. Os valores previstos oriundos de tais aplicaes podem
ser visualizados no apndice deste captulo.
Tabela 3.14 Desempenho das aplicaes realizadas no

consumo industrial de energia eltrica em Santa Catarina.
Mtodo U de Theil
Previso Ingnua 0,79
Previso por Mdia Simples 2,43
Decomposio Clssica 0,67
Para melhor visualizao dos resultados atingidos, apre-

sentado na gura 3.35 um grco simultneo do desempenho de
cada uma das tcnicas abordadas e dos dados observados durante
o ano de 2004.

FIGURA 3.35 Desempenho de previso at doze passos frente do

consumo industrial de energia em Santa Catarina (MWh).
possvel observar nas aplicaes desenvolvidas neste ca-

ptulo, que a tcnica de mdia simples, de fato no uma tcnica
aconselhada para se prever o consumo industrial de energia no es-
tado de Santa Catarina. Assim como no deve ser tambm aconse-
lhada para quase nenhuma situao onde a srie de interesse pos-
sua, ao menos, uma tendncia marcante. Porm, tal caracterstica
parece no a impedir de ser bastante utilizada na prtica, principal-
mente quando se deseja planejar, por exemplo, o nvel de estoques
em fbricas. J a tcnica da decomposio clssica mostrou-se
como sendo de fato a mais precisa delas, por levar em considera-
o, ao contrrio das demais, as caractersticas particulares da srie
de interesse, como por exemplo a sazonalidade e tendncia.
importante mencionar a sempre til aplicao do mtodo in-
gnuo de previso, principalmente aquele que considera a sazonali-
dade dos dados, ou seja, a previso ingnua de 12 passos frente.
bem verdade que cada caso um caso, e que, portanto, dependendo
da situao estabelecida, resultados diferentes sero atingidos. No
caso especco do consumo industrial de energia eltrica em Santa
Catarina, como pode ser observado na gura 3.36, este mtodo reve-
lou resultados bastante interessantes na previso do ano de 2004.

FIGURA 3.36 Discrepncias de previso at 12 passos frente e

de 12 passos frente do consumo industrial de energia em Santa
Catarina (MHw).
Apesar dos horizontes de doze passos frente e de at doze

passos frente serem horizontes de previso distintos, acredita-se
que tais previses se tornam comparveis na medida em que se cal-
cula o mesmo U de Theil para ambas, no caso o tradicional. A ver-
dade que quando comparamos seus resultados, a previso de doze
passos frente se mostra mais precisa do que o melhor mtodo
aplicado de at doze passos frente para a previso do consumo in-
dustrial de energia eltrica em Santa Catarina para o ano de 2004.
Quando observamos as medidas do U de Theil e da discre-
pncia percentual absoluta mdia (DPAM), calculados para am-
bos os mtodos, tais resultados podem ser melhor compreendidos
intuitivamente, pois os valores encontrados so de 0,66 e 4,92%
respectivamente, para o mtodo ingnuo sazonal e os resultados
da decomposio clssica so de 0,67 e 5,49% respectivamente.
O que se quer deixar claro com as colocaes anteriores que
sempre til considerar o mtodo ingnuo tanto na forma tradicional
quanto na sazonal como uma possvel alternativa no momento de
se construir previses, e que os resultados atingidos estaro sempre

diretamente ligados carga informacional considerada. No entanto,

esta carga informacional nunca deve ser considerada como innita-
mente contributiva, o que, porm, j assunto para um outro livro.
3.6 Concluses
Neste captulo abordaram-se as tcnicas mais simples de previso,
como a ingnua e a feita por mdia simples, alm de uma outra um
pouco mais elaborada, porm, no to complicada de ser aplicada,
chamada de decomposio clssica. Todas estas tcnicas puderam
ser avaliadas comparativamente atravs da medida U de Theil, o
que demonstrou os ganhos e prejuzos em termos de preciso de um
modo relativamente intuitivo ao se adotar uma ou outra tcnica.
importante citar aqui a sugesto feita por Makridakis et al.
(1998) com relao ao sentido da aplicao da tcnica de decom-
posio clssica. Segundo estes autores, a tcnica de decompo-
sio, apesar de mostrar-se teoricamente bastante coerente, no
costuma, em mdia, dar resultados satisfatrios quando aplicada
em situaes prticas. Sugere-se, portanto, que sua utilizao im-
plica em uma maior utilidade quando empregada para que apenas
se identique descritivamente o comportamento de uma deter-
minada srie em estudo. Esta sugesto pode ter sua signicncia
raticada, por exemplo, pelos resultados apresentados anterior-
mente, onde as previses realizadas para a quantidade de energia
consumida pelas indstrias no estado em 2004, utilizando-se o
mtodo ingnuo sazonal, se mostraram mais precisas que as da
decomposio em termos de U de Theil e de DPAM.
A busca da reduo das discrepncias sem se afastar da
simplicidade e praticidade de determinadas tcnicas de previso
uma combinao sempre bem vinda em ambientes dinmicos
como os empresariais. Por conseguinte, a questo foco deste
livro. No prximo captulo, apresentaremos os mtodos de su-
avizao exponencial. Estes mtodos tendem a apresentar, em
mdia, resultados mais consistentes e robustos em termos de

preciso das previses, principalmente quando comparados aos

resultados obtidos com a aplicao de qualquer uma das tcnicas
mais simples j discutidas at aqui.
3.7 Glossrio
Ciclo sazonal o intervalo de tempo que engloba todos os perodos
pertencentes periodicidade de uma srie, por exemplo, doze
perodos (se iniciar em janeiro) um ciclo sazonal completo de
uma srie com periodicidade mensal; quatro (se iniciar no pri-
meiro), a de uma srie trimestral; trs (se iniciar no primeiro), a
de uma srie quadrimestral, sete (se comear no domingo), a de
uma srie semanal, e assim por diante.
Horizonte de previso o tamanho do intervalo de tempo para o

qual as previses futuras foram construdas.
Horizonte de previso de um passo frente o intervalo que se resu-

me apenas ao prximo perodo futuro.
Horizonte de previso de doze passos frente o intervalo que se

resume apenas ao 12 perodo futuro.
Horizonte de previso de at doze passos frente o intervalo que

abrange os prximos 12 perodos futuros, ou seja, do 1 ao 12.
Mtodo Ingnuo Sazonal o mtodo de previso ingnua com de-

terminado nmero de passos frente que representam o ciclo
sazonal completo.
Previso futura ou Valor Previsto o valor calculado para a observa-

o que ainda no ocorreu. O valor que gerar a discrepncia de
previso quando dele for subtrado o valor observado.
U de Theil uma medida que compara os erros de previso atingi-

dos com o mtodo ingnuo de previso de um passo frente.

U de Theil Sazonal uma medida que compara os erros de previso

atingidos com o mtodo ingnuo de previso com determinado
nmero de passos frente, os quais representam o ciclo sazonal
completo.
3.8 Exerccios
3.8.1 Cite trs vantagens e duas desvantagens em se realizar pre-
vises atravs do mtodo ingnuo.
3.8.2 Qual a avaliao que voc faria de um mtodo no estruturado

de previso que resulte em uma medida do U de Theil igual a um?
3.8.3 Por que razo o mtodo de mdia simples no o mais acon-

selhado para se realizarem previses de vrios passos frente?
3.8.4 Quais as semelhanas intuitivamente perceptveis entre os

componentes ciclo e tendncia em uma srie temporal?
3.8.5 Quais as diferenas conceituais existentes entre os compo-

nentes ciclo e sazonalidade em uma srie temporal?
3.8.6 Qual a razo para no se incluir a componente aleatria na

previso por decomposio clssica se ela exprime um compor-
tamento intrnseco s sries temporais?
3.8.7 A utilizao dos mtodos aditivo e multiplicativo de decom-

posio de uma srie de dados ao longo do tempo so mutuamen-
te excludentes?
3.8.8 Porque razo a soma dos ndices sazonais multiplicativos de

dados mensais deve ser doze?
3.8.9 Qual a importncia e as vantagens em se observar/monitorar o

comportamento das discrepncias de previso ao longo do tempo?

3.8.10 Com relao decomposio clssica, explique de uma

forma intuitiva:
a) Qual a lgica quantitativa que faz com que se deva so-
mar os componentes de uma srie no momento de se
realizar uma previso pelo mtodo aditivo?
b) Qual a lgica quantitativa que faz com que se deva mul-
tiplicar os componentes de uma srie no momento de se
realizar uma previso pelo mtodo multiplicativo?
3.9 Respostas
3.8.1 Resposta:
Vantagens Desvantagens
Servir de parmetro de avaliao para o No produzir bons resultados para
desempenho de mtodos de previso, dados que apresentem tendncia e
principalmente os no estruturados; sazonalidade signicativas;
Simplicidade na realizao de previses; Utilizar apenas a ltima informao
Necessidade de pouca informao e dados; disponvel;
3.8.2 Resposta: Trata-se de um mtodo em que sua utilidade

pouco vantajosa, pois seu desempenho no se mostra superior ao
do mtodo ingnuo de previso, cujas previses so obtidas com
menor esforo.
3.8.3 Resposta: Devido ao fato de seu desempenho se deteriorar

extremamente rpido com o aumento do horizonte de previso.
Uma das principais causas desta perda de qualidade nas previ-
ses o fato de se ponderar da mesma forma tanto os dados mais
antigos quanto os mais recentes.
3.8.4 Resposta: Apresentarem um comportamento bastante pare-

cido ao longo do tempo, ao ponto de ser bastante difcil denir se
a elevao ou queda em um determinado perodo representa uma

tendncia de alta ou de baixa, ou se representa o incio ou o m

de um ciclo de crescimento ou depresso.
3.8.5 Resposta: Enquanto o ciclo representa um comportamento as-

cendente ou descendente sem durao, periodicidade ou intensida-
de predeterminada, a sazonalidade representa um comportamento
caracterstico de um perodo denido e com uma intensidade pr-
estimada.
3.8.6 Resposta: Mesmo exprimindo o comportamento de uma compo-
nente inerente a, pode-se dizer, todas as sries temporais, no se con-
sidera este elemento no momento de realizao de uma previso por
decomposio clssica pelo fato de que este procedimento acarreta-
ria em uma discrepncia maior do que aquela obtida sem a incluso
desta componente. Quando os componentes so estimados correta-
mente, a componente aleatria deve ter mdia zero. Esta componen-
te tratada como a prpria discrepncia de ajuste do mtodo.
3.8.7 Resposta: De fato apenas um dos mtodos pode ser consi-
derado o mais adequado a uma determinada srie de dados tendo
em vista o percentual de discrepncia atingido, porm isto no
impede que hajam situaes caracterizadas pela mistura de com-
ponentes aditivos e multiplicativos em uma mesma srie tem-
poral. possvel, por exemplo, casos que a sazonalidade seja
multiplicativa e a tendncia aditiva. Portanto, em termos gerais
correto admitir que ambos os mtodos sejam mutuamente exclu-
dentes, porm no se trata de uma regra sem excees.
3.8.8 Resposta: Porque os ndices sazonais multiplicativos repre-
sentam incrementos ou supresses percentuais dos dados estuda-
dos, ou seja, um incremento de 10% signica um ndice sazonal de
1,1 e um decrscimo de 10% signica um ndice sazonal de 0,9.
3.8.9 Resposta: A importncia mesma de se monitorar a quali-
dade de qualquer produto ou servio ofertado por alguma orga-
nizao. J as vantagens so aquelas relacionadas s atividades

pr-ativas por se saber exatamente o momento em que as discre-

pncias atingiram o limite tolerado e que, portanto, h a necessi-
dade de intervir no processo de previso.
3.8.10 a) Resposta: Os incrementos da varivel analisada se do
a partir de um montante.
3.8.10 b) Resposta: Os incrementos da varivel analisada se do

a partir de uma razo.
3.10 Referncias
CLEVELAND, R.B., CLEVELAND, W.S., MCRAE, J.E., e TERPENNING,
I. STL: A seasonal-trend decomposition procedure based
on loess (with discussion). Journal Ofcial Statistics, v.6,
pp.3-73, 1990.
HANKE, J.E., REITSCH, A.G. e WICHERN, D.W. Business Forecas-
ting. New Jersey. Prentice Hall, 2001.
LAWRENCE, M.J., EDMUNDSON, R.H., e OCONNOR, M.J. An examina-
tion of the accuracy of judgmental extrapolation of time series.
International Journal of Forecasting, v.1, pp.25-35, 1985.
MAKRIDAKIS, S., WHEELWRIGHT, S.C. e HYNDMAN, R.J. Forecast-
ing: Methods and Applications, 3th edition. New York. John
Willey & Sons, 1998.
MEURER, R. Um modelo macroeconomtrico de curto prazo para
o Brasil. Tese em Engenharia de Produo da Universidade
Federal de Santa Catarina. Florianpolis, 1999.
MORETIN, P.A., TOLOI, C.M.C. Anlise de Sries Temporais. So
Paulo. Edgard Blcher, 2004.
SAMOHYL, R.W. Measuring the Efciency of an Informal Fore-
casting Process. The International Journal of Applied Fore-
casting, Colchester, n3, pp. 16-21, Fevereiro 2006.
THEIL, H. Applied economic forecasting. Amsterdam: North-
Holland, pp.26-32, 1966.

WEBBY, R., e OCONNOR, M. Judgemental and statistical time

series forecasting: a review of the literature. International
Journal of Forecasting, v.12, pp.91-118, 1996.
3.11 Apndices
Consumo industrial de energia eltrica em Santa Catarina
(MHw)
1994 273997 300080 334196 309336 310700 322047 346610 328583 327286 366995 328288 360764
1995 293088 347073 392205 338228 360911 355417 343683 322470 336926 363515 348158 325467
1996 285034 370395 329691 355463 382118 333269 370388 385696 351575 349905 394697 353418
1997 311381 394382 377732 406143 405045 384092 400502 404555 399699 426489 374151 386724
1998 318035 404248 395500 407071 391183 400197 417641 404826 407415 407005 392520 404571
1999 325261 407425 420874 415758 426010 411275 428832 423969 438466 426415 413745 437059
2000 368203 434920 472195 450024 453738 454918 456627 459448 455058 473522 481631 444192
2001 376153 433805 507928 496500 478490 488544 492562 466455 475536 466694 509274 460145
2002 411376 504052 495460 543671 483082 514962 519113 522794 488764 519241 498457 486826
2003 434374 535796 547345 516453 499400 519539 511898 497304 525240 545671 501988 514564
2004 437559 543126 586145 532705 564627 539480 555084 553344 517280 517002 537795 516525
Fonte: Centrais Eltricas Santa Catarina S.A. (CELESC).
ndices sazonais aditivos da arrecadao industrial de

ICMS em Santa Catarina.
Ms ndices Aditivos
Janeiro 3483.70
Fevereiro -6808.91
Maro -3314.10
Abril 3818.12
Maio 2696.41
Junho 883.98
Julho -4622.27
Agosto -4461.82
Setembro -2035.49

Ms ndices Aditivos
Outubro 502.70
Novembro 3143.39
Dezembro 7098.58
Ajuste sazonal aditivo da arrecadao industrial de ICMS

em Santa Catarina (R$ mil)
1997 47376.30 58342.91 52616.10 52302.88 56030.59 56795.02 56432.27 53687.82 53442.49 55580.30 55350.61 53895.42
1998 48688.30 51420.91 54559.10 43984.88 51329.59 50395.02 53637.27 54181.82 48026.49 55872.30 52457.61 47670.42
1999 48848.30 46291.91 45665.10 49582.88 49639.59 52795.02 51088.27 52543.82 51712.49 50395.30 51294.61 55706.42
2000 59118.30 63240.91 57172.10 61342.88 58265.59 61029.02 61307.27 63545.82 66616.49 69357.30 60266.61 69675.42
2001 65254.30 59903.91 68045.10 69188.88 69440.59 66978.02 68198.27 68870.82 69929.49 63640.30 70804.61 70264.42
2002 76083.30 67301.91 69387.10 74605.88 70386.59 69952.02 69607.27 70063.82 73553.49 73310.30 79907.61 78776.42
2003 76637.30 78288.91 77442.10 79668.88 81155.59 80819.02 78119.27 77958.82 80099.49 77561.30 77607.61 73652.42
2004 77267.30 87559.91 84065.10 76932.88 78732.59 80934.02 86440.27 74350.82 88635.49
Previses por Decomposio Clssica multiplicativa do

consumo industrial de energia eltrica em Santa Catarina
(MHw)
1994 345324 339453 338174 350001 341138 335953
1995 286078 352114 362987 358844 359081 354438 363977 357785 356434 368894 359548 354079
1996 301509 371101 382554 378182 378425 373526 383571 377038 375606 388729 378872 373101
1997 317699 391018 403077 398460 398706 393534 404106 397212 395693 409505 399110 393019
1998 334648 411867 424555 419678 419924 414462 425582 418308 416693 431223 420261 413832
1999 352358 433646 446988 441836 442078 436311 447999 440324 438606 453882 442326 435541
2000 370826 456356 470376 464935 465169 459080 471358 463262 461434 477483 465305 458146
2001 390054 479997 494720 488974 489197 482770 495657 487121 485175 502025 489197 481647
2002 410042 504568 520019 513953 514161 507381 520898 511901 509829 527508 514002 506043
2003 430789 530070 546273 539872 540062 532912 547080 537602 535398 553933 539722 531336
2004 452295 556502 573482 566732 566900 559364 574204 564224 561880 581300 566355 557524
Consumo comercial de energia eltrica em Santa Catarina

(MHw)
1984 45708 47174 44298 38270 37473 37022 36078 37198 34018 33747 36853 35524
1985 42611 43191 42399 41862 38241 36214 35566 37176 36237 38408 41012 39984
1986 47887 40847 34169 37199 38123 35642 36876 37768 36653 39323 40279 41359
1987 50471 47986 48425 45346 44852 39368 40399 41285 41025 48648 43397 46052

1988 54800 48881 51780 51695 43246 43225 42843 42402 43178 42307 44014 46841
1989 53511 54668 54042 50907 48575 45897 45569 46383 46732 46661 49426 51043
1990 57222 58157 60947 57845 52301 47244 46716 50207 47872 49854 55264 54113
1991 60394 60659 58022 60584 56646 54216 53259 53462 53548 56803 57821 60117
1992 66160 71451 68809 63816 58444 54828 55341 55508 54462 56813 58384 59096
1993 72058 68882 69204 76458 68393 59398 61346 61087 60462 62304 68702 72250
1994 77721 77214 79660 77697 69610 68380 65827 62667 69517 69791 69970 78711
1995 89051 89734 92127 85089 78224 76130 77970 76357 79422 82434 83082 87548
1996 96276 100214 97171 97295 91291 82346 85056 81962 82632 83614 88301 94788
1997 111258 110303 109127 104073 97106 91794 91405 91581 96608 97922 98740 106931
1998 120508 121718 122100 111999 105565 101831 99109 101214 101946 103784 107822 115111
1999 126024 123951 138500 126480 114249 106152 107433 108565 112625 110753 112127 126364
2000 137334 142907 147442 136291 129871 121273 119459 117226 116364 128224 131919 139528
2001 147701 156664 168622 158155 140501 125423 119291 121086 122596 120267 134255 137897
2002 148879 160324 154784 167584 146069 137717 132389 131217 128870 142015 142025 150209
2003 167210 179081 180673 154867 153924 138968 138514 134497 132149 145602 145670 157248
Fonte: Centrais Eltricas Santa Catarina S.A. (CELESC).
ndices sazonais do consumo comercial de energia eltrica

em Santa Catarina (MHw)
Ms Aditivos Multiplicativos
Jan. 9533.75 1.1275
Fev. 10661.71 1.1233
Mar. 11347.44 1.1213
Abr. 7057.31 1.0800
Mai. -269.14 0.9931
Jun. -6521.39 0.9208
Jul. -7073.58 0.9128
Ago. -7502.06 0.9126
Set. -7542.18 0.9080
Out. -5522.95 0.9355
Nov. -3417.19 0.9626
Dez. 318.20 1.0002
Previses para o ano de 2004 do consumo industrial de

energia eltrica em Santa Catarina
Ingnuo 514564 514564 514564 514564 514564 514564 514564 514564 514564 514564 514564 514564
Mdia Simples 415732 415732 415732 415732 415732 415732 415732 415732 415732 415732 415732 415732
Decomposio 455101 560052 577241 570546 570817 563329 578377 568427 566168 585843 570886 562087
Ingnuo Sazonal 434374 535796 547345 516453 499400 519539 511898 497304 525240 545671 501988 514564

4.1 Introduo........................................................................... 127
4.2 Pesos Atribudos s Observaes Passadas no Mtodo
de Previso Ingnua............................................................ 128
4.3 Pesos Atribudos s Observaes Passadas no Mtodo
de Previso por Mdia Simples .......................................... 129
4.4 Previso por Suavizao Exponencial Simples (SES) ....... 130
4.4.1 Exemplo para o Mtodo de Suavizao
Exponencial Simples ................................................ 136
4.4.2 Porque a SES no Funciona em Dados com
Tendncia Explicao Grca ............................... 138
4.5 Mtodo de Holt................................................................... 141
4.5.1 Exemplo para o Mtodo de Holt (tendncia linear) .... 143
4.5.2 Por que o Mtodo de Holt no Funciona em
Dados com Sazonalidade Explicao Grca ....... 147
4.6 Mtodo de Holt-Winters ..................................................... 149
4.7 Questes Avanadas sobre os Mtodos de Suavizao
Exponencial ........................................................................ 155
4.7.1 Uma Abordagem mais Ampla dos Mtodos de
Suavizao Exponencial........................................... 156
4.7.2 Seleo Automtica de Mtodos .............................. 160
4.7.2.1 Iniciao dos Mtodos ................................. 161
4.7.2.2 Critrios para Encontrar os Parmetros
dos Mtodos ................................................. 162
4.8 Uma Aplicao Prtica para a Seleo Automtica
dos Mtodos ....................................................................... 163
4.9 Concluses ......................................................................... 165
4.10 Glossrio............................................................................. 165
4.11 Exerccios ........................................................................... 166
4.12 Respostas ............................................................................ 168
4.13 Referncias ......................................................................... 170

4
Mtodos de Suavizao
Exponencial
4.1 Introduo
O
S MTODOS DEpreviso por suavizao exponencial se utili-
zam apenas de observaes da prpria srie de dados, no
dependendo de nenhuma varivel externa para fazer previ-
ses, assim como a decomposio clssica discutida no captulo
anterior. Esta uma das vantagens de se utilizar estas metodolo-
gias. A previso feita de forma rpida, pois no preciso buscar
informaes externas empresa.
Os mtodos de suavizao exponencial consistem em de-
compor a srie em componentes (tendncia e sazonalidade) e
suavizar seus valores passados, ou seja, dar pesos diferenciados
cujos valores decaem exponencialmente para zero quanto mais
antigo for o dado, portanto, valorizando os dados mais recentes.
Neste captulo, sero apresentados treze mtodos exponenciais
de previso e um procedimento de seleo automtica que rea-
lizado atravs de uma planilha eletrnica em Excel. Este procedi-

mento de seleo encontrar o mtodo que mais se ajusta srie

de dados em questo, obtendo-se uma chance maior de acerto
nas previses. Isto j se mostrou muito til em previses de curto
prazo, j que o desempenho destes mtodos igual ou em muitos
casos melhor que o de mtodos mais sosticados, em termos da
matemtica e dos algoritmos computacionais.
Neste captulo primeiro, sero reapresentados resumidamen-
te os mtodos de previso ingnua e mdia simples, vistos no ca-
pitulo trs, para uma comparao com os mtodos de suavizao
exponencial; depois o mtodo de suavizao exponencial simples,
para dados sem tendncia e sem sazonalidade. O prximo mtodo
abordado ser o de Holt, que serve para dados somente com ten-
dncia e, nalmente, o mtodo de Holt-Winters, que recomenda-
do para dados que possuem tanto tendncia como sazonalidade.
Para nalizar o captulo, ser apresentada uma seo com
questes avanadas dos mtodos exponenciais, mostrando uma
classicao mais geral dos mtodos que levam em conta as
componentes de tendncia e sazonalidade e como feita a se-
leo automtica dos diversos mtodos existentes. importante
lembrar que a leitura deste nal de captulo opcional por parte
do praticante de previso, pois no representa nenhum prejuzo a
utilizao da planilha oferecida.
4.2 Pesos Atribudos s Observaes Passadas no

Mtodo de Previso Ingnua
Como apresentado na seo 3.1.1 do captulo anterior, a previso
ingnua o mtodo mais simples de previso, pois utiliza ape-
nas a ltima observao ocorrida como previso para o prximo
perodo. Neste captulo, ela ser
No mtodo de previso ingnuo adotada como uma comparao aos
todo o peso dado observao
diferentes mtodos de suavizao
do perodo anterior.
exponencial. No mtodo ingnuo o

Mtodos de Suavizao Exponencial 129
peso da observao mais recente de um, ou seja 100 %. Toda

informao da observao mais recente (Ot) utilizada para fazer
a previso do prximo perodo (Pt+1).
Pt +1 = Ot (4.1)
No entanto, como discutido no captulo anterior, muitas ve-

zes conveniente utilizar mais informao do que simplesmente
o dado anterior. Outra alternativa utilizar a mdia simples das
observaes anteriores, mtodo descrito na prxima seo.
4.3 Pesos Atribudos s Observaes Passadas no

Mtodo de Previso por Mdia Simples
Na previso utilizando a mdia Na mdia simples, todas as ob-
simples (apresentada na seo 3.1.5 servaes passadas recebem o
do captulo anterior) todas as ob- mesmo peso para se fazer a pre-
viso do prximo perodo.
servaes utilizadas para o clculo
da mdia (previso para o prximo
1
perodo) possuem o mesmo peso , sendo n nmero de
observaes. n
1 n
Ot
n t =1
Pn +1 = (4.2)
Como exemplo, considere os dados da venda anual do carro

popular Gol 1000 apresentados na tabela 4.1.
Tabela 4.1 Vendas do carro Gol 1000.

Obs Ano Vendas Gol 1000 Obs Ano Vendas Gol 1000
1 1996 190.268 6 2001 259.371
2 1997 249.694 7 2002 186.091
3 1998 205.205 8 2003 137.804
4 1999 193.214 9 2004 143.867
5 2000 231.532 10 2005 141.492
Fonte: Anfavea Associao Nacional dos Fabricantes de Veculos Automotores (2006).

Neste caso, a previso para o perodo onze (2006) a mdia

dos dez valores, ou seja, 1 10 = 0,1 do valor de cada ano anterior.
Segundo este mtodo o valor previsto para o ano de 2006 ser:
P11(2006) = 0,1 190.268 + 0,1 249.694 + ... + 0,1 141.492 = 193.853,8 unidades
Na gura 4.1 podem ser vistos os pesos dados a cada observa-

o para os dez anos de dados, o que ir servir de comparao para
os mtodos de suavizao exponenciais a serem apresentados.
FIGURA 4.1 Pesos dados a cada ano para previso de 2006.
Porm, este mtodo, na maioria das vezes, no representa

a realidade, pois plausvel acreditar que observaes mais re-
centes sejam mais signicativas que observaes mais antigas
quando se quer fazer previses futuras. exatamente isto que
ser visto na prxima seo, o mtodo de suavizao exponencial
simples, na qual as observaes mais recentes tero pesos maio-
res do que as passadas para se fazer as previses.
4.4 Previso por Suavizao Exponencial Simples

(SES)
Este foi o primeiro mtodo de suavizao exponencial a ser
desenvolvido, seu surgimento se deu durante a segunda guerra

mundial e sua primeira aplicao no setor industrial aconteceu

no ano de 1956, quando foi utilizado para o controle de estoques.
Este mtodo adequado para sries que no possuem tendncia
e nem sazonalidade. A frmula que representa este mtodo ex-
pressa pela equao abaixo:
Pt +1 = Ot + (1 )Pt (4.3)
Nela, Pt representa o valor que foi previsto para o perodo t, Ot

o valor observado no mesmo perodo t e o parmetro de suavi-
zao do mtodo, que pode variar entre 0 e 1. Em outras palavras,
o valor previsto para o prximo perodo Pt+1 uma combinao
do valor previsto para hoje Pt e o valor observado de hoje. Apenas
observando a equao, no ca claro por que este um mtodo de
suavizao exponencial, por isto apresentada abaixo uma breve
demonstrao que ajudar o leitor no entendimento deste tema.
A partir da equao 4.3 podemos encontrar o valor de Pt,
que :
Pt = Ot 1 + (1 )Pt 1 (4.4)
Substituindo 4.4 em 4.3 temos:

Pt +1 = Ot + (1 ) Ot 1 + (1 )Pt 1
Pt +1 = Ot + (1 )Ot 1 + (1 ) Pt 1
2
Podemos ento substituir Pt-1, Pt-2 e assim por diante. Ento

generalizando para t-n observaes:
Pt 1 = Ot + (1 )Ot 1 + (1 ) Ot 2 + (1 ) Ot 3 + ... + (1 ) O1 + (1 ) P1
2 3 t 1 t
(4.5)
Da equao, possvel ver que a previso (Pt+1) depen-

de de todos os valores observados, do mais recente (Ot) at o
mais antigo O1. Como um nmero que varia entre zero e

um, observa-se que os coecientes

Na suavizao exponencial sim-
ples os pesos atribudos s ob-
decaem exponencialmente, sendo o
servaes passadas decaem ex- maior peso para a observao mais
ponencialmente. recente e pesos menores para as ob-
servaes passadas.
Analisando a equao (4.5) podemos fazer as seguintes
observaes. Quando = 1, ento Pt+1 = Ot, e o mtodo passa a ser
igual ao mtodo ingnuo e, por esta razo, diz-se que um mtodo
sem memria, pois utiliza apenas a informao da ltima observa-
o para prever o prximo perodo. J se = 0, ento Pt+1 = P1, e o
mtodo utiliza a previso do primeiro perodo para prever o prxi-
mo, portanto, neste caso, passa a ser um mtodo com memria,
pois est utilizando a informao do primeiro perodo de dados
para fazer a previso. Note que neste exemplo foram citados casos
extremos, mas por questes tericas e prticas (que no sero abor-
dados neste livro), os valores de sero restritos entre 0,01 e 0,99.
A questo que pode car da equao (4.5) como prever
P1, j que:
P1 = O0 + (1 )P0
e nem O0 e P0 so conhecidos. A resposta a esta pergunta ser res-

pondida na seo 4.7.2.1 sobre como iniciar mtodos de suavizao
exponencial. Por hora, considere que estes valores so conhecidos.
Na tabela 4.2 e gura 4.2 apresentado um exemplo com
vrios valores de e os pesos correspondentes de cada observa-
o para os dados da tabela 4.1, as vendas do Gol 1000.
Tabela 4.2 Pesos dado para cada ano para

vrios valores de .
Peso
Ano / Perodo
eq. 4.5 = 0,2 = 0,5 = 0,8
2005 / Ot-1 0,200 0,500 0,800
2004 / Ot-2 (1 ) 0,160 0,250 0,160

Peso
Ano / Perodo
eq. 4.5 = 0,2 = 0,5 = 0,8
2003 / Ot-3 (1 )2 0,128 0,125 0,032
2002 / Ot-4 (1 )3 0,102 0,062 0,006
2001 / Ot-5 (1 )4 0,081 0,031 0,001
2000 / Ot-6 (1 )5 0,065 0,015 0,000
1999 / Ot-7 (1 )6 0,052 0,007 0,000
1998 / Ot-8 (1 )7 0,041 0,003 0,000
1997 / Ot-9 (1 )8 0,033 0,001 0,000
1996 / Ot-10 (1 )9 0,026 0,000 0,000
1995 / P1 (1 )10 0,107 0,000 0,000
FIGURA 4.2 Grfico dos pesos dado para cada ano para vrios
valores de .
Observando a tabela 4.2 e os grcos da gura 4.2, pode-se

ver a diferena que ocorre nos pesos atribudos para as observa-
es passadas, dependendo do va-
lor escolhido para . Quanto menor
o valor de , maior a suavizao
da srie, e medida que este valor
aumenta, a suavizao vai dimi-

nuindo, dando pesos maiores s observaes mais recentes. Mas

qual deve ser o valor de escolhido para fazer previses? Isto vai
depender diretamente da srie de dados. Vo existir casos com
grande, intermedirio ou pequeno. Sries que variam mais ao
longo do tempo recebem um maior, enquanto que menor varia-
bilidade implica em menor. O procedimento para encontrar
denido atravs de algum critrio que minimize as discrepncias
de ajustamento (Pt Ot), como o DQM (Discrepncia quadrada
mdia) ou o DPAM (Discrepncia percentual absoluta mdia),
por exemplo. Veja a discusso sobre discrepncias no captulo
dois. Em um exemplo numrico mais fcil compreender a es-
colha do parmetro de suavizao. Considerando um = 0,2 e os
dados da tabela 4.1 temos:
P1*(1996) = 184.863,52 como estimar P1 apresentado na seo (4.7.2.1)

P2(1997) = O1(1996) + (1 )P1(1996) = 0, 2 190.268 + 0,8 184.863,52 = 185.944, 42
P3(1998) = O2(1997) + (1 )P2(1997) = 0, 2 249.694 + 0,8 185.944, 42 = 198.694,33

P10(2005) = O9(2004) + (1 )P9(2004) = 0, 2 143.867 + 0,8 195.606,7 = 185.528,72
importante notar que entre os perodos um a dez no es-

to sendo feitas previses propriamente ditas, apenas esta se atri-
buindo um valor para com o objetivo de ajustar o mtodo aos
dados observados. No exemplo anterior foi escolhido um = 0,2
arbitrariamente, mas na prtica ser escolhido um (variando de
0,01 a 0,99) que minimize a diferena entre o valor ajustado Pt
e o observado Ot. Aps isto, ser feita a previso para o perodo
onze, ou seja, para 2006 (quando ainda no se sabe o valor ob-
servado).
Na gura 4.3 apresentado um grco com os valores ajus-
tados para igual a 0,2; 0,5 e 0,8 e a srie observada de carros
vendidos da marca Gol 1000 no perodo de 1996 a 2005.

FIGURA 4.3 Vendas de Gol e valores ajustados por SES para 0,2
0,5 e 0,8.
Percebe-se que os valores ajustados para = 0,2 so sua-

vizados e no variam muito em relao ao valor inicial da s-
rie. J com = 0,8 os valores ajustados seguem o mesmo pa-
dro da srie vendas de carro, s que esto sempre um perodo
defasado (pois com = 0,8 o mtodo se aproxima da previso
ingnua). Outra observao a fazer que para os diferentes
valores de (e o mesmo valor de P1*(1996) = 184.863,52) as pre-
vises para 2006 so diferentes, ou seja, para:
= 0, 2 P11(2006) = 0, 2 O10(2005) + 0,8 P10(2005) = 0, 2 141.492 + 0,8 185.259 = 176.505

= 0,5 P11(2006) = 0,5 O10(2005) + 0,5 P10(2005) = 0,5 141.492 + 0,5 159.422 = 150.457
= 0,8 P11(2006) = 0,8 O10(2005) + 0, 2 P10(2005) = 0,8 141.492 + 0, 2 145.117 = 142.217
preciso escolher uma das trs previses, mas qual ser

a melhor? A tabela 4.3 contm os valores ajustados e as discre-
pncias de ajustamento para os trs valores de nos perodos de
1996 a 2005. Analisando as medidas de ajuste DPAM (seo
2.2.4) e U de Theil (seo 3.1.2), escolhe-se o valor de mais
adequado.

TABELA 4.3 Valores ajustados, discrepncias de ajustamento DPAM e

U de Theil para o mtodo de SES nos dados da venda de Gols 1000.
Mtodo com = 0,2 Mtodo com = 0,5 Mtodo com = 0,8

Ano Observado
Ajustado Discrepncia Ajustado Discrepncia Ajustado Discrepncia
1996 190.268 184.863,5 -5.404,5 184.863,5 -5.404,5 184.863,5 -5.404,5
1997 249.694 185.944,4 -63.749,6 187.565,8 -62.128,2 189.187,1 -60.506,9
1998 205.205 198.694,3 -6.510,7 218.629,9 13.424,9 237.592,6 32.387,6
1999 193.214 199.996,5 6.782,5 211.917,4 18.703,4 211.682,5 18.468,5
2000 231.532 198.640,0 -32.892,0 202.565,7 -28.966,3 196.907,7 -34.624,3
2001 259.371 205.218,4 -54.152,6 217.048,9 -42.322,1 224.607,1 -34.763,9
2002 186.091 216.048,9 29.957,9 238.209,9 52.118,9 252.418,2 66.327,2
2003 137.804 210.057,3 72.253,3 212.150,5 74.346,5 199.356,4 61.552,4
2004 143.867 195.606,7 51.739,7 174.977,2 31.110,2 150.114,5 6.247,5
2005 141.492 185.258,7 43.766,7 159.422,1 17.930,1 145.116,5 3.624,5
DPAM 20,56% 18,90% 16,80%
U de Theil 1,33 1,14 1,03
Note que o menor DPAM e U de Theil foram para quando

= 0,8, portanto, este deveria ser o valor escolhido para fazer as
previses. Porm, foram apresentadas apenas estas trs opes
de valores para , quando na verdade existem diversos valores
possveis entre 0,01 e 0,99. Para cada valor diferente de se ob-
ter uma previso diferente para 2006.
Uma observao interessante que o U de Theil para =
0,8 foi maior que um, o que signica que este mtodo pior
que o ingnuo (obtido com = 1). Isto demonstra que para este
exemplo o mtodo SES no adequado, mas na prxima seo
ser visto uma srie em que a SES pode ser aplicada.
4.4.1 EXEMPLO PARA O MTODO DE SUAVIZAO EXPONENCIAL

SIMPLES
O exemplo a seguir de uma srie com dados que no apresen-
tam tendncia nem sazonalidade, portanto, uma srie adequada
ao uso do mtodo SES. A srie escolhida para esta demonstrao
a produo anual de caf no Brasil de 1980 a 2004, apresentada
na tabela 4.3.

Tabela 4.3 Produo anual de caf (1000 toneladas).

Produo Produo Produo
Obs Ano Obs Ano Obs Ano
1000 ton 1000 ton 1000 ton
1 1980 2.122,391 9 1988 2.737,66 17 1996 2.738,391
2 1981 4.064,421 10 1989 3.059,685 18 1997 2.457,025
3 1982 1.915,861 11 1990 2.929,711 19 1998 3.378,731
4 1983 3.343,176 12 1991 3.040,763 20 1999 3.263,704
5 1984 2.840,563 13 1992 2.588,745 21 2000 3.807,124
6 1985 3.821,292 14 1993 2.557,518 22 2001 3.639,138
7 1986 2.082,811 15 1994 2.614,578 23 2002 2.610,524
8 1987 4.405,416 16 1995 1.860,269 24 2003 1.987,074
25 2004 2.465,71
Fonte: Instituto Brasileiro de Geograa e Estatstica, Pesquisa Agrcola Municipal (IBGE/PAM).
Na gura 4.4 a linha contnua representa a srie observada

da produo anual de caf e a linha pontilhada o mtodo ajustado
para = 0,01 (valor que minimiza o DQM).
FIGURA 4.4 Produo anual de caf (em 1000 toneladas) e mtodo

ajustado.
Aps escolher o valor de para o mtodo importante anali-

sar as discrepncias de ajustamento (gura 4.5). Estas no devem
apresentar nenhum padro, pois se isto for verdadeiro, indica que

o mtodo no adequado para a situao (um padro nas discre-

pncias indica uma caracterstica na srie que mtodo no captou).
Alm disto, vericar as medidas de ajuste do mtodo, que foram:
DM = 4,8, DPAM = 20,32% e U de Theil = 0,64. Ao contrrio do
exemplo com os dados da venda anual do carro Gol 1000, este
mtodo se mostrou melhor que a previso ingnua, pois o clculo
da medida U de Theil resultou em um valor menor que um.
FIGURA 4.5 Discrepncias de ajustamento do mtodo de SES para a

srie da produo anual de caf.
O caso descrito acima um exemplo para dados sem ten-

dncia e sem sazonalidade, mas isto no comum. Por isto ser
apresentado a seguir um exemplo de uma srie com tendncia,
para que que claro para o leitor por que o mtodo de suavizao
exponencial simples no funciona nestes casos.
4.4.2 PORQUE A SES NO FUNCIONA EM DADOS COM TENDNCIA

EXPLICAO GRFICA
Neste exemplo foi utilizada uma srie com tendncia, a produo
de energia eltrica anual no Brasil, de 1970 a 2004 (os dados
esto na tabela 4.4).

Tabela 4.4 - Produo anual de energia eltrica

em GWh no Brasil.
Produo Produo Produo
Obs. Ano Obs Ano Obs Ano
em GWh em GWh em GWh
1 1970 45.742 13 1982 152.089 25 1994 260.041
2 1971 51.592 14 1983 162.492 26 1995 275.601
3 1972 57.160 15 1984 179.388 27 1996 291.244
4 1973 64.727 16 1985 193.682 28 1997 307.980
5 1974 71.698 17 1986 202.128 29 1998 321.748
6 1975 78.936 18 1987 203.331 30 1999 334.716
7 1976 90.032 19 1988 214.952 31 2000 348.909
8 1977 101.010 20 1989 221.738 32 2001 328.509
9 1978 112.729 21 1990 222.820 33 2002 345.671
10 1979 126.774 22 1991 234.366 34 2003 364.339
11 1980 139.382 23 1992 241.731 35 2004 387.451
12 1981 142.186 24 1993 251.973
Fonte: Ministrio da Minas e Energia, Balano Energtico Nacional (Min. Energia).
Na gura 4.6 esto presentes a srie observada e o mtodo

ajustado, que para este caso possui um = 0,99 (valor que mini-
miza o DQM).
FIGURA 4.6 Produo anual de energia eltrica (GWh) e mtodo SES

ajustado.
No grco da gura 4.6, observa-se que os valores calculados

do mtodo ajustado esto em quase todos os perodos abaixo dos
observados. Isto acontece porque o mtodo no leva em considera-

o o crescimento da srie, que de aproximadamente 10.000 GWh

ao ano. A previso est sempre um perodo atrasado em relao ao
dado observado, pois quando foi escolhido um = 0,99 est se uti-
lizando o equivalente ao mtodo ingnuo, isto , o valor do ltimo
perodo para prever o prximo. Isto pode ser visto tambm anali-
sando o grco das discrepncias de ajustamento da gura 4.7.
FIGURA 4.7 Discrepncias de ajustamento do mtodo de SES para a

srie da produo de anual de energia eltrica.
A gura mostra que quase todas as discrepncias so negati-

vas, a nica exceo ocorre em 2001, quando houve o racionamento
de energia eltrica e ocorreu uma reduo na produo de energia
eltrica. Este resultado reete-se tambm no histograma da gura
4.8, onde o maior nmero de discrepncias est prximo a -10.000.
FIGURA 4.8 Histograma das discrepncias de ajustamento do

mtodo de SES para a srie da produo de anual de energia eltrica.

Este padro nas discrepncias indica que o mtodo no ade-

quado para estes dados, por isto na prxima seo ser apresentado
o mtodo de Holt, adaptado para resolver este tipo de situao. As
medidas de ajuste do mtodo SES para este caso foram: DM = -
10.269 (indicao de vis nas previses), DPAM = 7,15% e U de
Theil = 1,01. Estes valores sero comparados aos resultados atingi-
dos quando da aplicao, nos mesmos dados, do mtodo de Holt.
4.5 Mtodo de Holt

Em 1957, Holt expandiu a suavizao exponencial simples para
o problema de dados com tendncia linear. O mtodo foi cria-
do utilizando duas componentes para fazer a previso, nvel e
crescimento. O nvel o clculo do
O mtodo de Holt foi desenvol-
valor atual da srie (onde a srie vido para os dados que apresen-
est em um determinado perodo) tem tendncia.
e o crescimento o quanto a srie
vai crescer a partir daquele perodo. A seguir, a equao 4.6 re-
presenta o nvel (nt), e como na suavizao exponencial simples
uma combinao entre o observado e o previsto no perodo t.
A equao 4.7 representa o crescimento (ct), que a diferena
entre nveis seqenciais. Portanto, agora, para se fazer previses
so necessrias duas constantes de suavizao, para a o nvel,
e para o crescimento, que tambm variam entre 0,01 e 0,99. A
equao 4.8 representa a previso para k perodos frente.
nt = Ot + (1 )(nt 1 + ct 1 )
(4.6)
Pt
ct = (nt nt 1 )+ (1 )ct 1
(4.7)
crescimento
Pt + k = nt + kct (4.8)

Analisando os casos extremos de valores para e , pode-

mos chegar s seguintes concluses:
Se = 0 obtemos:
nt = 0 Ot + (1 0) ( nt 1 + ct 1 ) = nt 1 + ct 1
ct = b ( nt 1 + ct 1 nt 1 ) + (1 b ) ct 1 = ct 1
Se t = 1 :
n1 = n0 + c0 e c1 = c0
Se t = 2 :
n2 = n1 + c1 = n0 + c0 + c0 = n0 + 2c0 e c2 = c1 = c0
Se t = 3 :
n3 = n2 + c2 = n0 + 2c0 + c0 = n0 + 3c0 e c3 = c2 = c0
Portanto :
nt = n0 + tc0 e ct = c0
Pt + k = nt + kct = n0 + tc0 + kc0
Pt + k = n0 + (t + k ) c0 t 0 e k 1
Com os resultados acima, percebe-se que o ajuste da s-

rie no depende do parmetro , portanto quando prximo
de zero o crescimento da srie constante e depende muito da
estimativas de n0 e c0. Estes valores no so conhecidos. Como
encontra-los, ser discutido na seo 4.7.2.1.
Se = 1 e = 0 obtemos:
nt = 1 Ot + (1 1) ( nt 1 + ct 1 ) = Ot
ct = 1 ( nt nt 1 ) + (1 1) ct 1 = Ot Ot 1
Pt + k = nt + kct = Ot + k (Ot Ot 1 )
P0 +1 = n0 + c0 t = 0 e k =1
P1+1 = O1 + k (O1 n0 ) t =1e k 1
Pt + k = Ot + k (Ot Ot 1 ) t = 2 e k 1

Neste caso a previso o observado do perodo anterior

mais o crescimento da srie em c0. Devido a ser igual a zero,
o crescimento da srie tambm constante e o valor da previso
vai depender muito do valor estimado de c0.
Se = 1 e = 1 obtemos:
n t = Ot
c t = O t - O t-1
P0+1 =P1 =n 0 +c0 t=0
P1+1 =P2 =O1 +(O1 - n 0 ) t=1
Pt++k = O t +k (O t - O t-1 ) t 2

crescimento
Por m, para esta situao, a previso ser igual ao obser-

vado do perodo anterior mais o crescimento da srie que vai ser
corrigido (pela diferena do dado atual menos o dado anterior) a
cada perodo. Para entender melhor o funcionamento do mtodo,
apresentado, na prxima seo, um exemplo numrico.
4.5.1 EXEMPLO PARA O MTODO DE HOLT (TENDNCIA LINEAR)

Neste exemplo, sero utilizados os mesmos dados sobre produ-
o de energia eltrica anual (tabela 4.4). Como visto anterior-
mente os dados apresentam tendncia e o mtodo de suavizao
exponencial simples no conseguiu um bom ajuste para esta si-
tuao, ao contrrio do mtodo de Holt. Os valores de e que
minimizando o DQM foram de 0,99 e 0,01 respectivamente. Para
um melhor entendimento da dinmica do mtodo, a seguir so
demonstrados os clculos:

n0 = 31.385
c0 = 8.846
P1(1970) = n0 + c0 = 31.385 + 8.846 = 40.231
n1 = a O1 + (1 a ) (n0 + c0 ) = 0, 99 45.742 + 0, 01 (31.385 + 8.846) = 45.687

c1 = b (n1 n0 ) + (1 b) c0 = 0, 01 ( 40.231 31385) + 0, 99 8.846 = 8.901
P2(1971) = n1 + c1 = 45.687 + 8.901 = 54.588

n34 = a O34 + (1 a ) (n33 + c33 ) = 0, 99 364.339 + 0, 01 (345.592 + 9.036) = 364.242
c34 = b (n34 n33 ) + (1 b) c33 = 0, 01 (364.242 345.592) + 0, 99 9.036 = 9.132
P35(2004) = n34 + c34 = 364.242 + 9.132 = 373.374
Por exemplo, se for feita a previso para 2005 e 2006:
n35 = 387.310
c35 = 9.272
P35 +1(2005) = n35 + 1 c35 = 387.310 + 1 9.272 = 396.582
P35 + 2(2006) = n35 + 2 c35 = 387.310 + 2 9.272 = 405.854
Na gura 4.9, a linha contnua representa a srie observa-

da e a linha pontilhada os valores calculados ajustados. O gr-
co mostra que este mtodo se ajustou melhor aos dados que
o mtodo SES, pois, com o primeiro, consegue-se acompanhar
o crescimento da srie (sem um perodo em atraso). Os valores
observados, o nvel, crescimento e os valores ajustados para os
anos de 1970 a 2004, so apresentados na tabela 4.5.

FIGURA 4.9 Produo anual de energia eltrica (GWh) e mtodo de

Holt ajustado.
Tabela 4.5 Valores ajustados, nvel e crescimento para o

mtodo de Holt nos dados da produo de energia eltrica
anual no Brasil.
Ano Observado (Ot) Nvel (nt) Crescimento (ct) Ajustado
1969 31.385 8.846
1970 45.742 45.687 8.901 40.231
1971 51.592 51.622 8.871 54.588
1972 57.160 57.193 8.838 60.493
1973 64.727 64.740 8.825 66.032
1974 71.698 71.717 8.807 73.565
1975 78.936 78.952 8.791 80.524
1976 90.032 90.009 8.814 87.743
1977 101.010 100.988 8.835 98.823
1978 112.729 112.700 8.864 109.824
1979 126.774 126.722 8.916 121.564
1980 139.382 139.345 8.953 135.638
1981 142.186 142.247 8.892 148.297
1982 152.089 152.080 8.902 151.139
1983 162.492 162.477 8.917 160.981
1984 179.388 179.308 8.996 171.394
1985 193.682 193.628 9.049 188.304
1986 202.128 202.133 9.044 202.677
1987 203.331 203.409 8.966 211.177
1988 214.952 214.926 8.991 212.375
1989 221.738 221.760 8.970 223.918

Ano Observado (Ot) Nvel (nt) Crescimento (ct) Ajustado

1990 222.820 222.899 8.892 230.730
1991 234.366 234.340 8.917 231.791
1992 241.731 241.746 8.902 243.257
1993 251.973 251.960 8.915 250.648
1994 260.041 260.049 8.907 260.875
1995 275.601 275.535 8.973 268.956
1996 291.244 291.177 9.039 284.507
1997 307.980 307.902 9.116 300.216
1998 321.748 321.701 9.163 317.019
1999 334.716 334.677 9.201 330.864
2000 348.909 348.859 9.251 343.879
2001 328.509 328.805 8.958 358.110
2002 345.671 345.592 9.036 337.763
2003 364.339 364.242 9.132 354.628
2004 387.451 387.310 9.272 373.374
Anlise das discrepncias para o mtodo de Holt
DM = -1.228 DAM = 5.093 RQDQM = 7.254 DPAM = 2,82% U de Theil = 0,42
Valores encontrados para a SES com = 0,99
DM = -10.269 DAM = 11.427 RQDQM = 12.502 DPAM = 7,15% U de Theil = 1,00
A anlise das discrepncias de ajustamento tambm mostra
que o mtodo de Holt foi superior SES, pois todas as medidas
foram inferiores. Alm da anlise das discrepncias interessan-
te vericar o comportamento de cada componente da srie, a -
gura 4.10 as apresenta individualmente em grcos.

FIGURA 4.10 Nvel, crescimento e discrepncias de ajustamento do

mtodo de Holt para os dados de Energia.
Atravs do grco do crescimento possvel perceber, por

exemplo, que o maior crescimento da srie ocorreu em 2004, as-
sim como a maior queda de um perodo para outro que foi em
2001 (racionamento de energia). J o grco das discrepncias
revela um comportamento ao longo do tempo com erros posi-
tivos e negativos, sem apresentar um padro denido. Se for
comparado com o grco das discrepncias do mtodo de SES,
percebe-se que este se ajustou melhor aos dados. A comparao
dos histogramas demonstra este mesmo resultado, pois, no his-
tograma da gura 4.10, o maior nmero de discrepncias est
prximo de zero, alm de apresentar uma menor amplitude.
As medidas de ajuste de mtodo da tabela 4.5 para este caso
foram: DPAM = 2,28% e U de Theil = 0,42. Muito melhores se
comparados ao mtodo de SES onde DPAM = 7,15% e U de
Theil = 1,01. Como foi destacado no comeo desta seo, este
mtodo mais indicado para os casos em que os dados apresen-
tem somente tendncia, sem sazonalidade. Assim como no mto-
do anterior, apresentamos um exemplo prtico para demonstrar
por que isto verdadeiro.

4.5.2 PORQUE O MTODO DE HOLT NO FUNCIONA EM DADOS COM

SAZONALIDADE EXPLICAO GRFICA
Neste exemplo ser apresentada uma srie com tendncia e sa-
zonalidade, o nmero de consultas ao SPC mensal, de janeiro de
2001 a setembro de 2006 (os dados esto na tabela 4.6). Nesta
srie, os meses de dezembro apresentam um nmero maior de
consultas devido s vendas de nal de ano, e em fevereiro ocorre
o contrrio, uma queda no nmero de consultas.
Tabela 4.6 Nmero de consultas ao SPC.

Ano/Ms Janeiro Fevereiro Maro Abril Maio Junho
2001 1.497.927 1.342.129 1.537.852 1.335.403 1.632.795 1.477.408
2002 1.420.905 1338.033 1.380.596 1.393.909 1.571.495 1.468.053
2003 1.438.462 1.320.708 1.322.933 1.275.081 1.488.022 1.407.636
2004 1.511.099 1.333.953 1.529.292 1.398.275 1.548.384 1.507.237
2005 1.614.341 1.422.569 1.612.255 1.486.223 1.637.936 1.611.149
2006 1.641.555 1.440.733 1.704.547 1.504.112 1.746.311 1.666.321
Ano /Ms Julho Agosto Setembro Outubro Novembro Dezembro
2001 1.557.517 1.558.607 1.291.428 1.419.503 1.449.857 1.829.871
2002 1.699.150 1.565.228 1.456.621 1.396.133 1.386.648 1.797.574
2003 1.572.408 1.472.177 1.413.401 1.532.964 1.441.924 1.905.163
2004 1.680.588 1.649.821 1.494.950 1.515.282 1.520.627 1.962.046
2005 1.723.144 1.744.470 1.559.770 1.587.121 1.580.172 2.002.289
2006 1.771.041 1.795.493 1.614.122
Fonte: Associao Comercial de So Paulo, Boletim do Instituto de Economia Gasto Vidigal (ACSP/IEGV).
Na gura 4.11 esto presentes: a srie observada, o mtodo

ajustado que para este caso possui um = 0,01 e um = 0,89
(valor que minimiza as discrepncias de ajustamento) - e a previso
de doze passos frente (Outubro de 2006 a Setembro de 2007).

FIGURA 4.11 Consulta mensal ao SPC e mtodo de Holt ajustado.
No grco da gura 4.11, observa-se que os valores calcu-

lados do mtodo ajustado no acompanham o padro sazonal da
srie, isto acontece porque o mtodo s acompanha a tendncia.
Com o valor de = 0,01, a sazonalidade suavizada ao invs de
ter os seus ndices calculados. O ms de dezembro, por exemplo,
tem um nmero de consultas de aproximadamente 23% maior que
a mdia do ano e o de fevereiro, um nmero 12% abaixo. Esta fal-
ta de ajuste do mtodo de Holt pode ser vista tambm analisando
o grco das discrepncias de ajustamento da gura 4.12.
FIGURA 4.12 Discrepncias de ajustamento do mtodo de Holt para

a srie de nmero de consultas ao SPC.

No grco, todas as discrepncias de dezembro, por exem-

plo, so negativas, isto , a previso sempre menor que o
ocorrido. Em fevereiro, as discrepncias so sempre positivas,
a previso maior que o ocorrido. Este tipo de padro nas discre-
pncias uma evidencia da falta de ajuste do mtodo aos dados.
Para resolver este problema indicado o emprego do mtodo
apresentado e discutido na prxima seo, o de Holt-Winters,
que se adapta melhor a dados com tendncia e sazonalidade.
importante observar as medidas de ajuste de mtodo para este
caso, que foram: DPAM = 6,45% e U de Theil = 0,744, pois estes
valores sero avaliados comparativamente quando forem aplica-
dos, nos mesmos dados, no mtodo de Holt-Winters.
4.6 Mtodo de Holt-Winters

Nenhum dos mtodos demonstrados anteriormente lida com o
caso de dados com sazonalidade, por isto Winters estendeu o m-
todo de Holt em 1960 para este tipo de situao. O mtodo cou
conhecido como Holt-Winters e passou a possuir trs equaes:
uma para o ajuste do nvel nt, outra para o ajuste do crescimento
ct e outra para a sazonalidade st. O mtodo possui duas formas,
uma com sazonalidade aditiva e outra multiplicativa, assim como
no caso da decomposio clssica. Para a sazonalidade aditiva
existem as seguintes equaes:
nt = (Ot st m )+ (1 )(nt 1 + ct 1 )
ou
(4.9)
nt = (Ot st m ) + (1 )(Pt st m )

observado sem sazonalidade ajustado sem sazonalidade
ct = (nt nt 1 )+ (1 )ct 1
(4.10)
crescimento

st = (Ot nt 1 ct 1 )+ (1 )st m
ou
(4.11)
st = (Ot nt 1 ct 1 )+ (1 )(Pt nt 1 ct 1 )

ndice sazonal observado ndice sazonal ajustado
Pt + k = nt + kct + st m + k
(4.12)
tendncia
Neste mtodo, para fazer previses so necessrias trs

constantes de suavizao: para o nvel, para o crescimento e
para a sazonalidade. Elas variam entre 0,01 e 0,99. A equao
4.12 representa a previso para k perodos frente, onde m o
ciclo sazonal (se o dado for mensal, por exemplo, m = 12, se o
dado for trimestral m = 4). O mtodo chamado aditivo, porque
a sazonalidade somada tendncia da srie (que representada
pela soma do nvel mais o crescimento). J o caso com sazona-
lidade multiplicativa, a sazonalidade multiplicada pela tendn-
cia, como observado na equao 4.16. As outras trs equaes do
mtodo multiplicativo podem ser vistas abaixo:
nt = (Ot st m )+ (1 )(nt 1 + ct 1 )
ou
(4.13)
nt = (Ot st m ) + (1 )(Pt st m )

observado sem sazonalidade ajustado sem sazonalidade
ct = (nt nt 1 )+ (1 )ct 1
(4.14)
crescimento
( )
st = Ot (nt 1 + ct 1 ) + (1 )st m
ou
(4.15)

(

)
st = Ot (nt 1 + ct 1 ) + (1 ) Pt (nt 1 + ct 1 )

( )
ndice sazonal observado ndice sazonal ajustado





Pt + k = (nt + kct )st m + k

(4.16)
tendncia
Como nos mtodos apresentados anteriormente, o calculo

do nvel nt uma combinao entre o observado e o ajustado no
perodo t, mas no mtodo de Holt-Winters (tanto aditivo quanto
multiplicativo) retira-se o efeito sazonal da srie. O crescimento
ct, assim como no mtodo de Holt, calculado com a diferen-
a seqencial de dois nveis consecutivos, e a sazonalidade st
calcula pela combinao entre o ndice sazonal observado e o
ajustado no perodo t.
recomendado que o horizonte das previses feitas com
estes mtodos no ultrapasse o ciclo sazonal da srie, pois as
previses com um horizonte maior tendem a ser pouco precisas.
Para car mais claro a dinmica do mtodo, ser apresentado um
exemplo prtico, assim como foi feito nas sees anteriores.
EXEMPLO PARA O MTODO DE HOLTWINTERS ADITIVO (TENDNCIA

LINEAR E SAZONALIDADE ADITIVA)
Neste exemplo sero utilizados os mesmos dados do nmero de
consultas ao SPC (apresentados na tabela 4.6). Como visto an-
teriormente, os dados apresentam tendncia e sazonalidade, e o
mtodo de Holt no conseguiu um bom ajuste para esta situao,
ao contrrio do mtodo de HoltWinters, como ser visto agora.
Os valores dos parmetros de suavizao encontrados que
minimizam as discrepncias de ajustamento foram = 0,36, =
0,09 e = 0,01. A seguir, so demonstrados os clculos para um
melhor entendimento da dinmica do mtodo.

n0 = 1.569.416; c0 = 10.611
s11 = 20.476; s10 = 161.802; s9 = 60.805; s8 = 141.269; s7 = 46.032
s6 = 33.557; s5 = 124.453; s4 = 60.700; s3 = 90.156; s2 = 33.389
s1 = 544.497; s0 = 364.768
P1( jan / 01) = n0 + c0 + s11 = 1.538.328
n1 = (O1 s11 ) + (1 )(n0 + c0 ) = 1.544.422

c1 = (n1 n0 )+ (1 )c0 = 11.854
s1 = (O1 n0 c0 )+ (1 )s11 = 20.880
P2( fev / 01) = n1 + c1 + s10 = 1.370.765

n68 = 1.703.149
c68 = 5.799
s57 = 89.750
P69(set / 06) = n68 + c68 + s57 = 1.619.198
Por exemplo, se a previso for feita para outubro e novem-

bro de 2006, deve-se realizar o seguinte clculo.
n69 = 1.707.141
c69 = 5.642
s58 = 33.604
P69 +1(out / 06) = n69 + 1 c69 + s58 = 1.679.179
s59 = 54.286
P69 + 2(nov / 06) = n69 + 2 c69 + s59 = 1.664.140
Observando o exemplo anterior, percebe-se que so neces-

srias estimativas para as doze primeiras sazonalidades, alm do
nvel e tendncia. Este procedimento ser apresentado na seo
4.7.2.2. A tabela 4.7 contm estas estimativas, assim como as do
nvel, crescimento, sazonalidade e os valores ajustados para os
primeiros e ltimos dados da srie.

Tabela 4.7 - Valores ajustados, nvel, crescimento e

sazonalidade para o mtodo de Holt-Winters nos dados de
consultas mensais ao SPC no Brasil.
Observado Nvel Crescimento Sazonalidade
t Data Ajustado
(Ot) (nt) (ct) (st)
-11 Jan/00 -20.476
-10 Fev/00 -161.802
-9 Mar/00 -60.806
-8 Abr/00 -141.269
-7 Mai/00 46.032
-6 Jun/00 -33.557
-5 Jul/00 124.454
-4 Ago/00 60.700
-3 Set/00 -90.157
-2 Out/00 -33.389
-1 Nov/00 -54.497
0 Dez/00 1.569.416 -10.611 364.768
1 jan/01 1.497.927 1.544.422 -11.854 -20.880 1.538.328
2 fev/01 1.342.129 1.522.374 -12.735 -162.089 1.370.766
3 mar/01 1.537.852 1.541.329 -9.997 -59.916 1.448.833
4 abr/01 1.335.403 1.511.874 -11.678 -141.816 1.390.063
5 mai/01 1.632.795 1.531.013 -9.015 46.898 1.546.228
6 jun/01 1.477.408 1.518.070 -9.355 -33.667 1.488.440
7 jul/01 1.557.517 1.481.784 -11.682 123.697 1.633.169
8 ago/01 1.558.607 1.480.000 -10.826 60.978 1.530.802
9 set/01 1.291.428 1.437.993 -13.521 -91.033 1.379.017
10 out/01 1.419.503 1.434.590 -12.646 -33.105 1.391.083
11 nov/01 1.449.857 1.451.281 -10.112 -53.673 1.367.446
12 dez/01 1.829.871 1.449.689 -9.375 365.007 1.805.937
: : : : : : :
58 out/05 1.587.121 1.645.942 5.132 -33.605 1.626.893
59 nov/05 1.580.172 1.645.099 4.616 -54.286 1.596.956
60 dez/05 2.002.289 1.645.193 4.225 365.149 2.014.991
61 jan/06 1.641.555 1.653.800 4.604 -20.049 1.629.246
62 fev/06 1.440.733 1.638.468 2.881 -162.230 1.496.735
63 mar/06 1.704.547 1.684.987 6.652 -58.157 1.581.967
64 abr/06 1.504.112 1.675.128 5.225 -141.611 1.550.491
65 mai/06 1.746.311 1.687.211 5.818 46.886 1.727.047
66 jun/06 1.666.321 1.695.304 6.014 -33.036 1.659.929
67 jul/06 1.771.041 1.681.809 4.329 123.979 1.825.846
68 ago/06 1.795.493 1.703.150 5.799 62.044 1.747.704
69 set/06 1.614.122 1.707.141 5.642 -89.801 1.619.198
Anlise das discrepncias para o mtodo de Holt-Winters Aditivo
DM = 7.658 DAM = 39.607 RQDQM = 49.804 DPAM = 2,60% U de Theil = 0,27
Anlise das discrepncias para o mtodo de Holt com = 0,01 e = 0,89
DM = 18.607 DAM = 102.228 RQDQM = 142.694 DPAM = 6,45% U de Theil = 0,74

A srie e o mtodo ajustados podem ser vistos na gura 4.13.
FIGURA 4.13 Consulta mensal ao SPC e mtodo de Holt-Winters

ajustado.
O grco mostra que este mtodo se ajustou melhor aos da-

dos que o de Holt, pois ele consegue acompanhar o crescimento e
a sazonalidade da srie. Na gura 4.14, esto presentes o grco
do nvel da srie, do crescimento, da sazonalidade e das discre-
pncias de ajustamento.
FIGURA 4.14 Nvel, crescimento, sazonalidade e discrepncias de

ajustamento do mtodo de Holt-Winters para os dados de consultas as
SPC.

No grco das discrepncias de ajustamento, verica-se que

o padro que apresentava o mtodo de Holt (dezembro sempre
negativo e fevereiro sempre positivo) no se repete. Em dezem-
bro, no existe um padro denido, assim como em fevereiro.
Isto se reete tambm nos histogramas das discrepncias de ajus-
tamento para os mtodos de Holt e Holt-Winters da gura 4.15,
nos quais as discrepncias apresentam uma amplitude maior no
mtodo de Holt. Esta maior amplitude foi causada pela no-de-
teco da sazonalidade dos dados pelo mtodo.
FIGURA 4.15 Histogramas das discrepncias de ajustamento do

mtodo de Holt e Holt-Winters para os dados de consultas as SPC.
Sempre que um mtodo for ajustado, interessante veri-

car as discrepncias de ajustamento geradas, para constatar a
existncia ou no de algum padro. Se isto acontecer, deve-se
tentar outro mtodo, pois outro pode ser considerado como mais
adequado. As medidas de ajuste do mtodo para este caso fo-
ram: DPAM = 2,56% e U de Theil = 0,265, muito melhores se
comparados ao mtodo de Holt onde DPAM = 6,45% e U de
Theil = 0,744.
4.7 Questes Avanadas sobre os Mtodos de

Suavizao Exponencial
Nesta seo, ser apresentada uma classicao mais geral dos
mtodos de suavizao exponencial. Esta classicao leva em

conta o comportamento da tendncia e sazonalidade da srie. O

comportamento da tendncia caracterizado em cinco tipos (ne-
nhuma, aditiva, aditiva amortecida, multiplicativa e multiplica-
tiva amortecida), enquanto que a sazonalidade classicada em
trs tipos (nenhuma, aditiva e multiplicativa). Na seo 4.7.1,
ser apresentado como os mtodos so classicados de acordo
com a combinao entre tendncia e sazonalidade citados ante-
riormente.
Na seo 4.7.2, ser abordado como so calculados os valo-
res iniciais das componentes dos mtodos (nvel, crescimento e
sazonalidade) e como encontrar os parmetros de suavizao dos
mtodos de previso exponenciais. Ao todo, sero treze mtodos
de suavizao exponencial e um procedimento para encontrar o
melhor mtodo de acordo com os dados da srie. importante
mencionar que a leitura desta seo no necessria para o pra-
ticante da rea de previso que no tem interesse em aprofundar
teoricamente o assunto.
4.7.1 UMA ABORDAGEM MAIS AMPLA DOS MTODOS DE SUAVIZAO

EXPONENCIAL
Os mtodos de suavizao exponencial podem ser classicados
de acordo com as componentes consideradas. Estas componentes
so: tipo de tendncia (nenhuma, aditiva, multiplicativa, aditiva
amortecida ou multiplicativa amortecida) e tipo de sazonalidade
(nenhuma, aditiva ou multiplicativa).
Tais mtodos diferem principalmente em relao aos tradi-
cionais j apresentados nas sees anteriores quanto tendncia
multiplicativa e amortecida. Em Hyndman (2002), sugerido
uma nomenclatura para a classicao destes mtodos, presentes
na tabela 4.8.

Tabela 4.8 Classicao dos mtodos exponenciais

quanto a tendncia e sazonalidade.
Sazonalidade
Tendncia
Nenhuma Aditiva Multiplicativa
Nenhuma NN NA NM
Aditiva AN AA AM
Aditiva Amortecida AaN AaA AaM
Multiplicativa MN MA MM
Multiplicativa Amortecida MaN MaA MaM
A interpretao da tabela a seguinte: a primeira letra do

mtodo representa a tendncia e a segunda a sazonalidade. Ento,
se o mtodo for NN, ele no possui tendncia nem sazonalidade,
portanto o mesmo que a SES. Existem ainda outros mtodos
na tabela que representam os apresentados nas sees anteriores,
AN o mtodo de Holt (tendncia aditiva e sem sazonalidade),
AA o mtodo de HoltWinters Aditivo (tendncia e sazonali-
dade aditiva) e AM o HoltWinters Multiplicativo (tendncia
aditiva com sazonalidade multiplicativa).
Dos mtodos diferentes dos tradicionais, os principais des-
taques so os com tendncia amortecia, pois em muitos casos a
tendncia da srie no linear e o amortecimento corrige este
problema. Este amortecimento feito com o parmetro , va-
riando entre e um, que multiplica o crescimento da srie. Com
um exemplo, ser mais fcil visualizar. O grco da gura 4.16
mostra os dez ltimos anos de dados (1995 a 2004) e a previso
com o mtodo AaN para dez anos (2005 a 2014) nos dados de
produo de energia eltrica (tabela 4.4), com igual a 1; 0,95 e
0,85. Vale observar que, quando = 1, o mtodo o mesmo que
o de Holt.

FIGURA 4.16 Previso para o mtodo AaN com = 1, 0,95, 0,85 para
os dados de produo de energia eltrica no Brasil.
No grco, percebe-se que quanto menor o valor de ,

maior o amortecimento da tendncia. Por exemplo, para o m-
todo AaN, a previso calculada pela frmula abaixo:
k
Pt + k = nt + i ct
i =1
amortecimento
Os pesos do amortecimento da tendncia so calculados da

seguinte forma:
Para = 0,95
t = 1 amortecimento = 1 = 0,951
t = 2 amortecimento = 1 + 2 = 1,853

t = 10 amortecimento = 1 + 2 + ... + 10 = 7,654
Os pesos do amortecimento e as previses para os dez anos,

com n2004 = 387.310 e c2004 = 9.272 esto na tabela 4.9.

Tabela 4.9 Previso e pesos para o mtodo AaN

com = 1, 0,95, 0,85 para os dados de produo
de energia eltrica no Brasil.
= 1 (Holt) = 0,95 = 0,85
Ano t
amortecimento Previso amortecimento Previso amortecimento Previso
2005 1 1 396.582 0,950 396.118 0,850 395.191
2006 2 2 405.854 1,853 404.486 1,573 401.890
2007 3 3 415.125 2,710 412.435 2,187 407.584
2008 4 4 424.397 3,524 419.987 2,709 412.424
2009 5 5 433.669 4,298 427.162 3,152 416.538
2010 6 6 442.940 5,033 433.977 3,529 420.035
2011 7 7 452.212 5,732 440.452 3,850 423.007
2012 8 8 461.484 6,395 446.603 4,123 425.533
2013 9 9 470.756 7,025 452.446 4,354 427.681
2014 10 10 480.027 7,624 457.998 4,551 429.506
Este foi um exemplo apenas dos mtodos existentes de ten-

dncia amortecida, os outros mtodos presentes na tabela 4.8,
com suas formulaes matemticas, esto na tabela 4.11 e os res-
pectivos grcos na tabela 4.10.
Tabela 4.10 Grcos que representam os mtodos de

suavizao exponencial.
Sazonalidade
Tendncia
AA NA NM
Previso
Previso
Previso
Nenhuma
Horizonte Horizonte Horizonte
Holt Holt-Winters Aditivo Holt-Winters Multiplicativo

AN AA AM
Aditiva
Previso
Previso
Previso
AdN AdA AdM

Previso
Previso
Previso
Aditiva Amortecida

MN MA MM
Previso
Previso
Previso
Multiplicativa
MdN MdA MdM
Multiplicativa
Previso
Previso
Previso
Amortecida
Tabela 4.11 Mtodos de suavizao exponencial.

Sazonalidade
Tendncia
S A M
nt = a (Ot st m ) + (1 a ) nt 1 nt = a (Ot st m ) + (1 a ) nt 1
nt = a Ot + (1 a ) nt 1
S st = g (Ot nt 1 ) + (1 g ) st m st = g (Ot nt 1 ) + (1 g ) st m
Pt + k = nt Pt + k = nt + st m + k Pt + k = nt st m + k
nt = a (Ot st m ) + (1 a ) ( nt 1 + ct 1 ) nt = a (Ot st m ) + (1 a ) ( nt 1 + ct 1 )
nt = a Ot + (1 a ) (nt 1 + ct 1 )
ct = b ( nt nt 1 ) + (1 b ) ct 1 ct = b ( nt nt 1 ) + (1 b ) ct 1
A ct = b (nt nt 1 ) + (1 b) ct 1
st = g (Ot nt 1 ct 1 ) + (1 g ) st m (
st = g Ot ( nt 1 + ct 1 ) + (1 g ) st m )
Pt + k = nt + kct Pt + k = nt + kct + st m + k Pt + k = ( nt + kct ) st m + k
nt = a (Ot st m ) + (1 a ) ( nt 1 + fct 1 )
nt = a Ot + (1 a ) (nt 1 + fct 1 ) nt = a (Ot st m ) + (1 a ) ( nt 1 + fct 1 )
ct = b ( nt nt 1 ) + (1 b ) fct 1 ct = b ( nt nt 1 ) + (1 b ) fct 1
ct = b (nt nt 1 ) + (1 b) fct 1
Aa k st = g (Ot nt 1 fct 1 ) + (1 g ) st m (
st = g Ot ( nt 1 + fct 1 ) + (1 g ) st m )
Pt + k = nt + fi ct k
Pt + k = nt + fi ct + st m + k
k

Pt + k = nt + fi ct st m + k
i =1 i =1 i =1
nt = a (Ot st m ) + (1 a ) nt 1ct 1
nt = a Ot + (1 a ) nt 1ct 1
ct = b ( nt nt 1 ) + (1 b ) ct 1
M ct = b (nt nt 1 ) + (1 b) ct 1
(
st = g Ot ( nt 1ct 1 ) + (1 g ) st m )
Pt + k = nt ctk
Pt + k = nt ctk st m + k
nt = a (Ot st m ) + (1 a ) nt 1ctf1
nt = a Ot + (1 a ) nt 1ctf1
ct = b ( nt nt 1 ) + (1 b ) ctf1
ct = b (nt nt 1 ) + (1 b) ctf1
Ma k
st = g Ot ( (n c f
t 1 t 1 )) + (1 g) s
t m
fi
k
Pt + k = nt cti=1 Pt + k = nt ct i =1
fi
st m k
4.7.2 SELEO AUTOMTICA DE MTODOS1

Com tantos mtodos disponveis apresentados na seo anterior,
ca difcil escolher um deles cada vez que for fazer uma previ-
so, por isso apresentamos uma tcnica para a seleo autom-
1
A leitura desta seo s recomendada para quem quer saber em detalhes
como encontrar os modelos automaticamente. Existe uma planilha em Ex-
cel desenvolvida pelos autores que realiza estes clculos de forma automa-
tizada. Veja o site www.previsaosimples.pbwiki.com.

tica dos mtodos. Este mtodo baseado no artigo de Hyndman

(2002) e leva em considerao os parmetros de iniciao (seo
4.7.2.1) e o comportamento das discrepncias de ajustamento
(seo 4.7.2.2). Esta metodologia a mesma que est presente na
planilha eletrnica em Excel nnq-stat. O download da planilha
pode ser feito gratuitamente em www.qualimetria.ufsc.br.
4.7.2.1 Iniciao dos Mtodos

Como comentado nas sees anteriores, todos os mtodos de
suavizao exponencial precisam das estimaes de suas com-
ponentes iniciais. O nmero de parmetros estimados depende
do mtodo empregado e tambm do tipo de sazonalidade dos da-
dos. Por exemplo, se o mtodo for AM (tendncia aditiva com
sazonalidade multiplicativa) com um ciclo sazonal igual a doze
(dados mensais), o nmero de parmetros ser de dezesseis. So
eles: o nvel, o crescimento, onze ndices sazonais (o 12 ndice
redundante) e os trs parmetros de suavizao , e . A tabela
4.12 apresenta o nmero de parmetros para um exemplo de da-
dos mensais, cuja sazonalidade igual a doze.
Tabela 4.12 Nmero de parmetros estimados para os

mtodos exponenciais com sazonalidade mensal .
Sazonalidade
Tendncia
Parmetros Parmetros Parmetros
Nenhuma NN 2 NA 14 NM 14
Aditiva AN 4 AA 16 AM 16
Aditiva Amortecida AaN 5 AaA 17 AaM 17
Multiplicativa MN 4 MM 16
Multiplicativa Amortecida MaN 5 MaM 17
Em Hyndman (2002), recomendada uma heurstica para

encontrar estes valores, que so descritos a seguir:
Valores iniciais para as constantes de suavizao so de
= = = 0,5 e = 0,9. Existem restries para o quanto estes
valores podem variar. So elas:

0,01 , , 0,99 e 0,99.
Estes valores iniciais sero modicados para minimizar al-

gum dos critrios que sero apresentados na seo 4.7.2.2.
Para dados sazonais, fazer uma mdia mvel (at quatro
anos de dados);
para sazonalidade aditiva, tirar a tendncia da srie fa-
zendo Ot Tt. No caso multiplicativo Ot/Tt ;
calcular os ndices sazonais com o passo anterior. Es-
tes ndices sero normalizados para que somem zero no
caso aditivo e doze no multiplicativo (se, por exemplo,
os dados forem mensais);
ajustar os dez primeiros valores (com os ndices encon-
trados acima) e fazer uma regresso simples2. Para da-
dos no sazonais desconsiderar este ajuste;
n0 o intercepto da regresso;
para tendncia aditiva, c0 o coeciente angular da reta;
para tendncia multiplicativa, c0 = 1+b/a.
Uma vez encontrado estes valores, eles sero atualizados por um

algoritmo de otimizao no-linear (na planilha em Excel o Sol-
ver) que minimize um dos critrios que sero apresentados na
prxima seo.
4.7.2.2 Critrios para encontrar os parmetros dos mtodos

Os critrios utilizados para otimizao dos mtodos so baseados
nas discrepncias de ajustamento. Busca-se, de uma forma geral,
a minimizao dos mesmos. Os principais j foram apresentados
no captulo dois, sendo eles:
2
A modelo de regresso simples o ajuste de uma reta do tipo y = a + bx.
encontrado em vrios livros de estatstica bsica.

DAM discrepncia absoluta mdia;

DQM discrepncia quadrtica mdia;
DPAM - discrepncia percentual absoluta mdia.
importante mencionar que o critrio utilizado na planilha em

Excel fornecida no nenhum dos previamente citados, o
AIC (do ingls - Akaikes Information Criterion). No inten-
o deste livro, discutir sobre este critrio que envolve muitos
conceitos estatsticos, mas intuitivamente busca-se minimizar as
discrepncias de ajustamento ao mesmo tempo que se escolhe o
mtodo com menos parmetros. A idia escolher o mtodo que
apresente o menor AIC. Na prxima seo, apresentado um
exemplo sobre esta seleo automtica.
4.8 Uma Aplicao Prtica para a Seleo

Automtica dos Mtodos
O exemplo desta seo so as vendas mensais de carros da marca
Gol 1000, com dados de Janeiro de 1996 a Dezembro de 2005
(tabela 4.13). Foi utilizada a planilha em Excel nnq-stat para re-
alizar os clculos que esto na tabela 4.14, que a comparao
entre todos os mtodos de suavizao exponencial apresentados.
Tabela 4.13 Vendas mensais do carro da marca Gol 1000.

jan fev mar abr mai jun jul ago set out nov dez
1996 10.715 14.816 14.405 13.286 16.242 14.726 19.526 18.483 16.775 18.342 16.195 16.757
1997 20.062 18.026 21.012 23.123 22.666 22.845 23.760 23.915 24.217 23.337 12.278 14.453
1998 18.221 17.281 20.371 18.946 19.308 16.570 17.124 23.179 16.606 14.257 9.705 13.637
1999 13.721 6.716 24.171 18.754 17.665 17.281 17.782 19.120 16.343 13.350 14.969 13.342
2000 13.836 17.900 18.769 18.465 20.987 22.234 22.445 22.993 19.316 20.056 15.657 18.874
2001 18.546 21.175 30.131 25.054 26.756 20.921 21.436 23.312 14.580 17.944 18.382 21.134
2002 19.544 18.244 20.694 21.462 17.746 15.634 13.872 14.301 13.433 10.209 8.022 12.930
2003 6.520 8.973 9.475 9.981 10.073 10.506 12.793 12.159 16.408 14.411 10.311 16.194
2004 14.239 12.035 13.010 11.615 10.635 9.859 11.544 12.617 11.714 10.953 12.914 12.732
2005 9.626 9.269 13.383 11.995 12.193 12.228 9.893 12.915 11.785 7.376 14.739 16.090

FIGURA 4.17 Vendas mensais de Gol 1000 de janeiro de 1996 a

dezembro de 2005.
Tabela 4.14 Comparao dos mtodos de suavizao

exponencial para os dados da venda mensal de Gol 1000.
Mtodo DPAM U de Theil AIC
1 NA 13,85% 0,750 2502,895
2 AA 14,24% 0,758 2510,947
3 AaA 13,78% 0,745 2507,794
4 NM 14,72% 0,710 2517,844
5 AM 14,95% 0,724 2532,673
6 AaM 14,17% 0,716 2529,970
7 MM 14,33% 0,724 2531,350
8 - MaM 14,26% 0,714 2529,463
O mtodo que foi escolhido automaticamente pela planilha

foi o NA, sem tendncia, com sazonalidade aditiva, que apre-
sentou um AIC = 2502. Outro mtodo que poderia ser escolhi-
do pelos resultados de ajuste seria o AaA, sem tendncia, com
sazonalidade multiplicativa, que por sinal apresentou o segundo
menor AIC (2507,8) e o menor DPAM com 13,78%.
Deve ser mencionado que a escolha do mtodo que obteve
qualquer um dos critrios como menor no garante que boas pre-
vises sero feitas, garante apenas que os valores estimados dos

parmetros so consistentes com o comportamento dos dados

passados e que boas previses podem ser esperadas. Estes m-
todos exponenciais, de uma forma geral, geram bons resultados
com horizontes curtos de previso (entre um a quatro passos
frente), portanto, recomenda-se que cada nova observao deve
ser inserida base de dados e ao mtodo re-estimado.
4.9 Concluses
Neste captulo, foram apresentados os mtodos clssicos de sua-
vizao exponencial, entre eles o de suavizao exponencial sim-
ples para dados sem tendncia e sem sazonalidade, o de Holt para
dados com tendncia e sem sazonalidade e o de HoltWinters
para situaes em que os dados apresentam tanto tendncia como
sazonalidade. Para cada um dos mtodos, um exemplo numrico
e grco foi mostrado, e vericou-se em que situaes suas apli-
caes sero conveniente ou no.
No entanto, nem todas as sries podem ser modeladas atra-
vs dos mtodos tradicionais, pode ser que elas apresentem uma
tendncia multiplicativa ou amortecida, e, por este motivo, foi
apresentado tambm uma classicao mais ampla em relao
s combinaes das componentes de uma srie temporal, com
um total de treze mtodos abordados. Para que o leitor saiba qual
deles o mais adequado situao de seu interesse, um procedi-
mento de seleo automtica baseado nas discrepncias de ajus-
tamento e no nmero de parmetros foi oferecido, juntamente
com um exemplo comparando o desempenho de cada um dos
mtodos para facilitar o entendimento.
4.10 Glossrio
Suavizao exponencial da srie so os pesos atribudos s obser-
vaes passadas que decaem exponencialmente.

Mtodo de suavizao exponencial simples (SES) o mtodo de

suavizao exponencial para dados sem tendncia e sem sa-
zonalidade.
Mtodo de Holt (tendncia linear) o mtodo suavizao exponen-

cial para dados com tendncia e sem sazonalidade.
Mtodo de Holt-Winters mtodo de suavizao exponencial para

dados com tendncia e sazonalidade.
m ciclo sazonal.
k previso k perodos frente.
nt nvel da srie.
ct crescimento da srie.
st ndices sazonais da srie.
parmetro de suavizao do nvel da srie.
parmetro de suavizao do crescimento da srie.
parmetro de suavizao da sazonalidade da srie.
parmetro de amortecimento do crescimento da srie.
Previso de curto prazo previso feita entre um e quatro meses a

frente.
4.11 Exerccios
4.11.1 O ministrio da previdncia quer fazer a previso anual do
nmero de benecirios da previdncia social e foi recomendado
que utilizasse o mtodo de suavizao exponencial simples para
esta tarefa. Para um = 0.99 e a previso P1978 = 6.570.822 (valor
para a iniciao da SES), encontre os valores do mtodo ajustado
(1978 a 2005) e faa a previso do nmero de benecirios da
previdncia para 2006.

5.1 Introduo ao Captulo ....................................................... 173
5.2 Modelo de Relatrio ........................................................... 174
5.3 Apndice............................................................................. 179

5
Relatrio Executivo
5.1 Introduo ao Captulo
N
AS PRXIMAS PGINAS, oferecido ao leitor e praticante da
rea de previso um exemplo de relatrio executivo, tipo de
documento muito comum na gesto de empresas. Por neces-
sidade, um documento curto, nunca maior que cinco pginas,
porm repleto de informaes relevantes, conceitos explicados,
tabelas e, preferencialmente, grcos. Ele deve ser muito mais
detalhado do que um simples resumo com os resultados de al-
guma anlise, no entanto, muito menos detalhado do que uma
anlise acadmica e cientca. Depois de ler um relatrio execu-
tivo, o leitor deve estar dentro do assunto, conhecendo bem os
conceitos bsicos, a lgica dos argumentos e a sinceridade dos
resultados.

5.2 Modelo de Relatrio
NCLEO DE NORMALIZAO E QUALIMETRIA1

ENGENHARIA DE PRODUO E SISTEMAS
UNIVERSIDADE FEDERAL DE SANTA CATARINA,
FLORIANPOLIS
ROBERT WAYNE SAMOHYL, COORDENADOR,
samohyl@deps.ufsc.br
RELATRIO EXECUTIVO:
VALORES PREVISTOS TCNICOS
PARA O CUB-SC.
Quinta-feira, 12 de abril de 2007.
INTRODUO E PROBLEMTICA
A construo de domiclios ou instalaes fabris e comerciais ab-
sorve uma parcela substancial de qualquer oramento. Seu pla-
nejamento exige projees de preos e custos de materiais, mo-
de-obra e outros servios de curto e longo prazo. Com o intuito
de auxiliar nesse planejamento, apresentamos aqui projees do
Custo Unitrio de Base (CUB) para o estado de Santa Catarina em
um perodo que vai de maro de 2007 a fevereiro de 2009, ou seja,
vinte e quatro meses de horizonte total de previso. Este servio
oferecido pelo Ncleo de Normalizao e Qualimentria da
UFSC/Departamento de Engenharia de Produo e Sistemas.
1
www.qualimetria.ufsc.br.

Relatrio Executivo 175
DADOS
Os custos de construo so levantados todo ms pelo Sindica-
to das Construtoras em Santa Catarina, o Sinduscon, e publicado
no site www.sinduscon-fpolis.org.br. O ndice calculado inclui os
custos dos insumos mais importantes, como cimento, tijolo, ao
etc., alm da mo-de-obra. Os clculos do ndice foram modi-
cados no ms de maro de 2007, seguindo as novas normas da
ABNT. O ndice calculado pela metodologia antiga, chamado
de CUB/-1999, continuar a ser publicado em percentagem.
No entanto, para qualquer projeto a partir de maro de 2007,
a utilizao do novo ndice (CUB/2007) ser obrigatria.
METODOLOGIA
A metodologia utilizada para o clculo das previses ser ex-
clusivamente tcnica, isto , sem considerar qualquer forma de
incluso da subjetividade de peritos no assunto. A integrao da
subjetividade de peritos nos resultados a prxima etapa na to-
mada de deciso. Atravs de algoritmos computacionais sos-
ticados, sero extradas da srie temporal mensal do CUB-SC,
suas componentes da srie, ou seja, sua tendncia no tempo, a
sazonalidade mensal especca a cada ms e, nalmente, a com-
ponente inexplicvel dos dados que justamente a chamada dis-
crepncia de ajuste. Estas metodologias j foram apresentadas
detalhadamente nos captulos trs e quatro deste livro.
RESULTADOS E ANLISE
1. A decomposio clssica considerada uma ferramenta sim-
ples, mas esclarecedora, que facilita o entendimento do compor-
tamento das componentes de uma srie. Para maiores detalhes
revise o captulo trs deste livro.

DECOMPOSIO DA SRIE CUB-SC.
Observada Tendncia
930,59
900,00 880,59
830,59
800,00
780,59
730,59
700,00
680,59
630,59
600,00
580,59
500,00 530,59
480,59
400,00 430,59
jan-00 jan-01 dez-01 dez-02 nov-03 nov-04 out-05 out-06 1 21 41 61 81
Sazonalidade Discrepncia de Ajustamento
1,02 15,15
1,01
10,15
1,01
5,15
1,00
1,00 0,15
0,99
-4,85
0,99
0,98 -9,85
1 21 41 61 81 1 5 9 13 17 21 25 29 33 37 41 45 49 53 57 61 65 69 73 77 81
A srie observada, apresentada no primeiro grco da gura,

a composio total das componentes: discrepncia de ajustamen-
to, sazonalidade, e tendncia. No h dvida que a tendncia dos
dados continuar subindo, porm com um leve amortecimento. A
sazonalidade se caracteriza por uma ascenso grande, de maio para
junho, durante todos os anos, em funo de junho ser o ms de re-
vises salariais no setor. importante notar que o primeiro ms
em que a sazonalidade se torna negativa janeiro, e, em segui-
da, continua negativa at a costumeira alta de junho. Por estas
consideraes, seria prudente esperar para maro de 2007 uma
pequena queda ou mesmo a estagnao do CUB-SC, resultado
de ndices sazonais fracos e tendncia igualmente fraca.
2. Ser comentado agora os resultados da anlise mais apu-
rada de modelos exponenciais, assunto tratado no captulo quatro
deste livro. Na seguinte gura esto as previses feitas em vrios

meses, sempre para vinte e quatro meses no futuro, portanto, a

cerca dos horizontes fevereiro de 2009.
PREVISES DO CUB PARA VINTE E QUATRO MESES FRENTE.
Pela informao contida na gura anterior, pode-se espe-

rar valores do CUB-SC um pouco menores que R$ 900,00 at
junho de 2007, ms dos reajustes salariais no setor. A elevao
em junho j foi reconhecida na anlise da decomposio clssi-
ca. Depois da subida do ndice de junho de 2007, os valores se
estabilizam em torno de R$ 920,00 at junho de 2008. Portanto,
os dados passados projetam um futuro de razovel estabilidade.
Claro que todas as projees de longo prazo (de mais de seis
meses) devem ser tratadas sempre com muito cuidado.
As previses para os vinte e quatro meses futuros feitas
pela equipe do NNQ nos meses de 2006 so mais altas do que
as previses feitas em fevereiro de 2007. Se forem compara-
das com as previses feitas em dezembro de 2005, possvel
perceber que o ms de dezembro tem sido um ms difcil como
origem das previses, pois os valores previstos so em geral

mais baixos do que a realidade. Veja a tabela de previses no

nal deste relatrio. Nela, a quarta linha da tabela traz as
previses feitas em dezembro de 2005 para os meses seguin-
tes. possvel notar que as discrepncias so geralmente ne-
gativas, indicando o fato de que as previses foram geralmen-
te menores que valores posteriormente observados, um caso
de subestimao. Na presena da subestimao contnua ms
aps ms, o pesquisador deve considerar a necessidade de
reavaliar os modelos de previso incorporando este vis nas
prximas previses feitas em dezembro dos prximos anos.
Veja os princpios de Wallace e Stahl no captulo dois.
A anlise de discrepncias passadas de previso sempre
relevante para futuras anlises das mesmas sries. Na tabela no
apndice deste captulo, temos todas as previses do CUB-SC
feitas pela equipe NNQ desde dezembro de 2005. Nela, o pri-
meiro valor previsto referente ao CUB-SC de janeiro de 2006,
R$ 858,31. Ele deve ser comparado com o valor observado para
janeiro de 2006 que foi R$ 862,52. A discrepncia em termos
percentuais de -0,49%, isto , a metade de 1,0%. Isso obvia-
mente pode ser considerado uma boa previso.
Na mesma tabela, podemos ver que o ms mais difcil
para servir de origem das previses fevereiro de 2006. Mui-
tas das previses feitas neste ms apresentaram discrepncias
de mais de 1%. Trata-se das maiores discrepncias da tabela.
Por que isso aconteceu? Entre outras causas, nas previses
foi ignorada a evoluo da taxa de cmbio, o que valorizou a
moeda brasileira e, conseqentemente, barateou as importa-
es de materiais de construo.
Finalmente, vale a pena destacar o fato de que muitas previ-
ses tm sido extremamente exatas, cometendo erros de apenas
dois, trs e quatro centsimos de um por cento. Um erro de trs
em dez mil uma felicidade impar em qualquer rea de estudo e
anlise. Por exemplo, comparando a previso feita no ms de
setembro para o ms de outubro (onde o valor previsto foi R$

896,02 e o valor observado foi R$ 895,86), a discrepncia de

previso foi de apenas dezesseis centavos. Como falado ante-
riormente, isso uma previso excelente, pois este tamanho
de erro praticamente nulo.
O senso comum obriga o previsor a ter muita cautela com
previses de mdio e longo prazo. Todo mundo sabe que os m-
dio e longo prazos so mais imprevisveis. No entanto, no mundo
prtico, o senso comum s vezes desaado, e algumas surpresas
podem aparecer. Veja as discrepncias de previso na tabela do
apndice para as previses feitas em abril de 2006. Ali est pre-
sente uma destas surpresas, pois observe que as previses para
setembro e outubro apresentam discrepncias de mdio pra-
zo de somente 0,02% e 0,04%, muito menores que as discre-
pncias de curto prazo para maio (-0,09%), junho (0,18%),
julho (0,25%) e agosto (0,12%). Talvez seja uma boa idia
car mais atento no prximo ano, 2008, pois, no ms de abril,
as previses que forem feitas para os meses de setembro e
outubro podem ser muito precisas.
CONCLUSES
As projees montadas baseando-se em algoritmos cientcos
so extremamente valiosas do ponto de vista empresarial, mas
importante enfatizar que elas representam apenas uma parte dos
procedimentos de previso. No h dvida de que as previses
precisas dependem dos valores passados, contudo inegvel
que dependem tambm da intuio e astcia dos especialistas
do mercado, aqui no consideradas.
5.3 Apndice
Veja na ltima pgina deste captulo a tabela das previses do
CUB-SC e discrepncias desde dezembro de 2005. Nela, na pri-

meira coluna, esto colocados os meses de origem das previses,

ou seja, quando foram feitas as previses. Por exemplo, em de-
zembro de 2005 foram feitas previses para os meses seguintes,
isto , para janeiro de 2006 a novembro de 2008, muito embora
em funo da limitao do tamanho da folha do papel, nem todos
os valores esto l dispostos.
Os nmeros correspondentes em itlico so estas previses,
ms a ms. Logo aps a previso colocada a discrepncia de
previso em termos percentuais. A discrepncia calculada com-
parando o valor previsto e o valor observado da segunda linha da
tabela. Veja mais detalhes no captulo dois. Como foi previamen-
te comentado, as discrepncias das previses feitas em dezembro
so todas negativas. Isso signica que o valor previsto tende a
ser menor do que observado na realidade e, portanto, devemos
levar isso em conta nos nossos planos e programaes futuras.
Fim de relatrio executivo.

Tabela das previses do CUB-SC e discrepncias desde dezembro de 2005.

ROBERT WAYNE SAMOHYL, Ph,D.;
GUEIBI PERES SOUZA, Msc.
RODRIGO GABRIEL DE MIRANDA, M.Eng.
PrevisaoEmpresarial.indd S6:CLXXXIV 18/1/2008 12:07:46

PrevisaoEmpresarial.indd S6:CLXXXV 18/1/2008 12:07:46
Sumrio
1 INTRODUO ................................................................................. 1
1. Introduo................................................................................... 1
1.1 Por que as empresas e os funcionrios desconam dos
mtodos de previso? ......................................................... 6
1.2 A previso e a discrepncia do valor observado................. 9
1.3 Medindo a qualidade da previso variabilidade ............. 10
1.3.1 Exemplo: a variabilidade de vendas......................... 10
1.3.2 Quais so as principais caractersticas de uma
previso bem feita? .................................................. 12
1.4 Planejamento e previso oramentos, alvos e previses . 15
1.5 Concluses ......................................................................... 16
1.6 Glossrio............................................................................. 17
1.7 Exerccios ........................................................................... 18
1.8 Respostas ............................................................................ 21
1.9 Referncias ......................................................................... 25
2 ADMINISTRANDO PREVISES ........................................................... 27

2.1 Introduo por que previses empresariais so
necessrias? ....................................................................... 27
2.2 Medidas de Discrepncia de Previso ................................ 30
2.2.1 Discrepncia Mdia.................................................. 31
PrevisaoEmpresarial.indd S5:CLXXXVI 18/1/2008 12:07:46

IV Mtodos Simplificados de Previso Empresarial
2.2.2 Discrepncia absoluta mdia (DAM) ....................... 34

2.2.3 Discrepncia quadrada mdia (DQM) ..................... 36
2.2.4 Discrepncia percentual absoluta mdia (DPAM) ... 37
2.3 Qualidade total nos mandamentos de Deming e Juran....... 39
2.3.1 Os 14 pontos de Deming para a qualidade ............... 39
2.3.2 As dez etapas no processo de melhorias contnuas
de qualidade de Juran ............................................... 43
2.3.3 Reinterpretando os princpios de Wallace e Stahl
sobre o processo de previso na empresa................. 44
2.4 Concluses ......................................................................... 54
2.5 Glossrio............................................................................. 54
2.6 Referncias ......................................................................... 56
3 DECOMPOSIO CLSSICA.............................................................. 59
3.1 Introduo e Problemtica .................................................. 59
3.1.1 Previso Ingnua um Passo a Frente ..................... 61
3.1.2 U de Theil ................................................................. 68
3.1.3 Previso ingnua vrios passos frente ................ 71
3.1.4 U de Theil sazonal .................................................... 74
3.1.5 Previso por mdia simples...................................... 75
3.2 Decomposio .................................................................... 79
3.2.1 Clculo da tendncia ................................................ 82
3.2.2 Clculo da Sazonalidade .......................................... 87
3.2.3 Componente discrepncia de ajuste ......................... 94
3.2.4 Como Montar a Previso.......................................... 97
3.2.5 Resduo e discrepncia de previso.......................... 101
3.2.6 Outro exemplo.......................................................... 103
3.3 Quando usar o mtodo aditivo e o mtodo multiplicativo . 105
3.4 Avanos e confuses mais recentes .................................... 112
3.5 Comparao entre mtodos ................................................ 114
3.6 Concluses ......................................................................... 117
3.7 Glossrio............................................................................. 118
3.8 Exerccios ........................................................................... 119
3.9 Respostas ............................................................................ 120
3.10 Referncias ......................................................................... 122
3.11 Apndices ........................................................................... 123
PrevisaoEmpresarial.indd S5:CLXXXVII 18/1/2008 12:07:46

Sumrio V
4 MTODOS DE SUAVIZAO EXPONENCIAL ........................................ 127

4.1 Introduo........................................................................... 127
4.2 Pesos atribudos s observaes passadas no mtodo
de previso ingnua ............................................................ 128
4.3 Pesos atribudos s observaes passadas no mtodo
de previso por mdia simples ........................................... 129
4.4 Previso Por Suavizao Exponencial Simples (SES) ....... 130
4.4.1 Exemplo para o mtodo de suavizao
exponencial simples ................................................. 136
4.4.2 Por que a SES no funciona em dados com
tendncia explicao grca ................................. 138
4.5 Mtodo de Holt................................................................... 141
4.5.1 Exemplo para o mtodo de Holt (tendncia linear) ... 143
4.5.2 Por que o mtodo de Holt no funciona em dados
com sazonalidade explicao grca .................... 147
4.6 Mtodo de Holt-Winters ..................................................... 149
4.7 Questes avanadas sobre os mtodos de suavizao
exponencial......................................................................... 155
4.7.1 Uma abordagem mais ampla dos mtodos de
suavizao exponencial ............................................ 156
4.7.2 Seleo automtica de mtodos ............................... 160
4.7.2.1 Iniciao dos mtodos ................................. 161
4.7.2.2 Critrios para encontrar os parmetros
dos mtodos ................................................. 162
4.8 Uma aplicao prtica para a seleo automtica
dos mtodos ........................................................................ 163
4.9 Concluses ......................................................................... 165
4.10 Glossrio............................................................................. 165
4.11 Exerccios ........................................................................... 166
4.12 Respostas ............................................................................ 168
4.13 Referencias ......................................................................... 170
5 RELATRIO EXECUTIVO .................................................................. 173

5.1 Introduo ao Captulo ....................................................... 173
5.2 Modelo de Relatrio ........................................................... 174
PrevisaoEmpresarial.indd S5:CLXXXVIII 18/1/2008 12:07:47

Métodos Simplificados de Previsão Empresarial

Transféré par

Informations du document

Description originale:

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Métodos Simplificados de Previsão Empresarial

Transféré par

Droits d'auteur :

Formats disponibles

Previso muito difcil, especicamente

se for sobre o futuro.

PrevisaoEmpresarial.indd 1 18/1/2008 12:06:52

PrevisaoEmpresarial.indd S1:2 18/1/2008 12:07:02

Muitos empresrios ainda pensam que os mtodos de previ-

PrevisaoEmpresarial.indd S1:3 18/1/2008 12:07:02

O custo do processo informal de previso obviamente

A empresa no deve achar que as previses ingnuas so

PrevisaoEmpresarial.indd S1:4 18/1/2008 12:07:02

de outros mtodos automticos que tambm dependem dos

No caso do estudo de Souza (2005, p. 92), utilizando mo-

PrevisaoEmpresarial.indd S1:5 18/1/2008 12:07:02

e manuteno da linha de produo, entre muitos outros. No nal,

PrevisaoEmpresarial.indd S1:6 18/1/2008 12:07:02

outros ingredientes que no tm necessariamente nenhuma re-

1.1 Porque as Empresas e os Funcionrios

PrevisaoEmpresarial.indd S1:7 18/1/2008 12:07:02

pe, pelo simples fato de estarem fa-

PODER: Na maior parte dos casos, quem responsvel pela

COMPETIO: Por outro lado, quando o processo de previso se-

PrevisaoEmpresarial.indd S1:8 18/1/2008 12:07:02

MIOPIA: A viso do mercado em inmeras empresas, decor-

POLTICA: Finalmente, basta lembrar que estruturas empre-

PrevisaoEmpresarial.indd S1:9 18/1/2008 12:07:02

base alguma considerao pessoal e emocional. justamente

1.2 A Previso e a Discrepncia do Valor

PrevisaoEmpresarial.indd S1:10 18/1/2008 12:07:03

1.3 Medindo a Qualidade da Previso Variabilidade

1.3.1 EXEMPLO: A VARIABILIDADE DE VENDAS

PrevisaoEmpresarial.indd S1:11 18/1/2008 12:07:03

desempenho do gerente da loja. No capitulo seguinte, argumenta-

FIGURA 1.1 Vendas dirias acima e abaixo do valor previsto durante

No segundo caso, representado na Figura 1.2, a maior dis-

PrevisaoEmpresarial.indd S1:12 18/1/2008 12:07:03

seu tempo para apagar pequenos problemas e resolver pequenas

FIGURA 1.2 Vendas dirias acima e abaixo do valor previsto durante

1.3.2 QUAIS SO AS PRINCIPAIS CARACTERSTICAS DE UMA

PrevisaoEmpresarial.indd S1:13 18/1/2008 12:07:03

FIGURA 1.3 Histograma de cem discrepncias de valor zero,

Na realidade, sendo discrepncia zero uma felicidade rara-

PrevisaoEmpresarial.indd S1:14 18/1/2008 12:07:03

formato mais parecido com a gura 1.4, com vis (a distribuio

FIGURA 1.4 Histograma da vida real, de cem discrepncias.

Pela gura podemos ver que a maior discrepncia de valor

PrevisaoEmpresarial.indd S1:15 18/1/2008 12:07:03

Como ser observado no prximo captulo, o monitoramento e a

A presena de valores no centrados em zero signica vis que

1.4 Planejamento e Previso Oramentos, Alvos e

PrevisaoEmpresarial.indd S1:16 18/1/2008 12:07:03

juntos, mesclados e confundidos nos meios empresariais. Valor

PrevisaoEmpresarial.indd S1:17 18/1/2008 12:07:03

mado com alguns conceitos da rea como valor previsto, valor

Histograma uma ferramenta da rea de estatstica para ilustrar

Previso ingnua o resultado da metodologia mais simples ima-

Processo composto de insumos que passam por atividades e

Sazonalidade uma caracterstica da srie temporal onde padres

Sistmica se origina de sistema e quer dizer o resultado de com-

PrevisaoEmpresarial.indd S1:18 18/1/2008 12:07:04

Valor previsto algum valor do futuro que no existe ainda e so-

Vis um dos componentes da discrepncia de previso. o quan-

PrevisaoEmpresarial.indd S1:19 18/1/2008 12:07:04

1.7.2 Na srie das discrepncias calculadas na questo anterior,

1.7.3 Ainda seguindo o exemplo anterior, como adaptar as previ-