Mestrado Frenando Breseghelo

Fazer download em pdf ou txt
Fazer download em pdf ou txt
Você está na página 1de 105

Dados Internacionais de Catalogao-na-Publicao (CIP)

Diviso Biblioteca Central do ITA/CTA


Breseghello, Fernando Neves
Estudo comparativo de mtodos de previso de demanda: uma aplicao ao caso dos aeroportos com
trfego areo regular administrados pelo DAESP / Fernando Neves Breseghello.
So Jos dos Campos, 2005.
104f.

Tese de mestrado Curso de Engenharia de Infra-Estrutura Aeronutica. rea de Transporte Areo e


Aeroportos Instituto Tecnolgico de Aeronutica, 2005. Orientador: Dr. Protgenes Pires Porto.

1. Anlise de sries temporais. 2. Previso econmica. 3. Trfego areo. I. Centro Tcnico


Aeroespacial. Instituto Tecnolgico de Aeronutica. Diviso de Engenharia de Infra-Estrutura
Aeronutica. II. Ttulo

REFERNCIA BIBLIOGRFICA

BRESEGHELLO, Fernando Neves. Estudo comparativo de mtodos de previso de


demanda: uma aplicao ao caso dos aeroportos com trfego areo regular administrados
pelo DAESP. 2005. 104f. Tese de mestrado Instituto Tecnolgico de Aeronutica, So Jos
dos Campos.

CESSO DE DIREITOS

NOME DO AUTOR: Fernando Neves Breseghello


TTULO DO TRABALHO: Estudo comparativo de mtodos de previso de demanda: uma
aplicao ao caso dos aeroportos com trfego areo regular administrados pelo DAESP.
TIPO DO TRABALHO/ANO: Tese / 2005.

concedida ao Instituto Tecnolgico de Aeronutica permisso para reproduzir cpias desta


tese e para emprestar ou vender cpias somente para propsitos acadmicos e cientficos. O
autor reserva outros direitos de publicao e nenhuma parte desta tese pode ser reproduzida
sem a autorizao do autor.

___________________________
Fernando Neves Breseghello
Rua Joo Fonseca dos Santos, 109 Jd Satlite.
12230-088 So Jos dos Campos - SP
Estudo comparativo de mtodos de previso de demanda: uma
aplicao ao caso dos aeroportos com trfego areo regular
administrados pelo DAESP

Fernando Neves Breseghello

Composio da Banca Examinadora:

Prof. Carlos Muller Presidente (ITA)


Prof. Protgenes Pires Porto Orientador (ITA)
Prof. Armando Zeferino Milioni (ITA)
Prof. Cludio Jorge Pinto Alves (ITA)
Prof. Respcio Antnio Esprito Santo Jr. (COPPE)

ITA
RESUMO

O presente trabalho tem como objetivo principal comparar o desempenho de


metodologias preditivas, baseadas na abordagem de sries temporais, diferentes das
atualmente utilizadas para prognosticar a demanda, para um horizonte de 12 meses, dos
aeroportos administrados pelo Departamento Aerovirio do Estado de So Paulo (DAESP)
operando com trfego areo regular.
A determinao de previses adequadas e, ao mesmo tempo, realistas, o que, em
outras palavras, significa utilizar o mtodo preditivo com maior grau de preciso (ou menor
margem de erro), constitui-se em uma etapa fundamental para que o processo de
planejamento da administrao aeroporturia possa ser adequadamente realizado.
Para alcanar o objetivo proposto, buscou-se, em primeiro lugar, estudar os principais
aspectos tericos relacionados aos mtodos de previso de demanda abordados neste trabalho.
Posteriormente, segue-se o processo de calibrao dos modelos propostos, aplicados s sries
histricas disponibilizadas pela referida instituio. Os modelos de sries temporais
experimentados nesta dissertao so: Trivial, Mdia Mvel de seis e 12 meses, Suavizao
Exponencial Simples, Holt, Holt-Winters Aditivo, Holt-Winters Multiplicativo e os possveis
modelos Box-Jenkins selecionados a partir do processo de identificao. Por fim emprega-se
uma estratgia de avaliao e seleo de modelos preditivos, de natureza quantitativa, para
subsidiar as concluses apresentadas no final deste trabalho.
Os resultados obtidos, mediante a utilizao desta estratgia, demonstraram que as
metodologias propostas so mais adequadas (superiores em acurcia) para a projeo de
valores para um horizonte de 12 meses do que a metodologia atualmente utilizada pela
instituio estudada. Neste contexto, os modelos Box-Jenkins se mostraram como os mais
acurados em 61% dos casos (cinco aeroportos). Os modelos Aditivo de Holt-Winters, S.E.S. e
Holt apresentaram-se como os modelos com menor margem de erro em 13% (um aeroportos),
13% (um aeroportos) e 13% (um aeroporto) dos casos, respectivamente.
ABSTRACT

This work aims to compare the performance of predictive methodologies, based on


time series, different of the ones used presently to forecast demand, for 12 months horizon, of
the airports managed by Departamento Aerovirio do Estado de So Paulo (DAESP)
operating with regular air traffic.
The determination of accurate forecasts, which means, in other words, to use the
predictive method with greater degree of precision (or minor edge of error) is considered the
prime stage for the planning process of airports administration.
To reach the planned objective, this research examines, in first place, the main
theoretical aspects of the demand forecasting methods studied in this work. Later, it is carried
out the process of calibration for the employed models, applied to historical series available
by the institution used as case study.
The time series models studied in this thesis are: Nave Model, Moving Average of six
and twelve months, Simple Exponential Smoothing, Holts Method, Holt-Winters Additive
Method, Holt-Winters Multiplicative Method and the possible Box-Jenkins models chosen
based in an identification process performed in this research. Finally it was used one strategy
of evaluation and selection of predictive models, of quantitative nature, to subsidize the
conclusions presented at the end of this dissertation.
The results obtained by means of this strategy, demonstrated that the chosen
methodologies are more precise (have greater accuracy) to forecast values for 12 months
horizon than those presently used by the institution studied.
In this context the Box-Jenkins models showed greater accuracy in 61% of the cases
(five airports). The Holt-Winters Additive Model, S.E.S. Model and Holts Model showed to
be the models with minor edge of error in 13% (one airport), 13% (one airport) and 13% (one
airport) of the cases, respectively.
The work concludes that every winner model examined performs better than the one
employed by the institution chosen as case study for this thesis.
AGRADECIMENTOS

Em primeiro lugar a Deus por me proporcionar sade e motivao mesmo nos


momentos mais difceis desta rdua jornada.
Em segundo lugar a toda minha famlia em especial minha me, Snia Maria Neves
Breseghello, ao meu pai, Edmilson Breseghello, e aos meus filhos, ngelo Breseghello e
Fernanda Vitria Breseghello, pelas palavras de carinho e incentivo, que sem dvida alguma
impulsionaram a materializao deste sonho.
Em terceiro lugar, mas no menos importante ao sucesso deste trabalho, ao meu
orientador Prof. Protgenes Pires Porto pela dedicao demonstrada e pela busca incessante
de melhorias, implementadas ao longo da elaborao deste documento.
E em ltimo lugar ao Prof. Armando Zeferino Milioni pelo conhecimento e pelo
exemplo de profissionalismo transmitido ao longo da convivncia no decurso de suas
disciplinas.
SUMRIO

RESUMO
ABSTRACT
AGRADECIMENTOS
LISTA DE TABELAS
LISTA DE FIGURAS
1 Introduo............................................................................................................. 1
1.1 Motivao do trabalho................................................................................... 3
1.2 Objetivos do trabalho..................................................................................... 4
1.2.1 Objetivo geral...................................................................................... 4
1.2.2 Objetivos especficos........................................................................... 4
1.3 Estrutura do trabalho...................................................................................... 4
1.4 Metodologia .................................................................................................. 5
1.5 Delimitao.................................................................................................... 7
2 Reviso bibliogrfica............................................................................................ 8
2.1 Modelo Trivial de previso............................................................................ 9
2.2 Modelos de mdias mveis............................................................................ 10
2.3 Modelos de suavizao exponencial.............................................................. 11
2.3.1 Modelo de suavizao exponencial simples........................................ 11
2.3.2 Modelo de Holt.................................................................................... 12
2.3.3 Modelos de Holt-Winters.................................................................... 14
2.3.3.1 Modelo multiplicativo de Holt-Winters.................................. 15
2.3.3.2 Modelo aditivo de Holt-Winters ............................................ 18
2.4 Modelos de Box-Jenkins................................................................................ 18
2.4.1 Conceitos bsicos para a compreenso dos modelos Box-Jenkins...... 19
2.4.2 Modelos Auto-Regressivos.................................................................. 23
2.4.3 Modelos de Mdias Mveis................................................................. 25
2.4.4 Modelos mistos Auto-Regressivos Mdia Mvel............................. 27
2.4.5 Modelos No-Estacionrios................................................................. 28
2.4.6 Modelos Sazonais................................................................................ 33
2.4.7 Modelagem de srie temporal.............................................................. 34
2.4.7.1 Identificao do modelo......................................................... 34
2.4.7.2 Estimativa dos parmetros do modelo.................................... 35
2.4.7.3 Verificao do modelo............................................................ 36
2.4.7.4 Previses................................................................................. 37
2.4.7.5 Exemplos de construo de modelos ARIMA........................ 37
2.4.8 Variaes dos Modelos de Box-Jenkins.............................................. 46
2.4.9 Comentrios sobre os Modelos Box-Jenkins....................................... 47
2.5 Estratgia de avaliao e seleo para modelos de natureza quantitativa .... 48
2.5.1 Medidas estatsticas-padro................................................................. 48
2.5.2 Comentrios......................................................................................... 49
2.5.3 Estatstica U de Theil........................................................................... 49
3 Metodologia para a estruturao de um sistema de previso................................ 51
3.1 Definio do problema.................................................................................. 52
3.2 Coleta de informaes................................................................................... 54
3.2.1 Montagem do banco de dados............................................................. 54
3.3 Seleo do pacote computacional.................................................................. 55
3.4 Anlise Preliminar......................................................................................... 56
3.5 Escolha e validao dos modelos.................................................................. 57
4 Estudo de caso...................................................................................................... 59
4.1 Consideraes iniciais sobre os dados........................................................... 59
4.2 Anlise preliminar dos dados......................................................................... 60
4.3 Modelagem e calibrao dos modelos propostos.......................................... 65
4.4 Resumo dos resultados.................................................................................. 79
5 Concluso............................................................................................................. 80
Referncias bibliogrficas.......................................................................................... 83
LISTA DE TABELAS

TABELA 1. Previso de demanda de um eletrodomstico.................................................. 12


TABELA 2. Previso de demanda pelo mtodo de Holt..................................................... 14
TABELA 3. Previso de demanda pelo modelo multiplicativo de Holt-Winters................ 17
TABELA 4. Des. para o clculo da auto-correlao de lag 1 da srie utilizada na Tab.5... 21
TABELA 5. Srie Temporal obtida em Morettin & Toloi (1987)....................................... 38
TABELA 6. Srie temporal obtida em Fller (1996).......................................................... 40
TABELA 7. Usurios conectados a um serv. de Internet durante um per. de 100 min....... 43
TABELA 8: Comparao entre os diferentes modelos aplicados aos dados da Fig. 18...... 66
TABELA 9: Comparao entre os diferentes modelos aplicados aos dados da Fig. 19...... 68
TABELA 10: Comparao entre os diferentes modelos aplicados aos dados da Fig. 20.... 70
TABELA 11: Comparao entre os diferentes modelos aplicados aos dados da Fig. 21.... 71
TABELA 12: Comparao entre os diferentes modelos aplicados aos dados da Fig. 22.... 73
TABELA 13: Comparao entre os diferentes modelos aplicados aos dados da Fig. 23.... 74
TABELA 14: Comparao entre os diferentes modelos aplicados aos dados da Fig. 24.... 76
TABELA 15: Comparao entre os diferentes modelos aplicados aos dados da Fig. 25.... 77
TABELA 16: Resumo dos resultados alcanados............................................................... 79
TABELA A.1. Demanda do aeroporto de Araatuba.......................................................... A-1
TABELA A.2. Previses para a demanda do aeroporto de Araatuba................................ A-1
TABELA A.3. Demanda do aeroporto de Assis.................................................................. A-2
TABELA A.4. Previses para a demanda do aeroporto de Assis....................................... A-2
TABELA A.5. Demanda do aeroporto de Bauru................................................................. A-3
TABELA A.6. Previses para a demanda do aeroporto de Bauru...................................... A-3
TABELA A.7. Demanda do aeroporto de Marlia............................................................... A-4
TABELA A.8. Previses para a demanda do aeroporto de Marlia.................................... A-4
TABELA A.9. Demanda do aeroporto de Presidente Prudente........................................... A-5
TABELA A.10. Previses para a demanda do aeroporto de Presidente Prudente............. A-5
TABELA A.11. Demanda do aeroporto de Ribeiro Preto................................................. A-6
TABELA A.12 Previses para a demanda do aeroporto de Ribeiro Preto...................... A-6
TABELA A.13. Demanda do aeroporto de So Jos do Rio Preto..................................... A-7
TABELA A.14. Previses para a demanda do aeroporto de So Jos do Rio Preto......... A-7
TABELA A.15. Demanda do aeroporto de Sorocaba.......................................................... A-8
TABELA A.16. Previses para a demanda do aeroporto de Sorocaba.............................. A-8
LISTA DE FIGURAS

FIGURA 1. Relao entre previso e planejamento............................................................ 3


FIGURA 2. Caractersticas de uma srie temporal.............................................................. 9
FIGURA 3. Sries temporais. ............................................................................................. 20
FIGURA 4. Srie temporal no-estacionria na mdia........................................................ 29
FIGURA 5. Srie temporal no estacionria na mdia e na declividade............................. 29
FIGURA 6. Reduo do comp. no estacionrio de uma srie temp. aps diferenciaes 31
FIGURA 7. Grfico e linha de mdia da srie temporal apresentada na Tabela 5.............. 38
FIGURA 8. F.A.C. e F.A.C.P. da srie temporal na Figura 7............................................. 39
FIGURA 9. F.A.C. dos resduos da srie representada na Figura 7.................................... 40
FIGURA 10. Grfico e linha de mdia da srie temporal apresentada na Tabela 6............ 41
FIGURA 11. F.A.C. e F.A.C.P. da srie temporal representada na Figura 10.................... 41
FIGURA 12. Grfico e linha de tendncia da srie temporal apresentada na Tabela 7....... 44
FIGURA 13. F.A.C. e F.A.C.P. da srie temporal representada na Figura 12.................... 44
FIGURA 14. Graf./ linha de mdia da srie temp. apresentada na Tab.7, aps 1a. diferen. 45
FIGURA 15. F.A.C. e F.A.C.P. da srie temporal apresentada na Figura 14...................... 45
FIGURA 16. F.A.C. dos resduos da srie representada pelos valores estimados............... 46
FIGURA 17. Relao entre acurcia e custo de previso.................................................... 53
FIGURA 18. Demanda aeroporto de Araatuba.................................................................. 61
FIGURA 19. Demanda aeroporto de Assis.......................................................................... 61
FIGURA 20. Demanda aeroporto de Bauru......................................................................... 62
FIGURA 21. Demanda aeroporto de Marlia....................................................................... 62
FIGURA 22. Demanda aeroporto de Presidente Prudente................................................... 63
FIGURA 23. Demanda aeroporto de Ribeiro Preto........................................................... 63
FIGURA 24. Demanda aeroporto de So Jos do Rio Preto............................................... 64
FIGURA 25. Demanda aeroporto de Sorocaba................................................................... 64
FIGURA 26. Previses para o aeroporto de Araatuba....................................................... 68
FIGURA 27. Previses para o aeroporto de Assis.............................................................. 69
FIGURA 28. Previses para o aeroporto de Bauru.............................................................. 71
FIGURA 29. Previses para o aeroporto de Marlia............................................................ 72
FIGURA 30. Previses para o aeroporto de Presidente Prudente........................................ 74
FIGURA 31. Previses para o aeroporto de Ribeiro Preto................................................ 75
FIGURA 32. Previses para o aeroporto de So Jos do Rio Preto.................................... 77
FIGURA 33. Previses para o aeroporto de Sorocaba........................................................ 78
CAPTULO 1

1 Introduo

Previses de demanda desempenham um papel-chave em diversas reas na gesto de


organizaes, sejam elas pblicas, sejam privadas. A rea financeira, por exemplo, planeja a
necessidade de recursos analisando previses de demanda de longo prazo. As mesmas
previses tambm servem s reas de recursos humanos e marketing, no planejamento de
modificaes no nvel da fora de trabalho e no agendamento de promoes de vendas
(Krajewski & Ritzman, 1999).
Talvez mais do que em qualquer outra rea de uma organizao, previses de demanda
so essenciais na operacionalizao de diversos aspectos do gerenciamento de produo.
Alguns exemplos so a gesto de estoques, o desenvolvimento de planos agregados de
produo e a viabilizao de estratgias de gerenciamento de materiais como o MRP
(Material Requirements Planning Planejamento de Necessidade de Materiais); mais
exemplos so apresentados em Elsayed & Boucher (1994). Desta forma, tcnicas estatsticas
para modelagem tm merecido a ateno de engenheiros e gerentes de produo.
Previses de demanda so elaboradas utilizando: (i) mtodos quantitativos, (ii)
mtodos qualitativos, ou (iii) combinaes de mtodos quantitativos e qualitativos.
Mtodos quantitativos utilizam dados numricos (time series ou cross section) para
prever a demanda em perodos futuros. A previso de demanda futura requer a construo de
modelos matemticos a partir dos dados disponveis. As diferentes tcnicas disponveis para
construo desses modelos so denominadas tcnicas de previso. A tcnica de previso de
natureza quantitativa mais difundida nas organizaes industriais e de servios e, em grande
parte por encontrar-se disponvel em planilhas eletrnicas como Microsoft Excel (1997) e
Quattro Pro (1999), a regresso linear (Seber, 1977).

1
Mtodos qualitativos, por sua vez, baseiam-se em opinies de especialistas, os quais se
fundamentam, principalmente, no julgamento de executivos, apreciao de pessoal de vendas
e expectativas dos consumidores. Como diferentes indivduos apresentam preferncias
distintas, esses mtodos so vulnerveis a tendncias o que pode comprometer a
confiabilidade de seus resultados. Dentre os mtodos qualitativos mais utilizados, destaca-se o
mtodo Delphi, apresentado em Krajewski & Ritzman (1999).
Os mtodos qualitativos tm sido, historicamente, os mais utilizados na previso da
demanda (Mentzer & Cox, 1997). Tais mtodos, no entanto, costumam apresentar um baixo
grau de preciso. Apesar disto, continuam sendo amplamente utilizados pelas empresas,
mesmo com a difuso de mtodos quantitativos mais avanados, impulsionados pelo avano
na capacidade de processamento e armazenamento de dados computacionais (Sanders &
Manrodt, 1994). A escassa fundamentao terica dessas previses pode explicar, em grande
parte, a baixa acurcia dos referidos mtodos qualitativos de previso.
O processo de previso , freqentemente, confundido com o processo de
planejamento. No entanto, enquanto o objeto de estudo do planejamento o comportamento
do negcio, sistemas de previso buscam analisar tal comportamento no tempo futuro. Esta
relao apresentada na Figura 1. Mtodos de previso so utilizados para prever os
resultados de cursos de ao propostos no planejamento: se os resultados no forem
potencialmente satisfatrios, o planejamento deve ser revisto. Esse processo deve ser repetido
at que os resultados previstos para o planejamento sejam satisfatrios. Planos revisados so,
ento, implementados, e os resultados obtidos so monitorados para ser usados no prximo
perodo de planejamento. O processo da Figura 1 parece intuitivo. Porm, na prtica, muitas
organizaes revisam previses, ao invs de revisarem planos.

2
Ambiente onde os dados so gerados

Banco de Dados

Processo de
Planejamento

Planos Mtodos de
previso

Os resultados
previstos so
Previses
NO satisfatrios?

SIM

Implementao dos planos

Monitoramento dos resultados


FIGURA 1. Relao entre previso e planejamento (Adaptado de Armstrong, 1999).

1.1 Motivao

A tomada de decises um fato cotidiano no meio empresarial, mas que, no entanto,


devido aos valores financeiros vultosos resultantes de suas aes (ex: construo de novas
facilidades ou manuteno de estruturas ociosas), desempenha um papel de maior relevncia
em empresas que tm como seu objeto de ao a administrao da infra-estrutura
aeroporturia, como o caso da empresa aqui tomada como estudo de caso (DAESP).
Logo, para este tipo de empresa, a disponibilidade de previses que retratem, de forma
realista e em tempo hbil, o comportamento da demanda no futuro de suma importncia e se
constitui em um fator crtico para que seus gestores formulem, de forma satisfatria e eficaz, o
planejamento de estratgias e polticas de investimento (ex: expanso ou reduo da
capacidade de processamento de passageiros em um aeroporto).
Haja vista que a gerao destas previses funo da disponibilidade de dados e da
habilidade em extrair destes dados informaes relevantes por intermdio do uso das tcnicas
de previso e que, atualmente, existe disposio uma quantidade razovel de metodologias

3
para o propsito de prognosticar a demanda (ex: modelos de sries temporais, modelos
causais) necessrio, ento, identificar a metodologia mais apropriada, ou seja, aquela que
seja capaz de capturar, de forma mais eficaz, as caractersticas pertinentes aos dados da
demanda estudada.
Uma vez que a tcnica de previso (metodologia) mais apropriada para determinada
situao, isto , a que propicia previses com menores margens de erro seja identificada ser,
ento, possvel a realizao de decises mais acertadas o que, por sua vez, possibilitar uma
administrao mais eficaz.

1.2 Objetivos

1.2.1 Objetivo Geral

Comparar o desempenho de metodologias preditivas, baseadas na abordagem de sries


temporais, diferentes das utilizadas para prognosticar a demanda, para um horizonte de 12
meses, dos aeroportos administrados pelo Departamento Aerovirio do Estado de So Paulo
(DAESP) operando com trfego areo regular.

1.2.2 Objetivos Especficos

1. Identificar e caracterizar os mtodos quantitativos de previso abordados neste trabalho;


2. Aplicar estes mtodos para prognosticar a demanda hipoteticamente desconhecida;
3. Selecionar, dentre os mtodos examinados, o mais acurado para cada aeroporto analisado.

1.3 Estrutura

Esta dissertao est estruturada da seguinte maneira:


No Captulo 1, apresentado o tema abordado, as motivaes para a escolha do
mesmo, os objetivos a serem alcanados, a estrutura e as delimitaes do trabalho.

4
No Captulo 2 feita uma reviso bibliogrfica. Por meio desta reviso, busca-se
apresentar de forma concisa, inclusive com o uso de exemplos prticos, as tcnicas
quantitativas abordadas nesta tese.
No Captulo 3 proposta, de forma genrica, uma metodologia para a estruturao de
um sistema de previso.
No Captulo 4 apresentado um estudo de caso realizado com dados reais do
Departamento Aerovirio do Estado de So Paulo (DAESP).
O Captulo 5 reservado s concluses e sugestes para possveis desdobramentos
futuros deste trabalho.

1.4 Metodologia

Nesta seo, seguem-se as explicaes bem como as justificativas acerca das decises
assumidas na confeco desta dissertao (escolha dos modelos, consideraes sobre os
dados, critrio de deciso), a qual pesquisou pelos modelos de sries temporais, dentre os
propostos, os mais acurados para prognosticar a demanda por transporte areo, para um
horizonte de previso de 12 meses, dos aeroportos analisados.
No desempenho desta pesquisa optou-se por testar os seguintes modelos de previso:

1. Modelo de Mdia mvel dos ltimos seis meses;


2. Modelo de Mdia mvel dos ltimos 12 meses;
3. Modelo trivial;
4. Modelo de suavizao exponencial simples;
5. Modelo de Holt;
6. Modelo multiplicativo de Holt-Winters;
7. Modelo aditivo de Holt-Winters;
8. E os possveis modelos Box-Jenkins identificados para cada situao.

A justificativa pela presena dos Modelos de Mdia Mvel (seis e 12 meses) nesta
dissertao se deve exclusivamente, ao fato de que o caso estudado utiliza estes modelos para
elaborar previses para o horizonte fixado para anlise (12 meses).

5
Quanto ao modelo trivial, sua justificativa se baseia, eminentemente, pelo fato que a
estatstica escolhida para subsidiar o processo de comparao e ordenao de modelos
(Estatstica U de Theil) utiliza-o como parmetro de comparao.
Em relao s escolhas das demais metodologias propostas (Suavizao Exponencial e
ARIMA), a justificativa pelas mesmas a flexibilidade de utilizao, j que ambas as
metodologias gozam da prerrogativa de no precisarem de dados externos.
necessrio admitir que a idia inicial era, tambm, analisar o desempenho
proporcionado pela utilizao de modelos economtricos de regresso que, tradicionalmente,
a metodologia mais utilizada na previso por transporte areo. Porm, diante das
dificuldades adiante indicadas, optou-se por estudar apenas as sries temporais.
No foi encontrado nenhum material bibliogrfico, de acesso pblico, que retratasse,
de forma realista e atual, as reas geogrficas que sofrem influncia econmica dos
municpios paulistas com aeroportos com trfego areo regular. Uma vez que um documento
desta natureza estivesse a disposio seria, ento, possvel a identificao dos fatores
econmicos relacionados com a pujana econmica da regio para poderem ser utilizados
como variveis explicativas.
Verificou-se, ainda, que as variveis tradicionalmente citadas na literatura como
fatores determinantes para a demanda por transporte areo: Renda (Proxy: Renda per Capita)
e Consumo (Proxy: consumo de energia eltrica) estavam disponveis somente em base anual.
Dessa forma, a base de dados que, inicialmente, somava 80 observaes seria reduzida para
apenas seis, o que, alm de no propiciar a calibrao de regresses confiveis (do ponto de
vista amostral), tambm no possibilitaria o uso das metodologias inicialmente planejadas:
Box-Jenkins (necessita de, no mnimo, 50 observaes) e Suavizao Exponencial (necessita
de dois ciclos sazonais completos).
Em relao ao processo de coleta de dados, a srie de dados utilizada para a realizao do
estudo de caso compreende o intervalo entre Janeiro/97 a Agosto/03. A escolha por esta janela
temporal , exclusivamente, devida disponibilidade do DAESP. Vale ressaltar que o
intervalo (srie) compreendendo o perodo entre janeiro de 1997 e agosto de 2002, o qual se
denominou conjunto inicializao foi utilizado para o fim de calibrar os modelos. J o
intervalo entre setembro de 2002 e agosto de 2003, o qual se denominou conjunto teste foi
utilizado apenas para o fim de avaliar e selecionar os modelos. Por intermdio desta diviso
nos dados foi possvel avaliar o poder real de previso dos diferentes modelos calibrados.
As metodologias aqui adotadas (Box-Jenkins e Suavizao Exponencial) necessitam de
amostras representativas (a metodologia Box-Jenkins, por exemplo, precisa de, no mnimo, 50
6
observaes) o que, forosamente, dada a restrio do banco de dados do DAESP, obrigou o
uso de dados mensais. Isto, por sua vez, resultou em previses mensais. , no entanto,
necessrio dizer que este tipo de previso (mensal) no o mais usual em se tratando de
transporte areo.
O processo de modelagem por meio da metodologia Box-Jenkins (identificao,
estimao dos parmetros, checagem e previso) foi realizado mediante o uso do pacote
estatstico STATISTICA. J o processo de modelagem por meio da utilizao da famlia de
modelos de Suavizao exponencial (inicializao, otimizao dos parmetros e previso) foi
realizado mediante a utilizao do suplemento SOLVER do software EXCEL.
O critrio utilizado para determinar o melhor modelo, isto , aquele com maior grau de
acurcia foi o menor valor para a Estatstica U de Theil (Makridakis et al., 1998).

1.5 Delimitao

Esta dissertao descreve a aplicao de duas metodologias na soluo de um


problema especfico e, portanto, apresenta limitaes. A primeira delas diz respeito natureza
inerentemente pouco dedutiva dos trabalhos envolvendo o tema previso, ou seja, no
intuito desta dissertao dizer qual dos modelos de previso apresentados melhor em termos
absolutos e sim indicar, para as determinadas situaes pesquisadas, qual dentre eles se
mostra mais acurado (adequado) no que tange capacidade de gerar previses pontuais. As
demais limitaes esto relacionadas qualidade e fidedignidade dos dados utilizados no
estudo de caso.
As tcnicas investigativas utilizadas neste trabalho compreendem os modelos de
Mdias Mveis e as metodologias Box-Jenkins e Suavizao Exponencial, no sendo
abordadas, de forma detalhada, outras tcnicas de previso de demanda citadas no mesmo.
O estudo de caso apresentado neste trabalho foi realizado tomando como base alguns
aeroportos administrados pelo DAESP. Portanto, no faz parte das ambies deste trabalho a
generalizao dos resultados obtidos para outras organizaes do setor aeroporturio.

7
CAPTULO 2

2 Reviso Bibliogrfica

A previso de demanda utilizando modelos quantitativos pode ser feita por intermdio
de vrios modelos matemticos. O emprego de cada modelo depende basicamente do
comportamento da srie temporal que se deseja analisar. Uma srie temporal pode exibir at
quatro caractersticas diferentes em seu comportamento: mdia, tendncia, ciclo e
sazonalidade (Makridakis et al., 1998). Estas caractersticas esto exemplificadas na Figura 2.

A caracterstica de mdia (tambm chamada estabilidade ou horizontalidade) existe


quando os valores da srie flutuam em torno de um valor constante. A srie possui
caracterstica de sazonalidade quando padres cclicos de variao se repetem em intervalos
relativamente constantes de tempo. A caracterstica de ciclo existe quando a srie exibe
variaes ascendentes e descendentes, porm, em intervalos no regulares de tempo.
Finalmente, a caracterstica de tendncia ocorre quando a srie apresenta comportamento
ascendente ou descendente por um longo perodo de tempo.

Toda variao em uma srie temporal que no pode ser explicada pelas caractersticas
demonstradas na Figura 2 devida ao rudo aleatrio no processo gerador dos dados; tal
rudo no matematicamente modelvel.

A seguir, so apresentados alguns modelos utilizados como mtodos quantitativos para


previso de demanda.

8
FIGURA 2. Caractersticas de uma srie temporal. (Adaptado de Makridakis et al., 1998).

2.1 Modelo Trivial de previso

O modelo Trivial supe simplesmente que a previso para o perodo t exatamente o


valor observado no perodo t -1. Tal modelo conhecido, tambm, como a abordagem do
caminho aleatrio (random walk) e matematicamente formulado como:

zt = zt -1

onde z t a previso para o perodo t e z t-1 o valor real observado no perodo t-1.
A previso trivial normalmente utilizada quando a srie de dados possui um comportamento
altamente imprevisvel.

9
2.2 Modelos de Mdias Mveis

Os Modelos de Mdias Mveis geram previses mdias com menor variabilidade que os
dados originais. Isso ocorre devido ao processo de combinao entre as observaes com
valores altos e valores baixos. Possuem como caractersticas a simplicidade e o baixo custo
computacional. Conforme menciona Tubino (2000, p. 70), a mdia mvel usa dados de um
nmero predeterminado de perodos, normalmente os mais recentes, para gerar sua previso.
A cada novo perodo de previso se substitui o mais antigo pelo mais recente.
Conforme citam Makridakis et.al. (1998), o mtodo consiste em calcular a mdia das
ltimas n observaes mais recentes. O valor encontrado considerado a previso para o
prximo perodo. A previso por meio de mdias mveis pode ser obtida mediante a
utilizao da equao descrita da seguinte forma por Mentzer e Bienstock (1998, p. 49):

( St + St 1 + St 2 + ... + St n+1 )
Ft +1 =
n
Onde:
Ft +1 : previso para o perodo t +1;
St 1 : observao referente ao perodo t-1;
n: nmero de perodos utilizados na mdia mvel.

Em se tratando dos pontos negativos do mtodo em questo, Mentzer e Bienstock


(1998) salientam que o problema com o mesmo relaciona-se com a escolha do nmero de
perodos que sero utilizados na previso. Tubino (2000, p. 71) ressalta que o nmero de
perodos includos no clculo da mdia mvel determina sua sensibilidade com relao aos
dados mais recentes. Perodos pequenos proporcionam uma reao maior a possveis
mudanas no padro dos dados. Grandes perodos, por sua vez, produzem uma mdia mais
homognea.

10
2.3 Modelos de Suavizao Exponencial

Os modelos de suavizao exponencial so amplamente utilizados para previso de


demanda devido sua simplicidade, facilidade de ajuste e boa acurcia. Estes mtodos usam
uma ponderao distinta para cada valor observado na srie temporal, de modo que valores
mais recentes recebam pesos maiores. Assim, os pesos formam um conjunto que decai
exponencialmente a partir de valores mais recentes.

2.3.1 Suavizao Exponencial Simples

Se a srie temporal mantm-se constante sobre um nvel mdio, uma suavizao


exponencial simples pode ser usada para a previso de valores futuros da srie. Sua
representao matemtica dada por (Makridakis et al., 1998):

z = az + (1 - a) z
t +1 t t

onde z a previso da demanda para o tempo t +1, feita no perodo atual t ; a constante
t +1

de suavizao, assumindo valores entre 0 e 1; z t


o valor observado na srie temporal para o

tempo t ; e, z o valor da previso feita para o tempo t .


t

Uma forma de medir a acurcia da previso calcular o erro gerado pela mesma,
matematicamente: e = z z .
t t t

Para ilustrar estes conceitos, suponha que se deseje saber a previso de demanda de
um eletrodomstico para os prximos trs meses. Considere a ltima demanda observada
como sendo 55 unidades e = 0,1. Assim,

z = 53 a estimativa inicial da demanda no tempo t ;


t

e = z z = 2
1 1 1
a diferena entre o valor real e o valor previsto;

z = z + (1 ) z = 0,1 55 + ( 0,9 ) 53 = 53,2


2 1 1
a previso para o ms 2, feita

no ms correspondente a t = 1. O restante dos valores est na Tabela 1.

11
TABELA 1. Previso de demanda de um eletrodomstico.

t zt
Previso ( zt ) et

1 55 53 2
2 52 53,2 -1,2
3 54 53,08 0,92

As previses de demanda ( zt ) feitas neste exemplo foram calculadas sempre com base

no perodo imediatamente anterior [ zt ( t 1)]. Previses podem ser feitas para mais de um

perodo; desta forma, porm, no ocorre a atualizao do modelo a cada perodo, aumentando
assim o componente de erro.
O valor da constante de suavizao pode ser definido de duas formas: arbitrria ou
iterativamente. Neste caso, utiliza-se alguma forma de comparao como, por exemplo, o
Erro Quadrado Mdio (E.Q.M.). Outras formas de comparao poderiam ser empregadas:
Erro Percentual Absoluto Mdio (E.P.A.M.) ou Erro Absoluto Mdio (E.A.M.). Desta
maneira, seleciona-se aleatoriamente um valor inicial para a constante , a partir do qual
previses so geradas. Comparam-se, ento, os valores previstos com os reais, calcula-se a
mdia do quadrado das diferenas entre os mesmos. O parmetro que minimizar essa mdia ,
ento, utilizado no modelo final. Pacotes computacionais determinam automaticamente o
melhor valor de .
A magnitude da constante determina a velocidade de resposta do modelo frente a
mudanas na demanda (Montgomery et al.; 1990). Valores pequenos de fazem com que o
modelo demore a assumir mudanas no comportamento da srie. Com valores grandes de ,
o modelo reage rapidamente.
Os modelos de suavizao exponencial simples requerem uma estimativa inicial para
z . Quando dados histricos esto disponveis, pode-se usar uma mdia simples das N
t

observaes mais recentes como z . Caso contrrio pode-se utilizar a ltima observao, ou
t

fazer uma estimativa subjetiva.

2.3.2 Modelo de Holt

O modelo de Holt pode ser utilizado, de maneira satisfatria, em sries temporais com
tendncia linear. Este modelo emprega duas constantes de suavizao, e (com valores

12
entre 0 e 1), sendo representado por trs equaes (Makridakis et al., 1998):

Lt = zt + (1 )( Lt 1 + Tt 1 ) , (1)

Tt = ( Lt Lt 1 ) + (1 ) Tt 1 , (2)

zt + k = Lt + k Tt . (3)

As equaes (1) e (2) fazem uma estimativa do nvel (intercepto) e da inclinao da


srie temporal, respectivamente. J a equao (3) calcula a previso da demanda para os
prximos k perodos.
Assim como na suavizao exponencial simples, o mtodo de Holt requer valores
iniciais, neste caso L0 e T0 , lembrando que L0 e T0 designam nvel (level) e tendncia (trend)

respectivamente. Uma alternativa para estes clculos iniciais igualar L0 ao ltimo valor
observado na srie temporal e calcular uma mdia das declividades nas ltimas observaes
para T0 . Uma outra forma de clculo a regresso linear simples aplicada aos dados da srie

temporal, onde se obtm o valor da declividade da srie temporal e de L0 em sua origem.

Para exemplificar o modelo de Holt, suponha que se deseja saber a previso da


demanda para os prximos trs meses de um produto que possui tendncia ascendente.
Considere que as vendas nos ltimos 12 meses foram 4, 6, 8, 10, 14, 18, 20, 22, 24, 28, 31 e
34 unidades / ms (Winston, 1994). Assim, L0 = 34 representa o ltimo valor observado na
srie; e,

T0 =
( 6 4 ) + (8 6 ) + ... + ( 34 31) = 2,73 o valor mdio da declividade nos
11
ltimos 12 meses.
Considerando = 0,3 e = 0,1, obtm-se os valores apresentados na Tabela 2. A
seguir so apresentados exemplos dos clculos para o perodo correspondente ao tempo t =1:

13
z1 = L0 + kT0 = 34 + 1( 2, 73 ) = 36, 73;
e1 = z1 z1 = 40 36, 73 = 3, 27;
L1 = 0,3 z1 + 0, 7 ( L0 + T0 ) = 0,3 ( 40 ) + 0, 7 ( 34 + 2, 73 ) = 37, 71;
T1 = 0,1( L1 L0 ) + 0,9T0 = 0,1( 37, 71 34 ) + 0,9 ( 2, 73 ) = 2,83;
zt +1 = L1 + kT1 = 37, 71 + 1( 2,83 ) = 40,54.

TABELA 2. Previso de demanda pelo modelo de Holt


t zt Lt Tt zt et
1 40 37,71 2,83 36,73 3,27
2 47 42,48 3,02 40,54 6,46
3 50 46,85 3,16 45,5 4,5

Os valores das constantes de suavizao no modelo de Holt podem ser determinados


de forma semelhante usada na suavizao exponencial simples; ou seja, uma combinao de
valores para e que minimize o Erro Quadrado Mdio (E.Q.M.), por exemplo.

2.3.3 Modelos de Holt-Winters

Os modelos de Holt-Winters projetam apropriadamente dados de demanda onde se


observa a ocorrncia de tendncia linear, alm de um componente de sazonalidade. Dados de
demanda sazonal caracterizam-se pela ocorrncia de padres cclicos de variao que se
repetem em intervalos relativamente constantes de tempo. Demanda de tipo sazonal
caracteriza alguns ramos da indstria alimentcia (refrigerantes e sorvetes), de cosmticos
(bronzeadores) e de servios (intensidade de atendimento de um banco ao longo do dia).
Os modelos de Holt-Winters dividem-se em dois grupos: aditivo e multiplicativo. No
modelo aditivo, a amplitude da variao sazonal constante ao longo do tempo; em outras
palavras, a diferena entre o maior e o menor valor de demanda dentro das estaes
permanece relativamente constante no tempo. No modelo multiplicativo, a amplitude da
variao sazonal aumenta ou diminui como funo do tempo.

14
2.2.3.1 Modelo Multiplicativo de Holt-Winters

O modelo multiplicativo de Holt-Winters utilizado na modelagem de dados sazonais


onde a amplitude do ciclo sazonal varia com o passar do tempo. Sua representao
matemtica dada por (Makridakis et al., 1998):

zt
Lt = + (1 )( Lt 1 + Tt 1 ) , (4)
St s
Tt = ( Lt Lt 1 ) + (1 ) Tt 1 , (5)

zt
St = + (1 ) St s , (6)
Lt
zt + k = ( Lt + kTt ) S t s + k , (7)

onde s uma estao completa de sazonalidade (por exemplo, s igual a 12 quando se tem
dados mensais e sazonalidade anual); Lt , Tt e St representam o nvel, a tendncia e a

sazonalidade da srie, respectivamente; zt +k a previso para k perodos frente; e,

finalmente, a constante de suavizao que controla o peso relativo sazonalidade,


variando entre 0 e 1.
A equao (4) difere da equao que trata do nvel (intercepto) da srie no modelo de
Holt, j que o primeiro termo dividido por um componente sazonal, eliminando assim a
flutuao sazonal de zt . A equao (5) exatamente igual equao da tendncia no modelo
de Holt. J a equao (6), faz um ajuste sazonal nas observaes zt .
Como todos os mtodos de suavizao exponencial, os modelos de Holt-Winters
necessitam de valores iniciais de componentes (neste caso, nvel, tendncia e sazonalidade)
para dar incio aos clculos. Para a estimativa do componente sazonal, necessita-se, no
mnimo, de uma estao completa de observaes, ou seja, s perodos (Makridakis et al.,
1998). As estimativas iniciais do nvel e da tendncia so feitas, ento, no perodo s definido
para o componente sazonal.
O estimador inicial para o nvel da srie dado pela mdia da primeira estao:
1
Ls = ( z1 + z2 + ... + zs ) . (8)
s
15
O clculo da estimativa inicial para a tendncia requer duas estaes completas (2s):

1 z z z z z z
Ts = s +1 1 + s + 2 2 + ... + s + s s . (9)
s s s s
Para o componente sazonal, utilizam-se s estimativas iniciais:
z1 z z
S1 = , S2 = 2 ,..., S s = s . (10)
Ls Ls Ls
Estimadores diferentes dos apresentados nas equaes (8), (9) e (10) esto disponveis
na literatura. Alguns exemplos podem ser encontrados em Winters (1960), Jonhson &
Montgomery (1974), Hamilton (1994) e Elsayed & Boucher (1994).
A Tabela 3 apresenta um exemplo de previso de demanda utilizando o modelo
multiplicativo de Holt-Winters com = 0,822, = 0,055 e = 0. Para tanto, utilizada

uma srie temporal sazonal com dados dispostos trimestralmente (Makridakis et al., 1998). Os
clculos iniciais da tabela so apresentados a seguir:

16
1 1
Ls = ( z1 + z2 + ... + z4 ) = ( 362 + 385 + 432 + 341) = 380;
4 4
1 z z z z2 z z4
Ts = 5 1 + 6 + ... + 8
4 4 4 4
1 382 362 409 385 498 432 387 341
= + + + = 9, 75;
4 4 4 4 4
z 362
S1 = 1 = = 0,953;
Ls 380
z 2 385
S2 = = = 1,013;
Ls 380
z3 432
S3 = = = 1,137;
Ls 380
z 4 341
S4 = = = 0,897;
Ls 380
z4 +1 = ( L4 + kT4 ) S 1 = ( 380 + 1 9,75 ) 0,953 = 371, 29;
z5 382
L5 = + (1 )( Ls + Ts ) = 0,822 + (1 0,822 )( 380 + 9, 75 ) = 398,99;
S1 0,953
T5 = ( L5 Ls ) + (1 ) Ts = 0, 055 ( 398,99 380 ) + (1 0,055 ) 9, 75 = 10, 26;
z5 382
S5 = + (1 ) S1 = 0 + (1 0 ) 0,953 = 0,953.
L5 398,99

TABELA 3. Previso de demanda pelo modelo multiplicativo de Holt-Winters.


(Adaptado de Makridakis et al., 1998).
t zt Lt Tt St zt
1 362 - - 0,953 -
2 385 - - 1,013 -
3 432 - - 1,137 -
4 341 380 9,75 0,897 -
5 382 398,99 10,26 0,953 371,29 ( k =1)
6 409 404,68 10,01 1,013 414,64 ( k =1)
7 498 433,90 11,07 1,137 471,43 ( k =1)
8 387 433,70 10,45 0,897 399,30 ( k =1)
9 - - - - 423,11 ( k =1)
10 - - - - 460,57 ( k =1)

17
Os valores das constantes de suavizao seguem a mesma lgica de determinao
sugerida para os outros mtodos de suavizao exponencial.

2.2.3.2 Modelo Aditivo de Holt-Winters

O modelo aditivo de Holt-Winters utilizado na modelagem de dados sazonais onde a


amplitude do ciclo sazonal permanece constante com o passar do tempo. Sua representao
matemtica dada por (Makridakis et al., 1998):

Lt = ( zt St s ) + (1 )( Lt 1 + Tt 1 ) , (11)

Tt = ( Lt Lt 1 ) + (1 ) Tt 1 , (12)

St = ( zt Lt ) + (1 ) St s , (13)

zt + k = Lt + kTt + St s + k . (14)

A equao da tendncia permanece a mesma utilizada para o modelo multiplicativo


[ver equao (5)]. Nas demais equaes, a nica diferena que o componente sazonal est
efetuando operaes de soma e subtrao, ao invs de multiplicar e dividir.
Os valores iniciais de Ls e Ts so calculados de forma idntica ao modelo
multiplicativo. J os componentes sazonais so calculados da seguinte forma:

S1 = z1 Ls , S2 = z2 Ls ,..., S s = zs Ls .

2.4 Modelos de Box-Jenkins

Os modelos de Box-Jenkins, tambm conhecidos como Modelos Auto-regressivos


Integrados a Mdia Mvel, ou simplesmente ARIMA (Autoregressive Integrated Moving
Average), foram propostos por George Box e Gwilym Jenkins no inicio dos anos 70 (Box et
al., 1994).
Os modelos de Box-Jenkins partem da idia de que os valores de uma srie temporal so
altamente dependentes, ou seja, cada valor pode ser explicado por valores prvios da srie. Os
modelos ARIMA representam a classe mais geral de modelos para a anlise de sries

18
temporais. Alguns conceitos devem ser analisados para o entendimento dos modelos Box-
Jenkins; tais conceitos so apresentados na seqncia.

2.4.1 Conceitos Bsicos para a Compreenso dos Modelos Box-Jenkins

Modelos Estocsticos e Determnisticos

A representao de fenmenos fsicos mostrada numa srie temporal pode ser feita por
meio de uma modelagem matemtica. Nos modelos, valores podem ser agrupados e descritos
por intermdio de equaes matemticas. Pode-se utilizar modelagem matemtica, por
exemplo, para prever o valor de variveis de interesse em qualquer momento no tempo, caso
as variveis sejam dependentes do tempo. Sempre que uma previso exata for possvel, os
modelos so ditos determnisticos. No entanto, muitos fenmenos no so de natureza
determinstica, devido incidncia aleatria de fatores desconhecidos. Nestes casos, a
previso do valor futuro est sujeita a um clculo de probabilidade. Modelos matemticos
desenvolvidos para analisar tais fenmenos so ditos estocsticos.
Um processo estocstico caracterizado por uma famlia de variveis aleatrias que
descrevem a evoluo de algum fenmeno de interesse. Processos estocsticos que
caracterizam os estudos de sries temporais descrevem a evoluo temporal de um fenmeno
de interesse.

Modelos Estocsticos Estacionrios e No-Estacionrios

Uma importante classe de modelos estocsticos utilizados na representao de sries


temporais so os modelos estacionrios. Tais modelos pressupem um processo em
equilbrio, onde a famlia de variveis se mantm em um nvel mdio constante (Box et al.,
1994). Porm, muitas sries temporais so mais bem representadas por modelos no
estacionrios. Sries estacionrias e no-estacionrias vm representadas graficamente na
Figura 3.

19
FIGURA 3. Sries temporais. (Fonte: Box & Luceo, 1997).

Os grficos (a) e (b) na Figura 3 mostram sries temporais exibindo variao


estacionria. Tais sries variam de maneira estvel no tempo, em torno de um valor de mdia
fixo. O grfico (c) mostra uma srie temporal no estacionria, a qual se desloca no tempo
sobre uma mdia no fixa.
A srie da Figura 3(a) uma srie de rudo aleatrio. Em tais sries, as diferenas
entre as observaes e a mdia so estatisticamente independentes, seguindo alguma

distribuio de probabilidade (geralmente normal, com mdia zero e desvio padro a ). A


propriedade-chave em uma srie de rudo aleatrio que a ordem na qual as observaes
ocorrem no informa nada a respeito da srie. Assim, valores passados da srie no podem ser
utilizados na previso de valores futuros (Box & Luceo, 1997).
A srie da Figura 3(b) tambm estacionria, mas apresenta rudos auto-
correlacionados. Neste caso, diferenas entre observaes e a mdia no so estatisticamente
independentes entre si. Dependncia estatstica implica na probabilidade de uma diferena
qualquer ser influenciada pela magnitude das demais diferenas na srie. Na srie da Figura
3(b), diferenas positivas tendem a seguir diferenas positivas e vice-versa.
A auto-correlao difere da correlao pela seguinte razo: a correlao mede o grau
de associao entre duas sries temporais distintas. J a auto-correlao mede a associao
entre valores da mesma srie, em diferentes perodos defasados de tempo (veja Tabela 4).

20
TABELA 4. Desenvolvimento para o clculo da auto-correlao de lag 1 da srie utilizada na Tabela 5.

t zt zt 1 (z t z) (z t 1 z) (z
t z)
2
(z
t z )( zt 1 z )
1 0,656 - 0,198 - 0,039 -
2 1,057 0,656 0,599 0,198 0,359 0,119
3 -1,750 1,057 -2,208 0,599 4,874 -1,323
4 -0,489 -1,750 -0,947 -2,208 0,896 2,090
5 -2,861 -0,489 -3,319 -0,947 11,015 3,142
# # # # # # #
49 -1,799 -0,937 -2,257 -1,395 5,093 3,148
50 -1,698 -1,799 -2,156 -2,257 4,648 4,865
z= 0,458 300,493 254,969

Finalmente, a Figura 3(c) ilustra uma variao no estacionria. Esta srie


encontrada com freqncia em aplicaes na indstria, bem como em estudos de economia e
negcios.

Auto-correlao

Uma estatstica importante na anlise de sries temporais o coeficiente de auto-


correlao . A auto-correlao usada para descrever a correlao entre dois valores da
mesma srie temporal, em diferentes perodos de tempo. Assim, um coeficiente de auto-
correlao 1 mede a correlao entre dois valores adjacentes na srie. A auto-correlao,
neste caso, dita auto-correlao de lag 1 (ou defasagem de 1 unidade de tempo). De
maneira genrica, o coeficiente de auto-correlao k mede a correlao entre observaes

distantes k perodos de tempo (ou seja, uma auto-correlao de lag k ).


A auto-correlao de lag k medida pelo coeficiente k , definido por (Box et al.,
1994):

E ( zt )( zt k )
k = , (15)
E ( zt ) E ( zt k )
2 2

ou

21
E ( zt )( zt k )
k = , (16)
z2
onde z2 a varincia da srie temporal.
Uma estimativa do coeficiente de auto-correlao populacional k nas equaes (16)
e (17) dado pelo coeficiente de auto-correlao amostral:

( zt z )( zt k z )
n

rk = t =k +1 , com k = 0, 1, 2, ...... , n, (17)


( zt z )
n 2

t =1

onde
1 n
z= zt .
n t =1

Na prtica, para se obter uma boa estimativa do coeficiente de auto-correlao, deve-


se dispor de pelo menos 50 observaes da varivel z (Montgomery et al., 1990). O nmero
de auto-correlaes de lags diferentes que se calcula para a anlise da srie temporal deve ser
de n/4, onde n o nmero total de observaes na srie.
A seguir apresentado o clculo da auto-correlao de lag 1 da srie temporal
utilizada na Tabela 5 (veja pgina 37). Para tanto, usa-se o desenvolvimento demonstrado na
Tabela 4 (veja pgina 20).
Utilizando a equao (17), e os somatrios da Tabela 4, chega-se a:
254,969
rk = = 0,849 ,
300, 493

o que implica em uma forte associao entre os valores da srie em questo, para uma
defasagem igual a 1.
Similarmente auto-correlao, a auto-correlao parcial tambm permite analisar o
relacionamento entre valores de uma srie temporal. Porm, a auto-correlao parcial mede o
grau de associao entre zt e zt k , quando o efeito de outros lags 1, 2, 3, ... , (k-1)

removido (Box et al., 1994). A auto-correlao parcial representada por kk .

22
O coeficiente de auto-correlao parcial kk o ksimo coeficiente em um processo auto-
regressivo de ordem k (Box et al., 1994).
Uma vez apresentados os conceitos bsicos, passa-se ao detalhamento dos modelos de
Box-Jenkins.

2.4.2 Modelos Auto-regressivos

Um modelo estocstico til na representao de um grande nmero de sries temporais


o modelo auto-regressivo. Neste modelo, o valor corrente do processo expresso como uma
combinao linear finita de valores prvios do processo e um rudo aleatrio at .
Definem-se os valores observados de um processo em espaos de tempo igualmente
divididos t, t-1, t-2, ... por zt , zt 1 , zt 2 ,...
Definem-se tambm zt , zt 1 , zt 2 ,... como sendo desvios da mdia :
zt = zt , zt 1 = zt 1 , zt 2 = zt 2 ,...
Ento, a equao:
zt = 1 zt 1 + 2 zt 2 + ... + p zt p + at , (18)

representa um processo auto-regressivo de ordem p, ou simplesmente AR(p). A razo para o


nome auto-regressivo decorrente do fato de ser um modelo linear:

z = 1 x1 + 2 x2 + ... + p x p + a (19)

relacionando uma varivel dependente z a um grupo de variveis independentes x1, x2, ..., xp,
e um termo de erro a , ser geralmente referido como um modelo de regresso. Assim z dito
regredido em x1, x2, ..., xp. Na equao (18), a varivel z regredida em valores prvios da
prpria varivel; por essa razo, o modelo denominado auto-regressivo (Box et al., 1994).
Os coeficientes auto-regressivos 1 , 2 ,..., p , so parmetros que descrevem como

um valor corrente zt relaciona-se com valores passados zt 1 , zt 2 ,..., zt p . O coeficiente


auto-regressivo de ordem p pode ser expresso usando a definio do operador B:

( B) = 1 1 B 2 B 2 ... p B p ,
simplificando a representao matemtica do modelo auto-regressivo para
( B) zt = at .

23
O modelo AR(p) contm p+2 parmetros desconhecidos ( a , 1 , 2 ,..., p , a2 ) , os

quais podem ser estimados a partir de valores observados na srie temporal. a2 a varincia

do processo de rudo aleatrio at .


Processos auto-regressivos podem ser estacionrios ou no estacionrios (Box et al.,
1994). A premissa necessria para que a condio estacionria seja satisfeita que o operador

auto-regressivo ( B) = 1 1 B 2 B 2 ... p B p , considerando como sendo um

polinmio em B de grau p, tenha todas as suas razes ( B) = 0 maiores que 1, em valores


absolutos (todas as razes devem estar fora do crculo unitrio).
O processo auto-regressivo possui dois importantes casos especiais: os processos de
primeira e segunda ordem.
Se p = 1 tem-se um processo auto-regressivo de primeira ordem, designado por AR(1)
e descrito por:
zt = 1 zt 1 + at (20)
Este processo tambm conhecido como processo de Markov [num processo de Markov, para
se saber o valor assumido pela varivel de interesse num instante t qualquer, necessita-se
somente a informao sobre o valor assumido pela mesma em t-1 (Ross, 1993)]. Para o
processo AR(1) ser estacionrio, a raiz de ( B) = 1 1 = 0 deve estar fora do crculo

unitrio. Isto equivale dizer que 1 < 1, para que a condio estacionria se verifique.
A funo de auto-correlao do processo dada por k = 1 k 1 , com k > 0, ou

k = 1k , com k 0, j que 0 = 1 . Assim, a funo de auto-correlao extingue-se

exponencialmente quando 1 positivo. Analogamente, quando 1 negativo, a funo de


auto-correlao extingue-se exponencialmente com alternncia de sinal.
Quando p = 2, tem-se um processo auto-regressivo de segunda ordem, designado por
AR(2) e descrito por:
zt = 1 zt 1 + 2 zt 2 + at . (21)
Novamente, para o processo ser estacionrio, as razes da equao

( B ) = 1 1 B 2 B 2 = 0 devem estar fora do crculo unitrio. Isto implica em

parmetros 1 e 2 que satisfaam as seguintes condies:

24
(i) 1 + 2 < 1,
(ii) 2 1 < 1 e
(iii) 1 < 2 < 1.
A funo de auto-correlao do processo AR(2) dada por
k = 1 k 1 + 2 k 2 , com k > 0.

Para k = 1 e 2 tem-se, respectivamente:


1
1 = e (22)
1 2
2
2 = 2 + . (23)
1 2
As equaes (22) e (23) so denominadas equaes de Yule Walker (Box et al.,
1994).

A funo de auto-correlao de ordem 2 complexa. Se 12 + 42 0 , a funo de


auto-correlao uma mistura de distribuies exponenciais decrescentes. Quando

12 + 42 < 0 , a funo de auto-correlao extingue-se de maneira senoidal. De uma

maneira geral, a funo de auto-correlao para um processo estacionrio auto-regressivo


consiste de uma mistura de distribuies exponenciais com ondas senoidais decrescentes (Box
et al., 1994).
Um caso de modelo auto-regressivo apresentado no exemplo 1 da seo 2.2.7.5.

2.4.3 Modelos de Mdia Mvel

Nos modelos de mdia mvel, zt , que representa a observao zt subtrada da mdia

, depende linearmente de um nmero finito q de valores prvios do rudo aleatrio at .


Assim,
zt = at 1at 1 2 at 2 ... q at q (24)

chamado um processo de mdia mvel (MA) de ordem q. O nome mdia mvel pode levar a
equvocos de interpretao, j que os pesos 1, 1 , 2 ,..., q no somam,

25
necessariamente, a unidade nem precisam ser, necessariamente, positivos (Montgomery et al.,
1990).
O coeficiente de mdia mvel de ordem q pode ser expresso usando a definio do
operador B

( B) = 1 1 B 2 B 2 ... q B q ,
simplificando a representao matemtica para
zt = ( B)at ,
o qual contm q+2 parmetros desconhecidos ( ,1 , 2 ,..., q , a2 ) , estimveis a partir dos
valores observados na srie temporal.
Uma vez que a srie

( B) = ( B) = 1 1 B 2 B 2 ... q B q
finita, nenhuma restrio necessria sobre os parmetros do processo de mdia mvel para
assegurar estacionariedade.
A funo de auto-correlao de um processo MA(q)
k + 1 k +1 + ... + q k q
k = , com k = 1, 2, ..., q, e (25)
1 + 12 + ... + q2
k = 0 quando k > q.

Para o caso particular de um processo MA(1)


zt = at 1at 1 , (26)
ou
zt = (1 1 B)at , (27)

com o processo sendo estacionrio para qualquer valor de 1 .

A funo de auto-correlao do processo MA(1) dada por


1
k = , quando k = 1, e k = 0 , quando k 2.
1 + 12
Outro caso particular de interesse o processo de mdia mvel MA(2), representado
por:
zt = at 1at 1 2 at 2 , (28)

o qual estacionrio para qualquer valor de 1 e 2 .

26
A funo de auto-correlao do processo MA(2) dada por:
1 (1 2 )
1 = ,
1 + 12 + 22
2
2 = ,
1 + 12 + 22
k = 0 , para k 3.

Um modelo de mdia mvel apresentado no exemplo 2 da seo 2.2.7.5.

2.4.4 Modelos Mistos Auto-regressivo Mdia Mvel

Algumas vezes, sries temporais so mais bem modeladas com a incluso de termos
auto-regressivos e de mdia mvel. O resultado um modelo misto auto-regressivo mdia
mvel de ordem (p,q):
zt = 1 zt 1 + ... + p zt p + at 1at 1 ... q at q , (29)

ou, utilizando a notao do operador de defasagem B e rearranjando os termos na equao


(29).
( B) zt = ( B)at ,
o qual pode ser abreviado para ARMA (p,q).

O modelo possui p+q+2 parmetros desconhecidos ( , 1 ,..., p ;1 ,..., q , a2 ) ,


que podem ser estimados a partir dos valores observados na srie temporal. Na prtica, os
valores de p e q so geralmente menores que dois para sries temporais estacionrias (Box et
al., 1994).
As condies de estacionariedade estabelecidas para os processos AR (p) e MA (q) se
mantm nos modelos ARMA (p,q). Ou seja, um modelo ARMA (p,q) estacionrio se as
razes do polinmio ( B ) = 0 estiverem fora do crculo unitrio.
Um caso especial de interesse prtico dos modelos mistos auto-regressivo - mdia
mvel, o processo ARMA (1,1), dado por:
zt zt 1 = at 1at 1 ,
ou
(1 1 B) zt = (1 1 B)at .

27
Este processo estacionrio se 1 < 1.
A funo de auto-correlao de um processo ARMA (1,1)
(1 11 )(1 1 )
1 = ,e
1 + 12 211
k = 1 k 1 quando k 2 .

Como se pode ver, o componente de mdia mvel faz parte apenas da determinao de 1 .
Conseqentemente, a funo de auto-correlao apresenta um pequeno decrscimo entre 0
e 1 , decrescendo exponencialmente a partir de 1 , em contraste com o modelo AR (1), que
decresce exponencialmente a partir de 0 . 1 positivo sempre que 1 for maior que 1 , e
negativo em caso contrrio.

2.4.5 Modelos No Estacionrios

Muitas sries temporais no possuem uma mdia constante. Isto significa que, em

nenhum dado intervalo de tempo, as observaes da srie se comportam como as observaes

de um intervalo de tempo distinto. Tais sries so chamadas de no estacionrias na mdia.

Da mesma forma, possvel uma srie temporal exibir comportamento no estacionrio na

mdia e na declividade. Um exemplo de srie no estacionria na mdia vem apresentado na

Figura 4; um exemplo de srie no estacionria na mdia e na declividade mostrado na

Figura 5.

28
FIGURA 4. Srie temporal no estacionria na mdia. (Fonte: Montgomery et al., 1990).

FIGURA 5. Srie temporal no estacionria na mdia e na declividade (Fonte: Montgomery et al., 1990).

Sries temporais no estacionrias podem exibir, independente da mdia local (ou


mdia e declividade locais), um comportamento geral homogneo com a ocorrncia de
tendncias que se repetem.
Sries no estacionrias podem geralmente ser representadas por um operador auto-
regressivo generalizado ( B) , no qual uma ou mais razes do polinmio ( B) so iguais a

1 em mdulo. Em particular, se existirem d razes unitrias, o operador ( B) assumir a

forma abaixo (Box et al., 1994):

29
( B ) = ( B )(1 B ) d , (30)

onde ( B) um operador estacionrio. Em contrapartida, um modelo que apresenta

comportamento homogneo no-estacionrio apresenta a seguinte forma:

( B ) zt = ( B )(1 B ) d zt = ( B )at ,
ou
( B) wt = ( B)at , (31)

onde

w t = d zt = zt zt d . (32)
Assim, um comportamento homogneo no-estacionrio pode ser representado por um
processo estacionrio, com d nveis de diferenciao. Na prtica, d pode ser 0 ou 1, ou, no
mximo, 2.
Uma boa representao do efeito da diferenciao sobre uma srie temporal no
estacionria vem dada pela Figura 6.

30
Figura 6. Reduo do comportamento no estacionrio de uma srie temporal aps sucessivas diferenciaes.
(Adaptado de Montgomery et al., 1990).

A srie temporal da Figura 6(a) exibe comportamento no estacionrio na mdia e na


declividade. Aps a primeira diferenciao ( zt zt 1 ) , mostrada na Figura 6(b), a srie passa
a apresentar um comportamento no estacionrio apenas na mdia. Aps a segunda
diferenciao [( zt zt 1 ) ( zt 1 zt 2 ) = zt 2 zt 1 + zt 2 ] , com o resultado apresentado
na Figura 6(c), a srie torna-se estacionria.
A srie representada na Figura 6(a) um exemplo de srie homogeneamente no
estacionria: aps aplicarem-se diferenciaes, esta se torna estacionria.
O processo definido pelas equaes (31) e (32) produz um eficiente modelo para
descrever sries temporais estacionrias e no-estacionrias. Esse modelo chamado de
processo auto-regressivo integrado a mdia mvel (ARIMA) de ordem (p, d, q), onde p

31
corresponde ao componente auto-regressivo, d ao nmero de diferenciaes e q ao
componente de mdia mvel. O processo representado pela equao (Box et al., 1994):
wt = 1 wt 1 + ... + p wt p + at 1at 1 ... q at q (33)

com wt = d zt . Quando d = 0, substituindo-se wt por zt no modelo da equao (33),


obtm-se o modelo misto estacionrio [equao (29)].
A palavra integrado no modelo ARIMA tem o sentido de somado, j que a
equao (32) pode ser escrita por:

zt = S d wt ,
onde S = 1 = (1 B ) 1 o operador de soma, definido por:

Swt = wt j = wt + wt 1 + wt 2 + ...
j =0

Assim, o processo geral auto-regressivo integrado a mdia mvel ARIMA pode ser
gerado somando-se ou integrando-se o processo estacionrio ARMA wt , d vezes.
A seguir, so apresentados alguns casos especiais do modelo ARIMA (Box et al.,
1994):

Modelo ARIMA (0, 1, 1):

zt = at 1at 1 = (1 1 B)at ,
onde p = 0, d = 1, q = 1, ( B ) = 1 , ( B) = 1 1 B . Este modelo pode ser descrito

abreviadamente por IMA (1,1) (Montgomery et al., 1990), uma vez que no possui
componente auto-regressivo.

Modelo ARIMA (0, 2, 2):

2 zt = at 1at 1 2 at 2 = (1 1 B 2 B 2 ) at ,
onde p = 0, d = 2, q = 2, (B) = 1, ( B ) = 1 1 B 2 B 2 . Uma outra forma de descrever
este modelo IMA (2,2).

Modelo ARIMA (1, 1, 1):

zt 1 zt 1 = at 1at 1 , ou
(1 1 B)zt = (1 1 B)at ,
32
onde p = 1, d = 1, q = 1, ( B) = 1 1 B, ( B) = 1 1 B.

2.4.6 Modelos Sazonais

Grande parte das sries temporais, encontradas principalmente na indstria, apresenta


variaes sazonais (Montgomery et al., 1990). Isto ocorre quando a srie exibe uma
caracterstica peridica que se repete a cada s intervalos de tempo. Por exemplo, em sries
compostas por observaes mensais e sazonalidade anual, s igual a 12.

Define-se s = (1 B s ) como sendo o operador de diferena sazonal. Assim,


s zt = (1 B s ) zt = zt zt s
a primeira diferenciao sazonal. Em geral, D diferenciaes sazonais podem ser requeridas
para produzir uma srie estacionria. Neste caso, o operador de diferenciao sazonal de

ordem D sD = (1 B s ) D . Assim, a forma geral do modelo sazonal auto-regressivo


integrado a mdia mvel de ordem (P,D,Q) (Box et al., 1994):

( B s ) sD zt = ( B s )at , (34)

onde ( B s ) e ( B s ) so polinmios em B s de graus P e Q, respectivamente, que


satisfazem as condies de srie no-estacionria. A representao da ordem (P, D, Q) feita
em letras maisculas, para diferenci-las da representao feita nos modelos sazonais.
No modelo da equao (34), os componentes de erro esto geralmente

correlacionados. Assim t estaria relacionado com t 1 , t 2 , etc. Para tratar tal

relacionamento, introduz-se um segundo modelo,

( B ) d t = ( B )at , (35)

onde at um processo de rudo aleatrio. ( B) e ( B) so polinmios em B de graus p e


q, respectivamente, que satisfazem as condies de srie no-estacionria.
Subtraindo-se a equao (34) na equao (35), obtm-se um modelo multiplicativo
geral,

p ( B) p ( B s ) d sD zt = ( B)Q ( B s )at ,
chamado de processo multiplicativo de ordem (p,d,q) x (P,D,Q)s.

33
2.4.7 Modelagem de Srie Temporal

Um procedimento iterativo em trs etapas pode ser utilizado na construo de modelos


ARIMA (Montgomery et al., 1990). Primeiro, o modelo ARIMA identificado por
intermdio da anlise dos dados histricos. A seguir, os parmetros desconhecidos do modelo
so estimados. Finalmente, verifica-se o modelo quanto sua adequao aos dados. Alguns
exemplos de modelagem so apresentados na seo 2.2.7.5.

2.4.7.1 Identificao do Modelo

A identificao de um modelo ARIMA feita por meio da anlise dos dados que
compem a srie temporal. Geralmente, necessita-se um mnimo de 50 observaes para
identificar-se satisfatoriamente o modelo que melhor descreve a srie temporal (Box et al.,
1994). . As principais ferramentas usadas no processo de identificao do modelo so a
funo de auto-correlao (F.A.C.) e a funo de auto-correlao parcial (F.A.C.P.).
A escolha do modelo mais apropriado para descrever uma srie temporal no uma
tarefa trivial, dado que existe uma grande variedade de modelos ARIMA a serem
considerados como candidatos. Na prtica, a identificao do melhor modelo pode ser
auxiliada pela seqncia de passos abaixo (Makridakis et al., 1998):
1. Por meio do grfico da srie temporal, analisa-se o seu comportamento no tempo.
Em algumas situaes, necessrio fazer transformaes nos dados (por exemplo, uma
transformao logartmica), com a finalidade de estabilizar a varincia da srie em estudo.
2. Uma vez estabilizada a varincia, caso tal procedimento seja necessrio, verifica-se
a condio estacionria da srie. Este procedimento feito em duas etapas: anlise da srie
temporal e dos grficos das F.A.C. e F.A.C.P.. Quando a srie exibe dados em torno de uma
mdia constante e os grficos das F.A.C. e das F.A.C.P. apresentam auto-correlaes que
tendem a zero rapidamente, tem-se a indicao de que a srie estacionria. Se algum destes
requisitos no for observado, a srie , possivelmente, do tipo no-estacionria.
3. Sries no-estacionrias devem ser estabilizadas por meio de diferenciao. Para
sries no sazonais, faz-se a diferenciao das observaes ( zt = zt zt 1 ) ; para sries

sazonais, faz-se a diferenciao sazonal das observaes ( zt = zt zt s ) , que leva em

considerao o intervalo sazonal s. Persistindo o comportamento no estacionrio, nova

34
diferenciao necessria. Geralmente, a srie torna-se estacionria aps, no mximo, duas
diferenciaes.
4. Uma vez a srie estando estacionria, os valores de D e d so conhecidos. Resta
determinar os componentes normais, p e q, e os componentes sazonais, P e Q.
Se a F.A.C. extingue-se rapidamente e a F.A.C.P. trunca abruptamente aps o lisimo
lag, ento p = 1. Da mesma maneira, para sries sazonais, o valor de P ser igual ao nmero
de lags significativos mltiplos de s na F.A.C.P. Entendem-se como lags significativos

queles que ultrapassem os limites de 2S (rk ) para a F.A.C., e 2S (kk ) para a F.A.C.P.

onde:
1/ 2
1/ 2
S (rk ) n [1 + 2(r + r + ... + r )]
1
2
2
2
q
2
(36)

S (kk ) n 1/ 2 , (37)
e n o nmero de observaes da srie.
Se a F.A.C.P. extingue-se rapidamente, e a F.A.C. trunca abruptamente aps o lisimo
lag, ento q = 1. Para modelos sazonais, o valor de Q ser igual ao nmero de lags
significativos mltiplos de s na F.A.C..
Quando ambas as F.A.C. e F.A.C.P. extinguem-se rapidamente, um modelo misto
pode ser necessrio. Tais modelos so de difcil identificao, devendo-se usar um processo
por tentativas que inicie testando valores baixos de P, Q, p e q.

2.4.7.2 Estimativa dos Parmetros do Modelo

Uma vez identificado o modelo, seus parmetros devem ser estimados. O mtodo dos
mnimos quadrados pode ser usado na identificao dos parmetros de modelos ARIMA
(Makridakis et al., 1998). Todavia, para os componentes MA, no existe uma frmula simples
para determinao das estimativas dos parmetros.
Um outro mtodo freqentemente utilizado na estimao de parmetros o da mxima
verossimilhana. Como o prprio nome indica, o estimador ser o valor de parmetro que
maximiza a funo de verossimilhana, definida a seguir. Seja Z uma varivel aleatria com
distribuio de probabilidade f ( z , ) , onde um parmetro desconhecido a ser
estimado. Sejam z1 , z2 ,..., zn valores observados numa amostra aleatria de tamanho n.
Ento, a funo de verossimilhana da amostra (Montgomery, 1994):

35
L( ) = f ( z1 , ) f ( z2 , ) ... f ( zn , ) ,

onde o estimador de mxima verossimilhana de o valor de que maximiza a funo de


verossimilhana L ( ) . Tal estimador determinado diferenciando-se L ( ) , igualando o
resultado a zero e resolvendo a expresso resultante para .

2.4.7.3 Verificao do Modelo

Uma vez obtido um modelo ajustado para a srie temporal, deve-se determinar sua
adequao e necessidade de melhoria. Um mtodo lgico para a verificao do modelo utiliza
o clculo dos resduos (et = zt zt ) . Deve-se estimar e examinar a funo de auto-
correlao dos resduos (Montgomery et al., 1990). Se o modelo obtido for apropriado, a
F.A.C. da amostra dos resduos re (k ) no deve apresentar lags significativos para nenhum

valor de k, neste caso definidos como sendo os maiores que n 1/ 2 . Quando este for o caso, os
resduos resultantes da srie temporal zt tero sido transformados em um processo de rudo
aleatrio.
Uma outra forma de verificao da significncia so os testes de Portmanteau. Estes
testes no consideram os valores de re (k ) individualmente, mas o conjunto dos k primeiros

re (k ) s. Os testes de Portmanteau seguem aproximadamente uma distribuio Qui-quadrado


( 2 ) , e testam a hiptese de um conjunto de resduos ser significativo. Sua representao
matemtica dada por:
h
Q = n re (k ) 2 ,
k =1

onde n o nmero de observaes na srie temporal e h 20 (Makridakis et al., 1998).


Os testes de Portmanteau, no geral, devem ser utilizados apenas como auxlio, uma
vez que no apresentam muita preciso.

36
2.4.7.4 Previses

Uma vez determinado o melhor modelo para a srie temporal em estudo, pode-se us-
lo para gerar previses de observaes futuras. Partindo-se do perodo presente t, e supondo
que se deseja prever a srie em um perodo futuro, zt +k representa a previso para um perodo

t+k feita em t.
A previso para o perodo t+k normalmente construda a partir de sucessivas
previses para os perodos t+1, t+2, ... , t+k-1 (Montgomery et al., 1990). Neste
procedimento, o valor de zt + j , o qual no se conhece no tempo t, substitudo pela sua
previso zt + j . O valor de at + j , o qual tambm no se conhece no tempo t, substitudo por
zero, e at j = zt j zt j . No incio do processo de previso, deve-se assumir que at j = 0
para t j 0.

2.4.7.5 Exemplos de Construo de Modelos ARIMA

A seguir, so apresentados trs exemplos para ilustrar as etapas de construo dos


modelos ARIMA.

37
Exemplo 1

Considere a srie temporal com dados apresentados na Tabela 5 e representada


graficamente na Figura 7. A srie foi originalmente apresentada em Morettin & Toloi (1987).

TABELA 5. Srie Temporal obtida em Morettin & Toloi (1987)


t zt t zt t zt t zt t zt
1 0,656 11 -0,731 21 -2,092 31 3,892 41 1,958
2 1,057 12 -0,549 22 -1,993 32 4,29 42 1,883
3 -1,75 13 -1,801 23 -1,187 33 3,746 43 0,344
4 -0,489 14 -0,538 24 1,394 34 3,723 44 -0,708
5 -2,861 15 -0,292 25 3,098 35 1,111 45 -1,852
6 -2,227 16 -0,444 26 4,853 36 3,48 46 -2,318
7 -2,014 17 1,648 27 4,649 37 2,144 47 -2,3
8 -3,773 18 2,183 28 4,821 38 1,252 48 -0,937
9 -3,333 19 -0,253 29 4,441 39 -0,006 49 -1,799
10 -0,626 20 -1,069 30 5,496 40 0,412 50 -1,698

-2

-4

-6

FIGURA 7. Grfico e linha de mdia da srie temporal apresentada na Tabela 5.

O grfico da Figura 7 mostra que a srie temporal varia em torno da sua mdia,
podendo ser caracterizada como estacionria. Porm, a condio estacionria deve ser

38
comprovada por intermdio da anlise das auto-correlaes, conforme definido na equao
(18). Os grficos da F.A.C. e F.A.C.P. so mostrados na Figura 8.

FIGURA 8. F.A.C. e F.A.C.P da srie temporal na Figura 7.

Os grficos das F.A.C. e F.A.C.P. confirmam a condio estacionria da srie, uma


vez que seus valores tendem a zero rapidamente. As linhas horizontais traadas nos grficos
determinam os limites de significncia para as auto-correlaes, conforme definido nas
equaes (36) e (37).
Com a F.A.C. extinguindo-se rapidamente de maneira exponencial, e a F.A.C.P.
contendo apenas um lag significativo, tem-se a sugesto de um modelo AR (1). Assim
usando-se a equao (20), temos:
zt = zt 1 + at ,
O parmetro 1 obtido por meio de regresso, sendo dado por 1 = 0,8686 ; o

modelo resultante ento:


zt = 0,8686 zt 1 + at ,
o qual resulta na F.A.C. para os resduos mostrada na Figura 9.
Uma vez que a F.A.C. dos resduos no possui lags significativos, o modelo estimado
considerado adequado. Desta forma, o modelo obtido pode ser utilizado para gerar previses
futuras confiveis.

39
FIGURA 9. F.A.C. dos resduos da srie representada na Figura 7.

Exemplo 2

Considere a srie temporal com dados apresentados na Tabela 6 e representada


graficamente na Figura 10. A srie foi originalmente apresentada em Fller (1996).

TABELA 6. Srie temporal obtida em Fller (1996).


t zt t zt t zt t zt t zt
1 1,432 21 -1,008 41 -1,845 61 -1,412 81 -2,569
2 -0,343 22 -1,589 42 0,281 62 -1,525 82 -0,524
3 -1,759 23 0,289 43 -0,136 63 -0,017 83 0,044
4 -2,537 24 -0,58 44 -0,992 64 -0,525 84 -0,088
5 -0,295 25 1,213 45 0,321 65 -2,689 85 -1,333
6 0,689 26 1,176 46 2,621 66 -0,211 86 -1,977
7 -0,633 27 0,846 47 2,804 67 2,145 87 0,12
8 -0,662 28 0,079 48 2,174 68 0,787 88 1,558
9 -0,229 29 0,815 49 1,897 69 -0,452 89 0,904
10 -0,851 30 2,566 50 -0,781 70 1,267 90 -1,437
11 -3,361 31 1,675 51 -1,311 71 2,316 91 0,427
12 -0,912 32 0,933 52 -0,105 72 0,258 92 0,061
13 1,594 33 0,284 53 0,313 73 -1,645 93 0,12

40
14 1,618 34 0,568 54 -0,89 74 -1,552 94 1,46
15 -1,26 35 0,515 55 -1,778 75 -0,213 95 -0,493
16 0,288 36 -0,436 56 -0,202 76 2,607 96 -0,888
17 0,858 37 0,567 57 0,45 77 1,572 97 -0,53
18 -1,752 38 1,04 58 -0,127 78 -0,261 98 -2,757
19 -0,96 39 0,064 59 -0,463 79 -0,686 99 -1,452
20 1,738 40 -1,051 60 0,344 80 -2,079 100 0,158

-1

-2

-3

-4

FIGURA 10. Grfico e linha de mdia da srie temporal apresentada na Tabela 6.

O grfico da Figura 10, da mesma forma que o exemplo 1, mostra que a srie temporal
varia em torno da sua mdia, o que permite caracteriz-la como sendo estacionria.
Novamente, a condio no estacionria deve ser comprovada por meio da anlise das auto-
correlaes. Os grficos da F.A.C. e F.A.C.P. so mostrados na Figura 11.

FIGURA 11. F.A.C. e F.A.C.P. da srie temporal representada na Figura 10.

41
A condio estacionria confirmada pelos grficos das F.A.C. e F.A.C.P., j que seus
valores tendem a zero rapidamente. Com a F.A.C.P. extinguindo-se rapidamente e a F.A.C.
contendo apenas um lag significativo, tem-se a sugesto de um modelo MA (1). Assim,
usando-se a equao (26), temos:
zt = at 1at 1 ,
A partir do mtodo de mxima verossimilhana, obtm-se uma estimativa para o
parmetro do modelo 1 = 0,7318 , o que conduz seguinte expresso:
zt = at + 0,7318at 1 ,
resultando na F.A.C. dos resduos sem lags significativos. Assim, o modelo estimado
considerado adequado.

Exemplo 3

Considere a srie temporal com dados apresentados na Tabela 7 e representada


graficamente na Figura 13. A srie foi originalmente apresentada em Makridakis et al. (1998)
e representa o nmero de usurios conectados a um servidor da Internet durante o perodo de
100 minutos.

42
TABELA 7. Usurios conectados a um servidor da Internet durante um perodo de 100 minutos
(Makridakis et al., 1998).

t zt t zt t zt t zt t zt
1 88 21 147 41 142 61 112 81 121
2 84 22 149 42 150 62 104 82 135
3 85 23 143 43 159 63 102 83 145
4 85 24 132 44 167 64 99 84 149
5 84 25 131 45 170 65 99 85 156
6 85 26 139 46 171 66 95 86 165
7 83 27 147 47 172 67 88 87 171
8 85 28 150 48 172 68 84 88 175
9 88 29 148 49 174 69 84 89 177
10 89 30 145 50 175 70 87 90 182
11 91 31 140 51 172 71 89 91 193
12 99 32 134 52 172 72 88 92 204
13 104 33 131 53 174 73 85 93 208
14 112 34 131 54 174 74 86 94 210
15 126 35 129 55 169 75 89 95 215
16 138 36 126 56 165 76 91 96 222
17 146 37 126 57 156 77 91 97 228
18 151 38 132 58 142 78 94 98 226
19 150 39 137 59 131 79 101 99 222
20 148 40 140 60 121 80 110 100 220

43
250

200
Usurios
150

100

50

0
0 20 40 60 80 100 120
Minutos

FIGURA 12. Grfico e linha de tendncia da srie temporal apresentada na Tabela 7.

Uma anlise no grfico da srie temporal mostra que a mesma no estacionria,


possuindo uma tendncia ascendente. Porm, a condio de no-estacionria deve ser
comprovada por meio da anlise das auto-correlaes (Figura 13).

FIGURA 13. F.A.C. e F.A.C.P. da srie temporal representada na Figura 12.

O grfico da F.A.C. confirma a condio no-estacionria da srie, uma vez que seus
valores no tendem a zero rapidamente. Assim, necessrio fazer a diferenciao da srie
temporal, a fim de torn-la estacionria. O grfico da primeira diferenciao ( zt zt 1 ) est
representado na Figura 14.

44
FIGURA 14. Grfico e linha de mdia da srie temporal apresentada na Tabela 7, aps primeira diferenciao.

A srie parece tornar-se estacionria aps a primeira diferenciao, variando


aleatoriamente em torno de sua mdia. Esta anlise preliminar deve ser validada por
meio do estudo dos grficos das F.A.C. e F.A.C.P, apresentados na Figura 15.

FIGURA 15. F.A.C. e F.A.C.P. da srie temporal apresentada na Figura 15.

O grfico da F.A.C. extingue-se rapidamente, combinando padres exponenciais e


senoidais; j o grfico da F.A.C.P. exibe trs lags significativos. Isto sugere um modelo
ARIMA (3,1,0), o qual possui 3 parmetros auto-regressivos e uma diferenciao. Assim,
usando-se a equao (33), temos:
wt = 1 wt 1 + 2 wt 2 + 3 wt 3 + at .
Observe que os componentes de mdia mvel da equao (33) no esto presentes no modelo
acima.
Como wt = zt zt d e d = 1, o modelo pode ser expresso por:

zt zt 1 = 1 ( zt 1 zt 2 ) + 2 ( zt 2 zt 3 ) + 3 ( zt 3 zt 4 ) + at .
45
A partir de regresso, estimam-se os parmetros do modelo: 1 = 1,1563 ,
2 = 0,6665 e 3 = 0,3346 ; o modelo resultante dado por:

zt zt 1 = 1,1563( zt 1 zt 2 ) 0,6665( zt 2 zt 3 ) + 0,3346( zt 3 zt 4 ) + at

Rearranjando os termos, chega-se ao modelo final:

zt = 2,1563zt 1 1,8228 zt 2 + 1,0011zt 3 0,3346 zt 4 + at ,

o qual resulta na F.A.C. dos resduos, mostrada na Figura 16.

FIGURA 16. F.A.C. dos resduos da srie representada pelos valores estimados

Observe que a F.A.C. dos resduos na Figura 16 no possui lags significativos. O


modelo obtido para a srie temporal da Tabela 7 pode ser, assim, considerado adequado.

2.4.8 Variaes dos Modelos de Box-Jenkins

X-11 ARIMA e X-12 ARIMA

As variantes X-11 ARIMA e X-12 ARIMA so os refinamentos mais difundidos do


mtodo Census II, criado pelo Departamento de Censo do Governo Americano em 1955. Este
mtodo utiliza a decomposio da srie temporal, criando sries para sazonalidade, tendncia,
ciclo e aleatoriedade. Uma vez feita decomposio, dados atpicos so refinados, tornando
as sries livres de fatores externos que por ventura venham a influir em seu comportamento.

46
A decomposio pelo mtodo Census II envolve a aplicao de mdia mvel
ponderada aos dados, causando a perda de alguns valores no incio e no final da srie
temporal. A funo das variantes X-11 ARIMA e X-12 ARIMA fazer a previso destes
valores perdidos com o clculo das mdias, utilizando para isto, modelos de Box-Jenkins.
Esta metodologia tratada com maior profundidade em Findley et al. (1998).

Regresso com Erros dos Modelos ARIMA

Nos modelos usuais de regresso, uma varivel dependente estimada por intermdio
de uma ou mais variveis independentes, acrescidos de um termo de resduo. Supe-se, via de

regra, que esses resduos sejam normalmente distribudos, com mdia zero, varincia a2 e
componentes no-correlacionados.
Os modelos de Box-Jenkins em determinadas situaes no modelam de maneira
adequada uma srie temporal. Muitas vezes, resduos da modelagem Box-Jenkins possuem
componentes correlacionados. Assim, estes resduos podem ser utilizados como variveis
independentes em modelos de regresso (ver Makridakis et al., 1998). Desta forma, utilizam-
se as caractersticas dos modelos de Box-Jenkins para descrever, em conjunto com outras
variveis independentes, o comportamento da varivel dependente.

2.4.9 Comentrios sobre os Modelos Box-Jenkins

Os modelos de Box-Jenkins constituem-se em importante ferramenta para soluo de


problemas de previso. A metodologia Box-Jenkins, de um modo geral, gera previses
acuradas das sries temporais, oferecendo uma abordagem bem estruturada para a construo
e anlise do modelo. Porm, estes modelos possuem algumas limitaes (Montgomery et al.,
1990):
De maneira geral, so necessrias pelo menos 50 observaes para o
desenvolvimento de um modelo aceitvel de Box-Jenkins. Este fato pode
impossibilitar a obteno dos modelos em situaes onde no existem muitas
observaes disponveis.
No existe uma maneira fcil de modificar (ou melhorar) as estimativas dos
parmetros do modelo quando novas observaes so acrescidas srie de dados;

47
O tempo despendido na construo de um modelo satisfatrio costuma ser
grande. Existem situaes em que centenas, ou talvez milhares de sries temporais
esto em estudo, o que pode inviabilizar economicamente a realizao de melhorias
na acurcia das previses.

2.5 Estratgia de Avaliao e Seleo para Modelos de previso de natureza


quantitativa

Agora, voltar-se- as atenes para tratar de um tpico relevante no campo de estudo


das previses quantitativas: como mensurar o grau de adequabilidade e utilidade de um
mtodo de previso particular a um conjunto de dados histricos.
Haja vista a importncia deste tpico, no contexto da qualidade e veracidade desejadas
neste trabalho, foi necessrio, ento, que se definisse uma estratgia de avaliao de modo a
conseguir um diagnstico confivel e realista dos resultados. Primeiramente, h a necessidade
de se declarar que na confeco deste trabalho no se priorizou verificar o grau de aderncia
dos modelos aos dados utilizados no processo de calibrao (quantificao dos erros de ajuste
aos dados do conjunto inicializao) e sim com o poder real de previso de cada modelo aos
dados hipoteticamente desconhecidos (grau de aderncia aos dados do conjunto teste). Sendo
assim, toda a anlise realizada em relao aos erros est focalizada nos erros de previso
gerados.
Adiante se apresentam as medidas e estatsticas utilizadas durante o processo de
avaliao e seleo dos modelos apresentados no captulo 4.

2.5.1 Medidas Estatsticas-Padro

Dependendo do comportamento da srie temporal que se deseja analisar, vrios


modelos podem ser empregados na previso de seus valores futuros (Makridakis et al., 1998).
A escolha do modelo mais apropriado, no entanto, baseada a partir da anlise dos erros

gerados por cada modelo (et = Yt Ft ) . Uma vez que o clculo dos erros pode resultar em
valores positivos ou negativos, o que pode, em algumas situaes, zerar o seu somatrio,
diferentes manipulaes da estatstica de erro ( et ) devem ser empregadas. Estas diferentes

manipulaes constituem-se em critrios para escolha de modelos mais apropriados s sries


temporais. Os critrios mais utilizados so:

48
1 n 2
Erro Quadrado Mdio (E.Q.M.) = et ,
n t =1
1 n
Erro Absoluto Mdio (E.A.M.) = et ,
n t =1
1 n et
Erro Percentual Absoluto Mdio (E.P.A.M.) = 100 . ,
n t =1 Yt

2.5.2 Comentrios

Dentre as medidas mencionadas para se medir a acurcia de previso, a mais eficiente


e utilizada a E.P.A.M. (Kahn, 1998). Tal constatao deve-se ao fato de que as medidas
E.Q.M. e E.A.M. so influenciadas pela escala dos nmeros a serem trabalhados. Portanto,
no permitem que se proceda a anlises comparativas acerca de diferentes sries temporais em
diferentes intervalos de tempo. Dentro deste contexto a medida E.P.A.M. tida como a mais
eficiente. Porm, carrega consigo a desvantagem de que, quando a srie temporal contm
valores iguais a zero, torna-se impossvel o uso de sua frmula.

2.5.3 Estatstica U de Theil

Nenhuma das medidas citadas anteriormente d uma boa base de comparao ordinal
quanto aos ganhos de acuracidade auferidas pelo uso de determinado mtodo de previso em
detrimento de outro. Por exemplo, ser que pelo fato de se observar um valor de cinco
unidades para a estatstica E.Q.M., ou um percentual de 3,2% para a estatstica E.P.A.M. j
permite dizer que um determinado mtodo um bom previsor para um processo qualquer?
Dentro deste contexto a estatstica U de Theil adequada, pois permite uma comparao
relativa entre mtodos de previso formais com o Mtodo Trivial de Previso.
Matematicamente, a estatstica U de Theil definida como:

F Yt + 1
2
n 1
t +1
U =
t =1
Yt
Yt + 1 Yt
2
n 1

t =1
Yt

49
A caracterstica positiva da utilizao da estatstica U de Theil, como medida de
acurcia, sua interpretao intuitiva:

se U < 1 a tcnica de previso testada mais acurada que o mtodo trivial, portanto,
vantajosa a utilizao do mtodo testado.
se U = 1 a tcnica de previso testada to acurada quanto as mtodo trivial de
previso. Logo, no existe diferena, no que tange qualidade de previso, se
for empregado tanto o modelo testado quanto o modelo trivial para a tarefa de
previso.
se U > 1 a tcnica de previso testada inferior (menos acurada), em relao ao
mtodo trivial. Sendo assim, vantajoso utilizar o mtodo trivial para prever
o processo em estudo.

No entanto h que se fazer uma ressalva sobre esta estatstica: a interpretao, da


forma como foi descrita acima, na qual o valor de U para o Modelo Trivial, por definio,
igual a um s vlida quando o critrio de deciso baseia-se, eminentemente, sobre os erros
de ajuste (erros gerados para o conjunto inicializao). Entretanto, quando o critrio de
deciso baseia-se sobre os erros de previso (erros gerados para o conjunto teste), como o
caso deste trabalho, a interpretao acima no mais vlida (continua-se desejando o menor
valor de U, pois quanto menor for o valor de U maior ser a indicao que o modelo tem uma
boa capacidade preditiva), porm o valor de U para o Modelo Trivial no igual a um, por
definio. Para estes casos necessrio, ento, calcular normalmente o valor de U para o
Modelo Trivial para, a partir da, proceder anlise comparativa.

oportuno repetir que, neste trabalho, se convencionou que a escolha do mtodo de


previso mais acurado para cada aeroporto est vinculada anlise e comparao das
estatsticas U dos diferentes modelos calculados a partir dos erros do conjunto teste (conjunto
de valores hipoteticamente desconhecidos).

50
CAPTULO 3

3 Metodologia para a Estruturao de um Sistema de Previso

A elaborao de um sistema de previso requer: organizao, conhecimento e habilidade


em quatro reas bsicas:

(i) Identificao e definio dos problemas a serem tratados (ou previstos);


(ii) Aplicao dos mtodos de previso;
(iii) Procedimentos para seleo do mtodo apropriado a situaes especficas;
(iv) Suporte organizacional para adaptar e usar os mtodos de previso
requeridos.

A aplicabilidade de um sistema de previso quantitativo depende de trs condies


(Makridakis et al., 1998):

Disponibilidade de informaes histricas;


Possibilidade da transformao das informaes histricas em dados numricos; e
Suposio da repetio, no futuro, dos padres observados no passado.

Esta ltima considerao conhecida como suposio de continuidade. Tal condio


uma premissa bsica em mtodos quantitativos de previso, bem como em diversos mtodos
qualitativos.
As tcnicas de previso quantitativas variam consideravelmente, tendo sido
desenvolvidas com vrios propsitos diferentes. Cada tcnica possui caractersticas prprias,
com diferentes graus de acurcia e custos computacionais incorridos, os quais devem ser
consideradas na escolha de um mtodo especfico.

51
De forma geral, os critrios para a escolha de um sistema de previso compreendem as
etapas descritas a seguir.

3.1 Definio do problema

Em algumas aplicaes relacionadas previso, a definio do problema pode ser a


etapa mais complexa. Diversos fatores devem ser analisados: como a previso ser usada,
onde ser usada e como ela se encaixa dentro da organizao. O nvel de detalhe requerido
uma considerao de extrema importncia, sendo influenciado por diversos fatores, tais como
disponibilidade de dados, acurcia, custo da anlise e preferncias gerenciais.
O custo da previso est diretamente ligado a acurcia requerida. Uma vez que o
aumento da acurcia diminui as perdas resultantes dos processos decisrios, a relao entre o
custo da previso e as perdas causadas pela incerteza forma um trade-off, exemplificado na
Figura 17, adiante apresentada.

52
Custo Custo total

Custo previso

Perdas causadas
pela incerteza

Acurcia na
previso
timo
FIGURA 17. Relao entre acurcia e custo de previso. (Adaptado de Montgomery et., 1990).

Fica claro, a partir da anlise do grfico na Figura 17, que aps um determinado ponto
o aumento dos recursos investidos no implica em aumento expressivo na acurcia. Sendo
assim, procura-se trabalhar dentro de uma faixa que possibilite a melhor previso a um menor
custo.
Uma segunda classe de decises envolve elementos temporais; mais
especificadamente, o perodo, o horizonte e o intervalo da previso requerida.
O perodo a unidade bsica de tempo em que a previso requerida. Geralmente, ele
expresso em meses ou semanas, dependendo do espao de tempo em que os dados de
demanda esto armazenados. Dentre os elementos temporais, a magnitude do perodo o fator
que mais influencia na escolha do modelo a ser utilizado.
O horizonte o nmero de perodos futuros cobertos pela previso, sendo expresso na
mesma unidade temporal do perodo. Est relacionado com a capacidade de resposta da
organizao em relao gerao de novas informaes. Sendo assim, quanto menos flexvel
for a organizao, isto , quanto menor for sua capacidade de atualizar e gerar novas
informaes, maior ser o horizonte de previso; por outro lado, quanto mais agilidade a
organizao possuir em atualizar e disponibilizar novas informaes, menor o horizonte de
tempo para a gerao de novas previses.
O intervalo a freqncia com a qual novas previses so preparadas. Na definio
desta freqncia, existe um trade-off entre o risco de no se identificar uma mudana na srie
53
temporal e os custos incorridos na reviso da previso. Assim, o intervalo depende da
estabilidade do processo, das conseqncias de se estar usando uma previso obsoleta, e dos
custos da previso e do replanejamento. Geralmente o intervalo igual ao perodo. Desta
maneira, os modelos so revistos a cada perodo, usando a demanda do perodo mais recente
(Montgomery et al., 1990).
Durante a etapa de definio do problema, o tcnico responsvel pela elaborao do
sistema de previso deve consultar todos aqueles envolvidos na coleta de dados, na
manuteno do banco de dados e no uso das previses para o planejamento futuro.

3.2 Coleta de Informaes

Pelo menos dois tipos de informaes devem estar disponveis na elaborao de um


sistema de previso (Makridakis et al., 1998): (i) dados estatsticos (numricos) e (ii) dados
subjetivos oriundos de julgamento e percia de especialistas (empregado, principalmente, na
avaliao da qualidade dos dados a serem utilizados no sistema). Esses dois tipos de
informao so essenciais na elaborao dos modelos de previso. Os dados estatsticos sero
utilizados na modelagem matemtica do fenmeno a ser previsto; a opinio de especialistas
essencial para a validao prtica das previses geradas pelo sistema.

3.2.1 Montagem do Banco de Dados

Os dados estatsticos a serem utilizados na previso da demanda so usualmente


armazenados dentro de um banco de dados. Um banco de dados um conjunto de
informaes relacionadas a um assunto especfico (Microsoft Access, 1997). Assim, uma
simples lista de compras, uma agenda pessoal e um conjunto complexo de informaes sobre
um cliente so exemplos de banco de dados. No entanto, o termo geralmente aplicado para
registros computadorizados de informaes, facilitando assim, a manipulao das informaes
nele contidas.
O banco de dados deve conter, alm da srie temporal (representada por produtos e a
demanda dos mesmos a cada perodo), informaes que possibilitem a utilizao de filtros. O
filtro, em um banco de dados, a designao utilizada para quaisquer critrios empregados no
agrupamento de dados. Considere, por exemplo, a estratificao da previso da demanda para

54
um cliente especfico, uma regio geogrfica ou um vendedor. Os filtros, no exemplo, so os
clientes, a regio geogrfica e os vendedores.
A atualizao do banco de dados deve ser feita a cada perodo, incorporando-se assim
as informaes mais recentes aos modelos de previso.

3.3 Seleo do Pacote Computacional

Dada a complexidade de alguns dos modelos de previso, faz-se necessrio o uso de


pacotes computacionais no clculo de previso de demanda. A escolha correta do pacote
adequado pode ser difcil, devido a grande variedade de produtos disponveis no mercado. A
seguir, so apresentadas algumas questes que podem ser teis na determinao do pacote
computacional mais apropriado para apoio a um sistema de previso de demanda (Makridakis
et al., 1998):
O pacote deve possuir vantagens identificadas como essenciais pelo modelador do
processo. Verifique os modelos de previso contemplados no produto, a forma de
gerenciamento das informaes, a apresentao grfica e relatrios dos resultados
obtidos na anlise.
Identifique o sistema operacional do pacote. O sistema deve ser compatvel com
aquele utilizado pelos computadores na empresa, ou permitir a transferncia de dados
entre sistemas operacionais distintos.
O pacote deve ser de fcil utilizao e aprendizado. Solicite uma demonstrao de
funcionamento do programa e verifique aspectos relacionados sua facilidade de
operacionalizao.
Verifique a possibilidade de implementao de novos modelos de previso no pacote
computacional. Usurios avanados, geralmente, procuram fazer modificaes em
modelos existentes ou mesmo programam novos modelos nos pacotes. Para tanto, a
linguagem de programao do pacote selecionado deve ser dominada pelos
modeladores.
Muitas vezes, centenas, ou s vezes milhares de sries temporais podem estar em
estudo. Alguns pacotes possuem uma ferramenta que pode gerar rapidamente a
previso individual de um conjunto de dados envolvendo milhares de sries temporais.

55
Esta caracterstica de suma importncia, quando se necessita de agilidade na anlise
de muitas sries.
Verifique a capacidade de processamento de dados do pacote. Alguns sistemas de
previso utilizam sries temporais bastante extensas, que podem facilmente ultrapassar
o limite de capacidade de processamento de alguns pacotes computacionais.
Verifique a acurcia das previses calculadas pelo pacote. Apesar de possurem
diferentes algoritmos, pacotes distintos devem apresentar resultados, no mnimo, bem
prximos. Assim, interessante fazer uma comparao entre eles, uma vez que alguns
podem conter erros.

3.4 Anlise Preliminar

Nesta etapa, dados histricos so agrupados e representados graficamente. Desta


maneira, possveis valores esprios (ou outliers) podem ser identificados na srie temporal, o
que dificultaria a sua modelagem.
Valores esprios podem ser causados por erros de digitao, como tambm por uma
infinidade de fatores. Para o tratamento destes valores, sugerem-se os seguintes
procedimentos:
Procedimento A. Quando o valor esprio encontra-se no final da srie temporal e
existem valores suficientes para gerar um modelo de previso, substitui-se o valor
esprio pela previso relativa ao perodo correspondente ao dado excludo.
Procedimento B. Quando o valor esprio encontra-se no incio da srie temporal, o
procedimento descrito anteriormente torna-se impossvel. Uma sugesto para tal
situao fazer a substituio do valor esprio pela mdia das observaes
imediatamente adjacentes a ele e gerar um modelo de previso. Uma vez feita a
previso, o valor esprio substitudo pela previso relativa ao perodo
correspondente.

Uma vez retirados os valores esprios, analisam-se fatores como padres, tendncias e
sazonalidades que podem estar presentes na srie temporal em estudo. A anlise grfica
preliminar fornece subsdios auxiliares na escolha dos modelos quantitativos a serem
utilizados na modelagem matemtica das diversas sries de dados. Outra ferramenta bastante

56
til, nesta fase do estudo, a anlise da funo auto-correlao das observaes da srie
temporal.

3.5 Escolha e Validao dos Modelos

A escolha do modelo de previso apropriado a uma srie de dados temporais deve estar
baseada, alm da acurcia do modelo, nos seguintes fatores (Makridakis et al., 1998):

Aspectos que influenciam o fenmeno a ser analisado.


O conhecimento de aspectos que podem influenciar a demanda, como, por exemplo,
promoes ou campanhas promocionais, de vital importncia para o processo de
previso. Por meio deste tipo de informao, pode-se fazer com que a previso, com o
uso da anlise subjetiva, se ajuste a casos particulares. Alm disto, a previso
geralmente feita para um intervalo de confiana, o qual pode ter uma magnitude
elevada. Assim, mais uma vez, a anlise subjetiva pode ser utilizada para aumentar a
acurcia da previso.

Caractersticas da srie temporal.


Na seo 2.2, mostrou-se que a previso futura de uma srie temporal pode ser feita
por meio de previses de seus componentes (sazonalidade, tendncia, etc). A previso
da sazonalidade, em virtude da sua regularidade, pode ser feita de maneira adequada
por um grande nmero de modelos. Muitas sries, inclusive, podem ser modeladas de
forma mais acurada se removido o componente sazonal (Makridakis & Hibon, 1997).
Assim, sem o componente sazonal, o domnio de um dos componentes sobre os
demais na srie temporal pode definir o modelo a ser utilizado.
Quando a aleatoriedade domina a tendncia-ciclo (muitos mtodos de decomposio
consideram a tendncia e o ciclo como sendo um componente nico), a suavizao
exponencial simples geralmente modela a srie temporal de forma satisfatria.
Em casos nos quais a tendncia-ciclo domina a aleatoriedade, modelos mais
complexos, tais como Box-Jenkins, so os mais indicados (Makridakis et al., 1982).
Em sries temporais onde existe pouca aleatoriedade e o componente de tendncia
domina as flutuaes cclicas, o modelo de Holt (ver seo 2.1.2) geralmente produz

57
bons resultados. Porm, quando o componente cclico domina a tendncia, o modelo
de Holt pode gerar uma previso pouco acurada, uma vez que a tendncia linear no se
mantm constante.

Agregao temporal dos dados.


O grau de agregao temporal influencia na seleo do modelo, pois, de maneira geral,
a aleatoriedade diminui com o agrupamento dos dados. Assim, dados dispostos
anualmente possuem pouca aleatoriedade e um forte componente de tendncia,
sugerindo o uso do modelo de Holt. Por outro lado, dados dirios possuem grande
aleatoriedade, sendo prefervel o modelo de suavizao exponencial simples.
Modelos mais complexos, como Box-Jenkins, produzem melhores resultados em
agregaes intermedirias (mensais ou quadrimestrais), uma vez que podem exibir
fortes componentes cclicos e de tendncia.

Intervalo das previses.


O intervalo, o qual relata a freqncia com que novas previses so preparadas,
tambm pode ajudar a determinar o melhor modelo a ser utilizado. Dados com pouca
agregao temporal (por exemplo, dirios) requerem previses em intervalos curtos de
tempo. Assim, para dados dispostos diariamente so evitados modelos complexos, por
serem muito trabalhosos e por poderem, potencialmente, tornar o sistema dispendioso.

58
CAPTULO 4

4. Estudo de Caso

Neste captulo realiza-se o processo de calibrao dos modelos de previso propostos


aplicados a uma amostra de dados de alguns aeroportos administrados pelo Departamento
Aerovirio do Estado de So Paulo (DAESP), que so os seguintes: Araatuba, Assis, Bauru,
Marlia, Presidente Prudente, Ribeiro Preto, So Jos do Rio Preto e Sorocaba. A
justificativa para a escolha dos mesmos se d pelo fato de que apenas estes realizam
transporte regular de passageiros.
Em seguida, realiza-se, a partir de uma estratgia de avaliao e seleo na qual os
erros de previso gerados so analisados, o processo de determinao do modelo preditivo
com maior grau de acurcia.
Com o intuito de alcanar as proposies supracitadas, fez-se necessrio dividir o
captulo nas seguintes sees:
1) Consideraes iniciais sobre os dados utilizados;
2) Anlise da srie de dados;
3) Calibrao e anlise dos modelos;
4) Resumo dos resultados.

4.1 Consideraes iniciais sobre os dados utilizados

A coleta da srie de dados da amostra teve como intervalo de tempo o perodo de


janeiro de 1997 a agosto de 2003. De forma que os objetivos idealizados pudessem ser
atingidos, dividiu-se, ento, esta amostra em dois conjuntos distintos de dados: conjunto
inicializao e conjunto teste. O conjunto inicializao - compreendido entre Janeiro/1997 e
Agosto/2002 - foi utilizado para fins de calibrao dos coeficientes e gerao das previses. J

59
o conjunto teste, compreendido entre Setembro/2002 e Agosto/2003, foi utilizado apenas
como um meio para que a estratgia de avaliao escolhida pudesse ser implementada. Esta
estratgia, por sua vez, serviu de subsdio para a escolha do modelo mais acurado para cada
um dos diferentes aeroportos. A maneira como foi dividida a srie de dados (proporo)
seguiu o seguinte procedimento: 81% dos dados disponibilizados foram alocados para o
conjunto inicializao enquanto que os 19% complementares foram alocados para o conjunto
teste.
As sries histricas referentes s demandas totais (conjunto inicializao + conjunto
teste) bem como os resultados de todos os modelos, para cada um dos aeroportos
mencionados, encontram-se no Anexo.

4.2 Anlise Preliminar dos Dados

Nesta etapa, proceder-se-, uma anlise grfica das sries histricas disponibilizadas
para a modelagem. O objetivo desta anlise verificar se alguma das caractersticas possveis
a uma srie temporal (ex: tendncia, sazonalidade, horizontalidade, aleatoriedade ou conjunto
de ambas) direta e fortemente observada, facilitando assim, o processo de entendimento pelo
qual determinado modelo se mostra como o mais adequado para uma determinada situao.
No entanto, necessrio dizer que, neste trabalho, a idia perseguida na confeco do
mesmo foi a de experimentar todas as metodologias propostas para as diferentes sries de
dados e escolher dentre elas aquela com menor margem de erro para previso real. Ou seja,
mesmo que, na situao em que uma caracterstica presente srie j indique o modelo mais
adequado, outras modelagens foram normalmente realizadas e avaliadas.
Para que tal anlise possa ser realizada, os grficos referentes ao conjunto inicializao
das sries histricas, presentes no Anexo, so plotados a seguir:

60
Demanda Aeroporto de Araatuba
12000 12000

11000 11000

10000 10000
Volume de Passageiros

9000 9000

8000 8000

7000 7000

6000 6000

5000 5000

4000 4000
Jan-1997 Jan-1998 Jan-1999 Jan-2000 Jan-2001 Jan-2002
Perodo
FIGURA 18 - Demanda aeroporto de Araatuba

Demanda Aeroporto de Assis


7000 7000

6000 6000

5000 5000
Volume de Passageiros

4000 4000

3000 3000

2000 2000

1000 1000

0 0
Jan-1997 Jan-1998 Jan-1999 Jan-2000 Jan-2001 Jan-2002
Perodo
FIGURA 19 - Demanda aeroporto de Assis

61
Demanda Aeroporto de Bauru
18000 18000

16000 16000

14000 14000
Volume de Passageiros

12000 12000

10000 10000

8000 8000

6000 6000

4000 4000

2000 2000

0 0
Jan-1997 Jan-1998 Jan-1999 Jan-2000 Jan-2001 Jan-2002
Perodo

FIGURA 20 - Demanda aeroporto de Bauru

Demanda Aeroporto de Marlia


10000 10000

9000 9000

8000 8000
Volume de Passageiros

7000 7000

6000 6000

5000 5000

4000 4000

3000 3000

2000 2000

1000 1000
Jan-1997 Jan-1998 Jan-1999 Jan-2000 Jan-2001 Jan-2002
Perodo
FIGURA 21 - Demanda aeroporto de Marlia

62
Demanda Aeroporto de Presidente Prudente
11000 11000

10000 10000

9000 9000
Volume de Passageiros

8000 8000

7000 7000

6000 6000

5000 5000

4000 4000

3000 3000
Jan-1997 Jan-1998 Jan-1999 Jan-2000 Jan-2001 Jan-2002
Perodo
FIGURA 22 Demanda aeroporto de Presidente Prudente

Demanda Aeroporto de Ribeiro Preto


75000 75000

70000 70000

65000 65000

60000 60000
Volume de Passageiros

55000 55000

50000 50000

45000 45000

40000 40000

35000 35000

30000 30000

25000 25000

20000 20000
Jan-1997 Jan-1998 Jan-1999 Jan-2000 Jan-2001 Jan-2002
Perodo

FIGURA 23 - Demanda aeroporto de Ribeiro Preto

63
Demanda Aeroporto de So Jos do Rio Preto
45000 45000

40000 40000

35000 35000
Volume de Passageiros

30000 30000

25000 25000

20000 20000

15000 15000

10000 10000

5000 5000
Jan-1997 Jan-1998 Jan-1999 Jan-2000 Jan-2001 Jan-2002
Perodo
FIGURA 24 Demanda aeroporto de So Jos do Rio Preto

Demanda Aeroporto de Sorocaba


11000 11000

10000 10000

9000 9000
Volume de Passageiros

8000 8000

7000 7000

6000 6000

5000 5000

4000 4000

3000 3000

2000 2000
Jan-1997 Jan-1998 Jan-1999 Jan-2000 Jan-2001 Jan-2002
Perodo

FIGURA 25 - Demanda aeroporto de Sorocaba

64
Analisando individualmente o formato de cada um dos grficos plotados, a partir das
sries mostradas no Anexo, aparente a impresso de que os mesmos, a grosso modo, no
apresentam um comportamento bem definido (exceo feita ao grfico do aeroporto de
Sorocaba, onde, claramente, se observa um comportamento bem definido das componentes
tendncia e sazonalidade), quanto s caractersticas possveis a uma srie temporal como
mostrada na Figura 2 (pgina 11).
Por exemplo, ao analisar mais atentamente os grficos dos aeroportos de Marlia,
Presidente Prudente e Assis observa-se a predominncia da componente aleatoriedade em
relao s outras possveis caractersticas (tendncia, mdia, sazonalidade).
Enquanto que, analisando os grficos produzidos pelos dados dos aeroportos de
Araatuba, Bauru, Presidente Prudente, Ribeiro Preto e So Jos do Rio Preto, tambm
perceptvel a predominncia da componente aleatoriedade, entretanto, agora, acompanhada da
incidncia da componente tendncia.

4.3 Calibrao e anlise dos modelos

Esta seo tem como objetivos: apresentar os valores dos coeficientes dos diferentes
modelos testados, bem como avaliar as medidas de acurcia, calculadas a partir das previses
estimadas para os dados do conjunto teste. A partir desta anlise, j ser possvel, ento,
indicar qual dentre os modelos propostos mais se ajusta ao padro dos dados observado para
cada um dos aeroportos estudados. Para tanto, experimentar-se- os modelos de suavizao
exponencial (suavizao constante, Holt, Holt-Winters aditivo e Holt-Winters multiplicativo),
os modelos de mdia mvel (seis e 12 meses) e os modelos de Box-Jenkins que venham a ser
identificados.
A ttulo de informao, necessrio mencionar que a instituio em estudo utiliza
como modelo para gerao de previses (para fins de planejamento) o modelo mdia mvel
de 12 meses. Neste sentido, consideraes e comparaes acerca do grau de acurcia
apresentados em relao a este, tambm sero apresentadas no decorrer das subsees.

Aeroporto de Araatuba

A fim de que se pudesse indicar qual dentre os modelos testados mais adequado ao
padro de dados exibido pela srie disponibilizada para estudo, referente ao respectivo
65
aeroporto, eis que na Tabela 8 so descritas as informaes que, efetivamente, basearam a
concluso do modelo mais acurado, que so elas: os valores dos coeficientes calibrados; as
medidas de acurcia E.A.M., E.Q.M. e E.P.A.M. e a Estatstica U de Theil.
Lembrando que a estimao dos coeficientes, bem como das previses foram
realizadas mediante a utilizao do conjunto inicializao. J o clculo das medidas de
acurcia e da Estatstica U de Theil, fator este preponderante para a escolha do modelo mais
apropriado, foi realizado mediante a utilizao do conjunto teste. As previses estimadas, por
cada um dos modelos testados, so apresentadas no Anexo.

TABELA 8: Comparao entre os diferentes modelos propostos aplicados aos dados da Figura 18
Critrios
MODELOS
E.A.M. E.Q.M. E.P.A.M. U de Theil
ARIMA
( 0,1,1)( 0,1,1) 12
2.001 4.312.624 72,46 5,17

Trivial 2.571 6.728.910 92,92 6,64

Mdia Mvel 6 meses 3.348 12.052.782 120,07 8,25


Holt
( = 0, 37; = 0, 08) 3.478 12.286.894 124,90 8,76

Holt-Winters aditivo
( = 0, 57; = 0, 03; = 0, 79) 3.507 12.860.780 125,94 8,80

Holt-Winters multiplicativo
( = 0, 52; = 0, 02; = 0, 74) 3.821 15.065.992 137,31 9,59

Suavizao Exponencial Simples

( = 0, 38)
4.192 17.689.162 150,46 10,66

Mdia Mvel 12 meses * 4.451 20.295.013 159,66 11,26


* Modelo utilizado pela Instituio estudada.

Onde:

( )
2
1 80
E.Q.M. (Erro Quadrado Mdio) = Yt Ft ,
12 t =69
1 80
E.A.M (Erro Absoluto Mdio) = Yt Ft ,
12 t =69

66
1 80 Yt Ft
E.P.A.M. (Erro Percentual Absoluto Mdio) = 100 .
12 t =69 Yt

F Yt +1
2
79
t +1
U= t = 69
Yt
Y t +1 Y t
2
79

t = 69
Yt

Em relao ao processo de comparao e seleo dos modelos preditivos apresentados,


torna-se imperativo ressaltar que a Estatstica U de Theil a estatstica utilizada para a
classificao e, posterior, seleo do modelo mais adequado. Em sntese, o mtodo de
previso que obtiver o menor valor para a referida estatstica ser admitido como o mais
adequado para a situao, ou seja, com maior grau de acurcia.
Neste sentido, tendo como base o contedo do pargrafo anterior, e analisando os
resultados da tabela 8 constata-se que, dentre os mtodos testados, o modelo ARIMA

( 0,1,1)( 0,1,1) 12 o mais acurado (j que apresenta U = 5,17).

O resultado torna-se particularmente interessante por 2 aspectos:


1) O modelo utilizado pela empresa o ltimo colocado no ranking de acurcia;
2) A dimenso numrica da diferena entre os valores das respectivas Estatsticas U de
Theil bastante significativa, o que indica, por sua vez, que as previses geradas pelos
diferentes modelos so bastante diferentes.
No grfico, plotado na pgina seguinte, poder-se- visualizar as diferenas entre os
dados reais e as previses proporcionadas pelo modelo vencedor ARIMA

( 0,1,1)( 0,1,1) 12 e pelo modelo atualmente utilizado Mdia Mvel de 12 meses.

67
Comparao: Dados reais X Previses

12000
10000
Passageiros

8000
6000
4000
2000
0
dez-96 abr-98 ago-99 jan-01 mai-02 out-03 f ev-05

Perodo

Dados reais ARIMA MM 12 mes es

FIGURA 26 Previses para o aeroporto de Araatuba


Por meio da anlise do grfico se pode concluir que, dada a suposio de continuidade
nos dados, existe um potencial considervel de ganho em acurcia em substituir o modelo

atual - Mdia Mvel 12 meses - pelo modelo vencedor ARIMA 0,1,1 0,1,1 ( )( ) 12 para se

gerar previses de demanda por passageiros para um horizonte de 12 meses.

Aeroporto de Assis

Analogamente ao que foi feito para o aeroporto de Araatuba segue abaixo a tabela
contendo as informaes relevantes para que o processo de escolha de modelo para o
aeroporto de Assis seja realizado.

TABELA 9: Comparao entre os diferentes modelos propostos aplicados aos dados da Figura 19
Critrios
MODELOS
E.A.M. E.Q.M. E.P.A.M. U de Theil
Suavizao Exponencial Simples

( = 0, 62)
100 17.309 15,61 0,73

Mdia Mvel 6 meses 93 13.185 15,02 0,74


Trivial 100 17.565 15,71 0,75

Mdia Mvel 12 meses * 156 32.208 24,81 1,26


ARIMA
( 2,1, 2) 201 48.110 28,76 1,55

Holt
( = 0, 62; = 0, 04) 393 176.059 60,02 3,23

Holt-Winters multiplicativo
( = 0, 45; = 0, 01; = 1, 00) 369 187.147 60,37 3,29

68
Holt-Winters aditivo
( = 0, 45; = 0, 06; = 0,87 ) 817 971.590 150,35 7,61

* Modelo utilizado pela Instituio estudada.

Tendo como base o critrio anteriormente citado utilizado para a escolha, isto , o
valor da Estatstica U de Theil, verifica-se que o modelo com maior grau de acurcia dentre os
modelos propostos o modelo S.E.S. - Estatstica U de Theil = 0,73. Paralelamente, o mtodo
preditivo utilizado pelo DAESP (Mdia Mvel 12 meses) classificou-se apenas em 4 lugar
(Estatstica U de Theil = 0,75).
No grfico, plotado abaixo, poder-se- visualizar as diferenas entre os dados reais e
as previses proporcionadas pelo modelo vencedor S.E.S. e pelo modelo atualmente
utilizado Mdia Mvel de 12 meses.

Comparao: Dados reais X Previses

6000
5000
Passageiros

4000
3000
2000
1000
0
dez-96 abr-98 ago-99 jan-01 mai-02 out-03 fev-05

Perodo

Dados reais SES MM 12 meses

FIGURA 27 Previses para o aeroporto de Assis

Por meio da anlise do grfico se pode concluir que, dada a suposio de continuidade
nos dados, existe um potencial de ganho em acurcia em substituir o modelo atual - Mdia
Mvel 12 meses - pelo modelo vencedor S.E.S. para se gerar previses de demanda por
passageiros para um horizonte de 12 meses.

69
Aeroporto de Bauru

Analogamente ao que foi feito para os aeroportos de Araatuba e Assis, segue abaixo a
tabela contendo as informaes relevantes ao processo de escolha do modelo de previso mais
acurado para o aeroporto de Bauru.

TABELA 10: Comparao entre os diferentes modelos propostos aplicados aos dados da Figura 20
Critrios
MODELOS
E.A.M. E.Q.M. E.P.A.M. U de Theil
ARIMA
( 2,1, 0)(1,1, 0) 12
1.616 3.200.786 22,02 2,13

Mdia Mvel 12 meses * 3.847 18.533.554 55,46 5,21


Holt-Winters multiplicativo
( = 0, 32; = 0, 00; = 0, 47 ) 3.750 18.683.773 53,69 5,37

Suavizao Exponencial Simples

( = 0, 72)
4.171 20.668.572 59,40 5,42

Holt-Winters aditivo
( = 0, 51; = 0, 00; = 0, 22) 3.901 19.520.911 56,05 5,44

Mdia Mvel 6 meses 4.193 21.048.164 59,82 5,49


Trivial 4.260 21.415.459 60,56 5,51
Holt
( = 0, 78; = 0, 09) 4.441 23.417.229 63,24 5,78

* Modelo utilizado pela Instituio estudada.

Ao analisar os valores apresentados pelos diferentes modelos propostos em relao

Estatstica U de Theil, percebe-se que o modelo ARIMA 2,1, 0 1,1, 0 ( )( ) 12 o mais acurado

Estatstica U de Theil = 2,13. Enquanto que, o modelo utilizado pela Instituio estudada
(Mdia Mvel de 12 meses) se classificou em 2 lugar no ranking de acurcia (Estatstica U
de Theil = 5,21).
No grfico, plotado na pgina seguinte, poder-se- visualizar as diferenas entre os
dados reais e as previses proporcionadas pelo modelo vencedor ARIMA

( 2,1, 0)(1,1, 0) 12 e pelo modelo atualmente utilizado Mdia Mvel de 12 meses.

70
Comparao: Dados reais X Previses

20000
Passageiros

15000

10000

5000

0
dez-96 abr-98 ago-99 jan-01 mai-02 out-03 f ev-05

Perodo

Dados reais ARIMA MM 12 mes es

27 Pra o aeroporto de FIGURA 28 Previses para o aeroporto de Bauru

Por meio da anlise do grfico se pode concluir que, dada a suposio de continuidade
nos dados, existe um potencial considervel de ganho em acurcia em substituir o modelo

atual - Mdia Mvel 12 meses - pelo modelo vencedor ARIMA 2,1, 0 1,1, 0 ( )( ) 12 para se

gerar previses de demanda por passageiros para um horizonte de 12 meses.

Aeroporto de Marlia

Seguindo o procedimento realizado para os outros aeroportos, segue abaixo a tabela na


qual so apresentadas as informaes relevantes ao processo de escolha do modelo mais
acurado para o aeroporto de Marlia.

TABELA 11: Comparao entre os diferentes modelos propostos aplicados aos dados da Figura 21
Critrios
MODELOS
E.A.M. E.Q.M. E.P.A.M. U de Theil
ARIMA
( 0,1,1) 1.205 1.921.339 27,82 2,00

Holt-Winters aditivo
( = 0, 35; = 0, 03; = 0, 79) 2.167 5.449.510 47,78 3,37

Holt-Winters multiplicativo
( = 0, 24; = 0, 02; = 0, 78) 2.459 6.713.081 53,66 3,68

71
Mdia Mvel 12 meses * 2.424 6.865.362 54,66 3,77

Trivial 2.508 7.207.986 56,34 3,82


Suavizao Exponencial Simples

( = 0, 47 )
2.513 7.233.056 56,44 3,82

Mdia Mvel 6 meses 2.533 7.270.756 56,75 3,82


Holt
( = 0, 48; = 0, 02) 3.273 12.228.900 73,32 4,99

* Modelo utilizado pela Instituio estudada.

Ao analisar os valores apresentados pelos diferentes modelos propostos em relao

Estatstica U de Theil, percebe-se que o modelo ARIMA ( 0,1,1) o mais acurado

Estatstica U de Theil = 2,00. Enquanto que, o modelo utilizado pela Instituio estudada
(Mdia Mvel de 12 meses) se classificou em 4 lugar no ranking de acurcia (Estatstica U
de Theil = 3,77).
No grfico, plotado abaixo, poder-se- visualizar as diferenas entre os dados reais e

as previses proporcionadas pelo modelo vencedor ARIMA ( 0,1,1) e pelo modelo

atualmente utilizado Mdia Mvel de 12 meses.

Comparao: Dados reais X Previses

10000

8000
Passageiros

6000

4000

2000

0
dez-96 abr-98 ago-99 jan-01 mai-02 out-03 f ev-05

Perodo

Dados reais ARIMA MM 12 mes es

FIGURA 29 Previses para o aeroporto de Marlia

Por meio da anlise do grfico se pode concluir que, dada a suposio de continuidade
nos dados, existe um potencial considervel de ganho em acurcia em substituir o modelo

72
atual, Mdia Mvel 12 meses, pelo modelo vencedor, ARIMA ( 0,1,1) , para se gerar

previses de demanda por passageiros para um horizonte de 12 meses.

Aeroporto de Presidente Prudente

Seguindo o procedimento realizado para os outros aeroportos segue abaixo a tabela em


que so apresentadas as informaes relevantes ao processo de escolha do modelo de previso
mais acurado para o aeroporto de Presidente Prudente.

TABELA 12: Comparao entre os diferentes modelos propostos aplicados aos dados da Figura 22
Critrios
MODELOS
E.A.M. E.Q.M. E.P.A.M. U de Theil
Holt
( = 0, 67; = 0, 06) 1.787 3.717.253 50,65 3,74

Holt-Winters aditivo
( = 0, 44; = 0, 01; = 0, 58) 1.548 3.603.143 45,55 3,88

Mdia Mvel 12 meses * 1.999 4.631.118 56,99 4,21


ARIMA
( 0,1,1) 2.049 4.915.988 58,37 4,35

Suavizao Exponencial Simples

( = 0, 60)
2.049 4.915.988 58,37 4,35

Holt-Winters multiplicativo
( = 0, 48; = 0, 00; = 0, 71) 1.790 4.652.051 52,74 4,41

Mdia Mvel 6 meses 2.122 5.456.706 60,80 4,61


Trivial 2.199 5.608.523 62,63 4,65
* Modelo utilizado pela Instituio estudada.

Ao analisar os valores apresentados pelos diferentes modelos propostos em


relao Estatstica U de Theil, percebe-se que o modelo Holt o mais acurado Estatstica
U de Theil = 3,74. Enquanto que, o modelo utilizado pela Instituio estudada (Mdia Mvel
de 12 meses) se classificou em 3 lugar no ranking de acurcia (Estatstica U de Theil = 4,21).
No grfico, plotado na pgina seguinte, poder-se- visualizar as diferenas entre os
dados reais e as previses proporcionadas pelo modelo vencedor Holt e pelo modelo
atualmente utilizado Mdia Mvel de 12 meses.

73
Comparao: Dados reais X Previses

12000
10000
Passageiros

8000
6000
4000
2000
0
dez-96 abr-98 ago-99 jan-01 mai-02 out-03 f ev-05

Perodos

Dados reais HOLT MM 12 meses

FIGURA 30 Previses para o aeroporto de Presidente Prudente

Por meio da anlise do grfico se pode concluir que, dada a suposio de


continuidade nos dados, existe um potencial de ganho em acurcia em substituir o modelo
atual, Mdia Mvel 12 meses, pelo modelo vencedor, Holt, para se gerar previses de
demanda por passageiros para um horizonte de 12 meses.

Aeroporto de Ribeiro Preto

Seguindo o procedimento realizado para os outros aeroportos, segue abaixo a tabela


em que so apresentadas as informaes relevantes ao processo de escolha do modelo mais
acurado para o aeroporto de Ribeiro Preto.

TABELA 13: Comparao entre os diferentes modelos propostos aplicados aos dados da Figura 23
Critrios
MODELOS
E.A.M. E.Q.M. E.P.A.M. U de Theil
ARIMA
( 0,1,1)(1,1, 0) 12
6.364 51.287.103 23,28 1,52

Holt
( = 0, 66; = 0, 22) 16.781 307.495.782 61,35 3,94

Trivial 17.886 350.228.277 65,42 4,23

74
Mdia Mvel 12 meses * 18.178 354.999.313 66,12 4,23

Mdia Mvel 6 meses 17.899 351.167.511 65,49 4,23


Suavizao Exponencial Simples

( = 0, 50)
17.971 353.292.010 65,72 4,24

Holt-Winters multiplicativo
( = 0, 68; = 0, 00; = 1, 00) 19.155 400.426.795 69,20 4,45

Holt-Winters aditivo
( = 0, 64; = 0, 00; = 1, 00) 18.792 392.894.975 68,39 4,48

* Modelo utilizado pela Instituio estudada

Ao analisar os valores apresentados pelos diferentes modelos propostos em relao

Estatstica U de Theil, percebe-se que o modelo ARIMA 0,1,1 1,1, 0 ( )( ) 12 o mais acurado

Estatstica U de Theil = 1,52. Enquanto que, o modelo utilizado pela Instituio estudada
(Mdia Mvel de 12 meses) se classificou em 4 lugar no ranking de acurcia (Estatstica U
de Theil = 4,23).
No grfico, plotado abaixo, poder-se- visualizar as diferenas entre os dados reais e

as previses proporcionadas pelo modelo vencedor ARIMA ( 0,1,1)(1,1, 0) 12 e pelo

modelo atualmente utilizado Mdia Mvel de 12 meses.

Comparao: Dados reais X Previses

80000
70000
Passageiros

60000
50000
40000
30000
20000
10000
0
dez-96 abr-98 ago-99 jan-01 mai-02 out-03 f ev-05

Perodo

Dados reais ARIMA MM 12 meses

FIGURA 31 Previses para o aeroporto de Ribeiro Preto

Por meio da anlise do grfico se pode concluir que, dada a suposio de continuidade
nos dados, existe um potencial considervel de ganho em acurcia em substituir o modelo
75
atual, Mdia Mvel 12 meses, pelo modelo vencedor, ARIMA ( 0,1,1)(1,1, 0) 12 , para se

gerar previses de demanda por passageiros para um horizonte de 12 meses.

Aeroporto de So Jos do Rio Preto

Seguindo o procedimento realizado para os outros aeroportos, segue abaixo a tabela na


qual so apresentadas as informaes relevantes ao processo de escolha do modelo mais
acurado para o aeroporto de So Jos do Rio Preto.

TABELA 14: Comparao entre os diferentes modelos propostos aplicados aos dados da Figura 24
Critrios
MODELOS
E.A.M. E.Q.M. E.P.A.M. U de Theil
ARIMA
( 0,1,1)(1,1, 0) 12
3.713 16.940.377 19,00 2,24

Holt-Winters multiplicativo
( = 0, 67; = 0, 00; = 1, 00) 6.458 44.759.395 32,49 3,53

Trivial 6.639 48.102.146 34,08 3,65


Mdia Mvel 6 meses 7.664 62.008.695 38,92 4,01
Holt-Winters aditivo
( = 0, 62; = 0, 00; = 1, 00) 7.841 67.296.246 39,80 4,40

Mdia Mvel 12 meses * 8.147 72.284.216 41,74 4,51


Suavizao Exponencial Simples

( = 0, 42)
8.560 77.309.879 43,67 4,58

Holt
( = 0, 48; = 0,15) 9.488 94.969.206 48,38 5,09

* Modelo utilizado pela Instituio estudada

Ao analisar os valores apresentados pelos diferentes modelos propostos em relao

(
Estatstica U de Theil, percebe-se que o modelo ARIMA 0,1,1 1,1, 0 )( ) 12 o mais acurado

Estatstica U de Theil = 2,24. Enquanto que, o modelo utilizado pela Instituio estudada
(Mdia Mvel de 12 meses) se classificou em 6 lugar no ranking de acurcia (Estatstica U
de Theil = 4,51).

76
No grfico, plotado abaixo, poder-se- visualizar as diferenas entre os dados reais e

as previses proporcionadas pelo modelo vencedor ARIMA ( 0,1,1)(1,1, 0) 12 e pelo

modelo atualmente utilizado Mdia Mvel de 12 meses.

Comparao: Dados reais X Previses

40000
35000
Passageiros

30000
25000
20000
15000
10000
5000
0
dez-96 abr-98 ago-99 jan-01 mai-02 out-03 f ev-05

Perodo

Dados reais ARIMA MM 12 meses

FIGURA 32 Previses para o aeroporto de So Jos do Rio Preto

Por meio da anlise do grfico se pode concluir que, dada a suposio de continuidade
nos dados, existe um potencial considervel de ganho em acurcia em substituir o modelo

atual, Mdia Mvel 12 meses, pelo modelo vencedor, ARIMA ( 0,1,1)(1,1, 0) 12 , para se

gerar previses de demanda por passageiros para um horizonte de 12 meses.

Aeroporto de Sorocaba

Seguindo o procedimento realizado para os outros aeroportos, segue abaixo a tabela


em que so apresentadas as informaes relevantes para o processo de escolha do modelo
mais acurado para o aeroporto de Sorocaba.

TABELA 15: Comparao entre os diferentes modelos propostos aplicados aos dados da Figura 25

Critrios
MODELOS
E.A.M. E.Q.M. E.P.A.M. U de Theil
Holt-Winters aditivo
( = 0,13; = 0, 03; = 0,80) 1.043 1.857.149 32,22 1,98

77
Holt
( = 0, 54; = 0, 02) 1.224 1.730.750 38,65 2,06

Trivial 1.358 2.158.855 43,19 2,33


Holt-Winters multiplicativo
( = 0, 05; = 0,12; = 0, 67 ) 1.264 2.688.221 40,14 2,43

Mdia Mvel 6 meses 1.660 3.070.555 51,60 2,64


ARIMA
(1, 0,1)(1,1, 0) 12
1.734 3.537.379 54,59 2,90

Suavizao Exponencial Simples

( = 0, 47 )
1.829 3.658.725 57,26 3,00

Mdia Mvel 12 meses * 1.835 3.802.057 57,40 3,06


* Modelo utilizado pela Instituio estudada

Ao analisar os valores apresentados pelos diferentes modelos propostos em relao


Estatstica U de Theil, percebe-se que o modelo de Holt-Winters Aditivo o mais acurado
Estatstica U de Theil = 1,98. Enquanto que, o modelo utilizado pela Instituio estudada
(Mdia Mvel de 12 meses) se classificou em ltimo lugar no ranking de acurcia (Estatstica
U de Theil = 3,06).
No grfico, plotado abaixo, poder-se- visualizar as diferenas entre os dados reais e
as previses proporcionadas pelo modelo vencedor Holt-Winters Aditivo e pelo modelo
atualmente utilizado Mdia Mvel de 12 meses.

Comparao: Dados reais X Previses

12000
10000
Passageiros

8000
6000
4000
2000
0
dez-96 abr-98 ago-99 jan-01 mai-02 out-03 f ev-05

Perodo

Dados reais HW-Aditivo MM 12 mes es

FIGURA 33 Previses para o aeroporto de Sorocaba

78
Por meio da anlise do grfico se pode concluir que, dada a suposio de continuidade
nos dados, existe um potencial considervel de ganho em acurcia em substituir o modelo
atual, Mdia Mvel 12 meses, pelo modelo vencedor, Holt-Winters Aditivo, para se gerar
previses de demanda por passageiros para um horizonte de 12 meses.

4.4 Resumo dos Resultados

A tabela abaixo resume, para cada um dos oito aeroportos estudados, os modelos
atualmente utilizados e os modelos dentre os propostos, que apresentaram maior grau de
acurcia de acordo com a estratgia utilizada para avaliao e seleo dos modelos (Estatstica
U de Theil para os dados do conjunto teste).

TABELA 16: Resumo dos resultados alcanados


Modelo mais acurado para
Aeroporto Modelo utilizado
horizonte de 12 meses
Araatuba Mdia Mvel 12 meses ARIMA 0,1,1 0,1,1 ( )( ) 12

Assis Mdia Mvel 12 meses Suavizao Simples

Bauru ( )(
Mdia Mvel 12 meses ARIMA 2,1, 0 1,1, 0 ) 12

Marlia Mdia Mvel 12 meses ARIMA ( 0,1,1)

Presidente Prudente Mdia Mvel 12 meses Holt

Ribeiro Preto ( )( )
Mdia Mvel 12 meses ARIMA 0,1,1 1,1, 0 12

So Jos do Rio Preto Mdia Mvel 12 meses ARIMA ( 0,1,1)(1,1, 0 ) 12

Sorocaba Mdia Mvel 12 meses Holt-Winters aditivo

O que pode claramente ser percebido ao se analisar a tabela mostrada o desempenho


superior das metodologias propostas em relao metodologia atualmente utilizada pela
Instituio estudada para prognosticar a demanda num horizonte de 12 meses frente.
Isto uma indicao para o DAESP que por meio da utilizao de modelos de sries
temporais, como os aqui propostos, os quais apresentam como vantagem a flexibilidade na
sua utilizao, possvel a obteno de melhorias na qualidade das previses elaboradas que,
posteriormente, sero utilizadas no processo de planejamento.

79
CAPTULO 5

5.1 Concluses

O objetivo principal deste trabalho foi aplicar as metodologias de Box-Jenkins e


Suavizao Exponencial na previso de sries temporais, mais precisamente, das sries de
demanda dos aeroportos com trfego areo regular administrados pelo Departamento
Aerovirio do Estado de So Paulo (DAESP).
A principal motivao para o uso de tais modelos na previso destas sries foi buscar,
de uma forma que independesse da obteno de dados externos, melhores resultados que os
apresentados pela metodologia atualmente utilizada pela Instituio estudada (Mdia Mvel
de 12 meses), que pela sua prpria estrutura de clculo no captura padres como
sazonalidade e tendncia, padres estes, por sua vez, bastante comuns a este tipo de srie.
A no-incluso dos modelos economtricos de regresso nesta dissertao, que,
tradicionalmente, a metodologia mais utilizada para estudos desta natureza, se deu com base
em duas razes.
A primeira delas decorrente do fato de no ter sido encontrado nenhum material
bibliogrfico, de acesso pblico, que retratasse, de forma realista e atual, as reas geogrficas
que sofrem influncia econmica dos municpios paulistas com aeroportos com trfego
regular de passageiros. Uma vez que um documento desta natureza estivesse a disposio
seria, ento, possvel a identificao dos fatores econmicos relacionados com o desempenho
econmico da regio os quais, posteriormente, poderiam ser utilizados como variveis
explicativas em um possvel modelo.
O IBGE publica um estudo desta natureza (Regies de influncia das cidades), o qual
poderia ser utilizado neste sentido, porm, durante um encontro realizado em 28/11/2004 com
o Superintendente do DAESP Dr. Jos Mauro Garcia declarou no achar vlido a utilizao
deste estudo para o processo de identificao de possveis variveis explicativas para os
aeroportos do interior paulista. Segundo o Dr. Mauro, considerando o ambiente econmico

80
peculiar no qual o interior paulista est inserido e isto, automaticamente, inclui os aeroportos
estudados acaba por derivar demandas com um comportamento bastante particular. Sendo
assim, na viso desta autoridade, uma estratgia vlida na tentativa de identificar os fatores,
realmente, determinantes demanda por transporte areo nestes aeroportos, os quais poderiam
se transformar em variveis explicativas, seria por meio de pesquisas individualizadas onde ao
passageiro usurio do aeroporto seria solicitado: as cidades origem-destino da viagem, a
freqncia com que viaja e o setor econmico no qual desenvolve suas atividades.
Consequentemente, s a partir da realizao de uma pesquisa desta natureza, seria possvel,
ento, a identificao das variveis explicativas e a correta utilizao de modelos
economtricos de regresso para prognosticar a demanda dos aeroportos administrados pelo
DAESP.
A segunda razo resulta da hiptese que a demanda por transporte areo dos
respectivos aeroportos seria determinada por variveis scio-econmicas de mbito local. No
entanto, em uma pesquisa realizada junto Fundao SEADE (www.seade.com.br) verificou-
se que as variveis tradicionalmente citadas na literatura como fatores determinantes para a
demanda por transporte areo: Renda (proxy: Renda per Capita) e Consumo (proxy: consumo
de energia eltrica) estavam disponveis somente em base anual. Dessa forma, a base de dados
que inicialmente somava 80 observaes seria reduzida para apenas seis. O que alm de no
propiciar a calibrao de regresses confiveis (do ponto de vista amostral) tambm no
possibilitaria o uso de metodologias inicialmente planejadas: Box-Jenkins (necessita de, no
mnimo, 50 observaes) e Suavizao Exponencial (necessita de ciclos sazonais completos).
Todas estas consideraes foram ponderadas e analisadas em relao proposta inicial
de estudo e decidiu-se, ento, pela no-incluso da referida metodologia no mbito deste
trabalho, mesmo sabendo de sua utilidade em estudos desta natureza.
Os resultados obtidos, mediante o critrio de deciso assumido (Estatstica U de
Theil), demonstraram a superioridade dos mtodos escolhidos em relao ao mtodo
atualmente utilizado, gerando previses mais acuradas para 8 (oito) dos 8 (oito) aeroportos
analisados. Este fato indica que qualquer um dos modelos estudados, uma vez utilizados,
poderia melhorar a qualidade das previses utilizadas.
Obviamente, no h um mtodo nico para se prognosticar a demanda por transporte
areo. Assim sendo, os diferentes mtodos pesquisados tendem a trabalhar melhor
dependendo das caractersticas (natureza) da demanda que se pretende prever.
Este breve estudo sobre a aplicao de modelos de sries temporais na previso de
demanda por transporte areo demonstra o fato de que a previso um campo amplo e

81
inspito da economia. As idiossincrasias e particularidades econmicas e operacionais de
cada aeroporto no podem ser representadas, de forma completa, em um simples estudo. Para
aqueles que lidam com transporte areo, o tpico de uma importncia crescente,
especialmente se contextualizado no mbito estratgico das empresas que dele fazem parte.

5.2 Extenses

Conforme j mencionado anteriormente, este trabalho no pretende esgotar o tema


relativo previso de demanda para os aeroportos estudados, nem mesmo inferir que os
mtodos aqui abordados sejam definitivamente a melhor alternativa para o DAESP em termos
de metodologia de previso. O intuito principal desta dissertao foi demonstrar que, por meio
da utilizao de modelos temporais, os quais apresentam como principal vantagem a
flexibilidade de utilizao, possvel melhorar a qualidade das previses que atualmente so
elaboradas e que, posteriormente, sero utilizadas para fins de planejamento.

Dentro deste contexto, abaixo, sugerida uma possvel extenso deste trabalho:

Mensurao e comparao do nvel de acurcia proporcionada pela utilizao de outros


modelos como, por exemplo, Redes Neurais Artificiais, para o mesmo conjunto de dados.

82
REFERNCIAS BIBLIOGRFICAS

ALTABET, R. The forecaster as a key member of the strategic planning team. The Journal of
Business Forecasting Methods & Systems, v. 17, n. 3, p. 3-6, Fall 1998.

ARMSTRONG, J. S. (1999). Principles of forecasting: a handbook for researchers and


practitioners, Kluwer, Philadelphia.

BOX, G. & LUCEO, A. (1997). Statistical control by monitoring and feedback adjustment,
John Wiley, New York.

BOX, G. E. P., JENKINS, G. M. & REINSEL, G. C. (1994). Time series analysis


forecasting and control, 3 ed., Prentice Hall, New Jersey.

BROWN, R. G. Exponential smoothing for predicting demand, presented at the tenth


national meeting of the Operations Research Society of America, San Francisco, 16
November 1956.

ELSAYED, E. A. & BOUCHER, T. O. (1994). Analysis and control of production systems, 2


ed., Prentice Hall, New Jersey.

FINDLEY, D. F., MONSELL, B. C., BELL, W. R., et al. New capabilities and methods of
the X-12 ARIMA seasonal adjustment program. Journal of Business & Economic
Statistics. Alexandria, v. 16, n. 2, p. 127-177, apr. 1998.

FULLER, W. A. (1996). Introduction to statistical time series, 2 ed., John Wiley, New
York.

GARDNER, E. S. Exponential smoothing: the state of the art, Journal of Forecasting, 4, 1


28, 1985.

HILL, T. (1994). Manufacturing strategy: text and cases, 2 ed., Irwin Boston, MA.

HOLT, C. C. Forecasting seasonal and trends by exponentially weighted moving averages,


Office of Naval Research, Research Memorandum No. 52, 1957.

LEDOLTER, J. and B. ABRAHAM. Some comments on the initialization of exponential


smoothing, Journal of Forecasting, 3, 79 84, 1984.

KAHN, K. B. Benchmarking sales forecasting performance measures. The Journal of


Business Forecasting Methods & Systems, v. 17, n. 4, p. 19-23, Winter 1998/1999.

83
KRAJEWSKI, L. J. & RITZMAN, L. P. (1999). Operations management, strategy and
analysis, 5 Ed., Addison-Wesley, Reading, MA.

MAGEE, J. F. Production planning and inventory control, New York: McGraw-Hill, 1958.

MAKRIDAKIS, S., ANDERSEN, A., CARBONE, R., et al. The accuracy of extrapolation
(time-series) methods results of a forecasting competition. Journal of Forecasting, v. 1,
n. 2, p. 111-153, mar. 1982.

MAKRIDAKIS, S. & HIBON, M. ARMA models and Box-Jenkins methodology. Journal of


Forecasting, v. 16, n. 3, p. 147 163, may 1997.

MAKRIDAKIS, S., WHEELWRIGHT, S. C. & HYNDMAN, R. J. (1998). Forecasting


Methods and applications, 3 ed., John Wiley, New York.

MENTZER, J. T. & BIENSTOCK, C. C. (1998). Sales Forecasting Management, Sage,


California.

MENTZER, J. T. & COX Jr., J. E. Familiarity, application, and performance of sales


forecasting techniques. Journal of Forecasting, v. 3, n. 1, p. 27-37, jan. 1997.

MONTGOMERY, D. C., JONHSON, L. A. & GARDINER, J. S. (1990). Forecasting and


time series analysis, 2 ed., McGraw-Hill, Inc., New York.

MORETTIN, P. A. & TOLOI, C. M. C. (1987). Previses de sries temporais, 2 ed., Atual,


So Paulo.

ROSS, S. M. (1993). Introduction to probability models, 5 ed., Academic Press, San Diego.

SANDERS, N. R. & MANRODT, K. B. Forecasting practices in US corporations: survey


results. Interfaces, v. 24, n. 2, p. 92 101, mar. 1994.

SEBER, G. A. F. (1977). Linear Regression Analysis, John Wiley, New York.

SHUMWAY, R. H. (1988). Applied statistical time series analysis, Prentice Hall, New
Jersey.

TOMPKINS, J. A., BOZER, Y. A., FRAZELLE, E., et al. (1996). Facilities planning, 2 ed.,
John Wiley, New York.

TUBINO, Dlvio F. (2000). Manual de Planejamento e Controle da Produo, 2 ed., Ed.


Atlas, So Paulo.

WINSTON, W. L. (1994). Operations Research applications and algorithms, 3 ed.,


Duxbury Press, Belmont, CA.

WINTERS, P. R. Forecasting sales by exponentially weighted moving averages, Management


Science, 6, 324 342, 1960.

84
ZHOU, W. Integration of different forecasting models. The Journal of Business Forecasting
Methods & Systems, v. 18, n. 3, p. 26 29, Fall 1999.

85
ANEXO

Este anexo contm as sries completas (conjunto inicializao + conjunto teste)


referente s demandas mensais dos aeroportos que fazem parte do estudo de caso, bem como
as previses (para o conjunto teste) geradas por intermdio da utilizao dos modelos
propostos. Estas demandas representam a mtrica passageiros regulares transportados
(embarcados + desembarcados), em unidades.

A-1
TABELA A.1. Demanda doy aeroporto de Araatuba
Perodo (t) zt Perodo (t) zt Perodo (t) zt Perodo (t) zt
Jan/97 4587 Set/98 8753 Mai/00 8341 Jan/02 8356
Fev/97 4856 Out/98 7812 Jun/00 8270 Fev/02 6571
Mar/97 5898 Nov/98 8498 Jul/00 10354 Mar/02 7419
Abr/97 5666 Dez/98 8141 Ago/00 8108 Abr/02 7445
Mai/97 5040 Jan/99 8010 Set/00 7936 Mai/02 8194
Jun/97 5627 Fev/99 6247 Out/00 7956 Jun/02 7706
Jul/97 6702 Mar/99 7480 Nov/00 9251 Jul/02 8462
Ago/97 6453 Abr/99 6724 Dez/00 9447 Ago/02 5433
Set/97 6037 Mai/99 7207 Jan/01 8860 Set/02 3431
Out/97 6736 Jun/99 6438 Fev/01 6472 Out/02 3268
Nov/97 6421 Jul/99 8339 Mar/01 8321 Nov/02 3086
Dez/97 6004 Ago/99 7025 Abr/01 8399 Dez/02 2643
Jan/98 6670 Set/99 6698 Mai/01 8194 Jan/03 2063
Fev/98 5711 Out/99 7222 Jun/01 7996 Fev/03 2748
Mar/98 7088 Nov/99 7523 Jul/01 10980 Mar/03 2593
Abr/98 6382 Dez/99 7430 Ago/01 9289 Abr/03 2989
Mai/98 6382 Jan/00 7681 Set/01 9591 Mai/03 2733
Jun/98 5886 Fev/00 7406 Out/01 9545 Jun/03 2752
Jul/98 7876 Mar/00 7815 Nov/01 7541 Jul/03 3052
Ago/98 7303 Abr/00 7864 Dez/01 9282 Ago/03 2982

TABELA A.2. Previses para a demanda do aeroporto de Araatuba


Perodo zt MM 6 MM 12 Trivial SES Holt HWM HWA BJ
Set-02 3431 7443 7962 5433 7054 6910 6791 6563 5513
Out-02 3268 7448 7814 5433 7054 6807 7015 6762 5608
Nov-02 3086 7449 7641 5433 7054 6703 6856 6598 4407
Dez-02 2643 7200 7652 5433 7054 6599 7720 7498 5179
Jan-03 2063 6948 7448 5433 7054 6495 6941 6566 4932
Fev-03 2748 5433 7319 5433 7054 6391 5490 4903 4662
Mar-03 2593 5433 7443 5433 7054 6287 6482 6144 4675
Abr-03 2989 5433 7448 5433 7054 6184 6468 6131 4711
Mai-03 2733 5433 7449 5433 7054 6080 6646 6330 5146
Jun-03 2752 5433 7200 5433 7054 5976 6235 5823 4988
Jul-03 3052 5433 6948 5433 7054 5872 7599 7495 4864
Ago-03 2982 5433 5433 5433 7054 5768 5951 5607 3666

A-2
TABELA A.3. Demanda do aeroporto de Assis
Perodo (t) zt Perodo (t) zt Perodo (t) zt Perodo (t) zt
Jan/97 687 Set/98 4564 Mai/00 2457 Jan/02 1012
Fev/97 815 Out/98 4949 Jun/00 2653 Fev/02 1139
Mar/97 931 Nov/98 5472 Jul/00 3466 Mar/02 1222
Abr/97 1057 Dez/98 4764 Ago/00 2822 Abr/02 907
Mai/97 1107 Jan/99 5614 Set/00 2565 Mai/02 727
Jun/97 4686 Fev/99 4286 Out/00 2648 Jun/02 635
Jul/97 1569 Mar/99 4124 Nov/00 2669 Jul/02 690
Ago/97 1457 Abr/99 4466 Dez/00 3146 Ago/02 710
Set/97 1481 Mai/99 4403 Jan/01 2231 Set/02 996
Out/97 1553 Jun/99 5164 Fev/01 2461 Out/02 791
Nov/97 1596 Jul/99 4188 Mar/01 2344 Nov/02 729
Dez/97 1366 Ago/99 4081 Abr/01 2334 Dez/02 722
Jan/98 857 Set/99 3010 Mai/01 2253 Jan/03 552
Fev/98 1585 Out/99 4048 Jun/01 1467 Fev/03 640
Mar/98 2413 Nov/99 4188 Jul/01 2736 Mar/03 635
Abr/98 2040 Dez/99 3109 Ago/01 2192 Abr/03 716
Mai/98 2040 Jan/00 2738 Set/01 2114 Mai/03 636
Jun/98 3507 Fev/00 2457 Out/01 1319 Jun/03 502
Jul/98 5499 Mar/00 2371 Nov/01 1169 Jul/03 730
Ago/98 5376 Abr/00 2776 Dez/01 1220 Ago/03 517

TABELA A.4. Previses para a demanda do aeroporto de Assis


Perodo zt MM 6 MM 12 Trivial SES Holt HWM HWA BJ
Set-02 996 815 1072 710 705 608 927 605 728
Out-02 791 734 977 710 705 550 769 247 610
Nov-02 729 691 943 710 705 491 890 347 465
Dez-02 722 678 918 710 705 433 1116 339 373
Jan-03 552 700 880 710 705 375 997 -221 358
Fev-03 640 710 861 710 705 317 1130 -411 396
Mar-03 635 710 815 710 705 258 1158 -662 449
Abr-03 716 710 734 710 705 200 979 -954 485
Mai-03 636 710 691 710 705 142 921 -1144 494
Jun-03 502 710 678 710 705 83 879 -1144 482
Jul-03 730 710 700 710 705 25 1229 -402 463
Ago-03 517 710 710 710 705 -33 1416 -322 449

A-3
TABELA A.5. Demanda do aeroporto de Bauru
Perodo (t) zt Perodo (t) zt Perodo (t) zt Perodo (t) zt
Jan/97 2514 Set/98 6118 Mai/00 12071 Jan/02 10017
Fev/97 3531 Out/98 6298 Jun/00 11825 Fev/02 8269
Mar/97 4612 Nov/98 6379 Jul/00 12762 Mar/02 11935
Abr/97 4784 Dez/98 5694 Ago/00 11028 Abr/02 12223
Mai/97 5468 Jan/99 5580 Set/00 11700 Mai/02 11927
Jun/97 4522 Fev/99 5807 Out/00 12307 Jun/02 12379
Jul/97 5117 Mar/99 8542 Nov/00 11372 Jul/02 11831
Ago/97 5696 Abr/99 8180 Dez/00 11896 Ago/02 12267
Set/97 5007 Mai/99 9623 Jan/01 10897 Set/02 10816
Out/97 5675 Jun/99 8374 Fev/01 9804 Out/02 10991
Nov/97 4736 Jul/99 10014 Mar/01 12179 Nov/02 10644
Dez/97 4556 Ago/99 9748 Abr/01 13063 Dez/02 8671
Jan/98 3871 Set/99 8841 Mai/01 13485 Jan/03 6844
Fev/98 3706 Out/99 9028 Jun/01 10566 Fev/03 6625
Mar/98 5331 Nov/99 9426 Jul/01 16274 Mar/03 7204
Abr/98 5259 Dez/99 9528 Ago/01 15920 Abr/03 8479
Mai/98 5259 Jan/00 8277 Set/01 14261 Mai/03 7416
Jun/98 5528 Fev/00 8969 Out/01 14566 Jun/03 6102
Jul/98 5720 Mar/00 10679 Nov/01 13123 Jul/03 6179
Ago/98 6867 Abr/00 10901 Dez/01 10957 Ago/03 6114

TABELA A.6. Previses para a demanda do aeroporto de Bauru


Perodo zt MM 6 MM 12 Trivial SES Holt HWM HWA BJ
Set-02 10816 12094 11980 12267 12178 12237 12033 11737 11243
Out-02 10991 12125 11772 12267 12178 12276 12655 12357 9845
Nov-02 10644 12101 11493 12267 12178 12314 11816 11679 9239
Dez-02 8671 12159 11312 12267 12178 12352 11094 11394 7492
Jan-03 6844 12049 11356 12267 12178 12391 9454 10013 6190
Fev-03 6625 12267 11547 12267 12178 12429 8743 10240 5049
Mar-03 7204 12267 12094 12267 12178 12467 11791 12190 6122
Abr-03 8479 12267 12125 12267 12178 12506 12084 12274 5640
Mai-03 7416 12267 12101 12267 12178 12544 12653 12816 5015
Jun-03 6102 12267 12159 12267 12178 12582 11829 11991 4579
Jul-03 6179 12267 12049 12267 12178 12621 13395 13058 3741
Ago-03 6114 12267 12267 12267 12178 12659 13535 13152 3397

A-4
TABELA A.7. Demanda do aeroporto de Marlia
Perodo (t) zt Perodo (t) zt Perodo (t) zt Perodo (t) zt
Jan/97 2562 Set/98 3786 Mai/00 7200 Jan/02 6373
Fev/97 2737 Out/98 3882 Jun/00 3516 Fev/02 5308
Mar/97 3381 Nov/98 3501 Jul/00 7456 Mar/02 7122
Abr/97 4090 Dez/98 3616 Ago/00 7220 Abr/02 8320
Mai/97 3686 Jan/99 4034 Set/00 6782 Mai/02 7500
Jun/97 4078 Fev/99 4155 Out/00 6674 Jun/02 7381
Jul/97 6997 Mar/99 5380 Nov/00 7227 Jul/02 7464
Ago/97 3597 Abr/99 5275 Dez/00 7062 Ago/02 7434
Set/97 4378 Mai/99 5477 Jan/01 6306 Set/02 6646
Out/97 3811 Jun/99 5305 Fev/01 5268 Out/02 6207
Nov/97 3397 Jul/99 5817 Mar/01 6727 Nov/02 6152
Dez/97 2914 Ago/99 6292 Abr/01 7477 Dez/02 5264
Jan/98 2611 Set/99 6234 Mai/01 7282 Jan/03 4253
Fev/98 2374 Out/99 5646 Jun/01 6514 Fev/03 3846
Mar/98 2996 Nov/99 5116 Jul/01 7874 Mar/03 3971
Abr/98 2859 Dez/99 5012 Ago/01 8888 Abr/03 5632
Mai/98 2859 Jan/00 4672 Set/01 7717 Mai/03 4580
Jun/98 3125 Fev/00 5777 Out/01 8216 Jun/03 4105
Jul/98 3268 Mar/00 6138 Nov/01 7634 Jul/03 4170
Ago/98 3710 Abr/00 6463 Dez/01 7430 Ago/03 4287

TABELA A.8. Previses para a demanda do aeroporto de Marlia


Perodo zt MM 6 MM 12 Trivial SES Holt HWM HWA BJ
Set-02 6646 7537 7325 7434 7439 7652 7730 7418 5928
Out-02 6207 7620 7289 7434 7439 7752 7999 7621 5928
Nov-02 6152 7445 7197 7434 7439 7851 7619 7220 5928
Dez-02 5264 7426 7148 7434 7439 7951 7365 6962 5928
Jan-03 4253 7449 7113 7434 7439 8050 6415 6084 5928
Fev-03 3846 7434 7218 7434 7439 8150 5602 5456 5928
Mar-03 3971 7434 7537 7434 7439 8249 7383 7156 5928
Abr-03 5632 7434 7620 7434 7439 8348 8334 7968 5928
Mai-03 4580 7434 7445 7434 7439 8448 7711 7346 5928
Jun-03 4105 7434 7426 7434 7439 8547 6910 6630 5928
Jul-03 4170 7434 7449 7434 7439 8647 7596 7402 5928
Ago-03 4287 7434 7434 7434 7439 8746 7960 7859 5928

A-5
TABELA A.9. Demanda do aeroporto de Presidente Prudente
Perodo (t) zt Perodo (t) zt Perodo (t) zt Perodo (t) zt
Jan/97 4936 Set/98 9228 Mai/00 6576 Jan/02 7444
Fev/97 5334 Out/98 9307 Jun/00 6332 Fev/02 5898
Mar/97 6591 Nov/98 7751 Jul/00 7319 Mar/02 5659
Abr/97 6304 Dez/98 7901 Ago/00 7423 Abr/02 5727
Mai/97 6320 Jan/99 7210 Set/00 8245 Mai/02 5932
Jun/97 6206 Fev/99 6498 Out/00 6554 Jun/02 5180
Jul/97 6404 Mar/99 6665 Nov/00 6244 Jul/02 5840
Ago/97 7080 Abr/99 6609 Dez/00 10280 Ago/02 6143
Set/97 7267 Mai/99 6865 Jan/01 6049 Set/02 7214
Out/97 6256 Jun/99 6402 Fev/01 5622 Out/02 5072
Nov/97 6366 Jul/99 7494 Mar/01 6464 Nov/02 5567
Dez/97 4707 Ago/99 6417 Abr/01 7156 Dez/02 4625
Jan/98 4487 Set/99 7342 Mai/01 7458 Jan/03 3534
Fev/98 4116 Out/99 6568 Jun/01 6860 Fev/03 3905
Mar/98 6142 Nov/99 6183 Jul/01 8974 Mar/03 3962
Abr/98 6411 Dez/99 6265 Ago/01 8671 Abr/03 3040
Mai/98 6411 Jan/00 6554 Set/01 8831 Mai/03 2978
Jun/98 6531 Fev/00 5977 Out/01 7956 Jun/03 3057
Jul/98 7288 Mar/00 6976 Nov/01 6945 Jul/03 3320
Ago/98 8153 Abr/00 7089 Dez/01 7407 Ago/03 3200

TABELA A.10. Previses para a demanda do aeroporto de Presidente Prudente


Perodo zt MM 6 MM 12 Trivial SES Holt HWM HWA BJ
Set-02 7214 5747 6580 6143 5964 5920 6723 6777 5964
Out-02 5072 5764 6376 6143 5964 5879 6011 5850 5964
Nov-02 5567 5774 6218 6143 5964 5838 5593 5309 5964
Dez-02 4625 5721 6137 6143 5964 5797 6249 6196 5964
Jan-03 3534 5992 5978 6143 5964 5755 5159 4828 5964
Fev-03 3905 6143 5768 6143 5964 5714 4407 3913 5964
Mar-03 3962 6143 5747 6143 5964 5673 4948 4678 5964
Abr-03 3040 6143 5764 6143 5964 5632 5508 5253 5964
Mai-03 2978 6143 5774 6143 5964 5591 5899 5575 5964
Jun-03 3057 6143 5721 6143 5964 5550 5596 5234 5964
Jul-03 3320 6143 5992 6143 5964 5509 6825 6463 5964
Ago-03 3200 6143 6143 6143 5964 5468 7053 6585 5964

A-6
TABELA A.11. Demanda do aeroporto de Ribeiro Preto
Perodo (t) zt Perodo (t) zt Perodo (t) zt Perodo (t) zt
Jan/97 34328 Set/98 40451 Mai/00 52173 Jan/02 52055
Fev/97 28050 Out/98 42475 Jun/00 46459 Fev/02 42257
Mar/97 33124 Nov/98 42250 Jul/00 54752 Mar/02 47520
Abr/97 30223 Dez/98 43249 Ago/00 48486 Abr/02 47974
Mai/97 27818 Jan/99 42643 Set/00 47308 Mai/02 48152
Jun/97 33833 Fev/99 32654 Out/00 54050 Jun/02 45364
Jul/97 31811 Mar/99 39161 Nov/00 49634 Jul/02 49070
Ago/97 33369 Abr/99 36894 Dez/00 55128 Ago/02 47690
Set/97 32782 Mai/99 35427 Jan/01 51672 Set/02 41142
Out/97 36797 Jun/99 31687 Fev/01 44147 Out/02 36630
Nov/97 36359 Jul/99 44093 Mar/01 49100 Nov/02 36303
Dez/97 34742 Ago/99 41462 Abr/01 51151 Dez/02 31493
Jan/98 35880 Set/99 41136 Mai/01 53360 Jan/03 29329
Fev/98 29231 Out/99 47969 Jun/01 49400 Fev/03 26497
Mar/98 30868 Nov/99 45639 Jul/01 67608 Mar/03 26974
Abr/98 28401 Dez/99 45562 Ago/01 58925 Abr/03 20438
Mai/98 28401 Jan/00 49712 Set/01 52979 Mai/03 29074
Jun/98 27205 Fev/00 42657 Out/01 56065 Jun/03 24878
Jul/98 38793 Mar/00 47247 Nov/01 50125 Jul/03 26822
Ago/98 43299 Abr/00 47893 Dez/01 53795 Ago/03 28068

TABELA A.12. Previses para a demanda do aeroporto de Ribeiro Preto


Perodo zt MM 6 MM 12 Trivial SES Holt HWM HWA BJ
Set-02 41142 47628 49421 47690 47775 47481 46211 45021 42937
Out-02 36630 47650 49097 47690 47775 47318 52342 51139 44188
Nov-02 36303 47569 48400 47690 47775 47156 49955 48127 39439
Dez-02 31493 47375 48209 47690 47775 46993 53791 52116 41078
Jan-03 29329 48380 47510 47690 47775 46830 52289 50617 39121
Fev-03 26497 47690 46861 47690 47775 46667 42992 42379 31808
Mar-03 26974 47690 47628 47690 47775 46504 48136 47947 34505
Abr-03 20438 47690 47650 47690 47775 46341 47818 48227 34007
Mai-03 29074 47690 47569 47690 47775 46178 47044 48329 33324
Jun-03 24878 47690 47375 47690 47775 46015 43498 44652 30671
Jul-03 26822 47690 48380 47690 47775 45852 52624 53808 32333
Ago-03 28068 47690 47690 47690 47775 45689 50803 50796 30615

A-7
TABELA A.13. Demanda do aeroporto de So Jos do Rio Preto
Perodo (t) zt Perodo (t) zt Perodo (t) zt Perodo (t) zt
Jan/97 12288 Set/98 15469 Mai/00 25341 Jan/02 19925
Fev/97 10646 Out/98 16743 Jun/00 23896 Fev/02 25582
Mar/97 13891 Nov/98 14827 Jul/00 29715 Mar/02 29391
Abr/97 13517 Dez/98 16211 Ago/00 26148 Abr/02 27652
Mai/97 13689 Jan/99 17118 Set/00 23940 Mai/02 29355
Jun/97 13810 Fev/99 14207 Out/00 27400 Jun/02 28036
Jul/97 15294 Mar/99 17136 Nov/00 24789 Jul/02 33054
Ago/97 15427 Abr/99 15957 Dez/00 29544 Ago/02 26874
Set/97 13640 Mai/99 17268 Jan/01 28721 Set/02 23468
Out/97 14664 Jun/99 17079 Fev/01 23905 Out/02 23949
Nov/97 14081 Jul/99 20566 Mar/01 29565 Nov/02 20453
Dez/97 12878 Ago/99 19010 Abr/01 27980 Dez/02 21062
Jan/98 12685 Set/99 18528 Mai/01 27492 Jan/03 18985
Fev/98 10980 Out/99 21282 Jun/01 28061 Fev/03 17543
Mar/98 15310 Nov/99 19854 Jul/01 37797 Mar/03 18494
Abr/98 12122 Dez/99 20899 Ago/01 31309 Abr/03 20325
Mai/98 12122 Jan/00 21405 Set/01 29273 Mai/03 18224
Jun/98 12303 Fev/00 19806 Out/01 30143 Jun/03 18070
Jul/98 15379 Mar/00 23891 Nov/01 26541 Jul/03 21898
Ago/98 15669 Abr/00 24556 Dez/01 29324 Ago/03 20351

TABELA A.14. Previses para a demanda do aeroporto de So Jos do Rio Preto


Perodo zt MM 6 MM 12 Trivial SES Holt HWM HWA BJ
Set-02 23468 29060 27929 26874 28796 29090 26684 26454 25106
Out-02 23949 28994 27807 26874 28796 29205 29068 28896 25768
Nov-02 20453 29330 27573 26874 28796 29320 26413 26632 22691
Dez-02 21062 29321 27688 26874 28796 29435 28480 29505 24952
Jan-03 18985 29964 27484 26874 28796 29551 23473 24979 17028
Fev-03 17543 26874 28563 26874 28796 29666 23799 26744 21693
Mar-03 18494 26874 29060 26874 28796 29781 26731 29582 24812
Abr-03 20325 26874 28994 26874 28796 29896 25194 27630 23293
Mai-03 18224 26874 29330 26874 28796 30012 25983 28233 24651
Jun-03 18070 26874 29321 26874 28796 30127 25507 27304 23483
Jul-03 21898 26874 29964 26874 28796 30242 31601 33172 27613
Ago-03 20351 26874 26874 26874 28796 30357 27389 27785 22380

A-8
TABELA A.15. Demanda do aeroporto de Sorocaba
Perodo (t) zt Perodo (t) zt Perodo (t) zt Perodo (t) zt
Jan/97 6337 Set/98 7651 Mai/00 6005 Jan/02 4296
Fev/97 6133 Out/98 5554 Jun/00 7726 Fev/02 3929
Mar/97 7650 Nov/98 7407 Jul/00 5865 Mar/02 5557
Abr/97 7051 Dez/98 5734 Ago/00 5287 Abr/02 5981
Mai/97 7313 Jan/99 4790 Set/00 4834 Mai/02 5238
Jun/97 5967 Fev/99 5198 Out/00 4165 Jun/02 7538
Jul/97 10220 Mar/99 6713 Nov/00 4453 Jul/02 4902
Ago/97 8035 Abr/99 6744 Dez/00 3847 Ago/02 4787
Set/97 6302 Mai/99 7325 Jan/01 4213 Set/02 4501
Out/97 8823 Jun/99 8404 Fev/01 4907 Out/02 4230
Nov/97 9963 Jul/99 6251 Mar/01 7118 Nov/02 3433
Dez/97 5939 Ago/99 5643 Abr/01 5722 Dez/02 2822
Jan/98 4823 Set/99 6375 Mai/01 5627 Jan/03 2704
Fev/98 5435 Out/99 4800 Jun/01 8278 Fev/03 4018
Mar/98 6168 Nov/99 4406 Jul/01 5738 Mar/03 3298
Abr/98 4823 Dez/99 4804 Ago/01 6254 Abr/03 3151
Mai/98 4823 Jan/00 4952 Set/01 4896 Mai/03 3836
Jun/98 6599 Fev/00 4533 Out/01 5014 Jun/03 3115
Jul/98 6873 Mar/00 5058 Nov/01 4845 Jul/03 3186
Ago/98 7867 Abr/00 7784 Dez/01 3229 Ago/03 2855

TABELA A.16. Previses para a demanda do aeroporto de Sorocaba


Perodo zt MM 6 MM 12 Trivial SES Holt HWM HWA BJ
Set-02 4501 5667 5018 4787 5258 5057 4554 3975 4862
Out-02 4230 5689 5029 4787 5258 4984 4360 3802 5098
Nov-02 3433 5616 5030 4787 5258 4910 4315 3689 5104
Dez-02 2822 5742 5051 4787 5258 4837 3187 2392 4548
Jan-03 2704 4845 5279 4787 5258 4763 3903 3287 4938
Fev-03 4018 4787 5419 4787 5258 4690 3807 3145 4810
Mar-03 3298 4787 5667 4787 5258 4617 5306 4851 5394
Abr-03 3151 4787 5689 4787 5258 4543 5435 5015 5546
Mai-03 3836 4787 5616 4787 5258 4470 4860 4339 5280
Jun-03 3115 4787 5742 4787 5258 4396 6894 6620 6105
Jul-03 3186 4787 4845 4787 5258 4323 4643 4033 5160
Ago-03 2855 4787 4787 4787 5258 4249 4629 4010 5119

A-9
FOLHA DE REGISTRO DO DOCUMENTO
1. 2. 3. 4.
CLASSIFICAO/TIPO DATA DOCUMENTO N N DE PGINAS

TM 24 de maio de 2005 CTA/ITA-IEI/TM-004/2005 104


5.
TTULO E SUBTTULO:
Estudo comparativo de mtodos de previso de demanda: uma aplicao ao caso dos aeroportos com
trfego areo regular administrados pelo DAESP.
6.
AUTOR(ES):

Fernando Neves Breseghello


7. INSTITUIO(ES)/RGO(S) INTERNO(S)/DIVISO(ES):
Instituto Tecnolgico de Aeronutica. Diviso de Engenharia de Infra-Estrutura Aeronutica ITA/IEI
8.
PALAVRAS-CHAVE SUGERIDAS PELO AUTOR:

Sries temporais; Previso de demanda; Transporte areo regional


9.PALAVRAS-CHAVE RESULTANTES DE INDEXAO:

Anlise de sries temporais; Previso econmica; Transporte areo; Demanda (Economia); Estudo de
casos; Anlise estatstica; Modelos matemticos; Matemtica; Engenharia aeronutica

10.
APRESENTAO: X Nacional Internacional
ITA, So Jos dos Campos, 2005, 104 pginas
11.
RESUMO:

O presente trabalho tem como objetivo principal comparar o desempenho de metodologias


preditivas, baseadas na abordagem de sries temporais, diferentes das atualmente utilizadas para
prognosticar a demanda, para um horizonte de 12 meses, dos aeroportos administrados pelo
Departamento Aerovirio do Estado de So Paulo (DAESP) operando com trfego areo regular.
A determinao de previses adequadas e, ao mesmo tempo, realistas, o que, em outras palavras,
significa utilizar o mtodo preditivo com maior grau de preciso (ou menor margem de erro), constitui-se
em uma etapa fundamental para que o processo de planejamento da administrao aeroporturia possa ser
adequadamente realizado.
Para alcanar o objetivo proposto, buscou-se, em primeiro lugar, estudar os principais aspectos
tericos relacionados aos mtodos de previso de demanda abordados neste trabalho. Posteriormente,
segue-se o processo de calibrao dos modelos propostos, aplicados s sries histricas disponibilizadas
pela referida instituio. Os modelos de sries temporais experimentados nesta dissertao so: Trivial,
Mdia Mvel de seis e 12 meses, Suavizao Exponencial Simples, Holt, Holt-Winters Aditivo, Holt-
Winters Multiplicativo e os possveis modelos Box-Jenkins selecionados a partir do processo de
identificao. Por fim emprega-se uma estratgia de avaliao e seleo de modelos preditivos, de
natureza quantitativa, para subsidiar as concluses apresentadas no final deste trabalho.
Os resultados obtidos, mediante a utilizao desta estratgia, demonstraram que as metodologias
propostas so mais adequadas (superiores em acurcia) para a projeo de valores para um horizonte de
12 meses do que a metodologia atualmente utilizada pela instituio estudada. Neste contexto, os
modelos Box-Jenkins se mostraram como os mais acurados em 61% dos casos (cinco aeroportos). Os
modelos Aditivo de Holt-Winters, S.E.S. e Holt apresentaram-se como os modelos com menor margem
de erro em 13% (um aeroportos), 13% (um aeroportos) e 13% (um aeroporto) dos casos,
respectivamente.

12.
GRAU DE SIGILO:

(X ) OSTENSIVO ( ) RESERVADO ( ) CONFIDENCIAL ( ) SECRETO

Você também pode gostar