RESUMO DO ARTIGO ‘APLICAÇÃO DE UM MODELO SARIMA NA PREVISÃO DE VENDAS DE MOTOCICLETAS’

FACULDADE DO CENTRO LESTE – UCL

CARMEM LÚCIA SIMÕES GABRIELA BELLO NEVES NETTO

RESUMO DO ARTIGO ‘APLICAÇÃO DE UM MODELO SARIMA NA PREVISÃO DE VENDAS DE MOTOCICLETAS’

SERRA – ES 2020

1. INTRODUÇÃO

O artigo se trata da previsão de demanda de motocicletas, na introdução é dito a importância da previsão para qualquer negocio, tanto para os clientes quanto para os fabricantes. Também é feita uma contextualização sobre a indústria de motocicletas, que teve grande expansão, mas sofreu com a crise econômica. Diante dessas incertezas no mercado o artigo foi criado com o intuito de analisar modelos de previsão de demanda para organizar melhor a produção e venda das motocicletas.

1. SÉRIES TEMPORAIS

As séries temporais são conjuntos de dados em certo período que são utilizados para fazer a previsão de valores futuros para essas informações serem usadas dependendo do objetivo da previsão.

As séries temporais representam um conjunto de observações organizadas em ordem cronológica, com base no fato de que todo o histórico de eventos pode ser usado para prever o futuro. A previsão para a série temporal é o que determina o valor futuro a série. As previsões são estimativas da probabilidade de eventos futuros com base em informações atuais e históricas. De acordo com Tubino (2007), a previsão de demanda baseada em séries temporais assume que a demanda futura será uma previsão de valores passados, independente de outras variáveis. Métodos estatísticos para prever séries temporais tentam determinar padrões de comportamento na série e usá-los para prever o valor futuro.

1. MODELOS ARIMA E ETAPAS DA METODOLOGIA BOX-JENKINS

O modelo autorregressivo integrado de média móvel (ARIMA) é originado da combinação do modelo autorregressivo (AR) e de médias móveis (MA). No modelo AR o último dado da série é conhecido como um agregado linear de determinados valores anteriores e um ruído aleatório, que deve ter distribuição normal com média 0 e variância igual a 1. No modelo MA se utiliza o dado da previsão atual e de períodos anteriores. Ambos os modelos são utilizados em séries estacionárias, então se ela não for estacionária, deve transforma-la através do processo de diferenciação dos dados. Para as series que possuem sazonalidade se utiliza o modelo SARIMA.

A análise dos modelos de previsão foi feita pela metodologia de Box e Jenkins, que é dividida em etapas. Primeiro há uma preparação dos dados, fazendo a diferenciação se for necessário, depois se faz uma análise da autocorrelação e autocorrelação parcial, ao final do processo deve-se estimar os parâmetros e o comportamento deve ser como uma distribuição normal e ruído branco, se o modelo for adequado está pronto para o uso de previsão.

Como mostra a seguir a imagem:[pic 1]

Medidas de erros de previsão: para comparar os modelos deve saber o valor do AIC, o que apresentar menor valor é o que mais condiz com a realidade.