GUSTAVO MODENESI MODELO DE PREVISÃO DE ... - PRO - USP

64
Como se pode notar pelo gráfico, o método de média móvel suaviza as oscilações dos
dados reais, diminuindo seus picos e vales. Quanto maior for a ordem da média móvel (o seu
k), mais suavizada ficará essa curva (e quanto menor for o k, mais fortemente a previsão
oscilará).
Pode-se fazer uma analogia de que o método de previsão “Ingênuo” é
matematicamente o mesmo que um método de Média Móvel com k = 1.
Apesar de este método ser relativamente mais complexo que o de média simples,
apresenta os mesmos problemas de utilização que este último, não sendo adequado para séries
que possuam forte tendência/ciclicidade ou sazonalidade. Por outro lado ele consegue
acompanhar “saltos” nas observações, apesar de fazê-lo com certo atraso.
6.3.1.2.5 Métodos de Suavização Exponencial
Os métodos de suavização exponencial são métodos quantitativos baseados em séries
temporais geralmente utilizados para se realizar previsões de curto prazo (pelo fato de seus
resultados irem se deteriorando conforme aumenta o horizonte de previsão) para uma grande
quantidade de itens ao mesmo tempo (devido ao seu baixo consumo de memória
computacional).
O funcionamento dos métodos de suavização exponencial é semelhante ao do baseado
em média móvel, usando dados do passado para prever o futuro. A diferença entre estes é que
os métodos de suavização exponencial ponderam as observações passadas dando maior peso
às observações mais recentes, considerando que as mesmas são mais relevantes para explicar
o futuro do que observações mais antigas.
Os três métodos principais de suavização exponencial são o Single Exponential
Smoothing (SES), o método de Holt e o Método de Holt-Winters.
O método de Single Exponential Smoothing é o mais simples dos três, sendo mais
recomendado para situações em que a variável de previsão não apresenta nem
tendência/ciclicidade, nem sazonalidade.
Sua fórmula de cálculo é a seguinte: