Guia de Cursos

Queres conhecer a oferta de cursos da NOVA, nas áreas das licenciaturas, mestrados e doutoramentos?
No nosso Guia de Cursos encontras informação útil sobre Faculdades, Institutos e Escolas.
Podes ainda aceder a informações complementares necessárias a uma completa integração.

saber mais Guia de Cursos

Faculdade de Ciências e Tecnologia

Técnicas de Previsão

Código

7201

Unidade Orgânica

Faculdade de Ciências e Tecnologia

Departamento

Departamento de Engenharia Mecânica e Industrial

Créditos

6.0

Professor responsável

Ana Paula Ferreira Barroso

Horas semanais

5

Total de horas

98

Língua de ensino

Português

Objectivos

A unidade curricular tem um enfoque na aplicação das técnicas de previsão fundamentalmente para a tomada de decisão ao nível da gestão. Compreende uma introdução à teoria e aos métodos de previsão. Tem um cariz essencialmente de aplicação, pelo que são usados exemplos, análise de casos de estudo e resolução de problemas. Visa:

  • Proporcionar uma compreensão dos métodos estatísticos comuns utilizados na previsão no âmbito da gestão;
  • Proporcionar aos alunos uma visão geral de um conjunto de técnicas abrangente e uma percepção dos pontos fortes e fracos de cada abordagem;
  • Desenvolver conhecimentos de informática para a previsão de negócios e de dados de séries cronológicas económicas;
  • Identificar os aspectos relevantes no que diz respeito aos problemas de implementação e operação de sistemas de previsão de larga escala quando utilizados na gestão de produtos e serviços.

Conteúdo

1. Planeamento e previsão

1.1 A importância financeira e estratégica da previsão

1.2 Tipos de previsão

1.3 Identificação das componentes mais comuns de uma série temporal: tendência, sazonalidade, ciclicidade, entre outras.

1.4 Classificação dos métodos de previsão: qualitativos e quantitativos

1.5 Métodos de previsão quantitativos: causais e séries cronológicas

2. Elementos estatísticos para a previsão

2.1 Tratamento de valores extremos numa série cronológica: com e sem sazonalidade

2.2 Previsão recorrendo à estatística descritiva

2.3 Medida do erro de previsão: erro quadrático médio, desvio médio absoluto, entre outros

2.4 Ajustamento do modelo versus previsão: medidas do erro absolutas e relativas

2.5 Medidas de associação linear relativa: coeficiente de correlação e autocorrelação

2.6 Autocorrelação e funções de autocorrelação (ACF)

2.7 ACF típica para séries cronológicas específicas: com componente aleatória, com tendência, com sazonalidade, entre outras.

3. Métodos univariados sem tendência e sem sazonalidade

3.1 Métodos Simples de Alisamento: Médias móveis, médias móveis ponderadas, alisamento exponencial.

3.2 Aplicação do método do alisamento exponencial a séries com componente sazonal

3.3 Estimativa da constante de alisamento mais adequada

3.4 Estimativa da constante de alisamento em função do erro de previsão

3.5 Identificação das dificuldades inerentes à previsão de séries com elevado coeficiente de variação

4. Métodos univariados com tendência e sazonalidade

4.1 Métodos de decomposição clássica

4.1.1 Métodos de decomposição clássica multiplicativo e aditivo

4.1.2 Método de decomposição clássica multiplicativo: determinação da componente sazonal, interpretação dos factores sazonais, dessazonalização da série e determinação da tendência.

4.1.3 Método de decomposição clássica aditivo: determinação da componente sazonal, interpretação dos factores sazonais, dessazonalização da série e determinação da tendência

4.1.4 Decomposição utilizando análise de regressão: modelo multiplicativo e aditivo

4.1.5 A composição com o objectivo de fazer previsão

4.1.6 Vantagens e desvantagens dos métodos de decomposição clássica multiplicativo e aditivo

4.1.7 Aplicações

4.2 Métodos de Alisamento com Tendência e Sazonalidade

4.2.1 Estimativa da tendência com diferenças: vantagens e desvantagens

4.2.2 Diferenças de segunda ordem para modelar tendências não lineares

4.2.3 Diferenças sazonais para modelar tendências e sazonalidade

4.2.4 Médias móveis duplas: vantagens e desvantagens

4.2.5 Modelo de Brown

4.2.6 Modelo de Holt (2 parâmetros)

4.2.7 Modelo de Winters (3 parâmetros): valores iniciais, factores sazonais aditivos e multiplicativos, requisitos de dados, vantagens e desvantagens

5. Modelos ARIMA univariados

5.1 Notação ARIMA

5.2 Processos ARIMA

5.3 Identificação de um modelo ARIMA

5.4 Processos Estocásticos Integrados (0, 1, 0)

5.5 Processos Autoregressivos

5.6 Processos de Médias Móveis

5.7 Modelos ARIMA (p, d, q)

6. Aplicações ARIMA

Bibliografia

  1. Hanke, J. E. e  Wichern, D. W. (2009). Business Forecasting. Pearson International Edition.
  2. Wilson, J.H., Keating, B. e Galt, J. (2009). Business Forecasting with ForecastX. McGraw Hill.
  3. Hoshmand, A. R. (2010). Business Forecasting. A practical approach. Routledge, Taylor & Francis Group.
  4. DeLurgio, S. A. (1998). Forecasting Principles and Applications. Irwin McGraw-Hill.
  5. Box, G.E.P., Jenkins G.M. e  Reinsel, G. C. (1994). Time Series Analysis, Forecasting and Control. 3th ed., Englewood Cliffs, Prentice-Hall.
  6. Tavares, L., Oliveira, R., Themido, I. e Correia, F. (1996). Investigação Operacional, Alfragide, McGraw-Hill de Portugal, Lda.

Método de avaliação

A avaliação de conhecimentos é distribuída por 5 trabalhos desenvolvidos em grupo (50%), 3 mini testes (30%), participação nas aulas (10%)  e resolução de exercícios de aplicação(10%) ao longo do período lectivo, não havendo exame final.

É obrigatória a entrega de um relatório em qualquer  trabalho desenvolvido em grupo. A apresentação e discussão em sala de aula é realizada aleatoriamente por alguns grupos.

A presença nas aulas é obrigatória. Os alunos que tencionem recorrer ao estatuto de trabalhador estudante terão de informar, até ao dia 30 de Setembro, o docente regente da disciplina.

Cursos