Por exemplo, suponha que tenhamos as seguintes vendas de um determinado produto durante os primeiros tr\u00eas meses do ano:<\/span> <\/p>\n A previs\u00e3o de vendas de abril seria simplesmente igual \u00e0s vendas reais de mar\u00e7o anterior:<\/span> <\/p>\n Embora esse m\u00e9todo seja simples, ele tende a funcionar surpreendentemente bem na pr\u00e1tica.<\/span><\/p>\n Este tutorial fornece um exemplo passo a passo de como realizar previs\u00f5es ing\u00eanuas em R.<\/span><\/p>\n Primeiro, inseriremos dados de vendas durante um per\u00edodo de 12 meses em uma empresa imagin\u00e1ria:<\/span><\/p>\n A seguir, usaremos as seguintes f\u00f3rmulas para criar previs\u00f5es ing\u00eanuas para cada m\u00eas:<\/span><\/p>\n Observe que simplesmente usamos NA<\/strong> para o primeiro valor previsto.<\/span><\/p>\n Finalmente, devemos medir a precis\u00e3o das previs\u00f5es. Duas m\u00e9tricas comuns usadas para medir a precis\u00e3o incluem:<\/span><\/p>\n Podemos usar o seguinte c\u00f3digo para calcular ambas as m\u00e9tricas:<\/span><\/p>\n O erro percentual absoluto m\u00e9dio \u00e9 de 9,898%<\/strong> e o erro absoluto m\u00e9dio \u00e9 de 3,45.<\/strong><\/span><\/p>\n Para descobrir se esta previs\u00e3o \u00e9 \u00fatil, podemos compar\u00e1-la com outros modelos de previs\u00e3o e ver se a precis\u00e3o da medi\u00e7\u00e3o \u00e9 melhor ou pior.<\/span><\/p>\n Finalmente, podemos criar um gr\u00e1fico de linhas simples para visualizar as diferen\u00e7as entre as vendas reais e as previs\u00f5es de vendas ing\u00eanuas durante cada per\u00edodo:<\/span> <\/p>\n Observe que a linha de venda prevista \u00e9 essencialmente uma vers\u00e3o alterada da linha de venda real.<\/span><\/p>\n Isto \u00e9 exactamente o que esperar\u00edamos, uma vez que a previs\u00e3o ing\u00e9nua simplesmente prev\u00ea que as vendas no per\u00edodo actual ser\u00e3o iguais \u00e0s vendas no per\u00edodo anterior.<\/span><\/p>\n Como calcular MAE em R<\/a> Uma previs\u00e3o ing\u00eanua \u00e9 aquela em que a previs\u00e3o para um determinado per\u00edodo \u00e9 simplesmente igual ao valor observado no per\u00edodo anterior. Por exemplo, suponha que tenhamos as seguintes vendas de um determinado produto durante os primeiros tr\u00eas meses do ano: A previs\u00e3o de vendas de abril seria simplesmente igual \u00e0s vendas reais de mar\u00e7o […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"class_list":["post-1629","post","type-post","status-publish","format-standard","hentry","category-guia"],"yoast_head":"\n![\"\"](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/naive_forecast1.png\")
<\/p>\n![\"Exemplo](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/naive_forecast2.png\")
<\/p>\n Passo 1: Insira os dados<\/strong><\/span><\/h3>\n
#create vector to hold actual sales data<\/span>\nactual <- c(34, 37, 44, 47, 48, 48, 46, 43, 32, 27, 26, 24)\n<\/strong><\/pre>\n Etapa 2: gerar previs\u00f5es ing\u00eanuas<\/strong><\/span><\/h3>\n
#generate naive forecasts<\/span>\nforecast <- c(NA, actual[- length<\/span> (actual)])\n\n#view naive forecasts<\/span>\nforecast\n\n[1] NA 34 37 44 47 48 48 46 43 32 27 26\n<\/strong><\/pre>\n Etapa 3: medir a precis\u00e3o da previs\u00e3o<\/strong><\/span><\/h3>\n
\n
#calculate MAPE\n<\/span>mean(abs((actual-forecast)\/actual), na. rm<\/span> = T<\/span> ) * 100\n\n[1] 9.898281\n\n#calculate MAE\n<\/span>mean(abs(actual-forecast), na. rm<\/span> = T<\/span> )\n\n[1] 3.454545\n<\/strong><\/pre>\n Etapa 4: visualize a previs\u00e3o<\/strong><\/span><\/h3>\n
#plot actual sales\n<\/span>plot(actual, type=' l<\/span> ', col = ' red<\/span> ', main=' Actual vs. Forecasted Sales<\/span> ',\n xlab=' Sales Period<\/span> ', ylab=' Sales<\/span> ')\n\n#add line for forecasted sales\n<\/span>lines(forecast, type=' l<\/span> ', col = ' blue<\/span> ')\n\n#add legend\n<\/span>legend(' topright<\/span> ', legend=c(' Actual<\/span> ', ' Forecasted<\/span> '),\n col=c(' red<\/span> ', ' blue<\/span> '), lty=1)\n<\/strong><\/pre>\n![\"Previs\u00e3o](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/naifr1.png\")
<\/p>\n Recursos adicionais<\/strong><\/span><\/h3>\n
Como calcular o MAPE em R<\/a>
O que \u00e9 considerado um bom valor para o MAPE?<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"