Como prever uma série 01 Carregar a série. Cole números separados por espaços, vírgulas ou quebras de linha, clique em uma demonstração ou traga um vetor ou coluna de tabela do espaço de dados ; oito pontos finitos é o mínimo. 02 Ler a verificação. A linha de estação nomeia o melhor período m e sua força (abaixo de 0.3 significa ausência de sazonalidade clara), e o gráfico ACF posiciona as primeiras defasagens contra a faixa tracejada de ruído branco ±1.96/√n. 03 Rodar a corrida de modelos. O backtest contínuo separa os últimos pontos, reajusta em cada prefixo e classifica o MAE de um passo entre ingênuo, deriva, SMA, EWMA, tendência linear e (quando um período sazonal está definido) Holt-Winters; MAPE e RMSE ficam ao lado, com uma linha sobre o vencedor. 04 Prever. Defina o horizonte h (1 a n), opcionalmente force um modelo, edite o período m e alterne entre sazonalidade aditiva ou multiplicativa (a multiplicativa aparece só quando todos os valores são positivos). Os cartões informam o valor do próximo passo, seu intervalo de 95% e o σ residual; h acima de n/2 gera um aviso de extrapolação. 05 Passar os números adiante. Publique um cartão ou envie a tabela e os pontos da previsão para o espaço de dados ou para a calculadora gráfica . Leituras trabalhadas Cada cifra vem dos dois botões de demonstração; a mesma colagem as reproduz.
Etapa
Entrada
Leitura
Verificação
Receita trimestral, 20 pontos
Estação m = 4 , força 0.97 ; ACF defasagem 1 0.6531 contra a faixa de ruído branco ±0.4383
Corrida
mesma série, hold = 4
Holt-Winters MAE 1.1876 (MAPE 0.771% , RMSE 1.3131 ); tendência linear 8.9719 ; SMA 9.5 ; EWMA 10.908 ; ingênuo 11.75 ; deriva 11.998
Previsão
vencedor, h = 4
Próximo passo 174.318 , intervalo de 95% 171.23 … 177.41 , σ residual 1.5756 ; passos seguintes 157.470501 , 153.500074 , 170.755617
Verificação
Ativos mensais, 12 pontos
Estação m = 2 , força 0.644 ; a corrida põe a linear 0.26427 logo à frente de Holt-Winters 0.27457
Previsão
linear, h = 2
28.9197 e depois 30.9022 ; intervalo do passo 1 28.473 … 29.366 , σ residual 0.22785
A linha da corrida diz «MAE 1.188 vs runner-up 8.972»; as quatro médias trimestrais somam 656.044109 contra 599 do último ano real.
Seis modelos em uma corrida O ingênuo repete o último valor, a deriva soma a inclinação média, a SMA faz a média de uma janela, a EWMA suaviza exponencialmente, a tendência linear ajusta uma reta OLS, e o Holt-Winters acompanha nível, tendência e estação. Os parâmetros α, β e γ do Holt-Winters são buscados em grade sobre cinco valores cada — a melhor de 125 combinações, não uma MLE. Os intervalos são o RMS dos resíduos de um passo dentro da amostra, alargados por √k: σ = 1.5756 dá semilarguras de 3.088 no passo 1, 6.176 no passo 4 e 10.24 no passo 11. A corrida se decide na cauda separada.
Premissas e limites
A resposta herda a série e as configurações. Os pontos são tomados como igualmente espaçados; os intervalos são aproximações normais dos resíduos ±1.96·σ·√k, não intervalos analíticos, e o alargamento √k é uma regra de passeio aleatório. Uma série constante empata todos os modelos em MAE 0 (o ingênuo vence pela ordem de exibição), e um horizonte acima de metade do histórico é sinalizado, mas ainda calculado. O que ele não faz: nada de ARIMA, nenhuma variável explicativa, nenhum teste de sazonalidade mais completo, nenhum tratamento de quebras estruturais — o histórico é extrapolado mecanicamente. Para resumos e testes de hipóteses use Estatística ; para poder, cartas de controle e dados de vida use Estatística aplicada . O período sazonal condiciona a corrida Na demonstração mensal o detector encontra m = 2 (força 0.644) mesmo que o botão diga apenas tendência, então Holt-Winters é admitido e perde por um fio: 0.26427 para a linear contra 0.27457 . Digite 4 em Estação m e os mesmos dados coroam Holt-Winters com 0.19618 . Adicione um décimo terceiro mês a 28.5 e a corrida automática também vira: Holt-Winters 0.28117 contra linear 0.36741 . Na demonstração trimestral o 1.1876 vencedor exige m = 4; sem período utilizável o melhor MAE é 8.9719 . O período também define o horizonte padrão (4 trimestres aqui, 2 meses no mensal). Anote-o, ou o modelo muda sob a previsão.
Onde se encaixa Planejar os próximos quatro trimestres A demonstração de receita responde à própria pergunta do assistente: próximo trimestre 174.318 , um total de quatro trimestres de 656.044109 contra 599 do último ano real, e um intervalo de 95% perto do fim de 171.23 … 177.41 .
Dimensionar capacidade a partir de uma tendência mensal A demonstração de ativos sobe de 28.9197 para 30.9022 em dois meses e chega a 50.7274 no mês 12; o intervalo do passo 1 28.473 … 29.366 é apertado o bastante para o quadro de pessoal, enquanto os passos distantes carregam semilarguras de 0.4466 a 1.547 e um aviso de h > n/2.
Avaliar uma previsão que alguém entregou Se o ingênuo ou a deriva superarem o modelo proposto, o número precisa de mais evidências; o gráfico ACF mostra se a estrutura ultrapassa a faixa de ruído branco. Guarde a série no espaço de dados .
Privacidade A análise, a detecção de estação, o backtest e a previsão rodam dentro do seu navegador; nada do que você cola é enviado.
Referências
Hyndman, R.J. e Athanasopoulos, G., Forecasting: Principles and Practice , 3ª ed., otexts.com （访问日期：2026-10-01）— backtesting, erro de holdout e avaliação de previsões.
Hyndman, R.J. e Athanasopoulos, G., Forecasting: Principles and Practice , 3ª ed., Capítulo 8, otexts.com （访问日期：2026-10-01）— suavização exponencial, Holt-Winters e sazonalidade aditiva vs multiplicativa.
NIST/SEMATECH, e-Handbook of Statistical Methods , §6.4.3 O que é suavização exponencial?, itl.nist.gov （访问日期：2026-10-01）— constantes de suavização e erro de predição de um passo.
Wikipedia, Autocorrelation , en.wikipedia.org （访问日期：2026-10-01）— ACF, estrutura de defasagens e faixas de ruído branco.
Wikipedia, Prediction interval , en.wikipedia.org （访问日期：2026-10-01）— a diferença entre intervalos de previsão e de confiança.
本页计算器
精选工具,点开即用;小工具可直接试算,数值会带入完整计算器。
来源与审阅
更新 2026-10-01 Hyndman, R.J. e Athanasopoulos, G., Forecasting: Principles and Practice, 3ª ed., OTexts — Capítulo 5, A caixa de ferramentas do previsor (accessed 2026-10-01) Hyndman, R.J. e Athanasopoulos, G., Forecasting: Principles and Practice, 3ª ed., OTexts — Capítulo 8, Suavização exponencial (accessed 2026-10-01) NIST/SEMATECH e-Handbook of Statistical Methods, §6.4.3 O que é suavização exponencial? (accessed 2026-10-01) Wikipedia: Autocorrelação (accessed 2026-10-01) Wikipedia: Intervalo de previsão (accessed 2026-10-01)