Esse trabalho tem por objetivo aprimorar a principal atividade das empresas de distribuição no que diz respeito ao combate às perdas comerciais: as inspeções em campo às unidades consumidoras (UCs). Para tanto, é feita a proposição de um método para identificar quedas de consumo atípicas dentro do universo de faturamento de UCs de uma concessionária de energia elétrica. A proposta está fundamentada na análise dos registros históricos de consumo, de modo que os dados considerados atípicos possam ser indicados e as UCs ranqueadas de acordo com a prioridade para as inspeções em campo. Para tanto, propõe-se a utilização combinada de técnicas de previsão de demanda e de estatísticas robustas. A validade do método foi verificada através de um estudo de caso em uma empresa de distribuição de energia elétrica do sul do Brasil. Através do estudo de caso, concluiu-se que o método é capaz de identificar quedas de consumo atípicas, tendo identificado satisfatoriamente 89,38% dos casos avaliados. Ao final do trabalho, são apresentadas sugestões de estudos complementares, de modo a aperfeiçoar o desempenho do método. / This study aims to enhance the main business of distribution companies regarding to the efforts to avoid non-technical losses, that means, field inspections at the consumer units (CUs). For that, the proposition of an algorithm to identify atypical consumption falls within the universe of PAs billing of an electric facility is made. The proposal is based on the analysis of historical records of consumption, so that the data which are considered atypical can be indicated and the CUs ranked according to their priority for inspections in the field. Combined techniques of demand forecasting and statistics robust are proposed. The validity of the algorithm was verified through a case study in an electric power distribution facility in southern Brazil. Through the case study, it was concluded that the algorithm is able to identify atypical consumption falls, and satisfactorily 89.38% of the cases was identified. At the end of this paper, suggestions for further studies in order to improve the performance of the algorithm are presented.

No presente trabalho são aplicadas ferramentas estatísticas quantitativas clássicas no setor de telefonia móvel brasileiro a fim de comparar os seus resultados. Uma metodologia é proposta para a aplicação destas ferramentas de um modo prático em uma de uma operadora de telefonia celular brasileira. Após são aplicados os métodos de previsão às séries históricas de demanda de acessos da telefonia móvel brasileira, estratificadas de acordo com as tecnologias utilizadas (TDMA, CDMA e GSM), no período de agosto de 2002 a julho de 2007. De acordo com o desempenho, são obtidos os modelos de cada método estatístico proposto. Entre estes, se escolheu aquele que melhor descreveu cada série e previsões foram geradas. Os modelos ARIMA apresentaram o melhor desempenho dentre os métodos aplicados nas séries estudadas. / The activity of planning ahead their systems in an appropriate manner is fundamental to telecommunication sector agents in order to manage the resources allocation and to meet the quality requirements in the provision of mobile telephony services. As the networks and production systems deployment takes time, there is the need of a service demand forecast. Therefore, in this study, classical quantitative statistics tools are applied to the Brazilian mobile telephony sector to compare their results. A methodology for the application of such tools in a practical way within a business environment of this sector is proposed. Afterwards, forecasting methods are applied to the time series referred to Brazilian mobile telephony demand, stratified according to the technologies (TDMA, CDMA and GSM) in the period from August 2002 to July 2007. The models of each statistical method proposed, based on the performance results, are obtained and, among these methods, it is chosen a model that best described each time series. The ARIMA model had the best performance among the methods applied in the time series studied and forecasts were made.

A relação entre Variáveis Macroeconômicas e o Retorno de Ações é de alta importância para pesquisas econômicas e financeiras, já que, quando descoberto, um mecanismo de conhecer ou prever o impacto dessas variáveis oportuniza uma melhor performance de investidores no mercado acionário. Nesse sentido, nosso trabalho testa nove variáveis macroeconômicas (Preço de Commodities, Taxa de Desemprego, Inflação, Agregados Monetários, Taxas de juros, Relative Money Market Rate (RMM), Produção Industrial, Hiato do Produto (GAP) e Taxa de juros dos EUA) contra o retorno real do Ibovespa, empregando regressões lineares, como tradicional na literatura, e modelos de mudança de regime markoviana (MSM), para avaliar melhor o impacto e poder de previsão do retorno sob uma economia tão perturbada por planos econômicos e crises financeiras. Além disso, realizamos uma rigorosa avaliação do poder preditivo através de testes dentro e fora da amostra, incluindo avaliações dos coeficientes estimados defasados, critérios de Informação de AIC e BIC, Razões de Erro Quadrático Médio e o Erro Absoluto Médio e testes de encompassing de Diebold e Mariano (1995), de Clark e Mccracken (2001) e de Mccracken (2007), combinados aos novos valores assintóticos de Clark e Mccracken (2001,2004). Os resultados indicam que o Ibovespa possui dois regimes, e que a variável Hiato do Produto se destaca por ser a variável mais significativa e de maior poder de previsão, tanto nos modelos lineares como nos nãolineares. Além dessa, a variável RMM, também se mostrou capacitada para prever o retorno quando estimada no MSM, assim como as variáveis inflação e agregados monetários também apresentaram poder preditivo quando acompanhados da variável GAP. Entretanto, Produção industrial e taxa de juros não tiveram qualquer evidência de capacidade preditiva. Por fim, nos horizontes trimestrais e semestrais, os MSM tiveram dificuldade de encontrar os diferentes regimes, e por isso, não conseguiram se mostrar sistematicamente superiores aos modelos lineares. / The relationship between Macroeconomic Variables and stock returns is of high importance for economic and financial research because, when discovered, a mechanism to know or predict the impact of these variables allows a better performance of investors in the stock market In this sense, our research tests nine macroeconomic variables (Commodities Prices, Unemployment Rate, Inflation, Money Stock, Interest Rate, Relative Money Market Rate (RMM), Industrial Production, Output Gap (GAP) and United States Interest Rate) versus the Ibovespa Real Stock Return, with linear models, as in traditional literature, and with Markov Switching Models, to gauge the impact and the predictive power of the assumption of an economy so troubled by economic plans and financial crises. In addition, we conducted a rigorous predictive ability evaluation by testing in-sample and out-of-sample, including a lagged coefficient estimated evaluation, information criteria of Akaike and Schwarz, Mean-square Error, Absolute Mean Error and encompassing tests of Diebold e Mariano (1995), Clark e Mccracken (2001) and Mccracken (2007) combined with the new asymptotic values of Clark e Mccracken (2001,2004). The results indicated that the Ibovespa has two states and the Output Gap variable stands out for being the most significant variable and with the greatest predictive ability for both linear and nonlinear models. Besides, the RMM variable has also shown to be able to predict the stock return when estimated in the MSM. Furthermore, the inflation and money stock variable also presents predict ability when estimated models is addicted with GAP variable. Industrial production and interest rates had no evidence of predictive ability. Finally, in the quarterly and semiannual horizons, the MSM had difficulty in finding the different regimes, and therefore failed to show themselves consistently higher than the linear models.

The maize (Zea mays L.), due to its importance in human and animal diet, is one of the most widespread crop in the world. In Brazil, it is cultivated in almost all regions, due to this, has been the focus of agrometeorological modeling for decades. The AquaCrop model was used in this work in order to simulate the total biomass and daily yield, and get the corn crop forecast for the region of Arapiraca, Alagoas. The model uses the canopy cover (CC), instead of leaf area index (LAI) as a basis for separate calculations of the plant transpiration and evaporation of soil water. The productivity is calculated as the product of biomass and harvest index (HI). The input data of model experiments were performed by Medeiros (2008), in Batingas town in the country of Arapiraca-AL. For four seasons of sowing, the results of soil water storage simulated by the model AquaCrop tended to be similar to those observed variation. However, for the third sowing date had observed the storage maximum value (171.66 mm) at 35 DAE, whereas the maximum simulated (115.0 mm) occurred at 24 DAE. For the final yield biomass (kg ha-1) the maximum and minimum values observed (simulated) ranged from 13.059 (11.861) and 9.873 (8.306) for 3rd and 4th season of planting, respectively. The simulated grain yield was between 4.406 and 2.069 kg ha-1 for the 3rd and 4th sowing time, underestimating by 2.0% (3rd SS) and overestimated by 5.1% (4th SS). The overestimation of the 4th season of sowing due to the adjustment of the depth of the root system at 0.75 m, where for the other seasons of sowing depth considered was 0.60 m (MEDEIROS et al., 2008). The AquaCrop model is a tool to predict corn yield of the AL Bandeirante variety. This procedure allows for adequate estimation of grain yield with 18 days prior to harvest in the Agreste region of Alagoas, providing end users of the model program storage, logistics and marketing of grain crop to be harvested. / Fundação de Amparo a Pesquisa do Estado de Alagoas / O milho (Zea mays L.), devido a sua importância na dieta alimentar humana e animal, é uma das culturas mais difundidas no mundo. No Brasil, é cultivado em praticamente todas as regiões, devido a isto, tem sido foco da modelagem agrometeorológica por décadas. O modelo AquaCrop foi utilizado nesse trabalho com o objetivo de simular a produção de biomassa total e diária, produtividade de grãos, bem como obter a previsão de safra do milho para região de Arapiraca, Alagoas. O modelo usa a cobertura do dossel (CD), em vez do índice de área foliar (IAF), como base para calcular separadamente a transpiração das plantas e a evaporação da água do solo. A produtividade é calculada como o produto da biomassa e do índice de colheita (IC). Os dados de entrada do modelo foram de experimento realizado por Medeiros (2008), no povoado Batingas no município de Arapiraca-AL. Para as quatro épocas de semeio, os resultados do armazenamento de água no solo simulados pelo modelo AquaCrop apresentaram tendência de variação similar aos valores observados. Porém, para terceira época de semeadura o armazenamento observado apresentou valor máximo (171,66 mm) aos 35 DAE, enquanto que o valor máximo simulado (115,0 mm) ocorreu aos 24 DAE. Para a produção de biomassa final (kg ha-1) os valores máximos e mínimos observados (simulados) variaram entre 13.059 (11.861) e 9.873 (8.306) para 3ª e 4ª época de semeadura, respectivamente. A produtividade de grãos simulada foi entre 4.406 e 2.069 kg ha-1, para a 3ª e 4ª época de semeadura, subestimando em 2,0% (3ª ES) e superestimando em 5,1 % (4ª ES). A superestimativa da 4ª época de semeadura deve-se ao ajustamento da profundidade do sistema radicular em 0,75 m, em que para as demais épocas de semeadura a profundidade considerada foi 0,60 m (MEDEIROS et al., 2008). O modelo AquaCrop é uma ferramenta para previsão da produtividade de milho da variedade AL Bandeirante. Esse procedimento permite obter adequada estimativa do rendimento de grãos com 18 dias de antecedência à colheita na região do Agreste Alagoano, disponibilizando aos usuários finais do modelo programar o armazenamento, logística e comercialização da safra de grãos a ser colhida.

Made available in DSpace on 2010-04-20T20:22:19Z (GMT). No. of bitstreams: 1 66070100189.pdf: 307836 bytes, checksum: 73f8a3fbe747a93cdaf1f9a937909e1e (MD5) Previous issue date: 2010-01-28T00:00:00Z / O objetivo desse trabalho é avaliar a capacidade de previsão do mercado sobre a volatilidade futura a partir das informações obtidas nas opções de Petrobras e Vale, além de fazer uma comparação com modelos do tipo GARCH e EWMA. Estudos semelhantes foram realizados no mercado de ações americano: Seja com uma cesta de ações selecionadas ou com relação ao índice S&P 100, as conclusões foram diversas. Se Canina e Figlewski (1993) a 'volatilidade implícita tem virtualmente nenhuma correlação com a volatilidade futura', Christensen e Prabhala (1998) concluem que a volatilidade implícita é um bom preditor da volatilidade futura. No mercado brasileiro, Andrade e Tabak (2001) utilizam opções de dólar para estudar o conteúdo da informação no mercado de opções. Além disso, comparam o poder de previsão da volatilidade implícita com modelos de média móvel e do tipo GARCH. Os autores concluem que a volatilidade implícita é um estimador viesado da volatilidade futura mas de desempenho superior se comparada com modelos estatísticos. Gabe e Portugal (2003) comparam a volatilidade implícita das opções de Telemar (TNLP4) com modelos estatísticos do tipo GARCH. Nesse caso, volatilidade implícita tambem é um estimador viesado, mas os modelos estatísticos além de serem bons preditores, não apresentaram viés. Os dados desse trabalho foram obtidos ao longo de 2008 e início de 2009, optando-se por observações intradiárias das volatilidades implícitas das opções 'no dinheiro' de Petrobrás e Vale dos dois primeiros vencimentos. A volatidade implícita observada no mercado para ambos os ativos contém informação relevante sobre a volatilidade futura, mas da mesma forma que em estudos anteriores, mostou-se viesada. No caso específico de Petrobrás, o modelo GARCH se mostrou um previsor eficiente da volatilidade futura / The purpose of this study is to examine the predictive power of the market about future volatility using the information obtained from the options on Petrobras and Vale. We will also compare the results with models such as GARCH and EWMA. Similar studies were performed in the U.S. stock market: Either with selected stocks or the S & P 100 Index, the results are not conclusive. Even if Canina and Figlewski (1993) find that the "implied volatility has virtually no correlation with future volatility”, Christensen and Prabhala (1998) conclude that implied volatility is a good predictor of future volatility. Andrade and Tabak (2001) use dollar options to study the information content power of the options on dollar. They also compare the predictive power of implied volatility with models such as EWMA or GARCH. The authors conclude that implied volatility is a biased estimator of future volatility but has a better performance compared with statistical models. Gabe and Portugal (2003) compare the implied volatility of options on Telemar (TNLP4) with statistical models like GARCH. In this case, implied volatility is also a biased estimator, but the statistical models were also good predictors and showed no bias. The data in this study are taken during 2008 and early 2009, using intraday observations of implied volatilities for the first two maturities of "at the money" options on Petrobras and Vale. The observed implied volatility for both stocks contains relevant information about future volatility,similarly to previous studies, is biased. Specifically for Petrobras, GARCH model proved to be an efficient predictor of future volatility.

Made available in DSpace on 2010-04-20T21:00:51Z (GMT). No. of bitstreams: 4 Aurelien Dominique Emmanuel Lorthiois.pdf.jpg: 20555 bytes, checksum: 104d9c73afe06900b4f6320d1ca57a47 (MD5) Aurelien Dominique Emmanuel Lorthiois.pdf: 374119 bytes, checksum: e3c676f8fa5a823f03f9cbec2e9f9605 (MD5) license.txt: 4886 bytes, checksum: 301591937b0d196eef6c9987d71eaa35 (MD5) Aurelien Dominique Emmanuel Lorthiois.pdf.txt: 62072 bytes, checksum: 65eb038f1661cb50c10a8bba7afb736d (MD5) Previous issue date: 2009-02-04T00:00:00Z / No Brasil, o regime de metas para inflação foi instituído em julho de 1999, pelo Banco Central do Brasil, sendo o principal objetivo ancorar as expectativas de mercado. Este regime levou a uma queda da inflação e também a uma convergência das expectativas. Quando comparadas com a inflação ocorrida, as expectativas do mercado melhoraram nos últimos anos, porém, continuam com um erro ainda expressivo para o prazo de 6 meses. Em linhas gerais, a contribuição desta dissertação é de mostrar que existem modelos simples que conseguem prever o comportamento da inflação em médio prazo (6 meses). Um modelo ARIMA do IPCA obtém projeções acumuladas de inflação melhores que as projeções do mercado. / In July 1999, the inflation targeting was implemented by the Brazilian Central Bank, in which the major objective was to guide the market expectations. This regime reduced the inflation and converged the expectations. Although, when compared the inflation accumulated for six month and its market expectation there is still a difference between them. The contribution of this work is that we can construct simple models for inflation that project the inflation in the medium term. An autoregressive moving average model of the official inflation in Brazil can project better than the market.

Submitted by Hagen Schoof (hagen.schoof@gmail.com) on 2011-09-19T20:54:51Z No. of bitstreams: 1 Dissertação30.pdf: 1093774 bytes, checksum: 39a1fb805474efebc7cb743bca515a10 (MD5) / Approved for entry into archive by Suzinei Teles Garcia Garcia (suzinei.garcia@fgv.br) on 2011-09-19T20:56:55Z (GMT) No. of bitstreams: 1 Dissertação30.pdf: 1093774 bytes, checksum: 39a1fb805474efebc7cb743bca515a10 (MD5) / Approved for entry into archive by Suzinei Teles Garcia Garcia (suzinei.garcia@fgv.br) on 2011-09-19T20:57:36Z (GMT) No. of bitstreams: 1 Dissertação30.pdf: 1093774 bytes, checksum: 39a1fb805474efebc7cb743bca515a10 (MD5) / Made available in DSpace on 2011-09-19T21:21:01Z (GMT). No. of bitstreams: 1 Dissertação30.pdf: 1093774 bytes, checksum: 39a1fb805474efebc7cb743bca515a10 (MD5) Previous issue date: 2011-08-17 / This work analyses the forecast of the interest rate focusing an investment strategy. First the interest rate is parameterized using the Vasicek model, then the autorregressive model is applied on the interest rate and the parameters of Vasicek’s model. The financial product used to check the performance proposed is the constant maturity swap on some maturities. The results significantly change on the sampling period and the calibration horizon without a standard behavior. / Este trabalho estuda a previsão da taxa de juros com foco em uma estratégia de investimento. Inicialmente é feita a parametrização da taxa de juros com o modelo de Vasicek para posterior aplicação do modelo autorregressivo tanto na taxa de juros quanto nos parâmetros do Vasicek. O instrumento financeiro escolhido para verificar a eficácia da metodologia proposta foi o constant matutity swap aplicado em alguns vértices. Os resultados variaram significativamente para os diferentes horizontes de calibragem e períodos de amostragem sem um padrão de desempenho.

SANTOS, Gustavo Adolfo Campos dos. S-SWAP: scale-space based workload analysis and prediction. 2013. 99 f. Dissertação (Mestrado em ciência da computação)- Universidade Federal do Ceará, Fortaleza-CE, 2013. / Submitted by Elineudson Ribeiro (elineudsonr@gmail.com) on 2016-07-28T19:41:50Z No. of bitstreams: 1 2013_dis_gacsantos.pdf: 3910335 bytes, checksum: 15f381ec4c1d77510c3d76424bf764aa (MD5) / Approved for entry into archive by Rocilda Sales (rocilda@ufc.br) on 2016-08-01T15:38:14Z (GMT) No. of bitstreams: 1 2013_dis_gacsantos.pdf: 3910335 bytes, checksum: 15f381ec4c1d77510c3d76424bf764aa (MD5) / Made available in DSpace on 2016-08-01T15:38:14Z (GMT). No. of bitstreams: 1 2013_dis_gacsantos.pdf: 3910335 bytes, checksum: 15f381ec4c1d77510c3d76424bf764aa (MD5) Previous issue date: 2013 / This work presents a scale-space based approach to assist dynamic resource provisioning. The application of this theory makes it possible to eliminate the presence of irrelevant information from a signal that can potentially induce wrong or late decision making. Dynamic provisioning involves increasing or decreasing the amount of resources allocated to an application in response to workload changes. While monitoring both resource consumption and application-speci c metrics is fundamental in this process since the latter is of great importance to infer information about the former, dealing with these pieces of information to provision resources in dynamic environments poses a big challenge. The presence of unwanted characteristics, or noise, in a signal that represents the monitored metrics favors misleading interpretations and is known to a ect forecast models. Even though some forecast models are robust to noise, reducing its in uence may decrease training time and increase e ciency. Because a dynamic environment demands decision making and predictions on a quickly changing landscape, approximations are necessary. Thus it is important to realize how approximations give rise to limitations in the forecasting process. On the other hand, being aware of when detail is needed, and when it is not, is crucial to perform e cient dynamic forecastings. In a cloud environment, resource provisioning plays a key role for ensuring that providers adequately accomplish their obligation to customers while maximizing the utilization of the underlying infrastructure. Experiments are shown considering simulation of both reactive and proactive strategies scenarios with a real-world trace that corresponds to access rate. Results show that embodying scale-space theory in the decision making stage of dynamic provisioning strategies is very promising. It both improves workload analysis, making it more meaningful to our purposes, and lead to better predictions. / This work presents a scale-space based approach to assist dynamic resource provisioning. The application of this theory makes it possible to eliminate the presence of irrelevant information from a signal that can potentially induce wrong or late decision making. Dynamic provisioning involves increasing or decreasing the amount of resources allocated to an application in response to workload changes. While monitoring both resource consumption and application-speci c metrics is fundamental in this process since the latter is of great importance to infer information about the former, dealing with these pieces of information to provision resources in dynamic environments poses a big challenge. The presence of unwanted characteristics, or noise, in a signal that represents the monitored metrics favors misleading interpretations and is known to a ect forecast models. Even though some forecast models are robust to noise, reducing its in uence may decrease training time and increase e ciency. Because a dynamic environment demands decision making and predictions on a quickly changing landscape, approximations are necessary. Thus it is important to realize how approximations give rise to limitations in the forecasting process. On the other hand, being aware of when detail is needed, and when it is not, is crucial to perform e cient dynamic forecastings. In a cloud environment, resource provisioning plays a key role for ensuring that providers adequately accomplish their obligation to customers while maximizing the utilization of the underlying infrastructure. Experiments are shown considering simulation of both reactive and proactive strategies scenarios with a real-world trace that corresponds to access rate. Results show that embodying scale-space theory in the decision making stage of dynamic provisioning strategies is very promising. It both improves workload analysis, making it more meaningful to our purposes, and lead to better predictions.

As teorias que sustentam os modelos de precificação têm obtido resultados pouco satisfatórios ou insatisfatórios, uma vez que em cada estudo busca aproximar-se da realidade por apenas uma face, não observando o problema de todos os ângulos. Nesse sentido, percebeu-se um gap nos estudos de previsão, explorar sob outras lentes a dinâmica das variáveis do mercado que influenciam a formação do preço para o seu prévio monitoramento. Assim, o objetivo desta pesquisa foi construir uma ferramenta de apoio à decisão que pudesse prever, periodicamente, o preço futuro de uma commodity a curto e médio prazo, notadamente para o butadieno, um derivado do petróleo. Para que isto fosse possível, foi realizada a datação dos pontos de mudança do preço dessa commodity, frente aos acontecimentos históricos e, a partir daí, construído o estudo sobre três estruturas: mercado, política e econômica. A partir de então, observou-se quais seriam as variáveis mais consistentes para formar a base da pesquisa. As previsões obtidas revelam um desempenho superior às pesquisas anteriormente realizadas. Assim, a análise da previsão dos pontos de mudança constitui um instrumento informativo para sinalizar o comportamento futuro do preço da commodity do butadieno. A ferramenta utilizada para o modelo de precificação de modo a compreender a natureza das flutuações foram as Redes Bayesianas, que apresentam a capacidade de expressar as probabilidades e de um conjunto de variáveis aleatórias previamente definidas, e fazer predições adequadas. A inferência sobre o preço da commodity do butadieno, a curto e médio prazo, é realizada com o auxílio do software GeNIe 2.0. Conclui-se que investir em pesquisas que utilizem de Inteligência Artificial como métodos preditivos, como a utilização de Redes Bayesianas apresenta a vantagem de compreender a relação causa e efeito através da análise de Cenários. Assim, o objetivo de construir uma ferramenta de apoio à decisão que pudesse prever, periodicamente, o preço do butadieno a curto e médio prazo, foi alcançado. Para determinado período houve 84% de chances de acerto nas previsões. / The theories that support pricing models have obtained little satisfactory or unsatisfactory results, once each study examines only one aspect of reality, without studying the problem as a whole. In this sense its necessary to explore under other aspects the dynamics of market variables that influence the pricing for its prior monitoring. The objective of this research was to build a decision support tool capable of periodically forecast the future price of a commodity in the short and medium term, especially for butadiene, an oil derivative. To make it possible, was done the dating of turning points in the price of this commodity compared to the historical events and based on these data to build this study on three structures: market, political and economic. Then, we identified the most consistent variables to form the basis of the research. The forecasts obtained show a higher performance compared to previous investigations. Thus, the forecast analysis of turning points is an informative tool to signal the future behavior of the price of this commodity. To understand the nature of these fluctuations, the method used in the pricing model were the Bayesian networks, which are capable of expressing the probabilities of a set of random variables defined previously and make appropriate predictions. The inference on the commodity price of butadiene – in the short and medium term, was performed using the Genie 2.0 software. The conclusion was that investing in research using artificial intelligence and predictive methods such as the Bayesian networks, has the advantage of understanding the relationship of cause and effect through scenario analysis. So the objective of building a decision support tool that can predict periodically, the price of butadiene in the short and medium term, has been achieved. For certain period was 84% accurate in forecasts of chances.

A previsão de demanda que combina métodos quantitativos e a opinião de especialistas é uma técnica amplamente utilizada na tentativa de aproximar a previsão da demanda real. A presente dissertação apresenta uma revisão bibliográfica sobre combinação de previsões e propõe um método combinado a partir de métodos quantitativos e opinião de especialistas. A revisão sistemática da literatura foi realizada em trabalhos atuais e de relevância para o tema em estudo, com o auxílio de cinco bases de dados. O referencial teórico, que totaliza 38 publicações, apresenta conceitos teóricos sobre combinação de previsões, bem como exemplifica, através de aplicações práticas, como esta técnica está sendo utilizada pelas empresas. Com base nesta revisão foi possível estruturar um método combinado de previsão de demanda. O método proposto não só combina matematicamente as previsões quantitativas e qualitativas, como também pondera, através da matriz de comparações do método AHP (Analytic Hierarchy Process), a opinião de cada especialista responsável por gerar as previsões qualitativas. Esta dissertação, além de descrever detalhadamente o método proposto, ilustra a aplicação deste através de um estudo de caso realizado em uma empresa metal-mecânica. Tal estudo foi realizado para diferentes modelos de produtos, considerando um horizonte de previsão de doze meses. Ao final, o método AHP mostrou-se uma forma eficiente de ponderação da opinião dos especialistas. O resultado mostra que a previsão combinada proposta apresentou os menores erros entre as previsões analisadas, não só melhorando a acurácia total da previsão em mais de 23%, como também aumentando a acurácia para a maioria dos meses analisados e dos modelos testados. A partir da revisão bibliográfica e do método proposto, oportunidades para estudos futuros foram identificadas. / Demand forecasting that combines quantitative methods and judgmental adjustments is a technique widely used in the attempt to approximate forecast to actual demand. This thesis presents a literature review on combination of forecasts, and proposes a combined method using quantitative methods and expert opinion. A systematic literature review has been carried out analyzing works that were considered relevant to the topic under study, gathered from five databases. The review, which is comprised of 38 references, introduces theoretical concepts about combination of forecast, and exemplifies through practical applications how companies are using this technique. Based on this review it was possible to structure a combination model. The model presented not only combines mathematically the quantitative and qualitative forecast, but also assigns importance weights to experts using the comparison matrices of AHP (Analytic Hierarchy Process). We describe in details the model proposed and illustrate it through a practical application in a manufacturing industry. The case study considers several products in a 12-month forecast horizon. AHP has proven to be efficient for assigning weights to experts. Using the combination model proposed in this thesis we obtained improvements in the overall forecast accuracy of more than 23%; accuracy was also improved for the majority of periods and products analyzed. The literature review and proposed model led to the proposition of several opportunities for future research.