Trabalho em Grupo III - Grupo I Mamão

a) (2,0 pontos) Construa um diagrama da série e coloque nele as informações do tráfego do termo de busca do seu grupo. O título principal do gráfico deve ser o nome da série do seu grupo. O título do eixo y deve ser “% de buscas” e do eixo x “tempo em meses”.

library(readxl)
dados = read_xlsx("Trabalho em Grupo III - Grupo I.xlsx")
mamao = dados$Acesso

mamao = ts(mamao, start = c(2019,1), frequency = 12)

plot(mamao, main = "Buscas pelo termo Mamão no Brasil",
     ylab = "% de buscas",
     xlab = "")

b) (1,0 ponto) Realize a decomposição da série. Explique como ocorre a sazonalidade da série atribuída para o seu grupo. O diagrama do item anterior pode ajudar nessa análise.

decomp <- decompose(mamao, type = "multiplicative")
decomp$figure

##  [1] 0.9121209 1.0145919 1.0880362 1.1699726 1.1689305 1.1312839 1.0799228
##  [8] 1.0233780 0.9877103 0.9153758 0.8127843 0.6958929

sum(decomp$figure)

## [1] 12

# Todas as componentes da série
plot(decomp)

c) (1,0 ponto) Avalie a tendência da série. Para isso, utilize o gráfico que mostra a suavização pelas médias móveis.

decomp <- decompose(mamao, type = "multiplicative")
plot(decomp$trend, 
     main = "Tendência suavizada da série (médias móveis)",
     ylab = "Nível da série (suavizado)",
     xlab = "Tempo")

# O primeiro pico ocorre por volta do final de 2020 (aprox. 77%);
# O próximo pico ocorre ao final de 2022 (aprox. 79%);
# O terceiro e último pico ocorre por volta do final de 2024 (aprox. 80%).

d) (2,0 pontos) Apresente os valores dos índices de sazonalidade e o gráfico que mostra os índices dentro de um único ciclo. Destaque em qual (is) mês (es) do ano o termo de busca do seu grupo é mais procurado no Google.

# A sazonalidade dentro de um ano
plot(decomp$figure,
     type = 'b',
     xlab = 'Mês',
     ylab = 'Índice de sazonalidade',
     col = 'blue')

# Entre os meses 4 e 6 há um pico de buscas para o termo mamão.

e) (2,0 pontos) Treine um modelo automaticamente com a função auto.arima. Com o modelo treinado, realize a previsão do percentual de buscas para os meses de janeiro de 2026 a dezembro de 2026. Apresente as previsões de forma numérica e de forma gráfica.

library(forecast)

## Registered S3 method overwritten by 'quantmod':
##   method            from
##   as.zoo.data.frame zoo

model <- auto.arima(mamao)
summary(model)

## Series: mamao 
## ARIMA(0,0,3)(0,1,2)[12] with drift 
## 
## Coefficients:
##          ma1     ma2     ma3     sma1    sma2   drift
##       0.7423  0.6258  0.4108  -1.0154  0.5082  0.1357
## s.e.  0.1275  0.1151  0.1449   0.1760  0.2273  0.0798
## 
## sigma^2 = 39.72:  log likelihood = -239.36
## AIC=492.71   AICc=494.46   BIC=508.65
## 
## Training set error measures:
##                     ME     RMSE     MAE       MPE     MAPE      MASE       ACF1
## Training set 0.2825995 5.586409 4.21404 0.2197668 5.759281 0.3731991 0.01388609

f) (2,0 pontos) Somente para o mês de dezembro de 2026, deixe claro qual é o cenário realista, pessimista e otimista de previsão, utilizando as bandas com 95% de confiança. Se algum cenário não fizer sentido (for negativo, por exemplo), explique como o intervalo deveria ser interpretado. No caso de alguma banda ultrapassar o valor 100%, explique o que isso significa, dentro da lógica do Google Trends.

library(knitr)
library(forecast)
model <- auto.arima(mamao)
f <- forecast(model, h = 13)
kable(f, caption = "Previsões para 2026 com intervalos de 95%")

Previsões para 2026 com intervalos de 95%
	Point Forecast	Lo 80	Hi 80	Lo 95	Hi 95
Jan 2026	81.04962	72.93840	89.16084	68.64458	93.45467
Feb 2026	88.30135	78.21570	98.38699	72.87668	103.72601
Mar 2026	88.02869	76.74868	99.30870	70.77740	105.27998
Apr 2026	90.70941	78.95332	102.46550	72.73002	108.68880
May 2026	88.21033	76.45423	99.96642	70.23094	106.18972
Jun 2026	84.15456	72.39847	95.91065	66.17517	102.13395
Jul 2026	81.72389	69.96779	93.47998	63.74449	99.70328
Aug 2026	81.05344	69.29734	92.80953	63.07404	99.03283
Sep 2026	78.27806	66.52197	90.03416	60.29867	96.25746
Oct 2026	77.69971	65.94426	89.45516	59.72130	95.67812
Nov 2026	72.68594	60.93198	84.43990	54.70980	90.66207
Dec 2026	62.93647	51.18460	74.68833	44.96354	80.90939
Jan 2027	76.49186	64.74326	88.24046	58.52393	94.45979

# Interpretação dos cenários (dezembro de 2026)

# Cenário Realista (Point Forecast):
# Para dezembro de 2026 o cenário realista realista indica que haverá 63% de acessos.

# Cenário Pessimista (Lo 95):
# Já no cenário pessimista identificamos que a previsão é de 45% de acessos em dezembro de 2026.

# Cenário Otimista (Hi 95)
# O cenário otimista mostra 81% de acessos em dezembro de 2026.

Trabalho em Grupo III

Carlos Medrado

2025-12-02

Trabalho em Grupo III - Grupo I Mamão

a) (2,0 pontos) Construa um diagrama da série e coloque nele as informações do tráfego do termo de busca do seu grupo. O título principal do gráfico deve ser o nome da série do seu grupo. O título do eixo y deve ser “% de buscas” e do eixo x “tempo em meses”.

b) (1,0 ponto) Realize a decomposição da série. Explique como ocorre a sazonalidade da série atribuída para o seu grupo. O diagrama do item anterior pode ajudar nessa análise.

c) (1,0 ponto) Avalie a tendência da série. Para isso, utilize o gráfico que mostra a suavização pelas médias móveis.

d) (2,0 pontos) Apresente os valores dos índices de sazonalidade e o gráfico que mostra os índices dentro de um único ciclo. Destaque em qual (is) mês (es) do ano o termo de busca do seu grupo é mais procurado no Google.

e) (2,0 pontos) Treine um modelo automaticamente com a função auto.arima. Com o modelo treinado, realize a previsão do percentual de buscas para os meses de janeiro de 2026 a dezembro de 2026. Apresente as previsões de forma numérica e de forma gráfica.