Adicione uma linha de tendência ou média móvel a um gráfico Aplica-se a: Excel 2017 Word 2017 PowerPoint 2017 Excel 2017 Word 2017 Outlook 2017 PowerPoint 2017 Mais. Menos Para mostrar tendências de dados ou médias móveis em um gráfico que você criou. Você pode adicionar uma linha de tendência. Você também pode ampliar uma linha de tendência além de seus dados reais para ajudar a prever os valores futuros. Por exemplo, a seguinte linha de tendência linear prevê dois trimestres à frente e mostra claramente uma tendência ascendente que parece promissora para futuras vendas. Você pode adicionar uma linha de tendência a um gráfico 2-D que não está empilhado, incluindo área, barra, coluna, linha, estoque, dispersão e bolha. Você não pode adicionar uma linha de tendência a um gráfico empilhado, 3-D, radar, torta, superfície ou filhós. Adicione uma linha de tendência No seu gráfico, clique na série de dados para a qual deseja adicionar uma linha de tendência ou média móvel. A linha de tendência começará no primeiro ponto de dados da série de dados que você escolher. Verifique a caixa Trendline. Para escolher um tipo diferente de linha de tendência, clique na seta ao lado de Trendline. E depois clique em Exponencial. Previsão linear. Ou a média móvel de dois períodos. Para linhas de tendência adicionais, clique em Mais opções. Se você escolher Mais opções. Clique na opção desejada no painel Format Trendline em Trendline Options. Se você selecionar Polinômio. Insira a maior potência para a variável independente na caixa Ordem. Se você selecionar Moeda em Movimento. Insira o número de períodos a serem usados para calcular a média móvel na caixa Período. Dica: uma linha de tendência é mais precisa quando seu valor R-quadrado (um número de 0 a 1 que revela quão íntimo os valores estimados para a linha de tendência correspondem aos seus dados reais) é em ou próximo de 1. Quando você adiciona uma linha de tendência aos seus dados , O Excel calcula automaticamente o valor R-squared. Você pode exibir esse valor em seu gráfico, verificando o valor Exibir R-quadrado na caixa de gráfico (Formato do painel Trendline, Opções da Tendência). Você pode aprender mais sobre todas as opções de linha de tendência nas seções abaixo. Linha de tendência linear Use este tipo de linha de tendência para criar uma linha reta de melhor ajuste para conjuntos de dados lineares simples. Seus dados são lineares se o padrão em seus pontos de dados parecer uma linha. Uma linha de tendência linear geralmente mostra que algo está aumentando ou diminuindo a uma taxa constante. Uma linha de tendência linear usa essa equação para calcular os mínimos quadrados adequados para uma linha: onde m é a inclinação e b é a intercepção. A linha de tendência linear a seguir mostra que as vendas de refrigeradores aumentaram consistentemente ao longo de um período de 8 anos. Observe que o valor do R-quadrado (um número de 0 a 1 que revela o quão próximo os valores estimados para a linha de tendência correspondem aos seus dados reais) é 0.9792, o que é um bom ajuste da linha para os dados. Mostrando uma linha curvada de melhor ajuste, esta linha de tendência é útil quando a taxa de alteração nos dados aumenta ou diminui rapidamente e depois desacelera. Uma linha de tendência logarítmica pode usar valores negativos e positivos. Uma linha de tendência logarítmica usa essa equação para calcular os mínimos quadrados que se encaixam nos pontos: onde c e b são constantes e ln é a função de logaritmo natural. A seguinte linha de tendência logarítmica mostra o crescimento populacional previsto de animais em uma área de espaço fixo, onde a população se estabilizou à medida que o espaço para os animais diminuiu. Observe que o valor R-quadrado é 0.933, que é um ajuste relativamente bom da linha para os dados. Esta linha de tendência é útil quando seus dados flutuam. Por exemplo, quando você analisa ganhos e perdas em um grande conjunto de dados. A ordem do polinômio pode ser determinada pelo número de flutuações nos dados ou por quantas curvas (colinas e vales) aparecem na curva. Normalmente, uma linha de tendência polinomial da Ordem 2 tem apenas uma colina ou vale, uma Ordem 3 tem uma ou duas colinas ou vales, e uma Ordem 4 tem até três colinas ou vales. Uma linha de tendência polinomial ou curvilínea usa esta equação para calcular os mínimos quadrados que se encaixam nos pontos: onde b e são constantes. A linha de tendência polinomial da ordem 2 (uma colina) mostra a relação entre velocidade de condução e consumo de combustível. Observe que o valor R-squared é 0.979, que é próximo de 1, de modo que as linhas são adequadas aos dados. Mostrando uma linha curva, esta linha de tendência é útil para conjuntos de dados que comparam medidas que aumentam a uma taxa específica. Por exemplo, a aceleração de um carro de corrida em intervalos de 1 segundo. Você não pode criar uma linha de tendência de energia se seus dados contiverem valores zero ou negativos. Uma linha de tendência de energia usa essa equação para calcular os mínimos quadrados que se encaixam nos pontos: onde c e b são constantes. Nota: Esta opção não está disponível quando os dados incluem valores negativos ou nulos. O gráfico de medidas de distância a seguir mostra a distância em metros por segundos. A linha de tendência de energia demonstra claramente a crescente aceleração. Observe que o valor R-squared é 0.986, que é um ajuste quase perfeito da linha para os dados. Mostrando uma linha curva, esta linha de tendência é útil quando os valores de dados aumentam ou caem a taxas cada vez maiores. Você não pode criar uma linha de tendência exponencial se seus dados contiverem valores zero ou negativos. Uma linha de tendência exponencial usa esta equação para calcular os mínimos quadrados que se encaixam nos pontos: onde c e b são constantes e e é a base do logaritmo natural. A seguinte linha de tendência exponencial mostra a quantidade decrescente de carbono 14 em um objeto à medida que envelhece. Observe que o valor R-quadrado é 0.990, o que significa que a linha se encaixa perfeitamente nos dados. Tendência média média Esta linha de tendência eleva as flutuações nos dados para mostrar um padrão ou tendência com mais clareza. Uma média móvel usa um número específico de pontos de dados (definido pela opção Período), os em média e usa o valor médio como um ponto na linha. Por exemplo, se o Período for definido como 2, a média dos dois primeiros pontos de dados é usada como o primeiro ponto na linha de tendência média móvel. A média do segundo e terceiro pontos de dados é usada como o segundo ponto na linha de tendência, etc. Uma linha de tendência média móvel usa essa equação: O número de pontos em uma linha de tendência média móvel é igual ao número total de pontos da série, menos a Número que você especificou para o período. Em um gráfico de dispersão, a linha de tendência é baseada na ordem dos valores de x no gráfico. Para obter um resultado melhor, classifique os valores x antes de adicionar uma média móvel. A seguinte linha de tendência média móvel mostra um padrão no número de casas vendidas ao longo de um período de 26 semanas. Métodos da Série Temporária Os métodos da série temporal são técnicas estatísticas que usam dados históricos acumulados ao longo de um período de tempo. Os métodos da série temporal suportam que o que ocorreu no passado continuará a ocorrer no futuro. Como sugere o nome da série temporal, esses métodos relacionam a previsão com apenas um fator - tempo. Eles incluem a média móvel, alisamento exponencial e linha de tendência linear e estão entre os métodos mais populares para previsão de curto alcance entre empresas de serviços e fabricação. Esses métodos assumem que os padrões ou tendências históricas identificáveis ao longo do tempo se repetirão. Média móvel Uma previsão de séries temporais pode ser tão simples como usar a demanda no período atual para prever a demanda no próximo período. Isso às vezes é chamado de uma previsão ingênua ou intuitiva. 4 Por exemplo, se a demanda for de 100 unidades nesta semana, a previsão para as próximas semanas, a demanda é de 100 unidades, se a demanda for de 90 unidades, então a demanda da semana seguinte é de 90 unidades, e assim por diante. Este tipo de método de previsão não leva em consideração o comportamento da demanda histórica, ele depende apenas da demanda no período atual. Ele reage diretamente aos movimentos normais e aleatórios da demanda. O método de média móvel simples usa vários valores de demanda durante o passado recente para desenvolver uma previsão. Isso tende a atenuar, ou suavizar, os aumentos e diminuições aleatórias de uma previsão que usa apenas um período. A média móvel simples é útil para prever a demanda que é estável e não exibe nenhum comportamento de demanda pronunciado, como uma tendência ou padrão sazonal. As médias móveis são calculadas para períodos específicos, como três meses ou cinco meses, dependendo de quanto o antecessor deseja suavizar os dados da demanda. Quanto maior o período médio móvel, mais suave será. A fórmula para calcular a média móvel simples é a Computação de uma Média Móvel Simples O Instant Paper Clip Office Supply Company vende e entrega material de escritório para empresas, escolas e agências dentro de um raio de 50 milhas de seu armazém. O negócio de suprimentos de escritório é competitivo e a capacidade de entregar ordens prontamente é um fator para obter novos clientes e manter os antigos. (Os escritórios normalmente não efetuam pedidos quando são baixos os suprimentos, mas quando eles estão completamente esgotados. Como resultado, eles precisam de suas ordens imediatamente). O gerente da empresa quer estar certo de que drivers e veículos estão disponíveis para entregar ordens prontamente e Eles têm estoque adequado em estoque. Portanto, o gerente quer ser capaz de prever o número de pedidos que ocorrerão no próximo mês (ou seja, para prever a demanda por entregas). A partir dos registros das ordens de entrega, a administração acumulou os seguintes dados nos últimos 10 meses, dos quais pretende calcular as médias móveis de 3 e 5 meses. Deixe-nos assumir que é o final de outubro. A previsão resultante da média móvel de 3 ou 5 meses é tipicamente para o próximo mês na seqüência, que neste caso é novembro. A média móvel é calculada a partir da demanda por pedidos para os 3 meses anteriores na seqüência de acordo com a seguinte fórmula: A média móvel de 5 meses é calculada a partir dos dados anteriores de demanda de 5 meses da seguinte forma: Os 3 e 5 meses As previsões médias móveis para todos os meses de dados da demanda são mostradas na tabela a seguir. Na verdade, apenas a previsão de novembro com base na demanda mensal mais recente seria usada pelo gerente. No entanto, as previsões anteriores para meses anteriores nos permitem comparar a previsão com a demanda real para ver quão preciso é o método de previsão - ou seja, o quão bem ele faz. Médias de três e cinco meses Ambas as previsões da média móvel na tabela acima tendem a suavizar a variabilidade que ocorre nos dados reais. Este efeito de suavização pode ser observado na figura a seguir em que as médias de 3 meses e 5 meses foram superpostas em um gráfico dos dados originais: a média móvel de 5 meses na figura anterior suaviza as flutuações em maior medida do que A média móvel de 3 meses. No entanto, a média de 3 meses reflete melhor os dados mais recentes disponíveis para o gerente de suprimentos de escritório. Em geral, as previsões que usam a média móvel de longo prazo são mais lentas para reagir às mudanças recentes na demanda do que as feitas com médias móveis de menor período. Os períodos extras de dados amortecem a velocidade com que a previsão responde. Estabelecer o número apropriado de períodos para usar em uma previsão média móvel geralmente requer alguma quantidade de experimentação de tentativa e erro. A desvantagem do método da média móvel é que ele não reage às variações que ocorrem por uma razão, como ciclos e efeitos sazonais. Os fatores que causam alterações são geralmente ignorados. É basicamente um método mecânico, que reflete os dados históricos de forma consistente. No entanto, o método da média móvel tem a vantagem de ser fácil de usar, rápido e relativamente barato. Em geral, esse método pode fornecer uma boa previsão para o curto prazo, mas não deve ser empurrado para o futuro. Média Variável Ponderada O método da média móvel pode ser ajustado para refletir mais adequadamente as flutuações nos dados. No método da média móvel ponderada, os pesos são atribuídos aos dados mais recentes de acordo com a seguinte fórmula: Os dados da demanda para PM Computer Services (mostrado na tabela para o Exemplo 10.3) parecem seguir uma tendência linear crescente. A empresa quer calcular uma linha de tendência linear para ver se ela é mais precisa do que o alívio exponencial e as previsões de suavização exponencial ajustadas desenvolvidas nos Exemplos 10.3 e 10.4. Os valores necessários para os cálculos de mínimos quadrados são os seguintes: usando esses valores, os parâmetros para a linha de tendência linear são calculados da seguinte forma: Portanto, a equação linear da linha de tendência é Para calcular uma previsão para o período 13, vamos x 13 na linear Linha de tendência: o gráfico a seguir mostra a linha de tendência linear em comparação com os dados reais. A linha de tendência parece refletir de perto os dados reais - ou seja, para ser um bom ajuste - e, portanto, seria um bom modelo de previsão para esse problema. No entanto, uma desvantagem da linha de tendência linear é que ela não se ajustará a uma mudança na tendência, pois os métodos de previsão de suavização exponencial serão, é assumido que todas as futuras previsões seguirão uma linha reta. Isso limita o uso desse método para um período de tempo mais curto em que você pode estar relativamente certo de que a tendência não mudará. Ajustes sazonais Um padrão sazonal é um aumento repetitivo e diminuição da demanda. Muitos itens de demanda exibem comportamento sazonal. As vendas de roupas seguem padrões sazonais anuais, com demanda por roupas quentes aumentando no outono e no inverno e diminuindo na primavera e no verão, à medida que a demanda por roupas mais frescas aumenta. A demanda por muitos itens de varejo, incluindo brinquedos, equipamentos esportivos, roupas, aparelhos eletrônicos, presuntos, perus, vinho e frutas, aumentam durante a temporada de férias. A demanda do cartão de felicitações aumenta em conjunto com dias especiais, como Dia dos Namorados e Dia das Mães. Padrões sazonais também podem ocorrer de forma mensal, semanal ou mesmo diária. Alguns restaurantes têm maior demanda na noite do que no almoço ou nos fins de semana em vez de dias úteis. O tráfego - daí as vendas - nos shoppings começa em sexta e sábado. Existem vários métodos para refletir padrões sazonais em uma previsão de séries temporais. Descreveremos um dos métodos mais simples usando um fator sazonal. Um fator sazonal é um valor numérico que é multiplicado pela previsão normal para obter uma previsão ajustada sazonalmente. Um método para desenvolver uma demanda por fatores sazonais é dividir a demanda por cada período sazonal pela demanda anual total, de acordo com a seguinte fórmula: Os fatores sazonais resultantes entre 0 e 1,0 são, de fato, a parcela da demanda anual total atribuída a Cada temporada. Esses fatores sazonais são multiplicados pela demanda prevista anual para produzir previsões ajustadas para cada estação. Computação de uma previsão com ajustes sazonais O Wishbone Farms cresce perus para vender para uma empresa de processamento de carne ao longo do ano. No entanto, a sua alta temporada é, obviamente, durante o quarto trimestre do ano, de outubro a dezembro. A Wishbone Farms experimentou a demanda por perus nos últimos três anos, mostrada na tabela a seguir: porque temos três anos de dados da demanda, podemos calcular os fatores sazonais dividindo a demanda trimestral total para os três anos pela demanda total em todos os três anos : Em seguida, queremos multiplicar a demanda prevista para o próximo ano, 2000, por cada um dos fatores sazonais para obter a demanda prevista para cada trimestre. Para isso, precisamos de uma previsão de demanda para 2000. Nesse caso, uma vez que os dados da demanda na tabela parecem exibir uma tendência geralmente crescente, calculamos uma linha de tendência linear para os três anos de dados na tabela para obter um impacto Estimativa de previsão: assim, a previsão para 2000 é 58.17, ou 58.170 perus. Ao usar esta previsão anual da demanda, as previsões corrigidas sazonalmente, SF i, para 2000 estão comparando essas previsões trimestrais com os valores reais da demanda na tabela, eles pareceriam relativamente boas estimativas de previsão, refletindo as variações sazonais nos dados e A tendência geral ascendente. 10-12. Como é o método da média móvel semelhante ao suavização exponencial 10-13. O efeito sobre o modelo de suavização exponencial aumentará a constante de suavização 10-14. Como o alisamento exponencial ajustado difere do alisamento exponencial 10-15. O que determina a escolha da constante de suavização para tendência em um modelo de suavização exponencial ajustado 10-16. Nos exemplos de capítulo para métodos de séries temporais, a previsão inicial sempre foi assumida como a demanda real no primeiro período. Sugerir outras formas em que a previsão inicial pode ser derivada no uso real. 10-17. Como o modelo de previsão da linha de tendência linear difere de um modelo de regressão linear para a previsão de 10-18. Dos modelos de séries temporais apresentados neste capítulo, incluindo a média móvel e média móvel ponderada, suavização exponencial e suavização exponencial ajustada, e linha de tendência linear, qual você considera o melhor Porquê 10 a 19. Quais vantagens o alinhamento exponencial ajustado tem sobre uma linha de tendência linear para a demanda prevista que exibe uma tendência 4 K. B. Kahn e J. T. Mentzer, Previsão em Mercados de Consumidores e Industriais, The Journal of Business Forecasting 14, no. 2 (Verão de 1995): 21-28.Metodo peramalan (previsão) terdiri dari metode kualitatif dan kuantitatif. Metode kualitatif adalah metode yang menganalisis kondisi obyektif dengan apa adanya atau peramalan yang didasarkan atas dados kualitatif pada masa lalu. Hasil peramalan yang dibuat sangat bergantung pada orang yang menyusunnya. Peramalan kualitatif memanfaatkan factor-faktor penting seperti intuisi, pendapat, pengalaman pribadi, dan system nilai pengambilan keputusan. Metode ini meliputi metode delphi, metodo nominal grup, pesquisa passando por analogia analogia analítica e ciclo de vida. Metode kuantitatif adalah peramalan yang didasarkan atas dados kuantitatif atau modelo matematis yang beragam dengan dados masa lalu. Hasil peramalan yang dibuat sangat bergantung pada metode yang dipergunakan dalam peramalan tersebut. Baik tidaknya metode yang digunakan tergantung dengan perbedaan atau penyimpangan antara hasil ramalan dengan kenyataan yang terjadi. Semakin kecil penyimpangan antara hasil ramalan dengan kenyataan yang akan terjadi maka semakin baik pula metode yang digunakan. Metode kuantitatif dapat diterapkan apabila. uma. Tersedia dados dan informasi masa lalu b. Dados de Informasi tersebut dapat dikuantitatifkan dalam bentuk numerik c. Diasumsikan beberapa aspek masa lalu akan terus berlanjut di masa datang. Metode ini meliputi metode kausal dan series temporais. A. Metode Time Series Metode series temporais (deret waktu) didasarkan atas penggunaan analisa pola hubungan antar variabel yang diperkirakan dengan variabel waktu. Metode série temporal terdiri dari metode naif, metode rata-rata bergerak (média móvel), metodo eksponential smoothing from metode tendência projeção. Cara sederhana untuk peramalan ini mengasumsikan bahwa permintaan dalam periode berikutnya adalah sama dengan peramalan dalam periode sebelumnya. Pendekatan naif ini merupakan modelo peramalan objektif yang paling efektif dan efisien dari segi biaya. Paling tidak pen-dekatan naif memberikan titik awal untuk perbandingan dengan modelo lain yang lebih canggih. Contoh. Jika penjualan sebuah produk (mis: telepon genggam Motorolla) adalah 68 unidade pada bulan Januari, kita dapat meramalkan penjualan pada bulan Februari akan sama, yaitu sebanyak 68 unidade juga. Metode Rata-rata Bergerak (média móvel) Rata-rata bergerak adalah suatu metodo peramalan yang menggunakan rata-rata periode terakhir dados untuk meramalkan periode berikutnya. Metode eksponential smoothing merupakan pengembangan dari metode em média móvel. Dalam metode ini peramalan dilakukan dengan mengulang perhitungan secara terus menerus dengan menggunakan data terbaru. Setiap dados diberi bobot, dados yang lebih baru diberi bobot yang lebih besar. Rumus metode epersponential suavização. Dimana. F t Peramalan baru F t-1 Peramalan sebelumnya Konstanta penghalusan (08804 88051) A t-1 Permintaan aktual periode lalu Menghitung kesalahan peramalan Ada beberapa perhitungan yang biasa digunakan untuk menghitung kesalahan dalam peramalan. Tiga dari perhitungan yang paling terkenal adalah Deviasi mutlak rata-rata (desvio absoluto médio MAD) MAD adalah nilai yang dihitung dengan mengambil jumlah nilai absolut dari setiap kesalahan peramalan dibagi dengan jumlah periode dados (n). B. Metode Kausal Metode peramalan kausal mengembangkan suatu modelo sebab-akibat antara permintaan yang diramalkan dengan variable-variabel lain yang dianggap berpengaruh. Sebagai contoh, permintaan akan baju baru mungkin berhubungan dengan banyaknya populasi, pendapat masyarakat, jenis kelamin, budaya daerah, dan bulan-bulan khusus (hari raya, natal, tahun baru). Data dari variável-variabel tersebut dikumpulkan dan dianalisa untuk menentukan kevaliditasan dari modelo peramalan yang diusulkan. Metode ini dipakai untuk kondisi dimana variável penyebab terjadinya item yang akan diramalkan sudah diketahui. Dengan adanya hubungan tersebut, saída dapat diketahui jika input diketahui. Metoda regresi dan korelasi pada penetapan suatu persamaan estimasi menggunakan teknik 8220least squares8221. Hubungan yang ada pertama-tama dianalisis secara statistik. Ketepatan peramalan dengan menggunakan metoda ini sangat baik untuk peramalan jangka pendek, sedangkan untuk peramalan jangka panjang ternyata ketepatannya kurang begitu baik. Metoda ini banyak digunakan untuk peramalan penjualan, perencanaan keuntungan, peramalan permintaan dan permalan keadaan ekonomi. Data yang dibutuhkan untuk penggunaan metoda ini adalah dados kuartalan dari beberapa tahun lalu. Contoh: dados berikut berhubungan dengan nilai penjualan pada bar pada beberapa pecan di penginapan Marthy e Polly Starr di Marathon, Flórida. Jika peramalan menunjukkan bahwa akan namorando 20 tamu pecan depan, berapakah penjualan yang diharapkan. Metoda ini didasarkan atas peramalan sistem persamaan regresi yang diestimasikan secara simultan. Baik untuk peramalan jangka pendek maupun peramalan jangka panjang, ketepatan peramalan dengan metoda ini sangat baik. Metoda peramalan ini selalu dipergunakan untuk peramalan penjualan menurut kelas produk, atau peramalan keadaan ekonomi masyarakat, seperti permintaan, harga dan pena. Data yang dibutuhkan untuk penggunaan metoda peramalan ini adalah dados kuartalan beberapa tahun. Empat tahapan yang termasuk di dalam memformulasi modelo de previsão ekonometrika ini antara lain membangun suatu modelo teori, mengumpulkan dados, memilih bentuk persamaan fungsi yang diestimas, dan mengestimasi dan menginterpretasi hasil. Contoh. S ebagai contoh disini misalnya kita menginginkan untuk memprakirakan permintaan, maka hubungan antar harga dan kuantitas dapat menjadi dasar teori yang logis bagi suatu modelo. Faktor harga yang mempengaruhi volume permintaan tersebut sebenarnya tidaklah merupakan satu-satunya faktor yang mempengaruhi permintaan, tetapi banyak faktor lain yang juga ikut mempengaruhi permintaan. Maka secara spesifik hubungan kausalistik permintaan itu dipengaruhi oleh selain harga, tetapi juga dipengaruhi misalnya oleh renda por kapita (I), harga barang lain (Po), dan Advertensi (A), dan lain-lain. Karena itu modelo fungsi yang dikembangkan dalam persamaan ekonometri sebagaimana ditunjukkan pada pembahasan estimaz permintaan yang dipengaruhi oleh sejumlah faktor atau variabel antara lain seperti yang dinyatakan sebagai: Qd f (P, I, Po, dan A) Yang secara ekonomi terbukti secara empirik bahwa fungsi permintaan Dipengaruhi P, I, Po, dan A itu dirumuskan sebagai fungsi: Qd a 8211 bP cI dPo eA Dimana Qd merupakan volume permintaan, um merupakan koefisiensi konstanta, b, c, d, dan e merupakan koefisiensi faktor Harga, Renda, Harga Barang Lain , Dan Advertistensi. Metoda ini dipergunakan untuk menyusun proyeksi tendência ekonomi jangka panjang. Modelo ini kurang baik ketepatannya untuk peramalana jangka panjang. Modelo ini banyak dipergunakan untuk peramalan penjualan perusahaan, penjualan sektor industri dan sub-sektor industri, produksi dari sektor dan sub sektor industri. Data yang dibutuhkan untuk penggunaan metoda atau modelo ini adalah dados tahunan selama sekitar sepuluh sampai lima belas tahun. Perkenalcan, saya dari tim kumpulbagi. Saya ingin tau, apakah kiranya anda berencana untuk mengoleksi arquivos menggunakan hospedagem yang baru Jika ya, silahkan kunjungi site ini kbagi untuk info selengkapnya. Di sana anda bisa dengan bebas partilha dan mendowload foto-foto keluarga dan viagem, música, video, filem dll dalam jumlah dan waktu yang tidak terbatas, setelah registrasi terlebih dahulu. Gratuito :)
No comments:
Post a Comment