Previsão de demanda
Upcoming SlideShare
Loading in...5
×
 

Like this? Share it with your network

Share

Previsão de demanda

on

  • 1,896 views

 

Statistics

Views

Total Views
1,896
Views on SlideShare
1,894
Embed Views
2

Actions

Likes
0
Downloads
53
Comments
0

1 Embed 2

http://www.linkedin.com 2

Accessibility

Categories

Upload Details

Uploaded via as Microsoft PowerPoint

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment
  • 1
  • 2 A seqüência de slides a seguir apresenta a Figura 9.1. A seqüência se desenvolve em etapas até a figura final. Para melhorar a legibilidade, esta figura é apresentada em diversas partes . Este slide avança automaticamente.
  • 2
  • 3
  • 4
  • 5 Este slide avança automaticamente.
  • 6
  • 7
  • 2 A seqüência de slides a seguir apresenta a Tabela 9.1. A seqüência se desenvolve em etapas até a tabela final. Este slide avança automaticamente.
  • 2
  • 2
  • 2
  • 2
  • 8 A seqüência de slides a seguir apresenta a Figura 9.2. A seqüência se desenvolve em etapas até a figura final. Este slide avança automaticamente.
  • 8
  • 9
  • 10
  • 11
  • 12 Este slide avança automaticamente.
  • 13
  • 14 A seqüência de slides a seguir apresenta o Exemplo 9.1. A seqüência se desenvolve em etapas até a conclusão do exemplo, exibindo o desenvolvimento de equações-chave ao longo do caminho. Este slide avança automaticamente.
  • 14 Estes são os dados básicos dos quais a linha de regressão pode ser derivada.
  • 14 Os autores não abordam os cálculos reais da linha de regressão, exibindo somente os resultados, uma vez que a maioria dos estudantes usará calculadoras sofisticadas, planilhas eletrônicas ou o software OM Explorer. Entretanto, para aqueles professores que desejam manter a abordagem manual à regressão, segue-se uma segunda seqüência deste exemplo.
  • 14
  • 14
  • 14 Este slide avança automaticamente.
  • 14
  • 14
  • 14 Usando isto, é possível prever a demanda para o mês 6. Este slide avança automaticamente.
  • 14 Este slide avança automaticamente.
  • 14 Usando a previsão, é possível determinar o nível de produção real necessário para o mês 6.
  • 14 Esta seqüência de slides apresenta o Exemplo 9.1 novamente, mas, dessa vez, deriva realmente a linha de regressão usando equações clássicas. Isso se destina aos professores que queiram manter essa abordagem. Para facilidade em sala de aula, os professores devem excluir, a seu critério, uma dessas duas seqüências.
  • 15
  • 16
  • 17
  • 18 Este slide avança automaticamente.
  • 19
  • 20 Este slide avança automaticamente.
  • 21
  • 22
  • 23 Este slide avança automaticamente.
  • 24 Este slide avança automaticamente.
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31 A seqüência de slides a seguir apresenta o Exemplo 9.2. A seqüência se desenvolve em etapas até a conclusão do exemplo, exibindo o desenvolvimento de equações-chave ao longo do caminho. Este slide avança automaticamente.
  • 31 Este slide avança automaticamente.
  • 31 Estes são os dados reais, como é mostrado na Figura 9.4.
  • 32 Este slide avança automaticamente.
  • 33 Este slide avança automaticamente.
  • 33
  • 34 Usando os dados fixos (congelados) de três meses, é possível criar uma previsão para o mês 4.
  • 35 Este slide avança automaticamente.
  • 36
  • 37 Este slide avança automaticamente.
  • 38 Similarmente, o mês 5 pode ser previsto.
  • 39 Este slide avança automaticamente.
  • 39 Isso acrescenta a previsão de média móvel de 3 semanas à Figura 9.4.
  • 46 A seqüência de slides a seguir apresenta o Exemplo 9.3. A seqüência se desenvolve em etapas até a conclusão do exemplo, exibindo o desenvolvimento de equações-chave ao longo do caminho.
  • 46 A seqüência de slides a seguir apresenta o Exemplo 9.3. A seqüência se desenvolve em etapas até a conclusão do exemplo, exibindo o desenvolvimento de equações-chave ao longo do caminho.
  • 46 A seqüência de slides a seguir apresenta o Exemplo 9.3. A seqüência se desenvolve em etapas até a conclusão do exemplo, exibindo o desenvolvimento de equações-chave ao longo do caminho.
  • 47
  • 48
  • 49
  • 49 Este slide avança automaticamente.
  • 50 Não obstante não ser mostrado no livro, isso seria a plotagem da previsão exponencial harmônica criada no Exemplo 9.3.
  • 73 A seqüência de slides a seguir apresenta o Exemplo 9.4. A seqüência se desenvolve em etapas até a conclusão do exemplo, exibindo o desenvolvimento de equações-chave ao longo do caminho. Este slide avança automaticamente.
  • 73
  • 74
  • 75
  • 76 Este slide avança automaticamente.
  • 77
  • 78
  • 78
  • 79
  • 79
  • 80 Este slide avança automaticamente.
  • 81
  • 84 A seqüência de slides a seguir apresenta a Tabela 9.2. Cada slide adiciona outra coluna à tabela. Este slide avança automaticamente.
  • 84
  • 84
  • 84
  • 84 A seqüência de slides a seguir apresenta o material que dá seqüência ao Exemplo 9.4 sobre sinais de monitoramento. Este slide avança automaticamente.
  • 85 Este slide inicia a construção da Figura 9.5.
  • 86 Este slide conclui a Figura 9.5 e exibe o uso de um sinal de monitoramento.

Previsão de demanda Presentation Transcript

  • 1. Previsão deDemanda
  • 2. Padrões de demanda
  • 3. Quantidade Padrões de demanda TempoFigura 9.1
  • 4. Quantidade Padrões de demanda TempoFigura 9.1 (a) Horizontal: os dados se agrupam em torno de uma linha horizontal.
  • 5. Quantidade Padrões de demanda TempoFigura 9.1 (b) Tendência: os dados aumentam ou diminuem consistentemente.
  • 6. Quantidade Padrões de demanda Ano 1 | | | | | | | | | | | | J F M A M J J A S O N DFigura 9.1 Meses (c) Sazonal: os dados exibem picos e vales consistentemente.
  • 7. Quantidade Padrões de demanda Ano 1 Ano 2 | | | | | | | | | | | | J F M A M J J A S O N DFigura 9.1 Meses (c) Sazonal: os dados exibem picos e vales consistentemente.
  • 8. Quantidade Padrões de demanda | | | | | | 1 2 3 4 5 6Figura 9.1 Anos (c) Cíclico: os dados revelam aumentos e diminuições graduais ao longo de períodos extensos.
  • 9. Aplicações da previsão da demanda
  • 10. Aplicações da previsão da demanda Horizonte de tempo Curto prazo Médio prazo Longo prazo (0 a 3 meses) (3 meses a (mais de Aplicação 2 anos) 2 anos) Previsão de quantidade Área de decisão Técnica de previsãoTabela 9.1
  • 11. Aplicações da previsão da demanda Horizonte de tempo Curto prazo Médio prazo Longo prazo (0 a 3 meses) (3 meses a (mais de Aplicação 2 anos) 2 anos) Previsão de Produtos ou quantidade serviços individuais Área de decisão Gerenciamento de estoques Programa de montagem final Programa da força de trabalho Programa mestre de produção Técnica de Série temporal previsão Julgamento causalTabela 9.1
  • 12. Aplicações da previsão da demanda Horizonte de tempo Curto prazo Médio prazo Longo prazo Aplicação (0 a 3 meses) (3 meses a 2 anos) (mais de 2 anos) Previsão de Produtos ou Vendas totais quantidade serviços Grupos ou famílias de individuais produtos ou serviços Área de Gerenciamento Planejamento do staff decisão de estoques Planejamento da Programação de produção montagem final Programa mestre de Programa da força produção de trabalho Compras Programa mestre Distribuição de produção Técnica de Série temporal Julgamento previsão Julgamento Causal CausalTabela 9.1
  • 13. Aplicações da previsão da demanda Horizonte de tempo Curto prazo Médio prazo Longo prazoAplicação (0 a 3 meses) (3 meses a 2 anos) (mais de 2 anos)Previsão de Produtos ou Vendas totais Vendas totaisquantidade serviços Grupos ou famílias individuais de produtos ou serviçosÁrea de Gerenciamento de Planejamento de staff Localização decisão estoques Planejamento da das instalações Programação de produção Planejamento montagem final Programa mestre da capacidade Programa da força de produção Gerenciamento de trabalho Compras de projeto Programa mestre Distribuição de produçãoTécnica de Série temporal Julgamento Julgamento previsão Julgamento Causal Causal CausalTabela 9.1
  • 14. Métodos causais:Regressão linear em relação aosdados reais
  • 15. Métodos causais:Regressão linear em relação aosdados reais Y Variável dependente XFigura 9.2 Variável independente
  • 16. Métodos causais: Regressãolinear em relação aos dados reais Y Variável dependente XFigura 9.2 Variável independente
  • 17. Métodos causais:Regressão linear em relação aosdados reais Y Equação de regressão: Variável dependente Y = a + bX XFigure 9.2 Variável independente
  • 18. Métodos causais:Regressão linear em relação aosdados reais Y Equação de regressão: Variável dependente Y = a + bX Valor real de Y Valor de X usado para estimar Y XFigura 9.2 Variável independente
  • 19. Métodos causais:Regressão linear em relação aosdados reais Y Equação de Estimativa regressão: Variável dependente de Y a partir Y = a + bX da equação de regressão Valor real de Y Valor de X usado para estimar Y XFigura 9.2 Variável independente
  • 20. Métodos causais:Regressão linear em relação aosdados reais Desvio, Y Equação de ou erro Estimativa regressão: Variável dependente de Y a partir Y = a + bX da equação de regressão { Valor real de Y Valor de X usado para estimar Y XFigura 9.2 Variável independente
  • 21. Métodos causais:Regressão linear paraprever a demanda do produto
  • 22. Métodos causais:Regressão linear paraprever a demanda do produto Mês Vendas Propaganda (milhões de unidades) (milhares de $) 1 264 2,5 2 116 1,3 3 165 1,4 4 101 1,0 5 209 2,0Exemplo 9.1
  • 23. Métodos causais:Regressão linear paraprever a demanda do produto Mês Vendas Propaganda (milhões de unidades) (milhares de $) 1 264 2,5 a = -8,137 2 116 1,3 b = 109,230X 3 165 1,4 r = 0,980 4 101 1,0 5 209 2,0 r2 = 0,960 syx = 15,603Exemplo 9.1
  • 24. Métodos causais:Regressão linear paraprever a demanda do produto 300 — Vendas (milhões de unidades) 250 — Vendas Propaganda Mês 200 — (milhões de unidades) (milhares de $) a = -8,137 150 1 — 264 2,5 2 116 1,3 b = 109,230X 100 3 — 165 1,4 r = 0,980 4 101 1,0 r2 = 0,960 50 5 209 2,0 syx = 15,603 | | | | 1,0 1,5 2,0 2,5 Propaganda (milhares de dólares)Figura 9.2
  • 25. Métodos causais:Regressão linear 300 — Vendas (milhões de unidades) 250 — Vendas Propaganda Mês 200 — (milhões de unidades) (milhares de $) a = -8,137 1501 — 264 2,5 2 116 1,3 b = 109,230X 1003 — 165 1,4 r = 0,980 4 101 1,0 r2 = 0,960 50 5 209 2,0 syx = 15,603 | | | | 1,0 1,5 2,0 2,5 Propaganda (milhares de dólares)Figura 9.2
  • 26. Métodos causais:Regressão linear 300 — Vendas (milhões de unidades) 250 — Vendas Propaganda Mês 200 — (milhões de unidades) (milhares de $) 1 264 2,5 a = -8,137 150 — 2 116 1,3 b = 109,230X 3 100 — 165 1,4 r = 0,980 4 101 1,0 r2 = 0,960 50 5 209 -8,137 + 2,0 Y= 109,230X syx = 15,603 | | | | 1,0 1,5 2,0 2,5 Propaganda (milhares de dólares)Figura 9.2
  • 27. Métodos causais:Regressão linear 300 — Vendas (milhões de unidades) 250 — Vendas Propaganda Mês 200 — (milhões de unidades) (milhares de $) 1 264 2,5 a = -8,137 150 — 2 116 1,3 b = 109,230X 3 100 — 165 1,4 r = 0,980 4 101 1,0 r2 = 0,960 50 5 209 -8,137 + 2,0 Y= 109,230X syx = 15,603 | | | | 1,0 1,5 2,0 2,5 Propaganda (milhares de dólares)Figura 9.2
  • 28. Métodos causais:Regressão linear 300 — Vendas (milhões de unidades) 250 — Vendas Propaganda Mês 200 — (milhões de unidades) (milhares de $) 1 264 2,5 a = -8,137 150 — 2 116 1,3 b = 109,230X 3 100 — 165 1,4 r = 0,980 4 101 1,0 r2 = 0,960 50 5 209 -8,137 + 2,0 Y= 109,230X syx = 15,603 | | | | Previsão para o mês 6 1,0 1,5 2,0 2,5 Propaganda (milhares de dólares) X = $1.750, Y = -8,137 + 109,230(1,75)Figura 9.2
  • 29. Métodos causais:Regressão linear 300 — Vendas (milhões de unidades) 250 — Vendas Propaganda Mês 200 — (millhões de unidades) (milhares de $) 1 264 2,5 a = -8,137 150 — 2 116 1,3 b = 109,230X 3 100 — 165 1,4 r = 0,980 4 101 1,0 r2 = 0,960 50 5 209 -8,137 + 2,0 Y= 109,230X syx = 15,603 | | | | Previsão para o mês 6 1,0 1,5 2,0 2,5 Propaganda (milhares de dólares) X = $1.750, Y = 183,016, ou 183.016 unidadesFigura 9.2
  • 30. Métodos causais:Regressão linear 300 — Vendas (milhões de unidades) 250 — Vendas Propaganda Mês 200 — (milhões de unidades) (milhares de $) 1 264 2,5 a = -8,137 150 — 2 116 1,3 b = 109,230X 3 100 — 165 1,4 r = 0,980 4 101 1,0 r2 = 0,960 50 5 209 -8,137 + 2,0 Y= 109,230X syx = 15,603 | | | | 1,0 1,5 2,0 2,5 Propaganda (milhares de dólares)Figura 9.2
  • 31. Métodos causais:Regressão linear 300 — Vendas (milhões de unidades) 250 — Sales Propaganda Mês 200 — (milhões de unidades) (milhares de $) 1 264 2,5 a = -8,137 150 — 2 116 1,3 b = 109,230X 3 100 — 165 1,4 r = 0,980 4 101 1,0 r2 = 0,960 50 5 209 -8,137 + 2,0 Y= 109,230X syx = 15,603 | | | | Se estoque atual = 62.500 unidades, 1,0 1,5 2,0 2,5 Propaganda (milhares de dólares) produção = 183.016 - 62.500 = 120.516 unidadesFigura 9.2
  • 32. Métodos causais:Regressão linear Vendas Propaganda Mês (milhões de unidades) (milhares de $) 1 264 2,5 2 116 1,3 3 165 1,4 4 101 1,0 5 209 2,0Exemplo 9.1
  • 33. Métodos causais:Regressão linear Vendas Propaganda Mês (milhões de unidades) (milhares de $) 1 264 2,5 2 116 1,3 3 165 1,4 4 101 1,0 5 209 2,0 Σ XY - nXY a = Y - bX b= Σ X 2 - nX 2Exemplo 9.1
  • 34. Métodos causais:Regressão linear Vendas, YPropaganda, X Mês (milhões de unidades) (milhares de $) XY X2 Y2 1 264 2,5 660,0 6,25 69,696 2 116 1,3 150,8 1,69 13,456 3 165 1,4 231,0 1,96 27,225 4 101 1,0 101,0 1,00 10,201 5 209 2,0 418,0 4,00 43,681 Σ XY - nXY a = Y - bX b= Σ X 2 - nX 2Exemplo 9.1
  • 35. Métodos causais:Regressão linear Vendas, Y Propaganda, X Mês (milhões de unidades) (milhares de $) XY X2 Y2 1 264 2,5 660,0 6,25 69,696 2 116 1,3 150,8 1,69 13,456 3 165 1,4 231,0 1,96 27,225 4 101 1,0 101,0 1,00 10,201 5 209 2,0 418,0 4,00 43,681 Total 855 8,2 1.560,8 14,90 164,259 Y = 171 X = 1,64 Σ XY - nXY a = Y - bX b= Σ X 2 - nX 2Exemplo 9.1
  • 36. Métodos causais:Regressão linear Vendas, Y Propaganda, X Mês (milhões de unidades) (milhares de $) XY X2 Y2 1 264 2,5 660,0 6,25 69,696 2 116 1,3 150,8 1,69 13,456 3 165 1,4 231,0 1,96 27,225 4 101 1,0 101,0 1,00 10,201 5 209 2,0 418,0 4,00 43,681 Total 855 8,2 1.560,8 14,90 164,259 Y = 171 X = 1,64 1.560,8 - 5(1,64)(171) a = Y - bX b= 14,90 - 5(1,64)2Exemplo 9.1
  • 37. Métodos causais:Regressão linear Vendas, Y Propaganda, X Mês (milhões de unidades) (milhares de $) XY X2 Y2 1 264 2,5 660,0 6,25 69,696 2 116 1,3 150,8 1,69 13,456 3 165 1,4 231,0 1,96 27,225 4 101 1,0 101,0 1,00 10,201 5 209 2,0 418,0 4,00 43,681 Total 855 8,2 1.560,8 14,90 164,259 Y = 171 X = 1,64 a = Y - bX b = 109,230Exemplo 9.1
  • 38. Métodos causais:Regressão linear Vendas, Y Propaganda, X Mês (milhões de unidades) (milhares de $) XY X2 Y2 1 264 2,5 660,0 6,25 69,696 2 116 1,3 150,8 1,69 13,456 3 165 1,4 231,0 1,96 27,225 4 101 1,0 101,0 1,00 10,201 5 209 2,0 418,0 4,00 43,681 Total 855 8,2 1.560,8 14,90 164,259 Y = 171 X = 1,64 a = 171 - 109,230(1,64) b = 109,230Exemplo 9.1
  • 39. Métodos causais:Regressão linear Vendas, Y Propaganda, X Mês (milhões de unidades) (milhares de $) XY X2 Y2 1 264 2,5 660,0 6,25 69,696 2 116 1,3 150,8 1,69 13,456 3 165 1,4 231,0 1,96 27,225 4 101 1,0 101,0 1,00 10,201 5 209 2,0 418,0 4,00 43,681 Total 855 8,2 1.560,8 14,90 164,259 Y = 171 X = 1,64 a = - 8,137 b = 109,230Exemplo 9.1
  • 40. Métodos causais:Regressão linear Vendas, Y Propaganda, X Mês (milhões de unidades) (milhares de $) XY X2 Y2 1 264 2,5 660,0 6,25 69,696 2 116 1,3 150,8 1,69 13,456 3 165 1,4 231,0 1,96 27,225 4 101 1,0 101,0 1,00 10,201 5 209 2,0 418,0 4,00 43,681 Total 855 8,2 1.560,8 14,90 164,259 Y = 171 X = 1,64 a = - 8,137 b = 109,230 Y = - 8,137 + 109,230(X)Exemplo 9.1
  • 41. Métodos causais: 300 —Regressão linear Vendas (milhões de unidades) 250 — Vendas, Y Propaganda, X Mês (milhões de unidades) 200 — (milhares de $) XY X2 Y2 1 264 2,5 660,0 6,25 69,696 2 116 150 — 1,3 150,8 1,69 13,456 3 165 1,4 231,0 1,96 27,225 4 101 100 — 1,0 101,0 1,00 10,201 5 209 2,0 418,0 4,00 43,681 Total 50855 8,2 1.560,8 14,90 164,259 Y = 171 X = 1,64 | | | | 1,0 1,5 2,0 2,5 a = - 8,137 b = 109,230 Propaganda (milhares de dólares) Y = - 8,137 + 109,230(X)Figura 9.3
  • 42. Métodos causais: 300 —Regressão linear Vendas (milhões de unidades) 250 — Vendas, Y Propaganda, X Mês (milhões de unidades) 200 — (milhares de $) XY X2 Y2 1 264 2,5 660,0 6,25 69,696 2 116 150 — 1,3 150,8 1,69 13,456 3 165 1,4 231,0 1,96 27,225 4 101 100 — 1,0 101,0 1,00 10,201 5 209 2,0 418,0 4,00 43,681 Total 50855 8,2 1.560,8 14,90 164,259 Y = 171 X = 1,64 | | | | 1,0 1,5 2,0 2,5 a = - 8,137 b = 109,230 Propaganda (milhares de dólares) Y = - 8,137 + 109,230(X)Figura 9.3
  • 43. Métodos causais: 300 —Regressão linear Vendas (milhões de unidades) 250 — Vendas, Y Propaganda, X Mês(milhões — unidades)(000 $) XY 200 de X2 Y2 1 264 2,5 660,0 6,25 69,696 2 116 150 — 1,3 150,8 1,69 13,456 3 165 1,4 231,0 1,96 27,225 4 101 100 — 1,0 101,0 1,00 10,201 5 209 2,0 418,0 4,00 43,681 Total 50855 8,2 1.560,8 14,90 164,259 Y = 171 X = 1,64 | | | | 1,0 1,5 2,0 2,5 a = - 8,137 b = 109,230 Propaganda (milhares de dólares) Y = - 8,137 + 109,230(X)Figura 9.3
  • 44. Métodos causais:Regressão linear Vendas, Y Propaganda, X Mês (milhões de unidades) (milhares de $) XY X2 Y2 1 264 2,5 660,0 6,25 69,696 2 116 1,3 150,8 1,69 13,456 3 165 1,4 231,0 1,96 27,225 4 101 1,0 101,0 1,00 10,201 5 209 2,0 418,0 4,00 43,681 Total 855 8,2 1.560,8 14,90 164,259 Y = 171 X = 1,64Exemplo 9.1
  • 45. Métodos causais:Regressão linear Vendas, Y Propaganda, X Mês (milhões de unidades) (milhares de $) XY X2 Y2 1 264 2,5 660,0 6,25 69,696 2 116 1,3 150,8 1,69 13,456 3 165 1,4 231,0 1,96 27,225 4 101 1,0 101,0 1,00 10,201 5 209 2,0 418,0 4,00 43,681 Total 855 8,2 1.560,8 14,90 164,259 Y = 171 X = 1,64 nΣ XY - Σ X Σ Y r= [nΣ X 2 -(Σ X) 2][nΣ Y 2 - (Σ Y) 2]Exemplo 9.1
  • 46. Métodos causais:Regressão linear Vendas, Y Propaganda, X Mês (milhões de unidades) (milhares de $) XY X2 Y2 1 264 2,5 660,0 6,25 69,696 2 116 1,3 150,8 1,69 13,456 3 165 1,4 231,0 1,96 27,225 4 101 1,0 101,0 1,00 10,201 5 209 2,0 418,0 4,00 43,681 Total 855 8,2 1.560,8 14,90 164,259 Y = 171 X = 1,64 r = 0,980Exemplo 9.1
  • 47. Métodos causais:Regressão linear Vendas, Y Propaganda, X Mês (milhões de unidades) (milhares de $) XY X2 Y2 1 264 2,5 660,0 6,25 69,696 2 116 1,3 150,8 1,69 13,456 3 165 1,4 231,0 1,96 27,225 4 101 1,0 101,0 1,00 10,201 5 209 2,0 418,0 4,00 43,681 Total 855 8,2 1.560,8 14,90 164,259 Y = 171 X = 1,64 r = 0,980 r 2 = 0,960 σ YX = 15,603Exemplo 9.1
  • 48. Métodos causais:Regressão linear Vendas, Y Propaganda, X Mês (milhões de unidades) (milhares de $) XY X2 Y2 1 Previsão para 2,5mês 660,0 264 o 6: 6,25 69,696 2 116 1,3 150,8 1,69 13,456 3 Dispêndio com propaganda = $1.750 165 1,4 231,0 1,96 27,225 4 101 1,0 101,0 1,00 10,201 5 209= -8,137 + 109,230(1,75) 4,00 Y 2,0 418,0 43,681 Total 855 8,2 1.560,8 14,90 164,259 Y = 171 X = 1,64 r = 0,980 r 2 = 0,960 σ YX = 15,603Exemplo 9.1
  • 49. Métodos causais:Regressão linear Vendas, Y Propaganda, X Mês (milhões de unidades) (milhares de $) XY X2 Y2 1 Previsão para 2,5mês 660,0 264 o 6: 6,25 69,696 2 116 1,3 150,8 1,69 13,456 3 Dispêndio com propaganda = $1.750 165 1,4 231,0 1,96 27,225 4 101 1,0 101,0 1,00 10,201 5 209= 183.016 ou 183,016, depende43,681 Y 2,0 418,0 4,00 Total 855 8,2 1.560,8 14,90 164,259 Y = 171 X = 1,64 r = 0,980 r 2 = 0,960 σ YX = 15,603Exemplo 9.1
  • 50. Métodos de série temporal:Médias Móveis Simples
  • 51. Métodos de série temporal: Médias Móveis Simples 450 — Chegadas de pacientes 430 — 410 — 390 — 370 — | | | | | | 0 5 10 15 20 25 30 SemanaExemplo 9.2
  • 52. Métodos de série temporal: Médias Móveis Simples 450 — Chegadas de pacientes 430 — 410 — 390 — 370 — Chegadas reais de pacientes | | | | | | 0 5 10 15 20 25 30 SemanaFigura 9.4
  • 53. Métodos de série temporal: Médias Móveis Simples 450 — Chegadas de pacientes 430 — 410 — 390 — 370 — Chegadas reais de pacientes | | | | | | 0 5 10 15 20 25 30 SemanaExemplo 9.2
  • 54. Métodos de série temporal: Médias Móveis Simples 450 — Chegadas Chegadas de pacientes Semana de pacientes 430 — 1 400 2 380 410 — 3 411 390 — 370 — Chegadas reais de pacientes | | | | | | 0 5 10 15 20 25 30 SemanaExemplo 9.2
  • 55. Métodos de série temporal: Médias Móveis Simples 450 — Chegadas Chegadas de pacientes Semana de pacientes 430 — 1 400 2 380 410 — 3 411 390 — 370 — Chegadas reais de pacientes | | | | | | 0 5 10 15 20 25 30 SemanaExemplo 9.2
  • 56. Métodos de série temporal: Médias Móveis Simples 450 — Chegadas Chegadas de pacientes Semana de pacientes 430 — 1 400 2 380 410 — 3 411 390 — 370 — 411 + 380 + 400 F4 = 3 Chegadas reais de pacientes | | | | | | 0 5 10 15 20 25 30 SemanaExemplo 9.2
  • 57. Métodos de série temporal: Médias Móveis Simples 450 — Chegadas Chegadas de pacientes Semana de pacientes 430 — 1 400 2 380 410 — 3 411 390 — 370 — F4 = 397,0 Chegadas reais de pacientes | | | | | | 0 5 10 15 20 25 30 SemanaExemplo 9.2
  • 58. Métodos de série temporal: Médias Móveis Simples 450 — Chegadas Chegadas de pacientes Semana de pacientes 430 — 1 400 2 380 410 — 3 411 390 — 370 — F4 = 397,0 Chegadas reais de pacientes | | | | | | 0 5 10 15 20 25 30 SemanaExemplo 9.2
  • 59. Métodos de série temporal: Médias Móveis Simples 450 — Chegadas Chegadas de pacientes Semana de pacientes 430 — 2 380 3 411 410 — 4 415 390 — 370 — 415 + 411 + 380 F5 = 3 Chegadas reais de pacientes | | | | | | 0 5 10 15 20 25 30 SemanaExemplo 9.2
  • 60. Métodos de série temporal: Médias Móveis Simples 450 — Chegadas Chegadas de pacientes Semana de pacientes 430 — 2 380 3 411 410 — 4 415 390 — 370 — F5 = 402,0 Chegadas reais de pacientes | | | | | | 0 5 10 15 20 25 30 SemanaExemplo 9.2
  • 61. Métodos de série temporal: Médias Móveis Simples 450 — Chegadas de pacientes 430 — 410 — 390 — 370 — Chegadas reais de pacientes | | | | | | 0 5 10 15 20 25 30 SemanaExemplo 9.2
  • 62. Métodos de série temporal:Médias Móveis Simples 450 — Previsão de MM (Média Móvel)Chegadas de pacientes para 3 semanas 430 — 410 — 390 — 370 — Chegadas reais de pacientes | | | | | | 0 5 10 15 20 25 30 Semana
  • 63. Métodos de série temporal:Suavização exponencial
  • 64. Métodos de série temporal: Suavização exponencial 450 — Chegadas de pacientes 430 — 410 — 390 — 370 — | | | | | | 0 5 10 15 20 25 30 SemanaExemplo 9.3
  • 65. Métodos de série temporal: Suavização exponencial 450 — Chegadas de pacientes Suavização exponencial 430 — α = 0,10 410 — Ft +1 = Ft + α (Dt - Ft ) 390 — 370 — | | | | | | 0 5 10 15 20 25 30 SemanaExemplo 9.3
  • 66. Métodos de série temporal: Suavização exponencial 450 — Chegadas de pacientes Suavização exponencial 430 — α = 0,10 410 — Ft +1 = Ft + α (Dt - Ft ) 390 — F3 = (400 + 380)/2 370 — D3 = 411 F4 = 0,10(411) + 0,90(390) | | | | | | 0 5 10 15 20 25 30 SemanaExemplo 9.3
  • 67. Métodos de série temporal: Suavização exponencial 450 — Chegadas de pacientes Suavização exponencial 430 — α = 0,10 410 — Ft +1 = Ft + α (Dt - Ft ) 390 — F3 = (400 + 380)/2 370 — D3 = 411 F4 = 392,1 | | | | | | 0 5 10 15 20 25 30 SemanaExemplo 9.3
  • 68. Métodos de série temporal: Suavização exponencial 450 — Chegadas de pacientes Suavização exponencial 430 — α = 0,10 410 — Ft +1 = Ft + α (Dt - Ft ) 390 — F4 = 392,1 370 — D4 = 415 F4 = 392,1 F5 = 394,4 | | | | | | 0 5 10 15 20 25 30 SemanaExemplo 9.3
  • 69. Métodos de série temporal: Suavização exponencial 450 — Chegadas de pacientes 430 — 410 — 390 — 370 — | | | | | | 0 5 10 15 20 25 30 SemanaExemplo 9.3
  • 70. Métodos de série temporal: Suavização exponencial 450 — Chegadas de pacientes 430 — 410 — 390 — 370 — Suavização exponencial α = 0,10 | | | | | | 0 5 10 15 20 25 30 SemanaExemplo 9.3
  • 71. Escolhendo um métodoErro de previsão
  • 72. Escolhendo um métodoErro de previsão Medidas de erro de previsão Et = Dt - Ft Exemplo 9.4
  • 73. Escolhendo um métodoErro de previsão Medidas de erro de previsão Et = Dt - Ft CFE = Σ Et Σ (Et - E )2 σ= Σ Et 2 n-1 MSE = n Σ |Et | [Σ |Et |/Dt ]100 MAD = MAPE = n n Exemplo 9.4
  • 74. Escolhendo um métodoErro de previsão Erro Erro ao Erro absoluto Mês, Demanda, Previsão, Erro, quadrado, absoluto, percentual, t Dt Ft Et E t2 |Et| (|Et|/Dt)(100) 1 200 225 -25 625 25 12,5% 2 240 220 20 400 20 8,3 3 300 285 15 225 15 5,0 4 270 290 -20 400 20 7,4 5 230 250 -20 400 20 8,7 6 260 240 20 400 20 7,7 7 210 250 -40 1.600 40 19,0 8 275 240 35 1.225 35 12,7 Total -15 5.275 195 81,3% Exemplo 9.4
  • 75. Escolhendo um métodoErro de previsão Medidas de erro Erro Erro ao Erro absoluto Mês, Demanda, Previsão, Erro, quadrado, absoluto, percentual, t Dt Ft Et Et 2 |Et| (|Et|/Dt)(100) 1 200 225 -25 625 25 12,5% 2 240 220 20 400 20 8,3 3 300 285 15 225 15 5,0 4 270 290 -20 400 20 7,4 5 230 250 -20 400 20 8,7 6 260 240 20 400 20 7,7 7 210 250 -40 1.600 40 19,0 8 275 240 35 1.225 35 12,7 Total -15 5.275 195 81,3% Exemplo 9.4
  • 76. Escolhendo um métodoErro de previsão Medidas de erro Erro CFE = -15 Erro ao Erro absoluto Mês, Demanda, Previsão, Erro, quadrado, absoluto, percentual t Dt Ft Et E t2 |Et| (|Et|/Dt)(100) 1 200 225 -25 625 25 12,5% 2 240 220 20 400 20 8,3 3 300 285 15 225 15 5,0 4 270 290 -20 400 20 7,4 5 230 250 -20 400 20 8,7 6 260 240 20 400 20 7,7 7 210 250 -40 1.600 40 19,0 8 275 240 35 1.225 35 12,7 Total -15 5.275 195 81,3% Exemplo 9.4
  • 77. Escolhendo um métodoErro de previsão Medidas de erro Erro CFE = -15 Erro ao Erro absoluto Mês, Demanda, Previsão, Erro, quadrado, absoluto, percentual, -15 D E=t = -1,875 Ft t Et E t2 |Et| (|Et|/Dt)(100) 8 1 200 225 -25 625 25 12,5% 2 240 220 20 400 20 8,3 3 300 285 15 225 15 5,0 4 270 290 -20 400 20 7,4 5 230 250 -20 400 20 8,7 6 260 240 20 400 20 7,7 7 210 250 -40 1.600 40 19,0 8 275 240 35 1.225 35 12,7 Total -15 5.275 195 81,3% Exemplo 9.4
  • 78. Escolhendo um métodoErro de previsão Medidas de erro Erro CFE = -15 Erro ao Erro absoluto Mês, Demanda, Previsão, Erro, quadrado, absoluto, percentual, -5 D E=t = -1,875 Ft t Et E t2 |Et| (|Et|/Dt)(100) 8 1 200 225 -25 625 25 12,5% 2 240 5.275 220 20 400 20 8,3 MSE 3 = 300 = 659,4 285 15 225 15 5,0 4 8 270 290 -20 400 20 7,4 5 230 250 -20 400 20 8,7 6 260 240 20 400 20 7,7 7 210 250 -40 1.600 40 19,0 8 275 240 35 1.225 35 12,7 Total -15 5.275 195 81,3% Exemplo 9.4
  • 79. Escolhendo um métodoErro de previsão Medidas de erro Erro CFE = -5 Erro ao Erro absoluto Mês, Demanda, Previsão, Erro, quadrado, absoluto, percentual, -15 D E=t = -1,875 Ft t Et E t2 |Et| (|Et|/Dt)(100) 8 1 200 225 -25 625 25 12,5% 2 240 5.275 220 20 400 20 8,3 MSE 3 = 300 = 659,4 285 15 225 15 5,0 4 8 270 290 -20 400 20 7,4 5 230 250 -20 400 20 8,7 6 σ = 27,4 260 240 20 400 20 7,7 7 210 250 -40 1.600 40 19,0 8 275 240 35 1.225 35 12,7 Total -15 5.275 195 81,3% Exemplo 9.4
  • 80. Escolhendo um métodoErro de previsão Medidas de erro Erro CFE = -15 Erro ao Erro absoluto Mês, Demanda, Previsão, Erro, quadrado, absoluto, percentual, -15 D E=t = -1,875 Ft t Et Et 2 |Et| (|Et|/Dt)(100) 8 1 200 225 -25 625 25 12,5% 2 240 5.275 220 20 400 20 8,3 MSE 3 = 300 = 659,4 285 15 225 15 5,0 4 8 270 290 -20 400 20 7,4 5 230 250 -20 400 20 8,7 6 σ = 27,4 260 240 20 400 20 7,7 7 210 250 -40 1.600 40 19,0 8 195 275= 24,4 240 35 1.225 35 12,7 MAD = 8 Total -15 5.275 195 81,3% Exemplo 9.4
  • 81. Escolhendo um métodoErro de previsão Medidas de erro Erro CFE = -15 Erro ao Erro absoluto Mês, Demanda, Previsão, Erro, quadrado, absoluto, percentual, -15 D E=t = -1,875 Ft t Et E t2 |Et| (|Et|/Dt)(100) 8 1 200 225 -25 625 25 12,5% 5.275 MSE 2 = 240 = 659,4 220 20 400 20 8,3 3 8 300 285 15 225 15 5,0 4 270 290 -20 400 20 7,4 5 σ = 27,4 230 250 -20 400 20 8,7 6 260 240 20 400 20 7,7 7 195 210= MAD = 24,4 250 -40 1.600 40 19,0 8 8275 240 35 1.225 35 12,7 Total -15 5.275 195 81,3% 81,3%MAPE = = 10,2% 8 Exemplo 9.4
  • 82. Escolhendo um métodoErro de previsão Medidas de erro Erro CFE = -15 Erro ao Erro absoluto Mês, Demanda, Previsão, Erro, quadrado, absoluto, percentual, -15 D E=t = -1,875 Ft t Et E t2 |Et| (|Et|/Dt)(100) 8 1 200 225 -25 625 25 12,5% 2 240 5.275 220 20 400 20 8,3 MSE 3 = 300 = 659,4 285 15 225 15 5,0 4 8 270 290 -20 400 20 7,4 5 230 250 -20 400 20 8,7 6 σ = 27,4 260 240 20 400 20 7,7 7 210 250 -40 1.600 40 19,0 8 195 275= 24,4 240 35 1.225 35 12,7 MAD = 8 Total -15 5.275 195 81,3% 81,3%MAPE = = 10,2% Exemplo 9.4 8
  • 83. Escolhendo um métodoSinais de monitoramento
  • 84. Escolhendo um método Sinais de monitoramento Porcentagem da área da distribuição de probabilidade normal dentro dos limites de controle do sinal de monitoramento Intervalo do limite Número Porcentagem da área de controle equivalente de σ dentro dos limites (número de MAD) de controle ± 1,0 ± 1,5 ± 2,0 ± 2,5 ± 3,0 ± 3,5 ± 4,0Tabela 9.2
  • 85. Escolhendo um método Sinais de monitoramento Porcentagem da área da distribuição de probabilidade normal dentro dos limites de controle do sinal de monitoramento Intervalo do limite Número Pocentagem da área de controle equivalente de σ dentro dos limites (número de MAD) de controle ± 1,0 ± 0,80 ± 1,5 ± 1,20 ± 2,0 ± 1,60 ± 2,5 ± 2,00 ± 3,0 ± 2,40 ± 3,5 ± 2,80 ± 4,0 ± 3,20Tabela 9.2
  • 86. Escolhendo um método Sinais de monitoramento Porcentagem da área da distribuição de probabilidade normal dentro dos limites de controle do sinal de monitoramento Intervalo do limite Número Porcentagem da área de controle equivalente de σ dentro dos limites (número de MAD) de controle ± 1,0 ± 0,80 57,62 ± 1,5 ± 1,20 76,98 ± 2,0 ± 1,60 89,04 ± 2,5 ± 2,00 95,44 ± 3,0 ± 2.40 98,36 ± 3,5 ± 2,80 99,48 ± 4,0 ± 3,20 99,86Tabela 9.2
  • 87. Escolhendo um métodoSinais de monitoramento
  • 88. Escolhendo um métodoSinais de monitoramento CFE Sinal de monitoramento = MAD +2,0 — Limite de controle Sinal de monitoramento +1,5 — +1,0 — +0,5 — 0— - 0,5 — - 1,0 — Limite de controle - 1,5 — | | | | | 0 5 10 15 20 25Figura 9.5 Número da observação
  • 89. Escolhendo um métodoSinais de monitoramento CFE Sinal de monitoramento = MAD Fora de controle +2,0 — Limite de controle Sinal de monitoramento +1,5 — +1,0 — +0,5 — 0— - 0,5 — - 1,0 — Limite de controle - 1,5 — | | | | | 0 5 10 15 20 25Figura 9.5 Número da observação