Previsão deDemanda
Padrões de demanda
Quantidade Padrões de demanda TempoFigura 9.1
Quantidade Padrões de demanda TempoFigura 9.1 (a) ...
Quantidade Padrões de demanda TempoFigura 9.1 (b) Tendênc...
Quantidade Padrões de demanda Ano 1 ...
Quantidade Padrões de demanda Ano 1 ...
Quantidade Padrões de demanda | | | | | | ...
Aplicações da previsão da demanda
Aplicações da previsão da demanda Horizonte de tempo Curto prazo M...
Aplicações da previsão da demanda Horizonte de tempo Curto pr...
Aplicações da previsão da demanda Horizonte de tempo Curto prazo ...
Aplicações da previsão da demanda Horizonte de tempo Curto prazo ...
Métodos causais:Regressão linear em relação aosdados reais
Métodos causais:Regressão linear em relação aosdados reais Y Variável dependente ...
Métodos causais: Regressãolinear em relação aos dados reais Y Variável dependente ...
Métodos causais:Regressão linear em relação aosdados reais Y Equaç...
Métodos causais:Regressão linear em relação aosdados reais Y Equ...
Métodos causais:Regressão linear em relação aosdados reais Y ...
Métodos causais:Regressão linear em relação aosdados reais Desvio, ...
Métodos causais:Regressão linear paraprever a demanda do produto
Métodos causais:Regressão linear paraprever a demanda do produto Mês Vendas Propaganda ...
Métodos causais:Regressão linear paraprever a demanda do produto Mês Vendas Propaganda (milhões...
Métodos causais:Regressão linear paraprever a demanda do produto 300 — Vendas (milhões de...
Métodos causais:Regressão linear 300 — Vendas (milhões de unidades) ...
Métodos causais:Regressão linear 300 — Vendas (milhões de unidades) ...
Métodos causais:Regressão linear 300 — Vendas (milhões de unidades) ...
Métodos causais:Regressão linear 300 — Vendas (milhões de unidades) ...
Métodos causais:Regressão linear 300 — Vendas (milhões de unidades) ...
Métodos causais:Regressão linear 300 — Vendas (milhões de unidades) ...
Métodos causais:Regressão linear 300 — Vendas (milhões de unidades) ...
Métodos causais:Regressão linear Vendas Propaganda Mês (milhões de unidades) (mil...
Métodos causais:Regressão linear Vendas Propaganda Mês (milhões de unidades) (mil...
Métodos causais:Regressão linear Vendas, YPropaganda, X Mês (milhões de unidades) (milhares de $...
Métodos causais:Regressão linear Vendas, Y Propaganda, X Mês (milhões de unidades) ...
Métodos causais:Regressão linear Vendas, Y Propaganda, X Mês (milhões de unidades) ...
Métodos causais:Regressão linear Vendas, Y Propaganda, X Mês (milhões de unidades) ...
Métodos causais:Regressão linear Vendas, Y Propaganda, X Mês (milhões de unidades) ...
Métodos causais:Regressão linear Vendas, Y Propaganda, X Mês (milhões de unidades) ...
Métodos causais:Regressão linear Vendas, Y Propaganda, X Mês (milhões de unidades) ...
Métodos causais: 300 —Regressão linear Vendas (milhões de unidades) ...
Métodos causais: 300 —Regressão linear Vendas (milhões de unidades) ...
Métodos causais: 300 —Regressão linear Vendas (milhões de unidades) ...
Métodos causais:Regressão linear Vendas, Y Propaganda, X Mês (milhões de unidades) ...
Métodos causais:Regressão linear Vendas, Y Propaganda, X Mês (milhões de unidades) ...
Métodos causais:Regressão linear Vendas, Y Propaganda, X Mês (milhões de unidades) ...
Métodos causais:Regressão linear Vendas, Y Propaganda, X Mês (milhões de unidades) ...
Métodos causais:Regressão linear Vendas, Y Propaganda, X Mês (milhões de unidades) (milhares de ...
Métodos causais:Regressão linear Vendas, Y Propaganda, X Mês (milhões de unidades) (milhares de ...
Métodos de série temporal:Médias Móveis Simples
Métodos de série temporal: Médias Móveis Simples 450 — Chegadas de pacientes ...
Métodos de série temporal: Médias Móveis Simples 450 — Chegadas de pacientes ...
Métodos de série temporal: Médias Móveis Simples 450 — Chegadas de pacientes ...
Métodos de série temporal: Médias Móveis Simples 450 — Chegadas Che...
Métodos de série temporal: Médias Móveis Simples 450 — Chegadas Che...
Métodos de série temporal: Médias Móveis Simples 450 — Chegadas C...
Métodos de série temporal: Médias Móveis Simples 450 — Chegadas Che...
Métodos de série temporal: Médias Móveis Simples 450 — Chegadas Che...
Métodos de série temporal: Médias Móveis Simples 450 — Chegadas C...
Métodos de série temporal: Médias Móveis Simples 450 — Chegadas Che...
Métodos de série temporal: Médias Móveis Simples 450 — Chegadas de pacientes ...
Métodos de série temporal:Médias Móveis Simples 450 — Previsão de MM (Média Móvel)Chegadas de pac...
Métodos de série temporal:Suavização exponencial
Métodos de série temporal: Suavização exponencial 450 — Chegadas de pacientes ...
Métodos de série temporal: Suavização exponencial 450 — Chegadas de pacientes ...
Métodos de série temporal: Suavização exponencial 450 — Chegadas de pacientes ...
Métodos de série temporal: Suavização exponencial 450 — Chegadas de pacientes ...
Métodos de série temporal: Suavização exponencial 450 — Chegadas de pacientes ...
Métodos de série temporal: Suavização exponencial 450 — Chegadas de pacientes ...
Métodos de série temporal: Suavização exponencial 450 — Chegadas de pacientes ...
Escolhendo um métodoErro de previsão
Escolhendo um métodoErro de previsão Medidas de erro de previsão Et = Dt - Ft ...
Escolhendo um métodoErro de previsão Medidas de erro de previsão Et = Dt - Ft CFE = Σ...
Escolhendo um métodoErro de previsão Erro ...
Escolhendo um métodoErro de previsão Medidas de erro Erro...
Escolhendo um métodoErro de previsão Medidas de erro Err...
Escolhendo um métodoErro de previsão Medidas de erro Erro ...
Escolhendo um métodoErro de previsão Medidas de erro Err...
Escolhendo um métodoErro de previsão Medidas de erro Err...
Escolhendo um métodoErro de previsão Medidas de erro Erro ...
Escolhendo um métodoErro de previsão Medidas de erro ...
Escolhendo um métodoErro de previsão Medidas de erro Er...
Escolhendo um métodoSinais de monitoramento
Escolhendo um método Sinais de monitoramento Porcentagem da área da distribuição de probabilidade normal dentro do...
Escolhendo um método Sinais de monitoramento Porcentagem da área da distribuição de probabilidade normal dentro do...
Escolhendo um método Sinais de monitoramento Porcentagem da área da distribuição de probabilidade normal dentro do...
Escolhendo um métodoSinais de monitoramento
Escolhendo um métodoSinais de monitoramento ...
Escolhendo um métodoSinais de monitoramento ...
of 89

Previsão de demanda

Published on: Mar 4, 2016
Published in: Education      
Source: www.slideshare.net


Transcripts - Previsão de demanda

  • 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