Universidade Federal Fluminense

Escola
Escola de Engenharia
Engenharia

MBA
Logística Empresarial

MODELOS DE PREVISÃO

Marcelo Maciel Monteiro

Departamento de Engenharia de Produção
[email protected]
 SUMÁRIO
1. OBJETIVO DA DISCIPLINA........................................................................................................... 4
2. MÉTODO DE ENSINO .................................................................................................................. 4
3. TRABALHOS E CRITÉRIOS DE AVALIAÇÃO................................................................................. 4
4. REFERÊNCIA BIBLIOGRÁFICA BÁSICA ......................................................................................... 4
5. APOSTILA...................................................................................................................................... 5
5.1 – Modelos de Séries Temporais ..................................................................................................... 6
5.1.1 – Modelos Estáticos..................................................................................................................... 6
5.1.2 – Modelos Dinâmicos ou Adaptativos ....................................................................................... 9
5.1.2.1 - Media Móvel ................................................................................................................ 10
5.1.2.2 - Alisamento Exponencial .............................................................................................. 12
5.1.2.3 - Alisamento Exponencial com Tendência (Modelo de Holt)........................................ 14
5.1.2.4 - Alisamento Exponencial com Tendência e sazonalidade (Modelo de Holt-Winter)... 17
5.1.3- Erros de Previsão.................................................................................................................... 19
5.1.4 - Utilizando o solver do Microsoft Excel para otimizar os modelos de Séries Temporais 20
5.1.5 – Estudo de Caso ....................................................................................................................... 21
5.2 – Modelos Causais ....................................................................................................................... 23
5.2.1 - Análise de Regressão .............................................................................................................. 23
5.2.2 - Regressão Linear Simples ...................................................................................................... 23
5.2.3 - Regressão Múltipla ................................................................................................................. 24
2.4 – Erro Padrão da Estimativa ...................................................................................................... 24
5.2.5 – Medidas de Variação na Regressão ...................................................................................... 25
5.2.5.1 – Soma dos Quadrados .................................................................................................... 25
5.2.5.2 - Coeficiente de Explicação ou Determinação (R2 )....................................................... 25
5.2.6 - Coeficiente de Correlação ...................................................................................................... 26
5.2.7 – Utilizando o Microsoft Excel para a Análise de Regressão. ............................................... 26
5.3 Problemas Gerais de Previsão de Demanda................................................................................. 29
6. ARTIGOS ........................................................................................................................................ 32
Delphi – Uma Ferramenta de Apoio ao Planejamento Prospectivo........................................................32
7. ESTUDOS DE CASOS .................................................................................................................. 44
General Motors Brasil: VMI em peças para pós venda.......................................................................45
GESTÃO DA DEMANDA: Entendendo a Mensagem.......................................................................64
MÉTODOS DE PREVISÃO: Fábrica de ferramentas para jardinagem Garden................................65
8. TRANSPARÊNCIAS ...................................................................................................................... 67
Disciplina: Modelos de Previsão Professor: Marcelo Maciel Monteiro
Graduado em Engenharia de Produção – UFF 1997
Mestrado em Engenharia de Produção – UFF 2002
Doutorando em Engenharia de Produção – PUC- RJ – Área de Sistemas
de Transportes

1. OBJETIVO DA DISCIPLINA
DISCIPLINA
Apresentar a importância da Previsão de Demanda nas empresas, bem como, alguns modelos
e soluções mais comumente aplicados.

2. MÉTODO DE ENSINO
Aula expositiva, casos apresentados em aula para discussão.

3. TRABALHOS E CRITÉRIOS
CRITÉRIOS DE AVALIAÇÃO
Resenha e Desenvolvimento de um modelo de previsão para o estudo de caso apresentado ao
final da aula.

4. REFERÊNCIA BIBLIOGRÁFICA BÁSICA

BOWERSOX, D. J., CLOSS, D. J. & COOPER, M. B., “Gestão Logística de Cadeias de
Suprimento”, Editora Bookman, Porto Alegre, 2006.

CHOPRA, S. & MEINDI, P., “Gerenciamento da Cadeia de Suprimentos: Estratégia,

Planejamento e Operação”, Editora Prentice Hall, São Paulo, 2004.

GEORGOFF, D.M. & MURDICK, R. G., “ Manager´s guide to Forecasting” Harvard

Business Review, jan-fev de 1986, p. 2-9.

LEVINE, D. M., BERENSON, M. L. & STEPHAN, D., “Estatística: Teoria e Aplicações”,

Editora LTC, Rio de Janeiro, 2000.

MAKRIDAKIS, S., WHEELWRIGHT, S. & HYNDMAN, R. J., “Forecasting Methods and

Applications” , John Wiley & Sons, EUA, 1998.

STEVENSON, W. J., “Estatística Aplicada à Admnistração”, Editora Harbra, São Paulo,

2001.
5.. APOSTILA

Apostila de
Métodos
Quantitativos de
Previsão
5.1 – Modelos de Séries Temporais

5.1.1 – Modelos Estáticos

No modelo estático, considera-se que os componentes sistemáticos não variam conforme a cada demanda
observada. O modelo a seguir considera uma série histórica com demanda e sazonalidade.

Componente sistemático = (nível de vendas + tendência) x fator de sazonalidade

 L = Estimativa de nível para o período 0 (estimativa de demanda dessazonalizada para o período 0);

 T = Estimativa de tendência

 St = Estimativa do fator de sazonalidade para o período t;

 Dt = Demanda real observada no período t;

 Ft = Previsão para o período t.

Em um modelo estático, a previsão para o próximo período t+1 seria:

Ft + 1 = [L + (t + l)T] St + 1

Exemplo de Aplicação:

A Engarrafadora de água mineral “Águas da Montanha” tem observado um aumento na sua demanda de
garrafões de 20 litros, ao longo do ano. A demanda é mostrada na tabela 1. Observamos, através da figura 1, que a
demanda é sazonal, crescendo a partir do segundo trimestre de um determinado ano até o primeiro trimestre do ano
posterior. Foi identificado uma tendência de crescimento da demanda.

Ano Trimestre Período t Demanda D t

1998 2 1 10.000
1998 3 2 15.000 Tabela 1 – Demanda trimestral
1998 4 3 25.000 para da Distribuidora Águas da
1999 1 4 36.000 Montamha
1999 2 5 12.000
1999 3 6 20.000
1999 4 7 25.000
2000 1 8 40.000
2000 2 9 14.000
2000 3 10 15.000
2000 4 11 34.000
2001 1 12 43.000
 Demanda Dt
Figura 1 – Demanda
50.000 trimestral para a Águas da
Montanha
40.000
Vendas

30.000
20.000
10.000
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13
Trimestre

Estimativa de nível e tendência

O primeiro passo é acharmos a demanda dessazonalidade1 para então calcularmos o nível de vendas e a
tendência. Isso pode ser feito através do uso do Método dos Mínimos Quadrados

∑ D (t ) − N ⋅ ( D) ⋅ (t )
t
Tt = a + b t b= t =1
N
a = D − b ⋅t
∑t
t =1
2
− N ⋅ (t ) 2

Onde:

N = número de observações usadas no desenvolvimento da linha de tendência

Dt = demanda real no período de tempo t

D = Demanda média para N períodos de tempo

t = média de t sobre N períodos de tempo

1
Significa a demanda sem as oscilações de sazonalidade.
 Estimativa dos fatores de sazonalidade

Dt
A estimativa do fator de sazonalidade para o período t é definida pela relação: St = .
Tt

Demanda
Ano Trimestre Período t Demanda D t Dt x t t^2 St
Dessazonalizada
1998 2 1 10.000 10.000 1 15564 0,643
1998 3 2 15.000 30.000 4 17113 0,877
1998 4 3 25.000 75.000 9 18662 1,340
1999 1 4 36.000 144.000 16 20211 1,781
1999 2 5 12.000 60.000 25 21760 0,551
1999 3 6 20.000 120.000 36 23309 0,858
1999 4 7 25.000 175.000 49 24858 1,006
2000 1 8 40.000 320.000 64 26407 1,515
2000 2 9 14.000 126.000 81 27956 0,501
2000 3 10 15.000 150.000 100 29505 0,508
2000 4 11 34.000 374.000 121 31054 1,095
2001 1 12 43.000 516.000 144 32603 1,319

∑ D (t )
t =1
t
2.100.000 t médio =
(t medio)^2 =
6,5
42,3
b= 1549
N a= 14015
∑ t=
t =1
2
650

24.083
D

Como a periodicidade de sazonalidade (s) é de 4 períodos em um total de 12 períodos, pode-se concluir que há r
= 3 ciclos de sazonalidade nos dados. Os fatores de sazonalidade pode ser calculados da seguinte forma.

( S1 + S 5 + S 9 ) ( S 2 + S 6 + S10 )
S1 = = 0,565 S2 = = 0,748
3 3

( S 3 + S 7 + S11 ) ( S 4 + S 8 + S12 )
S3 = = 1,147 S4 = = 1,538
3 3

F13 = (L + 13T) S13 = (14.015 + 1549 (13)) . (0,565) = 19.295,88 galões

 60.000
50.000
40.000
30.000
20.000
10.000
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13

5.1.2 – Modelos Dinâmicos ou Adaptativos

Neste caso, as estimativas de nível de vendas, tendência e sazonalidade são atualizadas

automaticamente, a cada nova demanda observada. A estrutura a ser estudada pode ser usada nos
casos em que o componente sistemático possui a forma mista.

Vamos definir alguns termos:

 Lt = Estimativa do nível ao final do período t;

 Tt = Estimativa de tendência ao final do período t;

 St = Estimativa de fator de sazonalidade para o período t;

 Ft = Previsão de demanda para o período t;

 Dt = Demanda real observada no período t;

 Et = Erro de previsão no período t;

 At = Desvio absoluto para o período t = │Et │;

 DAM = Desvio absoluto médio = valor médio de At.

Nos modelos dinâmicos, a previsão para o período t + m a partir de t é a seguinte:

Ft + m = ( Lt + mTt ) St − s + m
 Os quatro passos da estrutura da previsão adaptável são:

1. Inicialização. Computar estimativas iniciais de nível de vendas (L0), tendência

(T0) e fatores de sazonalidade (S1, S2, ....,Ss) a partir das informações dadas.

2. Previsão. Dadas as estimativas no período t, prever a demanda para o período t

+ 1. A primeira previsão é para o período 1 e é feita com as estimativas de nível de vendas,
tendência e fator de sazonalidade do período 0.

3. Estimar o Erro. Registrar a demanda real Dt+1 para o período t+1 e computar
o erro Et+1 na previsão para o período t+1 como a diferença entre a demanda prevista e a
demanda real. O erro para o período t+1 pode ser formulado da seguinte forma: Et+1 = Ft +1 –
Dt+1

4. Modificar as estimativas. Modificar as estimativas de nível de vendas (Lt+1 ),

tendência (Tt+1 ) e o fator de sazonalidade (St-s+1 ), a partir do erro Et+1 da previsão. A revisão
deve ser portanto, proporcional ao erro de previsão.

5.1.2.1 - Media Móvel

Média Móvel Simples

Uma média móvel simples é uma média aritmética das últimas k observações:

∑D i
Ft +1 = i = t − k +1

Exemplo 1: Considerando a demanda histórica de vendas, em milhares, de um determinado

componente eletrônico, aplique o método de média móvel simples.
 Média
Média Móvel
Ano Período t Dados Dt Cálculo (3 períodos) Móvel 5
3 períodos
períodos
1954 1 10
1955 2 11
1956 3 9
1957 4 11 (10+9+11)/3 10,0
1958 5 12 (11+9+11)/3 10,3
1959 6 15 (9+11+12)/3 10,7 10,6
1960 7 13 (11+12+15)/3 12,7 11,6
1961 8 17 (12+15+13)/3 13,3 12
1962 9 16 (15+13+17)/3 15,0 13,6
1963 10 13 (13+17+16)/3 15,3 14,6
1964 11 14 (17+16+13)/3 15,3 14,8
1965 12 10 (16+13+14)/3 14,3 14,6
1966 13 18 (13+14+10)/3 12,3 14
1967 14 16 (14+10+18)/3 14,0 14,2
1968 15 20 (10+18+16)/3 14,7 14,2
1969 16 22 (18+16+20)/3 18,0 15,6
1970 17 14 (16+20+22)/3 19,3 17,2
1971 18 21 (20+22+14)/3 18,7 18
1972 19 17 (22+14+21)/3 19,0 18,6
1973 20 21 (14+21+17)/3 17,3 18,8

Dados Dt
Média Móvel Simples Média Móvel 3 períodos
Média Móvel 5 períodos

25
Demanda

20
15
10
5
0
0 5 10 15 20
Período

Média Móvel Ponderada

Quando está presente uma tendência ou padrão detectável, podem ser usados pesos para dar
maior ênfase a valores recentes. Essa prática torna as técnicas de previsão mais responsivas a
modificações porque os períodos mais recentes podem receber pesos maiores.
 t

∑w D i i
Ft +1 = i = t − k +1
t
, onde wi é o peso respectivo de cada período que compõe a média móvel
∑w
i =t − k +1
i

Exemplo 2: Uma revendedora de veículos decidiu prever as vendas de automóveis atribuindo

pesos aos últimos três meses da seguinte forma:

Vendas Reais
Mês Média Móvel de Veiculos
de Veículos
Janeiro 10
Fevereiro 12
Março 13
Abril 16 [(3x13) + (2x12) + (10)] / 6 = 12,17
Maio 19 [(3x16) + (2x13) + (12)] / 6 = 14,33
Junho 23 [(3x19) + (2x16) + (13)] / 6 = 17
Julho 26 [(3x23) + (2x19) + (16)] / 6 = 20,5
Pesos Mês Agosto 30 [(3x26) + (2x23) + (19)] / 6 = 23,83
Setembro 28 [(3x30) + (2x26) + (23)] / 6 = 27,5
3 Mês Passado Outubro 18 [(3x28) + (2x30) + (26)] / 6 = 28,33
2 Dois meses atrás Novembro 16 [(3x18) + (2x28) + (30)] / 6 = 23,33
1 Três meses atrás Dezembro 14 [(3x16) + (2x18) + (28)] / 6 = 18,67

Média Móvel Ponderada

35
30
25
Vendas

20
15
10
5
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13
Meses

5.1.2.2 - Alisamento Exponencial

É um sofisticado método de previsão de média móvel mais fácil de usar. A fórmula básica de
alisamento exponencial pode ser vista da seguinte forma:

Nova Previsão = Previsão do último período + α (demanda real do último período – previsão
para o último período)
 Em que α é um peso, ou constante de ponderação exponencial, escolhido por quem faz a
previsão, que atribui valores entre 0 e 1. A equação pode ser expressa matematicamente como

Lt +1 = α ⋅ Dt + (1 − α ) ⋅ Lt ou L t +1 = Lt + α ⋅ ( Dt − Lt )

A constante de ponderação exponencial , α, está geralmente no intervalo de 0,05 a 0,50 para

aplicações comerciais. Ela pode ser modificada para se dar maior peso a dados recentes (quando α é
elevado) ou maior peso a dados passados (quando α é baixo).

Exemplo: Durante os últimos oito trimestres, um determinado porto carregou grandes

quantidades de grãos. O gerente de operações do porto quer testar a utilização de alisamento
exponencial para verificar como a técnica funciona na previsão da tonelagem carregada. Ele imagina
que a previsão de grãos carregados no primeiro trimestre tenha sido de 175 t. Dois valores de α são
examinados: α = 0,10 e α = 0,50. A tabela a seguir mostra os cálculos detalhados somente para α =
0,10:

Tonelagem Real
Trimestre Previsão com α = 0,10 Previsão com α = 0,50
Carregada
1 180 175 175
2 168 175 + 0,10 (180 - 175) = 175,5 177,5
3 159 175,5 + 0,10 (168-175,50) = 174,8 172,8
4 175 174,8 + 0,10 (159 - 174,8) = 173,2 165,9
5 190 173,2 + 0,10 (175 - 173,2) = 173,4 170,4
6 205 173,4 + 0,10 (190 - 173,4) = 175,0 180,2
7 180 175 + 0,10 (205 - 175) = 178,0 192,6
8 182 178 + 0,10 (180 - 178) = 178,2 186,3
9 ? 178,2 + 0,10 (180 - 178,2) = 178,6 184,2

210
200 Tonelagem Real
Toneladas

Carregada
190
Previsão com a =
180
0,50
170
Previsão com a =
160 0,10
150
0 1 2 3 4 5 6 7 8 9 10
Trimestre
5.1.2.3 - Alisamento Exponencial com Tendência (Modelo de Holt)

Quando é identificado um grau de tendência na demanda histórica observada, podemos

expandir o método de alisamento exponencial para corrigir a previsão de acordo com a tendência
observada.

Componente sistemático da demanda = nível de vendas + tendência

A idéia é calcular uma média exponencialmente suavizada dos dados e em seguida ajustá-la
para uma diferença positiva ou negativa da tendência. A nova fórmula é:

Previsão incluindo tendência (Ft ) = previsão exponencialmente suavisada (Lt ) + tendência

exponencialmente suavizada (Tt )

Com o alisamento exponencial com ajustamento de tendência, as estimativas da média e da

tendência são suavizadas. Esse procedimento requer duas constantes de suavizamento, α para a
média e β para a tendência. Em seguida, calculamos a média e a tendência para cada período:

Lt +1 = α ⋅ Dt +1 + (1 − α ) ⋅ ( Lt + Tt )

Tt +1 = β ( Lt +1 − Lt ) + (1 − β )Tt

Ft + m = Lt + Tt ⋅ m onde m é a quantidade de períodos que se quer prever a partir do

período t.

Exemplo: Um grande produtor de componente eletrônico, utiliza o alisamento exponencial

para prever a demanda de uma peça de um dispositivo de controle da poluição. Uma tendência
crescente parece estar presente.
 Mês Demanda Real Lt Tt Ft
1 12 12 3 --------
2 17 15,4 3,2 15,0
3 20 18,8 3,3 18,6
4 19 21,5 3,0 22,1
5 24 24,4 3,0 24,5
6 21 26,1 2,5 27,4
7 31 29,1 2,7 28,6
8 28 31,0 2,4 31,7
9 36 33,9 2,6 33,4
m=1 36,5
m=2 39,0
m=3 41,6
α= 0,2
β= 0,4

Os cálculos envolvidos nos períodos 9, 10 e 11 são:

F9 = L8 + T8 (1)

L8 = 0,2( D8 )+0,8(L7 + T7) = 0,2(28) + 0,8(29,1 + 2,7) = 31,0

T8 = 0,4 (L8 – L7 ) + 0,6 (T7 ) = 0,4(31,0 – 29,1) + (0,6(2,7)) = 2,4

Logo, F9 = 31,0 + 2,4 (1) = 31,7

F10 = L9 + T9 (1)

L9 = 0,2(36) + 0,8(31,0 + 2,4) = 33,9

T9 = 0,4 (33,9 – 31,0) + 0,6 (2,4) = 2,6

F10 = 33,9 + 2,6 (1)

Para prever para o período 11, temos que utilizar os dados previstos a partir do período
anterior, onde:

Ft + m = Lt + Tt ⋅ m = F9+2 = L9 + T9 (2) = 33,9 + 2,6 (2) = 39,0

O gráfico pode ser melhor visualizo na figura abaixo:

 40
35

Demanda
30
Demanda Real 12
25
Ft --------
20
15
10
1 2 3 4 5 6 7 8 9 10
Tempo

Projeção de Tendência

A projeção de tendência, nada mais é do que a aplicação do Método dos Mínimos Quadrados,
como visto anteriormente no modelo estático da seção 1.2.

Aplicando o método teremos a seguinte equação de projeção de tendência:

Y = 10,36 + 2,55X que é semelhante a Ft = 10,36 + 2,55 (t).

O gráfico da projeção de tendência pode ser melhor visualizado na figura abaixo:

40
Demanda Real

y = 2,55x + 10,361
30 Demanda Real
20
Linear (Previsto(a)
10 Demanda Real)
0
0 1 2 3 4 5 6 7 8 9 10
Mês

Para projetar a previsão com tendência para os períodos 10 e 11, bastaria utilizar a equação da
reta da seguinte forma:

F10 = 10,36 + 10 (2,55) = 35,86

F11 = 10,36 + 11 (2,55) = 38,41

5.1.2.4 - Alisamento Exponencial com Tendência e sazonalidade (Modelo de Holt-Winter)

Algumas séries de demandas podem apresentar sazonalidade, como protetores soares (verão),
consumo de energia elétrica residencial no Rio de Janeiro (aumento nos meses quentes). O modelo de
Holt-Winter ,é adequado quando o componente sistemático da demanda possui nível, tendência e
fator de sazonalidade. Nesse casoo, temos o seguinte:

Componente sistemático da demanda = (nível de vendas + tendência) x fator de sazonalidade

Adotamos a periodicidade da demanda como s. Para iniciarmos precisamos estimar

inicialmente o nível de vendas (L0 ), de tendência (T0 ), e de fatores de sazonalidade (S1 , ....,Ss )

Na observação da demanda para o período t + 1 revisamos as estimativas para nível,

tendência e fatores de sazonalidade da seguinte maneira:

Lt +1 = α ⋅  t +1  + (1 − α ) ⋅ ( L + T )
D
 St +1− s  t t

Tt +1 = β ( Lt +1 − Lt ) + (1 − β )Tt

Dt +1
S t +1 = γ ⋅ + (1 − γ ) S t +1− s
Lt +1

Ft +1+ m = (Lt + Tt ⋅ m )St +1− s + m

onde α é a constante de suavização para o nível, 0 ≤ α ≤ 1, β é a constante de suavização para a

tendência, 0 ≤ β ≤ 1 e γ é a constante de suavização para o fator de sazonalidade, 0 ≤ γ ≤ 1.

Exemplo: Utilizando o exemplo do modelo estático da engarrafadora de água mineral “Águas

da Montanha”, faça a previsão da demanda para o próximos 3 períodos utilizando o alisamento
exponencial de séries com tendência e sazonalidade.

Solução: No modelo estático achamos o intervalo de sazonalidade ( s ) como sendo 4, e os

valores sazonais de i a 4 respectivamente ( S1 = 0,565; S2 = 0,748 ; S3 = 1,147 e S4 = 1,538).

Observando as fórmulas acima, podemos entender que precisamos um valor inicial para a
previsão do nível de vendas (Lt ) e da tendência (Tt). Os valores iniciais para esses dois componentes
podem ser baseados na projeção de tendência.

Considerando a fórmula da sazonalidade, a previsão deve partir do quinto período, pois

precisamos dos valores sazonais do primeiro ao quarto período para podermos iniciar a previsão. A
tabela e a figura a seguir mostram os valores calculados por este método e o gráfico com a demanda
real e a prevista respectivamente.
 Se utilizarmos um gama (γ) igual a zero, os ciclos sazonais se repetirão a cada 4 períodos. Isto
pode ser visto na fórmula de sazonalidade. O β igual a zero significa que a tendência é constante de
crescimento é constante ao longo do tempo.

Fator de
Período t Demanda D t Lt Tt St Ft
Sazonalidade inicial
1 10.000 0,6425 0,5649
2 15.000 0,8765 0,7477
3 25.000 1,3396 1,1467
4 36.000 1,7812 14015 1549 1,5383
5 12.000 0,5515 16699,6 1549,0 0,565 10309,04
6 20.000 0,8580 19948,9 1549,0 0,748 16073,00
7 25.000 1,0057 21558,5 1549,0 1,147 26498,33
8 40.000 1,5148 23686,6 1549,0 1,538 38819,81
9 14.000 0,5008 25144,9 1549,0 0,565 15079,99
10 15.000 0,5084 25367,7 1549,0 0,748 20124,34
11 34.000 1,0949 27463,2 1549,0 1,147 33269,44
12 43.000 1,3189 28800,3 1549,0 1,538 46686,30
13 m= 1,0 22690,80
14 m= 2,0 36579,12
44303,48
S1 = 0,56492 0,00
S2 = 0,74765 α= 0,2
S3 = 1,14674 β= 0
S4 = 1,53830 γ= 0

Ft + m = ( Lt + mTt ) St − s + m F13 = (28800+1549(1)). 0,565

50.000
45.000
40.000
Demanda

35.000
Demanda Dt
30.000
Ft
25.000
20.000
15.000
10.000
0 5 10 15
Tempo
 5.1.3- Erros de Previsão

Todo modelo de previsão deve captar o componente sistemático, mas não o componente
aleatório, que neste caso se manifesta através do erro de previsão. O analista deve considerar as
medidas de erro das previsões por dois motivos:

1. Para verificar, através das análises de erros, se o modelo de previsão adotado

está prevendo detalhadamente o componente sistemático da demanda;

2. Os planos de contigências são dimensionados através do erro de previsão.

O erro de previsão para o período t é dado por Et, da seguinte forma: Et = Ft - Dt , ou seja, é a
diferença entre a previsão para o período t e a demanda real do período t.

Uma das mediadas de erro de previsão é o erro quadrático médio (EQM ), que estima a
variação do erro de previsão, e pode ser formulado da seguinte forma:

1 n 2
EQM n = ∑ Et
n t =1

O Desvio Absoluto Médio (DAM) é a média do módulo do desvio absoluto em todos os

períodos, que é expressada da seguinte maneira:

1 n
DAM n = ∑ Et
n t =1

O erro absoluto médio percentual (EAMP) é o erro absoluto como porcentagem de

demanda e se expressa assim:

n
Et
∑D
t =1
EAMPn = ⋅ 100
t

Para determinar se o modelo de previsão consistentemente superestima ou subestima a

demanda, podemos utilizar a soma dos erros de previsão para avaliar o viés da previsão, da seguinte
forma:
n
VP = ∑ Et
t =1

O viés da previsão (VP) oscilará em torno de 0 se o erro for verdadeiramente aleatório e não
enviesado de uma forma ou de outra. O ideal é que, se plotarmos todos os erros, a inclinação da reta
seja 0.

A razão de viés (TS) é a razão do viés da previsão e o DAM. A interpretação do TS é que se

ele estiver fora da faixa ± 6, significa que a previsão está enviesada e que pode estar subestimada (TS
< -6) ou superestimada (TS > +6). Nesse caso a empresa deve escolher um outro modelo de
previsão.
 5.1.4 - Utilizando o solver do Microsoft Excel para otimizar os modelos de
Séries Temporais
Utilizando o exemplo da distribuidora Águas da Montanha.
A ferramenta Solver, como visto em Métodos Matemáticos, pode ser utilizado para minimizar ou
maximizar uma função, através da variação de uma célula do Excel, obedecendo certas restrições
impostas pelo modelo. A figura a seguir mostra a janela do Microsoft Excel com a tabela referente
ao cálculo do método de Alisamento Exponencial.
O valor de α foi arbitrado, inicialmente, como sendo 0,2. O melhor valor para α será aquele que
resultará em um menor erro de previsão. Temos, a princípio, três medidas de erro (EQM, DAM,
EAMP). Escolheremos a medida EAMP como a função objetivo que se quer minimizar. A célula que
deverá variar é a do valor de α. E as restrições do modelo, são as restrições de α, ou seja, que ele
esteja entre 0 e 1.

O Solver preenchido para este caso, fica da seguinte forma:

 Selecionando a opção Resolver teremos um α = 0,1 e um EAMP = 36,98.

5.1.5 – Estudo de Caso

As vendas bimestrais dos computadores laptop da Compaq em uma determinada região dos EUA em
1996-1997 são mostradas na tabela a seguir:

Bimestre Demanda Bimestre Demanda

1 155 7 185
2 170 8 200
3 225 9 251
4 190 10 220
5 160 11 180
6 155 12 165

Pede-se:
a) Desenvolva um procedimento de previsão para as vendas de computadores laptop da
Compaq?
b) Preveja as vendas do 13o bimestre e indique a provável acurácia da previsão.
 Demanda

260
240
220
Demanda

200
180
160
140
120
100
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14
Bimestre
5.2 – Modelos Causais

5.2.1 - Análise de Regressão

Um dos problemas freqüentemente encontrados na prática é descrever e predizer fenômenos
observados. Isto pode ser conseguido através da construção de um modelo matemático que relacione
as variáveis envolvidas no fenômeno, isto é, estabelecendo uma relação funcional entre essas
variáveis, através de uma função, de forma que se tenha uma aproximação boa entre os valores
observados na prática e aqueles calculados pelo emprego dessa função.

Se pudéssemos conhecer e controlar todas as variáveis que interferem no fenômeno,

possivelmente poderíamos estabelecer uma lei matemática (exata) relacionando essas variáveis e,
então, os valores calculados por essa lei seriam exatos e não aproximados. Entretanto,
freqüentemente não temos acesso a todas variáveis, assim sendo, o modelo que se estabelece leva em
consideração as variáveis que podem ser controladas (estas são relacionadas matematicamente) e
aquelas que não podem ser controladas (estas são consideradas como tendo uma variação aleatória).
A análise de regressão é, pois um instrumento de pesquisa de relações empíricas entre duas ou
mais variáveis, que tem por objetivo:
• Descrever e compreender a relação entre suas variáveis.
• Projetar (estimar) uma nova observação ou ajustar e controlar processos.
• Poder usar uma das observações para prever à outra.
• Poder realizar ajustes na procura de melhores resultados.

5.2.2 - Regressão Linear Simples

A reta de regressão é o produto gráfico da análise de regressão entre duas variáveis, e ela é
) )
representada pela equação, y = a + bx , onde, y é a variável dependente e x é a variável
independente. Se n pares de valores amostrais formassem uma reta, então a equação da reta ajustada
conteria os n pontos amostrais. Em geral, os n pares de valores não estarão contidos numa reta, eles
estarão distribuídos ao redor da reta ajustada. Verifica-se que:

para um valor xi podem existir um ou mais valores de yi amostrados,

para esse mesmo valor de xi se terá um valor projetado yi ,

para cada valor de xi , existirão desvios ( d i ) entre o valor observado e o valor projetado,
)
medidos pela diferença d i = yi − yi .
)
O objetivo é obter, a partir dos n dados amostrais, os coeficientes a e b da reta y = α + βx ,
denominados como coeficientes de regressão, ou simplesmente coeficientes ou constantes, que tem
os seguintes significados:

 o coeficiente α define o aumento (ou diminuição) da variável y por unidade de

variação da variável x;
)
 a constante β é denominada como intercepto y, sendo igual ao valor de y quando
x é igual a zero.
 Geralmente os parâmetros de regressão são estimados através do Método dos Mínimos
Quadrados, onde:
n

∑ [( x i − x ) ⋅ ( yi − y )]
i =1
β= n

∑ [( x
i =1
i − x) 2 ]
α = y − βx

EXEMPLO: Uma empresa está pretendendo aos poucos substituir um insumo em sua produção por
um outro de aceitação melhor, mas para isso ela precisa saber a demanda do insumo antigo para o
próximo ano. Sabendo que ela possui a demanda no período de 1990/1995 como mostrado na tabela
abaixo:

Ano 1990 1991 1992 1993 1994 1995

Compras 120 117 105 100 84 80

Pede-se:
a) Ajustar uma reta aos dados;
b) Estimar o valor das importações no ano de 1996;
c) Avaliar o ano em que deixará de haver importações.

5.2.3 - Regressão Múltipla

Quando se estende o modelo a mais de uma variável independente, falamos de modelo de
regressão múltipla. As relações que podem ser descritas por um modelo de regressão múltipla são
muito comuns em economia. Por exemplo, na função produção, a produção é função típica de vários
insumos; na função consumo, a variável dependente pode ser influenciada tanto pela renda como por
outros fatores, e na função demanda as tradicionais variáveis independentes são o preço do produto,
o preço dos bens substitutos e a renda.

O modelo de regressão múltipla elaborada para descrever estas relações é uma ampliação
natural do modelo de regressão simples. Realmente a maioria dos resultados derivados de um modelo
de regressão simples pode ser facilmente generalizada de modo a se aplicar ao caso de regressão
múltipla.

Geralmente a relação entre a variável dependente y e suas variáveis independentes, são

mostrados através da seguinte equação: yi = α + β 1 x1 + β 2 x 2 +....+β k x1k + ε i , onde ε é
considerado uma perturbação estocástica.
2.4 – Erro Padrão da Estimativa
A questão que surge naturalmente na análise de regressão é: “Qual a acurácia das estimativas
de regressão?” O fator determinante é a quantidade de dispersão na população: quanto maior a
dispersão, menor a precisão das estimativas. A medida de variabilidade em torno da linha de
regressão é chamada de erro padrão da estimativa, que é dado pelo símbolo SYX, é definido como
 n

∑ (Y i − Yˆi )
S YX = i =1

n−2

onde, Yi = Valor real de Y para um dado Xi

Yˆi = valor previsto de Y para um dado Xi

5.2.5 – Medidas de Variação na Regressão

5.2.5.1 – Soma dos Quadrados

Para examinar como a variável independente prevê bem a variável dependente em nosso
modelo estatístico, precisamos desenvolver diversas medidas de variação. A primeira medida, a soma
total dos quadrados (STQ), é uma medida de variação dos valores de Yi em torno da sua média
aritmética Y . Em uma análise de regressão, a soma total dos quadrados pode ser subdividida em
variações explicadas ou soma dos quadrados devida à regressão (SQReg), que é atribuída à
relação entre X e Y, e variações inexplicadas ou soma de quadrados dos resíduos (SQR), que é
atribuída a outros fatores diferentes da relação entre X e Y.
A soma dos quadrados devida à regressão (SQReg) representa a diferença entre Y (o valor
médio de Y) e Yˆi ( o valor de Y que seria previsto a partir da relação de regressão). A soma dos
quadrados dos resíduos (SQR) representa aquela parte das variações em Y que não são explicadas
pela regressão. Essas medidas podem ser representadas da seguinte maneira:
Soma dos Soma dos quadrados Soma dos quadrados
quadrados = devido à regressão + dos resíduos

STQ = SQReg + SQR

n n
STQ = ∑ (Yˆi − Y ) 2 + ∑ (Yi − Yi ) 2
i =1 i =1

5.2.5.2 - Coeficiente de Explicação ou Determinação (R2 )

Para verificarmos quanto o modelo adotado explica a realidade, temos que usar alguns
indicadores. Um deles é coeficiente de explicação, que explica a relação entre a variação explicada
pela regressão e a variação total. Tal coeficiente é definido por:
n
β 12 ⋅ ∑ ( xi − x ) 2
i =1 SQ Re g
R2 = n ou R 2 =
STQ
∑(y i − y)
i =1

Observa-se que:

a) 0 ≤ R2 ≤ 1

b) Se R2 = 0 → o modelo adotado não explica nada da realidade

c) Se R2 = 1 → o modelo adotado explica a realidade com perfeição.

 5.2.6 - Coeficiente de Correlação

Quantifica a associabilidade entre variáveis quantitativas. Dado n pares de valores

(x1,y1), (x2,y2) ... (xn,yn), chama-se de coeficiente de correlação entre duas variáveis X e Y a
cov( X , Y )
ρ xy = ou seja, a média dos produtos dos valores reduzidos (padronizados) da
σ 2 ( X ) ⋅ σ 2 (Y )
variável.

O coeficiente de correlação pode ser encontrada através da raiz quadrada do coeficiente de

determinação ou explicação (R2).

Deve-se acentuar que o valor de ρ, calculado em qualquer caso, mede o grau de relação
correspondente ao tipo de equação que é realmente assumido.

Assim se for adotado uma equação linear, e se ρ se aproximar de zero, isso significa que
quase não há nenhuma correlação, porque pode realmente existir uma forte correlação não-linear
entre as variáveis. Em outras palavras, o coeficiente de correlação mede a excelência do ajustamento
aos dados da equação realmente considerada. A menos que haja especificação em contrário, o termo
coeficiente de correlação será usado para indicar a correlação linear.

Pode-se também assinalar que o coeficiente de correlação elevado (isto é, próximo de 1 ou -

1), não indicará necessariamente uma dependência direta entre as variáveis. Dessa forma poderá
haver uma correlação sensível entre o número de livros publicados anualmente e o de jogos de
futebol disputados nesse período (correlações disparatadas ou espúrias).

5.2.7 – Utilizando o Microsoft Excel para a Análise de Regressão.

A ferramenta de análise de dados , Regressão, é um suplemento do Excel dentro de
Ferramentas de Análise.

Exemplo: A tabela abaixo apresenta o número de acidentes de estrada ocorridos e o número

de veículos licenciados, num certo país, no período 1957/1958.

Ano
1957 1958 1959 1960 1961 1962 1963 1964 1965 1966 1967

No
acidentes 66 53 77 01 16 08 27 38 68 68 74

No
veículos 52 73 11 41 62 90 29 77 41 92 43
licenciados em
103

Pede-se:

a) Ajustar uma reta de mínimos quadrados do número de acidentes em função do

tempo;
 b) Idem, do número de veículos licenciados em função do tempo;

c) Idem, do número de acidentes em função do número de veículos.

Para ajustar uma reta de mínimos quadrados do número de acidentes em função do tempo, basta:

(1) Vá ao menu Ferramentas → Análise de Dados → Regressão

(2) Marque o intervalo B1:B12 na caixa de edição Intervalo X de entrada

(3) Marque o intervalo C1:C12 na caixa de edição Intervalo Y de entrada

(4) Selecione a caixa de verificação Rótulos e Nível de Confiança 95%

(5) Selecione Opções de Saida, Nova Planilha e digite Ano vs Acidentes

(6) Selecione OK

A planilha gerada, possui uma gama de informações que permitem avaliar o modelo de previsão,
sendo através da sua representatividade em relação ao modelo real, sendo através de inferências estatísticas.

Na planilha gerada, o que interessa, de imediato, são os coeficientes relativos a interseção e ao ano, ou
seja, 143,74 e 12,35 respectivamente.

Outro valor importante é o R-Quadrado, que nada mais é do que o coeficiente de explicação (R2), que
neste caso é de 0,9515, que é um valor muito bom para um modelo de regeressão.
Junto com a planilha, foi gerado também o gráfico do ajuste de linha, como mostrado abaixo:

Número acidentes Previsto(a) Número acidentes

320
280
Número acidentes

240
200
160
120
80
40
0
0 1 2 3 4 5 6 7 8 9 10 11 12
Período (Ano)

No próprio Excel podse ajustar uma linha aos pontos plotados, bem como a equação da linha
de regressão, da seguinte forma:

(1) Clique exatamente em cima dos pontos previstos e, com o botão direito do mouse,
selecione a opção Formatar Seqüência de Dados.

(2) Em Padrões, na opção Linha, selecione Automática.

(3) Clique em OK.

 (4) Com o botão direito do mouse, selecione Adicionar linha de tendência.

(5) Em tipo, escolha a Opção Linear.

(6) Em Opções, selecione a opção Exibir a equação no gráfico.

(7) Clique em OK.

Número acidentes
Previsto(a) Número acidentes
Linear (Previsto(a) Número acidentes)

320
Número acidentes

280
240
200
160 y = 12,345x + 143,75
120
80
40
0
0 1 2 3 4 5 6 7 8 9 10 11 12
Período (Ano)

5.3 Problemas Gerais de Previsão de Demanda

1. A Confortwear Hosiery, Inc., produz meias para homens em sua fábrica em Topeka, Kansas.
As meias são armazenadas num depósito próximo à fábrica, antes da entrega aos centros de
distribuição localizados em Los Angeles, Menpjis e Dayton. O depósito adota previsões
elaboradas com a abordagem de “cima para baixo” , para determinar as quantidades
esperadas de demanada de cada centro de distribuição.

A projeção mensal consolidada para junho é de 12.000 pares de meias. No passado, o centro de
distribuição de Los Angeles sempre absorveu 25% do estoque do depósito. As cotas de Dayton e
Menphis são de 35 e 30% respectivamente. Os 10% restantes são expedidos diretamente pelo
depósito aos clientes.

a. Com base na previsão consolidada, quantos pares de meias você esperaria que cada centro de
distribuição absorvesse em junho?

b. Suponha que a previsão consolidada para julho tenha um aumento de 6% sobre a projeção de
junho. Quantos pares de meias absorveria cada centro de distribuição em julho?

2. A Sra Boyd, diretora de logística da Scenic Calendar Company, deseja examinar dois
métodos de previsão de séries temporais. Para isso coletou dados de vendas trimestrais dos
anos de 1993 e 1994.
 1993 1994
Vendas Vendas
Trimestre Trimestre
reais reais
1 1.200 1 1.300
2 800 2 800
3 200 3 250
4 1.000 4 1.200

a. Use a técnica de médias móveis para projetar vendas para o terceiro trimestre de 1994, com
base nas vendas reais dos três trimestres anteriores.

b. Use o amortecimento exponencial simples para projetar as vendas de cada trimestre de 1994,
partindo do fato de que a Sra Boyd projetou qualitativamente 900 unidades para o quarto
trimestre de 1993. A Sra Boyd determinou um fator alfa de 0,1 para essa previsão.

c. Repita o cálculo do amortecimento exponencial simples da Sra Boyd, exposto anteriormente,

empregando um fator alfa de 0,2.

d. Como se comportam as técnicas de médias móveis e do amortecimento exponencial simples,

no caso da Sra Boyd? Em que circunstâncias as técnicas podem falhar?

3. Michael Gregory, gerente de logística da Muscle Man Fitness Equipment, descobriu que seu
atual sistema de previsões de vendas nacionais tem tido 20% de erro. Por causa desse nível de
erro, os gerentes dos centros de distribuição da Muscle Man mantém estoques próprios que
custam à empresa, em média, $ 3.000,00 mensais.

Aperfeiçoando a metodologia e encurtando os períodos de suas previsões, o Sr Gregory

espera reduzir a taxa de erro para 12%. Os gerentes dos centros de distribuição da Muscle Man
pensam que, com previsões aperfeiçoadas, podem operar com estoques baixos. O Sr Gregory prevê
reduções no custo de manutenção de estoque da ordem de 40% ao mês.

a. Se o aperfeiçoamento do sistema de previsões custar $ 1.000,00 por mês mais do que

o sistema existente, o Sr Gregory deve implementar a alteração?

b. Por que os clientes da Muscle Man deveriam encorajar a empresa a aperfeiçoar suas
técnicas de previsão?

4. Luxury Cruise Lines tem uma frota de embarcações que viajam para o Alaska repetidamente
em todo o verão. Uma considerável quantidade de publicidade foi realizada para incrementar
a procura de passagens. Com a chegada da pré-temporada, uma decisão precisava ser tomada
sobre a publicidade do próximo ano.

A tabela seguinte mostra a quantidade de publicidade (em milhares de dólares) e o resultado

das vendas (em milhares de passageiros registrados para uma embarcação) para cada um dos cinco
anos.

Quantia gasta com

225 400 350 275 450
publicidade (em $1.000)

Vendas (milhares de
16 21 20 17 23
passagens)
a. Caso seja usado um previsão causal para prever as vendas para uma daad quantia gasta em
publicidade, qual será a variável dependente e a variável independente?

b. Desenhe o Gráfico

c. Encontre a equação da reta, através da regressão linear.

d. Qual é a previsão de vendas para um gasto de $ 300.000 em publicidade?

e. Estime a quantidade que seria gasto com publicidade para se ter um demanda de passageiros
registrados de 22.000.