previsão de demanda

Previsão de Previsão de DemandaDemanda

Padrões de demandaPadrões de demanda

Padrões de demandaPadrões de demandaQ

ua

nti

da

de

TempoFigura 9.1

Padrões de demandaPadrões de demandaQ

ua

nti

da

de

Tempo

(a) Horizontal: os dados se agrupam em torno de uma linha horizontal.

Figura 9.1

Padrões de demandaPadrões de demandaQ

ua

nti

da

de

Tempo

(b) Tendência: os dados aumentam ou diminuem consistentemente.

Figura 9.1

Padrões de demandaPadrões de demandaQ

ua

nti

da

de

| | | | | | | | | | | |J F M A M J J A S O N D

Meses

(c) Sazonal: os dados exibem picos e vales consistentemente.

Ano 1

Figura 9.1

Padrões de demandaPadrões de demandaQ

ua

nti

da

de

| | | | | | | | | | | |J F M A M J J A S O N D

Meses

Ano 1

Ano 2

(c) Sazonal: os dados exibem picos e vales consistentemente.

Figura 9.1

Padrões de demandaPadrões de demandaQ

ua

nti

da

de

| | | | | |1 2 3 4 5 6

Anos

(c) Cíclico: os dados revelam aumentos e diminuições graduais ao longo de períodos extensos.

Figura 9.1

Aplicações da previsão da demandaAplicações da previsão da demanda

Aplicações da previsão da demandaAplicações da previsão da demanda

Tabela 9.1

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 deprevisão

Aplicações da previsão da demandaAplicações da previsão da demanda

Tabela 9.1

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 demontagem final

Programa da forçade trabalho

Programa mestre de produção

Técnica de Série temporalprevisão Julgamento

causal

Aplicações da previsão da demandaAplicações da previsão da demanda

Tabela 9.1

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 quantidade serviços Grupos ou famílias de

individuais produtos ou serviços

Área de Gerenciamento Planejamento do staffdecisão 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 Julgamentoprevisão Julgamento Causal Causal

Aplicações da previsão da demandaAplicações 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 totais quantidade serviços Grupos ou famílias

individuais de produtos ou serviços

Área 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 produção

Técnica de Série temporal Julgamento Julgamento previsão Julgamento Causal Causal

Causal

Tabela 9.1

Métodos causais:Métodos causais:Regressão linear em relação aos Regressão linear em relação aos dados reaisdados reais

Métodos causais:Métodos causais:Regressão linear em relação aos Regressão linear em relação aos dados reaisdados reais

Var

iáve

l d

epen

den

te

Variável independenteX

Y

Figura 9.2

Métodos causais: Métodos causais: Regressão Regressão linear em relação aos dados reaislinear em relação aos dados reais

Var

iáve

l d

epen

den

te

Variável independenteX

Y

Figura 9.2

Métodos causais:Métodos causais:Regressão linear em relação aos Regressão linear em relação aos dados reaisdados reais

Var

iáve

l d

epen

den

te

Variável independenteX

Y Equação deregressão:Y = a + bX

Figure 9.2

Métodos causais:Métodos causais:Regressão linear em relação aos Regressão linear em relação aos dados reaisdados reais

Figura 9.2

Var

iáve

l d

epen

den

te

Variável independenteX

Y

Valor real de Y

Valor de X usadopara estimar Y

Equação deregressão:Y = a + bX

Métodos causais:Métodos causais:Regressão linear em relação aos Regressão linear em relação aos dados reaisdados reais

Var

iáve

l d

epen

den

te

Variável independenteX

Y

Valor real de Y

Estimativa de Y a partir da equação de regressão

Valor de X usadopara estimar Y

Equação deregressão:Y = a + bX

Figura 9.2

Métodos causais:Métodos causais:Regressão linear em relação aos Regressão linear em relação aos dados reaisdados reais

Var

iáve

l d

epen

den

te

Variável independenteX

Y

Valor real de Y

Estimativa de Y a partir da equação de regressão

Valor de X usadopara estimar Y

Desvio,ou erro

{

Equação deregressão:Y = a + bX

Figura 9.2

Métodos causais:Métodos causais:Regressão linear paraRegressão linear paraprever a demanda do produtoprever a demanda do produto

Métodos causais:Métodos causais:Regressão linear para Regressão linear para prever a demanda do produtoprever a demanda do produto

Mês Vendas Propaganda (milhões de unidades) (milhares de $)

1 264 2,52 116 1,33 165 1,44 101 1,05 209 2,0

Exemplo 9.1

Métodos causais:Métodos causais:Regressão linear paraRegressão linear paraprever a demanda do produtoprever a demanda do produto

Exemplo 9.1

a = -8,137b = 109,230Xr = 0,980r2 = 0,960syx= 15,603

Mês Vendas Propaganda (milhões de unidades) (milhares de $)

1 264 2,52 116 1,33 165 1,44 101 1,05 209 2,0

Métodos causais:Métodos causais:Regressão linear paraRegressão linear paraprever a demanda do produtoprever a demanda do produto

Figura 9.2

Vendas PropagandaMês (milhões de unidades) (milhares de $)

1 264 2,52 116 1,33 165 1,44 101 1,05 209 2,0

a = -8,137b = 109,230Xr = 0,980r2 = 0,960syx= 15,603

| | | |1,0 1,5 2,0 2,5

Propaganda (milhares de dólares)

300 —

250 —

200 —

150 —

100 —

50 Ven

das

(m

ilh

ões

de

un

idad

es)

Métodos causais:Métodos causais:Regressão linearRegressão linear

Figura 9.2

Vendas PropagandaMês (milhões de unidades) (milhares de $)

1 264 2,52 116 1,33 165 1,44 101 1,05 209 2,0

a = -8,137b = 109,230Xr = 0,980r2 = 0,960syx= 15,603

| | | |1,0 1,5 2,0 2,5

Propaganda (milhares de dólares)

300 —

250 —

200 —

150 —

100 —

50 Ven

das

(m

ilh

ões

de

un

idad

es)

Métodos causais:Métodos causais:Regressão linearRegressão linear

Figura 9.2

Vendas PropagandaMês (milhões de unidades) (milhares de $)

1 264 2,52 116 1,33 165 1,44 101 1,05 209 2,0

a = -8,137b = 109,230Xr = 0,980r2 = 0,960syx= 15,603

| | | |1,0 1,5 2,0 2,5

Propaganda (milhares de dólares)

300 —

250 —

200 —

150 —

100 —

50

Y = -8,137 + 109,230X

Ven

das

(m

ilh

ões

de

un

idad

es)

Métodos causais:Métodos causais:Regressão linearRegressão linear

Figura 9.2

Vendas PropagandaMês (milhões de unidades) (milhares de $)

1 264 2,52 116 1,33 165 1,44 101 1,05 209 2,0

a = -8,137b = 109,230Xr = 0,980r2 = 0,960syx= 15,603

| | | |1,0 1,5 2,0 2,5

Propaganda (milhares de dólares)

300 —

250 —

200 —

150 —

100 —

50

Y = -8,137 + 109,230X

Ven

das

(m

ilh

ões

de

un

idad

es)

Métodos causais:Métodos causais:Regressão linearRegressão linear

Figura 9.2

Vendas PropagandaMês (milhões de unidades) (milhares de $)

1 264 2,52 116 1,33 165 1,44 101 1,05 209 2,0

a = -8,137b = 109,230Xr = 0,980r2 = 0,960syx= 15,603

| | | |1,0 1,5 2,0 2,5

Propaganda (milhares de dólares)

300 —

250 —

200 —

150 —

100 —

50

Y = -8,137 + 109,230X

Ven

das

(m

ilh

ões

de

un

idad

es)

Previsão para o mês 6

X = $1.750, Y = -8,137 + 109,230(1,75)

Métodos causais:Métodos causais:Regressão linearRegressão linear

Figura 9.2

Vendas PropagandaMês (millhões de unidades) (milhares de $)

1 264 2,52 116 1,33 165 1,44 101 1,05 209 2,0

a = -8,137b = 109,230Xr = 0,980r2 = 0,960syx= 15,603

| | | |1,0 1,5 2,0 2,5

Propaganda (milhares de dólares)

300 —

250 —

200 —

150 —

100 —

50

Y = -8,137 + 109,230X

Ven

das

(m

ilh

ões

de

un

idad

es)

Previsão para o mês 6

X = $1.750, Y = 183,016, ou 183.016 unidades

Métodos causais:Métodos causais:Regressão linearRegressão linear

Figura 9.2

Vendas PropagandaMês (milhões de unidades) (milhares de $)

1 264 2,52 116 1,33 165 1,44 101 1,05 209 2,0

a = -8,137b = 109,230Xr = 0,980r2 = 0,960syx= 15,603

| | | |1,0 1,5 2,0 2,5

Propaganda (milhares de dólares)

300 —

250 —

200 —

150 —

100 —

50

Y = -8,137 + 109,230X

Ven

das

(m

ilh

ões

de

un

idad

es)

Métodos causais:Métodos causais:Regressão linearRegressão linear

Figura 9.2

Sales PropagandaMês (milhões de unidades) (milhares de $)

1 264 2,52 116 1,33 165 1,44 101 1,05 209 2,0

a = -8,137b = 109,230Xr = 0,980r2 = 0,960syx= 15,603

| | | |1,0 1,5 2,0 2,5

Propaganda (milhares de dólares)

300 —

250 —

200 —

150 —

100 —

50

Y = -8,137 + 109,230X

Ven

das

(m

ilh

ões

de

un

idad

es)

Se estoque atual = 62.500 unidades,

produção = 183.016 - 62.500 = 120.516 unidades

Métodos causais:Métodos causais:Regressão linearRegressão linear

Vendas PropagandaMês (milhões de unidades) (milhares de $)

1 264 2,52 116 1,33 165 1,44 101 1,05 209 2,0

Exemplo 9.1

Métodos causais:Métodos causais:Regressão linearRegressão linear

Vendas PropagandaMês (milhões de unidades) (milhares de $)

1 264 2,52 116 1,33 165 1,44 101 1,05 209 2,0

a = Y - bX b = XY - nXY

X 2 - nX 2

Exemplo 9.1

Métodos causais:Métodos causais:Regressão linearRegressão linear

Vendas, YPropaganda, X Mês (milhões de unidades) (milhares de $) XY X 2 Y 2

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

a = Y - bX b = XY - nXY

X 2 - nX 2

Exemplo 9.1

a = Y - bX b = XY - nXY

X 2 - nX 2

Vendas, Y Propaganda, X Mês (milhões de unidades) (milhares de $) XY X 2 Y 2

1 264 2,5 660,0 6,25 69,6962 116 1,3 150,8 1,69 13,4563 165 1,4 231,0 1,96 27,2254 101 1,0 101,0 1,00 10,2015 209 2,0 418,0 4,00 43,681

Total 855 8,2 1.560,8 14,90 164,259Y = 171 X = 1,64

Métodos causais:Métodos causais:Regressão linearRegressão linear

Exemplo 9.1

Métodos causais:Métodos causais:Regressão linearRegressão linear

a = Y - bX b = 1.560,8 - 5(1,64)(171)

14,90 - 5(1,64)2

Vendas, Y Propaganda, X Mês (milhões de unidades) (milhares de $) XY X 2 Y 2

1 264 2,5 660,0 6,25 69,6962 116 1,3 150,8 1,69 13,4563 165 1,4 231,0 1,96 27,2254 101 1,0 101,0 1,00 10,2015 209 2,0 418,0 4,00 43,681

Total 855 8,2 1.560,8 14,90 164,259Y = 171 X = 1,64

Exemplo 9.1

Métodos causais:Métodos causais:Regressão linearRegressão linear

a = Y - bX b = 109,230

Vendas, Y Propaganda, X Mês (milhões de unidades) (milhares de $) XY X 2 Y 2

1 264 2,5 660,0 6,25 69,6962 116 1,3 150,8 1,69 13,4563 165 1,4 231,0 1,96 27,2254 101 1,0 101,0 1,00 10,2015 209 2,0 418,0 4,00 43,681

Total 855 8,2 1.560,8 14,90 164,259Y = 171 X = 1,64

Exemplo 9.1

Métodos causais:Métodos causais:Regressão linearRegressão linear

a = 171 - 109,230(1,64) b = 109,230

Vendas, Y Propaganda, XMês (milhões de unidades) (milhares de $) XY X 2 Y 2

1 264 2,5 660,0 6,25 69,6962 116 1,3 150,8 1,69 13,4563 165 1,4 231,0 1,96 27,2254 101 1,0 101,0 1,00 10,2015 209 2,0 418,0 4,00 43,681

Total 855 8,2 1.560,8 14,90 164,259Y = 171 X = 1,64

Exemplo 9.1

Métodos causais:Métodos causais:Regressão linearRegressão linear

a = - 8,137 b = 109,230

Vendas, Y Propaganda, XMês (milhões de unidades) (milhares de $) XY X 2 Y 2

1 264 2,5 660,0 6,25 69,6962 116 1,3 150,8 1,69 13,4563 165 1,4 231,0 1,96 27,2254 101 1,0 101,0 1,00 10,2015 209 2,0 418,0 4,00 43,681

Total 855 8,2 1.560,8 14,90 164,259Y = 171 X = 1,64

Exemplo 9.1

Métodos causais:Métodos causais:Regressão linearRegressão linear

a = - 8,137 b = 109,230

Vendas, Y Propaganda, XMês (milhões de unidades) (milhares de $) XY X 2 Y 2

1 264 2,5 660,0 6,25 69,6962 116 1,3 150,8 1,69 13,4563 165 1,4 231,0 1,96 27,2254 101 1,0 101,0 1,00 10,2015 209 2,0 418,0 4,00 43,681

Total 855 8,2 1.560,8 14,90 164,259Y = 171 X = 1,64

Y = - 8,137 + 109,230(X)Exemplo 9.1

Métodos causais:Métodos causais:Regressão linearRegressão linear

a = - 8,137 b = 109,230

Vendas, Y Propaganda, XMês (milhões de unidades) (milhares de $) XY X 2 Y 2

1 264 2,5 660,0 6,25 69,6962 116 1,3 150,8 1,69 13,4563 165 1,4 231,0 1,96 27,2254 101 1,0 101,0 1,00 10,2015 209 2,0 418,0 4,00 43,681

Total 855 8,2 1.560,8 14,90 164,259Y = 171 X = 1,64

Y = - 8,137 + 109,230(X)Figura 9.3

Propaganda (milhares de dólares)

| | | |1,0 1,5 2,0 2,5

300 —

250 —

200 —

150 —

100 —

50

Ven

das

(m

ilh

ões

de

un

idad

es)

Métodos causais:Métodos causais:Regressão linearRegressão linear

Figura 9.3

a = - 8,137 b = 109,230

Vendas, Y Propaganda, XMês (milhões de unidades) (milhares de $) XY X 2 Y 2

1 264 2,5 660,0 6,25 69,6962 116 1,3 150,8 1,69 13,4563 165 1,4 231,0 1,96 27,2254 101 1,0 101,0 1,00 10,2015 209 2,0 418,0 4,00 43,681

Total 855 8,2 1.560,8 14,90 164,259Y = 171 X = 1,64

Y = - 8,137 + 109,230(X)

| | | |1,0 1,5 2,0 2,5

Propaganda (milhares de dólares)

300 —

250 —

200 —

150 —

100 —

50

Ven

das

(m

ilh

ões

de

un

idad

es)

Métodos causais:Métodos causais:Regressão linearRegressão linear

a = - 8,137 b = 109,230

Vendas, Y Propaganda, XMês(milhões de unidades)(000 $) XY X 2 Y 2

1 264 2,5 660,0 6,25 69,6962 116 1,3 150,8 1,69 13,4563 165 1,4 231,0 1,96 27,2254 101 1,0 101,0 1,00 10,2015 209 2,0 418,0 4,00 43,681

Total 855 8,2 1.560,8 14,90 164,259Y = 171 X = 1,64

Y = - 8,137 + 109,230(X)

Ven

das

(m

ilh

ões

de

un

idad

es)

| | | |1,0 1,5 2,0 2,5

Propaganda (milhares de dólares)

300 —

250 —

200 —

150 —

100 —

50

Figura 9.3

Métodos causais:Métodos causais:Regressão linearRegressão linear

Vendas, Y Propaganda, XMês (milhões de unidades) (milhares de $) XY X 2 Y 2

1 264 2,5 660,0 6,25 69,6962 116 1,3 150,8 1,69 13,4563 165 1,4 231,0 1,96 27,2254 101 1,0 101,0 1,00 10,2015 209 2,0 418,0 4,00 43,681

Total 855 8,2 1.560,8 14,90 164,259Y = 171 X = 1,64

Exemplo 9.1

Métodos causais:Métodos causais:Regressão linearRegressão linear

Vendas, Y Propaganda, XMês (milhões de unidades) (milhares de $) XY X 2 Y 2

1 264 2,5 660,0 6,25 69,6962 116 1,3 150,8 1,69 13,4563 165 1,4 231,0 1,96 27,2254 101 1,0 101,0 1,00 10,2015 209 2,0 418,0 4,00 43,681

Total 855 8,2 1.560,8 14,90 164,259Y = 171 X = 1,64

nXY - X Y

[nX 2 -(X) 2][nY 2 - (Y) 2]r =

Exemplo 9.1

Métodos causais:Métodos causais:Regressão linearRegressão linear

Vendas, Y Propaganda, XMês (milhões de unidades) (milhares de $) XY X 2 Y 2

1 264 2,5 660,0 6,25 69,6962 116 1,3 150,8 1,69 13,4563 165 1,4 231,0 1,96 27,2254 101 1,0 101,0 1,00 10,2015 209 2,0 418,0 4,00 43,681

Total 855 8,2 1.560,8 14,90 164,259Y = 171 X = 1,64

r = 0,980

Exemplo 9.1

Métodos causais:Métodos causais:Regressão linearRegressão linear

Vendas, Y Propaganda, XMês (milhões de unidades) (milhares de $) XY X 2 Y 2

1 264 2,5 660,0 6,25 69,6962 116 1,3 150,8 1,69 13,4563 165 1,4 231,0 1,96 27,2254 101 1,0 101,0 1,00 10,2015 209 2,0 418,0 4,00 43,681

Total 855 8,2 1.560,8 14,90 164,259Y = 171 X = 1,64

r = 0,980 r 2 = 0,960 YX = 15,603

Exemplo 9.1

Métodos causais:Métodos causais:Regressão linearRegressão linear

Vendas, Y Propaganda, XMês (milhões de unidades) (milhares de $) XY X 2 Y 2

1 264 2,5 660,0 6,25 69,6962 116 1,3 150,8 1,69 13,4563 165 1,4 231,0 1,96 27,2254 101 1,0 101,0 1,00 10,2015 209 2,0 418,0 4,00 43,681

Total 855 8,2 1.560,8 14,90 164,259Y = 171 X = 1,64

r = 0,980 r 2 = 0,960 YX = 15,603

Previsão para o mês 6:

Dispêndio com propaganda = $1.750

Y = -8,137 + 109,230(1,75)

Exemplo 9.1

Métodos causais:Métodos causais:Regressão linearRegressão linear

Vendas, Y Propaganda, XMês (milhões de unidades) (milhares de $) XY X 2 Y 2

1 264 2,5 660,0 6,25 69,6962 116 1,3 150,8 1,69 13,4563 165 1,4 231,0 1,96 27,2254 101 1,0 101,0 1,00 10,2015 209 2,0 418,0 4,00 43,681

Total 855 8,2 1.560,8 14,90 164,259Y = 171 X = 1,64

r = 0,980 r 2 = 0,960 YX = 15,603

Previsão para o mês 6:

Dispêndio com propaganda = $1.750

Y = 183.016 ou 183,016, depende

Exemplo 9.1

Métodos de série temporal:Métodos de série temporal:Médias Móveis SimplesMédias Móveis Simples

Métodos de série temporal:Métodos de série temporal:Médias Móveis SimplesMédias Móveis Simples

Semana

450 —

430 —

410 —

390 —

370 —Ch

egad

as d

e p

acie

nte

s

| | | | | |0 5 10 15 20 25 30

Exemplo 9.2

Ch

egad

as d

e p

acie

nte

s

Métodos de série temporal:Métodos de série temporal:Médias Móveis SimplesMédias Móveis Simples

Figura 9.4

Semana

450 —

430 —

410 —

390 —

370 —

| | | | | |0 5 10 15 20 25 30

Chegadas reaisde pacientes

Ch

egad

as d

e p

acie

nte

s

Métodos de série temporal:Métodos de série temporal:Médias Móveis SimplesMédias Móveis Simples

Exemplo 9.2

Chegadas reaisde pacientes

450 —

430 —

410 —

390 —

370 —

Semana

| | | | | |0 5 10 15 20 25 30

Ch

egad

as d

e p

acie

nte

s

Métodos de série temporal:Métodos de série temporal:Médias Móveis SimplesMédias Móveis Simples

Exemplo 9.2

Chegadas reaisde pacientes

Chegadas reaisde pacientes

450 —

430 —

410 —

390 —

370 —

Semana

| | | | | |0 5 10 15 20 25 30

ChegadasSemana de pacientes

1 4002 3803 411

Ch

egad

as d

e p

acie

nte

s

Métodos de série temporal:Métodos de série temporal:Médias Móveis SimplesMédias Móveis Simples

Exemplo 9.2

Chegadas reaisde pacientes

Chegadas reaisde pacientes

450 —

430 —

410 —

390 —

370 —

Semana

| | | | | |0 5 10 15 20 25 30

ChegadasSemana de pacientes

1 4002 3803 411

Ch

egad

as d

e p

acie

nte

s

Métodos de série temporal:Métodos de série temporal:Médias Móveis SimplesMédias Móveis Simples

Chegadas reaisde pacientes

Semana

450 —

430 —

410 —

390 —

370 —

| | | | | |0 5 10 15 20 25 30

ChegadasSemana de pacientes

1 4002 3803 411

F4 = 411 + 380 + 4003

Exemplo 9.2

Ch

egad

as d

e p

acie

nte

s

Métodos de série temporal:Métodos de série temporal:Médias Móveis SimplesMédias Móveis Simples

Exemplo 9.2

Chegadas reaisde pacientes

450 —

430 —

410 —

390 —

370 —

Semana

| | | | | |0 5 10 15 20 25 30

ChegadasSemana de pacientes

1 4002 3803 411

F4 = 397,0

Ch

egad

as d

e p

acie

nte

s

Métodos de série temporal:Métodos de série temporal:Médias Móveis SimplesMédias Móveis Simples

Exemplo 9.2

Chegadas reaisde pacientes

450 —

430 —

410 —

390 —

370 —

Semana

| | | | | |0 5 10 15 20 25 30

ChegadasSemana de pacientes

1 4002 3803 411

F4 = 397,0

Ch

egad

as d

e p

acie

nte

s

Métodos de série temporal:Métodos de série temporal:Médias Móveis SimplesMédias Móveis Simples

Exemplo 9.2

Chegadas reaisde pacientes

Semana

450 —

430 —

410 —

390 —

370 —

| | | | | |0 5 10 15 20 25 30

ChegadasSemana de pacientes

2 3803 4114 415

F5 = 415 + 411 + 380

3

Ch

egad

as d

e p

acie

nte

s

Métodos de série temporal:Métodos de série temporal:Médias Móveis SimplesMédias Móveis Simples

Exemplo 9.2

Chegadas reaisde pacientes

450 —

430 —

410 —

390 —

370 —

Semana

| | | | | |0 5 10 15 20 25 30

ChegadasSemana de pacientes

2 3803 4114 415

F5 = 402,0

Ch

egad

as d

e p

acie

nte

s

Métodos de série temporal:Métodos de série temporal:Médias Móveis SimplesMédias Móveis Simples

Exemplo 9.2

450 —

430 —

410 —

390 —

370 —

Semana

| | | | | |0 5 10 15 20 25 30

Chegadas reaisde pacientes

Ch

egad

as d

e p

acie

nte

s

Métodos de série temporal:Métodos de série temporal:Médias Móveis SimplesMédias Móveis Simples

450 —

430 —

410 —

390 —

370 —

Semana

| | | | | |0 5 10 15 20 25 30

Chegadas reaisde pacientes

Previsão de MM (Média Móvel)para 3 semanas

Ch

egad

as d

e p

acie

nte

s

Métodos de série temporal:Métodos de série temporal:Suavização exponencialSuavização exponencial

Métodos de série temporal:Métodos de série temporal:Suavização exponencialSuavização exponencial

450 —

430 —

410 —

390 —

370 —

Semana

| | | | | |0 5 10 15 20 25 30

Exemplo 9.3

Ch

egad

as d

e p

acie

nte

s

Métodos de série temporal:Métodos de série temporal:Suavização exponencialSuavização exponencial

450 —

430 —

410 —

390 —

370 —

Semana

| | | | | |0 5 10 15 20 25 30

Suavização exponencial = 0,10

Ft +1 = Ft + (Dt - Ft )

Exemplo 9.3

Ch

egad

as d

e p

acie

nte

s

Métodos de série temporal:Métodos de série temporal:Suavização exponencialSuavização exponencial

450 —

430 —

410 —

390 —

370 —

Semana

| | | | | |0 5 10 15 20 25 30

Suavização exponencial = 0,10

F4 = 0,10(411) + 0,90(390)

F3 = (400 + 380)/2D3 = 411

Ft +1 = Ft + (Dt - Ft )

Exemplo 9.3

Ch

egad

as d

e p

acie

nte

s

Métodos de série temporal:Métodos de série temporal:Suavização exponencialSuavização exponencial

Exemplo 9.3

450 —

430 —

410 —

390 —

370 —

Semana

| | | | | |0 5 10 15 20 25 30

F4 = 392,1

Suavização exponencial = 0,10

F3 = (400 + 380)/2D3 = 411

Ft +1 = Ft + (Dt - Ft )

Ch

egad

as d

e p

acie

nte

s

Métodos de série temporal:Métodos de série temporal:Suavização exponencialSuavização exponencial

Exemplo 9.3

Semana

450 —

430 —

410 —

390 —

370 —

| | | | | |0 5 10 15 20 25 30

F4 = 392,1D4 = 415

Suavização exponencial = 0,10

F4 = 392,1 F5 = 394,4

Ft +1 = Ft + (Dt - Ft )

Ch

egad

as d

e p

acie

nte

s

Métodos de série temporal:Métodos de série temporal:Suavização exponencialSuavização exponencial

Semana

450 —

430 —

410 —

390 —

370 —

| | | | | |0 5 10 15 20 25 30

Exemplo 9.3

Ch

egad

as d

e p

acie

nte

s

Métodos de série temporal:Métodos de série temporal:Suavização exponencialSuavização exponencial

450 —

430 —

410 —

390 —

370 —Ch

egad

as d

e p

acie

nte

s

Semana

| | | | | |0 5 10 15 20 25 30

Exemplo 9.3

Suavização exponencial

= 0,10

Escolhendo um métodoEscolhendo um métodoErro de previsãoErro de previsão

Medidas de erro de previsão

Et = Dt - Ft

Escolhendo um métodoEscolhendo um métodoErro de previsãoErro de previsão

Exemplo 9.4

Escolhendo um métodoEscolhendo um métodoErro de previsãoErro de previsão

Medidas de erro de previsão

Et = Dt - Ft

|Et |n

Et2

n

CFE = Et

=MSE =

MAD = MAPE = [ |Et |/Dt ]100

n

(Et - E )2

n - 1

Exemplo 9.4

Erro Erro ao Erro absoluto

Mês, Demanda, Previsão, Erro, quadrado, absoluto, percentual,

t Dt Ft Et Et2 |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%

Escolhendo um métodoEscolhendo um métodoErro de previsãoErro de previsão

Exemplo 9.4

Escolhendo um métodoEscolhendo um métodoErro de previsãoErro de previsão

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%

Medidas de erro

Exemplo 9.4

Escolhendo um métodoEscolhendo um métodoErro de previsãoErro de previsão

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%

CFE = -15

Medidas de erro

Exemplo 9.4

Escolhendo um métodoEscolhendo um métodoErro de previsãoErro de previsão

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%

CFE = -15

Medidas de erro

E = = -1,875-15

8

Exemplo 9.4

Escolhendo um métodoEscolhendo um métodoErro de previsãoErro de previsão

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%

MSE = = 659,45.275

8

CFE = -15

Medidas de erro

E = = -1,875-5 8

Exemplo 9.4

Escolhendo um métodoEscolhendo um métodoErro de previsãoErro de previsão

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%

MSE = = 659,45.275

8

CFE = -5

Medidas de erro

E = = -1,875-15

8

= 27,4

Exemplo 9.4

Escolhendo um métodoEscolhendo um métodoErro de previsãoErro de previsão

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%

MSE = = 659,45.275

8

CFE = -15

Medidas de erro

MAD = = 24,4195

8

E = = -1,875-15

8

= 27,4

Exemplo 9.4

Escolhendo um métodoEscolhendo um métodoErro de previsãoErro de previsão

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%

MSE = = 659,45.275

8

CFE = -15

Medidas de erro

MAD = = 24,4195

8

MAPE = = 10,2%81,3%

8

E = = -1,875-15

8

= 27,4

Exemplo 9.4

Escolhendo um métodoEscolhendo um métodoErro de previsãoErro de previsão

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%

MSE = = 659,45.275

8

CFE = -15

Medidas de erro

MAD = = 24,4195

8

MAPE = = 10,2%81,3%

8

E = = -1,875-15

8

= 27,4

Exemplo 9.4

Escolhendo um métodoEscolhendo um métodoSinais de monitoramentoSinais de monitoramento

Escolhendo um métodoEscolhendo um métodoSinais de monitoramentoSinais de monitoramento

Tabela 9.2

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 dentro dos limites

(número de MAD) de controle

± 1,0± 1,5± 2,0± 2,5± 3,0± 3,5± 4,0

Escolhendo um métodoEscolhendo um métodoSinais de monitoramentoSinais de monitoramento

Tabela 9.2

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 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 ± 3,20

Escolhendo um métodoEscolhendo um métodoSinais de monitoramentoSinais de monitoramento

Tabela 9.2

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 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 99,86

Escolhendo um métodoEscolhendo um métodoSinais de monitoramentoSinais de monitoramento

Escolhendo um métodoEscolhendo um métodoSinais de monitoramentoSinais de monitoramento

Sinal de monitoramento = CFE

MAD

+2,0 —

+1,5 —

+1,0 —

+0,5 —

0 —

- 0,5 —

- 1,0 —

- 1,5 —| | | | |

0 5 10 15 20 25 Número da observação

Sin

al d

e m

on

ito

ram

ento

Limite de controle

Limite de controle

Figura 9.5

Escolhendo um métodoEscolhendo um métodoSinais de monitoramentoSinais de monitoramento

Sinal de monitoramento = CFE

MAD

+2,0 —

+1,5 —

+1,0 —

+0,5 —

0 —

- 0,5 —

- 1,0 —

- 1,5 —| | | | |

0 5 10 15 20 25 Número da observação

Sin

al d

e m

on

ito

ram

ento

Limite de controle

Limite de controle

Fora de controle

Figura 9.5