Ajuste de um Modelo de Previso de Sries Temporais para um Processo de Fabricao de Cermicas

Fernando de Jesus Moreira Junior (UFSM/UFSC) fmjunior@smail.ufsm.br Robert Wayne Samohyl (UFSC) samohyl@deps.ufsc.br Enio Junior Seidel (UFSM) ejrseidel@hotmail.com Luis Felipe Dias Lopes (UFSM) lflopes@smail.ufsm.br

Resumo: Neste trabalho desenvolveu-se um estudo para melhorar o gerenciamento da produo de uma indstria cermica, atravs da utilizao das ferramentas de Anlise de Sries Temporais. Ajustou-se uma equao de regresso mltipla, com variveis dummies altamente significativas, que captou a presena da sazonalidade, obtendo um valor para o Rquadrado igual a 0,84, e para o R-quadrado ajustado igual a 0,79. O coeficiente de correlao entre os valores estimados pelo modelo e os valores observados foi igual a 0,91. O modelo foi considerado adequado para fazer previses. Palavras-chave: Anlise de Sries Temporais, Fabricao de Cermicas, Sazonalidade. 1. Introduo A demanda por produtos cermicos sempre esteve atrelada ao potencial do mercado regional que se pretende atingir, de modo a considerar-se quais as necessidades deste mercado com relao qualidade dos produtos, quantidade e preos praticados. Tendo em vista a rapidez com que ocorrem mudanas nesse mercado e a grande concorrncia, as empresas cermicas so foradas a buscarem a evoluo dos seus processos produtivos, monitorando e otimizando a produo. Dantas et al (2001) destaca que o processo de previso uma das etapas mais importantes dentro do planejamento agregado. Mesmo assim, um dos maiores problemas enfrentados pelas empresas a dificuldade de prever, argumenta Ramos et al (2001). Muitas vezes, as previses so feitas por um gerente de vendas ou uma equipe atravs de estimativas de vendas baseadas nas previses dos prprios vendedores e representantes no mercado, sem uma metodologia explcita e consistente, com forte tendncia de superestimar as vendas observadas. Conforme Gonalves (2007), a utilizao de modelos de previses cresce medida em que gestores buscam mtodos cientficos para tentar diminuir a dependncia da sorte. Hoje, os modelos de previses fazem parte do processo decisrio da gesto empresarial nas reas financeira, de recursos humanos, de marketing, de produo, etc. Segundo Balestrassi et al (1998), a previso de sries temporais um dos fatores mais importantes na engenharia de produo. A anlise de sries temporais uma rea de pesquisa relevante em diversos campos do conhecimento, tendo como principal objetivo em suas pesquisas, providenciar uma previso, quando o modelo matemtico de um fenmeno desconhecido ou incompleto (SAMOHYL, 2001b). Com o objetivo de estimar e prever a produo de cermica para melhorar o gerenciamento da produo, buscou-se utilizar as ferramentas de anlise de Sries Temporais.

2. Modelos de Previso de Sries Temporais Segundo Samohyl et al (2001a), as tcnicas de anlise de sries temporais so extremamente importantes, pois permitem identificar, em dados temporais, padres de comportamento histricos no-aleatrios, o que possibilita no s a previso de ocorrncias futuras, como tambm a organizao de aes preventivas em relao s suas conseqncias. Estas previses so feitas por meio de tcnicas cientficas que projetam dados passados para o futuro, aps a identificao de um padro de comportamento relacionado com o tempo. De acordo com Gonalves (2007) os mtodos de previso podem ser classificados como qualitativos ou quantitativos. Os mtodos qualitativos, utilizados quando os dados histricos so inexistentes ou escassos, so baseados na opinio de especialistas e referem-se ao uso de tcnicas de grupos focais e de consenso, como o mtodo Delphi. Por outro lado, os mtodos quantitativos, referentes a os modelos matemticos, so utilizados quando existe quantidade suficiente de dados histricos. Entre os mtodos quantitativos de previso, destacam-se os modelos ingnuos, de mdia mvel, de regresso (linear simples, mltipla, no-linear, logstica, etc.), de alisamento exponencial, auto-regressivo, integrado e de mdia mvel (ARIMA), auto-regresso de vetor (VAR), entre outros. Cada uma dessas classes de modelo utilizada de acordo com as caractersticas dos dados (tendncia, sazonalidade, autocorrelao, ciclos, etc.) e dos pressupostos de cada modelo. Tambm possvel que os mesmos dados possam ser ajustados por mais de um modelo da mesma classe ou de diferentes classes. Para a escolha do melhor modelo, devem ser observados determinados critrios, de acordo com o modelo (coeficientes, critrios de informao, anlise de resduos, parcimnia, etc.). Makridakis et al (1998) destaca que a previso deve ser executada considerando-se alguns importantes passos: i) definio do problema; ii) coleta das informaes; iii) anlise preliminar dos dados; iv) escolha e ajuste de modelos; e v) uso e avaliao do modelo de previso. Segundo Samohyl et al (2001b), uma srie temporal pode ser definida como uma funo de uma varivel independente (tempo) vinculada a um processo em que uma descrio matemtica desconhecida. O comportamento futuro de uma srie temporal no pode ser previsto exatamente, como pode ser previsto de uma funo determinstica. Entretanto, o comportamento de uma srie temporal pode algumas vezes ser antecipado atravs de procedimentos estocsticos. Quatro comportamentos associados a uma srie temporal podem ser identificados: o efeito de tendncia, o efeito sazonal, os ciclos de negcios e as variaes irregulares ao acaso. 3. Materiais e Mtodo Os dados utilizados neste estudo foram coletados em uma indstria cermica localizada no municpio de Pinheirinho do Vale, norte do Rio Grande do Sul, o qual se caracteriza pelas estaes climticas bem definidas, isto , temperaturas altas no vero e baixas no inverno. Foram coletados dados referente a produo de tijolos no perodo de janeiro de 2003 a dezembro de 2005, totalizando 36 observaes. 3.1 Processo de produo de tijolos Na cermica em estudo tem-se o processo de produo de tijolos como segue. Na caixa de alimentao, a matria-prima (argila) segue por uma esteira at chegar ao misturador, onde controlada a umidade e acrescida gua, ficando com aspecto de massa. Do misturador, a matria-prima conduzida at o laminador, que a reduz a uma forma pastosa em lminas finas, fazendo-a passar entre dois cilindros de ferro fundido que trituram por

esmagamento todas as pedrinhas ou torres ainda no desfeitos. O material laminado cai na maromba (mquina de fabricar tijolos) a vcuo, e vai para o parafuso-sem-fim, onde a matria-prima impelida para a frente, passa atravs da cmara de vcuo e toma a forma de tijolo. O bloco de argila (j na forma do tijolo), saindo da boquilha, corre sobre os rolos da mquina cortadora e automaticamente cortado no tamanho especificado. Aps o corte, os tijolos so transportados manualmente at os estaleiros de secagem, onde so colocados em prateleiras e permanecem para secagem natural por um perodo mdio de 7 (sete) dias com tempo bom. Aps a secagem, os tijolos so transportados at os fornos e empilhados a fim de que a queima se processe de forma homognea em todos os tijolos. No lado interno do forno, prximo s fornalhas, colocada uma pilha de tijolos para que contenha o fogo que provem das fornalhas, protegendo assim os demais tijolos. A indstria possui 6 (seis) fornos, e cada forno armazena aproximadamente 13.000 (treze mil) tijolos. A energia utilizada na queima obtida atravs de madeiras de reflorestamentos. O processo de queima dos tijolos do forno de cinco dias. No primeiro dia, a temperatura do forno gira em torno de 50C. Nos segundo e terceiro dias, a temperatura vai de 100C a 300C. Nestes trs primeiros dias, a temperatura mantida baixa (entre 50 e 300C) para finalizar a secagem dos tijolos. No quarto dia, a temperatura do forno elevada a 500C, para iniciar o processo de queima do tijolo. Este processo feito no quinto dia, aonde a temperatura vai de 500C a 1000C (temperatura final do processo) aproximadamente. Aps completo o processo, quando se passaram os cinco dias, ou seja, 120 horas de queima dos tijolos, o forno ento fechado, sem que haja entrada de ar, por um perodo de cinco horas. Depois deste perodo o forno aberto para resfriamento dos tijolos (perodo que dura em torno de dois dias). 4. Resultados e discusses O grfico da Figura 1 apresenta a evoluo da produo ao longo dos meses durante os trs anos de coleta.

170000

160000

150000

Produo

140000

130000

120000

110000

100000 set/03 set/04 dez/03 abr/03 out/03 dez/04 abr/04 out/04 set/05 ago/03 ago/04 mar/03 mar/04 mar/05 ago/05 nov/03 nov/04 nov/05 mai/03 mai/04 mai/05 dez/05 abr/05 fev/03 fev/04 fev/05 out/05 jun/03 jan/03 jun/04 jan/04 jan/05 jun/05 jul/03 jul/04 jul/05

Ms

FIGURA 1 Produo de Cermicas.

Atravs do grfico da Figura 1 pode-se observar um comportamento sazonal em relao aos meses dos anos, onde a produo tende a ser maior nos meses mais quentes e, menor nos meses mais frios. Por outro lado, no possvel verificar se existe uma tendncia crescente ou decrescente na produo durante o perodo examinado. A fim de ajustar uma equao de regresso aos dados da produo, optou-se por uma equao que pudesse detectar a presena de sazonalidade e tendncia. Segundo Gonalves (2007), existem vrias formas de captar o efeito sazonal. Para captar um padro sazonal que se repete a cada 12 meses, juntamente com a tendncia, Moore (2006) sugere a seguinte equao: Y = 0 + X + 1 X 1 + 2 X 2 + ... + 11 X 11 + , onde (1)

0 a constante,
X a varivel de regresso relacionada a tendncia,

o coeficiente da varivel de tendncia X ,

1 , 2 ,..., 11 so os coeficientes das variveis sazonais X 1 , X 2 ,..., X 11 , respectivamente, o erro, e

1 se o ms janeiro X1 = 0 caso contrrio 1 se o ms fevereiro X2 = 0 caso contrrio M 1 se o ms novembro X 11 = 0 caso contrrio, onde os dados de dezembro so indicados quando todas as 11 variveis indicadoras forem iguais a zero. Na equao 1, as variveis X 1 , X 2 ,..., X 11 so variveis dummies, que servem para verificar a presena ou ausncia de um atributo (ou qualidade), nesse caso, para identificar o ms. Segundo Gujarati (2000), as variveis dummies so binrias, ou seja, assumem os valores 1, se o atributo est presente, ou 0, se o atributo est ausente. Segundo Samohyl (2009), uma equao de Regresso mltipla proporciona que o lado direito da equao est aberto para receber qualquer nmero de variveis independentes. Assim, aplicando-se o modelo da equao 1, obteve-se os resultados apresentados nas Tabelas 1 e 2. A Tabela 1 mostra que a regresso foi significativa (p = 0,00000), enquanto que a Tabela 2 apresenta os parmetros estimados para a regresso. Essa mostra que 7 variveis relacionadas sazonalidade possuem efeito significativo (p < 0,05) no modelo, porm a varivel relacionada tendncia no foi significativa (p = 0,4395). O valor obtido para o Rquadrado foi 0,84 e para o R-quadrado ajustado foi 0,757, o que indica um bom ajuste do modelo.
TABELA 1 Teste de significncia para a regresso.

gl Regresso Resduo Total

SQ MQ F F de significao 12 5,7E+09 4,75E+08 10,08625 0,00000 23 1,08E+09 47107001 35 6,79E+09 Stat t valor-P 30,93 0,0000 0,79 0,4395 -0,09 0,9274 0,07 0,9469 -1,98 0,0592 -2,14 0,0433 -3,32 0,0030 -6,50 0,0000 -5,65 0,0000 -5,59 0,0000 -2,39 0,0252 -2,92 0,0076 -0,38 0,7042

TABELA 2 Estimao dos parmetros da regresso.

Coeficientes Erro padro Interseo 150103 4853 X 92 117 X1 -530 5749 X2 385 5724 X3 -11317 5702 X4 -12152 5681 X5 -18790 5663 X6 -36712 5648 X7 -31831 5634 X8 -31416 5623 X9 -13441 5615 X10 -16403 5609 X11 -2155 5605

Verificando-se que a tendncia no foi significativa, o modelo ser ajustado novamente, sem o componente de tendncia, conforme a equao 2: Y = 0 + 1 X 1 + 2 X 2 + ... + 11 X 11 + , (2)

Aplicando-se o modelo da equao 2, obteve-se os resultados apresentados nas Tabelas 3 e 4. A Tabela 3 mostra que a regresso foi significativa (p = 0,00000), enquanto que a Tabela 4 apresenta os parmetros estimados para a regresso. Essa mostra que 8 variveis relacionadas sazonalidade possuem efeito significativo (p < 0,05) no modelo. A remoo da varivel relacionada tendncia fez com que outra varivel sazonal ( X 3 ) se tornasse significativa no modelo, alm de ter aumentado a significncia das variveis que j eram significativas. O valor obtido para o R-quadrado foi 0,84 e para o R-quadrado ajustado foi 0,761, o que indica um bom ajuste do modelo.
TABELA 3 Teste de significncia para a regresso.

gl Regresso Resduo Total

SQ MQ F F de significao 11 5,67E+09 5,16E+08 11,1236 0,00000 24 1,11E+09 46358797 35 6,79E+09 Coeficientes Erro padro 152307 3931 -1540 5559 -533 5559 -12143 5559 -12887 5559 -19433 5559 -37263 5559 -32290 5559 -31783 5559 -13717 5559 -16587 5559 -2247 5559 Stat t valor-P 38,74 0,0000 -0,28 0,7841 -0,10 0,9244 -2,18 0,0389 -2,32 0,0293 -3,50 0,0019 -6,70 0,0000 -5,81 0,0000 -5,72 0,0000 -2,47 0,0211 -2,98 0,0065 -0,40 0,6897

TABELA 4 Estimao dos parmetros da regresso.

Interseo X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11

As variveis sazonais significativas foram: X 3 , X 4 , X 5 , X 6 , X 7 , X 8 , X 9 e X 10 , que representam os meses de maro, abril, maio, junho, julho, agosto, setembro, outubro e novembro, respectivamente. Por outro lado, a Tabela 4 mostra que as variveis X 1 , X 2 e X 11 , que representam os meses de janeiro, fevereiro e novembro, respectivamente, no foram significativas nesse modelo. Dessa forma, os parmetros do modelo sero novamente estimados sem essas variveis. Fazendo-se isso, obteve-se os resultados apresentados nas Tabelas 5 e 6. A Tabela 5 mostra que a regresso foi significativa (p = 0,00000), enquanto que a Tabela 6 apresenta os parmetros estimados para a regresso. Essa mostra que todas as variveis tm efeito significativo no modelo (p < 0,05). O valor obtido para o R-quadrado foi 0,83, o que indica um bom ajuste do modelo, porm menor que o valor do modelo 2 (0,84). Segundo Sartoris (2003), o valor de Rquadrado nunca cair quando se acrescenta qualquer varivel explicativa, mesmo que no seja

significativa. Portanto, para se comparar modelos que possuem nmero de variveis explicativas diferentes, deve-se utilizar o R-quadrado ajustado. Dessa forma, tem-se que o valor do R-quadrado ajustado para esse modelo foi de 0,79 indicando que esse melhor que o modelo da equao 1 (0,76).
TABELA 5 Teste de significncia para a regresso.

gl Regresso Resduo Total

SQ MQ F F de significao 8 5,66E+09 7,08E+08 17,03959 0,00000 27 1,12E+09 41545370 35 6,79E+09 Coeficientes Erro padro 151227 1861 -11063 4161 -11807 4161 -18353 4161 -36183 4161 -31210 4161 -30703 4161 -12637 4161 -15507 4161 Stat t valor-P 81,28 0,0000 -2,66 0,0130 -2,84 0,0085 -4,41 0,0001 -8,70 0,0000 -7,50 0,0000 -7,38 0,0000 -3,04 0,0052 -3,73 0,0009

TABELA 6 Estimao dos parmetros da regresso.

Interseo X3 X4 X5 X6 X7 X8 X9 X10

A excluso das variveis X 1 , X 2 e X 11 indica que a produo entre os meses de novembro, dezembro, janeiro e fevereiro no varia de forma significativa, o que pode ser observado no grfico da Figura 2, que apresenta os valores observados e previstos da produo. Essa excluso tambm contribuiu para aumentar o valor do R-quadrado ajustado, melhorar o ajuste da equao (F = 17,04) e aumentar a significncia das variveis do modelo, como observa-se na Tabela 6. Assim, o modelo final ajustado foi:
Y = 151227 11063 X 3 11807 X
4

18353 X 5 36183 X

31210 X 7 30703 X 8 12637 X 9 15507 X 10 .

170000 Observada Prevista 160000

150000

Produo

140000

130000

120000

110000

100000 set/03 set/04 dez/03 abr/03 out/03 dez/04 abr/04 out/04 set/05 ago/03 ago/04 mar/03 mar/04 mar/05 ago/05 nov/03 nov/04 nov/05 mai/03 mai/04 mai/05 dez/05 abr/05 fev/03 fev/04 fev/05 out/05 jun/03 jan/03 jun/04 jan/04 jan/05 jun/05 jul/03 jul/04 jul/05

Ms

FIGURA 2 Valores Observados e Estimados da Produo de Cermicas.

A correlao entre os valores observados e estimados da produo de cermica, foi de 0,91, revelando um alto grau de associao positiva entre eles, conforme mostra o grfico de disperso da Figura 3.
160000

150000

140000 Produo Estimada

130000

120000

110000

100000 100000

110000

120000

130000

140000

150000

160000

170000

Produo Observada

FIGURA 3 Diagrama de Disperso entre os Valores Observados e Estimados.

Na sequencia, utilizou-se o modelo obitido para fazer previses. Segundo Gonalvez

(2007), a previso deve-ser no mximo um tero do total dos dados. Assim, com base no modelo final ajustado, fez-se a previso da produo para o ano seguinte (doze meses de 2006), que mesma para os anos seguintes, uma vez que no existe tendncia nos dados. O resultado da previso apresentado na Figura 4.
160000

150000

140000

Produo

130000

120000

110000

100000 abr/06 ago/06 set/06 mar/06 mai/06 nov/06 dez/06 fev/06 out/06 jan/06 jun/06 jul/06 Ms

FIGURA 4 Valores Previstos para a Produo de Cermicas.

Observa-se tambm que nos meses de novembro, dezembro, janeiro e fevereiro, a produo no varia de forma significativa, por isso o modelo ajustado prev o mesmo valor nesses meses.

5. Concluses
Esse trabalho procurou ajustar um modelo de sries temporais aos dados referentes a produo de cermicas, com o objetivo de estimar e prever a produo de cermica para melhorar o gerenciamento da produo. Foi ajustada uma equao de regresso mltipla com variveis dummies que captou a presena da sazonalidade, obtendo um valor para o R-quadrado igual a 0,84, e para o Rquadrado ajustado igual a 0,79. Os resultados mostraram que: o modelo obteve um bom ajuste e que as suas variveis foram altamente significativas. Dessa forma, o modelo ajustado foi considerado adequado e pode ser utilizado para a previso da produo desde que no haja mudana na tendncia da produo.
Referncias BALESTRASSI, P. P.; SAMOHYL, R. W.; MEURER, R. Mtodos de Previso usando a Srie Economtrica de Nelson-Plosser: Um Estudo Comparativo. XVIII Encontro Nacional de Engenharia de Produo (ENEGEP), Niteri, RJ, 1998. DANTAS, A. B.; SAMOHYL, R. W.; PEREIRA, A. F. O, A. Previso de Custo de Hora-Extra com a Utilizao do Modelo Tobit. XXI Encontro Nacional de Engenharia de Produo (ENEGEP), Salvador, BA, 2001.

GONALVES, F. Excel Avanado 2003/2007: Anlise e Previso de Demanda. Rio de Janeiro: Editora Cincia Moderna Ltda., 2007. GUJARATI, D. N. Econometria Bsica. 3. Edio. So Paulo: Pearson Makron Books, 2000. MAKRIDAKIS, S. G.; WHEELWRIGHT, S. C.; HYNDMAN, R.J. Forecasting: methods and applications. 3 ed. New York: John Willey & Sons, 1998. MOORE, D. S.; MCCABE, G. P., ;DUCKWORTH, W. M.; SCLOVE, S. L. A Prtica da Estatstica Empresarial: Como Usar Dados para Tomar Decises. Rio de Janeiro: LTC, 2006. RAMOS, E. M. L. S.; KONRATH, A. C.; SAMOHYL, R. W. Previso em MRP usando a Transformao de Box-Cox atravs do Aplicativo Glim com aplicao. XXI Encontro Nacional de Engenharia de Produo (ENEGEP), Salvador, BA, 2001. SAMOHYL, R. W. Controle Estatstico de Qualidade. So Paulo: Editora Elsevier/Campus, no prelo, a sair em 2009. SAMOHYL, R. W.; MATTOS, V. L. D.; ROCHA, R. Tcnica de Amortecimento Exponencial Simples com Taxa de Resposta Adaptativa: Uma Reflexo a Respeito do Comportamento do Coeficiente Alfa. XXI Encontro Nacional de Engenharia de Produo (ENEGEP), Salvador, BA, 2001a. SAMOHYL, R. W.; ROCHA, R.; MATTOS, V. L. D. Utilizao do Modelo de Holt-Winters para a Previso do Leite Entregue s Indstrias Catarinenses. XXI Encontro Nacional de Engenharia de Produo (ENEGEP), Salvador, BA, 2001b. SARTORIS, A. Estatstica e Introduo Econometria. So Paulo: Saraiva, 2003.

10