Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
PREVISO DA DEMANDA
Maximizao da Lucratividade.
2.1.
CONSIDERAES INICIAIS
2.2.
CARACTERSTICAS DA PREVISO
tomada ao se deparar com uma srie histrica construir o seu grfico para
observar a sua evoluo ao longo do tempo. Chatfield (The Analysis of Time
Series, 1995) mais incisivo: qualquer um que tente analisar uma srie histrica
sem plotar os dados primeiro estar pedindo problemas. O grfico poder
mostrar alm das tendncias e sazonalidades, os chamados outliers, ou variaes
anormais da demanda. Os outliers necessitam ser identificados e explicados.
Aps a sua identificao, a variao anormal dever ser de alguma forma ajustada,
de maneira que a anlise dos dados no fique distorcida.
(a) Srie Histrica sem tendncia (b) Srie com tendncia de crescimento sem sazonalidade
60 60
40 40
Unidades
Unidades
PUC-Rio - Certificao Digital N 0621498/CA
20 20
0 0
0 5 10 15 20 25 30 0 5 10 15 20 25 30
Tem po Tem po
60
40
Unidade
20
0
1 6 11 16 21
Tem po
Ou
xt = a + t eq(1)
PUC-Rio - Certificao Digital N 0621498/CA
aleatrio (ou erro), que ter mdia zero e varincia 2 (figura 1.a);
xt = a + b t + t eq(2)
xt = ( a + b t ) Ft + t eq(3)
2.3.
MTODOS DE PREVISO
indica que muitas vezes os mtodos mais simples (portanto, com menores
custos) atingem resultados to bons quanto os mais complexos. Segundo
Makridakis (Forecasting and Planning: An Evaluation, Management Science
27, n 2 fevereiro 1981, 115-138), em geral, a complexidade dos modelos de
previso no diminui consideravelmente a margem de erro.
2.3.1.
Mdia Simples
2.3.2.
Mdia Mvel
Rt + Rt 1 + Rt 2 + (...) + Rt n +1
Pt +1 = M t = eq(5)
n
Onde:
2.3.3.
PUC-Rio - Certificao Digital N 0621498/CA
Este modelo j pode ser utilizado em sries com tendncia. O seu clculo
dividido em cinco etapas:
at = M t + ( M t MMDt ) eq(8)
Pt +1 = at + bt . eq(10)
Comparativo de Previses
Mdias Simples, Mvel e Dupla
3000
2500
2000
unidades
1500
1000
500
0
1 2 3 4 5 6 7 8 9 10 11 12
Ms
mdia simples mdia mvel N=3
mdia dupla N=3 Realizado
dupla.
FONTE: Gerncia da CAM.
A mdia mvel dupla apresenta, neste caso, uma previso mais prxima da
demanda ao longo do tempo. At o dcimo ms podemos observar que este
mtodo apresenta erros menores que os outros, contudo a sua resposta ao aumento
de demanda a partir do dcimo ms, acaba ficando abaixo da mdia mvel. A
partir deste momento a Mdia Mvel passa a estar mais perto do realizado que a
Mdia Mvel Dupla.
38
2.3.4.
Amortecimento Exponencial Simples
1 n
EMQ = ( Rt Pt ) 2 eq(11)
n t =1
Onde:
Rt - Valor observado no instante t;
PUC-Rio - Certificao Digital N 0621498/CA
Pt +1 = Rt + (1 ) Rt 1 + (1 ) 2 Rt 2 + (...) eq(12)
Onde:
Pt +1 - Previso para o perodo t+1;
2.3.5.
Amortecimento Exponencial Duplo (Modelo De Brown)
4. Clculo de estimativa de tendncia: bt = ( Pt Pt ') eq(17)
1
1
P0 = a 0 b0 eq(19)
1
P0' = a 0 2 b0 eq(20)
Onde:
a0
= coeficiente linear obtido atravs da regresso linear dos valores da
srie pelos nmeros dos perodos;
b0
= coeficiente angular obtido atravs da regresso dos valores da srie
pelos nmeros dos perodos.
2.3.6.
Amortecimento Exponencial - Mtodo De Holt
Onde:
N t - Nvel para o perodo t;
Cabe aqui destacar que o Excel possui uma ferramenta que realiza
facilmente o clculo de regresso linear (menu Ferramentas Anlise de Dados
Regresso).
2.3.7.
Amortecimento Exponencial Modelo de Winters
Ou
Rt
3. Estimao da sazonalidade: S t = ( ) + (1 ) S t p eq(26)
Nt
Sendo p o nmero de perodos sazonais (doze no caso de sries mensais e
quatro para sries trimestrais);
4. Equao de previso para k perodos futuros:
Pt + k = ( N t + Tt k ) S t eq(27)
Onde:
PUC-Rio - Certificao Digital N 0621498/CA
t +( p / 2)
Rt = R /pi eq(28)
i =t ( p / 2)
t 1+ ( p / 2 )
Rt = Rt ( p / 2) + Rt + ( p / 2) + 2 Ri / 2 p eq(29)
i =t +1 ( p / 2 )
PUC-Rio - Certificao Digital N 0621498/CA
A seguir calcula-se, ento, os fatores sazonais (S) para cada perodo da srie
histrica. Para tal, basta dividir a demanda original pela demanda
dessazonalizada: S t = Rt / Rt . eq(31)
46
Por exemplo, dada uma srie histrica com um perodo sazonal de trs
meses de um total de doze, o que significa quatro perodos de sazonalidade
anuais, obtem-se os fatores de sazonalidade da seguinte forma:
S1 = (S 1 + S 5 + S 9 ) / 3 eq(32)
S2 = (S 2 + S 6 + S 10 ) / 3 eq(33)
S3 = (S 3 + S 7 + S 11) / 3 eq(34)
PUC-Rio - Certificao Digital N 0621498/CA
S4 = (S 4 + S 8 + S12 ) / 3 eq(35)
2.3.8.
Modelos ARIMA de BOX e JENKINS
1 T
k = ( X t )( X t + K ) eq(36)
T k 1 t = k +1
Souza (1991) ainda comenta que para se obter uma boa estimativa da
funo de autocorrelao, necessitamos de pelo menos 50 observaes. A
sua frmula dada por:
T
( X t )( X t k )
k = t = k +1
T eq(37)
( X t X t K ) 2
t = k +1
B k X t = X t k eq(38)
Xt = k at k eq(39)
k =0
Onde:
q ( B)
- k o filtro linear definido por: k = ;
p ( B)
- at k - Rudo branco ou resduo.
Desta forma, os modelos ARMA(p,q) de Box & Jenkins podem ser escritos como:
p ( B ) X t = q ( B)at eq(40)
AR MA
Onde:
d X t = X t X t 1 eq(41)
PUC-Rio - Certificao Digital N 0621498/CA
d [D X t ] = D [ X t X t 1 ] = X t 2 X t 1 X t 2 eq(42)
2.3.8.1.
Modelo Auto-regressivo (AR)
X t = 1 X t 1 + 2 X t 2 + 3 X t 3 + (...) + p X t p + t eq(43)
Onde:
X t - Valor da srie temporal no instante t;
(1 1 B 2 B 2 ... p B p ) X t = t ( B) X t = t eq(44)
PUC-Rio - Certificao Digital N 0621498/CA
X t = 1 X t 1 + 2 X t 2 + t eq(46)
do MSE.
t = X t (1 X t 1 + 2 X t 2 ) eq(47)
i2
Sendo que deve-se minimizar .
n
2.3.8.2.
Modelo de Mdias Mveis (MA)
O modelo de mdias mveis MA(q) pode ser descrito, na sua forma geral,
como:
X t = t 1 t 1 2 t 2 (...) q t q eq(48)
Onde:
X t - Valor da srie temporal no instante t;
(1 1 B 2 B 2 ... p B p ) t = X t ( B ) t = X t eq(49)
X t = t 1 t 1 eq(50)
X t = t 1 t 1 2 t 2 eq(51)
2.3.8.3.
Modelos Auto-regressivos de Mdias Mveis (ARMA)
combinado dos dois modelos ser melhor do que se for trabalhado com o modelo
AR(p) e MA(q) separadamente, resultando em modelos mais parcimoniosos. A
expresso geral do modelo dada por:
X t = 1 X t 1 + t 1 t 1 eq(53)
X t = 1 X t 1 + 2 X t 2 + t 1 t 1 eq(54)
2.3.8.4.
Identificao
Figura 6 Grficos Tericos de ACF e PACF de uma srie, indicando um modelo AR(1).
FONTE: Adaptado do livro Forecasting Methods and Applications, Makridakis 1978.
PUC-Rio - Certificao Digital N 0621498/CA
Figura 7 Grficos Tericos de ACF e PACF de uma srie, indicando um modelo AR(2).
FONTE: Adaptado do livro Forecasting Methods and Applications, Makridakis 1978.
Figura 8 Grficos Tericos de ACF e PACF de uma srie, indicando um modelo MA(1)
FONTE: Adaptado do livro Forecasting Methods and Applications, Makridakis 1978.
58
Figura 9 Grficos Tericos de ACF e PACF de uma srie, indicando um modelo MA(2).
FONTE: Adaptado do livro Forecasting Methods and Applications, Makridakis 1978.
PUC-Rio - Certificao Digital N 0621498/CA
2.3.8.5.
Modelos Sazonais
Onde:
e - Parmetros do modelo sazonal;
e - Parmetros do modelo no-sazonal;
S Comprimento da sazonalidade (S = 12 para dados mensais);
(1 1 B 2 B 2 ... p B p ) - Refere-se ao termo auto-regressivo no-sazonal de
PUC-Rio - Certificao Digital N 0621498/CA
Wt = d X t = X t X t 1 (diferena) eq(56)
2.4.
MEDIDAS DE ERRO NA PREVISO
2.4.1.
Erro Absoluto Mdio (MAD)
erro utilizado para se evitar que os erros positivos anulem os erros negativos. A
sua frmula dada por:
n
Rt Pt
MAD = t =1
eq(59)
n
2.4.2.
Erro Percentual Absoluto Mdio (MAPE)
Rt Pt / Rt
MAPE = t =1
eq(60)
n
2.4.3.
Erro Quadrtico Mdio (MSE)
n
(Rt Pt )2
MSE = t =1
eq(61)
n
Esta medida amplifica o efeito dos outliers, que recebem uma grande
importncia quando deveriam ser desconsiderados da previso. Outra
caracterstica deste indicador que sua unidade de medida a unidade do valor
real ao quadrado. Este fato resolvido adotando-se a raiz quadrada do MSE, ou
RMSE (Root Mean Squared Error).
n
(Rt Pt )2
RMSE = t =1
= MSE eq(62)
n
63
2.4.4.
Vis Do Erro De Previso
Vis de Erro
1001147 Estojo para brinco argola grande
20,00
PUC-Rio - Certificao Digital N 0621498/CA
-
10
11
12
10
11
12
10
11
12
10
11
12
1
2
3
4
5
6
7
8
9
1
2
3
4
5
6
7
8
9
1
2
3
4
5
6
7
8
9
1
2
3
4
5
6
7
8
9
(20,00) 2004 2005 2006 2007
(40,00)
unidades
(60,00)
(80,00)
(100,00)
(120,00)
Ms
Figura 10 Vis de Erro de Previso. Exemplo estojos para brinco argola grande.
FONTE: Gerncia da CAM.
2.5.SOFTWARE
O processo de previso de demanda foi um dos que teve seu uso facilitado e
disseminado em funo deste processo de desenvolvimento tecnolgico. Hoje
existem no mercado diversos softwares que realizam clculos estatsticos
automaticamente, facilitando a vida dos analistas. Entretanto, a parte qualitativa
da previso ainda necessita do julgamento humano para atingir o seu objetivo. Em
PUC-Rio - Certificao Digital N 0621498/CA
Nas previses deste estudo, foi utilizado o software Forecast Pro, adotado
em grandes companhias nos EUA. Este software, a partir de uma srie histrica
fornecida, permite a identificao automtica de modelos e tambm a rpida
aplicao dos modelos univariados ajustados com o objetivo de previso.
2.6.
PROCESSO
Foram selecionados dez modelos de estojos para anlise, que representam 80%
dos estojos consumidos anualmente na empresa.
PUC-Rio - Certificao Digital N 0621498/CA