FIA/USP – CORREIOS

OCIOSIDADE NO PROCESSO PRODUTIVO. QUAL É O CUSTO

MÉTODOS DE PREVISÃO

Vários são os métodos padronizados de previsão disponíveis. Tais métodos são divididos
em três categorias: qualitativos, de projeção histórica e causais. Cada grupo tem diferentes graus
em termos de exatidão relativas em previsões de longo prazo e de curto prazo, o nível de
sofisticação quantitativa utilizado e a base lógica( dados históricos, opiniões de especialistas, ou
estudos) da qual a previsão é derivada. Um resumo e uma breve descrição de algumas técnicas
de previsão, entre elas os métodos mais utilizados.

MÉTODOS QUALITATIVOS

Métodos qualitativos são aqueles que recorrem a julgamento, intuição, pesquisas ou

técnicas comparativas a fim de produzir estimativas quantitativas sobre o futuro. As informações
relativas aos fatores que afetam a previsão são tipicamente não quantitativas, flexíveis e
subjetivas. Quanto aos dados históricos, é possível que não estejam ao alcance ou que tenham
escassa relevância para a previsão. A natureza não cientifica desses métodos torna difícil sua
padronização ou mesmo a validade de sua exatidão. Há, porém, ocasiões em que esses métodos
são todo o arsenal de que se dispõe para prever o sucesso de novos produtos, mudanças de
políticas de governo, ou o impacto de uma nova tecnologia. Deve-se optar por eles
preferencialmente em previsões de médio a longo alcance.

MÉTODOS DE PROJEÇÃO HISTÓRICA

Quando se dispõe de um número razoável de dados históricos e a tendência e variações

sazonais nas séries de tempo são estáveis e bem definidas, a previsão desses dados no futuro
pode representar uma maneira eficiente de previsão de curto prazo. A premissa básica é que o
padrão de tempo será uma repetição do passado, pelo menos em sua maior parte. A natureza
quantitativas das séries de tempo incentiva o uso de modelos matemáticos e estatísticos como
principais fontes de previsão. A exatidão que se pode alcançar para períodos de tempo de menos
de seis meses é em geral muito boa. Esses modelos funcionam bem simplesmente devido à
estabilidade inerente as séries de tempo no curto prazo.

MÉTODOS CAUSAIS

A premissa básica em que se assentam os métodos causais de previsão sustenta que o

nível da variável de previsão é derivado do nível de outras variáveis relacionadas. Por exemplo, se
o serviço ao cliente tem um efetivo positivo sobre as vendas, conhecendo o nível de serviços
oferecido é possível projetar o nível das vendas. Pode-se dizer que o serviço “causa” vendas. Até
onde as boas relações de causa-e-efeito podem ser descritas, os modelos causais têm realmente
efetividade na antecipação de grandes mudanças nas séries de tempo e na previsão exata para
períodos de médio a longo alcances. Os modelo causais surgem em uma variedade de formatos:
estatísticos, no caso de modelos de regressão e econométricos; e descritivos, como ocorre nos
modelos de entrada e saída, ciclo de vida e simulação em computador.Cada modelo extrai sua
validade a partir de padrões de dados históricos que estabelecem a associação entre as variáveis
preditivas e a variável a ser prevista.
 FIA/USP – CORREIOS

OCIOSIDADE NO PROCESSO PRODUTIVO. QUAL É O CUSTO

REGRESSÃO LINEAR

A analise de regressão linear múltipla é uma técnica estatística que ajuda a determinar o
grau de associação entre um número de variáveis selecionadas e a demanda. A partir desta
analise, desenvolve-se um modelo que pode usar de uma variável para prever a demanda
futura. A informação sobre as variáveis preditivas( independentes) é então convertida pela
equação de regressão a fim de proporcionar uma previsão de demanda. Considerando o
exemplo abaixo com três variáveis temos:

COEFICIENTE DE CORRELAÇÃO ( r )

Mede o grau do relacionamento linear entre as variáveis, esta sempre entre –1 e +1. O
valor de r2 representa a medida de como a variável independente em uma análise de regressão
linear pode explicar variações dependentes, seu valor situa-se entre zero(fraco ajuste) e 1 (ajuste
perfeito). Desde modo resumidamente temos:

r = 0 (zero) Não existe correlação linear entre as variáveis

r=1 Existe correlação positiva perfeita entre as variáveis
r = -1 Existe correlação negativa perfeita entre as variáveis
I r I > 0,70 Existe uma forte correlação linear entre as variáveis
I r I < 0,70 Existe uma fraca correlação linear entre as variáveis

Para exemplificar a aplicação da Regressão Linear na logística, vamos considerar os

dados contidos nas três variáveis: Km, Entregas e Tempo.

KM percorrido n de entregas tempo de viagem

100 4 9,3
50 3 4,8
100 4 8,9
100 2 6,5
50 2 4,2
80 2 6,2
75 3 7,4
65 4 6
90 3 7,6
90 2 6,1
 FIA/USP – CORREIOS

OCIOSIDADE NO PROCESSO PRODUTIVO. QUAL É O CUSTO

Aplicando os valores no modelo de regressão no programa do “Excel” temos:
Estatística de regressão Coeficiente de Correlação Linear de Pearson. Quando for >0,70 existe uma forte correlação
entre as variáveis
R múltiplo 0,950678166
R-Quadrado 0,903788975 Coeficiente de Determinação: Nesse Explo 90,3% da variabilidde da variável tempo é explicado
R-quadrado ajustado 0,876300111 pelo modelo.
Erro padrão 0,573142152
Observações 10 Número de observações utilizadas no cálculo dos coeficientes do modelo de regressão

ANOVA Testa a hipotese de que existe relação

gl SQ MQ F F de significação linear entre as variáveis. Quando este
Regressão 2 21,60055651 10,80027826 32,87836743 0,00027624 valor for <0,10 concluímos que existe
Resíduo 7 2,299443486 0,328491927 relação linear entre as variáveis.
Total 9 23,9

Coeficientes Erro padrão Stat t valor-P 95% inferiores 95% superiores Inferior 90,0% Superior 90,0%
Interseção -0,868701467 0,951547725 -0,912935257 0,391634304 -3,118752683 1,38134975 -2,671482384 0,93407945
KM percorrido 0,061134599 0,009888495 6,182396959 0,000452961 0,037752041 0,084517156 0,042400079 0,079869118
n de entregas 0,923425367 0,221113461 4,176251251 0,004156622 0,400575489 1,446275244 0,504508777 1,342341956
Quando esse valor for maior que 0,10 a
constante não deve fazer parte do modelo.
O modelo deve ser realizado novamente Nesse caso a constante deve ser ZERO.
com a constante igual a ZERO
Como esses valore são menores que 0,10,
portanto devem permanecer no modelo,
pois indica que existe relação linear entre
as variáveis.

Após analise das correlações e refazendo, porém, agora considerando a constante igual a
zero teremos um novo modelo que atende a regressão linear.

Estatística de regressão
R múltiplo 0,944634145
R-Quadrado 0,892333668
R-quadrado ajustado 0,753875376
Erro padrão 0,56714475
Observações 10

ANOVA
gl SQ MQ F F de significação
Regressão 2 21,32677466 10,66338733 33,1518182 0,000269094
Resíduo 8 2,573225339 0,321653167
Total 10 23,9

CoeficientesErro padrão Stat t valor-P 95% inferiores 95% superiores Inferior 90,0% Superior 90,0%
Interseção 0 #N/D #N/D #N/D #N/D #N/D #N/D #N/D
KM percorrido 0,054615174 0,006768457 8,069073093 4,10456E-05 0,039007074 0,070223274 0,042028901 0,067201447
n de entregas 0,814587002 0,184272256 4,420562379 0,002224823 0,389654143 1,23951986 0,471923838 1,157250165

Projeção Linear Realizado novamente a regressão coma constante = zero

Nº entrega 2
km 95 Equação resultante com base na correlação entre as variáveis será:
Tempo (h) 6,8176 Tempo(h) = (0,814587002 X Nª Entrega) + (0,054615174 X KM Percorrido)

BALLOU,H.RONALD Gerenciamento da Cadeia de Suprimentos/Logística Empresarial

Editora Artmed SA.Porto Alegre, 5ª edição. 2004.
DOWNING, DOUGLAS & CLARK, JEFFREY Estatística Aplicada Editora Saraiva. São
Paulo, 3ª edição. 2000.
 FIA/USP – CORREIOS

OCIOSIDADE NO PROCESSO PRODUTIVO. QUAL É O CUSTO