Escolar Documentos
Profissional Documentos
Cultura Documentos
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 CAUSAIS
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:
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