68

3. PREVISO DA DEMANDA

O Captulo 3 tem por finalidade desenvolver as principais questes

associadas previso da demanda, dado que ela a varivel mais importante
dentro de um sistema de produo, e em especial para as atividades do PCP. Neste
captulo sero apresentados os passos que devem ser seguidos para obteno de
um modelo de previso da demanda, quais sejam: o objetivo, a coleta e a anlise
dos dados, da seleo da tcnica de previso, a obteno das previses e o
monitoramento do modelo. Uma ateno especial ser dada descrio das
tcnicas de previso, subdivididas em qualitativas e quantitativas. Dentro das
tcnicas quantitativas sero apresentadas as previses baseadas em sries
temporais, com tcnicas para a previso da mdia tendncia e sazonalidade, e as
previses baseadas em correlaes. Ao final do captulo sero discutidas as
questes associadas manuteno e monitorizao do modelo de previso da
demanda, calcada no valor do erro da previso e no desvio mdio absoluto. Durante
todo o captulo, exemplos ilustrativos sero apresentados.

3.1. INTRODUO

As empresas, de uma ou de outra maneira, direcionam suas atividades para o

rumo em que acreditam que seu negcio andar. O rumo normalmente traado
com base em previses, sendo a previso da demanda a principal delas. A previso
da demanda a base para o planejamento estratgico da produo, vendas e
finanas de qualquer empresa. Partindo desse ponto, as empresas podem
desenvolver os planos de capacidade, de fluxo de caixa, de vendas, de produo e
estoques, de mo-de-obra, de compras etc. As previses tm uma funo muito
importante nos processos de planejamento dos sistemas de produo, pois

69

permitem que os administradores destes sistemas antevejam o futuro e planejem

adequadamente suas aes.
Neste sentido, as previses so usadas pelo PCP em dois momentos
distintos: para planejar o sistema produtivo e para planejar o uso deste sistema
produtivo. No primeiro caso, previses de longo prazo so usadas para elaborar
estrategicamente o plano de produo (Captulo 2) definindo que produtos e
servios oferecer ao mercado, de que instalaes e equipamentos dispor, em que
nvel de atividade trabalhar, que qualificao da mo-de-obra buscar etc. No
segundo caso, previses de mdio e curto prazo so empregadas para o
planejamento-mestre e programao da produo no sentido de utilizar os recursos
disponveis, envolvendo a definio de planos de produo e armazenagem, planos
de compras e reposio dos estoques, planos de cargas de mo-de-obra e
seqenciamento da produo.
A responsabilidade pela preparao da previso da demanda normalmente
do setor de Marketing ou Venda. Porm, existem dois bons motivos para que o
pessoal do PCP entenda como esta atividade realizada. Primeiro, a previso da
demanda a principal informao empregada pelo PCP na elaborao de suas
atividades, e afeta de forma direta ao desempenho esperado de suas funes de
planejamento e controle do sistema produtivo. essencialmente o entendimento de
como estes dados foram obtidos, em que bases as tcnicas de previses
empregadas so assentadas, e quais suas limitaes, de forma a facilitar as
comunicaes entre PCP e Marketing. Alm disso, em empresas de pequeno e
mdio porte, no existe ainda uma especializao muito grande das atividades,
cabendo ao pessoal do PCP (geralmente os mesmo de Vendas) elaborar estas
previses.
Apesar da evoluo dos recursos computacionais e da sofisticao
matemtica das tcnicas de projeo, a previso da demanda dos produtos no
uma cincia exata; envolve uma boa dose de experincia e julgamento pessoal do
planejador. A nica coisa que podemos garantir que o valor previsto ser sempre
uma aproximao do valor real. Porm, quanto mais apurada for a tcnica
empregada, melhor a base sobre a qual o planejador decidir. A avaliao do erro de
previso servir de base para o estabelecimento dos estoques de segurana dos
sistemas, assim como para a atualizao dos parmetros do modelo de previso.

70

Antes de passarmos s tcnicas de previso, cabe ressaltar que atualmente

as empresas esto buscando um relacionamento mais eficiente dentro de sua
cadeia produtiva, repercutindo de forma direta na variao das informaes que
circulam entre elas. Conforme colocado no captulo anterior a filosofia JIT/TQC
busca a formao de parcerias estratgicas entre clientes e fornecedores,
eliminando, em grande parte, as incertezas antes inerentes e a este relacionamento.
Por exemplo, convencionalmente, na cadeia automobilstica, a montadora
trabalha com uma previso para montar seus automveis, e seus fornecedores,
devido ao baixo nvel de relacionamento entre as empresas, faziam suas prprias
previses e trabalhavam com base nelas. No difcil imaginas, e os dados
passados esto a para conferir que o desempenho dessa cadeia era sofrvel.
Atualmente, dentro da tica do relacionamento JIT externo, a montadora ao gerar
sua previso de demanda repassa essa informao a seus fornecedores, e estes
por sua vez, aos fornecedores de segundo nvel, e assim por diante. As incertezas
ficam circunscritas apenas ao nvel mais alto do produto, onde, realmente, o gosto
do cliente possui certa variabilidade. Porm, at este ponto algumas aes podem
ser tomadas, no sentido de diminuir a dependncia de previses incertas, como, por
exemplo, a experincia bem sucedida da Fiat, ao implantar o programa de venda
Fiat on line, estimulando o cliente a decidir por um tipo de automvel com
antecedncia suficiente para planejar e programar sua produo de forma eficiente.

3.2. ETAPAS DE UM MODELO DE PREVISO

Um modelo de previso da demanda pode ser dividido em cinco etapas

bsicas, apresentadas na Figura 3.1. Inicialmente define-se o objetivo do modelo,
com base na qual coletam-se e analisam-se os dados, selecionam-se a tcnica de
previso mais apropriada, calcula-se a previso da demanda e, como forma de
feedback, monitoram-se e atualizam-se os parmetros empregados no modelo por
meio da anlise do erro de previso.

71

Objetivo do
modelo
Coleta e anlise dos dados

Seleo da tcnica de previso

Obteno das previses

Monitorao do modelo
Figura 3.1. Etapas do modelo de previso da demanda.

A primeira etapa consiste em definir a razo pela qual necessitamos de

previses. Que produto (ou famlia de produtos) ser previsto, com que grau de
acuracidade e detalhe a previso trabalhar, e que recursos estaro disponveis
para esta previso? A sofisticao e o detalhamento do modelo dependem da
importncia relativa do produto (ou famlia de produtos) a ser previsto e do horizonte
ao qual a previso se destina. Itens pouco significativos podem ser previstos com
maior margem de erro, empregando-se tcnicas simples, assim como admite-se
margem de erro maior para previses de longo prazo, empregando-se dados
agregados de famlias de produtos.
Definido o objetivo do modelo de previso, o passo seguinte consiste em
coletar e analisar os dados histricos do produto, no sentido de identificar e
desenvolver a tcnica de previso que melhor se adapte. Mesmo nas previses
baseadas em julgamento e opinio de especialistas esto calcadas na experincia
passada destes especialistas. Alguns cuidados bsicos devem ser tomados na
coleta e anlise dos dados, entre eles os seguintes:

quanto mais dados histricos forem coletados e analisados mais confivel

a tcnica de previso ser;

72

os dados devem buscar a caracterizao da demanda pelos produtos da

empresa, que no necessariamente igual as vendas passadas, pois
pode ter ocorrido falta de produtos, postergando as entregas ou deixando
de atend-las;

variaes extraordinrias da demanda, como promoes especiais ou

greves, devem ser analisadas e substitudas por valores mdios,
compatveis com o comportamento normal da demanda;

o tamanho do perodo de consolidao dos dados (semanal, mensal,

trimestral, anual etc.) tem influencia direta na escolha da tcnica de
previso mais adequada, assim como na anlise das variaes
extraordinrias.

Por exemplo, na Figura 3.2. esto representadas duas periodicidades

diferentes (A e B) para dados idnticos. O grfico A foi obtido com base em dados
mensais, enquanto o grfico B empregou dados trimestrais da mesma demanda.
Podemos notar duas caractersticas importantes no grfico A que no esto
representadas adequadamente no grfico B. Primeiro, existe sazonalidade
associada demanda, sendo as demandas do primeiro semestre maiores do que as
do segundo. Alm disso o grfico A permite identificar que a demanda de setembro
no seguiu um padro esperado, estando muito acima da mdia, o que deve ser
motivo de investigao detalhada.
1000

Demanda

800
600
400
200
0
Jan.

Fev.

Mar.

Abr.

Maio
A

Jun.

Jul.

Ago.

Set.

Out.

Nov.

Dez.

Figura 3.2 exemplo de periodicidades diferentes.

Uma vez coletados e analisados os dados passados, podemos decidir-nos
pela tcnica da previso mais apropriada. Em geral, existem tcnicas qualitativas e

73

quantitativas. Cada uma tem seu campo de ao e sua aplicabilidade. No existe

uma tcnica que seja adequada a todas as situaes.
Ao se optar por alguma destas tcnicas, deve-se ponderar uma srie de
fatores, principalmente custo e acuracidade. Tcnicas que levam a uma acuracidade
maior so, normalmente, mais caras na elaborao. Devemos avaliar quanto
estamos dispostos a gastar no modelo de previso e quanto custa o erro decorrente
de uma previso inadequada. Com base nessa curva de troca custo-acuracidade
devemos decidir. Nem sempre o modelo mais caro, ou mais acurado, o indicado.
Normalmente, para questes estratgicas estamos dispostos a gastar mais e correr
menos riscos, enquanto que para questes operacionais a situao a inversa.
Outros fatores que merecem destaque na escolha da tcnica de previso so:

disponibilidade de dados histricos;

disponibilidade de recursos computacionais;

experincia passada com aplicao de determinada tcnica;

disponibilidade de tempo pra coletar, analisar e preparar os dados e a

previso;

perodo de planejamento para o qual necessitamos da previso.

As diferentes tcnicas de previso, suas caractersticas e aplicabilidades,

sero descritas em detalhe no tpico 3.3.
Com definio da tcnica de previso e a aplicao dos dados passados para
obteno dos parmetros necessrios, podemos obter as projees futuras da
demanda. Quanto maior for o horizonte pretendido, menor a confiabilidade na
demanda prevista.
medida que as previses forem sendo alcanadas pela demanda real,
deve-se monitorar a extenso do erro entre a demanda real e a prevista, para
verificar se a tcnica e os parmetros empregados ainda so vlidos. Em situaes
normais, um ajuste nos parmetros do modelo, para que reflita as tendncias mais
recentes, suficiente. Em situaes crticas, um reestudo desde o primeiro passo (o
objetivo do modelo) pode incluir um novo exame dos dados e a escolha de uma
nova tcnica de previso. Este assunto tambm ser detalhado no tpico 3.6.

74

3.3. TCNICAS DE PREVISO

Conforme vimos, a definio da tcnica de previso que melhor se adapte a

uma situao especfica, apenas um dos passos do modelo de previso, porm
sem dvida, o mais importante. Existe uma srie de tcnicas disponveis, com
diferenas substanciais entre elas, com tudo, antes de apresentarmos as principais,
cabe descrever as caractersticas gerais que normalmente esto presentes em todas
as tcnicas de previso que so:

supe-se que as causa que influenciaram a demanda passada

continuaro a agir no futuro;

as previses no so perfeitas, pois no somos capazes de prever todas

as variaes aleatrias que ocorrero;

a acuracidade das previses diminui com o aumento do perodo de tempo

aos auscultados;

a previso para grupos de produtos a mais precisa do que para os

produtos individualmente, visto que no grupo os erros individuais de
previso se minimizam.

As tcnicas de previso podem ser subdivididas em dois grandes grupos: as

tcnicas qualitativas e as quantitativas. As tcnicas qualitativas privilegiam
principalmente

dados

subjetivos,

os

quais

so

difceis

de

representar

numericamente. J as tcnicas quantitativas envolvem a anlise numrica dos

dados passados, isentando-se de opinies pessoais ou palpites.
As tcnicas qualitativas esto baseada na opinio e no julgamento de
pessoas-chaves, especialistas nos produtos ou nos mercados onde atuam estes
produtos. Podem ser consultados os executivos das principias reas da empresa,
principalmente da rea comercial, vendedores que tratam diretamente com os
clientes, e os prprios clientes. Eventualmente, opinies de especialistas de fora da
empresa podem ser necessrias, como, por exemplo, especialista em comrcio
exterior, ou especialistas no mercado japons.

75

As tcnicas qualitativas, por serem mais rpidas de se prepara, so

empregadas quando no se dispe de tempo para coletar e analisar os dados da
demanda passada. Ou ento, na introduo de um produto novo, diferente dos
oferecidos atualmente, para o qual no existam dados passados em que se possa
apoiar. Ou ainda, quando o panorama econmico e poltico for muito instvel,
tornando os dados passados rapidamente obsoletos, e no se disponha de
informaes atualizadas. Finalmente, as previses baseadas em opinies e
julgamento de especialistas so empregadas, em conjunto com as previses
quantitativas, quando trata-se de questes estratgicas para a empresa, pois no
seria conveniente decidir os rumos da empresa apenas com base em dados
provenientes de um modelo metlico.
Por outro lado, as tcnicas quantitativas consistem em analisar os dados
passados objetivamente, empregando-se modelos matemticos para projetar a
demanda futura. Essas tcnicas por sua vez, podem ser subdivididas em dois
grandes grupos: as tcnicas baseadas em sries temporais e as tcnicas baseadas
em correlaes.
As

tcnicas

baseadas

em

sries

temporais

procuram

modelar

matematicamente a demanda futura relacionando aos dados histricos do prprio

produto com o tempo, em quanto as tcnicas baseadas em correlaes procuram
associar os dados histricos do produto com uma, ou mais, variveis que tenha
alguma relao com a demanda do produto. Em virtude da maior aplicabilidade
dessas tcnicas quantitativas, usadas inclusive como apoio s previses
qualitativas, apresentaremos a seguir seus principais modelos.

3.4. PREVISES BASEADAS EM SRIES TEMPORAIS

As previses baseadas em sries temporais partem do princpio de que a

demanda futura ser uma projeo de seus valores passados, no sofrendo
influncia de outras variveis. o mtodo mais simples e usual de previso, e
quando bem elaborado oferece bons resultados. Para se montar o modelo de
previso, necessrio plotar os dados passados e identificar os fatores que esto

76

por trs das caractersticas da curva obtida. Uma curva temporal de previso pode
conter tendncia, sazonalidade, variaes irregulares e variaes randnicas.
A tendncia consiste num movimento gradual de longo prazo, direcionado os
dados. A sazonalidade refere-se a variaes cclicas de curto prazo, relacionadas ao
fator tempo, como a influncia de alteraes climticas ou frias escolares. J as
variaes irregulares, como o prprio nome indica, so alteraes na demanda
passada resultante de fatores excepcionais, como greves ou catstrofes climticas,
que no podem ser previstos e, portanto, includos no modelo. Esses dados,
conforme exposto anteriormente devem ser retirado da srie histrica e substitudos
pela mdia. Finalmente, excluindo-se os fatores de tendncia, sazonalidade e
excepcionalidade, restam as variaes aleatrias ou normais, que sero tratadas
peal mdia. A Figura 3.3. apresenta duas sries de dados em que ilustra-se a
influencia desses fatores nos dados histricos.
Em funo dos fatores que influenciam os dados a previso da demanda
baseada em sries temporais pode ser subdividida em passos, cada um deles
relacionado ao dimensionamento de um desses fatores. A previso final ser o
resultado da composio destes fatores. Existem tcnicas para tratar a mdia
(variaes aleatrias), para tratar a tendncia e para tratar a sazonalidade. A seguis,
cada uma dessas tcnicas ser descrita e exemplificada.

Sazonalidade

60

Tendncia

Demanda

50
40
30
20
10

Variao irregular

Variao randmica

0
Jan.

Fev.

Mar.

Abr.

Maio

Jun.
A

Jul.
B

Ago.

Set.

Out.

Nov.

Dez.

77

Figura 3.3. Fatores que influenciam sries histricas.

3.4.1. Tcnicas para previso da mdia

Normalmente, dados histricos contm componentes randmicos, ou

interferncias, que obscurecem a previso exata da demanda. As causas que levam
estas variaes randmicas so de difcil determinao e a completa remoo
dessas influncias no vivel. Dessa forma, incorporam-se estas variaes no
modelo e empregam-se tcnicas de previso baseada na mdia para tratar tais
situaes. Essas tcnicas fazem com que valores historicamente baixos e valores
historicamente altos se combinem, gerando uma previso mdia com menor
variabilidade do que os dados originais.
As tcnicas de previso da mdia procuram privilegiar os dados mais
recentes da srie histrica, que normalmente representam melhor a situao atual.
Essas tcnicas funcionam bem quando os dados histricos variam em torno de uma
mdia, porm ainda podem ser usadas quando existem pequenas variaes
graduais, ou em patamares, no nvel dos dados. As tcnicas de previso para a
mdia mais empregada so a mdia mvel e a mdia exponencial mvel, que
detalharemos a seguir.

3.4.1.1. Mdia mvel

A mdia mvel usa dados de um nmero predeterminado de perodos,

normalmente os mais recentes, para gerar sua previso. A cada novo perodo de
previso se substitui o dado mais antigo pelo mais recente. A mdia mvel pode ser
obtida a partir da seguinte equao:

D
Mmn =

i=1
n

(3.1)

78

Onde: Mmn = mdia mvel de n perodos;

Di

= demanda ocorrida no perodo i;

= nmero de perodos;

= ndice do perodo (i = 1,2,3,...)

Exemplo 3.1:Para ilustrar a aplicao da mdia mvel, vamos admitir que nos
ltimos seis meses a demanda de determinado produto foi a seguinte:

Perodo
Demanda

Janeiro

Fevereiro

Maro

Abril

Maio

Junho

60

50

45

50

45

70

A mdia mvel de trs perodos para o ms de julho ser:

Mm3 =

50+45+70
= 55,00

Admitindo que em julho a demanda real foi de 60 unidades, a nova previso

para agosto ser:

Mm3 =

45+70+60
= 58,33

Dessa forma, sempre que dispomos de um dado novo, abandonamos o mais

antigo e introduzimos o mais recente na previso. O nmero de perodos includos
no clculo da mdia mvel determina sua sensibilidade com relao aos dados mais
recentes.Pequenos perodos permitem uma reao maior a mudana da demanda,
enquanto grandes perodos tratam a mdia de forma mais homognea. Por
exemplo, com os dados anteriores do exemplo 3.1., se alterarmos o nmero de
perodos em 5, a previso de julho seria de 52 unidades, pois o ltimo dado de junho
(70 unidades) teria sua importncia reduzida de 1/3 para 1/5.

Mm5 =

50+45+50+45+70
5

= 52,00

79

Outra alternativa de ponderar a importncia relativa dos produtos empregados

na previso consiste em atribuir-lhes pesos diferentes, conforme se queira dar mais
ou menos nfase ao perodo. Normalmente, quando se opta por esta soluo,
pondera-se com pesos maiores os dados mais recentes. Acompanhado o exemplo
3.1, vamos admitir que para uma mdia mvel de trs perodos, o perodo mais
recente tenha ponderao de 50%, o do meio 30%, e o mais antigo 20%. A soma
das ponderaes tem que ser igual a 1. A previso para julho ficaria em 88,50
unidades, conforme calculado a seguir.
Mm3 = 50 . 0,2 + 45 . 0,3 + 70 . 0,5 = 58,50
A grande vantagem do uso da mdia mvel para previso consiste em sua
simplicidade operacional e facilidade de entendimento, porm a necessidade de
armazenar um grande volume dos dados, principalmente se o nmero de perodos
(n) for grande uma de suas limitaes. Recomenda-se o uso da mdia mvel em
situaes em que a demanda apresentar comportamento estvel e o produto no for
muito relevante.

3.4.1.2. Mdia exponencial mvel

Na mdia exponencial, o peso de cada observao decresce no tempo em

progresso geomtrica, ou de forma exponencial. Em sua forma de apresentao
mais simples, cada nova previso obtida com base na previso anterior, acrescida
do erro cometido na previso anterior, corrigido por um coeficiente de ponderao. A
equao a seguir apresenta esta situao:
Mt = Mt-1 + (Dt-1 - Mt-1)
Onde: Mt = previso para o perodo t;
Mt-1 = previso para o perodo t-1;
= coeficiente de ponderao;
Dt-1 = demanda do perodo t-1;

80

O coeficiente de ponderao () fixado pelo analista dentro de uma faixa

que varia de 0 a1. Quanto maior seu valor, mais rapidamente o modelo de previso
reagir a uma variao real da demanda. Se o valor de for muito grande, as
previses ficaro muito sujeitas s variaes aleatrias da demanda. Se, ao
contrrio, o valor de for muito pequeno, as previses podero ficar defasadas da
demanda real. Os valores normalmente usados para variam de 0,05 a 0,50. Os
pacotes computacionais que trabalham com estes modelos incluem simulaes para
ajustar o nvel de de maneira a reduzir o erro de previso.
Por exemplo, supondo que a previso anterior foi de 100 unidades e que o
valor real atingiu 110 unidades, para um valor de = 0,1, a prxima previso seria:
Mt = 100 + 0,1 . (110 - 100) = 101
Ou seja, 10% do erro cometido foi embutido na prxima previso. Agora, se o
valor de = 0,05, a previso passaria para :
Mt = 100 + 0,05 . (110 - 100) = 100,5
Vamos acompanhar um exemplo mais completo, com vrios perodos,
ilustrando de forma grfica esta questo.
Exemplo 3.2: Admitindo que as demandas nos ltimos 10 perodos tiveram o
seguinte comportamento:

Perodo
Demanda

10

90

95

98

90

92

95

90

100

92

95

Empregar a mdia exponencial mvel para prever a demanda do perodo 11,

utilizando = 0,10 e = 0,50.

Os resultados das duas previses esto apresentados na Tabela 3.1, e os

grficos correspondentes demanda real e as duas previses so mostrados na
Figura 3.4. Conforme podemos notar, a previso empregando = 0,10 fornece uma
curva de previso mais suave, no refletindo de forma imediata as alteraes
bruscas na demanda, o que, por um lado, pode ser interessante em termos de

81

estabilizar um programa de produo, porm, por outro, pode retardar o movimentos

em direo a um novo patamar de demanda.
3.1. Dados do exemplo 3.2.
Perodo

Demanda

= 0,10

= 0,50

Previso

Erro

Previso

Erro

90

95

90,00

5,00

90,00

5,00

98

90,50

7,50

92,50

5,50

90

91,25

-1,25

95,25

-5,25

92

91,12

0,88

92,62

-0,62

95

91,20

3,80

92,31

2,69

90

91,58

-1,58

93,65

-3,65

100

91,42

8,58

91,82

8,18

92

92,27

-0,27

95,91

-3,91

10

95

92,25

2,75

93,95

1,05

11

92,52

94,47

As previses baseadas na mdia exponencial mvel so as mais utilizadas,

principalmente em sistemas computacionais, pois seu modelo exige a armazenagem
de apenas trs dados por item (a previso passada, a demanda e o coeficiente de
ponderao), e sua operao de fcil entendimento.

100

= 0,50

Real

Demanda

95
90

= 0,10

85
80
1

Perodos

10

11

82

Figura 3.4. Curvas do exemplo 3.2.

3.4.2. Tcnicas para previso da tendncia

A tendncia refere-se ao movimento gradual de longo prazo da demanda. O

clculo da estimativa da tendncia realizado pela identificao de uma equao
que descreva este movimento. A plotagem dos dados passados permitir a
identificao desta equao. Esta equao pode ser linear ou no linear
(exponencial, parablica, logartmica etc), porm, devido facilidade de uso e maior
aplicabilidade, nos restringiremos aqui a analisar a tendncia linear.
Existem duas tcnicas mais importantes que podem ser empregadas para
tratar previses de demanda com componentes de tendncia. Uma dela esta
baseada na equao linear como forma de previso, e a outra est baseada no
emprego do ajustamento exponencial para se obter o componente de tendncia.

3.4.2.1. Equao linear para a tendncia

Uma equao linear possui o seguinte formato:

Y = a + bX

(3.3)

Onde Y = previso da demanda para o perodo X;

a = ordenada origem, ou intercepo no eixo dos Y;
b = coeficiente angular;
X = perodo (partindo de X = 0) para previso.

Por exemplo, considerando a equao linear Y =80 + 4X para a previso da

tendncia da demanda ilustrada na Figura 3.5., temos que o valor da demanda
quando X = 0 de 80 unidades, e o coeficiente angular da reta de 4 unidades.
Dessa forma, pra cada valor de X, incrementado a partir da origem, temos uma

83

adio de 4 unidades ao valor previsto anteriormente. Se X = 5, a previso da

demanda seria Y = 80+ 4 (5) = 100 unidades.

Demanda (Y )

100
95
90

85
80
75
0

Tempos (X )

Figura 3.5. Equao linear Y = 80 + 4X.

Empregando os dados histricos da demanda, os coeficientes a e b podem

ser obtidos pelas seguintes equaes:

( XY) - ( X)( Y)

b=

(3.4)
n

a=

( X) - ( X)
Y -b - ( X)
(3.5)
n

Onde n = nmero de perodos observados

Exemplo 3.3: Para ilustrar a previso da demanda empregada a equao
linear, vamos admitir que determinado produto apresentou nas ltimas oito semanas

84

os valores descritos na Tabela 3.2. em que tambm esto calculados os valores

necessrios para obter os parmetros a e b da equao linear.
Tabela 3.2 Dados do exemplo 3.3.
Semana (X)

Demanda (Y)

XY

450

450

430

860

470

14

1.410

480

10

30

1.920

450

15

55

2.250

500

21

91

3.000

520

28

140

3.640

530

36

204

4.240

3830

17.770

Empregando frmulas (3.4) e (3.5) obtemos:

a=

3.830 12,73 . 36

= 421,46

b=

8 . 17.770 36 . 3.830

= 12,73

8 . 204 36 . 36
Logo, a equao de previso da demanda Y = 421,46 + 12,73 X.
Substituindo os valores de X na equao de previso por 9 e 10, teremos a
previso da demanda para as semanas 9 e 10, respectivamente.
Y 9 = 421,46 + 12,73 (9) = 536,03
Y 10 = 421,46 + 12,73 (10) = 548,76
A Figura 3.6 ajuda a ilustrar este exemplo. Nela esto representados os dados
da demanda real e os dados da reta de previso, com as previses para as 9 e 10.

85

Dem anda

550
500

Reta de Previso
Prevista

450

Demanda Real
400
1

10

Semanas

Figura 3.6. Grficos do exemplo 3.3.

3.4.2.2. Ajustamento exponencial para a tendncia

Sendo que:

Pt+1 = Mt + Tt

(3.6)

Mt = Pt + + (Dt + Pt )

(3.7)

Tt = Tt-1 + ((Pt + Pt-1 ) - Tt-1 )

(3.8)

Onde: Pt+1 = previso da demanda para o perodo t+1;

Pt = previso da demanda para o perodo t;
Pt-1 = previso da demanda para o perodo t-1;
Mt = previso da mdia exponencial mvel da demanda para o perodo t;
Tt = previso da tendncia para o perodo t;
Tt-1 = previso da tendncia para o perodo t-1;

1 = coeficiente de ponderao da mdia;

2 = coeficiente de ponderao da tendncia;
Dt = demanda do perodo t;
Para desenvolver a previso da demanda baseada nesse mtodo, deve-se
estabelecer os valores dos coeficientes de ponderao que corrigiro os erros de
previses. Conforme j foi colocado com relao mdia exponencial mvel, quanto
maiores os coeficientes, que devem ficar entre 0 e 1, mais rapidamente as previses
assumiro as novas tendncias. Quanto menores os coeficientes, menor ser a
influncia de valores extraordinrios. Como foi dito, os pacotes computacionais que
trabalham com esses modelos incluem simulaes para ajustar o nvel dos

86

coeficientes de maneira a reduzir o erro de previso. Vamos analisar um exemplo

ilustrativo desse mtodo de previso da demanda.
Exemplo 3.4: A demanda dos ltimos oito trimestres de um produto esto
apresentadas na Tabela 3.3. Fazer a previso da demanda do nono trimestre
considerando o ajustamento exponencial para a tendncia. Empregar e
0,3, considerando os trs primeiros trimestres para a estimativa inicial da
tendncia, e a previso do quarto trimestre como sendo a demanda do terceiro
trimestre mais a tendncia estimada inicial. O desenvolvimento dos clculos tambm
est na Tabela 3.3.
Tabela 3.3. Dados do exemplo 3.4.
Perodo

Demanda

1
2
3
4
5

200
250
240
300
340

390

350

400

Mt = P1 + 1 (Dt - Pt)

Tt = Tt-1 + 2 ((Pt - Pt-1) - Tt-1)

Pt+1 = M1 + T1

Estimativa inicial da tendncia = (240-200)/2 = 20

Estimativa inicial da demanda = 240 + 20 = 260
268 = 260 + 0,2 (300 - 260)
298,4 = 288 + 0,2 (340 288)
334,6 = 320,8 + 0,2

20 = 20 + 0,3 ((260 240) 20)

22,4 = 20 + 0,3 ((288 260) 20)
25,5 = 22,4 + 0,3

(390 320,8)
358,0 = 360,1 + 0,2

((320,8 288) 22,4)

29,6 = 25,5 + 0,3

(350 360,1)
390,1 = 387,6 + 0,2

((360,1 320,8) 25,5)

29,0 = 29,6 + 0,3

(400 387,2)

((387,6 360,1) 29,6)

260 = 240 +20

288 = 268 + 20
320,8 = 298,4 + 22,4
360,1 = 334,6 + 25,5
387,6 = 358,0 + 29,6
419,1 = 390,1 + 29,0

Conforme apresentado na Tabela 3.3, a previso para o nono trimestre de

419,1. A Figura 3.7 apresentada a curva da demanda e a curva de previso pelo
ajustamento exponencial da tendncia.
450
Dem anda

400

Real

350
300
250
200
1 Trim.

Previso
2 Trim.

3 Trim.

4 Trim.

5 Trim.

6 Trim.

7 Trim.

Figura 3.7. Grficos do exemplo 3.4.

3.4.3. Tcnicas para previso da sazonalidade

8 Trim.

9 Trim.

87

A sazonalidade caracteriza-se pela ocorrncia de variaes para cima e para

baixo, a intervalos regulares nas sries temporais da demanda. Deve existir uma
razo plausvel para a ocorrncia, e posterior repetio, destas variaes. O perodo
de ocorrncia da sazonalidade pode ser anual (por exemplo, a demanda por arcondicionado), mensal (por exemplo, atendimento bancrio no final do ms),
semanal (por exemplo, aumento do nmero de atendimentos em um restaurante no
final de semana), ou at dirio (por exemplo, o fluxo de veculos no horrio do rush).
A sazonalidade expressa em termos de uma quantidade, ou de uma
percentagem, da demanda que desvia-se dos valores mdios da srie. Caso exista
tendncia, ela deve ser considerada. O valor aplicado sobre a mdia, ou a
tendncia, conhecido como ndice de sazonalidade. Por exemplo, se o ndice de
sazonalidade da demanda por cervejas em janeiro de 1,30, significa que a
demanda de cervejas em janeiro de 30% maior do que a mdia anual.
A forma mais simples de considerar a sazonalidade nas previses da
demanda consiste em empregar o ltimo dado da demanda, no perodo sazonal em
questo, e assumi-lo como previso. Por exemplo, a demanda por casacos em julho
deste ano seria igual demanda de julho do ano passado. Se existir tendncia, ela
dever ser adicionada, ou retirada, do valor obtido. Porm, a forma mais usual de
incluso da sazonalidade nas previses da demanda consiste em obter o ndice de
sazonalidade para os diversos perodos, empregando a mdia mvel centrada e
aplic-los sobre o valor mdio (ou tendncia) previsto para o perodo em questo.
O ndice de sazonalidade obtido dividindo-se o valor da demanda no
perodo pela mdia mvel centrada neste perodo. O perodo empregado para o
clculo da mdia mvel o ciclo da sazonalidade. Quando se dispe de dados
suficientes, calculam-se vrios ndices para cada perodo e tira-se uma mdia.
Exemplo 3.5: Na Tabela 3.4, esto apresentados os valores da demanda diria
por refeies em um restaurante, durante trs semanas. Como era de se
esperar, nos finais de semana a demanda aumenta. O clculo da mdia mvel
centrada apresentado.

Tabela 3.4. Clculo da mdia mvel centrada.

88

Dia

Semana

Mdia Mvel Centrada

ndice

Segunda

50

Tera

55

Quarta

52

Quinta

56

443/7 = 63,28

56/63,28 = 0,88

Sexta

65

448/7 = 64

65/64 = 1,01

Sbado

80

443/7 = 63,28

80/63,28 = 1,26

Domingo

85

449/7 = 64,14

85/64,14 = 1,32

Semana

Mdia Mvel Centrada

ndice

Segunda

55

443/7 = 63,28

55/63,28 = 0,86

Tera

50

448/7 = 64

50/64 = 0,78

Quarta

58

443/7 = 63,28

58/63,28 = 0,91

Quinta

50

438/7 = 62,57

50/62,57 = 0,79

Sexta

70

435/7 = 62,14

70/62,14 = 1,12

Sbado

75

435/7 = 62,14

75/62,14 = 1,20

Domingo

80

431/7 = 61,57

80/61,57 = 1,29

Segunda

52

441/7 = 63

52/63 = 0,82

Tera

50

436/7 = 62,28

50/62,28 = 0,80

Quarta

54

446/7 = 63,71

54/63,71 = 0,84

Quinta

60

456/7 = 65,14

60/65,14 = 0,92

Sexta

65

454/7 = 64,85

65/64,85 = 1,00

Sbado

85

457/7 = 65,28

85/65,28 = 1,30

Domingo

90

458/7 = 65,42

90/65,42 = 1,37

Segunda

50

Tera

53

Quarta

55

Dia

Com os valores obtidos na Tabela 3.4, podemos calcular o ndice de

sazonalidade para cada dia da semana como a mdia dos ndices encontrados. Por
exemplo:
Isegunda = (0,86 + 0,82)/2 = 0,84
Itera

= (0,78 + 0,80)/2 = 0,79

Iquarta = (0,91 + 0,84)/2 = 0,87

Iquinta = (0,88 + 0,79 + 0,92)/3 = 0,86

89

Isexta

= (1,01 + 1,12 +1,00)/3 = 1,04

Isbado = (1,26 + 1,20 + 1,30)/3 = 1,25

Idomindo = (1,32 + 1,29 + 1,37)/3 = 1,32
Quando o ciclo da sazonalidade for um nmero par, por exemplo, 12 meses,
com o centro dos dados caindo no meio de um perodo, primeiro calculamos a mdia
mvel centrada como visto acima, que ir gerar valores centrados no meio dos
perodos (por exemplo no meio de junho e de julho). A seguir, corrigimos estes
valores para que coincidam com os perodos analisados, fazendo a mdia de dois
valores descentrados corresponder a um valor centrado (por exemplo, o valor mdio
de julho ser a mdia do valor entre junho e julho com a do valor entre julho e
agosto). Os demais passos na obteno do ndice da sazonalidade so iguais aos
do exemplo da Tabela 3.4.
No caso de a demanda do produto apresentar sazonalidade e tendncia, a
necessidade de se incorporar essas duas caractersticas ao modelo de previso.
Para se fazer isso, deve-se empregar os seguintes passos:

primeiro, retirar o componente de sazonalidade da srie de dados

histricos, dividindo-os pelos correspondentes ndices de sazonalidade;

com esses dados, desenvolver uma equao que represente o

componente de tendncia;

com a equao da tendncia fazer a previso da demanda e multiplic-la

pelo ndice de sazonalidade.

Por exemplo, digamos que no caso da demanda do restaurante analisado

anteriormente, exista uma tendncia de aumento no nmero das refeies
caracterizada por uma equao linear do tipo Y = 40 + 2X. A previso da demanda
para determinada semana, em que segunda-feira fosse o 18 dia, seria assim
calculada:
Dsegunda = (40 + 2.18) x 0,84 = 63,84
Dtera

= (40 + 2.19) x 0,79 = 61,62

Dquarta = (40 + 2.20) x 0,87 = 69,60

Dquinta = (40 + 2.21) x 0,86 = 70,52

90

Dsexta

= (40 + 2.22) x 1,04 = 87,36

Dsbado = (40 + 2.23) x 1,25 = 107,50

Ddomindo = (40 + 2.24) x 1,32 = 116,16

3.5. PREVISES BASEADAS EM CORRELAES

As previses baseadas em correlaes, ao contrrio das previses anteriores

vistas, que relacionam a demanda de um produto com a demanda passada deste
produto, buscam prever a demanda de determinado produto com base na previso
de outra varivel que esteja relacionada com o produto. Por exemplo, a demanda de
sabo em p pode estar relacionada com as vendas de mquinas de lavar roupa, ou
ainda, a demanda por vidros planos pode estar relacionada com o nmero de novas
residncias em construo. Algumas variveis podem ser internas da prpria
empresa, como, por exemplo, o nmero de servios de revises de motores est
relacionado ao nmero de veculos vendidos pela concessionria.
O objetivo das previses baseadas em correlaes consiste em estabelecer
uma equao que identifique o efeito da varivel de previso sobre a demanda do
produto em anlise. Nesse caso, dois tipos de dados preciso ser levantados: o
histrico da demanda do produto em questo (varivel dependente) e o histrico da
varivel de previso (varivel independente). Com esses dados, por meio da tcnica
conhecida como regresso, pode-se estabelecer essa equao matemtica.
Quando a correlao entre as variveis leva a uma equao linear, ela
conhecida como regresso linear. Quando leva uma equao curvilnea, chama-se
regresso no-linear. No caso de apenas duas variveis estarem envolvidas, chamase regresso simples. J quando trata-se de mais do que duas variveis, chama-se
de regresso mltipla. Neste livro, trataremos do caso mais simples, e o mais
comum de ocorrer, que a regresso linear simples.
O objetivo da regresso linear simples consiste em encontrar uma equao
linear de previso, do tipo Y = a + bX (onde Y a varivel dependente a ser prevista
e X a varivel independente da previso), de forma que a soma dos quadrados dos

91

erros de previso () seja a mnima possvel. Este mtodo tambm conhecido

como regresso dos mnimos quadrados. A Figura 3.8 ilustra esta situao.

Y=a+
bx

0
X

Figura 3.8. Mnimos quadrados.

A equao linear j foi apresentada na previso da tendncia, sendo que

agora as variveis assumem outros significados:
Y = a + bX

(3.3)

Onde Y = previso da demanda para o perodo X;

a = ordenada origem, ou intercepo no eixo dos Y;
b = coeficiente angular;
X = perodo (partindo de X = 0) para previso.
E os coeficientes a e b podem ser obtidos atravs das equaes j
apresentadas:

( XY) - ( X)( Y)

b=
n

a=

(3.4)

( X) - ( X)
Y -b - ( X)
n

(3.5)

92

Onde: n = nmero de pares XY observados

Exemplo 3.6: Uma cadeia de fast food verificou que as vendas mensais de
refeies em suas casas esto relacionadas ao nmero de alunos matriculados em
escolas situadas num raio de 2Km em torno da casa. Os dados referentes vendas
mensais e ao nmero de alunos matriculados num raio de 2Km das 13 casas da
cadeia esto apresentados na Tabela 3.5. A empresa pretende instalar uma nova
casa numa regio onde o nmero de alunos de 13.750. Qual a previso da
demanda para essa nova casa?

Tabela 3.5. Dados do Exemplo 3.6.

Vendas por Casa
Y (mil)

Nmero de
Alunos X (mil)

XY

31,56

10,00

315,60

996,03

100,00

38,00

12,00

456,00

1.444,00

144,00

25,25

8,00

202,00

637,56

64,00

47,20

15,00

708,00

2.227,84

225,00

22,00

6,50

143,00

484,00

42,25

34,20

11,00

376,20

1.169,64

121,00

45,10

14,50

653,95

2.034,01

210,00

32,30

10,10

326,23

1.043,29

102,00

29,00

9,20

266,80

841,00

84,64

40,90

13,40

548,06

1.672,81

179,56

40,00

12,70

508,00

1.600,00

161,29

24,20

7,60

183,92

585,64

57,76

41,00

13,10

537,10

1.681,00

171,61

Y = 450,71

X = 143,10

X .Y = 5.224,86 Y = 16.416,82

x = 1.663,37

Substituindo os valores nas equaes correspondentes, teremos:

( XY) - ( X)( Y)

b=
n

13 . 5.224,86 143,10 . 450,71

13 . 1.663,37 (143,10)

( X) - ( X)
Y -b - ( X)

a=
n

= 2,99

450,71 2,99 . 143,10

13

= 1,757

93

Logo, a reta de previso fica sendo: Y = 1,757 + 2,99X

Para um nmero de alunos de 13.750, a demanda prevista de refeies de:
Y = 1,757 + 2,99 x 13,75 = 42,869, ou seja, 42.869 refeies.
A Figura 3.9 ilustra essa situao, mostrando a correlao entre refeies e
nmero de alunos, bem como a reta de previso.

Nmero de refeies

50.000
40.000
30.000
20.000
10.000
0
6.000

7.000

8.000

9.000

10.000 11.000 12.000

13.000

14.000 15.000

Nmero de Alunos

Figura 3.9. Grficos do exemplo 3.6.

Pode-se medir a existncia de correlao entre duas variveis pela seguinte

frmula:

( XY) - ( X)( Y)

r=

(3.9)
n

( X) - ( X)

( X) - ( X)

O valor de r varia de +1 a 1. Quando r estiver prximo de +1, uma mudana

em uma varivel corresponde a uma mudana no mesmo sentido na outra varivel.
Quando r estiver prximo de 1, uma mudana em uma varivel corresponde a uma

94

mudana no sentido oposto na outra varivel. Se r estiver perto de 0, no existe

correlao entre as variveis analisadas. Conforme podemos notar na Figura 3.8, o
nmero de alunos possui alta correlao com o nmero de refeies. Isso pode ser
confirmado aplicando-se a frmula 3.9.
13.(5.224,86) - (143,10).(450,71)

r=

= +0,99
13. (1.663,37) - (143,10)

13. (16.416,82) - (450,71)

Nem sempre a correlao entre as variveis ocorre no mesmo perodo. Em

alguns casos, as variaes na varivel de previso antecedem as variaes na
demanda a ser prevista, permitindo que a previso da demanda seja feita com base
nos dados reais da varivel de previso. Em outros casos, as variaes na varivel
de previso so retardadas em relao s variaes na demanda a ser prevista, o
que gera a necessidade de se prever inicialmente o valor da varivel de previso,
para s ento empregar esse valor na previso da demanda.

3.6. MANUTENO E MONITORAO DO MODELO

Uma vez decidida a tcnica de previso e implantada o modelo,

necessidade de acompanhar o desempenho das previses e confirmar sua validade

perante a dinmica atual dos dados. necessrio manter um modelo atualizado de
previso e monitorar esse modelo para que se tenha sempre previses confiveis da
demanda. Esta monitorizao realizada por meio de clculo e acompanhamento
do erro da previso, que a diferena entre o valor real da demanda e o valor
previsto pelo modelo para dado perodo.A manuteno e monitorizao de um
modelo de previso confivel busca:
verificar a acuracidade dos valores previstos;
identificar, isolar e corrigir variaes anormais;
permitir a escolha de tcnicas, ou parmetros, mais eficientes.

95

Uma forma de acompanhar o desempenho do modelo consiste em verificar o

comportamento do erro acumulado, que deve tender a zero, pois espera-se que o
modelo de previso gere, aleatoriamente, valores acima e abaixo dos reais, devendo
assim se anular. O erro acumulado deve ser comparado com um mltiplo do desvio
mdio absoluto, conhecido como MAD (Mean Absolute Deviation). Em geral,
compara-se o valor do erro acumulado com o valor de 4 MAD. Quando ultrapassar
esse valor, o problema deve ser identificado e o modelo deve ser revisto. A frmula
para o clculo do valor do MAD :

MAD =

|Datual Dprevista|
n

Onde: Datual

= demanda ocorrida no perodo;

Dprevista = demanda prevista no perodo;

n

= nmero de perodos.

Uma caracterstica importante do MAD, admitindo-se que os erros distribuemse de forma aleatria, que MAD = Desvio Padro/1,25.
Aproveitando os dados do exemplo 3.2, reapresentados na Tabela 3.6,
podemos calcular o valor dos erros acumulados para as duas alternativas de
previses empregando a mdia exponencial mvel ( = 0,10 e = 0,50) e comparlas ao valor padro de 4 MAD.
Tabela 3.6. Clculo do MAD.
Perodo

Datual

= 0,10

= 0,50

Dprevista

Erro

Dprevista

Erro

90

95

90,00

5,00

90,00

5,00

98

90,50

7,50

92,50

5,50

90

91,25

-1,25

95,25

-5,25

92

91,12

0,88

92,62

-0,62

96

95

91,20

3,80

92,31

2,69

90

91,58

-1,58

93,65

-3,65

100

91,42

8,58

91,82

8,18

92

92,27

-0,27

95,91

-3,91

10

95

92,25

2,75

93,95

1,05

Erro = 25,41

Erro = 8,99

MAD = 31,61/9 = 3,51

MAD = 35,85/9 = 3,98

Para = 0,10, temos que: 4 x 3,51 = 14,04 < 25,41

Para = 0,50, temos que: 4 x 3,98 = 15,92 > 8,99
A princpio, o modelo com = 0,50 est dentro da faixa aceitvel de erro,
enquanto o modelo com = 0,10 est fora da faixa de 4MAD. A de se levar em
considerao o pequeno nmero de dados analisados (nove) e o fato de a primeira
previso ser igual ao primeiro valor da demanda real, ocasionando um erro inicial
grande.
Alm da anlise do erro acumulado, pode-se empregar como forma de
monitoramento dos dados um grfico de controle com limites superior e inferior,
normalmente correspondentes a 4MAD (equivale a trs desvios-padres), onde se
verificar a adequao do modelo a esses limites. A cada nova previso. O erro
dever ser plotado, e caso exceda estes limites, aes corretivas devero ser
tomadas. Um exemplo desse grfico de controle, para os dados da Tabela 3.6 com
= 0,50, pode ser visto na Figura 3.10. Nesse caso, constata-se que o modelo de

Erro

previso est sob controle, pois os erros no ultrapassam os limites estabelecidos.

20
15
10
5
0
-5
-10
-15
-20

Limite superior

Limite inferior

97

Figura 2.10. Grfico de controle para o erro de previso.

De uma forma geral, uma srie de fatores pode afetar o desempenho de um

modelo de previso, sendo que os mais comuns so:
a tcnica de previso pode estar sendo usada incorretamente, ou sendo mal
interpretada;
a tcnica de previso perdeu a validade devido mudana em uma varivel
importante, ou devido ao aparecimento de uma nova varivel;
variaes irregulares na demanda podem ter acontecido em funo de
greves, formao de estoques temporrios, catstrofes naturais etc.;
aes estratgicas da concorrncia, afetando a demanda;
variaes aleatrias inerentes aos dados da demanda.
Um modelo de previso para a demanda funciona adequadamente quando
apenas os erros decorrentes de variaes aleatrias ocorrem. Quando outros tipos
de erros aparecem, eles devem ser investigados para identificar suas causas e
corrigir o problema.

RESUMO

O Captulo 3 abordou a questo da previso da demanda. Inicialmente foi

proposto um modelo genrico de previso e manuteno dos dados relativos
demanda, composto de cinco passos, a saber: objetivo, coleta e anlise dos dados,
seleo da tcnica de previso, obteno das previses e monitoramento do
modelo. A seguir, as tcnicas de previso da demanda forma apresentadas e
exemplificadas, com nfase nas tcnicas quantitativas. Subdividiram-se estas
tcnicas em tcnicas baseadas em sries temporais e tcnicas baseadas em
correlaes. Para as tcnicas baseadas em tcnicas temporais, foram apresentadas
tcnicas que tratam da mdia, da tendncia e da sazonalidade dos dados.

98

Completando este captulo, foi discutida a manuteno e monitorizao do modelo

de previso, baseado no erro de previso e no valor do desvio mdio absoluto.

QUESTES PARA DISCUSSO

1. Que razes obrigam o PCP a entender o modelo de previso da demanda?

2. Como as empresas esto eliminando as incertezas associadas previso da
demanda?
3. Descreva as etapas de um modelo de previso da demanda.
4. Quais as caractersticas que diferenciam as previses qualitativas das
quantitativas? Onde cada uma empregada?
5. Uma curva temporal de previso pode conter tendncia, sazonalidade, variaes
irregulares e variaes randmicas. Defina cada um destes fatores.
6. Como o valor do coeficiente de ponderao () afeta a velocidade de resposta da
mdia exponencial mvel?
7. Como proceder com o modelo de previso da demanda baseada em correlaes
quando

existe

defasagem

de

perodos

entre

variveis

dependente

independente?
8. Quais as razes que podem levar uma previso a exceder os limites de controle
estabelecidos?
9.

Admitindo que a demanda de um produto nos ltimos nove meses teve o

seguinte comportamento:
Perodo

Demanda

30

27

35

40

33

29

41

38

35

a. Prever a demanda para o 10 ms, empregando a mdia mvel com quatro

perodos e a mdia exponencial mvel com = 0,20;

99

b. Admitindo que a demanda do 10 ms foi de 40 unidade, fazer a previso

para o ms 11 com as duas tcnicas;
c. Verificar qual das duas tcnicas de previso gera o menor erro acumulado.
10. Os dados histricos da demanda dos ltimos 10 anos de um produto foram os
seguintes:
Ano

87

88

89

90

91

92

93

94

95

96

Demanda

250

230

270

285

290

287

310

325

320

340

a. Identificar de forma grfica a existncia de tendncia na srie histrica da

demanda:
b. Fazer a previso da demanda para o ano de 97, considerando o ajustamento
exponencial para a tendncia. Empregar 1 = 0,1 e 2 = 0,2, considerando os
quatro primeiros anos para a estimativa inicial da tendncia, e a previso do
quinto ano como sendo a demanda do quarto ano mais a tendncia estimada
inicial.
c. Montar um grfico de controle com 4 MAD de limites superior e inferior, e
verificar se os parmetros empregados so adequados.
11. A demanda trimestral de determinado produto apresenta sazonalidade e
tendncia. Para o 1 trimestre o ndice de sazonalidade de 1,3; para o 2 de
1,0; para o 3 de 0,8; e para o 4 de 0,9. Nos ltimos dois anos, a demanda
deste produto apresentou os seguintes dados:
Trimestre

Demanda

65

58

50

60

85

75

62

74

a. Retirar a sazonalidade dos dados e gerar uma equao linear para previso
da tendncia da demanda.
b. Prever a demanda para os trimestres do prximo ano.
12. A demanda por cimento est correlacionada com o nvel de atividade da
construo civil e determinada regio. Dados dos ltimos sete anos mostram os
seguintes desenhos.

100

Ano

Demanda por
cimento (m)

735

600

770

670

690

780

640

Taxa de
construo (m)

100

80

105

92

95

107

87

a. Verificar por meio de clculo do coeficiente de correlao se esta relao

forte.
b. Caso a previso do nvel de atividade da construo civil para o prximo ano
seja de 90 m, qual a demanda esperada por cimento?
c. Verificar se o modelo de previso gera erros aceitveis.