Estudo de Previsão de Demanda

XXXIV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO
Engenharia de Produo, Infraestrutura e Desenvolvimento Sustentvel: a Agenda Brasil+10

Curitiba, PR, Brasil, 07 a 10 de outubro de 2014.
ESTUDO DE PREVISO DE DEMANDA DE

MOVIMENTAO DE DIESEL, GASOLINA E
LCOOL, NO TERMINALPETROQUIMICO DE
MIRAMAR, UTILIZANDO ABORDAGEM DE
SRIES TEMPORAIS E SRIES CAUSAIS
Cleyton Luis Ramos Barbosa (CESUPA )
cleytonluis11@hotmail.com
Este artigo visa realizar um estudo de previso de demanda de

movimentao de Diesel, Gasolina e lcool, no Terminal Petroqumico de
Miramar, utilizando abordagem de sries temporais e de sries causais.
Por meio da srie histrica de movimentao de combustvel do Terminal
Petroqumico de Miramar foram identificao os padres de demanda
existentes. Essa srie serviu de dado de entrada no software Crystal Ball, o
qual identificou o melhor mtodo de previso de demanda adequando
realidade do Terminal.
Palavras-chaves: Previso de Demanda, Abordagem de series tempora,

abordagem de sries causais

Introduo
O governo federal, atravs de programas e planos, vem buscando incessantemente
melhorias no modal porturio, como por exemplo, o Programa de Gesto Porturia, o Sistema
Porto sem Papel e o Plano Nacional de Logstica Porturia, onde eles tm como objetivo,
respectivamente, aumentar a capacidade de movimentao de cargas nos portos; centralizar as
informaes relativas s operaes porturias, buscando a racionalizao, padronizao e
otimizao das operaes porturias e a realizao de estudos sobre gerenciamento ambiental
com finalidade de agilizar a movimentao de cargas nos portos e suas operaes logsticas;
Propiciar o desenvolvimento sustentvel aos portos nacionais assegurando ao setor maior
confiabilidade e eficincia, melhoria de seu desempenho, baixos custos operacionais e
menores tarifas aos usurios.
Neste contexto foi criada a Medida Provisria 595, de 6 (seis) de dezembro 2012,
que revogou a Lei dos Portos (Lei 8.630/93), com a finalidade de incentivar a concorrncia
nas operaes porturias, com subsdios de cobranas menores nas tarifas porturias durante
o aumento da movimentao porturia por parte das empresas arrendatrias.
O foco deste artigo foi previso de demanda, buscando selecionar o mtodo ou
tcnica de previso mais confivel com a finalidade de subsidiar os gestores para uma
possvel tomada de deciso, seja de curto, mdio ou longo prazo. Para isso, ser realizado um
estudo de previso de demanda de movimentao de Diesel, Gasolina e lcool, no Terminal
Petroqumico de Miramar, utilizando abordagem de sries temporais e sries causais com a
inteno de verificar qual o mtodo ou tcnica mais confivel para serem utilizados no
Terminal. No entanto, o que prever? Que tipo de tcnicas de previso utilizar?
1.
Previso de Demanda
Martins e Laugeni (1998) dizem que prever algo obter informaes sobre o futuro
com base nos dados histricos existentes tratados por modelos estatsticos, matemticos,
economtricos ou modelos subjetivos apoiados no conhecimento tcito. A previso de
demanda consiste em obter informaes das possveis vendas futuras dos produtos/servios.
Slack, Chambers e Johnston (2008) expem que, independente da sofisticao das
2

previses de uma empresa, difcil usar dados histricos para prever tendncias, ciclos ou
sazonalidades. Muitos fatores afetam a demanda a toda hora. Fatores externos no podem ser
controlados pelos gerentes e fatores internos podem afetar a demanda pelos produtos.
1.1.
Padres de Demanda
Para Petrnio e Laugeni (2005), h cinco padres bsicos da maioria das series
temporais de demanda:
1. Demanda Estacionria: a flutuao de dados em torno de uma mdia constante;
2. Demanda com Tendencial: o aumento ou reduo sistemtica na mdia das series ao
longo do tempo;
3. Demanda Estacionria Sazonal: um padro de aumento ou redues na demanda que
pode ser repetido, dependendo da hora, do dia, da semana, do ms ou da estao;
4. Demanda com Tendncia e Sazonalidade: os aumentos ou redues graduais menos
previsveis na demanda por perodos mais longos de tempo (ano ou dcadas);
Conforme Ritzman e Krajewski (2004, p.437)
Quatros dos padres de demanda - horizontal, tendencial, sazonal e cclico - se
combinam em graus variados para definir o padro de tempo fundamental de
demanda para um servio ou produto. O quinto padro, aleatrio, resultado de
causas eventuais e, desse modo, no pode ser previsto. A variao aleatria um
aspecto da demanda que torna todas as previses incorretas.
1.2.
Mtodos de Previso de Demanda
1.2.1. Etapas do Modelo de Previso

Corra e Corra (2007) considera a previso o efeito de uma ao, onde acaba
envolvendo aes como a coleta de informaes necessrias, o tratamento adotado para as
informaes adquiridas, a busca de mtodos, estes muitas vezes sendo qualitativa ou
quantitativa, a relevncia dos erros de previso e tambm do padro de comportamento.
Para Lustosa et al. (2008), a formalizao do processo de previso de demanda nas
empresas deve contribuir para melhoria do processo de planejamento e controle da produo.
3

A Figura 1 ilustra, segundo Lustosa et al. (2008), o fluxo das etapas do modelo de
previso no mbito do Planejamento e Controle da Produo (PCP), esse fluxo tem como
finalidade organizar os passos para melhor elaborar uma previso de demanda.
A seguir so apresentadas as principais etapas para a realizao de uma previso de
demanda se faz necessrio seguir as seguintes etapas:
1. Objetivo do Modelo: A primeira etapa consiste em definir a razo pela qual
necessitamos de previses. Que produto, ou famlias de produtos, ser previsto, com
que grau de acuracidade e detalhe a previso trabalhar, e que recursos estaro
disponveis para esta previso;
2. Coleta e Anlise de Dados: Visa identificar e desenvolver a tcnica de previso que
melhor se adapte;
3. Seleo das Tcnicas de Previso: Existem tcnicas qualitativas e quantitativas. Cada
uma tendo o seu campo de ao e sua aplicabilidade;
4. Obteno da Previso: com a definio da tcnica de previso e a aplicao dos dados
passados para obteno dos parmetros necessrios, podemos obter as projees
futuras da demanda;
5. Monitoramento da Previso: o monitoramento realizado atravs de calculo e
acompanhamento do erro de previso, que a diferena que ocorre entre o valor real
da demanda e o valor previsto pelo modelo para um dado perodo.
FIGURA 1 Etapas de previso de demanda (adaptado de Russell e Tayloy, 2006)

2. Coletar dados
(srie histrica e
eventos)
1. Identificar o objetivo
da previso de demanda
6. Avaliar a previso
com uma ou mais
medidas de erro
7. A previso est
adequada ao
propsito da
previso
3. Construir grficos
para identificar padres
5. Gerar previses
para um perodo
determinado da srie
No
4. Selecionar um
mtodo adequado para
previso
8b. Verificar parmetros do modelo utilizado

ou selecionar outro modelo
Sim
8a. Gerar as previses
para o horizonte de
planejamento
9. Ajustar previses com

base em informaes
qualitativas adicionais
10. Monitorar resultados e

medidas do erro de
previso
FONTE: Lustosa et al., 2008
1.2.2. Classificao das Tcnicas de Previso

1.2.3. Tcnicas Qualitativas
Para Davis, Aquilano e Chase (2001), as tcnicas qualitativas so subjetivas ou
optativas por natureza e so baseadas em estimativas e em opinies.
Neste contexto, segundo Lustosa et al. (2008), diz que as tcnicas qualitativas so
baseadas e consenso de opinies e as tcnicas mais utilizadas so: Mtodo Delphi, Jri de
executivos, Foras de Vendas, Pesquisa de Mercado e Painel de Especialistas.
1.2.4. Tcnicas Quantitativas
5

As tcnicas quantitativas envolvem a anlise numrica dos dados passados,

isentando-se de opinies pessoais ou palpites. Empregam-se modelos matemticos para
projetar a demanda futura. Podem ser subdivididas em dois grandes grupos: as tcnicas
baseadas em sries temporais (intrnsecas) e as tcnicas causais (extrnsecas).
1.2.4.1. Tcnicas de Sries Temporais
Segundo Davis, Aquilano e Chase (2001, p.213):
A anlise de sries temporais baseia-se na ideia que dados relacionados com a
demanda do passado podem ser usados para prever a demanda futura, ou seja, a
tendncia que gerou a demanda no passado continuar gerando a demanda no
futuro.
1.2.4.1.1.
Mdias Mveis
O mtodo da Mdia Mvel um modelo muito utilizado nas empresas em geral, por
ser extremamente simples e necessitar de poucos dados histricos. Para Makridakis,
Wheelwright, Hyndman (1998); o mtodo da mdia mvel indicado para previses de curto
prazo onde as componentes de tendncia e sazonalidade so inexistentes ou possam ser
desprezadas.
Segundo Ritzman e Krajewski (2004, p.444):
A mdia mvel usada para estimar a mdia de uma srie temporal de demanda e,
dessa forma, remove os efeitos da flutuao aleatria. Aplicar um modelo de mdia
mvel simplesmente envolve calcular a demanda mdia para os perodos de tempo
n mais recentes e us-la como a previso para o prximo perodo.
Segundo Ritzman e Krajewski (2004), a previso de demanda para o perodo t+1,

pode ser calculada como:
(1)
Onde,
Dt = demanda real no perodo t
n = nmero total de perodos da mdia
Ft+1 = Previso para o perodo t+1
1.2.4.1.2.
Mdias Mveis Ponderadas

6

De acordo com Ritzman e Krajewski (2004), o mtodo de mdia mvel ponderada,

cada demanda histrica da mdia pode ter seu prprio peso. Onde a mdia obtida
multiplicando-se o peso de todos os perodos pelo valor para esse perodo, e somando-se os
produtos:
Ft+1 = w1Dt + w2Dt-1 + wnDt-2
(2)
Esse mtodo tem as mesmas deficincias que o mtodo de mdia mvel simples: os
dados devem ser retidos por n perodos de demanda para permitir o calculo da mdia para
cada perodo.
1.2.4.1.3.
Suavizao Exponencial Simples
De acordo com Ritzman e Krajewski (2004), a suavizao exponencial requer apenas

trs itens de dados: a previso do ultimo perodo, a demanda para esse perodo, e um
parmetro suavizador alfa (), que tem um valor de 0 e 1.
Segundo Ritzman e Krajewski (2004), para obter uma previso suavizada
exponencialmente, simplesmente calculamos uma mdia ponderada mais recente e a previso
calculada no ultimo perodo. A equao para a previso :
Ft+1 = Dt + (1- )Ft
1.2.4.1.4.
(3)
Suavizao Exponencial com Tendncia (Modelo de Holt)
Segundo Ritzman e Krajewski (2004, p.448):

O mtodo para incorporar uma tendncia em uma previso suavizada
exponencialmente chamado de mtodo de suavizao exponencial ajustada a
tendncias. Com essa abordagem, as estimativas tanto para mdia como para a
tendncia so suavizadas, o que requer duas constantes de suavizao. Para cada
perodo, calculamos a mdia e a tendncia:
De acordo Lustosa et al. (2008), na suavizao exponencial com tendncia, adicionase uma segunda varivel, que reflete o crescimento da demanda de um perodo para outro.
Essa varivel ser atualizada exponencialmente e aplicada no clculo da previso conforme a
formulao a seguir:
Bt = Dt + (1- )(Bt-1 + Tt-1)
(4)
7

Tt = (Bt - Bt-1) + (1-)Tt-1
(5)
F(t+K) = Bt + kTt
(6)
Onde,
Dt = demanda do perodo t
Bt = mdia suavizada exponencialmente da srie no perodo t;
Tt = mdia suavizada exponencialmente da tendncia no perodo t;
= parmetro de suavizao para mdia, com um valor entre 0 e 1;
= parmetro de suavizao para a tendncia, com um valor entre 0 e 1;
F(u) = previso ao final do perodo t para o perodo u.
1.2.4.1.5.
Suavizao Exponencial com Tendncia e Sazonalidade (Modelo de HoltWinters)
Segundo Lustosa et al. (2008), esse mtodo incorpora, alm da tendncia, uma
componente de sazonalidade. Isso feito definindo-se um ndice de sazonalidade para cada
perodo, que representa a proporo entre a demanda mdia do perodo e a demanda mdia
anual. O modelo completo fica representado pelas seguintes equaes:
Bt =
(7)
Tt =
(8)
It =
(9)
Onde,
Dt Demanda do perodo t
Bt Base ao final do instante t
Tt Tendncia ao final do instante t
It ndice de sazonalidade do instante t
Constante de suavizao para base
Constante de suavizao para tendncia
Constante de suavizao para sazonalidade
Ft (u) previso ao final do perodo t para o perodo u (u>t)
1.2.4.2. Tcnicas Causais

8

1.2.4.2.1.
Regresso Linear Simples
Segundo Ritzman e Krajewski (2004), nos modelos de regresso linear mais simples
a varivel dependente funo de apenas uma varivel independente e, portanto, a relao
terica uma linda reta:
Y = a + bX
(10)
Onde,
Y = Varivel dependente;
X = Varivel independente;
A = interseo da linha no eixo Y
B = Inclinao da linha
Segundo Ritzman e Krajewski (2004), para a verificao de regresso, trs medidas
geralmente devem ser avaliadas que so o coeficiente de correlao de amostra, o coeficiente
de determinao de amostra e o erro-padro da estimativa.
Para Martins e Laugeni (1998), o coeficiente de correlao varia entre +1 e -1. Um
coeficiente positivo indica uma reta ascendente, enquanto um coeficiente de correlao
negativo indica uma reta descendente.
Para Ritzman e Krajewski (2004), o coeficiente de correlao da amostra mede a
quantidade de variao da varivel dependente em torno de sua mdia, que explicada pela
linha de regresso. Onde o valor de r, que varia de 0 a 1, estiver prximo de zero significa que
no h nenhuma relao linear entre as variveis. Quanto mais prximo de 1 o valor de r
estiver, melhor a linha de regresso.
De acordo com Ritzman e Krajewski (2004), o coeficiente de determinao da
amostra mede a quantidade de variao da varivel dependente em torno de sua mdia, que
explicada pela linha de regresso. O coeficiente de determinao o quadrado do coeficiente
de correlao, ou r. Equaes de regresso com valor de r prximo de 1 so desejveis,
porque as variaes na varivel dependente e a previso gerada pela equao da regresso
esto estreitamente relacionadas.
Para Ritzman e Krajewski (2004), O erro padro da estimativa mede a proximidade
9

do agrupamento dos dados sobre a varivel dependente em torno da linha de regresso.
1.2.4.2.2.
Regresso Linear Mltipla
Segundo Lapponi (2005), os modelos lineares com mais de uma varivel

independente se denominam modelos de regresso linear mltipla. O desenvolvimento da
equao de regresso linear mltipla similar a da equao de regresso linear incluindo a
dependncia de duas ou mais variveis independentes.
1.2.4.2.3.
Modelo ARMA(p,q) (Autoregressive-Moving Average)
Segundo Araujo, Aredes e Santos (2013), tirando proveito das ambiguidades dos
processos de autorregresso e mdias mveis, pode-se obter um modelo misto:
(11)
Novamente as condies de estacionariedade e de inversibilidade do processo so
garantidas se as razes dos polinmios (B) = 0 e (B) = 0 carem fora do crculo unitrio.
As propriedades de segunda ordem dos modelos ARMA compartilham aquelas
citadas para os seus componentes (autorregressivo e mdias mveis) e em se tratando de um
modelo misto, caractersticas de ambos os modelos sero encontradas. Portanto, como no
processo de AR, uma mdia qualquer pode ser acrescentada ao processo ARMA.
1.2.4.2.4.
Modelo ARIMA(p,d,q) (Autoregressive-Integrated Moving Average)
Para Araujo, Aredes e Santos (2013), a maioria das sries temporais do mundo real,
no entanto, no apresentam estacionariedade em primeira ordem, ou seja, elas apresentam
alguma tendncia, sua mdia aumenta ou diminui em algum grau com o passar do tempo. Para
dar conta deste fato, pode-se incorporar nos modelos ARMA um termo chamado de
integrado, gerando os modelos ARIMA.
Na verdade, trata-se de uma transformao aplicada srie para que ela estabilize a
sua mdia. A srie subtrada dela mesma atrasada k lags, at que ela estabilize a sua mdia.
10

Na prtica, como se ver mais adiante, um lag de 1 geralmente suficiente. Um

exemplo bastante interessante de como isto funciona foi mencionado anteriormente quando
foi definido o passeio aleatrio, que nada mais do que um modelo ARIMA apenas com o
componente de diferena, com k = 1. Relembrando:
(12)
Observe que a srie resultante neste caso um rudo branco, estacionrio em
primeira (e segunda) ordem. Usando-se ento o operador backshift para simplificar a
notao, podemos escrever um modelo ARIMA(p,d,q), na forma:
(13)
Como se trata apenas de um modelo ARMA(p,q) que sofreu uma substituio do
componente
pelo componente
que uma transformao daquele, o
modelo ARIMA(p,d,q) goza das mesmas propriedades do modelo ARMA(p,q).

Para Gujarati (2000), a maioria das sries temporais econmicas naturalmente no
estacionria, a aplicao do modelo exige a transformao das mesmas por d diferenas para
torn-las estacionrias. O modelo assim obtido denominado ARIMA (Auto- Regressivo
Integrado de Mdia Mvel), sendo apresentado como ARIMA (p,d,q).
Assim, para uma srie no estacionria em nvel e um modelo com p termos autoregressivos e q termos mdia mvel, temos o modelo ARIMA (p,d,q), escrito como:
Yt= + 1Yt-1+ pYt-p+ 0ut+ 1ut-1+ qut-q
(14)
Em que o operador de diferenas.

1.2.4.2.5.
Modelo SARIMA (Seasonal Autoregressive-Integrated Moving Average)
Para Araujo, Aredes e Santos (2013), muitas sries temporais tambm apresentam
um componente sazonal importante e pode ser preciso modelar este componente para se obter
um modelo mais fidedigno.
Para tal foram desenvolvidos os modelos ARIMA sazonais, conhecidos como
SARIMA(p,d,q)x(P,D,Q)s sendo s o perodo correspondente sazonalidade.
A incluso do componente sazonal de ao modelo se d de maneira multiplicativa, e a
representao de um modelo SARIMA(p,d,q)x(P,D,Q)s pode ser escrita, de forma compacta:
11

(15)
Onde,
(Bs) representam os coeficientes sazonais da autorregresso, (Bs) representam os
coeficientes sazonais das mdias mveis, e (1- Bs)D o operador diferena de ordem D, para a
diferenciao sazonal da srie.
importante notar que as sries agora podem ser diferenciadas tanto no seu
componente no sazonal, quanto no seu componente sazonal (ou em ambos).
1.3.
Critrios para Avaliar o Desempenho de Modelos em Relao Serie Temporal

Neste tpico abordaremos os principais critrios para se avaliar o melhor mtodo de
previso de demanda que se ajuste a realidade da empresa estudada. Segundo Lustosa et al.
(2008) o indicador bsico de Erro de Previso para o perodo t (Et) que a diferena entre o
valor real (Dt) e o valor previsto da demanda (Ft, forecast) no perodo correspondente.
Conforme, a frmula a seguir:
Et = Dt - Ft
(16)
A partir dos desvios de n perodos consecutivos, calcula-se o Erro Mdio (EM)

pela equao:
(17)
1.3.1. Erro Quadrtico Mdio (EQM)
(18)
1.3.2. Erro Absoluto Mdio (EAM)
(19)
1.3.3. Erro Percentual Absoluto Mdio (EPAM)
(20)
12

2.
Metodologia
Para Medeiros (2010), a pesquisa tem um carter pragmtico, um processo formal e
sistemtico de desenvolvimento do mtodo cientfico. O objetivo fundamental da pesquisa

descobrir respostas para problemas mediante o emprego de procedimentos cientficos.
Neste contexto, a presente pesquisa classificada do ponto de vista de seus objetivos
do tipo exploratrio, pois envolve um levantamento bibliogrfico com a finalidade de
proporcionar maior familiaridade com o problema.
Do ponto de vista de sua natureza est pesquisa classificada do tipo aplicada, pois
sua finalidade gerar conhecimento para aplicao prtica, as quais sero dirigidas as
solues de problemas especficos.
Abordagem do problema desta pesquisa classificada como uma abordagem
quantitativa, o que significa dizer que envolve a anlise numrica dos dados passados,
isentando-os de opinies pessoais. Nesta abordagem empregam-se modelos matemticos para
projetar a demanda futura. Deste modo, os dados coletados sero classificados e analisados,
atravs de recursos e tcnicas estatsticas.
Por ser tratar de uma abordagem quantitativa, foram utilizadas na pesquisa as
tcnicas baseadas em sries temporais, as quais so modelos matemticos da demanda futura
relacionada com dados histricos de vendas ou movimentao de produtos com o tempo.
Assim como, foram utilizadas tcnicas causais, as quais buscam prever a demanda de
determinado produto a partir da previso de outra varivel eu
esteja
relacionada
com
produto.
Para obteno dos resultados utilizou-se as seguintes etapas: identificar o objetivo de
previso, coletar dados de previso, identificando padres de demanda, selecionar mtodos de
previso, gerar previses, avaliar preciso com medidas de erro e monitorar resultados e
medidas de erro.
3.
Resultados
3.1.
Objetivo de Previso
13

Considerando que o Terminal movimenta diferentes tipos de combustveis, os quais

so classificados como produto especial, produtos claros e escuros, conforme descrito no item
3.4, deste artigo. A Tabela 1 mostrar a soma da movimentao mensal dos produtos claros ao
longo dos ltimos quatro anos.
Uma vez realizado o estudo e obtidos e avaliados seus respectivos resultados, foi
possvel identificar um modelo de previso de demanda mais adequado realidade da
empresa estudada, o qual servir de base para os gestores preverem movimentao e receita
futura. E, com isso poder verificar se a capacidade de armazenamento atual compatvel
com a previso de demanda de movimentao de combustvel, uma vez que atualmente a
unidade porturia em sua rea secundria possui 48 tanques que somam um total de
armazenamento de 158.427 m de combustvel.
Caso a previso de demanda seja superior a sua capacidade de armazenamento
poder a unidade porturia realizar um planejamento estratgico para aumentar sua
capacidade produtiva.
TABELA 1 Movimentao de Produtos Claros (TONELADAS)
MOVIMENTAO DE PRODUTOS CLAROS

Ms
DIESEL
GASOLINA
AVGAS
QAV
ALCOOL
Janeiro
383.360,713
135.891,250
1.303,822
37.051,456
6.087,275
Fevereiro
350.624,115
129.180,711
1.908,404
41.391,150
23.171,863
Maro
337.289,409
123.086,506
2.371,279
32.587,211
11.463,226
Abril
339.766,189
125.687,052
1.903,081
40.188,609
15.787,244
Maio
365.599,296
160.125,680
1.206,989
31.496,924
17.534,927
Junho
400.358,615
147.922,932
2.285,948
37.508,576
11.493,512
Julho
395.797,150
132.355,954
2.358,306
39.674,162
18.215,916
Agosto
392.518,761
139.286,348
2.202,088
30.921,269
18.703,054
Setembro
376.890,728
169.177,343
49.926,315
11.385,316
Outubro
437.765,839
148.880,780
3.899,078
37.225,728
14.747,184
Novembro
447.662,285
141.549,849
9.109,957
33.136,585
8.661,968
Dezembro
388.793,811
156.420,395
4.745,781
42.292,359
24.512,634
14

Total
4.616.426,911
1.709.564,800
33.294,733
453.400,344
181.764,119
Fonte: Terminal Petroqumico de Miramar
3.2.
Coleta de Dados
O Terminal Petroqumico de Miramar possui em seu banco de dados, um histrico
dos ltimos quatro anos de movimentao de combustvel, o qual serviu de base para o estudo
de previso de demanda deste artigo.
Para o estudo de correlao utilizou-se as variveis Dlar e Petrleo, sendo que os
valores dos preos dos ltimos quatros dessas variveis foram retirados do Index Mundi.
3.2.1. Diesel
O Terminal de Petroqumico de Miramar utiliza apenas a classificao de leo Diesel
para qualquer nomenclatura deste produto, o qual um dos produtos mais movimentados no
Terminal. A Tabela 2 mostrar a srie histrica de movimentao deste produto ao longo dos
ltimos quatro anos no Terminal.
TABELA 2 Movimentao Diesel (TONELADAS)
DIESEL
Ms
2009
2010
2011
2012
Janeiro
97.724,625
100.694,739
90.931,398
93.337,401
Fevereiro
114.416,244
100.435,416
73.147,297
64.030,040
Maro
69.743,557
92.008,681
79.390,238
97.189,632
Abril
81.391,993
117.693,009
73.454,958
65.852,413
Maio
104.349,104
102.997,686
91.803,180
72.211,474
Junho
104.806,432
110.439,515
107.912,751
76.851,005
Julho
91.157,084
101.644,193
95.749,785
107.149,965
Agosto
118.057,033
75.391,371
109.002,704
83.737,563
15

Setembro
116.235,811
98.665,171
61.953,880
104.851,678
Outubro
122.417,400
91.764,894
124.650,497
92.082,057
Novembro
135.267,316
113.623,075
104.974,846
100.530,429
Dezembro
110.983,686
103.637,999
71.395,177
87.603,349
Total
1.266.550,285
1.208.995,749
1.084.366,711
1.045.427,006
3.2.2. Gasolina
Esse produto o segundo mais movimentado no Terminal de Petroqumico de
Miramar. A Tabela 3, apresentada a seguir, mostrar a srie histrica de movimentao deste
produto ao longo dos ltimos quatro anos no Terminal.
TABELA 3 Movimentao Gasolina (TONELADAS)
GASOLINA
Ms
2009
2010
2011
2012
Janeiro
26.495,619
26.605,640
36.942,197
45.847,794
Fevereiro
25.736,243
38.356,617
33.208,877
31.878,974
Maro
17.557,339
26.763,134
35.854,821
42.911,212
Abril
27.827,656
31.620,460
29.061,592
37.177,344
Maio
25.707,481
36.018,785
42.859,927
55.539,487
Junho
32.249,377
32.350,978
39.011,064
44.311,513
Julho
27.132,834
30.866,275
35.601,221
38.755,624
Agosto
24.414,905
35.996,786
36.586,655
42.288,002
Setembro
31.169,267
44.716,521
40.345,907
52.945,648
Outubro
29.341,935
32.854,085
33.195,892
53.488,868
Novembro
23.695,189
31.376,980
44.499,336
41.978,344
Dezembro
37.970,128
36.343,441
36.581,178
45.525,648
16

TOTAL
329.297,973
403.869,702
443.748,667
532.648,458
3.2.3. lcool
A Tabela 4 mostrar a srie histrica de movimentao deste produto ao longo dos
ltimos quatro anos no Terminal.
TABELA 4 Movimentao lcool (TONELADAS)
LCOOL
Ms
2009
2010
2011
2012
Janeiro
1.503,601
1.408,246
1.983,244
1.192,184
Fvereiro
1.623,635
1.191,399
12.430,725
7.926,104
Maro
6.253,925
1.282,453
2.228,089
1.698,759
Abril
1.687,048
5.612,466
6.584,883
1.902,847
Maio
1.430,640
1.559,294
7.954,489
6.590,504
Junho
1.534,765
5.699,170
2.136,837
2.122,740
Julho
1.784,899
1.763,578
12.855,876
1.811,563
Agosto
1.764,567
6.073,734
8.952,295
1.912,458
Setembro
1.662,480
5.110,400
2.579,249
2.033,187
Outubro
2.051,659
3.083,431
7.234,265
2.377,829
Novembro
1.706,236
2.497,490
1.993,639
2.464,603
Dezembro
6.407,282
1.872,827
8.857,226
7.375,299
Total
29.410,737
37.154,488
75.790,817
39.408,077
3.2.4. Preo do Dlar

Na Tabela 5 foi apresentado o valor da cotao do Dlar dos ltimos quatro anos que
servir como varivel de correlao da srie histrica de movimentao de combustvel do
Terminal Petroqumico de Miramar.
Tabela 5 Preo do Dlar
17

DLAR
MS
2009
2010
2011
2012
Janeiro
2,307
1,779
1,674
1,790
Fevereiro
2,313
1,842
1,668
1,718
Maro
2,314
1,786
1,659
1,795
Abril
2,206
1,807
1,659
1,855
Maio
2,061
1,813
1,613
1,986
Junho
1,958
1,807
1,587
2,049
Julho
1,931
1,770
1,564
2,029
Agosto
1,845
1,760
1,597
2,029
Setembro
1,820
1,719
1,749
2,028
Outubro
1,738
1,684
1,772
2,030
Novembro
1,726
1,713
1,790
2,068
Dezembro
1,750
1,693
1,837
2,078
Fonte: Index Mundi
3.2.5. Preo do Petrleo

Na Tabela 6, foi apresentado o valor do preo do petrleo dos ltimos quatro anos
que servir como varivel de correlao da srie histrica de movimentao de combustvel
do Terminal Petroqumico de Miramar.
TABELA 6 Preo do Petrleo
PETRLEO
18

MS
2009
2010
2011
2012
Janeiro
R$ 82,58
R$ 144,95
R$ 174,28
R$ 201,32
Fevereiro
R$ 78,83
R$ 140,40
R$ 184,10
R$ 212,38
Maro
R$ 87,89
R$ 148,94
R$ 204,42
R$ 222,03
Abril
R$ 94,55
R$ 158,13
R$ 218,82
R$ 214,36
Maio
R$ 109,28
R$ 142,15
R$ 203,62
R$ 196,28
Junho
R$ 129,99
R$ 140,45
R$ 199,35
R$ 171,02
Julho
R$ 121,64
R$ 139,96
R$ 203,23
R$ 182,28
Agosto
R$ 134,68
R$ 142,57
R$ 189,50
R$ 198,42
Setembro
R$ 128,47
R$ 143,08
R$ 190,27
R$ 200,48
Outubro
R$ 139,21
R$ 153,57
R$ 188,44
R$ 195,06
Novembro
R$ 145,82
R$ 158,91
R$ 198,51
R$ 190,93
Dezembro
R$ 140,86
R$ 169,33
R$ 196,31
R$ 190,81
Fonte: Index Mundi
3.3.
Identificando Padres de Demanda
3.3.1. Anlise de Movimentao de Diesel

Na srie histrica de movimentao de diesel, o trigsimo terceiro ms apresentou o
menor pico de movimentao, conforme observado no Grfico 1.
Observa-se tambm que no trigsimo oitavo e quadragsimo ms, houve uma
reduo na movimentao de diesel, haja vista que o Per 200, onde ocorre o descarregamento
de diesel, foi paralisado para a instalao de novas tubovias de diesel.
Ressalta-se que a movimentao de diesel composta pelas operaes de
Cabotagem, que so o descarregamento do produto atravs de navios de grandes portes com
carga nacionalizada e pela operao fluvial que o carregamento de balsas tanque, tais
operaes possuem taxas diferenciadas na gerao de receita do terminal por movimentao.
19

Grfico 1 Movimentao de Diesel

160.000,000
140.000,000
120.000,000
100.000,000
80.000,000
60.000,000
40.000,000
20.000,000
0
10
20
30
40
50
60
3.3.2. Anlise de Movimentao de Gasolina

Ao analisar a movimentao de gasolina do Terminal Petroqumico de Miramar,
observa-se que no Grfico 2, no terceiro e no vigsimo oitavo ms, houve uma reduo da
movimentao de gasolina. Essa reduo proveniente da grande quantidade de gasolina
armazenada nos tanques de terra das empresas arrendatrias.
No trigsimo oitavo ms, teve uma paralisao no Per 200 para instalao de novas
tubovias de diesel, o que ocasionou uma reduo de navio de gasolina diminuindo assim a
movimentao deste produto no Terminal.
Grfico 2 Movimentao de Gasolina
60.000,000
50.000,000
40.000,000
30.000,000
20.000,000
10.000,000
10
20
30
40
50
60
20

3.3.3. Anlise de Movimentao de lcool

No Grfico 3, observa-se que ao longo da srie histrica de movimentao de lcool
no terminal houve um aumento da demanda de consumo de lcool, o que ocasionou um
aumento do nmero de operaes de cabotagem, ou seja, descarregamento deste produto para
os tanques de terra das empresas arrendatrias.
Grfico 3 Movimentao de lcool
14.000,00
12.000,00
10.000,00
8.000,00
6.000,00
4.000,00
2.000,00
-
10
20
30
40
50
60
3.3.4. Anlise do Preo do Dlar Comercial

Observa-se no Grfico 4, anexo, que o dlar apresenta uma forte queda do seu valor,
isso foi consequncia da crise financeira mundial que se iniciou no ano de 2008. Entretanto,
observa-se que o dlar vem crescente gradativamente e este fato faz com que o governo
brasileiro ao perceber uma oscilao muito grande da moeda americana, interfere no mercado
tentando manter a moeda estabilizada e nosso real desvalorizado.
Grfico 4 Preo do Dlar Comercial
21

2,500
2,000
1,500
1,000
0,500
0,000
0
10
20
30
40
50
60
Fonte: Index Mundi
3.3.5. Anlise do Preo do Petrleo

Economistas costumam dizer que o preo de um produto resultado da relao entre
oferta e demanda. De fato, essa uma das razes da alta na primeira metade de 2008. Por
outro lado, a cotao do petrleo tambm influenciada por problemas enfrentados pelos
pases exportadores. Devido a esses problemas, cresce a preocupao de que a oferta no v
suprir a demanda, e o preo sobe. O Grfico 5, apresenta a srie histrica do preo do
petrleo.
Grfico 5 Preo do Petrleo
R$ 250,00
R$ 200,00
R$ 150,00
R$ 100,00
R$ 50,00
R$ 0
10
20
30
40
50
60
Fonte: Index Mundi
3.4.
Selecionar Mtodos de Previso

As tcnicas de previses utilizadas, neste artigo, foram Suavizao Exponencial
22

Dupla, Suavizao Exponencial Simples, Mdia Mvel Simples, Mdia Mvel Dupla, Aditivo
Sazonal, Multiplicativo Sazonal, Aditivo de Holt-Winters, Multiplicativo de Holt-Winters,
Regresso Padro, ARIMA e SARIMA.
3.5.
Gerar as Previses
Os dados plotados no Microsoft Excel serviram de dados de entrada no Oracle
Crystal Ball, verso Fusion Edition, que softwares baseados em planilhas para anlise de
deciso, simulao de Monte-Carlo, otimizao e modelos de previso.
Baseados nos grficos gerados foram definidos 4 (quatro) cenrios para a gerao
das previses de demanda, conforme descrito a seguir:.
O Primeiro Cenrio consta a presena da srie histrica de movimentao de
Diesel, Gasolina, lcool, Petrleo e Dlar, sem a anlise de correlao entre
esses dados;
O Segundo Cenrio inserimos a presena dos eventos encontrados ao longo dos
ultimo quatro anos na movimentao de Diesel, Gasolina e lcool sem a
presena de correlao entre as variveis;
O Terceiro Cenrio consta a contempla os eventos encontrados ao longo dos
ultimo quatro anos na movimentao de Diesel, Gasolina e lcool com a
presena de correlao entre as variveis;
O Quarto Cenrio consta a presena da srie histrica de movimentao de
Diesel, Gasolina e lcool com a presena de correlao entre as variveis.
3.6.
Avaliar os Mtodos de Previso

Neste tpico foi realizada a escolha do melhor mtodo de previso gerado pelo
software Crystal Ball para a movimentao de Diesel, Gasolina e lcool, sendo que essa
validao foi efetivada comparando os percentuais de erro mdio absoluto MAPE, conforme
descritos a seguir:
3.6.1. Diesel
No Quando 1, encontra-se os mtodos de previso mais adequados e seus respectivos
23

erros de previso, gerados pelo software Crystal Ball, para cada tipo de cenrios estipulados
para o estudo a srie histrica de movimentao de Diesel.
QUADRO 1- Erro de Previso de Demanda de Diesel
Cenrios
Mtodo de Previso
Erro de Previso
Primeiro Cenrio
15,78%
Segundo Cenrio
SARIMA
10,93%
Terceiro Cenrio*
Regresso Padro
11,58%
SARIMA
14,50%
Quarto Cenrio
Fonte: O autor
* Este cenrio indica apenas que a regresso foi o sexto mtodo mais adequado realidade do terminal
petroqumico miramar.
Ao realizar a comparao dos erros de previso, observa-se que o segundo cenrio

que corresponde insero dos eventos encontrados ao longo dos ltimos quatro anos na
movimentao de Diesel sem a anlise de correlao entre variveis Dlar e Petrleo, a qual
apresentou um percentual de erro mdio absoluto de 10,93%.
3.6.2. Gasolina
O Software Crystal Ball apresentou para cada cenrio previsto para movimentao de
Gasolina, o mtodo de previso mais adequando srie de dados histricos do Terminal
Petroqumico de Miramar, conforme consta no Quadro 2.
Observa-se no quadro, que o software selecionou o mtodo de previso SARIMA,
como o mais adequado para o primeiro, segundo e quarto cenrios. Contudo, ao comparar os
erros de previso de cada mtodo, o segundo cenrio obteve o menor percentual de erro
absoluto mdio que foi de 8,76%.
QUADRO 2- Erro de Previso de Demanda de Gasolina
Cenrios
Mtodo de Previso
Erro de Previso
Primeiro Cenrio
SARIMA
9,64%
Segundo Cenrio
SARIMA
8,76%
24

Terceiro Cenrio*
Quarto Cenrio
Regresso Padro
11,58%
SARIMA
9,63%
Fonte: O autor
3.6.3. lcool
Os mtodos de previso mais adequados para srie histrica da movimentao de
lcool do Terminal Petroqumico de Miramar, encontra-se no Quadro 3, com seus respectivos
erros de previso.
Quadro 3 Erro de Previso de Demanda de lcool
Cenrios
Mtodo de Previso
Erro de Previso
Primeiro Cenrio
36,02%
Segundo Cenrio
ARIMA
17,81%
Terceiro Cenrio*
Regresso Padro
11,58%
36,01%
Quarto Cenrio
Fonte: O autor
Ao analisar os erros de previso descritos no quadro acima, observa-se que o

segundo cenrio obteve o menor percentual de erro absoluto mdio que foi de 17, 81%.
4.
CONSIDERAES FINAIS
O presente artigo atuou no modal aquavirio, especificamente na unidade porturia
de Miramar, localizada na Cidade de Belm, Estado do Par, a qual tem como atividade a
movimentao de combustvel. Essa movimentao serviu de base para a realizao desta
pesquisa, que teve como objetivo o estudo de previso de demanda da movimentao de
combustvel do Terminal Petroqumico de Miramar, considerando que ela movimenta vrios
produtos, buscou-se trabalhar com a srie histrica de movimentao de Diesel, Gasolina e
lcool.
Por se tratar de sries histricas e de dados quantificveis, o artigo buscou trabalhar
25

com os mtodos quantitativos de previso, utilizando-se das tcnicas de sries temporais e de

tcnicas causais. Para isso, foram identificados os principais mtodos de sries temporais e de
sries causais.
Ao analisar a srie histrica de movimentao de combustvel foram criados quatros
cenrios, com a finalidade de aplicar as principais tcnicas de sries temporais e as tcnicas
causais. Aps est etapa, a srie histrica serviu de dados de entrada no software Crystal Ball,
o qual identificou o mtodo mais adequado para cada cenrio.
O critrio estabelecido para selecionar o mtodo mais adequado de previso demanda
para os cenrios preestabelecidos foi o percentual de erro mdio absoluto. Atravs deste
critrio, obtiveram-se os mtodos SARIMA para a movimentao de Diesel e Gasolina e o
mtodo ARIMA para movimentao de lcool.
Os mtodos de previso que tiveram os menores percentuais de erro de previso so
os provenientes do segundo cenrio, o qual est relacionado com a presena de eventos
encontrados ao longo dos ltimos quatro anos na movimentao de Diesel, Gasolina e lcool
sem a presena de correlao entre as variveis.
O terceiro cenrio abordou a correlao entre as variveis da srie histrica de
movimentao de combustvel com os preos do dlar e do petrleo, contudo pode-se
observar que a regresso ficou com o sexto mtodo mais adequado apresentando um
percentual de erro de 11,58%. Este fato est relacionado porque os preos do dlar e do
petrleo no influenciam diretamente na movimentao de combustvel do Terminal e sim
influenciam diretamente no preo final de venda de cada produto estudado.
Pode-se dizer que a utilizao de apenas duas variveis para estudo de regresso
uma limitao deste artigo, alm das duas variveis estuda poderia ter sido realizado um
estudo das influncias climticas e de navegabilidade sobre a srie histrica de movimentao
do Terminal Petroqumico de Miramar, com a finalidade de verificar se essas variveis
influenciam na movimentao dos produtos estudados.
Por fim, recomenda-se um estudo macroeconmico com a finalidade de identificar as
possveis variveis que influenciam na movimentao de Diesel, Gasolina e lcool e, para
complement-lo, indica-se um estudo estatstico de planejamento fatorial, o qual verificar as
variveis que tem maior impacto nas movimentaes dos combustveis estudados. Com isso,
26

pode-se utilizar de tcnicas de previso mais sofisticadas, tais como, por exemplo, as tcnicas
de redes neurais e lgica fuzzy. Assim como, realizar a implantao do estudo de previso de
demanda na unidade porturia estudada.
REFERNCIAS
ABNT - ASSOCIAO BRASILEIRA DE NORMAS TCNICAS. NBR 6023: informao e
documentao: referncias: elaborao. Rio de Janeiro, 2002.
documentao: citaes em documentos: apresentao. Rio de Janeiro, 2002.
documentao: trabalhos acadmicos: apresentao. Rio de Janeiro, 2011.
ARAUJO, Saulo Jardim; AREDES, Alan Figueiredo de; SANTOS, Vladimir Faria dos. Previso de
Preos do Boi Gordo com Modelos ARIMA e SARIMA. In. Revista de Economia. Anpolis: V.8,
n.2,
p.27-44,
jul./dez.2012.
Disponvel
em:
<http://www.prp.ueg.br/revista/index.php/economia/index>. Acesso em: 11 de nov. de 2013.
BRASIL. Medida Provisria n. 595, de 6 de dezembro de 2012. Dirio Oficial [da]

Republica Federativa do Brasil, Poder Executivo, Braslia, DF, 07 dez. 2012. Seo 1, p.1.
BRASIL. Lei n. 8.630, de 25 de fevereiro de 1993. Dirio Oficial [da] Republica
Federativa do Brasil, Poder Executivo, Braslia, DF, 26 fev. 1993. Seo 3, p.29
CORRA, Henrique L; CORRA, Carlos A. Administrao de produo e operaes: uma
abordagem estratgica. 2. ed. So Paulo: Atlas, 2007.
DAVIS, M. M.; AQUILANO, N. J.; CHASE, R. B. Fundamentos da Administrao da Produo.
3. ed. Porto Alegre: Bookman, 2001.
LUSTOSA, Leonardo et al. Planejamento e Controle da Produo. 4. Ed. Rio de Janeiro: Elsevier,
2008.
LAPPONI, Juan Carlos. Estatstica usando Excel. 4. ed. Rio de Janeiro: Elsevier, 2005.
MARTINS, P. G.; LAUGENI, F. P. Administrao da produo. So Paulo: Saraiva, 1998.
MAKRIDAKIS, S.G., WHEELWRIGHT, S.C., HYNDMAN, R.J. Forecasting: Methods

And Applications. 3 ed. New York: John Willey & Sons, 1998.
MEDEIROS, Joo Bosco. Redao Cientfica: A prtica de Fichamentos, Resumos, Resenhas. 11.
ed. So Paulo: Atlas, 2010.
27

PETRNIO, G. Martins; LAUGENI, Fernando Piero. Administrao da Produo. 2. ed. So Paulo:

Saraiva, 2005.
RITZMAN, Larry P.; MARLHORTA, Manoj; KAJEWSKI, Lee. Administrao de produo e
Operaes. 1. ed. So Paulo: Prentice Hall-BR, 2003.
RITZMAN, Larry P; KRAJEWSKI, Lee J. Administrao da produo e operaes. So Paulo:
Pearson Prentice Hall, 2004.
SLACK, Nigel; CHAMBERS, Stuart; JOHNSTON, Robert. Administrao da Produo. 2. ed. So
Paulo: Atlas, 2008.
28

Estudo de Previsão de Demanda

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Estudo de Previsão de Demanda

Enviado por

Direitos autorais:

Formatos disponíveis

XXXIV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO

Engenharia de Produo, Infraestrutura e Desenvolvimento Sustentvel: a Agenda Brasil+10

ESTUDO DE PREVISO DE DEMANDA DE

Este artigo visa realizar um estudo de previso de demanda de

Palavras-chaves: Previso de Demanda, Abordagem de series tempora,

XXXIV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO

Curitiba, PR, Brasil, 07 a 10 de outubro de 2014.

XXXIV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO

Curitiba, PR, Brasil, 07 a 10 de outubro de 2014.

Mtodos de Previso de Demanda

1.2.1. Etapas do Modelo de Previso

XXXIV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO

Curitiba, PR, Brasil, 07 a 10 de outubro de 2014.

XXXIV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO

Curitiba, PR, Brasil, 07 a 10 de outubro de 2014.

8b. Verificar parmetros do modelo utilizado

9. Ajustar previses com

10. Monitorar resultados e

FONTE: Lustosa et al., 2008

1.2.2. Classificao das Tcnicas de Previso

XXXIV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO

Curitiba, PR, Brasil, 07 a 10 de outubro de 2014.

As tcnicas quantitativas envolvem a anlise numrica dos dados passados,

Segundo Ritzman e Krajewski (2004), a previso de demanda para o perodo t+1,

Mdias Mveis Ponderadas

XXXIV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO

Curitiba, PR, Brasil, 07 a 10 de outubro de 2014.

De acordo com Ritzman e Krajewski (2004), o mtodo de mdia mvel ponderada,

Suavizao Exponencial Simples

De acordo com Ritzman e Krajewski (2004), a suavizao exponencial requer apenas

Suavizao Exponencial com Tendncia (Modelo de Holt)

Segundo Ritzman e Krajewski (2004, p.448):

XXXIV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO

Curitiba, PR, Brasil, 07 a 10 de outubro de 2014.

Tt = (Bt - Bt-1) + (1-)Tt-1

Suavizao Exponencial com Tendncia e Sazonalidade (Modelo de HoltWinters)

1.2.4.2. Tcnicas Causais

XXXIV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO

Curitiba, PR, Brasil, 07 a 10 de outubro de 2014.

Regresso Linear Simples

XXXIV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO

Curitiba, PR, Brasil, 07 a 10 de outubro de 2014.

do agrupamento dos dados sobre a varivel dependente em torno da linha de regresso.

Regresso Linear Mltipla

Segundo Lapponi (2005), os modelos lineares com mais de uma varivel

Modelo ARMA(p,q) (Autoregressive-Moving Average)

Modelo ARIMA(p,d,q) (Autoregressive-Integrated Moving Average)

XXXIV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO

Curitiba, PR, Brasil, 07 a 10 de outubro de 2014.

Na prtica, como se ver mais adiante, um lag de 1 geralmente suficiente. Um

que uma transformao daquele, o

modelo ARIMA(p,d,q) goza das mesmas propriedades do modelo ARMA(p,q).

Em que o operador de diferenas.

Modelo SARIMA (Seasonal Autoregressive-Integrated Moving Average)

XXXIV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO

Curitiba, PR, Brasil, 07 a 10 de outubro de 2014.

Critrios para Avaliar o Desempenho de Modelos em Relao Serie Temporal

A partir dos desvios de n perodos consecutivos, calcula-se o Erro Mdio (EM)

1.3.3. Erro Percentual Absoluto Mdio (EPAM)

XXXIV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO

Curitiba, PR, Brasil, 07 a 10 de outubro de 2014.

sistemtico de desenvolvimento do mtodo cientfico. O objetivo fundamental da pesquisa

XXXIV ENCONTRO NACIONAL DE ENGENHARIA DE PRODUCAO

Curitiba, PR, Brasil, 07 a 10 de outubro de 2014.