Você está na página 1de 24

Gestão de Demanda

OBJETIVO

 Discutir a importância da gestão da demanda


no processo de planejamento

 Apresentar métodos para previsão da


demanda

PCP I
Profa. Juliana Aula 07 –Gestão da Demanda 2

Importância da Gestão da Demanda


 Facilitar a alteração dos volumes de
produção/mix
 Possibilidade de criação/modificação do
comportamento do mercado consumidor :
 Produtos de consumo: por meio de atividades de
marketing, promoções, esforço de vendas..
 Outros produtos
 sistemas indutores de comportamento de vendedores e
representantes comerciais
 Ex. sistemas de cotas e comissões variáveis

PCP I
Profa. Juliana Aula 07- Gestão da Demanda 3

1
Principais elementos da gestão
da demanda
Previsão de
Demanda

Influência Promessa
sobre o de Prazos
Mercado
Gestão de
Demanda

Comunicação
Priorização
com o
e Alocação
Mercado

PCP I
Profa. Juliana Aula 07 – Gestão da Demanda 4

Previsão da demanda

 “É um processo racional de busca de


informações acerca do valor das vendas
futuras de um item ou de um conjunto de
itens. “
 Características dos Métodos de Previsão
 Disponibilidade de dados
 Horizonte de previsão

PCP I
Profa. Juliana Aula 07 – Gestão da Demanda 5

Previsão de Demanda
• Com base nessas estimativas serão tomadas cursos de
ações no futuro;
• São o ponto de partida para todas as outras previsões do
planejamento e controle produtivo;
• Previsão não é decisão, mas informação fundamental para
quem quer planejar e decidir bem;
• Possui especial importância no planejamento estratégico da
empresa
• Existe previsão sem planejamento, mas não planejamento
sem previsão
…….planejamento…
PCP I
Profa. Juliana Aula 07 – Gestão da Demanda

2
Previsão de Demanda
 As ações determinadas pelo planejamento podem se dar
no sentido de alterar as coisas previstas.

Planos

Previsões Ações

Alterações
do Previsto
PCP I
Profa. Juliana Aula 07 – Gestão da Demanda

Princípios de Previsão
 As previsões geralmente estão erradas !!

 Cada previsão deve incluir uma estimativa de


erro

 As previsões são mais precisas para


períodos de tempo mais próximos

PCP I
Profa. Juliana Aula 07 – Gestão da Demanda 8

Algumas Razões para previsões


ineficazes
 Deixar de reconhecer a importância da
atividade de previsão

 Deixar de escolher o método de previsão


apropriado

 Deixar de acompanhar o desempenho dos


modelos de previsão

PCP I
Profa. Juliana Aula 07 – Gestão da Demanda 9

3
Classes Abordagens
Qualitativas

 Quantitativos
 Projeção ou Temporal Previsão
Demanda
 Explicação ou Causal
Abordagens
Quantitativas

 Qualitativos
 Predição
Classificação quanto ao

HORIZONTE DE PREVISÃO CLASSE DE MODELOS

Longo Prazo Qualitativos

Médio Prazo Quantitativos e Qualitativos

Curto Prazo Quantitativos e Qualitativos


PCP I
Profa. Juliana Aula 07 – Gestão da Demanda 10

Abordagens Qualitativas

 baseadas no julgamento de pessoas que


tenham condições de opinar sobre as
demandas futuras: vendedores, gerentes,
clientes, fornecedores, etc.
 não se apóiam em nenhum modelo
matemático, embora possam ser conduzidas
de maneira sistemática.

PCP I
Profa. Juliana Aula 07 – Gestão da Demanda 11

Abordagem Qualitativa
 Quando nao se tem dados concretos sobre o
problema
 Usam julgamento, intuição, exames

 Exemplos de métodos
 Método Delphi
 Pesquisa de mercado
 Opiniões de executivos
 Opinião/estimativa da força de vendas
 Pesquisas junto a consumidores
 Analogia histórica

PCP I
Profa. Juliana Aula 07 – Gestão da Demanda 12

4
Previsão de Demanda – Métodos Qualitativos

 Opinião da força de vendas: Desenvolvido com base na opinião


do pessoal envolvido diretamente com as vendas.

 Pesquisas junto a Consumidores;

 Analogia histórica: Esse método une a estimativa de vendas


futuras de um produto durante várias etapas de seu ciclo de vida.

PCP I
Profa. Juliana Aula 07 – Gestão da Demanda

Predição

 Admite-se que o futuro não guarda relação


clara com o passado. As previsões são
geradas através de julgamento de
especialistas e análise do conhecimento
acumulado

D(t) = função não explicitada matematicamente

PCP I
Profa. Juliana Aula 07 – Gestão da Demanda 14

Predição através do MÉTODO DELPHI


• Premissas:
 opiniões individuais são exageradamente afetadas por otimismo
ou pessimismo
 Reuniões em grupo podem geram previsões viesadas

predições em separado

resumo analítico pelo coordenador

devolução e novas predições


em separado

reunião de fechamento eventual

PCP I
Profa. Juliana Aula 07 –Gestão da Demanda 15

5
Método Delphi
 modus operanti
 Dirigido por um coordenador que orienta grupo de
peritos
 A cada perito é pedido uma previsão anônima bem
como as razões
 As respostas dos peritos são analisadas em busca de
um consenso
 Caso não exista consenso realiza-se mais uma
rodada.
 O procedimento continua até se atingir um nível
suficiente de consenso
PCP I
Profa. Juliana Aula 07 – Gestão da Demanda 16

Método Delphi
 Vantagens  Inconvenientes
 peritos com diferentes
experiências, culturas,
pontos de vista  Demorado
 pode ser realizado à
distância  Pode demandar muito
 evita a dominação da tempo dos participantes
discussão
 assegura nível de  Idéias escritas podem
participação equilibrado necessitar esclarecimentos
 anonimato facilita a
expressão das idéias
 respostas escritas mais
concisas

PCP I
Profa. Juliana Aula 07 – Gestão da Demanda 17

Alguns dos viéses observados


no processo de predição
 Incoerencia
 Conservadorismo
 Uso de informações mais recentes como mais importantes
 Uso somente das informações mais facilmente disponíveis
 Percepção seletiva
 Uso de correlações ilusórias
 Busca de suporte às próprias crenças
 Subestimativa de incertezas
 Dificuldade de separar aleatoriedade de tendência
 Percepção do desvio como azar e acerto como sabedoria

PCP I
Profa. Juliana Aula 07 – Gestão da Demanda 18

6
Abordagens Quantitativas
 Usam-se quando existem dados concretos sobre
 vendas da empresa
 procura de um produto
 preço de matéria-prima, etc...

 Assumem que o futuro é uma réplica do passado, pelo


menos em grande parte

 Duas famílias de métodos


 Não causais
 tratamento de dados

 Causais
 Exploram a relação causa-efeito

PCP I
Profa. Juliana Aula 07 – Gestão da Demanda 19

Previsão de Demanda – Métodos


Quantitativos
• Métodos causais:
• A demanda de um item (ou itens) pode estar relacionada com
variáveis externas à empresa: crescimento da população (ou de
uma classe específica dela), número de alvarás expedidos para
construção, consumo de certos produtos, etc., são fatores
indutores da demanda de produtos afins.

• Séries temporais:
• A análise de séries temporais exige somente o conhecimento de
valores passados da demanda.

PCP I
Profa. Juliana Aula 07 – Gestão da Demanda 20

Componentes da demanda

PCP I
Profa. Juliana Aula 07 – Gestão da Demanda

7
Projeção ou Temporal
Admite-se que o futuro será uma reprodução do
passado, e não existe preocupação em se
conhecer as causas da demanda, mesmo
sabendo que elas existem.

D(t) = F(t) + xs(t)

 F(t) reflete padrões temporais e suas alterações.

PCP I
Profa. Juliana Aula 06 – Gestão da Demanda 22

Características dos dados

PCP I
Profa. Juliana Aula 07 – Gestão da Demanda 23

Características dos dados

PCP I
Profa. Juliana Aula 07 – Gestão da Demanda 24

8
Características dos dados

Processo Sazonal com tendência

PCP I
Profa. Juliana Aula 07 – Gestão da Demanda 25

Constante ou Permanente

 𝐷 =𝑎+ 𝜀
Vendas
120

110

100

90
Vendas
80

70

60

50
0 5 10 15 20 25 30

PCP I
Profa. Juliana Aula 07 –Gestão da Demanda 26

Métodos baseados em processos


constantes
 Métodos ingênuos

 Métodos baseados na médias


 Método da média móvel
 Método da média ponderada

 Método da suavização exponencial simples


 Método da suavização exponencial dupla
PCP I
Profa. Juliana Aula 07 –Gestão da Demanda 27

9
Método do último ponto de
informação
 ou Método Ingênuo

𝐹 =𝑑

𝐹 = Previsão para o período t


𝑑 = valor real do período anterior

PCP I
Profa. Juliana Aula 07 –Gestão da Demanda 28

Métodos baseados na médias

 Método da média móvel


𝐷 +𝐷 +𝐷 + … . +𝐷
𝐹 =
𝑛

𝐹 é a previsão para o período t


𝐷 é a demanda do período t
n é o número de períodos considerados para a previsão

PCP I
Profa. Juliana Aula 07 –Gestão da Demanda 29

Previsão de Demanda – Método Média Móvel

Exemplo: Uma fábrica de refrigerantes possui uma demanda


mensal para um de seus produtos de acordo com a tabela
abaixo. Calcule a previsão da demanda para o mês de
agosto. Utilize os períodos de 3, 5 e 7 meses.
Para PR: 3 meses
Mês Volume
Ft = (800 + 225 + 650) / 3 = 558,3 ou
Janeiro 400 558 unid.
Fevereiro 300 Para PR: 5 meses
Março 520 Ft = (800 + 225 + 650 + 700 + 520 ) / 5
Abril 700 = 579 unid.
Maio 650 Para PR: 7 meses
Junho 225
Ft = (800 + 225 + 650 + 700 + 520 +
Julho 800 300 +400 ) / 7 = 513,6 ou 514 unid.
PCP I
Profa. Juliana Aula 07 – Gestão da Demanda

10
Gráfico Atenuação/ Ruído

PCP I
Profa. Juliana Aula 07 – Gestão da Demanda

Previsão de Demanda – Método Média Móvel

Médias Móveis Ponderada:


Inclusão de pesos
𝐹 =𝑝 𝐷 +𝑝 𝐷 +𝑝 𝐷 +⋯+𝑝 𝐷 desiguais aos dados
históricos
𝑝 +𝑝 +⋯+𝑝 = 1

𝐹 = 𝑝𝑟𝑒𝑣𝑖𝑠ã𝑜 𝑝𝑎𝑟𝑎 𝑜 𝑝𝑒𝑟í𝑜𝑑𝑜 𝑡


𝐷 = 𝑑𝑒𝑚𝑎𝑛𝑑𝑎 𝑑𝑜 𝑝𝑒𝑟í𝑜𝑑𝑜 𝑡 Podemos atribuir maior
𝑝 = 𝑝𝑒𝑠𝑜 𝑎𝑡𝑟𝑖𝑏𝑢í𝑑𝑜 𝑎 𝑐𝑎𝑑𝑎 𝑑𝑎𝑑𝑜 𝑛 ℎ𝑖𝑠𝑡ó𝑟𝑖𝑐𝑜 grau de importância a
dados mais recentes
melhorando a estimativa

PCP I
Profa. Juliana Aula 07 – Gestão da Demanda

Previsão de Demanda – Método Médias Móvel Ponderada

Exemplo: Sendo fornecidos os dados de demanda da tabela a


seguir,
Determine uma previsão por média móvel ponderada, utilizando
um peso de 0,40 para o período mais recente, 0,30 para o
período anterior, 0,20 para o que precede a este e 0,10 para o
primeiro período.
Resolução: [(41x0,4) + (40x0,3) +
Período Demanda (43x0,2) + 40x0,1)] = 41 peças
(pçs)
1 42
2 40
3 43
4 40
5 41

PCP I
Profa. Juliana Aula 07 – Gestão da Demanda

11
Previsão de Demanda – Suavização Exponencial Simples
Média Móvel Exponencialmente Ponderada de 1a. Ordem
ou Suavização Exponencial Simples:

Previsão (t) = Previsão (t-1) + Fracao do Erro

realiza um auto-ajuste
referente aos erros de
𝐹 =𝐹 + α (𝐷 −𝐹 ) previsão ocorridos nos
dados passados para
a realização da
0 ≤ 𝛼 ≤1 , 𝑡 ≥3 previsão futura.

𝐹 é o valor previsto para o período t


𝐹 é o valor previsto para o período t − 1
𝛼 é o parâmetro para a constante de suavização
𝐷 é o valor da demanda para o período t − 1

PCP I
Profa. Juliana Aula 07 – Gestão da Demanda

Previsão de Demanda – Suavização Exponencial Simples

Mês Demanda real Demanda prevista


Junho 10 10
Julho 12 10
Agosto 15 10,6
Setembro 14 11,9
Outubro --- 12,5

𝐹 =𝐹 + 𝛼 𝐷 −𝐹 = 10 + 0,3 10 − 10 = 10
𝐹 =𝐹 + 𝛼 𝐷 −𝐹 = 10 + 0,3 12 − 10 = 10,6
𝐹 =𝐹 + 𝛼 𝐷 −𝐹 = 10,6 + 0,3 15 − 10,6 = 11,9
𝐹 =𝐹 + 𝛼 𝐷 −𝐹 = 11,9 + 0,3 14 − 11,9 = 12,5

PCP I
Profa. Juliana Aula 07 – Gestão da Demanda

Previsão de Demanda – Suavização Exponencial Simples

Quanto mais elevado for alfa (), mais elevada


será a resposta ao impulso, e menor será a
PCP I capacidade de atenuação, e vice versa
Profa. Juliana

12
Porque a denominação “exponencialmente
ponderada”?

Reescrevendo a equação:
Ft = α Dt-1 + (1- α) Ft-1
Substituindo o valor de Ft-1 temos:
Ft = α Dt-1 + (1- α) [α Dt-2 + (1- α) Ft-2 ] ou
Ft = α Dt-1 + (1- α) α Dt-2 + (1- α)2 Ft-2
Substituindo o valor de Ft-2 temos
Ft = α Dt-1 + (1- α) α Dt-2 + (1- α)2 [α Dt-3 + (1- α) Ft-3] ou
Ft = α Dt-1 + (1- α) α Dt-2 + (1- α)2 α Dt-3 + (1- α)3 Ft-3

As demandas reais D comparecem todas na expressão da demanda prevista


para um período qualquer t; indica também que, quanto mais antiga a demanda
real, exponencialmente menor o peso com que comparece na expressão de Ft.

PCP I
Profa. Juliana Aula 07 – Gestão da Demanda

Pesos atribuídos as observações passadas


dependendo do valor de α (gráficos)

α = 0.2 α = 0.5

0,25 0,6
0,200 0,500
0,2 0,5
0,160
0,4
0,15 0,128
0,107 0,102 0,3 0,250
0,1 0,082
0,066 0,2
0,042 0,052 0,125
0,05 0,027 0,034 0,1 0,063
0,031
0,001 0,001 0,002 0,004 0,008 0,016
0 0
t-11 t-10 t-9 t-8 t-7 t-6 t-5 t-4 t-3 t-2 t-1 t-11 t-10 t-9 t-8 t-7 t-6 t-5 t-4 t-3 t-2 t-1

α = 0.8

0,9 0,800
0,8
0,7
0,6
0,5
0,4
0,3
0,160
0,2
0,1 0,000 0,000 0,000 0,000 0,000 0,000 0,001 0,006 0,032
0
t-11 t-10 t-9 t-8 t-7 t-6 t-5 t-4 t-3 t-2 t-1

PCP I
Profa. Juliana Aula 07 – Gestão da Demanda

Um processo com tendência

PCP I
Profa. Juliana Aula 07 – Gestão da Demanda 39

13
Métodos baseados em processos
com tendência
 Método da suavização exponencial dupla
 Leva em consideração o tempo (maior peso para
dados mais recentes)
 Tendência previsao
25

20

15

10

0
0 2 4 6 8 10 12

PCP I
Profa. Juliana Aula 07 –Gestão da Demanda 40

Tendência ou trajetória ou reta


inclinada

PCP I
Profa. Juliana Aula 07 –Gestão da Demanda

Suavização Exponencial Dupla


Média Móvel Exponencialmente Ponderada de 2a. Ordem
(MMEP2):

Para processos com tendência

 Previsão com tendência

F”t = Ft-1 + Tt-1


 Previsão suavizada

Ft-1= Ft-2 + α (Dt-2 – Ft-2)


 Estimativa tendência

Tt-1 = β(Ft-1 - Ft-2 ) + (1-β) Tt-2

Aula 07 – Gestão da Demanda

14
Suavização Exponencial Dupla
Média Móvel Exponencialmente Ponderada de 2a. Ordem
(MMEP2) :
F”t = Ft-1 + Tt-1
Ft= Ft-1 + α (Dt-1 – Ft-1)
Tt = β(Ft - Ft-1 ) + (1-β) Tt-1 Inclui a correção do
efeito de tendência
0< α, β <=1, t>=3

F”t = Previsão com tendência para o período t


Ft = Previsão suavizada no período t
Tt = estimativa da tendência no período t
Dt = dados reais no período t
t = período t ( o seguinte)
t-1 = o período anterior
α = constante de suavização para a média
β = constante de amortecimento para a tendência
Aula 07 – Gestão da Demanda

Processo sazonal com tendência

Venda de games

PCP I
Profa. Juliana Aula 07 – Gestão da Demanda 44

Previsão de Demanda – Métodos Quantitativos

Métodos Quantitativos: São baseados em modelos


matemáticos e se utilizam de dados diversos e das
demandas passadas para se chegar a uma previsão
futura.

Podem ser:
Métodos causais: A demanda de um item (ou itens) pode estar
relacionada com variáveis externas à empresa: crescimento da
população (ou de uma classe específica dela), número de alvarás
expedidos para construção, consumo de certos produtos, etc., são
fatores indutores da demanda de produtos afins.
Séries temporais: A análise de séries temporais exige somente o
conhecimento de valores passados da demanda.

15
Regressão linear simples

 Envolve uma relação linear entre uma variável


dependente e uma variável independente

𝐷 = 𝑎 + 𝑏𝑥 + 𝜀

Coeficiente
Ordenada/ angular/
Intercepto Inclinação

Previsão de Demanda – Métodos Causais

 Regressão Linear

“Um modelo que usa o método dos mínimos quadrados para


identificar a relação entre uma varíavel dependente e uma ou
mais variáveis independentes presentes em um conjunto de
observações históricas.” (GAITHER, FRAZIER, 2002)

• O método gráfico pode conduzir a erros (depende do julgamento


humano);
• Método dos Mínimos Quadrados ou MMQ;

(Yi - 𝑌𝑖 )
Valores Erro de
reais Previsão

Valores
previstos

Problema da soma zero = reta tenderá a se aproximar igualmente de todos


os valores reais Y acima ou abaixo dela

16
Regressão Linear Simples

“O parâmetros a (coeficiente linear) e b (coeficiente angular) da reta


devem ser tais que o erro total ∑(𝑫𝒕 − 𝑭𝒕 )𝟐 seja o mínimo possível.”

𝟏
𝒏
𝒃
𝒏 𝒏 ∑𝒏𝒕 𝟏 𝒙𝒕 𝑫𝒕 − ∑𝒏𝒕 𝟏 𝒙𝒕 ∑𝒏𝒕 𝟏 𝑫𝒕
𝒂= 𝑫𝒕 − 𝒙𝒕 𝒃=
𝒏 𝒏 𝒏 ∑𝒏𝒕 𝟏 𝒙𝟐𝒕 − (∑𝒏𝒕 𝟏 𝒙𝒕 )𝟐
𝒕 𝟏 𝒕 𝟏

F(x) = a + b x

Exercício
• Considere os pares a seguir:
D (valor 10 15 15 18 20
real)

X 0 1 2 3 4

n x D 𝒙𝟐 𝒙∗𝑫 Determinar os parâmetros a e b


1 0 10 0 0 𝑛∑ 𝑥𝐷 − ∑ 𝑥 ∑ 𝐷
𝑏=
2 1 15 1 15 𝑛 ∑ 𝑥 − (∑ 𝑥 )
3 2 15 4 30 ∗ ∗
b= b = 2,3
4 3 18 9 54 ∗
𝒏 𝒏
5 4 20 16 80 𝟏 𝒃
𝒂= 𝑫𝒕 − 𝒙𝒕
 15 10 78 30 179 𝒏 𝒏
𝒕 𝟏 𝒕 𝟏
𝑛 𝑥 𝐷 𝑥 𝑥𝐷 1 2,3
𝑎 = ∗ 78 − ∗ 10 a= 11
5 5

𝐅(𝒙) = 𝟏𝟏 + 𝟐, 𝟑𝒙

Exercício- Continuação

𝐹 𝑥 = 𝑎 + 𝑏𝑥 = 11 + 2,3𝑥

𝑥 0 1 2 3 4 5
𝐷 10 15 15 18 20 ---
𝐹(𝑥 ) 11 13,3 15,6 17,9 20,2 22,5

𝐹 1 = 𝑎 + 𝑏𝑥 = 11 + 2,3 1 = 13,3
𝐹 3 = 𝑎 + 𝑏𝑥 = 11 + 2,3 3 = 17,9
𝐹 5 = 𝑎 + 𝑏𝑥 = 11 + 2,3 5 = 22,5

17
Coeficiente de Correlação
Y=D

• A maior ou menor perfeição do relacionamento entre as variáveis X


e D (valor real), obtida por meio da linha reta, pode ser medida por
meio do coeficiente de correlação (r).
• Pode assumir qualquer valor entre +1 e -1.
+1 = correlação perfeita e os valores D são obtidos com
exatidão por meio dos valores X) positiva: (as variáveis X e D variam
no mesmo sentido)
-1 = correlação perfeita mas as varíaveis são inversamente
relacionadas (qd uma aumenta de valor a outra diminui)
Quando é próximo de 0 a correlação é mais fraca.

Coeficientes de Correlação
Interpretações para os valores absolutos de r:

r Correlação
0 a 0,2 Muito Baixa
0,2 a 0,4 Baixa
0,4 a 0,6 Média
0,6 a 0,8 Alta
0,8 a 1,0 Muito Alta

Exercícios
• Utilizando o exemplo anterior, determine o coeficiente de corelação
(r) e o de determinação (r2):
(𝒏 ∑ 𝒙𝑫) − ∑ 𝒙 ∑ 𝑫
𝑥
𝒓=
10 𝟐
(𝒏 ∑ 𝒙𝟐 − ∑ 𝒙 𝟐 ) (𝒏 ∑ 𝑫𝟐 − (∑ 𝑫)
𝐷 78

5 179 − 10 (78)
179 𝑟= = 0,962
𝑥𝐷 5 (30 − (10) 5 1274 − (78)
Correlação direta
𝑥 30 bastante alta
𝑟 = 0,925

𝐷2 1274

18
Coeficiente de Determinação

Coeficiente de determinação = r2

 O intervalo de variação é entre 0 e +1.


 Pode ser interpretado como sendo a proporção de
variância comum entre F(x) e x, ou seja, a proporção
da variação de F(x) explicada pela variação de x.
r2= 0,85
isso significa que 85% da variação de F(x) é
explicada pela variação de x, sendo os restantes
15% de variação devidos a explicações
desconhecidas.

Intervalo de Confiança para a previsão

∑(𝑫 − 𝑭(𝒙))𝟐
𝝈=
𝒏−𝟐

 Um intervalo de confiança qualquer é dado


(aproximadamente) por F(x) ± z σ, onde z é o número
de desvios padrão que corresponde a uma dada área
sob a curva normal.
 O valor de z pode ser obtido a partir da tabela de áreas
da curva normal reduzida.
Ex. : Intervalo de confiança a 90% = 1,64;
Intervalo de confiança a 95%= 1,96;
Intervalo de confiança a 99,7% = 3,0.

Intervalo de Confiança para a previsão

 A área representa uma dada probabilidade de que o


valor real caia dentro do intervalo especificado.

 A previsão 𝑭(𝒙) pode ser considerada como sendo a


média de uma distribuição normal de desvio padrão
σy, o qual é denominado Erro padrão da Estimativa ou
Desvio padrão da previsão.

 O intervalo de previsão permite que os analistas


lidem com a incerteza que cerca suas previsões
desenvolvendo previsões da melhor estimativa e os
intervalos dentro dos quais os dados reais têm
probabilidade de cair.

19
Exemplo
• Retomando o caso anterior, determinemos o valor de σ e o intervalo
de confiança a 95% para a previsão quando x= 5 (ou seja, f(x)= 22,5).

x D 𝑓(𝑥) (D-f(x) (D – f(x))2


4,30 4,30
𝜎= = = 1,2
0 10 11 -1 1 𝑛−2 3
1 15 13,3 1,7 2,89
2 15 15,6 -0,6 0,36 Para um intervalo de 95%, o
valor de z é 1,96; logo:
3 18 17,9 0,1 0,01
4 20 20,2 -0,2 0,04 f (x) ±𝑧σ = 22,5 ± 1,96 (1,2)
22,5 − 2,4 = 20,1
(𝑑 − 𝑓 𝑥 ) = 4,30 22,5 + 2,4 = 24,9
Então podemos esperar que existe 95% de
probabilidade de que a demanda real esteja
entre os valores 20,1 e 24,9.

Exercícios

Aplicação do método de Regressão Linear Simples:

Ano Vendas Anuais Período de tempo x2 xD


(D) (x)
1 1000 1
2 1300 2
3 1800 3
4 2000 4
5 2000 5
6 2000 6
7 2200 7
8 2600 8
9 2900 9
10 3200 10
Totais 𝐷= 𝑥= 𝑥 = 𝑥𝐷 =

20
Aplicação do método de Regressão Linear Simples:

Ano Vendas Anuais Período de tempo x2 xD


(D) (x)
1 1000 1 1 1000
2 1300 2 4 2600
3 1800 3 9 5400
4 2000 4 16 8000
5 2000 5 25 10000
6 2000 6 36 12000
7 2200 7 49 15400
8 2600 8 64 20800
9 2900 9 81 26100
10 3200 10 100 32000

Totais ∑ 𝑫 = 21000 ∑ 𝒙 = 55 𝒙𝟐 = 𝟑𝟖𝟓 ∑ 𝒙𝑫 = 133.300

Aplicação do método de Regressão Linear Simples:


Determinação do coeficiente linear (a) e angular (b)
𝒏 𝒏
𝒏 ∑𝒏𝒕 𝟏 𝒙𝒕 𝑫𝒕 − ∑𝒏𝒕 𝟏 𝒙𝒕 ∑𝒏𝒕 𝟏 𝑫𝒕 𝟏 𝒃
𝒃= 𝒂= 𝑫𝒕 − 𝒙𝒕
𝒏 ∑𝒏𝒕 𝟏 𝒙𝟐𝒕 − (∑𝒏𝒕 𝟏 𝒙𝒕 )𝟐 𝒏 𝒏
𝒕 𝟏 𝒕 𝟏

• Cálcule a previsão para os três anos seguintes:


f(x)= 𝑎 + 𝑏𝑋
f(11) = 𝑎 + 𝑏𝑋

𝑓(12) = 𝑎 + 𝑏𝑋

𝑓(13) = 𝑎 + 𝑏𝑋

Aplicação do método de Regressão Linear Simples:


Determinação do coeficiente linear (a) e angular (b)

∑ 𝑥 ∑ 𝑦 − ∑ 𝑥 ∑ 𝑥𝑦 385 21000 − (55)(133300) 753500


𝑎= = = = 913,33
𝑛 ∑ 𝑥 − (∑ 𝑥) 10 385 − (55) 825
𝑛 ∑ 𝑥𝑦 − ∑ 𝑥 ∑ 𝑦 10 133300 − (55)(21000) 178000
𝑏= = = = 215,76
𝑛 ∑ 𝑥 − (∑ 𝑥) 10 385 − (55) 825

𝑌 = 𝑎 + 𝑏𝑋 𝒀 = 𝟗𝟏𝟑, 𝟑𝟑 + 𝟐𝟏𝟓, 𝟕𝟔𝑿

𝑌11 = 𝑎 + 𝑏𝑋 𝑌 = 913,33 + 215,76 11


= 3286,7 𝑜𝑢 3287 𝑚𝑖𝑙ℎ𝑎𝑟𝑒𝑠 𝑑𝑒 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠
𝑌12 = 𝑎 + 𝑏𝑋 𝑌 = 913,33 + 215,76 12
= 3502,4 𝑜𝑢 3503 𝑚𝑖𝑙ℎ𝑎𝑟𝑒𝑠 𝑑𝑒 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠
𝑌13 = 𝑎 + 𝑏𝑋 𝑌 = 913,33 + 215,76 13
= 3718,2 𝑜𝑢 3718 𝑚𝑖𝑙ℎ𝑎𝑟𝑒𝑠 𝑑𝑒 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠

21
Aplicação do método de Regressão Linear Simples:
Determinação do intervalo de confiança

∑ 𝒚 = 2100 𝒙 = 𝟓𝟓 𝒙𝟐 = 𝟑𝟖𝟓 𝒙𝒚 = 𝟏𝟑𝟑𝟑𝟎𝟎


0
n=10 𝑥̅ = 5,5 𝑦 = 2100

∑ 𝑌 − 𝑎 ∑ 𝑌 − 𝑏 ∑ 𝑋𝑌
𝑆 =
𝑛−2

Para um intervalo de 95%, o


valor de z é 1,96; logo:
𝑌±𝑧𝑠

Aplicação do método de Regressão Linear Simples:


Determinação do intervalo de confiança

∑ 𝒚 = 2100 𝒙 = 𝟓𝟓 𝒙𝟐 = 𝟑𝟖𝟓 𝒙𝒚 = 𝟏𝟑𝟑𝟑𝟎𝟎


0
n=10 𝑥̅ = 5,5 𝑦 = 2100

∑ 𝑌 − 𝑎 ∑ 𝑌 − 𝑏 ∑ 𝑋𝑌
𝑆 =
𝑛−2

48180000 − 913,33 21000 − 215,758(133300) 239465,6


=
10 − 2 8
= 173,0 𝑚𝑖𝑙 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠 Para um intervalo de 95%, o
valor de z é 1,96; logo:
𝑌 ± 𝑧 𝑠 = 3286,7 ± 1,86 (173)
L𝑖𝑚𝑖𝑡𝑒 𝑖𝑛𝑓𝑒𝑟𝑖𝑜𝑟 = 2964,9 𝑚𝑖𝑙 𝑢𝑛𝑖𝑑𝑎𝑑𝑒𝑠
𝐿𝑖𝑚𝑖𝑡𝑒 𝑠𝑢𝑝𝑒𝑟𝑖or = 3610 mil unidades

Determine o coeficiente de correlação.

8 17830 − (1470)(95) 2990


𝑟= =
[8 273300 − (1470) ][8 1183 − 95 ] 25500 [439]
2990
= = 0,894
3345,8

𝒓𝟐 = 𝟎, 𝟕𝟗𝟗
Coeficiente de Determinação

22
Controle de previsões
 O sistema de previsão deve ser controlado a fim
de se determinarem os erros que estão
ocorrendo nas previsões.
 Medidas de controle de erros são bastante
utilizadas ma escolha de parâmetros e na
escolha do método de previsão
 Algumas importantes medidas de controle de
erros
 Desvio Relativo, Desvio Médio Absoluto, l, Sinal de
Rastreamento
PCP I
Profa. Juliana Aula 07 – Gestão da Demanda

Controle de previsões
 Desvio Relativo (DvRel)
 Medida de Viés da Previsão (MVP)
 Somatória acumulada dos erros de pevisão

𝐷𝑣𝑅𝑒𝑙 = 𝑒

𝐷𝑣𝑅𝑒𝑙 = (𝐷 − 𝐹 )

PCP I
Profa. Juliana Aula 07 – Gestão da Demanda 68

Controle de previsões
 Desvio Absoluto Médio (DAM)

1
𝐷𝐴𝑀 = 𝑒
𝑇

 Mede a dispersão dos dados


 Se o DAM for pequeno a previsão estará próxima da
demanda real
 DAM muito adotado para seleção de
modelos/parâmetros

PCP I
Profa. Juliana Aula 07 – Gestão da Demanda 69

23
Controle de previsões

 Sinal de Ratreamento (SR)


 Tracking Signal
∑ 𝑒
𝑆𝑅 =
𝐷𝐴𝑀

-Se o viés não estiver presente, SR próximo a zero


- Se a previsão ficar consistentemente acima da demanda
real, SR será próximo a -1
- - Se a previsão ficar consistentemente abaixo da demanda
real, SR será próximo a +1
PCP I
Profa. Juliana Aula 07 – Gestão da Demanda 70

Referências

 Ballou, R. H. Gerenciamento da cadeia de


suprimentos/logistica empresarial. Porto
Alegre: Bookman. 2006. cap. 8.
 Côrrea, H.L.;Gianesi, I.G.N;Caon, M.
Planejamento. Programação e Controle da
Produção. São Paulo: Atlas. Capítulos 5,7.
 Moreira, D. Administração da Produção e
Operações . São Paulo: Pioneira Thomson
Learning. 2004. Capítulo 11.
PCP I
Profa. Juliana Aula 07 – Gestão da Demanda 71

24