Escolar Documentos
Profissional Documentos
Cultura Documentos
Previsão da Procura
distribuição
2. Médio prazo
► 3 meses a 3 anos
3. Longo prazo
► +3 anos
1. Abordagem simples
2. Média móvel Modelos de
3. Alisamento exponencial séries temporais
4. Projecção de tendência
Modelos
5. Regressão linear relacionais
Séries Temporais
► Com base em valores observados no
passado em períodos regulares
► A previsão não considera outras variáveis
Tendência Cíclica
Sazonal Aleatória
Componentes da Procura
Componente
de tendência
Procura para o produto ou serviço
Picos sazonais
Procura real
Variação aleatória
| | | |
1 2 3 4
Tempo (anos)
Componente de Tendência
► Persistente, num padrão crescente
ou decrescente
► Devido a mudanças contínuas na
0 5 10 15 20
Componente Aleatória
► Flutuações residuais erráticas e não sistemáticas
► Devido a variação aleatória ou eventos imprevisíveis
► Pequena duração e não repetitivos
S T Q Q S
Abordagem Simples
► Assume que a procura no próximo período é
igual ao anterior
► Ex: se as vendas de Jan. foram 68, então as
vendas de Fev. serão 68
► Processo económico
► Pode ser um ponto de partida para a previsão
da procura
Método da Média Móvel
P
procura nos n períodos anteriores
n
Média Móvel - Exemplo
25 –
20 –
Vendas
15 – Vendas reais
J F M A M J J A S O N D
Mês
4 - 32
Método de Alisamento
Exponencial
► Uma forma de ponderar a média móvel
► Pesos decrescem exponencialmente
► Os dados mais recentes são mais ponderados
Ft = Ft – 1 + (At – 1 - Ft – 1)
Procura real = .5
200 –
Demand
175 –
= .1
150 – | | | | | | | | |
1 2 3 4 5 6 7 8 9
Quarter
© 2014 Pearson Education 4 - 39
Impacto de Diferentes
225 –
Actual = .5
► Definem-se
200 –
valores
altos
demand
de quando é provável
Demand
EPM
erro percentual 44,75%
5,59%
n 8
© 2014 Pearson Education 4 - 43
Comparação de Erros de Previsão
Previsão Erro Previsão Erro
Procura com para com para
Trimestre Real = 0,10 = 0,10 = 0,50 = 0,50
1 180 175 5,00 175 5,00
2 168 175,5 7,50 177.50 9,50
3 159 174,75 15,75 172.75 13,75
4 175 173,18 1,82 165.88 9,12
5 190 173,36 16,64 170.44 19,56
6 205 175,02 29,98 180.22 24,78
7 180 178,02 1,98 192.61 12,61
8 182 178,22 3,78 186.30 4,30
Desvio5 Desvio6
Desvio3
O método de mínimos
Desvio4 quadrados minimiza a
soma dos quadrados dos
erros.
Desvo1
(erro) Desvio2
Recta de tendência, y^ = a + bx
| | | | | | |
1 2 3 4 5 6 7
Período de tempo
4 - 47
Método Mínimos Quadrados
b=
å xy - nxy
å x - nx
2 2
a = y - bx
4 - 48
Método Mínimos Quadrados
x=
å x 28
= =4 y=
å y 692
= = 98.86
n 7 n 7
Método Mínimos Quadrados
xy nx y 3.063 7 4 98,86 295
b ELECTRICALPOWER 10,54
YEAR (x) nx (y) 140 7 4 x
x DEMAND
2 2 2
282 xy
1 74 1 74
2
a y bx 98
79
,86 10,544 56,70 4 158
3 80 9 240
4 90 16 360
5
Então,
105
yˆ 56,70 10,54 x 25 525
6 142 36 852
7 122 49 854
Σx = 28 Σy = 692 Σx2 = 140 Σxy = 3,063
x=
å x no
Procura
= =4 y=
å
28ano 8 = 56,70 y+ 10,54(8)
=
692
= 98.86
n 7 = 141,02
n ou 7 Megawatts
141
Mínimos Quadrados - Exemplo
Recta de tendência,
160 – y^ = 56,70 + 10,54x
150 –
Procura de energia (Megawatts)
140 –
130 –
120 –
110 –
100 –
90 –
80 –
70 –
60 –
50 –
| | | | | | | | |
1 2 3 4 5 6 7 8 9
Ano
Variação Sazonal
O modelo
multiplicativo de
sazonalidade pode
ajustar a tendência de
forma a considerar
variações sazonais da
procura
Ano 4 Previsão
140 – Ano 3 Procura real
130 – Ano 2 Procura real
Ano 1 Procura real
120 –
Procura
110 –
100 –
90 –
80 –
70 –
| | | | | | | | | | | |
J F M A M J J A S O N D
Tempo
Exemplo de previsão: Hospital
Previsão da Tendência
10,200 –
Nº de pacientes tratados
10,000 –
9,800 – 9745
9702
9616 9659
9573 9724 9766
9,600 – 9530 9680
9594 9637
9,400 – 9551
9,200 –
9,000 – | | | | | | | | | | | |
Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez
67 68 69 70 71 72 73 74 75 76 77 78
Mês
4 - 61
Exemplo de previsão: Hospital
4 - 62
Exemplo de previsão: Hospital
Índices de sazonalidade
1.06 –
1.04 1.04
1.04 – 1.03
Índice de sazonalidade
1.02
1.02 – 1.01
1.00
1.00 – 0.99
0.98
0.98 – 0.99
0.96 – 0.97 0.97
0.96
0.94 –
0.92 – | | | | | | | | | | | |
Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez
67 68 69 70 71 72 73 74 75 76 77 78
Mês
4 - 63
Exemplo de previsão: San Diego Hospital
Nº do período 67 68 69 70 71 72
10,200 –
10068
Nº de pacientes tratados
9,000 – | | | | | | | | | | | |
Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez
67 68 69 70 71 72 73 74 75 76 77 78
Mês
4 - 65
Previsão Relacional
Usada quando as mudanças de uma ou mais variáveis
independentes podem ser usadas para prever a
procura – variável dependente
y^ = a + bx
onde y^ = valor da previsão (variável dependente)
a = intercessão do eixo y
b = declive da recta
x = variável independente
Previsão Relacional - Exemplo
Vendas Rendimentos Vendas Rendimentos
(Milhões €), y Residentes na região (Milhões €), y Residentes na região
(Bilhões €), x (Bilhões €), x
2.0 1 2.0 2
3.0 3 2.0 1
2.5 4 3.5 7
4.0 –
(milhões €)
3.0 –
Vendas
2.0 –
1.0 –
| | | | | | |
0 1 2 3 4 5 6 7
Rendimentos (Bilhões €)
Previsão Relacional - Exemplo
Vendas, y Rendimentos, x x2 xy
2.0 1 1 2.0
3.0 3 9 9.0
2.5 4 16 10.0
2.0 2 4 4.0
2.0 1 1 2.0
3.5 7 49 24.5
Σy = 15.0 Σx = 18 Σx2 = 80 Σxy = 51.5
x=
å x 18
= =3 y=
å y 15
= = 2.5
6 6 6 6
b=
å xy - nxy 51.5 - (6)(3)(2.5)
= = .25 a = y - bx = 2.5 - (.25)(3) = 1.75
å x - nx
2 2
80 - (6)(3 ) 2
Previsão Relacional - Exemplo
Vendas, y Rendimentos, x x2 xy
2.0 1 1 2.0
3.0 3 9 9.0
2.5 4 yˆ 161,75 0,25 x 10.0
2.0 2 Vendas 1,754 0,25(rendimento
4.0 )
2.0 1 1 2.0
3.5 7 49 24.5
Σy = 15.0 Σx = 18 Σx2 = 80 Σxy = 51.5
x=
å x 18
= =3 y=
å y 15
= = 2.5
6 6 6 6
b=
å xy - nxy 51.5 - (6)(3)(2.5)
= = .25 a = y - bx = 2.5 - (.25)(3) = 1.75
å x - nx
2 2
80 - (6)(3 ) 2
Previsão Relacional - Exemplo
Vendas, y Rendimentos, x x2 xy
2.0 1 1 2.0
3.0 3 9 9.0
yˆ 1.75 .25 x
2.5 4 16 10.0
Sales 1.75 .25(payroll)
2.0 2 4 4.0
2.04.0 – 1 1 2.0
3.5 7 49 24.5
(milhões €)
3.0 –
Σy = 15.0 Σx = 18 Σx2 = 80 Σxy = 51.5
Vendas
2.0 –
1.0 – x=
å x 18
= =3 y=
å y 15
= = 2.5
6 6 6 6
| | | | | | |
b=
å xy - nxy 0 51.5
=
1 - (6)(3)(2.5)
2 3 4
=
5
.25
6
a = y
7
- bx = 2.5 - (.25)(3) = 1.75
å x - nx
Rendimentos (Bilhões €)
2
80 - (6)(3 )
2 2
Previsão Relacional - Exemplo
Vendas = 3.250.000 €
Previsão Relacional - Exemplo
4.0 –
3.25
(milhões €)
3.0 –
Vendas
2.0 –
1.0 –
| | | | | | |
0 1 2 3 4 5 6 7
Rendimentos (Bilhões €)
Correlação
► Qual a intensidade da relação linear entre
variáveis?
► Correlação não implica necessariamente
causalidade!
► Coeficiente de correlação, r, mede o grau
de relação
► Valor varia entre -1 e +1
Coeficiente de Correlação
nå xy - å xå y
r=
é ùé ù
êënå x - ( )
å x úûêënå y - ( )
å y úû
2 2
2 2
Coeficiente de Correlação
y y
x x
(a) Perfect negative (e) Perfect positive
correlation y y correlation
y
x x
(b) Negative correlation (d) Positive correlation
x
(c) No correlation
–1.0 –0.8 –0.6 –0.4 –0.2 0 0.2 0.4 0.6 0.8 1.0
Correlation coefficient values
Coeficiente de Correlação
y x x2 xy y2
2,0 1 1 2,0 4,0
3,0 3 9 9,0 9,0
2,5 4 16 10,0 6,25
2,0 2 4 4,0 4,0
2,0 1 1 2,0 4,0
3,5 7 49 24,5 12,25
Σy = 15,0 Σx = 18 Σx2 = 80 Σxy = 51,5 Σy2 = 39,5
(6)(51,5) – (18)(15,0)
r
(6)(80) – (18) (16)(39,5) – (15,0)
2 2
309 270 39 39
0,901
(156)(12) 1872 43,3
www.europeia.pt