Traduzido do Inglês para o Português - www.onlinedoctranslator.

com

Impresso por Caio hudson Mosl, CPF 140.515.907-39 para uso pessoal e privado. Este material pode ser protegido por direitos autorais
e não pode ser reproduzido ou repassado para terceiros. 27/10/2021 15:25:21

CAPÍTULO 8
PREVISÃO DOS REQUISITOS DA CADEIA DE FORNECIMENTO

4
(a) A resposta a esta pergunta é auxiliada pelo uso do módulo FORECAST no LOGWARE.
Um cálculo de amostra é mostrado conforme realizado pelo FORECAST. Os resultados
são resumidos a partir da saída do FORECAST. Um exemplo de cálculo para um
- = 0,1 é mostrado. Outros - seriam usados valores que variam de 0,01 a 1,0.
Primeiro calculamos uma previsão inicial calculando a média dos quatro primeiros
requisitos semanais. Isso é,

[2.056 + 2.349 + 1.895 + 1.514] / 4 = 1.953,50

Agora, voltamos a lançar esse valor e iniciamos a previsão no tempo 0. Assim, as previsões e os
erros associados seriam:

Quadrado
Previsão Erro erro
F1 = 1953,50
F2 = . 1 (2056) + . 9 (1953,50) = 1963,75
F3 = . 1 (2349) + . 9 (1963,75) = 2002,28
F4 = . 1 (1895) + . 9 (2002.20) = 1991,48
F5 = . 1 (1514) + . 9 (1991,48) = 1943,73
F6 = . 1 (1194) + . 9 (1943,73) = 1868,76 - 749,73 562.095,07
F7 = . 1 (2268) + . 9 (1868,76) = 1908,00 399,24 159.392,58
F8 = . 1 (2653) + . 9 (1908,00) = 1982,50 745,00 555.025,00
F9 = . 1 (2039) + . 9 (1982.50) = 1988,15 56,50 3.192,25
F10 = . 1 (2399) + . 9 (15 1988) = 2029,24 410,85 168.797,72
F11 = . 1 (2508) + . 9 (2029,24) = 2.077,12 478,76 229.211,14
Erro quadrático total 1.677.713,76

O erro padrão da previsão é:

Erro quadrático total 1.677.713,76

SF - - - 528,79
N 6

Observação: FORECAST não usa N-1 no denominador.

Repetindo esse tipo de análise, a tabela a seguir pode ser desenvolvida. Os resultados do
FORECAST são mostrados.

73
Impresso por Caio hudson Mosl, CPF 140.515.907-39 para uso pessoal e privado. Este material pode ser protegido por direitos autorais
e não pode ser reproduzido ou repassado para terceiros. 27/10/2021 15:25:21

- SF
. 01 528,72
. 05 528,42
.1 528,46
.2 528,89
.5 535,55
1.0 566,07

O - que minimiza SF é 0,05.

(b) Os erros de previsão são calculados em parte uma.

(c) Se assumirmos que os erros são normalmente distribuídos em torno da previsão, podemos
construir uma banda de confiança de 95 por cento na previsão. Ou seja, seY é o real
volume no período 11, então o intervalo da previsão (F11 = 2.017,81 para - = 0,05) será:

Y = F11 + z- SF
= 2.017,81 + 1,96-528,42

Então,

982,11 - Y - 3.053,51

Todos os valores estão em milhares.

5
(a) e (b) A solução para este problema foi auxiliada pelo uso do módulo de suavização exponencial no
FORECAST. Usando os dados das primeiras quatro semanas para inicializar o nível / tendência
versão do modelo de suavização exponencial e definindo - e - igual a 0,2, a previsão
para a próxima semana é F11 = 2.024,47, com erro padrão da previsão de SF =
171,28.

(c) Assumindo que os erros de previsão são normalmente distribuídos em torno F11, uma banda de
confiança estatística de 95 por cento pode ser construída. A banda de confiança é:

Y = F 11 + z- SF
= 2.024,47 + 1,96-171,28

Onde z = 1,96 para 2,5 por cento da área sob as duas caudas de uma distribuição
normal. O intervalo do volume semanal real deve ser:

1.688,76 - Y - 2.360,18

74
Impresso por Caio hudson Mosl, CPF 140.515.907-39 para uso pessoal e privado. Este material pode ser protegido por direitos autorais
e não pode ser reproduzido ou repassado para terceiros. 27/10/2021 15:25:21

6
(a) Os dados podem ser reapresentados conforme mostrado abaixo.

Tendência

valor,uma Sazonal
Vendas, S t S-t t2 St índiceb
27.000 1 27.000 1 41.087 0,66
70.000 2 140.000 4 41.192 1,70
41.000 3 123.000 9 41.298 0,99
13.000 4 52.000 16 41.403 0,32
30.000 5 150.000 25 41.508 0,72
73.000 6 438.000 36 41.613 1,75
48.000 7 336.000 49 41.719 1,15
15.000 8 120.000 64 41.824 0,36
34.000 9 306.000 81 41.929 0,81
82.000 10 820.000 100 42.035 1,95
51.000 11 561.000 121 42.140 1,21
16.000 12 192.000 144 42.245 0,38
500.000 78 3.265.000 650
uma Calculado a partir da linha de tendência linear. Por exemplo, para o período 1,
S1 = 40.981,6 + 105,3-1 = 41.087.
bA relação entre as vendas reais S e o valor da linha de tendência St.
Por exemplo, para o período 1, o índice sazonal é 27.000 / 41.087 = 0,66.

Dados os valores da tabela acima e que t = 78/12 = 6,5, N = 12, e S =

500.000 / 12 = 41.666, os coeficientes na linha de tendência de regressão seriam:

S-t-N-S-t 3.265.000 - 12 - 41.666 - 6,5

b- - - 105,3
t2 - N - t 2 650 -12 - 6,52

uma - S - b - t - 41.666 -105,3 - 6,5 - 40.981,6

Portanto, o valor da tendência St para qualquer período t seria:

St = 40.981,6 + 105,3-t

(b) Os fatores sazonais são determinados pela razão entre as vendas reais em um período e o valor
da tendência para esse período. Por exemplo, o fator sazonal para o período 12 (4º trimestre do
ano passado) seria 16.000 / 42.245 = 0,38. Este e os fatores sazonais de todos os trimestres
anteriores são mostrados na tabela anterior.

75
Impresso por Caio hudson Mosl, CPF 140.515.907-39 para uso pessoal e privado. Este material pode ser protegido por direitos autorais
e não pode ser reproduzido ou repassado para terceiros. 27/10/2021 15:25:21

(c) As previsões usando os fatores sazonais dos últimos 4 trimestres são as seguintes:

Sazonal
t St fatores Previsão
13 42.351 0,81 34.304
14 42.456 1,95 82.789
15 42.561 1,21 51.499
16 42.666 0,38 16.213

7
Um modelo de suavização exponencial é usado para gerar uma previsão para o período 13 (janeiro de
Próximo ano). As vendas de janeiro a abril são usadas para inicializar o modelo e um - = 0,2 é usado
como a constante de suavização. O módulo FORECAST é usado para gerar a previsão. Os resultados
são resumidos da seguinte forma:

Região 1 Região 2 Região 3 Combinado

Previsão, F13 219,73 407,04 303,30 938,26
Erro de previsão, SE 26,89 25,50 17,54 61,41

Observe que a soma das previsões por região é quase igual à previsão do uso combinado. No
entanto, se uma previsão por região é melhor do que uma previsão geral desagregada por região
depende do erro de previsão. O erro padrão da previsão é o melhor indicador. Uma comparação de
uma previsão de baixo para cima desenvolvida a partir de previsões regionais com a de uma
previsão de dados combinados pode ser baseada na lei das variações. Ou seja, se as taxas de uso
dentro das regiões forem independentes umas das outras, a estimativa do erro total pode ser
construída a partir das regiões individuais e comparada com a do
dados de uso combinados. O erro total de previsão (variação) das regiões individuaisS 2 C
pode ser estimado como a média ponderada das variações da seguinte forma:

F F F
S2C- 1 S2E1 - 2 S2 E- 23 S2
FC FC FC E3

Onde
Feu = previsões de cada região
FC = previsão baseada em dados combinados
SE2eu = variação da previsão em cada região
ST2 = variação total da previsão com base em dados regionais

Portanto,

219. 73 407,04 303,30

ST2 - 26,892 - 25,502 - 17,542
930,07 930,07 930,07
- 0,236 - 723,07 - 0,438 - 650,25 - 0,326 - 307,65
- 555,74

76
Impresso por Caio hudson Mosl, CPF 140.515.907-39 para uso pessoal e privado. Este material pode ser protegido por direitos autorais
e não pode ser reproduzido ou repassado para terceiros. 27/10/2021 15:25:21

Então,

ST - 555,74 - 23,57

Desde a S T < S C , parece que uma previsão de baixo para cima, ou regional, terá um erro menor
do que uma previsão de cima para baixo.

9
(a) Veja o gráfico na Figura 8-1. Mostra que há um componente sazonal com uma tendência muito
leve para os dados, bem como alguma variação aleatória ou inexplicada.

FIGURA 8-1 Gráfico de dados de série temporal para o Problema 9

300

250
Preços unitários médios mensais

200

150

100

50

0
Abr

Abr

Abr

Abr

Abr
Out

Out

Out

Out

Out
Jan

Jan

Jan

Jan

Jan
Jly

Jly

Jly

Jly

Jly

Tempo, meses

(b) Um modelo de série temporal normalmente envolverá apenas dois componentes: tendência e
sazonalidade. Usar 2 anos de dados deve ser suficiente para estabelecer uma linha de
tendência precisa e os índices sazonais. Podemos desenvolver a seguinte tabela para calcular
uma linha de regressão e índices sazonais.

77
Impresso por Caio hudson Mosl, CPF 140.515.907-39 para uso pessoal e privado. Este material pode ser protegido por direitos autorais
e não pode ser reproduzido ou repassado para terceiros. 27/10/2021 15:25:21

Preços, Tempo, Tendência,uma Sazonal

Pt t P-t t2 Tt índiceb St
211 1 211 1 232,4 0,91
210 2 420 4 232,4 0,90
214 3 642 9 232,4 0,92
208 4 832 16 232,4 0,90
276 5 1380 25 232,2 1,19
269 6 1614 36 232,3 1,16
265 7 1855 49 232,3 1,14
253 8 2024 64 232,3 1.09
244 9 2196 81 232,3 1.05
202 10 2020 100 232,3 0,87
221 11 2431 121 232,3 0,95
210 12 2520 144 232,2 0,90
215 13 2795 169 232,3 0,93 0,92
225 14 3150 196 232,2 0,97 0,93
230 15 3450 225 232,3 0,99 0,96
214 16 3424 256 232,3 0,92 0,91
276 17 4692 289 232,2 1,19 1,19
261 18 4698 324 232,2 1,12 1,14
250 19 4750 361 232,2 1.08 1,11
248 20 4960 400 232,2 1.07 1.08
229 21 4809 441 232,2 0,99 1.02
221 22 4862 484 232,2 0,95 0,91
209 23 4807 529 232,2 0,90 0,92
214 24 5136 576 232,2 0,92 0,91
5.575 300 69.678 4.900
uma Calculado a partir da linha de regressão de tendência. Por exemplo, a tendência do período 1 éT1 =
232,39 - 0,008-1 = 232,4.
bO índice sazonal é a relação entre o preço real e a tendência no mesmo período.
Por exemplo, o índice sazonal do período 1 é 211/232 = 0,91.

Nos tambem temos N = 24, t = 300/24 = 12,5 e P = 5575/24 = 232,29.

Agora,

69.678-24 (232,29) (12,5)

b -∑ P - t - N - P - t 2 - - - 0,008
∑ t2 - N - t
2
4.900 -24 (12,5)

uma - Pt - b - t - 232,29 - (-0,008) (12,5) - 232,39

Portanto, a equação de tendência é:

78
Impresso por Caio hudson Mosl, CPF 140.515.907-39 para uso pessoal e privado. Este material pode ser protegido por direitos autorais
e não pode ser reproduzido ou repassado para terceiros. 27/10/2021 15:25:21

Tt - 232,29 - 0,008 - t

Observe que a tendência é negativa para os últimos dois anos de dados, embora a tendência
de 5 anos pareça ser positiva.
Agora, calculando o valor da tendência Tt para cada valor de t dá os resultados conforme
mostrado na tabela anterior. O índice sazonal é resultado da divisãoPt por Tt para cada período t. Os
índices são calculados em média para períodos correspondentes com um ano de intervalo.
A previsão para o 5º ano mostra o erro potencial no método. Ou seja, para
Janeiro de 5º ano, a previsão é Ft = Tt-St-12, ou F25 = [232,39 - 0,008-25] [0,92] = 213,6.
Repetindo para cada método, temos:

Real Previsão Previsão Quadrado Revisado

t preço preço erro erro sazonaluma
25 210 213,6 - 3,6 13,0 0,91
26 223 215,6 7,1 50,4
27 204 222,9 - 18,9 357,2
28 244 211,3 32,7 1069,3
29 274 276,3 - 2,3 5,3
30 246 264,6 - 18,6 345,9
31 237 257,7 - 20,7 428,5
32 267 250,7 16,3 265,7
33 212 236,8 - 24,8 615,0
34 211 211,2 - 0,2 0,0
35 188 213,5 - 25,5 51,0
36 188 211,2 - 23,2 538,2
Erro quadrático total 3.739,5
uma O índice sazonal para o período de 25 é 0,90. A média do índice sazonal para o período 25 - 12 = 13,
e este período é (0,92 + 0,90) / 2 = 0,91.

O erro padrão da previsão é SF - 3.739,5 / (12 - 2) - 19,34. Agora, a previsãopara o

período 37 seria:

F37 - (232,39 - 0,008 - 37) (0,91) - 211,21

(c) Usando o módulo de suavização exponencial no software FORECAST, a previsão para o próximo
período é F = 201,26, com SF = 17,27. As constantes de suavização fornecidas no problema são
as "melhores" que o FORECAST conseguiu encontrar.

(d) Cada modelo deve ser combinado de acordo com sua capacidade de prever com precisão.
Podemos dar a cada um um peso em proporção ao seu erro de previsão, ou erro padrão da
previsão (SF) Portanto, a seguinte tabela pode ser desenvolvida:

79
Impresso por Caio hudson Mosl, CPF 140.515.907-39 para uso pessoal e privado. Este material pode ser protegido por direitos autorais
e não pode ser reproduzido ou repassado para terceiros. 27/10/2021 15:25:21

(1) (2) = (1) / 36,61 (3) = 1 / (2) (4) = (3) / 4.013

Proporção de Inverso do erro
Tipo de modelo Erro de previsão erro total proporção Pesos do modelo
Regressão 19,34 0,528 1,894 0,472
Exp. suave. 17,27 0,472 2,119 0,528
Total 36,61 1,000 4.013 1,000

Portanto, cada um dos resultados do modelo é ponderado de acordo com os pesos do

modelo. A previsão ponderada para janeiro próximo seria:

(1) (2) (3) = (1) - (2)

Pesada
Tipo de modelo Previsão Peso do modelo proporção
Regressão 211,21 0,472 99,69
Exp. suave. 201,26 0,528 106,27
Previsão ponderada 205,96

De maneira semelhante, podemos ponderar as variâncias do erro de previsão para chegar a um

desvio padrão do erro de previsão ponderado SFw. Isso é,

SFw - 0,472 -19,342 - 0,528 - 17,27 2 - 18,28

Uma banda de confiança de 95 por cento usando os resultados combinados pode ser construída como:

Y = 205,96 - z-18,28

Onde z é 1,96 para 95 por cento da área sob a distribuição normal.

Y = 205,96 - 1,96-18,28

Portanto, podemos ter 95 por cento de certeza de que o preço real Y estará dentro do seguinte intervalo:

170,13 - Y - 241,79

10
O gráfico dos dados de vendas é mostrado na Figura 8-2. O gráfico revela um alto grau de
sazonalidade com uma tendência de queda perceptível. Um modelo sazonal de tendência de nível
parece razoável.

(b) Usando a capacidade de pesquisa dentro do software FORECAST, uma forma Nível-Tendência-Sazonal
do modelo de suavização exponencial foi encontrada para fornecer o menor erro de previsão.
Uma inicialização de 14 períodos e 6 períodos para calcular estatísticas de erro foram usados.
As respectivas constantes de suavização foram - = 0,01, - = 0,08 e - = 0,60. Isto produziu

80
Impresso por Caio hudson Mosl, CPF 140.515.907-39 para uso pessoal e privado. Este material pode ser protegido por direitos autorais
e não pode ser reproduzido ou repassado para terceiros. 27/10/2021 15:25:21

uma previsão para o próximo período (janeiro de 2004) de F = 6.327,60 e um erro

padrão da previsão de SF = 1.120,81.

FIGURA 8-2 Gráfico de série temporal de dados para Hudson Paper Company

30000

25000
Vendas agregadas em 000s

20000

15000

10000

5000

0
Abr

Abr

Abr

Abr

Abr
Out

Out

Out

Out

Out
Jan

Jan

Jan

Jan

Jan
Jly

Jly

Jly

Jly

Jly
Tempo, meses

(c) Assumindo que os erros de previsão são normalmente distribuídos em torno da previsão, uma
banda de confiança de 95 por cento na previsão é dada por:

Y = F + z-SF
Y = 6.327,60 - 1,96-1,120,81

Onde z = 1,96 para 95 por cento da área sob a curva de distribuição normal. Portanto,
podemos ter 95% de certeza de que as vendas reaisY deve estar dentro dos seguintes
limites:

4.130,8 - Y - 8.524,4

11
(a) Para A569, o BIAS = -165.698 e o RMSE = 126.567 ao usar a média móvel de 3 meses.
No entanto, se um modelo de suavização exponencial de nível apenas com um - =
0,10, o BIAS cai para –9.556 e o RMSE é 118.689. O modelo se ajusta melhor aos
dados e há uma ligeira melhora na precisão da previsão.
Para A366, o BIAS = 18.231 e o RMSE = 144.973 ao usar a média móvel de 3 meses. Um
modelo sazonal de tendência de nível oferece o melhor ajuste, mas é suspeito, pois os
dados mostram um alto grau de variabilidade aleatória em vez de sazonalidade.
No geral, um modelo de nível simples é provavelmente melhor na prática. O modelo tem
um - = 0,08, um BIAS = -3,227 e um RMSE = 136,256. Esta é uma melhoria em relação à
média móvel de 3 meses.

81
Impresso por Caio hudson Mosl, CPF 140.515.907-39 para uso pessoal e privado. Este material pode ser protegido por direitos autorais
e não pode ser reproduzido ou repassado para terceiros. 27/10/2021 15:25:21

(b) Usando os modelos de nível apenas, a previsão para outubro para A569 = 193.230 e para
A366 = 603.671.

(c) A banda de confiança 3-sigma (99,7 por cento) nas previsões seria:

Para A569, Y = 193.230 - 3 (118.689), ou 0 - Y - 549.297.

Para A366, Y = 603.671 - 3 (136.256), ou 194.903 - Y - 1.012.439.

O uso real de outubro está dentro das bandas de confiança de 3 sigma para cada
um desses produtos. A diferença entre o valor real e o previsto para cada produto
é atribuível à grande variabilidade dos dados, característica das compras na
indústria de processamento de aço.

82
Impresso por Caio hudson Mosl, CPF 140.515.907-39 para uso pessoal e privado. Este material pode ser protegido por direitos autorais
e não pode ser reproduzido ou repassado para terceiros. 27/10/2021 15:26:09

ÓLEO MUNDIAL
Nota de Ensino

Estratégia
O objetivo deste estudo de caso é permitir que os alunos desenvolvam um modelo de previsão
apropriado para alguns dados de séries temporais. A discussão pode começar com a natureza deste
produto - um com o qual a maioria dos alunos deve estar familiarizada. Com base nas muitas
abordagens de previsão disponíveis, os alunos devem ser incentivados a selecionar várias para
consideração. Nesta nota, tanto a suavização exponencial quanto a decomposição da série
temporal são avaliadas. Ambos são apropriados aqui porque (1) eles podem projetar a partir de
dados históricos de séries temporais, (2) eles podem lidar com a sazonalidade, que parece estar
presente nos dados, (3) há dados suficientes para construir e testar os modelos, e ( 4) a previsão é
de um curto período no futuro.
A assistência com os aspectos computacionais deste problema está disponível com o
uso do módulo FORECAST do software LOGWARE.

Respostas a perguntas
(1) Desenvolva um procedimento de previsão para esta estação de serviço. Por que você selecionou o seu
método?

Ambos os métodos de previsão de suavização exponencial e decomposição de série temporal são

testados usando o módulo FORECAST no LOGWARE. Para a suavização exponencial, um período de
inicialização de um ciclo sazonal (52 semanas) mais duas semanas é usado para um total de 54
semanas, um requisito mínimo no FORECAST. As últimas 30 semanas de dados são usadas para
calcular as estatísticas de erro. Este número de períodos é arbitrário, mas parece razoavelmente
grande para fornecer valores estatísticos estáveis. Queremos minimizar o erro de previsão ao longo
do tempo, e FORECAST calcula as estatísticas MAD e RMSE que podem ser usadas para fazer
comparações entre os tipos de modelo. Testar os vários tipos de modelo de suavização exponencial
e as séries temporais fornece as seguintes estatísticas.

Alisamento Previsão
constantes semana 6 desta
Tipo de modelo --- LOUCO TENDÊNCIA RMSE ano
Nível apenas .... .4 -- 37,82 - 5,27 67,61 817,35
Tendência de nível ... .2 .5 - 45,85 7,13 67,80 860,26
Nível sazonal .3 - 1.0 38,97 11,30 45,71 648,75
Nível-tendência-
sazonal...... . 01 . 2 4 30,27 - 6,05 44,17 770,74-
Decomp. TS ..... --- 59,46 37,18 71,85 731,33

As estatísticas MAD e RMSE mostram o quão bem a previsão foi capaz de rastrear as taxas
históricas de uso de combustível. Eles são uma indicação da precisão do processo de previsão
no futurona média. Preferimos métodos de previsão que podem minimizar essas estatísticas.
Nesse caso, a versão Nível-Tendência-Sazonal do modelo de suavização exponencial parece
fazer isso melhor. Ambos MAD e RMSE são os mais baixos para este tipo de modelo entre as
alternativas.

83
Impresso por Caio hudson Mosl, CPF 140.515.907-39 para uso pessoal e privado. Este material pode ser protegido por direitos autorais
e não pode ser reproduzido ou repassado para terceiros. 27/10/2021 15:26:09

Outras evidências do desempenho de um método de previsão são obtidas a partir de um gráfico da

previsão em comparação com as taxas de uso reais. Isso é mostrado na Figura 1. Observe que o modelo
Nível-Tendência-Sazonal rastreia as taxas de uso muito bem, especialmente nas semanas mais recentes.
O processo de modelagem provavelmente se estabilizou nas últimas 30 semanas dos dados e agora está
rastreando muito bem.

FIGURA 1 Ajuste do modelo de suavização exponencial sazonal-tendência de nível para dados de uso de
combustível nas segundas-feiras da semana

(2) Como os períodos de promoções, feriados ou outros períodos em que as taxas de uso se
desviam dos padrões normais, devem ser tratados na previsão?

Se os desvios ocorrerem ao mesmo tempo dentro do ciclo sazonal e com a mesma intensidade
relativa, nenhum procedimento especial é necessário. A característica adaptativa do processo de
suavização exponencial irá incorporar automaticamente esses desvios na previsão. No entanto,
quando os desvios não são regulares, visto que as promoções podem ser cronometradas
irregularmente, é melhor tratá-las como outliers na série temporal e eliminá-las da série temporal.
O modelo pode ser ajustado sem os outliers e, em seguida, o efeito deles tratado como
modificações na previsão. Essas modificações podem ser tratadas manualmente.

84
Impresso por Caio hudson Mosl, CPF 140.515.907-39 para uso pessoal e privado. Este material pode ser protegido por direitos autorais
e não pode ser reproduzido ou repassado para terceiros. 27/10/2021 15:26:09

(3) Faça uma previsão do uso de combustível na próxima segunda-feira e indique a precisão provável da
previsão.

A partir do modelo de suavização exponencial Nivel-Tendência-Sazonal desenvolvido na pergunta 1, onde

as constantes de suavização são - = 0,01, - = 0,2 e - = 0,4, a previsão para a segunda-feira da semana 6
seria de 771 galões. No entanto, esta previsão representa apenas o combustível médio
uso.
Determinar a precisão da previsão requer que a previsão rastreie a média do uso real, ou seja,
uma tendência de 0, e que os erros de previsão sejam normalmente distribuídos. Embora o BIAS
(soma dos erros de previsão nas últimas 30 semanas) não seja exatamente 0, e provavelmente
nunca será, ele é baixo (-6,05), de modo que assumiremos um bom rastreamento pelo modelo de
previsão. Um histograma dos erros de previsão pode revelar se eles seguem o padrão familiar em
forma de sino. Esse histograma é fornecido a seguir. Podemos concluir que, embora os erros não
sejam precisamente distribuídos normalmente, não podemos rejeitar a ideia de que eles não
vieram de uma população normalmente distribuída. Um teste de adequação pode ser usado para
verificar essa suposição. Embora este teste não seja realizado aqui, é bastante indulgente, de modo
que a suposição de distribuição normal de erros provavelmente não será rejeitada quando os
dados mostrarem um padrão de distribuição razoavelmente normal. A distribuição aqui se
qualifica.
Agora podemos prosseguir com o desenvolvimento de uma banda de confiança de 95 por cento em torno
da previsão. A previsão da taxa real de uso de combustívelY vai ser:

F - z (-$ F ) - Y - F - z (-$ F)

Onde -$ F é o erro padrão da previsão. F é a previsão, e z é o número de

desvios padrão para 95 por cento da área sob uma distribuição normal. FORECAST calcula o
erro quadrático médio da raiz (RMSE) Como:

∑(UMA t - F t )2
t= 1
RMSE =
N

85
Impresso por Caio hudson Mosl, CPF 140.515.907-39 para uso pessoal e privado. Este material pode ser protegido por direitos autorais
e não pode ser reproduzido ou repassado para terceiros. 27/10/2021 15:26:09

HISTOGRAMA PARA ERRO DE PREVISÃO DAS ÚLTIMAS 30 SEMANAS

Largura da classe = 20,0000 Número de aulas = 10
0% 50% 100%
CLASSE MÉDIA +----+-----+----+----+----+---+----+----+----+----+|
< - 80,0000 |
- 70,0000 | ****** |
- 50,0000 | *** |
- 30,0000 | ******** |
- 10,0000 | ******** |
10,0000 | ***** |
30,0000 | ******** |
50,0000 | ****** |
70,0000 |* |
90,0000 |* |
110,0000 | |
> = 120,0000 | |
+----+-----+----+----+----+---+----+----+----+----+

Uma vez que RMSE é não corrigida para graus de liberdade perdidos, aplicamos um fator de
correção (CF) como um multiplicador para RMSE para obter a estimativa imparcial do erro padrão
da previsão (- F ):

N
CF =
N-n

Onde n é o número de graus de liberdade perdidos no processo de construção do modelo. Nós

estimamosn para ser o número de constantes de suavização no modelo, ou três neste caso.
Portanto,

-$ F- RMSE - CF
30
- 44,17
30 - 3
- 44,17 -1,054
- 46,56

Agora com z @ 95% = 1,96 de uma tabela de distribuição normal, podemos ter 95 por cento de confiança
que o verdadeiro uso de combustível de 87 octanas Y na segunda-feira da semana 6 será:

771 - 1,96 (46,56) < Y < 771 + 1,96 (46,56)

680 < Y < 862 galões

86
Impresso por Caio hudson Mosl, CPF 140.515.907-39 para uso pessoal e privado. Este material pode ser protegido por direitos autorais
e não pode ser reproduzido ou repassado para terceiros. 27/10/2021 15:26:09

METRO HOSPITAL

Você é o gerente de materiais do Metro Hospital. Há cerca de um ano, o hospital começou a

estocar um novo medicamento (Ziloene) que auxilia no processo de cicatrização de feridas e
suturas. É sua responsabilidade prever e solicitar o fornecimento mensal de Ziloene. O
objetivo é minimizar o custo combinado de estoque excessivo e insuficiente do medicamento.
Os pedidos são feitos e recebidos no início do mês e a demanda ocorre ao longo do mês. Os
seguintes dados de demanda e custo foram compilados.
Custos. Se for pedido mais do que o exigido, haverá um custo de manutenção mensal de $ 1,00 por
caixa. Se for pedido menos do que o exigido, incorrerá um custo de vendas perdidas de $ 2,00 por caixa.
O medicamento tem uma vida útil curta e qualquer produto com excesso de estoque no final do mês é
inútil e não está mais disponível para atender à demanda.
Demanda. A demanda para os doze meses do ano passado foi:

Demanda do ano passado

Mês 1 2 3 4567 8 9 10 11 12
Estojos 43 36 24 69 34 75 90 67 59 51 77 50

Você acredita que essa demanda seja representativa do padrão de uso normal do Metro.

FIGURA 1 Gráfico da demanda mensal do ano passado em casos

87
Impresso por Caio hudson Mosl, CPF 140.515.907-39 para uso pessoal e privado. Este material pode ser protegido por direitos autorais
e não pode ser reproduzido ou repassado para terceiros. 27/10/2021 15:26:09

Planilha de Decisão

Estojos Real Sobre @ Baixo @

Mês ordenou exigem $ 1 / caixa $ 2 / caixa Custo, $
1 (13)
2 (14)
3 (15)
4 (16)
5 (17)
6 (18)
7 (19)
8 (20)
9 (21)
10 (22)
11 (23)
12 (24)
Total

Estojos Real Sobre @ Baixo @

Mês ordenou exigem $ 1 / caixa $ 2 / caixa Custo, $
1 (25)
2 (26)
3 (27)
4 (28)
5 (29)
6 (30)
7 (31)
8 (32)
9 (33)
10 (34)
11 (35)
12 (36)
Total

88
Impresso por Caio hudson Mosl, CPF 140.515.907-39 para uso pessoal e privado. Este material pode ser protegido por direitos autorais
e não pode ser reproduzido ou repassado para terceiros. 27/10/2021 15:26:09

METRO HOSPITAL
Nota de exercício

Propósito
Metro Hospital é um exercício em sala de aula desenvolvido para ilustrar a relação entre uma boa
previsão e o controle de custos relacionados ao estoque. Isso mostra que os participantes de
é o principal fator para minimizar os custos de estoque. previsões precisas neste exercício usam um
variedade de métodos, muitas vezes intuição, para prever a demanda e chegar a uma quantidade
de compra. Seu desempenho é medido como custos de excesso ou falta de estoque. Usando um
modelo de previsão de suavização exponencial simples e uma compreensão do desvio padrão da
previsão, um plano de compra eficaz pode ser construído. Esse processo resulta em custos
significativamente mais baixos do que a maioria dos participantes é capaz de atingir usando
métodos intuitivos.

Administração
O material descritivo e a ficha de decisão devem ser distribuídos à turma no
momento da realização do exercício. Distribuir o material com antecedência pode
tirar muito do drama do exercício. Cerca de meia hora deve ser programada para a
execução do exercício.
O instrutor pede à turma que tome uma decisão quanto ao tamanho do pedido a ser feito no
próximo período e que registre na planilha. Os participantes são então informados da demanda
para aquele período pela Tabela 1 após o tempo simulado de um mês ter passado. Uma vez que
agora eles sabem a demanda real para o período, os participantes são solicitados a registrar seus
custos e, em seguida, fazer um pedido para o período seguinte. O padrão se repete por pelo menos
doze meses, um ciclo sazonal completo. Os participantes são solicitados a somar seus custos e
relatá-los ao líder do exercício. Eles são exibidos em um local público, como um quadro-negro, para
que todos possam ver. Em seguida, o líder do exercício anuncia seu nível de custo que foi
alcançado usando uma abordagem disciplinada usando um procedimento de previsão simples e
algumas estatísticas básicas.

TABELA 1 Demanda real para o período 13 a 36

Período 13 14 15 16 17 18 19 2047 70 55 38 90 24 21 22 23 24
Demanda 65 65 23 55 85 66

Período 25 26 27 28 29 30 31 32 33 34 35 36
Demanda 53 64 61 63 65 38 80 88 45 70 50 56

Análise quantitativa
A série de demanda foi gerada usando uma distribuição normal com uma variância razoavelmente
alta e uma tendência ascendente muito leve. Para ilustrar o uso de uma abordagem quantitativa
para previsão, um modelo de suavização exponencial foi selecionado, embora outros métodos,
como decomposição de séries temporais, também sejam apropriados. Os doze pontos de dados
históricos foram submetidos ao módulo FORECAST do LOGWARE. Foram escolhidos um período de
inicialização de três meses e um período de três meses para o cálculo das estatísticas de erro. As
constantes de suavização para os modelos sazonais de nível, tendência de nível e tendência de nível
foram examinadas. Com base no erro quadrático médio da raiz (RMSE), o melhor modelo

89
Impresso por Caio hudson Mosl, CPF 140.515.907-39 para uso pessoal e privado. Este material pode ser protegido por direitos autorais
e não pode ser reproduzido ou repassado para terceiros. 27/10/2021 15:26:09

foi o nível-tendência-sazonal (RMSE = 13,59), mas o modelo de nível com - = 0,19 eRMSE =
13,89 teve um desempenho muito bom e é usado aqui. O modelo é:

Ft-1 - 0.19 UMAt - 0.81Ft

Onde

F t -1 - previsão para o próximo período t- 1

UMA
t - demanda real para o período atualFt t
- previsão para o período atual t

LOGWARE fornece um valor de previsão de 58,1 e isso é usado como o valor de previsão para o período 13.
A aplicação deste modelo simples de nível apenas para a demanda do segundo ano, conforme é revelada em
cada período, fornece os seguintes valores de previsão:

TABELA 2 Exponencial Simples

Suavizando valores de previsão
para o próximo ano
Real
Período exigem Previsão
13 47 58,1
14 70 56,0
15 55 58,7
16 38 58,0
17 90 54,2
18 24 61,0
19 65 54,0
20 65 56,1
21 23 57,8
22 55 51,2
23 85 51,9
24 66 54,6

Agora devemos determinar a quantidade do pedido. Pode ser calculado a partir de

Q-F - z (RMSE)
t-1

Lembre-se do RMSE foi de 13,89 para este modelo. Para ser mais preciso, calculamosz por tentativa e
erro. A quantidade do pedido a seguir e os cálculos de custo podem ser feitos para umz valor de 0,8
(Tabela 3).

90
Impresso por Caio hudson Mosl, CPF 140.515.907-39 para uso pessoal e privado. Este material pode ser protegido por direitos autorais
e não pode ser reproduzido ou repassado para terceiros. 27/10/2021 15:26:09

TABELA 3 Quantidade do pedido de compra e custos de estoque associados

Real Pedido Unidades Unidades

Período exigem Previsão quantidade sobre baixo Custo, $

13 47 58,1 69* 22 22
14 70 56,0 67 3 6
15 55 58,7 70 15 15
16 38 58,0 69 31 31
17 90 54,2 65 25 50
18 24 61,0 72 48 48
19 65 54,0 65 0
20 65 56,1 67 2 2
21 23 57,8 69 46 46
22 55 51,2 62 7 7
23 85 51,9 63 22 44
24 66 54,6 66 0
271
*
Q = 58,1 + 0,8 (13,89) = 69,21 ou 69

Vemos no gráfico a seguir (Figura 1) que z = 0,8 é o ideal.

FIGURA 1 Gráfico dos custos anuais totais em relação ao fator z

310

305

300

295

290
Custo, $

285

280

275

270

265
0 0,2 0,4 0,6 0,8 1 1,2 1,4
Z

91
Impresso por Caio hudson Mosl, CPF 140.515.907-39 para uso pessoal e privado. Este material pode ser protegido por direitos autorais
e não pode ser reproduzido ou repassado para terceiros. 27/10/2021 15:26:09

A Figura 2 mostra graficamente o padrão de boa compra da Tabela 3.

FIGURA 2 Gráfico da previsão e quantidade do pedido de compra na demanda do produto

100
90 Pedido
quantidade
80
70
60
Estojos

50 Demanda

40 Previsão
30
20
10
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Período de tempo

Resumo
O líder do exercício deve discutir que um dos problemas com a previsão intuitiva da demanda é a
reação exagerada à aleatoriedade no padrão de demanda. Isso tem o efeito de causar custos
excessivos e curtos extremos nos estoques. Um modelo de previsão de curto prazo integrado ao
processo de compras e controle de estoque pode ajudar a evitar esses extremos e reduzir custos.
Vários modelos de previsão podem ter um bom desempenho, como suavização exponencial, uma
média móvel simples, um modelo de regressão ou um modelo de decomposição de série temporal.
Um dos mais práticos para fins de controle de estoque é o modelo de suavização exponencial. Os
resultados de um modelo simples, apenas de nível, foram ilustrados acima usando as mesmas
informações que estavam disponíveis para os participantes.
Reconhecendo que é menos caro pedir muito do que pedir muito pouco, a quantidade de
compra deve exceder a previsão em alguma margem. O participante astuto provavelmente
irá aproximar o desvio padrão da demanda da faixa da demanda
valores, isto é, - = (Max - Min) / 6. Então, um ou dois- pode ser usado para adicionar uma margem de
segurança à previsão e ao tamanho do pedido de compra. Este procedimento de aproximação simples
pode levar a resultados razoáveis.

92