Escolar Documentos
Profissional Documentos
Cultura Documentos
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,
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
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
(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
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.
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:
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,
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.
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
Agora,
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:
(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
Uma banda de confiança de 95 por cento usando os resultados combinados pode ser construída como:
Y = 205,96 - z-18,28
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
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:
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?
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
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.
F - z (-$ F ) - Y - F - z (-$ F)
∑(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
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
-$ 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:
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 acredita que essa demanda seja representativa do padrão de uso normal do Metro.
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
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.
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:
Onde
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:
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
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
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