Universidade Federal Rural do Semi-

Árido

Previsão de Demanda
P R OF E S S OR A : A N A C LÁ U D IA N E GR E IR OS
D IS C IP LIN A : P LA N E JA ME N TO E C ON T R OLE D E OP E R A Ç ÕE S I
Previsão de Demanda

2
Previsão de Demanda

3
Planejamento
• Planejar é uma atividade comum a qualquer tipo de empresa,
independentemente de tamanho ou ramo a que se dedique.
Constantemente, todas as áreas estão envolvidas com planejamento,
de maneira formal ou informal. Há um sem-número de decisões que
compõem o próprio planejamento ou são dele derivadas, por exemplo:
§ quanto se deve fabricar de cada linha de produtos nos próximos
dias, semana ou meses;
§ tipos de produtos e/ou serviços a oferecer daqui a dois, três ou dez
anos;
§ necessidade de investimentos futuros, etc.

4
Métodos de Previsão
• Para se obter uma previsão, existem vários métodos disponíveis, que
em princípio podem ser usados em quaisquer circunstâncias,
dependendo de certos fatores. Os principais são:
§ disponibilidade de dados, tempo e recursos;
§ horizonte de previsão.

5
Métodos de Previsão
• Contudo, os métodos de previsão possuem algumas características
que são comuns a todos eles. Entre elas, podem-se citar:
§ Os métodos de previsão geralmente assumem que as mesmas
causas que estiverem presentes no passado, configurando a
demanda, continuarão presentes no futuro. Isso quer dizer que o
comportamento do passado é a base para se interferir sobre o
comportamento do futuro.
§ Os métodos não conduzem a resultados perfeitos, e a chance de
erro é tanto maior quanto mais nos aprofundarmos no futuro, ou
seja, quanto maior seja nosso horizonte de previsão.

6
Métodos de Previsão
Classificação dos métodos de acordo com a abordagem

Métodos Métodos
qualitativos quantitativos

7
Métodos Qualitativos
• Os métodos qualitativos são baseados no julgamento e na experiência
de pessoas que possam, por suas próprias características e
conhecimentos, emitir opiniões sobre eventos futuros de interesse.
§ Opiniões de executivos
§ Opinião da força de vendas
§ Pesquisa junto a consumidores
§ O método Delphi

8
Métodos Quantitativos
Métodos Causais
Regressão linear simples
𝑌 = 𝑎 + 𝑏𝑋 (1)
É utilizado o Método dos Mínimos Quadrados (MMQ) para minimizar o
erro quadrático do valores reais e estimados para obter as equações
capazes de calcular os parâmetros a e b da Equação (1).
Através do desenvolvimento da fórmula do erro e posterior derivação,
chegamos às chamadas equações normais:
∑$!"# 𝑌! = 𝑛𝑎 + 𝑏 ∑$!"# 𝑋! (2)
∑$!"# 𝑋! 𝑌! = 𝑎 ∑$!"# 𝑋! + 𝑏 ∑$!"# 𝑋!% (3)
9
Exercício
Para os pares a seguir, determine quais são os coeficientes da reta de
regressão e qual é a previsão 𝑌) para 𝑋 = 5.

10
Coeficiente de Correlação e de
Determinação
• A maior ou menor perfeição do relacionamento entre as variáveis 𝑋 e 𝑌
(perfeição do ajuste), obtida por meio da linha reta, pode ser medida
por meio do coeficiente de correlação 𝑟 .
• O coeficiente de correlação assume qualquer valor entre +1 e −1.
• O valor r = +1 indica uma correlação perfeita (os valores de 𝑌 são
obtidos com exatidão por meio dos valores de 𝑋) e positiva.
• O valor r = −1 indica uma correlação perfeita (os valores de 𝑌 são
obtidos com exatidão por meio dos valores de 𝑋) e negativa.
• Por correlação positiva entendemos que as variáveis 𝑋 e 𝑌 variam no
mesmo sentido, quando uma cresce a outra também o faz. Já a
correlação negativa indica sentidos opostos.
11
Coeficiente de Correlação
• Há mais de uma fórmula para se calcular o coeficiente de correlação
na regressão linear simples, embora todas elas sejam equivalentes.
Adotaremos a seguinte (Moreira, 2017):

$ ∑$
!"# '! (! ) ∑$
!"# '! ∑$
!"# (!
𝑟= . (4)
% %
$ ∑$
!"# ' % ) ∑$ '
!"# $ ∑$
!"# ( % ) ∑$ (
!"#

12
Coeficiente de Correlação
Exercício: Calcule o coeficiente de correlação para o exemplo anterior,
sabendo que para este exemplo tem-se os seguintes valores:
∑$!"# 𝑋! = 10; ∑$!"# 𝑌! = 78; ∑$!"# 𝑋! 𝑌! = 179 ; ∑$!"# 𝑋 % = 30; ∑$!"# 𝑌 % = 1274 .
A tabela abaixo mostra intervalos de 𝑟 e suas respectivas interpretações:
Intervalo de 𝒓 Correlação
0 ≤ 𝑟 < 0,2 Muito baixa
0,2 ≤ 𝑟 < 0,4 Baixa
0,4 ≤ 𝑟 < 0,6 Média
0,6 ≤ 𝑟 < 0,8 Alta
0,8 ≤ 𝑟 ≤ 1 Muito Alta

13
Coeficiente de Determinação
• Em vez de trabalhar com o coeficiente de correlação, pode-se trabalhar
com o coeficiente de determinação, que nada mais é do que o quadrado
do coeficiente de correlação, sendo, portanto, denotado como 𝑟 ! .
• O coeficiente de correlação varia de zero a +1. O uso do 𝑟 ! é
recomendável pois, além de levar a valores de correlação mais
conservadores, tem uma interpretação mais interessante. É a seguinte: o
coeficiente de correlação é interpretado com sendo a proporção de
variância comum entre 𝑌 e 𝑋, ou seja, a proporção de variação de 𝑌
explicada pela variação de 𝑋.
• Por exemplo, se 𝑟 ! = 0,85, isso significa que 85% da variação de 𝑌 é
explicada pela variação de 𝑋. Os outros 15% de variação são explicados
por causas desconhecidas.

14
Coeficiente de Determinação
• O coeficiente de determinação 𝑟 ! pode ser calculado diretamente, sem
necessidade de se calcular o coeficiente de correlação antes. Esse cálculo
pode ser feito utilizando-se a seguinte fórmula:
! ∑$ # & %
!"# $! %$
𝑟 = ∑$ & %. (5)
$
!"# ! %$

• A Equação (5) pode ser utilizada para qualquer tipo de regressão,

enquanto que a Equação (4) só pode ser utilizado para regressão linear
simples.
• Exercício para casa: Calcule o 𝑟 ! para o exercício anterior.

15
Métodos Quantitativos
Séries Temporais
Uma série temporal é uma sequência de observações da demanda (ou
de uma variável qualquer) ao longo do tempo.
Se o período coberto for suficientemente longo, o padrão de demanda
resultante permite distinguir quatro comportamentos ou efeitos
associados com uma série temporal:
§ Efeito de tendência
§ Efeito sazonal
§ Ciclo de negócios
§ Variações irregulares ou ao acaso
16
Séries Temporais
Modelos de Decomposição das Séries Temporais
Existem dois modelos para explicar como os componentes se combinam em uma série: o
modelo aditivo e o modelo multiplicativo.
Modelo aditivo:
𝑌 =𝑇+𝑆+𝐶+𝑖 (6)
onde temos
𝑌 = valor da série (demanda prevista)
𝑇 = componente de tendência
𝑆 = componente de sazonalidade
𝐶 = componente cíclica
𝑖 = resíduo devido a flutuações irregulares
17
Séries Temporais
O modelo multiplicativo é mais utilizado. Ele é representado pela seguinte equação:
𝑌 = 𝑇. 𝑆. 𝐶. 𝑖 (7)
No modelo multiplicativo apenas a tendência 𝑇 é expressa em unidades de demanda,
sendo as outras quantidades expressas em porcentagem dessa tendência.
A equação (7) pode ser simplificada se considerarmos que que o horizonte de previsão
é curto o suficiente para que estejamos sempre na mesma fase do ciclo de negócios, o
que faria 𝐶 = 1.
Admitindo ainda que os efeitos sazonais e as variações ao acaso possam ser reunidos
aproximadamente num só efeito, temos o modelo simplificado:
𝑌 = 𝑇. 𝑆 (8)
O 𝑆 já incorpora o efeito sazonal e as variações ao acaso.

18
Séries Temporais
Método das Médias
• O conjunto de modelos que estamos denominando genericamente de método
das médias possui algumas peculiaridades, são elas:
§ A previsão é sempre obtida por meio de algum tipo de média que leva em
conta valores reais anteriores da demanda.
§ Ao contrário do que acontece com as regressões, só podemos prever um
período à frente, embora seja possível conceber adaptações para se obter
um maior número de previsões futuras.
§ As médias são móveis, o que significa que, a cada nova previsão, são
abandonados (ou mais fracamente ponderados) os valores mais antigos
da demanda real e incorporados os mais novos.

19
Séries Temporais
Método das Médias
• Média Móvel Simples (MMS)
§ A regra fundamental desse modelo é a seguinte:
ü “A previsão para o período t, imediatamente futuro, é obtida tomando-se
a média aritmética dos n valores reais da demanda imediatamente
passados.”

20
Séries Temporais
Método das Médias
• Média Móvel Simples (MMS)
§ Exercício: Temos a seguir as demandas reais de um produto, em milhares
de unidades, de junho até setembro. Em termos de tempo, estamos
situados exatamente no início de outubro, mês para o qual queremos
estimar a demanda. Escolha o valor de 𝑛, que é a quantidade de meses
que entrarão no cálculo da demanda e calcule a demanda para outubro.

21
Séries Temporais
Método das Médias
• Média Móvel Ponderada (MMP)
§ A média móvel ponderada possui em comum com a MMS o fato de tomar
𝑛 valores reais anteriores da demanda para a composição da média.
Diferentemente da MMS, porém, os valores recebem pesos diferentes,
geralmente refletindo uma maior importância dada aos valores mais
recentes da demanda.
§ Exercício: No exercício anterior adote o sistema de pesos 0,2: 0,3: 0,5
para as demandas reais de julho, agosto e setembro e calcule a previsão
da demanda para o mês de outubro.

22
Séries Temporais
Método das Médias
• Média Móvel Exponencialmente Ponderada de 1º Ordem (MMEP1)
§ O modelo de média exponencialmente ponderada é mais sofisticado e
muito mais utilizado que os dois anteriores.
§ No caso da MMEP1, a previsão para o período t é dada por uma fórmula
empírica:
Previsão 𝑡 = Previsão 𝑡 − 1 + Fração do erro 𝑡 − 1 (9)
§ Essa fração do erro corresponde à diferença entre a previsão e o valor
real, ambos definidos para o período 𝑡 − 1 .

23
Séries Temporais
Método das Médias
• Média Móvel Exponencialmente Ponderada de 1º Ordem (MMEP1)
§ Em termos simbólicos, pode-se escrever:
𝐷* = 𝐷*)# + 𝛼 𝑌*)# − 𝐷*)# (10)
§ 𝐷* = previsão para o período 𝑡
§ 𝐷*)# = previsão para o período 𝑡 − 1
§ 𝛼 = constante de suavização ou de alisamento (fração do erro)
§ 𝑌*)# = demanda real para o período 𝑡 − 1

24
Séries Temporais
Método das Médias
• Média Móvel Exponencialmente Ponderada de 1º Ordem (MMEP1)
§ É conveniente observarmos que, qualquer que seja o período para o qual
se deseja a previsão, é sempre necessária a previsão do período
imediatamente anterior (𝐷*)#).
§ Dessa forma, ao iniciarmos uma sequência de previsões, o primeiro valor
deve ser obtido de alguma outra maneira que não por meio da Equação
(10).
§ O valor da constante de suavização também deve ser escolhido,
geralmente no intervalo entre 0 e 1.

25
Séries Temporais
Método das Médias
• Média Móvel Exponencialmente Ponderada de 1º Ordem (MMEP1)
§ Exercício: Retomemos o mesmo exemplo que utilizamos na ilustração da
MMS e da MMP. Assumindo que a demanda prevista de junho como sendo
igual a 10 (coincidente com o valor real) e adotando 𝛼 = 0,3, calcule a
demanda prevista de outubro.

26
Séries Temporais
• Média Móvel Exponencialmente Ponderada de 2º Ordem (MMEP2)
§ A MMEP2 corresponde ao que podemos chamar de “dupla suavização”. Trata-
se do mesmo modelo utilizado na MMEP de 1º Ordem, com a diferença que
ele é agora aplicado sobre a previsão obtida por MMEP de 1º Ordem:
( (
𝐷'( = 𝐷'%) + 𝛽 𝐷'%) − 𝐷'%) (11)
§ 𝐷'( = previsão de 2ª ordem para o período t
(
§ 𝐷'%) = previsão de 2º ordem para o período (t-1)
§ 𝛽 = constante de suavização de 2º ordem
§ 𝐷'%) = previsão de 1º ordem para o período (t-1)
§ 𝛽 também varia entre 0 e 1, assim como o 𝛼

27
Séries Temporais
• Média Móvel Exponencialmente Ponderada de 2º Ordem (MMEP2)
§ Exercício: Retomemos o mesmo exemplo que utilizamos na ilustração da
MMEP1. Assumindo que a demanda de segunda ordem prevista de junho
como sendo igual a 10 (coincidente com o valor real) e adotando β = 0,3,
calcule a demanda prevista de outubro.

28
Séries Temporais

29
Erro nas Previsões
• Indicadores de Adequação
§ Erro padrão da estimativa 𝑺𝒑
§ O erro padrão da estimativa é denotado por:
()(- %
𝑆, = $)%
. (12)

§ O 𝑌) denota o valor previsto. O erro padrão pode ser utilizado para

determinar um intervalo de confiança para a previsão.
§ Uma forma de controlarmos o desempenho da linha reta como preditor,
nos modelos causais, é verificarmos se a demanda real cai dentro do
intervalo de confiança para a demanda prevista. Se isso não acontecer, é
prudente abandonar o modelo ou refazê-lo.
30
Erro nas Previsões
• Indicadores de Adequação
§ Desvio Absoluto Médio (MAD) e Erro Médio Quadrático (MSE)
§ O MAD e o MSE são definidos como:
∑$
!"# (! ).!
𝑀𝐴𝐷 = ; (13)
$
∑$
!"# (! ).!
%
𝑀𝑆𝐸 = . (14)
$)#
Onde 𝐷 denota o valor previsto.

31
Erro nas Previsões
Exercício: Para o exemplo feito com MMEP1 e com MMEP2, calcule o MAD e
o MSE.

32
Referências
MOREIRA, D. A. Administração da produção e operações. 2º edição
revisada e ampliada. São Paulo: Cengage Learning, 2011.

33