Академический Документы
Профессиональный Документы
Культура Документы
PREVISO DA DEMANDA
Maximizao da Lucratividade.
2.1.
CONSIDERAES INICIAIS
2.2.
CARACTERSTICAS DA PREVISO
tomada ao se deparar com uma srie histrica construir o seu grfico para
observar a sua evoluo ao longo do tempo. Chatfield (The Analysis of Time
Series, 1995) mais incisivo: qualquer um que tente analisar uma srie histrica
sem plotar os dados primeiro estar pedindo problemas. O grfico poder
mostrar alm das tendncias e sazonalidades, os chamados outliers, ou variaes
anormais da demanda. Os outliers necessitam ser identificados e explicados.
Aps a sua identificao, a variao anormal dever ser de alguma forma ajustada,
de maneira que a anlise dos dados no fique distorcida.
(a) Srie Histrica sem tendncia (b) Srie com tendncia de crescimento sem sazonalidade
60 60
40 40
Unidades
Unidades
PUC-Rio - Certificao Digital N 0621498/CA
20 20
0 0
0 5 10 15 20 25 30 0 5 10 15 20 25 30
Tem po Tem po
60
40
Unidade
20
0
1 6 11 16 21
Tem po
Ou
xt = a + t eq(1)
PUC-Rio - Certificao Digital N 0621498/CA
aleatrio (ou erro), que ter mdia zero e varincia 2 (figura 1.a);
xt = a + b t + t eq(2)
xt = ( a + b t ) Ft + t eq(3)
2.3.
MTODOS DE PREVISO
indica que muitas vezes os mtodos mais simples (portanto, com menores
custos) atingem resultados to bons quanto os mais complexos. Segundo
Makridakis (Forecasting and Planning: An Evaluation, Management Science
27, n 2 fevereiro 1981, 115-138), em geral, a complexidade dos modelos de
previso no diminui consideravelmente a margem de erro.
2.3.1.
Mdia Simples
2.3.2.
Mdia Mvel
Rt + Rt 1 + Rt 2 + (...) + Rt n +1
Pt +1 = M t = eq(5)
n
Onde:
2.3.3.
PUC-Rio - Certificao Digital N 0621498/CA
Este modelo j pode ser utilizado em sries com tendncia. O seu clculo
dividido em cinco etapas:
at = M t + ( M t MMDt ) eq(8)
Pt +1 = at + bt . eq(10)
Comparativo de Previses
Mdias Simples, Mvel e Dupla
3000
2500
2000
unidades
1500
1000
500
0
1 2 3 4 5 6 7 8 9 10 11 12
Ms
mdia simples mdia mvel N=3
mdia dupla N=3 Realizado
dupla.
FONTE: Gerncia da CAM.
A mdia mvel dupla apresenta, neste caso, uma previso mais prxima da
demanda ao longo do tempo. At o dcimo ms podemos observar que este
mtodo apresenta erros menores que os outros, contudo a sua resposta ao aumento
de demanda a partir do dcimo ms, acaba ficando abaixo da mdia mvel. A
partir deste momento a Mdia Mvel passa a estar mais perto do realizado que a
Mdia Mvel Dupla.
38
2.3.4.
Amortecimento Exponencial Simples
1 n
EMQ = ( Rt Pt ) 2 eq(11)
n t =1
Onde:
Rt - Valor observado no instante t;
PUC-Rio - Certificao Digital N 0621498/CA
Pt +1 = Rt + (1 ) Rt 1 + (1 ) 2 Rt 2 + (...) eq(12)
Onde:
Pt +1 - Previso para o perodo t+1;
2.3.5.
Amortecimento Exponencial Duplo (Modelo De Brown)
4. Clculo de estimativa de tendncia: bt = ( Pt Pt ') eq(17)
1
1
P0 = a 0 b0 eq(19)
1
P0' = a 0 2 b0 eq(20)
Onde:
a0
= coeficiente linear obtido atravs da regresso linear dos valores da
srie pelos nmeros dos perodos;
b0
= coeficiente angular obtido atravs da regresso dos valores da srie
pelos nmeros dos perodos.
2.3.6.
Amortecimento Exponencial - Mtodo De Holt
Onde:
N t - Nvel para o perodo t;
Cabe aqui destacar que o Excel possui uma ferramenta que realiza
facilmente o clculo de regresso linear (menu Ferramentas Anlise de Dados
Regresso).
2.3.7.
Amortecimento Exponencial Modelo de Winters
Ou
Rt
3. Estimao da sazonalidade: S t = ( ) + (1 ) S t p eq(26)
Nt
Sendo p o nmero de perodos sazonais (doze no caso de sries mensais e
quatro para sries trimestrais);
4. Equao de previso para k perodos futuros:
Pt + k = ( N t + Tt k ) S t eq(27)
Onde:
PUC-Rio - Certificao Digital N 0621498/CA
t +( p / 2)
Rt = R /pi eq(28)
i =t ( p / 2)
t 1+ ( p / 2 )
Rt = Rt ( p / 2) + Rt + ( p / 2) + 2 Ri / 2 p eq(29)
i =t +1 ( p / 2 )
PUC-Rio - Certificao Digital N 0621498/CA
A seguir calcula-se, ento, os fatores sazonais (S) para cada perodo da srie
histrica. Para tal, basta dividir a demanda original pela demanda
dessazonalizada: S t = Rt / Rt . eq(31)
46
Por exemplo, dada uma srie histrica com um perodo sazonal de trs
meses de um total de doze, o que significa quatro perodos de sazonalidade
anuais, obtem-se os fatores de sazonalidade da seguinte forma:
S1 = (S 1 + S 5 + S 9 ) / 3 eq(32)
S2 = (S 2 + S 6 + S 10 ) / 3 eq(33)
S3 = (S 3 + S 7 + S 11) / 3 eq(34)
PUC-Rio - Certificao Digital N 0621498/CA
S4 = (S 4 + S 8 + S12 ) / 3 eq(35)
2.3.8.
Modelos ARIMA de BOX e JENKINS
1 T
k = ( X t )( X t + K ) eq(36)
T k 1 t = k +1
Souza (1991) ainda comenta que para se obter uma boa estimativa da
funo de autocorrelao, necessitamos de pelo menos 50 observaes. A
sua frmula dada por:
T
( X t )( X t k )
k = t = k +1
T eq(37)
( X t X t K ) 2
t = k +1
B k X t = X t k eq(38)
Xt = k at k eq(39)
k =0
Onde:
q ( B)
- k o filtro linear definido por: k = ;
p ( B)
- at k - Rudo branco ou resduo.
Desta forma, os modelos ARMA(p,q) de Box & Jenkins podem ser escritos como:
p ( B ) X t = q ( B)at eq(40)
AR MA
Onde:
d X t = X t X t 1 eq(41)
PUC-Rio - Certificao Digital N 0621498/CA
d [D X t ] = D [ X t X t 1 ] = X t 2 X t 1 X t 2 eq(42)
2.3.8.1.
Modelo Auto-regressivo (AR)
X t = 1 X t 1 + 2 X t 2 + 3 X t 3 + (...) + p X t p + t eq(43)
Onde:
X t - Valor da srie temporal no instante t;
(1 1 B 2 B 2 ... p B p ) X t = t ( B) X t = t eq(44)
PUC-Rio - Certificao Digital N 0621498/CA
X t = 1 X t 1 + 2 X t 2 + t eq(46)
do MSE.
t = X t (1 X t 1 + 2 X t 2 ) eq(47)
i2
Sendo que deve-se minimizar .
n
2.3.8.2.
Modelo de Mdias Mveis (MA)
O modelo de mdias mveis MA(q) pode ser descrito, na sua forma geral,
como:
X t = t 1 t 1 2 t 2 (...) q t q eq(48)
Onde:
X t - Valor da srie temporal no instante t;
(1 1 B 2 B 2 ... p B p ) t = X t ( B ) t = X t eq(49)
X t = t 1 t 1 eq(50)
X t = t 1 t 1 2 t 2 eq(51)
2.3.8.3.
Modelos Auto-regressivos de Mdias Mveis (ARMA)
combinado dos dois modelos ser melhor do que se for trabalhado com o modelo
AR(p) e MA(q) separadamente, resultando em modelos mais parcimoniosos. A
expresso geral do modelo dada por:
X t = 1 X t 1 + t 1 t 1 eq(53)
X t = 1 X t 1 + 2 X t 2 + t 1 t 1 eq(54)
2.3.8.4.
Identificao
Figura 6 Grficos Tericos de ACF e PACF de uma srie, indicando um modelo AR(1).
FONTE: Adaptado do livro Forecasting Methods and Applications, Makridakis 1978.
PUC-Rio - Certificao Digital N 0621498/CA
Figura 7 Grficos Tericos de ACF e PACF de uma srie, indicando um modelo AR(2).
FONTE: Adaptado do livro Forecasting Methods and Applications, Makridakis 1978.
Figura 8 Grficos Tericos de ACF e PACF de uma srie, indicando um modelo MA(1)
FONTE: Adaptado do livro Forecasting Methods and Applications, Makridakis 1978.
58
Figura 9 Grficos Tericos de ACF e PACF de uma srie, indicando um modelo MA(2).
FONTE: Adaptado do livro Forecasting Methods and Applications, Makridakis 1978.
PUC-Rio - Certificao Digital N 0621498/CA
2.3.8.5.
Modelos Sazonais
Onde:
e - Parmetros do modelo sazonal;
e - Parmetros do modelo no-sazonal;
S Comprimento da sazonalidade (S = 12 para dados mensais);
(1 1 B 2 B 2 ... p B p ) - Refere-se ao termo auto-regressivo no-sazonal de
PUC-Rio - Certificao Digital N 0621498/CA
Wt = d X t = X t X t 1 (diferena) eq(56)
2.4.
MEDIDAS DE ERRO NA PREVISO
2.4.1.
Erro Absoluto Mdio (MAD)
erro utilizado para se evitar que os erros positivos anulem os erros negativos. A
sua frmula dada por:
n
Rt Pt
MAD = t =1
eq(59)
n
2.4.2.
Erro Percentual Absoluto Mdio (MAPE)
Rt Pt / Rt
MAPE = t =1
eq(60)
n
2.4.3.
Erro Quadrtico Mdio (MSE)
n
(Rt Pt )2
MSE = t =1
eq(61)
n
Esta medida amplifica o efeito dos outliers, que recebem uma grande
importncia quando deveriam ser desconsiderados da previso. Outra
caracterstica deste indicador que sua unidade de medida a unidade do valor
real ao quadrado. Este fato resolvido adotando-se a raiz quadrada do MSE, ou
RMSE (Root Mean Squared Error).
n
(Rt Pt )2
RMSE = t =1
= MSE eq(62)
n
63
2.4.4.
Vis Do Erro De Previso
Vis de Erro
1001147 Estojo para brinco argola grande
20,00
PUC-Rio - Certificao Digital N 0621498/CA
-
10
11
12
10
11
12
10
11
12
10
11
12
1
2
3
4
5
6
7
8
9
1
2
3
4
5
6
7
8
9
1
2
3
4
5
6
7
8
9
1
2
3
4
5
6
7
8
9
(20,00) 2004 2005 2006 2007
(40,00)
unidades
(60,00)
(80,00)
(100,00)
(120,00)
Ms
Figura 10 Vis de Erro de Previso. Exemplo estojos para brinco argola grande.
FONTE: Gerncia da CAM.
2.5.SOFTWARE
O processo de previso de demanda foi um dos que teve seu uso facilitado e
disseminado em funo deste processo de desenvolvimento tecnolgico. Hoje
existem no mercado diversos softwares que realizam clculos estatsticos
automaticamente, facilitando a vida dos analistas. Entretanto, a parte qualitativa
da previso ainda necessita do julgamento humano para atingir o seu objetivo. Em
PUC-Rio - Certificao Digital N 0621498/CA
Nas previses deste estudo, foi utilizado o software Forecast Pro, adotado
em grandes companhias nos EUA. Este software, a partir de uma srie histrica
fornecida, permite a identificao automtica de modelos e tambm a rpida
aplicao dos modelos univariados ajustados com o objetivo de previso.
2.6.
PROCESSO
Foram selecionados dez modelos de estojos para anlise, que representam 80%
dos estojos consumidos anualmente na empresa.
PUC-Rio - Certificao Digital N 0621498/CA