1

PREVISO INTRODUO Previso a arte de especificar informaes significantes sobre o futuro (NARASIMHAN et aI., 1995). A previso deve estar relacionada a um conjunto de mtodos e ao conhecimento do previsor sobre o mercado, ao invs de simples adivinhao. Ela um dos principais dados de entrada para vrias funes e decises do PCP. As previses dentro do PCP costumam ser classificadas de acordo com o horizonte de planejamento (longo, mdio e curto prazo) a que se destina. No longo prazo, Planejamento de novas instalaes; Novos produtos; Gastos de capital. Planejamento agregado da produo; Anlises de capacidade agregadas. Auxiliam na programao da fora de trabalho; Na programao de compras; Nas anlises de capacidade de curto prazo;

No mdio prazo,

No curto prazo,

O claro entendimento dos princpios, alm de uma boa dose de experincia e conhecimento detalhado sobre o mercado e em particular sobre os clientes importantes e o julgamento pessoal do planejador, tambm so essenciais. FUNDAMENTOS PARA ELABORAR UMA BOA PREVISO 1) Os mtodos de previso geralmente pressupem que o comportamento causal que existiu no passado continuar a existir no futuro. O gerente de produo deve estar sempre atento a mudanas nas suposies originais da previso (as quais se baseavam em relaes do passado); O modelo deve ser alterado caso as suposies originais no sejam mais verdadeiras. 2) Os erros das previses no devem desestimular a utilizao destas, uma vez que o grau de acuracidade das previses deve ser medido em funo dos concorrentes da empresa, Erros de duas naturezas afetam as previses: O chamado rudo referente prpria aleatoriedade do mercado; o inevitvel e todas as empresas (incluindo os concorrentes) esto sujeitas a esse erro; portanto, ele no deve ser fonte de preocupao. O segundo tipo de erro ocorre devido a erros do mtodo de previso utilizado ou na escolha de parmetros referentes a esse mtodo. o Deve ser minimizado, uma vez que est relacionado qualidade do mtodo de previso empregado e dos parmetros da previso.
Planejamento da Produo I Parte I Prof. Eugenio Leone Neto

3) Previses agregadas so mais precisas do que as previses elaboradas para itens individuais Erros para mais ou para menos em termos de itens individuais acabam se compensando e esse resultado respaldado pela cincia Estatstica. 4) A exatido das previses diminui com o aumento do horizonte de planejamento Previses de longo prazo so mais incertas que as de mdio prazo, as quais so mais incertas que as de curto prazo. A consequncia dessa lei que as organizaes mais flexveis requerem um menor horizonte de planejamento de previses se beneficiando de previses mais exatas. Outra consequncia que se a previso for de mdio ou longo prazo, ela deve ser feita preferencialmente para itens agregados em famlias. No curto e curtssimo prazo ela pode ser feita para itens individualizados.

5) Um bom sistema de previso aquele que reage a variaes verdadeiras e ignora variaes aleatrias O sistema de previso deve distinguir verdadeiras alteraes nos padres de demanda de alteraes aleatrias. 6) A previso deve ser coerente (em relao ao horizonte de tempo considerado) com as decises que essa previso pretende apoiar De acordo com esse fundamento, o horizonte de planejamento da previso deve ser no mnimo igual ao tempo necessrio implementao das mudanas sugeridas pela previso. 7) A confiabilidade do sistema de previso fundamental muito importante que os usurios do sistema de previso confiem nas previses e isso se d por meio de um sistema de previso que funcione consistentemente. A previso precisa ser expressa em unidades significativas A escolha dessas unidades depende das necessidades do usurio. Os mtodos de previso devem ser fceis de compreender e simples de usar Mtodos simples facilitam o uso e entendimento e dessa forma a popularidade desses mtodos entre os usurios; Nos casos em que mtodos mais sofisticados necessitam realmente ser utilizados, a lgica e as razes da utilizao desses mtodos devem ser esclarecidas.

8)

9)

10) O processo de previso de vendas de responsabilidade conjunta das funes de marketing/vendas e produo.

Planejamento da Produo I Parte I

Prof. Eugenio Leone Neto

AS ETAPAS DO PROCESSO DE PREVISO Vrios autores de demonstram passos a serem seguidos no processo de previso (STEVENSON, 2002; TUBINO, 2007; SIPPER; BULFIN, 1997, dentre outros). Na verdade, as abordagens desses autores apresentam muitos aspectos em comum. Aqui mostramos cinco passos os quais entendemos que compem o processo de previso. PASSO 1: IDENTIFICAR O OBJETIVO DA PREVISO Identificao do objetivo da previso. Saber neste passo inicial a deciso que ser afetada pelo processo de previso. O grau de importncia dessa deciso que guiar os esforos e recursos necessrios previso. O que ser previsto, o nmero de itens a serem previstos, O valor agregado dos itens, o nvel de agregao, O horizonte de planejamento da deciso necessria (longo, mdio ou curto prazo), O grau de detalhe requerido pela previso (previses mensais, semanais etc.), O volume dos recursos a serem utilizados (mo de obra, tempo computacional, dinheiro etc.) O nvel de exatido necessrio.

Informaes importantes nesse passo inicial so:

Relao entre caractersticas importantes no processo de previso de vendas. Horizonte do Planejamento da deciso Longo Prazo Mdio Prazo Curto Prazo Nvel de Grau de detalhe Nvel de exatido Agregao requerido necessrio Alto Mdio Baixo Mensais Mensais ou semanais Semanais Mdio Mdio/Alto Alto

PASSO 2: SELECIONAR UMA ABORDAGEM DE PREVISO A seleo de uma abordagem de previso Qualitativa, Causal Baseada em sries temporais A existncia ou no de dados; A possibilidade de coleta desses dados; A natureza dos dados (quantitativos ou qualitativos); A existncia ou no de fatores causais. Abordagem qualitativa para a previso de demanda. o caso de um novo produto.
Prof. Eugenio Leone Neto

Quatro importantes parmetros:

Caso no existam dado ou estes sejam muito custosos para serem coletados

Planejamento da Produo I Parte I

Caso existam dados (ou no existam, mas podem ser coletados), Qual natureza desses dados (dados qualitativos ou quantitativos)? o Somente qualitativos (ou seja, inexistem dados quantitativos), a abordagem qualitativa a mais adequada. o Caso existam dados quantitativos, Deve-se verificar a existncia de algum fator causal. Existe o Fator Causal o a abordagem causal a mais adequada e deve ser utilizada. No exista um fator causal. o A abordagem baseada em sries temporais deve ser utilizada.

Fator Causal algum fator que influencia os dados de uma maneira conhecida e que ento pode auxiliar a previso dos dados. A escolha da abordagem de previso que muitas vezes a abordagem qualitativa (mtodo de pesquisa de mercado, Mtodo Delphi, dentre outros) pode ser utilizada para aumentar o grau de conhecimento a respeito do cliente, melhorando ou modificando previses quantitativas.

Figura:

Processo de escolha da abordagem de previso.

Planejamento da Produo I Parte I

Prof. Eugenio Leone Neto

PASSO 3: SELECIONAR OS MTODOS DE PREVISO E ESTIMAR OS PARMETROS Cada uma das trs abordagens de pesquisa composta de diversos mtodos de previso. Portanto, uma vez escolhida a abordagem de previso mais adequada, como vista no passo 2, o passo 3 do processo de previso de vendas a seleo dos mtodos de previso e a estimao de parmetros (caso os dados sejam quantitativos). Mtodos de previso. Abordagens de previso Mtodos de previso Consenso do comit executivo Analogia histrica Pesquisa de mercado Pesquisa de clientes Pesquisa da equipe de vendas Delphi Anlise de regresso Sistemas simultneos Simulao Mdia mvel Mdia mvel ponderada Suavizao exponencial Modelos com tendncia Modelos com sazonalidade

Abordagem qualitativa

Abordagem causal

Abordagem de sries temporais

A escolha do mtodo de previso dentro de cada abordagem depende de um maior conhecimento de cada mtodo. Devem ser estimados parmetros do modelo, tais como; o Constante de suavizao, o Taxa de tendncia, o ndice sazonal, e outros,.

PASSO 4: ELABORAR A PREVISO a realizao da previso propriamente dita, ou seja, a estimao dos valores para n perodos frente.

PASSO 5: MONITORAR, INTERPRETAR E ATUALIZAR A PREVISO Primeiramente, a previso realizada deve ser monitorada, o Visa identificar se ela est ou no sob controle, ou seja, se os erros so baixos e no apresentam vis nem para baixo nem para cima. Caso a previso esteja sob controle o Deve-se prever para perodos futuros, atualizando-se o modelo com o ltimo valor real disponvel. o Outros fatores devem ser levados em considerao, como por exemplo: Promoes, Propagandas, Aumento nos preos,
Prof. Eugenio Leone Neto

Planejamento da Produo I Parte I

Mesmo que a previso esteja sob controle, a anlise gerencial fundamental. Caso a previso no esteja sob controle, o Verificar erros na estimao de parmetros ou o Substituir o modelo ou ainda a prpria abordagem.

AS ABORDAGENS E OS MTODOS DE PREVISO A ABORDAGEM QUALITATIVA A abordagem qualitativa de previso tem um carter subjetivo e se baseia basicamente no julgamento do tomador de decises (baseado na intuio, emoo, experincia pessoal e valores) para a realizao da previso. Como vimos anteriormente, essa abordagem de previso utilizada principalmente quando no existem dados histricos disponveis ou quando estes so de carter qualitativo. Os mtodos de previso baseados na abordagem qualitativa podem envolver diversos nveis de sofisticao. Os principais mtodos de pesquisa qualitativos apresentados na literatura so: MTODO DO CONSENSO DO COMIT EXECUTIVO: Executivos dos vrios departamentos da empresa (marketing, operaes, finanas etc.) formam um comit para realizar a previso em conjunto. Esse mtodo na verdade uma previso de compromisso entre as reas da empresa. Tem como vantagem diminuir tendncias que estariam presentes caso fossem elaboradas por nico indivduo. Existe o risco que a diluio de responsabilidade da previso entre as pessoas faa com que a previso no seja to bem elaborada. MTODO DELPHI: Variao formal do mtodo anterior. Obtm uma previso baseado na opinio de um conjunto de especialistas em diversos campos. Com a finalidade de fornecer diversas vises e considerar diferentes fatores. H um coordenador e os especialistas no trocam informaes entre si. Os especialistas respondem questes a respeito de previses, fornecendo as razes para essas respostas. Os resultados so analisados pelo coordenador e novas perguntas so feitas refletindo os resultados do turno anterior. Isso repetido at que se chegue a um relativo consenso. Tem a vantagem de minimizar as influncias entre os especialistas e o custo baixo em funo da Internet. Entre trs e seis rodadas geralmente so necessrias para que se chegue a um consenso. Muito utilizado com produtos tecnolgicos

Planejamento da Produo I Parte I

Prof. Eugenio Leone Neto

MTODO DA ANALOGIA HISTRICA: baseada no histrico de um produto similar. particularmente til na elaborao da previso para novos produtos. MTODO DA PESQUISA DE MERCADO: Hipteses sobre o mercado so testadas por meio de entrevistas a uma amostra do mercado da empresa. Envolve tcnicas estatsticas na anlise dos resultados. normalmente utilizado para previses de longo prazo e para novos produtos. MTODO DA PESQUISA DE CLIENTES: uma particularidade do mtodo da Pesquisa de Mercado. A previso baseada nas informaes individuais de todos os clientes atuais e potenciais da empresa. adequado quando a empresa tem um nmero relativamente pequeno de clientes.

MTODO DA PESQUISA DA EQUIPE DE VENDAS: Apresenta um grau de semelhana com relao aos dois mtodos anteriores, adequado para empresas que vendem diretamente ao cliente e tm um bom sistema de comunicao, Se baseia nas estimativas dos vendedores individuais. A estimativas so condensadas nos nveis regionais, distritais e nacionais para se ter a previso geral.

A ABORDAGEM CAUSAL Identifica uma ou mais variveis (ditas independentes) que possam ajudar a prever a demanda futura para o produto em questo (varivel dependente). o Por exemplo, o nmero de refrigeradores (varivel dependente) Pode estar relacionado com variveis independentes, tais como: O nmero de casamentos, O preo do refrigerador, Renda per capita Nmero de habite-se. gerada uma equao matemtica, a qual permite que seja previsto o valor da varivel dependente a partir dos valores dados de uma ou mais variveis independentes. Os mtodos de previso mais utilizados dentro da abordagem causal so os mtodos de regresso.

dt = (xt-k) + t
Planejamento da Produo I Parte I Prof. Eugenio Leone Neto

Onde:

dt

demanda no perodo t (varivel de pendente) = Funo que representa o comportamento da varivel independente no perodo tk.

(xt-k)

t = Rudo (erro aleatrio), assumido como sendo normalmente distribudo com mdia zero e desvio padro
O valor de k indica a defasagem da relao entre a varivel dependente e a(s) varivel (is) independente (s). Recomenda-se que k seja maior ou igual a 1, pois dessa forma a previso da varivel independente se baseia num dado pelo menos um perodo passado da varivel independente. Se k for igual a 0 ento tem-se uma dificuldade prtica maior, uma vez que ser necessrio obter-se primeiramente a previso para a varivel independente e ento, baseada nesta, a previso para a varivel dependente. A descoberta de (xt-k) o que determina o tipo de regresso (linear simples, curvilnea ou mltipla). Plotar os dados uma maneira de tentar descobrir a natureza de (xt-k). REGRESSO LINEAR SIMPLES A regresso linear simples o modelo de regresso que envolve uma relao linear entre uma varivel dependente e uma varivel independente. A regresso linear simples pode ser representada pelo modelo:

dt = a + bxt_k + t
Onde:

a = coeficiente linear da reta (valor de d, quando x = 0) b = coeficiente angular da reta (inclinao)

Os valores de a e b so dados obtidos a partir do mtodo dos mnimos quadrados. Esse procedimento minimiza a somatria dos quadrados dos desvios (diferenas entre o valor real (d,) e o valor estimado (dado pela funo)).

Planejamento da Produo I Parte I

Prof. Eugenio Leone Neto

b= a=

Devem-se calcular tambm os Coeficientes de Correlao e de Determinao, os quais objetivam quantificar a qualidade da regresso, eles medem o valor das equaes de regresso como modelos de previso. O COEFICIENTE DE CORRELAO (r) Mede a direo e a fora da relao entre as variveis. O valor de -1 a + 1.

r pode ir de

Conforme mais o valor de r se aproximar de + 1, mais forte a correlao positiva entre as variveis. o O aumento no valor da varivel independente leva ao aumento no valor da varivel dependente e vice-versa.

Quanto mais o valor de r se aproximar de -1, mais forte a correlao negativa entre as variveis o O aumento no valor da varivel independente leva reduo no valor da varivel dependente e vice-versa. Um coeficiente de correlao com valor prximo a zero indica que no existe ou que baixa a correlao entre as variveis. O clculo de r dado abaixo.

r=

[ [

] ][

[ ] ]

2 O COEFICIENTE DE DETERMINAO (r )

O coeficiente de determinao o quadrado do coeficiente de correlao Mede o grau de qualidade que a linha de regresso se ajusta aos dados. 2 O r ter sempre valor entre 0 e 1 2 Valores de r maiores ou iguais a 0,85 indicam uma boa previso (SIPPER; BULFIN, 1997).

Planejamento da Produo I Parte I

Prof. Eugenio Leone Neto

10

O TESTE t DE STUDENT. Deve ser realizado para se verificar se o modelo de regresso confivel a verificao da existncia de uma relao significativa entre as variveis envolvidas no estudo. A hiptese nula que o(s) parmetro(s) da relao nulo, ou seja, que no existe relao entre as variveis, e a hiptese alternativa a existncia dessa relao. Uma maneira de se realizar esse teste de hiptese por meio da verificao do chamado Valor-P. o O valor P definido por Montgomery e Runger (2003) como sendo o menor nvel de significncia que conduz rejeio da hiptese nula o O Valor-P o menor nvel de significncia para o qual o parmetro da relao no nulo e portanto existe relao entre as variveis na regresso. o Nvel de significncia definido por Spiegel (1994) como a probabilidade mxima com a qual estaremos dispostos a correr o risco de a hiptese nula ser rejeitada quando deveria ser aceita. o Na prtica usual estabelecerem-se nveis de significncia de 5% ou 1%. Portanto, quando fizermos um teste t utilizando o Valor-P, o Se estabelecermos um nvel de significncia de 5%, e o valor-P for menor que 5%, Ento o parmetro da relao no nulo Portanto existe relao entre as variveis na regresso; o J se o Valor-P for maior que 5%, Ento o parmetro da relao nulo Portanto no existe relao entre as variveis na regresso.

ANLISE DE RESDUOS a diferenas entre os dados reais e os dados estimados Pode ajudar muito a indicar a existncia de outro padro mais apropriado para os dados.

Planejamento da Produo I Parte I

Prof. Eugenio Leone Neto

11

EXEMPLO 1: APLICAO DO MTODO DE REGRESSO LINEAR SIMPLES Uma empresa produtora de automveis deseja testar um modelo de regresso linear simples para prever a demanda por um tipo de automvel que comprado em grande parte por meio de financiamento. Ela acredita que a taxa de juros pode ser utilizada como varivel independente, uma vez que isso influencia bastante a compra desse modelo de automvel. Tambm acredita que pode utilizar uma defasagem de um perodo, uma vez que as alteraes de taxa de juros demoram um pouco para impactar na demanda. Os dados so mostrados na tabela a seguir Para essa situao, determine a equao de regresso, verificando se ela pode ser utilizada para prever a demanda de automveis. Em caso positivo, realize a previso para os prximos trs perodos.
Perodo da Taxa de Juros Avaliada 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Soma Perodo de Demanda de Automveis 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 Demanda de automveis 3.400 3.520 3.600 3.800 3.930 4.000 4.050 4.120 4.200 4.270 4.400 4.510 4.590 4.690 4.800 4.940 5.080 5.170 5.310 5.470 5.640 5.800 5.920 6.030 111.240

Taxa de Juros 1,65 1,58 1,52 1,52 1,41 1,38 1,38 1,3 1,3 1,22 1,18 1,18 1,15 1,1 1,1 1 1 0,95 0,9 0,9 0,84 0,8 0,75 0,75 27,86

Planejamento da Produo I Parte I

Prof. Eugenio Leone Neto

12

RESOLUO t
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 Soma

xt
1,65 1,58 1,52 1,52 1,41 1,38 1,38 1,3 1,3 1,22 1,18 1,18 1,15 1,1 1,1 1 1 0,95 0,9 0,9 0,84 0,8 0,75 0,75 27,86

dt
3400 3520 3600 3800 3930 4000 4050 4120 4200 4270 4400 4510 4590 4690 4800 4940 5080 5170 5310 5470 5640 5800 5920 6030 111.240

xt2

dt2

xtdt

b= b= a=
a=

) ( (

) )

( )
( )

=
Prof. Eugenio Leone Neto

Planejamento da Produo I Parte I

13

r=

[
( (

[
) ( )

[
) ( )

] ][

] ]

r=
r2 =

ANLISE DOS RESULTADOS 1 2 3 O quadro a seguir mostra o teste t para o exemplo. Valor Dados a respeito de Dados a respeito de 1 2 3 4 A anlise de resduos mostra um padro curvilneo nos desvios, o que indica que tambm um ajuste de modelos curvilneos pode ser apropriado (modelos polinomiais, por exemplo). Valor-P

a b

O nvel de significncia estabelecido foi de 5%. Os valores-P, tanto para o parmetro a, quanto para o parmetro b, Portanto,

Planejamento da Produo I Parte I

Prof. Eugenio Leone Neto

14

CLCULO E ANLISE PELO EXCEL PLOTAGEM LINHA DE TENDNCIA R2. 1. Selecionar os dados para a plotagem do grfico. Seleciona varivel dependente Com Ctrl+Alt pressionado seleciona a varivel independente. 2. Guia INSERIR Grfico => Disperso o Disperso com linhas retas e marcadores 3. Clicar na rea do grfico Guia LAYOUT o Linha de Tendncia Mais Opo de Linha de Tendncia Tipo de tendncia Linear Exibir equao do grfico Exibir R quadrado no grfico
7000

6000 y = -2867,7x + 7963,9 R = 0,978 5000

4000 Srie1 3000 Linear (Srie1)

2000

1000

0 0 0,2 0,4 0,6 0,8 1 1,2 1,4 1,6 1,8

Planejamento da Produo I Parte I

Prof. Eugenio Leone Neto

15

ANLISE DE DADOS 1. Guia DADOS Anlise de dados o Regresso Intervalo Y => Seleciona varivel dependente Intervalo X => Seleciona varivel independente Marcar Resduos Marcar Plotar Resduos 2. Somar os Resduos 3. Aumentar o tamanho do grfico de resduos
RESUMO DOS RESULTADOS Estatstica de regresso R mltiplo 0,9889551 R-Quadrado 0,97803219 R-quadrado ajustado 0,977033653 Erro padro 118,9288635 Observaes 24 ANOVA gl Regresso Resduo Total 1 22 23 Coeficientes 7963,93579 -2867,712095 SQ 13853630,36 311169,6404 14164800 MQ 13853630,36 14144,07456 F 979,4653089 F de significao 9,76939E-20

Interseo Varivel X 1

Erro padro Stat t 109,1030817 72,99459987 91,63070305 -31,29641048

valor-P 95% inferiores 9,576E-28 7737,669849 9,76939E-20 -3057,742541

Varivel X 1 Plotagem de resduos

300 200 Resduos 100 0 0 -100 -200 -300 Varivel X 1 0,2 0,4 0,6 0,8 1 1,2 1,4 1,6 1,8

Planejamento da Produo I Parte I

Prof. Eugenio Leone Neto

16

RESULTADOS DE RESDUOS Observao Y previsto Resduos 1 3232,210834 167,7891665 2 3432,95068 87,04931981 3 3605,013406 -5,013405887 4 3605,013406 194,9865941 5 3920,461736 9,538263666 6 4006,493099 -6,493099184 7 4006,493099 43,50690082 8 4235,910067 -115,9100668 9 4235,910067 -35,91006678 10 4465,327034 -195,3270344 11 4580,035518 -180,0355182 12 4580,035518 -70,03551818 13 4666,066881 -76,06688103 14 4809,452486 -119,4524858 15 4809,452486 -9,452485778 16 5096,223695 -156,2236953 17 5096,223695 -16,22369528 18 5239,6093 -69,60930002 19 5382,994905 -72,99490477 20 5382,994905 87,00509523 21 5555,05763 84,94236953 22 5669,766114 130,2338857 23 5813,151719 106,848281 24 5813,151719 216,848281

-1,90994E-11

Planejamento da Produo I Parte I

Prof. Eugenio Leone Neto

17

REGRESSO CURVILNEA O modelo de regresso linear simples especfico para o caso de uma relao linear entre a varivel dependente e a varivel independente. No entanto, o mtodo dos mnimos quadrados tambm pode ser utilizado para o caso de funes no lineares, como, por exemplo, as funes exponencial, logartmica, potncia, polinomial, dentre outras.

A FUNO EXPONENCIAL DO TIPO: ou

Unidades Vendidas 11 15 27 44 59 112 125 136 157 298 503 875 1.452 3.293 3.902 4.837 6.693 9.283

Semana 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

12.000 10.000 8.000 6.000 4.000 2.000 0 0 5 10 15 20

y = 7,1875e0,4038x R = 0,9876

Srie1 Exponencial (Srie1)

y = 7,1875e0,4038x
19 20 15.437 23.117

Planejamento da Produo I Parte I

Prof. Eugenio Leone Neto

18

A FUNO LOGARTMICA DO TIPO:

Ms 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

Necessidade de Funcionrios 99 251 444 474 475 498 500 525 552 556 575 608 625 632 647 660

Y = 182ln(x) + 157,04
17 18 19 20
700 600 500 400 Srie1 300 200 100 0 0 5 10 15 20 Logaritmo (Srie1)

675 686 695 705

y = 182,85ln(x) + 157,04 R = 0,9455

Planejamento da Produo I Parte I

Prof. Eugenio Leone Neto

19

A FUNO POTNCIA DO TIPO:

Preo de tabela 6,99 7,99 8,99 9,99 10,99 11,99 12,99 13,99 14,99

Unidades vendidas 9.985 8.110 6.039 5.721 4.555 4.075 3.290 2.592 2.289

12.000 10.000 8.000 6.000 4.000 2.000 0 0 5 10 15 20 Srie1 Potncia (Srie1)

y = 423544x-1,906 R = 0,9842

y = 423544x-1,906
15,99 5,99 2.150 13.968

A FUNO POLINOMIAL DE GRAU 2 e 3 GRAUS

Nas funes anteriores, a, b, c e d so os parmetros, y a varivel dependente e x a varivel independente.

Ano 1 2 3 4 5 6 7 8 9 10

Lucro 16,1 18,2 19,7 10,5 12,2 20,7 19,0 20,1 21,3 18,4
TENDNCIA 1 - GRAU 2 TENDNCIA 2 - GRAU 3

y = 0,0989x2 - 0,6123x + 17,182

11 12 22,4 24,1

y = -0,0634x3 + 1,1447x2 - 5,4359x + 22,62

16,9 12,7

Planejamento da Produo I Parte I

Prof. Eugenio Leone Neto

20

FUNO POLINOMIAL DE 2 GRAU

25,0 20,0 15,0 Srie1 10,0 5,0 0,0 0 2 4 6 8 Polinmio (Srie1)

y = 0,0989x2 - 0,6123x + 17,182 R = 0,2003

10 12

FUNO POLINOMIAL DE 3 GRAU

25,0

20,0

15,0

Srie1 Polinmio (Srie1)

10,0

5,0

y = -0,0634x3 + 1,1447x2 - 5,4359x + 22,62 R = 0,3048

0 2 4 6 8 10 12

0,0

As funes polinomiais podem ser calculadas no Excel at 6 grau.

Planejamento da Produo I Parte I

Prof. Eugenio Leone Neto

21

REGRESSO MLTIPLA A regresso mltipla o caso no qual duas ou mais variveis independentes afetam a varivel dependente. O modelo geral da regresso mltipla para n observaes e m variveis independentes o seguinte:

dt = b0 + b1x1t + b2x2t + bmxmt + t

t = 1, 2, ..., n b0, b1, b2, ..., bn = Parmetros (interseco e inclinaes) a serem estimados
EXEMPLO 2: APLICAO DO MTODO DE REGRESSO MLTIPLA Uma grande empresa de refrigeradores acredita que a demanda por um tipo de refrigerador de sua empresa pode ser estimada em funo de trs variveis independentes: nmero de casamentos, nmero de novas residncias construdas e o preo do refrigerador. A Tabela mostra os dados histricos para o exemplo.
Perodo 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 Nmero de casamentos 670 690 680 730 700 735 760 765 758 790 780 792 801 820 830 830 850 870 880 Nmero de novas residncias construdas 1.200 1.260 1.280 1.250 1.290 1.320 1.350 1.370 1.350 1.390 1.410 1.450 1.500 1.510 1.530 1.540 1.580 1.600 1.620 Preo do refrigerador 800 800 780 780 760 760 760 750 720 720 740 740 720 700 700 700 680 680 680 Demanda de refrigeradores 4.200 4.250 4.230 4.250 4.200 4.250 4.260 4.280 4.280 4.300 4.260 4.280 4.300 4.340 4.360 4.350 4.380 4.390

Planejamento da Produo I Parte I

Prof. Eugenio Leone Neto

22

EXCEL SELECIONAR REGRESSO; Selecionar o intervalo Y de entrada (corresponde aos dados histricos da varivel dt, no exemplo, a demanda de refrigeradores); Selecionar o intervalo X de entrada (corresponde aos dados histricos das variveis independentes, no exemplo, o nmero de casamentos, o nmero de novas residncias e o preo do refrigerador nos 18 perodos).
RESUMO DOS RESULTADOS Estatstica de regresso R mltiplo 0,948254182 R-Quadrado 0,899185993 R-quadrado ajustado 0,877582991 Erro padro 20,04534432 Observaes 18 Coeficientes 3788,362867 0,528542375 0,14450989 -0,149746507 Erro padro 509,1508697 0,346405385 0,164747179 0,424937513 Stat t 7,440550714 1,525791451 0,877161543 -0,352396535 valor-P 3,15133E-06 0,149332041 0,395202126 0,729789517

Interseo Varivel X 1 Varivel X 2 Varivel X 3

Para o exemplo o clculo de regresso resulta em:

bo = dt =

bl =

b2 =

b3 =

r2 =

O modelo, portanto, o seguinte:

O valor do r , em princpio, nos diz que

Teste t para o exemplo 2. VALOR VALOR-P 3,15133E-06 0,149332041 0,395202126 0,729789517

b0 b1 b2 b3

3788,362867 0,528542375 0,14450989 0,149746507

Planejamento da Produo I Parte I

Prof. Eugenio Leone Neto

23

Vemos na Tabela que a um nvel de significncia de 5% nos diz que:

CUIDADOS ESPECIAIS COM OS MODELOS DE REGRESSO Anlises dos coeficientes de correlao e determinao, bem como os testes da estatstica t (os quais podem ser tambm acompanhados pelo teste F), devem sempre ser realizados para verificar o potencial de utilizao do modelo de regresso na previso. recomendada em modelos de regresso a anlise de resduos (variaes). Como essas variaes so aleatrias, nenhum padro (como por exemplo ciclos ou tendncias) deve ser identificado. O Excel fornece na sua ferramenta de anlise de dados grficos de resduos. Para os exemplos 1 e 2 mostrados no foram identificados padres relevantes. necessria uma quantidade considervel de dados para elaborar a equao de regresso (nos exemplos apresentados utilizamos respectivamente 24 e 18 perodos). Os modelos de regresso so geralmente utilizados para previses de mdio prazo (horizonte maior que um ano). Modelos de regresso so teis para a previso quando identificada uma forte relao causal entre as variveis e tambm de extrema importncia que exista uma defasagem entre a varivel dependente e a(s) varivel(is) independente(s). Caso no exista essa defasagem, um erro adicional (o qual deve ser levado em considerao) acrescido ao modelo, que o da previso da(s) varivel(is) independente(s). Cuidados devem ser tomados ao se extrapolarem os resultados da regresso. Valores da varivel independente muito acima ou abaixo dos valores utilizados para elaborar a equao de regresso devem ser vistos como suspeitos, uma vez que estatisticamente somente valores dentro do intervalo de dados utilizados para a regresso devem ser considerados para a realizao da previso. Deve-se atentar escolha da relao causal. Muitas vezes, aparentemente, os dados aderem equao de regresso, porm, aps algum tempo percebe-se que no havia a relao causal; o que ocorria que ambos estavam crescendo ou decrescendo em funo de outra varivel.

Planejamento da Produo I Parte I

Prof. Eugenio Leone Neto

24

MTODOS AVANADOS EM MTODOS CAUSAIS SISTEMAS SIMULTNEOS Sistemas simultneos so modelos bastante parecidos com os modelos de regresso, porm, ao invs de uma simples equao, eles so compostos de uma srie de equaes simultneas. Geralmente tem vrias equaes e uma varivel dependente em uma equao pode ser uma varivel independente em outra. Exemplo: modelos economtrics. MTODOS DE SIMULAO Esses mtodos simulam o comportamento de um sistema. Eles geralmente consideram elementos estocsticos no problema. Esse mtodo requer grande nvel de detalhe e custos maiores.

Planejamento da Produo I Parte I

Prof. Eugenio Leone Neto