O documento discute métodos de previsão de demanda, incluindo padrões de demanda ao longo do tempo e aplicações de previsão em diferentes horizontes temporais. Ele também descreve o método causal de regressão linear, ilustrando como ele pode ser usado para prever a demanda de um produto com base em gastos de propaganda.

1. Previsão de
Demanda

2. Padrões de demanda

3. Quantidade Padrões de demanda
Tempo
Figura 9.1

4. Quantidade Padrões de demanda
Tempo
Figura 9.1
(a) Horizontal: os dados se agrupam em torno de uma linha horizontal.

5. Quantidade Padrões de demanda
Tempo
Figura 9.1
(b) Tendência: os dados aumentam ou diminuem consistentemente.

6. Quantidade Padrões de demanda
Ano 1
| | | | | | | | | | | |
J F M A M J J A S O N D
Figura 9.1 Meses
(c) Sazonal: os dados exibem picos e vales consistentemente.

7. Quantidade Padrões de demanda
Ano 1
Ano 2
| | | | | | | | | | | |
J F M A M J J A S O N D
Figura 9.1 Meses
(c) Sazonal: os dados exibem picos e vales consistentemente.

8. Quantidade Padrões de demanda
| | | | | |
1 2 3 4 5 6
Figura 9.1 Anos
(c) Cíclico: os dados revelam aumentos e diminuições
graduais ao longo de períodos extensos.

9. Aplicações da previsão da demanda

10. Aplicações da previsão da demanda
Horizonte de tempo
Curto prazo Médio prazo Longo prazo
(0 a 3 meses) (3 meses a (mais de
Aplicação 2 anos) 2 anos)
Previsão de
quantidade
Área de decisão
Técnica de
previsão
Tabela 9.1

11. Aplicações da previsão da demanda
Horizonte de tempo
Curto prazo Médio prazo Longo prazo
(0 a 3 meses) (3 meses a (mais de
Aplicação 2 anos) 2 anos)
Previsão de Produtos ou
quantidade serviços individuais
Área de decisão Gerenciamento
de estoques
Programa de
montagem final
Programa da força
de trabalho
Programa mestre
de produção
Técnica de Série temporal
previsão Julgamento
causal
Tabela 9.1

12. Aplicações da previsão da demanda
Horizonte de tempo
Curto prazo Médio prazo Longo prazo
Aplicação (0 a 3 meses) (3 meses a 2 anos) (mais de 2 anos)
Previsão de Produtos ou Vendas totais
quantidade serviços Grupos ou famílias de
individuais produtos ou serviços
Área de Gerenciamento Planejamento do staff
decisão de estoques Planejamento da
Programação de produção
montagem final Programa mestre de
Programa da força produção
de trabalho Compras
Programa mestre Distribuição
de produção
Técnica de Série temporal Julgamento
previsão Julgamento Causal
Causal
Tabela 9.1

13. Aplicações da previsão da demanda
Horizonte de tempo
Curto prazo Médio prazo Longo prazo
Aplicação (0 a 3 meses) (3 meses a 2 anos) (mais de 2 anos)
Previsão de Produtos ou Vendas totais Vendas totais
quantidade serviços Grupos ou famílias
individuais de produtos ou
serviços
Área de Gerenciamento de Planejamento de staff Localização
decisão estoques Planejamento da das instalações
Programação de produção Planejamento
montagem final Programa mestre da capacidade
Programa da força de produção Gerenciamento
de trabalho Compras de projeto
Programa mestre Distribuição
de produção
Técnica de Série temporal Julgamento Julgamento
previsão Julgamento Causal Causal
Causal
Tabela 9.1

14. Métodos causais:
Regressão linear em relação aos
dados reais

15. Métodos causais:
Regressão linear em relação aos
dados reais
Y
Variável dependente
X
Figura 9.2
Variável independente

16. Métodos causais: Regressão
linear em relação aos dados reais
Y
Variável dependente
X
Figura 9.2
Variável independente

17. Métodos causais:
Regressão linear em relação aos
dados reais
Y Equação de
regressão:
Variável dependente
Y = a + bX
X
Figure 9.2
Variável independente

18. Métodos causais:
Regressão linear em relação aos
dados reais
Y Equação de
regressão:
Variável dependente
Y = a + bX
Valor real
de Y
Valor de X usado
para estimar Y
X
Figura 9.2
Variável independente

19. Métodos causais:
Regressão linear em relação aos
dados reais
Y Equação de
Estimativa regressão:
Variável dependente
de Y a partir Y = a + bX
da equação
de regressão
Valor real
de Y
Valor de X usado
para estimar Y
X
Figura 9.2
Variável independente

20. Métodos causais:
Regressão linear em relação aos
dados reais
Desvio,
Y Equação de
ou erro
Estimativa regressão:
Variável dependente
de Y a partir Y = a + bX
da equação
de regressão
{ Valor real
de Y
Valor de X usado
para estimar Y
X
Figura 9.2
Variável independente

21. Métodos causais:
Regressão linear para
prever a demanda do produto

22. Métodos causais:
Regressão linear para
prever a demanda do produto
Mês Vendas Propaganda
(milhões de unidades) (milhares de $)
1 264 2,5
2 116 1,3
3 165 1,4
4 101 1,0
5 209 2,0
Exemplo 9.1

23. Métodos causais:
Regressão linear para
prever a demanda do produto
Mês Vendas Propaganda
(milhões de unidades) (milhares de $)
1 264 2,5 a = -8,137
2 116 1,3 b = 109,230X
3 165 1,4 r = 0,980
4 101 1,0
5 209 2,0
r2 = 0,960
syx = 15,603
Exemplo 9.1

24. Métodos causais:
Regressão linear para
prever a demanda do produto
300 —
Vendas (milhões de unidades)
250 —
Vendas Propaganda
Mês
200 — (milhões de unidades) (milhares de $)
a = -8,137
150 1
— 264 2,5
2 116 1,3 b = 109,230X
100 3
— 165 1,4 r = 0,980
4 101 1,0 r2 = 0,960
50 5 209 2,0
syx = 15,603
| | | |
1,0 1,5 2,0 2,5
Propaganda (milhares de dólares)
Figura 9.2

25. Métodos causais:
Regressão linear
300 —
Vendas (milhões de unidades)
250 —
Vendas Propaganda
Mês
200 — (milhões de unidades) (milhares de $)
a = -8,137
1501 — 264 2,5
2 116 1,3 b = 109,230X
1003 — 165 1,4 r = 0,980
4 101 1,0 r2 = 0,960
50 5 209 2,0
syx = 15,603
| | | |
1,0 1,5 2,0 2,5
Propaganda (milhares de dólares)
Figura 9.2

26. Métodos causais:
Regressão linear
300 —
Vendas (milhões de unidades)
250 —
Vendas Propaganda
Mês
200 — (milhões de unidades) (milhares de $)
1 264 2,5 a = -8,137
150 —
2 116 1,3 b = 109,230X
3
100 — 165 1,4 r = 0,980
4 101 1,0 r2 = 0,960
50
5 209 -8,137 + 2,0
Y= 109,230X syx = 15,603
| | | |
1,0 1,5 2,0 2,5
Propaganda (milhares de dólares)
Figura 9.2

27. Métodos causais:
Regressão linear
300 —
Vendas (milhões de unidades)
250 —
Vendas Propaganda
Mês
200 — (milhões de unidades) (milhares de $)
1 264 2,5 a = -8,137
150 —
2 116 1,3 b = 109,230X
3
100 — 165 1,4 r = 0,980
4 101 1,0 r2 = 0,960
50
5 209 -8,137 + 2,0
Y= 109,230X syx = 15,603
| | | |
1,0 1,5 2,0 2,5
Propaganda (milhares de dólares)
Figura 9.2

28. Métodos causais:
Regressão linear
300 —
Vendas (milhões de unidades)
250 —
Vendas Propaganda
Mês
200 — (milhões de unidades) (milhares de $)
1 264 2,5 a = -8,137
150 —
2 116 1,3 b = 109,230X
3
100 — 165 1,4 r = 0,980
4 101 1,0 r2 = 0,960
50
5 209 -8,137 + 2,0
Y= 109,230X syx = 15,603
| | | |
Previsão para o mês 6
1,0 1,5 2,0 2,5
Propaganda (milhares de dólares)
X = $1.750, Y = -8,137 + 109,230(1,75)
Figura 9.2

29. Métodos causais:
Regressão linear
300 —
Vendas (milhões de unidades)
250 —
Vendas Propaganda
Mês
200 — (millhões de unidades) (milhares de $)
1 264 2,5 a = -8,137
150 —
2 116 1,3 b = 109,230X
3
100 — 165 1,4 r = 0,980
4 101 1,0 r2 = 0,960
50
5 209 -8,137 + 2,0
Y= 109,230X syx = 15,603
| | | |
Previsão para o mês 6
1,0 1,5 2,0 2,5
Propaganda (milhares de dólares)
X = $1.750, Y = 183,016, ou 183.016 unidades
Figura 9.2

30. Métodos causais:
Regressão linear
300 —
Vendas (milhões de unidades)
250 —
Vendas Propaganda
Mês
200 — (milhões de unidades) (milhares de $)
1 264 2,5 a = -8,137
150 —
2 116 1,3 b = 109,230X
3
100 — 165 1,4 r = 0,980
4 101 1,0 r2 = 0,960
50
5 209 -8,137 + 2,0
Y= 109,230X syx = 15,603
| | | |
1,0 1,5 2,0 2,5
Propaganda (milhares de dólares)
Figura 9.2

31. Métodos causais:
Regressão linear
300 —
Vendas (milhões de unidades)
250 —
Sales Propaganda
Mês
200 — (milhões de unidades) (milhares de $)
1 264 2,5 a = -8,137
150 —
2 116 1,3 b = 109,230X
3
100 — 165 1,4 r = 0,980
4 101 1,0 r2 = 0,960
50
5 209 -8,137 + 2,0
Y= 109,230X syx = 15,603
| | | |
Se estoque atual = 62.500 unidades,
1,0 1,5 2,0 2,5
Propaganda (milhares de dólares)
produção = 183.016 - 62.500 = 120.516 unidades
Figura 9.2

32. Métodos causais:
Regressão linear
Vendas Propaganda
Mês (milhões de unidades) (milhares de $)
1 264 2,5
2 116 1,3
3 165 1,4
4 101 1,0
5 209 2,0
Exemplo 9.1

33. Métodos causais:
Regressão linear
Vendas Propaganda
Mês (milhões de unidades) (milhares de $)
1 264 2,5
2 116 1,3
3 165 1,4
4 101 1,0
5 209 2,0
Σ XY - nXY
a = Y - bX b=
Σ X 2 - nX 2
Exemplo 9.1

34. Métodos causais:
Regressão linear
Vendas, YPropaganda, X
Mês (milhões de unidades) (milhares de $) XY X2 Y2
1 264 2,5 660,0 6,25 69,696
2 116 1,3 150,8 1,69 13,456
3 165 1,4 231,0 1,96 27,225
4 101 1,0 101,0 1,00 10,201
5 209 2,0 418,0 4,00 43,681
Σ XY - nXY
a = Y - bX b=
Σ X 2 - nX 2
Exemplo 9.1

35. Métodos causais:
Regressão linear
Vendas, Y Propaganda, X
Mês (milhões de unidades) (milhares de $) XY X2 Y2
1 264 2,5 660,0 6,25 69,696
2 116 1,3 150,8 1,69 13,456
3 165 1,4 231,0 1,96 27,225
4 101 1,0 101,0 1,00 10,201
5 209 2,0 418,0 4,00 43,681
Total 855 8,2 1.560,8 14,90 164,259
Y = 171 X = 1,64
Σ XY - nXY
a = Y - bX b=
Σ X 2 - nX 2
Exemplo 9.1

36. Métodos causais:
Regressão linear
Vendas, Y Propaganda, X
Mês (milhões de unidades) (milhares de $) XY X2 Y2
1 264 2,5 660,0 6,25 69,696
2 116 1,3 150,8 1,69 13,456
3 165 1,4 231,0 1,96 27,225
4 101 1,0 101,0 1,00 10,201
5 209 2,0 418,0 4,00 43,681
Total 855 8,2 1.560,8 14,90 164,259
Y = 171 X = 1,64
1.560,8 - 5(1,64)(171)
a = Y - bX b=
14,90 - 5(1,64)2
Exemplo 9.1

37. Métodos causais:
Regressão linear
Vendas, Y Propaganda, X
Mês (milhões de unidades) (milhares de $) XY X2 Y2
1 264 2,5 660,0 6,25 69,696
2 116 1,3 150,8 1,69 13,456
3 165 1,4 231,0 1,96 27,225
4 101 1,0 101,0 1,00 10,201
5 209 2,0 418,0 4,00 43,681
Total 855 8,2 1.560,8 14,90 164,259
Y = 171 X = 1,64
a = Y - bX b = 109,230
Exemplo 9.1

38. Métodos causais:
Regressão linear
Vendas, Y Propaganda, X
Mês (milhões de unidades) (milhares de $) XY X2 Y2
1 264 2,5 660,0 6,25 69,696
2 116 1,3 150,8 1,69 13,456
3 165 1,4 231,0 1,96 27,225
4 101 1,0 101,0 1,00 10,201
5 209 2,0 418,0 4,00 43,681
Total 855 8,2 1.560,8 14,90 164,259
Y = 171 X = 1,64
a = 171 - 109,230(1,64) b = 109,230
Exemplo 9.1

39. Métodos causais:
Regressão linear
Vendas, Y Propaganda, X
Mês (milhões de unidades) (milhares de $) XY X2 Y2
1 264 2,5 660,0 6,25 69,696
2 116 1,3 150,8 1,69 13,456
3 165 1,4 231,0 1,96 27,225
4 101 1,0 101,0 1,00 10,201
5 209 2,0 418,0 4,00 43,681
Total 855 8,2 1.560,8 14,90 164,259
Y = 171 X = 1,64
a = - 8,137 b = 109,230
Exemplo 9.1

40. Métodos causais:
Regressão linear
Vendas, Y Propaganda, X
Mês (milhões de unidades) (milhares de $) XY X2 Y2
1 264 2,5 660,0 6,25 69,696
2 116 1,3 150,8 1,69 13,456
3 165 1,4 231,0 1,96 27,225
4 101 1,0 101,0 1,00 10,201
5 209 2,0 418,0 4,00 43,681
Total 855 8,2 1.560,8 14,90 164,259
Y = 171 X = 1,64
a = - 8,137 b = 109,230
Y = - 8,137 + 109,230(X)
Exemplo 9.1

41. Métodos causais:
300 —
Regressão linear
Vendas (milhões de unidades)
250 —
Vendas, Y Propaganda, X
Mês (milhões de unidades)
200 — (milhares de $) XY X2 Y2
1 264 2,5 660,0 6,25 69,696
2 116
150 — 1,3 150,8 1,69 13,456
3 165 1,4 231,0 1,96 27,225
4 101
100 — 1,0 101,0 1,00 10,201
5 209 2,0 418,0 4,00 43,681
Total 50855 8,2 1.560,8 14,90 164,259
Y = 171 X = 1,64
| | | |
1,0 1,5 2,0 2,5
a = - 8,137 b = 109,230
Propaganda (milhares de dólares)
Y = - 8,137 + 109,230(X)
Figura 9.3

42. Métodos causais:
300 —
Regressão linear
Vendas (milhões de unidades)
250 —
Vendas, Y Propaganda, X
Mês (milhões de unidades)
200 — (milhares de $) XY X2 Y2
1 264 2,5 660,0 6,25 69,696
2 116
150 — 1,3 150,8 1,69 13,456
3 165 1,4 231,0 1,96 27,225
4 101
100 — 1,0 101,0 1,00 10,201
5 209 2,0 418,0 4,00 43,681
Total 50855 8,2 1.560,8 14,90 164,259
Y = 171 X = 1,64
| | | |
1,0 1,5 2,0 2,5
a = - 8,137 b = 109,230
Propaganda (milhares de dólares)
Y = - 8,137 + 109,230(X)
Figura 9.3

43. Métodos causais:
300 —
Regressão linear
Vendas (milhões de unidades)
250 —
Vendas, Y Propaganda, X
Mês(milhões — unidades)(000 $) XY
200 de X2 Y2
1 264 2,5 660,0 6,25 69,696
2 116
150 — 1,3 150,8 1,69 13,456
3 165 1,4 231,0 1,96 27,225
4 101
100 — 1,0 101,0 1,00 10,201
5 209 2,0 418,0 4,00 43,681
Total 50855 8,2 1.560,8 14,90 164,259
Y = 171 X = 1,64
| | | |
1,0 1,5 2,0 2,5
a = - 8,137 b = 109,230
Propaganda (milhares de dólares)
Y = - 8,137 + 109,230(X)
Figura 9.3

44. Métodos causais:
Regressão linear
Vendas, Y Propaganda, X
Mês (milhões de unidades) (milhares de $) XY X2 Y2
1 264 2,5 660,0 6,25 69,696
2 116 1,3 150,8 1,69 13,456
3 165 1,4 231,0 1,96 27,225
4 101 1,0 101,0 1,00 10,201
5 209 2,0 418,0 4,00 43,681
Total 855 8,2 1.560,8 14,90 164,259
Y = 171 X = 1,64
Exemplo 9.1

45. Métodos causais:
Regressão linear
Vendas, Y Propaganda, X
Mês (milhões de unidades) (milhares de $) XY X2 Y2
1 264 2,5 660,0 6,25 69,696
2 116 1,3 150,8 1,69 13,456
3 165 1,4 231,0 1,96 27,225
4 101 1,0 101,0 1,00 10,201
5 209 2,0 418,0 4,00 43,681
Total 855 8,2 1.560,8 14,90 164,259
Y = 171 X = 1,64
nΣ XY - Σ X Σ Y
r=
[nΣ X 2 -(Σ X) 2][nΣ Y 2 - (Σ Y) 2]
Exemplo 9.1

46. Métodos causais:
Regressão linear
Vendas, Y Propaganda, X
Mês (milhões de unidades) (milhares de $) XY X2 Y2
1 264 2,5 660,0 6,25 69,696
2 116 1,3 150,8 1,69 13,456
3 165 1,4 231,0 1,96 27,225
4 101 1,0 101,0 1,00 10,201
5 209 2,0 418,0 4,00 43,681
Total 855 8,2 1.560,8 14,90 164,259
Y = 171 X = 1,64
r = 0,980
Exemplo 9.1

47. Métodos causais:
Regressão linear
Vendas, Y Propaganda, X
Mês (milhões de unidades) (milhares de $) XY X2 Y2
1 264 2,5 660,0 6,25 69,696
2 116 1,3 150,8 1,69 13,456
3 165 1,4 231,0 1,96 27,225
4 101 1,0 101,0 1,00 10,201
5 209 2,0 418,0 4,00 43,681
Total 855 8,2 1.560,8 14,90 164,259
Y = 171 X = 1,64
r = 0,980 r 2 = 0,960 σ YX = 15,603
Exemplo 9.1

48. Métodos causais:
Regressão linear
Vendas, Y Propaganda, X
Mês (milhões de unidades) (milhares de $) XY X2 Y2
1
Previsão para 2,5mês 660,0
264
o 6: 6,25 69,696
2 116 1,3 150,8 1,69 13,456
3 Dispêndio com propaganda = $1.750
165 1,4 231,0 1,96 27,225
4 101 1,0 101,0 1,00 10,201
5 209= -8,137 + 109,230(1,75) 4,00
Y 2,0 418,0 43,681
Total 855 8,2 1.560,8 14,90 164,259
Y = 171 X = 1,64
r = 0,980 r 2 = 0,960 σ YX = 15,603
Exemplo 9.1

49. Métodos causais:
Regressão linear
Vendas, Y Propaganda, X
Mês (milhões de unidades) (milhares de $) XY X2 Y2
1
Previsão para 2,5mês 660,0
264
o 6: 6,25 69,696
2 116 1,3 150,8 1,69 13,456
3 Dispêndio com propaganda = $1.750
165 1,4 231,0 1,96 27,225
4 101 1,0 101,0 1,00 10,201
5 209= 183.016 ou 183,016, depende43,681
Y 2,0 418,0 4,00
Total 855 8,2 1.560,8 14,90 164,259
Y = 171 X = 1,64
r = 0,980 r 2 = 0,960 σ YX = 15,603
Exemplo 9.1

50. Métodos de série temporal:
Médias Móveis Simples

51. Métodos de série temporal:
Médias Móveis Simples
450 —
Chegadas de pacientes
430 —
410 —
390 —
370 —
| | | | | |
0 5 10 15 20 25 30
Semana
Exemplo 9.2

52. Métodos de série temporal:
Médias Móveis Simples
450 —
Chegadas de pacientes
430 —
410 —
390 —
370 —
Chegadas reais
de pacientes
| | | | | |
0 5 10 15 20 25 30
Semana
Figura 9.4

53. Métodos de série temporal:
Médias Móveis Simples
450 —
Chegadas de pacientes
430 —
410 —
390 —
370 —
Chegadas reais
de pacientes
| | | | | |
0 5 10 15 20 25 30
Semana
Exemplo 9.2

54. Métodos de série temporal:
Médias Móveis Simples
450 — Chegadas
Chegadas de pacientes
Semana de pacientes
430 — 1 400
2 380
410 —
3 411
390 —
370 —
Chegadas reais
de pacientes
| | | | | |
0 5 10 15 20 25 30
Semana
Exemplo 9.2

55. Métodos de série temporal:
Médias Móveis Simples
450 — Chegadas
Chegadas de pacientes
Semana de pacientes
430 — 1 400
2 380
410 —
3 411
390 —
370 —
Chegadas reais
de pacientes
| | | | | |
0 5 10 15 20 25 30
Semana
Exemplo 9.2

56. Métodos de série temporal:
Médias Móveis Simples
450 — Chegadas
Chegadas de pacientes
Semana de pacientes
430 — 1 400
2 380
410 —
3 411
390 —
370 — 411 + 380 + 400
F4 =
3
Chegadas reais
de pacientes
| | | | | |
0 5 10 15 20 25 30
Semana
Exemplo 9.2

57. Métodos de série temporal:
Médias Móveis Simples
450 — Chegadas
Chegadas de pacientes
Semana de pacientes
430 — 1 400
2 380
410 —
3 411
390 —
370 —
F4 = 397,0
Chegadas reais
de pacientes
| | | | | |
0 5 10 15 20 25 30
Semana
Exemplo 9.2

58. Métodos de série temporal:
Médias Móveis Simples
450 — Chegadas
Chegadas de pacientes
Semana de pacientes
430 — 1 400
2 380
410 —
3 411
390 —
370 —
F4 = 397,0
Chegadas reais
de pacientes
| | | | | |
0 5 10 15 20 25 30
Semana
Exemplo 9.2

59. Métodos de série temporal:
Médias Móveis Simples
450 — Chegadas
Chegadas de pacientes
Semana de pacientes
430 — 2 380
3 411
410 —
4 415
390 —
370 — 415 + 411 + 380
F5 =
3
Chegadas reais
de pacientes
| | | | | |
0 5 10 15 20 25 30
Semana
Exemplo 9.2

60. Métodos de série temporal:
Médias Móveis Simples
450 — Chegadas
Chegadas de pacientes
Semana de pacientes
430 — 2 380
3 411
410 —
4 415
390 —
370 —
F5 = 402,0
Chegadas reais
de pacientes
| | | | | |
0 5 10 15 20 25 30
Semana
Exemplo 9.2

61. Métodos de série temporal:
Médias Móveis Simples
450 —
Chegadas de pacientes
430 —
410 —
390 —
370 —
Chegadas reais
de pacientes
| | | | | |
0 5 10 15 20 25 30
Semana
Exemplo 9.2

62. Métodos de série temporal:
Médias Móveis Simples
450 — Previsão de MM (Média Móvel)
Chegadas de pacientes
para 3 semanas
430 —
410 —
390 —
370 —
Chegadas reais
de pacientes
| | | | | |
0 5 10 15 20 25 30
Semana

63. Métodos de série temporal:
Suavização exponencial

64. Métodos de série temporal:
Suavização exponencial
450 —
Chegadas de pacientes
430 —
410 —
390 —
370 —
| | | | | |
0 5 10 15 20 25 30
Semana
Exemplo 9.3

65. Métodos de série temporal:
Suavização exponencial
450 —
Chegadas de pacientes
Suavização exponencial
430 — α = 0,10
410 —
Ft +1 = Ft + α (Dt - Ft )
390 —
370 —
| | | | | |
0 5 10 15 20 25 30
Semana
Exemplo 9.3

66. Métodos de série temporal:
Suavização exponencial
450 —
Chegadas de pacientes
Suavização exponencial
430 — α = 0,10
410 —
Ft +1 = Ft + α (Dt - Ft )
390 —
F3 = (400 + 380)/2
370 —
D3 = 411
F4 = 0,10(411) + 0,90(390)
| | | | | |
0 5 10 15 20 25 30
Semana
Exemplo 9.3

67. Métodos de série temporal:
Suavização exponencial
450 —
Chegadas de pacientes
Suavização exponencial
430 — α = 0,10
410 —
Ft +1 = Ft + α (Dt - Ft )
390 —
F3 = (400 + 380)/2
370 —
D3 = 411
F4 = 392,1
| | | | | |
0 5 10 15 20 25 30
Semana
Exemplo 9.3

68. Métodos de série temporal:
Suavização exponencial
450 —
Chegadas de pacientes
Suavização exponencial
430 — α = 0,10
410 —
Ft +1 = Ft + α (Dt - Ft )
390 —
F4 = 392,1
370 —
D4 = 415
F4 = 392,1 F5 = 394,4
| | | | | |
0 5 10 15 20 25 30
Semana
Exemplo 9.3

69. Métodos de série temporal:
Suavização exponencial
450 —
Chegadas de pacientes
430 —
410 —
390 —
370 —
| | | | | |
0 5 10 15 20 25 30
Semana
Exemplo 9.3

70. Métodos de série temporal:
Suavização exponencial
450 —
Chegadas de pacientes
430 —
410 —
390 —
370 —
Suavização
exponencial
α = 0,10
| | | | | |
0 5 10 15 20 25 30
Semana
Exemplo 9.3

71. Escolhendo um método
Erro de previsão

72. Escolhendo um método
Erro de previsão
Medidas de erro de previsão
Et = Dt - Ft
Exemplo 9.4

73. Escolhendo um método
Erro de previsão
Medidas de erro de previsão
Et = Dt - Ft
CFE = Σ Et
Σ (Et - E )2
σ= Σ Et 2 n-1
MSE =
n
Σ |Et | [Σ |Et |/Dt ]100
MAD = MAPE = n
n
Exemplo 9.4

74. Escolhendo um método
Erro de previsão
Erro
Erro ao Erro absoluto
Mês, Demanda, Previsão, Erro, quadrado, absoluto, percentual,
t Dt Ft Et E t2 |Et| (|Et|/Dt)(100)
1 200 225 -25 625 25 12,5%
2 240 220 20 400 20 8,3
3 300 285 15 225 15 5,0
4 270 290 -20 400 20 7,4
5 230 250 -20 400 20 8,7
6 260 240 20 400 20 7,7
7 210 250 -40 1.600 40 19,0
8 275 240 35 1.225 35 12,7
Total -15 5.275 195 81,3%
Exemplo 9.4

75. Escolhendo um método
Erro de previsão
Medidas de erro
Erro
Erro ao Erro absoluto
Mês, Demanda, Previsão, Erro, quadrado, absoluto, percentual,
t Dt Ft Et Et 2 |Et| (|Et|/Dt)(100)
1 200 225 -25 625 25 12,5%
2 240 220 20 400 20 8,3
3 300 285 15 225 15 5,0
4 270 290 -20 400 20 7,4
5 230 250 -20 400 20 8,7
6 260 240 20 400 20 7,7
7 210 250 -40 1.600 40 19,0
8 275 240 35 1.225 35 12,7
Total -15 5.275 195 81,3%
Exemplo 9.4

76. Escolhendo um método
Erro de previsão
Medidas de erro
Erro
CFE = -15 Erro ao Erro absoluto
Mês, Demanda, Previsão, Erro, quadrado, absoluto, percentual
t Dt Ft Et E t2 |Et| (|Et|/Dt)(100)
1 200 225 -25 625 25 12,5%
2 240 220 20 400 20 8,3
3 300 285 15 225 15 5,0
4 270 290 -20 400 20 7,4
5 230 250 -20 400 20 8,7
6 260 240 20 400 20 7,7
7 210 250 -40 1.600 40 19,0
8 275 240 35 1.225 35 12,7
Total -15 5.275 195 81,3%
Exemplo 9.4

77. Escolhendo um método
Erro de previsão
Medidas de erro
Erro
CFE = -15 Erro ao Erro absoluto
Mês, Demanda, Previsão, Erro, quadrado, absoluto, percentual,
-15 D
E=t = -1,875 Ft
t Et E t2 |Et| (|Et|/Dt)(100)
8
1 200 225 -25 625 25 12,5%
2 240 220 20 400 20 8,3
3 300 285 15 225 15 5,0
4 270 290 -20 400 20 7,4
5 230 250 -20 400 20 8,7
6 260 240 20 400 20 7,7
7 210 250 -40 1.600 40 19,0
8 275 240 35 1.225 35 12,7
Total -15 5.275 195 81,3%
Exemplo 9.4

78. Escolhendo um método
Erro de previsão
Medidas de erro
Erro
CFE = -15 Erro ao Erro absoluto
Mês, Demanda, Previsão, Erro, quadrado, absoluto, percentual,
-5 D
E=t = -1,875 Ft
t Et E t2 |Et| (|Et|/Dt)(100)
8
1 200 225 -25 625 25 12,5%
2 240
5.275 220 20 400 20 8,3
MSE 3
= 300 = 659,4
285 15 225 15 5,0
4 8 270 290 -20 400 20 7,4
5 230 250 -20 400 20 8,7
6 260 240 20 400 20 7,7
7 210 250 -40 1.600 40 19,0
8 275 240 35 1.225 35 12,7
Total -15 5.275 195 81,3%
Exemplo 9.4

79. Escolhendo um método
Erro de previsão
Medidas de erro
Erro
CFE = -5 Erro ao Erro absoluto
Mês, Demanda, Previsão, Erro, quadrado, absoluto, percentual,
-15 D
E=t = -1,875 Ft
t Et E t2 |Et| (|Et|/Dt)(100)
8
1 200 225 -25 625 25 12,5%
2 240
5.275 220 20 400 20 8,3
MSE 3
= 300 = 659,4
285 15 225 15 5,0
4 8 270 290 -20 400 20 7,4
5 230 250 -20 400 20 8,7
6 σ = 27,4
260 240 20 400 20 7,7
7 210 250 -40 1.600 40 19,0
8 275 240 35 1.225 35 12,7
Total -15 5.275 195 81,3%
Exemplo 9.4

80. Escolhendo um método
Erro de previsão
Medidas de erro
Erro
CFE = -15 Erro ao Erro absoluto
Mês, Demanda, Previsão, Erro, quadrado, absoluto, percentual,
-15 D
E=t = -1,875 Ft
t Et Et 2 |Et| (|Et|/Dt)(100)
8
1 200 225 -25 625 25 12,5%
2 240
5.275 220 20 400 20 8,3
MSE 3
= 300 = 659,4
285 15 225 15 5,0
4 8 270 290 -20 400 20 7,4
5 230 250 -20 400 20 8,7
6 σ = 27,4
260 240 20 400 20 7,7
7 210 250 -40 1.600 40 19,0
8 195
275= 24,4 240 35 1.225 35 12,7
MAD =
8 Total -15 5.275 195 81,3%
Exemplo 9.4

81. Escolhendo um método
Erro de previsão
Medidas de erro
Erro
CFE = -15 Erro ao Erro absoluto
Mês, Demanda, Previsão, Erro, quadrado, absoluto, percentual,
-15 D
E=t = -1,875 Ft
t Et E t2 |Et| (|Et|/Dt)(100)
8
1 200 225 -25 625 25 12,5%
5.275
MSE 2
= 240 = 659,4
220 20 400 20 8,3
3 8 300 285 15 225 15 5,0
4 270 290 -20 400 20 7,4
5 σ = 27,4
230 250 -20 400 20 8,7
6 260 240 20 400 20 7,7
7 195
210=
MAD = 24,4 250 -40 1.600 40 19,0
8 8275 240 35 1.225 35 12,7
Total -15 5.275 195 81,3%
81,3%
MAPE = = 10,2%
8 Exemplo 9.4

82. Escolhendo um método
Erro de previsão
Medidas de erro
Erro
CFE = -15 Erro ao Erro absoluto
Mês, Demanda, Previsão, Erro, quadrado, absoluto, percentual,
-15 D
E=t = -1,875 Ft
t Et E t2 |Et| (|Et|/Dt)(100)
8
1 200 225 -25 625 25 12,5%
2 240
5.275 220 20 400 20 8,3
MSE 3
= 300 = 659,4
285 15 225 15 5,0
4 8 270 290 -20 400 20 7,4
5 230 250 -20 400 20 8,7
6 σ = 27,4
260 240 20 400 20 7,7
7 210 250 -40 1.600 40 19,0
8 195
275= 24,4 240 35 1.225 35 12,7
MAD =
8 Total -15 5.275 195 81,3%
81,3%
MAPE = = 10,2% Exemplo 9.4
8

83. Escolhendo um método
Sinais de monitoramento

84. Escolhendo um método
Sinais de monitoramento
Porcentagem da área da distribuição de probabilidade normal
dentro dos limites de controle do sinal de monitoramento
Intervalo do limite Número Porcentagem da área
de controle equivalente de σ dentro dos limites
(número de MAD) de controle
± 1,0
± 1,5
± 2,0
± 2,5
± 3,0
± 3,5
± 4,0
Tabela 9.2

85. Escolhendo um método
Sinais de monitoramento
Porcentagem da área da distribuição de probabilidade normal
dentro dos limites de controle do sinal de monitoramento
Intervalo do limite Número Pocentagem da área
de controle equivalente de σ dentro dos limites
(número de MAD) de controle
± 1,0 ± 0,80
± 1,5 ± 1,20
± 2,0 ± 1,60
± 2,5 ± 2,00
± 3,0 ± 2,40
± 3,5 ± 2,80
± 4,0 ± 3,20
Tabela 9.2

86. Escolhendo um método
Sinais de monitoramento
Porcentagem da área da distribuição de probabilidade normal
dentro dos limites de controle do sinal de monitoramento
Intervalo do limite Número Porcentagem da área
de controle equivalente de σ dentro dos limites
(número de MAD) de controle
± 1,0 ± 0,80 57,62
± 1,5 ± 1,20 76,98
± 2,0 ± 1,60 89,04
± 2,5 ± 2,00 95,44
± 3,0 ± 2.40 98,36
± 3,5 ± 2,80 99,48
± 4,0 ± 3,20 99,86
Tabela 9.2

87. Escolhendo um método
Sinais de monitoramento

88. Escolhendo um método
Sinais de monitoramento
CFE
Sinal de monitoramento =
MAD
+2,0 —
Limite de controle
Sinal de monitoramento
+1,5 —
+1,0 —
+0,5 —
0—
- 0,5 —
- 1,0 —
Limite de controle
- 1,5 —
| | | | |
0 5 10 15 20 25
Figura 9.5 Número da observação

89. Escolhendo um método
Sinais de monitoramento
CFE
Sinal de monitoramento =
MAD
Fora de controle
+2,0 —
Limite de controle
Sinal de monitoramento
+1,5 —
+1,0 —
+0,5 —
0—
- 0,5 —
- 1,0 —
Limite de controle
- 1,5 —
| | | | |
0 5 10 15 20 25
Figura 9.5 Número da observação