Previsão de Previsão de Demanda Demanda
Previsão de Previsão de DemandaDemanda
Padrões de demandaPadrões de demanda
Padrões de demandaPadrões de demandaQ
ua
nti
da
de
TempoFigura 9.1
Padrões de demandaPadrões de demandaQ
ua
nti
da
de
Tempo
(a) Horizontal: os dados se agrupam em torno de uma linha horizontal.
Figura 9.1
Padrões de demandaPadrões de demandaQ
ua
nti
da
de
Tempo
(b) Tendência: os dados aumentam ou diminuem consistentemente.
Figura 9.1
Padrões de demandaPadrões de demandaQ
ua
nti
da
de
| | | | | | | | | | | |J F M A M J J A S O N D
Meses
(c) Sazonal: os dados exibem picos e vales consistentemente.
Ano 1
Figura 9.1
Padrões de demandaPadrões de demandaQ
ua
nti
da
de
| | | | | | | | | | | |J F M A M J J A S O N D
Meses
Ano 1
Ano 2
(c) Sazonal: os dados exibem picos e vales consistentemente.
Figura 9.1
Padrões de demandaPadrões de demandaQ
ua
nti
da
de
| | | | | |1 2 3 4 5 6
Anos
(c) Cíclico: os dados revelam aumentos e diminuições graduais ao longo de períodos extensos.
Figura 9.1
Aplicações da previsão da demandaAplicações da previsão da demanda
Aplicações da previsão da demandaAplicações da previsão da demanda
Tabela 9.1
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 deprevisão
Aplicações da previsão da demandaAplicações da previsão da demanda
Tabela 9.1
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 demontagem final
Programa da forçade trabalho
Programa mestre de produção
Técnica de Série temporalprevisão Julgamento
causal
Aplicações da previsão da demandaAplicações da previsão da demanda
Tabela 9.1
Horizonte de tempo
Curto prazo Médio prazo Longo prazoAplicação (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 staffdecisão 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 Julgamentoprevisão Julgamento Causal Causal
Aplicações da previsão da demandaAplicações da previsão da demanda Horizonte de tempo
Curto prazo Médio prazo Longo prazoAplicação (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
Métodos causais:Métodos causais:Regressão linear em relação aos Regressão linear em relação aos dados reaisdados reais
Métodos causais:Métodos causais:Regressão linear em relação aos Regressão linear em relação aos dados reaisdados reais
Var
iáve
l d
epen
den
te
Variável independenteX
Y
Figura 9.2
Métodos causais: Métodos causais: Regressão Regressão linear em relação aos dados reaislinear em relação aos dados reais
Var
iáve
l d
epen
den
te
Variável independenteX
Y
Figura 9.2
Métodos causais:Métodos causais:Regressão linear em relação aos Regressão linear em relação aos dados reaisdados reais
Var
iáve
l d
epen
den
te
Variável independenteX
Y Equação deregressão:Y = a + bX
Figure 9.2
Métodos causais:Métodos causais:Regressão linear em relação aos Regressão linear em relação aos dados reaisdados reais
Figura 9.2
Var
iáve
l d
epen
den
te
Variável independenteX
Y
Valor real de Y
Valor de X usadopara estimar Y
Equação deregressão:Y = a + bX
Métodos causais:Métodos causais:Regressão linear em relação aos Regressão linear em relação aos dados reaisdados reais
Var
iáve
l d
epen
den
te
Variável independenteX
Y
Valor real de Y
Estimativa de Y a partir da equação de regressão
Valor de X usadopara estimar Y
Equação deregressão:Y = a + bX
Figura 9.2
Métodos causais:Métodos causais:Regressão linear em relação aos Regressão linear em relação aos dados reaisdados reais
Var
iáve
l d
epen
den
te
Variável independenteX
Y
Valor real de Y
Estimativa de Y a partir da equação de regressão
Valor de X usadopara estimar Y
Desvio,ou erro
{
Equação deregressão:Y = a + bX
Figura 9.2
Métodos causais:Métodos causais:Regressão linear paraRegressão linear paraprever a demanda do produtoprever a demanda do produto
Métodos causais:Métodos causais:Regressão linear para Regressão linear para prever a demanda do produtoprever a demanda do produto
Mês Vendas Propaganda (milhões de unidades) (milhares de $)
1 264 2,52 116 1,33 165 1,44 101 1,05 209 2,0
Exemplo 9.1
Métodos causais:Métodos causais:Regressão linear paraRegressão linear paraprever a demanda do produtoprever a demanda do produto
Exemplo 9.1
a = -8,137b = 109,230Xr = 0,980r2 = 0,960syx= 15,603
Mês Vendas Propaganda (milhões de unidades) (milhares de $)
1 264 2,52 116 1,33 165 1,44 101 1,05 209 2,0
Métodos causais:Métodos causais:Regressão linear paraRegressão linear paraprever a demanda do produtoprever a demanda do produto
Figura 9.2
Vendas PropagandaMês (milhões de unidades) (milhares de $)
1 264 2,52 116 1,33 165 1,44 101 1,05 209 2,0
a = -8,137b = 109,230Xr = 0,980r2 = 0,960syx= 15,603
| | | |1,0 1,5 2,0 2,5
Propaganda (milhares de dólares)
300 —
250 —
200 —
150 —
100 —
50 Ven
das
(m
ilh
ões
de
un
idad
es)
Métodos causais:Métodos causais:Regressão linearRegressão linear
Figura 9.2
Vendas PropagandaMês (milhões de unidades) (milhares de $)
1 264 2,52 116 1,33 165 1,44 101 1,05 209 2,0
a = -8,137b = 109,230Xr = 0,980r2 = 0,960syx= 15,603
| | | |1,0 1,5 2,0 2,5
Propaganda (milhares de dólares)
300 —
250 —
200 —
150 —
100 —
50 Ven
das
(m
ilh
ões
de
un
idad
es)
Métodos causais:Métodos causais:Regressão linearRegressão linear
Figura 9.2
Vendas PropagandaMês (milhões de unidades) (milhares de $)
1 264 2,52 116 1,33 165 1,44 101 1,05 209 2,0
a = -8,137b = 109,230Xr = 0,980r2 = 0,960syx= 15,603
| | | |1,0 1,5 2,0 2,5
Propaganda (milhares de dólares)
300 —
250 —
200 —
150 —
100 —
50
Y = -8,137 + 109,230X
Ven
das
(m
ilh
ões
de
un
idad
es)
Métodos causais:Métodos causais:Regressão linearRegressão linear
Figura 9.2
Vendas PropagandaMês (milhões de unidades) (milhares de $)
1 264 2,52 116 1,33 165 1,44 101 1,05 209 2,0
a = -8,137b = 109,230Xr = 0,980r2 = 0,960syx= 15,603
| | | |1,0 1,5 2,0 2,5
Propaganda (milhares de dólares)
300 —
250 —
200 —
150 —
100 —
50
Y = -8,137 + 109,230X
Ven
das
(m
ilh
ões
de
un
idad
es)
Métodos causais:Métodos causais:Regressão linearRegressão linear
Figura 9.2
Vendas PropagandaMês (milhões de unidades) (milhares de $)
1 264 2,52 116 1,33 165 1,44 101 1,05 209 2,0
a = -8,137b = 109,230Xr = 0,980r2 = 0,960syx= 15,603
| | | |1,0 1,5 2,0 2,5
Propaganda (milhares de dólares)
300 —
250 —
200 —
150 —
100 —
50
Y = -8,137 + 109,230X
Ven
das
(m
ilh
ões
de
un
idad
es)
Previsão para o mês 6
X = $1.750, Y = -8,137 + 109,230(1,75)
Métodos causais:Métodos causais:Regressão linearRegressão linear
Figura 9.2
Vendas PropagandaMês (millhões de unidades) (milhares de $)
1 264 2,52 116 1,33 165 1,44 101 1,05 209 2,0
a = -8,137b = 109,230Xr = 0,980r2 = 0,960syx= 15,603
| | | |1,0 1,5 2,0 2,5
Propaganda (milhares de dólares)
300 —
250 —
200 —
150 —
100 —
50
Y = -8,137 + 109,230X
Ven
das
(m
ilh
ões
de
un
idad
es)
Previsão para o mês 6
X = $1.750, Y = 183,016, ou 183.016 unidades
Métodos causais:Métodos causais:Regressão linearRegressão linear
Figura 9.2
Vendas PropagandaMês (milhões de unidades) (milhares de $)
1 264 2,52 116 1,33 165 1,44 101 1,05 209 2,0
a = -8,137b = 109,230Xr = 0,980r2 = 0,960syx= 15,603
| | | |1,0 1,5 2,0 2,5
Propaganda (milhares de dólares)
300 —
250 —
200 —
150 —
100 —
50
Y = -8,137 + 109,230X
Ven
das
(m
ilh
ões
de
un
idad
es)
Métodos causais:Métodos causais:Regressão linearRegressão linear
Figura 9.2
Sales PropagandaMês (milhões de unidades) (milhares de $)
1 264 2,52 116 1,33 165 1,44 101 1,05 209 2,0
a = -8,137b = 109,230Xr = 0,980r2 = 0,960syx= 15,603
| | | |1,0 1,5 2,0 2,5
Propaganda (milhares de dólares)
300 —
250 —
200 —
150 —
100 —
50
Y = -8,137 + 109,230X
Ven
das
(m
ilh
ões
de
un
idad
es)
Se estoque atual = 62.500 unidades,
produção = 183.016 - 62.500 = 120.516 unidades
Métodos causais:Métodos causais:Regressão linearRegressão linear
Vendas PropagandaMês (milhões de unidades) (milhares de $)
1 264 2,52 116 1,33 165 1,44 101 1,05 209 2,0
Exemplo 9.1
Métodos causais:Métodos causais:Regressão linearRegressão linear
Vendas PropagandaMês (milhões de unidades) (milhares de $)
1 264 2,52 116 1,33 165 1,44 101 1,05 209 2,0
a = Y - bX b = XY - nXY
X 2 - nX 2
Exemplo 9.1
Métodos causais:Métodos causais:Regressão linearRegressão linear
Vendas, YPropaganda, X Mês (milhões de unidades) (milhares de $) XY X 2 Y 2
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
a = Y - bX b = XY - nXY
X 2 - nX 2
Exemplo 9.1
a = Y - bX b = XY - nXY
X 2 - nX 2
Vendas, Y Propaganda, X Mês (milhões de unidades) (milhares de $) XY X 2 Y 2
1 264 2,5 660,0 6,25 69,6962 116 1,3 150,8 1,69 13,4563 165 1,4 231,0 1,96 27,2254 101 1,0 101,0 1,00 10,2015 209 2,0 418,0 4,00 43,681
Total 855 8,2 1.560,8 14,90 164,259Y = 171 X = 1,64
Métodos causais:Métodos causais:Regressão linearRegressão linear
Exemplo 9.1
Métodos causais:Métodos causais:Regressão linearRegressão linear
a = Y - bX b = 1.560,8 - 5(1,64)(171)
14,90 - 5(1,64)2
Vendas, Y Propaganda, X Mês (milhões de unidades) (milhares de $) XY X 2 Y 2
1 264 2,5 660,0 6,25 69,6962 116 1,3 150,8 1,69 13,4563 165 1,4 231,0 1,96 27,2254 101 1,0 101,0 1,00 10,2015 209 2,0 418,0 4,00 43,681
Total 855 8,2 1.560,8 14,90 164,259Y = 171 X = 1,64
Exemplo 9.1
Métodos causais:Métodos causais:Regressão linearRegressão linear
a = Y - bX b = 109,230
Vendas, Y Propaganda, X Mês (milhões de unidades) (milhares de $) XY X 2 Y 2
1 264 2,5 660,0 6,25 69,6962 116 1,3 150,8 1,69 13,4563 165 1,4 231,0 1,96 27,2254 101 1,0 101,0 1,00 10,2015 209 2,0 418,0 4,00 43,681
Total 855 8,2 1.560,8 14,90 164,259Y = 171 X = 1,64
Exemplo 9.1
Métodos causais:Métodos causais:Regressão linearRegressão linear
a = 171 - 109,230(1,64) b = 109,230
Vendas, Y Propaganda, XMês (milhões de unidades) (milhares de $) XY X 2 Y 2
1 264 2,5 660,0 6,25 69,6962 116 1,3 150,8 1,69 13,4563 165 1,4 231,0 1,96 27,2254 101 1,0 101,0 1,00 10,2015 209 2,0 418,0 4,00 43,681
Total 855 8,2 1.560,8 14,90 164,259Y = 171 X = 1,64
Exemplo 9.1
Métodos causais:Métodos causais:Regressão linearRegressão linear
a = - 8,137 b = 109,230
Vendas, Y Propaganda, XMês (milhões de unidades) (milhares de $) XY X 2 Y 2
1 264 2,5 660,0 6,25 69,6962 116 1,3 150,8 1,69 13,4563 165 1,4 231,0 1,96 27,2254 101 1,0 101,0 1,00 10,2015 209 2,0 418,0 4,00 43,681
Total 855 8,2 1.560,8 14,90 164,259Y = 171 X = 1,64
Exemplo 9.1
Métodos causais:Métodos causais:Regressão linearRegressão linear
a = - 8,137 b = 109,230
Vendas, Y Propaganda, XMês (milhões de unidades) (milhares de $) XY X 2 Y 2
1 264 2,5 660,0 6,25 69,6962 116 1,3 150,8 1,69 13,4563 165 1,4 231,0 1,96 27,2254 101 1,0 101,0 1,00 10,2015 209 2,0 418,0 4,00 43,681
Total 855 8,2 1.560,8 14,90 164,259Y = 171 X = 1,64
Y = - 8,137 + 109,230(X)Exemplo 9.1
Métodos causais:Métodos causais:Regressão linearRegressão linear
a = - 8,137 b = 109,230
Vendas, Y Propaganda, XMês (milhões de unidades) (milhares de $) XY X 2 Y 2
1 264 2,5 660,0 6,25 69,6962 116 1,3 150,8 1,69 13,4563 165 1,4 231,0 1,96 27,2254 101 1,0 101,0 1,00 10,2015 209 2,0 418,0 4,00 43,681
Total 855 8,2 1.560,8 14,90 164,259Y = 171 X = 1,64
Y = - 8,137 + 109,230(X)Figura 9.3
Propaganda (milhares de dólares)
| | | |1,0 1,5 2,0 2,5
300 —
250 —
200 —
150 —
100 —
50
Ven
das
(m
ilh
ões
de
un
idad
es)
Métodos causais:Métodos causais:Regressão linearRegressão linear
Figura 9.3
a = - 8,137 b = 109,230
Vendas, Y Propaganda, XMês (milhões de unidades) (milhares de $) XY X 2 Y 2
1 264 2,5 660,0 6,25 69,6962 116 1,3 150,8 1,69 13,4563 165 1,4 231,0 1,96 27,2254 101 1,0 101,0 1,00 10,2015 209 2,0 418,0 4,00 43,681
Total 855 8,2 1.560,8 14,90 164,259Y = 171 X = 1,64
Y = - 8,137 + 109,230(X)
| | | |1,0 1,5 2,0 2,5
Propaganda (milhares de dólares)
300 —
250 —
200 —
150 —
100 —
50
Ven
das
(m
ilh
ões
de
un
idad
es)
Métodos causais:Métodos causais:Regressão linearRegressão linear
a = - 8,137 b = 109,230
Vendas, Y Propaganda, XMês(milhões de unidades)(000 $) XY X 2 Y 2
1 264 2,5 660,0 6,25 69,6962 116 1,3 150,8 1,69 13,4563 165 1,4 231,0 1,96 27,2254 101 1,0 101,0 1,00 10,2015 209 2,0 418,0 4,00 43,681
Total 855 8,2 1.560,8 14,90 164,259Y = 171 X = 1,64
Y = - 8,137 + 109,230(X)
Ven
das
(m
ilh
ões
de
un
idad
es)
| | | |1,0 1,5 2,0 2,5
Propaganda (milhares de dólares)
300 —
250 —
200 —
150 —
100 —
50
Figura 9.3
Métodos causais:Métodos causais:Regressão linearRegressão linear
Vendas, Y Propaganda, XMês (milhões de unidades) (milhares de $) XY X 2 Y 2
1 264 2,5 660,0 6,25 69,6962 116 1,3 150,8 1,69 13,4563 165 1,4 231,0 1,96 27,2254 101 1,0 101,0 1,00 10,2015 209 2,0 418,0 4,00 43,681
Total 855 8,2 1.560,8 14,90 164,259Y = 171 X = 1,64
Exemplo 9.1
Métodos causais:Métodos causais:Regressão linearRegressão linear
Vendas, Y Propaganda, XMês (milhões de unidades) (milhares de $) XY X 2 Y 2
1 264 2,5 660,0 6,25 69,6962 116 1,3 150,8 1,69 13,4563 165 1,4 231,0 1,96 27,2254 101 1,0 101,0 1,00 10,2015 209 2,0 418,0 4,00 43,681
Total 855 8,2 1.560,8 14,90 164,259Y = 171 X = 1,64
nXY - X Y
[nX 2 -(X) 2][nY 2 - (Y) 2]r =
Exemplo 9.1
Métodos causais:Métodos causais:Regressão linearRegressão linear
Vendas, Y Propaganda, XMês (milhões de unidades) (milhares de $) XY X 2 Y 2
1 264 2,5 660,0 6,25 69,6962 116 1,3 150,8 1,69 13,4563 165 1,4 231,0 1,96 27,2254 101 1,0 101,0 1,00 10,2015 209 2,0 418,0 4,00 43,681
Total 855 8,2 1.560,8 14,90 164,259Y = 171 X = 1,64
r = 0,980
Exemplo 9.1
Métodos causais:Métodos causais:Regressão linearRegressão linear
Vendas, Y Propaganda, XMês (milhões de unidades) (milhares de $) XY X 2 Y 2
1 264 2,5 660,0 6,25 69,6962 116 1,3 150,8 1,69 13,4563 165 1,4 231,0 1,96 27,2254 101 1,0 101,0 1,00 10,2015 209 2,0 418,0 4,00 43,681
Total 855 8,2 1.560,8 14,90 164,259Y = 171 X = 1,64
r = 0,980 r 2 = 0,960 YX = 15,603
Exemplo 9.1
Métodos causais:Métodos causais:Regressão linearRegressão linear
Vendas, Y Propaganda, XMês (milhões de unidades) (milhares de $) XY X 2 Y 2
1 264 2,5 660,0 6,25 69,6962 116 1,3 150,8 1,69 13,4563 165 1,4 231,0 1,96 27,2254 101 1,0 101,0 1,00 10,2015 209 2,0 418,0 4,00 43,681
Total 855 8,2 1.560,8 14,90 164,259Y = 171 X = 1,64
r = 0,980 r 2 = 0,960 YX = 15,603
Previsão para o mês 6:
Dispêndio com propaganda = $1.750
Y = -8,137 + 109,230(1,75)
Exemplo 9.1
Métodos causais:Métodos causais:Regressão linearRegressão linear
Vendas, Y Propaganda, XMês (milhões de unidades) (milhares de $) XY X 2 Y 2
1 264 2,5 660,0 6,25 69,6962 116 1,3 150,8 1,69 13,4563 165 1,4 231,0 1,96 27,2254 101 1,0 101,0 1,00 10,2015 209 2,0 418,0 4,00 43,681
Total 855 8,2 1.560,8 14,90 164,259Y = 171 X = 1,64
r = 0,980 r 2 = 0,960 YX = 15,603
Previsão para o mês 6:
Dispêndio com propaganda = $1.750
Y = 183.016 ou 183,016, depende
Exemplo 9.1
Métodos de série temporal:Métodos de série temporal:Médias Móveis SimplesMédias Móveis Simples
Métodos de série temporal:Métodos de série temporal:Médias Móveis SimplesMédias Móveis Simples
Semana
450 —
430 —
410 —
390 —
370 —Ch
egad
as d
e p
acie
nte
s
| | | | | |0 5 10 15 20 25 30
Exemplo 9.2
Ch
egad
as d
e p
acie
nte
s
Métodos de série temporal:Métodos de série temporal:Médias Móveis SimplesMédias Móveis Simples
Figura 9.4
Semana
450 —
430 —
410 —
390 —
370 —
| | | | | |0 5 10 15 20 25 30
Chegadas reaisde pacientes
Ch
egad
as d
e p
acie
nte
s
Métodos de série temporal:Métodos de série temporal:Médias Móveis SimplesMédias Móveis Simples
Exemplo 9.2
Chegadas reaisde pacientes
450 —
430 —
410 —
390 —
370 —
Semana
| | | | | |0 5 10 15 20 25 30
Ch
egad
as d
e p
acie
nte
s
Métodos de série temporal:Métodos de série temporal:Médias Móveis SimplesMédias Móveis Simples
Exemplo 9.2
Chegadas reaisde pacientes
Chegadas reaisde pacientes
450 —
430 —
410 —
390 —
370 —
Semana
| | | | | |0 5 10 15 20 25 30
ChegadasSemana de pacientes
1 4002 3803 411
Ch
egad
as d
e p
acie
nte
s
Métodos de série temporal:Métodos de série temporal:Médias Móveis SimplesMédias Móveis Simples
Exemplo 9.2
Chegadas reaisde pacientes
Chegadas reaisde pacientes
450 —
430 —
410 —
390 —
370 —
Semana
| | | | | |0 5 10 15 20 25 30
ChegadasSemana de pacientes
1 4002 3803 411
Ch
egad
as d
e p
acie
nte
s
Métodos de série temporal:Métodos de série temporal:Médias Móveis SimplesMédias Móveis Simples
Chegadas reaisde pacientes
Semana
450 —
430 —
410 —
390 —
370 —
| | | | | |0 5 10 15 20 25 30
ChegadasSemana de pacientes
1 4002 3803 411
F4 = 411 + 380 + 4003
Exemplo 9.2
Ch
egad
as d
e p
acie
nte
s
Métodos de série temporal:Métodos de série temporal:Médias Móveis SimplesMédias Móveis Simples
Exemplo 9.2
Chegadas reaisde pacientes
450 —
430 —
410 —
390 —
370 —
Semana
| | | | | |0 5 10 15 20 25 30
ChegadasSemana de pacientes
1 4002 3803 411
F4 = 397,0
Ch
egad
as d
e p
acie
nte
s
Métodos de série temporal:Métodos de série temporal:Médias Móveis SimplesMédias Móveis Simples
Exemplo 9.2
Chegadas reaisde pacientes
450 —
430 —
410 —
390 —
370 —
Semana
| | | | | |0 5 10 15 20 25 30
ChegadasSemana de pacientes
1 4002 3803 411
F4 = 397,0
Ch
egad
as d
e p
acie
nte
s
Métodos de série temporal:Métodos de série temporal:Médias Móveis SimplesMédias Móveis Simples
Exemplo 9.2
Chegadas reaisde pacientes
Semana
450 —
430 —
410 —
390 —
370 —
| | | | | |0 5 10 15 20 25 30
ChegadasSemana de pacientes
2 3803 4114 415
F5 = 415 + 411 + 380
3
Ch
egad
as d
e p
acie
nte
s
Métodos de série temporal:Métodos de série temporal:Médias Móveis SimplesMédias Móveis Simples
Exemplo 9.2
Chegadas reaisde pacientes
450 —
430 —
410 —
390 —
370 —
Semana
| | | | | |0 5 10 15 20 25 30
ChegadasSemana de pacientes
2 3803 4114 415
F5 = 402,0
Ch
egad
as d
e p
acie
nte
s
Métodos de série temporal:Métodos de série temporal:Médias Móveis SimplesMédias Móveis Simples
Exemplo 9.2
450 —
430 —
410 —
390 —
370 —
Semana
| | | | | |0 5 10 15 20 25 30
Chegadas reaisde pacientes
Ch
egad
as d
e p
acie
nte
s
Métodos de série temporal:Métodos de série temporal:Médias Móveis SimplesMédias Móveis Simples
450 —
430 —
410 —
390 —
370 —
Semana
| | | | | |0 5 10 15 20 25 30
Chegadas reaisde pacientes
Previsão de MM (Média Móvel)para 3 semanas
Ch
egad
as d
e p
acie
nte
s
Métodos de série temporal:Métodos de série temporal:Suavização exponencialSuavização exponencial
Métodos de série temporal:Métodos de série temporal:Suavização exponencialSuavização exponencial
450 —
430 —
410 —
390 —
370 —
Semana
| | | | | |0 5 10 15 20 25 30
Exemplo 9.3
Ch
egad
as d
e p
acie
nte
s
Métodos de série temporal:Métodos de série temporal:Suavização exponencialSuavização exponencial
450 —
430 —
410 —
390 —
370 —
Semana
| | | | | |0 5 10 15 20 25 30
Suavização exponencial = 0,10
Ft +1 = Ft + (Dt - Ft )
Exemplo 9.3
Ch
egad
as d
e p
acie
nte
s
Métodos de série temporal:Métodos de série temporal:Suavização exponencialSuavização exponencial
450 —
430 —
410 —
390 —
370 —
Semana
| | | | | |0 5 10 15 20 25 30
Suavização exponencial = 0,10
F4 = 0,10(411) + 0,90(390)
F3 = (400 + 380)/2D3 = 411
Ft +1 = Ft + (Dt - Ft )
Exemplo 9.3
Ch
egad
as d
e p
acie
nte
s
Métodos de série temporal:Métodos de série temporal:Suavização exponencialSuavização exponencial
Exemplo 9.3
450 —
430 —
410 —
390 —
370 —
Semana
| | | | | |0 5 10 15 20 25 30
F4 = 392,1
Suavização exponencial = 0,10
F3 = (400 + 380)/2D3 = 411
Ft +1 = Ft + (Dt - Ft )
Ch
egad
as d
e p
acie
nte
s
Métodos de série temporal:Métodos de série temporal:Suavização exponencialSuavização exponencial
Exemplo 9.3
Semana
450 —
430 —
410 —
390 —
370 —
| | | | | |0 5 10 15 20 25 30
F4 = 392,1D4 = 415
Suavização exponencial = 0,10
F4 = 392,1 F5 = 394,4
Ft +1 = Ft + (Dt - Ft )
Ch
egad
as d
e p
acie
nte
s
Métodos de série temporal:Métodos de série temporal:Suavização exponencialSuavização exponencial
Semana
450 —
430 —
410 —
390 —
370 —
| | | | | |0 5 10 15 20 25 30
Exemplo 9.3
Ch
egad
as d
e p
acie
nte
s
Métodos de série temporal:Métodos de série temporal:Suavização exponencialSuavização exponencial
450 —
430 —
410 —
390 —
370 —Ch
egad
as d
e p
acie
nte
s
Semana
| | | | | |0 5 10 15 20 25 30
Exemplo 9.3
Suavização exponencial
= 0,10
Escolhendo um métodoEscolhendo um métodoErro de previsãoErro de previsão
Medidas de erro de previsão
Et = Dt - Ft
Escolhendo um métodoEscolhendo um métodoErro de previsãoErro de previsão
Exemplo 9.4
Escolhendo um métodoEscolhendo um métodoErro de previsãoErro de previsão
Medidas de erro de previsão
Et = Dt - Ft
|Et |n
Et2
n
CFE = Et
=MSE =
MAD = MAPE = [ |Et |/Dt ]100
n
(Et - E )2
n - 1
Exemplo 9.4
Erro Erro ao Erro absoluto
Mês, Demanda, Previsão, Erro, quadrado, absoluto, percentual,
t Dt Ft Et Et2 |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%
Escolhendo um métodoEscolhendo um métodoErro de previsãoErro de previsão
Exemplo 9.4
Escolhendo um métodoEscolhendo um métodoErro de previsãoErro de previsão
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%
Medidas de erro
Exemplo 9.4
Escolhendo um métodoEscolhendo um métodoErro de previsãoErro de previsão
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%
CFE = -15
Medidas de erro
Exemplo 9.4
Escolhendo um métodoEscolhendo um métodoErro de previsãoErro de previsão
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%
CFE = -15
Medidas de erro
E = = -1,875-15
8
Exemplo 9.4
Escolhendo um métodoEscolhendo um métodoErro de previsãoErro de previsão
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%
MSE = = 659,45.275
8
CFE = -15
Medidas de erro
E = = -1,875-5 8
Exemplo 9.4
Escolhendo um métodoEscolhendo um métodoErro de previsãoErro de previsão
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%
MSE = = 659,45.275
8
CFE = -5
Medidas de erro
E = = -1,875-15
8
= 27,4
Exemplo 9.4
Escolhendo um métodoEscolhendo um métodoErro de previsãoErro de previsão
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%
MSE = = 659,45.275
8
CFE = -15
Medidas de erro
MAD = = 24,4195
8
E = = -1,875-15
8
= 27,4
Exemplo 9.4
Escolhendo um métodoEscolhendo um métodoErro de previsãoErro de previsão
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%
MSE = = 659,45.275
8
CFE = -15
Medidas de erro
MAD = = 24,4195
8
MAPE = = 10,2%81,3%
8
E = = -1,875-15
8
= 27,4
Exemplo 9.4
Escolhendo um métodoEscolhendo um métodoErro de previsãoErro de previsão
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%
MSE = = 659,45.275
8
CFE = -15
Medidas de erro
MAD = = 24,4195
8
MAPE = = 10,2%81,3%
8
E = = -1,875-15
8
= 27,4
Exemplo 9.4
Escolhendo um métodoEscolhendo um métodoSinais de monitoramentoSinais de monitoramento
Escolhendo um métodoEscolhendo um métodoSinais de monitoramentoSinais de monitoramento
Tabela 9.2
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 dentro dos limites
(número de MAD) de controle
± 1,0± 1,5± 2,0± 2,5± 3,0± 3,5± 4,0
Escolhendo um métodoEscolhendo um métodoSinais de monitoramentoSinais de monitoramento
Tabela 9.2
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 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
Escolhendo um métodoEscolhendo um métodoSinais de monitoramentoSinais de monitoramento
Tabela 9.2
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 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
Escolhendo um métodoEscolhendo um métodoSinais de monitoramentoSinais de monitoramento
Escolhendo um métodoEscolhendo um métodoSinais de monitoramentoSinais de monitoramento
Sinal de monitoramento = CFE
MAD
+2,0 —
+1,5 —
+1,0 —
+0,5 —
0 —
- 0,5 —
- 1,0 —
- 1,5 —| | | | |
0 5 10 15 20 25 Número da observação
Sin
al d
e m
on
ito
ram
ento
Limite de controle
Limite de controle
Figura 9.5
Escolhendo um métodoEscolhendo um métodoSinais de monitoramentoSinais de monitoramento
Sinal de monitoramento = CFE
MAD
+2,0 —
+1,5 —
+1,0 —
+0,5 —
0 —
- 0,5 —
- 1,0 —
- 1,5 —| | | | |
0 5 10 15 20 25 Número da observação
Sin
al d
e m
on
ito
ram
ento
Limite de controle
Limite de controle
Fora de controle
Figura 9.5