Universidade Federal do Vale do São Francisco
Campus de Juazeiro
Colegiado de Engenharia de Produção
Previsão da demanda (parte 2)
Disciplina: Gestão de serviços
Professor: Marcel de Gois Pinto
Conteúdo
 Séries temporais - características
 Modelos estatísticos
 Suavização exponencial
 Modelos de Box-Jenkins
 Emprego de cada modelo
 Métodos qualitativos de previsão da demanda
Séries temporais
 Conceito
 É qualquer conjunto de observações ordenadas no tempo
Séries temporais
 Conceito
 É qualquer conjunto de observações ordenadas no tempo
 Tipos de séries temporais
 Média
 Sazonalidade
 Ciclo
 Tendência
Quando os valores da série flutuam em
torno de uma média constante
Séries temporais
 Conceito
 É qualquer conjunto de observações ordenadas no tempo
 Tipos de séries temporais
 Média
 Sazonalidade
 Ciclo
 Tendência
Quando padrões cíclicos de
variação se repetem em intervalos
relativamente constantes de tempo
Séries temporais
 Conceito
 É qualquer conjunto de observações ordenadas no tempo
 Tipos de séries temporais
 Média
 Sazonalidade
 Ciclo
 Tendência
quando a série exibe variações
ascendentes e descendentes,
porém, em intervalos não regulares
de tempo
Séries temporais
 Conceito
 É qualquer conjunto de observações ordenadas no tempo
 Tipos de séries temporais
 Média
 Sazonalidade
 Ciclo
 Tendência
Quando a série apresenta comportamento
ascendente ou descendente por um longo
período de tempo
Séries temporais
 Conceito
 É qualquer conjunto de observações ordenadas no tempo
 Tipos de séries temporais
 Média
 Sazonalidade
 Ciclo
 Tendência
Toda variação em uma série temporal
que não pode ser explicada pelas
características acima, é devida ao
ruído aleatório
Modelos de Suavização Exponencial
 Características:
 Simplicidade, facilidade de ajuste e boa precisão
 Valores mais recentes recebam pesos maiores
 Os pesos decaem exponencialmente a partir de valores mais
recentes
Modelos de Suavização Exponencial
 Suavização Exponencial para um Processo Constante
 Valores mais recentes recebam pesos maiores
 Os pesos decaem exponencialmente a partir de valores recentes
 Equações:
a
previsão da demanda para o tempo t
constante de suavização (valor arbitrário entre 0 e 1)
valor observado no tempo t
previsão da demanda para o tempo t+1
erro
Modelos de Suavização Exponencial
 Modelo de Holt
 Séries temporais com tendência linear
 Duas constantes de suavização (a e b)
 Equações:
Nível da série
a
b
Inclinação
Previsão para os próximos k períodos
Modelos de Suavização Exponencial
 Modelos de Winters
 Ocorrência de tendência linear, além de um componente de
sazonalidade (s – estação completa de sazonalidade)
 Equações (modelo multiplicativo - amplitude do ciclo sazonal varia)
a
Nível da série
b
g
Tendência
Sazonalidade da série
Previsão para os próximos k períodos
Modelos de Suavização Exponencial
 Modelos de Winters
 Ocorrência de tendência linear, além de um componente de
sazonalidade (s – estação completa de sazonalidade)
 Equações (modelo aditivo - amplitude do ciclo sazonal constante)
g
a
Nível da série
b
Tendência
Sazonalidade da série
Previsão para os próximos
k períodos
Modelos de Box-Jenkins
 Modelos autoregressivos integrados a Média Móvel
 Valores de uma série temporal são altamente dependentes
 Processo estocásticos
 Caracterizado por uma família de variáveis aleatórias que
descrevem a evolução de algum fenômeno de interesse
 Evolução temporal de um fenômeno de interesse
Modelos
Estacionários
Modelos não
Estacionários
Modelos de Box-Jenkins
Ruídos aleatórios
Modelos
Estacionários
Ruídos autocorrelacionados
Modelo não
Estacionários
Modelos de Box-Jenkins
 Os modelos estocásticos são baseados na idéia (Yule,
1927 apud Box et al., 1994) de que uma série temporal zt,
com valores sucessivos altamente dependentes, pode ser
estimada a partir de uma série de ruído aleatório at,
apropriadamente transformada através de uma função
matemática.
Modelos de Box-Jenkins
 Modelos Autoregressivos (AR)
 Úteis na representação de um grande número de séries
temporais
 A série de dados históricos Zt é descrita por seus valores
passados regredidos e pelo ruído aleatório at.
Modelo
Estacionário
Modelos de Box-Jenkins
 Modelos de médias móveis (MA)
 A série Zt resulta da combinação dos ruídos brancos a do
período atual com aqueles ocorridos em períodos anteriores
 Modelos auto-regressivos de médias móveis (ARMA)
 A série Zt resulta da combinação dos ruídos brancos ε do
período atual com aqueles ocorridos em períodos anteriores
Modelos
Estacionário
Modelos de Box-Jenkins
 Modelos auto-regressivos integrados de médias móveis
(ARIMA)
 A maioria dos procedimentos de análise estatística de séries
temporais supõe que estas sejam estacionárias
 Será necessário transformá-las
 A transformação mais comum consiste em tomar diferenças
sucessivas da série original até obter uma série estacionária
Modelos não
Estacionário
Métodos qualitativos
 Opinião dos executivos
 Experiência, qualificação e relacionamento pode fornecer uma
visão sobre o “estado de consumo” dos segmentos que
interessam à empresa
 Sem comprovação científica, mas de suma importância
 Podem estar contaminadas por desejos e interesses pessoais
 Monitorar a Concorrência
 Coletar dados sobre o funcionamento, planos de investimento e
lançamento de novos produtos e serviços dos concorrentes
Métodos qualitativos
 Painel de Especialistas
 A empresa convida diversos especialistas sobre os segmentos
do seu interesse para desenhar um provável cenário
 Opinião da Força de Vendas ou da Linha de Frente
 A empresa solicita formalmente à sua força de vendas projeções
localizadas sobre provável “estado de consumo” futuro dos seus
clientes
 Também pode haver contaminação
Porém...
 A escolha do método dependerá da natureza da
seqüência dos dados (série histórica)
 E, seja com um método quantitativo, qualitativo ou um
híbrido um coisa será sempre certa:
AS EMPRESAS OPERAM SOBRE UM
AMBIENTE DE INCERTEZA
Universidade Federal do Vale do São Francisco
Campus de Juazeiro
Colegiado de Engenharia de Produção
Previsão da demanda (parte 2)
Disciplina: Gestão de serviços
Professor: Marcel de Gois Pinto