Baixe o app para aproveitar ainda mais
Prévia do material em texto
1ª PROVA DE MODELAGEM DA PRODUÇÃO 1) Dê um exemplo para cada sistema MTS, MTO, ETO, Sistema de Grande projeto. A partir dos exemplos, represente a estrutura de fabricação de acordo com a classificação de Ray Wild. Resolução Make To Stock (MTS) ou fabricação para estoque Exemplos: Ford modelo T, canetas esferográficas, produtos alimentícios, roupas. Estrutura de fabricação: EOE (fabricação de estoque para estoque) ⇒ ∇ ⇒ € ⇒ ∇ ⇒ C Make To Order (MTO) ou fabricação sob encomenda Exemplos: suco da cantina, placa de vídeo Estrutura de fabricação: EOC (fabricação sob encomenda, com estoque de insumos) ⇒ ∇ ⇒ € ⇒ C Engineering To Order (ETO) ou projeto por encomenda Exemplos: foguete espacial, dirigível Estrutura de fabricação: DOC (fabricação por encomenda pura) ⇒ € ⇒ C Sistema de grande projeto Exemplos: obras de grande porte de construção civil. Estrutura de fabricação: DOC (fabricação por encomenda pura) ⇒ € ⇒ C Porém, em alguns casos de grandes obras, pode ocorrer a entrega de um insumo para constituir um estoque na obra (como é o caso da brita, por exemplo). Assim, pode-ser ter também a estrutura DOE (fabricação para estoque, sem estoque de insumos). ⇒ € ⇒ ∇ ⇒ C 2) Identifique os componentes na série temporal abaixo (tendência, sazonalidade, ciclo e aleatoriedade). Resolução 3) A partir dos dados abaixo determine a previsão de vendas para o período 9. O método que você utilizou apresenta uma boa precisão? Justifique a resposta. Mês 1 2 3 4 5 6 7 8 9 Vendas 25 28 23 38 30 32 37 40 ? Resolução X X² Y Y² X.Y 1 1 25 625 25 2 4 28 784 56 3 9 23 529 69 4 16 38 1444 152 5 25 30 900 150 6 36 32 1024 192 7 49 37 1369 259 8 64 40 1600 320 ∑∑∑∑ 36 204 253 8275 1223 � � ∑X² � ∑Y � ∑X � ∑X � Y� � ∑X² � ∑X ² � � 204 � 253 � 36 � 12238 � 204 � 36 ² � � 22,5714 � � � � ∑X � Y � ∑X � ∑Y� � ∑X² � ∑X ² � � 8 � 1123 � 36 � 2538 � 204 � 36 ² � � 2,0119 � � � � ∑X � Y � ∑X � ∑Y��� � ∑X² � ∑X ²� � �n � ∑Y� � ∑Y ²� � � 8 � 1223 � 36 � 253��8 � 204 � 36 ²� � �8 � 8275 � 253 ²� � � 0,78787 � � � � � � � 22,57 � 2,0119 � 9 � � 41 Visualizando o gráfico gerado, e tomando como premissa que o coeficiente de correlação (r) deve ter um valor ± 0,9, pode-se verificar a existência de sazonalidade, pois os dados não estão próximos à reta. Então, é ideal utilizar o fator de sazonalidade (Ft) para calcular a previsão de vendas. t 1 2 3 4 5 6 7 8 Dt 25 28 23 38 30 32 37 40 St 24,58 26,6 28,61 30,62 32,63 34,64 36,65 38,67 Ft 1,02 1,05 0,8 1,24 0,92 0,92 1,01 1,03 !" � #" $ %" Previsão de vendas com o fator de sazonalidade Observação: Para o cálculo do fator de sazonalidade a ser usado na fórmula abaixo eu tirei a média dos oito fatores constantes na tabela acima, pois trata-se de um período de tempo relativamente curto (semanas). � � %" � 22,57 � 2,01 � 9 & %" � 41 ' � !" � %" '9 � 1,00 � 41 & () � *+ 4) A partir dos dados abaixo pede-se: Mês 1 2 3 4 5 6 7 Número de câmeras (demanda) 10 14 13 20 18 22 ? a) Fazer a previsão de vendas destas câmeras para o período 7 com os dados dos meses de 4 a 6 usando o método da média móvel ponderada (N = 3). Os pesos a serem utilizados são 0,6, 0,3 e 0,1. b) Refazer o item (a) usando o método da média móvel ponderada exponencialmente. Assumir que a previsão para o mês 2 foi de 15 câmeras. 0 5 10 15 20 25 30 35 40 45 1 2 3 4 5 6 7 8 c) Considerando a previsão obtida para o mês 7 usando esses dois métodos constantes dos itens (a) e (b) e baseado nestes dados limitados, qual o método (na sua opinião) se mostra mais confiável? Justifique sua análise. Resolução a) '�,-. /ê1 7 � 0,1 � 20 � 0,3 � 18 � 0,6 � 22 � (234. � 56, 7 8 5+ b) 9� 2 : � 1 9� 2 6 � 1 9� 0,2857142857 '3 � '2�9� #2 � '2 & '3 � 15 � 0,2857 � 14 � 15 & '3 � 14,71 '4 � '3�9� #3 � '3 & '4 � 14,71 � 0,2857 � 13 � 14,71 & '4 � 14,22 '5 � '4�9� #4 � '4 & '5 � 14,22 � 0,2857 � 20 � 14,22 & '5 � 15,87 '6 � '5�9� #5 � '5 & '6 � 15,87 � 0,2857 � 18 � 15,87 & '6 � 16,48 '7 � '6�9� #6 � '6 & '7 � 16,48 � 0,2857 � 22 � 16,48 & (; � +<, 67 8 +< c) Para justificar a análise do método mais confiável utilizei o método do erro de previsão. Mês Demanda Média móvel ponderada com 0,6; 0,3; 0,1 Média móvel ponderada exponencialmente Previsão E |E| E2 Previsão E |E| E2 1 10 2 14 3 13 4 20 13 7 7 49 14,2 5,8 5,8 33,64 5 18 17,3 0,7 0,7 0,49 15,9 2,1 2,1 4,41 6 22 18,1 3,9 3,9 15,21 16,5 5,5 5,5 30,25 ∑ 11,6 11,6 64,7 13,4 13,4 68,3 ∑/N 3,87 21,57 4,47 22,77 Erro EAP DAM EQM EAP DAM EQM Com base nos cálculos efetuados, pode-se afirmar que no caso da previsão de vendas das câmeras o melhor método é o da média móvel ponderada, pois apresentou erros de previsão menores que os do método da média móvel ponderada exponencialmente. 5) Uma confeitaria produz dois tipos de bolos de sorvete: de chocolate e de creme. Cada lote de bolo de chocolate é vendido com um lucro de R$ 3,00 e os lotes de bolo de creme com um lucro de R$ 1,00. Contratos com várias lojas impõem que sejam produzidos no mínimo 10 lotes de bolos de chocolate por dia e que o total de lotes fabricados nunca seja menor que 20. O mercado só é capaz de consumir até 40 lotes de bolos de creme e 60 de chocolate. As máquinas de preparação do sorvete disponibilizam 180 horas de operação, sendo que cada lote de bolos de chocolate consomem 2 horas de trabalho e cada lote de bolos de creme 3 horas. Formule o modelo de programação linear deste problema. Resolução Solução: X = bolos de chocolate Y = bolos de creme Max Z = 3X + Y Sujeito a: 10 ≤ X ≤ 60 0 ≤ Y ≤ 40 X + Y ≥ 20 2X + 3Y ≤ 180 Formulário Modelos de previsão para séries não estacionárias Regressão linear simples: � � ∑X².∑Y � ∑X.∑X. Y�.∑X² � ∑X ² � � � .∑X. Y � ∑X.∑Y� .∑X² � ∑X ² � � �.∑X. Y � ∑X.∑Y���.∑X² � ∑X ²�. �n.∑Y� � ∑Y ²� � � � � � Modelos de previsão para séries estacionárias Média móvel: '" � X=>? � X=>� � @ � X=>A� Média móvel ponderada: Pt+1 = p1.Dt + p2.Dt-1 + ... + pk.Dt-N+1 Média móvel ponderada exponencialmente: Pt+1 = Pt + α.(Et) onde Et = Dt - Pt Pt+1 representa a previsão no tempo t+1; Dt é a demanda ocorrida no período t; Pt é a previsão usada para o período t; α é o peso atribuído à observação Dt e 0≤α≤1. Erro de previsão: Et = Dt - Dt Erro acumulado de previsão: EAP � E F" G H>? Erro acumulado de previsão absoluto: |EAP| � E |F"| G H>? Erro quadrático médio EQM � E F" � : G H>? Desvio absoluto médio: DAM � E |F"|: G H>?
Compartilhar