Previsão de demanda Método Causal _10

Prévia do material em texto

Planejamento e controle de produção
Aula 10: Previsão de demanda – Método Causal
Apresentação
Nesta nossa última aula, vamos apresentar o método causal para a previsão de
demanda quantitativa, exempli�cando sua aplicação por intermédio de um
exercício.
Objetivos
Apresentar, resumidamente, a técnica estatística de regressão linear simples
pelo método dos mínimos quadrados;
Demonstrar as características do método causal para previsão de demanda
quantitativa;
Exempli�car a sua aplicação.
Em certas situações, pode-se estar interessado em descrever a relação entre duas
variáveis e também predizer o valor de uma em função da outra.
Por exemplo: conhecendo-se a altura de certo homem, mas não o seu peso, pode-se
estimá-lo?
Nesse caso, pode-se responder essa pergunta utilizando-se da técnica denominada
regressão linear. Ela serve para se estudar a relação entre duas variáveis, a partir da
qual se tenta prever os valores de uma das variáveis em função da outra.
Atenção! Aqui existe uma videoaula, acesso pelo conteúdo online
 Fonte: Shutterstock.
Uma das preocupações estatísticas ao analisar dados é a de criar modelos que
explicitem estruturas do fenômeno em observação.
A análise de regressão linear simples compreende a observação de dados amostrais
para saber se duas variáveis estão relacionadas, considerando-se uma população.
Esse relacionamento é representado por um modelo matemático, ou seja, por uma
equação que associa a variável dependente com a variável independente.
Os dados para a análise de regressão geralmente provêm de observações de
variáveis emparelhadas, isto é, cada observação origina dois valores, um para cada
variável.
Com esse par de variáveis, é possível construir um digrama de dispersão conforme
exempli�cado na �gura abaixo:
Atenção! Aqui existe uma videoaula, acesso pelo conteúdo online
Observando-se o diagrama de dispersão anterior, pode-se constatar se há uma
relação linear entre as variáveis, identi�cando-se se parece razoável ou não, isto é, se
o grau de correlação é forte ou fraco.
A correlação entre as variáveis é maior quanto mais os pontos se concentram em
relação a certa reta imaginária traçada por entre os pontos dispersos, dividindo a
área em duas partes iguais.
Assim, pode-se investigar se há presença ou ausência de relação linear entre as
variáveis pela análise de correlação, independente da unidade de medida delas. 
 Fonte: Shutterstock.
Dessa forma, entende-se que, gra�camente, a análise de regressão implica no ajuste
de uma reta que represente, de forma adequada, a estrutura dos dados, como
exempli�cado no grá�co a seguir.
Considera-se que a equação da reta de
regressão (vermelho) é do tipo Y = a +
bX + ε, onde:
Y é a variável dependente;
X é a variável independente;
ε são os desvios de Y em relação ao
valor esperado;
a é o coe�ciente linear, ou seja, é o
ponto onde a reta de regressão
intercepta a ordenada (o valor de Y
quando X = 0);
b é o coe�ciente angular (tg θ).
Deseja-se então ajustar a reta de regressão, estimando-se os seus coe�cientes a e b.
Para isto, pode-se utilizar a técnica de regressão linear simples pelo método dos
mínimos quadrados.
Dica
Visualiza-se que neste grá�co há diferença (desvio ou erro) entre a reta ajustada e a
observação realizada representada por um par ordenado. O ajuste ideal da reta de
regressão deve respeitar então a condição de “menor distância possível” em relação
aos valores observados, denotando a ideia de que o valor esperado condicional passa
por “minimizar a soma dos quadrados dos resíduos”.
 Fonte: Shutterstock.
Para se calcular os coe�cientes linear (a) e angular (b) pelo Método dos Mínimos
Quadrados, utilizam-se as expressões a seguir:
Para se medir o grau ou intensidade da correlação linear de dados emparelhados
das variáveis dependente e independente, utiliza-se o coe�ciente de correlação de
Pearson.
Note na �gura abaixo que o coe�ciente de Pearson pode variar entre -1 e 1. Ele
assume valor negativo quando X e Y são inversamente proporcionais e, positivo,
quando diretamente proporcionais.
Assume valor zero quando não há relação entre as duas variáveis.
Saiba mais
Para o cálculo do coe�ciente de correlação, utiliza-se a seguinte expressão:
Utilizando a série histórica exposta na tabela ao lado, de certa companhia de gás,
deseja-se calcular a previsão da demanda, pelo método causal valendo-se da
regressão linear simples, para os períodos 13 a 16 (F e F ).13 16
Ano Trimestre Período (t) Demanda (x10 cm )
1998 2 1 8.000
1998 3 2 13.000
1998 4 3 23.000
1999 1 4 34.000
1999 2 5 10.000
1999 3 6 18.000
1999 4 7 23.000
2000 1 8 38.000
2000 2 9 12.000
2000 3 10 13.000
2000 4 11 32.000
2001 1 12 41.000
3 3
Atenção! Aqui existe uma videoaula, acesso pelo conteúdo online
A solução passa pela determinação dos coe�cientes angular e linear usando a
coluna “Período (t)” para representar a variável independente e a coluna “Demanda
(x10 cm )” como variável dependente.
Chega-se então à reta de regressão Y = 12015,15 + 1548,95 X e ao coe�ciente de
correlação de Pearson de 0,48.
3 3
Ano Trimestre Período (t) Demanda (x10 cm )
1998 2 1 8.000
1998 3 2 13.000
1998 4 3 23.000
1999 1 4 34.000
1999 2 5 10.000
1999 3 6 18.000
1999 4 7 23.000
2000 1 8 38.000
2000 2 9 12.000
2000 3 10 13.000
2000 4 11 32.000
2001 1 12 41.000
3 3
 Atividade
1. Dando continuidade ao exercício proposto na aula 9, desenvolvido em Chopra e
Meindl (2009), determine a previsão de demanda para os períodos futuros 13 a 16
(F13 e F16) utilizando-se da regressão linear simples.
Notas
Título modal 1
Lorem Ipsum é simplesmente uma simulação de texto da indústria tipográ�ca e de
impressos. Lorem Ipsum é simplesmente uma simulação de texto da indústria
tipográ�ca e de impressos. Lorem Ipsum é simplesmente uma simulação de texto
da indústria tipográ�ca e de impressos.
Título modal 1
Lorem Ipsum é simplesmente uma simulação de texto da indústria tipográ�ca e de
impressos. Lorem Ipsum é simplesmente uma simulação de texto da indústria
tipográ�ca e de impressos. Lorem Ipsum é simplesmente uma simulação de texto
da indústria tipográ�ca e de impressos.
Referências
CHOPRA, Sunil; MEINDL, Peter. Gerenciamento da cadeia de suprimentos:
estratégia, planejamento e operação. São Paulo: Prentice Hall, 2003.
LAPPONI, Juan Carlos. Estatística usando o Excel. Rio de Janeiro: Elsevier, 2005.
RYAN, Thomas P. Estatística Moderna para Engenharia. Rio de Janeiro: Elsevier,
2011.
Próxima aula
A técnica de regressão linear simples pelo método dos mínimos quadrados, para
prever a demanda.
Explore mais
A aplicação do método regressão linear simples na demanda de produtos
sazonais: um Estudo de Caso
javascript:void(0);
sazonais: um Estudo de Caso..
Grá�co de controle de regressão aplicado na monitoração de processos..
javascript:void(0);
javascript:void(0);