UTILIZAÇÃO SEQUENCIAL DE PROJETO DE EXPERIMENTOS E INFERÊNCIA BAYESIANA NA PREVISÃO DA DEMANDA

Tamanho: px
Começar a partir da página:

Download "UTILIZAÇÃO SEQUENCIAL DE PROJETO DE EXPERIMENTOS E INFERÊNCIA BAYESIANA NA PREVISÃO DA DEMANDA"

Transcrição

1 MINISTÉRIO DA DEFESA EXÉRCITO BRASILEIRO SECRETARIA DE CIÊNCIA E TECNOLOGIA INSTITUTO MILITAR DE ENGENHARIA (Real Academia de Artilharia, Fortificação e Desenho 1792) Maj Celso Sooma Sasaqui UTILIZAÇÃO SEQUENCIAL DE PROJETO DE EXPERIMENTOS E INFERÊNCIA BAYESIANA NA PREVISÃO DA DEMANDA Rio de Janeiro 2004

2 INSTITUTO MILITAR DE ENGENHARIA Maj CELSO SOOMA SASAQUI UTILIZAÇÃO SEQUENCIAL DE PROJETO DE EXPERIMENTOS E INFERÊNCIA BAYESIANA NA PREVISÃO DA DEMANDA Dissertação de Mestrado apresentada ao Curso de Mestrado em Sistemas e Computação do Instituto Militar de Engenharia, como requisito parcial para a obtenção do título de Mestre em Ciências em Engenharia de Sistemas e Computação. Orientador: Profª. Néli Maria Costa Mattos - D.Sc. Rio de Janeiro 2004

3 c2004 INSTITUTO MILITAR DE ENGENHARIA Praça General Tibúrcio, 80 Praia Vermelha Rio de Janeiro RJ CEP: Este exemplar é de propriedade do Instituto Militar de Engenharia, que poderá incluílo em base de dados, armazenar em computador, microfilmar ou adotar qualquer forma de arquivamento. É permitido a menção, reprodução parcial ou integral e a transmissão entre bibliotecas deste trabalho, sem modificação de seu texto, em qualquer meio que esteja ou venha a ser fixado, para pesquisa acadêmica, comentários e citações, desde que sem finalidade comercial e que seja feita a referência bibliográfica completa. Os conceitos expressos neste trabalho são de responsabilidade do(s) autor(es) e do(s) orientador(es). S252u Sasaqui, Celso Sooma Utilização Seqüencial de Projeto de Experimentos e Inferência Bayesiana na Previsão da Demanda / Celso Sooma Sasaqui Rio de Janeiro: Instituto Militar de Engenharia, f.: il., tab. 29,7 cm. Dissertação (mestrado) Instituto Militar de Engenharia, Logística 2. Logística, Pesquisa Operacional I - Instituto Militar de Engenharia II -Utilização Seqüencial de Projetos de Experimentos e Inferência Bayesiana na Previsão da Demanda. CDD

4 INSTITUTO MILITAR DE ENGENHARIA Maj CELSO SOOMA SASAQUI UTILIZAÇÃO SEQUENCIAL DE PROJETO DE EXPERIMENTOS E INFERÊNCIA BAYESIANA NA PREVISÃO DA DEMANDA Dissertação de Mestrado apresentada ao Curso de Mestrado em Sistemas e Computação do Instituto Militar de Engenharia, como requisito parcial para a obtenção do título de Mestre em Ciências em Engenharia de Sistemas e Computação. Orientador: Profª. Néli Maria Costa Mattos - D.Sc. Aprovada em 16 de fevereiro de 2004 pela seguinte Banca Examinadora: Profª. Néli Maria Costa Mattos D.Sc. do IME - Presidente Prof. Maria Cristina Fogliatti de Sinay Ph.D. do IME Prof. Mauro Guedes Ferreira Mosqueira Gomes D.Sc. da SCT Prof. Luiz Antônio Silveira Lopes D.Sc. do IME Prof. Vicente Luz M.Sc. do IME Rio de Janeiro

5 A minha esposa e melhor amiga, Inês, e as minhas filhas, Aline; Gabi e Carol, pela paciência desprendida e pelo constante incentivo para o meu aprimoramento. 4

6 AGRADECIMENTOS A professora Néli Maria Costa Mattos pela orientação constante, pela compreensão no desenvolvimento desse trabalho. Aos professores Maria Cristina Fogliatti de Sinai, Mauro Guedes Ferreira Mosqueira Gomes e Luiz Antônio Silveira Lopes pela participação na banca e contribuições para esse trabalho. Ao General Imbrósio por ter permitido que eu realizasse esse curso. Aos Professores do Departamento de Engenharia de Sistemas e Computação do Instituto Militar de Engenharia pelo auxílio prestado durante a realização do curso. A StatSoft pela cessão do programa e pelas orientações para utilização do software Statistica. Ao Cap Rodolfo Romualdo da Silva pelos ensinamentos e tempo dispensados para me ensinar a utilizar o WinBUGs. À minha família pelo carinho e compreensão demonstrados, principalmente nos muitos momentos de minha inevitável omissão. Um agradecimento especial ao Cel Vicente luz, que além de participar na banca, me orientou em todas as fases deste trabalho. 5

7 "Quem olha para fora, sonha: Quem olha para dentro, desperta". CARL YOUNG 6

8 SUMÁRIO LISTA DE ILUSTRAÇÕES...11 LISTA DE TABELAS LISTA DE ABREVIATURAS E SÍMBOLOS...14 LISTA DE SIGLAS INTRODUÇÃO Problema Objetivo Suposições Delimitação do Estudo Relevância do Estudo Estrutura da Dissertação REFERENCIAL TEÓRICO Previsão da Demanda Modelos de Previsão de Séries Temporais Modelo de Suavização Exponencial Simples Modelo de Holt Modelo Aditivo de Winter Avaliação dos Modelos de Previsão Desvio Absoluto Médio (MAD) Erro Padrão da Previsão (Sp) Erro Absoluto Médio Percentual (MAPE) Razão de Viés (TS) O Projeto de Experimentos Metodologia para Utilização Identificação do Problema Seleção da Variável Resposta Escolha das Variáveis Controláveis e dos seus Níveis ou Intervalos Escolha do Projeto Execução do Experimento Análise Estatística dos Dados

9 Observações Análise de Variância para Uma Variável Decomposição da Variabilidade Total para Uma Variável Modelo Estatístico para Uma Variável Experimento Fatorial Análise de Variância para Duas Variáveis Decomposição da Variabiliade Total para Duas Variáveis Modelo Estatístico para Duas Variáveis Tabela ANOVA Modelo de Regressão Teste de Significância dos Coeficientes A Inferência Bayesiana Elementos da Inferência Bayesiana Densidade a Priori Densidade a Posteriori Densidade Preditiva Densidade Marginais e Condicionais Completas a Posteriori Sumários Métodos de Inferência Baseados em Simulação Estocástica Técnicas de Monte Carlo via Cadeia de Markov Amostrador de Gibbs Algoritmo Metropolis-Hastings Diagnósticos de Convergência Monitoração Gráfica Implementação Programa WinBUGS MÉTODOLOGIA DE PESQUISA Tipos de Pesquisa Métodos de Pesquisa Estudo de Caso Previsão Proposta Utilização do Projeto de Experimentos

10 Utilização do Projeto de Experimentos na Previsão da Demanda Utilização dainferência Bayesiana Utilização da Inferência Bayesiana na Previsão da Demanda Utilização Sequencial do Projeto de Experimentos e Inferência Bayesiana Limitações da Previsão VALIDAÇÃO DA TÉCNICA DE PREVISÃO Análise de Caso Realização da Previsão da Demanda Utilizando Projeto de Experimentos e Inferência Bayesiana Utilização do Projeto de Experimentos no Estudo de Caso Utilização Sequencial da Inferência Bayesiana no Estudo de Caso Comparação entre as Previsões com Projeto de Experimentos e com Utilização Sequencial da Inferência Bayesiana Realização da Previsão da Demanda com Modelos de Séries Temporais Utilização do Modelo de Suavização Exponencial Simples Utilização do Modelo de Holt Utilização do Modelo Aditivo de Winter Comparação entre as Previsões Séries Temporais Comparação entre as Previsões Escolhidas Conclusão do Capítulo ANÁLISES FINAIS E CONCLUSÕES Análises Finais Análise da Suposição I Análise da Suposição II Análise da Suposição III Conclusões Finais Sugestões para Pesquisas Futuras REFERÊNCIAS BIBLIOGRÁFICAS APÊNDICES

11 7.1 Apêndice 1: Resultados da utilização de Projeto de Experimentos Apêndice 2: Resultados da utilização sequencial de Projetos de Experimentos e Inferência Bayesiana Apêndice 3: Gráficos comparativo entre a demanda real e as previsões estimadas BIBLIOGRAFIA

12 LISTA DE ILUSTRAÇÕES FIG. 2.1 Modelo geral de um processo ou sistema FIG. 2.2 Inferência Bayesiana...52 FIG. 4.1 Modelo para Previsão utilizando WinBUGS

13 LISTA DE TABELAS TAB. 2.1 Dados típicos para um experimento com uma variável TAB. 2.2 Apresentação das observações para duas variáveis TAB. 2.3 ANOVA de um Exerimento Fatorial com duas variáveis...48 TAB. 2.4 Tabela de análise de variância para o modelo de regressão...50 TAB. 4.1 Projeto de Experimentos TAB. 4.2 Dados da demanda e das variáveis do período analisado...76 TAB. 4.3 Projeto do dia 9 / TAB. 4.4 Projeto dos dias 10 / 04 a 12 / TAB. 4.5 Projeto do dia 14 / TAB. 4.6 Funções de Regressão estimadas pelo Projeto de Experimentos...79 TAB. 4.7 Previsão da demanda utilizando projeto de experimentos...79 TAB. 4.8 Índices da previsão com projeto de experimentos TAB. 4.9 Previsão com utilização sequencial de Inferência Bayesiana...82 TAB Índices com utilização sequencial de Inferência Bayesiana...82 TAB Previsão com Modelo de Suavização Exponencial Simples

14 TAB Índices da previsão utilizando o Modelo de Suavização Exponencial simples TAB Previsão com Modelo de Holt...85 TAB Índices da previsão com utilização do Modelo de Holt...85 TAB Previsão com Modelo Aditivo de Winter TAB Índices da previsão com utilização do Modelo Aditivo de Winter

15 LISTA DE ABREVIATURAS E SÍMBOLOS ABREVIATURAS D E t f L MAD MAPE N P I R 2 S p T TS - demanda. - erro de previsão. - função densidade de probabilidade. - função de verossimilhança. - desvio absoluto médio. - erro absoluto médio percentual. - fator nível da demanda. - previsão da demanda. - fator sazonalidade. - coeficiente de determinação. - erro de previsão. - fator tendência. - razão de viés. SÍMBOLOS α β γ π 0 π 1 τ - constante de suavização. - constante de suavização da tendência. - constante de suavização da sazonalidade. - densidade a priori. - densidade a posteriori. - precisão. 14

16 LISTA DE SIGLAS CODA MCCM WinBUGS Convergence Diagnosis and output Analises software for Gibbs samplimg output. Monte Carlo via Cadeia de Markov. Bayesian Inference using Gibbs Sampling for Windows. 15

17 RESUMO A acirrada competição pelos mercados leva as organizações à exigência de redução dos seus custos, principalmente a partir da redução de seus estoques. Para isso é importante que existam formas eficientes de prever a demanda. Sendo assim, este trabalho parte da suposição que o conhecimento do comportamento do mercado torna a previsão da demanda mais eficiente. Esse trabalho propõe uma forma de previsão que combina o modelo causal com o qualitativo. Essa combinação se faz utilizando o Projeto de Experimentos para caracterizar a demanda, baseando-se nas informações dos especialistas, e estimar uma função de regressão que é utilizada como função de previsão da demanda. As estimativas dos coeficientes de regressão podem ter resultados com níveis de significância elevados e conseqüentemente um intervalo de confiança muito grande. Então existe a necessidade de melhorar as estimativas dos coeficientes para reduzir os intervalos de confiança. Para isso utiliza-se a Inferência Bayesiana para estimar os coeficientes de regressão usando as estimativas do Projeto de Experimentos como prioris. 16

18 ABSTRACT The tighten market make organizations have undertook to reduce their costs, mainly based on stocks reductions. Thus, it is important thre are efficients ways to forecast. Then, this research uses a assumption that know-how of market s behavior becomes forecasting better. This research poses a mean of forecasting to combine cause model and qualitative model. This combination has been done using Design of Experiments (DoE) to explain demand behavior, based on specialist information, regression function that has been used as a forecasting model. The estimates of regression coefficients can give results with great significance levels and, consequently, with great confidence intervals. Then, there are necessity to improve the estimates of coefficients to reduce confidence intervals. Then, Bayesian Inference is used to estimate coefficients regression based on DoE estimates as prioris. 17

19 1 INTRODUÇÃO 1.1 PROBLEMA Atualmente, com o efeito da globalização, as organizações de todos os setores da economia são fortemente afetadas pela concorrência. Estas, muitas vezes, utilizam mecanismos como marketing e produção para atrair novos mercados ou para aumentar sua fatia em mercados já existentes. Não obstante, as organizações enfrentam ainda as interferências econômicas, causadas por intervenções em nível macro e microeconômicas. Essas situações, apesar de saudáveis por obrigar as organizações a se tornarem cada vez mais dinâmicas, geram um grande problema para o seu planejamento, pois interferem diretamente na demanda, gerando oscilações entre a previsão e as vendas. Segundo LAS CASAS (1999), estas diferenças geram um impacto expressivo nos setores de produção, pessoal, finanças e em outros setores da organização. As oscilações entre o previsto e as vendas reais, variam de negócio para negócio. Na maioria das vezes, esse fato ocorre porque os modelos utilizados na geração das previsões são inadequados. A situação se agrava ainda mais quando as previsões são de médio e longo prazo. Segundo KRAJEWSKI & RITZMAN (1999), as previsões da demanda desempenham um papel-chave em diversas áreas na gestão de organizações. A área financeira, por exemplo, planeja a necessidade de recursos analisando previsões de longo prazo; as mesmas previsões também servem às áreas de recursos humanos e marketing, no planejamento de modificações no nível da força de trabalho e no agendamento de promoções de vendas. De acordo com CHOPRA & MEINDL (2003), a demanda pode ser dividida em dois componentes, o sistemático e o aleatório. O componente sistemático mede o valor esperado da demanda e consiste em: nível ou média, que é a demanda média dessazonalizada; a tendência, que indica se a demanda está aumentando ou 18

20 diminuindo e a sazonalidade, que verifica se o comportamento da demanda se repete para um mesmo período. O componente aleatório é a parte desviada da parte sistemática. As previsões da demanda são elaboradas utilizando-se basicamente três modelos: Qualitativo; Quantitativo: - Séries Temporais; - Causais Combinação dos Modelos. Os modelos qualitativos baseiam-se em opiniões de especialistas e fundamentam-se no julgamento de executivos, na apreciação do pessoal de vendas e nas expectativas dos consumidores. Como diferentes indivíduos apresentam preferências distintas, esses modelos são vulneráveis a tendências que podem comprometer a confiabilidade de seus resultados. COSTA (1996) afirma que a utilização de modelos qualitativos de previsão no desenvolvimento tecnológico permite ao pesquisador vislumbrar todas as possibilidades disponíveis na viabilização de seus projetos. Já ASSIS (2002) afirma que os modelos qualitativos, fundamentados na intuição e na experiência do decisor são sujeitos a falhas. Dentre os modelos qualitativos mais utilizados, destaca-se o método Delphi, apresentado em KRAJEWSKI & RITZMAN (1999), entre outros. Os modelos qualitativos têm sido, historicamente, os mais utilizados na previsão da demanda (MENTZER & COX, 1997). Tais modelos costumam apresentar um baixo grau de precisão; apesar disto, continuam sendo amplamente utilizados nas empresas, mesmo com a difusão de modelos quantitativos mais avançados, impulsionada pelo avanço na capacidade de processamento e armazenamento de dados computacionais (SANDERS & MANRODT, 1994). A utilização dos modelos qualitativos está relacionada com o fato de que as previsões geradas corresponderem às metas de demanda estabelecidas pelas empresas (DIAS, 1999). A escassa fundamentação teórica dessas previsões pode explicar, em grande parte, a baixa qualidade das previsões dos modelos qualitativos. Os modelos quantitativos utilizam dados históricos para prever a demanda em períodos futuros, a partir de modelos matemáticos. As diferentes técnicas 19

21 disponíveis para construção desses modelos são denominadas técnicas de forecasting. Esses modelos são divididos em dois grupos, os de séries temporais e os causais. Os modelos de séries temporais utilizam o histórico da demanda para fazer a previsão. Baseiam-se na suposição de que o histórico da demanda é um bom indicador da demanda futura. Esses modelos são mais adequados quando a situação é estável e o padrão básico de demanda não sofre variação significativa de um período para o outro, sendo os modelos mais simples de serem implementados (CHOPRA & MEINDL, 2003). Os modelos causais partem da premissa de que a demanda está correlacionada com outras variáveis. Esses modelos podem ser muito eficientes em antecipar mudanças principais na série de tempo e em prevê-las em períodos de médio e longo prazo. Os modelos causais baseiam-se em modelos de regressão que estabelecem uma correlação entre a demanda e outras variáveis. O maior problema com a modelagem causal é que quando as variáveis causais têm associações muito reduzidas com a demanda possibilita que as previsões apresentem um erro maior do que o desejado. (BALLOU, 2001). Esta dissertação tem por objetivo propor uma técnica para previsão da demanda que combina a modelagem causal com o modelo qualitativo, já que ele busca as informações para definição das variáveis causais com os especialistas. O Projeto de Experimentos é utilizado para definir, a partir do conhecimento dos especialistas, as variáveis causais, caracterizando assim a demanda com a estimação de uma função de regressão, sendo que nesse caso, os experimentos são colhidos nos dados passados. A Inferência Bayesiana é utilizada para estimar os coeficientes de regressão, utilizando os coeficientes estimados pelo Projeto de Experimentos como estimativa inicial (prioris). Dessa forma, o Projeto de Experimentos e a Inferência Bayesiana são utilizados sequencialmente na previsão de demanda. Essa previsão é atualizada a medida que surgem novos dados. No Projeto de Experimentos são incluídos somente os dados que se encaixam nos tratamentos definidos no projeto. Novas variáveis devem ser incluídas à medida que se completem os tratamentos gerados pela variável, e para isso, cada tratamento deve possuir pelo menos uma replicata. 20

22 Dessa forma, esse trabalho verifica se a utilização sequencial do Projeto de Experimentos e da Inferência Bayesiana na previsão da demanda atenua os problemas citados por BALLOU (2001). A aplicação desse trabalho é em uma empresa do ramo de alimentos, localizada no Rio de Janeiro RJ, que necessita de previsão de demanda com dois dias de antecedência. Os dados de venda fornecidos pela empresa referem-se ao período de 21 / 03 / 2003 até 14 / 04 / O curto período analisado é suficiente para fazer a previsão da demanda, pois as variáveis causais que são utilizadas apresentam todos os níveis definidos pelos especialistas. 1.2 OBJETIVO Conforme já mencionado, o objetivo final desse trabalho é propor uma técnica para previsão da demanda utilizando Projeto de Experimentos, combinando a modelagem causal com a qualitativa, para caracterizar a demanda e em seguida utilizar a Inferência Bayesiana para estimar os coeficientes da função de regressão. Sendo que essa previsão deve apresentar um erro pelo menos próximo aos modelos apresentados nessa dissertação. 1.3 SUPOSIÇÕES Para desenvolver este trabalho, são utilizadas as seguintes suposições: I. Existem variáveis que podem ser quantitativas ou qualitativas, e elas caracterizam a demanda permitindo a estimação de uma função de regressão; 21

23 II. Os coeficientes estimados pelo Projeto de Experimentos têm distribuição normal; III. A Inferência Bayesiana simula o comportamento da demanda, a partir do conhecimento inicial dos coeficientes de regressão, possibilitando a estimação de um intervalo de confiança menor para esses coeficientes, e conseqüentemente uma previsão de demanda com maior qualidade. A suposição I baseia-se no fato de que todo processo tem algum fator que o origina e dessa forma a demanda é caracterizada por alguma variável. A suposição II é uma aproximação para facilitar a utilização da Inferência Bayesiana, sendo que se ela não for válida pode não haver convergência da cadeia e os coeficientes estimados não melhorarão a previsão. A suposição III considera que se as suposições I e II forem verdadeiras então a Inferência Bayesiana estimará os coeficientes e a previsão será melhorada. 1.4 DELIMITAÇÃO DO ESTUDO Este trabalho descreve a solução de um problema específico e, portanto, apresenta limitações. A primeira limitação é inerente ao escopo teórico e as demais limitações estão relacionadas ao estudo de caso apresentado. As técnicas investigativas utilizadas no trabalho compreendem o modelo de Suavização Exponencial, modelo de Holt e o modelo aditivo de Winter não sendo abordados outros modelos de previsão de demanda. O estudo de caso apresentado neste trabalho é realizado em uma empresa específica do setor alimentício do Estado do Rio de Janeiro; dessa forma, não faz parte deste trabalho à generalização dos resultados obtidos a outras empresas do setor. 22

24 São analisados dez produtos da empresa, tendo sido levantados dados no período de 21 / 03 / 2003 até 14 / 04 / Com isso, só é possível analisar duas variáveis citadas pelos especialistas, pois só existem dados disponíveis sobre duas variáveis infirmadas pelos especialistas que são: a distância do fim de semana e a quinzena do mês. 1.5 RELEVÂNCIA DO ESTUDO Com a necessidade crescente de redução do capital de giro devido aos custos elevados de capital no mundo, torna-se primordial reduzir o tamanho dos estoques, já que eles representam a maior parte do capital de giro da maioria das organizações. Sendo assim, o planejamento estratégico de qualquer organização passa priorizar a previsão da demanda que deve ter o menor erro possível; para isso existe a necessidade de se conhecer as variáveis que a caracterizam. No âmbito do Exército Brasileiro, o trabalho torna-se importante, já que a possibilidade de se gerar uma previsão de demanda com menor erro, permite que o Exército Brasileiro programe sua aquisição de materiais e serviços de uma forma mais otimizada, ajustando as suas necessidades aos escassos recursos disponíveis. 1.6 ESTRUTURA DA DISSERTAÇÃO Essa dissertação está estruturada em cinco capítulos, com apresentação dos conceitos teóricos e das aplicações numéricas. 23

25 O capítulo inicial inclui a apresentação do problema, do objetivo, das suposições, da delimitação e de sua relevância. No capítulo 2 é descrito todo o referencial teórico utilizado para previsão proposta por este trabalho. No capítulo 3 é explicado a metodologia da pesquisa, o instrumento utilizado, o tratamento e as limitações dos métodos e técnicas utilizados. No capítulo 4 é aplicada a técnica de previsão para o caso em estudo e é realizada uma análise dos resultados. No capítulo 5 são feitas as análises finais e as conclusões do trabalho. 24

26 2 REFERENCIAL TEÓRICO Para o estudo do problema foi realizada uma revisão da literatura. Os resultados desta revisão ajudaram a identificar as lacunas existentes no corpo do conhecimento sobre o tema, fornecendo subsídios para a fundamentação teórica com vistas ao desenvolvimento da previsão da demanda proposta neste estudo. Neste capítulo são apresentados os conceitos de previsão de demanda; Projeto de Experimentos e Inferência Bayesiana. 2.1 PREVISÃO DA DEMANDA De acordo com MARTINS (2001), previsão pode ser definida da seguinte forma: Previsão é um processo metodológico para a determinação dos dados futuros baseados em modelos estatísticos, matemáticos ou econométricos ou ainda em modelos subjetivos apoiados em uma metodologia de trabalho clara e previamente definida. Segundo KOTLER (2000), as previsões da demanda são utilizadas por vários setores da organização, entre eles: o departamento de finanças, para determinar o caixa necessário aos investimentos e às operações; pelo departamento de produção, para o estabelecimento de níveis de capacidade e de produção; pelo departamento de compras, para a aquisição de suprimentos; pelo departamento de recursos humanos, para a contratação de funcionários, quando necessário. De acordo com ARNOLD (1999), A maioria das organizações não pode esperar que os pedidos sejam realmente recebidos antes de começarem a planejar o que produzir. Segundo CHING (1999), Nunca se tem certeza da quantidade a ser solicitada pelos clientes e da quantidade a ser enviada para armazenagem. 25

27 O início de todo planejamento de uma organização é a previsão da demanda; dessa forma a redução do erro de previsão reduzirá a possibilidade de falta ou excesso de produtos. Outra observação feita por ARNOLD (1999) é que As previsões são mais precisas para períodos de tempos mais próximos. O futuro próximo impõe menos incertezas que o futuro distante. Dessa forma, qualquer melhoria para redução do prazo da previsão (lead time), proporcionará uma maior precisão no processo de previsão da demanda. Segundo CORRÊA (2000), as incertezas das previsões e os erros correspondentes provêm de duas formas distintas: a primeira delas corresponde ao próprio mercado, de baixa previsibilidade; a segunda corresponde ao sistema de previsão. Como a baixa previsibilidade do mercado faz parte de sua natureza, pouco se pode fazer para melhorá-la. Essa é uma condição igual para todos os concorrentes do mercado. O sistema de previsão pode fazer diferença quanto ao desempenho da organização frente aos seus concorrentes, merecendo atenção especial no que tange o erro da previsão. Segundo CHOPRA & MEINDL (2003), a escolha de um modelo de previsão é apenas um componente de uma abordagem ampla para a previsão de demanda. Todas as partes na cadeia de suprimento devem chegar a um consenso no que se refere a suposições, técnicas e números finais de revisão. Então, para o desenvolvimento de uma previsão da demanda, devem ser seguidos os seguintes passos: I. Compreender o objetivo da previsão; II. Integrar planejamento e objetivo da previsão; III. Identificar os principais fatores que influenciam a demanda; IV. Determinar a técnica mais apropriada; V. Estabelecer indicadores de desempenho para a previsão. Verifica-se que os modelos de previsão devem ser testados e comparados, analisando-se a dimensão dos erros e se a previsão está subdimensionada ou superdimensionada. 26

28 Nesse capítulo, são apresentados três modelos de séries temporais de previsão e os indicadores que são usados para comparação entre esses modelos e a previsão proposta por esse trabalho MODELOS DE PREVISÃO DE SÉRIES TEMPORAIS A previsão de demanda utilizando métodos quantitativos pode ser feita através de vários modelos matemáticos. O emprego de cada modelo depende basicamente do comportamento da série temporal (demanda histórica) que se deseja analisar. Uma série temporal pode exibir até quatro características diferentes em seu comportamento: nível, sazonalidade, ciclo e tendência (MAKRIDAKIS et al., 1998). Segundo CHOPRA & MEINDL (2003), os modelos de séries temporais podem prever o nível, a tendência e a sazonalidade utilizando os dados históricos, mas não conseguem prever o componente aleatório. O que se consegue prever é a sua dimensão e a sua variabilidade, que fornece uma medida do erro de previsão. A característica aleatória também pressupõe que não se pode prever a sua direção. Além de fazer a previsão de demanda, os modelos de previsão buscam a minimização dos seus erros, pois o erro de previsão mede a diferença entre a demanda real e a demanda estimada. Ainda de acordo com CHOPRA & MEINDL (2003), o componente sistemático pode apresentar diversas formas, que são apresentadas a seguir: Multiplicativo: o componente sistemático é resultado do produto do nível, da tendência e da sazonalidade; Aditivo: o componente sistemático é resultado da adição do nível, da tendência e da sazonalidade; Misto: combinação das formas anteriores. A grande vantagem dos modelos de séries temporais é que eles são de fácil implementação e a maior limitação é que não funcionam adequadamente quando a situação não é estável, com o padrão da demanda sofrendo variações significativas de um período para o outro (BALLOU, 2001). 27

29 A seguir serão apresentados os modelos que serão utilizados nesse trabalho MODELO DE SUAVIZAÇÃO EXPONENCIAL SIMPLES (CHOPRA & MEINDL, 2003) Esse modelo é considerado um dos mais adequados na previsão de curto prazo; é um modelo simples e requer uma pequena quantidade de dados. O maior inconveniente é que ele não considera os fatores tendência e sazonalidade. Este modelo utiliza uma constante de suavização α, definida pelo planejador e que varia dentro de uma faixa de 0 a 1. O α escolhido é aquele que minimiza o erro de previsão, sendo que a medida que o valor de α cresce, o modelo passa a responder mais rapidamente à variação da demanda. Nesse modelo, o componente sistemático da demanda é o nível N t e a estimativa inicial do nível N 0 é a média de todos os dados históricos da demanda. A previsão do próximo período P t+1 é igual a estimativa anterior do nível N t. Então, após a observação da demanda do período D t, revisa-se a estimativa do nível do período Nt, a partir da EQ N P t t + 1 = α D = N t t + ( 1 α ) N t 1 (2.1) onde: t é o período da tempo atual; α é a constante de suavização; D t é a demanda para o período t; N t é o nível para o para o período t; P t+1 é a previsão do próximo período. 28

30 O α escolhido é aquele que minimiza o erro de previsão; para isso são testados vários valores de α MODELO DE HOLT (CHOPRA & MEINDL, 2003) Existem demandas que apresentam tendência de crescimento ou decrescimento, e nesse caso o modelo de suavização exponencial simples pode gerar uma previsão com um erro fora dos padrões esperados. Ao modelo de suavização exponencial acrescenta-se o fator tendência T t e uma constante de suavização da tendência β, com valor entre 0 e 1, e tem-se ao modelo de Holt, também denominado de Suavização Exponencial com Tendência. Nesse modelo, o componente sistemático assume a forma aditiva do nível com a tendência. Então, as estimativas iniciais do nível N0 e da tendência T0 são obtidas a partir de uma regressão linear entre a demanda e o tempo t, sendo que o coeficiente angular da equação da regressão o T0 e o coeficiente linear o N0. Após a observação da demanda do período t, as estimativas da previsão e da tendência são revistas com base nas EQ. 2.2: N T P t t t + 1 = α D = β ( N = N t t t + (1 α )( N ) + + T t t 1 N t 1 (1 + β T ) T t 1 ) t 1 (2.2) onde: T t é a tendência do período t; Nt é o nível do período t; P t é a previsão do período t; β é a constante de suavização da tendência; os outros termos seguem a definição anterior. O β a ser escolhido é aquele que em conjunto com o α apresentar o menor erro de previsão. 29

Engenharia da Produção Projeto de Produto, QFD, FMEA e DoE DoE Dr. Egon Walter Wildauer

Engenharia da Produção Projeto de Produto, QFD, FMEA e DoE DoE Dr. Egon Walter Wildauer Tema DoE Projeto Curso Disciplina Tema Professor Pós-graduação Engenharia da Produção Projeto de Produto, QFD, FMEA e DoE DoE Dr. Egon Walter Wildauer Introdução O DoE Design of Experiments é uma ferramenta

Leia mais

TÉCNICAS DE ANÁLISE DE DADOS

TÉCNICAS DE ANÁLISE DE DADOS observação = previsível + aleatória aleatória obedece algum modelo de probabilidade ferramenta: análise de variância identificar fatores, controláveis, que expliquem o fenômeno ou alterem a característica

Leia mais

PLANEJAMENTO EXPERIMENTAL

PLANEJAMENTO EXPERIMENTAL PLANEJAMENTO EXPERIMENTAL Técnicas de Pesquisas Experimentais LUIS HENRIQUE STOCCO MARCIO TENÓRIO SANDRA MARCHI Introdução O Planejamento de Experimentos (Design of Experiments, DoE), técnica utilizada

Leia mais

A demanda pode ser entendida como a disposição dos clientes ao consumo de bens e serviços ofertados por uma organização.

A demanda pode ser entendida como a disposição dos clientes ao consumo de bens e serviços ofertados por uma organização. Previsão da Demanda As previsões têm uma função muito importante nos processos de planejamento dos sistemas logísticos, pois permite que os administradores destes sistemas antevejam o futuro e planejem

Leia mais

PÓS GRADUAÇÃO EM CIÊNCIAS DE FLORESTAS TROPICAIS-PG-CFT INSTITUTO NACIONAL DE PESQUISAS DA AMAZÔNIA-INPA. 09/abril de 2014

PÓS GRADUAÇÃO EM CIÊNCIAS DE FLORESTAS TROPICAIS-PG-CFT INSTITUTO NACIONAL DE PESQUISAS DA AMAZÔNIA-INPA. 09/abril de 2014 PÓS GRADUAÇÃO EM CIÊNCIAS DE FLORESTAS TROPICAIS-PG-CFT INSTITUTO NACIONAL DE PESQUISAS DA AMAZÔNIA-INPA 09/abril de 2014 Considerações Estatísticas para Planejamento e Publicação 1 Circularidade do Método

Leia mais

ESTUDO DE PREVISÃO DE DEMANDA PARA EMPRESA DE EQUIPAMENTOS MÉDICOS DE DIAGNÓSTICO

ESTUDO DE PREVISÃO DE DEMANDA PARA EMPRESA DE EQUIPAMENTOS MÉDICOS DE DIAGNÓSTICO ESTUDO DE PREVISÃO DE DEMANDA PARA EMPRESA DE EQUIPAMENTOS MÉDICOS DE DIAGNÓSTICO Andréa Crispim Lima dekatop@gmail.com Manoela Alves Vasconcelos manoelavasconcelos@hotmail.com Resumo: A previsão de demanda

Leia mais

Previsão de demanda em uma empresa farmacêutica de manipulação

Previsão de demanda em uma empresa farmacêutica de manipulação Previsão de demanda em uma empresa farmacêutica de manipulação Ana Flávia Brito Rodrigues (Anafla94@hotmail.com / UEPA) Larissa Pinto Marques Queiroz (Larissa_qz@yahoo.com.br / UEPA) Luna Paranhos Ferreira

Leia mais

PREVISÃO DE VENDAS DE CERVEJA PARA UMA INDÚSTRIA DE RIBEIRÃO PRETO

PREVISÃO DE VENDAS DE CERVEJA PARA UMA INDÚSTRIA DE RIBEIRÃO PRETO PREVISÃO DE VENDAS DE CERVEJA PARA UMA INDÚSTRIA DE RIBEIRÃO PRETO José Gilberto S. Rinaldi (UNESP/Presidente Prudente) Randal Farago (Faculdades Integradas FAFIBE) Resumo: Este trabalho aborda técnicas

Leia mais

NECESSIDADES DE PREVISÃO DA CADEIA DE SUPRIMENTOS. Mayara Condé Rocha Murça TRA-53 Logística e Transportes

NECESSIDADES DE PREVISÃO DA CADEIA DE SUPRIMENTOS. Mayara Condé Rocha Murça TRA-53 Logística e Transportes NECESSIDADES DE PREVISÃO DA CADEIA DE SUPRIMENTOS Mayara Condé Rocha Murça TRA-53 Logística e Transportes Setembro/2013 Introdução Estimativas acuradas do volume de produtos e serviços processados pela

Leia mais

Módulo 4 PREVISÃO DE DEMANDA

Módulo 4 PREVISÃO DE DEMANDA Módulo 4 PREVISÃO DE DEMANDA Conceitos Iniciais Prever é a arte e a ciência de predizer eventos futuros, utilizando-se de dados históricos e sua projeção para o futuro, de fatores subjetivos ou intuitivos,

Leia mais

BROMBERGER, Dalton (UTFPR) daltonbbr@yahoo.com.br. KUMMER, Aulison André (UTFPR) aulisonk@yahoo.com.br. PONTES, Herus³ (UTFPR) herus@utfpr.edu.

BROMBERGER, Dalton (UTFPR) daltonbbr@yahoo.com.br. KUMMER, Aulison André (UTFPR) aulisonk@yahoo.com.br. PONTES, Herus³ (UTFPR) herus@utfpr.edu. APLICAÇÃO DAS TÉCNICAS DE PREVISÃO DE ESTOQUES NO CONTROLE E PLANEJAMENTO DA PRODUÇÃO DE MATÉRIA- PRIMA EM UMA INDÚSTRIA PRODUTORA DE FRANGOS DE CORTE: UM ESTUDO DE CASO BROMBERGER, Dalton (UTFPR) daltonbbr@yahoo.com.br

Leia mais

GERENCIANDO INCERTEZAS NO PLANEJAMENTO LOGÍSTICO: O PAPEL DO ESTOQUE DE SEGURANÇA

GERENCIANDO INCERTEZAS NO PLANEJAMENTO LOGÍSTICO: O PAPEL DO ESTOQUE DE SEGURANÇA GERENCIANDO INCERTEZAS NO PLANEJAMENTO LOGÍSTICO: O PAPEL DO ESTOQUE DE SEGURANÇA Eduardo Saggioro Garcia Leonardo Salgado Lacerda Rodrigo Arozo Benício Erros de previsão de demanda, atrasos no ressuprimento

Leia mais

AULAS 13, 14 E 15 Correlação e Regressão

AULAS 13, 14 E 15 Correlação e Regressão 1 AULAS 13, 14 E 15 Correlação e Regressão Ernesto F. L. Amaral 23, 28 e 30 de setembro de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Triola, Mario F. 2008. Introdução à estatística. 10 ª ed. Rio de

Leia mais

Professor Severino Domingos Júnior Disciplina: Gestão de Compras e Estoques no Varejo

Professor Severino Domingos Júnior Disciplina: Gestão de Compras e Estoques no Varejo Professor Severino Domingos Júnior Disciplina: Gestão de Compras e Estoques no Varejo 1) Definições de Previsão de Demanda 2) Mercados 3) Modelo de Previsão 4) Gestão da Demanda 5) Previsão como Processo

Leia mais

Mini Curso # 4: Estatística para Bioquímica e Biotecnologia. Ministrado por: Dr. Marcelo Caldeira Viegas marcelo.viegas@unopar.br

Mini Curso # 4: Estatística para Bioquímica e Biotecnologia. Ministrado por: Dr. Marcelo Caldeira Viegas marcelo.viegas@unopar.br Mini Curso # 4: Estatística para Bioquímica e Biotecnologia Ministrado por: Dr. Marcelo Caldeira Viegas marcelo.viegas@unopar.br CONSIDERAÇÕES INICIAIS A competitividade e o alto custo tornam, a cada momento,

Leia mais

5. BLOCOS ALEATORIZADOS QUADRADOS LATINOS

5. BLOCOS ALEATORIZADOS QUADRADOS LATINOS 5. BLOCOS ALEATORIZADOS e QUADRADOS LATINOS Vamos analisar 4 tipos de experimentos: I) Projetos completamente aleatorizados II) Projetos em blocos aleatorizados III) Quadrados Latinos IV) Quadrados Greco-Latinos

Leia mais

PLANEJAMENTO DE CAPACIDADE EM INFRA-ESTRUTURAS SUPORTADAS POR SERVIÇOS TERCEIRIZADOS DE REDE DE COMUNICAÇÃO DE DADOS

PLANEJAMENTO DE CAPACIDADE EM INFRA-ESTRUTURAS SUPORTADAS POR SERVIÇOS TERCEIRIZADOS DE REDE DE COMUNICAÇÃO DE DADOS PLANEJAMENTO DE CAPACIDADE EM INFRA-ESTRUTURAS SUPORTADAS POR SERVIÇOS TERCEIRIZADOS DE REDE DE COMUNICAÇÃO DE DADOS Roosevelt Belchior Lima Neste artigo será apresentada uma proposta de acompanhamento

Leia mais

A INTEGRAÇÃO ENTRE ESTATÍSTICA E METROLOGIA

A INTEGRAÇÃO ENTRE ESTATÍSTICA E METROLOGIA A INTEGRAÇÃO ENTRE ESTATÍSTICA E METROLOGIA João Cirilo da Silva Neto jcirilo@araxa.cefetmg.br. CEFET-MG-Centro Federal de Educação Tecnológica de Minas Gerais-Campus IV, Araxá Av. Ministro Olavo Drumonnd,

Leia mais

Análise de Regressão. Tópicos Avançados em Avaliação de Desempenho. Cleber Moura Edson Samuel Jr

Análise de Regressão. Tópicos Avançados em Avaliação de Desempenho. Cleber Moura Edson Samuel Jr Análise de Regressão Tópicos Avançados em Avaliação de Desempenho Cleber Moura Edson Samuel Jr Agenda Introdução Passos para Realização da Análise Modelos para Análise de Regressão Regressão Linear Simples

Leia mais

O modelo ANOVA a dois factores, hierarquizados

O modelo ANOVA a dois factores, hierarquizados O modelo ANOVA a dois factores, hierarquizados Juntando os pressupostos necessários à inferência, Modelo ANOVA a dois factores, hierarquizados Seja A o Factor dominante e B o Factor subordinado. Existem

Leia mais

COMENTÁRIO AFRM/RS 2012 ESTATÍSTICA Prof. Sérgio Altenfelder

COMENTÁRIO AFRM/RS 2012 ESTATÍSTICA Prof. Sérgio Altenfelder Comentário Geral: Prova muito difícil, muito fora dos padrões das provas do TCE administração e Economia, praticamente só caiu teoria. Existem três questões (4, 45 e 47) que devem ser anuladas, por tratarem

Leia mais

Modelagem da Venda de Revistas. Mônica Barros. Julho de 1999. info@mbarros.com 1

Modelagem da Venda de Revistas. Mônica Barros. Julho de 1999. info@mbarros.com 1 Modelagem da Venda de Revistas Mônica Barros Julho de 1999 info@mbarros.com 1 Modelagem Matemática e Previsão de Negócios Em todas as empresas, grandes e pequenas, é necessário fazer projeções. Em muitos

Leia mais

Aula 5 Técnicas para Estimação do Impacto

Aula 5 Técnicas para Estimação do Impacto Aula 5 Técnicas para Estimação do Impacto A econometria é o laboratório dos economistas, que busca reproduzir o funcionamento do mundo de forma experimental, como se faz nas ciências naturais. Os modelos

Leia mais

Aprendendo a Interpretar Dados Financeiros de uma Empresa Usando Estatística de Forma Simples e Prática

Aprendendo a Interpretar Dados Financeiros de uma Empresa Usando Estatística de Forma Simples e Prática Aprendendo a Interpretar Dados Financeiros de uma Empresa Usando Estatística de Forma Simples e Prática Ederson Luis Posselt (edersonlp@yahoo.com.br) Eduardo Urnau (dudaurnau@gmail.com) Eloy Metz (eloy@softersul.com.br)

Leia mais

UTILIZAÇÃO DO MÉTODO DE HOLT WINTERS PARA A PREVISÃO AGREGADA DE SANDÁLIAS FABRICADAS A PARTIR DE PNEUS INSERVÍVEIS

UTILIZAÇÃO DO MÉTODO DE HOLT WINTERS PARA A PREVISÃO AGREGADA DE SANDÁLIAS FABRICADAS A PARTIR DE PNEUS INSERVÍVEIS XXIX ENCONTRO NACIONAL DE ENGENHARIA DE PRODUÇÃO. UTILIZAÇÃO DO MÉTODO DE HOLT WINTERS PARA A PREVISÃO AGREGADA DE SANDÁLIAS FABRICADAS A PARTIR DE PNEUS INSERVÍVEIS Tulio Franco de Souza (UEPA) tfsengprod@yahoo.com.br

Leia mais

Método de previsão de demanda e detecção de sazonalidade para o planejamento da produção de indústrias de alimentos.

Método de previsão de demanda e detecção de sazonalidade para o planejamento da produção de indústrias de alimentos. XXIII Encontro Nac. de Eng. de Produção - Ouro Preto, MG, Brasil, 2 a 24 de out de 2003 de previsão de demanda e detecção de sazonalidade para o planejamento da produção de indústrias de alimentos. Abelardo

Leia mais

MODELO DE AVALIAÇÃO EM PROJETOS DE INVESTIMENTO DE CAPITAL

MODELO DE AVALIAÇÃO EM PROJETOS DE INVESTIMENTO DE CAPITAL MODELO DE AVALIAÇÃO EM PROJETOS DE INVESTIMENTO DE CAPITAL Marcelo Maciel Monteiro Universidade Federal Fluminense, Engenharia de Produção Rua Martins Torres 296, Santa Rosa, Niterói, RJ, Cep 24240-700

Leia mais

4 Gráficos de controle

4 Gráficos de controle 4 Gráficos de controle O gráfico de controle é uma ferramenta poderosa do Controle Estatístico de Processo (CEP) para examinar a variabilidade em dados orientados no tempo. O CEP é composto por um conjunto

Leia mais

6 Construção de Cenários

6 Construção de Cenários 6 Construção de Cenários Neste capítulo será mostrada a metodologia utilizada para mensuração dos parâmetros estocásticos (ou incertos) e construção dos cenários com respectivas probabilidades de ocorrência.

Leia mais

Faculdade Pitágoras de Uberlândia Curso: Administração Disciplina: Administração de Materiais. Unidade 1 Previsão de Demanda. Revisão 0, de 07/08/2012

Faculdade Pitágoras de Uberlândia Curso: Administração Disciplina: Administração de Materiais. Unidade 1 Previsão de Demanda. Revisão 0, de 07/08/2012 Faculdade Pitágoras de Uberlândia Curso: Administração Disciplina: Administração de Materiais Unidade 1 Previsão de Demanda Revisão 0, de 07/08/2012 Prof. João Paulo Seno jpseno.pitagoras@gmail.com O que

Leia mais

INE 7001 - Procedimentos de Análise Bidimensional de variáveis QUANTITATIVAS utilizando o Microsoft Excel. Professor Marcelo Menezes Reis

INE 7001 - Procedimentos de Análise Bidimensional de variáveis QUANTITATIVAS utilizando o Microsoft Excel. Professor Marcelo Menezes Reis INE 7001 - Procedimentos de Análise Bidimensional de variáveis QUANTITATIVAS utilizando o Microsoft Excel. Professor Marcelo Menezes Reis O objetivo deste texto é apresentar os principais procedimentos

Leia mais

Pesquisa Operacional

Pesquisa Operacional GOVERNO DO ESTADO DO PARÁ UNIVERSIDADE DO ESTADO DO PARÁ CENTRO DE CIÊNCIAS NATURAIS E TECNOLOGIA DEPARTAMENTO DE ENGENHARIA Pesquisa Operacional Tópico 4 Simulação Rosana Cavalcante de Oliveira, Msc rosanacavalcante@gmail.com

Leia mais

Segurança da Informação e Proteção ao Conhecimento. Douglas Farias Cordeiro

Segurança da Informação e Proteção ao Conhecimento. Douglas Farias Cordeiro Segurança da Informação e Proteção ao Conhecimento Douglas Farias Cordeiro Risco O risco é medido por sua probabilidade de ocorrência e suas consequências; Pode se realizar uma análise qualitativa ou quantitativa;

Leia mais

MODELAGEM E SIMULAÇÃO

MODELAGEM E SIMULAÇÃO MODELAGEM E SIMULAÇÃO Professor: Dr. Edwin B. Mitacc Meza edwin@engenharia-puro.com.br www.engenharia-puro.com.br/edwin Como Funciona a Simulação Introdução Assim como qualquer programa de computador,

Leia mais

5 Estudo de caso: índice de cobrabilidade

5 Estudo de caso: índice de cobrabilidade 5 Estudo de caso: índice de cobrabilidade Neste capítulo, as metodologias abordadas nos capítulos 3 e 4 serão adaptadas e aplicadas ao contexto descrito no capítulo 1 (mensurar as variáveis que compõem

Leia mais

Módulo 2. Identificação dos requisitos dos sistemas de medição, critérios de aceitação e o elemento 7.6 da ISO/TS.

Módulo 2. Identificação dos requisitos dos sistemas de medição, critérios de aceitação e o elemento 7.6 da ISO/TS. Módulo 2 Identificação dos requisitos dos sistemas de medição, critérios de aceitação e o elemento 7.6 da ISO/TS. Conteúdos deste módulo Discriminação Decomposição da variação do sistema de medição Variação

Leia mais

Uma proposta de gráfico de controle EWMA com dados sazonais

Uma proposta de gráfico de controle EWMA com dados sazonais Uma proposta de gráfico de controle EWMA com dados sazonais Leandro Callegari Coelho (UFSC) leandroah@hotmail.com Robert Wayne Samohyl (UFSC) samohyl@yahoo.com Resumo: A importância do controle estatístico

Leia mais

Aula 5 Metodologias de avaliação de impacto

Aula 5 Metodologias de avaliação de impacto Aula 5 Metodologias de avaliação de impacto Metodologias de Avaliação de Impacto Objetiva quantificar as mudanças que o projeto causou na vida dos beneficiários. Plano de Aula Método experimental: regressão

Leia mais

SISTEMÁTICA PARA SELEÇÃO DE TÉCNICAS ESTATÍSTICAS APLICADA AO DESENVOLVIMENTO DE PRODUTOS

SISTEMÁTICA PARA SELEÇÃO DE TÉCNICAS ESTATÍSTICAS APLICADA AO DESENVOLVIMENTO DE PRODUTOS SISTEMÁTICA PARA SELEÇÃO DE TÉCNICAS ESTATÍSTICAS APLICADA AO DESENVOLVIMENTO DE PRODUTOS Creusa Sayuri Tahara Amaral Grupo ei2 NUMA EESC USP São Carlos Agenda Introdução Metodologia Seis sigma Design

Leia mais

Projeto gestão de demanda http://www.administradores.com.br/artigos/marketing/projeto-gestao-de-demanda/62517/

Projeto gestão de demanda http://www.administradores.com.br/artigos/marketing/projeto-gestao-de-demanda/62517/ Projeto gestão de demanda http://www.administradores.com.br/artigos/marketing/projeto-gestao-de-demanda/62517/ Muitas empresas se deparam com situações nas tarefas de previsões de vendas e tem como origem

Leia mais

Previsão de Vendas para Artigos de Confecção utilizando Redes Bayesianas Um caso prático

Previsão de Vendas para Artigos de Confecção utilizando Redes Bayesianas Um caso prático Previsão de Vendas para Artigos de Confecção utilizando Redes Bayesianas Um caso prático Sandro Bertotti 1, Mirian de Luca S. Caetano 1, Paulo S. S. Borges 2 1 Curso de Pós Graduação em Ciências da Computação

Leia mais

3 Metodologia de Previsão de Padrões de Falha

3 Metodologia de Previsão de Padrões de Falha 3 Metodologia de Previsão de Padrões de Falha Antes da ocorrência de uma falha em um equipamento, ele entra em um regime de operação diferente do regime nominal, como descrito em [8-11]. Para detectar

Leia mais

Análise de Variância com dois ou mais factores - planeamento factorial

Análise de Variância com dois ou mais factores - planeamento factorial Análise de Variância com dois ou mais factores - planeamento factorial Em muitas experiências interessa estudar o efeito de mais do que um factor sobre uma variável de interesse. Quando uma experiência

Leia mais

1. Introdução. 1.1 Introdução

1. Introdução. 1.1 Introdução 1. Introdução 1.1 Introdução O interesse crescente dos físicos na análise do comportamento do mercado financeiro, e em particular na análise das séries temporais econômicas deu origem a uma nova área de

Leia mais

Sumário. Parte l. 1. Introdução à pesquisa qualitativa e quantitativa em marketing 1 1.1 Pesquisa qualitativa 1 1.2 Pesquisa quantitativa 3

Sumário. Parte l. 1. Introdução à pesquisa qualitativa e quantitativa em marketing 1 1.1 Pesquisa qualitativa 1 1.2 Pesquisa quantitativa 3 Sumário Parte l 1. Introdução à pesquisa qualitativa e quantitativa em marketing 1 1.1 Pesquisa qualitativa 1 1.2 Pesquisa quantitativa 3 2. Entrevistas 5 2.1 Tipos de entrevistas 8 2.2 Preparação e condução

Leia mais

3 ALGORITMOS GENÉTICOS : CONCEITOS BÁSICOS E EXTENSÕES VINCULADAS AO PROBLEMA DE MINIMIZAÇÃO DE PERDAS

3 ALGORITMOS GENÉTICOS : CONCEITOS BÁSICOS E EXTENSÕES VINCULADAS AO PROBLEMA DE MINIMIZAÇÃO DE PERDAS 3 ALGORITMOS GENÉTICOS : CONCEITOS BÁSICOS E EXTENSÕES VINCULADAS AO PROBLEMA DE MINIMIZAÇÃO DE PERDAS 3.1 - Conceitos Básicos Entendemos como algoritmo um conjunto predeterminado e bem definido de regras

Leia mais

Modelagem e Simulação

Modelagem e Simulação AULA 11 EPR-201 Modelagem e Simulação Modelagem Processo de construção de um modelo; Capacitar o pesquisador para prever o efeito de mudanças no sistema; Deve ser próximo da realidade; Não deve ser complexo.

Leia mais

A Computação e as Classificações da Ciência

A Computação e as Classificações da Ciência A Computação e as Classificações da Ciência Ricardo de Almeida Falbo Metodologia de Pesquisa Departamento de Informática Universidade Federal do Espírito Santo Agenda Classificações da Ciência A Computação

Leia mais

DESENVOLVIMENTO DE UM SOFTWARE NA LINGUAGEM R PARA CÁLCULO DE TAMANHOS DE AMOSTRAS NA ÁREA DE SAÚDE

DESENVOLVIMENTO DE UM SOFTWARE NA LINGUAGEM R PARA CÁLCULO DE TAMANHOS DE AMOSTRAS NA ÁREA DE SAÚDE DESENVOLVIMENTO DE UM SOFTWARE NA LINGUAGEM R PARA CÁLCULO DE TAMANHOS DE AMOSTRAS NA ÁREA DE SAÚDE Mariane Alves Gomes da Silva Eliana Zandonade 1. INTRODUÇÃO Um aspecto fundamental de um levantamento

Leia mais

Aula ERROS E TRATAMENTOS DE DADOS

Aula ERROS E TRATAMENTOS DE DADOS ERROS E TRATAMENTOS DE DADOS METAS Apresentar os algarismos significativos e operações que os envolvem; apresentar os conceitos de precisão e exatidão; apresentar os tipos de erros experimentais; apresentar

Leia mais

COMPARAÇÃO DE TÉCNICAS DE PREVISÃO DE DEMANDA PARA CONTROLE DE ESTOQUES DE EMBALAGEM PARA COMPUTADORES

COMPARAÇÃO DE TÉCNICAS DE PREVISÃO DE DEMANDA PARA CONTROLE DE ESTOQUES DE EMBALAGEM PARA COMPUTADORES COMPARAÇÃO DE TÉCNICAS DE PREVISÃO DE DEMANDA PARA CONTROLE DE ESTOQUES DE EMBALAGEM PARA COMPUTADORES UBIARA MARQUES BEZERRA OLIVEIRA (UESC ) ubiara.bezerra@gmail.com Fabricio Lopes de Souza Carvalho

Leia mais

Um modelo de TRI para dados do vestibular 2011.2 da Universidade Federal de Uberlândia

Um modelo de TRI para dados do vestibular 2011.2 da Universidade Federal de Uberlândia Um modelo de TRI para dados do vestibular 20.2 da Universidade Federal de Uberlândia Luana Amâncio Terra 2 José Waldemar da Silva 2 Lúcio Borges de Araújo 2 Maria Imaculada de Sousa Silva 2 Introdução

Leia mais

3 Previsão da demanda

3 Previsão da demanda 42 3 Previsão da demanda Este capítulo estuda o processo de previsão da demanda através de métodos quantitativos, assim como estuda algumas medidas de erro de previsão. Num processo de previsão de demanda,

Leia mais

KDD. Fases limpeza etc. Datamining OBJETIVOS PRIMÁRIOS. Conceitos o que é?

KDD. Fases limpeza etc. Datamining OBJETIVOS PRIMÁRIOS. Conceitos o que é? KDD Conceitos o que é? Fases limpeza etc Datamining OBJETIVOS PRIMÁRIOS TAREFAS PRIMÁRIAS Classificação Regressão Clusterização OBJETIVOS PRIMÁRIOS NA PRÁTICA SÃO DESCRIÇÃO E PREDIÇÃO Descrição Wizrule

Leia mais

Metodologia Científica

Metodologia Científica Metodologia Científica Prof. William Costa Rodrigues FAETEC/IST Paracambi 2007 Metodologia Científica: Conceitos e Definições É um conjunto de abordagens, técnicas e processos utilizados pela ciência para

Leia mais

Simulação Computacional de Sistemas, ou simplesmente Simulação

Simulação Computacional de Sistemas, ou simplesmente Simulação Simulação Computacional de Sistemas, ou simplesmente Simulação Utilização de métodos matemáticos & estatísticos em programas computacionais visando imitar o comportamento de algum processo do mundo real.

Leia mais

Forecast Pro: pacotes e funcionalidades

Forecast Pro: pacotes e funcionalidades Forecast Pro: pacotes e funcionalidades Tiago Pellegrini T. Vieira Belge Blue Tree Towers Morumbi São Paulo / SP 03 de maio de 2011 Realização: Agenda Belge Engenharia BFS e Forecast Pro Previsão de Demanda

Leia mais

'LVWULEXLomR(VWDWtVWLFDGRV9DORUHV([WUHPRVGH5DGLDomR6RODU *OREDOGR(VWDGRGR56

'LVWULEXLomR(VWDWtVWLFDGRV9DORUHV([WUHPRVGH5DGLDomR6RODU *OREDOGR(VWDGRGR56 LVWULEXLomR(VWDWtVWLFDGRV9DORUHV([WUHPRVGH5DGLDomR6RODU OREDOGR(VWDGRGR56 6X]DQH5DQ]DQ 6LPRQH0&HUH]HU&ODRGRPLU$0DUWLQD]]R Universidade Regional Integrada do Alto Uruguai e das Missões, Departamento de

Leia mais

BIOMETRIA:CURVA DE CRESCIMENTO

BIOMETRIA:CURVA DE CRESCIMENTO UNIVERSIDADE FEDERAL DO PARÁ INSTITUTO DE CIÊNCIAS EXATAS E NATURAIS FACULDADE DE ESTATÍSTICA BIOMETRIA:CURVA DE CRESCIMENTO TAYANI RAIANA DE SOUZA ROQUE Disciplina: Estatística Aplicada Professores: Héliton

Leia mais

AVALIAÇÃO QUALITATIVA DE COST DRIVERS PELO MÉTODO AHP

AVALIAÇÃO QUALITATIVA DE COST DRIVERS PELO MÉTODO AHP AVALIAÇÃO QUALITATIVA DE COST DRIVERS PELO MÉTODO AHP Edson de Oliveira Pamplona, Dr. Escola Federal de Engenharia de Itajubá Av. BPS, 1303 Itajubá, MG CEP: 37500-000 e-mail: pamplona@iem.efei.br Prof.

Leia mais

Este trabalho tem como objetivo propor um modelo multicritério para a priorização dos modos de falha indicados a partir de uma aplicação do processo

Este trabalho tem como objetivo propor um modelo multicritério para a priorização dos modos de falha indicados a partir de uma aplicação do processo 1 Introdução A atual regulamentação do setor elétrico brasileiro, decorrente de sua reestruturação na última década, exige das empresas o cumprimento de requisitos de disponibilidade e confiabilidade operativa

Leia mais

Introdução à Análise Química QUI 094 ERRO E TRATAMENTO DE DADOS ANALÍTICOS

Introdução à Análise Química QUI 094 ERRO E TRATAMENTO DE DADOS ANALÍTICOS Introdução a Analise Química - II sem/2012 Profa Ma Auxiliadora - 1 Introdução à Análise Química QUI 094 1 semestre 2012 Profa. Maria Auxiliadora Costa Matos ERRO E TRATAMENTO DE DADOS ANALÍTICOS Introdução

Leia mais

Pesquisa experimental

Pesquisa experimental 1 Aula 7 Interação Humano-Computador (com foco em métodos de pesquisa) Prof. Dr. Osvaldo Luiz de Oliveira 2 Pesquisa experimental Wilhelm Wundt (1832-1920), Pai da Psicologia Experimental. Leituras obrigatórias:

Leia mais

PLANEJAMENTO - ESCOPO - TEMPO - CUSTO

PLANEJAMENTO - ESCOPO - TEMPO - CUSTO PLANEJAMENTO - ESCOPO - TEMPO - CUSTO PAULO SÉRGIO LORENA Julho/2011 1 Planejamento escopo, tempo e custo PROGRAMA DA DISCIPLINA Apresentação professor Programa da disciplina Avaliação Introdução Processos

Leia mais

AULAS 04 E 05 Estatísticas Descritivas

AULAS 04 E 05 Estatísticas Descritivas 1 AULAS 04 E 05 Estatísticas Descritivas Ernesto F. L. Amaral 19 e 28 de agosto de 2010 Metodologia de Pesquisa (DCP 854B) Fonte: Triola, Mario F. 2008. Introdução à estatística. 10 ª ed. Rio de Janeiro:

Leia mais

MÓDULO 2 PLANEJAMENTO LOGÍSTICO ASSOCIADO AO TRANSPORTE

MÓDULO 2 PLANEJAMENTO LOGÍSTICO ASSOCIADO AO TRANSPORTE MÓDULO 2 PLANEJAMENTO LOGÍSTICO ASSOCIADO AO TRANSPORTE 2.1 - Níveis de Planejamento O planejamento logístico tenta responder aos questionamentos de: O QUE? QUANDO? COMO? Nos níveis estratégico, tático

Leia mais

Andrés Eduardo von Simson Graduação e v r iç i os D s i ney Background Hopi Hari Hilton Brasilton Maksoud Plaza

Andrés Eduardo von Simson Graduação e v r iç i os D s i ney Background Hopi Hari Hilton Brasilton Maksoud Plaza ENGENHARIA DE NEGÓCIOS I GESTÃO ESTRATÉGICA DE ESTOQUES AULA I Prof. Andrés E. von Simson 2009 PROFESSOR Andrés Eduardo von Simson Graduação Adm. Hoteleira Adm. de Empresas Docência pela FGV Especialização

Leia mais

Figura 1.1: Exemplo de links patrocinados no Google

Figura 1.1: Exemplo de links patrocinados no Google 1 Links Patrocinados 1.1 Introdução Links patrocinados são aqueles que aparecem em destaque nos resultados de uma pesquisa na Internet; em geral, no alto ou à direita da página, como na Figura 1.1. Figura

Leia mais

Pós-Graduação "Lato Sensu" Especialização em Análise de Dados e Data Mining

Pós-Graduação Lato Sensu Especialização em Análise de Dados e Data Mining Pós-Graduação "Lato Sensu" Especialização em Análise de Dados e Data Mining Inscrições Abertas Início das Aulas: 24/03/2015 Dias e horários das aulas: Terça-Feira 19h00 às 22h45 Semanal Quinta-Feira 19h00

Leia mais

2. REVISÃO BIBLIOGRÁFICA S&OP Planejamento integrado de vendas e operações

2. REVISÃO BIBLIOGRÁFICA S&OP Planejamento integrado de vendas e operações 18 2. REVISÃO BIBLIOGRÁFICA S&OP Planejamento integrado de vendas e operações 2.1 CADEIA DE SUPRIMENTOS A definição de gerenciamento da cadeia de suprimentos adotada por Christopher (2007) é a seguinte:

Leia mais

Ementa e Cronograma Programático...

Ementa e Cronograma Programático... Ementa e Cronograma Programático... AULA 01 Estratégia de Operações e Planejamento Agregado AULA 02 Planejamento e Controle de Operações AULA 03 Gestão da Demanda e da Capacidade Operacional AULA 04 Gestão

Leia mais

Estatística Aplicada. Gestão de TI. Evanivaldo Castro Silva Júnior

Estatística Aplicada. Gestão de TI. Evanivaldo Castro Silva Júnior Gestão de TI Evanivaldo Castro Silva Júnior Porque estudar Estatística em um curso de Gestão de TI? TI trabalha com dados Geralmente grandes bases de dados Com grande variabilidade Difícil manipulação,

Leia mais

Contabilometria. Aula 10 Grau de Ajustamento e Verificação das Premissas MQO

Contabilometria. Aula 10 Grau de Ajustamento e Verificação das Premissas MQO Contabilometria Aula 10 Grau de Ajustamento e Verificação das Premissas MQO Ferramentas -------- Análise de Dados -------- Regressão Regressão Linear - Exemplo Usando o Excel Regressão Linear Output do

Leia mais

Introdução à Simulação

Introdução à Simulação Introdução à Simulação O que é simulação? Wikipedia: Simulação é a imitação de alguma coisa real ou processo. O ato de simular algo geralmente consiste em representar certas características e/ou comportamentos

Leia mais

Uma aplicação de Inteligência Computacional e Estatística Clássica na Previsão do Mercado de Seguros de Automóveis Brasileiro

Uma aplicação de Inteligência Computacional e Estatística Clássica na Previsão do Mercado de Seguros de Automóveis Brasileiro Uma aplicação de Inteligência Computacional e Estatística Clássica na Previsão do Mercado de Seguros de Automóveis Brasileiro Tiago Mendes Dantas t.mendesdantas@gmail.com Departamento de Engenharia Elétrica,

Leia mais

Estratégias de Pesquisa

Estratégias de Pesquisa Estratégias de Pesquisa Ricardo de Almeida Falbo Metodologia de Pesquisa Departamento de Informática Universidade Federal do Espírito Santo Agenda Survey Design e Criação Estudo de Caso Pesquisa Ação Experimento

Leia mais

Introdução. Existem situações nas quais há interesse em estudar o comportamento conjunto de uma ou mais variáveis;

Introdução. Existem situações nas quais há interesse em estudar o comportamento conjunto de uma ou mais variáveis; UNIVERSIDADE FEDERAL DA PARAÍBA Correlação e Regressão Luiz Medeiros de Araujo Lima Filho Departamento de Estatística Introdução Eistem situações nas quais há interesse em estudar o comportamento conjunto

Leia mais

Doutorando de Ciências Ambientais, Sustentabilidade e Inovação da Universidade católica. Docente da UNOESTE e Fatec

Doutorando de Ciências Ambientais, Sustentabilidade e Inovação da Universidade católica. Docente da UNOESTE e Fatec Encontro de Ensino, Pesquisa e Extensão, Presidente Prudente, 22 a 25 de outubro, 2012 126 MODELAGEM PARA NEGÓCIOS SUSTENTAVEIS. Moisés da Silva Martins Doutorando de Ciências Ambientais, Sustentabilidade

Leia mais

Teste de Hipótese para uma Amostra Única

Teste de Hipótese para uma Amostra Única Teste de Hipótese para uma Amostra Única OBJETIVOS DE APRENDIZAGEM Depois de um cuidadoso estudo deste capítulo, você deve ser capaz de: 1.Estruturar problemas de engenharia de tomada de decisão, como

Leia mais

Considerações Finais. Capítulo 8. 8.1- Principais conclusões

Considerações Finais. Capítulo 8. 8.1- Principais conclusões Considerações Finais Capítulo 8 Capítulo 8 Considerações Finais 8.1- Principais conclusões Durante esta tese foram analisados diversos aspectos relativos à implementação, análise e optimização de sistema

Leia mais

Comparação Estatística de Algoritmos Evolutivos

Comparação Estatística de Algoritmos Evolutivos Comparação Estatística de Algoritmos Evolutivos Parte I: Planejamento Experimental Felipe Campelo fcampelo@ufmg.br Universidade Federal de Minas Gerais São Carlos 02 de Abril de 2012 Motivação Motivação

Leia mais

O que é a estatística?

O que é a estatística? Elementos de Estatística Prof. Dr. Clécio da Silva Ferreira Departamento de Estatística - UFJF O que é a estatística? Para muitos, a estatística não passa de conjuntos de tabelas de dados numéricos. Os

Leia mais

Estatística: Conceitos e Organização de Dados. Introdução Conceitos Método Estatístico Dados Estatísticos Tabulação de Dados Gráficos

Estatística: Conceitos e Organização de Dados. Introdução Conceitos Método Estatístico Dados Estatísticos Tabulação de Dados Gráficos Estatística: Conceitos e Organização de Dados Introdução Conceitos Método Estatístico Dados Estatísticos Tabulação de Dados Gráficos Introdução O que é Estatística? É a parte da matemática aplicada que

Leia mais

SAD orientado a MODELO

SAD orientado a MODELO Universidade do Contestado Campus Concórdia Curso de Sistemas de Informação Prof.: Maico Petry SAD orientado a MODELO DISCIPLINA: Sistemas de Apoio a Decisão SAD Orientado a Modelo De acordo com ALTER

Leia mais

Uso de Materiais de Referência

Uso de Materiais de Referência Uso de Materiais de Referência Ricardo Rezende Zucchini Célia Omine Iamashita IPT Divisão de Química Agrupamento de Materiais de Referência Introdução Série de guias ISO sobre Materiais de Referência ABNT

Leia mais

tipos de métodos, técnicas de inteligência artificial e técnicas de otimização. Por fim, concluise com as considerações finais.

tipos de métodos, técnicas de inteligência artificial e técnicas de otimização. Por fim, concluise com as considerações finais. 1. Introdução A previsão de vendas é fundamental para as organizações uma vez que permite melhorar o planejamento e a tomada de decisão sobre o futuro da empresa. Contudo toda previsão carrega consigo

Leia mais

DA INTERPOLAÇÃO SPLINE COMO TRAJETÓRIA DA FERRAMENTA NA MANUFATURA SUPERFÍCIES COMPLEXAS ATRAVÉS DE FERRAMENTAS DOE (DESING OF EXPERIMENTS)

DA INTERPOLAÇÃO SPLINE COMO TRAJETÓRIA DA FERRAMENTA NA MANUFATURA SUPERFÍCIES COMPLEXAS ATRAVÉS DE FERRAMENTAS DOE (DESING OF EXPERIMENTS) 18º Congresso de Iniciação Científica AVALIAÇÃO DA INTERPOLAÇÃO SPLINE COMO TRAJETÓRIA DA FERRAMENTA NA MANUFATURA SUPERFÍCIES COMPLEXAS ATRAVÉS DE FERRAMENTAS DOE (DESING OF EXPERIMENTS) Autor(es) MARCO

Leia mais

Dimensionamento de estoques em ambiente de demanda intermitente

Dimensionamento de estoques em ambiente de demanda intermitente Dimensionamento de estoques em ambiente de demanda intermitente Roberto Ramos de Morais Engenheiro mecânico pela FEI, mestre em Engenharia de Produção e doutorando em Engenharia Naval pela Escola Politécnica

Leia mais

CURSO ON-LINE PROFESSOR: VÍTOR MENEZES

CURSO ON-LINE PROFESSOR: VÍTOR MENEZES Caros concurseiros, Como havia prometido, seguem comentários sobre a prova de estatística do ICMS RS. Em cada questão vou fazer breves comentários, bem como indicar eventual possibilidade de recurso. Não

Leia mais

Necessidade de Capital de Giro, Compras, Vendas e Regressão Linear.

Necessidade de Capital de Giro, Compras, Vendas e Regressão Linear. Necessidade de Capital de Giro, Compras, Vendas e Regressão Linear. MAXIMILLIANO DA SILVA MARINHO Graduando Do Curso De Ciências Contábeis Da UFPA maxi_marinho@yahoo.com.br Heber Lavor Moreira Prof Orientador

Leia mais

1. Introdução. 1.1. A história do ERP

1. Introdução. 1.1. A história do ERP 1. Introdução Podemos definir os sistemas ERP como sistemas de informação integrados na forma de um pacote de software que tem a finalidade de dar suporte à maioria das operações de uma organização. A

Leia mais

Controle estatístico de processo: algumas ferramentas estatísticas. Linda Lee Ho Depto Eng de Produção EPUSP 2009

Controle estatístico de processo: algumas ferramentas estatísticas. Linda Lee Ho Depto Eng de Produção EPUSP 2009 Controle estatístico de processo: algumas ferramentas estatísticas Linda Lee Ho Depto Eng de Produção EPUSP 2009 Controle estatístico de Processo (CEP) Verificar estabilidade processo Coleção de ferramentas

Leia mais

O PROBLEMA DO BAIXO NÚMERO DE REPETIÇÕES EM EXPERIMENTOS DE COMPETIÇÃO DE CULTIVARES

O PROBLEMA DO BAIXO NÚMERO DE REPETIÇÕES EM EXPERIMENTOS DE COMPETIÇÃO DE CULTIVARES O PROBLEMA DO BAIXO NÚMERO DE REPETIÇÕES EM EXPERIMENTOS DE COMPETIÇÃO DE CULTIVARES Cristiano Nunes Nesi 1, Antônio Lourenço Guidoni 2 Cleber Bringhenti 1 INTRODUÇÃO Uma questão importante a ser definida

Leia mais

TÉCNICAS DE COLETA E ANÁLISE DE DADOS EM ARQUITETURA. Prof. MSc. Francisco Zacaron Werneck

TÉCNICAS DE COLETA E ANÁLISE DE DADOS EM ARQUITETURA. Prof. MSc. Francisco Zacaron Werneck TÉCNICAS DE COLETA E ANÁLISE DE DADOS EM ARQUITETURA Prof. MSc. Francisco Zacaron Werneck INTRODUÇÃO A escolha das técnicas está condicionada ao Problema de Pesquisa. Três perguntas básicas devem ser respondidas

Leia mais

[2.000] (IP:281473857278462

[2.000] (IP:281473857278462 1. [2.000] (IP:281473857278462 19:36:32 19:32:41 56:09 4.486) Considere e discuta a seguinte afirmativa: "Nem sempre o modelo com o melhor R² não-ajustado é o mais adequado". A afirmativa é verdadeira,

Leia mais

Método de Monte Carlo e ISO

Método de Monte Carlo e ISO Método de Monte Carlo e ISO GUM para cálculo l de incerteza Prof. Dr. Antonio Piratelli Filho Universidade de Brasilia (UnB) Faculdade de Tecnologia Depto. Engenharia Mecânica 1 Introdução: Erro x incerteza

Leia mais

Introdução. Métodos de inferência são usados para tirar conclusões sobre a população usando informações obtidas a partir de uma amostra.

Introdução. Métodos de inferência são usados para tirar conclusões sobre a população usando informações obtidas a partir de uma amostra. Métodos Monte Carlo Introdução Métodos de inferência são usados para tirar conclusões sobre a população usando informações obtidas a partir de uma amostra. Estimativas pontuais e intervalares para os parâmetros;

Leia mais

TAXA DE DESCONTO, ANÁLISE DE RISCO, MODELOS DE PREDIÇÃO

TAXA DE DESCONTO, ANÁLISE DE RISCO, MODELOS DE PREDIÇÃO TAXA DE DESCONTO, ANÁLISE DE RISCO, MODELOS DE PREDIÇÃO AGNALDO CALVI BENVENHO, IBAPE, MRICS Eng. Mecânico, Especialista em Engenharia de Avaliações e Perícias TAXA DE DESCONTO NBR 14.653-4: Taxa de desconto:

Leia mais

Direcionando o Planejamento Estratégico com Modelo de Previsão Um artigo técnico da Oracle Junho de 2007

Direcionando o Planejamento Estratégico com Modelo de Previsão Um artigo técnico da Oracle Junho de 2007 Direcionando o Planejamento Estratégico com Modelo de Previsão Um artigo técnico da Oracle Junho de 2007 Direcionando o Planejamento Estratégico com Modelo de Previsão Com um processo funcional de planejamento

Leia mais

ASPECTOS FUNDAMENTAIS DO PROBLEMA DE LOCALIZAÇÃO DE INSTALAÇÕES EM REDES LOGÍSTICAS

ASPECTOS FUNDAMENTAIS DO PROBLEMA DE LOCALIZAÇÃO DE INSTALAÇÕES EM REDES LOGÍSTICAS ASPECTOS FUNDAMENTAIS DO PROBLEMA DE LOCALIZAÇÃO DE INSTALAÇÕES EM REDES LOGÍSTICAS Data: 10/03/2001 Peter Wanke INTRODUÇÃO Localizar instalações ao longo de uma cadeia de suprimentos consiste numa importante

Leia mais