Ajuste de um Modelo de Previsão de Séries Temporais para um Processo de Fabricação de Cerâmicas

Fernando de Jesus Moreira Junior (UFSM/UFSC) – fmjunior@smail.ufsm.br Robert Wayne Samohyl (UFSC) – samohyl@deps.ufsc.br Enio Junior Seidel (UFSM) – ejrseidel@hotmail.com Luis Felipe Dias Lopes (UFSM) – lflopes@smail.ufsm.br

Resumo: Neste trabalho desenvolveu-se um estudo para melhorar o gerenciamento da produção de uma indústria cerâmica, através da utilização das ferramentas de Análise de Séries Temporais. Ajustou-se uma equação de regressão múltipla, com variáveis dummies altamente significativas, que captou a presença da sazonalidade, obtendo um valor para o Rquadrado igual a 0,84, e para o R-quadrado ajustado igual a 0,79. O coeficiente de correlação entre os valores estimados pelo modelo e os valores observados foi igual a 0,91. O modelo foi considerado adequado para fazer previsões. Palavras-chave: Análise de Séries Temporais, Fabricação de Cerâmicas, Sazonalidade. 1. Introdução A demanda por produtos cerâmicos sempre esteve atrelada ao potencial do mercado regional que se pretende atingir, de modo a considerar-se quais as necessidades deste mercado com relação à qualidade dos produtos, quantidade e preços praticados. Tendo em vista a rapidez com que ocorrem mudanças nesse mercado e a grande concorrência, as empresas cerâmicas são forçadas a buscarem a evolução dos seus processos produtivos, monitorando e otimizando a produção. Dantas et al (2001) destaca que o processo de previsão é uma das etapas mais importantes dentro do planejamento agregado. Mesmo assim, um dos maiores problemas enfrentados pelas empresas é a dificuldade de prever, argumenta Ramos et al (2001). Muitas vezes, as previsões são feitas por um gerente de vendas ou uma equipe através de estimativas de vendas baseadas nas previsões dos próprios vendedores e representantes no mercado, sem uma metodologia explícita e consistente, com forte tendência de superestimar as vendas observadas. Conforme Gonçalves (2007), a utilização de modelos de previsões cresce à medida em que gestores buscam métodos científicos para tentar diminuir a dependência da sorte. Hoje, os modelos de previsões fazem parte do processo decisório da gestão empresarial nas áreas financeira, de recursos humanos, de marketing, de produção, etc. Segundo Balestrassi et al (1998), a previsão de séries temporais é um dos fatores mais importantes na engenharia de produção. A análise de séries temporais é uma área de pesquisa relevante em diversos campos do conhecimento, tendo como principal objetivo em suas pesquisas, providenciar uma previsão, quando o modelo matemático de um fenômeno é desconhecido ou incompleto (SAMOHYL, 2001b). Com o objetivo de estimar e prever a produção de cerâmica para melhorar o gerenciamento da produção, buscou-se utilizar as ferramentas de análise de Séries Temporais.

1

integrado e de média móvel (ARIMA). auto-regressivo. Os métodos qualitativos. Segundo Samohyl et al (2001b). e v) uso e avaliação do modelo de previsão. etc. a matéria-prima é conduzida até o laminador. referentes a os modelos matemáticos. devem ser observados determinados critérios.) e dos pressupostos de cada modelo. os ciclos de negócios e as variações irregulares ao acaso. Entretanto. o efeito sazonal. fazendo-a passar entre dois cilindros de ferro fundido que trituram por 2 . destacam-se os modelos ingênuos. ii) coleta das informações. em dados temporais. padrões de comportamento históricos não-aleatórios. norte do Rio Grande do Sul. os métodos quantitativos. Estas previsões são feitas por meio de técnicas científicas que projetam dados passados para o futuro. o que possibilita não só a previsão de ocorrências futuras. como também a organização de ações preventivas em relação às suas conseqüências. logística.1 Processo de produção de tijolos Na cerâmica em estudo tem-se o processo de produção de tijolos como segue. Do misturador. Para a escolha do melhor modelo. autocorrelação. que a reduz a uma forma pastosa em lâminas finas. as técnicas de análise de séries temporais são extremamente importantes. Por outro lado. 3. totalizando 36 observações. Na caixa de alimentação. pois permitem identificar. de regressão (linear simples. sazonalidade. auto-regressão de vetor (VAR). Também é possível que os mesmos dados possam ser ajustados por mais de um modelo da mesma classe ou de diferentes classes. Makridakis et al (1998) destaca que a previsão deve ser executada considerando-se alguns importantes passos: i) definição do problema. temperaturas altas no verão e baixas no inverno. isto é. uma série temporal pode ser definida como uma função de uma variável independente (tempo) vinculada a um processo em que uma descrição matemática é desconhecida. não-linear. como pode ser previsto de uma função determinística. etc. parcimônia. entre outros. onde é controlada a umidade e é acrescida água. Foram coletados dados referente a produção de tijolos no período de janeiro de 2003 a dezembro de 2005. ciclos.2. Cada uma dessas classes de modelo é utilizada de acordo com as características dos dados (tendência. como o método Delphi. após a identificação de um padrão de comportamento relacionado com o tempo. iii) análise preliminar dos dados. utilizados quando os dados históricos são inexistentes ou escassos. O comportamento futuro de uma série temporal não pode ser previsto exatamente. de acordo com o modelo (coeficientes. Entre os métodos quantitativos de previsão. ficando com aspecto de “massa”. de alisamento exponencial. critérios de informação.). Materiais e Método Os dados utilizados neste estudo foram coletados em uma indústria cerâmica localizada no município de Pinheirinho do Vale. Modelos de Previsão de Séries Temporais Segundo Samohyl et al (2001a). a matéria-prima (argila) segue por uma esteira até chegar ao misturador. de média móvel. o comportamento de uma série temporal pode algumas vezes ser antecipado através de procedimentos estocásticos. múltipla. De acordo com Gonçalves (2007) os métodos de previsão podem ser classificados como qualitativos ou quantitativos.). 3. são utilizados quando existe quantidade suficiente de dados históricos. Quatro comportamentos associados a uma série temporal podem ser identificados: o efeito de tendência. iv) escolha e ajuste de modelos. são baseados na opinião de especialistas e referem-se ao uso de técnicas de grupos focais e de consenso. o qual se caracteriza pelas estações climáticas bem definidas. etc. análise de resíduos.

Depois deste período o forno é aberto para resfriamento dos tijolos (período que dura em torno de dois dias). a temperatura é mantida baixa (entre 50 e 300ºC) para finalizar a secagem dos tijolos. ou seja. 3 . o forno é então fechado. No primeiro dia. No quarto dia. é colocada uma pilha de tijolos para que contenha o fogo que provem das fornalhas. protegendo assim os demais tijolos.000 (treze mil) tijolos. passa através da câmara de vácuo e toma a forma de tijolo. por um período de cinco horas. Resultados e discussões O gráfico da Figura 1 apresenta a evolução da produção ao longo dos meses durante os três anos de coleta.esmagamento todas as pedrinhas ou torrões ainda não desfeitos. Após a secagem. a temperatura vai de 100ºC a 300ºC. O material laminado cai na maromba (máquina de fabricar tijolos) a vácuo. Este processo é feito no quinto dia. sem que haja entrada de ar. quando se passaram os cinco dias. 4. Nestes três primeiros dias. próximo às fornalhas. A indústria possui 6 (seis) fornos. O processo de queima dos tijolos do forno é de cinco dias. No lado interno do forno. A energia utilizada na queima é obtida através de madeiras de reflorestamentos. 120 horas de queima dos tijolos. O bloco de argila (já na forma do tijolo). os tijolos são transportados manualmente até os estaleiros de secagem. corre sobre os rolos da máquina cortadora e é automaticamente cortado no tamanho especificado. onde são colocados em prateleiras e permanecem para secagem natural por um período médio de 7 (sete) dias com tempo bom. Após o corte. Nos segundo e terceiro dias. e vai para o parafuso-sem-fim. a temperatura do forno é elevada a 500ºC. os tijolos são transportados até os fornos e empilhados a fim de que a queima se processe de forma homogênea em todos os tijolos. saindo da boquilha. para iniciar o processo de queima do tijolo. onde a matéria-prima é impelida para a frente. a temperatura do forno gira em torno de 50ºC. aonde a temperatura vai de 500ºC a 1000ºC (temperatura final do processo) aproximadamente. e cada forno armazena aproximadamente 13. Após completo o processo.

β11 são os coeficientes das variáveis sazonais X 1 . Através do gráfico da Figura 1 pode-se observar um comportamento sazonal em relação aos meses dos anos. X é a variável de regressão relacionada a tendência. Segundo Gonçalves (2007). A fim de ajustar uma equação de regressão aos dados da produção. X 2 . β 2 . X 11 .170000 160000 150000 Produção 140000 130000 120000 110000 100000 set/03 set/04 dez/03 abr/03 out/03 dez/04 abr/04 out/04 set/05 ago/03 ago/04 mar/03 mar/04 mar/05 ago/05 nov/03 nov/04 nov/05 mai/03 mai/04 mai/05 dez/05 abr/05 fev/03 fev/04 fev/05 out/05 jun/03 jan/03 jun/04 jan/04 jan/05 jun/05 jul/03 jul/04 jul/05 Mês FIGURA 1 – Produção de Cerâmicas. e 4 . β1 . optou-se por uma equação que pudesse detectar a presença de sazonalidade e tendência... + β 11 X 11 + ε . não é possível verificar se existe uma tendência crescente ou decrescente na produção durante o período examinado. onde a produção tende a ser maior nos meses mais quentes e... Por outro lado.. β é o coeficiente da variável de tendência X ... respectivamente. menor nos meses mais frios. juntamente com a tendência. Para captar um padrão sazonal que se repete a cada 12 meses.. Moore (2006) sugere a seguinte equação: Y = β 0 + β X + β 1 X 1 + β 2 X 2 + . ε é o erro.. existem várias formas de captar o efeito sazonal. onde (1) β 0 é a constante..

0000 -5.98 0.7E+09 4.14 0.0000 -5.50 0.75E+08 10. Essa mostra que 7 variáveis relacionadas à sazonalidade possuem efeito significativo (p < 0. se o atributo está presente.07 0.757. enquanto que a Tabela 2 apresenta os parâmetros estimados para a regressão. TABELA 1 – Teste de significância para a regressão. para identificar o mês. porém a variável relacionada à tendência não foi significativa (p = 0. Assim. ou 0. ou seja.4395 -0.38 0. gl Regressão Resíduo Total SQ MQ F F de significação 12 5.79E+09 Stat t valor-P 30. Na equação 1.0030 -6. nesse caso. que servem para verificar a presença ou ausência de um atributo (ou qualidade).08E+09 47107001 35 6.7042 TABELA 2 – Estimação dos parâmetros da regressão.84 e para o R-quadrado ajustado foi 0.0592 -2. Segundo Gujarati (2000).05) no modelo.0252 -2. se o atributo está ausente.08625 0.9274 0. assumem os valores 1.92 0. O valor obtido para o Rquadrado foi 0. uma equação de Regressão múltipla proporciona que o lado direito da equação está aberto para receber qualquer número de variáveis independentes.9469 -1.00000). o que indica um bom ajuste do modelo..0000 -2.4395).0000 0.00000 23 1..59 0. A Tabela 1 mostra que a regressão foi significativa (p = 0.65 0. Coeficientes Erro padrão Interseção 150103 4853 X 92 117 X1 -530 5749 X2 385 5724 X3 -11317 5702 X4 -12152 5681 X5 -18790 5663 X6 -36712 5648 X7 -31831 5634 X8 -31416 5623 X9 -13441 5615 X10 -16403 5609 X11 -2155 5605 5 . onde os dados de dezembro são indicados quando todas as 11 variáveis indicadoras forem iguais a zero.32 0. X 2 .39 0.79 0. Segundo Samohyl (2009).93 0. obteve-se os resultados apresentados nas Tabelas 1 e 2.0433 -3.09 0.0076 -0. aplicando-se o modelo da equação 1.. as variáveis dummies são binárias. as variáveis X 1 .1 se o mês é janeiro X1 =  0 caso contrário 1 se o mês é fevereiro X2 =  0 caso contrário M 1 se o mês é novembro X 11 =  0 caso contrário. X 11 são variáveis dummies..

além de ter aumentado a significância das variáveis que já eram significativas.0000 -5. mesmo que não seja 6 .72 0. X 8 .6897 TABELA 4 – Estimação dos parâmetros da regressão. o modelo será ajustado novamente. enquanto que a Tabela 4 apresenta os parâmetros estimados para a regressão. Interseção X1 X2 X3 X4 X5 X6 X7 X8 X9 X10 X11 As variáveis sazonais significativas foram: X 3 .0211 -2.05) no modelo. o que indica um bom ajuste do modelo.05). X 7 .7841 -0.18 0. os parâmetros do modelo serão novamente estimados sem essas variáveis. obteve-se os resultados apresentados nas Tabelas 5 e 6. respectivamente.1236 0. A Tabela 5 mostra que a regressão foi significativa (p = 0.40 0. o valor de Rquadrado nunca cairá quando se acrescenta qualquer variável explicativa. que representam os meses de março. sem o componente de tendência. Dessa forma. Segundo Sartoris (2003). setembro.0293 -3. agosto.50 0. junho. gl Regressão Resíduo Total SQ MQ F F de significação 11 5.84).0000 -0. a Tabela 4 mostra que as variáveis X 1 .98 0.00000). Por outro lado.79E+09 Coeficientes Erro padrão 152307 3931 -1540 5559 -533 5559 -12143 5559 -12887 5559 -19433 5559 -37263 5559 -32290 5559 -31783 5559 -13717 5559 -16587 5559 -2247 5559 Stat t valor-P 38.83. respectivamente.47 0. porém é menor que o valor do modelo 2 (0. abril.10 0. Fazendo-se isso.0065 -0. fevereiro e novembro.0000 -5..67E+09 5. X 5 . que representam os meses de janeiro. O valor obtido para o R-quadrado foi 0. (2) Aplicando-se o modelo da equação 2. o que indica um bom ajuste do modelo. outubro e novembro. julho. A remoção da variável relacionada à tendência fez com que outra variável sazonal ( X 3 ) se tornasse significativa no modelo.32 0.0389 -2.Verificando-se que a tendência não foi significativa.11E+09 46358797 35 6.00000 24 1. Essa mostra que todas as variáveis têm efeito significativo no modelo (p < 0. Essa mostra que 8 variáveis relacionadas à sazonalidade possuem efeito significativo (p < 0. X 2 e X 11 .70 0.16E+08 11. + β 11 X 11 + ε .9244 -2. A Tabela 3 mostra que a regressão foi significativa (p = 0.84 e para o R-quadrado ajustado foi 0. O valor obtido para o R-quadrado foi 0.28 0. TABELA 3 – Teste de significância para a regressão.0000 -2. enquanto que a Tabela 6 apresenta os parâmetros estimados para a regressão.0019 -6.00000).81 0. X 4 . maio. conforme a equação 2: Y = β 0 + β 1 X 1 + β 2 X 2 + .74 0. X 9 e X 10 . obteve-se os resultados apresentados nas Tabelas 3 e 4.761. X 6 .. não foram significativas nesse modelo.

o que pode ser observado no gráfico da Figura 2.28 0.41 0.0000 -7.0001 -8.04 0.79 indicando que esse é melhor que o modelo da equação 1 (0.76).12E+09 41545370 35 6. deve-se utilizar o R-quadrado ajustado.0009 TABELA 6 – Estimação dos parâmetros da regressão. tem-se que o valor do R-quadrado ajustado para esse modelo foi de 0.38 0.0000 -3. TABELA 5 – Teste de significância para a regressão.significativa.73 0.84 0.00000 27 1.0085 -4.0130 -2.79E+09 Coeficientes Erro padrão 151227 1861 -11063 4161 -11807 4161 -18353 4161 -36183 4161 -31210 4161 -30703 4161 -12637 4161 -15507 4161 Stat t valor-P 81. o modelo final ajustado foi: Y = 151227 − 11063 X 3 − 11807 X 4 − 18353 X 5 − 36183 X 6 − 31210 X 7 − 30703 X 8 − 12637 X 9 − 15507 X 10 . como observa-se na Tabela 6.04) e aumentar a significância das variáveis do modelo. gl Regressão Resíduo Total SQ MQ F F de significação 8 5.66E+09 7.0052 -3. melhorar o ajuste da equação (F = 17. Assim. dezembro. Interseção X3 X4 X5 X6 X7 X8 X9 X10 A exclusão das variáveis X 1 .70 0. janeiro e fevereiro não varia de forma significativa. para se comparar modelos que possuem número de variáveis explicativas diferentes.50 0.0000 -7.08E+08 17.03959 0. 7 . Essa exclusão também contribuiu para aumentar o valor do R-quadrado ajustado.0000 -2. Portanto.66 0. X 2 e X 11 indica que a produção entre os meses de novembro. que apresenta os valores observados e previstos da produção. Dessa forma.

Na sequencia. Segundo Gonçalvez 8 . revelando um alto grau de associação positiva entre eles. conforme mostra o gráfico de dispersão da Figura 3.170000 Observada Prevista 160000 150000 Produção 140000 130000 120000 110000 100000 set/03 set/04 dez/03 abr/03 out/03 dez/04 abr/04 out/04 set/05 ago/03 ago/04 mar/03 mar/04 mar/05 ago/05 nov/03 nov/04 nov/05 mai/03 mai/04 mai/05 dez/05 abr/05 fev/03 fev/04 fev/05 out/05 jun/03 jan/03 jun/04 jan/04 jan/05 jun/05 jul/03 jul/04 jul/05 Mês FIGURA 2 – Valores Observados e Estimados da Produção de Cerâmicas. foi de 0.91. 160000 150000 140000 Produção Estimada 130000 120000 110000 100000 100000 110000 120000 130000 140000 150000 160000 170000 Produção Observada FIGURA 3 – Diagrama de Dispersão entre os Valores Observados e Estimados. A correlação entre os valores observados e estimados da produção de cerâmica. utilizou-se o modelo obitido para fazer previsões.

a produção não varia de forma significativa. O resultado da previsão é apresentado na Figura 4. A. 160000 150000 140000 Produção 130000 120000 110000 100000 abr/06 ago/06 set/06 mar/06 mai/06 nov/06 dez/06 fev/06 out/06 jan/06 jun/06 jul/06 Mês FIGURA 4 – Valores Previstos para a Produção de Cerâmicas. W. Referências BALESTRASSI. 9 . Previsão de Custo de Hora-Extra com a Utilização do Modelo Tobit. Dessa forma.. PEREIRA. Os resultados mostraram que: o modelo obteve um bom ajuste e que as suas variáveis foram altamente significativas.84. A. Salvador. fez-se a previsão da produção para o ano seguinte (doze meses de 2006). Métodos de Previsão usando a Série Econométrica de Nelson-Plosser: Um Estudo Comparativo. Conclusões Esse trabalho procurou ajustar um modelo de séries temporais aos dados referentes a produção de cerâmicas. que é mesma para os anos seguintes. BA. 5. XXI Encontro Nacional de Engenharia de Produção (ENEGEP).. 2001.. com base no modelo final ajustado. janeiro e fevereiro. DANTAS. Niterói. R. SAMOHYL.79. W. uma vez que não existe tendência nos dados. dezembro. MEURER. obtendo um valor para o R-quadrado igual a 0. R. P. XVIII Encontro Nacional de Engenharia de Produção (ENEGEP). P. R. Assim. O. por isso o modelo ajustado prevê o mesmo valor nesses meses. 1998. RJ. com o objetivo de estimar e prever a produção de cerâmica para melhorar o gerenciamento da produção. F.. a previsão deve-ser no máximo um terço do total dos dados. SAMOHYL. Observa-se também que nos meses de novembro. A. o modelo ajustado foi considerado adequado e pode ser utilizado para a previsão da produção desde que não haja mudança na tendência da produção. B. Foi ajustada uma equação de regressão múltipla com variáveis dummies que captou a presença da sazonalidade.(2007). e para o Rquadrado ajustado igual a 0.

F. 3ª. 3 ed. Rio de Janeiro: LTC. São Paulo: Saraiva. Salvador. C. L. MCCABE. KONRATH. L. C.. GUJARATI. Forecasting: methods and applications. S. Previsão em MRP usando a Transformação de Box-Cox através do Aplicativo Glim com aplicação.. 2006. ROCHA. SAMOHYL. 2000. 2001a. MOORE. XXI Encontro Nacional de Engenharia de Produção (ENEGEP). V. SCLOVE. Salvador. M.. XXI Encontro Nacional de Engenharia de Produção (ENEGEP). S. HYNDMAN. Salvador. E. M. L. R. Econometria Básica. V. SAMOHYL. Controle Estatístico de Qualidade. A. N. SAMOHYL. D. W. . ROCHA.. São Paulo: Editora Elsevier/Campus.DUCKWORTH. S. S. RAMOS. Excel Avançado 2003/2007: Análise e Previsão de Demanda. W. R.. no prelo. MATTOS. BA. SAMOHYL. D. L. 2007. 1998. a sair em 2009. R. W. MAKRIDAKIS. WHEELWRIGHT. P. G. S...J. 10 . R. R... São Paulo: Pearson Makron Books. Técnica de Amortecimento Exponencial Simples com Taxa de Resposta Adaptativa: Uma Reflexão a Respeito do Comportamento do Coeficiente Alfa. SARTORIS. 2003. Utilização do Modelo de Holt-Winters para a Previsão do Leite Entregue às Indústrias Catarinenses. D. A Prática da Estatística Empresarial: Como Usar Dados para Tomar Decisões.. R.. Rio de Janeiro: Editora Ciência Moderna Ltda. MATTOS. Estatística e Introdução à Econometria. G. W. W. New York: John Willey & Sons. 2001b. Edição. BA.. D. A. XXI Encontro Nacional de Engenharia de Produção (ENEGEP). 2001.GONÇALVES. BA. R.

Sign up to vote on this title
UsefulNot useful