Resumo P1 - Pcp

PCP - P1\n1. Pressão de Demanda\n1.1. Introdução\nA pressão mais precisa pode não ser a mais indicada, pois seu custo pode ser maior do que a precisa para a gestão da t\nToda previsão é feita com base na exigência, que condiciona tanto a gestão quanto a produção.\nCURSO 9342 - Demanda utilizada na programação, mescla de produção e no Berthole, e estágios ainda não determinados em tempo.\nReferente à demanda futura \"Modelo de Previsão\".\nTemos de medir a cota de precisão, a qual serve para dimensionar as diversas categorias de segurança.\n\nPara previsões de demanda de outro jeito, vamos usar 8 modelos:\nModelo Banshente: Não observa tendência de crescimento ou de decréscimo.\n\\[ x_t = x_0 + E_t \\]\nL1: Erro com média 0 e variação E^2\n\nModelo Linear: Observa tendências e crescimento ou decréscimos.\n\\[ x_t = a + b_1E_t \\]\nL1: Erro de crescimento ou crescimento\n\nModelo Sazonal: Além de tendência, observa variações no fenômeno.\n\\[ x_t = (a + b_1E_t) + E_t \\]\nL1: Fator de sazonalidade 1.2 Modelo Constante.\nPara determinar \\[ \hat{a_1} \\], para t = 0 e calculando a média de todas as observações.\nPreciso para semanas subseqüentes \\[ \hat{x}_{t+1} = x_t + \hat{E}_t \\]\n\\[ \hat{E}_{t + 1} \\] precisa de demanda fixa na semanas anteriores.\n\n1.2.1 Modelo Constante e Média Móvel\nPara determinar \\[ \hat{a_1} \\], calculamos a média das últimas observações.\n\n1.2.2 Modelo Constante e Suavização Exponencial Simples\nO método de suavização exponencial do peso decrescente é indicado por \\[ \hat{y_t} \\] a observação e \\[ \hat{y_{t-1}} \\] o plano mais antigo:\n\\[ \hat{b_t} = \\alpha x_t + (1 - \\alpha) \\hat{y_{t-1}} \\]\nQuanto maior a maior, o peso que a última observação tem no processo de estimativa.\n\nA previsão para t períodos é para períodos t - X < \\[ \\epsilon \\] < t:n 1.4 Modelo Linear com tendência e suavização dupla\n\\[ \hat{b_1} = \\alpha x_t + (1 - \\alpha)(\\hat{b_{t-1}} - \\hat{b_{t-1}}) \\]\n\n1.4.1 Modelo Linear com tendência constante e suavização\nErro de previsão \\[ E_t = \\frac{1}{n} \\sum_{t=1}^n (x_t - \\hat{b_{t+1}})^2 \\]\n 16. Estimativa da variância do erro de previsão\n\n Desvio padrão do erro de previsão ao fim de t: b = NÉMA!\n\n18. Exercícios Propostos\n\n2. α = 0,15; ρ = 0,05; γ = 0,01\n\n Período Ano Quadrimestre Vendidos M.M. Fε\n\n 2005 2 69 44 53,62 0,969\n 2006 3 60 60,30 61,69 0,949\n 2007 3 48 64,00 61,06 0,350\n 2008 3 67 65,67 69,39 0,020\n 2009 3 36 21,00 21,00 0,389\n\n Quadrimestre Fε Normalizado\n\n 1 1,007 1,00037\n 2 1,074 1,02928\n 3 0,767 0,76963\n 4 2,698 8,0000\n\nb) Ȳ = 34,92 θ Ȳ = 2,45\n\n λ 9,10 = (34,92 + 2,45 * 1) 1,8278 * 95\n λ 9,11 = (34,92 + 2,45 * 2) 1,7604 * 61\n λ 9,12 = (34,92 + 2,45 * 8) 1,00037 = 88\n\nc) x̄10 = 79\n\n θ̄10 = 0,15 (79) + (1 - 0,15) (74,92 + 2,45) = 25,44 F̄ε = 0,05(75,44 - 34,92) - (1 - 0,05) + 2,45 = 285\n\n F̄ε = 0,01\n\n m̄ = (39,44) + (1 - 0,01) * 28,48 = 28,50\n\n Q̄n = 34,91\n\n 1 1,007 1,0085\n 2 1,230 1,2289\n 3 0,670 0,766\n 4 2,997 3,00\n\n Ȳ10,11 = (75,44 + 2,45*1) = 0,7676 = 760\n\n Ȳ11,12 = (75,44 + 2,45 * 2) 1,00 = 81\n\n4. α = 0,10 θ̄ = 20,08\n\n Ȳ̄ = 10,80 + (1 - 0,01) 20,08 + 20,30 = 20,37\n\n Ȳ̄12 = 20,08 + 81 - 0,10 = 24,50\n\nd) Ȳ10 = 55,79\n\n θ - NESS79 = 34,14\n\n α = 0,10 ρ = 0,05\n\n θ̄ = 20,08 + 20,38\n\n θ̄1 = 0,10,83 + (1 - 0,01) (30,08 + 20,08) = 39,44\n\n B̄1 = 0,05 + (82,44 - 80,08) + (1,00) x 28,20 = 8,30 2. Demanda Independente e Estável\n\n2.1 Modelo do lote econômico de compra\n\n Demanda Dependente: A demanda de um item é derivada da demanda de outro item, assim como ajuda a determinar podemos estimar períodos a períodos\n\nDemanda Independente: A demanda do item não está diretamente ligada às demandas de outros itens, ela se manifesta de forma aleatória\n\n D = Taxa Constante de Demanda\n A = Custo total de se Pagar encomendas\n H = Custo se manter em estoque 1 unidade item/unidade tempo\n\n CRT(econ) = Custo econômico periódico/intervalo = C/ Q\n\n C = H Q2\n\n T = Q\n\n D\n\nCRT(q*) = √2ADH\n\n H = √D\n\nP* = √2ADH\n\n V → valor por unidade\n\n * lei de produção finita: m → CRTp(𝑞) = D + A + Q (1 − b / m)\n\n Q\n\n CRT(g) = √2ADH(1 - b / m)\n\n B* = √−2D\n\n N H(1 - b / m)\n\n CRTV(g) = √2ADH(1 - b / m) 1. Q = 500 mg (a) D = 2000 kg per year; v = R$400 A = 250 \n\n2. Q = 700 CQA = 290 2000 (400 - 0,25) \n v = 400 = 826.000 = 850.125 \n\n3. D = 200 unid V = 60 $/unid \n A = 100 $/ano \n CRT = N2(nD/nV) + Dv = N2.100.20.60.0.2 = 12.692,82 \n CRTB = N2. (100+900).200.55.0,2 + 900.55 = 19097,162 8. Controle de Estoques sob demanda probabilística \n\n3.2.1. Controle \"Ponto de Pedida - Lot de Encomenda\" \n Recurso contínuo do nível de estoque. \n Estoque = Ponto de Pedido (s) -> Encomendado Q\n L = mias - perdas \n\n5 = MTA + cS \n Estoque de segurança \n demanda média durante TR \n Pr(haver falta) = Pr(d > s) = 1 - Fm(a)\n\n3.8.8. Controle \"Revisão Periódica - Nível de Reposição\" 1. Q = 2.54 (0,92) = 400 \n E(f-pr)/(f) = n*cilos Pr(falta) \n 0,983 = D. Pr(polit) \n Pr(falta) = 0,258.400 - 0,05 = 21,04\n 1,64/(0,92) = 48,61 \n\n2. D = 60 \n D = 390 \n E(f)(f) = D. Pr(falta) = 12000.0,05 = 16,6 \n Pr(Rf(f)|b) = (1-p)D(f) = (1-0.05)379 = R$ 0,20 Prova antiga 2010\n\na) Q_{A} = \\sqrt{8.100 . 10^{-2}} = 2,91\n\nT_{A} = Q_{A}^{2} = 2,91\n\nb) Q_{B} = \\sqrt{2.100 . 10^{-2}} = 2,09\n\nT_{B} = Q_{B}^{2} = 4,46\n\nCRT^{n} = \\sqrt{A . 10.000.000 . 0,0009} = 94,86\n\nCRT^{e} = \\sqrt{A . 170.000.000} = 428,85\n\nTotal: 187,31\n\nb) CRT = A + T_{C} = (D_{VA} + D_{VE})\n\nT_{AB} = 2\n\n\\r\n\nT^{2} = \\\n\n1^{2} = 1000 + 19,21 \\cdot 2,0029 (300,10 + 510,2) = 104,10 < 183,21\n\nProva antiga 2.2010\n\n1. a) Pela curva ARC, 150.000 tens que mais contribuem com aproximadamente 0,08% adi gestos.