Купить СНПЧ А7 Архангельск, оперативня доставка

crosscheckdeposited

Uso de Modelo de Memória Longa: Previsão de Equipamentos Para a Agroindústria

DOI: http://dx.doi.org/10.13084/2175-8018.v02n03a08

http://www.incubadora.ufsc.br/index.php/IJIE/index 

downloadpdf

Francisca M. Souza1, Silvana G. Almeida2, Acássio V. Feliciani3 & Adriano M. Souza4

 

Resumo: A empresa Limana Poliserviços fabrica equipamentos para agroindústrias responsáveis pelo processamento de derivados de cana-de-açúcar como alambiques em cobre para a produção de cachaça e álcool hidratada, bem como microdestilarias de álcool hidratado. A partir desta afirmativa, torna-se necessário fazer uma previsão por equipamentos demandados para manter de forma satisfatória o fluxo de atendimento aos clientes e as tomadas de decisões necessárias para um gerenciamento eficaz e de qualidade. A previsão do número de equipamentos a serem fabricados pela empresa para atender a demanda foi realizada pelo modelo ARFIMA, ou seja, comumente chamado, modelo de memória longa, o qual permitirá o conhecimento a curto prazo, dos valores futuros do número de pedidos de alambiques a ser produzidos pela empresa. O modelo que melhor explicou a série em estudo foi um modelo ARFIMA (1;0,3995;0). Com os valores previstos será possível à administração da Limana Poliserviços tomar medidas gerenciais que melhorem o fluxo de atendimento ao cliente e a produção de equipamentos.

Palavras-chave: previsão de pedidos, modelos de memória longa, agroindústria, análise de séries temporais

 

Abstract: Limana Poliserve Company manufactures equipment for agribusiness in general derived from sugar cane as copper pot stills for the production of rum and hydrated alcohol as well as micro-distilleries for hydrous ethanol. From this statement, it is necessary to forecast the number of requests for equipment to maintain a satisfactory flow of customer service and decision making necessary for effective management and quality. The allocation of equipment manufactured by the company was held by the ARFIMA models, ie models of long memory commonly called, which will allow the knowledge in the short term, the future values of this variable. The model that best explained the series under study was a model ARFIMA (1;0,3995;0). With the values can be provided for the administration of Limana Poliserve take management measures to improve the flow of customer service and production equipment.

Key words: forecasting applications, long memory models, agro-industry, time series analysis

 

1 Mestranda em Engenharia de Produção - PPGEP-UFSM; Santa Maria/RS - Brasil kikamatcom@yahoo.com.br
2 Mestranda em Engenharia de Produção - PPGEP-UFSM; Santa Maria/RS - Brasil silmtm@yahoo.com.br
3 Graduando Tecnologo em Irrigação e Drenagem -IFET-São Vicente do Sul/RS - Brasil acassio27@ibest.com.br
4 Prof. Dr. do Departamento de Estatística e do PPGEP-UFSM; Santa Maria/RS - Brasil amsouza.sm@gmail.com

 

Literatura Citada

BERAN, JAN. Statistics for long-memory process. New York: Chapman & Hall, 1994. 315 p.

BOX, G. E. P.; JENKINS, G.M. Time Series Analysis, forecasting and control. San Francisco: Holden Day, 1970. 315p.

BOX, G. E. P.; TIAO, G. C. Comparison of forecast and actuality Applied Statistica, Journal of the American Statistical Association, Madison, v.25, p 195-200, out., 1976.

BOX, G. E. P.; TIAO, G. C. Intervention analysis with applications to economic and environmental problems. Journal of the American Statistical association, Los Angeles, v.70, p.70-79, mar., 1975.

BOX, G. E. P.; PIERCE, D. A. Distribution of residual autocorrelations in autoregressiveintegrated moving average time series models. Journal of the American Statistical Association, Madison, v. 65, p. 1509-1526, dez., 1970. doi

FARIAS, E. R.; ROCHA, F. J. S; LIMA, R. C. Critérios de seleção de modelos sazonais de séries temporais: uma aplicação usando a taxa de desemprego da região metropolitana de Recife. In: III Encontro Regional de Estudos do Trabalho – ABET, 22 a 24 de novembro de 2000 – Recife, PE. Disponível em: <http://www.race.nuca.ie.ufrj.br/abet/3reg/39.DOC>. Acesso em: 20 set. 2009.

HOSKING, J. Some models of persistence in time series analysis: theory and practice 1. North Holland Publishing Company, p. 641-653, 1982.

JENKINS, J. ET AL. Statistical analysis of multiple time series associated with air quality data. New Jersey: Madison, 1978. 419 p.

JIN, H. J. e FRECHETE, D. L. Fractional integration in agricultural futures prices volatilities. American Journal of Agricultural Economics,v. 86, n. 2, mai., 2004. doi

LIMA, C.H.R.; FRISCHKORN, H.; BURTE, J. Avaliação da interação rio-aquífero a partir de dados experimentais e de um modelo analítico. Revista Brasileira de Recursos Hídricos, v. 12, n. 1, p. 217-230, jan/mar., 2007. http://dx.doi.org/10.21168/rbrh.v12n1.p217-230

MAKRIDAKIS, S; WHEELWRIGHT,S.; HYNDMAN,R J. Forecasting methods and applications. 3 ed. New York; John Wiley e Sons, p. 45, 1998.

MORETTIN, P. A.; TOLOI, C. M. C. Modelos de função de transferência. In: 3ª Escola e séries temporais econometria, 2004, Rio de Janeiro. Anais. Rio de Janeiro: EPGE/FGV,2004.

MORETTIN, P. A. Econometria financeira: um curso em séries temporais financeiras. 1 ed.São Paulo: Blucher, 2008.

NELSON, C. R. Applied time series analysis for forecasting. San Francisco: Holden- Day, p. 902-907, 1973.

REISEN, V. A. Estimation of the fractional difference parameter in the ARIMA (p,d,q) model using the smoothed periodogram. Journal of the Time Series Analysis. v.15, n. 3, p. 335-\350, mai., 1994.

OLBERMANN, B. P., LOPES, S. R. C., REISEN, V. A. Invariance of the first difference in ARFIMA models. Computational Statistics. Porto Alegre. v. 21, n. 3-4, p. 445-461, dez. 2006. doi

GRANGER, C. W. J.; JOYEUX, R. An introduction to long-memory time series models and fractional differencing. Journal of Time Series Analysis, v. 1, p. 15-29, 1980. doi

SOUZA, F. M., SOUZA, A. M.; LOPES, L. F. D. Previsão da demanda de leitos hospitalares por meio da análise de séries temporais. Revista do Centro de Ciências: Ciência e Natura Exatas, UFSM, v. 31, n. 1, p. 33-47, jun-jul, 2009.

VICINI, L.; SOUZA, A. M. Geração de subsídios para a tomada de decisão na cadeia produtiva da bovinicultura no Brasil, Revista GREPOS, v. 4, jul-set, 49-64 p, 2007.

WERNER, L.; RIBEIRO, J. L. D. Demand forecasting: an application of the Box-Jenkins models in the technical assistance of personal computer. Gestão e Produção, v.10, n.1, p.47-67, 2003. doi

SILVEIRA, M. J. In: Tendências internacionais no setor agroalimentar. Viçosa: Intec solução em informática e tecnologia, 2005. Disponível em: http://www.mre.gov.br/cdbrasil/itamaraty/web/port/economia/agroind/tendint/index.htm. Acesso em: 18 de julho de 2009.

LEITE. In Estudo de viabilidade técnica e econômica para abertura de uma agroindústria processadora de polpa de frutas no Município Aimorés-MG, 2005. Disponível em: http://www.institutoterra.org/doc/06_EVTE_IND_STRIA_DE_POLPAS_AI.PDF. Acesso em 20 de julho de 2009. (Leite, 2005).

ABDEL-AAL, R. E.; AL-GARNI, Z. Forecasting monthy electric energy consumption in eastern Saudi Arabia using univariate times-series analysis. Energy, Saudi Arabia, v. 22, n. 11, p. 1059-1069. nov., 1997. doi

HARVEY, A. C. DURBIM, J. The Effects of Seat Belt Legislation on Britsh Casualties: A case Study in Structural Time Series Modeling. Journal Royal Statistical Society, v. 149, p. 187-227, mar., 1986. doi

PACK, D. J. Forecasting time series affected by identifiable isolated events. Working Paper Series, College of Adm. Sciences, Ohio State, v. 16. n. 4. p. 1748-1749. abr., 1977.

PELLEGRINI, F. R.; FOGLIATTO, F. Estudo comparativo entre modelos de Winters e de Box & Jenkins para a previsão da demanda sazonal. Revista Produto e Produção, v. 4, número especial, p. 72-85, abr., 2000.

PINO, F. A. Análise de intervenção e séries temporais: aplicações em economia agrícola. 1980. 80 f.Dissertação (Mestrado em Economia) – Universidade de São Paulo, SP.