AOPI MODELOS DE

PREVISIN
Dr. Ing. Aldo Cea Ramrez
Qu es la Prediccin?
Arte y ciencia de predecir acontecimientos futuros.

Base de todas las decisiones empresariales:
Produccin.
Inventario.
Personal.
Instalaciones.
Mantenimiento.

Predecir es como manejar con los ojos cerrados siguiendo
las instrucciones de alguien que va sentado mirando por el
vidrio de atrs
Pronsticos y Planificacin Empresarial
INSUMOS
Condiciones del mercado
Panorama econmico
Otros factores
Mtodos o
modelos
de pronstico
RESULTADOS
Demanda estimada para
cada producto en cada
perodo de tiempo
PRONSTICO DE VENTAS
Pronstico de la demanda para
cada producto en cada perodo
de tiempo
ESTRATEGIA EMPRESARIAL
Marketing
Produccin
Finanzas
Largo Plazo
Capacidad
fabricas
Capital
Instalaciones
Otros
Mediano Plazo
Trabajadores
Materiales
Inventarios
Otros
Corto Plazo
Mano de obra
Capacidad
maquinas
Efectivo
Otros
Pronstico de Recursos de la Produccin
Equipo de
Administracin
Errores de
pronsticos /
retroalimentacin
Pronsticos versus Horizonte Temporal
Los pronsticos a medio y largo plazo tratan de asuntos
ms extensos, y apoyan las decisiones de gestin que
conciernen a la planificacin y los productos, las plantas
y los procesos.

Los pronsticos a corto plazo normalmente emplean
metodologas diferentes a las utilizadas en los
pronsticos a largo plazo.

Los pronsticos a corto plazo tienden a ser ms exactos
que los realizados a largo plazo.
Etapas en un sistema de pronsticos
Determinar la utilizacin del pronstico.
Seleccionar los artculos en los que se va a realizar el
pronstico.
Determinar el horizonte temporal del pronstico.
Seleccionar el (los) modelo(s) de pronstico.
Recogida de datos.
Realizar el pronstico.
Validar e implementar los resultados.
Realidades sobre los pronsticos
Raras veces los pronsticos son perfectos.
La mayora de las tcnicas de pronstico asumen que
existe cierta estabilidad sostenida en el sistema.
Tanto las predicciones de familias de productos como
las predicciones en conjunto son ms precisas que
los pronsticos de productos individuales.
Siempre que se pueda, es til relacionar el pronstico
con alguna variable macroeconmica

Demanda de un producto representada en un periodo de 4
aos con tendencia de crecimiento y estacionalidad
Primer
ao
Segundo
ao
Tercer
ao
Cuarto
ao
Picks estacionales Componente de tendencia
Lnea de
demanda
actual
Demanda media en
cuatro aos
D
e
m
a
n
d
a

d
e
l

p
r
o
d
u
c
t
o

o

s
e
r
v
i
c
i
o

Variacin
aleatoria
Tipos de pronsticos
Se utilizan cuando la situacin es
estable y existen datos
histricos:

Productos existentes.
Tecnologa actual.

Requieren tcnicas matemticas:
Por ejemplo, el pronstico de las
ventas de vacunas antigripales.

Medias mviles, Alisado
exponencial, Proyeccin de
tendencia, Regresin lineal, ARIMA.
Mtodos cuantitativos
Se emplean cuando la situacin no
es clara y existen pocos datos

Productos nuevos.
Nueva tecnologa.

Requieren intuicin y experiencia:
Por ejemplo, pronstico de
ventas a travs de Internet.

Opinin de expertos, Propuestas
Personal Comercial, Mtodo
Delphi, Estudios de mercado.
Mtodos cualitativos
Mtodos Cualitativos
Requiere un pequeo grupo de directivos:
El grupo establece una estimacin conjunta de la demanda.
Combina la experiencia directiva con modelos estadsticos.
Es bastante rpido.
Desventaja del pensamiento en grupo o individual si se realiza
opinin del gerente.

Opinin de Expertos
Propuestas Personal Comercial
Cada vendedor estima las ventas que har.
Se combinan con los pronsticos a niveles de zonas y regiones con
los nacionales.
El representante de ventas conoce las necesidades de los
consumidores.
Tiende a ser bastante optimista o pesimista
Mtodo Delphi
Proceso de grupo iterativo.
Tres tipos de participantes:
Los que toman decisiones.
El personal de plantilla.
Los que responden.
Reduce el pensamiento en grupo.
Estudios de mercado
Preguntar a los consumidores sobre sus futuros planes de
compra.
Lo que dicen los consumidores y lo que hacen suele diferir.
A veces es difcil contestar a las preguntas del estudio.
Mtodos Cuantitativos
Pronstico
cuantitativo
Regresin
lineal
Modelos
asociativos
Alisado
exponencial
Media
mvil
Modelos de series
temporales
Proyeccin
de tendencia
Medidas de Error (1)
Mean Absolute Deviation (MAD)
MAD =
|actual - forecast|
n
Mean Squared Error (MSE)
MSE =
(forecast errors)
2

n
Desviacin Absoluta Media
Error Cuadrtico Medio
Medidas de Error (2)
Mean Absolute Percent Error (MAPE)
MAPE =
100 |actual
i
- forecast
i
|/actual
i

n
n
i = 1
Error Porcentual Absoluto Medio
Definicin de Seal de Rastreo
Tracking
signal
RSFE
MAD
=
Tracking
signal
=
(actual demand in period i -
forecast demand in period i)
(|actual - forecast|/n)
Suma continua de los errores de
previsin dividido por
Desviacin Absoluta Media
Grficamente
15
Tracking signal
+
0 MADs

Upper control limit
Lower control limit
Time
Signal exceeding limit
Acceptable
range
Ejemplo Seal de Rastreo (1)
16
Cumulative
Absolute Absolute
Actual Forecast Forecast Forecast
Qtr Demand Demand Error RSFE Error Error MAD
1 90 100 -10 -10 10 10 10.0
2 95 100 -5 -15 5 15 7.5
3 115 100 +15 0 15 30 10.0
4 100 110 -10 -10 10 40 10.0
5 125 110 +15 +5 15 55 11.0
6 140 110 +30 +35 30 85 14.2
Ejemplo Seal de Rastreo (2)
17
Cumulative
Absolute Absolute
Actual Forecast Forecast Forecast
Qtr Demand Demand Error RSFE Error Error MAD
1 90 100 -10 -10 10 10 10.0
2 95 100 -5 -15 5 15 7.5
3 115 100 +15 0 15 30 10.0
4 100 110 -10 -10 10 40 10.0
5 125 110 +15 +5 15 55 11.0
6 140 110 +30 +35 30 85 14.2
Tracking
Signal
(RSFE/MAD)
-10/10 = -1
-15/7.5 = -2
0/10 = 0
-10/10 = -1
+5/11 = +0.5
+35/14.2 = +2.5
The variation of the tracking signal between -2.0 and +2.5 is
within acceptable limits
Modelos Medias Mviles
Las medias mviles son una serie de operaciones aritmticas.
Se utilizan si no hay tendencia o si sta es escasa.
Se suelen utilizar para el alisado:
Proporciona una impresin general de los datos a lo largo del tiempo.
Ecuacin:
MM
n
n
=

demanda de periodos previos
Usted es el director de una tienda de un museo que vende rplicas. Quiere
predecir las ventas del ao 2013 mediante una media mvil de 3 aos.
2008 4
2009 6
2010 5
2011 3
2012 7
Ejemplo de media mvil
Solucin Media Mvil
Ao Respuesta
Y
i

Media
mvil total
(n=3)
Media mvil
(n=3)
2008 4 ND ND
2009 6 ND ND
2010 5 ND ND
2011 3 4+6+5=15 15/3 = 5
2012 7
2013 ND

Solucin Media Mvil
Ao Respuesta
Y
i

Media
mvil total
(n=3)
Media mvil
(n=3)
2008 4 ND ND
2009 6 ND ND
2010 5 ND ND
2011 3 4+6+5=15 15/3 = 5
2012 7 6+5+3=14 14/3=4 2/3
2013 ND

Solucin Media Mvil
Ao Respuesta
Y
i

Media
mvil total
(n=3)
Media mvil
(n=3)
2008 4 ND ND
2009 6 ND ND
2010 5 ND ND
2011 3 4+6+5=15 15/3=5,0
2012 7 6+5+3=14 14/3=4,7
2013 ND 5+3+7=15 15/3=5,0

Medias mviles







Meses Ordenes 3-mo 5-mo
Jan 120 - -
Feb 90 - -
Mar 100 - -
Apr 75 103.3 -
May 110 88.3 -
June 50 95.0 91.0
July 75 78.3 85.0
Aug 130 78.3 82.0
Sept 110 85.0 88.0
Oct 90 105.0 95.0
Nov - 110.0 91.0
3 . 103
3
120 90 100
3
3
1
3
=
+ +
=
= =

= i
i D
MA
91
5
50 75 130 110 90
5
5
1
5
=
+ + + +
=
=

= i
i D
MA
Ejemplo: Media Mvil
Medias Mviles
Media Mvil Ponderada
24
Se utiliza cuando se presenta una
tendencia:
Los datos anteriores suelen carecer de
importancia.
Las ponderaciones suelen basarse en la
intuicin:
Se puede utilizar escala 0 a 1, y a la
suma de 1,0.
Ecuacin:
Media mvil
ponderada =
(ponderacin para el periodo n) (demanda en el periodo n)
ponderaciones
Ejemplo: Media Mvil
Ponderada
25
January 10
February 12
March 13
April 16
May 19
June 23
July 26

Actual 3-Month Weighted
Month Shed Sales Moving Average




[(3 x 16) + (2 x 13) + (12)]/6 = 14
1
/
3

[(3 x 19) + (2 x 16) + (13)]/6 = 17
[(3 x 23) + (2 x 19) + (16)]/6 = 20
1
/
2
10
12
13
[(3 x 13) + (2 x 12) + (10)]/6 = 12
1
/
6



Solucin Grfica
26
30
25
20
15
10
5
S
a
l
e
s

d
e
m
a
n
d

| | | | | | | | | | | |
J F M A M J J A S O N D
Actual
sales
Moving
average
Weighted
moving
average
Alisado Exponencial (1)
27
Es una tcnica de previsin de media mvil
ponderada:
Las ponderaciones disminuyen
exponencialmente.
Se ponderan ms los datos ms recientes.
Se necesita una constante de alisado (o):
Toma valores entre 0 y 1.
Se escoge de forma subjetiva.
Necesita una cantidad reducida de datos
histricos.
Alisando Exponencial (2)
28
New forecast = last periods forecast
+ o (last periods actual demand
last periods forecast)
F
t
= F
t 1
+ o(A
t 1
- F
t 1
)
where F
t
= new forecast
F
t 1
= previous forecast
o = smoothing (or weighting)
constant (0 s o > 1)
Ecuaciones de Alisado
Exponencial
29
F
t
= oA
t - 1
+ o(1-o)A
t - 2
+ o(1- o)
2
A
t - 3

+ o(1- o)
3
A
t - 4
+ ... + o(1- o)
t-1
A
0

F
t
= Valor de la previsin
A
t
= Valor real
o = Constante de alisado
F
t
= F
t-1
+ o(A
t-1
- F
t-1
)
Se utiliza para calcular la previsin.
Ejemplo: Alisado Exponencial
30
Ao Real
Previsin, F
t
( = 0,10)
1 180 175,00 (Dado)
2 168 175,00 + 0,10(180 - 175,00) = 175,50
3 159 175,50 + 0,10(168 - 175,50) = 174,75
4 175 174,75 + 0,10(159 - 174,75) = 173,18
5 190 173,18 + 0,10(175 - 173,18) = 173,36
6 ND 173,36 + 0,10(190 - 173,36) = 175,02
Grficamente
31
Ao
Ventas
140
150
160
170
180
190
1 2 3 4 5 6
Real
Previsin
Comparando el Error
Rounded Absolute Rounded Absolute
Actual Forecast Deviation Forecast Deviation
Tonnage with for with for
Quarter Unloaded o = .10 o = .10 o = .50 o = .50
1 180 175 5 175 5
2 168 176 8 178 10
3 159 175 16 173 14
4 175 173 2 166 9
5 190 173 17 170 20
6 205 175 30 180 25
7 180 178 2 193 13
8 182 178 4 186 4
84 100
MAD 10.50 12.50
MSE 194.75 201.50
MAPE 5.70% 6.85%
Calculando los ndices de
error:
MAD =
|deviations|
n
= 84/8 = 10.50
For o = .10
= 100/8 = 12.50
For o = .50
= 1,558/8 = 194.75
For o = .10
= 1,612/8 = 201.50
For o = .50
MSE =
(forecast errors)
2
n
= 45.62/8 = 5.70%
For o = .10
= 54.8/8 = 6.85%
For o = .50
MAPE =
100 |deviation
i
|/actual
i
n
n
i = 1
Error Cuadrado Medio
Error Porcentual Absoluto Medio
Desviacin Absoluta Media
Mtodo de mnimos cuadrados (MMC)
Desviacin
Desviacin
Desviacin
Desviacin
Desviacin
Desviacin
Desviacin
Periodo de tiempo
V
a
l
o
r
e
s

d
e

l
a

v
a
r
i
a
b
l
e

d
e
p
e
n
d
i
e
n
t
e


bx a Y + =

Observacin
real
Punto en
la lnea
de
tendencia
Demanda real y lnea de tendencia
0
20
40
60
80
100
120
140
160
180
0 2 4 6 8 10
Perodo de tiempo
D
e
m
a
n
d
a
Demanda real
Y = 56,70+ 10,54X
Anlisis de Regresin Lineal Simple (RLS)
Se usa para prever la lnea de tendencia lineal.
Supone una relacin entre la variable de respuesta, Y, y el
periodo de tiempo, X, que es una funcin lineal:

Se calcula mediante el mtodo de los mnimos cuadrados:
Minimiza la suma de errores cuadrticos.
$
i
Y a bX
i
= +
2 2
1
1
x n x
y x n y x
b
i
n
i
i i
n
i


=
=
=
x b y a =
Variacin de los errores aleatorios
Variacin del Y real a partir del Y
proyectado.

Se mide mediante el error estndar de la
estimacin:
Muestra los errores de la desviacin estndar.

S
Y,X

Afecta a varios factores:
Significado del parmetro.
Precisin de la prediccin.
( )
2

=
2

1 = 1 = 1 =
2
1 =
2
n
y x b y a y

n
y y
S
n
i
n
i
i i i
n
i
i
n
i
i i
x , y
Se supone que la relacin es lineal. Primero trace los datos, si existe
la curva, utilice el anlisis de curva.
Se supone que la relacin slo se sustenta dentro o justo fuera del
campo de datos. No trate de predecir periodos de tiempo lejanos al
campo de la base de datos.
Se supone que las desviaciones que rodean a la lnea de los mnimos
cuadrados son aleatorias.
Suposiciones de los mnimos cuadrados
Correlacin entre variables
Respuestas: Qu intensidad tiene la relacin lineal entre las
variables?
El coeficiente de correlacin se identifica normalmente como r .
Los valores varan entre -1 y +1 .
Mide el grado de asociacin.
Se usa principalmente para comprender.
(

|
.
|

\
|

|
.
|

\
|

=


1 =
2
1 =
2
1 =
2
1 =
2
1 = 1 = 1 =
n
i
n
i
i i
n
i
n
i
i i
n
i
n
i
n
i
i i i i
y y n x x n
y x y x n
r
Grficamente
40
y
x
(c) No correlation:
r = 0
y
x
(a) Perfect positive
correlation:
r = +1
y
x
(b) Positive
correlation:
0 < r < 1
y
x
(d) Perfect negative
correlation:
r = -1
x y xy x2
1 37 37 1
2 40 80 4
3 41 123 9
4 37 148 16
5 45 225 25
6 50 300 36
7 43 301 49
8 47 376 64
9 56 504 81
10 52 520 100
11 55 605 121
12 54 648 144
78 557 3867 650
56 . 57 ) 13 ( 72 . 1 2 . 35
72 . 1 2 . 35
2 . 35 ) 5 . 6 )( 72 . 1 ( 42 . 46
72 . 1
) 5 . 6 ( 12 650
) 42 . 46 )( 5 . 6 )( 12 ( 867 , 3
42 . 46
12
557
5 . 6
12
78
13
2 2 2
= + =
+ =
= = =
=

=
= =
= =

y
x y
x b y a
x n x
y x n xy
b
y
x
Ejemplo Modelo de RLS
ING. CIVIL INDUSTRIAL
Grfico Modelo RLS
Pronstico en el sector servicios
Presenta algunas complicaciones:
Especial necesidad de datos a corto plazo.
Las necesidades varan mucho en funcin de la industria y del producto.
Vacaciones y calendario.
Eventos poco comunes.
0
5
10
15
20
+11-12 +1-2 +3-4 +5-6 +7-8 +9-10 11-12 12-1 1-2 2-3 3-4 4-5 5-6 6-7 7-8 8-9 9-10 10-11
Ventas por Hora
en un Fast Food
AOPI MODELOS DE
PREVISIN
Dr. Ing. Aldo Cea Ramrez