P. 1
PREVISIÓN

PREVISIÓN

|Views: 489|Likes:
Publicado porDavid Ardon
Presentacion sob re prevision
Presentacion sob re prevision

More info:

Categories:Types, Research
Published by: David Ardon on Mar 24, 2011
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PPTX, PDF, TXT or read online from Scribd
See more
See less

08/10/2013

pdf

text

original

Modulo 3 Previsión

Producción y Operaciones II Ing. Rubén Acevedo Ingeniería - URL
1

Algunas premisas….
 Directivos, toman decisiones sin saber lo que ocurrirá en el futuro…  Hacen pedidos sin conocer las ventas que tendrán….  Compran nuevos equipos sin saber los beneficios que obtendrán…  El principal objetivo de la previsión consiste en hacer buenas estimaciones!  Una buenas previsiones son parte esencial de unas operaciones eficientes en fabricación y servicios.
2

¿Qué es la previsión?
♦Arte y ciencia de predecir acontecimientos futuros . ♦Base de todas las decisiones empresariales :
♦Producción . ♦Inventario . ♦Personal . ♦Instalacio

¡Venderá 200 millones de dólares!

nes .

3

¿Qué es la previsión?
♦Pocos negocios pueden permitirse evitar el proceso de previsión y limitarse a esperar a ver lo que ocurre para tomar decisiones ♦Una planificación eficaz , tanto a corto como a largo plazo , se basa en la previsión de la demanda de los productos de la empresa .

¡Venderá 200 millones de dólares!

4

Tipos de horizontes temporales de la previsión
 Previsión a corto plazo:
◦ Cobertura de hasta un año, generalmente inferior a los tres meses. ◦ Programación de trabajos, asignación de tareas.

 Previsión a medio plazo:
◦ Entre tres meses y tres años. ◦ Planificación de las ventas, de la producción y del presupuesto.

 Previsiones a largo plazo:
◦ Periodos superiores a tres años. ◦ Planificación de nuevos productos, localización de las instalaciones.
5

Previsiones a corto plazo frente a previsiones a largo plazo Las previsiones a medio y largo plazo
tratan de asuntos más extensos, y apoyan las decisiones de gestión que conciernen a la planificación y los productos, las plantas y los procesos.  Las previsiones a corto plazo normalmente emplean metodologías diferentes a las utilizadas en las previsiones a largo plazo.  Las previsiones a corto plazo tienden a ser más exactas que las realizadas a largo plazo.

6

La influencia del ciclo de vida del producto
Las etapas de introducción y crecimiento necesitan previsiones más largas que las de madurez y declive. Las previsiones son útiles para proyectar

  

los diferentes niveles de personal los diferentes niveles de inventarios los diferentes niveles de capacidad de producción

mientras el producto pasa de la primera a la última etapa.

7

Estrategia y conceptos durante el ciclo de vida del producto
Introducción Crecimiento Madurez Declive
Estrategia de la compañía / cuestiones compañía / cuestiones
Mejor periodo para aumentar la cuota de mercado . Es vital planear la I+D Buen momento para cambiar el precio o la imagen de calidad . Fortalecer el segmento del mercado . CD - ROM Internet Internet Impresoras de color Mal momento para cambiar la imagen , el precio o la calidad . Los costes competitivos son ahora muy importantes . Faxes Defender la posición en el mercado . Restaurantes para comer en el coche . Es vital controlar el coste . Discos blandos 3 1/2” Furgonet a

Ventas

DVD Muy importante la previsión . Fiabilidad del producto y proceso . Posibilidades y mejoras del producto competitivas . Aumento de la capacidad . Cambio de tendencia para centrarse en el producto . Atención a la distribución . Standardization Less rapid product changes more minor changes Optimum capacity Increasing stability of process Long production runs Product improvement and cost cutting

La planificación y desarrollo del producto son vitales . Cambios frecuentes en planificación del producto y proceso . Lotes de producción pequeños . Altos costes de producción . Número de modelos limitado . Atención a la calidad .

Little product differentiation Cost minimization Overcapacity in the industry Prune line to eliminate items not returning good margin Reduce capacity

Estrategia de OM / cuestiones

Tipos de previsiones

Previsiónes económicas:

Dirigidas al ciclo empresarial, por ejemplo, las tasas de inflación, la masa monetaria, etc. Predicen el progreso tecnológico. Predicen el nacimiento de nuevas ventas.
Objetivo

Previsiónes tecnológicas:
 

Previsiones de demanda:

Predicen las ventas ya existentes.

9

La importancia estratégica dela previsión
 Recursos humanos:
◦ Personal capacitado disponible
 Contratación, formación y despido Si no se tiene cuidado la calidad disminuye

 Capacidad
◦ Capacidad insuficiente
Perdida de ventas Perdida de mercado Perdida de clientes

◦ Capacidad excesiva
Dinero dormido

◦ Cadena de suministros
Disponibilidad de materiales y bajos costos

10

Siete etapas en el sistema de previsión
 Determinar la utilización de la previsión.  Seleccionar los artículos en los que se va a realizar la previsión.  Determinar el horizonte temporal de la previsión.  Seleccionar el(los) modelo(s) de previsión.  Recogida de datos.  Realizar la previsión.  Validar e implementar los resultados.
11

Realidades sobre la previsión
Raras veces las previsiones son perfectas.  La mayoría de las técnicas de previsión asumen que existe cierta estabilidad sostenida al sistema.  Tanto las predicciones de familias de productos como las predicciones en conjunto son más precisas que las previsiones de productos individuales.

12

Enfoques de la previsión
Existen dos enfoques generales de las previsiones.  De la misma forma que existen dos formas de abordar todas las decisiones.  Uno es el análisis cuantitativo y otro el análisis cualitativo.

13

Enfoques de la previsión
Métodos cualitativos ♦Se emplean Métodos cuantitativos ♦Se emplean
cuando la situación es “ estable ” y existen datos “ históricos ”:
♦Productos

cuando la situación no es clara y hay pocos datos :
♦Productos

nuevos . ♦Nueva tecnología .

♦Requieren intuición y experiencia :
♦Por

existentes . ♦Tecnología actual .

ejemplo , la previsión de

♦Requieren técnicas matemáticas :
♦Por

ejemplo , la

14

 Jurado de opinión ejecutiva:

Visión global de los métodos cualitativos
◦ Se agrupan las opiniones de un grupo de expertos de alto nivel o de directivos, a menudo en combinación con modelos estadísiticos. ◦ Las estimación de las ventas esperadas por los vendedores se revisan para ver si se pueden llevar a cabo y luego se obtiene una previsión global. ◦ Proceso de grupo que permite a los expertos realizar las previsiones.

 Proposición de personal comercial:

 Método Delphi:

 Estudio de mercado del consumidor:
◦ Requiere información de los clientes.

15

Jurado de opinión ejecutiva
♦Requiere un pequeño grupo de directivos :
♦El

grupo establece una estimación conjunta de la demanda .

♦Combina la experiencia directiva con modelos estadísticos . ♦Es bastante rápido . ♦Desventaja del “ pensamiento en grupo ”. ♦

© 1995 Corel Corp.

16

♦Cada vendedor estima las ventas que hará . ♦Se combinan con las previsiones a niveles de distritos y con las nacionales . ♦El representante de ventas conoce las necesidades de los consumidores . ♦Tiende a ser bastante optimista .

Proposición de personal comercial
Ventas

© 1995 Corel Corp.

17

Método Delphi
 Proceso de grupo iterativo.  3 tipos de participantes:
◦ Los que toman decisiones. ◦ El personal de plantilla. ◦ Los que responden.

Personal de plantilla ( ¿ Qué

(¿Ventas ?) ( Habrá 50 ventas )

Los que toman decisiones

ventas habrá? cuestionari os )

 Reduce el “pensamiento en grupo”.

Los que responden
( Habrá 45 , 50 , 55 ventas )

18

Estudio de mercado

♦Preguntar a los consumidoreshoras utilizará Internet la próxima s ¿Cuántas sobre sus futuros planes de compra . ♦Lo que dicen los consumidores y lo que luego hacen suele diferir .
© 1995 Corel Corp.
19

Visión global de los métodos cuantitativos
Enfoque simple  Medias móviles  Alisado exponencial  Proyección de tendencia
  

Modelos de series temporales Modelos asociativ os

Regresión lineal

20

Métodos de previsión cuantitativos
(no simples)
Previsión cuantitativa Modelos de series temporales Modelos asociativos

Media móvil

Alisado exponencial

Proyección de tendencia

Regresión lineal

21

¿Qué son las series temporales?
 Es una secuencia de datos uniformemente espaciada:
◦ Se obtiene observando las variables en periodos de tiempo regulares.

 Se trata de una previsión basada en los datos pasados:
◦ Supone que los factores que han influido en el pasado lo sigan haciendo en el futuro.

 Ejemplo:

Año: Ventas:

1993 1997 78,7 92,1

1994 63,5

1995 89,7

1996 93,2
22

Descomposición de una serie temporal
Tendencia Ciclos

Estacionalidad

Variaciones aleatorias

23

Demanda del producto o servicio

Demanda de un producto representada en un periodo de 4 años con tendencia de crecimiento y estacionalidad Picos estacionales Componente de tendencia
Línea de demanda actual Demanda media en cuatro años

Primer año

Variac ión aleato ria Segundo
año

Tercer año

Cuarto año
24

Tendencia
Es el movimiento gradual de ascenso o descenso de los datos a lo largo del tiempo.  Los cambios en la población, ingresos, etc. influyen en la tendencia.  Varios años de duración.

Respuest a

Mes , trimestre ,

25

Estacionalidad
Muestra de datos de ascenso o descenso que se repite.  Se puede ver afectada por la climatología, las costumbres, etc.  Se produce dentro de un periodo anual.

Verano Respuesta

Mes , trimestre

26

Ciclos
Movimientos de ascenso o descenso que se repiten.  Se pueden ver afectados por interacciones de factores que influyen en la economía.  Suelen durar de 2 a 10 años.

Respuesta

Ciclo


Mes, trimestre, año
27

Ciclos
Perido Duración Número de estaciones Del patronde la “estación”en el patron Semana Mes Mes Año Año Año Dia Semana Dia Trimestre Mes Semana 52 7 4 -4 . 5 28-31 4 12

28

Variaciones aleatorias
Son “saltos” en los datos causados por el azar y situaciones inusuales. Son debidas a variaciones aleatorias o a situaciones imprevistas:

 

Huelga. Tornado.

Son de corta duración  y no se repiten.

29

Demanda del producto o servicio

Demanda de un producto representada en un periodo de 4 años con tendencia de crecimiento y estacionalidad Picos estacionales Componente de tendencia
Línea de demanda actual Demanda media en cuatro años

Primer año

Variac ión aleato ria Segundo
año

Tercer año

Cuarto año
30

MÉTODOS CUANTITATIVOS
¡Venderá 200 millones de dólares!

MODELOS DE SERIES TEMPORALES MÉTODO 1 MÉTODO SIMPLE

31

Método 1- Método simple
♦Suponer que la demanda en el próximo periodo será igual a la demanda del periodo más reciente :
♦Por

ejemplo , si en mayo hubo 48 ventas , en junio habrá 48 ventas .
© 1995 Corel Corp.

♦Es el modelo con la mejor relación eficacia - coste y

32

MÉTODOS CUANTITATIVOS
¡Venderá 200 millones de dólares!

MODELOS DE SERIES TEMPORALES MÉTODO 2 MEDIAS MÓVILES

33

Método 2 - Medias móviles
 Utiliza un grupo de valores recientes de los datos para realizar una previsión  Las medias móviles son una serie de operaciones aritméticas.  Se utilizan si no hay tendencia o si ésta es escasa.  Se suelen utilizar para el alisado:
◦ Proporciona una impresión general de los datos a lo largo del tiempo.

 Ecuación:

∑ demanda de n periodos previos MM=
n
34

Método 2 - Medias móviles Ejemplo

En la siguiente diapositiva se muestran las ventas del producto “Cabañas para almacenar” en la empresa Garden Supply de Donna. Utilizando la media móvil para tres meses pronostique las ventas para enero del siguiente año.

35

Método 2 - Medias móviles Ejemplo
Mes Enero Febrero Marzo Abril Mayo/3 11 2 Junio 13 2/3 Julio 16 19 1/3 Ventas reales de cabañas 10 12 13 16 19 23 26 Media Móvil 3 Meses

(10 + 12 + 13)/3 = (12 + 13 + 16)/3 = (13 + 16 + 19)/3 = (16 + 19 + 23)/3 =

36

Método 2 - Medias móviles Ejemplo
Ventas reales Mes de cabañas Agosto 30 Septiembre 28 22 2/3 Octubre 18 Noviembre 16 26 1/3 Diciembre 14 Enero 20 2/3 28 16 1/ 25 3 Media Móvil 3 Meses (19 + 23 + 26)/3 = (23 + 26 + 30)/3 = (28 + 18 + 16)/3 = (26 + 30 + 28)/3 = (18 + 16 + 14)/3 = (30 + 28 + 18)/3 =

37

Método 2 - Medias móviles Ponderadas  Cuando existe una tendencia o patrón

detectable se pueden utilizar ponderaciones o pesos para resaltar los valores recientes.  Esto hace que esta técnica sea más sensible a los cambios, pues los periodos recientes se ponderan con mayor peso.  No existe regla para asignar las ponderaciones  Se debe hacer mucho en base a la experiencia  Si la último periodo se le da demasiada ponderación, la previsión puede reflejar demasiado rápido una gran variación en la demanda o del padrón de ventas.
38

Método 2 - Medias móviles Ponderadas  La media móvil ponderada se puede expresar
matemáticamente como:

edia ( ponderación para el periodo n ) ( demanda en el pe Σ móvil onderada =
Σ ponderaciones

39

Método 2 - Medias móviles Ponderadas Ejemplo

Usando los mismos datos del ejemplo anterior, pronostique las ventas del mes de Enero por medio del método de Medias móviles ponderadas utilizando la siguiente ponderación:
 Ultimo mes 3  Hace dos meses 2  Hace tres meses 1

40

Método 2 - Medias móviles Ponderadas Periodo Ejemplo Ponderación

Mes
Enero Febrero Marzo Abril Mayo 121/6 Junio 141/3 Julio 17 201/2

3 Ultimo mes 2 Hace dos meses 1 Hace tres meses 6 Suma de ponderaciones Ventas reales Media móvil de cabañas ponderada de tres meses
10 12 13 16 19 23 26

[(3 x 13) + (2 x 12) + (10)]/6 = [(3 x 16) + (2 x 13) + (12)]/6 = [(3 x 19) + (2 x 16) + (13)]/6 = [(3 x 23) + (2 x 19) + (16)]/6 =
41

MétodoPonderación 2 - Medias móviles Periodo 3Ponderadas Ultimo mes 2 Hace dos meses Ejemplo 1 Hace tres meses
6

Suma de ponderaciones

Mes

Ventas reales Media móvil de cabañas ponderada de tres meses
30 28 18 16 16 [(3 [(3 [(3 [(3 x x x x 30) 28) 18) 16) + + + + (2 (2 (2 (2 x x x x 26) 30) 28) 18) + + + +

Agosto 23 5/6 Septiembre Octubre 27 1/2 28 1/3 Noviembre Diciembre 23 1/3 18 2/3 Enero 17

[(3 x 26) + (2 x 23) + (19)]/6 = (23)]/6 (26)]/6 (30)]/6 (28)]/6 = = = =

[(3 x 18) + (2 x 16) + (16)]/6 =

42

Método 2 - Medias móviles
Tanto la media móvil simple como la ponderada son eficaces en alisado de fluctuaciones repentinas en los patrones de demanda para proporcionar estimaciones estables.  Las medias móviles presentan los siguientes problemas

43

Método 2 - Medias móviles
PROBLEMA 1 – Si se aumenta el número de n (el número de periodos) se tiene un mejor promedio de las fluctuaciones, pero hace que el método sea menos sensible a cambios reales de datos.  PROBLEMA 2 – Las medias móviles no son buenas a la hora de captar tendencias. Esto es debido a que son medias y, por ellos, siempre seguirán el ritmo de niveles pasados y, por tanto, no podrán predecir cambios hacia niveles superiores o inferiores. Es decir se rezagan con respecto a los valores reales.  PROBLEMA 3 – Requieren un gran número de

44

Demanda actual, media móvil y media móvil ponderada
3 5 3 0 Demanda de ventas 2 5 2 0 1 5 1 0 5 0 Mes En . Fe . M r. Ab M y. Ju . Ju Ag Se . O N e b a r. a n l. o. p ct. ov. D ic

Media móvil ponderada

Ventas reales

Media móvil

MÉTODOS CUANTITATIVOS
¡Venderá 200 millones de dólares!

MODELOS DE SERIES TEMPORALES MÉTODO 3 ALISADO EXPONENCIAL

46

Método 3 – Alisado  Exponencial Es un sofisticado método de previsión de
medias móviles ponderadas que aún sigue siendo relativamente fácil de aplicar.  Necesita un reducido número de datos.  La formula base del alisado es la siguiente:

Nueva previsión = previsión del ultimo periodo  + ∝ (demanda real ultimo periodo – previsión del último periodo)
 

Donde ∝ es una ponderación o constante del alisado, elegida por el que hace la previsión que toma valores entre 0 y 1

47

Método 3 – Alisado Exponencial Matemáticamente la ecuación anterior se
puede expresar así:

    nueva previsión  previa previsión  constante de alisado (o ponderación) (0 ≤ α ≥ 1) Α t–1 = δ ε µ αν δ α ρ ε αλ δ ε λ π ε ρ ι

Ft = Ft – 1 + α (At – 1 - Ft – 1 )

48

Método 3 – Alisado Exponencial

La estimación de la demanda para un periodo es igual ala estimación hecha para el periodo anterior, ajustada por una fracción de la diferencia entre al demanda real del periodo anterior y la estimación que hicimos para el mismo.

49

En enero , un concesionario de automóviles predijo para febrero una demanda de 142 Ford Mustang. La demanda real fue de 153 vehículos. Utilizando una constante de alisado escogida por la dirección de ∝ = 0.2 prediga la demanda de marzo.
 

Método 3 – Alisado Exponencial Ejemplo

Nueva prevision = 142 + .2(153 – 142) = 142 + 2.2 = 144.2 ≈ 144 Ford mustang
50

Método 3 – Alisado Exponencial
Habitualmente la constante de alisado ∝ para las aplicaciones empresariales está en el intervalo comprendido entre 0.05 y 0.50. Puede cambiarse para dar mayor ponderación a los valores recientes (cuando ∝ asume valores elevados) o mayor ponderación a los valores antiguos (cuando ∝ asume valores bajos).

51

Método 3 – Alisado Exponencial

Cuando ∝ alcanza el valor extremo de 1.0 en la ecuación anterior Ft = α At – 1 Desaparecen todos los valores antiguos, y la previsión es idéntica a la del modelo simple que se mencionó al principio. Es decir, la previsión para el próximo periodo es idéntica a la demanda en el periodo actual.

52

Método 3 – Alisado Exponencial

La elección de la constante de alisado….

El método de alisado exponencial es fácil de utilizar, y se ha aplicado en casi todo tipo de negocios. El valor adecuado de la constante de alisado ∝, sin embargo puede marcar la diferencia entre una previsión precisa y una imprecisa. A la hora de escoger el valor de la constate de alisado, el objetivo es obtener la previsión más exacta posible.

53

MÉTODOS CUANTITATIVOS
¡Venderá 200 millones de dólares!

MODELOS DE SERIES TEMPORALES MÉTODO 4 ALISADO EXPONENCIAL (CONTINUACIÓN)

54

Método 4 – Alisado Exponencial con ajuste de  Como hemos visto ninguna de las técnicas tendencia

(media móvil, alisado exponencial simple) no consigue anticipar tendencias. Hay otras técnicas de previsión que pueden reflejar tendencias. Esta es la razón por la cual vamos a analizar el alisado exponencial con ajuste de tendencia.

55

Método 4 – Alisado Exponencial con ajuste de  Veamos lo siguiente, supongamos que la tendencia

demanda de nuestro producto o servicio ha aumentado en 100 unidades al mes, y que se está utilizando un previsión con ∝ 0.40 en un modelo de alisado exponencial. La siguiente tabla muestra el “Retraso” considerable en al respuesta a la variación de la demanda en el segundo, tercero, cuarto y quinto mes, aunque así haya sido perfecta la estimación para el primer mes.

56

Método 4 – Alisado Exponencial con ajuste de Mes Demanda Previsión para el mes t = (Ft) tendencia
1 2 3 4 5 Real 100 200 300 400 500 F1 = 100 (Valor dado) F2 = F1+∝(A1- F1) F2 = 100 + 0.4(100-100)=100 F3 = F2+∝(A2- F2) F3 = 100 + 0.4(200-100)=140 F4 = F3+∝(A3- F3) F4 = 140 + 0.4(300-140)=204 F5 = F4+∝(A4- F4) F5 = 204 + 0.4(400-204)= 282
57

presentar un modelo más complejo de alisado exponencial: uno que se ajuste a las tendencias.  La idea es calcular una media alisada exponencialmente de los datos, y luego ajustarla para retrasos positivos o negativos en la tendencia.  La nueva formula es: Previsión previsión tendencia incluyendo (FITt) = Alisada (Ft) + (Tt) alisada La tendencia exponencialmente exponencialmente
58

Método 4 – Alisado Exponencial con ajuste de  Para mejorar nuestra previsión, vamos a tendencia

Método 4 – Alisado Exponencial con ajuste de  Con el alisado exponencial con ajuste de tendencia

  

tendencia, las estimaciones, tanto para la media como para la tendencia están alisadas. Esto requiere 2 constantes de alisado ∝ para la media β para la tendencia

59

Método 4 – Alisado Exponencial con ajuste de  Entonces se calcula la media y la tendencia tendencia
para cada periodo como sigue:

F t =  ( demanda real de ultimo periodo ) + ( 1 -  )( previsión del último periodo + tendenc estimada del último periodo ) o F =  (A ) + ( 1 -  )( F

+ T t-1 )

t

t-1

t-1

T t =  ( previsión de este periodo - previsión del último periodo ) + ( 1 -  )( tendencia estimada del último periodo ) o

T t =  (F t - F t-1 )

+

( 1 -  ) T t-1

60

Método 4 – Alisado Exponencial con ajuste de Donde: tendencia
 F t

= previsión alisada exponencialmente de la serie de datos en el periodo t. Tt = tendencia alisada exponencialmente en el periodo t. At = demanda real en el periodo t.  = constante de alisado parala media. (0≤  ≤1)  = constante de alisado para la tendencia. (0≤  ≤1)
61

Exponencial con ajuste de tendencia Ejemplo Un gran fabricante utiliza el alisado exponencial

par realizar la previsión de demanda de una pieza de un equipo de control de comunicación. Parece que está una tendencia al alza. Utilize el método de alisado exponencial con ajuste de tendencia para hacer la prevision del 10° mes teniendo el valor de α = 0.2 y β = 0.4.

62

Exponencial con ajuste de tendencia Ejemplo
(t) 1 2 3 4 5 6 7 8 9 10 Demanda Real (At) 12 17 20 19 24 21 31 28 36 Previsión Alisada, Ft 11 Tendencia Alisada, Tt 2

Pronostico Incluyendo la Tendencia, FITt 13.00

63

Exponencial con ajuste de tendencia Ejemplo
(t) 1 2 3 4 5 6 7 8 9 10

Demanda Previsión Tendencia Real (At) Alisada, Ft Alisada, Tt 12 11 2 17 20 19 24 21 Paso 1: Pronóstico para mes 31 28 F2 = α A1 + (1 - α )(F1 + 36

Pronostico Incluyendo la Tendencia, FITt 13.00

2

T1) F2 = (.2)(12) + (1 - .2)(11 + 2) = 2.4 + 10.4 = 12.8 unidades
64

Exponencial con ajuste de tendencia Ejemplo
(t) 1 2 3 4 5 6 7 8 9 10

Demanda Previsión Tendencia Real (At) Alisada, Ft Alisada, Tt 12 11 2 17 12.8 20 19 24 21 Paso 2: Tendencia alisada 31 28 T2 = β (F2 - F1) + (1 36

Pronostico Incluyendo la Tendencia, FITt 13.00

para mes 2

β )T1 T2 = (.4)(12.8 - 11) + (1 - .4)(2) = .72 + 1.2 = 1.92 unidades
65

Exponencial con ajuste de tendencia Ejemplo
(t) 1 2 3 4 5 6 7 8 9 10

Demanda Previsión Tendencia Real (At) Alisada, Ft Alisada, Tt 12 11 2 17 12.8 1.92 20 19 24 21 Paso 3: Calcule FIT para 31 28 FIT2 = F2 + T1 36

Pronostico Incluyendo la Tendencia, FITt 13.00

mes 2

FIT2

= 12.8 + 1.92 = 14.72 unidades
66

Exponencial con ajuste de tendencia Ejemplo
(t) 1 2 3 4 5 6 7 8 9 10 Demanda Real (At) 12 17 20 19 24 21 31 28 36 Previsión Alisada, Ft 11 12.8 15.18 17.82 19.91 22.51 24.11 27.14 29.28 32.48 Tendencia Alisada, Tt 2 1.92 2.10 2.32 2.23 2.38 2.07 2.45 2.32 2.68

Pronostico Incluyendo la Tendencia, FITt 13.00 14.72 17.28 20.14 22.14 24.89 26.18 29.59 31.60 35.16

67

Exponencial con ajuste de tendencia Ejemplo 35 –
30 –

Demanda del producto

25 – 20 – 15 – 10 – 5 – 0 –

Demanda real (At)

Previsión inlcuyendo la tendencia (FITt)

| 1

| 2

| 3

| 4

| 5

| 6

| 7

| 8

| 9

Tiempo (mes)
68

Método 4 – Alisado Exponencial con ajuste de tendencia
El

valor de la constante de alisado con tendencia, β , se asemeja a la constante α por que un valor elevado de β es más sensible a los cambios recientes de la tendencia. Una β baja da una menor ponderación a las tendencias más próximas, y tiende a alisar la tendencia actual. Los valores de β se pueden calcular por el método de prueba y error, mediante software, utilizando DAM como medida de comparación.

69

MÉTODOS CUANTITATIVOS
¡Venderá 200 millones de dólares!

MODELOS DE SERIES TEMPORALES MÉTODO 5 PROYECCIÓN DE TENDENCIA

70

Método 5 – Proyección de tendencia
Esta

técnica ajusta una línea de tendencia a una serie de datos históricos, y después proyecta la línea hacia el futuro para realizar previsiones a medio o largo plazo. Se podrían desarrollar diferentes ecuaciones, matemáticas de tendencia Lineal, cuadrática, exponencial En este curso veremos solo la lineal

71

Método 5 – Proyección de tendencia
Para

desarrollar la tendencia de una línea recta usaremos el método de los mínimos cuadrados. Esto nos proveerá una línea recta que minimiza la suma de los cuadrados, de las distancias verticales o desviaciones de la recta a cada una de las observaciones reales.

72

Valores de la variable dependiente

Método de mínimos cuadrados
Observac ión real
Desviación Desviación Desviación

Desviación

Desviación Desviación

Desviación

Punto en la línea de tendenci a

ˆ Y = a + bx
Periodo de tiempo

Método 5 – Proyección de tendencia
La

recta de mínimos cuadrados queda definida por el punto de corte con el eje de la y (la altura a la que corta al eje vertical) y por su pendiente (el ángulo de la recta).

74

Método 5 – Proyección de tendencia
Si

se calcula el corte con y y la pendiente, la recta se puede expresar con la siguiente ecuación: y^ = a + bx
Donde y = valor calculado de la variable a predecir (llamada variable dependiente) a = corte al eje y b = pendiente de la recta de regresión (o la velocidad de variación de y con respecto a variaciones dadas de x) x = variable independiente (en este caso es el tiempo)
^

75

Método 5 – Proyección de tendencia
Ecuaciones

para calcular los valores de a y b para cualquier recta de regresión

Σ xy - nxy b =Σ x2 – nx 2 a = y - bx

76

Método 5 – Proyección de tendencia Ejemplo
En

la siguiente tabla se muestra la demanda de energía eléctrica en la ciudad de Guatemala durante el periodo 1999 – 2005 en megavatios. Se pide que se efectúe la previsión de la demanda del año 2006 ajustando una línea recta de tendencia a estos datos.

77

Método 5 – Proyección de tendencia Ejemplo Periodo Demanda de
Año Tiempo (x)energia eléctrica (y) 74 79 80 90 105 142 122 ∑y = 692 y = 98.86 x2 1999 2000 2001 2002 2003 2004 2005 1 2 3 4 5 6 7 ∑x = 28 x = 4 1 4 9 16 25 36 49 ∑x2 = 140

xy 74 158 240 360 525 852 854 ∑xy = 3,063

∑xy - nxy ∑x2 = nx2 -

3,063 - (7)(4)(98.86) 140 - (7)(42)

a = y - bx = 98.86 - 10.54(4) = 78 . 56

Método 5 – Proyección de tendencia Ejemplo Periodo Demanda de
Año Tiempo (x)energia eléctrica (y) x2 1999 2000 2001 2002 La 2003 2004 2005 1 2 3 4 ecuación 5 6 7 y^ = ∑x = 28 x = 4 74 79 80 90 de la 105 tendencia 142 56.70 12210.54x + ∑y = 692 ∑x2 = y = 98.86 1 4 9 16 es: 25 36 49 140

xy 74 158 240 360 525 852 854 ∑xy = 3,063

∑xy - nxy ∑x2 = nx2 -

3,063 - (7)(4)(98.86) 140 - (7)(42)

a = y - bx = 98.86 - 10.54(4) = 79 . 56

Método 5 – Proyección de tendencia Ejemplo
Demanda de energía (megavatios)
160 150 140 130 120 110 100 90 80 70 60 50 – – – – – – – – – – – –

Línea de tendecia, ^ y = 56.70 + 10.54x

| 1999

| 2000

| 2001

| 2002

| 2003 Año

| 2004

| 2005

| 2006

| 2007
80

Método 5 – Proyección de tendencia Ejemplo Periodo Demanda de
Año 1999 1 2000 2 ^ y 2001 3 2002 4 2003 5 Demanda 2004 6 2005 7 ∑x y = = 28 x = 4

La ecuación de la tendencia es:
74 1 79 4 = 56.70 + 10.54x 80 9 90 16 25 en 2006 105 142 36 122 49 56.70 y + 10.54(8) 2 = 140 ∑ = 692 ∑x y = 98.86 3,063 - (7)(4)(98.86) 140 - (7)(42)

Tiempo (x)energia eléctrica (y)

x2

xy 74 158 240 360 525 852 854 ∑xy = 3,063

y = 141.02 (o
∑xy - nxy ∑x2 = nx2 -

141 )megavatios

a = y - bx = 98.86 - 10.54(4) = 81 . 56

Método 5 – Proyección de tendencia Ejemplo Periodo Demanda de
Año 1999 1 2000 2 ^ y 2001 3 2002 4 2003 5 Demanda 2004 6 2005 7 ∑x y = = 28 x = 4

La ecuación de la tendencia es:
74 1 79 4 = 56.70 + 10.54x 80 9 90 16 25 en 2007 105 142 36 122 49 56.70 y + 10.54(9) 2 = 140 ∑ = 692 ∑x y = 98.86 3,063 - (7)(4)(98.86) 140 - (7)(42)

Tiempo (x)energia eléctrica (y)

x2

xy 74 158 240 360 525 852 854 ∑xy = 3,063

y = 151.56 (o
∑xy - nxy ∑x2 = nx2 -

152 )megavatios

a = y - bx = 98.86 - 10.54(4) = 82 . 56

Método 5 – Proyección de tendencia
Notas

para el uso del método de los mínimos cuadrados Siempre tenemos que representar gráficamente los datos, porque los mínimos cuadrados suponen una suposición de datos aproximadamente en línea recta. Si la representación da lugar a una curva, probablemente habrá que recurrir a un análisis curvilíneo

83

Método 5 – Proyección de tendencia
Notas

para el uso del método de los mínimos cuadrados No se hacen pronósticos para periodos de tiempo mucho más allá de los correspondientes a nuestros datos.

84

MÉTODOS CUANTITATIVOS
¡Venderá 200 millones de dólares!

MODELOS DE SERIES TEMPORALES MÉTODO 6 (ADICIONAL) VARIACIONES ESTACIONALES EN LOS DATOS

85

Método 6 – Variaciones estacionales (Adicional) en los datos
Las

variaciones estacionales en los datos son movimientos regulares ascendentes o descendentes en una serie temporal, vinculados a eventos periódicos, tales como la meteorología o las variaciones. Paraguas, bebidas (frias y calientes), azúcar, artículos escolares, juguetes, bancos, etc. La estacionalidad puede aparecer cada hora, diariamente, semanalmente, mensualmente o con cualquier periodicidad.
86

Método 6 – Variaciones estacionales (Adicional) en los datos
Los

restaurantes de comida rápida experimentan diariamente oleadas de gente a mediodía y a partir de las 7 de la noche. Las salas de cine tienen más demanda las tardes de los viernes y de los sábados Por estas razones y otras más, es importante tener en cuenta las variaciones estacionales para la planificación de la capacidad en organizaciones cuya demanda presenta picos.

87

Método 6 – Variaciones estacionales (Adicional) en los datos
La

previsión de series temporales como la vista en el último ejemplo (Energía Eléctrica), incluye examinar la tendencia de los datos a lo largo de una serie de tiempo. La presencia de estacionalidad hace que sean necesarios ajustes en la línea de tendencia de la previsión. La estacionalidad se expresa en términos de la cantidad en la que difieren los valores reales de los valores medios de la serie temporal.

88

Método 6 – Variaciones estacionales (Adicional) en los datos
Normalmente,

el análisis de los datos en términos mensuales o trimestrales facilita al estadístico el reconocimiento de patrones estacionales. Los índices de estacionalidad se pueden obtener por diferentes métodos. El método que ocuparemos para el análisis estacional será el modelo estacional multiplicativo.

89

Método 6 – Variaciones estacionales (Adicional) en los datos
En

el modelo estacional multiplicativo, los factores estacionales se “multiplican” por una “estimación de la demanda media” para producir una previsión estacional.

90

Método 6 – Variaciones estacionales (Adicional) en los datos
Los

pasos para aplicarlo son: 1.Calcular la demanda histórica media de cada estación 2.Calcular la demanda media de todos los meses 3.Calcular el índice de estacionalidad 4.Estimar la demanda anual total del año próximo

91

Método 6 – Variaciones estacionales (Adicional) en los datos
Los

pasos para aplicarlo son: 5.Dividir esta estimación de la demanda anual entre el número de estaciones y multiplicarla por el índice de estacionalidad de un mes determinado. Esto proporciona la previsión estacionalizada de ese mes, que es lo que buscamos.

92

Método 6 – Variaciones estacionales (Adicional) en los datos Ejemplo En la siguiente tabla se muestran las ventas

mensuales de portátiles de IBM en un único distribuidor durante el periodo 2003 – 2005, efectué la previsión mensual para el año 2006

93

Método 6 – Variaciones estacionales (Adicional) en los datos Demanda Promedio Promedio Indice de Ejemplo 2004 2005 Mes 2003 2003-2005 Mensual estacionalidad
Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic 80 70 80 90 113 110 100 88 85 77 75 82 85 85 93 95 125 115 102 102 90 78 72 78 105 85 82 115 131 120 113 110 95 85 83 80 90 80 85 100 123 115 105 100 90 80 80 80 94 94 94 94 94 94 94 94 94 94 94 94

94

Método 6 – Variaciones estacionales (Adicional) en los datos Demanda Promedio Promedio Indice de Ejemplo 2004 2005 Mes 2003 2003-2005 Mensual estacionalidad
Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic 80 70 80 90 113 110 100 88 85 77 75 82 85 85 93 95 125 115 102 102 90 78 72 78 105 85 82 115 131 120 113 110 95 85 83 80 90 80 85 100 123 115 105 100 90 80 80 80 94 94 94 94 Paso 1 94 Calcular la 94 demanda histórica 94 media de cada 94 estación. 94 94 94 94

95

Método 6 – Variaciones estacionales (Adicional) en los datos Demanda Promedio Promedio Indice de Ejemplo 2004 2005 Mes 2003 2003-2005 Mensual estacionalidad Paso 2
Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic 80 70 80 90 113 110 100 88 85 77 75 82 85 85 93 95 125 115 102 102 90 78 72 78 105 85 82 115 131 120 113 110 95 85 83 80 90 80 85 100 123 115 105 100 90 80 80 80 94 94 94 94 94 94 94 94 94 94 94 94

Calcular la demanda media de todos los meses

1128 / 12 = 94

Total = 1,128
96

Método 6 – Variaciones estacionales (Adicional) en los datos Demanda Promedio Promedio Índice de Ejemplo 2004 2005 Mes 2003 2003-2005 Mensual estacionalidad
Jan 80 85 105 90 Feb 70 85 85 80 Mar 80 93 82 85 Paso 3 calcule Apr índice de 95 90 115 100 el estacionalidad May 113 125 131 123 Jun 110 115 120 115 Promedio 2003-2005 demanda Índice 100 Jul 102 113 105 estacional = Promedio mensual Aug 88 102 110 100 Sept 85 90 90 = 90/9495 .957 = Oct 77 78 85 80 Nov 75 72 83 80 Dec 82 78 80 80 94 94 94 94 94 94 mensual 94 94 94 94 94 94 0.957

97

Método 6 – Variaciones estacionales (Adicional) en los datos Demanda Promedio Promedio Índice de Ejemplo 2004 2005 Mes 2003 2003-2005 Mensual estacionalidad
Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic 80 70 80 90 113 110 100 88 85 77 75 82 85 85 93 95 125 115 102 102 90 78 72 78 105 85 82 115 131 120 113 110 95 85 83 80 90 80 85 100 123 115 105 100 90 80 80 80 94 94 94 94 94 94 94 94 94 94 94 94 0.957 0.851 0.904 1.064 1.309 1.223 1.117 1.064 0.957 0.851 0.851 0.851

98

Método 6 – Variaciones estacionales (Adicional) en los datos Demanda Promedio Promedio Índice de Ejemplo 2004 2005 Mes 2003 2003-2005 Mensual estacionalidad
Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic 80 85 105 90 94 70 85 85 80 94 Determinar la demanda 80Paso 5 –82 93 85 94 90total del 95 115 100 94 113 125 131 123 94 próximo año 110 115 120 115 94 Usando un método de 100proyección 102 113 105 94 88 102 110 100 94 de tendencia se 85 90 95 90 94 estima que la 77 78 85 80 94 demanda será 75 72 83 80 94 821,200 unidades. 78 80 80 94 0.957 0.851 0.904 1.064 1.309 1.223 1.117 1.064 0.957 0.851 0.851 0.851

99

Método 6 – Variaciones estacionales (Adicional) en los datos Demanda Promedio Promedio Índice de Ejemplo 2004 2005 Mes 2003 2003-2005 Mensual estacionalidad
Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic 80 85 105 90 94 70 85 85 80 94 80Paso 6 –82 Calcule la previsión 93 85 94 mes o 90de cada 115 95 100 94 113 125 131 123 94 ciclo según sea 110el 115 115 94 caso 120 100 102 113 105 94 1,200 88 102 110 100 94 Ene 95 x 96 85 90 12 90 .957 = 94 77 78 85 80 94 1,20080 75 72 83 94 Feb 80 x 85 82 78 12 80 .851 = 94 0.957 0.851 0.904 1.064 1.309 1.223 1.117 1.064 0.957 0.851 0.851 0.851

100

Método 6 – Variaciones estacionales (Adicional) en los datos Ejemplo 2006 Previsión
140 – 130 – 120 – 110 –

2005 2004 2003

Demanda Demanda Demanda

Demanda

100 – 90 – 80 – 70 –

| E

| F

| M

| A

| M

| J

| J

| A

| S

| O

| N

| D

Tiempo
101

Método 6 – Variaciones estacionales (Adicional) en los datos Ejemplo de San diego utilizó 66 meses sobre El hospital
  A

días de paciente hospitalizado para formular la siguiente ecuación
^ y = 8.090 + 21.5x

partir de este modelo se proyecta los siguientes 12 meses (67 – 78) así:

102

Método 6 – Variaciones estacionales (Adicional) en los datos Ejemplo Linea de tendencia
10,200 –

Días de hospitalización

10,000 – 9,800 – 9,600 – 9,400 – 9530 9,200 – 9,000 – | Ene 67 | Feb 68 | Mar 69 | Abr 70 | May 71 | Jun 72 Mes
103

9573 9551 9594

9616 9637

9659 9680

9702 9723

9745 9766

| Jul 73

| Ago 74

| Sep 75

| Oct 76

| Nov 77

| Dic 78

Método 6 – Variaciones estacionales (Adicional) en los datos Ejemplo Se calcularon los índices de tendencias basados
en los últimos 66 meses los resultados fueron:
Mes Enero Febrero Marzo Abril Mayo Junio Índice de estacionalidad 1.04 0.97 1.02 1.01 0.99 0.99 Mes Julio Agosto Septiembre Octubre Noviembre Diciembre Índice de estacionalidad 1.03 1.04 0.97 1.00 0.96 0.98
104

Método 6 – Variaciones estacionales (Adicional) en los datos Ejemplo Indices estacionales
Indice de Días de hospitalización
1.06 – 1.04 – 1.04 1.02 – 1.00 – 0.98 – 0.96 – 0.94 – 0.92 – | Ene 67 0.97 | Feb 68 | Mar 69 | Abr 70 | May 71 | Jun 72 Mes
105

1.02

1.03 1.01 0.99 0.99

1.04

1.00 0.98 0.97 | Jul 73 | Aug 74 | Sep 75 | Oct 76

0.96 | Nov 77 | Dic 78

Método 6 – Variaciones estacionales (Adicional) en los datos Ejemplo
Ni

los datos de la tendencia ni los datos estacionales proporcionan, por sí solos, una previsión razonable para el hospital. Solo se obtienen buenas previsiones cuando se multiplican los datos ajustados a la tendencia por los índices adecuados entonces el resultado es esta previsión.

106

Método 6 – Variaciones estacionales (Adicional) en los datos Ejemplocon combinación de tendencia Previsión
10,200 –

y estacional

Dias de hospitalización

10,000 – 9,800 – 9911 9,600 – 9,400 – 9,200 – 9,000 – | Ene 67 9265 | Feb 68 | Mar 69 | Abr 70 | May 71 9764 9691

10068 9949 9724 9572 9520 9542 9411 | Jun 72 Mes
107

9355 | Oct 76 | Nov 77 | Dic 78

| Jul 73

| Aug 74

| Sep 75

MÉTODOS CUANTITATIVOS
¡Venderá 200 millones de dólares!

MODELOS DE SERIES TEMPORALES MÉTODO 7 (ADICIONAL) Variaciones cíclicas en los datos

108

Método 7 – Variaciones ciclicas (Adicional) en los datos
Los

ciclos son como las variaciones estacionales de los datos, pero que se producen cada varios años (no semanas, meses o trimestres). Es difícil preverlas a partir de una serie temporal de datos. El mejor camino para predecir los ciclos económicos es encontrar una variable líder es decir una variable con la cual los datos tienen correlación.

109

Método 7 – Variaciones ciclicas (Adicional) en los datos
Ejemplos: Tasa

de natalidad – Matriculas de universidad (a largo plazo) Licencias de construcción – Matriculas en las escuelas cercanas.

110

Visión global de los métodos cuantitativos
Enfoque simple  Medias móviles  Alisado exponencial  Proyección de tendencia
  

Modelos de series temporales Modelos asociativ os

Regresión lineal

111

MÉTODOS CUANTITATIVOS
¡Venderá 200 millones de dólares!

MODELOS ASOCIATIVOS MÉTODO 8 Regresión lineal

112

Método 8 – Análisis de regresión lineal
Los

m ét odos asociat ivos t ienen variables que est án relacionadas con la cant idad que se va a producir. Una vez que se han ident ificado est as variables relacionadas ent re sí, se const ruye un m odelo est adíst ico que se ut ilizará para hacer la previsión de la variable que nos int eresa. Est e enfoque es m ás pot ent e que las series t em porales, que únicam ent e ut iliza los valores hist óricos de la variable a predecir.

113

Método 8 – Análisis de regresión lineal
Ejem plo Vent as

de PC de Dell Relacionadas con presupuest o de publicidad, precios de la em presa, precios de com pet idores y est rat egias de prom oción, incluso econom ía nacional y la t asa de desem pleo. Las vent as son las variables dependient e Las ot ras son variables

114

Método 8 – Análisis de regresión lineal
Ejem plo

de PC de Dell El t rabajo consist irá en desarrollar la m ejor relación est adíst ica ent re las vent as de PC y las variables dependient es. El m odelo cuant it at ivo de previsión asociat iva m ás com ún es el análisis de regresión lineal.
115

Vent as

Método 8 – Análisis de regresión lineal
Ejem plo

de PC de Dell El t rabajo consist irá en desarrollar la m ejor relación est adíst ica ent re las vent as de PC y las variables dependient es. El m odelo cuant it at ivo de previsión asociat iva m ás com ún es el análisis de regresión lineal.
116

Vent as

Método 8 – Análisis de regresión lineal
Para

llevar a cabo un análisis de regresión lineal puede ut ilizase el m ism o m odelo de m at em át ico em pleado de los m ínim os cuadrados de proyección de t endencia. La variable dependient e que se quiere prever cont inuará siendo ^y. Pero ahora la variable independient e, x, no tiene que seguir siendo el tiempo.

117

Método 8 – Análisis de regresión lineal
Se

ut ilizará la ecuación. ^ y = a + bx

^ donde y = valor de la variable dependiente (ventas en este caso) a = corte al eje y b = pendiente de la recta de regresión x = variable independiente

118

Método 8 – regresión Ejemplo
Una

Análisis de Lineal

com pañía const ruct ora reacondiciona casas ant iguas en un est ado de USA. La com pañía a descubiert o que el volum en de obras de rehabilit ación depende de los salarios del área. La siguient e t abla m uest ra el list ado de ingresos de la const ruct ora y la cant idad de dinero que cobran los em pleados durant e los seis años pasados.

119

Método 8 – regresión Ejemplo

Análisis de Lineal
de $, x

Ventas en cientos Nomina local de miles de $, yen cientos de millones 2.0 1 3.0 3 2.5 4 4.0 2.0 2 2.0 1 3.0 3.5 7
Ventas
2.0 1.0

– – – –

0

| 1

| 2

| | | 3 4 5 Nomina local

| 6

| 7

120

Método 8 – regresión Ejemplo
A

Análisis de Lineal

part ir del gráfico se puede ver una relación de caráct er posit ivo. Pude ent onces hallarse una ecuación m at em át ica ut ilizando la regresión de m ínim os cuadrados.

121

Método 8 – regresión Ejemplo

Análisis de Lineal
x2 1 9 16 4 1 49 80 xy 2.0 9.0 10.0 4.0 2.0 24.5 ∑xy = 51.5

Ventas, y Nomina, x 2.0 1 3.0 3 2.5 4 2.0 2 2.0 1 3.5 7 ∑y = 15.0 ∑x = 18 ∑x2 =

= x = ∑x/6b = 18/6 = 3

∑xy - nxy ∑x2 -= 2 nx

51.5 - (6)(3)(2.5) 80 - (6)(32)

y = ∑y/6 = 15/6 = a2.= y - bx = 2.5 - (.25)(3) = 1.75 5
122

Método 8 – regresión Ejemplo
y ^ 1.75 + .25x =

Análisis de Lineal
Ventas = 1.75 + .25(nomina)
4.0 3.0 3.25 2.0 1.0 – – – –

Si la nomina estimada para el siguiente año es de $600 milliones, entonces: Ventas = 1.75 + .25(6) Ventas = $325,000

Ventas

0

| 1

| 2

| | 3 4 Nómina

| 5

| 6

| 7

123

Método 8 – Análisis de regresión lineal
El

ejem plo ant erior m uest ra una debilidad básica de los m ét odos de previsión asociat iva. Aunque se haya calculado una ecuación de regresión es necesario sum inist rar una previsión de la variable independient e x (en este caso salarios), antes de estimar el valor de la variable dependiente y para el próximo periodo.

124

Método 8 – Análisis de regresión lineal
ERROR

ESTÁNDAR DE LA ESTIMACIÓN La previsión de vent as de US$ 325,000 dólares para el ejem plo ant erior se denom ina est im ación punt ual de y. Realm ent e, la est im ación punt ual de y es la m edia, o valor espera de una dist ribución de posibles valores de vent as.

125

Método 8 – Análisis de regresión lineal
ERROR

ESTÁNDAR DE LA ESTIMACIÓN
4.0 – 3.0 – 3.25

Ventas

2.0 1.0

– –

0

| 1

| 2

| | 3 4 Nómina

| 5

| 6

| 7

126

Método 8 – Análisis de regresión lineal
ERROR

ESTÁNDAR DE LA ESTIMACIÓN Para m edir la exact it ud de las est im aciones de regresión, es necesario calcular el Error Est ándar de est im ación. Est e error se conoce com o la desviación estándar de la regresión. Mide el error desde la variable dependiente, y, hasta la línea de regresión, en lugar de hasta la media.
127

Método 8 – Análisis de regresión lineal
ERROR

ESTÁNDAR DE LA ESTIMACIÓN La expresión para calcular el error es:

Syx = ,
Donde y = yc =

∑(y - yc)2 n - 2

valor de y para cada dato valor de la variable dependiente, calculado a partir de la ecuación de regresión. n = número de datos.
128

Método 8 – Análisis de regresión lineal
ERROR

ESTÁNDAR DE LA ESTIMACIÓN Una versión m ás fácil de ut ilizar el la siguient e:

Syx = ,

∑y2 - a∑y - b∑xy n - 2

129

Método 8 – regresión Ejemplo
Siguiendo

Análisis de Lineal

con el m ism o ejem plo, calculem os el error est ándar de la est im ación. El único valor que no disponem os es ∑y2 Efectuando una rápida suma encontramos que ∑y2 = 39.5 entonces:

130

Método 8 – regresión Ejemplo

Análisis de Lineal
39.5 - 1.75(15) - .25(51.5) = 6 - 2
– – – –

∑y2 - a∑y - b∑xy n - 2 Syx = .306 , El error estandar de la estimación es por tanto $30,600 en ventas
4.0 3.0 3.25 2.0 1.0

Ventas

0

| 1

| 2

| | 3 4 Nómina

| 5

| 6

| 7
131

Método 8 – Análisis de regresión lineal
COEFICIENTES

DE CORRELACIÓN PARA LAS RECTAS DE REGRESIÓN La rect as de regresión es una form a de expresar la nat uraleza de la relación ent re dos variables. La ecuación de regresión m uest ra com o est á relacionada una variable con los valores y cam bios de ot ra variable. Ot ra form a de calcular la relación ent re dos variables es calcular el coeficiente de correlación.

132

Método 8 – Análisis de regresión lineal
COEFICIENTES

DE CORRELACIÓN PARA LAS RECTAS DE REGRESIÓN El coeficiente de correlación es una medida que muestra que expresa el grado o intensidad de la relación lineal. Es identificado normalmente como r. El coeficiente de correlación puede ser cualquier número entre +1 y -1.

133

y y Diferentes tipos de valores de r

(a)

x
Correlación positiva perfecta: r = +1

(b)

x
Correlación positiva: 0 < r < 1

y

y

(c)

Sin correlación: r = 0

x

(d)

Correlaciónx negativa perfecta: r = -1

Método 8 – Análisis de regresión lineal
COEFICIENTES

DE CORRELACIÓN PARA LAS RECTAS DE REGRESIÓN Para calcular r se utilizan muchos de los datos requeridos anteriormente para el calculo de a y b en la recta de regresión. La formula a utilizar para calcular r es:

r = [n∑x2 - (∑x)2][n∑y2 - (∑y)2]

n∑xy - ∑x∑y

135

Método 8 – Análisis de regresión lineal
COEFICIENTES

DE CORRELACIÓN PARA LAS RECTAS DE REGRESIÓN Aunque el coeficiente de correlación es la medida más comúnmente utilizada para describir la relación entre dos variables, existe otra media. Es el llamado coeficiente de determinación. Es sencillamente el cuadrado del coeficiente de correlación r2
136

Método 8 – Análisis de regresión lineal
COEFICIENTES

DE CORRELACIÓN PARA LAS RECTAS DE REGRESIÓN El valor de r2 siempre será un número positivo dentro del intervalo 0≤ r2 ≤1. El coeficiente de determinación es el porcentaje de variación de la variable dependiente (y), que se explica mediante la ecuación de regresión.

137

Método 8 – Análisis de regresión lineal
COEFICIENTES

DE CORRELACIÓN PARA LAS RECTAS DE REGRESIÓN En el caso del ejemplo de la constructora el coeficiente de correlación y determinación son los siguientes:

r = .901 r2 = .81

138

MÉTODOS CUANTITATIVOS
¡Venderá 200 millones de dólares!

MODELOS DE SERIES TEMPORALES MEDICIÓN DE ERROR DE PREVISIÓN

139

Medición del error de precisión
La exactitud global de cualquier método de previsión – media movil, alisado exponencial u otro – puede determinarse comparando los valores previstos de periodos del pasado, con la demanda real u observada para estos periodos. Sea F la previsión en el periodo t y A la t t demanda real en el periodo t ; El error de precisión (o desviación) se define entonces como:

 

Error de previsión = Demanda real – Previsión = A t - Ft
140

Medición del error de precisión
En la práctica, se utilizan diferentes medidas para calcular el error total de previsión. Las tres medidas más habituales son:

  

Desviación absoluta media – DAM Error cuadrado medio – ECM Error porcentual absoluto medio - EPAM

141

Medición del error de precisión
       

DAM – Desviación absoluta media

∑ |Real - Previsto| DAM = n

ECM – Error cuadrado medio

∑ (forecast errors)2 ECM = n

142

Medición del error de precisión
Un inconveniente del ECM es que tiende a acentuar las grandes desviaciones debido al termino al cuadrado. El DAM y el ECM tiene el problema de que sus valores dependen de la magnitud del producto que se esté previendo, e decir si lo que prevé se mide en miles, los valores de DAM y del ECM suelen ser elevados.

143

Medición del error de precisión
    

n EPAM – Error porcentual absoluto medio

100 i∑ 1 |Reali - Previstoi|/Reali = n

EPAM =

El EPAM es el indicador talvez más fácil de interpretar. Por ejemplo, un resultado del EPAM del 6% es un inequívoco resultado que no es dependiente de cuestiones como la magnitud de los datos para obtenerlo.

144

Medición del error de precisión EJEMPLO

Durante los ocho últimos trimestres, en el puerto de Bailtmore se han descargado grandes cantidades de granos de barcos. El director de operaciones portuarias quiere analizar la utilización de la técnica de alisado exponencial para constatar qué tal funciona en la previsión de tonelaje descargado. Para ello supone, una previsión de granos descargado en el primer trimestre de 175 toneladas. Dos son los valores de ∝ examinados 0.10 y 0.50. ¿Cuál valor de ∝ es mejor?
145

M e d ición d e l e r r or d e p r e cisión EJEM PLO
Toneladas realmente Trimestre Descargadas Previsión Redondeada utilizando α = .10 Desviación absoluta con α = .10

Previsión Redondeada utilizando α = .50

Desviación absoluta con α = .50

1 2 3 4 5 6 7 8

180 168 159 175 190 205 180 182

175 176 175 173 173 175 178 178

5 8 16 2 17 30 2 4 84

175 178 173 166 170 180 193 186

5 10 14 9 20 25 13 4 100

146

M e d ición d e l e r r or d e p r e cisión EJEM PLO ∑ |desviaciones|
realmente Trimestre Descargadas

DAMToneladas =

Para α = .10 1 180 175 2 168 84/8 176 10.50 = = 3 159 175
3 4 Para 5 6 7 8

Previsión Redondeada utilizando α = .10

n

Desviación absoluta con α = .10

Previsión Redondeada utilizando α = .50

Desviación absoluta con α = .50

α

159 175 = 190 205 = 180 182

175 173 .50 173 175 100/8178 = 178

5 8 16 2 17 30 12.50 2 4 84

175 178 173 166 170 180 193 186

5 10 14 9 20 25 13 4 100

147

M e d ición d e l e r r or d e p r e cisión EJEM (errores de previsión)2 ∑ PLO
realmente Trimestre Descargadas

ECM =Toneladas

Para α = .10 1 180 175 5 2 8 =168,558/8 176 194.7516 1 = 3 159 175
3 4 Para 5 6 7 8 159 175 α 190 .50 = 205 = 180,612/8 1 182 175 173 173 175 = 178 178 16 2 17 30 201.50 2 4 84 DAM 10.50

Previsión Redondeada utilizando α = .10

n

Desviación absoluta con α = .10

Previsión Redondeada utilizando α = .50

Desviación absoluta con α = .50

175 178 173 166 170 180 193 186

5 10 14 9 20 25 13 4 100 12.50

148

realmente Trimestre Descargadas

EPAM = Toneladas

M e d ición d e l e r r or d e p r e cisión n 100 ∑ 1 i EJEM PLO = |Desviacióni|/Reali
Para α = .10 1 180 175 5 2 168 = 45.62/8 = 5.70% 176 8 3 159 175 16
3 4 5Para 6 7 8 159 175 α = 190 205 180 = 182 175 173 .50 173 175 54.8/8 178 178 DAM ECM
Previsión Redondeada utilizando α = .10

n

Desviación absoluta con α = .10

Previsión Redondeada utilizando α = .50

Desviación absoluta con α = .50

=

16 2 17 30 6.852% 4 84 10.50 194.75

175 178 173 166 170 180 193 186

5 10 14 9 20 25 13 4 100 12.50 201.50

149

Medición del error de precisión EJEMPLO
Toneladas realmente Trimestre Descargadas Previsión Redondeada utilizando α = .10 Desviación absoluta con α = .10 Previsión Redondeada utilizando α = .50 Desviación absoluta con α = .50

1 2 3 4 5 6 7 8

180 168 159 175 190 205 180 182

175 176 175 173 173 175 178 178 DAM ECM EPAM

5 8 16 2 17 30 2 4 84 10.50 194.75 5.70%

175 178 173 166 170 180 193 186

5 10 14 9 20 25 13 4 100 12.50 201.50 6.85%

150

You're Reading a Free Preview

Descarga
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->