TCNICAS DE PREVISIN

1. INTRODUCCIN A LAS TCNICAS DE

PREVISIN
2. TECNICAS CUALITATIVAS y TECNICAS
CUANTITATIVAS.
3. COMPONENTES BASICOS DE UNA SERIE
TEMPORAL (HISTORICA).
4. MODELOS DETERMINISTAS.
5. MODELOS DE BOX Y J ENKINS.
6. AJ USTE DE DATOS A CURVAS.
7. MODELOS DE REGRESION LINEAL (MODELOS
ECONOMETRICOS).
Porqu hacer pronsticos de
demanda?
Primero porque hay incertidumbre respecto a su valor real
Porque nos permiten anticipar una serie de actividades y
as entregar un mejor servicio a los clientes. Lo anterior, se
deriva de la existencia de un leadtime en el proceso de
conversin
Permiten una adecuada gestin del flujo financiero.
Clculo del capital de trabajo al inicio de las operaciones.
Planificacin de inversiones de aumento de capacidad
1. INTRODUCCI N A LAS
TCNICAS DE PREVISIN
Trabajar con los Clientes
Intentar obtener un compromiso temprano con los
clientes ms importantes (ofrecer incentivos)
Participar en sus decisiones de planificacin y
pronstico
Reducir ciclos de tiempo
Acortar procesos, tiempos de transporte (parte de
una reingeniera de Procesos del negocio)
Diseo modular
Postponing
Flexibilidad en la fabricacin
Design for manufacturing (DFM)
Como enfrentar un Pronstico
con alta incertidumbre
Trabajar con los Proveedores
Centrarse en los componentes crticos
Incentivar una rpida respuesta en sus procesos internos
Generar alianzas de largo plazo
Subcontratar capacidad adicional para los meses
crticos.
Registro de los pronsticos con individualizacin de
los autores (focus group).
Como enfrentar un Pronstico
con alta incertidumbre
Algunas Causas de Errores Comunes
del Proceso de Prediccin
Estimaciones demasiado conservadoras realizadas con la
confianza que sern sobrepasadas. (sistema bottom-up)
No existe un proceso formal y no hay nadie que se haga
responsable
No se dispone de un adecuado soporte analtico
En la revisin y aprobacin no participaron todos los key
players (ventas,marketing, logstica, producin,etc)
No se mide ni se monitorea el error en las predicciones
(feedback)
Atencin a no consolidar errores de algunos item que pudieran
mostrar una imagen distorsionada al compensarse
2, 3. TECNICAS CUALITATIVAS y
TECNICAS CUANTITATIVAS.
Cualitativos
Delphi
Focus Group
Estudios de Mercado
Cuantitativos
Promedios Mviles o Media Mvil simple y doble
Alisado Exponencial simple o doble
Anlisis de Regresin
Proyectar tendencia
Modelos Economtricos
Modelo de redes neuronales
Filtros adaptativos
Modelos ARIMA (Box-J enkins)
Tecnicas cualitativas
Tecnicas cuantitativas
Series Temporales
deterministico
medias moviles
alisados, etc.
estocastico (ARIMA)
Corte Transversal (econometricos, ajustes,etc.)

4. COMPONENTES BASICOS DE
UNA SERIE TEMPORAL.
Serie Temporal
Valor medio
Serie Temporal
Valor Medio
5. MODELOS DETERMINISTAS.
5.1 Media mvil.
N
X X X
S
N t t t
t
1 1
1
+
+
+ + +
=

Previsiones con Medias Mviles
Perodo Serie Real N=3 N=5 N=7
1 25
2 28
3 30
4 26 27,6
5 25 28
6 29 27 26,8
7 31 26,6 27,6
8 33 28,3 28,2 27,7
9 35 31 28,8 28,8
10 36 33 30,6 29,8
11 34,6 32,8 30,7
N=3
S
X X X
4
1 2 3
3
25 28 30
3
276 =
+ +
=
+ +
= ,
S
X X X
5
2 3 4
3
28 30 26
3
28 =
+ +
=
+ +
=
S
X X X X X
6
1 2 3 4 5
5
268 =
+ + + +
= ,
S
X X X X X X X
8
1 2 3 4 5 6 7
7
277 =
+ + + + + +
= ,
N=5
N=7
Valor medio del error absoluto (VME),
y Error cuadrtico medio (ECM).
e S X
t t t
= con t =1, ... , n

VME
n
e
t
t
n
=
=

1
1
ECM
n
e
t
t
n
=
=

1
2
1
Perodo Serie Real Previsin
N=5
e
e
2
6 29 26.8 2.2 4.84
7 31 27,6 3.4 11.56
8 33 28,2 4.8 23.04
9 35 28.8 6.2 38.44
10 36 30.6 5.4 29.16
Total 22.0 107.04
N = 5

VME = = = =
220
5
44
10704
5
21408
.
.
.
. ECM
N=3 N=5 N=7
VME 3,24 4,4 5,86
ECM 11,62 21,41 34,47
25
30
35
0 2 4 6 8 10
SERIE
PREV1
MM (N=3)
MM (N=5)
MM (N=7)
5.2 Alisado exponencial.
( )
S S X S
t t t t +
= +
1
o
Inicio: S
2
=X
1
t = 1
Prev. con Alisado Exponencial
Perodo Serie Real
o=0,1 o=0,5 o=0,9
1 25
2 28 25 25 25
3 30 25.3 26.5 27.7
4 26 25.77 28.25 29.77
5 25 25.79 27.13 26.38
6 29 25.71 26.06 25.14
7 31 26.04 27.53 28.61
8 33 26.54 29.27 30.76
9 35 27.18 31.13 32.78
10 36 27.97 33.07 34.78
11 28.77 34.53 35.88

o=0.1 o=0.5 o=0.9
VME 4.36 3.09 2.49
ECM 26.06 9.89 6.94
20
22
24
26
28
30
32
34
1 2 3 4 5 6 7 8 9 10 11 12
Serie prev1
AE (alfa=0.1)
AE (alfa=0.5)
AE (alfa=0.9)
5.3 Media mvil doble.
S
X X X
4
1 2 3
3
25 28 30
3
276 =
+ +
=
+ +
= .
S
X X X
5
2 3 4
3
28 30 26
3
28 =
+ +
=
+ +
=
S
X X X
11
8 9 10
3
33 35 36
3
3466 =
+ +
=
+ +
= .
N = 3
S
S S S
'
.
.
6
4 5 6
3
276 28 27
3
2753 =
+ +
=
+ +
=
S
S S S
'
.
.
7
5 6 7
3
28 27 266
3
272 =
+ +
=
+ +
=

MM Simple MM
Doble
Perodo Serie Real N=3 N=3
1 25
2 28
3 30
4 26 27.67
5 25 28
6 29 27 27.53
7 31 26.67 27.22
8 33 28.33 27.33
9 35 31 28.66
10 36 33 30.77
11 34.6 32.86
N=3
VME 4.5
ECM 23.23
5.4 Alisado exponencial doble.
S
2
=X
1
(clculo del primer pronstico)
( )
S X S
t t t +
= +
1
1 o o (para t>1)
o=0.9
S X
2 1
25 = =
( ) ( )
S X S
3 2 2
1 09 28 1 09 25 277 = + = + = o o . . .
( ) ( )
S X S
4 3 3
1 09 30 1 09 277 2977 = + = + = o o . . . .
.................
( ) ( )
S X S
11 10 101
1 09 36 1 09 3478 3588 = + = + = o o . . . .
o=0.9
S
2
=S
2
(clculo del primer pronstico)
( )
S S S
t t t
' '
+ +
= +
1 1
1 o o (para t>1)
S S '
2 2
25 = =
( ) ( )
S S S ' ' . . . .
3 3 2
1 09 2777 1 09 25 2743 = + = + = o o
( ) ( )
S S S ' ' . . . . .
4 4 3
1 09 2977 1 09 2749 2954 = + = + = o o
.........................................
( ) ( )
S S S ' ' . . . . .
11 11 10
1 09 3588 1 09 3455 3575 = + = + = o o

AE Simple AE Doble
Perodo Serie Real
o=0,9 o=0,9
1 25
2 28 25 25
3 30 27.7 27.49
4 26 29.77 29.54
5 25 26.38 26.69
6 29 25.14 25.29
7 31 28.61 28.28
8 33 30.76 30.51
9 35 32.78 32.55
10 36 34.78 34.55
11 35.88 35.75

o=0.9
VME 2.62
ECM 7.37
6. MODELOS DE BOX Y J ENKINS.
G.E.P. Box y G.M. J enkins(-); son conocidos
como los modelos ARIMA (autorregresivos,
integrados y de media mvil)
(-) Time Series Analysis: Forecasting and
Control, Holden Day, San Francisco (1970).
Filtro
( )
( )
u
|
B
B

donde:
( )
( )
u u u u
| | | |
B B B
B B B
q
q
p
p
= + + +
= + + +
0 1
0 1
.......
.......

B el operador de retardo
s t t
s
t t
t t
y y B
y y B
y y B

=
=
=
.
.
2
2
1
1
El modelo bsico
y
t
=
( )
( ) B
B
|
u
a
t

7. AJ USTE DE DATOS A CURVAS
Objetivo: Partiendo de una hiptesis acerca de la
modelo matemtico que puede explicar una relacin
entre variables y podemos pensar que tal relacin es
lineal, parablica, etc.
7.1 Ajuste de datos a una
parbola.
Ventas Precio
1970 255 12
1971 264 14
1972 275 15
1973 237 17
1974 242 15
1975 249 16
1976 258 18
1977 267 19.5
1978 251 19.7
1979 258 21
1980 270 23
1981 273 24
Datos:
Parbola
y
t
= a + bx
t
+c x
t
2
donde a, b, c son los parmetros a estimar y el
subndice t, el ao al que corresponde cada dato. Lo
que buscamos es:

a, b y c
Mtodo: Mnimos Cuadrados
Minimizar ( ) y y
t t
t

=

2
1970
1981


ecuaciones normales del ajuste MC
y N a b x c x
y x a x b x c x
y x a x b x c x
t t t
t
t t t t t
t
t t t t t
t
= + +
= + +
= + +

=
=
=
2
1970
1981
1970
1981
1970
1981
2 3
1970
1981
1
1981
1970
1981
1970
1981
2 2 3 4
1970
1981
1970
1981
1970
1981
1970
1981
Polinmio de grado 5
y = a + bx + cx
2
+ dx
3
+ ex
4
+ fx
5

Deberamos tener 5 ecuaciones, cada una de las cuales contendra 5 trminos en el
lado derecho de la igualdad, siendo el ltimo de ellos para el caso de la primera
ecuacin f x
t
t
n
5
1 =

.
La ltima ecuacin adoptara la forma:

+ + + + + =
10 9 8 7 6 5 5
i i i i i i
i
i
x f x e x d x c x b x a x y
Resolviendo el sistema de 3
ecuaciones con 3 incgnitas

y
y x
y x
N x x
x x x
x x x
a
b
c
t
t t
t t
t t
t t t
t t t

|
\

|
.
|
|
|
=
|
\

|
.
|
|
|

|
\

|
.
|
|
|
2
2
2 3
2 3 4
llamando:
V
y
y x
y x
t
t t
t t
=
|
\

|
.
|
|
|

2
T
N x x
x x x
x x x
t t
t t t
t t t
=
|
\

|
.
|
|
|



2
2 3
2 3 4
y A
a
b
c
=
|
\

|
.
|
|
|

V=TA

y despejando A:
A=T
-1
V

y
t
x
t
x
t
2
x
t
3
x
t
4
y
t
x
t
2
y
t
x
t
1970 255 12 144 1,728 20,736 36,720 3,060
1971 264 14 196 2,744 38,416 51,744 3,696
1972 275 15 225 3,375 50,625 61,875 4,125
1973 237 17 289 4,913 83,521 68,493 4,029
1974 242 15 225 3,375 50,625 54,450 3,630
1975 249 16 256 4,096 65,536 63,744 3,984
1976 258 18 324 5,832 104,976 83,592 4,644
1977 267 19.5 380 7,415 144,590 101,527 5,207
1978 251 19.7 388 7,645 150,614 97,411 4,945
1979 258 21 441 9,261 194,481 113,778 5,418
1980 270 23 529 12,167 279,841 142,830 6,210
1981 273 24 576 13,824 331,776 157,248 6,552
3099 214.2 3,973 76,375 1,515,737 1,033,411 55,499
V
y
y x
y x
t
t t
t t
=
|
\

|
.
|
|
|
=
|
\

|
.
|
|
|

2
3099
55499
1033411
,
,
, ,
T
N x x
x x x
x x x
t t
t t t
t t t
=
|
\

|
.
|
|
|
=
|
\

|
.
|
|
|



2
2 3
2 3 4
12 2142 3973
2142 3973 76375
3973 76375 1515737
. ,
. , ,
, , , ,
A
a
b
c
T V =
|
\

|
.
|
|
|
=
1
Como:
T

|
\

|
.
|
|
|
1
57 638 017
638 072 002
017 002 0
. .
. . .
. .
A
a
b
c
=
|
\

|
.
|
|
|
=

|
\

|
.
|
|
|

|
\

|
.
|
|
|
=
|
\

|
.
|
|
|
57 638 017
638 072 002
017 002 0
3099
55499
1033411
35399
1221
037
. .
. . .
. .
,
,
, ,
.
.
.

. . . y X x
t t t
= + 35399 1221 037
2

Clculo del coeficiente de
determinacin.
2
2
2
1
y
e
S
S
R =
( )
S
y y
N
e
N
e
t t
t
t
2
2
1970
1981
2
1970
1981
=

=
=

( )
N
y y
S
t
y

=
1981
1970
2
2
( )
R
e
y y
t
t
2
2
1970
1981
2
1970
1981
1 =

( )
R
e
y y
t
t
2
2
1970
1981
2
1970
1981
1 1
114397
161025
029 =

= =

, .
, .
.
Coeficiente de correlacin
Que expresa el grado de covariacin conjunta
entre las variables y vara entre -1 y 1

Y y

y
2
y
1


y
1
y
2



x
1
x
2
x x
1
x
2
x

( )
( ) ( )
r
S
S S
x x y
y y x x
yx
y x
i i
n
i i
n n
=

1
2 2
1 1
S
yx
covarianza entre y y x
S
y
desviacin estndar de y
S
x
desviacin estndar de x
r =

=
30499
64296 175
085
.
. .
.
donde
En nuestro caso
Curva de Gompertz o Logstica
y e
i
a bc
x
i
=

a,b>0 y 0<c<1
x
i
=0, y=e
a-b
limV e
t
a

=
x
i
= -Lc/Lb
Ajuste del modelo
Ly
i
= a-bc
xi
Haciendo
Ly
i
= y
i
Luego:
y
i
= a-bc
xi

y
i
=a-bz siendo z=c
xi

O bien:
c
S S
S S
n =

3 2
2 1
S y
i
n
1
1
=

' S y
i
n
n
2
1
2
=
+

' S y
i
n
n
3
2 1
3
=
+

'
t=1,2,...,N; n=N/3 (para N mltiplo de 3)
n = N/3 = 12/3 = 4
Y' X XY' (Y'-Y'
m
)
2

y Ln y Si z z-z
m
(z-z
m
)
2
(z-z
m
)Lny x
1985 227 5.42 0.05 0.036 0.0013 0.1956 0.0090 12.00
1986 230 5.44 0.03 0.015 0.0002 0.0824 0.0067 14.00
1987 232 5.45 0.03 0.008 0.0001 0.0432 0.0054 15.00
1988 237 5.47 21.78 0.02 -0.002 0.0000 -0.0118 0.0027 17.00
1989 242 5.49 0.03 0.008 0.0001 0.0436 0.0010 15.00
1990 249 5.52 0.02 0.002 0.0000 0.0126 0.0000 16.00
1991 258 5.55 0.01 -0.006 0.0000 -0.0313 0.0011 18.00
1992 267 5.59 22.15 0.01 -0.010 0.0001 -0.0531 0.0045 19.50
1993 251 5.53 0.01 -0.010 0.0001 -0.0549 0.0000 19.70
1994 258 5.55 0.01 -0.012 0.0001 -0.0677 0.0011 21.00
1995 270 5.60 0.00 -0.015 0.0002 -0.0815 0.0062 23.00
1996 273 5.61 22.29 0.00 -0.015 0.0002 -0.0862 0.0080 24.00
TOTA 2,994 66.21 0.22 0.202 0.0025 -0.0092 0.0457 214.20
S Ln y S Ln y S Ln y
t t t 1
1
4
2
5
8
3
9
12
2178 2215 2229 = = = = = =

. . .
c=

=
2229 2215
2215 2178
078454
4
.
. .
.
( )
( )
a y bz
b
z z y
z z
t
i
i
i
=
=

'
'
2
b
a
=

=
= =
00092
00025
37
552 37 002 558
.
.
.
. ( . * . ) .
y e
t
x
t
=
5 5 37 078 . . * .
( )
( )
( )
r
z z y
y y z z
t t
t t
=


=

=

'
' '
.
. * .
.
2
2
00092
00456 00025
08635
La funcin de Gompertz que ajustamos es
el coeficiente de correlacin
Previsin
Si el precio x para el prximo periodo
es: 25
y
t
= e
5.58 + 3.7*0.78
=268.792 unidades
8. MODELOS DE REGRESION LINEAL
(MODELOS ECONOMETRICOS).
y b x e
j j
j
n
= +
=

1
y variable endgena
b
j
parmetros a estimar (j=1,2,3)
x
1
=1
x
j
variables exgenas (j=2,,n)
e perturbacin aleatoria
y x x x
y x x x
x x x
N N N N N
1 1 11 2 21 3 31 1
2 1 12 2 22 3 32 2
1 1 2 2 3 3


y
= + + +
= + + +
= + + +
| | | c
| | | c
| | | c

Para dos variables exgenas y una explicada:

Y
y
y
y
N
=
|
\

|
.
|
|
|
|
1
2

X
x x x
x x x
x x x
N N N
=
|
\

|
.
|
|
|
|
11 21 31
12 22 32
1 2 3

|
|
|
|
=
|
\

|
.
|
|
|
1
2
3
c
c
c
c
=
|
\

|
.
|
|
|
|
1
2

N
Y X = + | c
Hiptesis
1. Las perturbaciones aleatorias son independientes y se distribuyen
normalmente con media 0 y varianza o
2
. Es decir:
i=1,2,...,N
1. La variable endgena y, dado que las X son fijas, tienen como nica fuente
de variacin el vector de las perturbaciones y como ste, es un vector
compuesto de variables aleatorias, tambin lo es y, o sea, la variable y es
aleatoria.
2. Las variables exgenas x, no son aleatorias, por lo que no dependen de la
muestra seleccionada. En consecuencia, los valores de x, se pueden prefijar
en el muestreo.
3. Entre dos o ms variables exgenas no existe ninguna relacin lineal exacta
porque sino sobrara alguna de ellas.
4. X
11
, X
12
,..,X
1N
son iguales a 1.
5. El tamao de la muestra es igual o mayor que el nmero de parmetros a
estimar.
6. Los parmetros |
i
son constantes, por lo cual no dependen de los valores
muestrales.
7. Los parmetros |i son constantes, por lo cual no dependen de los valores
muestrales.
( )
E
i j
c c = 0
( )
E
i
c = 0
( )
E
i
c o
2 2
=
Estimaciones insesgadas y eficientes aplicaremos el
mtodo de los Mnimos Cuadrados,
e
i
2

b=(xx)
-1
xy x es la matriz transpuesta de x
k el nmero de parmetros | a
estimar
y la matriz traspuesta de y
n tamao de la muestra
Est
e
n k
y y b x'y
n k
i
( )
' '
o
2
2
=

R
b x'y y y
y y y y
2
=

'
'
EJ EMPLO
La empresa CLOS, S.A. ha medido la respuesta del
mercado a las variaciones en el precio y en el nivel
de gastos publicitarios del producto que comercializa.
A partir de una muestra de tamao 12, que se facilita
en la tabla siguiente, la gerencia de CLOS, S.A. desea
construir un modelo lineal que explique las
variaciones de las ventas en funcin del precio y la
publicidad. Asimismo, se desea estimar las
elasticidades de estas dos variables para valores
respectivos de 77 u.m. y 8 u.m.
Y
t
: Ventas X
1t
: Precio X
2t
: Public.
55 100 5.5
70 90 6.3
90 80 7.2
100 70 7
90 70 7
105 70 7.35
80 70 5.6
110 65 7.15
125 60 7.5
115 60 6.9
130 55 7.15
130 50 6.5
y x1 x2 x3 x2
2
x3
2
x2 x3 y x2 y x3
y
2
1 55,00 1,00 100,00 5,50 10.000,00 30,25 550,00 5.500,00 302,50 3.025,00
2 70,00 1,00 90,00 6,30 8.100,00 39,69 567,00 6.300,00 441,00 4.900,00
3 90,00 1,00 80,00 7,20 6.400,00 51,84 576,00 7.200,00 648,00 8.100,00
4 100,00 1,00 70,00 7,00 4.900,00 49,00 490,00 7.000,00 700,00 10.000,00
5 90,00 1,00 70,00 7,00 4.900,00 49,00 490,00 6.300,00 630,00 8.100,00
6 105,00 1,00 70,00 7,35 4.900,00 54,02 514,50 7.350,00 771,75 11.025,00
7 80,00 1,00 70,00 5,60 4.900,00 31,36 392,00 5.600,00 448,00 6.400,00
8 110,00 1,00 65,00 7,15 4.225,00 51,12 464,75 7.150,00 786,50 12.100,00
9 125,00 1,00 60,00 7,50 3.600,00 56,25 450,00 7.500,00 937,50 15.625,00
10 115,00 1,00 60,00 6,90 3.600,00 47,61 414,00 6.900,00 793,50 13.225,00
11 130,00 1,00 55,00 7,15 3.025,00 51,12 393,25 7.150,00 929,50 16.900,00
12 130,00 1,00 50,00 6,50 2.500,00 42,25 325,00 6.500,00 845,00 16.900,00
suma 1.200,00 12,00 840,00 81,15 61.050,00 553,52 5.626,50 80.450,00 8.233,25 126.300,00
x x
N x x
x x x x
x x x x
i i
i i i i
i i i i
'
.
.
. . .
=
|
\

|
.
|
|
|
=
|
\

|
.
|
|
|



2 3
2 2
2
2 3
3 2 3 3
2
12 840 8115
840 61050 56265
8115 56265 55352
( ' )
. . .
. .
. . .
x x

=

|
\

|
.
|
|
|
1
1851 007 196
007 0 001
196 001 024
x y
y
x y
x y
i
i i
i i
'
.
=
|
\

|
.
|
|
|
=
|
\

|
.
|
|
|

2
3
1200
80450
823325
b x x x y = =

|
\

|
.
|
|
|

|
\

|
.
|
|
|
=
|
\

|
.
|
|
|

( ' ) '
. . .
. .
. . .
,
,
, .
.
.
.
1
1851 007 196
007 0 001
196 001 024
1200
80450
823325
13017
137
969

. . . y x x = + 13017 137 969

2 3
Est
y y b x y
n k
( )
' ' '
o
2
=

y y y
i
' , = =

2
126300
( )
b x y ' ' . . .
,
,
, .
, . =
|
\

|
.
|
|
|
= 13017 137 969
1200
80450
823325
12576769
Est( )
, , .
. o
2
126300 12576769
12 3
5915 =

=
S Est
e
= = ( ) . o
2
782
69
R
b x y
y
N
y y
y
N
i
i
2
2
2
12576769 120000
126300 120000
092 =

' '
( )
'
( )
, . ,
, ,
.
Clculo de la elasticidad
q
D
D p
D p
P
P
= =
A
A
( )
( ) variacion porcentual de la cantidad demandada
variacion porcentual del precio
A
A
D p
P
P
D p
( )
*
( )


p
2
p
2


p
1
p
1



D
2
D
1
D
2
D
1
q
q
y x
y x
y
x
x
y
y
x
x
y
,
,
*
*
2
3
2
2
3
3
=
=
A
A
A
A
y x x = + 13017 137 969
2 3
. . .
A
A
A
A
y
x
y
x
2
3
137
969
=
=
.
.
y = + = 1301 137 77 969 8 1022 . . * . * .
q
q
y x
y x
y
x
x
y
y
x
x
y
,
,
. *
.
.
. *
.
.
2
3
2
2
3
3
137
77
1022
103
969
8
1022
076
= = =
= = =
A
A
A
A
Es decir, cuando el precio aumenta (o
disminuye) en un 1%, las ventas
disminuyen (o aumentan,
respectivamente) en un 103%. Por otra
parte, si el gasto publicitario aumenta
(o disminuye) en un 1%, las ventas
aumentan (o disminuyen,
respectivamente) en un 76%.