Está en la página 1de 149

UNMSM FQIQ

E.A.P. DE INGENIERIA QUIMICA


CURSO: ELABORACION Y EVALUACION DE PROYECTOS
QUINTA SEMANA: ESTUDIO DE MERCADO Y
DISPONIBILIDAD DE MATERIA PRIMA II - PRONOSTICOS
2016 - I
Profesor: Ing. JOS MANUEL GARCA PANTIGOZO
Lima-Per
OBJETIVOS ESPECIFICOS DE
APRENDIZAJE
al final de la clase el estudiante:
Explicar que es el pronstico.
Describir los mtodos de pronsticos de
tipo cualitativo y cuantitativo.
Demostrar como se calculan los
pronsticos de Series de Tiempo.
Explicar las distintas formas de medir
los errores de pronsticos.
INTRODUCCION A LOS
PRONOSTICOS
Para disear y ejecutar un sistema de
operacin que satisfaga a los clientes,
una empresa debe reconocer cunta
demanda tiene que satisfacer, lo cul lo
induce a tres interrogantes importantes:
Como saber que producir?
Como saber cuanto producir?
Como saber cuando producir?
INTRODUCCION A LOS
PRONOSTICOS
La prediccin y administracin de la
demanda ayuda a responder estas
preguntas.
La administracin de la demanda
incluye identificar todas las fuentes
potenciales de la demanda, as como
influir en ella. Los intentos de medir la
demanda y los efectos de administrarla se
denominan pronsticos.
ORIENTACION GERENCIAL DEL
PRONOSTICO
DEFINICION: La Administra-
cin de la demanda implica
reconocer fuentes de demanda
para los bienes y servicios de una
Empresa, predecir la demanda y
determinar la manera cmo la
empresa satisfacer esa
demanda.
QU ES PRONOSTICAR?
Cuanto vender?
QU ES PRONOSTICAR?
Es el arte y la ciencia de predecir los
eventos futuros. Puede involucrar el
manejo de datos histricos para
proyectarlos al futuro, mediante algn tipo
de modelo matemtico.
Puede ser una prediccin subjetiva. O
bien una combinacin de ambas, es decir
un modelo matemtico ajustado por el
buen juicio de un administrador de
operaciones.
PRONSTICOS PARTE INTEGRAL
DEL PLANEAMIENTO DE NEGOCIOS
Ingreso: Estimacin
Mtodos de
Mercado, de la
Pronstico
Economa, demanda
Otros

Pronstico Equipo de
de Ventas Administracin

Estrategia Pronstico de
de Negocios Recursos de Produccin
EJEMPLOS DE PRONSTICOS DE
RECURSOS DE PRODUCCIN
Horizonte Comienzo Unidad de
Pronstico
Tiempo
del Pronstico Medida

Rango Lnea de Products, Dolares,


Ao
Alto Capacidad de Planta Libras

Rango Grupos de Productos Dolares,


Meses
Medio Capacidad de Dptos. Libras

Rango Productos Especificos Prod. Units,


Semanas
Corto Capacidad de Maq. Unidades
AREAS QUE DEBEN TRABAJAR
JUNTAS

MARKETING

OPERACIONES
MARKETING
Proporciona informacin
relacionada con el merca-do
y las predicciones de la
demanda.
Administra la demanda
mediante polticas de
fijacin de precio y
promociones p.e. los
descuentos de tempo rada
nivelan la demanda por un
producto o servicio.
OPERACIONES
Se encarga de asegurar que los bienes y
servicios de la Empresa se proporcionen
cuando se necesiten.
TIPOS DE PRONOSTICO POR
HORIZONTE DE TIEMPO
PRONOSTICO A CORTO PLAZO
Hasta 3 meses.
Asignacin de trabajos
PRONOSTICO A MEDIANO PLAZO
Entre 3 meses y 3 aos.
Planeacin de Produccin y venta.
PRONOSTICO A LARGO PLAZO
Mas de 3 aos
Planeacin de un nuevo producto.
TIPOS DE PRONSTICOS

1. Econmicos Cuanto
vender?

2. Tecnolgicos

3. De demanda
1.-PRONOSTICOS ECONOMICOS
Sirven para pronosticar lo que
sern las condiciones generales
de los negocios dentro de
algunos meses o aos.
Lo hacen los gobiernos, los
bancos y los servicios de
prediccin economtrica.
2.- PRONOSTICOS TECNOLOGICOS
Pronostican la probabilidad y
el significado de posibles
desarrollos futuros. Indican la
direccin de los cambios
tecnolgicos y la tasa de
cambios esperada.
3.- PRONOSTICOS DE LA DEMANDA

Las predicciones de
demanda pronostican la
cantidad y la duracin de la
demanda de los bienes y
servicios de una empresa.
ENFOQUES PARA PRONSTICAR
Cuanto
vender?
I. CUALITATIVOS

II. CUANTITATIVOS
I.- ENFOQUES CUALITATIVOS PARA
PRONOSTICAR LA DEMANDA
Las tcnicas cualitativas de pronstico
dependen de conjetura adquiridas con base en
la institucin las tcnicas cualitativas mas
comunes son:
1. Consenso de Comit Ejecutivo
2. Mtodo Delphi
3. Informacin Jefes Zonales
4. Encuestas
TCNICA Y ENFOQUE DE
PRONSTICO CUALITATIVO
Se fundamentan en la experiencia
Criterio
Intuicin
Encuestas del mercado
Pueden ser resultados muy buenos o
muy malos
Existen mtodos de juicio y mtodos
de conteo
1. CONSENSO DE COMIT EJECUTIVO
Permite la fusin de las opiniones de una
seccin de expertos interfuncionales.
Involucra pequeo grupo de alto nivel los
administradores.
Grupo estimaciones de la demanda de trabajo
conjunto.
1. CONSENSO DE COMIT EJECUTIVO
Combina la experiencia de gestin con
modelos estadsticos.
Esta tcnica es relativamente econmica y
mas utilizada a mediano y largo plazo.
Relativamente rpida
La desventaja es que se crea el grupo que
piensa.
2. METODO DELPHI
Este mtodo involucra a un grupo de expertos
que comparten informacin y eventualmente
llegan a un consenso en una prediccin a largo
plazo con respecto a las tecnologa del futuro o
a las ventas futuras de un nuevo producto.
Esta conformado por tres tipos de personas:
Los decisores (Decision Makers).
Facilitadores (Staff).
Los encuestados (Respondents).
3. INFORMACION DE JEFES ZONALES
La fuerza de ventas esta en contacto directo con
los clientes (lo cual constituye una buena fuente
de informacin que considera las intenciones de
los clientes a corto y a mediano plazo):
Cada vendedor proyecta sus ventas.
La fuerza de ventas conoce a los clientes.
Tienden a ser demasiado optimistas Sales
3. INFORMACION DE JEFES ZONALES
Combina el estimado de las ventas futuras
que hace cada vendedor para su territorio
en un pronstico de ventas totales.
3. INFORMACION DE JEFES ZONALES
VENTAJAS
-Representantes de venta responsables del
pronstico
-Se utiliza conocimiento y experiencia de
vendedores
-Cuotas de ventas asignadas por los mismos
vendedores
3. INFORMACION DE JEFES ZONALES
DESVENTAJAS
-Vendedores no estn capacitados para hacer
pronsticos
-Vendedores bajan cuotas de venta para alcanzarlas con
mayor facilidad
-Los pronsticos se basan en condiciones presentes y
no a futuro
4. ENCUESTA
Una empresa puede
basar sus pronsticos Cuantas horas usar
Ud. Internet la prxima
de las compras futuras de semana?
sus clientes actuales y
potenciales mediante
encuestas.
Esta informacin puede
obtenerse por medio de
encuestas personales, por
telfono, correo, email o
fax.
4. ENCUESTA
Encuesta de intencin de compra
Se toma una muestra de los clientes y se les pregunta
su intencin de compra en un periodo especfico
Se combinan en un solo pronstico ya sea por
producto, por territorio o por clientes.
4. ENCUESTA
Ventajas de encuesta
El pronstico lo determinan los usuarios reales del
producto
Pronstico rpido y econmico cuando participan
algunos clientes
4. ENCUESTA
Desventajas
La tcnica se vuelve cara cuando los usuarios son
numerosos y no se les puede localizar
Lo que dice el comprador y lo que hace es diferente
Pronstico depende de los usuarios que no siempre
quiere cooperar
4. ENCUESTA
Mercados de prueba
Generalmente para estimar ventas de un nuevo
producto
Prueba que se realiza en un mercado limitado para
ver la reaccin del consumidor antes de ampliarse al
mercado regional o nacional
Se puede observar el impacto de las ventas
Participacin en el mercado (tasa de prueba y de
repeticin)
Qu pasa con un pronstico equivocado?
AREA DEMASIADO ELEVADO DEMASIADO BAJO
Produccin Exceso de produccin Produccin inadecuada para
productos no vendido satisfacer necesidades del
cliente

Inventario Exceso de existencias Existencias insuficientes


Finanzas Efectivo inmovilizado Escasez de efectivo
Promocin Gastos desperdiciados Gastos insuficientes para
cubrir el mercado
Fijacin de precios Reducciones de precios para Aumento de precios para
vender exceso asignar los productos escasos

Fuerzas de ventas Demasiados vendedores Pocos vendedores


Relaciones con clientes Dinero desperdiciado en Insatisfactorias debido a
actividades innecesarias productos agotado
Utilidades Menores debido a gastos Menores porque no se cubre
innecesarios la demanda del mercado
II. ENFOQUES CUANTITATIVOS PARA
PRONOSTICAR LA DEMANDA
Estos mtodos cuantitativos emplean los
modelos matemticos y los datos histricos
para pronosticar la demanda. As, el pasado
se utiliza para predecir el futuro.
Hay dos tipos generales de mtodos
cuantitativos:
- Modelos de Series de tiempo
- Modelos Causales
METODOS CUANTITATIVOS

Mtodo
Cuantitativo

Modelos Modelos
Serie de Tiempos Causales

Promedio Suavizado Proyeccin Regresin


Mvil Exponencial Tendencia Lineal
MODELOS DE SERIES DE TIEMPO
Incluye elaborar grficas de los datos de
demanda sobre una escala de tiempo y
estudiar las grficas para descubrir los
modelos y las figuras o los patrones
consistentes. Luego, estos patrones se
proyectan hacia el futuro.
DEFINICION: Una serie de tiempo es una
secuencia de observaciones
cronolgicamente clasificadas que se
toman a intervalos regulares para una
variable en particular.
Qu es una serie temporal?
Es un conjunto de medidas, ordenadas en un
espacio de tiempo, de una variable objeto de
estudio
Ao:X N de
libros:Y
1985 3560
Time Series Plot
1986 3940 4300
1987 3910
1988 3890 4100

1989 4040
3900
1990 4010
1991 4120 3700
1992 3980
1993 4070 3500
1994 4190 1985 1987 1989 1991 1993 1995
COMPONENTES DE LAS SERIES DE TIEMPO

Tendencia Cclica

Estacional Aleatorio
DESCOMPOSICION DE UNA SERIE DE
TIEMPOS: TENDENCIA

Tendencia (T) es el movimiento gradual, ascendente o


descendente, de los datos a traves del tiempo.
Estacionalidad (S) es el patron de datos que se repite a
si mismo despues de un periodo de das, semanas,
meses, trimestres, estaciones, etc. pero dentrol ao..
Ciclos (C) son patrones que ocurren en los datos cada
varios aos.
Variacin al azar (R) son variaciones aleatorias que no
obedecen a ningun comportamiento.
DESCOMPOSICION DE UNA SERIE DE
TIEMPOS: TENDENCIA
TENDENCIA (T) es el movimiento gradual, ascendente o
descendente, de los datos a traves del tiempo.

Las tendencias reflejan los cambios en la


tecnologa, los estndares de vida, los
ndices de poblacin ,etc..
DEFINICION: Una tendencia es el
movimiento gradual hacia arriba o hacia
debajo de los datos en el tiempo.
Las tendencias son montonas , pero no
siempre lineales; pueden ser logartmica o
exponenciales.
DESCOMPOSICION DE UNA SERIE DE
TIEMPOS: ESTACIONALIDAD
ESTACIONALIDAD (S) es el patrn de datos
que se repite a si mismo despues de un periodo
de das, semanas, trimestres, estaciones, etc.
pero dentro del ao.
DEFINICION: La temporada es la variacin que
se repite a intervalos fijos. Pueden durar un ao
o solo unas pocas horas.
Summer

Response

Mo., Qtr.
DESCOMPOSICION DE UNA SERIE DE
TIEMPOS: ESTACIONALIDAD

Perodo de tiempo Nmero de


del Patrn donde Longitud de la Estaciones en
es repetido Estacin el Patrn

Ao Trimestre 4
Ao Mes 12
Ao Semana 52
Mes Semana 4
Mes Dia 28-31
Semana Dia 7
DESCOMPOSICION DE UNA SERIE DE
TIEMPOS: VARIACIONES CICLICAS
CICLOS (C) son patrones que ocurren en
los datos cada varios aos.
Las alzas y las bajas de la economa o de
una industria especificas se representan
en variaciones cclicas. El ciclo de
negocios que se repite de cinco a diez
aos es un ejemplo.
DEFINICION: La variacin cclica tiene
una duracin de por lo menos un ao; la
variacin varia de un ciclo a otro.
DESCOMPOSICION DE UNA SERIE DE
TIEMPOS: VARIACIONES ALEATORIAS
Las variaciones aleatorias son
variaciones en la demanda que no
pueden explicarse mediante tendencias,
variaciones de temporada o variaciones
cclicas. Un suceso impredecible, como
una guerra, una huelga, un terremoto o
partes de legislacin, puede causar
grandes variaciones aleatorias. A
diferencia de las otras tendencias , la
variacin aleatoria siempre esta presente.
DEMANDA DE PRODUCTO PARA 4 AOS CON
TENDENCIA Y ESTACIONALIDAD
Demanda de producto o servicio

Picos Estacionales Componente Tendencia

Lnea de actual
demanda

Demanda promedio
para 4 aos
Variacin
aleatoria
Ao Ao Ao Ao
1 2 3 4
MODELOS DE
SERIE DE TIEMPOS
DEFINICION
Se llama Series de Tiempo a un conjunto de
observaciones sobre valores que toma una
variable (cuantitativa) en diferentes momentos
del tiempo.
Para que se utilizan las Series
de Tiempo?
Hoy las diversas organizacio-
nes requieren conocer el
comportamiento futuro de
ciertos fenmenos con el fin de
planificar, prevenir,es decir, se
utilizan para predecir lo que
ocurrir con una variable en el
futuro a partir del
comportamiento de esa variable
en el pasado.
APLICACIONES
En las organizaciones es de mucha utilidad en
predicciones a corto y mediano plazo, por
ejemplo ver que ocurrira con la demanda de un
cierto producto, las ventas a futuro, decisiones
sobre inventario, insumos, etc....
No as para el diseo de un proceso productivo
ya que no se disponen de datos histricos y se
trata de un proyecto a largo plazo.
MODELOS DE SERIE DE TIEMPO
Modelo Multiplicativo de una serie de tiempo:
At = Tt * St * Ct * Et
Modelo Aditivo de una serie de tiempo:
At = Tt + St + C + Et
Donde :
At=Demanda real en el perodo t
Tt= Componente de tendencia para el perodo t.
St= Componente de temporada para el perodo t.
Ct= Componente de ciclo para el perodo t.
Et= Componente aleatoria o error para el perodo t.
SELECCIN DE UN MODELO
1. El horizonte de tiempo para
realizar la proyeccin.
2. La disponibilidad de los datos.
3. La exactitud requerida.
4. El tamao del presupuesto de
proyeccin.
5. La disponibilidad de personal
calificado.
MODELOS DE SERIES DE TIEMPO
Mtodo de proyeccin Cantidad de datos Patrn de los datos Horizonte de Tiempo de Antecedentes del
histricos proyeccin preparacin personal

5 a 10 observaciones Los datos deben ser


Ajuste exponencial para fijar la estacionarios Corto Corto Poca sofisticacin
simple ponderacin

Ajuste exponencial de 10 a 15 observaciones Tendencias pero no Ligera sofisticacin


Holt para fijar la estacionalidad Corto a mediano Corto
ponderacin

Ajuste exponencial de Por lo menos 4 5 Tendencias y Sofisticacin


Winter observaciones por estacionalidad Corto a mediano Corto moderada
trimestre
10 a 20 observaciones
Modelos de la tendencia para la estacionalidad, Tendencias y
de regresin por lo menos 5 por estacionalidad Corto a mediano Corto Sofisticacin
trimestre moderada

Largo tiempo para


10 observaciones por Puede manejar patrones el desarrollo , corto
Modelos de regresin variable independiente complejos Corto , mediano o para la puesta en Sofisticacin
causal largo ejecucin considerable

Maneja patrones
Descomposicin de las Suficiente para ver 2 cclicos y estacionales Corto tiempo para
series de tiempo picos y simas puede identificar los Corto a mediano la moderacin Poca sofisticacin
puntos crticos

Deben ser estacionarios


Box Jenkins 50 o mas observaciones o ser transformados en Corto , mediano o Largo Alta sofisticacin
estacionarios largo
PROMEDIO MOVIL SIMPLE

Se utiliza para calcular la demanda promedio de los


ltimos n perodos y como prediccin para el siguiente
perodo.
Promedio mvil simple:
Ft= (At + A t-1 + A t-2 +....+A t-n +1 )
n
Donde :
Ft = prediccin para el perodo t+1
At = demanda real para el perodo
n = nmero de perodos por promediar
EJEMPLO DE PROMEDIO MOVIL SIMPLE
Usted es gerente de una tienda que vende
repuestos metalmecnicos. Qu previsin de
ventas (000) para el ao 2016 deber hacer
utilizando un perodo de 3 de media mvil.

2011 4
2012 6
2013 5
2014 3
2015 7
SOLUCION DEL PROMEDIO MOVIL SIMPLE

Response Moving Total Moving


Time
Yi (n = 3) Avg. ( n = 3)
2011 4 NA NA
2012 6 NA NA
2013 5 NA NA
2014 3 4 + 6 + 5 = 15
2015 7
2016 NA
SOLUCION DEL PROMEDIO MOVIL SIMPLE

Response Moving Total Moving


Time
Yi (n = 3) Avg. ( n = 3)
2011 4 NA NA
2012 6 NA NA
2013 5 NA NA
2014 3 4 + 6 + 5 = 15 15/3 = 5.0
2015 7 6 + 5 + 3 = 14
2016 NA
SOLUCION DEL PROMEDIO MOVIL SIMPLE

Respuesta Movil Total Movil


Ao
Yi (n = 3) Prom.(n = 3)
2011 4 NA NA
2012 6 NA NA
2013 5 NA NA
2014 3 4 + 6 + 5 = 15 15/3 = 5.0
2015 7 6 + 5 + 3 = 14 14/3 = 4.7
2016 NA 5 + 3 + 7 = 15 15/3 = 5.0
GRAFICO DEL PROMEDIO MOVIL SIMPLE

Ventas
8 Actual
6
4 Pronstico
2
0
11 12 13 14 15 16
Ao
PROMEDIO SIMPLE
CON WINQSB 2
PROMEDIO MOVIL SIMPLE
CON WINQSB 2
PROMEDIO MOVIL PONDERADO

Se utiliza cuando existe una tendencia o patrn, los


pesos pueden ser utilizados para poner mayor enfsis
en datos recientes.
Promedio de mvil ponderado:
Ft= (Peso para el periodo n)(Demanda periodo n)
pesos
Donde :
Ft = prediccin para el perodo n
n = nmero de perodos por promediar
DEMANDA ACTUAL, PROMEDIO MOVIL,
PROMEDIO MOVIL PONDERADO

35 Promedio mvil ponderado


30
DEMANDA DE VENTAS

Ventas actuales
25
20
15
10
Promedio mvil
5
0
Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
Meses
DESVENTAJAS DEL PROMEDIO MOVIL

Al incrementar n pronsticos, hace a este


sensitivo a los cambios.
No pronostica tendencias.
Requiere muchos datos histricos
PROMEDIO MOVIL PONDERADO
CON WINQSB 2
GRAFICO DEL PROMEDIO MOVIL SIMPLE Y
PROMEDIO MOVIL PONDERADO

Weighted
30 moving
average
25
Sales demand

20 Actual
sales
15
Moving
10 average

5
| | | | | | | | | | | |
Figure 4.2
J F M A M J J A S O N D

2006 Prentice Hall, Inc. 4 47


MODELOS DE SUAVIZADO
EXPONENCIAL
MODELOS DE SUAVIZADO
Cuando se analizan datos
en donde los movimientos
de la tendencia en la serie
se ven confusos las
variaciones de un ao a
otro, y no es fcil darse
cuenta de si realmente
existe en la serie algn
efecto de la tendencia hacia
arriba o hacia abajo.
MODELOS DE SUAVIZADO
Los modelos de suavizacin, como el promedio de
desplazamiento simple y la suavizacin exponencial,
pueden proporcionar predicciones razonables a corto
plazo con rapidez y a bajo costo.
Suavizacin exponencial:

Ft= Ft-1 + (A t-1 - F t - 1)


Donde :
Ft = prediccin para el perodo t
F t - 1 = prediccin para el perodo t - 1
At 1 = Demanda real para el perodo t - 1
= constante de suavizacin (0<= 1<=1)
EJEMPLO DE SUAVIZADO EXPONENCIAL

Se esta organizando
AO PRONOSTICO
una reunin de trabajo
en un Taller de 2011 180
mantenimiento. Se 2012 168
espera pronosticar la
atencin del ao 2016. 2013 159
El ( = 0.0). En 2011 el 2014 175
pronstico fu 175.
2015 190
EJEMPLO DE SUAVIZADO EXPONENCIAL

Ft = Ft-1 + (At-1 - Ft-1)


Pronstico Ft
Ao Actual
( = .10)
2011 180 175.00 (Base)
2012 168 175.00 +
2013 159
2014 175
2015 190
2016 NA
EJEMPLO DE SUAVIZADO EXPONENCIAL

Ft = Ft-1 + (At-1 - Ft-1)


Pronstico Ft
Ao Actual
( = .10)
2011 180 175.00 (Base)
2012 168 175.00 + .10(
2013 159
2014 175
2015 190
2016 NA
EJEMPLO DE SUAVIZADO EXPONENCIAL

Ft = Ft-1 + (At-1 - Ft-1)


Pronstico Ft
Ao Actual
( = .10)
2011 180 175.00 (Base)
2012 168 175.00 + .10(180 -
2013 159
2014 175
2015 190
2016 NA
EJEMPLO DE SUAVIZADO EXPONENCIAL

Ft = Ft-1 + (At-1 - Ft-1)


Pronstico Ft
Ao Actual
( = .10)
2011 180 175.00 (Base)
2012 168 175.00 + .10(180 - 175.00)
2013 159
2014 175
2015 190
2016 NA
EJEMPLO DE SUAVIZADO EXPONENCIAL

Ft = Ft-1 + (At-1 - Ft-1)


Pronstico Ft
Ao Actual
( = .10)
2011 180 175.00 (Base)
2012 168 175.00 + .10(180 - 175.00) = 175.50
2013 159
2014 175
2015 190
2016 NA
EJEMPLO DE SUAVIZADO EXPONENCIAL

Ft = Ft-1 + (At-1 - Ft-1)


Pronstico Ft
Ao Actual
( = .10)
2011 180 175.00 (Base)
2012 168 175.00 + .10(180 - 175.00) = 175.50
2013 159 175.50 + .10(168 - 175.50) = 174.75
2014 175
2015 190
2016 NA
EJEMPLO DE SUAVIZADO EXPONENCIAL

Ft = Ft-1 + (At-1 - Ft-1)


Pronstico Ft
Ao Actual
( = .10)
2011 180 175.00 (Base)
2012 168 175.00 + .10(180 - 175.00) = 175.50
2013 159 175.50 + .10(168 - 175.50) = 174.75
2014 175 174.75 + .10(159 - 174.75) = 173.18
2015 190
2016 NA
EJEMPLO DE SUAVIZADO EXPONENCIAL

Ft = Ft-1 + (At-1 - Ft-1)


Pronstico Ft
Ao Actual
( = .10)
2011 180 175.00 (Base)
2012 168 175.00 + .10(180 - 175.00) = 175.50
2013 159 175.50 + .10(168 - 175.50) = 174.75
2014 175 174.75 + .10(159 - 174.75) = 173.18
2015 190 173.18 + .10(175 - 173.18) = 173.36
2016 NA
EJEMPLO DE SUAVIZADO EXPONENCIAL

Ft = Ft-1 + (At-1 - Ft-1)


Pronstico Ft
Ao Actual
( = .10)
2011 180 175.00 (Base)
2012 168 175.00 + .10(180 - 175.00) = 175.50
2013 159 175.50 + .10(168 - 175.50) = 174.75
2014 175 174.75 + .10(159 - 174.75) = 173.18
2015 190 173.18 + .10(175 - 173.18) = 173.36
2016 NA 173.36 + .10(190 - 173.36) = 175.02
GRAFICO DE SUAVIZADO EXPONENCIAL

Ventas
190 Actual
180
170 Pronstico
160
150
140
11 12 13 14 15 16
Ao
SUAVIZADO EXPONENCIAL CON
TENDENCIA
Como el suavizado exponencial simple falla al
responder a las tendencias, se calcula un promedio de
suavizacin exponencial simple y se ajusta para
retrasos (+) y (-). La ecuacin de tendencia emplea
una constante .
Ejemplo: Estimar las ventas para el ao siete tomando
en cuenta una tendencia inicial de 22.73, un = 0.3,
una = 0.50, y un pronstico inicial de 340. Adems,
establezca el MAD.

Ao 1 2 3 4 5 6
Ventas 400 470 500 530 560 595
TENDENCIA LINEAL
El mtodo ms empleado para describir una tendencia
lineal es el de mnimos cuadrados, para encontrar una
lnea de mejor ajuste para un conjunto de puntos.
Y = a + bX
Y = valor pronosticado en un periodo X
a = valor de la tendencia cuando X = 0
b = pendiente de la recta de tendencia
X = periodo (codificado)
TENDENCIA LINEAL
Ao Periodo X Demanda (Y)
1994 1 35
1995 2 42
1996 3 48
1997 4 51
1998 5 54
1999 6 60
2000 7 71
2001 8 75
TENDENCIA LINEAL
Tendencia lineal: ejemplo
80

75

70

65

60

55

50

45

40

35

30
1994 1995 1996 1997 1998 1999 2000 2001
TENDENCIA LINEAL
Tendencia lineal: ejemplo
X Y XY X
1 35
2 42
3 48
4 51
5 54
6 60
7 71
8 75
Sumas
TENDENCIA LINEAL
Tendencia lineal: frmulas
n xy x y
b
n x x
2 2

a
y
b
x
n n
TENDENCIA LINEAL
Tendencia lineal
t Yt Yt et
1 35
2 42
3 48
4 51
5 54
6 60
7 71
8 75
9
TENDENCIA LINEAL
Se puede calcular el coeficiente de determinacin, a
fin de evaluar qu tan correcta es la estimacin de la
recta de regresin.
El coeficiente de determinacin r se calcula como:

n xy x y
2


n x x n y y
2
r 2 2 2 2
TENDENCIA LINEAL
Tambin es posible calcular intervalos de confianza
para la estimacin. Para ello es necesario calcular el
error estndar de la estimacin.

Se y 2
a y b xy
n2
TENDENCIA LINEAL

Nivel de Z Frmula
confianza
68% 1 y Se
95% 2 y 2Se
99% 3 y 3Se
APLICACIN DE VARIOS MTODOS A
DATOS DESESTACIONALIZADOS
Los datos muestran alguna tendencia creciente a lo largo del
tiempo, adems de una marcada estacionalidad. Se proceder
a desestacionalizar los datos, lo que permite observar hasta
donde las variaciones se deben a efectos estacionales o bien, a
otros factores.
El proceso de ajuste estacional se realizar a travs del
clculo de factores estacionales:
Factor estacional = Prom. periodo / prom. global
Pronstico=Indice Estacional*Pronostico de la tendencia
Estacional
Ao Trim. Yt
1 1 13618
2 12930
3 13138
4 16532
2 1 14514
2 14128
3 15568
4 17448
3 1 13984
2 13644
3 15898
4 19300
APLICACIN DE VARIOS MTODOS A
DATOS DESESTACIONALIZADOS
20000

19000

18000

17000

16000

15000

14000

13000

12000

11000

10000
1 2 3 4 1 2 3 4 1 2 3 4
Trim estres
APLICACIN DE VARIOS MTODOS A
DATOS DESESTACIONALIZADOS
FACTOR
A1 A2 A3 SUMA PROM
ESTACIONAL

T1 13618 14514 13984 42116 14039 0,9323


T2 12930 14128 13644 40702 13567 0,9010
T3 13138 15568 15898 44604 14868 0,9873
T4 16532 17448 19300 53280 17760 1,1794
180702 60234
15058,5
Ao Trim. Yt Yt ajust.
1 1 13618.00 14607.27
2 12930.00 14351.12
3 13138.00 13306.33
4 16532.00 14017.29
2 1 14514.00 15568.36
2 14128.00 15680.79
3 15568.00 15767.47
4 17448.00 14793.96
3 1 13984.00 14999.86
2 13644.00 15143.59
3 15898.00 16101.70
4 19300.00 16364.25
APLICACIN DE VARIOS MTODOS A
DATOS DESESTACIONALIZADOS
Se aplican varios mtodos de pronstico para
finalmente seleccionar el mejor pronstico.
A. Mtodo de pronstico del ltimo valor
B. Promedios mviles
C. Suavizamiento exponencial
D. Suavizamiento exponencial con tendencia
MODELOS DE SUAVIZADO
EXPONENCIAL CON WINQSB2
SERIES DE TIEMPO CON WINQSB2
La opcin Nuevo Problema (New Problem) genera una
plantilla en el cual se introducirn las caractersticas de
nuestro problema de pronsticos:
SERIES DE TIEMPO CON WINQSB2
A continuacin se describir la ventana de
Especificaciones del problema (Problem
Specification):
Pronstico de Series de Tiempos (Time Series
Forecasting):
Ttulo del problema (Problem Title): Nombre con el
cual se identificar el problema.
Unidad de Tiempo (Time Unit): Se especifica la
unidad de tiempo de la serie.
Numero de unidades de tiempo (Number of Time
Units - Periodos): Datos disponibles.
SERIES DE TIEMPO CON WINQSB2
Regresion lineal (Linear Regression)
SERIES DE TIEMPO CON WINQSB2

Ttulo del problema (Problem Title): Nombre


con el cual se identificar el problema.
Nmero de variables (Number of Factors -
Variables): Cantidad de variables utilizadas en el
modelo.
Numero de observaciones (Number of
Observations): Datos disponibles.
Ejemplo 1:
Informacin suministrado
por el Departamento de AO CANTIDAD
Estadsticas de la ciudad, 1998 1200000
el nmero de carros que
transitaron en los ltimos 7 1999 1500000
aos fueron: 2000 1850000
2001 1915000
Pronosticar la cantidad de
vehculos para los aos 2002 2400000
2005 y 2006. 2003 2750000
2004 2920000
SERIES DE TIEMPO CON WINQSB2
INTRODUCIENDO LOS DATOS
Procederemos a llenar los campos de la ventana, en
donde la unidad de tiempo esta dado en aos y el nmero
de datos disponibles son 7.
SERIES DE TIEMPO CON WINQSB2
Luego introducimos los datos de los vehculos en estricto
orden:
SERIES DE TIEMPO CON WINQSB2

En el caso de que queramos


eliminar o agregar nuevos
datos, tenemos las opciones
Agregar una observacin
(Add an Observation) y
Eliminar una observacin
(Delete an Observation) en
el men Editar (Edit).
SERIES DE TIEMPO CON WINQSB2
En el men Resolver y analizar (Solve and Analyze)
elegimos la nica opcin disponible:
La nueva ventana permitir distinguir entre diferentes
mtodos de solucin para series de tiempo:

La nueva ventana permitir distinguir entre diferentes


mtodos de solucin para seres de tiempo:
SERIES DE TIEMPO CON WINQSB2
La nueva ventana permitir distinguir entre
diferentes mtodos de solucin para seres de
tiempo:
SERIES DE TIEMPO CON WINQSB2
Seleccionaremos la opcin Suavizado exponencial simple
(Single Exponential Smoothing) e indicaremos informacin
adicional para resolver el problema con este mtodo:
SERIES DE TIEMPO CON WINQSB2
La primera opcin (permanente en todos los mtodos)
corresponde al nmero de periodos a pronosticar (para
nuestro ejemplo problema son dos aos).
Recordemos que (alpha) es una constante entre 0 y 1.
Existe tambin la opcin de mantener el resultado de un
mtodo para poder compararlo con otros distintos.
SERIES DE TIEMPO CON WINQSB2
Al pulsar OK tenemos:
SERIES DE TIEMPO CON WINQSB2
ANALIZANDO LOS RESULTADOS
El pronstico para los dos aos se puede observar en la
columna Pronstico por SES (Forecast for SES) en las
filas correspondiente a los valores 8 y 9.
MEDIDAS PARA CALCULAR EL ERROR
GLOBAL DEL PRONSTICO
MEDIDAS PARA CALCULAR EL ERROR
GLOBAL DEL PRONSTICO
Error del pronstico acumulado (Cumulative Forecast
Error - CFE)
Desviacin media absoluta (Mean Absolute Deviation -
MAD)
Error medio cuadrtico (Mean Square Error - MSE)
Error medio porcentual absoluto (Mean Absolute Percent
Error MAPE)
Seal de senda (Tracking Signal): Equivale a la divisin
entre CFE y MAD.
R al cuadrado (R-Square): Coeficiente de determinacin.
ERROR DE PRONOSTICO

Al dato Ai se le resta el pronostico Fi

Forecast Error = (Actual Data - Pronstico)


ERROR DE PRONOSTICO ACUMULADO(CFE)
Los grandes errores positivos se compensan con
los grandes errores negativos en la CFE de una
medicin.
Sin embargo el CFE resulta til para evaluar el
sesgo de un pronstico.
Por ejemplo, si un pronstico resulta mas bajo que
la demanda real, el valor del CFE sera cada vez
ms grande.
n
CFE = Et
i=1
ERROR DE PRONOSTICO ACUMULADO (CFE)

Sumatoria de los errores de pronstico.

CFE = (Forecast Error )


DESVIACION MEDIA ABSOLUTA (MAD)
Desviacin Absoluta Media (MAD): Su valor se calcula
sumando los valores absolutos de los errores individuales
del pronstico y dividiendo entre el nmero de periodos
de datos (n)
Suma de Desviacin absoluta para n periodos
MAD =
n
n

Demanda actual - Demanda pronosticada


MAD = i =1

Veamos un ejemplo
DESVIACION MEDIA ABSOLUTA (MAD)
Muestra la magnitud del error global.
No penaliza los errores extremos.
No anula los errores.
No da idea de la direccin del error.
En unidades originales.
DESVIACION MEDIA ABSOLUTA (MAD)
Ejemplo: Durante los ltimos 8 trimestres, el puerto del
Callao ha descargado de los barcos grandes cantidades
de grano. El Jefe de Operaciones del puerto quiere
probar el uso de suavizado exponencial para ver que tan
bien funciona la tcnica para predecir el tonelaje
descargado. Supone que el pronstico de grano
descargado durante el primer trimestre fue 175 toneladas.
Se examinan dos valores de .
= 0,10 y = 0,50.
La siguiente tabla muestra los clculos detallados slo
para = 0,10
DESVIACION MEDIA ABSOLUTA (MAD)
Pronstico Pronstico
Toneladas reales
Redondeado con Redondeado con
descargadas
Trimestre = 0,10 = 0,50

1 180 175 Pronstico del periodo Pronstico del 175


anterior periodo anterior

2 168 176 = 175 + 0,10 ( 180 175) Demanda real 178


en periodo

3 159 175 = 175,50+0,10 (168 175,50)


anterior 173

4 175 166
173 = 174,75+0,10 (159-174,75)
5 190 173 = 173,18+0,10 (175+173,18) 170

6 205 175 = 173,36+0,10(190-173,36) 180

7 180 178= 175,02+0,10(205-175,02) 193

8 182 178 = 178,02 + 0,10 (180-178,02) 186

9 ? 179 = 178,22 + 0,10 (182-178,22) 184

Para evaluar la precisin de ambas constantes de


suavizado, calculamos los errores de pronstico en
trminos de desviaciones absolutas y MAD.
DESVIACION MEDIA ABSOLUTA (MAD)
Toneladas Pronstico Desviacin Pronstico Desviacin
reales Redondeado Redondeado
Absoluta Para Absoluta Para
Trimestre
Descargadas con =0,10 =0,10 con =0,50 =0,50

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
Suma de desviaciones absolutas 84 100

desviaciones 12,50
MAD = 10,50
n

Una constante de suavizado de =0,10 es preferible a = 0,50 por que su


MAD que es ms pequea. Se debe encontrar la constante de suavizado
con el menor error de pronstico.
DESVIACION MEDIA ABSOLUTA (MAD)

225

Actual = .5
200 demand
Demand

175

= .1
150 | | | | | | | | |
1 2 3 4 5 6 7 8 9
Quarter

2006 Prentice Hall, Inc. 4 54


ERROR CUADRATICO MEDIO (MSE)

Error Cuadrtico Medio (MSE): Es una segunda forma


de medir el error global del pronstico. El MSE es el
promedio de los cuadrados de las diferencias entre los
valores pronosticados y observados. Su frmula es:

MSE = (errores de pronstico)


n

Sigamos con el ejemplo del puerto del Callao para


determinar el MSE
ERROR CUADRATICO MEDIO (MSE)
Toneladas Pronstico
reales Redondeado 2
Trimestre (Error)
Descargadas con =0,10

2
1 180 175 5 = 25
2
2 168 176 (-8) = 64
2
3 159 175 (-16) = 256
4 175 173 (2) 2 = 4
2
5 190 173 17 = 289
2
6 205 175 30 = 900
2
7 180 178 2 =4
2
8 182 178 4 = 16
Suma de los cuadrados de los errores 1.558
2
MSE = (errores de pronstico)
= 1.558 / 8 = 194,75
n

Usando un = 0,50 se obtendra un MSE de 201,5. Por lo tanto el =


0,10 es una mejor eleccin por que se minimiza el MSE.
ERROR PORCENTUAL ABSOLUTO MEDIO (MAPE)

Error Porcentual Absoluto (MAPE): Este se calcula


como el promedio de las diferencias absolutas entre los
valores pronosticados y los reales y se expresa como
porcentaje de los valores reales. Es decir, si hemos
pronosticado n periodos y los valores reales
corresponden a n periodos, MAPE, se calcula como:
n

MAPE = 100 real i - pronstico i / real i


i=1

Sigamos con el ejemplo del puerto del Callao para


determinar el MAPE
ERROR PORCENTUAL ABSOLUTO MEDIO (MAPE)

Toneladas Pronstico Error porcentual Absoluto


reales Redondeado 100 ( error / real)
Trimestre
Descargadas con =0,10

1 180 175 100(5/180) = 2,77%


2 168 176 100(8/168) = 4,76%
3 159 175 100(16/159) = 10,06%
4 175 173 100(2/175) = 1,14%
5 190 173 100(17/190) = 8,95%
6 205 175 100(30/205) = 14,63%
7 180 178 100(2/180) = 1,11%
8 182 178 100(4/182) = 2,20%

Suma de errores porcentuales = 45,62%

MAPE = errores porcentuales absolutos = 45,62% = 5,70%


n 8
TRACKING SIGNAL (SEAL DE SEGUIMIENTO)

Tracking Signal: medias que se hacen en el pronostico


para predecir los valores actuales. El Tracking signal se
calcula as:

Demanda actual - Demanda pronosticada


= i =1
MAD