Documentos de Académico
Documentos de Profesional
Documentos de Cultura
20171ICN345V001 Unidad N°2
20171ICN345V001 Unidad N°2
1
Pronsticos de demanda
2
Introduccin
Pronstico (Forecasting)
Pronstico del tiempo
De un partido de futbol
Resultados de una eleccin
Pronstico de la evolucin de un enfermo
Demanda a que se ver sometida la empresa en los prximos perodos(semanas,
meses, aos, etc.)permitir:
CP: Niveles de Inventario y niveles de produccin , normalmente inferior a tres meses
MP: Tipos de procesos de produccin requeridos, de tres meses a tres aos
LP: Capacidad de las instalaciones , > tres aos
3
Tipos de Pronsticos
RR.HH
Capacidad
5
Siete etapas en el sistema de pronsticos
6
Mirar el pasado para predecir el futuro
Cualitativo
Anlisis de series de tiempo
Relaciones causales
Simulacin
8
Tcnicas Cualitativas de Pronstico
9
Las tcnicas cualitativas son
subjetivas y se basan en
estimados y opiniones
10
Tcnicas Acumulativas (Proposicin de personal
comercial)
Crea el pronstico sumando los supuestos
desde la parte de abajo. Persona que est ms
cerca del cliente o del usuario final.
Conoce mejor sus preferencias
11
Mtodo Delphi
12
Mtodo Delphi
Aparicin
Crecimiento
Madurez
Decadencia
Desaparicin
16
Grupo de Consenso
18
Tcnicas Cuantitativas de Pronstico
19
Tcnicas Cuantitativas
20
Componentes
24
Visin global de los mtodos cuantitativos
Enfoque simple
Modelos de series
Medias mviles temporales
Suavizado exponencial
Proyeccin de tendencia
Modelos
Regresin lineal asociativos
25
Anlisis de Series de Tiempo
26
Qu son las series temporales?
27
Descomposicin de una serie temporal
Tendencia Ciclos
Estacionalidad Variaciones
aleatorias
28
Tendencia
Respuesta
29
Mes, trimestre, ao 1984-1994 T/Maker Co.
Estacionalidad
Mes, trimestre 30
Ciclos
Movimiento de ascenso o descenso que se
repiten.
Se pueden ver afectados por interacciones de
factores que influyen en la economa.
Suelen durar de 2 a 10 aos.
Ciclo
Respuesta
Mes, trimestre, ao
31
Variaciones aleatorias
Huelga.
Tornado.
Son de corta duracin
y no se repiten.
32
33
Enfoque simple
34
Promedio Mvil Simple
38
Ejemplo de media mvil
Usted es el director de una tienda de un
museo que vende rplicas. Quiere predecir
las ventas (000) del ao 2000 mediante una
media mvil de 3 meses.
1995 4
1996 6
1997 5
1998 3
1999 7
40
Solucin de la media mvil
Ao Respuesta Media Media mvil
Yi mvil total (n=3)
(n=3)
1995 4 ND ND
1996 6 ND ND
1997 5 ND ND
1998 3 4+6+5=15 15/3 = 5
1999 7 6+5+3=14 14/3=4 2/3
2000 ND
41
Solucin de la media mvil
Ao Respuesta Media Media mvil
Yi mvil total (n=3)
(n=3)
1995 4 ND ND
1996 6 ND ND
1997 5 ND ND
1998 3 4+6+5=15 15/3=5,0
1999 7 6+5+3=14 14/3=4,7
2000 ND 5+3+7=15 15/3=5,0
42
Ejemplo
Pronstico Pronstico
Perodo Demanda (N=3) Error (N=6) Error
1 10
2 18
3 29
4 15 19,0 -4,0
5 30 20,7 9,3
6 12 24,7 -12,7
7 16 19,0 -3,0 19,0 -3,0
8 8 19,3 -11,3 20,0 -12,0
9 22 12,0 10,0 18,3 3,7
10 14 15,3 -1,3 17,2 -3,2
11 15 14,7 0,3 17,0 -2,0
12 27 17,0 10,0 14,5 12,5
13 30 18,7 11,3 17,0 13,0
14 23 24,0 -1,0 19,3 3,7
15 15 26,7 -11,7 21,8 -6,8
DAM 7,2 6,6
43
44
45
46
Grfico de la media mvil
Ventas
8 Real
6
Previsin
4
2
95 96 97 98 99 00
Ao
Mtodo de la media mvil ponderada
Se utiliza cuando se presenta una tendencia:
Los datos anteriores suelen carecer de
importancia.
Las ponderaciones se basan en la intuicin:
Suelen estar entre 0 y 1, y a la suma de 1,0.
Ecuacin:
Media mvil (ponderacin para el periodo n) (demanda en el periodo n)
ponderada =
ponderaciones
48
Media Mvil Ponderada
( )( )
Ponderacin
Perodo
Aplicada
3 ltimo mes
2 Hace dos meses
1 Hace tres meses
Suma
6 ponderaciones
49
Clculo
50
51
52
53
Demanda actual, media mvil y media
mvil ponderada
35 Media mvil ponderada
30
Ventas reales
Demanda de ventas
25
20
15
10
Media mvil
5
0
Ene. Feb. Mar. Abr. May. Jun. Jul. Ago. Sep. Oct. Nov. Dic
Mes
Inconvenientes de los mtodos de media
mvil
55
Suavizacin Exponencial
57
Efectos de la previsin de la constante
de suavizado
Ponderaciones
= Periodo anterior Hace 2 periodos Hace 3 periodos
(1 - ) (1 - )2
= 0,10 10%
= 0,90
Efectos de la previsin de la constante
de suavizado
Ponderaciones
= Periodo anterior Hace 2 periodos Hace 3 periodos
(1 - ) (1 - )2
= 0,10 10% 9%
= 0,90
Efectos de la previsin de la constante
de suavizado
Ponderaciones
= Periodo anterior Hace 2 periodos Hace 3 periodos
(1 - ) (1 - )2
= 0,90
Efectos de la previsin de la constante
de suavizado
Ponderaciones
= Periodo anterior Hace 2 periodos Hace 3 periodos
(1 - ) (1 - )2
= 0,90 90%
Efectos de la previsin de la constante
de suavizado
Ponderaciones
= Periodo anterior Hace 2 periodos Hace 3 periodos
(1 - ) (1 - )2
= 0,90 90% 9%
Efectos de la previsin de la constante
de suavizado
Ponderaciones
= Periodo anterior Hace 2 periodos Hace 3 periodos
(1 - ) (1 - )2
64
Qu necesita el Suavizado Exponencial?
Pronstico ms reciente
Demanda real ms reciente
Constante de Suavizacin
Venta
190s Real
180
170 Previsin
160
150
140
93 94 95 96 97 98
Ao
Errores de Pronstico
Error = Diferencia entre Demanda Real -
Pronstico.
78
Fuentes de Error
Pronsticos del pasado en el futuro.
Errores sesgados
Errores aleatorios
79
Desviacin Media Absoluta
( )
DAM=
( )
Sesgo=
80
Ejemplo
81
Errores en los pronsticos
Et= error de pronstico= Demanda real para el
perodo t Pronstico para el perodo t.
Et = Error promedio= (1/N) = 1 t
DAM= (1/N) =1 ()
ECM=Error cuadrtico medio = (1/N) =1 () 2
82
Ejemplo
83
Medicin de la DAM
Toneladas
Error 0,1 Error Error 0,5
Trimestre realmente Pronstico redondeada utilizando Error 0,1
absoluto 0,5 absoluto
descargadas
0,1 0,5
1 180 175 175 5 5 5 5
2 168 176 178 -8 8 -10 10
3 159 175 173 -16 16 -14 14
4 175 173 166 2 2 9 9
5 190 173 170 17 17 20 20
6 205 175 180 30 30 25 25
7 180 178 193 2 2 -13 13
8 182 178 186 4 4 -4 4
9 ? 179 184 DAM 10,5 DAM 12,5
84
Error cuadrtico medio (ECM)
2
ECM=
85
Error cuadrtico medio
86
87
88
Suavizado exponencial con ajuste de
tendencia
Como sucede con cualquier tcnica de media mvil,
el suavizado exponencial simple falla cuando trata
de dar respuestas a las tendencias.
Ejemplo: Se asume que la demanda para el
producto o servicio se ha visto incrementada en
100 unidades al mes, y que se estaba utilizando un
pronstico con = 0,4 en un modelo de Suavizado
exponencial simple. Los valores indican retraso en
el pronstico.
89
Suavizado exponencial con ajuste de tendencia
90
FIT = Forescast including trend
FITt= Pronstico incluyendo la tendencia
FITt=Pronstico suavizado exponencialmente (Ft )+ tendencia suavizada
exponencialmente (Tt)
FITt = Ft + Tt
Ft =(demanda real del ltimo perodo)+(1-)(pronstico del ltimo perodo
+estimacin de la tendencia del ltimo perodo)
Ft =(At-1)+ (1-)(Ft-1 + Tt-1)
Ft = FITt-1+(At-1-FITt-1)
91
Ejemplo
92
Ejemplo pronstico incluida la tendencia
93
.Continuacin
Tt = Tt-1 + ( Ft FITt-1 )
10+ 0,3(111-110) = 10,3
FITt = Ft + Tt = 111,0 + 10,3 = 121,3
Si , en lugar de 121,3, la realidad resulta ser 120, la
secuencia , el pronstico para el prximo perodo
sera:
Ft+1 = 121,3 + 0,2(120-121,3) = 121,04
Tt+1 = 10,3 + 0,3(121,04 -121,3) = 10,22
FTIt+1 = 121,04 + 10,22 = 131,26
94
Otro ejemplo
95
Datos
Ft = At-1 + (1-)(Ft-1+Tt-1)
Tt= (Ft- Ft-1) + (1-)(Tt-1)
FITt= Ft+Tt
= 0,2 y = 0,4; F1=11 unidades y T1= 2
F2=(0,2)*(12)+(0,8)(11+2)= 12,8
T2=(0,4)*(12,8-11)+(0,6)*(2)= 1,92
FIT2= 12,8+1,92= 14,72
96
Desarrollo
97
Otro ejemplo
98
Comparacin de proyecciones
Suavizado exponencial +
40 Tendencia
35
Demanda real
Demanda del producto
30
25
20
15
Suavizado exponencial
10
5
0
Ene. Feb. Mar. Abr. May. Jun. Jul. Ago. Sep.
Mes
Proyeccin de la Tendencia
Observacin Desviacin
real
Desviacin Desviacin
Desviacin
Desviacin Punto en la
lnea de
Desviacin tendencia
Desviacin
Y a bx
Periodo de tiempo
Suposiciones de los mnimos cuadrados
Se supone que la relacin es lineal. Primero
trace los datos, si existe la curva, utilice el
anlisis curvilineal.
Se supone que la relacin slo se sustenta
dentro o justo fuera del campo de datos. No
trate de predecir periodos de tiempo lejanos
al campo de la base de datos.
Se supone que las desviaciones que rodean a
la lnea de los mnimos cuadrados son
aleatorias.
102
Anlisis de regresin lineal
Se usa para prever la lnea de tendencia lineal.
Supone una relacin entre la variable de
respuesta, Y, y el periodo de tiempo, X, que es
una funcin lineal:
Y$i a bX i
Se calcula mediante el mtodo de los mnimos
cuadrados:
Minimiza la suma de errores cuadrados.
103
Diagrama de dispersin
Ventas
Ventas frente a tiempo
4
3
2
1
0
92 93 94 95 96
Periodo de tiempo
105
Ecuaciones de mnimos cuadrados
Ecuacin: Yi a bx i
n
x i y i nx y
Pendiente: b i n
x i nx
i
106
Tabla de clculo
2 2
Xi Yi Xi Yi X iY i
2 2
X1 Y1 X1 Y1 X 1Y 1
2 2
X2 Y2 X2 Y2 X 2Y 2
: : : : :
2 2
Xn Yn Xn Yn X nY n
2 2
Xi Yi Xi Yi X iY i
Demanda de Energa Elctrica a lo largo del
perodo 1994-2000.
Cul es la proyeccin para el 2001 y 2002
^
Yi = a + b X i
109
Ecuaciones de regresin lineal
Ecuacin: Yi a bx i
n
x i y i nx y
Pendiente: b i n
x i nx
i
111
Tabla de clculo
2 2
Xi Yi Xi Yi X iY i
2 2
X1 Y1 X1 Y1 X 1Y 1
2 2
X2 Y2 X2 Y2 X 2Y 2
: : : : :
2 2
Xn Yn Xn Yn X nY n
2 2
Xi Yi Xi Yi X iY i
Interpretacin de los coeficientes
Pendiente (b):
El clculo de Y vara en b cada unidad extra en
X.
Si b = 2, entonces las ventas (Y) aumentarn en 2
por cada unidad extra en publicidad (X).
Corte con el eje Y (a):
Valor medio de Y cuando X = 0.
Si a = 4, entonces las ventas medias (Y) sern de 4
cuando la publicidad (X) sea 0.
113
Ejemplo de anlisis de regresin lineal
116
Ejemplo modelo estacional multiplicativo
117
Ejemplo modelo estacional multiplicativo
(Demanda estimada ao 2000=1.200 unidades)
118
Variacin de los errores aleatorios
119
Error estndar de la estimacin
n
yi yi El libro utiliza el
S y,x i
n smbolo Yc
n n n
yi a yi b x i yi
i i i
n
120
Correlacin
121
Frmula del coeficiente de correlacin
n n n
n x i yi x i yi
r i i i
n n n n
n x i x i n yi yi
i i i i
122
Coeficiente de correlacin y modelo de
regresin
Y r=1 Y r = -1
Y^i = a + b X i
Y^i = a + b X i
X X
Y r = 0,89 Y r=0
Y^i = a + b X i Y^i = a + b X i
X X
Gua para elegir el modelo de proyeccin
125
Conducta del error de proyeccin
Tendencia no totalmente
justificada Conducta deseada
Error Error
0 0
127
Ejemplo de seleccin del modelo de
proyeccin
^
Ao Yi Yi Error Error2 |Error|
1995 1 0,6 0,4 0,16 0,4
1996 1 1,3 -0,3 0,09 0,3
1997 2 2,0 0,0 0,00 0,0
1998 2 2,7 -0,7 0,49 0,7
1999 4 3,4 0,6 0,36 0,6
Total 0,0 1,10 2,0
ECM = Error2 / n = 1,10 / 5 = 0,220
DAM = |Error| / n = 2,0 / 5 = 0,400
Evaluacin del modelo de suavizado
exponencial
^
Year Yi Yi Error Error2 |Error|
1995 1 1,0 0,0 0,00 0,0
1996 1 1,0 0,0 0,00 0,0
1997 2 1,9 0,1 0,01 0,1
1998 2 2,0 0,0 0,00 0,0
1999 4 3,8 0,2 0,04 0,2
Total 0,3 0,05 0,3
ECM = Error2 / n = 0,05 / 5 = 0,01
DAM = |Error| / n = 0,3 / 5 = 0,06
Evaluacin del modelo de suavizado
exponencial
Modelo lineal:
132
Ecuacin de la seal de rastreo
SAEP
Seal de rastreo
DAM
y i y i
n
i
DAM
errores de proyeccin
DAM
133
Clculo de la seal de rastreo
Trim. Demanda Demanda Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado
1 100 90
2 100 95
3 100 115
4 100 100
5 100 125
6 100 140
Clculo de la seal de rastreo
Trim. Demanda Demanda Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado
1 100 90 -10
2 100 95
3 100 115 Error = Real - Previsin
= 90 - 100 = -10
4 100 100
5 100 125
6 100 140
Clculo de la seal de rastreo
Trim. Demanda Demanda Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado
5 100 125
6 100 140
Clculo de la seal de rastreo
Seal de rastreo
Lmite de control superior
+
0 Intervalo aceptable
-
Lmite de control inferior
Tiempo
147
Seales de rastreo
160 3
140 Proyeccin
2
Seal de rastreo
120
Demanda real
100 1
80 0
60 Demanda real
-1
40 Seal de rastreo
20 -2
0 -3
0 1 2 3 4 5 6 7
Tiempo
Previsin en el sector servicios
149
Proyeccin de ventas por hora en un
restaurant de comida rpida
20
15
10
0
+11-12 +1-2 +3-4 +5-6 +7-8 +9-10
11-12 12-1 1-2 2-3 3-4 4-5 5-6 6-7 7-8 8-9 9-10 10-11
150
151
Los modelos de simulacin permiten al
encargado del pronstico manejar varias
suposiciones acerca de la condicin del
pronstico.
152