Diapositivas Pronostico PDF

Mét d
Métodos
Cuantitativos
i i
de Negocios
Capítulo
p 3 – Pronósticos
y Simulación
PowerPoint presentation to accompany
Heizer/Render
Heizer /Render
Principles
p of Operations
p Management,
g , 7e
Operations Management, 9e
© 2008 Prentice Hall, Inc. 4–1
Bosquejo
 ¿Qué son Pronósticos?

 Pronósticos y Horizontes de Tiempo
 Influencia del Ciclo de Vida del
P d t
Producto
 Tipos
p de Pronósticos

Bosquejo – Continúa
 La
L Importancia
I t i Estratégica
E t té i de d los
l
Pronósticos
 Recursos Humanos
 Capacidad
 Administración de la Cadena de
S i i t
Suministro
 Siete Pasos en el Sistema de
Pronósticos

 Métodos de Pronósticos
 Métodos Cualitativos
 Métodos Cuantitativos

 Pronósticos de Series de Tiempo
 Descomposición de Series de Tiempo
 Métodos Naive
 Promedios Móviles
 Suavizamiento Exponencial
 Suavizamiento Exponencial con
Ajuste de Tendencia
 Proyecciones de Tendencia
 Variaciones Estacionales en Datos
 Variaciones
V i i Cíclicas
Cí li en Datos
D t
 Métodos Asociativos de
Pronósticos: Regresión
g y Análisis
de Correlación
 Usando Análisis de Regresión para
Pronósticos
 Error Estándar de los Estimados
 Coeficientes de Correlación para
R
Regresiones
i Lineales
Li l
 Análisis de Regresión
g Múltiple
p

 Monitoreando y Controlando
Pronósticos
 Suavizamiento Adaptivo
 Pronósticos
P ó ti Focus
F
 Pronósticos en el Sector Servicios

Objetivos de Aprendizaje
C
Cuando
d se completel t este
t capítulo
ít l estará
t á
capacitado para :
 Entender los tres horizontes de tiempo

y que modelos
d l aplicar
li en cada
d caso
 Explicar
p cuando se usa cualquiera
q de
los modelos cualitativos
 Aplicar los métodos naive
naive,, promedios
móviles, suavizamiento exponencial, y
tendencia

Objetivos de Aprendizaje
C
Cuando
d se completel t este
t capítulo
ít l estará
t á
capacitado para :
 Calcular medidas de la exactitud del

pronóstico
ó ti
 Desarrollar índices estacionales
 Conducir a una análisis de regresión y
correlación
 Usar una señal de rastreo

¿Qué son Pronósticos?
 Procesos de
predecir un evento
p
futuro
 Base fundamental de
??
todas las decisiones
de negocios
egoc os
 Producción
 Inventarios
 Personal
 Facilidades
F ilid d
© 2008 Prentice Hall, Inc. 4 – 10
Pronósticos: Horizonte de
Tiempo
 Pronósticos
P ó ti de
d Corto
C t Plazo
Pl
 Hasta 1 año, generalmente menos que 3 meses
 Compras, Programas de Trabajo, Niveles de
fuerza laboral, Asignación de trabajo, Niveles
de producción
p
 Pronósticos de Mediano Plazo
 3 meses a 3 años
 Planes de ventas y Producción, Presupuesto
 Pronósticos de Largo Plazo
 Más de 3+ años
 Planes
Pl de
d nuevos productos,
d t facilidad
f ilid d de
d
localización, investigación y desarrollo
Distinguiendo Diferencias
 Mediano/Largo plazo los pronósticos se
ocupan más de comprender los
problemas
bl y soportar
t las
l decisiones
d i i
gerenciales referente a planificación,
productos plantas y procesos
productos,
 Corto plazo los pronósticos usualmente
emplean
l diferentes
dif t metodologías
t d l í que los
l
pronósticos de largo plazo
 Corto plazo los pronósticos tienden a ser
más exactos que los de largo plazo

Influencia del Ciclo de Vida
del Producto
Introducción – Crecimiento – Madurez – Decline
 Introducción y crecimiento requieren
mayores pronósticos que madurez y decline
 Conforme el producto pasa a través del ciclo
d vida,
de id los
l pronósticos
ó i son útiles
ú il en
proyectar:
 Niveles de contratación de personal
 Niveles de inventarios
 Capacidad de la fábrica
Ciclo de Vida del Producto
Introducción Crecimiento Madurez Decline
ción
Mejor periodo para Practico para Escaso tiempo para Control de

incrementar su cambiar precios o cambiar imagen, Costos crítico
ganizac
participación en el calidad de imagen precio, o calidad

mercado
Fortalecer nichos Costo competitivos
Investigación y de mercado resultan críticos
d la Org
diseños son Defender posición

criticos de mercados
Portales de búsqueda CD--ROMs
CD
en Internet
Estraegias de
TV Analogo
Pasar por
LCD & plasma restaurantes
TVs en coche
Ventas iPods
3 1/2”
Windows 7 Floppy
disks
Figure 2.5
Ciclo de Vida del Producto
Introducción Crecimiento Madurez Decline
ción
Diseño y Pronósticos Estandarización Pequeñas

desarrollo de crítico M
Menos rápido
á id los
l diferenciación
ganizac
productos Fiabilidad del cambios en el en el producto

críticos producto y producto – más Minimización
Cambios procesos de menores de costos
d la Org
frecuentes de Mejora en la cambios Sobre

procesos y competitividad Capacidad capacidad en
diseños del producto y Optima la industria
Breve ejecución las opciones
Estraegias de
Incremento de la Eliminar
de producción Incrementos de estabilidad de lineas que no
Altos costos de capacidad procesos producen
producción Centrarse en el Grandes niveles buen margen
M d l
Modelos producto
d t d producción
de d ió R d i la
Reducir l
limitados Mejorar la Mejoras del capacidad
Atención a la distribución producto y
calidad reducción de
costos
Figure 2.5
Tipos de Pronósticos
 Pronósticos Económicos
 Dirección del ciclo económico – tasa de
inflación, oferta de dinero, viviendas, etc.
 Pronósticos Tecnológicos
 Predecir la tasa del progreso tecnológico
 Impacto
I t del
d l desarrollo
d ll de
d nuevos productos
d t
 Pronósticos de Demanda
 Predecir ventas de productos y servicos
existentes

I
Importancia
t i Estratégica
E t té i ded
Pronósticos
 Recursos Humanos – Contratar,

entrenar, despedir trabajadores
 Capacidad – la falta de capacidad puede
dar como resultado entregas
g poco
p
confiables, pérdida de clientes, pérdida
de posición en el mercado.
 Administración de la Cadena e
Suministro – buena relación con el
proveedor y ventajas de precios.
Siete Pasos en Pronósticos
 Determinar el uso
so del pronóstico
 Seleccionar los items a ser
pronosticados
 Determinar el horizonte de tiempo
p a ser
pronosticado
 Seleccionar el(los) modelo(s) de
pronóstico
 Obtener los datos
 Realizar el pronóstico
 Validar e implementar los resultados
La Realidad!!
 Los pronósticos raramente son

perfectos
f t
 La mayoria de las técnicas asumen
estabilidad subyacente en el
sistema
 Pronósticos de familias de
productos agregados son másá
exactos que pronósticos de
productos individuales
Métodos
é de Pronósticos
ó
Métodos Cualitativos
 Usado
U d cuando d la
l situación
i ió es vaga
o existen pocos datos
 Nuevos productos
 Nueva tecnología
 Involucra la intuición, experiencia
 e.g., pronosticar las ventas por
Internet

Métodos
é de Pronósticos
ó
Métodos Cuantitativos
 Usado cuando la situación es
‘estable’ y existen datos históricos
 Productos existentes
 Tecnología actual
 Involucra técnicas matemáticas
 e.g., pronósticos de ventas de
televisores a color

Visión General de Métodos
Cualitativos
 Jurado de ejecutivos
 Opiniones de un pool expertos de
alto
lt nivel,
i l a veces ampliados
li d por
modelos estadísticos
 Método Delphi
 Panel de expertos,
expertos interrogados
iterativamente

Cualitativos
 Fuerzas de Ventas combinadas
 Las estimaciones de vendedores
i di id l son revisados
individuales i d para
moderación, luego agregados
 Encuestas de Mercado de
Consumidores
 Preguntas al consumidor

Jurado de Ejecutivos
 Involucra un pequeño grupo de expertos
de alto nivel y g
gerentes
 El Grupo estima la demanda trabajando
juntos
 Combinan la experiencia gerencial con
modelos estadísticos
 Relativamente rápido
 Desventaja de ‘Group-
‘Group-think’

Fuerzas de Ventas
Combinadas
 Cada vendedor proyecta sus
propias ventas
 Combinación a nivel distrital,
regional y nacional
 Los vendedores conocen los gustos
de los consumidores
 Tiende a ser excesivamente
optimista

Método Delphi
 Proceso de Tomador de
Decisiones
grupo Iterativo, (Evalua las
continua
ti hasta
h t respuestas y
alcanzar el toma decisiones)
consenso Asesores
(Administran
 3 tipos de el estudio)
participantes
 Tomadores de
Decisiones Entrevistados
 Asesores (Personas quienes
pueden
d hacer
h
 entrevistados juicios de valor)
Encuestas de Mercado a
Consumidores
 Se pregunta a los consumidores
respecto de sus planes de compra
 Los que los consumidores dicen, y
lo que ellos hacen actualmente a
menudo son diferentes
 A veces es dificil de responder

Cuantitativos
1. Métodos Naive
2. Promedios Móviles
Modelos
3. Suavizamiento Series de
Exponential p
Tiempo
4. Proyección de
T d
Tendencia
i
Modelos
5. Regresión Lineal Causales
Asociativos
Pronósticos Series de
Tiempo
 Conjunto de datos numéricos
uniformemente espaciados
 Obtenida por observación de la respuesta de
la variable para periodos de tiempo regulares
 Pronósticos basado solamente en valores
pasados,
pasados ninguna otra variables importante
 Asume que los factores que influyeron en el
pasado y en el presente continuará influyendo
en el futuro

Componentes de Series de
Tiempo
T d
Tendencia
i Ci l
Ciclo
E t i
Estacional
l Al t i
Aleatorio

Componentes of Demanda
Componente
Tendencia
servicio
Picos Estacional
ducto o s
Demanda
anda porr un prod
Actual
Demanda
Promedio de
Variación los 4 años
Dema
Aleatoria
| | | |
1 2 3 4
Año Figure 4.1
C
Componente
t TTendencia
d i
 Patrón Persistente, en conjunto
ascendente o descendente
 Cambia debido a población,
t
tecnología,
l í edad,
d d cultura,
lt etc.
t
 Tipicamente duración de varios
años

Componente
C t EEstacional
t i l
 Patrón regular de fluctuaciones de
hacia arriba y hacia abajo
 Debido al clima, costumbres, etc.
 Ocurre en el lapso de un solo año
Número
ú de
Periodo Duración Estaciones
Semana Día 7
Mes Semana 4 - 4.5
Mes Día 28 - 31
Año Trimestre 4
Añ
Año M
Mes 12
Año Semana 52
C
Componente
t Cí
Cíclico
li
 Repetiendo movimientos de arriba y
abajo
 Afectado por el ciclo económico,
política, y factores económicos
 Multiples años de duración
 A menudo por
relaciones
asociativas
o causal 0 5 10 15 20
C
Componente
t Al
Aleatorio
t i
 Fluctuaciones “residual” Errática,
no sistemática
 Debido a variaciones aleatorias o
eventos imprevistos
 Corta duración y
no repetitivo
titi
M T W T F
Mét d N
Método Naive
i
 Asume que la demanda en el

siguiente
i i t periodo
i d es la
l misma
i
demanda del periodo más reciente
 p.e.
p.e.,, Si en Enero las ventas fueron
68, entonces las ventas de Febrero
serán 68
 A veces costo efectivo y eficiente
 Puede ser un punto de inicio

Mét d P
Método Promedio
di Movil
M il
 MA es una serie de medias
aritméticas
 Usada si hay poca o nada de
tendencia
 Usada a menudo p
para suavizar
 Provee una visión global de los datos
en el tiempo
∑ demanda en n periodos previos
Promedio Móvil = n
Ejemplo
Ej l de
d Promedio
P di Móvil
Mó il
Ventas Promedio Móvil
Mes Actuales 3 - meses
Enero 10
Febrero 12
Marzo 13
Abril 16 (10 + 12 + 13
13)/3
)/3 = 11 2/3
M
Mayo 19 (12 + 13 + 16)/3 = 13 2/3
Junio 23 (13 + 16 + 19)/3 = 16
Julio 26 (16 + 19 + 23)/3 = 19 1/3

G áfi d
Gráfico de Promedio
P di Móvil
Mó il
Pronóstico
30 –
Promedio
28 –
Móvil
26 – Ventas
24 – Actual
22 –
Ventas
20 –
18 –
V
16 –
14 –
12 –
10 –
| | | | | | | | | | | |
E F M A M J J A S O N D

P
Promedio
di Móvil
Mó il Ponderado
P d d
 Usado cuando la tendencia está
p
presente
 Datos más antiguos menos
importantes
 Ponderador basados en la
experiencia
i i e intuición
i t i ió
∑ (ponderador por periodo n)

n)
Promedio x (demanda en periodo n)
n)
movil ponderado = ∑ ponderadores
d d
Ponderados Aplicados Periodos
P
Promedio
di Móvil
Mó il Ponderado
P d 3d Último mes
2 dos meses atrás
1 T
Tres meses atrás
tá
6 Suma de ponderados
Ventas Promedio Móvil

Meses Actuales Ponderado 3
3--meses
Enero 10
Febrero 12
Marzo 13
Abril 16 [(3 x 13
13)) + (2 x 12
12)) + (10 )]/6 = 121/6
(10)]/6
Mayo 19 [(3 x 16) + (2 x 13) + (12)]/6 = 141/3
Junio 23 [(3 x 19) + (2 x 16) + (13)]/6 = 17
Julio 26 [(3 x 23) + (2 x 19) + (16)]/6 = 201/2

Problemas Potenciales Con
Promedios Móviles
 Incrementa n suavizamientos al
pronósticos pero hacen menos
sensibles a los cambios
 No p
pronostica bien las tendencias
 Requiere extensos datos históricos

Promedio Móvil y
Promedio Móvil Ponderado
Promedio
30 – móvil
ponderado
ventas
25 –
Demanda de v
20 – Ventas
Actuales
15 –
Promedio
10 – móvil
5 –
| | | | | | | | | | | |
J F M A M J J A S O N D
Figure 4.2

S
Suavizamiento
i i t Exponencial
E i l
 Forma de promedio móvil ponderado
 Ponderador declina exponencialmente
 Los datos más recientes pesan más
 Requiere suavizamiento constante ()
 Rango
R d
desde
d 0a1
 Elegido subjetivamente
 Involucra poco registro de datos
pasados
S
Suavizamiento
i i t Exponencial
E i l
Nuevo Pronostico = Último periodo pronosticado

+  (demanda actual último periodo
pronosticado))
– Último periodo pronosticado
Ft = Ft – 1 + (At – 1 - Ft – 1)
donde Ft = nuevo pronóstico

Ft – 1 = pronóstico previo
 = suavizamiento (o ponderador)
constante (0 ≤  ≤ 1)
Suavizamiento Exponencial
Ejemplo
j p
Demanda pronosticada = 142 Ford Mustangs
Demanda actual = 153
Suavizador constante  = .20

Ejemplo
j p
N
Nuevo ó ti = 142 + .2(153
pronóstico 2(153 – 142)

Ejemplo
j p
N
Nuevo ó ti = 142 + .2(153
pronóstico 2(153 – 142)
= 142 + 2.2
= 144.2 ≈ 144 cars

Efectos de Constantes
Suavizamiento
Peso Asignado a
Más 2do Más 3er Más 4to Más 5to Más
S
Suavimien
i i Reciente
R i t Reciente
R i t Reciente
R i t Reciente
R i t Reciente
R i t
to. Periodo Periodo Periodo Periodo Periodo
Constante ( ) (1 - ) (1 - )2 (1 - )3 (1 - )4
 = .1 .1 .09 .081 .073 .066
 = .5 .5 .25 .125 .063 .031

I
Impacto
t de t 
d Diferentes
Dif
225 –
Demanda  = .5
200 – Actual
nda
Deman
175 –
 = .1
150 – | | | | | | | | |
1 2 3 4 5 6 7 8 9
Trimestre

I
Impacto
t de t 
d Diferentes
Dif
225 –
Demanda
 Elegir altos valores de   = .5
200 – Actual
cuando el promedio tiene
nda
Deman
buena probabilidad de
cambiar
175 –
 Elegir bajos valores de 
cuando el promedio es  = .1
150 – |
estable | | | | | | | |
1 2 3 4 5 6 7 8 9
Trimestre

Eligiendo 
El objetivo es obtener el pronóstico
más exacto sin importar la técnica
que se utilice
Generamente hacemos esto
seleccionando el modelo que nos da el
menor error de pronóstico
Error de Pronóstico = Demanda Actual – Valor Pronósticado

= A t - Ft

Medidas Comunes del Error
Desviación Media Absoluta (MAD

MAD))
∑ |Actual - Pronóstico|
MAD =
n
Media del Error al Cuadrado (MSE

MSE))
∑ (Errores de Pronóstico)
Pronóstico)2
MSE =
n
Medidas Comunes del Error
M di Porcentual
Media P t l del
d l Error
E Ab l t (MAPE
Absoluto MAPE))
n
∑100
100|Actual
|Actuali - Pronósticoi|/Actuali
i=1
MAPE = n

Comparación de Errores de
Pronóstico
Pronóstico Desviación Pronóstico Desviación
Tonelaje Redondeado Absoluta Redondeado Absoluta
Real con para con para
Trim Descargado  = .10  = .10  = .50  = .50
1 180 175 5.00 175 5.00
2 168 175.5 7.50 177.50 9.50
3 159 174.75 15.75 172.75 13.75
4 175 173.18 1.82 165.88 9.12
5 190 173.36 16.64 170.44 19.56
6 205 175.02 29.98 180.22 24.78
7 180 178 02
178.02 1.98
1 98 192 61
192.61 12 61
12.61
8 182 178.22 3.78 186.30 4.30
82.45 98.62

Pronóstico
∑ |deviaciones|
MADTonelaje
= Redondeado Absoluta Redondeado Absoluta
Real
n
con para con para
Trim Descargado  = .10
10  = .10
10  = .50
50  = .50
50
Para  = .10
1 180 175 5.00 175 5.00
2 168= 82.45/8
175.5 = 10.31
7.50 177.50 9.50
3 159 174.75 15.75 172.75 13.75
4For  =175
.50 173.18 1.82 165.88 9.12
5 190 173.36 16.64 170.44 19.56
6 205= 98.62/8
98 62/8
175.02= 12
12.33
33
29.98 180.22 24.78
7 180 178.02 1.98 192.61 12.61
8 182 178 22
178.22 3.78
3 78 186 30
186.30 4.30
4 30
82.45 98.62

Pronóstico
∑ (Errores de Pronóstico)
2
MSE = Tonelaje Redondeado
Real
ncon
Absoluta
para
Redondeado Absoluta
con para
10  = .10
10  = .50
50  = .50
50
Para  = .10
1 180 175 5.00 175 5.00
2 =168
1,526.54/8
, 175.5 = 190.82
7.50 177.50 9.50
3 159 174.75 15.75 172.75 13.75
Para
4 = .50 173.18
175 1.82 165.88 9.12
5 190 173.36 16.64 170.44 19.56
6 =205
1 561 91/8
1,561.91/8 =
175.02 195
195.24
24
29.98 180.22 24.78
7 180 178.02 1.98 192.61 12.61
8 182 178 22
178.22 3.78
3 78 186 30
186.30 4.30
4 30
82.45 98.62
MAD 10.31 12.33

Comparasión de Errores de
n Pronóstico
∑100|desviación i|/actual
Pronóstico Desviación i
Pronóstico Desviación
i=1
MAPE =Tonelaje Redondeado Absoluta Redondeado Absoluta
Real con n para con para
10  = .10
10  = .50
50  = .50
50
1 Para 
180= .10 175 5.00 175 5.00
2 168 = 44.75/8
44175.5
75/8 = 5 7.50
5.59%
59% 177.50 9.50
3 159 174.75 15.75 172.75 13.75
4 175 173.18 1.82 165.88 9.12
5
Para  =
190
.50 173.36 16.64 170.44 19.56
6 205 = 54.05/8
175.02 = 6.76%
29.98 180.22 24.78
7 180 178.02 1.98 192.61 12.61
8 182 178 22
178.22 3.78
3 78 186 30
186.30 4.30
4 30
82.45 98.62
MAD 10.31 12.33
MSE 190.82 195.24

Comparasión de Errores de
Pronóstico
Tonelaje Redondeado Absoluta Redondeado Absoluta
Real con para con para
10  = .10
10  = .50
50  = .50
50
1 180 175 5.00 175 5.00
2 168 175.5 7.50 177.50 9.50
3 159 174.75 15.75 172.75 13.75
4 175 173.18 1.82 165.88 9.12
5 190 173.36 16.64 170.44 19.56
6 205 175.02 29.98 180.22 24.78
7 180 178.02 1.98 192.61 12.61
8 182 178 22
178.22 3.78
3 78 186 30
186.30 4.30
4 30
82.45 98.62
MAD 10.31 12.33
MSE 190.82 195.24
MAPE 5.59% 6.76%
con Trendencia Ajustada
j
Cuando una tendencia está presente, el
suavizamiento exponencial debe ser
modificado
Pronóstico Pronóstico Tendencia
Incluyendo (FITt) = suavizado (Ft) + (Tt) suavizada
tendencia Exponencialmente Exponencialmente
(FITt) = (Ft) + (Tt)

con Trendencia Ajustada
j
Ft = (At - 1) + (1 - )(
)(F
Ft - 1 + Tt - 1)
Tt = (Ft - Ft - 1) + (1 - )Tt - 1
Paso 1: Calcular Ft
Paso
P 2
2: C
Calcular
l l Tt
Paso 3: Calcular el pronóstico FITt = Ft + Tt

Suavizamiento Exponencial con
Tendencia Ajustada: Ejemplo
Pronóstico
Demanda Pronóstico Tendencia Incluyendo
Mes)
Mes) Actual(At)
Actual( Suavizado, Ft Suavizada, TtTendencia, FITt
1 12 11 2 13.00
2 17
3 20
4 19
5 24
6 21
7 31
8 28
9 36
10
Table 4.1
Pronóstico
Mes)
Mes) Actual(At)
1 12 11 2 13.00
2 17
3 20
4 19
5 24 Paso 1: Pronóstico para Mes 2
6 21
7 31 F2 = A1 + (1 - )(F1 + T1)
8 28 F2 = (.2)(12)
( 2)(12) + (1 - .2)(11
2)(11 + 2)
9 36
10 = 2.4 + 10.4 = 12.8 unidades
Table 4.1
p con
Pronóstico
Mes)
Mes) Actual(At)
1 12 11 2 13.00
2 17 12.80
3 20
4 19
5 24 Paso 2: Tendencia para Mes 2
6 21
7 31 T2 = (F2 - F1) + (1 - )T1
8 28 T2 = (.4)(12.8
( 4)(12 8 - 11) + (1 - .4)(2)
4)(2)
9 36
10 = .72 + 1.2 = 1.92 unidades
Table 4.1
Pronóstico
Mes)
Mes) Actual(At)
1 12 11 2 13.00
2 17 12.80 1.92
3 20
4 19
5 24 Paso 3: Calcular FIT para Mes 2
6 21
7 31 FIT2 = F2 + T1
8 28 FIT2 = 12
12.8
8+1 1.92
92
9 36
10 = 14.72 unidades
Table 4.1
Pronóstico
Mes)
Mes) Actual(At)
1 12 11 2 13.00
2 17 12.80 1.92 14.72
3 20 15.18 2.10 17.28
4 19 17.82 2.32 20.14
5 24 19 91
19.91 2.23
2 23 22 14
22.14
6 21 22.51 2.38 24.89
7 31 24.11 2.07 26.18
8 28 27 14
27.14 2.45
2 45 29 59
29.59
9 36 29.28 2.32 31.60
10 32.48 2.68 35.16
Table 4.1
35 –
Demanda Actual (At)
Producto
30 –
25 –
da del P
20 –
15 –
Demand
10 – ttendencia(FITt)
Pronóstico incluyendo ttendencia(
Con  = .2 y  = .4
5 –
0 – | | | | | | | | |
1 2 3 4 5 6 7 8 9
Figure 4.3
Tiempo (mes)
mes)
P
Proyecciones
i de
d Tendencia
T d i
Ajustar a una línea de tendencia a los
datos históricos para proyectar en el
mediano
di y largo
l plazo
l
La línea de tendencia pueden ser
encontrada
t d usando d lal técnica
té i ded mínimos
í i
cuadrados
y^ = a + bx
Donde y^ = valor calculado de la la variables a ser
pronósticada
ó (variable
( dependiente))
a = intercepto el eje - y
b = pendiente de la línea de regresión
x = la variable independente
Métodos Mínimos
e Dependente
Cuadrados
Desviación7
Observación Actual
(valor de y)
Desviación5 Desviación6
Variable
Desviación3
Desviación4
Valorres de V
Desviación1
(error) Desviación2
Lí
Línea de i y^ = a + bx
d tendencia,
t d b
Periodo de Tiempo Figure 4.4

Métodos Mínimos
e Dependente
Cuadrados
Desviación7
Observación Actual
(valor de y)
Desviación5 Desviación6
Variable
Métodos de Mínimos
Desviación3
Cuadrados minimiza la
Desviación
suma del cuadrado de los
4
Valorres de V
errores (desviaciones)
Desviación1
(error) Desviación2
Lí
Línea de i y^ = a + bx
d tendencia,
t d b
Periodo de Tiempo Figure 4.4

Métodos Mínimos
Cuadrados
Ecuaciones para calcular la regresión de las
variables
y^ = a + bx
xy - nxy
b=
x2 - nx2
a = y - bx

Mínimos Cuadrados
Ejemplo
P i d Demanda
Periodo D d de
d energia i
Año de tiempo(x) Electricidad (y) x2 xy
2001 1 74
2002 2 79
2003 3 80
2004 4 90
2005 5 105
2005 6 142
2007 7 122
∑x = 28 ∑y = 692 ∑x2 = 140 ∑xy = 3,063
x=4 y = 98.86
∑xy - nxy 3,063 - (7)(4)(98.86)

b= = = 10.54
∑x - nx
2 2 140 - (7)(4
( )( 2)
a = y - bx = 98.86 - 10.54(4) = 56.70

Mínimos Cuadrados
Ejemplo
P i d Demanda
Periodo D d de
d energia i
2001 1 74 1 74
2002 2 79 4 158
2003 3 80 9 240
2004 4 90 16 360
2005 5 105 25 525
2005 6 142 36 852
2007 7 122 49 854
∑x = 28 ∑y = 692 ∑x2 = 140 ∑xy = 3,063
x=4 y = 98.86
∑xy - nxy 3,063 - (7)(4)(98.86)

b= = = 10.54
∑x - nx
2 2 140 - (7)(4
( )( 2)
a = y - bx = 98.86 - 10.54(4) = 56.70

Mínimos Cuadrados
Ejemplo
P i d Demanda
Periodo D d de
d energia i
2001 1 74 1 74
2002 2 79 4 158
2003La Línea3 de Tendencia80 es 9 240
2004 4 90 16 360
2005 y^ 5= 56.70 + 10.54x
105 25 525
2005 6 142 36 852
2007 7 122 49 854
∑x = 28 ∑y = 692 ∑x2 = 140 ∑xy = 3,063
x=4 y = 98.86
∑xy - nxy 3,063 - (7)(4)(98.86)

b= = = 10.54
∑x - nx
2 2 140 - (7)(4
( )( 2)
a = y - bx = 98.86 - 10.54(4) = 56.70

Mínimos Cuadrados
Ejemplo
160 –
Línea de tendencia
tendencia,,
150 – y^ = 56.70 + 10.54x
e energía
a
140 –
130 –
120
0 –
manda de
110 –
100 –
90 –
Dem
80 –
70 –
60 –
50 –
| | | | | | | | |
2001 2002 2003 2004 2005 2006 2007 2008 2009
Años
Requerimientos de Mínimos
Cuadrados
1. Siempre debemos graficar los
datos para asegurar una relación
lineal
2. No predecimos periodos de tiempo
que van más alla de la base de
datos
3. Las desviaciones alrededor de la
línea de mínimos cuadrados son
asumidos como aleatorios
Mínimos Cuadrados
Ejemplo
j p - EViews

Econometric Views –
Eviews 6.0

Crear Workfile e Ingresar
Datos

Estimación de Mínimos
Cuadrados con EVIEWS

• La columna con el nombre Coefficient

recoge el valor de los estimadores de los
parámetros asociados a cada una de las
variables explicativas (independientes)
• La columna con el nombre Std Error errores
estándar recoge la desviación típica estimada
de los estimadores y mide, la precisión con la
que son estimados los parámetros
• El estadístico t-Statistic permite contrastar la

hipótesis de que el coeficiente es igual a cero
(H0=i=0
0, frente a H1=i0) y que por lo tanto la
variable en cuestión no es individualmente
g
significativa p
para explicar
p el comportamiento
p de la
variable exógena.
• Probability, indica la probabilidad de cometer el
error de rechazar la hipótesis nula siendo cierta.
• R-squared,
squared coeficiente de determinación, sirve
para valorar el éxito de la regresión para predecir
los valores de la variable endógena dentro del
periodo
i d muestral.
t l
• Adjusted R-squared,
squared coeficiente R2 ponderado
por los grados de libertad.
• S.E. of regression,
regression error estándar de la regresión, sirve
para analizar
li lla capacidad
id d predictiva
di ti d dell modelo,
d l
recoge la función objetivo ponderada por sus grados de
libertad.
• Sum squared resid
resid, suma de los errores al cuadrado,
mide la diferencia entre el valor observado de Y con el
estimado. (debe ser lo más pequeño posible).
• F-statistic
statistic, se construye para contrastar si los
parámetros
á t asociados
i d a llas variables
i bl explicativas
li ti d
dell
modelo son conjuntamente iguales a cero. Permite
contrastar la capacidad explicativa conjunta de las
variables introducidas en el modelo.
• Porb(F
Porb((F--statistic
statistic)), mide la p
probabilidad de rechazar la
hipotesis nula siendo cierta.
• Durbin-
Durbin-Watson stat,
stat estadístico que se construye para
contrastar
t t la l hipótesis
hi ót i d de incorrelación
i l ió entret las
l
perturbaciones aleatorias frente a la presencia de
autocorrelación según un esquema AR(1).

A áli i de
Análisis d Regresión
R ió
Múltiple
Si más
á de
d una variable
i bl independiente
i d di t va a ser
usada en el modelo, la regresión líneal puede
ser extendida a regresión múltiple para
acomodar varias variables independentes
y^ = a + b1x1 + b2x2 …
Genralmente, realizar estos cálculos es muy

complicado
p y mayormente
y se hace con el
apoyo de un software y una PC

Diapositivas Pronostico PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Diapositivas Pronostico PDF

Cargado por

Copyright:

Formatos disponibles

Mét d

 ¿Qué son Pronósticos?

© 2008 Prentice Hall, Inc. 4–2

© 2008 Prentice Hall, Inc. 4–3

© 2008 Prentice Hall, Inc. 4–4

© 2008 Prentice Hall, Inc. 4–6

© 2008 Prentice Hall, Inc. 4–7

 Entender los tres horizontes de tiempo

© 2008 Prentice Hall, Inc. 4–8

 Calcular medidas de la exactitud del

© 2008 Prentice Hall, Inc. 4–9

© 2008 Prentice Hall, Inc. 4 – 12

Mejor periodo para Practico para Escaso tiempo para Control de

participación en el calidad de imagen precio, o calidad

diseños son Defender posición

Diseño y Pronósticos Estandarización Pequeñas

productos Fiabilidad del cambios en el en el producto

frecuentes de Mejora en la cambios Sobre

© 2008 Prentice Hall, Inc. 4 – 16

 Recursos Humanos – Contratar,

 Los pronósticos raramente son

© 2008 Prentice Hall, Inc. 4 – 20

© 2008 Prentice Hall, Inc. 4 – 21

© 2008 Prentice Hall, Inc. 4 – 22

© 2008 Prentice Hall, Inc. 4 – 23

© 2008 Prentice Hall, Inc. 4 – 24

© 2008 Prentice Hall, Inc. 4 – 25

© 2008 Prentice Hall, Inc. 4 – 27

© 2008 Prentice Hall, Inc. 4 – 29

© 2008 Prentice Hall, Inc. 4 – 30

© 2008 Prentice Hall, Inc. 4 – 32

 Asume que la demanda en el

© 2008 Prentice Hall, Inc. 4 – 36

© 2008 Prentice Hall, Inc. 4 – 38

© 2008 Prentice Hall, Inc. 4 – 39

∑ (ponderador por periodo n)

Ventas Promedio Móvil

© 2008 Prentice Hall, Inc. 4 – 41

© 2008 Prentice Hall, Inc. 4 – 42

© 2008 Prentice Hall, Inc. 4 – 43

Nuevo Pronostico = Último periodo pronosticado

donde Ft = nuevo pronóstico

© 2008 Prentice Hall, Inc. 4 – 46

© 2008 Prentice Hall, Inc. 4 – 47

© 2008 Prentice Hall, Inc. 4 – 48

 = .1 .1 .09 .081 .073 .066

 = .5 .5 .25 .125 .063 .031

© 2008 Prentice Hall, Inc. 4 – 49

© 2008 Prentice Hall, Inc. 4 – 50

© 2008 Prentice Hall, Inc. 4 – 51

Error de Pronóstico = Demanda Actual – Valor Pronósticado

© 2008 Prentice Hall, Inc. 4 – 52

Desviación Media Absoluta (MAD

Media del Error al Cuadrado (MSE

© 2008 Prentice Hall, Inc. 4 – 54

© 2008 Prentice Hall, Inc. 4 – 55

© 2008 Prentice Hall, Inc. 4 – 56

© 2008 Prentice Hall, Inc. 4 – 57

© 2008 Prentice Hall, Inc. 4 – 58

(FITt) = (Ft) + (Tt)

© 2008 Prentice Hall, Inc. 4 – 60

© 2008 Prentice Hall, Inc. 4 – 61

Periodo de Tiempo Figure 4.4