Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Pronósticos
Programa Advanced
PRONÓSTICOS
Es necesario para:
• Determinar que recursos se necesitan.
• Programar los recursos existentes.
• Adquirir recursos adicionales.
Producción II - Pronósticos 2
Pronósticos
Producción II - Pronósticos 4
¿Qué se pronostica?
Precios de materiales
Costo de mano de obra
Tasas de interés
Ingresos
Gastos
Producción II - Pronósticos 5
El Rol de los Pronósticos en la Administración Operativa
Son necesarios para reducir el nivel de incertidumbre o riesgo acerca del futuro.
Producción II - Pronósticos 6
Jerarquía de Metas, Decisiones y Funciones
Producción II - Pronósticos 7
Fundamentos de Pronósticos
Producción II - Pronósticos 8
Pronóstico de Demandas
Producción II - Pronósticos 9
Sistema Operativo de Pronósticos
Producción II - Pronósticos 10
Integración de Base de Datos de Demanda
Producción II - Pronósticos 11
Integración de Base de Datos de Demanda
Producción II - Pronósticos 12
Integración de Base de Datos de Demanda
Producción II - Pronósticos 13
Tipos de Métodos de Pronósticos
Métodos de
Pronóstico
Previsiones Predicciones
Se emplean cuando la situación es Se emplean cuando la situación
Métodos basados en
“estable” y existen datos no es clara y existen pocos
Cuantitativos opinionesCualitativos
o estimados
“históricos”: Productos existentes, datos: Productos nuevos,
subjetivos o de juicio.
Tecnología actual. Nueva tecnología.
Estadístico quede
depende, Opinión Ejecutiva
Dependencia de datos históricos
Series de Analogía Histórica
Causal fundamentalmente,
variables independientes: de los
Tiempo Delphi
datos históricos de la
Campaña de promociones
demanda. Investigación de Mercado
Condiciones económicas
Actividades de los competidores
Proyección de tendencias
Proyección de
Suavización ajustadas por influencias
tendencias
estacionales
Producción II - Pronósticos 14
PRONÓSTICOS
Demanda
Suelen variar considerablemente tanto para bienes y servicios.
Cantidad
Tiempo
Tiempo
Respuesta
Cantidad
Año 1
Año 2
| | | | | | | | | | | |
J F M A M J J A S O ND
Meses
(c) Estacional: Los datos muestran crestas y valles de manera
consistentes.
Producción II - Pronósticos 19
Estacionalidad
Verano
Respuesta
Mes, trimestre
Producción II - Pronósticos
20
Patrones de Demanda
Cantidad
| | | | | |
1 2 3 4 5 6
Años
(d) Cíclico: Los datos revelan incrementos y decrementos
graduales en el curso de largos períodos de
tiempo.
Producción II - Pronósticos 21
Variaciones aleatorias
Producción II - Pronósticos 22
PRONÓSTICOS
Producción II - Pronósticos 23
PRONÓSTICOS
Producción II - Pronósticos 25
PRONÓSTICOS
Factores internos
Las decisiones internas en su conjunto, provocan cambios en el volumen de la
demanda como es:
• Diseño de envases.
Producción II - Pronósticos 26
PRONÓSTICOS
Factores internos
Producción II - Pronósticos 27
PRONÓSTICOS
Producción II - Pronósticos 28
PRONÓSTICOS
Producción II - Pronósticos 29
PRONÓSTICOS
Producción II - Pronósticos 30
PRONÓSTICOS
Técnicas
Cualitativa:
Método de juicio
Cuantitativa:
Métodos Causales
Análisis de serie de tiempo
Producción II - Pronósticos 31
PRONÓSTICOS
Producción II - Pronósticos 32
PRONÓSTICOS
Técnicas
Análisis de serie de tiempo es de mayor utilización, es económico.
Métodos Causales menos ocupado, más costoso, mayor tiempo de procesamiento que
el anterior pero más preciso.
Método de juicio cuando no se dispone de datos históricos, más costoso que el primero.
Un factor clave en la selección del pronóstico más adecuado es el HORIZONTE DE
TIEMPO: corto, mediano y largo plazo.
Producción II - Pronósticos 33
Factores que Afectan la Demanda
Horizonte de tiempo
Mediano plazo Largo plazo
Corto plazo (3 Meses - (más de
Aplicaciones (0-3 Meses) 2 Años) 2 Años)
Cantidad pronosticada Productos o
servicios
Individuales
Producción II - Pronósticos
34
PRONÓSTICOS
Técnicas
Métodos Causales eficaz para estimar puntos de inflexión, crecimientos
lentos de ventas, útil para gerentes de producción.
Método de juicio también estima puntos de inflexión, usado cuando no
existen antecedentes históricos.
¡Cuidado! Análisis de serie de tiempo no sirve, ya que los patrones
considerados no tiene porque seguir existiendo en el futuro.
Producción II - Pronósticos 35
Factores que Afectan la Demanda
Horizonte de tiempo
Producción II - Pronósticos 36
PRONÓSTICOS
Técnicas
Métodos Causales aunque es un análisis matemático, igual deben
ser revisados por la experiencia y el buen juicio.
Método de juicio
Producción II - Pronósticos 37
Factores que Afectan la Demanda
Horizonte de tiempo
Producción II - Pronósticos
38
III. Pronóstico por medio de Computadoras
Método de Juicio
Utilizado cuando:
• No existen datos históricos.
• Cambio de tecnología.
• Modificación de pronósticos cuantitativos (resultados extraños)
Se confía en la experiencia y el buen juicio
Existen cuatro formas:
1.- Estimación de la fuerza de ventas
Personas cerca de los clientes
Ventajas
•Mayor probabilidad de conocer que productos o servicios comprarán los clientes.
•Información útil para administrar inventario, distribución, formación de equipos de venta.
•Combinar todas las opiniones para obtener una sola por ejemplo para una región.
Producción II - Pronósticos 40
Análisis de Métodos
Desventajas
• Algunos muy optimistas otros muy cautelosos
• No diferencian entre lo que el cliente desea y lo que realmente necesita.
• Vendedores subestiman el pronóstico, para que su rendimiento parezca bueno, cuando
supera la proyección o esforzarse solamente para alcanzar meta.
2.- Opinión Ejecutiva
Uso
•Modificar un pronostico de venta actual, debido a un evento inesperado.
•Elaborar pronósticos tecnológicos.
Desventajas
•Puede ser costosa.
•Puede quedar fuera de control.(sin la aprobación colectiva)
Producción II - Pronósticos 41
Análisis de Métodos
Desventajas
•Costosas, errores en la formulación e interpretación de las respuestas.
•Limitaciones (Ej. Respuestas por correo)
Producción II - Pronósticos 42
Análisis de Métodos
Producción II - Pronósticos 43
Visión Global de los Métodos Cuantitativos
Método
Regresión lineal
causal
Producción II - Pronósticos 44
Método Causal: Regresión Lineal
Ejemplo:
Variable dependiente: se quiere pronosticar la demanda de barniz para
puertas.
Variable independiente: gasto de publicidad o inicio de la construcción
de nuevas viviendas.
Producción II - Pronósticos 45
Método Causal: Regresión Lineal
Y Ecuación de
Estimación de
Variable Dependiente
Y a partir de
regresión:
la ecuación Y = a + bX
de regresión
Valor
actual
de Y
Valor de X empleado
para calcular Y
X
Variable Independiente
Producción II - Pronósticos 46
Método Causal: Regresión Lineal
Desviación
Y o error
Ecuación de
Variable Dependiente
Estimación de regresión:
Y a partir de
la ecuación
Y = a + bX
de regresión
{ Valor
actual
de Y
Valor de X empleado
para calcular Y
X
Variable Independiente
Producción II - Pronósticos 47
Método Causal: Regresión Lineal
Objetivo del análisis de regresión lineal Encontrara los valores de a y b que minimicen la
suma de las desviaciones (errores) al cuadrado de los puntos reales de la grafica.
Formas de evaluar la precisión del pronóstico (existen 2)
Producción II - Pronósticos 48
Método Causal: Regresión Lineal
Si r 2 se acerca a 1,00 significa que las variaciones de “y” y el pronóstico generado por la
ecuación de regresión se encuentran muy relacionadas, en caso de alejarse ( 0,75)
significa que existen otras variables que están afectando.
Producción II - Pronósticos 49
Método Causal: Regresión Lineal
Ejercicio práctico:
La persona a cargo de programar la producción de la compañía, tiene
que elaborar un pronósticos de la demanda de un producto, a fin
de plantear las cantidades de producción más apropiadas
Durante un almuerzo de negocios, el gerente de Marketing aporta
información sobre el presupuesto de publicidad destinado a una
bisagra de bronce para puertas.
Se presenta a continuación los datos sobre ventas y publicidad
correspondiente a los últimos cinco meses.
La gerencia de Marketing afirma que la compañía gastará el mes
entrante US$1.750 en publicidad para el producto. Aplique la regresión
lineal para desarrollar una ecuación y un pronóstico para ese producto.
Producción II - Pronósticos 50
Método Causal: Regresión Lineal
Ejemplo 01
Producción II - Pronósticos 51
Método Causal: Regresión Lineal
300 —
Ventas (miles de unidades)
200 — a = - 8.136
b = 109.229
150 —
r = 0.98
100 — r2 = 0.96
Y = - 8.136 + 109.229X syx = 15.61
50 | | | |
• El valor
1.0 1.5de r es2.0 2.5 a 1,00 significa que existe una
muy próximo
Pronóstico
Pronóstico
fuerte
Publicidad relación
(miles de
para
para
entre Mes
Mes
ventas
dólares)
66
y publicidad, la selección es buena.
2 =significa
Ejemplo 01
•X
RX =$1750,
$1.750,queYel Y=96%
=- 8.136
183.015 + 109.229(1.75)
unidades
de la variación observada en las
ventas, se atribuye aIIlos
Producción gasto involucrados de publicidad.
- Pronósticos 52
Método Causal: Regresión Lineal
300 —
Ventas (miles de unidades)
250 —
Ventas Publicidad
Mes (000 unidades) (000 $)
200 —
1 264 2.5 a = - 8.136
2—
150 116 1.3 b = 109.229
3 165 1.4 r = 0.98
4—
100 101 1.0 r2 = 0.96
5 209
Y = - 8.136 +2.0
109.229X syx = 15.61
50 |
El ingeniero a| cargo de
| producción
| puede utilizar este
1.0
pronóstico 1.5 saber
para 2.0las bisagras
2.5 que necesitará en el mes 6.
Publicidad
Si suponemos(miles
quede
sedólares)
tiene en inventario 62.500 unidades,
¿Cuánto deberá planificar como producción?.
Ejemplo 01
Producción II - Pronósticos 53
Método Causal: Regresión Lineal
300 —
Ventas (miles de unidades)
250 —
Ventas Publicidad
Mes (000 unidades) (000 $)
200 —
1 264 2.5 a = - 8.136
2—
150 116 1.3 b = 109.229
3 165 1.4 r = 0.98
4—
100 101 1.0 r2 = 0.96
5 209
Y = - 8.136 +2.0
109.229X syx = 15.61
50 | | | |
Se1.0
tiene1.5
en inventario
2.0 2.5 = 62,500 unidades,
Publicidad (miles de dólares)
Producción = 183,015 - 62,500 = 120,015 unidades
Ejemplo 01
Producción II - Pronósticos 54
Método Causal: Regresión Lineal
Producción II - Pronósticos 55
Método Causal: Regresión Lineal
Ventas Publicidad
Mes (000 unidades) (000 $)
1 264 2.5 a = ?
2 116 1.3 b = ?
3 165 1.4 r = ?
4 101 1.0 r2 = ?
5 209 2.0
Ejemplo 01
Producción II - Pronósticos 56
Método Causal: Regresión Lineal
Ventas Publicidad
Mes (000 unidades) (000 $)
1 264 2.5
2 116 1.3
3 165 1.4
4 101 1.0
5 209 2.0
XY - nXY
a = Y - bX b=
X 2 - nX 2
Ejemplo 01
Producción II - Pronósticos 57
Método Causal: Regresión Lineal
Ventas, Y Publicidad, X
Mes (000 unidades) (000 $) XY X2 Y2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
XY - nXY
a = Y - bX b=
X 2 - nX 2
Ejemplo 01
Producción II - Pronósticos 58
Método Causal: Regresión Lineal
Ventas, Y Publicidad, X
Mes (000 unidades) (000 $) XY X2 Y2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
XY - nXY
a = Y - bX b=
X 2 - nX 2
Ejemplo 01
Producción II - Pronósticos 59
Método Causal: Regresión Lineal
Ventas, Y Publicidad, X
Mes (000 unidades) (000 $) XY X2 Y2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
1560.8 - 5(1.64)(171)
a = Y - bX b=
14.90 - 5(1.64)2
Ejemplo 01
Producción II - Pronósticos 60
Método Causal: Regresión Lineal
Ventas, Y Publicidad, X
Mes (000 unidades) (000 $) XY X2 Y2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
a = Y - bX b = 109.229
Ejemplo 01
Producción II - Pronósticos 61
Método Causal: Regresión Lineal
Ventas, Y Publicidad, X
Mes (000 unidades) (000 $) XY X2 Y2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
Ejemplo 01
Producción II - Pronósticos 62
Método Causal: Regresión Lineal
Ventas, Y Publicidad, X
Mes (000 unidades) (000 $) XY X2 Y2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
a = - 8.136 b = 109.229
Ejemplo 01
Producción II - Pronósticos 63
Método Causal: Regresión Lineal
Ventas, Y Publicidad, X
Mes (000 unidades) (000 $) XY X2 Y2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
a = - 8.136 b = 109.229
Y = - 8.136 + 109.229(X)
Ejemplo 01
Producción II - Pronósticos 64
Método Causal: Regresión Lineal
300 —
Y = - 8.136 + 109.229(X)
Ejemplo 01
Producción II - Pronósticos 65
Método Causal: Regresión Lineal
Ventas, Y Publicidad, X
Mes (000 unidades) (000 $) XY X2 Y2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
Ejemplo 01
Producción II - Pronósticos 66
Método Causal: Regresión Lineal
Ventas, Y Publicidad, X
Mes (000 unidades) (000 $) XY X2 Y2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
Coeficiente de
nXY - X Y
r= correlación de
[nX 2 -(X) 2][nY 2 - (Y) 2] la muestra
Ejemplo 01
Producción II - Pronósticos 67
Método Causal: Regresión Lineal
Ventas, Y Publicidad, X
Mes (000 unidades) (000 $) XY X2 Y2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
r = 0.98
Ejemplo 01
Producción II - Pronósticos 68
Método Causal: Regresión Lineal
Ventas, Y Publicidad, X
Mes (000 unidades) (000 $) XY X2 Y2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
Ventas, Y Publicidad, X
Mes (000 unidades) (000 $) XY X2 Y2
1
Pronóstico
264
para
2.5
Mes 660.0
6: 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 Gasto
165 de publicidad
1.4 =231.0
$1750 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209= 183.0152.0
Y 418.0 bisagras
o 183,015 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
Ejemplo 01
Producción II - Pronósticos 70
Problema
a. Aplique el análisis de regresión lineal simple y elabore un método de pronóstico para la demanda
mensual. En esta aplicación Y (variable dependiente) corresponde a la demanda mensual, X
(variable independiente) representa el mes, para enero X = 1, para febrero X = 2, y así
sucesivamente.
b. Utilizando el modelo realice un pronóstico de demanda para septiembre, octubre y noviembre.
b = 2,45 a = 42,475 r = 0,817 r2 = 0,668
Producción II - Pronósticos 71
Solución
Y = 42,475 + 2,45X
Producción II - Pronósticos 72
Método Series de Tiempo
Producción II - Pronósticos 73
Método Series de Tiempo
Producción II - Pronósticos 74
Método Series de Tiempo
Producción II - Pronósticos 75
Método Series de Tiempo
Producción II - Pronósticos 76
Método Series de Tiempo
Producción II - Pronósticos 77
Método Series de Tiempo
Ejemplo
Clínica: llegada de pacientes en las
Llegadas de pacientes
últimas 28 semanas.
Patrón de demanda: llegada de
pacientes no es de tendencia ni
estacional ni cíclico.
Serie de tiempo: muestra un patrón
Horizontal y Aleatorio.
Errores aleatorios: nadie los puede Llegadas reales
prever, no quedamos tranquilos al de pacientes
estimar solo promedios.
Semana
Producción II - Pronósticos 78
Método Series de Tiempo
D t + D t – 1 + D t – 2 ...........D t – n + 1
F t + 1 = At =
n
At = Promedio de la demanda real de “n” periodos anteriores
Dt = demanda real del período t
n = Número total de períodos incluidos en el promedio.
F t + 1 = pronóstico para el período t + 1
F t+1 = At ó Ft = At-1
Puede incluirse todos los períodos pasados de demanda que se desee.
La estabilidad de una serie correspondiente a la demanda determina
cuantos períodos serán necesarios incluir o sea “n”.
Serie de demanda estable son aquellas para los cuales el promedio
cambia solamente en forma infrecuente.
Producción II - Pronósticos 80
Cálculo del Promedio Móvil, At
Producción II - Pronósticos 81
Cálculo del Promedio Móvil, At
D1 =400
D2 =380
415
D3 = 411 411
410
Llegada de pacientes
405
400 400
A3 =397
At =( Dt + Dt - 1 + 395Dt - 2 ) / 3
A3 =( D +A
Ft3 = D2t -+
390D ) / 3
1 1
A3 =( 400F+ 380385
4 = A 3
+ 411 ) / 3
380 380
F4 = 397
375
0 1 2 3 4 5Semana 6
Producción II - Pronósticos 82
Cálculo del Promedio Móvil, At
D1 =400
D2 =380
420
D3 = 411
415 415
D4 = 415 411
Llegada de pacientes
410
405
A4 =402 400 400
At =( Dt + Dt - 1 + D
395 t - 2
)/3
A4 =( D +A
Ft4 = D3t -+
1 D2 ) / 3
390
A3 =( 415F+ 411 385
5 = A 4
+ 380 ) / 3
F5 = 402380 380
375
0 1 2 3 4 5 6
Semana
Producción II - Pronósticos 83
Método Series de Tiempo: Promedios Móviles Simples
450 —
Llegadas de pacientes
430 —
410 —
390 —
370 —
| | | | | |
0 5 10 15 20 25 30
Semana
Ejemplo 02 Producción II - Pronósticos 84
Método Series de Tiempo: Promedios Móviles Simples
450 —
Llegadas de pacientes
430 —
410 —
390 —
| | | | | |
0 5 10 15 20 25 30
Semana
Ejemplo 02 Producción II - Pronósticos 85
Método Series de Tiempo: Promedios Móviles Simples
450 —
Llegadas de pacientes
430 —
410 —
390 —
370 — Llegadas de
pacientes reales
| | | | | |
0 5 10 15 20 25 30
Semana
Ejemplo 02 Producción II - Pronósticos 86
Método Series de Tiempo: Promedios Móviles Simples
Pronóstico MA
450 — Pronóstico MA
6-semanas
Llegadas de pacientes
3-semana
430 —
410 —
390 —
370 — Llegadas de
pacientes reales
| | | | | |
0 5 10 15 20 25 30
Semana
Producción II - Pronósticos 87
Cálculo del Promedio Móvil, At Problema
Producción II - Pronósticos 88
Cálculo del Promedio Móvil, At Solución
Producción II - Pronósticos 89
Método Series de Tiempo
Producción II - Pronósticos 90
Método Series de Tiempo
Ventaja
Permite hacer énfasis en la demanda reciente.
Responde mejor que el pronóstico de promedio móvil simple.
Desventaja
Sigue retrasándose con respecto a la demanda porque sólo calcula
promedios de la demanda en el pasado.
Se observa mucho mejor el retrazo cuando existe una tendencia, ya que
el promedio de serie de tiempos va en incremento o disminución en
forma sistemática.
Producción II - Pronósticos 91
Promedio Móvil Ponderado, AWt
Producción II - Pronósticos 92
Promedio Móvil Ponderado, AWt
N
D1 =400 W1 = 0,1 AWt D t j1 Wt j1
j1
D2 =380 W2 = 0,2
415
D3 = 411 W3 = 0,7 411
410
Llegada de pacientes
405
A3 = W3*D3 + 400
W2*D2 + W1*D
4001
A3 = 0,7*411 + 0,2*380
395
+ 0,1*400
A3 = 403,7
390
=404
385
Ft =
380 A t-1 380
F4 =
375 A3
F4 = 404
0 1 2 3 4 5Semana 6
Producción II - Pronósticos 93
Método Series de Tiempo: Promedios Móviles Ponderados
450 —
Llegadas de pacientes
| | | | | |
0 5 10 15 20 25 30
Semana
Ejemplo 03 Producción II - Pronósticos 94
Método Series de Tiempo: Promedios Móviles Ponderados
450 — Llegada de
Semana pacientes
Llegadas de pacientes
430 — 1 400
2 380
410 — 3 411
4 415
390 —
| | | | | |
0 5 10 15 20 25 30
Semana
Ejemplo 03 Producción II - Pronósticos 95
Método Series de Tiempo: Promedios Móviles Ponderados
450 — Llegada de
Semana pacientes
Llegadas de pacientes
430 — 1 400
2 380
410 — 3 411
4 415
390 —
| | | | | |
0 5 10 15 20 25 30
Semana
Ejemplo 03 Producción II - Pronósticos 96
Producción II - Pronósticos 97
Suavizamiento Exponencial Simple
Dt = + et
El modelo refleja un error aleatorio alrededor de una tendencia central estable.
Donde et se distribuye normalmente con media cero.
At = Dt + ( 1 - ) A t - 1
Producción II - Pronósticos 98
Suavizamiento Exponencial Simple
At = Dt + ( 1 - ) A t - 1
A t -1 refleja la historia
Si se cree en la última demanda
=1
Si se cree en la historia
=0
Producción II - Pronósticos 99
Suavizamiento Exponencial Simple
At = Dt + ( 1 - ) A t – 1 ó At = A t - 1 + ( Dt - At-1 )
Ft+1 = A t ó Ft+1 = Dt + ( 1 - ) F t
et = Dt – Ft
Suavización Exponencial
Método de promedio móvil ponderado muy refinado.
Calcula el promedio de una serie de tiempo, asignado a las demandas
recientes mayores ponderaciones que a las demandas anteriores.
Su uso es de mayor frecuencia por su simplicidad y reducida cantidad de
datos que se necesita.
Requiere solo de tres tipos de datos:
• El pronóstico del último período
• Demanda de ese período
• Un parámetro suavizador , cuyo valor fluctúa entre 0 y 1,0
Suavización Exponencial
F t+1 = D t + (1 - ) F t equivalente a:
Formas de Uso
Se requiere de las demandas históricas (Dt) y del pronóstico más reciente
(Ao = F1)
A1 = D1 + (1 - ) A0 ó F2 = D1 + ( 1 - ) F1
A2 = D2 + (1 - ) A1 ó F3 = D2 + ( 1 - ) F2
Se va calibrando
t 1
Ft (1 ) k Dt k (1 )t F1
k 0
Ft 1 * Dt (1 ) * Ft
Ejemplo:
Suponiendo alfa = 0.20 , el pronóstico para el periodo t+1 es:
Suavización Exponencial
En la práctica se ensaya con diversos valores de y se selecciona
el que produzca los mejores pronósticos, estos valores puede ser
altos o pequeños.
D1 =400
D2 =380
D3 = 411
415
410 411
Llegada de pacientes
405
Pronóstico Inicial
400 400
F3 = (D1 + D2)/2
395
F3 = (400 + 380)/2 = 390
390
Para = 0.1 385
Ft+1 = 0.1*Dt + (1 380
- 0.1)*Ft 380
F4 = 0.1*D3 + (1 - 0.1)*F3
375
F4 = 0.1*411 + (1 - 0.1)*390
0 1 2 3 4 5Semana 6
F4 = 392,1
D1 =400
D2 =380
420
D3 = 411
415 415
D4 = 415 411
Llegada de pacientes
410
405
400 400
395
Si la demanda real390
D4 = 415
F5 = 0.1*415 + 0.9*392.1 = 394.1
385
380 380
375
0 1 2 3 4 5 6
Semana
450 —
Llegadas de pacientes
430 —
410 —
390 —
370 —
| | | | | |
0 5 10 15 20 25 30
Semana
Ejemplo 04 Producción II - Pronósticos 109
Método Series de Tiempo Suavización Exponencial
450 —
Llegadas de pacientes
430 —
410 —
390 —
370 — Suavización
Exponencial
= 0.10
| | | | | |
0 5 10 15 20 25 30
Semana
Ejemplo 04 Producción II - Pronósticos 110
Método Series de Tiempo Suavización Exponencial
Pronóstico MA Pronóstico MA
450 —
3-semanas 6-semanas
Llegadas de pacientes
430 —
410 —
390 —
370 — Suavización
Exponencial
= 0.10
| | | | | |
0 5 10 15 20 25 30
Semana
Ejemplo 04 Producción II - Pronósticos 111
Inclusión de una Tendencia
Tendencia
• Incrementos o decrementos sistemáticos de los promedios de la serie a
través del tiempo.
• Suavización exponencial será modificado ya que los resultados estará
por arriba o debajo de la demanda real.
Ejemplo
Demanda aumenta a razón de 10 unidades en cada período, al considerar
= 0,3 se tiene:
Serán suavizadas
• Las estimaciones para el Promedio
• La Tendencia
Promedio (At)
Demanda en Promedio + Estimación de
At= + (1 - )
este período la Tendencia (en el último
período)
A t = D t + (1 - ) (A t -1+ T t–1 )
Tendencia (T t)
T t = Promedio de Promedio del + (1 - ) Estimación de la Tendencia
este período
- último período en el último período
T t = (A t - A t – 1 ) + (1 - ) T t–1
F t+1= A t + T t
At -1 y T t – 1 : Promedio y Tendencia del último período, lo que se puede
obtener por medio de:
Datos del pasado
Estimaciones aproximadas al no existir históricos.
y : Se encuentran ajustando hasta obtener errores de pronósticos lo
más bajo posible, el valor para ambos entre 0 y 1.
F t + 1 : Pronóstico para el período t + 1
Recopilación de Antecedentes
Médica SA, ofrece servicios de laboratorio clínico a los pacientes del Hospital Providencia, una
A0 = 28
agrupación de 10 médicos familiares asociados que brindan pacientes
un nuevo programa de
mantenimiento de la salud. Los gerentes están interesados en pronosticar el número de
T0 = 3Espacientes
pacientes que van a requerir análisis de sangre cada semana. preciso comprar suministros y
tomar una decisión acerca del número de muestras sanguíneas que serán enviadas a otro
D1 = del
laboratorio, para compensar las limitaciones de la capacidad 27laboratorio
pacientes principal.
= 0.20 y = 0.20
Las informaciones recientes acerca de los efectos nocivos que provoca el colesterol en el
corazón han generado un incremento en las solicitudes de análisis ordinarios de sangre en todo
el país. En promedio el laboratorio realizó 28 análisis de sangre cada semana durante las 4
últimas semanas. La tendencia durante en ese periodo fue de tres pacientes adicionales por
semana.
60 — FF2 F
=230,2
t+1
== A
A1t+++2,8
TT1 t = 33
50 —
40 —
30 —
| | | | | | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Semana
Producción II - Pronósticos 116
Suavización exponencial ajustada a la Tendencia
A1 = 30,2 pacientes
Si laTdemanda
1 = 2,8 pacientes
real del periodo 2 es de 44
80 —
análisis
D = de
44sangre
2 pacientes A2 = 0,2 *44+ (1–0,2)*( 30,2+2,8) = 35,2
70
—=será = 0.20 para el T
0.20el ypronóstico
2 = 0,2 (35,2 – 30,2) + (1- 0,2)*2,8 = 3,1
¿Cuál periodo 3?
Llegada de pacientes
50 —
40 —
30 —
| | | | | | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Semana
Producción II - Pronósticos 117
Método Series de Tiempo Suavización exponencial ajustada
a la Tendencia
80 —
Llegada de pacientes
70 —
60 —
50 —
Número real
40 — de análisis
de sangre
30 —
| | | | | | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Semana
Ejemplo 05 Producción II - Pronósticos 118
Método Series de Tiempo Suavización exponencial ajustada
a la Tendencia
80 — Pronóstico
ajustado a la
Tendencia
Llegada de pacientes
70 —
60 —
50 —
Número real
40 — de análisis
de sangre
30 —
| | | | | | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Semana
Ejemplo 05 Producción II - Pronósticos 119
Patrones Estacionales
1. Para cada año se obtiene la demanda promedio por estación, esto es dividiendo la
demanda anual por el número de estaciones perteneciente al año.
Ejemplo: demanda total en un año 6000 y estación mes 6000/12 = 500 unid.
2. Genere un índice estacional para cada estación del año, su valor es el nivel de
demanda en relación con la demanda promedio.
Cálculo: para cada año, divida la demanda real de una estación entre la demanda
promedio por estación.
Ejercicio
El gerente de la compañía San-limp, perteneciente al rubro de limpieza
de alfombras, necesita un pronóstico trimestral del número esperado de
clientes para el año siguiente. El negocio de la limpieza de alfombras es
estacional, con un punto máximo en el tercer trimestre y un uno mínimo
en el primer trimestre. Se presenta a continuación los datos de la
demanda trimestral registrada en los cuatros años más recientes.
Patrón Estacional =
Año
Estación =
Trimestre
Demanda Actual
Índice estacional =
Promedio Demanda
Ejemplo 07
Producción II - Pronósticos 125
Método Series de Tiempo Método Estacional Multiplicativo
45
Índice estacional = = 0.18
250
Ejemplo 07
Producción II - Pronósticos 126
Método Series de Tiempo Método Estacional Multiplicativo
45
Índice estacional = = 0.18
250
Ejemplo 07
Producción II - Pronósticos 127
Método Series de Tiempo Método Estacional Multiplicativo
Ejemplo 07
Producción II - Pronósticos 128
Método Series de Tiempo Método Estacional Multiplicativo
Ejemplo 07
Producción II - Pronósticos 129
Método Series de Tiempo Método Estacional Multiplicativo
Ejemplo 07
Producción II - Pronósticos 130
Método Series de Tiempo Método Estacional Multiplicativo
Ejemplo 07
Producción II - Pronósticos 131
Método Series de Tiempo Método Estacional Multiplicativo
Ejemplo 07
Producción II - Pronósticos 132
Método Series de Tiempo Método Estacional Multiplicativo
Error de pronóstico
Es de carácter puntual
Et = Dt - Ft
E t = error de pronóstico para el período t
D t = demanda real para el período t
F t = pronóstico para el período t
Pero la tendencia es medir el error para a lo largo período,
lo que da origen a:
[ |Et | (100) ] / Dt
MAPE = n
Ejemplo 04
Producción II - Pronósticos 140
Selección de un Método Error de Pronóstico
Error
Cuadrado Error porcentual
Mes, Demanda, Pronóstico, Error, del Error, Absoluto, absoluto,
t Dt Ft Et Et 2 |Et| (|Et|/Dt)(100)
1 200 225 -25 625 25 12.5%
2 240 220 20 400 20 8.3
3 300 285 15 225 15 5.0
4 270 290 -20 400 20 7.4
5 230 250 -20 400 20 8.7
6 260 240 20 400 20 7.7
7 210 250 -40 1600 40 19.0
8 275 240 35 1225 35 12.7
Total -15 5275 195 81.3%
Ejemplo 04
Producción II - Pronósticos 141
Selección de un Método Error de Pronóstico
Ejemplo 04
Producción II - Pronósticos 142
Selección de un Método Error de Pronóstico
Ejemplo 04
Producción II - Pronósticos 143
Selección de un Método Error de Pronóstico
Ejemplo 04
Producción II - Pronósticos 144
Selección de un Método Error de Pronóstico
Ejemplo 04
Producción II - Pronósticos 145
Selección de un Método Error de Pronóstico
Ejemplo 04
Producción II - Pronósticos 146
Selección de un Método Error de Pronóstico
81.3%
MAPE = = 10.2%
8 Ejemplo 04
Producción II - Pronósticos 149
Selección de un Método: Señales de Rastreo
Ventajas de 2.
•No es necesario tantos datos históricos
• no tiene porque ser igual al valor utilizado en el modelo de pronóstico.
• Frecuentemente se usa 0,1 para suavizar los efectos de los errores
recientes en al pasado.
Producción II - Pronósticos 150
Selección de un Método: Señales de Rastreo
CFE
Señal de rastreo =
MAD
+2.0 —
Límite de control
+1.5 —
+1.0 —
Señal de rastreo
+0.5 —
0—
- 0.5 —
- 1.0 —
Límite de control
- 1.5 —
| | | | |
0 5 10 15 20 25
Número de observaciones
Ejemplo 5
Producción II - Pronósticos 151
Selección de un Método: Señales de Rastreo
CFE
Señal de rastreo =
MAD
Fuera de control
+2.0 —
Límite de control
+1.5 —
+1.0 —
Señal de rastreo
+0.5 —
0—
- 0.5 —
- 1.0 —
Límite de control
- 1.5 —
| | | | |
0 5 10 15 20 25
Número de observaciones
Ejemplo 5
Producción II - Pronósticos 152
Criterios para la Selección de Métodos con Series de Tiempo
Promedio móvil simple: Ideal sin sesgos y sin MAD, valores MAD muy
parecidos, CFE distintos pero al ser positivos indicarían que los
pronósticos son muy bajos, n = 3 sería el mejor.
Suavización exponencial: MAD muy parecidos, CFE distintos = 0,2
se prefiere.
Producción II - Pronósticos 155
Suma acumulativa Desviación media
Método de errores (CFE) absoluta (MAD)
Promedio móvil simple
Tres semanas (n = 3) 23,1 17,1
Seis semanas (n = 6) 69,8 15,5
Promedio móvil ponderado
0,7 ; 0,2 ; 0,1 14,0 18,4
Suavización exponencial
= 0,1 65,6 14,8
= 0,2 41,0 15,3