Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Profesor:
Ing. Esteban Vernaza, M.B.A.
¿QUÉ ES PRONOSTICAR?
El pronóstico es la base de la planificación corporativa de largo plazo
El arte y la ciencia de predecir los eventos futuros.
Áreas funcionales Importancia de los pronósticos empleo de datos históricos y su proyección hacia el futuro mediante algún tipo de modelo
matemático.
Cualitativas Cuantitativas
Toma decisiones periódicas que comprenden: (que apelan al juicio gerencial) (que recurren a modelos matemáticos)
Producción y Operaciones - Selección de procesos Combinar estas técnicas es esencial para un buen proceso de
- Planificación de capacidades pronóstico apropiado para tomar decisiones.
- Distribución de instalaciones
- Planificación de la producción • un pronóstico perfecto es imposible
- Políticas de inventario • establecer la práctica de una revisión continua de los pronósticos
• usar dos o tres métodos y considerarlos con sentido común
Existen dos fuentes básicas de la demanda: 2. Análisis de series de tiempo Se utiliza información relacionada con la demanda pasada
(datos históricos) para predecir la demanda futura
demanda dependiente demanda independiente
3. Relaciones causales Técnica de regresión lineal
Provocada por la demanda de otros La cantidad de productos que la
productos o servicios. empresa puede vender y que no se
deriva directamente de la demanda 4. Simulación Manejo de modelos en base a suposiciones
Este tipo de demanda interna no de otros productos
necesita un pronóstico, sino solo una
tabulación El modelo de pronóstico que una empresa debe
elegir depende de:
1
10/17/2017
1. La tendencia es el movimiento • Los promedios móviles son útiles si podemos suponer que la demanda del mercado permanecerá
2. La estacionalidad es un gradual, hacia arriba o hacia relativamente estable en el tiempo
patrón de datos que se repite abajo, de los datos en el tiempo.
después de un periodo de días, • Demanda de un producto no crece ni baja con rapidez
semanas, meses o trimestres. • No tiene características estacionales
• Se debe utilizar datos anteriores para predecir el periodo siguiente de manera directa.
• Cuanto más largo sea el periodo del promedio móvil, más se suavizarán (uniformarán) los
elementos aleatorios
• Permite asignar cualquier importancia a cada elemento, siempre y cuando la suma de todas las
ponderaciones sea igual a uno.
Por ejemplo, tal vez una tienda departamental se dé cuenta de que en un periodo de cuatro meses el
mejor pronóstico se deriva con 40% de las ventas reales durante el mes más reciente, 30% de dos
meses antes, 20% de tres meses antes y 10% de hace cuatro meses.
PROMEDIO MÓVIL PONDERADO Demanda real contra métodos de promedios móviles y promedios
móviles ponderados
2
10/17/2017
• Se necesitan tres piezas de datos para pronosticar el futuro: el pronóstico más reciente, la
demanda real que ocurrió durante el periodo de pronóstico y una constante de suavización alfa (α) Si la demanda real es estable
(como la demanda de
electricidad o alimentos) sería
deseable un alfa pequeña para
reducir los efectos de los
cambios de corto plazo o
aleatorios.
Si la demanda real aumenta o
disminuye con rapidez (como en
los artículos de moda o aparatos
electrodomésticos menores), lo
deseable es un alfa alta para
tratar de seguirle el paso al
cambio.
Suavizamiento exponencial con ajuste de tendencia Suavizamiento exponencial con ajuste de tendencia
Este procedimiento requiere dos constantes de suavizamiento: Ejemplo:
α para el promedio y β para la tendencia. Después calculamos el promedio y la tendencia para cada Un importante fabricante de Portland quiere pronosticar la demanda de un equipo para control de la
periodo: contaminación. Una revisión de las ventas histórica, como se muestra a continuación, indica que hay una
tendencia creciente.
A las constantes de suavizamiento se les asignan los valores α = 0.2 y
β = 0.4
La compañía supone que el pronóstico inicial para el mes 1 (F 1) fue de
11 unidades y que la tendencia durante el mismo periodo (T1) fue de
2 unidades.
3
10/17/2017
Suavizamiento exponencial con ajuste de tendencia Suavizamiento exponencial con ajuste de tendencia
Ejemplo: Ejemplo:
α = 0.2
β = 0.4
• Cuando la variable dependiente (que casi siempre es el eje vertical en una gráfica) cambia como La compañía quiere pronosticar cada trimestre del cuarto año; es decir, los trimestres 13, 14, 15 y 16.
resultado del tiempo (trazado como el eje horizontal), se trata de un análisis de serie temporal.
• Cuando una variable cambia debido al cambio en otra, se trata de una relación causal (como el
número de muertes debidas al aumento de cáncer pulmonar entre la gente que fuma).
4
10/17/2017
EJEMPLO DE REGRESION LINEAL: Método de mínimos cuadrados EJEMPLO DE REGRESION LINEAL: Método de mínimos cuadrados
En el método de mínimos cuadrados, las ecuaciones para a y b son:
Coeficiente de correlación para rectas de regresión Ejemplo de pronóstico mediante una relación causal
Medida de la fuerza de la relación que hay entre dos variables. Carpet City Store en lleva registros anuales de sus ventas de alfombras (en metros cuadrados), además
(r) = el coeficiente de correlación puede ser cualquier número entre +1 y –1. del número de permisos para casas nuevas en su ciudad.
El gerente de operaciones de Carpet City cree que es posible pronosticar las ventas si se conocen los
inicios de proyectos habitacionales del año.
Aunque el coeficiente de correlación es la medida más comúnmente usada para describir las relaciones En primer lugar se deben grafican los datos con:
entre dos variables, existe otra medida. Se llama coeficiente de determinación y es simplemente el
cuadrado del coeficiente de correlación: r2 x = Número de licencias de construcción
y = Ventas de alfombras
Regression Statistics
El valor de r2 siempre será un número positivo en el intervalo de 0 ≤ r 2 ≤ 1. Multiple R 0,994385682
R Square 0,988802885
Adjusted R Square 0,987203298
El coeficiente de determinación es el porcentaje de variación presente en Standard Error 331,9545545
la variable dependiente (y) explicado por la ecuación de regresión.
Ejemplo de pronóstico mediante una relación causal Ejemplo de pronóstico mediante una relación causal
Se proyecta la recta trazada a mano hace 25 licencias para construir casas en 2010.
que toque el eje de las Y en unos 7 000 m2 Por tanto, el pronóstico de las ventas para 2010 sería:
5
10/17/2017
Tipos de pronósticos
Medición del error de pronóstico
1. Cualitativo Subjetivos y se basan en opiniones y estimados
2. Análisis de series de tiempo Se utiliza información relacionada con la demanda pasada Puede determinarse al comparar los valores pronosticados con los valores
(datos históricos) para predecir la demanda futura reales u observados.
3. Relaciones causales Técnica de regresión lineal
Error de pronóstico (desviación) = Demanda real − Valor pronosticado
4. Simulación Manejo de modelos en base a suposiciones
• Suavización exponencial simple • el MAPE (mean absolute percent error; error porcentual absoluto medio)
• Regresión lineal
Ejemplo:
Durante los últimos 8 trimestres, en el puerto de Baltimore se han descargado de los barcos grandes
cantidades de grano. El administrador de operaciones del puerto quiere probar el uso de suavizamiento
exponencial para ver qué tan bien funciona la técnica para predecir el tonelaje descargado. Supone que
el pronóstico de grano descargado durante el primer trimestre fue de 175 toneladas. Se examinan dos
valores de α = 0.10 y α = 0.50
Compare los datos reales con los pronosticados (usando cada uno de los dos valores de α) y después
encuentre la desviación absoluta y las MAD (desviación absoluta media).
Con base en esta comparación de las dos MAD (desviación absoluta media),
se prefiere una constante de suavizamiento α = 0.10 en lugar de una α = 0.50
porque su MAD es más pequeña.
El administrador de operaciones del puerto de Baltimore quiere calcular ahora el MSE para α = 0.10
¿Este MSE = 190.8 es bueno o malo? Todo depende de los MSE calculados para otros métodos
de pronóstico. Un MSE más bajo es mejor porque es un valor que queremos minimizar.
El MSE exagera los errores porque los eleva al cuadrado.