Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Cartilla Semana 2 PDF
Cartilla Semana 2 PDF
PRODUCCIÓN
Pronósticos I
1. ÍNDICE
1. ÍNDICE
2. INTRODUCCIÓN
3. OBJETIVO
GENERAL
4. OBJETIVOS
ESPECÍFICOS
5. DESARROLLO
TEMÁTICO
5.1 Recomendaciones
académicas
2. INTRODUCCIÓN
Se
propone
en
este
documento
presentar
a
los
estudiantes
los
conceptos
básicos
necesarios
para
desarrollar
pronósticos
para
series
estacionarias
y
con
tendencia,
así
como
las
medidas
de
desempeño
que,
por
excelencia,
permiten
verificar
qué
tan
bien
se
ajustan
tales
métodos
a
una
serie
de
datos
históricos,
en
particular.
También
se
presentará
una
serie
de
ejercicios
relacionados
con
el
tema
en
cuestión,
para
reforzar
los
conocimientos
adquiridos.
Esto
en
virtud
del
objetivo
general
del
módulo,
consistente
en
generar
en
los
estudiantes
las
capacidades
necesarias
para
desarrollar
los
métodos
de
pronósticos
simples.
3. OBJETIVO
GENERAL
Al
finalizar
el
módulo
los
estudiantes
reconocerán
las
medidas
de
desempeño
que
permiten
evaluar
un
método
de
pronóstico
en
particular,
así
como
los
mismos
métodos
en
general.
2
[ POLITÉCNICO GANCOLOMBIANO]
4. OBJETIVOS
ESPECÍFICOS
5. DESARROLLO
TEMÁTICO
5.2.1
Introducción
a
los
pronósticos
Los
pronósticos
permiten
estimar
el
valor
futuro
para
un
conjunto
de
variables
de
interés.
Para
realizar
esta
estimación,
los
pronósticos
pueden
estar
basados
en:
El
objetivo
de
estos
pronósticos
en
el
ambiente
de
producción,
consiste
en
establecer
un
marco
de
referencia
para
la
planeación
y
gestión
dentro
de
la
planta
de
producción.
• Variables.
• Horizonte
de
planeación
(número
de
periodos
para
los
cuales
se
pronosticó).
• El
periodo
(unidad
de
tiempo
base
sobre
la
que
se
define
el
horizonte).
• Frecuencia
de
revisión.
[ GERENCIA DE PRODUCCIÓN] 3
Para un correcto desarrollo de los pronósticos, deben tenerse en cuenta las siguientes etapas:
Datos
históricos
Modificación
Modelo matemático
Demanda
Real
Pronósticos
Evaluación
humana
estadísticos
Por
otra
parte,
dentro
de
las
características
más
relevantes
de
los
pronósticos,
podemos
encontrar
las
siguientes:
• Normalmente
están
equivocados,
son
sólo
una
especulación,
por
ello
debe
ser
fácil
reaccionar
ante
errores.
4
[ POLITÉCNICO GANCOLOMBIANO]
• Un
buen
pronóstico
también
da
una
medida
de
error.
Saber
que
son
equivocados
nos
permite
calcular
cierta
medida
de
error.
• Los
pronósticos
agregados
son
más
exactos.
La
variación
del
promedio
de
una
colección
de
variables
aleatorias
independientes,
idénticamente
distribuidas,
es
menor
que
la
variación
de
cada
una
de
las
variables.
“La
variación
de
la
muestra
media
es
menor
que
la
variación
de
la
población”.
• Entre
más
lejano
sea
el
horizonte
de
pronóstico,
menos
exacta
será
la
predicción.
• Deben
tener
en
cuenta
toda
la
información
que
tengan
a
disposición
(ejemplo:
si
sé
que
existirá
una
promoción,
así
los
datos
no
me
lo
digan,
debo
estar
en
la
capacidad
de
incluir
esta
información).
• Cualitativos.
Como
su
nombre
lo
indica,
se
basan
en
el
juicio
humano
y
se
emplean
cuando
no
se
cuenta
con
información
histórica
para
realizar
la
estimación
de
la
variable
de
interés.
En
el
ámbito
de
la
producción
este
método
suele
emplearse
cuando
se
trata
de
un
producto
completamente
nuevo.
Algunos
de
estos
método
son:
- Encuestas
a
los
clientes.
- Juicio
de
la
persona
que
conoce
el
tema.
- Método
Delphi.
• Cuantitativos.
Como
su
nombre
lo
indica,
son
aquellos
derivados
de
un
análisis
de
datos.
Pueden
dividirse
en:
- Métodos
de
series
de
tiempo.
Son
aquellos
métodos
que
usan
valores
pasados.
Se
emplean
comúnmente
en
aplicaciones
de
planeación
de
operaciones.
Una
característica
de
estos
métodos
es
que
tratan
de
aislar
algunos
patrones
presentes
en
la
serie;
estos
patrones
pueden
ser:
Tendencia.
Una
serie
de
datos
puede
exhibir
un
patrón
estable
de
crecimiento
o
declive.
Estacionalidad.
Patrón
que
se
repite
en
intervalos
fijos.
Aleatoriedad.
No
existe
un
patrón
reconocible
para
los
datos
(estacionario).
- Modelos
causales:
Usan
datos
provenientes
de
fuentes
distintas
a
las
series
que
están
pronosticando.
[ GERENCIA DE PRODUCCIÓN] 5
Ejemplo.
Sea
Y
un
fenómeno
a
pronosticar,
y
X1,
X2,
X3,
variables
relacionadas
con
Y.
El
pronóstico
para
Y
será
cierto,
función
de
dichas
variables
Y=f(x1,
x2,
x3).
El
método
causal,
por
excelencia,
suele
ser
la
regresión
lineal.
5.2.2 Evaluación
de
los
métodos
de
pronóstico
Antes
de
a
penetrar
los
diferentes
métodos
de
pronóstico,
aprenderemos
a
evaluar
cuándo
un
método
es
adecuado
y
se
ajusta
realmente
al
comportamiento
de
la
demanda.
Partiremos
entonces,
del
supuesto
de
que
ya
sabemos
calcular
los
pronósticos
y
que
queremos
evaluar
qué
tan
bien
o
qué
tan
mal
están
reflejando
el
comportamiento
de
los
datos
históricos
sobre
los
cuales
fueron
calculados.
A
partir
de
lo
anterior.
se
definirán
entonces
las
siguientes
medidas
de
desempeño:
5.2.2.1 Errores
El
error
se
define
como
la
diferencia
entre
el
pronóstico
para
el
periodo
T,
y
el
valor
real
de
la
serie
realizado
para
el
periodo
T.
𝑒! = 𝐹! − 𝐷!
Existen varias medidas comunes para estimar el error de pronóstico, éstas son:
6
[ POLITÉCNICO GANCOLOMBIANO]
!
!!! |𝑒! |
𝑀𝐴𝐷 =
𝑇
Nos
da
la
idea
en
términos
de
magnitud.
Suele
ser
la
medida
preferida
para
medir
el
error
de
pronóstico.
5.2.2.2 Desviación
Estándar
del
Error
La
desviación
estándar
es
la
medida
de
dispersión
por
excelencia.
A
partir
de
ella,
si
se
considera
que
los
errores
están
normalmente
distribuidos,
una
aproximación
de
la
desviación
estándar
del
error
es:
𝜎! ~1,25 𝑀𝐴𝐷
Finalmente,
una
vez
se
tengan
estos
indicadores,
debe
tenerse
en
cuenta
que
no
significan
nada
en
sí
mismos;
por
lo
tanto
se
debe
verificar
que
se
distribuyan
más
o
menos
igual
alrededor
de
cero,
esto
es,
deben
ser
insesgados;
es
decir
que
al
graficar
los
errores,
estos
deben
verse
“aleatorios”
(no
deben
tener
un
patrón
discernible).
[ GERENCIA DE PRODUCCIÓN] 7
5.2.3 Métodos
para
pronosticar
series
estacionarias
Siempre
que
la
demanda
de
los
datos
históricos
con
los
que
se
quiere
realizar
la
estimación
del
pronóstico,
presente
un
comportamiento
estacionario,
se
deben
emplear
los
siguientes
métodos:
5.2.3.1 Métodos
basados
en
promedios
(PM)
Promedio
aritmético
de
las
N
observaciones
más
recientes.
!!!!!
1
𝑆! = 𝐷! 𝐹!!! = 𝑆!
𝑁
!!!
1
𝑆! = 𝐷 − 𝐷!!! + 𝑆!!!
𝑁 !
Con
esta
última
ecuación
se
evita
recalcular
el
promedio
de
las
últimas
N
observaciones,
cada
vez
que
surge
una
nueva
observación
de
demanda.
8
[ POLITÉCNICO GANCOLOMBIANO]
5.2.3.2 Suavización
exponencial
simple
(SES)
Es
el
método
más
popular
para
las
series
de
tiempo
estacionarias
𝐹! = 𝛼𝐷!!! + 1 − 𝛼 𝐹!!!
α:
es
la
constante
de
suavizamiento
que
determina
la
ponderación
relativa
puesta
en
la
observación
de
demanda
actual.
1-‐α:
peso
asignado
a
las
observaciones
pasadas
de
la
demanda.
Algunos
aspectos
importantes
que
se
deben
tener
en
cuenta
cuando
se
aplica
cualquiera
de
los
dos
métodos
antes
mencionados,
son
los
siguientes:
- Aplica
un
conjunto
de
ponderaciones
decrecientes
a
todos
los
datos
pasados.
- La
constante
de
suavizamiento
juega
el
mismo
papel
que
el
N
en
los
promedios
móviles
(N
pequeño
α
grande
asigna
mayor
peso
a
los
datos
actuales).
- Si
α
grande,
se
da
mayor
ponderación
a
la
observación
actual,
lo
que
da
como
resultado
pronósticos
que
reaccionan
rápidamente
a
los
patrones
de
demanda,
pero
presentan
mayor
variación
de
periodo
a
periodo.
Si
α
pequeño,
los
pronósticos
son
más
estables.
- El
mejor
valor
de
α
será
aquél
que
me
minimice
los
errores.
- Cuando
α=
2/n+1,
ambos
métodos
tienen
la
misma
distribución
de
pronóstico
y
sus
errores
pueden
ser
comparables
de
forma
consistente.
- Para
utilizar
los
PM
debemos
guardar
todos
los
N
datos
pasados,
mientras
que
para
la
SES
sólo
se
requiere
el
último
pronóstico.
5.2.4
Métodos
para
pronosticar
series
con
tendencia
[ GERENCIA DE PRODUCCIÓN] 9
Siempre
que
la
Demanda
de
los
datos
históricos
con
los
que
se
quiere
realizar
la
estimación
del
pronóstico
presente
un
comportamiento
con
TENDENCIA,
se
deben
emplear
los
siguientes
métodos:
5.2.4.1 Regresión
lineal
simple
Existe
una
relación
entre
la
variable
X
(independiente)
y
la
variable
Y
(dependiente)
que
puede
representarse
mediante
una
línea
recta.
𝑦 = 𝑚𝑥 + 𝑏
Los
valores
de
B
y
M
se
eligen
de
manera
que
se
minimice
la
suma
de
las
distancias
cuadráticas,
entre
la
línea
de
regresión
y
los
puntos
de
datos.
𝑛 𝑥! 𝑦! − 𝑥! 𝑦!
𝑚=
𝑛 𝑥!! − ( 𝑥! )!
𝑏 = 𝑦 − 𝑚𝑥
Una
buena
forma
de
determinar
si
la
regresión
es
adecuada,
es
a
través
del
coeficiente
de
correlación,
el
cual
mide
el
grado
de
dependencia
entre
los
dos
conjuntos
de
datos
dados.
5.2.4.2 Suavización
exponencial
doble
Requiere
de
la
especificación
de
dos
constantes
de
suavizamiento:
α:
que
suaviza
el
valor
de
la
serie
(promedio-‐estacionario)
β:
que
suaviza
la
tendencia
(pendiente
de
los
datos)
Las
constantes
de
suavizamiento
pueden
ser
las
mismas;
sin
embargo,
en
la
mayoría
de
las
aplicaciones
se
da
mayor
estabilidad
al
estimado
de
la
pendiente
que
al
de
la
constante,
es
decir
β
≤
α
Por
otra
parte,
deben
utilizarse
dos
parámetros
para
la
estimación
del
pronóstico,
estos
son:
So=
corte
de
la
recta
de
regresión
(b)
Go=
pendiente
de
la
recta
de
regresión
(m)
10
[ POLITÉCNICO GANCOLOMBIANO]
Para
actualizar
estos
valores,
empleamos
las
siguientes
ecuaciones:
𝑆! = 𝛼𝐷! + 1 − 𝛼 𝑆!!! + 𝐺!!!
𝐺! = 𝛽 𝑆! − 𝑆!!! + 1 − 𝛽 𝐺!!!
𝐹!!! = 𝑆! + 𝜏𝐺!
NOTA:
Para
revisar
ejemplos
de
solución
de
cada
uno
de
los
métodos,
referirse
a
las
video
diapositivas
de
la
semana.
[ GERENCIA DE PRODUCCIÓN] 11