Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1 2
Pronósticos Pronósticos
Cuantitativos Cualitativos
• Encuestasenelmercadodeconsumo(Aclientes o
4 posibles consumidores)
Pronósticos Cuantitativos
Modelos de
Series de • Enfoque intuitivo
Tiempo : • Promedios Moviles
• Suavizamiento
Predicen bajo el
supuesto de queel Exponencial
futuro es una • Proyeccion de tendencias
función delpasado
Modelos
Asociativos :
Incorpora variables
o factores que • Regresión Lineal
pueden influir enla
cantidad a
pronosticar
Descomposición de una Serie
de Tiempos
➢ Tiene cuatro (4 ) componentes:
• Tendencia : Movimientos gradual hacia arribao
1 hacia debajo de los datos en el tiempo
1 • Técnica de pronósticos
que supone que en el
Enfoque siguiente periodo la
demanda será igual a la
Intuitivo del periodo mas reciente
• Método de pronósticos
2 que utiliza un promedio
de los ‘n’ periodos mas
Promedios recientes de datos para
pronosticar el siguiente
Móviles periodo
Enfoques de Pronóstico
Modelos de Serie de Tiempo
Formula:
Promedio Móvil = Σ Demanda en los n periodos anteriores
n
Modelo : Promedios Móviles
Enfoques de Pronóstico
Modelos de Serie de Tiempo
Promedio
∑ ( ponderación periodo n)(demanda periodo n)
Móvil
ponderado ∑ponderaciones
Promedio = (6*374)+(3*368)(1*381)
Móvil ponderado (6+3+1)
Promedio = 3,729 = 372.9
Móvil ponderado 10
Modelo : Suavizamiento Exponencial Enfoques de Pronóstico
Modelos de Serie de Tiempo
• Técnica de pronósticos
3 de promedio móviles
ponderados donde los
Suavizamiento datos se ponderan
Exponencial mediante una función
exponencial
Nuevo pronóstico =
Pronóstico del periodo anterior + α(Demandareal del mes
anterior – Pronóstico del periodo anterior )
F =144.2t
F =144.2t
Ejercicio 4.1
La tabla siguiente da el numero de unidades de sangre tipo B que el
hospital Woodlawn utilizo en las ultimas 6 semanas :
Calculo semanaOctubre12:
Ft =Ft-1 + α (At-1-Ft-1)
Ft =360 + 0.2 ( 374-360)
Ft =362.8
Mediciones del Error del Pronóstico
Durante los últimos 8 trimestres, en el puerto de Baltimore
se han descargado de los barcos grandes cantidades de
Ejemplo4 grano. El administrador de operaciones del puerto quiere
probar el uso de la suavización exponencial para ver qué
Desviación Media tan bien funciona la técnica para predecir el tonelaje
descargado. Supone que el pronóstico de grano descargado
Absoluta(MAD) durante el primer trimestre fue de 175 toneladas. Se
examinan dos valores de α : α = 0.10 y α =0.50.
Toneladas
Trimestre reales de Pronóstico α=0.10 α=0.50
descarga
1 180 175 175
2 168 175.5 175 + 0.10(180-175) 177.5
3 159 174.75 175.50 + 0.10(168-175.50) 172.75
4 175 173.18 174.50 + 0.10(159-174.75) 165.88
5 190 173.36 173.18 + 0.10(175-173.18 170.44
6 205 175.02 173.36 + 0.10(175-173.36 180.22
7 180 178.02 175.02 + 0.10(205-175.02) 192.61
8 182 178.22 178.02 + 0.10(180-178.02) 186.3
1. Desviación Media Absoluta(MAD)
Para evaluar la exactitud de cada constante de suavización, podemos calcular los errores de
pronóstico en términos de desviaciones absolutas y MAD.
Desviación Desviación
Toneladas reales de Pronóstico Pronóstico
Trimestre Absoluta para Absoluta para
descarga α=0.10 α=0.50
α=0.10 α=0.50
1 180 175 5 175 5
2 168 175.5 7.5 177.5 9.5
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 3.78 186.3 4.3
82.45 98.62
α = 0.10 α = 0.50
82.45 98.62
= = 10.31 = = 12.33
8 8
1526.46
= = 190.8
8
EL MSE para α = 0.50 es igual a 195.24. El resultado indica que α = 0.10 es una mejor
elección porque se busca el MSE más bajo.
3. Error porcentual absoluto medio (MAPE) :El promedio de las diferencias
absolutas encontradas entre los valores pronosticados y los reales, expresado
como un porcentaje de los valores reales.
44.75%
= = 5.59%
8
EL MAPE cuando a es igual α= 0.50 es MAPE 5 6.75%. De igual forma que con la MAD y
el MSE, el α= 0.10 es preferible para esta serie de datos
Enfoques de Pronóstico
Modelo : Proyección de Tendencias Modelos de Serie de Tiempo
1.- Y = a + bx
y= Variable que debe predecirse (variabledependiente)
a= Intersección con en el eje Y
b= Pendiente de la recta
x= variable independiente ( el tiempo )
Enfoques de Pronóstico
Modelo : Proyección de Tendencias Modelos de Serie de Tiempo
Ejemplo
En la tabla siguiente se muestra la demanda de energía eléctrica en N.Y.Edison
durante el periodo 2001 a 2007, en megawatts. La empresa quiere pronosticar
la demanda para 2008 ajustando un recta de tendencia a estos datos
Paso 3: Una vez calculados los valores de “X” , “Y”, x² , XY Calculamos la Media de X y la
media de Y
28 692
= 7 =4 =
7
= 98.86
Paso 4: sustituir los valores encontrados en las fórmulas para “a” y “b”
3063−7(4)(98.86) 295
= = 28
= 10.54
140 −7(4)²
Y=56.70+10.54x
y =a+bx
y =56.70+10.54x
y =56.70+10.54(8)
y =141.2o141megawats
FEBRERO 2 40 4 80
MARZO 3 60 9 180
ABRIL 4 90 16 360
10 220 30 650
Una vez calculados los valores de “X” , “Y”, x² , XY Calculamos la Media de X y la media de Y
10 220
= =2.5 = = 55
4 4
Paso 4: sustituir los valores encontrados en las fórmulas para “a” y “b”
650−4(2.5)(55) 100
= = 5
= 20
30 −4(2.5)²
= 55 – 20(2.5) = 5
Modelo : Proyección de Tendencias Enfoques de Pronóstico
Modelos de Serie de Tiempo
Y=5+20x
y =a+bx
y =5 +20x
y=5 + 20(5)
y =105
1128 = 94
12 meses
Ejemplo 4.9
Demanda Paso 1 Paso 2
Mes Año 1 Año 2 Año 3 Demanda Promedio Anual Demanda Promedio Mensual
Enero 80 85 105 90 94
Febrero 70 85 85 80 94
Marzo 80 93 82 85 94
Abril 90 95 115 100 94
Mayo 113 125 131 123 94
Junio 110 115 120 115 94
Julio 100 102 113 105 94
Agosto 88 102 110 100 94
Septiembre 85 90 95 90 94
Octubre 77 78 85 80 94
Noviembre 75 82 83 80 94
Diciembre 82 78 80 80 94
Paso 3) Para cada estación dividiendo la demanda histórica real de ese mes (del paso 1)
entre la demanda promedio de todos los meses (del paso 2).
Paso 4) Estimar la demanda anual para el próximo año el ejercicio nos plantea que será de 1200
Paso 5)Pronosticar para el próximo año :
Primero dividirá la cantidad de computadoras anuales 1200 / 12 y se multiplicara por el índice
correspondiente a cada mes:
Enero= (1200/12)x0.957= 96
Febrero= (1200/12)x0.851=85
…
Diciembre = (1200/12)x0.851=85
Demanda
Ejemplo 4.9
Paso 1 Paso 2 Paso 3 Paso 4 Paso 5
Estimar la
Demanda Demanda Promedio Indice demanda
Mes Año 1 Año 2 Año 3 Promedio Anual Mensual Estacional anual Demanda
Enero 80 85 105 90 94 0.957 96
Febrero 70 85 85 80 94 0.851 85
Marzo 80 93 82 85 94 0.904 90
Abril 90 95 115 100 94 1.064 106
Mayo 113 125 131 123 94 1.309 Se estiman 131
Junio 110 115 120 115 94 1.223 1200 122
Julio 100 102 113 105 94 1.117 computadoas 112
Agosto 88 102 110 100 94 1.064 106
Septiembre 85 90 95 90 94 0.957 96
Octubre 77 78 85 80 94 0.851 85
Noviembre 75 82 83 80 94 0.851 85
Diciembre 82 78 80 80 94 0.851 85
Regresión y correlación
• Modelo matemático de
línea recta usado para
1.- Modelo de describir las relaciones
regresión y funcionales que hay
correlación entre las variables
dependiente e
independiente
1.- Y = a + bx
y= Valor de la variable dependiente
a= Intersección con en el eje Y
b= Pendiente de la recta
x= variable independiente
Modelo Asociativos : Análisis de Enfoques de Pronóstico
Modelos de Serie de Tiempo
Regresión y correlación
Ejemplo 12
La compañía constructora Nodel renueva casas antiguas en West Bloomfield ,Michigan. Con
el tiempo, la compañía ha encontrado que su volumen de dólares por su trabajo de
renovación dependen de la nomina del área (ingreso del área )de West Bloonfield.La
administradora quiere establecer una relación matemática para ayudarse a predecir las
ventas
Ventas de Nodel(en Nomina local ( en miles de
millones de dólares ) millones de dólares )
2.0 1
3.0 3
2.5 4
2.0 2
2.0 1
3.5 7
Ejemplo 12
El vicepresidente necesita determinar si existe una relación lineal (en línea recta)
entre la nómina del área y las ventas. Para ello, grafica los datos conocidos en un
diagrama de dispersión:
4.00
Ventas de Nodel (enmillones
3.50
3.00
de dólares)
2.50
2.00
1.50
1.00
0.50
-
- 8
1 2 3 4 5 6 7
Nónima del área (en miles de millones de
dólares
Enfoques de Pronóstico
Modelo Asociativos : Análisis de Regresión y Modelos de Serie de Tiempo
correlación
Nomina Local (en miles
de millones de dolares)2 Ventas de Nodel X² XY
1 2 1 2
3 3 9 9
4 2.5 16 10
2 2 4 4
1 2 1 2
7 3.5 49 24.5
18 15 80 51.5
18 15
= 6 =3 =
6
= 2.5
51.5−6(3)(2.5) 6.5
= = 26 = 0.25
80 −6(3)²
Regresión y correlación
Ecuación de la recta( regresión)
Y = a + bx
Y= 1.75+0.25X
3.50 y=0.25x+1.75
3.00
2.50
dólares)
2.00
1.50
1.00
0.50
-
- 1 2 3 4 5 6 7 8
Nónima del área (enmiles de millones dedólares
Desarrollar en clase Ejercicios 4.28 y 4.32
Ejercicio en Clase
Desarrollar en clase Ejercicios 4.28 y 4.32
Heizer,J.,&Render,B.(2009).Estrategiade
procesos.Principios de Administración de
Operaciones (Novena ed.). México:
PearsonEducación, pp 57-150.