Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Pronsticos
4-1
Contenido
Perfil de una Compaa Global: Walt
Disney Parks & Resorts
Qu es Pronosticar?
Horizontes de Tiempo en el
Pronostico
La Influencia del Ciclo de Vida del
producto
Tipos de Pronsticos
Ing. MBA Ignacio F. Romero M.
2014 Pearson Education, Inc.
4-2
Contenido Continuacin
La Importancia Estratgica del
Pronostico
Recursos Humanos
Capacidad
Administracion de la Cadena de
Suministros
4-3
Contenido Continuacin
Enfoques del Pronostico
Resumen de Mtodos Cualitativos
Resumen de Mtodos Cuantitativos
4-4
Contenido Continuacin
Pronostico con Series de Tiempo
Promedios Movibles
Suavizacin Exponencial
Suavizacin Exponencial con Ajuste
de Tendencias
Proyecciones de Tendencias
Variaciones Estacionales en los
Datos
Variaciones Cclicas en los Datos
Ing. MBA Ignacio F. Romero M.
2014 Pearson Education, Inc.
4-5
Contenido Continuacin
Mtodos Asociativos para
Pronosticar: Regresin Y Anlisis
de Correlacin
Uso del Anlisis de Regresin para
Pronosticar
Error Estndar del Estimado
Coeficientes de Correlacin para
Lneas de Regresin
Anlisis de Mltiple Regresin
Ing. MBA Ignacio F. Romero M.
2014 Pearson Education, Inc.
4-6
Contenido Continuacin
Monitoreo y Control del Pronostico
Suavizacin Adaptiva
Pronostico Enfocado
4-7
Objetivos de Aprendizaje
Cuando el alumno complete este captulo
ser capaz de:
Identificar o Definir:
Tipos de pronsticos
Horizontes de tiempo
Enfoques para pronosticar
4-8
Objetivos de Aprendizaje
Cuando el alumno complete este captulo
ser capaz de:
Describir o explicar:
Promedios movibles
Suavizacin exponencial
Proyecciones de tendencias
Anlisis de regresin y correlacin
Medidas de exactitud del pronostico
Ing. MBA Ignacio F. Romero M.
2014 Pearson Education, Inc.
4-9
4 - 10
Ing.MBAIgnacioF.
Ing.2011PearsonEducation,Inc.publishingas
MBA Ignacio F. Romero M.
2014 Pearson Education, Inc.
4 - 11
08/10/15
Ing.2011PearsonEducation,Inc.publishingas
MBA Ignacio F. Romero M.
2014 Pearson Education, Inc.
4 - 12
08/10/15
Ing.MBAIgnacioF.
Ing.2011PearsonEducation,Inc.publishingas
MBA Ignacio F. Romero M.
2014 Pearson Education, Inc.
4 - 13
Qu es Pronosticar?
Proceso de predecir
un evento futuro
Base fundamental de
todas las decisiones
de negocios
??
Produccin
Inventario
Personal
Instalaciones
Ing. MBA Ignacio F. Romero M.
2014 Pearson Education, Inc.
Pronosticos en Hard
Rock Caf
4 - 14
4 - 15
Diferencias Notables
Mediano/largo plazo pronsticos tratan
con asuntos ms comprensivos y apoyan
las decisiones de la administracin en lo
que respecta a la planeacin, productos,
plantas y procesos
Corto plazo pronsticos usualmente
emplean diferentes metodologas que los
pronsticos a largo plazo
Corto plazo pronsticos tienden a ser ms
exactos que los pronsticos a largo plazo
Ing. MBA Ignacio F. Romero M.
2014 Pearson Education, Inc.
4 - 16
4 - 17
Estrategia de Compaa/Problemas
Crecimiento
Madurez
Prctico cambiar
precio o imagen de
calidad
Mal tiempo de
Crtico el control
cambiar imagen,
de costos
precio o calidad
Costos competitivos
se convierten crticos
Defender posicin de
mercado
Restaurantes
Reforzar nicho
I y D de ingeniera
es crtica
Mquinas de bsquedas en
Internet
Xbox 360
Ventas
Reproductores
de juegos 3-D
Declive
de autoservicio
DVDs
iPods
Impresoras
3D
Boeing 787
Vehculos elctricos
Televisiones
anlogas
Figura 2.5
4 - 18
Introduccin
Crtico el diseo y
desarrollo del producto
Cambios frecuentes en el
producto y diseo de
procesos
Corridas cortas de
produccin
Altos costos de
produccin
Modelos limitados
Atencin a la calidad
Crecimiento
Pronsticos crticos
Fiabilidad en el producto
y los procesos
Mejoramiento del
producto y opciones
Capacidad aumentada
Cambio hacia enfoque
de producto
Realzar distribucin
Madurez
Estandarizacin
Cambios en producto
menos rpidos ms
cambios menores
Capacidad ptima
Estabilidad del proceso
aumentada
Corridas largas de
produccin
Mejoramiento de
producto y reduccin de
costos
Declive
Poca diferenciacin
del producto
Minimizacin de
costos
Sobrecapacidad en la
industria
Podar lnea para
eliminar artculos con
bajo margen
Reducir capacidad
Figura 2.5
4 - 19
Tipos de Pronsticos
Pronsticos econmicos
Se enfocan en el ciclo del negocio tasa de
inflacin, oferta de dinero, ndices de
construccin de casas, etc.
Pronsticos tecnolgicos
Predicen el ritmo del progreso tecnolgico
Impactan el desarrollo de nuevos productos
Pronsticos de demanda
Predicen ventas de productos existentes
Ing. MBA Ignacio F. Romero M.
2014 Pearson Education, Inc.
4 - 20
Importancia Estratgica de
los Pronsticos
Recursos Humanos contratacin,
entrenamiento, despidos
Capacidad faltas de capacidad pueden
resultar en entregas tardas, prdida de
clientes, prdida de participacin en el
mercado
Administracin de la Cadena de
Suministros buenas relaciones con los
proveedores y ventaja en precio
Ing. MBA Ignacio F. Romero M.
2014 Pearson Education, Inc.
4 - 21
4 - 22
Las Realidades!
Los pronsticos raramente son
perfectos, factores exteriores no
predecibles pueden impactar el
pronstico
La mayora de las tcnicas suponen
que hay una estabilidad notable en el
sistema
Familias de productos y pronsticos
agregados son ms exactos que
pronsticos de productos individuales
Ing. MBA Ignacio F. Romero M.
2014 Pearson Education, Inc.
4 - 23
Enfoques de Pronsticos
Mtodos Cualitativos
Usados cuando la situacin es
vaga y existen pocos datos
Productos nuevos
Nueva tecnologa
4 - 24
Enfoques de Pronsticos
Mtodos Cuantitativos
Usados cuando la situacin es
estable y datos histricos existen
Productos existentes
Tecnologa actual
4 - 25
Perspectiva General de
Mtodos Cualitativos
Jurado de opinin ejecutiva
Opiniones consensuadas de altos
ejecutivos, algunas veces
aumentadas por modelos
estadsticos
Mtodo Delphi
Panel de expertos cuestionados
iterativamente
Ing. MBA Ignacio F. Romero M.
2014 Pearson Education, Inc.
4 - 26
Perspectiva General de
Mtodos Cualitativos
Fuerza de ventas compuesta
Estimados de agentes de ventas
individuales se revisan de
racionabilidad y despus son
agregados
4 - 27
4 - 28
Mtodo Delphi
Proceso de grupo
iterativo, continua
hasta que se llegue
a un consenso
Personal
3 tipos de
administrativo
participantes
(administra la
Tomadores de
decisiones
Personal
administrativo
Cuestionados
Ing. MBA Ignacio F. Romero M.
2014 Pearson Education, Inc.
Tomadores de
decisiones
(Evalan respuestas y
toman decisiones)
encuesta)
Cuestionados
(gente con buen
criterio)
4 - 29
Compuesto de Fuerza de
Ventas
Cada agente de ventas proyecta sus
ventas
Combinadas en los niveles distritales y
nacionales
Los agentes de ventas conocen las
necesidades de los clientes
Tienden a ser muy optimistas
Ing. MBA Ignacio F. Romero M.
2014 Pearson Education, Inc.
4 - 30
Encuesta de Mercado
Preguntar a clientes sobre planes de
compras
til para la demanda y planificacin y
diseo del producto
Lo que los consumidores dicen y lo
que realmente hacen frecuentemente
es diferente
Puede ser demasiado optimista
Ing. MBA Ignacio F. Romero M.
2014 Pearson Education, Inc.
4 - 31
Perspectiva de Enfoques
Cuantitativos
1. Enfoque ingenuo
2. Promedios movibles
3. Suavizacin
exponencial
4. Proyeccin de
tendencias
5. Regresin lineal
Ing. MBA Ignacio F. Romero M.
2014 Pearson Education, Inc.
Modelos de
Series de
Tiempo
Modelo
asociativo
4 - 32
4 - 33
Componentes de Series de
Tiempo
Tendencia
Cclico
Estacional
Aleatorio
4 - 34
Componentes de la Demanda
Componente de
Tendencia
Picos estacionales
Demanda
actual
Variacin
aleatoria
|
1
|
|
2
3
Tiempo (Aos)
Demanda
promedio de
cuatro aos
|
4
Figura 4.1
4 - 35
Componente de Tendencia
Patrn persistente, hacia arriba
o hacia abajo
Cambios debido a poblacin,
tecnologa, edad, cultura etc.
Tpicamente duracin de varios
aos
4 - 36
Componente Estacional
Patrn regular de fluctuaciones
hacia arriba y hacia abajo
Debido a clima, costumbres etc.
Ocurre dentro de un ao
Periodo
Semana
Mes
Mes
Ao
Ao
Ao
Ing. MBA Ignacio F. Romero M.
2014 Pearson Education, Inc.
Tiempo
Das
Semanas
Das
Trimestres
Meses
Semanas
Frecuencia
7
4-4.5
28-31
4
12
52
4 - 37
Componente Cclico
Se repiten movimientos hacia arriba y
hacia abajo
Afectado por el ciclo del negocio, poltico
y factores econmicos
Duracin de mltiples aos
Frecuentemente relaciones casuales o
asociativas
0
Ing. MBA Ignacio F. Romero M.
2014 Pearson Education, Inc.
10
15
20
4 - 38
Componente Aleatorio
Fluctuaciones residuales errticas,
no sistemticas
Debido a variaciones aleatorias o
eventos no previstos
Corta duracin y no
repetitivos
L
Ing. MBA Ignacio F. Romero M.
2014 Pearson Education, Inc.
V
4 - 39
Enfoque Ingenuo
Supone que la demanda en el
siguiente periodo es la misma
que en el periodo ms reciente
Eje., Si las ventas en enero fueron
68, entonces las ventas de febrero
sern 68
4 - 40
Promedio Movible=
VENTAS ACTUALES
Enero
10
Febrero
12
Marzo
13
Abril
16
Mayo
19
Junio
23
(13 + 16 + 19)/3 = 16
Julio
26
Agosto
30
Septiembre
28
Octubre
18
(29 + 30 + 28)/3 = 28
Noviembre
16
Diciembre
14
4 - 42
4 - 43
VENTAS ACTUALES
January
10
February
12
March
13
April
May
June
July
August
September
October
November
December
16
19
APLICACIN DE PESOS
PERIODO
23
3
Mes anterior
26
2
Dos meses atrs
30
1
Tres meses atrs
28
6
Suma de pesos
18
pronstico para este mes =
16
3 x ventas mes ant. + 2 x Ventas 2 meses atrs + 1 x Ventas 3 meses atrs
14
Suma de pesos
4 - 44
VENTAS ACTUALES
Enero
10
Febrero
12
Marzo
13
Abril
16
Mayo
19
Junio
23
Julio
26
Agosto
30
Septiembre
28
Octubre
18
Noviembre
16
Diciembre
14
4 - 45
4 - 46
25
20
15
Ventas actuales
10
Promedio movible
5
|
Figura 4.2
Ing. MBA Ignacio F. Romero M.
2014 Pearson Education, Inc.
J
J
Mes
4 - 47
Suavizacin Exponencial
Forma de promedio movible ponderado
Pesos declinan exponencialmente
Datos ms recientes se ponderan ms
4 - 48
Suavizacin Exponencial
Pronostico nuevo = pronostico del ltimo periodo
+ (demanda actual del ltimo periodo
pronostico del ltimo periodo)
Ft = Ft 1 + (At 1 - Ft 1)
donde
Ft = pronostico nuevo
Ft 1 = pronostico previo
= constante de suavizacin
o ponderacin (0 1)
At 1 = demanda actual de periodo anterior
Ing. MBA Ignacio F. Romero M.
2014 Pearson Education, Inc.
4 - 49
Ejemplo de Suavizacin
Exponencial
Demanda pronosticada = 142 Ford Mustangs
Demanda actual = 153
Constante de suavizacin = .20
4 - 50
Ejemplo de Suavizacin
Exponencial
Demanda pronosticada = 142 Ford Mustangs
Demanda actual = 153
Constante suavizacin = .20
Pronostico nuevo = 142 + .2(153 142)
4 - 51
Ejemplo de Suavizacin
Exponencial
Demanda pronosticada = 142 Ford Mustangs
Demanda actual = 153
Constante suavizacin = .20
Pronostico nuevo
4 - 52
Efecto de Constantes de
Suavizacin
Peso asignado a
Constante
Suavizacin
Periodo
Ms
Reciente
()
2do
Ms
Reciente
(1 - )
3er
Ms
Reciente
(1 - )2
4to
Ms
Reciente
(1 - )3
5to
Ms
Reciente
(1 - )4
= .1
.1
.09
.081
.073
.066
= .5
.5
.25
.125
.063
.031
4 - 53
Impacto de Diferente
Demanda
225
= .5
Demanda
Actual
200
175
150
|
1
|
2
|
3
|
4
|
5
|
6
= .1
|
7
|
8
|
9
Trimestre
Ing. MBA Ignacio F. Romero M.
2014 Pearson Education, Inc.
4 - 54
Impacto de Diferente
225
= .5
Demand
200
Escoger
valoresActual
altos de
demand
cuando el promedio
implcito lo ms probable
175
es que cambie
Escoger valore bajos de
150
cuando el promedio
|
|
|
|
|
implcito es estable
1
|
6
= .1
|
7
|
8
|
9
Trimestre
Ing. MBA Ignacio F. Romero M.
2014 Pearson Education, Inc.
4 - 55
Seleccin de
El objetivo es obtener el pronostico
ms exacto sin importar la tcnica
Generalmente se lleva a cabo al seleccionar
el modelo que proporciona el error de
pronostico ms bajo
Error de pronstico = demanda actual valor del pronstico
= At - Ft
Ing. MBA Ignacio F. Romero M.
2014 Pearson Education, Inc.
4 - 56
4 - 57
Clculo de MAD
PRONSTICO
CON UN
= .50
TRIMESTRE
TONELAGE
ACTUAL
DESCARGADO
180
175
175
168
177.50
159
172.75
175
165.88
190
170.44
205
180.22
180
192.61
182
186.30
184.15
4 - 58
Clculo de MAD
PRONSTICO
CON UN
= .10
DESVIACIN
ABSOLUTA
CON UNA
a = .10
PRONSTICO
CON UN
= .50
DESVIACIN
ABSOLUTA
CON UNA
a = .50
TRIMESTRE
TONELAGE
ACTUAL
DESCARGADO
180
175
5.00
175
5.00
168
175.50
7.50
177.50
9.50
159
174.75
15.75
172.75
13.75
175
173.18
1.82
165.88
9.12
190
173.36
16.64
170.44
19.56
205
175.02
29.98
180.22
24.78
180
178.02
1.98
192.61
12.61
182
178.22
3.78
186.30
4.30
MAD =
|Desviaciones|
n
82.45
98.62
10.31
12.33
4 - 59
Errores
de pronstico
4 - 60
TONELAGE
ACTUAL
DESCARGADO
180
175
168
175.50
(7.5)2 = 56.25
159
174.75
(15.75)2 = 248.06
175
173.18
(1.82)2 = 3.31
190
173.36
(16.64)2 = 276.89
205
175.02
(29.98)2 = 898.80
180
178.02
(1.98)2 = 3.92
182
178.22
(3.78)2 = 14.29
PRONSTICO
PARA UN = .10
(ERROR)2
52 = 25
1,526.52 / 8 190.8
4 - 61
i=1
4 - 62
Clculo de MAPE
TRIMESTRE
TONELAGE
ACTUAL
DESCARGADO
PRONSTICO
PARA UN = .10
180
175.00
100(5/180) = 2.78%
168
175.50
100(7.5/168) = 4.46%
159
174.75
100(15.75/159) = 9.90%
175
173.18
100(1.82/175) = 1.05%
190
173.36
100(16.64/190) = 8.76%
205
175.02
100(29.98/205) = 14.62%
180
178.02
100(1.98/180) = 1.10%
182
178.22
100(3.78/182) = 2.08%
MAPE
4 - 63
1
2
3
4
5
6
7
8
180
168
159
175
190
205
180
182
175
175.5
174.75
173.18
173.36
175.02
178.02
178.22
5.00
7.50
15.75
1.82
16.64
29.98
1.98
3.78
82.45
175
177.50
172.75
165.88
170.44
180.22
192.61
186.30
5.00
9.50
13.75
9.12
19.56
24.78
12.61
4.30
98.62
4 - 64
Comparacin de Error de
Pronostico
|desviaciones|
MAD
=
Tonelaje
Para
=
.10
1
180
175
5.00
2
168= 82.45/8
175.5 = 10.31
7.50
3
4
5
6
7
8
Para
159
174.75
175= .50 173.18
190
173.36
205 = 98.62/8
175.02 =
180
178.02
182
178.22
15.75
1.82
16.64
12.33
29.98
1.98
3.78
82.45
175
177.50
172.75
165.88
170.44
180.22
192.61
186.30
5.00
9.50
13.75
9.12
19.56
24.78
12.61
4.30
98.62
4 - 65
Comparacin de Error de
Pronostico
(errores pronostico)
2
MSE =
Para
=
.10
1
180
175
5.00
2
175.5 = 190.82
7.50
=168
1,526.54/8
3
4
5
6
7
8
159
174.75
175= .50 173.18
Para
190
173.36
=205
1,561.91/8
175.02=
180
178.02
182
178.22
MAD
15.75
1.82
16.64
195.24
29.98
1.98
3.78
82.45
10.31
175
177.50
172.75
165.88
170.44
180.22
192.61
186.30
5.00
9.50
13.75
9.12
19.56
24.78
12.61
4.30
98.62
12.33
4 - 66
Comparacin de Error de
n
Pronostico
100 |desviacin|/actual
i =Pronostico
1
Desviacin Pronostico Desviacin
MAPE Tonelaje
=
Redondeadon Absoluta Redondeado Absoluta
Descargado
con
para
con
para
Trimestre
Actual
= .10
= .10
= .50
= .50
1
2
3
4
5
6
7
8
Para180
= .10175
5.00
168
175.5
= 45.75/8
= 7.50
5.59%
159
Para175
190
205
180
182
174.75
= .50173.18
173.36
= 54.05/8
175.02
178.02
178.22
MAD
MSE
15.75
1.82
16.64
= 29.98
6.76%
1.98
3.78
82.45
10.31
190.82
175
177.50
172.75
165.88
170.44
180.22
192.61
186.30
5.00
9.50
13.75
9.12
19.56
24.78
12.61
4.30
98.62
12.33
195.24
4 - 67
Comparacin de Error de
Pronostico
trimestre
1
2
3
4
5
6
7
8
Pronostico Desviacin
Tonelaje
Redondeado Absoluta
Descargado
con
para
Actual
= .10
= .10
180
168
159
175
190
205
180
182
175
175.5
174.75
173.18
173.36
175.02
178.02
178.22
MAD
MSE
MAPE
5.00
7.50
15.75
1.82
16.64
29.98
1.98
3.78
82.45
10.31
190.82
5.59%
Pronostico Desviacin
Redondeado Absoluta
con
para
= .50
= .50
175
177.50
172.75
165.88
170.44
180.22
192.61
186.30
5.00
9.50
13.75
9.12
19.56
24.78
12.61
4.30
98.62
12.33
195.24
6.76%
4 - 68
DEMANDA ACTUAL
100
Ft = 100 (dado)
200
300
400
500
4 - 69
Pronstico
Tendencia
suavizado
(Ft) + suavizada
(Tt)
exponencialmente
exponencialmente
Ft = (At - 1) + (1 - )(Ft - 1 + Tt - 1)
Tt = (Ft - Ft - 1) + (1 - )Tt - 1
donde
4 - 70
Paso 1: Computar Ft
Paso 2: Computar Tt
Paso 3: Calcular el pronostico FITt = Ft + Tt
4 - 71
Ejemplo de Suavizacin
Exponencial con Ajuste de
Tendencias
MES (t)
MES (t)
12
21
17
31
20
28
19
36
24
10
= .2
= .4
4 - 72
Ejemplo de Suavizacin
Exponencial con Ajuste de
Tendencias
TABLA 4.1
MES
DEMANDA ACTUAL
12
11
17
12.80
20
19
24
21
31
28
36
10
TENDENCIA
SUAVIZADA, Tt
PRONSTICO
INCLUYENDO
TENDENCIA, FITt
13.00
4 - 73
Ejemplo de Suavizacin
Exponencial con Ajuste de
Tendencias
TABLA 4.1
MES
DEMANDA ACTUAL
12
11
17
12.80
20
19
24
21
31
28
36
10
Tabla 4.1
Ing. MBA Ignacio F. Romero M.
2014 Pearson Education, Inc.
TENDENCIA
SUAVIZADA, Tt
PRONSTICO
INCLUYENDO
TENDENCIA, FITt
13.00
4 - 74
Ejemplo de Suavizacin
Exponencial con Ajuste de
Tendencias
TABLA 4.1
TENDENCIA
SUAVIZADA, Tt
MES
DEMANDA ACTUAL
12
11
17
12.80
1.92
20
19
24
21
31
28
36
10
PRONSTICO
INCLUYENDO
TENDENCIA, FITt
13.00
Ejemplo de Suavizacin
Exponencial con Ajuste de
Tendencias
TABLA 4.1
TENDENCIA
SUAVIZADA, Tt
PRONSTICO
INCLUYENDO
TENDENCIA, FITt
MES
DEMANDA ACTUAL
12
11
13.00
17
12.80
1.92
14.72
20
19
24
21
31
28
36
10
Ejemplo de Suavizacin
Exponencial con Ajuste de
Tendencias
TABLA 4.1
TENDENCIA
SUAVIZADA, Tt
PRONSTICO
INCLUYENDO
TENDENCIA, FITt
MMES
DEMANDA ACTUAL
12
11
13.00
17
12.80
1.92
14.72
20
15.18
2.10
17.28
19
17.82
2.32
20.14
24
19.91
2.23
22.14
21
22.51
2.38
24.89
31
24.11
2.07
26.18
28
27.14
2.45
29.59
36
29.28
2.32
31.60
10
32.48
2.68
35.16
4 - 77
35
30
25
20
15
10
5
0
|
1
|
2
|
3
|
4
|
5
|
6
|
7
|
8
|
9
Tiempo (mes)
Ing. MBA Ignacio F. Romero M.
2014 Pearson Education, Inc.
Figura 4.3
4 - 78
Proyecciones de Tendencia
Graficar una lnea de tendencias de los datos
histricos obtenidos para proyectar el
mediano a largo plazo
Las tendencias lineales se pueden encontrar
usando la tcnica de mnimos cuadrados
y^ = a + bx
^
donde y
= valor computado de la
variable a ser pronosticada (variable
dependiente)
a
= intercepcin con el eje y
b
= pendiente de la recta de
regresin
x
= la variable independiente
4 - 79
Desviacin7
Desviacin5
Desviacin6
Desviacin3
Desviacin4
Desviacin1
(error)
Desviacin2
Lnea de y^ = a + bx
Tendencia
Periodo de Tiempo
Ing. MBA Ignacio F. Romero M.
2014 Pearson Education, Inc.
Figura 4.4
4 - 80
Desviacin7
Desviacin5
Desviacin3
Desviacin6
El mtodo de mnimos
cuadrados minimiza la suma
Desviacin
de los errores al cuadrado
(desviaciones)
4
Desviacin1
Desviacin2
Lnea de y^ = a + bx
Tendencia
Periodo de Tiempo
Ing. MBA Ignacio F. Romero M.
2014 Pearson Education, Inc.
Figura 4.4
4 - 81
4 - 82
Periodo de
Tiempo (x)
Demanda de
Electricidad (y)
x2
xy
1
2
3
4
5
6
7
x = 28
74
1
74
79
4
158
80
9
240
90
16
360
105
25
525
142
36
852
122
49
854
y = 692
x2 = 140
xy = 3,063
x=4
y = 98.86
x 28
y 692
x
4
y
98.86
n
7
n
7
3,063 - (7)(4)(98.86)
xy - nxy
b=
=
= 10.54
140 - (7)(42)
x2 - nx2
a = y - bx = 98.86 - 10.54(4) = 56.70
4 - 83
Tiempo (x)
Periodo de
Demanda de
Electricidad (y)
x2
1
1
74
1
2
2
79
4
2001
3
80
9
2002La lnea
4 de tendencia
90 es
16
2003
5
105
25
2004
6 56.70 + 10.54x
142
36
y^ =
2005
7
122
49
x = 28
y = 692
x2 = 140
x=4
y = 98.86
xy
74
158
240
360
525
852
854
xy = 3,063
3,063
(7)(4)(98.86)
xy - nxyen ao
Demanda
8 =- 56.70
+ 10.54(8)
b=
=
= 10.54
- (7)(4
)
x2 - nx2
=140
141.02,
o2141
megawatts
a = y - bx = 98.86 - 10.54(4) = 56.70
Ing. MBA Ignacio F. Romero M.
2014 Pearson Education, Inc.
4 - 84
Demanda de Electricidad
(megawatts)
160
150
140
130
120
110
100
90
80
70
60
50
Lnea de tendencia,
^y = 56.70 + 10.54x
|
1
|
2
|
3
|
4
|
5
Ao
|
6
|
7
|
8
|
9
4 - 85
Requerimientos de Mnimos
Cuadrados
1. Siempre graficar los datos para
asegurar una relacin lineal
2. No se predicen periodos de tiempo
ms all de la base de datos
3. Las desviaciones alrededor de la
lnea de los mnimos cuadrados se
suponen que son al azar
Ing. MBA Ignacio F. Romero M.
2014 Pearson Education, Inc.
4 - 86
4 - 87
4 - 88
Demanda (aos)
Promedio Promedio
ndice
2
3
Demanda anual Mensual Estacional
Ene
80
85 105
Feb
70
85
85
Mar
80
93
82
Abr
90
95 115
May
113 125 131
Jun
110 115 120
Jul
100 102 113
Ago
88 102 110
Sept
85
90
95
Oct
77
78
85
Nov
75
72
83
Dic
82
78
80
Promedio de demanda anual total =
Ing. MBA Ignacio F. Romero M.
2014 Pearson Education, Inc.
90
80
85
100
123
115
105
100
90
80
80
80
1,128
94
94
94
94
94
94
94
94
94
94
94
94
4 - 89
Demanda (aos)
Promedio Promedio
ndice
2
3
Demanda anual Mensual Estacional
Ene
80
85 105
90
94
Feb
70
85
85
80
94
Mar
80
93
82
85
94
Abr
90
95 115
100
94
Promedio
1,128
May demanda
113 125
94
= 131 = 94 123
meses
Jun mensual
110 115 12 120
115
94
Jul
100 102 113
105
94
Ago
88 102 110
100
94
Sept ndice
85
90promedio
95 demanda anual
90de pasados 3 aos
94
=
Promedio
de demanda
Oct estacional
77
78
85
80 mensual 94
Nov
75
72
83
80
94
Dic
82
78
80
80
94
Promedio de demanda anual total = 1,128
Ing. MBA Ignacio F. Romero M.
2014 Pearson Education, Inc.
0.957
0.851
0.904
1.064
1.309
1.223
1.117
1.064
0.957
0.851
0.851
0.851
4 - 90
DEMANDA
1,200
12
Feb
1,200
12
Mar
1,200
12
Abr
1,200
12
May
1,200
12
Junio
1,200
12
x .957 = 96
x .851 = 85
x .904 = 90
x 1.064 = 106
x 1.309 = 131
x 1.223 = 122
MES
Julio
DEMANDA
1,200
12
Agosto
1,200
12
Sept
1,200
12
Oct
1,200
12
Nov
1,200
12
Dic
1,200
12
x 1.117 = 112
x 1.064 = 106
x .957 = 96
x .851 = 85
x .851 = 85
x .851 = 85
4 - 91
140
130
Demanda
120
110
100
90
80
70
|
E
|
F
|
M
|
A
|
M
|
J
|
J
|
A
|
S
|
O
|
N
|
D
Tiempo
Ing. MBA Ignacio F. Romero M.
2014 Pearson Education, Inc.
4 - 92
Datos de tendencia
10,200
10,000
9,800
9,600
9,400
9573
9530
9551
9659
9616
9594
9637
9745
9702
9680
9723
9766
9,200
9,000
|
|
|
|
|
|
|
|
|
|
|
|
Ene Feb Mar Abr May Jun Jul Ago Sept Oct Nov Dic
67 68 69 70 71 72 73 74 75 76 77 78
Mes
Figura 4.6
4 - 93
NDICE ESTACIONAL
MES
NDICE ESTACIONAL
Enero
1.04
Julio
1.03
Febrero
0.97
Agosto
1.04
Marzo
1.02
Septiembre
0.97
Abril
1.01
Octubre
1.00
Mayo
0.99
Noviembre
0.96
Junio
0.99
Diciembre
0.98
4 - 94
1.02
1.00
1.00
0.98
0.99
0.97
0.94
0.92
1.01
0.99
0.98
0.96
1.03
1.04
0.97
0.96
|
|
|
|
|
|
|
|
|
|
|
|
Ene Feb Mar Abr May Jun Jul Ago Sept Oct Nov Dic
67 68 69 70 71 72 73 74 75 76 77 78
Mes
Figura 4.7
4 - 95
67
68
69
70
71
72
Mes
Enero
Febrero
Marzo
Abril
Mayo
Junio
Pronstico con
tendencia y
estacionalidad
9,911
9,265
9,164
9,691
9,520
9,542
73
74
75
76
77
78
Mes
Julio
Agosto
Septiembre
Octubre
Noviembre
Dic
Pronstico con
tendencia y
estacionalidad
9,949
10,068
9,411
9,724
9,355
9,572
Periodo
4 - 96
10068
9949
9911
9,800
9764
9,600
9572
9,400
9520 9542
9,200
9,000
9724
9691
9265
9411
9355
|
|
|
|
|
|
|
|
|
|
|
|
Ene Feb Mar Abr May Jun Jul Ago Sept Oct Nov Dic
67 68 69 70 71 72 73 74 75 76 77 78
Mes
Figura 4.8
4 - 97
Ajuste de Datos de
Tendencia
y estacional Index y pronstico tendencia
Trimestre I:
I (1.30)($100,000) $130,000
y
Trimestre II: y
II (.90)($120,000) $108,000
Trimestre III: y
(.70)($140,000) $98,000
III
Trimestre IV:y
IV (1.10)($160,000) $176,000
4 - 98
Pronstico Asociativo
Usado cuando cambios en una o ms variables
independientes pueden ser usadas para predecir
los cambios en la variable dependiente
La tcnica ms comn que se usa
es el anlisis de regresin lineal
Esta tcnica se aplica como como se
aplic en el ejemplo de series de tiempo
Ing. MBA Ignacio F. Romero M.
2014 Pearson Education, Inc.
4 - 99
Pronstico Asociativo
Pronstico de un resultado basado en
variables predecibles usando la tcnica de
mnimos cuadrados
^
y = a + bx
^
4 - 100
Ejemplo de Pronstico
Asociativo
VENTAS DE NODEL
(EN $ MILLONES), y
REA DE NMINA
(EN $ BILLONES), x
VENTAS DE NODEL
(EN $ MILLONES), y
REA DE NMINA
(EN $ BILLONES), x
2.0
2.0
3.0
2.0
2.5
3.5
Ventas de Nodel
(en$ millones)
4.0
3.0
2.0
1.0
4 - 101
Ejemplo de Pronostico
Asociativo
Ventas, y
2.0
3.0
2.5
2.0
2.0
3.5
y = 15.0
Nmina, x
x2
1
1
3
9
4
16
2
4
1
1
7
49
x = 18
x2 = 80
x = x/6 = 18/6 = 3
y = y/6 = 15/6 = 2.5
Ing. MBA Ignacio F. Romero M.
2014 Pearson Education, Inc.
b=
xy - nxy
x2 - nx2
xy
2.0
9.0
10.0
4.0
2.0
24.5
xy = 51.5
51.5 - (6)(3)(2.5)
80 - (6)(32)
= .25
Ejemplo de Pronostico
Asociativo
y 1.75 .25 x
Nmina, x Ventas x12.75 .25(n min
xy a )
Ventas de Nodel
(en $ millones)
Ventas, y
2.0
1
3.0
3
2.5
4
2.0
2
2.0 4.0
1
3.5
7
y = 15.0 3.0 x = 18
2.0
1
9
16
4
1
49
x2 = 80
xy - nxy
x2 - nx2
|
=
|
2.0
9.0
10.0
4.0
2.0
24.5
xy = 51.5
51.5 - (6)(3)(2.5)
80 - (6)(32)
|
= .25
a=
= 1.75
2 y -3 bx =
4 2.5
5 - (.25)(3)
6
7
rea de nomina (en $ billones)
4 - 103
Ejemplo de Pronostico
Asociativo
Si la nmina el
siguiente ao se
estima que ser $6
billones, entonces:
Ventas = 1.75 + .25(6)
Ventas = $3,250, 000
y^ = 1.75 + .25x
2.0
1.0
|
1
|
2
|
|
3 4
Nmina
|
5
|
6
|
7
4 - 104
Ventas
y 1.75 .25x
1.0
0
Figura 4.9
Lnea de regresin
|
1
|
2
|
|
3 4
Nmina
|
5
|
6
|
7
4 - 105
y
=
punto
(y - yc)2
n-2
valor de y de cada
yc
=
valor computado de la
variable dependiente, de la
ecuacin de regresin
n
Ing. MBA Ignacio F. Romero M.
2014 Pearson Education, Inc.
nmero de puntos
4 - 106
y2 - ay - bxy
n-2
4 - 107
y2 - ay - bxy
=
n-2
4.0
Ventas
3.25
3.0
2.0
1.0
|
1
|
2
|
|
3
4
Nmina
|
5
|
6
|
7
4 - 108
Correlacin
Qu tan fuerte es la relacin
lineal entre las variables?
Correlacin no necesariamente
implica casualidad!
El coeficiente de correlacin, r,
mide el grado de asociacin
Rango de valores de -1 a +1
4 - 109
Coeficiente de Correlacin
r=
nxy - xy
[nx2 - (x)2][ny2 - (y)2]
4 - 110
Coeficiente de Correlacin
r=
nxy - xy
[nxx2 - (x)2][ny2 - (y)2]
(a) Correlacin
perfecta positiva:
r = +1
(b) Correlacin
positiva:
0<r<1
(c) No correlacin:
r=0
Ing. MBA Ignacio F. Romero M.
2014 Pearson Education, Inc.
4 - 111
Correlation Coefficient
y
r=
nxy - xy
[nx2 - (x)2][ny2 - (y)2]
(b) Positive
correlation:
0<r<1
(c) No correlation:
r=0
Ing. MBA Ignacio F. Romero M.
2014 Pearson Education, Inc.
4 - 112
Coeficiente de Correlacin
y
y =
x2
xy
y2
2.0
2.0
4.0
3.0
9.0
9.0
2.5
16
10.0
6.25
2.0
4.0
4.0
2.0
2.0
4.0
3.5
49
24.5
12.25
15.0
x =
x2 =
80
xy =
51.5
y2 =
39.5
(6)(51.5) (18)(15.0)
(6)(80) (18) 2 (16)(39.5) (15.0) 2
18
309 270
(156)(12)
39
1,872
39
.901
43.3
4 - 113
Correlacin
El Coeficiente de Determinacin,
r2, mide el porcentaje de cambio en
y pronosticado para el cambio en x
Rango de valores de 0 a 1
Fcil de interpretar
Para el ejemplo de la compaa Nodel Construction:
r = .901
r2 = .81
Ing. MBA Ignacio F. Romero M.
2014 Pearson Education, Inc.
4 - 114
Anlisis de Regresin
Mltiple
Si ms de una variable independiente se usa en
el modelo, la regresin lineal puede ser
extendida a regresin mltiple para acomodar
varias variables independientes
^y = a + b x + b x
1 1
2 2
Computacionalmente, esto es bastante
complejo y generalmente se hace por medio de
una computadora
Ing. MBA Ignacio F. Romero M.
2014 Pearson Education, Inc.
4 - 115
Anlisis de Regresin
Mltiple
En el ejemplo de Nodel, incluyendo las tasas de
inters en el modelo da la nueva ecuacin:
^y = 1.80 + .30x - 5.0x
1
2
Un coeficiente de correlacin mejorado de r = .96
quiere decir que este modelo hace mejor trabajo de
predecir el cambio en las ventas de construcciones
Ventas = 1.80 + .30(6) - 5.0(.12) = 3.00
Ventas = $3,000,000
Ing. MBA Ignacio F. Romero M.
2014 Pearson Education, Inc.
4 - 116
Monitoreo y Control de
Pronsticos
Seal de Seguimiento
Mide que tan bien el pronostico predice
valores actuales
Razn de la suma de los errores del
pronsticos (RSFE) a la Media de
Desviacin Absoluta (MAD)
Una buena seal de seguimiento tiene
valores bajos
Si los pronsticos continuamente son altos
o bajos, el pronostico tiene un error
predispuesto
Ing. MBA Ignacio F. Romero M.
2014 Pearson Education, Inc.
4 - 117
Monitoreo y Control de
Pronsticos
Seal de
seguimiento
Seal de
seguimiento
Ing. MBA Ignacio F. Romero M.
2014 Pearson Education, Inc.
RSFE
MAD
(demanda actual en
periodo i demanda pronosticada en
period i)
|actual - pronosticada|/n)
4 - 118
Seal de Seguimiento
Seal excediendo lmite
Seal de seguimiento
+
0 MADs
Rango
aceptable
4 - 119
Ejemplo de Seal de
Seguimiento
Tri
1
2
3
4
5
6
Demanda Demanda
Actual Pronosticada Error
90
95
115
100
125
140
100
100
100
110
110
110
-10
-5
+15
-10
+15
+30
RSFE
-10
-15
0
-10
+5
+35
Error
Pronostico
Absoluto
10
5
15
10
15
30
Error
Pronostico
Absoluto
Cumulativo MAD
10
15
30
40
55
85
10.0
7.5
10.0
10.0
11.0
14.2
4 - 120
Ejemplo de Seal de
Seguimiento
Tri
1
2
3
4
5
6
Seal de
Seguimiento
Demanda
Demanda
Actual(RSFE/MAD)
Pronosticada
Error
90
-10/10
100
= -1 -10
95
-15/7.5
100= -2 -5
1150/10100
= 0 +15
100
-10/10
110
= -1 -10
125
+5/11110
= +0.5+15
+35/14.2
140
110
= +2.5
+30
RSFE
-10
-15
0
-10
+5
+35
Error
Pronostico
Absoluto
10
5
15
10
15
30
Error
Pronostico
Absoluto
Cumulativo MAD
10
15
30
40
55
85
10.0
7.5
10.0
10.0
11.0
14.2
4 - 121
Suavizacin Adaptativa
Es posible usar la computadora
para monitorear continuamente el error
del pronostico y ajustar los
valores de
los coeficientes de y usados en la
suavizacin
exponencial para
continuamente
minimizar el error del
pronostico
Esta tcnica se llama suavizacin
adaptable
Ing. MBA Ignacio F. Romero M.
2014 Pearson Education, Inc.
4 - 122
Pronstico Enfocado
4 - 123
Pronsticos en el Sector
Servicios
Presenta retos no usuales
Necesidad especial de records de corto
tiempo
Las necesidades difieren grandemente en
funcin de la industria y producto
Das festivos y otros eventos de
calendario
Eventos no usuales
4 - 124
Pronstico de un Restaurante
de Comida Rpida
Porcentaje de ventas
Por hora del da
20%
15%
10%
5%
11-12
12-1
(Comida)
Ing. MBA Ignacio F. Romero M.
2014 Pearson Education, Inc.
1-2
2-3
3-4
4-5
5-6
6-7
(Cena)
Hora del da
7-8
8-9
9-10
10-11
6
8
A.M.
10
12
Hora del da
6
8
P.M.
10
12
Figura 4.12
Ing. MBA Ignacio F. Romero M.
2014 Pearson Education, Inc.
4 - 126