1.

UNIDAD III

PLANIFICACIÓN DE OFERTA -
DEMANDA Y PROGRAMACIÓN
Dr. Ing. Ángel Miguel López Aguilar
1. UNIDAD III

Proyección de la demanda
Dr. Ing. Ángel Miguel López Aguilar
Para diseñar y ejecutar un sistema de producción que satisfaga a los
clientes, una empresa debe reconocer cuánta demanda tiene que
satisfacer, lo cuál lo induce a tres interrogantes importantes:

¿Como saber que producir?

¿Como saber cuanto producir?
¿Como saber cuando producir?

La predicción (pronóstico) y administración de la demanda ayuda a

responder estas preguntas.

La administración de la demanda incluye identificar todas las fuentes

potenciales de la demanda, así como influir en los niveles y la
duración de la demanda.

Los intentos de medir la demanda inicial y los efectos de administrarla

se denominan predicciones
¿De dónde viene la demanda de un producto o servicio de una
empresa ?

Existen dos fuentes básica de demanda:

Demanda Independiente:
Productos Terminados
A
Demanda Depiendente:
Materia Prima,
Partes, Insumos,
B(4) C(2) Sub-procesos, etc.

D(2) E(1) D(3) F(2)

Depende de la
demanda de otros
productos
Con respecto a la Demanda Independiente, la empresa puede
hacer

• Tomar un rol activo para influenciar demanda.- ofrecer

incentivos a clientes y a su propio personal, emprender
campañas para vender productos y reducir los precios.

• Tomar un rol pasivo y simplemente responder a la

demanda.- cuando está funcionando a su capacidad total
o no poder económico para gastos de publicidad
 ¿Qué son Pronósticos?

• Proceso de predecir Las ventas serán

eventos futuros. $200 Millones!

• Base intrínseca de todas

las decisiones de negocio:
– Producción

– Inventarios

– Personal

– Infraestructura
TIPOS DE PRONÓSTICOS

El pronóstico o proyección se puede clasificar en cuatro tipos

básicos:

 Cualitativa: subjetivas y de juicio

 De análisis de serie de tiempo: datos anteriores se pueden

utilizar para predecir la demanda futura. Incluyen componentes
como: tendencia, estacionalidad o influencias cíclicas

 De relaciones causales: utiliza la técnica de regresión lineal,

supone que la demanda está relacionada con otra variable
diferente al tiempo

 De simulación: examina una serie de supuestos sobre la

condición de la proyección
Exploración de patrones de datos o componentes de la
demanda

• Se requieren suficientes datos históricos

• Se apoyan en la suposición de que el pasado puede

extenderse hacia el futuro
Patrón de la Demanda
Descomposición clásica de series de tiempo:

Componente Descripción
Tendencia Es el componente de largo plazo que
representa el crecimiento o disminución en la
serie sobre un periodo amplio.

Cíclico Es la fluctuación en forma de onda alrededor

de la tendencia.

Estacional Es un patrón de cambio que se repite a sí

mismo año tras año.

Aleatorio Mide la variabilidad de las series de tiempo

después de retirar los otros componentes.
Análisis de Series de Tiempo

Una serie de tiempo es un conjunto de datos numéricos

uniformemente separados que se obtiene observando respuestas a
intervalos regulares de tiempo.

Es una serie cronológica.

Por serie de tiempo nos referimos a datos estadísticos que se

recopilan, observan o registran en intervalos de tiempo regulares
(diario, semanal, semestral, anual, entre otros).

Por ejemplo, las ventas anuales totales de almacenes, el valor

trimestral total de contratos de construcción otorgados, el valor
trimestral del PIB.
Los modelos de proyección o pronóstico de S. de T. tratan de
predecir el futuro con base en los datos del pasado

Si se desea explicar el comportamiento de una variable de serie de

tiempo o temporal Yt, un modelo de series de tiempo puede
plantearse como:

Yt = ƒ(Yt-1, Yt-2,…)
Una serie de tiempo es una colección de observaciones tomadas a lo
largo del tiempo.

De hecho esta dependencia entre las observaciones jugará un papel

importante en el análisis de la serie.

Las series aparecen en diversos campos.

• Economía
Precios de venta en días sucesivos.
Exportaciones totales en sucesivos años.
Beneficios de una empresa en sucesivos años

• Física (Meteorología, Geofísica, etc...)

Lluvias en sucesivos días.
Temperatura en sucesivas horas.
La selección de un modelo de proyección por parte de una empresa
depende:

1. El horizonte de tiempo para realizar la proyección

2. La disponibilidad de datos

3. La exactitud requerida

4. El tamaño del presupuesto de proyección

5. La disponibilidad de personal calificado

Clasificación descriptiva de las series temporales

Las series temporales se pueden clasificar en:

a. Estacionarias
Una serie es estacionaria cuando es estable a lo largo del tiempo.

Se refleja gráficamente en que los valores de la serie tienden a

oscilar alrededor de una media constante y la variabilidad con
respecto a esa media también permanece constante en el tiempo.

b. No estacionarias
Son series en las cuales la tendencia y/o variabilidad cambian en el
tiempo.

Los cambios en la media determinan una tendencia a crecer o

decrecer a largo plazo.
Serie Estacionaria
Para llevar a cabo un análisis de este tipo, primero se deben
identificar los componentes de la serie de tiempo, después aplicar
las técnicas estadísticas para su análisis y, finalmente, hacer las
proyecciones o pronósticos de eventos futuros.

El método clásico identifica cuatro influencias o componentes:

 Tendencia (T)

Fluctuaciones cíclicas (C)

Variaciones estacionales (E)

Variaciones irregulares (I)

Promedio Móvil Simple

Si la demanda de un producto no aumenta ni disminuye con rapidez,

y no tiene características estacionales, este método puede ser útil.

Esta técnica se utiliza cuando se quiere dar más importancia a

conjuntos de datos más recientes para obtener el pronóstico.

Procedimiento

• El pronóstico se obtiene al calcular la media aritmética del

conjunto de datos más recientes seleccionado.

• Cada vez que se tiene una nueva observación se agrega esta al

conjunto de datos, y se elimina de éste el dato más antiguo
La siguiente ecuación establece el modelo del promedio móvil
simple.

Modelo
Yt + Yt-1 + Yt-2 + ... + Yt-n+1
Mt = Ŷt+1 = --------------------------------------------
n
Mt = promedio móvil en el period t
Ŷt+1= valor del pronóstico para el siguiente periodo (t + 1)
Yt = valor real de la demanda en el periodo t
n = número de términos en el promedio móvil
(observaciones más recientes)
El cuadro Nº 1 muestra los promedios móviles simples para períodos
de 5 semanas, calcular la demanda para la semana 10.

Cuadro Nº 1: Ejemplo promedio móvil simple (n = 5)

Semana Demanda 5 semanas
1 800
2 1400
3 1000
4 1500
5 1500 1240
6 1240 1328
7 1328 1314
8 1314 1376
9 1376 1352
10 1352
Promedio móvil ponderado
Se da igual ponderación a cada componente de la base de datos del
promedio de móvil

Las ponderaciones se aplican a cada elemento, siempre y cuando,

obviamente, la suma de todas ellas sea igual 1.

Ejemplo: un almacén por departamentos puede encontrar que, en

un periodo de cuatro meses, la mejor proyección se obtenga
utilizando 40% de sus ventas reales para el último mes, 30% para
dos meses atrás, 20% para tres meses atrás y 10% para cuatro
meses atrás

Si la experiencia de las ventas reales fuera:

Mes 1 Mes 2 Mes 3 Mes 4 Mes 5

100 90 105 95 ?
Entonces para el mes 5 sería:

F5  0.40  (95)  0.30  (105)  0.20  (90)  0.10  (100)

 97,5
La formula del promedio ponderado es:

Ft  w1 At 1  w2 At 2  ..........  wn At n
n

w
i 1
i 1

Donde:
Ft = Proyección para el período que viene
w1 = Ponderación que se le dará a la ocurrencia real para el período
t-1
wn = Ponderación que se le dará a la ocurrencia real para el período
t-n
Método de suavización exponencial – Ajuste
Exponencial

• El método de suavización exponencial da una ponderación mayor

a las observaciones más recientes.
• Las ponderaciones se asigna mediante la constante , 0 <  < 1.
• El modelo se expresa como:
pronóstico =  (último valor) + (1 - )(último pronóstico)
• Es un método utilizado para revisar constantemente una
estimación a la luz de experiencias más recientes
• Diseñado para usar el error del pronóstico en un periodo a fin de
corregir el pronóstico del siguiente periodo
Ventajas:
No maneja gran cantidad de datos históricos
Toma los datos mas recientes que son mejor indicativos del futuro
La razón por lo que este método se llama ajuste exponencial es
que cada incremento del pasado disminuye (1 – α).

Por ejemplo, si α = 0.05, las ponderaciones para los diferentes

periodos serían las siguientes:

Ponderación en α= 0.05
Ponderación más reciente = α(1-α)0 0.0500
Datos anteriores en un periodo de tiempo = α(1-α)1 0.0475
Datos anteriores en dos periodo de tiempo = α(1-α)2 0.0451
Datos anteriores en tres periodo de tiempo = α(1-α)3 0.0429
.
.
.

En consecuencia, los exponentes 0, 1, 2 3,…. le dan el nombre

de exponencial
PROCEDIMIENTO.
1) Determinar un factor de ponderación o de suavización 0 ≤α ≤ 1
2) Para hacer el primer pronóstico pensar que estamos en el tiempo
t = 1 y pronósticamos para el periodo t = 2
Yt = Ŷt+1  Y1 = 42 = Ŷ1+1 = 42
3) Para el período t = 3 pronosticar según el modelo
Ŷt+1 = Ŷt + (Yt - Ŷt) α
Esta ecuación indica que el nuevo pronóstico es igual al viejo más una parte
del error (la diferencia entre el pronóstico anterior y la venta real).

o también, desarrollando la anterior expresión

Ŷt+1 = αYt + (1 – α) Ŷt
esta última expresión es la más usada
Medición del error en el pronóstico

• Se compara la precisión de dos o más técnicas de

pronóstico.

• Se mide la confiabilidad de una técnica de pronóstico.

• Se busca la técnica óptima.

Fórmulas de medición del error en el pronóstico

El error del pronóstico es simplemente la diferencia entre el

pronóstico para un periodo determinado y la demanda real
registrada durante el mismo
Desviación absoluta media :
n

Y t  Yˆt
DAM  t 1
n
Error medio cuadrado :

 Y 
n
 Yˆt
2
t
EMC  t 1
n Porcentaje de error medio absoluto :
n Yt  Yˆt
 Yt
t 1
PEMA 
n
Porcentaje medio de error :


n
Y  Yˆ 
t

t 1 Yt
PME 
n
Efectos de Tendencia en el ajuste exponencial

La técnica de atenuación o suavización exponencial simple se s´pone

que los datos son estacionarios.

Cuando se evidencia cierta tendencia, es conveniente corregir el

modelo.

 Atenuación exponencial ajustada a la tendencia: Método de Holt

Atenuación Exponencial Doble o Método de Holt

• Se usa para pronosticar series de tiempo que tienen una tendencia

lineal, conocida también como Métodos de dos parámetros de Holt

• La técnica de Holt atenúa en forma directa la tendencia y la

pendiente empleando diferentes constantes de atenuación.

• Se usan tres ecuaciones:

1. La serie exponencial atenuada
At = αYt + (1 – α) (At-1 + Tt-1)
2. La estimación de la tendencia
Tt = β(At – At-1) + (1 – β) Tt-1
3. El pronóstico de p periodos
Ŷt+p = At + pTt
En donde:

 At = nuevo valor suavizado

 α = constante de suavización de los datos (0≤ a ≤1)
 Yt = nueva observación o valor real de la serie, en el
periodo t
β = constante de suavización de la estimación de la
tendencia (0≤β≤ 1)
 Tt = estimación de la tendencia
p = periodos a pronosticar en el futuro
 Ŷt+p = Ft+p = pronóstico de p periodos en el futuro
Ejemplo
Desarrollar un pronostico de ventas de cintas para un tipo de impresora (en
cajas), para los meses 25 y 30, si la demanda del mes 25 es de 259.
Actualice los parámetros y proporciones los pronósticos para los meses 26
y 30. Así mismo α = 0.1 y β = 0.1
Datos
Mes Yt Mes Yt Mes Yt
1 116 9 163 17 210
2 133 10 163 18 207
3 139 11 164 19 225
4 157 12 191 20 223
5 154 13 201 21 257
6 159 14 219 22 232
7 162 15 207 23 240
8 172 16 205 24 241
Procedimiento:

1) Calcular promedio del 1 al 12 y del 13 al 25

Mes Yt Mes Yt
1 116 13 201
2 133 14 219
3 139 15 207
4 157 16 205
5 154 17 210
6 159 18 207
7 162 19 225
8 172 20 223
9 163 21 257
10 163 22 232
11 164 23 240
12 191 24 241
156.08 222.25
Promedio global 189.17

2) Incremento en las ventas promedio para periodo de 12 meses

222.25 – 156.08 = 66.17
3) Al dividir este número entre 12 se obtiene el incremento promedio por mes
66.17/12 = 5.51
4) La estimación de la pendiente en el tiempo 24, que será:
T24 = 5.51 (primer valor inicial)

5) Calcular una estimación de la ordenada, para ello se calcula el promedio global

de los 24 datos
promedio global = 189.17

6) Centrar el promedio en el mes 12.5 (concepto de mediana en el intervalo)

para moverlo al tiempo actual se suma el ajuste por tendencia 5.51 cajas por mes
multiplicado por (24 – 12.5)

la estimación de la ordenada es:

A24 = 189.6 + 5.51*(24 – 12.5) = 252. 52 (segundo valor inicial)

7) Obtenidos los valores iniciales, se pueden pronosticar periodos futuros

Pronóstico periodo 25 es:

F25 = Y25 = S24 + 1*B24 = 252.52 + 1*5.51 = 258

Para el mes 30:
F30 = Y30 = 252.52 + 6*5.51 = 286
8) Actualizar la estimaciones:
At = αYt + (1 – α) (At-1 + Tt-1)

Tt = β(At – At-1) + (1 – β) Tt-1

Ŷt+p = At + pTt

A25 = α*Y25 + (1 – α)*(A24 + T24)

A25 = 0.1*258.09 + (1 - =.1)*(252.2 + 5.51) = 258.09

Nueva estimación de la pendiente:

T25 = β* (A25 – A24) + (1 – β)*T24
T25 = 0.1*(258.09 – 252.52) + (1 – 0.1)*5.51 = 5.516

9) Pronóstico periodo 26 y 30
Ŷ25+1 = Ŷ26 = A25 + pT25 = 258.09 + 1*5.516 = 263.61

Ŷ25+5 = Ŷ30 = A25 + pT25 = 258.09 + 5*5.516 = 285.67

Consideremos el siguiente ejemplo:

Para comenzar, se requieren dos valores estimados iniciales, el valor inicial

estimado y el valor inicial de la tendencia.

Para iniciar este método (al igual que el suavización exponencial simple) se
emplea el 1er. valor real de la serie. Si no hay disponibles datos anteriores, se
usa cero como estimación inicial.
El valor de α es similar al utilizado en el modelo de suavización exponencial
La constante de suavización β es como α, excepto que ésta suaviza la
tendencia de los datos.

Para este ejemplo consideremos:

α = 0.3 β = 0.1, A1 = 654, T1=0 y p=1

Calcular el pronóstico del periodo 3

Solución
1. Actualización de la serie exponencialmente suavizada
2. Actualización de la estimación de la tendencia

3. Pronóstico de un periodo a futuro

Ŷt+p =

4. Determinación del error del pronóstico