Upload
jose-manuel-garcia-pantigozo
View
215
Download
0
Embed Size (px)
Citation preview
7/27/2019 2013 II - APC - CLASE N 04
1/337
TEMA N 04: ADMINISTRACIN DELA DEMANDAIng. Jos Manuel Garca [email protected]
2013- II
ADMINISTRACIN DE LAPRODUCCIN Y CALIDAD
7/27/2019 2013 II - APC - CLASE N 04
2/337
OBJETIVOS ESPECIFICOS DE
APRENDIZAJEal final de la clase el estudiante:
Explicar que es el pronstico.Describir los mtodos de pronsticos de
tipo cualitativo y cuantitativo.
Demostrar como se calculan lospronsticos de Series de Tiempo.
Explicar como se calculan los
pronsticos de Regresin.Explicar las distintas formas de medir
los errores de pronsticos.
7/27/2019 2013 II - APC - CLASE N 04
3/337
INTRODUCCION A LOSPRONOSTICOS Para disear y ejecutar un sistema de
operacin que satisfaga a los clientes,una empresa debe reconocer cunta
demanda tiene que satisfacer, lo cul loinduce a tres interrogantes importantes:Como saber que producir?
Como saber cuanto producir?Como saber cuando producir?
7/27/2019 2013 II - APC - CLASE N 04
4/337
La prediccin y administracin de lademanda ayuda a responder estaspreguntas.
La administracin de la demandaincluye identificar todas las fuentespotenciales de la demanda, as como
influir en ella. Los intentos de medir lademanda y los efectos de administrarla sedenominan pronsticos.
INTRODUCCION A LOSPRONOSTICOS
7/27/2019 2013 II - APC - CLASE N 04
5/337
ORIENTACION GERENCIAL DELPRONOSTICO DEFINICION: La Administra-
cin de la demanda implica
reconocer fuentes de demandapara los bienes y servicios de unaEmpresa, predecir la demanda ydeterminar la manera cmo la
empresa satisfacer esademanda.
7/27/2019 2013 II - APC - CLASE N 04
6/337
QU ES PRONOSTICAR?Cuanto vender?
7/27/2019 2013 II - APC - CLASE N 04
7/337
Es el arte y la ciencia de predecir loseventos futuros. Puede involucrar elmanejo de datos histricos paraproyectarlos al futuro, mediante algn tipo
de modelo matemtico. Puede ser una prediccin subjetiva. O
bien una combinacin de ambas, es decir
un modelo matemtico ajustado por elbuen juicio de un administrador deoperaciones.
QU ES PRONOSTICAR?
7/27/2019 2013 II - APC - CLASE N 04
8/337
PRONSTICOS PARTE INTEGRALDEL PLANEAMIENTO DE NEGOCIOSMtodos de
Pronstico
Estimacin
de la
demanda
Pronstico
de Ventas
Equipo de
Administracin
Ingreso:
Mercado,
Economa,
Otros
Estrategia
de Negocios
Pronstico de
Recursos de Produccin
7/27/2019 2013 II - APC - CLASE N 04
9/337
EJEMPLOS DE PRONSTICOS DERECURSOS DE PRODUCCIN
RangoAlto
RangoMedio
RangoCorto
Ao
Meses
Semanas
Lnea de Products,Capacidad de Planta
HorizontePronstico Tiempo
Comienzodel Pronstico
Unidad deMedida
Grupos de ProductosCapacidad de Dptos.
Productos EspecificosCapacidad de Maq.
Dolares,Libras
Dolares,Libras
Prod. Units,Unidades
7/27/2019 2013 II - APC - CLASE N 04
10/337
AREAS QUE DEBEN TRABAJARJUNTAS
MARKETING
OPERACIONES
7/27/2019 2013 II - APC - CLASE N 04
11/337
Proporciona informacin
relacionada con el merca-doy las predicciones de lademanda.
Administra la demanda
mediante polticas defijacin de precio ypromociones p.e. losdescuentos de tempo rada
nivelan la demanda por unproducto o servicio.
MARKETING
7/27/2019 2013 II - APC - CLASE N 04
12/337
7/27/2019 2013 II - APC - CLASE N 04
13/337
7/27/2019 2013 II - APC - CLASE N 04
14/337
7/27/2019 2013 II - APC - CLASE N 04
15/337
Entre 3 meses y 3 aos.
Planeacin de Produccin y venta.
PRONOSTICO A MEDIANO PLAZO
7/27/2019 2013 II - APC - CLASE N 04
16/337
7/27/2019 2013 II - APC - CLASE N 04
17/337
TIPOS DE PRONSTICOS1. Econmicos2. Tecnolgicos3. De demanda
Cuantovender?
7/27/2019 2013 II - APC - CLASE N 04
18/337
7/27/2019 2013 II - APC - CLASE N 04
19/337
7/27/2019 2013 II - APC - CLASE N 04
20/337
Las predicciones dedemanda pronostican lacantidad y la duracin de la
demanda de los bienes yservicios de una empresa.
3.- PRONOSTICOS DE LA DEMANDA
7/27/2019 2013 II - APC - CLASE N 04
21/337
7/27/2019 2013 II - APC - CLASE N 04
22/337
7/27/2019 2013 II - APC - CLASE N 04
23/337
7/27/2019 2013 II - APC - CLASE N 04
24/337
7/27/2019 2013 II - APC - CLASE N 04
25/337
7/27/2019 2013 II - APC - CLASE N 04
26/337
2. METODO DELPHI Este mtodo involucra a un grupo de expertos
que comparten informacin y eventualmentellegan a un consenso en una prediccin a largoplazo con respecto a las tecnologa del futuro oa las ventas futuras de un nuevo producto.
Esta conformado por tres tipos de personas:
Los decisores (Decision Makers).
Facilitadores (Staff).
Los encuestados (Respondents).
7/27/2019 2013 II - APC - CLASE N 04
27/337
7/27/2019 2013 II - APC - CLASE N 04
28/337
7/27/2019 2013 II - APC - CLASE N 04
29/337
VENTAJAS
-Representantes de venta responsables delpronstico
-Se utiliza conocimiento y experiencia devendedores
-Cuotas de ventas asignadas por los mismosvendedores
3. INFORMACION DE JEFES ZONALES
7/27/2019 2013 II - APC - CLASE N 04
30/337
3. INFORMACION DE JEFES ZONALES DESVENTAJAS
-Vendedores no estn capacitados para hacer
pronsticos
-Vendedores bajan cuotas de venta para alcanzarlas con
mayor facilidad
-Los pronsticos se basan en condiciones presentes y
no a futuro
7/27/2019 2013 II - APC - CLASE N 04
31/337
4. ENCUESTA Una empresa puede
basar sus pronsticosde las compras futuras desus clientes actuales ypotenciales mediante
encuestas. Esta informacin puede
obtenerse por medio deencuestas personales, portelfono, correo, email ofax.
Cuantas horas usar
Ud. Internet la prximasemana?
7/27/2019 2013 II - APC - CLASE N 04
32/337
Encuesta de intencin de compra
Se toma una muestra de los clientes y se les preguntasu intencin de compra en un periodo especfico
Se combinan en un solo pronstico ya sea por
producto, por territorio o por clientes.
4. ENCUESTA
7/27/2019 2013 II - APC - CLASE N 04
33/337
Ventajas de encuesta
El pronstico lo determinan los usuarios reales delproducto
Pronstico rpido y econmico cuando participan
algunos clientes
4. ENCUESTA
7/27/2019 2013 II - APC - CLASE N 04
34/337
Desventajas
La tcnica se vuelve cara cuando los usuarios sonnumerosos y no se les puede localizar
Lo que dice el comprador y lo que hace es diferente
Pronstico depende de los usuarios que no siempre
quiere cooperar
4. ENCUESTA
7/27/2019 2013 II - APC - CLASE N 04
35/337
Mercados de prueba
Generalmente para estimar ventas de un nuevoproducto
Prueba que se realiza en un mercado limitado para
ver la reaccin del consumidor antes de ampliarse al
mercado regional o nacional
4. ENCUESTA
Se puede observar el impacto de las ventas
Participacin en el mercado (tasa de prueba y de
repeticin)
Qu pasa con un pronstico equivocado?
7/27/2019 2013 II - APC - CLASE N 04
36/337
Q p p qAREA DEMASIADO ELEVADO DEMASIADO BAJO
Produccin Exceso de produccinproductos no vendido
Produccin inadecuada parasatisfacer necesidades del
cliente
Inventario Exceso de existencias Existencias insuficientes
Finanzas Efectivo inmovilizado Escasez de efectivo
Promocin Gastos desperdiciados Gastos insuficientes paracubrir el mercado
Fijacin de precios Reducciones de precios paravender exceso
Aumento de precios paraasignar los productos escasos
Fuerzas de ventas Demasiados vendedores Pocos vendedores
Relaciones con clientes Dinero desperdiciado enactividades innecesarias
Insatisfactorias debido aproductos agotado
Utilidades Menores debido a gastosinnecesarios
Menores porque no se cubrela demanda del mercado
7/27/2019 2013 II - APC - CLASE N 04
37/337
Estos mtodos cuantitativos emplean losmodelos matemticos y los datos histricospara pronosticar la demanda. As, el pasadose utiliza para predecir el futuro.
Hay dos tipos generales de mtodoscuantitativos:
- Modelos de Series de tiempo
- Modelos Causales
II. ENFOQUES CUANTITATIVOS PARAPRONOSTICAR LA DEMANDA
METODOS CUANTITATIVOS
7/27/2019 2013 II - APC - CLASE N 04
38/337
MtodoCuantitativo
Regresin
Lineal
Modelos
Causales
SuavizadoExponencial
PromedioMvil
Modelos
Serie de Tiempos
Proyeccin
Tendencia
METODOS CUANTITATIVOS
7/27/2019 2013 II - APC - CLASE N 04
39/337
7/27/2019 2013 II - APC - CLASE N 04
40/337
MODELOS DE SERIES DE TIEMPO Incluye elaborar grficas de los datos de
demanda sobre una escala de tiempo yestudiar las grficas para descubrir losmodelos y las figuras o los patronesconsistentes. Luego, estos patrones se
proyectan hacia el futuro. DEFINICION: Una serie de tiempo es una
secuencia de observacionescronolgicamente clasificadas que setoman a intervalos regulares para unavariable en particular.
7/27/2019 2013 II - APC - CLASE N 04
41/337
7/27/2019 2013 II - APC - CLASE N 04
42/337
7/27/2019 2013 II - APC - CLASE N 04
43/337
7/27/2019 2013 II - APC - CLASE N 04
44/337
7/27/2019 2013 II - APC - CLASE N 04
45/337
DESCOMPOSICION DE UNA SERIE DE
7/27/2019 2013 II - APC - CLASE N 04
46/337
TIEMPOS: TENDENCIA TENDENCIA (T) es el movimiento gradual, ascendente o
descendente, de los datos a traves del tiempo.
Las tendencias reflejan los cambios en latecnologa, los estndares de vida, los
ndices de poblacin ,etc.. DEFINICION: Una tendencia es el
movimiento gradual hacia arriba o haciadebajo de los datos en el tiempo.
Las tendencias son montonas , pero nosiempre lineales; pueden ser logartmica oexponenciales.
7/27/2019 2013 II - APC - CLASE N 04
47/337
7/27/2019 2013 II - APC - CLASE N 04
48/337
DESCOMPOSICION DE UNA SERIE DETIEMPOS VARIACIONES CICLICAS
7/27/2019 2013 II - APC - CLASE N 04
49/337
CICLOS (C) son patrones que ocurren enlos datos cada varios aos.
Las alzas y las bajas de la economa o deuna industria especificas se representanen variaciones cclicas. El ciclo denegocios que se repite de cinco a diezaos es un ejemplo.
DEFINICION: La variacin cclica tiene
una duracin de por lo menos un ao; lavariacin varia de un ciclo a otro.
TIEMPOS: VARIACIONES CICLICAS
7/27/2019 2013 II - APC - CLASE N 04
50/337
DEMANDA DE PRODUCTO PARA 4 AOS CONTENDENCIA Y ESTACIONALIDAD
7/27/2019 2013 II - APC - CLASE N 04
51/337
TENDENCIA Y ESTACIONALIDAD
Ao1
Ao2
Ao3
Ao4
Picos Estacionales Componente Tendencia
Lnea de actual
demanda
Demanda promedio
para 4 aos
D
emandadepro
ductooservici
o
Variacin
aleatoria
7/27/2019 2013 II - APC - CLASE N 04
52/337
MODELOS DESERIE DE TIEMPOS
7/27/2019 2013 II - APC - CLASE N 04
53/337
Para que se utilizan las Series
7/27/2019 2013 II - APC - CLASE N 04
54/337
de Tiempo?
Hoy las diversas organizacio-nes requieren conocer elcomportamiento futuro deciertos fenmenos con el fin de
planificar, prevenir,es decir, seutilizan para predecir lo queocurrir con una variable en elfuturo a partir delcomportamiento de esa variableen el pasado.
7/27/2019 2013 II - APC - CLASE N 04
55/337
7/27/2019 2013 II - APC - CLASE N 04
56/337
7/27/2019 2013 II - APC - CLASE N 04
57/337
7/27/2019 2013 II - APC - CLASE N 04
58/337
7/27/2019 2013 II - APC - CLASE N 04
59/337
EJEMPLO DE PROMEDIO MOVIL SIMPLE
7/27/2019 2013 II - APC - CLASE N 04
60/337
Usted es gerente de una tienda que vende
repuestos metalmecnicos. Qu previsin deventas (000) para el ao 2009 deber hacer
utilizando un perodo de 3 de media mvil.
2004 42005 62006 5
2007 32008 7
SOLUCION DEL PROMEDIO MOVIL SIMPLE
7/27/2019 2013 II - APC - CLASE N 04
61/337
TimeResponse
Yi
Moving Total(n= 3)
MovingAvg. ( n= 3)
2004 4
2005 62006 5
NA NA
NA NANA NA
2007 3
2008 7
2009 NA
4 + 6 + 5 = 15
7/27/2019 2013 II - APC - CLASE N 04
62/337
SOLUCION DEL PROMEDIO MOVIL SIMPLE
7/27/2019 2013 II - APC - CLASE N 04
63/337
AoRespuesta
Yi
Movil Total(n= 3)
MovilProm.(n= 3)
2004 4 NA NA
2005 6 NA NA2006 5 NA NA
2007 3 4 + 6 + 5 = 15 15/3 = 5.0
2008 7 6 + 5 + 3 = 14 14/3 = 4.7
2009 NA 5 + 3 + 7 = 15 15/3 = 5.0
7/27/2019 2013 II - APC - CLASE N 04
64/337
7/27/2019 2013 II - APC - CLASE N 04
65/337
7/27/2019 2013 II - APC - CLASE N 04
66/337
7/27/2019 2013 II - APC - CLASE N 04
67/337
7/27/2019 2013 II - APC - CLASE N 04
68/337
7/27/2019 2013 II - APC - CLASE N 04
69/337
7/27/2019 2013 II - APC - CLASE N 04
70/337
7/27/2019 2013 II - APC - CLASE N 04
71/337
7/27/2019 2013 II - APC - CLASE N 04
72/337
7/27/2019 2013 II - APC - CLASE N 04
73/337
PROMEDIO MOVIL PONDERADO
7/27/2019 2013 II - APC - CLASE N 04
74/337
Se utiliza cuando existe una tendencia o patrn, lospesos pueden ser utilizados para poner mayor enfsisen datos recientes.
Promedio de mvil ponderado:
Ft= (Peso para el periodo n)(Demanda periodo n) pesos
Donde :
Ft = prediccin para el perodo n
n = nmero de perodos por promediar
7/27/2019 2013 II - APC - CLASE N 04
75/337
7/27/2019 2013 II - APC - CLASE N 04
76/337
7/27/2019 2013 II - APC - CLASE N 04
77/337
7/27/2019 2013 II - APC - CLASE N 04
78/337
7/27/2019 2013 II - APC - CLASE N 04
79/337
7/27/2019 2013 II - APC - CLASE N 04
80/337
7/27/2019 2013 II - APC - CLASE N 04
81/337
7/27/2019 2013 II - APC - CLASE N 04
82/337
GRAFICO DEL PROMEDIO MOVIL SIMPLE YPROMEDIO MOVIL PONDERADO
7/27/2019 2013 II - APC - CLASE N 04
83/337
2006 Prentice Hall, Inc. 4 47
3030
2525
2020
1515
1010
55
Salesde
mand
Salesde
mand
| | | | | | | | | | | |
JJ FF MM AA MM JJ JJ AA SS OO NN DD
ActualActual
salessales
MovingM o v i n g
averageaverage
WeightedWeightedm o v i n g m o v i n g
averageaverage
Figure 4.2Figure 4.2
7/27/2019 2013 II - APC - CLASE N 04
84/337
7/27/2019 2013 II - APC - CLASE N 04
85/337
7/27/2019 2013 II - APC - CLASE N 04
86/337
7/27/2019 2013 II - APC - CLASE N 04
87/337
7/27/2019 2013 II - APC - CLASE N 04
88/337
EJEMPLO DE SUAVIZADO EXPONENCIAL
7/27/2019 2013 II - APC - CLASE N 04
89/337
Ft= Ft-1 +
(A t-1 - Ft-1)Ao Actual
Ft( = .10)
180
168 175.00 + .10(
159
175
190NA
Pronstico
175.00 (Base)2006
2007
2008
2009
20102011
7/27/2019 2013 II - APC - CLASE N 04
90/337
7/27/2019 2013 II - APC - CLASE N 04
91/337
7/27/2019 2013 II - APC - CLASE N 04
92/337
EJEMPLO DE SUAVIZADO EXPONENCIAL
7/27/2019 2013 II - APC - CLASE N 04
93/337
Ft= Ft-1 +
(A t-1 - Ft-1)Ao Actual
Ft( = .10)
180
168 175.00 + .10(180 - 175.00) = 175.50
159 175.50 + .10(168 - 175.50) = 174.75
175
190NA
Pronstico
175.00 (Base)2006
2007
2008
2009
20102011
7/27/2019 2013 II - APC - CLASE N 04
94/337
7/27/2019 2013 II - APC - CLASE N 04
95/337
7/27/2019 2013 II - APC - CLASE N 04
96/337
GRAFICO DE SUAVIZADO EXPONENCIAL
7/27/2019 2013 II - APC - CLASE N 04
97/337
Ao
Ventas
140150160
170180190
06 07 08 09 10 11
Actual
Pronstico
EFECTO EN EL PRONOSTICO DE LACONSTANTE DE SUAVIZADO
7/27/2019 2013 II - APC - CLASE N 04
98/337
Ft = At- 1 + (1- )At- 2 + (1- )2At- 3 + ...
Pesos
Prior Period
2 periods ago(1 - )
3 periods ago(1 - )2
=
= 0.10
= 0.90
10%
7/27/2019 2013 II - APC - CLASE N 04
99/337
EFECTO EN EL PRONOSTICO DE LACONSTANTE DE SUAVIZADO
7/27/2019 2013 II - APC - CLASE N 04
100/337
Ft = At- 1 + (1- )At- 2 + (1- )2At- 3 + ...
Pesos
Prior Period
2 periods ago(1 - )
3 periods ago(1 - )2
=
= 0.10
= 0.90
10% 9% 8.1%
EFECTO EN EL PRONOSTICO DE LACONSTANTE DE SUAVIZADO
7/27/2019 2013 II - APC - CLASE N 04
101/337
Ft = At- 1 + (1- )At- 2 + (1- )2At- 3 + ...
Pesos
Prior Period
2 periods ago(1 - )
3 periods ago(1 - )2
=
= 0.10
= 0.90
10% 9% 8.1%
90%
EFECTO EN EL PRONOSTICO DE LACONSTANTE DE SUAVIZADO
7/27/2019 2013 II - APC - CLASE N 04
102/337
Ft = At- 1 + (1- ) At- 2 + (1- )2At- 3 + ...
Pesos
Prior Period
2 periods ago(1 - )
3 periods ago(1 - )2
=
= 0.10
= 0.90
10% 9% 8.1%
90% 9%
7/27/2019 2013 II - APC - CLASE N 04
103/337
7/27/2019 2013 II - APC - CLASE N 04
104/337
SUAVIZADO EXPONENCIAL CONTENDENCIA Como el suavizado exponencial simple falla al
responder a las tendencias se calcula un promedio de
7/27/2019 2013 II - APC - CLASE N 04
105/337
responder a las tendencias, se calcula un promedio de
suavizacin exponencial simple y se ajusta pararetrasos (+) y (-). La ecuacin de tendencia empleauna constante .
Ejemplo: Estimar las ventas para el ao siete tomando
en cuenta una tendencia inicial de 22.73, un = 0.3,una = 0.50, y un pronstico inicial de 340. Adems,establezca el MAD.
Ao 1 2 3 4 5 6Ventas 400 470 500 530 560 595
7/27/2019 2013 II - APC - CLASE N 04
106/337
7/27/2019 2013 II - APC - CLASE N 04
107/337
7/27/2019 2013 II - APC - CLASE N 04
108/337
7/27/2019 2013 II - APC - CLASE N 04
109/337
7/27/2019 2013 II - APC - CLASE N 04
110/337
7/27/2019 2013 II - APC - CLASE N 04
111/337
7/27/2019 2013 II - APC - CLASE N 04
112/337
7/27/2019 2013 II - APC - CLASE N 04
113/337
7/27/2019 2013 II - APC - CLASE N 04
114/337
Tendencia lineal: frmulasTENDENCIA LINEAL
7/27/2019 2013 II - APC - CLASE N 04
115/337
n
xb
n
ya
xxn
yxxynb
22
7/27/2019 2013 II - APC - CLASE N 04
116/337
7/27/2019 2013 II - APC - CLASE N 04
117/337
7/27/2019 2013 II - APC - CLASE N 04
118/337
7/27/2019 2013 II - APC - CLASE N 04
119/337
7/27/2019 2013 II - APC - CLASE N 04
120/337
Ao Trim. Yt1 1 13618
2 12930
3 13138
7/27/2019 2013 II - APC - CLASE N 04
121/337
3 13138
4 16532
2 1 14514
2 14128
3 155684 17448
3 1 13984
2 136443 15898
4 19300
APLICACIN DE VARIOS MTODOS ADATOS DESESTACIONALIZADOS
20000
7/27/2019 2013 II - APC - CLASE N 04
122/337
10000
11000
12000
13000
14000
15000
16000
17000
18000
19000
1 2 3 4 1 2 3 4 1 2 3 4
Trimestres
7/27/2019 2013 II - APC - CLASE N 04
123/337
7/27/2019 2013 II - APC - CLASE N 04
124/337
7/27/2019 2013 II - APC - CLASE N 04
125/337
7/27/2019 2013 II - APC - CLASE N 04
126/337
7/27/2019 2013 II - APC - CLASE N 04
127/337
7/27/2019 2013 II - APC - CLASE N 04
128/337
SERIES DE TIEMPO CON WINQSB2Regresion l ineal (Linear Regression)
7/27/2019 2013 II - APC - CLASE N 04
129/337
7/27/2019 2013 II - APC - CLASE N 04
130/337
7/27/2019 2013 II - APC - CLASE N 04
131/337
7/27/2019 2013 II - APC - CLASE N 04
132/337
7/27/2019 2013 II - APC - CLASE N 04
133/337
7/27/2019 2013 II - APC - CLASE N 04
134/337
SERIES DE TIEMPO CON WINQSB2 En el men Resolv er y analizar (Solve and Analyze)
elegim os la nica opcindisponible:
7/27/2019 2013 II - APC - CLASE N 04
135/337
La nueva ventana permitir distinguir entre diferentesmtodos de solucin para series de tiempo:
La nueva ventana permitir distinguir entre diferentesmtodos de solucin para seres de tiempo:
7/27/2019 2013 II - APC - CLASE N 04
136/337
7/27/2019 2013 II - APC - CLASE N 04
137/337
7/27/2019 2013 II - APC - CLASE N 04
138/337
7/27/2019 2013 II - APC - CLASE N 04
139/337
7/27/2019 2013 II - APC - CLASE N 04
140/337
7/27/2019 2013 II - APC - CLASE N 04
141/337
7/27/2019 2013 II - APC - CLASE N 04
142/337
7/27/2019 2013 II - APC - CLASE N 04
143/337
7/27/2019 2013 II - APC - CLASE N 04
144/337
7/27/2019 2013 II - APC - CLASE N 04
145/337
Los grandes errores positivos se compensan conlos grandes errores negativos en la CFE de una
di i
ERROR DE PRONOSTICO ACUMULADO(CFE)
7/27/2019 2013 II - APC - CLASE N 04
146/337
medicin. Sin embargo el CFE resulta til para evaluar esesgo de un pronstico.
Por ejemplo, si un pronstico resulta mas bajo quela demanda real, el valor del CFE sera cada vezms grande.
Et=CFE
n
1=i
7/27/2019 2013 II - APC - CLASE N 04
147/337
7/27/2019 2013 II - APC - CLASE N 04
148/337
DESVIACION MEDIA ABSOLUTA (MAD) Desviacin Absoluta Media (MAD): Su valor se calculasumando los valores absolutos de los errores individualesdel pronstico y dividiendo entre el nmero de periodos
de datos (n)
7/27/2019 2013 II - APC - CLASE N 04
149/337
n
Suma de Desviacin absoluta para n periodos=MAD
n
Demanda pronosticada-Demanda actual=MAD
n
1=i
de datos (n)
Veamos un ejemplo
Muestra la magnitud del error global.
No penaliza los errores extremos.
No anula los errores.
N d id d l di i d l
DESVIACION MEDIA ABSOLUTA (MAD)
7/27/2019 2013 II - APC - CLASE N 04
150/337
No da idea de la direccin del error.
En unidades originales.
7/27/2019 2013 II - APC - CLASE N 04
151/337
7/27/2019 2013 II - APC - CLASE N 04
152/337
7/27/2019 2013 II - APC - CLASE N 04
153/337
7/27/2019 2013 II - APC - CLASE N 04
154/337
7/27/2019 2013 II - APC - CLASE N 04
155/337
ERROR CUADRATICO MEDIO (MSE)Trimestre
Toneladasreales
Descargadas
Pronstico
Redondeado
con =0,10
1
2
180
168
175
176
(Error)2
52
= 25
(-8)2
= 642
7/27/2019 2013 II - APC - CLASE N 04
156/337
3
4
5
6
78
159
175
190
205
180182
175
173
173
175
178178
(-16) = 256
(2) = 4
17 = 289
30 = 900
2 = 44 = 16
2
2
2
2
2
2
Suma de los cuadrados de los errores 1.558
MSE = (errores de pronstico)
n
2
= 1.558 / 8 = 194,75
Usando un = 0,50 se obtendra un MSE de 201,5. Por lo tanto el =0,10 es una mejor eleccin por que se minimiza el MSE.
ERROR PORCENTUAL ABSOLUTO MEDIO (MAPE)Error Porcentual Absoluto (MAPE): Este se calculacomo el promedio de las diferencias absolutas entre losvalores pronosticados y los reales y se expresa comoporcentaje de los valores reales Es decir si hemos
7/27/2019 2013 II - APC - CLASE N 04
157/337
porcentaje de los valores reales. Es decir, si hemospronosticado n periodos y los valores realescorresponden a n periodos, MAPE, se calcula como:
Sigamos con el ejemplo del puerto del Callao paradeterminar el MAPE
= real i - pronstico i / real i100n
i = 1MAPE
n
7/27/2019 2013 II - APC - CLASE N 04
158/337
7/27/2019 2013 II - APC - CLASE N 04
159/337
7/27/2019 2013 II - APC - CLASE N 04
160/337
7/27/2019 2013 II - APC - CLASE N 04
161/337
7/27/2019 2013 II - APC - CLASE N 04
162/337
Mnimos Cuadrados
7/27/2019 2013 II - APC - CLASE N 04
163/337
ANO Y X X2 XY1964 108 0 0 0 PUNTO BASE1965 119 1 1 1191966 110 2 4 220
1967 122 3 9 3661968 130 4 16 520
589 10 30 1225
Y = a + bx
Mnimos Cuadrados
7/27/2019 2013 II - APC - CLASE N 04
164/337
589 10 30 1225
Si multiplicamos la ecuacion de la recta por el coeficiente de "a"y luego se suman los terminos, tenemos.
Y = Na + b x
Ahora multiplicamos la ecuacion de la recta por el coeficiente de "b"
y luego se suman los terminos. XY = aX + bX2
589 = 5a + 10b =====> a =
1225 = a(10) + b(30) ==> a =
b = 4.7a = 108.4
Y5= 108.4 + 4.7(5)
Y5= 131.9
Y = 108.4 + 4.7x
10589 -10b
5=
1225 - 30b10
589 -10b5
1225 - 30b
7/27/2019 2013 II - APC - CLASE N 04
165/337
Mtodo Causal de Regresin lineal= a + bx= Demanda Estimada Yi Xix = Variable Independiente (se supone genera n na = Interseccion de Y
b = Pendiente
n= 82 2
b =n XiYi- [(Xi)(Yi)]
nXi2 - (xi)2
EJEMPLO
a = - b
7/27/2019 2013 II - APC - CLASE N 04
166/337
i Yi Xi XiYi Xi2 Yi
2
1 3.0 2.0 6.0 4.0 9.02 3.5 2.4 8.4 5.8 12.33 4.1 2.8 11.5 7.8 16.84 4.4 3.0 13.2 9.0 19.45 5.0 3.2 16.0 10.2 25.06 5.7 3.6 20.5 13.0 32.57 6.4 3.8 24.3 14.4 41.08 7.0 4.0 28.0 16.0 49.0 39.1 24.8 127.9 80.2 204.9
b = 2.00 = - 1.3 + 2xa = -1.30 Si x = 4.2r2 = 97.3% 9= 7.1
[nXi2 - (Xi)
2][nYi2 - (Yi)
2]r2 = [nXiYi - (Xi)(Yi)]
2
7/27/2019 2013 II - APC - CLASE N 04
167/337
Ventas
34
Ventas Vs Tiempo
GRAFICO DE REGRESION LINEAL
7/27/2019 2013 II - APC - CLASE N 04
168/337
Tiempo
0
1
2
3
04 05 06 07 08
Regresin lineal:
La regresin lineal simple relaciona a una variable dependiente
con una variable independiente en forma de ecuacin lineal
como sigue:
ANALISIS DE REGRESION LINEAL
7/27/2019 2013 II - APC - CLASE N 04
169/337
170
Para desarrollar la ecuacin lineal, la pendiente (b) y el
intercepto (a) con las formulas mostradas acontinuacin.
bxay Variable dependiente
InterceptoPendiente
Variable independiente
7/27/2019 2013 II - APC - CLASE N 04
170/337
Explicaremos la regresin siguiendo el contextode un ejemplo.
El departamento de atletismo de una
universidad quiere elaborar su presupuesto parael prximo ao utilizando un pronostico para la
Wins Attendance
x y4 36,300
ANALISIS DE REGRESION LINEAL
7/27/2019 2013 II - APC - CLASE N 04
171/337
172
p p pasistencia a los partidos de ftbol americano.
La asistencia a los partidos de ftbol americanosignifica el ingreso mas alto que tienen, y el
director de atletismo piensa que la asistenciaesta directamente relacionada con la cantidad devictorias de su equipo.
El gerente administrativo ha acumulado elhistorial de asistencia durante los ltimos 8 aos
que es como sigue:
,
6 40,100
6 41,200
8 53,000
6 44,0007 45,600
5 39,000
7 47,500
Dado que muchos de los jugadores son buenos y regresaran el prximo ao y alcalendario de juegos, el director cree que el equipo tendr al menos 7 victorias durante laprxima temporada.
El director quiere desarrollar una ecuacin de regresin simple utilizando los datos de
asistencia histrica y aplicarlo a las 7 victorias. Hacemos los clculos para a y b:
49
ANALISIS DE REGRESION LINEAL
7/27/2019 2013 II - APC - CLASE N 04
172/337
173
W i n s Attendance
(1,000s)
x y xy x2
4 36.3 145.2 16
6 40.1 240.6 36
6 41.2 247.2 36
8 53.0 424.0 64
6 44.0 264.0 36
7 45.6 319.2 49
5 39.0 195.0 25
7 47.5 332.5 49
49 346.7 2,167.7 311 890,4689.46)7)(06.4(46.18
)7(esvictorias7parapronosticoEl
46.18)125.6)(06.4(34.43
061.4)125.6)(8(311
)34.43)(125.6)(8(7.167,2
34.438
7.346
125.68
49x
22
bxay
x
xbya
xnx
yxnxyb
n
yy
n
x
Correlacin: La correlacin en la ecuacin de la regresin lineal simple es
una medicin de la fortaleza de la relacin que existe entre la variable
dependiente y la variable independiente y se calcula con la siguiente
formula:
yxxyn
r
CORRELACION
7/27/2019 2013 II - APC - CLASE N 04
173/337
174
El valor de rvaria entre -1.00 y +1.00
Con valorr= 1, significa que un incremento en la variable independienteresultara en un incremento lineal correspondiente en la variable
dependiente.
Con valorr= -1, significa que un incremento en la variable independiente
resultara en un decremento lineal correspondiente en la variable
dependiente. Un valor cercano a cero, significa que no existe una relacin
lineal entre las variables.
2222 )()( yynxxnr
Obtenemos el valor dey2 que nos hace falta y calculamos la correlacin
como sigue:
WinsAttendance
(1,000s)
x y xy x2
y2
CORRELACION
7/27/2019 2013 II - APC - CLASE N 04
174/337
175
x y xy x y
4 36.3 145.2 16 1,317.7
6 40.1 240.6 36 1,608.0
6 41.2 247.2 36 1,697.4
8 53.0 424.0 64 2,809.0
6 44.0 264.0 36 1,936.0
7 45.6 319.2 49 2,079.4
5 39.0 195.0 25 1,521.0
7 47.5 332.5 49 2,256.3
49 346.7 2,167.7 311 15,224.8
El valor que obtenemos es muy cercano a 1, lo que significa
que existe una fuerte relacin entre el numero de victorias y la
afluencia a los juegos.
yxxyn
CORRELACION
7/27/2019 2013 II - APC - CLASE N 04
175/337
176
948.0
)7.346()8.224,15)(8()49()311)(8(
)7.346)(49()7.167,2)(8(
)()(
22
2222
r
r
yynxxn
yyr
Coeficiente de determinacin:
Esta es otra medicin para determinar la fortaleza de la relacin entre las
variables dependiente e independiente. Se calcula simplemente elevando al
cuadrado el coeficiente de correlacin rcomo sigue:
898.0)948.0()( 222 rr
COFICIENTE DE DETERMINACION
7/27/2019 2013 II - APC - CLASE N 04
176/337
177
Este valor para el coeficiente de determinacin nos indica que un 89.8% de
la cantidad en que varia la audiencia puede ser atribuido a los triunfos del
equipo.
El 10.2% puede ser atribuido a otros factores como el clima.
Un valor de 1 equivale al 100% indicara que la audiencia seria totalmente
dependiente de las victorias, en nuestro caso, el 10.2% nos indica quepodemos esperar algo de variacin.
)()(
ECUACION DE REGRESIN Determinar la Ecuacin de la Linea de Regresin; Y = a + bX
Usada para predecir el valor de la Variable Dependiente (Y)basado en los valores de la Variable Independiente (X).
bn XY X Y ( ) ( )( )
7/27/2019 2013 II - APC - CLASE N 04
177/337
Variable Dependiente (Y): La variable que queremos estimaro predecir.
Variable Independiente (X): La variable que se usa parahacer la prediccin o estimacin.
bn X X
a
Y
n b
X
n
( ) ( )( )
( ) ( )
2 2
X
i Y
i X
i
2
Y
i
2
X
i
Y
i
X
1 Y
1 X
1
2Y
1
2X
1
Y
1
TABLA DE REGRESION LINEAL
7/27/2019 2013 II - APC - CLASE N 04
178/337
X1 Y1 X1 Y1 X1Y1
X2 Y2 X22
Y22
X2Y2
: : : : :Xn Yn Xn
2Yn
2XnYn
Xi Yi Xi2 Yi2 XiYi
David Castillo es dueo de una compaa constructoraen Lima. El se ha percatado que el volumen de ventasdepende de la nomina en el rea de Lima. La siguientetabla de datos enumera los ingresos y la nomina de
los trabajadores en Los ngeles durante el 2003 y2008.
EJEMPLO DE REGRESION LINEAL
7/27/2019 2013 II - APC - CLASE N 04
179/337
Aos Ventas de David Castillo Nmina Local(US$ 000 000),y (US$ 000 000 000),x
2003 2.0 12004 3.0 32005 2.5 42006 2.0 22007 2.0 1
2008 3.5 7Cul es la tendencia de la ecuacin?
EJEMPLO DE REGRESION LINEALVentas,y Nmina,x x2 xy
2,00 1 1 2,0
3,00 3 9 9.0
2,50 4 16 10.0
7/27/2019 2013 II - APC - CLASE N 04
180/337
2,00 2 4 4.0
2,00 1 1 2.0
3,50 7 49 24.5
15.0 18 80 51.5
Substituya la siguiente formula para encontrar b.
250)5.2)(3(65.51
b
22
XnX
YXnXYb
7/27/2019 2013 II - APC - CLASE N 04
181/337
25.0)9(680
b
75.1)3(25.05.2 a
Substituya la siguiente formula para encontrar a.
XbYa
bxaY Substituya la siguiente formula para encontrar Y.
xY 25.075.1
7/27/2019 2013 II - APC - CLASE N 04
182/337
Reemplazamos valores si los ingresos son:
US$ 6000,0000,000.00
)6(25.075.1 Y
Dando como resultados ventas por el monto deUS$ 325,000.00
7/27/2019 2013 II - APC - CLASE N 04
183/337
ERROR ESTNDAR DE ESTIMACION
Ejemplo: Calcular el error estndar de la estimacinpara los datos de Castillo en el ejemplo anterior. Parafacilitar el tenemos que Y2 = 39.5
39 5 1 75(15 0) 0 25(51 5)S =
7/27/2019 2013 II - APC - CLASE N 04
184/337
39.5 -1.75(15.0) 0.25(51.5)
6 - 2
S y.x =
S y.x = 0.306 (en ciento de miles de US$)
El error estndar de estimacin es US$ 30,600
COEFICIENTE DE CORRELACION
Calculamos el coeficiente de correlacion para losdatos de Castillo en el ejemplo anterior. Para facilitarel tenemos que Y2 = 39.5
2
2YnXYbYa
r
7/27/2019 2013 II - APC - CLASE N 04
185/337
9492.0)5.2(65.39
)5.2(6)5.51(25.0)0.15(75.12
r
22YnY
r
901.0r
7/27/2019 2013 II - APC - CLASE N 04
186/337
MODELOS DE SERIE DE REGRESIONLINEAL CON WINQSB2EJEMPLO 02
EJEMPLO DE REGRESIN LINEALPredecir el valor de Y para un X de 40 si se tienenlos siguiente datos:
7/27/2019 2013 II - APC - CLASE N 04
187/337
EJEMPLO DE REGRESIN LINEALEn la ventana Especi f icaciones del problema(Problem Specif icat ion), seleccionamos Regresinl ineal (Linear Regressio n) y dig i tamos la sigu iente
informacin:
7/27/2019 2013 II - APC - CLASE N 04
188/337
EJEMPLO DE REGRESIN LINEALIngresamos los datos del problema como se muestra acontinuacin (factor 1 equivale a X):
7/27/2019 2013 II - APC - CLASE N 04
189/337
EJEMPLO DE REGRESIN LINEALEn el men Reso lver y anal izar (Solve and Analyze)elegimo s la opcindisponible:
7/27/2019 2013 II - APC - CLASE N 04
190/337
EJEMPLO DE REGRESIN LINEALEn la siguiente ventana se especifica cual es la variabledependiente, para lo cual, se deber marcar el factor 2 (que paranuestro caso es Y) y luego pulsar el botn OK.
7/27/2019 2013 II - APC - CLASE N 04
191/337
EJEMPLO DE REGRESIN LINEALLos resultados de la regresin se muestran de lasiguiente forma:
7/27/2019 2013 II - APC - CLASE N 04
192/337
Las medias de las variables aparecen en la columnallamada MeanX = 1515,833 y Y = 22,5
Las desviaciones correspondientes estn en la columna
EJEMPLO DE REGRESIN LINEAL
7/27/2019 2013 II - APC - CLASE N 04
193/337
Standard Deviatio n (9,35para X y 403,34para Y). Losvalores de a y b de la ecuacin de la lnea recta estn en
la columna Regression Coeff ic ient :Y = 553,4762 + 42,7714X
La correlacin al cuadrado es de 0,9839438.
LA ECUACIN DE LA RECTA EN MODO GRFICOPara observar el mapa de dispersin y la lnea de tendencia
simplemente accederemos al men Resultados (Results) y
seleccionamos Mostrar regresin lineal (Show RegressionLine).
EJEMPLO DE REGRESIN LINEAL
7/27/2019 2013 II - APC - CLASE N 04
194/337
7/27/2019 2013 II - APC - CLASE N 04
195/337
7/27/2019 2013 II - APC - CLASE N 04
196/337
ESTIMANDO YPara estimar el valor de Y para un X de 40deberemos cerrar las ventanas de resultado y en el
men Reso lver y analizar (Solve and Analyze)pu lsamos sobrela ltima opcin:
EJEMPLO DE REGRESIN LINEAL
7/27/2019 2013 II - APC - CLASE N 04
197/337
ESTIMANDO Y
Pulsamos sobre el botn Entrar valor de la variableindepend iente (Enter Value for Independent Variable)
e ing resamos 40::
EJEMPLO DE REGRESIN LINEAL
7/27/2019 2013 II - APC - CLASE N 04
198/337
ESTIMANDO Y
Pulsamos el botn OK en ambas ventanas.
EJEMPLO DE REGRESIN LINEAL
7/27/2019 2013 II - APC - CLASE N 04
199/337
7/27/2019 2013 II - APC - CLASE N 04
200/337
MODELOS DE SERIE DEREGRESION LINEAL CON WINQSB2EJEMPLO 03
EJEMPLO DE REGRESIN LINEAL
Predecir el valor de Y para un X de 40 si se tienenlos siguiente datos:
7/27/2019 2013 II - APC - CLASE N 04
201/337
EJEMPLO DE REGRESIN LINEALEn la ventana Especi f icaciones del problema(Problem Specif icat ion), seleccionamos Regresinl ineal (Linear Regressio n) y dig i tamos la sigu iente
informacin:
7/27/2019 2013 II - APC - CLASE N 04
202/337
EJEMPLO DE REGRESIN LINEALIngresamos los datos del problema como se muestra acontinuacin (factor 1 equivale a X):
7/27/2019 2013 II - APC - CLASE N 04
203/337
EJEMPLO DE REGRESIN LINEALEn el men Reso lver y anal izar (Solve and Analyze)elegimo s la opcindisponible:
7/27/2019 2013 II - APC - CLASE N 04
204/337
EJEMPLO DE REGRESIN LINEALEn la siguiente ventana se especifica cual es la variabledependiente, para lo cual, se deber marcar el factor 1(que para nuestro caso es Y) y luego pulsar el botn OK.
7/27/2019 2013 II - APC - CLASE N 04
205/337
EJEMPLO DE REGRESIN LINEALLos resultados de la regresin se muestran de lasiguiente forma:
7/27/2019 2013 II - APC - CLASE N 04
206/337
Las medias de las variables aparecen en la columnallamada MeanX = 3.0000 y Y = 2.5000
Las desviaciones correspondientes estn en la columnaStandard Deviat ion (2.2804para X y 0.6325 para Y).
EJEMPLO DE REGRESIN LINEAL
7/27/2019 2013 II - APC - CLASE N 04
207/337
Los valores de a y b de la ecuacin de la lnea recta estn
en la columna Regression Coeff ic ient :Y = 1.7500 + 0.2500XLa correlacin al cuadrado es de 0,98125
LA ECUACIN DE LA RECTA EN MODO GRFICOPara observar el mapa de dispersin y la lnea de tendencia
simplemente accederemos al men Resultados (Results) y
seleccionamos Mostrar regresin lineal (Show Regression
Line).
EJEMPLO DE REGRESIN LINEAL
7/27/2019 2013 II - APC - CLASE N 04
208/337
7/27/2019 2013 II - APC - CLASE N 04
209/337
7/27/2019 2013 II - APC - CLASE N 04
210/337
ESTIMANDO Y
Para estimar el valor de Y para un X de 60 deberemoscerrar las ventanas de resultado y en el men Reso lver y
anal izar (Solve and Analyze) pulsamos sobrela ltimaopcin:
EJEMPLO DE REGRESIN LINEAL
7/27/2019 2013 II - APC - CLASE N 04
211/337
ESTIMANDO Y
Pulsamos sobre el botn Entrar valor de la variableindepend iente (Enter Value for Independent Variable)
e ingresamos 6:
EJEMPLO DE REGRESIN LINEAL
7/27/2019 2013 II - APC - CLASE N 04
212/337
ESTIMANDO Y
Pulsamos el botn OK en ambas ventanas.
EJEMPLO DE REGRESIN LINEAL
7/27/2019 2013 II - APC - CLASE N 04
213/337
OBJETIVOS ESPECIFICOS DE APRENDIZAJEal final de la clase el estudiante:
Deber disear y ejecutar un sistema de operacin quesatisfaga a los clientes.
Deber, debe reconocer cunta demanda tiene que satisfacer,lo cul lo conduce a tres interrogantes importantes:Como saber que producir?Como saber cuanto producir?
7/27/2019 2013 II - APC - CLASE N 04
214/337
2
1
Como saber cuanto producir?Como saber cuando producir?
Debera responder estas preguntas mediante la administracinde la demanda ayuda a responder estas preguntas. Laadministracin de la demanda incluye identificar todas lasfuentes potenciales de la demanda, as como influir en los niveles
y la duracin de la demanda. Los intentos de medir la demandainicial y los efectos de administrarla se denominan predicciones.
ORIENTACION GERENCIAL Una organizacin empresarial dentro de su
planeacin estratgica trata de responderestas dos preguntas:
Cmo satisfacer totalmente a los clientes? Cmo hacerlo mejor que la competencia?
Una parte integral de la planeacin
7/27/2019 2013 II - APC - CLASE N 04
215/337
estratgica de una empresa incluye la
identificacin y el anlisis de las fuentesactuales y potenciales de demanda de susbienes y servicios. La firma debe determinarcules fuentes de demanda cultivar y cmosatisfacer la demanda anticipada.
ORIENTACION GERENCIAL
DEFINICION: La administracin de lademanda implica reconocer fuentes dedemanda para los bienes y servicios de una
E d i l d d
7/27/2019 2013 II - APC - CLASE N 04
216/337
Empresa, predecir la demanda y
determinar la manera cmo la empresa
satisfar esa demanda.
QU ES PRONOSTICAR?
Es el arte y la ciencia de predecir los eventos
futuros. Puede involucrar el manejo de datoshistricos para proyectarlos al futuro, mediante
algn tipo de modelo matemtico.
Cuanto
vender?
7/27/2019 2013 II - APC - CLASE N 04
217/337
Puede ser una prediccin subjetiva o intuitiva. O
bien una combinacin de ambas, es decir unmodelo matemtico ajustado por el buen juicio de
un administrador de operaciones.
PRONSTICOS PARTE INTEGRALDEL PLANEAMIENTO DE NEGOCIOS
Mtodos de
Pronstico
Estimacin
de lademanda
Ingreso:
Mercado,Economa,Otros
7/27/2019 2013 II - APC - CLASE N 04
218/337
219
Pronsticode Ventas
Equipo deAdministracin
Estrategiade Negocios
Pronstico deRecursos de Produccin
EJEMPLOS DE PRONSTICOS DERECURSOS DE PRODUCCIN
RangoAlto
AoLnea de Products,
Capacidad de Planta
Horizonte
PronsticoTiempo
Comienzo
del Pronstico
Unidad de
Medida
Dolares,Libras
7/27/2019 2013 II - APC - CLASE N 04
219/337
220
Alto
RangoMedio
Rango
Corto
Meses
Semanas
Capacidad de Planta
Grupos de ProductosCapacidad de Dptos.
Productos Especificos
Capacidad de Maq.
Libras
Dolares,Libras
Prod. Units,
Unidades
Proporciona informacinrelacionada con el mercado ylas predicciones de lademanda.
Administra la demandamediante polticas de fijacinde precio y promociones p.e.los descuentos de temporadanivelan la demanda por un
MARKETING OPERACIONES
Se encarga de asegurar quelos bienes y servicios de laEmpresa se proporcionencuando se necesiten.
7/27/2019 2013 II - APC - CLASE N 04
220/337
nivelan la demanda por unproducto o servicio.
Pronstico a corto plazo t Hasta 3 meses. Asignacin de trabajos
Pronstico a mediano plazo Entre 3 meses y 3 aos.
TIPOS DE PRONOSTICO PORHORIZONTE DE TIEMPO
7/27/2019 2013 II - APC - CLASE N 04
221/337
222
Planeacin de Produccin y venta.
Pronstico a largo plazo Mas de 3 aos Planeacin de un nuevo producto.
TIPOS DE PRONSTICOS
Econmicos
Tecnolgicos De demanda
7/27/2019 2013 II - APC - CLASE N 04
222/337
223
PRONOSTICOS ECONOMICOS
Sirven para pronosticar lo quesern las condiciones generales
de los negocios dentro dealgunos meses o aos.
Lo hacen los gobiernos, losb l i i d
7/27/2019 2013 II - APC - CLASE N 04
223/337
bancos y los servicios deprediccin economtrica.
7/27/2019 2013 II - APC - CLASE N 04
224/337
PRONOSTICOS DE LA DEMANDA
Las predicciones dedemanda pronostican la
cantidad y la duracin dela demanda de los bienesy servicios de unaempresa.
7/27/2019 2013 II - APC - CLASE N 04
225/337
empresa.
ENFOQUES PARA PRONOSTICAR
Pronsticos Cualitativos
P ti C tit ti
7/27/2019 2013 II - APC - CLASE N 04
226/337
227
Pronsticos Cuantitativos
ENFOQUES CUALITATIVOS PARAPRONOSTICAR LA DEMANDA
Las tcnicas cualitativas de prediccin dependen de
conjetura adquiridas con base en la institucin lastcnicas cualitativas mas comunes son:
Jurado de opinin ejecutiva
7/27/2019 2013 II - APC - CLASE N 04
227/337
Jurado de opinin ejecutiva
Mtodo Delphi.
Fuerza de ventas
Encuestas a los clientes.
JURADO DE OPININ EJECUTIVA Permite la fusin de las opiniones de una seccin de expertosinterfuncionales.
Involucra pequeo grupo de alto nivel los administradores. Grupo estimaciones de la demanda de trabajo conjunto. Combina la experiencia de gestin con modelos estadsticos.
Esta tcnica es relativamente econmica y mas utilizada amediano y largo plazo. Relativamente rpida La desventaja es que se crea el grupo que piensa.
7/27/2019 2013 II - APC - CLASE N 04
228/337
229
j q g p q p
METODO DELPHI
Este mtodo involucra a un grupo de expertos que comparteninformacin y eventualmente llegan a un consenso en unaprediccin a largo plazo con respecto a las tecnologa del futuro oa las ventas futuras de un nuevo producto.
Esta conformado por tres tipos de personas:
Los decisores (Decision Makers).
Facilitadores (Staff).
7/27/2019 2013 II - APC - CLASE N 04
229/337
( )
Los encuestados (Respondents).
FUERZA DE VENTAS
En muchas compaas la fuerza de ventas entra encontacto directo con los clientes lo cual constituye unabuena fuente de informacin que considera lasintenciones de los clientes a corto y a mediano plazos:
Cada vendedor proyecta sus ventas. Se combina niveles distritales y nacionales.
La fuerza de ventas conoce a los clientes.
Tienden a ser demasiado optimistas
Sales
7/27/2019 2013 II - APC - CLASE N 04
230/337
231
ENCUESTA A LOS CLIENTES Una empresa tambin puede basar sus
predicciones en los planes establecidosde compras futuras de sus clientesactuales y potenciales mediante unaencuesta a sus clientes.
Esta informacin puede obtenersedirectamente por medio de encuestaspersonales, por telfono, correo o fax.
S t l li t b l
Cuantas horasusar Ud. Internet la
prxima semana?
7/27/2019 2013 II - APC - CLASE N 04
231/337
Se pregunta a los clientes sobre planes
de adquisiciones. Qu dicen los consumidores, y lo que
realmente hacen a menudo es diferente?
A veces difcil de responder 1995 Corel
Corp.
Estos mtodos cuantitativos emplean los modelos
matemticos y los datos histricos para pronosticar lademanda. As, el pasado se utiliza para predecir el futuro.
Hay dos tipos generales de mtodos cuantitativos:
- Modelos de Series de tiempo
ENFOQUES CUANTITATIVOS PARA
PRONOSTICAR LA DEMANDA
7/27/2019 2013 II - APC - CLASE N 04
232/337
p
- Modelos Causales
MODELOS DE SERIES DE TIEMPO
Incluye elaborar grficas de los datos de demandasobre una escala de tiempo y estudiar las grficaspara descubrir los modelos y las figuras o lospatrones consistentes. Luego, estos patrones seproyectan hacia el futuro.
DEFINICION: Una serie de tiempo es una secuencia
7/27/2019 2013 II - APC - CLASE N 04
233/337
de observaciones cronolgicamente clasificadas que
se toman a intervalos regulares para una variable enparticular.
Tendencia Cclica
COMPONENTES DE LAS SERIES DE TIEMPO
7/27/2019 2013 II - APC - CLASE N 04
234/337
235
Estacional Aleatorio
MtodoCuantitativo
ModelosCausales
ModelosSerie de Tiempos
METODOS CUANTITATIVOS
7/27/2019 2013 II - APC - CLASE N 04
235/337
236
RegresinLineal
SuavizadoExponencial
PromedioMvil
ProyeccinTendencia
DESCOMPOSICION DE UNASERIE DE TIEMPOS
Tedencia (T) es el movimiento gradual, ascendente odescendente, de los datos a traves del tiempo.
Estacionalidad (S) es el patron de datos que serepite a si mismo despues de un periodo de dias,semanas, meses, trimestres, estaciones, etc. perod t l
7/27/2019 2013 II - APC - CLASE N 04
236/337
237
dentrol ao..
Ciclos (C) son patrones que ocurren enlos datoscada varios aos.
Variacin al azar (R) son variaciones aleatorias queno obedecen a ningun comportamiento.
TENDENCIAS Las tendencias reflejan los cambios en la tecnologa, los
estndares de vida, los ndices de poblacin ,etc..
DEFINICION: Una tendencia es el movimiento gradual haciaarriba o hacia debajo de los datos en el tiempo.
Las tendencias son montonas, pero no siempre lineales;pueden ser logartmica o exponenciales.
7/27/2019 2013 II - APC - CLASE N 04
237/337
Mo., Qtr., Yr.
Response
ESTACIONALIDAD
Las variaciones de temporada pueden corresponder alas estaciones del ao, a los das festivos o adiferentes momentos del da o la semana.
DEFINICION: La temporada es la variacin que se
repite a intervalos fijos. Pueden durar un ao o solounas pocas horas.
7/27/2019 2013 II - APC - CLASE N 04
238/337
Mo., Qtr.
Response
Summer
ESTACIONALIDAD
Perido de tiempo Nmero dedel Patrn donde Longitud de la Estaciones en
es repetido Estacin el Patrn
Ao Trimestre 4
Ao Mes 12
7/27/2019 2013 II - APC - CLASE N 04
239/337
240
Ao Semana 52
Mes Semana 4Mes Dia 28-31
Semana Dia 7
VARIACIONES CICLICAS
Las alzas y las bajas de la economa o de una industriaespecificas se representan en variaciones cclicas . El ciclo denegocios que se repite de cinco a diez aos es un ejemplo.
DEFINICION: La variacin cclica tiene una duracin de por lo
menos un ao; la variacin varia de un ciclo a otro.
Cycle
7/27/2019 2013 II - APC - CLASE N 04
240/337
Mo., Qtr., Yr.
Response
y
VARIACIONES ALEATORIAS
Las variaciones aleatorias son variaciones enla demanda que no pueden explicarse mediantetendencias , variaciones de temporada ovariaciones cclicas. Un suceso impredecible,
como una guerra, una huelga, un terremoto opartes de legislacin, puede causar grandesvariaciones aleatorias. A diferencia de las otrastendencias , la variacin aleatoria siempre esta
7/27/2019 2013 II - APC - CLASE N 04
241/337
presente.
DEMANDA DE PRODUCTO PARA 4 AOS CON
TENDENCIA Y ESTACIONALIDADPicos Estacionales Componente Tendencia
Lnea de actual
demanda
eproductoo
servicio
7/27/2019 2013 II - APC - CLASE N 04
242/337
243
Ao1
Ao2
Ao3
Ao4
Demanda promediopara 4 aos
Demandade
Variacin
aleatoria
1. El horizonte de tiempo para realizar la
proyeccin.
2. La disponibilidad de los datos.
3 L tit d id
CRITERIOS PARA SELECCIONAR UN
MODELO DE PRONOSTICO
7/27/2019 2013 II - APC - CLASE N 04
243/337
3. La exactitud requerida.
4. El tamao del presupuesto de proyeccin.
5. La disponibilidad de personal calificado.
MODELOS DE
7/27/2019 2013 II - APC - CLASE N 04
244/337
245
MODELOS DESERIE DE TIEMPOS
MODELOS DE SERIE DE TIEMPO
Modelo Multiplicativo de una serie de tiempo:At = Tt * St * Ct * Et
Modelo Aditivo de una serie de tiempo:At = Tt + St + C+ Et
Donde :
At=Demanda real en el perodo t
7/27/2019 2013 II - APC - CLASE N 04
245/337
Tt= Componente de tendencia para el perodo t.St= Componente de temporada para el perodo t.
Ct= Componente de ciclo para el perodo t.
Et= Componente aleatoria o error para el perodo t.
PROMEDIO MOVIL SIMPLE
Se utiliza para calcular la demanda promedio de losltimos n perodos y como prediccin para el siguienteperodo.
Promedio mvil simple:
Ft= (At + A t-1 + A t-2 +....+A t-n +1 )n
7/27/2019 2013 II - APC - CLASE N 04
246/337
n
Donde :Ft = prediccin para el perodo t+1At = demanda real para el perodon = nmero de perodos por promediar
Usted es gerente de una tienda de museo
histrico que vende rplicas. Quieres previsin
de ventas (000) para el ao 2013 utilizando un
perodo de 3 de media mvil.
2008 4
EJEMPLO DE PROMEDIO MOVIL SIMPLE
7/27/2019 2013 II - APC - CLASE N 04
247/337
248
2009 62010 52011 3
2012 7
TiempoRespuesta
e
Y
i
Mvil Total
(n= 3)Mvil
Prom(
n
= 3)
2008 4
2009 6
2010 5
NA NA
NA NA
NA NA
SOLUCION DEL PROMEDIO
MOVIL SIMPLE
7/27/2019 2013 II - APC - CLASE N 04
248/337
249
2010 5 NA NA
2011 32012 7
2013 NA
4 + 6 + 5 = 15
TiempoRespuesta
e
Y
i
Mvil Total
(n= 3)Mvil
Prom(
n
= 3)
2008 4
2009 6
2010 5
SOLUCION DEL PROMEDIO
MOVIL SIMPLE
NA NA
NA NA
NA NA
7/27/2019 2013 II - APC - CLASE N 04
249/337
250
2010 5
2011 32012 7
2013 NA
NA NA
4 + 6 + 5 = 15 15/3 = 5.06 + 5 + 3 = 14
TiempoRespuesta
e
Y
i
Mvil Total
(n= 3)Mvil
Prom(
n
= 3)
2008 4
2009 6
2010 5
SOLUCION DEL PROMEDIO
MOVIL SIMPLE
NA NA
NA NA
NA NA
7/27/2019 2013 II - APC - CLASE N 04
250/337
251
2011 32012 7
2013 NA
4 + 6 + 5 = 15 15/3 = 5.06 + 5 + 3 = 14 14/3 = 4.7
5 + 3 + 7 = 15 15/3 = 5.0
Ventas
2
46
8 Actual
Pronstico
SOLUCION DEL PROMEDIO
MOVIL SIMPLE
7/27/2019 2013 II - APC - CLASE N 04
251/337
252
Ao
008 09 10 11 12 13
PROMEDIO SIMPLECON WINQSB 2
7/27/2019 2013 II - APC - CLASE N 04
252/337
253
7/27/2019 2013 II - APC - CLASE N 04
253/337
7/27/2019 2013 II - APC - CLASE N 04
254/337
7/27/2019 2013 II - APC - CLASE N 04
255/337
PROMEDIO MOVIL SIMPLECON WINQSB 2
7/27/2019 2013 II - APC - CLASE N 04
256/337
257
7/27/2019 2013 II - APC - CLASE N 04
257/337
7/27/2019 2013 II - APC - CLASE N 04
258/337
7/27/2019 2013 II - APC - CLASE N 04
259/337
7/27/2019 2013 II - APC - CLASE N 04
260/337
PROMEDIO MOVIL PONDERADO
Se utiliza cuando existe una tendencia o patrn, lospesos pueden ser utilizados para poner mayor enfasisen datos recientes.
Promedio de mvil ponderado:
Ft= (Peso para el periodo n)(Demanda periodo n) pesos
7/27/2019 2013 II - APC - CLASE N 04
261/337
Donde :Ft = prediccin para el perodo nn = nmero de perodos por promediar
DEMANDA ACTUAL, PROMEDIO MOVIL,PROMEDIO MOVIL PONDERADO
10
15
20
25
30
35
MANDADEVE
NTAS
Ventas actuales
Promedio mvil
Promedio mvil ponderado
7/27/2019 2013 II - APC - CLASE N 04
262/337
263
0
5
Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec
Meses
DE
Al incrementar n pronsticos, hace a este
sensitivo a los cambios. No pronostica tendencias.
Requiere muchos datos histricos
DESVENTAJAS DEL PROMEDIO MOVIL
7/27/2019 2013 II - APC - CLASE N 04
263/337
264
PROMEDIO MOVIL PONDERADOCON WINQSB 2
7/27/2019 2013 II - APC - CLASE N 04
264/337
265
7/27/2019 2013 II - APC - CLASE N 04
265/337
7/27/2019 2013 II - APC - CLASE N 04
266/337
7/27/2019 2013 II - APC - CLASE N 04
267/337
7/27/2019 2013 II - APC - CLASE N 04
268/337
7/27/2019 2013 II - APC - CLASE N 04
269/337
3030
2525
2020
1515
alesdemand
alesdemand
ActualActualsalessales
MovingM o v i n g
WeightedWeighted
m o v i n g m o v i n g
averageaverage
GRAFICO DEL PROMEDIO MOVIL SIMPLE Y
PROMEDIO MOVIL PONDERADO
7/27/2019 2013 II - APC - CLASE N 04
270/337
2006 Prentice Hall, Inc. 4 47
1010
55
SS
| | | | | | | | | | | |
JJ FF MM AA MM JJ JJ AA SS OO NN DD
averageaverage
Figure 4.2Figure 4.2271
MODELOS DE SUAVIZADO
7/27/2019 2013 II - APC - CLASE N 04
271/337
272
EXPONENCIAL
MODELOS DE SUAVIZADO
Los modelos de suavizacin, como el promedio dedesplazamiento simple y la suavizacin exponencial,pueden proporcionar predicciones razonables a cortoplazo con rapidez y a bajo costo.
Suavizacin exponencial:
Ft= Ft-1 + (A t-1 - F t - 1)Donde :
7/27/2019 2013 II - APC - CLASE N 04
272/337
F t = prediccin para el perodo tF t - 1 = prediccin para el perodo t - 1At 1 = Demanda real para el perodo t - 1
= constante de suavizacin (0
7/27/2019 2013 II - APC - CLASE N 04
273/337
274
2012 190
Ft= Ft-1 + a(A t-1 - Ft-1)
Ao Actual
Pronstico Ft(a = .10)
2008 180 175.00 (Base)
2009 168 175.00 +
EJEMPLO DE SUAVIZADO EXPONENCIAL
http://images.google.com.pe/imgres?imgurl=http://www.uselessgraphics.com/kwanza2.gif&imgrefurl=http://www.uselessgraphics.com/kwanza.htm&h=470&w=317&sz=39&hl=es&start=4&usg=__unRAxs5Ks_YoP_R9c_Tr_uKLPDw=&tbnid=36Cj25dH-rkQhM:&tbnh=129&tbnw=87&prev=/images%3Fq%3DKwanza%26gbv%3D2%26hl%3Des%26sa%3DG7/27/2019 2013 II - APC - CLASE N 04
274/337
275
2010 1592011 175
2012 190
2013 NA
Ft= Ft-1 + a(A t-1 - Ft-1)
Ao Actual
Ft
(a = .10)
175.00 + .10(
EJEMPLO DE SUAVIZADO EXPONENCIAL
Pronstico
175.00 (Base)2008 180
2009 168
7/27/2019 2013 II - APC - CLASE N 04
275/337
276
2010 1592011 175
2012 190
2013 NA
Ft= Ft-1 + a(A t-1 - Ft-1)
Ao Actual
F
t
(
a = .10)
175.00 + .10(180 -
EJEMPLO DE SUAVIZADO EXPONENCIAL
Pronstico
175.00 (Base)2008 180
2009 168
2010 159
7/27/2019 2013 II - APC - CLASE N 04
276/337
277
2010 1592011 175
2012 190
2013 NA
Ft= Ft-1 + a(A t-1 - Ft-1)
Ao Actual
Ft
(a = .10)
175.00 + .10(180 - 175.00)
EJEMPLO DE SUAVIZADO EXPONENCIAL
Pronstico
175.00 (Base)2008 180
2009 168
2010 159
7/27/2019 2013 II - APC - CLASE N 04
277/337
278
2010 1592011 175
2012 190
2013 NA
Ft= Ft-1 + a(A t-1 - Ft-1)
Ao Actual
F
t
(
= .10)
175.00 + .10(180 - 175.00) = 175.50
EJEMPLO DE SUAVIZADO EXPONENCIAL
Pronstico
175.00 (Base)2008 180
2009 168
2010 159
7/27/2019 2013 II - APC - CLASE N 04
278/337
279
2010 1592011 175
2012 190
2013 NA
Ft= Ft-1 + a(A t-1 - Ft-1)
Ao Actual
Ft
(a = .10)
175.00 + .10(180 - 175.00) = 175.50
175 50 + 10(168 175 50) 174 75
EJEMPLO DE SUAVIZADO EXPONENCIAL
Pronstico
175.00 (Base)2008 180
2009 168
2010 159
7/27/2019 2013 II - APC - CLASE N 04
279/337
280
175.50 + .10(168 - 175.50) = 174.752010 1592011 175
2012 190
2013 NA
Ft= Ft-1 + a(A t-1 - Ft-1)
Ao Actual
Ft
(a = .10)
175.00 + .10(180 - 175.00) = 175.50
175 50 + 10(168 175 50) 174 75
EJEMPLO DE SUAVIZADO EXPONENCIAL
Pronstico
175.00 (Base)2008 180
2009 168
2010 159
7/27/2019 2013 II - APC - CLASE N 04
280/337
281
175.50 + .10(168 - 175.50) = 174.75174.75 + .10(159 - 174.75) = 173.18
2010 1592011 175
2012 190
2013 NA
Ft= Ft-1 + a(A t-1 - Ft-1)
Ao Actual
Ft
(a = .10)
175.00 + .10(180 - 175.00) = 175.50
175 50 + 10(168 175 50) = 174 75
EJEMPLO DE SUAVIZADO EXPONENCIAL
Pronstico
175.00 (Base)2008 180
2009 168
2010 159
7/27/2019 2013 II - APC - CLASE N 04
281/337
282
175.50 + .10(168 - 175.50) = 174.75174.75 + .10(159 - 174.75) = 173.18
173.18 + .10(175 - 173.18) = 173.36
2010 1592011 175
2012 190
2013 NA
Ft= Ft-1 + a(A t-1 - Ft-1)
Ao Actual
Ft
(a = .10)
175.00 + .10(180 - 175.00) = 175.50
175 50 + 10(168 175 50) = 174 75
EJEMPLO DE SUAVIZADO EXPONENCIAL
Pronstico
175.00 (Base)2008 180
2009 168
2010 159
7/27/2019 2013 II - APC - CLASE N 04
282/337
283
175.50 + .10(168 - 175.50) = 174.75174.75 + .10(159 - 174.75) = 173.18
173.18 + .10(175 - 173.18) = 173.36
173.36 + .10(190 - 173.36) = 175.02
2010 1592011 175
2012 190
2013 NA
Ventas
140150160170180
190 Actual
Pronstico
GRAFICO DE SUAVIZADO EXPONENCIAL
7/27/2019 2013 II - APC - CLASE N 04
283/337
284
Ao
140
08 09 10 11 12 13
Ft = At- 1 + (1- )At- 2 + (1- )2At- 3 + ...
EFECTO EN EL PRONOSTICO DE LACONSTANTE DE SUAVIZADO
Pesos
Prior Period
2 periods ago
(1 - )3 periods ago
(1 - )2=
0 10 10%
7/27/2019 2013 II - APC - CLASE N 04
284/337
285
= 0.10= 0.90
10%
Ft = At- 1 + (1- ) At- 2 + (1- )2At- 3 + ...
Pesos
Prior Period
2 periods ago
(1 - )3 periods ago
(1 - )2=
= 0 10 10% 9%
EFECTO EN EL PRONOSTICO DE LACONSTANTE DE SUAVIZADO
7/27/2019 2013 II - APC - CLASE N 04
285/337
286
= 0.10= 0.90
10% 9%
Ft = At- 1 + (1- )At- 2 + (1- )2At- 3 + ...
Pesos
Prior Period
2 periods ago
(1 - )3 periods ago
(1 - )2=
= 0 10 10% 9% 8 1%
EFECTO EN EL PRONOSTICO DE LACONSTANTE DE SUAVIZADO
7/27/2019 2013 II - APC - CLASE N 04
286/337
287
= 0.10= 0.90
10% 9% 8.1%
Ft = At- 1 + (1- )At- 2 + (1- )2At- 3 + ...
Pesos
Prior Period
2 periods ago
(1 - )3 periods ago
(1 - )2=
= 0 10 10% 9% 8 1%
EFECTO EN EL PRONOSTICO DE LACONSTANTE DE SUAVIZADO
7/27/2019 2013 II - APC - CLASE N 04
287/337
288
= 0.10= 0.90
10% 9% 8.1%
90%
Ft = At- 1 + (1- ) At- 2 + (1- )2At- 3 + ...
Pesos
Prior Period
2 periods ago
(1 - )3 periods ago
(1 - )2=
= 0 10 10% 9% 8 1%
EFECTO EN EL PRONOSTICO DE LACONSTANTE DE SUAVIZADO
7/27/2019 2013 II - APC - CLASE N 04
288/337
289
= 0.10= 0.90
10% 9% 8.1%
90% 9%
Ft = At- 1 + (1- ) At- 2 + (1- )2At- 3 + ...
PesosPrior Period
2 periods ago
(1 - )3 periods ago
(1 - )2=
= 0.10 10% 9% 8 1%
EFECTO EN EL PRONOSTICO DE LACONSTANTE DE SUAVIZADO
7/27/2019 2013 II - APC - CLASE N 04
289/337
290
= 0.9010% 9% 8.1%
90% 9% 0.9%
IMPACTO DE
50
100
150
200
250
ActualTonage
Actual Forecast (0.1)
Forecast 0.5
7/27/2019 2013 II - APC - CLASE N 04
290/337
291
0
1 2 3 4 5 6 7 8 9
Quarter
SUAVIZADO EXPONENCIAL CON TENDENCIA La suavizacin exponencial simple falla al responder a las
tendencias. Para suavizar nuestras correcciones por tendenciasse calcula un promedio de suavizacin exponencial simplecomo el anterior, y se ajusta para retrasos positivos ynegativos. La ecuacin de la tendencia emplea una constantede suavizacin Beta, de la misma manera que el modelo simpleutiliza Alfa.
Ejemplo: Estimar las ventas para el ao siete tomando encuenta una tendencia inicial de 22.73, un = 0.3, una = 0.50,y un pronstico inicial de 340. Adems, establezca el MAD.
7/27/2019 2013 II - APC - CLASE N 04
291/337
Ao 1 2 3 4 5 6
Ventas 400 470 500 530 560 595
7/27/2019 2013 II - APC - CLASE N 04
292/337
7/27/2019 2013 II - APC - CLASE N 04
293/337
7/27/2019 2013 II - APC - CLASE N 04
294/337
7/27/2019 2013 II - APC - CLASE N 04
295/337
7/27/2019 2013 II - APC - CLASE N 04
296/337
SUAVIZADO EXPONENCIAL CON TENDENCIA Ejemplo: La demanda de energa elctrica de Lima entre 2005 y 2011 es la
que se muestra en megawatts en la tabla a continuacin. Ajustar con unalnea recta y pronosticar la demanda del 2012 y 2013.
AO 2005 2006 2007 2008 2009 2010 2011
DEMANDA 74 79 80 90 105 142 122
Ao Periodo Demanda x2 xy
2005 1 74 1 74
2006 2 79 4 158
2007 3 80 9 240
Ordenamos de la siguiente forma, para poder hacer los calculoscorrespondientes.
7/27/2019 2013 II - APC - CLASE N 04
297/337
2008 4 90 16 360
2009 5 105 25 525
2010 6 142 36 852
2011 7 122 49 854
Sumatoria 28 692 3063
Realizamos los siguientes calculos:
X = x/n = 28/7 = 4
Y = y/n = 692/7 = 98.86
Determinar la Ecuacin de la Tendencia de Minimos Cuadrados:
Y = a + bX Reemplazamos valores en la ecuacion siguiente
bn XY X Y
n X X
aY
nb
X
n
( ) ( )( )
( ) ( )
2 2
SUAVIZADO EXPONENCIAL CON TENDENCIA
7/27/2019 2013 II - APC - CLASE N 04
298/337
n n
Y tenemos que: b = 10.54 y a = 56.70
Entonces: (demanda 2012) = 56.70 + 10.54 (8) = 141 megawatts
(demanda 2013) = 56.70 + 10.54 (9) = 152 megawatts
SUAVIZADO EXPONENCIAL CON TENDENCIA
40
60
80
100
120
140
160
7/27/2019 2013 II - APC - CLASE N 04
299/337
0
20
0 1 2 3 4 5 6 7 8
PROYECCIONES DE TEMPORADA
Las proyecciones de temporada se dan paraun perodo dado:
IBM al igual que muchas empresas,experimenta la demanda de temporada, 1.
Pronstico=Indice Estacional *Pronostico dela tendencia Estacional
7/27/2019 2013 II - APC - CLASE N 04
300/337
PROYECCIONES DE TEMPORADA Ejemplo:A continuacion se muestra las ventas mensuales de computadoras
laptop IBM en Hardwareland para 2010 y 2011.
MESDEMANDA DE VENTAS DEMANDA PROMEDIO 2010
- 2011DEMANDA MENSUAL
PROMEDIO (I)INDICE ESTACIONAL
PROMEDIO (II)2010 2011
ENERO 80 100 90 94 0.957
FEBRERO 75 85 80 94 0.851
MARZO 80 90 85 94 0.904
ABRIL 90 110 100 94 1.064
MAYO 115 131 123 94 1.309
JUNIO 110 120 115 94 1.223
JULIO 100 110 105 94 1.117
AGOSTO 90 110 100 94 1.064
SETIEMBRE 85 95 90 94 0.957
OCTUBRE 75 85 80 94 0.851
7/27/2019 2013 II - APC - CLASE N 04
301/337
NOVIEMBRE 75 85 80 94 0.851
DICIEMBRE 80 80 80 94 0.851
1128
(I): Demanda mensual promedio = 1128/12 = 94
(II): Indice estacional = (Demanda promedio 2010-2011)/Demanda mensual promedio
PROYECCIONES DE TEMPORADA Utilizando estos indices estacionales, si se espera que la demanda anual
para 2012 de computadoras sea 1200 unidades, la demanda mensual sepronosticara de la siguiente forma:
MESDEMANDA
MES DEMANDA
ENERO (1200/12)*0.957 = 96 JULIO (1200/12)*1.117 = 112
FEBRERO (1200/12)*0.851 = 85 AGOSTO (1200/12)*1.064 = 106
MARZO (1200/12)*0.904 = 90 SETIEMBRE (1200/12)*0.957 = 96
ABRIL (1200/12)*1.064 = 106 OCTUBRE (1200/12)*0.851 = 85
7/27/2019 2013 II - APC - CLASE N 04
302/337
MAYO (1200/12)*1.309 = 131 NOVIEMBRE (1200/12)*0.851 = 85
JUNIO (1200/12)*1.223 = 122 DICIEMBRE (1200/12)*0.851 = 85
MODELOS DE SUAVIZADO
EXPONENCIAL CON WINQSB2
7/27/2019 2013 II - APC - CLASE N 04
303/337
304
EXPONENCIAL CON WINQSB2
SERIES DE TIEMPO CON WINQSB2
La opcin Nuevo Problema (New Problem) genera unaplantilla en el cual se introducirn las caractersticas denuestro problema de pronsticos:
7/27/2019 2013 II - APC - CLASE N 04
304/337
SERIES DE TIEMPO CON WINQSB2
A continuacin se describir la ventana deEspeci f icaciones del problema (ProblemSpecif icat ion):
Pronstico de Series de Tiempos (Time SeriesForecasting):
Ttu lo del prob lema (Pro b lem Title):Nombre con el
cual se identificar elproblema.
Unidad de Tiempo (Time Unit) :Se especifica la
unidad de tiempo de la serie.
Numero de unidades de tiempo (Number of TimeUnits - Periodos ): Datos disponibles
7/27/2019 2013 II - APC - CLASE N 04
305/337
Units Periodos ):Datos disponibles.
SERIES DE TIEMPO CON WINQSB2
Regresion l ineal (Linear Regression)
7/27/2019 2013 II - APC - CLASE N 04
306/337
SERIES DE TIEMPO CON WINQSB2
Ttu lo del prob lema (Prob lem Title): Nombre
co n el cual se ident if ic ar elproblema.
Nmero de variables (Number of Factors -
Variables): Cantidad devariables utilizadas en elmodelo.
Numero de observaciones (Number of
Observat ions):Datos disponibles.
7/27/2019 2013 II - APC - CLASE N 04
307/337
Ejemplo 1:
Informacin suministradopor el Departamento deEstadsticas de la ciudad,el nmero de carros quetransitaron en los ltimos
7 aos fueron:
Pronosticar la cantidadde vehculos para los
aos 2005 y 2006.
AO CANTIDAD1998 1200000
1999 1500000
2000 1850000
2001 1915000
2002 24000002003 2750000
7/27/2019 2013 II - APC - CLASE N 04
308/337
2003 2750000
2004 2920000
SERIES DE TIEMPO CON WINQSB2
INTRODUCIENDO LOS DATOS Procederemos a llenar los campos de la ventana, en
donde la unidad de tiempo esta dado en aos y el nmerode datos disponibles son 7.
7/27/2019 2013 II - APC - CLASE N 04
309/337
SERIES DE TIEMPO CON WINQSB2
Luego introducimos los datos de los vehculos en estrictoorden:
7/27/2019 2013 II - APC - CLASE N 04
310/337
SERIES DE TIEMPO CON WINQSB2
En el caso de quequeramos eliminar oagregar nuevos datos,
tenemos las opcionesAg regar una ob servacin
(Add an Observat ion) y
El iminar una observacin
(Delete an Observation)en el men Ed itar (Edit).
7/27/2019 2013 II - APC - CLASE N 04
311/337
7/27/2019 2013 II - APC - CLASE N 04
312/337
SERIES DE TIEMPO CON WINQSB2 La nueva ventana permitir distinguir entre diferentes
mtodos de solucin para seres de tiempo:
7/27/2019 2013 II - APC - CLASE N 04
313/337
SERIES DE TIEMPO CON WINQSB2
Seleccionaremos la opcin Suavizado exponencial simple(Single Exponential Smoothing) e indicaremos informacinadicional para resolver el problema con este mtodo:
7/27/2019 2013 II - APC - CLASE N 04
314/337
SERIES DE TIEMPO CON WINQSB2
La primera opcin (permanente en todos los mtodos)corresponde al nmero de periodos a pronosticar (paranuestro ejemplo problema son dos aos).
Recordemos que (alpha) es una constante entre 0 y 1.
Existe tambin la opcin de mantener el resultado de un
mtodo para poder compararlo con otros distintos.
7/27/2019 2013 II - APC - CLASE N 04
315/337
SERIES DE TIEMPO CON WINQSB2 Promedio simple (Simple Average)
Promedio mvil (M oving Average)
Promedio mvil ponderado (Weighted Moving Average)
Promedio mvil con tendencia lineal (M oving Average with L inear Trend)
Suavizado exponencial simple (Single Exponential Smoothing)
Suavizado exponencial simple con tendencia li neal (Single Exponential Smoothing with L inear Trend)
Suavizado exponencial doble (Double Exponential Smoothing)
Suavizado exponencial doble con tendencia lineal (Double Exponential
Smoothing with L inear Trend)
Suavizado exponencial adaptado (Adaptive Exponential Smoothing) Regresin l ineal con tiempos (L inear Regression with T ime)
7/27/2019 2013 II - APC - CLASE N 04
316/337
Algor itmo suma Holt-Winters (Holt-Winters Additive Algor ithm)
Algor itmo multiplicativo Holt-Winters (Holt-Winters Mul tiplicative Algor ithm).
SERIES DE TIEMPO CON WINQSB2Al pulsar
OK tenemos:
7/27/2019 2013 II - APC - CLASE N 04
317/337
SERIES DE TIEMPO CON WINQSB2
ANALIZANDO LOS RESULTADOS El pronstico para los dos aos se puede observar en la
columna Pronstico porSES (Forecas t fo r SES) en lasf i las co rrespond iente a los valores 8 y 9.
7/27/2019 2013 II - APC - CLASE N 04
318/337
7/27/2019 2013 II - APC - CLASE N 04
319/337
MEDIDAS PARA CALCULAR EL ERRORGLOBAL DEL PRONSTICO
7/27/2019 2013 II - APC - CLASE N 04
320/337
321
7/27/2019 2013 II - APC - CLASE N 04
321/337
Al dato Ai se le resta el pronostico Fi
ERROR DE PRONOSTICO
Forecast Error = (Actual Data - Pronstico)
7/27/2019 2013 II - APC - CLASE N 04
322/337
7/27/2019 2013 II - APC - CLASE N 04
323/337
Los grandes errores positivos se compensan con losgrandes errores negativos en la CFE de unamedicin.
Sin embargo el CFE resulta til para evaluar el sesgo
de un pronstico. Por ejemplo, si un pronstico resulta mas bajo que la
demanda real, el valor del CFE sera cada vez msgrande.
n
ERROR DE PRONOSTICO ACUMULADO (CFE)
7/27/2019 2013 II - APC - CLASE N 04
324/337
325
Et=CFE1=i
Sumatoria de los errores de pronostico.
ERROR DE PRONOSTICO ACUMULADO (CFE)
CFE
= (Forecast Error )
7/27/2019 2013 II - APC - CLASE N 04
325/337
7/27/2019 2013 II - APC - CLASE N 04
326/337
DESVIACION MEDIA ABSOLUTA (MAD)
nSuma de Desviacin absoluta para n periodos=MAD
nDemanda pronosticada-Demanda actual=MAD
n
1=i
Desviacin Absoluta Media (MAD): Su valor se calculasumando los valores absolutos de los errores individuales delpronstico y dividiendo entre el nmero de periodos de datos (n)
7/27/2019 2013 II - APC - CLASE N 04
327/337
Veamos un ejemplo
Muestra la magnitud del error global. No penaliza los errores extremos.
No anula los errores.
No da idea de la direccin del error.
En unidades originales.
DESVIACION MEDIA ABSOLUTA (MAD)
7/27/2019 2013 II - APC - CLASE N 04
328/337
329
Ejemplo: Durante los ltimos 8 trimestres, el puerto del Callao hadescargado de los barcos grandes cantidades de grano. El Jefede Operaciones del puerto quiere probar el uso de suavizamientoexponencial para ver que tan bien funciona la tcnica parapredecir el tonelaje descargado. Supone que el pronstico de
grano descargado durante el primer trimestre fue 175 toneladas.Se examinan dos valores de .
= 0,10 y = 0,50.
La siguiente tabla muestra los clculos detallados slo para =0,10
DESVIACION MEDIA ABSOLUTA (MAD)
7/27/2019 2013 II - APC - CLASE N 04
329/337
DESVIACION MEDIA ABSOLUTA (MAD)
Trimestre
Toneladas realesdescargadas
Pronstico
Redondeado con
= 0,10
Pronstico
Redondeado con
= 0,50
1
2
3
45
6
7
8
9
180
168
159
175190
205
180
182
?
175
= 175 + 0,10 ( 180175)
Pronstico del periodo
anterior
Demanda real
en periodo
anterior
Pronstico del
periodo anterior
176
175 = 175,50+0,10 (168175,50)
173 = 174,75+0,10 (159-174,75)173 = 173,18+0,10 (175+173,18)
175 = 173,36+0,10(190-173,36)
178= 175,02+0,10(205-175,02)
178 = 178,02 + 0,10 (180-178,02)
179 = 178,22 + 0,10 (182-178,22)
175
178
173
166
170
180
193
186
184
Para evaluar la precisin de ambas constantes de suavizado,
7/27/2019 2013 II - APC - CLASE N 04
330/337
calculamos los errores de pronstico en trminos dedesviaciones absolutas y MAD.
DESVIACION MEDIA ABSOLUTA (MAD)
Trimestre
Toneladasreales
Descargadas
Pronstico
Redondeado
con =0,10
Desviacin
Absoluta Para=0,10
Pronstico
Redondeado
con =0,50
Desviacin
Absoluta Para=0,50
1
2
3
4
5
6
7
8
180
168
159
175
190
205
180
182
175
176
175
173
173
175
178
178
5
8
16
2
17
30
2
4
175
178
173
166
170
180
193
186
5
10
14
9
20
25
13
4
Suma de desviaciones absolutas 84 100
MAD = desviacionesn
=10,50 12,50
Con base en este anlisis, una constante de suavizado de =0,10 es
7/27/2019 2013 II - APC - CLASE N 04
331/337
, ,preferible a = 0,50 por que su MAD es ms pequea. Se debe encontrala constante de suavizado con el menor error de pronstico.
225225
200200
175175
150150
| | | | | | | | |
11 22 33 44 55 66 77 88 99
Demand
Demand
= .1= .1
A ctu a l A ctu a l
demanddemand
= .5= .5
DESVIACION MEDIA ABSOLUTA (MAD)
7/27/2019 2013 II - APC - CLASE N 04
332/337
2006 Prentice Hall, Inc. 4
54
QuarterQuarter
ERROR CUADRATICO MEDIO (MSE)
Error Cuadrtico Medio (MSE): Es una segunda forma de medirel error global del pronstico. El MSE es el promedio de loscuadrados de las diferencias entre los valores pronosticados yobservados. Su frmula es:
MSE = (errores de pronstico)
n
7/27/2019 2013 II - APC - CLASE N 04
333/337
Sigamos con el ejemplo del puerto del Callao paradeterminar el MSE
ERROR CUADRATICO MEDIO (MSE)
Trimestre
Toneladasreales
Descargadas
Pronstico
Redondeado
con =0,10
1
2
3
45
6
7
8
180
168
159
175190
205
180
182
175
176
175
173173
175
178
178
(Error)2
52
= 25
(-8)2
= 64
(-16) = 256
(2) = 417 = 289
30 = 900
2 = 4
4 = 16
2
2
2
2
2
2
Suma de los cuadrados de los errores 1.558
MSE = (errores de pronstico)
n
2
= 1.558 / 8 = 194,75
7/27/2019 2013 II - APC - CLASE N 04
334/337
Usando un = 0,50 se obtendra un MSE de 201,5. Por lo tanto el =0,10 es una mejor eleccin por que se minimiza el MSE.
ERROR PORCENTUAL ABSOLUTO MEDIO (MAPE)
Error Porcentual Absoluto (MAPE): Este se calcula como elpromedio de las diferencias absolutas entre los valorespronosticados y los reales y se expresa como porcentaje de losvalores reales. Es decir, si hemos pronosticado n periodos y losvalores reales corresponden a n periodos, MAPE, se calcula como:
= real i - pronstico i / real i100n
i = 1MAPE
n
7/27/2019 2013 II - APC - CLASE N 04
335/337
Sigamos con el ejemplo del puerto del Callao paradeterminar el MAPE
ERROR PORCENTUAL ABSOLUTO MEDIO (MAPE)
Trimestre
Toneladasreales
Descargadas
Pronstico
Redondeado
con =0,10
1
2
34
5
6
7
8
180
168
159175
190
205
180
182
175
176
175173
173
175
178
178
Suma de errores porcentuales = 45,62%
Error porcentual Absoluto
100 ( error / real)
100(5/180) = 2,77%
100(8/168) = 4,76%
100(16/159) = 10,06%100(2/175) = 1,14%
100(17/190) = 8,95%
100(30/205) = 14,63%
100(2/180) = 1,11%
100(4/182) = 2,20%
7/27/2019 2013 II - APC - CLASE N 04
336/337
MAPE = errores porcentuales absolutos =n 8
= 5,70%45,62%
TRACKING SIGNAL (SEAL DE SEGUIMIENTO)
Tracking Signal: medias que se hacen en el pronostico parapredecir los valores actuales. El Tracking signal se calcula as:
MAD
Demanda pronosticada-Demanda actual=
n
1=i
7/27/2019 2013 II - APC - CLASE N 04
337/337