Upload
manu-farffan
View
95
Download
4
Embed Size (px)
Citation preview
SEMINARIO DE PREPARACIÓN AL
EXAMEN PROFESIONAL
UNIVERSIDAD DE CUENCA-ESCUELA DE INGENIERÍA INDUSTRIAL
PRONÓSTICOS
Contenido
Pronóstico
Aplicaciones
Métodos del Pronostico racionales
Series de tiempo
Métodos de pronostico para un modelo
de nivel constante
Errores en el pronostico
Pronóstico en la práctica
2 UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
Aplicaciones
Pronóstico de ventas
Pronóstico de la necesidad de piezas de
repuesto
Pronóstico de los rendimientos de producción
Pronóstico de las tendencias económicas
Pronóstico de las necesidades de personal
3 UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
Los pronósticos se necesitan en muchos
lugares…
UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
4
Lugar Recolección
de datos
Procesamiento
de la
información
Pronóstico Planes y metas
operacionales
Decisiones de
distribución
Cadena de
Supermercad
os
Caja registradora Acumulación del stock
De las demandas
de almacenaje por
producto
Mantener la probabilidad de
almacenaje entre 0-1%
Envío del centro de
distribución a las
tiendas
Hospital
Admisiones a
pacientes, actuales
y pasadas
Acumulación de la
demanda por
departamento y tipo
de servicio
# de pacientes y
los recursos que se
necesitan
Mantener la probabilidad de
almacenaje en 0%
Horario de las
habitaciones,
enfermeras,
medicamentos,
suministros, etc.
Manufactura-
Distribución
Ordenes de
compras
Acumulación de la
demanda de productos
en cada centro de
distribución
De la demanda de
cada centro de
distribución
Mantener la probabilidad de
almacenaje entre 1 -2%
Envío desde la fabrica
hasta los centros de
distribución
Distrito
escolar
Formato de las
aplicaciones
estudiantiles
Acumulación de la
demanda de clases por
escuela
# de estudiantes
que permanecen y
los salientes
Asegurar se de que los
tamaños de las clases son
razonables, # de profesores y
presupuesto suficientes
Asignar aulas,
profesores y
presupuestos
necesarios
Servicio de
reparaciones
Ordenes de trabajo
actuales y
presentes
Acumulación de la
demanda por tipo de
trabajo
# de clientes y de
los servicios
brindados
Mantener la probabilidad de
almacenaje menor al 1 %
Programación de
almacenamiento de
ítems y horarios del
personal necesario
Marco de Referencia NATURALEZA DE
LA DECISIÓN
PLANEACIÓN
ESTRATÉGICA DE
NEGOCIOS
PLANEACIÓN DE
VENTAS Y
OPERACIONES
PROGRAMACIÓN Y
CONTROL
MAESTROS DE
PRODUCCIÓN
Nivel de
Consolidación
Ventas o volumen de
producción totales
Unidades de familia de
productos
Productos terminados o
componentes individuales
Participación de la
alta gerencia Intensivo
Cuando se concilian
planes funcionales Muy poco
Frecuencia del
pronóstico Anual o menor Mensual o trimestral Constantemente
Longitud del
Pronóstico Anual o trimestral
Varios meses a un año/
mensualmente Algunos días a semanas
Inversión de la
administración en el
pronostico
Muy grande Moderada Muy poca
Costo del
procesamiento y
adquisición de datos
Alto Moderada Mínima
Técnicas útiles
Juicio general
Modelos de crecimiento
económico
Consolidación de
pronósticos detallados,
planes del cliente
Técnicas de proyección,
(promedios móviles,
suavización exponencial)
5
Planeación y control de la producción, Administración de la cadena de
suministros Thomas E. Vollmann et al. Quinta Edición, pg. 32
UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
Marco de Referencia NATURALEZA DE
LA DECISIÓN
PLANEACIÓN
ESTRATÉGICA DE
NEGOCIOS
PLANEACIÓN DE
VENTAS Y
OPERACIONES
PROGRAMACIÓN Y
CONTROL
MAESTROS DE
PRODUCCIÓN
Nivel de
Consolidación
Ventas o volumen de
producción totales
Unidades de familia de
productos
Productos terminados o
componentes individuales
Participación de la
alta gerencia Intensivo
Cuando se concilian
planes funcionales Muy poco
Frecuencia del
pronóstico Anual o menor Mensual o trimestral Constantemente
Longitud del
Pronóstico Anual o trimestral
Varios meses a un año/
mensualmente Algunos días a semanas
Inversión de la
administración en el
pronostico
Muy grande Moderada Muy poca
Costo del
procesamiento y
adquisición de datos
Alto Moderada Mínima
Técnicas útiles
Juicio general
Modelos de crecimiento
económico
Consolidación de
pronósticos detallados,
planes del cliente
Técnicas de proyección,
(promedios móviles,
suavización exponencial)
6
Planeación y control de la producción, Administración de la cadena de
suministros Thomas E. Vollmann et al. Quinta Edición, pg. 32
UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
Horizonte de planeación
UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
7
Corto Plazo
Inventario
Compras
Requerimientos
Programación de la
producción
Mediano Plazo
Fuerza de trabajo,
Niveles de servicio
Objetivos de
Inventario
Largo Plazo
Nuevos Locales
Ventas y
distribución
Canales de servicio
Días/semanas
Métodos de pronóstico racionales
(Judgmental Forecasting Methods)
También llamados modelos cualitativos, involucran
cualidades como la intuición, opinión de los expertos y
experiencia
Opinión del gerente
Juicio de opinión ejecutiva
Agregados de la fuerza de ventas
Encuestas de mercado
Método Delphi
8 UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
Características de los Pronósticos
9
Normalmente están equivocados
Un buen pronostico es más que un simple numero
Los pronósticos agregados son mas exactos
Entre más lejano sea el horizonte de pronostico,
menos exacta será la predicción
Los pronósticos no deben usarse para excluir
información conocida
UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
Series de Tiempo
Si Xi es la variable de interés en un momento
determinado i, y las observaciones son tomadas en
los momentos i= 1,2,…, t, entonces los valores
observados {X1 =x1, X2 =x2,…, Xt =xt,} son series de
tiempo.
10 UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
La evolución de las ventas mensuales
de un producto ilustra una serie de
tiempo.
Patrones de series de tiempo típicas con
fluctuaciones aleatorias
11
(a): nivel constante
(b): tendencia lineal
(c): nivel constante + efectos estacionarios
UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
Patrones de series de tiempo típicas con
fluctuaciones aleatorias
12
(a): nivel constante
(b): tendencia lineal
(c): nivel constante + efectos estacionarios
UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
Métodos de pronóstico para un modelo de
nivel constante
Se presentan 4 métodos de pronósticos alternativos:
Método del último valor
Método del promedio
Método del promedio móvil
Método de suavización exponencial
13 UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
Promedios móviles
Un promedio móvil del orden n es sencillamente el
promedio aritmético de las n observaciones más
recientes
Entonces, el pronóstico hecho en el periodo t-1 para el
periodo t, está dado por:
14 UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
Ejemplo
Los datos trimestrales para las fallas de ciertos
motores de aeronaves en una base local militar
durante los pasados dos años son 200, 250,
175, 186, 225, 285, 305, 190. Determine los
pronósticos de un paso hacia adelante para los
periodos 4 a 8 utilizando los promedios
móviles de tres periodos, y los pronósticos de
un paso adelante para los periodos 7 y 8
utilizando promedios móviles para seis
periodos.
15 UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
Solución
Pronóstico de promedio móvil de 3 periodos para el
periodo 4:
Pronóstico de promedio móvil de tres periodos para el
periodo 5:
Pronóstico de promedio móvil de tres periodos para el
periodo 6:
Pronóstico de promedio móvil de tres periodos para el
periodo 7:
Pronóstico de promedio móvil de tres periodos para el
periodo 8:
16 UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
Solución
Pronóstico de promedio móvil de 6 periodos para el
periodo 7:
Pronóstico de promedio móvil de 6 periodos para el
periodo 8:
17 UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
Solución
Trimestre Fallas de
motor
PM(3) Error PM(6) Error
1 200
2 250
3 175
4 186 208 22
5 225 204 -21
6 285 195 -90
7 305 232 -73 220 -85
8 190 272 82 238 48
18 UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
Suavizamiento Exponencial
Nuevo pronóstico = α (Observación actual de la
demanda) + (1- α)(último pronóstico)
En símbolos:
Donde 0< α ≤ 1 es la constante de suavización , que determina la
ponderación relativa colocada en la observación de demanda actual.
(1- α) es el peso asignado a las observaciones pasadas de la demanda.
Reacomodando los términos:
19 UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
Suavizamiento Exponencial
Como antes, Ft es el pronóstico de un paso adelante para
el periodo t realizado en el periodo t-1. Obsérvese que,
como
esto puede sustituirse en la ecuación anterior para obtener
Ahora podemos sustituir F t-2 en la misma forma. Si
continuamos de esta manera obtenemos la expansión
infinita para Ft,
20 UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
Suavizamiento Exponencial
Donde los pesos son:
y
Por lo tanto, el suavizamiento exponencial aplica un conjunto de ponderaciones decrecientes a todos los datos pasados .
La constante de suavización juega esencialmente el mismo papel aquí que el valor de n en los promedios móviles.
21 UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
Suavizamiento Exponencial
Si α es grande, + ponderación en la observación actual
- ponderación sobre las observaciones pasadas
El pronóstico reacciona rápidamente a cambios de patrones
+ variación de periodo a periodo
Si α es pequeña, + peso en los datos pasados
Los pronósticos son mas estables.
22 UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
Ejemplo
23
En el ejemplo anterior, con el fin de iniciar el método,
asumimos que el pronostico para el periodo 1 fue 200.
supongamos que α =0.1 , el pronóstico de un paso
adelante para el periodo 2 es
De forma similar
UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
Resultados
24
Trimestre Fallas Pronóstico
1 200 200 (Por suposición)
2 250 200
3 175 205
4 186 202
5 225 201
6 285 203
7 305 211
8 190 220
Observe el efecto constante de suavización. Aunque la serie original muestra
una alta varianza, los pronósticos parecen ser muy estables.
UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
Errores en el Pronóstico
25
Defina el error de pronostico en cualquier periodo t, et,
como la diferencia entre el pronostico para el periodo y
la demanda real para el mismo periodo. Para pronósticos
de varios pasos adelante.
y para los pronósticos de un solo paso adelante
UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
Errores en el Pronóstico
26
Digamos que e1, e2,…, en son los errores de pronóstico
observados en n periodos. Las dos medidas mas comunes
de exactitud de pronóstico durante estos periodos n son
la Desviación Absoluta Media (DAM) y el Error
Cuadrático Medio (ECM), dados por las formulas
siguientes:
UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
Errores en el Pronóstico
27
Cuando los errores de pronostico se distribuyen
normalmente, como generalmente se supone, un
estimado de la desviación estándar del error de
pronostico, σe , está dada por 1.25 veces la DAM.
El Error Porcentual Absoluto Medio (EPAM) no es
dependiente de la magnitud de los valores de demanda:
UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
Métodos basados en la tendencia
28
Análisis de Regresión
Suavizamiento exponencial doble
utilizando el método de Holt
UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
Métodos para series estacionales
29
Descomposición estacional usando
promedios móviles
Método de Winters para los problemas
estacionales
UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
Tarea
UNIVERSIDAD DE CUENCA
ESCUELA DE INGENIERÍA INDUSTRIAL
30
Problemas
Investigación: comparación entre suavizamiento
exponencial y promedios móviles (1 hoja)