TRABAJO DE PRONSTICOS

Presentado por: Pilar Andrea Castellanos Devia. Cd.: 2320081063 Yeison Armando Duarte Surez. Cd.: 2320081076

Presentado a: Andrs Alberto Garca Len

Universidad de Ibagu Facultad de Ingeniera Ingeniera Industrial Ibagu Tolima 2012

Trabajo 1 de 2 de pronsticos Objetivos: Afianzar los conocimientos de series de tiempo, establecer metodologas para la estimacin de la demanda y el uso de software. Informacin: Use los datos de las series de tiempo dadas en clase, es decir la serie de datos con nivel, tendencia y estacionalidad y los supuestos sobre productos que usted considere referenciados fuentes bibliogrficas o en la web. Instrucciones 1. Introduccin. Consulte cual debe ser el contenido de una introduccin 2. Realice un pronstico para cada una de las series de tiempo (no olvide incluir los errores y la seal de muestreo con el modelo seleccionado) y explique la metodologa empleada. Para la seleccin del mejor modelo, aplique un mtodo de experto (Consultar modelos de expertos de ptica multicriterio). Es necesario que en la componente de nivel, se optimice el promedio mvil ponderado; para la serie de estacionalidad, adicione los mtodos de Descomposicin Multiplicativa y Aditiva (realice una consulta exhaustiva sobre la descomposicin aditiva). 3. Con los valores hallados o estimados como constantes de atenuacin, ndices y otros, realizar la interpretacin estadstica y su aplicacin al problema. 4. Conclusiones: Deben ser conclusiones del trabajo y no de la teora de pronsticos. Enviar carpeta comprimida la cual contenga, archivo Word y hoja de Excel.

Entrega: Septiembre 21 de andres.garcia@unibague.edu.co

2012.

12

del

medio

da,

al

correo

Pronstico de Nivel La cafetera de la universidad, vende gran variedad de productos, entre ellos, el ms representativo y con mayor demanda son los almuerzos. Don Daro quien es el dueo y gerente de la cafetera, quiere reducir costos en la compra de los productos necesarios para preparar sus almuerzos y para ello est pensando en seguir abastecindose semanalmente dependiendo de los almuerzos que vaya a vender; para esto Don Daro necesita tener unos pronsticos para saber sus futuras demandas de almuerzos que va a vender. Para esto, va a tener en cuenta las demandas de las 30 semanas anteriores.

Demanda de Semana Almuerzos 1 72 2 48 3 68 4 43 5 50 6 48 7 33 8 47 9 70 10 39 11 44 12 66 13 38 14 30

15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

23 31 50 65 70 58 20 29 45 67 38 66 52 91 37 35

Propsito: Don Daro quiere saber cuntos almuerzos va a vender en sus prximas 8 semanas. Recoleccin y anlisis de los datos: Las demandas de los almuerzos fueron entregadas por Don Daro basadas en el conteo de almuerzos que realiz la empleada que los reparte y luego se sumaron las cantidades de los seis das de la semana. Esta informacin de las demandas semanales las ingresamos al software E-views y realizamos el anlisis de correlograma.

El correlograma nos indica que la serie de tiempo con la que estamos trabajando es una serie de datos que tiene componente de nivel. Seleccin del modelo: Se va a trabajar con los siguientes mtodos para pronosticar, debido a que los datos de la serie de tiempo tienen componente de nivel.

Con cada mtodo de pronstico, se obtiene los pronsticos de prueba, estos pronsticos se comparan con las demandas que se tienen de los almuerzos y se calculan los errores: BIAS, DAM, EMC, PEM y PEMA. Mtodo PS MA WMA SES BIAS 8,52 6,20 14,46 10,39 DAM o MAD 17,86 17,40 15,06 18,24 EMC o MSE 501,15 467,00 637,67 536,50 PEM 3,72% -0,97% 15,71% 7,49% PEMA 29,75% 30,23% 28,54% 29,37%

Se escogi el tringulo de Fuller para saber cual era el mtodo con los menores errores. Primero, se normalizaron los errores mediante la frmula con esta frmula se quiere saber cual es el mejor valor minimizando. Luego se hace el tringulo de Fuller para para poderle asignar pesos a cada error, para esto se comparan los errores entre si para saber cual es mas representativo que otro. Finalmente se multiplican los pesos por los valores normalizados y se suman los resultados por fila; el mayor resultado es para el mtodo que menor error tiene. En nuestro caso el mtodo que utilizamos para pronosticar el tamao de la demanda de las prximas 8 semanas es el mtodo de Promedio Mvil Simple. Pronstico de la Demanda de almuerzo para las siguientes semanas. Semana 1 54,333333 Semana 2 54,333333 Semana 3 54,333333 Semana 4 54,333333 Semana 5 54,333333 Semana 6 54,333333 Semana 7 54,333333 Semana 8 54,333333

Pronstico de Tendencia The Coca-cola Company multinacional dedicada a la produccin de bebidas gaseosas, t, jugos entre otros productos, ha decidido lanzar al mercado en el 2012 una marca de refresco con gas y jugo que viene en diferentes sabores y aunque en el pasadoFanta ya estuvo en el mercado como Crush por problemas entre los socios tuvo que salir del mercado, este ao han decidido relanzar este producto con una propuesta joven, haciendo nfasis en lo natural y con la calidad caracterstica de Coca-Cola. El gerente de la planta ubicada en Ibagu desea pronosticar las ventas de este producto en los aos 2012, 2013, 2014 y 2015 en el departamento del Tolima, de esta manera pretende elaborar el plan maestro de produccin y as saber cuntas unidades producir mensualmente para lograr cumplir con los pedidos garantizando un total cubrimiento en todos los puntos de distribucin, el gerente cuenta con los datos de las demandas de Crush de los aos de 1975 a 2011 para realizar el pronstico. La siguiente tabla muestra los datos de las ventas de Crush en esos aos. Ao 1.975 1.976 1.977 1.978 1.979 1.980 1.981 1.982 1.983 1.984 1.985 1.986 1.987 1.988 1.989 1.990 1.991 Demanda Unidades de Fanta 3.307 3.556 3.601 3.721 4.036 4.134 4.268 4.578 5.093 5.716 6.357 6.769 7.296 8.178 8.844 9.251 10.006 1.992 1.993 1.994 1.995 1.996 1.997 1.998 1.999 2.000 2.001 2.002 2.003 2.004 2.005 2.006 2.007 2.008 2.009 2.010 2.011 10.991 12.306 13.101 13.639 14.950 17.224 17.946 17.514 25.195 27.357 30.020 35.883 38.828 40.715 44.282 48.440 50.251 53.794 55.972 57.242

Identificacin del propsito: el gerente de la planta, el seor Yeison Duarte quiere saber cuntas unidades de Fanta producir en los aos 2012, 2013, 2014 y 2015. Recoleccin y anlisis de los datos: las demandas de las gaseosas fueron tomadas basados en las ventas anuales de la gaseosa Crush obtenidas del software de ventas y contabilidad de la compaa. Los datos de las demandas anuales se ingresaron al software E-views y SPSS para realizar el anlisis de correlograma.

Los correlogramas nos indican que la serie de tiempo con la que estamos trabajando es una serie de datos que tiene componente de tendencia. Seleccin del modelo: Se va a trabajar con los siguientes mtodos para pronosticar, debido a que los datos de la serie de tiempo tienen componente de tendencia.

Con cada mtodo de pronstico, se obtiene los pronsticos de prueba, estos pronsticos se comparan con las demandas que se tienen de Crush de los ltimos 10 aos y se calculan los errores: BIAS, DAM, EMC, PEM y PEMA. BIAS 3.256,06 813,61 2.836,87 6.076,48 DAM o MAD EMC o MSE 3.266,44 12.362.653,37 1.252,84 2.040.793,60 2.836,87 9.186.733,24 6.076,48 42.180.211,89 PEM 6,94% 1,95% 6,33% 14,14% PEMA 6,98% 2,87% 6,33% 14,14%

SEST DEST PMD REG. EXP.

Con estos errores no hay necesidad de utilizar un mtodo multicriterio, porque solo por dominancia, se sabe que el DEST es el mejor porque los errores son menores que los de los otros mtodos. Como el mtodo de suavizacin exponencial doble con ajuste a tendencia (DEST) tiene los menores errores, es el mtodo que escogimos para hallar los pronsticos de los siguientes cuatro aos. Pronsticos de las futuras demandas. Ao demanda 2.012 59.650 2.013 61.811 2.014 63.972 2.015 66.132

Pronsticos de estacionalidad. Parasoles y Sombrillas S.A.S. es una empresa ibaguerea dedicada a la fabricacin de sombrillas y parasoles de alta calidad, a precios accesibles, con diseos y estampados clsicos, modernos y empresariales, que vende sus sombrillas a nivel nacional. Esta empresa cuenta con instalaciones organizadas y con tecnologa de punta y utilizan materiales de calidad para la fabricacin de las sombrillas. El gerente de produccin desea conocer la demanda futura de sombrillas para elaborar el plan maestro de produccin que ser utilizado en el 2012 como gua en su departamento, tambin desea saber si cuenta con la capacidad necesaria para dar cumplimiento a la demanda y establecer estrategias que le permitan cumplir con las metas planteada en el plan maestro de produccin. Para la elaboracin de este pronstico el gerente cuenta con la informacin de las ventas desde el ao 2002 hasta el 2011 para encontrar la demanda trimestral del 2012. Demanda Ao. TRIM. de sombrillas. 1 147,6 2 251,8 2002 3 273,1 4 249,1 1 139,3 2 221,2 2003 3 260,2 4 259,5 1 140,5 2 245,5 2004 3 298,8 4 287 1 168,8 2 322,6 2005 3 393,5 4 404,3 1 259,7 2006 2 401,1 3 464,6 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 479,7 264,4 402,6 411,3 385,9 232,7 309,2 310,7 293 205,1 234,4 285,4 258,7 193,2 263,7 292,5 315,2 178,3 274,5 295,4 311,8

2007

2008

2009

2010

2011

Identificacin del propsito: el gerente de produccin de la empresa Parasoles y Sombrillas S.A.S., quiere saber cuntas sombrillas producir trimestralmente en el ao 2012 Recoleccin y anlisis de los datos: las demandas de las sombrillas fueron tomadas basados en informacin de las ventas desde el ao 2002 hasta el ao 2011. Los datos de las demandas anuales se ingresaron al software E-views y SPSS para realizar el anlisis de correlograma.

Los correlogramas nos indican que la serie de tiempo con la que estamos trabajando es una serie de datos que tiene componente de estacionalidad.

Seleccin del modelo: Se va a trabajar con los siguientes mtodos para pronosticar, debido a que los datos de la serie de tiempo tienen componente de estacionalidad. Regresin lineal con ajuste estacional Holt-Winters Multiplicative Algorithm (HWM). Holt-Winters Additive Algorithm (HWA). Mtodo de descomposicin multiplicativo. Mtodo de descomposicin aditivo.

Con cada mtodo de pronstico, se obtiene los pronsticos de prueba, estos pronsticos se comparan con las demandas que se tienen de los cuatro trimestres des ltimo ao (2011) y se calculan los errores: BIAS, DAM, EMC, PEM y PEMA. CUADRO COMPARATIVO DE ERRORES BIAS DAM EMC PEM PEMA R.L.A.E -60,88 60,88 3919,43 -23,057% 23,057% H.W.M -50,66 50,66 2714,30 -19,671% 19,671% H.W.A -35,96 35,96 1469,41 -13,240% 13,240% Desc. Mult. -61,23 61,23 4010,24 -23,244% 23,244% Desc. Adit. -60,75 60,75 3818,40 -23,623% 23,623% Se escogi el tringulo de Fuller para saber cual era el mtodo con los menores errores. Primero, se normalizaron los errores mediante la frmula con esta frmula se quiere saber cual es el mejor valor minimizando. Luego se hace el tringulo de Fuller para para poderle asignar pesos a cada error, para esto se comparan los errores entre si para saber cual es mas representativo que otro. Finalmente se multiplican los pesos por los valores normalizados y se suman los resultados por fila; el mayor resultado es para el mtodo que menor error tiene. En nuestro caso el mtodo que utilizamos para pronosticar el tamao de la demanda del prximo ao (2012) es el mtodo Holt-Winters Additive Algorithm (HWA). Pronsticos de las futuras demandas. Ao Trimestre. demanda 1 177 2 270 2012 3 300 4 291

Constantes de atenuacin utilizadas

En Tendencia: para el mtodo DEST se utiliz un =0.61, este fue optimizado por el software WinQSB. Como esta constante de atenuacin tiende a 1, significa que una demanda actual de Crush afecta a la demanda futura en un 61%. En Estacionalidad: para el mtodo HWA se utiliz =0.29, =1, =0.15. El representa que la demanda actual afecta en un 29% a la demanda futura de sombrillas. El =1 y esto quiere decir que la serie de datos tienen una componente fuerte de tendencia. El tiende a 0, esto representa la dbil influencia de la componente estacional.

Conclusiones

En los pronsticos de tendencia, la ecuacin que mejor se adapta para hacer regresin es la ecuacin polinmica de orden 6, el problema es que entre mas crezcan los datos, luego los pronsticos de prueba se van a alejar mucho de la demanda real. En los pronsticos de tendencia, la mejor ecuacin para trabajar, es la exponencial, porque se adapta muy bien a las demandas y si se quiere trabajar con datos cada vez ms grandes, el pronstico no va a crecer tan desmesuradamente. En los pronsticos de nivel, los errores fueron grandes y los pronsticos de prueba no se acercaron mucho a las demandas. El mejor mtodo fue el Promedio Mvil Simple, pero aun tomando el mejor mtodo, los errores fueron muy grandes. Es notable que los pronsticos del mtodo de descomposicin multiplicativa y descomposicin aditiva, son muy parecidos, tanto as, que sus errores son muy similares. Los mtodos HWM, HWA, descomposicin multiplicativo y multiplicacin aditivo, son muy buenos mtodos para pronosticar cuando se tratan de series que tienen componentes de tendencia; los errores de stos mtodos son muy bajos y los pronsticos de prueba se acercan mucho a las demandas.