Académique Documents
Professionnel Documents
Culture Documents
TRUJILLO
ESCUELA DE INGENIERIA DE SISTEMAS
MODELO DE
PRONSTICOS
Integrantes:
- Nez Reyna, Jim
- Marquina Lozano, Neyser Rubn
- Peralta Medina, Fabio
- Rubio Cabanillas, Eduardo
Trujillo-Per
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
DEDICATORIAS
1
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
AGRADECIMIENTOS
ii
2
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
INTRODUCCIN
iii
3
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
NDICE DE CONTENIDO
DEDICATORIAS ...........................................................................................................................
AGRADECIMIENTOS ................................................................................................................ ii
INTRODUCCIN....................................................................................................................... iii
I. MODELO DE LA LINEA RECTA CON TENDENCIA ................................................... 1
II. LINEA RECTA NDICE ESTACIONAL.......................................................................... 12
III. PRONSTICO CON REDES NEURONALES ARTIFICIALES ............................. 24
IV. MTODO DE FOURIER.............................................................................................. 35
V. MODELO DE PRONSTICO MEDIANTE LA FUNCIN DE GOMPERTZ ............ 47
VI. MODELO PROMEDIO MVIL SIMPLE ................................................................... 58
VII. PROMEDIO MVIL DOBLE ....................................................................................... 63
VIII. PROMEDIO MVIL PONDERADO ........................................................................... 86
IX. MODELO DE LA CURVA SEMILOGARTMICA O EXPONENCIAL .................... 93
X. MODELO DE LA CURVA GEOMTRICA O DOBLE LOGARTMICA .................. 104
XI. SUAVIZADO EXPONENCIAL .................................................................................. 111
XIII. MTODO DE SUAVIZADO EXPONENCIAL CON TENDENCIA O DE HOLT 128
XIV. TCNICA DE WINTERS ........................................................................................... 134
XV. MODELO DE CURVAS POTENCIALES DE SEGUNDO ORDEN ..................... 140
XVI. MODELO DE REGRESIN MULTIPLE ................................................................. 146
XVII. METODO DE DESCOMPOSICIN..................................................................... 156
XVIII. MEDICIN DE LOS ERRORES DE PRONSTICO ........................................ 162
BIBLIOGRAFA ...........................................................................................................................vi
NDICE DE TABLAS
iv
4
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
5
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
NDICE DE FIGURAS
vi
6
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
vii
7
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
1.1. DATA
DEMANDA EN ENERGIA
AO
ELCTRICA (MW)
2010 74
2011 79
2012 80
2013 90
2014 105
2015 142
2016 122
1
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
1.2. GRFICO
160
140
120
DEMANDA
100
80
60
40
20
0
2009 2010 2011 2012 2013 2014 2015 2016 2017
AOS
INTERPRETACIN
Se observa que los datos se comportan ligeramente de forma lineal,
por lo que se trabaja con un modelo lineal. Al mismo tiempo una ligera
anomala en el ao 1992, sobresale de entre todos los datos (142 Mega
watts), se debera investigar el porqu del hecho ya que este dato
sugestiona el comportamiento lineal para el modelo.
Sea:
= +
2
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
Donde:
:
:
:
:
Adems:
Para el clculo de las constantes a y b empezamos modificando
nuestra ecuacin inicial.
2 (,
) = ( )2
=1
= ( ) ()
=
2
= 0 = ( ) ()
=
Son con las expresiones (m) y (n) con lo que se llega a la conclusin
de que:
2
= =
2 ( )2 2 ( )2
Error estndar:
El error estndar de la media (es decir, el error debido a la estimacin
3
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
2
= = (1 )
Donde:
)2
(
=
1
2
2 ( )
= 2
2 ( )
4
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
Con = 0.05 y un NC = 95 %
5
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
Usamos los datos de las sumatorias al final del cuadro con el fin de
encontrar los valores de nuestras constantes a y b.
2
= =
2 ( )2 2 ( )2
6
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
1.5. MODELO
Reemplazando en la ecuacin:
= 56.714 + 10.54
1.6. PROYECCIONES
7
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
)2
(
Con la formula = hallamos y los datos E brindados en la
1
Ei2
= = 11.35
71
= .
8
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
9
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
INTERPRETACIN
160
140
120
100
DEMANDA
80
60
40
20
0
2009 2010 2011 2012 2013 2014 2015 2016 2017
AOS
AO DEMANDA EN ENERGA
ELCTRICA
2010 74
2011 79
2012 80
2013 90
2014 105
2015 142
2016 122
10
10
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
Estadsticas de la regresin
Coeficiente de correlacin 0.89
Coeficiente
mltiple de determinacin 0.80
R^2
R^2 ajustado 0.76
Error tpico 1.05
Observaciones 7
ANLISIS DE VARIANZA
Grados Suma de Promedio de F Valor
de cuadrado los crtico
libertad s cuadrados de F
Regresin 1 22.42 22.42 20.11 0.0064
Residuos 5 5.58 1.12 9
Total 6 28
11
11
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
12
12
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
NDICE ESTACIONAL
2.1. DATA
A continuacin, se muestra los datos de la demanda en ventas para
los aos 2015 y 2016, los cuales nos servirn para nuestro ejemplo de
aqu en adelante:
DEMANDA DE
MES VENTAS ($)
2015 2016
ENERO 80 100
FEBRERO 75 85
MARZO 80 90
ABRIL 90 110
MAYO 115 131
JUNIO 110 120
JULIO 100 110
AGOSTO 90 110
SEPTIEMBRE 85 95
OCTUBRE 75 85
NOVIEMBRE 75 85
DICIEMBRE 80 80
13
13
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
150
DOLARES
100
50
MESES
DEMANDA
DEMANDADE
DEVENTAS
VENTAS2010
2015 DEMANDA
DEMANDADEDEVENTAS
VENTAS2011
2016
2.2. FIGURA
A continuacin, se muestra una figura que representa la tendencia de
la cantidad de demandada en los aos 2015 y 2016 a lo largo de los
12 meses de cada uno de estos.
14
14
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
140
120
100
80
2015
60
40
20
0
MESES
DEMANDADE
DEMANDA DE VENTAS
VENTAS 2010
2015 DEMANDADEDEVENTAS
DEMANDA VENTAS2011
2016
15
15
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
= +
Donde:
t: periodo (mes)
= + 2
En la columna [5]: Demanda mensual promedio. Es una
cantidad fija y se da por:
1128
=
= = 94
12
16
16
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
90
= = = 0.957
94
80
= = = 0.851
94
DEMANDA INDICE
DEMANDA DE DEMANDA
MENSUAL ESTACIONAL
MES [1] VENTAS PROMEDIO
PROMEDIO PROMEDIO
[4]
2015 [2] 2016 [3] [5] [6]
*La suma de ndices Estacionales Promedio tiene que ser igual al nmero de
estaciones o periodos en los que se est trabajando, en este caso: 12 meses.
= +
17
17
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
En donde:
- Columna [2]: Es el periodo de tiempo representado en escala para
que la sumatoria sea 0, como son solo dos aos consideramos al
2015 como -1 y al 2016 como 1.
18
18
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
2.5. MODELO
Luego de tener los valores de los parmetros a y b, le damos forma a
la ecuacin con los valores obtenidos:
= +
D = 1128 +73 X
Donde:
X: Ao (X=12015, X=22016, X=32012, etc.)
2.6. PROYECCIONES
2017 = +
2017 = 1128 + (73 3) =
Interpretacin:
2017 =1347, nos da el valor aproximado de la demanda promedio
2017.
19
19
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
)2
(
=
1
S = 2.760
Consideraremos como prueba de valor (Z) a 1.96
Z= 1.96
20
20
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
( )
2017 =
.
:
= = .
.
: =
= .
( )
2016 =
.
:
= = .
.
: =
= .
Variacin = D 2016 -
21
21
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
= + ( )
= ( )
Donde:
= + ( ) = + . (. )
= .
= ( ) = . (. )
= .
22
22
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
2.8. INTERPRETACIN
El modelo que se ha utilizado es lnea recta ndice estacional, para los
meses de febrero, octubre, noviembre y diciembre se recomienda
realizar mayor publicidad, ya que segn la tabla muestra en esos
meses el valor ms bajo en demanda estimada, lo cual no es muy
benfico para la tienda.
2.9. APLICACIONES
23
23
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
Una red neuronal es un sistema que permite establecer una relacin lineal o
no lineal entre las salidas y las entradas. Sus caractersticas estn inspiradas
en el sistema nervioso lo que les da varias ventajas tales como su capacidad
de aprendizaje adaptativo, son auto-organizativas, pueden funcionar en
paralelo en tiempo real y ofrecen tolerancia a fallos por la codificacin
redundante de la informacin.
Desde el punto de vista de solucionar problemas, las redes neuronales son
diferentes de los computadores convencionales que usan algoritmos
secuenciales, mientras que las redes neuronales actan como el cerebro
humano, procesando la informacin en paralelo, y tambin pueden aprender
y generalizar a situaciones no incluidas en el proceso de entrenamiento. Las
redes neuronales pueden procesar informacin de forma ms rpida que los
computadores convencionales, pero tienen la desventaja de que no
podemos seguir su respuesta paso a paso como se puede hacer al ejecutar
un programa convencional en un ordenador por lo que no resulta fcil
detectar los errores.
Las redes neuronales artificiales son muy efectivas para resolver problemas
complicados de clasificacin y reconocimiento de patrones. La ms utilizada
es la llamada de propagacin hacia delante. La figura 1 muestra una red de
propagacin hacia delante con dos capas ocultas. El nmero de entradas es
directamente dependiente de la informacin disponible para ser clasificada
mientras que el nmero de neuronas de salida es igual al nmero de clases
a ser separadas. Las unidades de una capa se conectan unidireccionalmente
con las de la siguiente, en general todas con todas, sometiendo a sus salidas
a la multiplicacin por un peso que es diferente para cada una de las
conexiones.
24
24
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
Para el desarrollo del modelo se procedi a recopilar los datos histricos del
precio de las acciones de Ecopetrol y preferencial Bancolombia, las cuales
se negocian simultneamente en las bolsas de valores de Colombia y Nueva
York. Esta informacin fue obtenida del sitio web de la bolsa de valores de
Colombia (www.bvc.com.co). Las variables de entrada corresponden a los
25
25
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
Algoritmo de Aprendizaje
Proceso de Aprendizaje
26
26
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
Donde:
27
27
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
- y Es el precio real
- y't Es el precio estimado por el modelo.
28
28
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
Tabla N09: Desempeo del valor de las acciones con una variable de entrada
Dado el impacto que tiene la situacin econmica de los pases ricos sobre
el comportamiento de las bolsas de valores de las economas emergentes,
se involucra en el anlisis una segunda variable de entrada que pretende
medir dicho efecto sobre las acciones analizadas. En este caso se escogi
29
29
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
(http://investigaciones.bancolombia.com/espanol/glosariobco/glosarioGrup
o2.asp)
En la Tabla N10 se muestran los resultados para las estructuras de red con
dos variables de entrada, observndose una leve mejora en los indicadores
de desempeo para el caso de dos rezagos de tiempo. Se destaca que
siguen siendo coherentes los resultados de cada estructura para ambas
acciones estudiadas.
30
30
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
Tabla N10: Desempeo del valor de las acciones con dos variables de
entrada
ANLISIS DE RESULTADOS
31
31
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
32
32
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
33
33
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
34
34
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
4.2. CONCEPTO
El mtodo de Fourier est basado en la separacin de variable, y
superposicin de soluciones. Aplicamos en la solucin de la ecuacin
de onda unidimensional. Suponemos una solucin separable de (c) en
la forma:
(, ) = ()()(4 )
35
35
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
2 ()
= (5 )
2
2 ()
= 2 (5 )
2
X(x)=Ax+B
Considerando las condiciones iniciales (c1) se obtiene A=0, B=0, luego
X(x)=0 y entonces u(x,t)=0.
() = +
36
36
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
() = () + () (10)
37
37
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
38
38
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
Una serie de Fourier puede usarse algunas veces para representar una
funcin dentro de un intervalo. Si una funcin est definida sobre toda
la recta real, puede representarse con una serie Fourier si es peridica.
Si no es peridica, entonces no puede representarse con una serie
Fourier para todo x. Aun en este caso es posible representar la funcin
en trminos de senos y cosenos, pero la serie de Fourier se convierte
en una integral de Fourier. La motivacin proviene de considerar
formalmente las series de Fourier como funciones con perodo 2T y
hacer tender T al infinito.
4.3. FUNCIONAMIENTO
39
39
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
2 2
= + cos( ) + sin( )
2 2
= + cos( ) + sin( )
2 2 2 2 2 2
cos( ) = cos( ) + cos( ) + cos( )sin( )
2 2 2 2 2 2
sin( ) = sin( ) + cos( )sin( ) + (sin )
40
40
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
4.5. EJEMPLO
4.5.1. DATOS
t 1 2 3 4 5 6 7 8 9 10 11 12
D 10 20 30 30 20 15 12 22 32 32 21 14
4.5.2. GRFICA
35
30
25
DEMANDA
20
15
10
0
1 2 3 4 5 6 7 8 9 10 11 12
TIEMPO
41
41
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
=6 = 3.1416
2 2
= 21.5 8.916 cos(
) 5.629 sin( )
4.7. PROYECCIONES
Para los siguientes periodos, donde t = 13, 14, 15, 16, 17, 18, 19, 20,
21, 22, 23, 24.
2 2
= 21.5 8.916 cos(
) 5.629 sin( )
42
42
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
43
43
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
35
30
25
DEMANDA
20 Demanda Inicial
15
10 Demanda
5 Pronosticada
0
1 2 3 4 5 6 7 8 9 10 11 12
TIEMPO
S + 2
2
12 0.427 15.11 9.22
21 0.107 24.03 18.14
30 0.016 33.36 27.47
31 0.063 33.78 27.89
22 0.334 24.86 18.97
13 0.531 15.53 9.64
12 0.003 15.11 9.22
21 0.076 24.03 18.14
30 0.228 33.36 27.47
31 0.124 33.78 27.89
22 0.076 24.86 18.97
13 0.182 15.53 9.64
2.167
44
44
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
NIVEL DE CONFIANZA
40
35
30
25
D -2S
20
D
15
D +2S
10
5
0
1 2 3 4 5 6 7 8 9 10 11 12
4.9. INTERPRETACIN
45
45
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
GRAFICO PRONOSTICADO
35
30
25
20
D. PRON.
15
D. REAL
10
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
46
46
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
Para
T > 0 siendo k y b constantes positivas.
N(t): tamao de una poblacin en un instante t.
K: Constante positiva, que indica el tamao mximo que puede
alcanzar la poblacin.
b: Constante relacionada con la capacidad proliferada de la poblacin.
Propiedades del Modelo de Gompertz.
47
47
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
48
48
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
5.5. EJEMPLO
Ann Hickman, gerente de Specific Motors, debe pronosticar las ventas
de motores de su empresa. Ella cree que las ventas durante los aos
anteriores son representativas de las ventas del futuro. Desarrolle un
pronstico para estimar las ventas del siguiente ao. Sabiendo que las
ventas histricas fueron:
T D (Unid.)
0 60
1 80
2 100
3 110
4 210
5 220
6 460
7 480
8 490
9 500
10 510
11 520
Solucin:
D =
Donde:
t: Nmero de periodos
50
50
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
D: Demanda
a, b, c: Parmetros
= +
()
Log b = ( )
Log a = [
]
Donde:
t: Nmero de periodos
D: Demanda
a, b, c: Parmetros
D Log D
60 1.7782
51
51
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
52
52
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
d1 = S2 S1 --> 2.2860
d2 = S3 S2 --> 0.8041
53
53
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
log b = d1 (c-1)
(cn -1)2
log b = 2.286(0.7701-1)
(0.77014-1)2
log b = -0.5255514
0.420275958
log b = -1.2505
o Calculamos el log a:
log a =
log a= 2.8122
a= antilog(2.8122)
a= 10 2.8122
a= 648.9332
54
54
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
b= antilog(-1.2505)
b= 10 -1.2505
b= 0.0562
- Ahora reemplazamos los datos en el modelo:
D= (648.9332) (0.0562)0.7701^t
- Construccin del modelo matemtico
o Escribimos el modelo en su forma original sustituyendo los
valores de los parmetros, la ecuacin estimada vendra a
ser el modelo estimado o pronosticado:
o Para el periodo t = 1
- Aplicamos antilogaritmo
D1 = Antilogaritmo(1.8494)
D1 = 70.6968
55
55
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
- Aplicamos antilogaritmo
D = antilogaritmo(2.7578)
D = 572.5323
- Aplicamos antilogaritmo:
D = Antilogaritmo (2.7799)
D = 602.4209
Nivel de Confianza
56
56
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
Interpretacin
57
57
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
Donde:
= Promedio mvil en el periodo t.
+1 = Valor de pronstico para el siguiente periodo.
= Valor real en el periodo.
n= nmero de trminos en el promedio mvil.
Segn G. Reitsch, J.E., (1996), Pronsticos en los negocios,
Mxico, Editorial PEARSON Educacin
La Desviacin Estndar es un ndice numrico de la dispersin de un
conjunto de datos (o poblacin). Mientras mayor es la desviacin
estndar, mayor es la dispersin de la poblacin. La desviacin estndar
es un promedio de las desviaciones individuales de cada observacin con
respecto a la media de una distribucin. As, la desviacin estndar mide
el grado de dispersin o variabilidad.
Cuya frmula es:
=( )
=
58
58
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
= | |
=
EJEMPLO
Una Empresa presenta en el siguiente tabulado el reporte de demandas
de ventas correspondientes al ao 2016. El pronstico se da con un
promedio mvil de 3 meses. En que tiempos se recomiendan a la
empresa aumentar su produccin.
T D
1 10
2 12
3 13
4 16
5 19
6 23
7 26
8 30
9 28
10 18
11 16
12 14
59
59
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
- Modelo matemtico
+ + + +
+ =
DEMANDA PROMEDIO
T LCI LCS S Error X-X' (X-X)^2
REAL MOVIL
1 10
2 12
3 13
4 16 11.667 -2.975 26.309 3.064 4.333 4.333 18.778
5 19 13.667 -0.975 28.309 3.771 5.333 5.333 28.444
6 23 16.000 1.358 30.642 4.950 7.000 7.000 49.000
7 26 19.333 4.691 33.975 4.714 6.667 6.667 44.444
8 30 22.667 8.025 37.309 5.185 7.333 7.333 53.778
9 28 26.333 11.691 40.975 1.179 1.667 1.667 2.778
10 18 28.000 13.358 42.642 7.071 -10.000 10.000 100.000
11 16 25.333 10.691 39.975 6.600 -9.333 9.333 87.111
12 14 20.667 6.025 35.309 4.714 -6.667 6.667 44.444
Suma 225 6.33333333 58.3333333 428.777778
promedio 18.75
- Simulando para:
4
= :
+ + + + +
+ = = = .
5
= :
+ + + + +
+ = = = .
6
= :
60
60
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
+ + + + +
+ = = =
13 = :
+ + + + +
+ = = = .
DEMANDA PROMEDIO
T
REAL MOVIL
1 10
2 12
3 13
4 16 11.667
5 19 13.667
6 23 16.000
7 26 19.333
8 30 22.667
9 28 26.333
10 18 28.000
11 16 25.333
12 14 20.667
Suma 225
promedio 18.75
S 7.321
Error medio 0.792
Error medio
absoluto 7.292
()2
= = 7.32
1
61
61
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
= +
- Interpretacin
INTERVALOS DE CONFIANZA
60
40
20
0
1 2 3 4 5 6 7 8 9 10 11 12
-20
62
62
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
MTODOS DE PROMEDIO
PROMEDIO DE MVILES:
Con frecuencia, la administracin enfrenta la situacin donde se requiere
actualizar los pronsticos diarios, semanal o mensualmente para inventarios que
contienen cientos de miles de elementos. A menudo no es posible desarrollar
tcnicas sofisticadas de pronstico para cada elemento. En vez de ello, para
llevar a cabo esta tarea, se necesita alguna herramienta de pronstico rpido,
barato, muy sencillo y de corto plazo.
Es probable que un administrador que enfrente tal situacin, emplee una tcnica
de promedio o de atenuacin. Este tipo de tcnicas utilizan una forma de
promedio ponderado de observaciones anteriores para atenuar fluctuaciones de
corto plazo. La suposicin fundamental de estas tcnicas es que las
fluctuaciones en los valores anteriores representan puntos de partida aleatorios
de alguna curva atenuada. Una vez que se identifica esta curva, se puede
proyectar hacia el futuro para producir un pronstico.
63
63
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
En donde:
64
64
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
Una forma de pronosticar series de tiempo que tienen una tendencia lineal,
consiste en utilizar las tcnicas del promedio mvil doble. El mtodo hace lo que
su nombre implica: se calcula un conjunto de promedios mviles y despus se
calcula un segundo conjunto como promedio mvil del primero.
65
65
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
En donde:
EJEMPLOS
66
66
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
El EMC (error medio cuadrado) para este modelo es 133. Puesto que los datos
obviamente tienen tendencia, Jill encuentra que sus pronsticos estn
consistentemente subestimados de las rentas reales. Por esta razn, decide
intentar con el promedio mvil doble. Los resultados se presentan en la tabla 5.4.
A continuacin se presentan los clculos para comprender el pronstico para la
semana 16. Se usa la ecuacin 1.1 para calcular el promedio mvil de tres
semanas (columna 3).
- RECOLECCIN DE DATOS
67
67
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
- FIGURA DE DATOS
A continuacin, presentamos un grfico para observar que
comportamiento sigue la variable ventas de acuerdo con la semana
que encuentre.
X: Periodo en semana.
Y: Ventas por semana.
700
650
0 5 10 15 20
Semana
- MODELO MATEMTICO
+ + + +
=
+ + + +
=
= ( )
+ = +
68
68
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
- CUADRO DE PROCESAMIENTO
Reemplazando en la formulas propuestas en el tem anterior,
obtenemos el siguiente cuadro proceso:
Tabla N22: Pronstico de promedio mvil doble para movie video store
- MODELO
Simulando para t = 10:
10 + 9 + 8
10 =
3
69
69
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
10 + 9 + 8
10 =
= ( )
= ( ) =
+ =
= +
= + () =
=
= =
- PROYECCIONES
Para la semana 14:
+ = +
+ = +
= + ( )
=
De los datos de informacin proporcionada por Jill Ottenbreit se
observa que la demanda para la semana 14 ser de 714 Videocintas.
70
70
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
- NIVEL DE CONFIANZA
En este proceso hallaremos la desviacin estndar de los datos,
para poder conocer la variacin que muestra la venta de
videocintas de 15 semanas, luego aplicaremos un nivel de
confianza del 95% para la obtencin de los intervalos que fluctuara
la demanda en la semana 16.
+ )
(
=
=
Periodo
Ventas por Pronostico
por
semana a + (b*p) (Yt - Yt )2
semana
T Yt Yt+1
1 654 - -
2 658 - -
3 665 - -
4 672 - -
5 673 - -
6 671 680 81
7 693 678 225
8 694 689 25
9 701 700 1
10 703 714 121
11 702 709 49
12 710 708 4
13 712 711 1
71
71
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
14 711 714 9
15 728 717 121
(+1 )2 = 637
(+1 )2
= 45.5
1
= 45.5 = 6.75
72
72
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
= 0.05
+
:
= + .
= .
:
= .
= .
De donde obtenemos:
- INTERPRETACIN
700
680
660
73
640
0 5 73 10 15 20
Semana
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
En esta grafica observamos que entre la curva descrita por los valores
de la serie de tiempo original y la del segundo promedio mvil existe
una diferencia proporcional. Es en base a esta observacin es que se
utiliza la proporcin de la diferencia existente entre los dos promedios
para estimar los valores reales de la serie de tiempo, ajustando de
esta manera el valor medio o promedio mvil.
t Yt
1980 52993
1981 53862
1982 54891
1983 55494
1984 56475
1985 57682
1986 58612
1987 59631
1988 61176
1989 62514
1990 63450
74
74
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
1991 65148.215
1992 67289.242
1993 68977.305
1994 70746.93
1995 72176.828
1996 74120.692
1997 75578.055
1998 77678.055
1999 79172.977
2000 80389.672
2001 82130.102
2002 82945.07
2003 83635
2004 85201.727
2005 86553.852
2006 87742.539
2007 88855.219
2008 90234.211
2009 91483.742
2010 91947.406
2011 93183.211
2012 94645.984
2013 95337.828
2014 95955.719
2015 97340.922
75
75
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
- FIGURA DE DATOS
A continuacin, presentamos un grfico para observar que
comportamiento sigue la variable ventas de acuerdo con el ao que
encuentre.
X: Ao.
Y: Miles de casas.
1995
1990
1985
1980
1975
0 5 10 15 20 25 30 35 40
- CUADRO DE PROCESAMIENTO
Reemplazando en la formulas propuestas en el tem anterior,
obtenemos el siguiente cuadro proceso:
76
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
Pronstico
t Yt Mt(m=4) M't(n=3) at bt
(p=1)
1980 52993
1981 53862
1982 54891
1983 55494 54310.00
0
1984 56475 55180.50
0
1985 57682 56135.50 55208.66 57062.333 926.833
0 7
1986 58612 57065.75 56127.25 58004.250 938.500 57989.167
0 0
1987 59631 58100.00 57100.41 59099.583 999.583 58942.750
0 7
1988 61176 59275.25 58147.00 60403.500 1128.25 60099.167
0 0 0
1989 62514 60483.25 59286.16 61680.333 1197.08 61531.750
0 7 3
1990 63450 61692.75 60483.75 62901.750 1209.00 62877.417
0 0 0
1991 65148.21 63072.05 61749.35 64394.756 1322.70 64110.750
5 4 1 3
1992 67289.24 64600.36 63121.72 66079.006 1478.64 65717.459
2 4 3 2
1993 68977.30 66216.19 64629.53 67802.845 1586.65 67557.647
5 1 6 4
1994 70746.93 68040.42 66285.65 69795.187 1754.76 69389.499
3 9 4
1995 72176.82 69797.57 68018.06 71577.089 1779.51 71549.951
8 6 3 3
77
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
Pronstico
t Yt Mt(m=4) M't(n=3) at bt
(p=1)
1996 74120.69 71505.43 69781.14 73229.732 1724.29 73356.602
2 9 6 3
1997 75578.05 73155.62 71486.21 74825.039 1669.41 74954.024
5 6 4 2
1998 77678.05 74888.40 73183.15 76593.658 1705.25 76494.451
5 8 8 0
1999 79172.97 76637.44 74893.82 78381.063 1743.61 78298.908
7 5 6 9
2000 80389.67 78204.69 76576.84 79832.532 1627.84 80124.682
2 0 7 2
2001 82130.10 79842.70 78228.27 81457.124 1614.42 81460.375
2 2 9 3
2002 82945.07 81159.45 79735.61 82583.295 1423.84 83071.547
5 6 0
2003 83635 82274.96 81092.37 83457.549 1182.58 84007.135
1 3 8
2004 85201.72 83477.97 82304.13 84651.819 1173.84 84640.138
7 5 0 4
2005 86553.85 84583.91 83445.61 85722.209 1138.29 85825.664
2 2 6 6
2006 87742.53 85783.28 84615.05 86951.504 1168.22 86860.505
9 0 6 4
2007 88855.21 87088.33 85818.50 88358.160 1269.82 88119.728
9 4 9 6
2008 90234.21 88346.45 87072.69 89620.221 1273.76 89627.985
1 5 0 6
2009 91483.74 89578.92 88337.90 90819.950 1241.02 90893.986
2 8 6 2
2010 91947.40 90630.14 89518.50 91741.780 1111.63 92060.972
6 5 9 5
78
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
Pronstico
t Yt Mt(m=4) M't(n=3) at bt
(p=1)
2011 93183.21 91712.14 90640.40 92783.880 1071.73 92853.415
1 3 5 8
2012 94645.98 92815.08 91719.12 93911.047 1095.96 93855.618
4 6 4 2
2013 95337.82 93778.60 92768.61 94788.603 1009.99 95007.009
8 7 2 5
2014 95955.71 94780.68 93791.46 95769.912 989.226 95798.598
9 6 0
2015 97340.92 95820.11 94793.13 96847.091 1026.97 96759.138
2 3 5 8
2016 98706.01 96835.12 95811.97 97858.269 1023.14 97874.069
6 1 3 8
2017 99883.74 97971.60 96875.61 99067.588 1095.98 98881.417
2 0 1 8
2018 101041.2 99242.98 98016.56 100469.39 1226.41 100163.57
4 0 7 3 3 6
- PROYECCIONES
Tabla N26: Tabla con pronstico hasta 2022
79
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
80
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
81
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
+ = +
+ = +
= . + (. )
= .
Se pronostica que la cantidad de miles de casas para el ao 2021 ser
de 104 148.632
Para el ao 2038:
+ = +
+ = +
= . + (. )
= .
Se pronostica que para el 2038 la cantidad de casas en EE.UU ser de
124 997.653.
- NIVEL DE CONFIANZA
En este proceso hallaremos la desviacin estndar de los datos, para
poder conocer la variacin que muestra los miles de casas desde el ao
2000 hasta 2038, luego aplicaremos un nivel de confianza del 95% para
la obtencin de los intervalos que fluctuara el ao 1999.
82
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
+ )
(
=
=
Pronstico
t Yt (a+b*p) (Yt - Yt )2
Yt
1980 52993
1981 53862
1982 54891
1983 55494
1984 56475
1985 57682
1986 58612 57989.167 387921.361
1987 59631 58942.750 473688.063
1988 61176 60099.167 1159570.028
1989 62514 61531.750 964815.063
1990 63450 62877.417 327851.674
1991 65148.215 64110.750 1076333.626
1992 67289.242 65717.459 2470502.585
1993 68977.305 67557.647 2015427.654
1994 70746.93 69389.499 1842618.467
1995 72176.828 71549.951 392975.400
1996 74120.692 73356.602 583833.146
1997 75578.055 74954.024 389414.377
1998 77678.055 76494.451 1400917.837
1999 79172.977 78298.908 763997.491
2000 80389.672 80124.682 70219.744
2001 82130.102 81460.375 448534.813
2002 82945.07 83071.547 15996.474
83
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
Pronstico
t Yt (a+b*p) (Yt - Yt )2
Yt
2003 83635 84007.135 138484.272
2004 85201.727 84640.138 315382.392
2005 86553.852 85825.664 530258.370
2006 87742.539 86860.505 777984.418
2007 88855.219 88119.728 540947.747
2008 90234.211 89627.985 367509.458
2009 91483.742 90893.986 347811.648
2010 91947.406 92060.972 12897.180
2011 93183.211 92853.415 108765.292
2012 94645.984 93855.618 624678.941
2013 95337.828 95007.009 109441.376
2014 95955.719 95798.598 24686.982
2015 97340.922 96759.138 338473.204
2016 98706.016 97874.069 692135.672
2017 99883.742 98881.417 1004655.239
2018 101041.24 100163.576 770293.366
(+1 )2 = 21489023.358
(+1 )2
= 565500.6147
1
= 565500.6147 = 751.9977
84
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
= 0.05
+
:
= . + .
= .
:
= . .
= .
De donde obtenemos:
.
.
- INTERPRETACIN
85
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
8.2. FORMULA
Donde:
Ft: demanda futura
n-1: Perodo actual
A: demanda histrica
p1,p2, p3, p4, pn : Factores de ponderacin
Si se expresa la ponderacin como porcentaje, la frmula se reduce a una
sumatoria del producto de la ponderacin por la demanda.
w1 = p1
p1 + p2 + p3 + + pn
86
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
w2 = p2
p1 + p2 + p3 + + pn
donde
w1 = Ponderacin dada a la ocurrencia real para el periodo t 1
w2 =Ponderacin dada a la ocurrencia real para el periodo t 2
wn = Ponderacin dada a la ocurrencia real para el periodo t n
n = Nmero total de periodos en el pronstico
8.3. PONDERACIN
Aunque quiz se ignoren muchos periodos (es decir, sus ponderaciones son de
cero) y el esquema de ponderacin puede estar en cualquier orden (por ejemplo,
los datos ms distantes pueden tener ponderaciones ms altas que los ms
recientes), la suma de todas las ponderaciones debe ser igual a uno (Chase
Jacobs Aquilano).
= 1
=1
Realmente no hay una regla general que nos diga qu ponderacin elegir. La
experiencia y el anlisis de la demanda suelen ser decisorios para determinar
la importancia en la ponderacin.
Normalmente ocurre que esta tcnica considera que los datos ms recientes
son ms reveladores del futuro que los datos ms antiguos, es decir da un mayor
peso a datos ms recientes, pues ante ausencia de datos, es el indicador ms
fiel que tenemos para el prximo periodo.
87
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
EJEMPLOS
EJEMPLO1:
Demanda
Mes Pronstico
Real
1 45
2 60
3 55
4 70
5 90
6 50
7 115
8 80
9 75
10 ?
88
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
acumulado
Desviacin
Pronstico
pronstico
de
Demanda
Absoluta
Seal de
Rastreo
Error
MAD
Real
(SR)
Mes
Error
1 45
2 60
3 55
4 70 54.44 15.56 15.56 15.56 15.56 1.00
5 90 62.78 27.22 42.78 27.22 21.39 2.00
-
6 50 75.56 17.22 25.56 22.78 0.76
25.56
7 115 67.78 47.22 64.44 47.22 28.89 2.23
8 80 87.78 -7.78 56.67 7.78 24.67 2.30
9 75 85.00 -10.00 46.67 10.00 22.22 2.10
Seal de Rastreo
3
1
MAD
SR
0
-1
-2
-3
1 2 3 4 5 6
MES
EJEMPLO 2:
89
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
90
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
91
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
92
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
A. Frmulas matemticas
- Calculamos las frmulas matemticas, despejando de las
sumatorias anteriores.
1. DME = x' = abt donde a y b parmetros.
Log ( )( Log )
Log =
2 ()2
93
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
Ejemplo:
En la Empresa Automotriz HOFFMANN se ha realizado un
estudio en el ao 2015 sobre las ventas realizadas de automviles
de ltima generacin. Sabiendo que los pedidos se hacen con un
mes de anticipacin a los proveedores. Se desea conocer las
ventas de automviles para los siguientes meses.
Mes t D
Enero 1 23
Febrero 2 26
Marzo 3 28
Abril 4 33
Mayo 5 37
Junio 6 40
Julio 7 47
Agosto 8 50
Septiembre 9 56
Octubre 10 66
Noviembre 11 75
Diciembre 12 83
94
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
90
80
70
60
50
40 D
30
20
10
0
0 5 10 15
= +
=
= +
= + 2
95
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
Donde:
n = 12
log log
log =
2 ()2
log = 0.0506
Calculamos el antilogaritmo de b para obtener el valor de b
b = 1.124
()2 log log
log =
2 ()2
96
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
log = 1.30784
a = 20.316
t D
1 22.83
2 25.65
3 28.83
4 32.4
5 36.4
6 40.91
7 45.97
8 51.66
9 58.05
10 65.23
11 73.3
12 82.37
97
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
9.7. PROYECCIONES
= 20.316 1.12413
= 92.56
= 20.316 1.12414
= 104.01
= 20.316 1.12415
= 116.88
98
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
L. L.
Mes PRONSTICOS
INFERIOR SUPERIOR
Enero 13 925.622 90.18 94.94
Febrero 14 1.040.147 101.63 106.39
Marzo 15 1.168.842 114.50 119.26
Abril 16 131.346 128.97 133.73
Mayo 17 1.475.971 145.22 149.98
Junio 18 1.658.589 163.48 168.24
Julio 19 1.863.802 184.00 188.76
Agosto 20 2.094.406 207.06 211.82
Septiembre 21 2.353.542 232.97 237.73
Octubre 22 264.474 262.09 266.85
Noviembre 23 2.971.967 294.82 299.58
Diciembre 24 3.339.682 331.59 336.35
9.9. INTERPRETACIN
Hallamos el crecimiento para el sector industrial, referente al ao
siguiente:
2016 2015
= 100
2015
C= 0.12 ~ 12%
t PRONSTICOS
1 92.56
2 104.01
3 116.88
4 131.35
5 147.6
6 165.86
7 186.38
8 209.44
9 235.35
10 264.47
11 297.2
99
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
12 333.97
300
200
PRONOSTICOS
100
0
0 5 10 15
FUNCIN LOGSTICA
1
=
1 + .
Donde:
o L: poblacin lmite
o = 1
EJEMPLO
100
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
101
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
21 45,12 74 28,87
22 47,49 81,40 33,91
23 49,87 89,54 39,67
24 52,25 98,49 46,24
- Hay que poner mucha atencin como durante los primeros meses los
nmeros son casi idnticos: an estaba lejos el nivel de saturacin. Sin
embargo, al tiempo la diferencia es enorme y despus los resultados
obtenidos para cada modelo no tienen nada que ver
- Se supone que la poblacin no crece indefinidamente y mientras mayor
sea su densidad ms lento ser el crecimiento, se detendr cuando la
poblacin alcance un lmite denominado capacidad de carga.
- Experimenta retroalimentacin negativa, la poblacin crece solo hasta
un lmite, la capacidad de carga, y cuando se supera disminuir su
tamao.
- De una manera ms explcita, podemos decir que las poblaciones van
creciendo inicialmente rpido en una fuente de presin constante, es
decir, se vuelven tan numerosas que pierden su capacidad de crecer
debido a interacciones entre los miembros de la poblacin, resultando
entonces, como habra de esperarse, un estado de equilibrio. Este tipo
de crecimiento se llama crecimiento logstico.
- Podemos decir que el crecimiento logstico es el balance entre
produccin en proporcin a la poblacin, y a las prdidas en proporcin
a la oportunidad de interacciones individuales.
Ejemplo Simple:
Como ejemplo de representacin semilogartmica, vamos a realizar una
grfica con los trminos de la serie (2 )n=18 en un papel
semilogartmico, que aparecen en la tabla inferior.
102
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
103
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
= 0 . . (1)
= ln(0 )
= ln 0 + + )
= ln 0 + 1 +
104
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
= ln 0 + 1 + ) (2)
Si = 0 1
1 1 1 1
0 1 1
= 0 1 = 0 1 =
0 1 1 0 1 1
E= = = 1
0 1
Si = 0 + 1 +
= 1 = = =
= = , despejando = 1
Elasticidad 1
Variacin marginal
1 1
105
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
100
Y
50
0
0 0.1 0.2 0.3 0.4 0.5 0.6
X
= 0 . . (1)
1 =
1
= =
Donde:
106
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
(ln |)
=
CANTIDAD
INGRESOS POR
DEMANDADA POR
AOS PERSONA Precios
PERSONA
ctes. (X)
Unidades(Y)
107
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
INGRESOS CANTIDAD
POR DEMANDADA
AOS PERSONA POR
Precios PERSONA
Log x Log y (log x).(log y) log x2 log y2
ctes. (X) Unidades(Y)
2007 110 220 2,041 2,342 4,782 4,167 5,487
2008 118 240 2,072 2,380 4,932 4,293 5,665
2009 121 250 2,083 2,398 4,994 4,338 5,750
2010 127 255 2,104 2,407 5,063 4,426 5,791
2011 134 262 2,127 2,418 5,144 4,525 5,848
2012 140 265 2,146 2,423 5,201 4,606 5,872
2013 147 280 2,167 2,447 5,304 4,697 5,989
2014 154 285 2,188 2,455 5,370 4,785 6,026
2015 162 290 2,210 2,462 5,441 4,882 6,063
2016 169 300 2,228 2,477 5,519 4,963 6,136
Sumatoria: 21,365 24,210 51,748 45,682 58,629
Sumatoria/n
2,137 2,421 5,175 4,568 5,863
(n=10)
108
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
Hallamos la pendiente(a):
[(log )][(log )]
[(log )(log )]
=
[(log )]2
[(log )2 ]
51,74842299 51,72587129
=
456,14775992
45,68235161 10
0,02255
=
0,03459
1 = = 0,65193972
Hallamos el intercepto(b):
(log ) [(log )]
0 =
0 = = 1,028127201
= 0,65193972 + 1,028127201
Donde:
109
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
Cantidad
Ingreso Demand
demandad Poblaci
por a total
aos Log x Log y a por n en
persona (en
persona miles
(x) millones)
(y)
2016 169 1000
2,24907600
2017 177 2,49438918 312 1020 318
4
2,27026530 2,50820332
2018 186 322 1040 335
3 5
2,29145460 2,52201747
2019 196 333 1061 353
2 1
2,31264390 2,53583161
2020 205 343 1082 372
1 7
2,54964576
2021 216 2,3338332 355 1104 391
2
2,35502249 2,56345990
2022 226 366 1126 412
9 8
2,37621179 2,57727405
2023 238 378 1149 434
8 4
2,39740109 2,59108819
2024 250 390 1172 457
7 9
2,41859039 2,60490234
2025 262 403 1195 481
6 5
2,43977969 2,61871649
2026 275 416 1219 507
5 1
110
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
600
500
400
Demanda
300
200
100
0
0 2 4 6 8 10 12
Periodos
Interpretacin:
- Podemos observar que cuando el periodo varia en 1, la demanda
varia en promedio un 0,65 .
- Se puede apreciar un comportamiento lineal, lo cual refleja que se
trata de una variacin constante.
111
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
+1 = + ( ) +1 = + (1 )
Donde:
n: Perodo actual.
Notas:
Una ventaja de esta tcnica es que los datos que se requieren son
slo del ltimo pronstico, la ltima demanda y el valor de .
Esta tcnica es realmente un promedio mvil ponderado.
Mientras alfa est cerca de 1 se le est dando mayor peso a los
ltimos datos de la demanda real.
+1 =
Si
+1 = + (1 ) (1)
= 1 + (1 )1 (2)
Pero
112
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
1 = 2 + (1 )2 (3)
+1 = + (1 )1 + (1 )2 2 + (1 )3 3
+ (1 )4 4 + (1 )5 5
Ponderacin 3 4 5
por
(1- ) (1- )2 (1- )3 (1- )4
pero
do
113
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
114
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
11.3. EJEMPLOS
Ejemplo1.
Solucin
Aplicando la frmula:
+1 = + ( )
Reemplazando:
+ =
Ejemplo2.
Solucin:
Aplicando la frmula:
+1 = + ( )
Reemplazando:
F= 147 pasajes
115
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
Ejemplo 3.
Tabla N43: Llegada de pacientes a una clnica en las ltimas tres semanas
LLEGADA
SEMANA DE
PACIENTES
1 400
2 380
3 411
Solucin:
Aplicando la frmula:
+1 = + (1 )
Reemplazando:
116
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
Ejemplo 4.
Se pide:
Solucin:
117
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
Tabla N45: Cuadrado medio de error del pronstico de ventas para cada mes
118
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
Ejemplo 5.
Solucin
119
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
Los datos del primer trimestre de 2006 se usarn como datos de prueba
para ayudar a determinar el valor ms adecuado de (entre los dos
considerados). La serie suavizada exponencialmente se calcula
igualando la inicial a 500. Si existen datos anteriores, ser posible
usarlos para desarrollar una serie suavizada hasta el 2000 y luego usar
esta experiencia como el valor inicial de la serie suavizada. Los clculos
que conducen al pronstico de los periodos 3 y 4 se presentan a
continuacin:
120
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
Ejemplo 6.
El clculo del valor inicial como un promedio para los datos de Acme
Tool Company presentados en el ejemplo 5 se muestra a continuacin.
121
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
122
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
Mtodo de Holt:
123
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
Analizar
Series Temporales
Suavizado exponencial
Mtodo de Brown:
124
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
Ejemplo 1:
125
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
Mes Demanda
1 12
2 17
3 ?
126
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
Solucin:
127
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
13.1. DEFINICION
El mtodo de Holt trata de encontrar la ecuacin de lnea que se ajusta a
los datos con ms peso en las observaciones recientes y menos en las
observaciones del pasado distante. (Paul Keat; Philip Young. Economa
de empresa)
13.2. UTILIDAD
13.3. DATA
Se presentan la demanda para la empresa D&M durante los aos 1995-
1999.
Tabla N48: Demanda anual
Periodo Aos Demanda (UF)
1 2011 85
2 2012 105
3 2013 112
4 2014 132
5 2015 145
128
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
13.4. FIGURA
Graficamos la demanda inicial mediante un diagrama de dispersin.
Demanda
160 y = 14.7x - 29475
140
120
100
80
Demanda
60
40
20
0
2010 2011 2012 2013 2014 2015 2016
Estimacion de la tendencia
= ( 1 ) + (1 )1
129
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
=1
y = 14,7x - 29240 = 15
130
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
13.8. PRONSTICO
+ = 85 + (1 15)
2 = 100 = 1 = 1
+ = 100.5 + (1 15.05)
3 = 115.55 = 2 = 1
+ = 115.2 + (1 15.01)
4 = 130.21 = 3 = 1
+ = 130.4 + (1 15.03)
5 = 145.43 = 4 = 1
+ = 145.4 + (1 15.03)
6 = 160.43 = 5 = 1
+ = 145.4 + (2 15.03)
7 = 175.46 = 5 = 2
1 85 85 15 85
2 105 100.5 15.05 100
3 112 115.2 15.01 115.55
4 132 130.39 15.03 130.21
5 145 145.38 15.03 145.42
131
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
100
80
60
40
20
0
0 1 2 3 4 5 6
( )2
= =1
2
40.9915
=
3
= 3.69
132
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
Donde:
13.11. INTERPRETACIN
Como se puede observar el modelo usado se ajusta a los datos
observados por lo que se puede concluir que las estimaciones de los
prximos aos sern adecuadas.
El anlisis de los errores obtenidos nos permitir comparar la precisin
y confiabilidad de los datos respecto a otros mtodos que se puedan
utilizar.
133
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
Las hiptesis en que se basan las TPNC son, en primer lugar, la estabilidad
de la forma del comportamiento sistemtico de la serie y, en segundo lugar,
que el valor de la variable observado en cualquier perodo t es el resultado del
comportamiento sistemtico y de una perturbacin aleatoria.
14.1. DEFINICIN:
El mtodo de Winters es un procedimiento de atenuacin exponencial,
que puede usarse en situaciones en la que se encuentren presentes la
tendencia y la estacionalidad (Hanke, 2005, p.127). Esta tcnica
supone que el proceso fundamental que genera la demanda est dado
por:
134
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
Estimacin de la tendencia.
Estimacin de la estacionalidad.
En donde:
intervalo .
135
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
. Es la longitud de la estacionalidad.
Periodo Dt
(t) 1 66
2 106
3 78
4 135
= 0.2
=0.2
= 0.2
R0 =1.2
L=2
T0 = 10
R-1=0.8
K=1
B. FIGURA
DATA HISTRICA
160
140
120
100
Dt
80
60
40
20
0
0 1 2 3 4 5
136
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
C. MODELO MATEMTICO
= = ( ) + (1 )(1 + 1 )
= = ( 1 ) + (1 )1
= = ( ) + (1 )
D. TABLA Y PROCESAMIENTO
Clculos:
A1= 0.2*(66/0.8)+(0.8*(70+10)) = 80.5
T1 = 0.2 (80.5-70) + (0.8 *10) = 10.1
R1= 0.2(66/80.5) + (0.8*0.8)= 0.804
E. MODELO
= = 0.2 ( ) + (1 0.2)(1 + 1 )
= = 0.2( 1 ) + (1 0.2)1
= = 0.2 ( ) + (1 0.2)
137
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
F. PROYECCIONES
+ = ( + )(+ )
G. NIVEL DE SIGNIFICANCIA
2
=
( + )2
=
2
= 4.22
Error
Demanda Pronstico
T Dt Ft (Dt-Ft+p)2 F-2S F+2S
1 66 64 4 55.55 72.45
2 106 108.72 7.4 100.3 117.17
3 78 80.52 6.4 72.1 88.97
4 135 130.77 17.9 122.3 139.21
35.7 87.55 104.45
138
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
H. INTERPRETACIN:
139
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
1. FRMULAS MATEMTICAS
DME = x' = a + bt + ct2 donde a, b y c son parmetros y se determinaran por el
siguiente sistema de ecuaciones:
= + + 2
= + 2 + 3
2 = 2 + 3 + 4
= + + 2
140
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
2. RECOLECCIN DE DATOS
Tabla N55: Recoleccin de datos
Demanda
Periodo(t)
(x)
1 2
2 4
3 12
4 16
5 28
6 36
7 49
8 35
9 25
10 10
11 6
12 4
Donde:
t : meses desde enero (t = 1) hasta diciembre (t = 12 )
x : Nmero de Pantalones Jeans vendidos
3. FIGURA DE DATOS
Figura de dispersin
60
y = -1.223x2 + 16.266x - 20.568
50
R = 0.7726
40
30 Demanda (x)
Poly. (Demanda (x))
20
10
0
0 5 10 15
-10
141
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
4. MODELO MATEMTICO
Por simple inspeccin apreciamos que estos datos se ajustan a un modelo de
curva potencial de segundo grado, cuyo modelo matemtico es el siguiente:
Donde:
X: Nmero de pantalones jeans pronosticadas para el periodo t del ao 2015
T(1,2,,12)
Para lo cual necesitamos de las siguientes ecuaciones:
= +
= + 2
2 = 2 + 3 + 4
5. FIGURAS Y PROCESAMIENTO
Desarrollo de la siguiente tabla:
Periodo Demanda
Xt t4 t3 t2 xt2
(t) (x)
1 2 2 1 1 1 2
2 4 8 16 8 4 16
3 12 36 81 27 9 108
4 16 64 256 64 16 256
5 28 140 625 125 25 700
6 36 216 1296 216 36 1296
7 49 343 2401 343 49 2401
8 35 280 4096 512 64 2240
9 25 225 6561 729 81 2025
10 10 100 10000 1000 100 1000
11 6 66 14641 1331 121 726
12 4 48 20736 1728 144 576
227 1528 60710 6084 650 11346
142
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
6. MODELO
t = 2 periodo
2 = 4
Por lo cual comprobamos que el modelo est bien, ya que es cercano a la
demanda
7. PROYECCIONES
Para proyectar la serie se trabaja con la frmula:
= 20.658 + 16.266 t 1.223 2
D
Se sustituye los valores de t por el nmero de periodos cuya serie empieza con
el periodo 12:
143
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
Demanda
Periodo Demanda Proyectada
(t) (x)
(x`)
1 2 0
2 4 7
3 12 17
4 16 25
5 28 30
6 36 33
7 49 33
8 35 31
9 25 27
10 10 20
11 6 10
12 4 0
8. NIVEL DE CONFIANZA
)
(D
= = 6.918
1
3 D
D D
+ 3
144
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
INTERVALO DE
Demanda CONFIANZA
Periodo (t) X
(x) Demanda Proyectada (x)
D-3S D+3S
1 2 0 0 21
2 4 6.942 0 28
3 12 17,223 0 38
4 16 24,928 4 46
5 28 30,187 9 51
6 36 33 12 54
7 49 33,367 13 54
8 35 31,288 11 52
9 25 26,763 6 48
10 10 19,792 0 41
11 6 10,375 0 31
12 4 0 0 21
9. INTERPRETACIN
As se puede saber entre cuanto puede estimar nuestras demandas de jeans en
todo el ao que viene para cada mes y a si no invertir ms de lo necesario o
tener demasiadas.
145
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
146
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
147
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
148
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
149
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
por , y simultneamente.
150
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
EJEMPLO:
1. DATA
Ajuste el modelo Y= a + b1 1 + b2 2
Dnde:
1= Anuncios en TV
2 = Anuncios en Peridicos
151
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
2. GRFICO
3. MODELO MATEMTICO
Y= b0 + b1 1 + b2 2
= 0 + 1 1 + 2 2
1 = 0 1 + 1 12 + 2 1
2 = 0 2 + 1 21 + 2 22
152
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
4. CUADRO Y PROCESAMIENTO
Y x1 X2 X22
96 5,0 1,5 2,3
90 2,0 2,0 4,0
95 4,0 1,5 2,3
92 2,5 2,5 6,3
95 3,0 3,3 10,9
94 3,5 2,3 5,3
94 2,5 4,2 17,6
94 3,0 2,5 6,3
= ( )1
96
90
|95|
= 92
95
|94|
94
94
X1 X2 X22
1 5,0 1,5 2,25
1 2,0 2,0 4,00
1 4,0 1,5 2,25 b0
X= 1 2,5 2,5 6,25 b= b1
1 3,0 3,3 10,89 b2
1 3,5 2,3 5,29
1 2,5 4,2 17,64
1 3,0 2,5 6,25
153
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
83.2301 = 0
= ( )1 = | 2.2902 = 1 |
1,3010 = 2
5. MODELO AJUSTADO
6. MODELO
y = 83.2301+2.2902X1 + 1,3010X2
154
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
La frmula es la siguiente:
S
(Y, X1, X2) =( 2 0 1 1 2 2 / 3)
Reemplazando los valores previamente encontrados y tomado el
denominador al valor 3 por ser el nmero de parmetros que
intervienen en la ecuacin:
S = 0,64
(Y,X1,X2)
INTERPRETACION:
La distancia de los valores observados alrededor de la ecuacin de
regresin es de
INTERPRETACCION:
Aproximadamente el 91.9% de los cambios producidos en los ingresos
brutos semanales son explicados por los cambios producidos en los
gastos de publicidad (en televisin y peridicos).
155
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
Yt = Tt * Ct * Et * It
Donde:
- La tendencia (T) se mide con las unidades de la variable en estudio.
- Los componentes Ct, Et e It son medidos en trminos relativos, con
mayores valores que 1.00, indicando que el efecto cclico est por
encima de la tendencia, que el efecto estacional est por encima
del nivel normal o promedio, o que el efecto irregular est por encima
de la combinacin de los componentes de tendencia, cclico y
estacional. De otro modo si los valores relativos para Ct, Et e It; son
menores que 1.00, indican niveles por debajo de los promedios del
respectivo componente.
Procedimiento (Ejemplo)
156
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
157
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
158
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
159
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
Tt = -0.3224 + 0.9381 t
160
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
161
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
= ...(i)
En donde:
= Error de pronstico en el periodo t
= Valor real en el periodo t
= Valor del pronstico en el periodo t
n =Nmero de pronsticos
162
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
=1 ( )
2
= (iii)
163
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
| |
=1
= (iv)
164
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
( )
=1
= (v)
EJEMPLO:
La siguiente tabla presenta los datos del nmero de clientes diarios que
requieren trabajos de reparacin , un pronstico de estos datos , en la
Garys Chevron Station. La tcnica de pronstico utiliza el nmero de
clientes atendidos en el periodo anterior, como el pronstico del periodo
actual.
=1 | |
= = 34/8 = 4.3
=1 ( )
2
= = 188/8 = 23.5
| |
=1
= =55.58 / 8 = 6.95 %
( )
=1
= =16.23 / 8 = 2.03 %
165
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
BIBLIOGRAFA
- Jay Heizer. 2009. Principios de Administracin de Operaciones 7ma Edicin.
Mxico DF. PEARSON EDUCATION
- Chase, Jacobs y Aquilano. 2009. Administracin de Operaciones 12da
Edicin. Mxico DF. Mc Graw Hill
- Funciones lineales. 2012. CIDEAD. [en lnea]:
http://recursostic.educacion.es/descartes/web/materiales_didacticos/EDAD
_3eso_funciones_lineales/3eso_quincena10.pdf
- Mario Surez. 2008. Anlisis de tendencia para series de tiempo. [en lnea]:
http://www.monografias.com/trabajos87/analisis-tendencia-series-
tiempo/analisis-tendencia-series-tiempo.shtml
vi
GERENCIA DE OPERACIONES MODELO DE PRONSTICOS
vii