Pronosticos

ADMINISTRACIN
OPERACIONES
PRONSTICOS
Que son los pronsticos??

El trmino pronosticar hace referencia a los mtodos
especficos utilizados para predecir eventos futuros, en
lugar de la simple adivinanza
Los pronsticos son el primer paso a realizar durante la
correcta planeacin y control de la produccin, estos
permiten tener un acercamiento a lo qu pasar en el
futuro con el fin de tomar decisiones adecuadas es un
problema que se presencia con frecuencia en las
organizaciones.
Clases
de
mtodos
pronsticos a utilizar:
de
Los mtodos cualitativos: intentan predecir basado en

experiencia y lo dicho por expertos y generalmente se
utilizan en ausencia de informacin histrica.
Los mtodos cuantitativos: intentan predecir basado
en datos anteriores. Estos se puede subdividir en:
Los mtodos causales con regresin intentan relacionar la
variable que se quiere pronosticar con alguna otra variable,
cuando hay algo muy relaciona con las de anlisis.
Los mtodos de series de tiempo usan el pasado para
determinar el futuro y estn basados en principios
estadsticos.
3
Pasos para pronosticar:
1. Recopilacin de datos
2. Reduccin o condensacin de datos
3. Construccin del modelo
4. Extrapolacin del modelo
Tipos de pronsticos:
Estos pueden ser clasificados de acuerdo a tres criterios:
Segn el horizonte de tiempo
Segn el entorno econmico abarcado
Segn el procedimiento empleado
El horizonte de tiempo
Largo
Plazo
Mediano Plazo
Corto
Plazo
Su empleo va desde la elaboracin de los planes a nivel estratgico

hasta los de nivel operativo.
Pronsticos
cualitativo:
de
tipo
Incorporan factores importantes tales como la intuicin, emociones, experiencias

personales del que toma la decisin, y sistema de valores para alcanzar un
pronstico. Algunas compaas utilizan la otra; pero en la prctica una
combinacin o mezcla de los dos estilos es generalmente ms efectivo.
Cuadro de
expertos
Mtodo Delphi
Investigacin
de mercados
Analoga
histrica
Estudio de
base
Panel de
concesos
Pronsticos causales con regresin

En este tipo de pronsticos se desea predecir el valor de
una variable dependiente, el cual est relacionado con una
o ms variables observables independientes.
Se le llama pronstico causal a este mtodo debido a que
la variable dependiente est causada, o al menos tiene una
correlacin alta con el valor de la(s) variable(s)
independiente(s).
PRONSTICOS CAUSALES CON REGRESIN

INTRODUCCION AL ANALISIS DE REGRESION
El anlisis de regresin se utiliza para:

Predecir el valor de una variable dependiente basado
en el valor de al menos una variable independiente
Explicar el impacto de los cambios en una variable
independiente en la variable dependiente
Variable dependiente: la variable que se desea explicar
Variable independiente: La variable utilizada para
explicar la variable dependiente
Solo una variable independiente, X
Relacin entre X y Y es descrita por una funcin lineal
Los cambios en Y se asumen causados por cambios en X

La relacin entre X e Y no siempre es exacta

(determinista), es decir una X dada no siempre produce el
mismo valor de Y, existen problemas importantes que son
de naturaleza probabilstica.
El concepto de anlisis de regresin tiene que ver con
encontrar la mejor relacin entre X e Y.
La regresin simple presenta una estructura lineal sencilla
y de naturaleza emprica. Se denominan modelos
empricos.

MODELO DE REGRESION
El modelo de regresin general es:
Variable
Dependiente
(aleatoria)
Intercepto
Pendient
e
Variable
Independient
e
Termino
aleatorio
del error
y i a bx i i
Componente Lineal
Component
e aleatorio
del error

El componente constate y de la pendiente se estiman a partir de los

datos y sus estimados se denotan con a y b respectivamente. es
una variable aleatoria distribuida con E() = 0 y Var() = ^2
constante. Se le llama varianza del error o varianza residual.
E() = 0 implica que para una X especifica los valores de Y se
distribuyen alrededor de la recta verdadera o recta de regresin de
la poblacin.
En la practica nunca se observan los valores reales de por lo que
nunca se puede trazar la verdadera recta de regresin, aunque se
acepta que ah esta. nicamente es posible dibujar la recta
estimada.

Se deben encontrar los valores de a y b, estimadores de y de

manera que la suma de los cuadrados de los residuos sea mnima.
n
i 1i
i 1
i 1
SSE ei2 (Yi Yi ) 2 (Yi (a bX i )) 2
Para ello se implementa modelos matemticos que busquen obtener

los valores mas cercanos al real (minimizar la lejana de la realidad)

ANALISIS DE REGRESION
La recta de regresin es la que se obtiene a partir de la nube de puntos y es la

que representa mejor la distribucin de esos puntos como modelo lineal.
Se suele emplear el mtodo de los Mnimos Cuadrados, que consiste en
encontrar aquella recta tal que la suma de los cuadrados de las distancias, di,
de los puntos a la recta sea la mnima posible.
y
d8
d5
Bajo esta condicin se puede demostrar

que la pendiente, b, y la ordenada en el
origen, a, se determinan mediante:
d10
d9
d6
d4
x
d3
d2
n xi2 xi
d1
n xi yi xi yi
2
i
d d ... d ... d Mnimo

2
1
2
2
2
i
2
n
b xi
n

ANALISIS DE REGRESION
Un agente de bienes races desea examinar la relacin entre el precio

de venta de una casa y su tamao (medido en pies cuadrados).
Prediga el precio de una casa de 2000 pies cuadrados.
Una muestra aleatoria de 10 casas fue seleccionada:
Variable Dependiente (Y) = Precio de la casa en $1000s
Variable Independiente (X) = Pies cuadrados

ANALISIS DE REGRESION SIMPLE
EJEMPLO
Precio de la casa en $1000s

(Y)
245
312
279
308
199
219
405
324
319
255
300
260
200
275
340
Pies cuadrados
(X)
1400
1600
1700
1875
1100
1550
2350
2450
1425
1700
1500
1450
1300
1600
1700

EJEMPLO
Grafico de dispersin y lnea de regresin

Intercepto = 91.75
Pendiente = 0.1159
Precio casa 91.75 0.1159 (pies cuadrados)
b0 es el valor medio estimado de y cuando el valor de X es cero (si X = 0 esta en el rango de los valores X observados)
Aqui, ninguna casa tiene 0 pies cuadrados, por lo que b0 = 98.24833 solo indica que, para las casas dentro de la gama de tamaos observados,
$98,248.33 es la parte del precio de la casa que no es explicada por los pies cuadrados.

COEFICIENTE DE DETERMINACION R2
En toda ocasin es importante disponer de una medida que mida la bondad del
ajuste realizado y que permita decidir si el ajuste lineal es suficiente o se
deben buscar modelos alternativos. Como medida de bondad del ajuste se utiliza
el coeficiente de determinacin, definido como:
R2
SSR suma de cuadrados de la regresin
SST
suma total de cuadrados
n 1
Ra2 1 1 R 2
En caso de ser mas de una variable para

quitarle ruido. Donde k es la cantidad de
variables independientes.
El coeficiente de determinacin mide la proporcin de variabilidad total de la variable dependiente

respecto a su media que es explicada por el modelo de regresin. Es usual expresar esta medida
en tanto por ciento, multiplicndola por cien .
PRONSTICOS
FORMAS DE EVALUAR EL ERROR
Yt valor de una serie de tiempo en el periodo t

Y valor del pronstico para Y
t
Error del pronstico o residual : et Yt Yt

n
Porcentaje de error medio absoluto : PEMA

n
Porcentaje medio de error : PME
Yt
n
Yt
n
n
Desviacin absoluta media : DAM
t 1
Y Y
t
Yt
Error cuadratico : ECM
t 1
Y Y
t 1
t 1
Yt Yt
n
18

SUPUESTOS DE LOS RESIDUALES
Con el simple valor R no se podra decir que el modelo es bueno, siempre

se debe analizar la forma como se comportan los errores diferencias entre
lo real y lo pronosticado, este a su vez debe cumplir con 3 supuestos:
Normalidad
Los valores de error () se distribuyen normalmente para
cualquier valor de X
Homoscedasticidad
La distribucin de probabilidad de los errores tiene varianza
constante.
Independencia
Los valores del error son estadsticamente independientes.

SUPUESTO DE NORMALIDAD
Y
No Lineal
residual
es
residual
es
Lineal

SUPUESTO DE HOMOCEDASTICIDAD
Varianza no constante
residual
es
residual
es
Varianza constante

SUPUESTO DE INDEPENDENCIA
residual
es
Independencia
residual
es
residual
es
No independencia
PRONSTICOS CAUSALES CON

REGRESIN
ANALISIS DE REGRESION MLTIPLE
En algunos casos puede haber varias variables

independientes que afecten la variable dependiente. Si se
tienen n observaciones de la variable dependiente y m
variables independientes, un modelo lineal con ruido
sera
yt bo b1 x1t b2 x2t ... bm xmt t
t = 1, 2, ...,
n
En este caso debe haber un termino independiente (b)

cada una de las variables independientes, tambin el
modelo cobija un error que nunca ser puede medir.
23
PRONSTICOS CAUSALES CON

REGRESIN
ANALISIS DE REGRESION MLTIPLE
Debido a las caractersticas del modelo se utiliza una notacin

matricial para vincular estos datos:
Sean
y=
y1
y2
...
yn
b0
b = b1
b2
...
bm
1 x11
X = 1 x12
... ...
1 x1n
x 21
x 22
... x m1
... x m 2
...
x2n
... ...
... x mn
Usando la notacin de matrices el modelo general se puede establecer como:
y = xb +
La solucin general para los estimadores de mnimos cuadrados es
b = (xx)-1xd
24
PRONSTICOS
MTODOS DE SERIES DE TIEMPO

Los mtodos de series de tiempo se utilizan principalmente en pronsticos
a corto plazo.
Una serie de tiempo es simplemente una lista cronolgica de datos

histricos, para la que la suposicin esencial es que la historia predice el
futuro de manera razonable.
Algunos mtodos de series de tiempo de acuerdo con el tipo de modelo,
es decir constante, de tendencia o estacional.
Proceso constante
Proceso con tendencia
Proceso estacional
25
PRONSTICOS

Al graficar los datos disponibles para realizar un pronstico, en ocasiones se
observa que siguen un patrn en su comportamiento.
Un proceso constante se caracteriza porque su grfica
parece estar nivelada, con una pequea variacin, que
es causada por una componente aleatoria.
Se puede suponer un proceso de tendencia cuando la
lnea parezca ir hacia arriba o hacia abajo, sin embargo
esto no es suficiente.
En un proceso estacional existe un patrn de

comportamiento el cual se repite cada cierto tiempo.
26
PRONSTICOS

PRONSTICOS CONSTANTE
Los modelos de pronsticos de trminos constantes vienen dados de la
siguiente forma:
dt a t
donde a representa la constante fundamental del proceso y el ruido aleatorio,

que se supone que sigue una distribucin normal con media cero y varianza
METODOS DE SOLUCION
Dentro del tema constantes varios mtodos pueden ser usados para el
desarrollos de la mejor decisin.
Entres ellos se encuentran:
Dato anterior
Promedio Global
Promedio Mvil simple
Promedio Mvil ponderado
Suavizacin exponencial simple
27
PRONSTICOS

DATO ANTERIOR
En este caso se predice basndose en el dato real anterior:

Pronostico Ultimo Dato
St = dt-1
t2
161,00
16,00
165,00
158,00
158,00
164,00
152,00
153,00
155,00
163,00
159,00
163,00
160,00
160,00
158,00
155,00
154,00
162,00
164,00
159,00
49,00
0,00
36,00
144,00
1,00
4,00
64,00
16,00
16,00
9,00
0,00
4,00
9,00
1,00
64,00
4,00
25,00
0,00
159,00
ECM =
24,32
Se observa que en
el primer dato no se
puede pronosticar,
debida a la ausencia
de datos anteriores
28
PRONSTICOS

PROMEDIO GLOBAL
En este caso se predice basndose en el promedio de los datos reales

anteriores:
promedio
Se observa que en
el primer dato no se
puede pronosticar,
debida a la ausencia
de datos anteriores
29
PRONSTICOS

PROMEDIO MOVIL
Un promedio mvil se construye sustituyendo cada valor de una serie por

la media obtenida con esa observacin y algunos de los valores
inmediatamente anteriores
promedio
Se observa que en
el primeros n datos
no
se
puede
pronosticar, debida
a la ausencia de
datos anteriores
30
PRONSTICOS

PROMEDIO MOVIL N=5
promedio
31
PRONSTICOS

PROMEDIO MOVIL
Un promedio mvil se construye sustituyendo cada valor de una serie por

la media obtenida con esa observacin y algunos de los valores
inmediatamente anteriores
promedio
Se observa que en
el primeros n datos
no
se
puede
pronosticar, debida
a la ausencia de
datos anteriores
32
PRONSTICOS

PROMEDIO MOVIL PONDERADO
Este mtodo trabaja de manera similar al promedio mvil. Sin embargo en este
se asigna un factor de ponderacin distinto para cada dato. Generalmente, a la
observacin o dato ms reciente a partir del que se quiere hacer el pronstico,
se le asigna el mayor peso, y este peso disminuye en los valores de datos ms
antiguos
Otra forma de calcular los factores (a) es tambin con un modelo matemtico
donde las variables serian los factores de ponderacin y el objetivo es
minimizar el valor de el error cuadrtico medio (ECM)
33
PRONSTICOS

PROMEDIO MOVIL PONDERADO
Ponderacin aleatoria
Ponderacin con optimizacin del ECM
34
PRONSTICOS

SUAVIZACIN EXPONENCIAL SIMPLE
La suavizacin exponencial se basa en la idea de que es posible calcular un

promedio nuevo a partir de un promedio anterior y tambin de la demanda ms
recientemente observada.
La suavizacin exponencial simple se puede representar de la siguiente manera:
S T d t 1 S T 1
donde ST es el pronstico para el perodo T, y a es el peso o ponderacin que se
le da al valor ms reciente.
La ventaja de este enfoque es que no es necesario guardar los datos
individuales; se calcula el pronstico a partir de un pronstico anterior el nuevo
dato.
Un valor a grande har que el promedio sea ms sensible al dato ms reciente.
Un valor ms pequeo dar ms peso a un valor promedio.
35
PRONSTICOS

De igual forma que el promedio mvil ponderado, se podra calcular el factor

con un modelo matemtico donde la variable seria el mismo ponderacin y el
objetivo es minimizar el valor de el error cuadrtico medio (ECM), las
restricciones son que el valor de alfa debe de estar entre 0 y 1
Ponderacin aleatoria
36
PRONSTICOS

Ponderacin con optimizacin del ECM
Se puede decir que a

larga este el mejor
mtodo cabe aclarar que
no en todos los casos
37
PRONSTICOS
PRONSTICOS CON TENDENCIA
SUAVIZACIN EXPONENCIAL DOBLE

En este tipo de suavizacin exponencial se debe estimar tambin la pendiente,
lo cual se puede resolver utilizando la siguiente frmula
BT sT S T 1
Se puede usar suavizacin exponencial para actualizar la estimacin de la
tendencia, lo cual lleva a la suavizacin exponencial doble, la cual se
representa por
S T d T 1 S T 1 BT 1
BT S T S T 1 1 BT 1
FT k S T kBT
38
PRONSTICOS

En este tipo de suavizacin exponencial lo primero se calcula unos parmetros
iniciales
En el ejemplo se tienen 20 datos y se desea
pronosticar el 21. Primero es calcular el parmetro
de la pendiente G0. Para ello se calcula el promedio
de la mitad de los datos, en caso de ser impar el
dato de la mita se suma en ambos lados
Promedio de los
primero 10 datos
Luego de esto se calcula la diferencia entre estos 2

sobre la mitad de los datos. En caso de ser impar
seria entre la mitad +1
G0
Promedio de los
ultimos 10 datos
50.4 24.5
2.59
10
39
PRONSTICOS
Ya obtenidos los parmetros

iniciales se proceso a realizar
los procedimientos de acuerdo a
las formulas:
S T d T 1 S T 1 BT 1
BT S T S T 1 1 BT 1
Para los clculos futuros se
utiliza la formula:
FT k S T kBT
40
PRONSTICOS
PRONSTICOS CON ESTACIONALIDAD
MTODO WINTERS
Los modelos estacionales estn dados por:
d t a bt ct t
Donde:
a = porcin constante
b = pendiente de la componente de tendencia.
ct = factor estacional para el perodo t.
et= aleatoriedad no controlable.
Los factores estacionales se pueden ver como un porcentaje de las
componentes constantes y de tendencia para el perodo t; si la demanda en un
perodo dado de una estacin es menor que la componente de
tendencia/constante, el factor estacional ser menor que uno, y si la demanda
es mayor, ser mayor que uno.
El nmero de factores estacionales debe ser igual al nmero de estaciones al
ao.
41
PRONSTICOS
MTODO WINTERS
Para resolver un modelo de proceso estacional se estiman los parmetros de

dicho modelo. Para ello se utiliza la siguiente notacin:
dt = demanda en el perodo t.
L = nmero de estaciones en el ao (o en otro marco de tiempo)
T = nmero de perodos de datos disponibles; T = mL donde m es
el nmero de aos completos de datos disponibles.
St = estimacin para el trmino constante a calculado en el
perodo t.
Bt = estimacin del trmino de tendencia b calculada en el tiempo
t.
Ct = estimacin de la componente estacional para el perodo t.
42
PRONSTICOS
MTODO WINTERS
Para resolver un modelo de proceso estacional se estiman los parmetros de dicho

modelo. Para ello se utiliza la siguiente formulacin:
dT
1 ST 1 BT 1
CT L
ST
BT ST ST 1 1 BT 1
dT
CT
1 CT L
ST
FT k ST kBT CT k L
43
PRONSTICOS
MTODO WINTERS
El siguiente ejemplo es de ventas de columpios en estado unidos, cada periodo

es un trimestre de ventas, este es un caso tpico estacional que se repite cada
cuatro periodos.
Grafica
350
300
250
Datos
200
Demanda
Linear
(Datos)
150
100
50
0
0
6
8
Periodo
10
12
14
d2 y d3 son los promedios de las ventas en un ciclo completo( pasaron los

custro trimestres)
44
PRONSTICOS
MTODO WINTERS
Promedio segn
tipo de estacin
En este caso se presentan el resumen segn las formulas utilizadas. En el

caso de los Ci se calcula para cada dato y se agrupan por tipo de estacin para calcular el promedio de
estas.
45
PRONSTICOS
MTODO WINTERS
La suma de los promedio de los segn el tipo de estacin debera de ser L

(numero de estaciones) en caso de que no sea igual se debe hacer una
correccin de estas. Para ellos cada uno de estos promedios se multiplica por un
factor de correccin R, que se halla: R= L / Ct, con este se halla los nuevos
parmetros:
ST 176.83
BT 5.5
C1 0.5
C3 1.26
C2 1.87
C4 0.37
46
PRONSTICOS
MTODO WINTERS
Con los datos anteriores, se procede a realizar los pronsticos.

ST 176.83
BT 5.5
C1 0.5
C3 1.26
C2 1.87
C4 0.37
47

Pronosticos

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Pronosticos

Transféré par

Droits d'auteur :

Formats disponibles

ADMINISTRACIN

Que son los pronsticos??

Los mtodos cualitativos: intentan predecir basado en

Pasos para pronosticar:

Su empleo va desde la elaboracin de los planes a nivel estratgico

Incorporan factores importantes tales como la intuicin, emociones, experiencias

Pronsticos causales con regresin

PRONSTICOS CAUSALES CON REGRESIN

El anlisis de regresin se utiliza para:

PRONSTICOS CAUSALES CON REGRESIN

La relacin entre X e Y no siempre es exacta

PRONSTICOS CAUSALES CON REGRESIN

El modelo de regresin general es:

PRONSTICOS CAUSALES CON REGRESIN

El componente constate y de la pendiente se estiman a partir de los

PRONSTICOS CAUSALES CON REGRESIN

Se deben encontrar los valores de a y b, estimadores de y de

SSE ei2 (Yi Yi ) 2 (Yi (a bX i )) 2

Para ello se implementa modelos matemticos que busquen obtener

PRONSTICOS CAUSALES CON REGRESIN

La recta de regresin es la que se obtiene a partir de la nube de puntos y es la

Bajo esta condicin se puede demostrar

d d ... d ... d Mnimo

PRONSTICOS CAUSALES CON REGRESIN

Un agente de bienes races desea examinar la relacin entre el precio

PRONSTICOS CAUSALES CON REGRESIN

Precio de la casa en $1000s

PRONSTICOS CAUSALES CON REGRESIN

Grafico de dispersin y lnea de regresin

Precio casa 91.75 0.1159 (pies cuadrados)

PRONSTICOS CAUSALES CON REGRESIN

SSR suma de cuadrados de la regresin

En caso de ser mas de una variable para

El coeficiente de determinacin mide la proporcin de variabilidad total de la variable dependiente

FORMAS DE EVALUAR EL ERROR

Yt valor de una serie de tiempo en el periodo t

Error del pronstico o residual : et Yt Yt

Porcentaje de error medio absoluto : PEMA

Porcentaje medio de error : PME

Desviacin absoluta media : DAM

Error cuadratico : ECM

PRONSTICOS CAUSALES CON REGRESIN

Con el simple valor R no se podra decir que el modelo es bueno, siempre

PRONSTICOS CAUSALES CON REGRESIN

PRONSTICOS CAUSALES CON REGRESIN

PRONSTICOS CAUSALES CON REGRESIN

PRONSTICOS CAUSALES CON

En algunos casos puede haber varias variables

yt bo b1 x1t b2 x2t ... bm xmt t

En este caso debe haber un termino independiente (b)

PRONSTICOS CAUSALES CON

Debido a las caractersticas del modelo se utiliza una notacin

Usando la notacin de matrices el modelo general se puede establecer como:

MTODOS DE SERIES DE TIEMPO

Una serie de tiempo es simplemente una lista cronolgica de datos

MTODOS DE SERIES DE TIEMPO

En un proceso estacional existe un patrn de

MTODOS DE SERIES DE TIEMPO

donde a representa la constante fundamental del proceso y el ruido aleatorio,

MTODOS DE SERIES DE TIEMPO

En este caso se predice basndose en el dato real anterior:

MTODOS DE SERIES DE TIEMPO

En este caso se predice basndose en el promedio de los datos reales