Académique Documents
Professionnel Documents
Culture Documents
Tiempo
Tiempo
Año 1
Ventas
Año 2
| | | | | | | | | | | |
E F M A M J J A S O N D
Meses
(c) Estacionalidad: Datos que muestran picos y valles de
forma consistente. Gino Sedano Zevallos
Ventas Patrones de Demanda
| | | | | |
1 2 3 4 5 6
Tiempo
(d) Aleatorio: Datos que muestran variaciones
imprevisibles.
Gino Sedano Zevallos
Cantidad Patrones de Demanda
| | | | | |
1 2 3 4 5 6
Años
(e) Cíclico: Datos que muestran un incremento y
decrecimiento gradual durante largos periodos.
Gino Sedano Zevallos
Combinación de Patrones
Por lo general se da una combinación de estos
componentes en todo pronóstico para replicar la
realidad. Variación
aleatoria Ciclo
Variación
aleatoria
Tendencia y
Estacionalidad
Estacionalidad
sin tendencia
a) Grafique los datos. ¿Qué patrón de demanda observa? ¿Cómo cree que
se podría pronosticar? Explique.
b) Haga un pronóstico para los meses Julio, Agosto y Setiembre en base a
los datos.
c) Calcular el error de su pronóstico (Diferencia entre el valor real y el valor
pronosticado). ¿Le parece adecuado el pronóstico?
Gino Sedano Zevallos
Ejemplo 3: Patrones de demanda
Los siguientes datos son de las ventas de una bebida hidratante.
Graficar los datos e indicar el tipo de patrón de demanda que
observa:
a) Grafique los datos. ¿Qué patrón de demanda observa? ¿Cómo cree que
se podría pronosticar? Explique.
b) Haga un pronóstico para los meses Julio, Agosto, Setiembre, Octubre,
Noviembre y Diciembre en base a los datos.
c) Calcular el error de su pronóstico (Diferencia entre el valor real y el valor
pronosticado). ¿Le parece adecuado el pronóstico? Gino Sedano Zevallos
Factores que afectan la demanda
Externos: Están fuera del control de la
gerencia como ciertas actividades
económicas, reglamentación del
gobierno, factores climáticos, etc.
Pronóstico
de la
Sistema de Plan de
demanda planeamiento acción
Restricciones:
-Presupuesto, espacio.
Recursos:
-RRHH
-Maquinaria y Equipo
Ecuación de
Regresión lineal
X
variable independiente
Gino Sedano Zevallos
Pronósticos Cuantitativos
Métodos de Series de Tiempo
Promedios Móviles (PM)
450 — Pronóstico PM Pronóstico PM
3 semanas 6 semanas
430 —
410 —
Ventas
390 —
| | | | | |
0 5 10 15 20 25 30
Semana
Gino Sedano Zevallos
Pronósticos Cuantitativos
Métodos de Series de Tiempo
Suavización Exponencial Simple
450 —
430 —
410 —
Ventas
390 —
60 —
Ventas
50 —
Ventas
40 —
30 —
| | | | | | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Semana
Gino Sedano Zevallos
Pronósticos Cuantitativos
Patrones de Estacionalidad
a) Patrón Multiplicativo
Demanda
| | | | | | | | | | | | | | | |
0 2 4 5 8 10 12 14 16
Periodo
Gino Sedano Zevallos
Pronósticos Cuantitativos
Patrones de Estacionalidad
(b) Patrón Aditivo
Demanda
| | | | | | | | | | | | | | | |
0 2 4 5 8 10 12 14 16
Periodo
Gino Sedano Zevallos
Pronósticos Cuantitativos
Ejemplo 5: Métodos de Pronóstico
De los Ejemplos 1,2 y 3 indicar que
métodos son los mas convenientes de
todos los antes mencionados.
Para ello requiere graficar los datos e
indicar el método que mejor se acomode.
Indique porqué.
Y dado por
la ecuación Y = a + bX
de regresión
{ Valor
actual
de Y
Valor de X usado
para estimar Y
X
variable independiente
Gino Sedano Zevallos
Pronósticos Cuantitativos
Métodos Causales
Ejemplo 6: Pronóstico con Regresión Lineal
Ventas galletas Publicidad
Mes (Miles de unidades) (Miles de $)
1 264 2.5
2 116 1.3
3 165 1.4
4 101 1.0
5 209 2.0
250 —
Sales Advertising
Month (000 units) (000 $)
200 —
1 264 2.5
2—
150 116 1.3
3 165 1.4
4—
100 101 1.0
5 209 2.0
50 | | | |
1.0 1.5 2.0 2.5
Publicidad (Miles de dólares)
250 —
Sales Advertising
Month (000 units) (000 $)
200 —
1 264 2.5 a = – 8.136
2—
150 116 1.3 b = 109.229X
3 165 1.4 r = 0.98
4—
100 101 1.0 r2 = 0.96
5 Y = – 8.136
209 +2.0109.229X
50 | | | |
1.0 1.5 2.0 2.5
Publicidad (Miles de dólares)
250 —
Sales Advertising
Month (000 units) (000 $)
200 —
1 264 2.5 a = – 8.136
2—
150 116 1.3 b = 109.229X
3 165 1.4 r = 0.98
4—
100 101 1.0 r2 = 0.96
5 Y = – 8.136
209 +2.0109.229X
50 | | | |
1.0 1.5 2.0 2.5
Publicidad (Miles de dólares)
250 —
Sales Advertising
Month (000 units) (000 $)
200 —
1 264 2.5 a = – 8.136
2—
150 116 1.3 b = 109.229X
3 165 1.4 r = 0.98
4—
100 101 1.0 r2 = 0.96
5 Y = – 8.136
209 +2.0109.229X
50 | | | |
Pronóstico
1.0 1.5 para2.0 el mes
2.5 6
Advertising (thousands of dollars)
X = $1750, Y = – 8.136 + 109.229(1.75)
Gino Sedano Zevallos
Pronósticos Cuantitativos
Métodos Causales
Ejemplo 6: Pronóstico con Regresión Lineal
300 —
Ventas (Miles de unidades)
250 —
Sales Advertising
Month (000 units) (000 $)
200 —
1 264 2.5 a = – 8.136
2—
150 116 1.3 b = 109.229X
3 165 1.4 r = 0.98
4—
100 101 1.0 r2 = 0.96
5 Y = – 8.136
209 +2.0109.229X
50 | | | |
Pronóstico
1.0 1.5 para2.0 el mes
2.5 6
Advertising (thousands of dollars)
X = $1750, Y = 183.015, or 183,015 unidades
Gino Sedano Zevallos
Pronósticos Cuantitativos
Métodos Causales
Ejemplo 6: Pronóstico con Regresión Lineal
300 —
Ventas (Miles de unidades)
250 —
Sales Advertising
Month
200 — (000 units) (000 $)
1 264 2.5 a = – 8.136
2—
150 116 1.3 b = 109.229X
3 165 1.4 r = 0.98
4—
100 101 1.0 r2 = 0.96
5 Y = – 8.136 +2.0109.229X
209
50 | | | |
1.0
Sabiendo 1.5
que el2.0 2.5
pronóstico para el mes 6 es
Publicidad (Miles de dólares)
183,015 unidades.
¿Cuánto habría que producir para satisfacer la
demanda del mes 6? Gino Sedano Zevallos
Pronósticos Cuantitativos
Métodos Causales
Ejemplo 6: Pronóstico con Regresión Lineal
300 —
Ventas (Miles de unidades)
250 —
Sales Advertising
Month (000 units) (000 $)
200 —
1 264 2.5 a = – 8.136
2—
150 116 1.3 b = 109.229X
3 165 1.4 r = 0.98
4—
100 101 1.0 r2 = 0.96
5 Y = – 8.136
209 +2.0109.229X
50 | | | |
Depende…
1.0 1.5 2.0 2.5
Si el inventario
Advertising actual
(thousands es =
of dollars) 62,500 unidades,
Producción = 183,015 – 62,500 = 120,015 unidades
Gino Sedano Zevallos
Pronósticos con Análisis de Regresión
Múltiple
• Los pronósticos con análisis de regresión
múltiple forman parte de los modelos
causales o econométricos.
• El modelo de regresión permite predecir
valores puntuales.
• Para que estos valores puntuales sean útiles
en la práctica se requiere calcular errores
estándar de las predicciones e intervalos
de confianza.
Gino Sedano Zevallos
Pronósticos con Análisis de Regresión
Múltiple
Intervalo de confianza de una predicción de y:
Sabemos que: