Académique Documents
Professionnel Documents
Culture Documents
PRONÓSTICOS 2 TIPOS
3 IMPORTANCIA ESTRATEGICA
1 CONCEPTO
CONCEPTO
1.1.1 ECONOMICOS
1.1.2
TECNOLOGICOS
1.1.3 DE LA DEMANDA
3 IMPORTANCIA ESTRATEGICA
Recursos humanos
Capacidad
4 PASOS
PASOS
5 ENFOQUES
7 METODOS ASOCIATIVOS
4 PASOS
7
1 Método
Método intuitivo
intuitivo
4 Suavizamiento exponencial
1 Método
Método intuitivo
intuitivo
2 Promedio
Promedio móvil
móvil
Promedio Móvil =
Ejemplo aplicativo
Ventas promedio
reales de móvil de tres
Mes cobertizos meses
Las ventas de cobertizos para enero 10.00
almacenamiento se muestran en la febrero 12.00
columna media de la siguiente tabla. A la
derecha se presenta un promedio móvil
marzo 13.00
de 3 meses. abril 16.00 11.67
mayo 19.00 13.67
junio 23.00 16.00
julio 26.00 19.33
agosto 30.00 22.67
setiembre 28.00 26.33
octubre 18.00 28.00
noviembr
e 16.00 25.33
diciembre 14.00 20.67
enero 16.00
3 Promedio
Promedio móvil
móvil ponderado
ponderado
total 6.00
Ventas reales de cobertizos promedio ponderado de
Mes tres meses
enero 10.00
febrero 12.00
marzo 13.00
abril 16.00 12.17
mayo 19.00 14.33
junio 23.00 17.00
julio 26.00 20.50
agosto 30.00 23.83
Donde:
EJEMPLO 3:
En enero un vendedor de automóviles predijo que la demanda para febrero
seria de 142 Ford Mustang. La demanda real en febrero fue de 153 automóviles.
Usando la constante de suavizamiento que eligió la administración de α
= 0.20, el vendedor quiere pronosticar la demanda para marzo usando el
modelo de suavizamiento exponencial.
SOLUCION:
Ft-1 = 142
α = 0.20 144.2
At-1 = 153
Desviación absoluta
Media(MAD)
Donde:
n: número de periodos.
EJEMPLO 4
Durante los últimos 8 trimestres, en el puerto de Baltimore se han
descargado de los barcos grandes cantidades de grano. El administrados
de operaciones del puerto probar el uso de la suavización exponencial
para ver que tan bien funciona la técnica para predecir el tonelaje
descargado. Supone que el pronóstico de grano descargado durante el
primer trimestre fue de 175 toneladas se examinan dos valores de α
=0.10 y α =0.50.
Tonelaje
real Pronóstico Pronóstico
Trimestre descargado con α= 0.1 con α= 0.5
1 180 175 175
2 168 175.00+0.1(180-175) = 175.50 177.50
3 159 175.50+0.1(168-175.50)= 174.75 172.75
4 175 174.75+0.1(159-174.75)= 173.18 165.88
5 190 173.18+0.1(175-176.18)= 173.36 170.44
6 205 173.36+0.1(190-173.36)= 175.02 180.22
7 180 175.02+0.1(205-175.02)= 178.02 192.61
8 182 178.02+0.1(180-178.02)= 178.22 186.30
Tonelaje
Desviación Desviación
real Pronóstico absoluta Pronóstico absoluta
con
Trimestre descargado con α= 0.1 α=0.1 α= 0.5 α=0.5
1 180 175 5.00 175 5.00
2 168 175.50 7.50 177.50 9.50
3 159 174.75 15.75 172.75 13.75
4 175 173.18 1.82 165.88 9.13
5 190 173.36 16.64 170.44 19.56
6 205 175.02 29.98 180.22 24.78
7 180 178.02 1.98 192.61 12.61
8 182 178.22 3.78 186.30 4.30
Suma de desviaciones absolutas 82.46 98.63
Con base en esta comparación de las dos MAD, se refiere una constante de suavización de α
= 0.10 en lugar de α = 0.50 porque su MAD es más pequeña
Error cuadrático medio(MSE)
Donde:
n: número de periodos.
EJEMPLO 5
Determina el MSE para el puerto de Baltimore presentado en el ejemplo4.
El administrador de operaciones del puerto de Baltimore quiere calcular
ahora MSE para α =0.10 .
Tonelaje real Pronostico Pronostico
Trimestre error^2 error^2
descargado con α=.10 con α=.50
1 180 175 25 175 25.00
2 168 175.5 56.25 177.5 90.25
3 159 174.75 248.06 172.75 189.06
4 175 173.18 3.31 165.88 83.17
5 190 173.36 276.89 170.44 382.59
6 205 175.02 898.80 180.22 614.05
7 180 178.02 3.92 192.61 159.01
8 182 178.22 14.29 186.3 18.49
suma de errores al cuadrado 1526.52 1561.63
Donde:
n: número de periodos.
EJEMPLO 6
• El puerto de Baltimore ahora quiere calcular el MAPE cuando = 0.10.
Error % Error %
Tonelaje real Pronostico absoluto Pronostico absoluto
Trimestre
descargado con α=.10 100(error/ac con α=.50 100(error/ac
tual) tual)
1 180 175 2.78 175 2.78
2 168 175.5 4.46 177.5 5.65
3 159 174.75 9.91 172.75 8.65
4 175 173.18 1.04 165.88 5.21
5 190 173.36 8.76 170.44 10.29
6 205 175.02 14.62 180.22 12.09
7 180 178.02 1.10 192.61 7.01
8 182 178.22 2.08 186.3 2.36
suma de errores= 44.75 54.04
35 Demanda
Demanda del producto real(At)
30
25
Pronostico incluyendo
20 la tendencia
(FITt) con α=0.2 y
15 β=0.4
10
0
1 2 3 4 5 6 7 8 9
Tiempo(meses)
Donde:
b =pendiente de la recta de regresión
x =valores conocidos de la variable independiente
y =valores conocidos de la variable dependiente
=promedio de los valores x
a= =promedio de los valores y
n =numero de puntos de datos u observaciones
EJEMPLO 8
Se muestra la demanda de energía eléctrica en N, Y Edison durante los
últimos 7 años en mega watts la empresa quiere pronosticar la
demanda para el año siguiente ajustando una recta de tendencia a estos
datos.
DEMANDA DE CARGA
AÑO PERIODO(X) x^2 XY
ELECTRICA(Y)
2001 1 74 1 74
2002 2 79 4 158
2003 3 80 9 240
2004 4 90 16 360
2005 5 105 25 525
2006 6 142 36 852
2007 7 122 49 854
∑x = 28 ∑y ==692 ∑140
10.54 ∑xy = 3063
= 56.7
DEMANDA EN 2008
= 141.2
160
Tiempo(años)
Para evaluar el modelo, se grafica la demanda histórica y la recta de tendencia, en este caso
debemos tener cuidado y tratar de comprender el cambio de la demanda del año 6 al año 7
Variaciones estacionales en los datos
DEMANDA
DEMANDA DEMANDA INDICE
PROMEDIO PROMEDIO ESTACIONAL(
2005-2007 MENSUAL(a) b)
MES 2005 2006 2007
Piensa en estos índices como porcentajes de las ventas promedio. Las ventas promedio (sin
estacionalidad) serian 94, las ventas fluctúan entre 85% y 131% del promedio.
EJEMPLO 10
El hospital de San Diego quiere mejorar sus pronósticos aplicando tanto
tendencia como índices estacionales a los datos recopilados durante 66
meses. Se pronosticaran los “días-paciente” para el año próximo.
Solución: Usando los datos recopilados en 66 meses se
obtuvo.
10.2
10
Ŷ = 8090 + 21.5x 9.8 9.68 9.72 9.77
9.59 9.64
9.53 9.55 9.7 9.75
9.6
Dias-Pciente
9.62 9.66
9.57
9.4
Donde: 9.2
9
ŷ = días-paciente
x = tiempo, en meses
Mes
La tabla siguiente proporciona los índices estacionales basados en los
mismos 66 meses. A propósito, esos datos estacionales resultaron típicos
para los hospitales de todo Estados Unidos.
Mes Índice de Mes Índice de
estacionalidad estacionalidad
Enero 1.04 Julio 1.03
Febrero 0.97 Agosto 1.04
Marzo 1.02 Septiembre 0.97
Abril 1.01 Octubre 1.00
Mayo 0.99 Noviembre 0.96
Junio 0.99 Diciembre 0.98
1.06 10200
1.04 1.04 1.04 10067
Indice para los dias-paciente
1.03 10000
Dias-paciente internado
9915 9948
1.02 1.02
1.01 9800 9764
1 1 9690 9723
0.99 0.99 9600 9571
0.98 0.98 95199541
0.97 0.97 9400 9410
0.96 0.96 9355
9264
9200
0.94
0.92 9000
0.9 8800
67 68 69 70 71 72 73 74 75 76 77 78 67 68 69 70 71 72 73 74 75 76 77 78
Mes
Mes
(periodo = 67 dias para enero y 78 para diciembre)
(periodo = 67 para enero hasta 78 para diciembre)
Se observa que usando la tendencia, el pronóstico para septiembre es de 9702, pero con el
que ajuste de tendencia y estacionalidad el pronóstico es de 9411 al combinar los datos de
tendencia y estacionalidad el hospital pudo pronosticar mejor los días-pacientes
hospitalizados. El personal requerido. Y el presupuesto vital para garantizar la efectividad de
las operaciones.
EJEMPLO 11
La administración de Davi´s Departament Store uso
regresión de series de tiempo para pronosticar las ventas al
menudeo de los siguientes trimestres.
Las ventas estimadas son de 100000; 120000; 140000 y
160000 dólares para los trimestres respectivos. Se ha
encontrado que los índices estacionales para los cuatro
trimestres son de 1.30, 0.90, 0.70 y 1.15, respectivamente.
Solució
n:
Ahora el pronostico con tendencia en línea recta está ajustando para reflejar los cambios
estacionales
7.1 ANALISIS
ANALISIS DE
DE REGRESION
REGRESION Y
Y CORRELACION
CORRELACION
7.2 USO
USO DE
DE ANALISIS
ANALISIS DE
DE REGRESION
REGRESION
METODOS
ASOCIATIVOS 7.3 ERROR
ERROR ESTANDAR
ESTANDAR DE
DE LA
LA ESTIMACION
ESTIMACION
COEFICIENTES
COEFICIENTES DE
DE CORRELACION
CORRELACION
7.4
PARA
PARA RECTAS
RECTAS DE
DE REGRESION
REGRESION
7.5 ANALISIS
ANALISIS DE
DE REGRESION
REGRESION MULTIPLE
MULTIPLE
7 METODOS
METODOS ASOCIATIVOS
ASOCIATIVOS
Dónde:
r = coeficiente de correlación
Ejemplo 13
El vicepresidente de operaciones de Nodel quiere conocer el error asociado
con la recta de regresión calculada en el ejemplo 12
Ventas ,y Nomina, X X² xy Y²
1 2 1 1 2 4
2 3 3 9 9 9
3 2,5 4 16 10 6,25
4 2 2 4 4 4
5 2 1 1 2 4
6 3,5 7 49 24,5 12,25
15 18 80 51,5 39,5
Solución:
La única cifra que necesitamos y que no es posible despejar para calcular es .
(en millones)
Solución:
Ventas ,y Nomina, X X² xy Y²
1 2 1 1 2 4
2 3 3 9 9 9
3 2,5 4 16 10 6,25
4 2 2 4 4 4
5 2 1 1 2 4
6 3,5 7 49 24,5 12,25
15 18 80 51,5 39,5
Solución:
Interpretación:
Dónde:
SOLUCIÓN Ahora podemos estimar las ventas e Nodel si sustituimos los valores de la nómina y de la tasa de interés para el próximo año. Si la nómina de
WEST BLOOMFIELD va a ser de 6 mil millones de dólares de tasa de interés 0.12 (12%), entonces las ventas pronostican como:
ŷ = a + b1x1 + b2x2
ŷ : Variable dependiente.
a: una constante.
x1: nomina del area.
x2: tasas de interes.
b1 y b2: coeficientes de las dos variables independientes.
ŷ = 1.8 + 0.3x1 - 5x2
2 Sesgo
Monitoreo y 3 Monitoreo
Control de
Pronósticos 3.1 Suavización adaptable
Es una medida de qué tan bien predicen los pronósticos los valores reales
2 Sesgo
Sesgo
3 Monitoreo
Monitoreo
Una manera de supervisar los pronósticos para asegurar que sean buenos es
emplear una señal de control.
Señal de control =
donde MAD =
Señal de control
Una medida de qué
tan bien predicen el
pronóstico los valores
reales.
Sesgo
Un pronóstico que
está
consistentemente
arriba o
consistentemente
debajo de los
valores reales de
una serie de
tiempo.
Ejemplo 16
• CÁLCULO DE LA SEÑAL DE CONTROL EN CARLSON BAKERY
Carlson Bakery quiere evaluar el desempeño de su pronostico de ventas de bollos.
MÉTODO Desarrolle una señal de control para el pronóstico y vea si se conserva dentro de los límites aceptables, los cuales se definen como ±4 MAD.
SOLUCIÓN Usando el pronostico y los datos de demanda para las ventas de croissants
en los últimos 6 trimestres, se desarrollará una señal de control en la siguiente tabla:
Dema Señal de
Demanda
Trimestre nda Error RSFE MAD Control
Pronosticada |Error Error Absoluto
real (RSFE/MAD)
Absoluto del Acumulado del
pronostico| pronostico
3 115 100 15 0 15 30 10 0
3.2 Pronóstico
Pronóstico enfocado
enfocado