Professional Documents
Culture Documents
4 Métodos cuantitativos
Los modelos cuantitativos de pronósticos con modelos matemáticos que se basan
en datos históricos. Estos modelos suponen que los datos históricos son relevantes
en el futuro. Casi siempre puede obtenerse información pertinente al respecto. Aquí,
analizaremos varios modelos cuantitativos, la precisión del pronóstico, pronósticos
a largo plazo y pronósticos a corto plazo.
Modelos cuantitativos de pronóstico:
1.- Regresión lineal. Modelo que utiliza el método de los mínimos cuadrados para
identificar la relación entre una variable dependiente y una o más variables
independientes, presentes en un conjunto de observaciones históricas. En la
regresión simple, solo hay una variable independiente; en la regresión múltiple, hay
más de una variable independiente, en por ejemplo, un pronóstico de ventas, son
las ventas. Una modelo de regresión no necesariamente tiene que estar basado en
una serie de tiempo, pues en estos casos el conocimiento de los valores futuros de
la variable independiente (llamada también variable causal) se utiliza para predecir
valores futuros de la variable dependiente. Por lo general, la regresión lineal se
utiliza en pronósticos a largo plazo.
2.- Promedios móviles: Modelos de pronósticos del tipo de series de tiempo a corto
plazo que pronostica las ventas para el siguiente periodo. En este modelo, el
pronóstico aritmético de las ventas reales para un determinado número de los
periodos pasados más recientes es el pronostico para el siguiente periodo.
3.- Promedio móvil ponderado: modelo parecido al modelo de promedio móvil arriba
descrito, excepto que el pronóstico para el siguiente periodo es un promedio
ponderado de las ventas pasadas, en lugar del promedio aritmético.
Los servicios son todas aquellas actividades que buscan satisfacer las distintas
necesidades que puede tener un cliente.
Tipos de servicios:
Hay dos grandes maneras de clasificar los servicios. Una de ellas es clasificándola
en servicios públicos y privados.
Las características que poseen los servicios y que los distinguen de los productos
son:
BIBLIOGRAFIA:
http://www.crecenegocios.com/como-hacer-el-pronostico-
delademanda/comerciocajica.bligoo.com.co/.../ADMINISTRACION_DE_LA_DEMA
...
Toda institución, ya sea la familia, la empresa o el gobierno, tiene que hacer planes
para el futuro si ha de sobrevivir y progresar. Hoy en día diversas instituciones
requieren conocer el comportamiento futuro de ciertos fenómenos con el fin de
planificar, prever o prevenir.
La planificación racional exige prever los sucesos del futuro que probablemente
vayan a ocurrir. La previsión, a su vez, se suele basar en lo que ha ocurrido en el
pasado. Se tiene pues un nuevo tipo de inferencia estadística que se hace acerca
del futuro de alguna variable o compuesto de variables basándose en sucesos
pasados. La técnica más importante para hacer inferencias sobre el futuro con base
en lo ocurrido en el pasado, es el análisis de series de tiempo.
Son innumerables las aplicaciones que se pueden citar, en distintas áreas del
conocimiento, tales como, en economía, física, geofísica, química, electricidad, en
demografía, en marketing, en telecomunicaciones, en transporte, etc.
- Tasas de crecimiento de la
población
4. Series demográficas:
- Tasa de natalidad, mortalidad
- Resultados de censos
poblacionales
5. Series de marketing: - Series de demanda, gastos,
ofertas
Figura 1.1
Los dos puntos enmarcados en un círculo parecen corresponder a un
comportamiento anormal de la serie. Al investigar estos dos puntos se vio que
correspondían a dos días de paro, lo que naturalmente afectó la producción en esos
días. El problema fue solucionado eliminando las observaciones e interpolando.
Las principales fuerzas que causan una variación estacional son las condiciones del
tiempo, como por ejemplo:
1) en invierno las ventas de helado
2) en verano la venta de lana
3) exportación de fruta en marzo.
Figura 1.3
d) Variaciones irregulares (componente aleatoria): los movimientos irregulares (al
azar) representan todos los tipos de movimientos de una serie de tiempo que no
sea tendencia, variaciones estacionales y fluctuaciones cíclicas.
Un modelo clásico para una serie de tiempo, supone que una serie x(1), ...,
x(n) puede ser expresada como suma o producto de tres
componentes: tendencia, estacionalidad y un término de error aleatorio.
Donde:
X (t) serie observada en instante t
Un modelo aditivo (1), es adecuado, por ejemplo, cuando E(t) no depende de otras
componentes, como T(t), sí por el contrario la estacionalidad varía con la tendencia,
el modelo más adecuado es un modelo multiplicativo (2). Es claro que el modelo 2
puede ser transformado en aditivo, tomando logaritmos. El problema que se
presenta, es modelar adecuadamente las componentes de la serie.
La figura 2.1 ilustra posibles patrones que podrían seguir series representadas por
los modelos (1), (2) y (3).
Figura 2.1
Hay varios métodos para estimar T(t). Los más utilizados consisten en:
1) Ajustar una función del tiempo, como un polinomio, una exponencial u otra
función suave de t.
2) Suavizar (o filtrar) los valores de la serie.
3) Utilizar diferencias.
3. T(t) = a + b ebt
1.T(t) = a + bt (Lineal) 2.T(t) = a (Exponencial modificada)
ebt (Exponencial)
Nota:
i. la curva de tendencia debe cubrir un periodo relativamente largo para ser
una buena representación de la tendencia a largo plazo.
ii. La tendencia rectilínea y exponencial son aplicable a corto plazo, puesto
que una curva S a largo plazo puede parecer una recta en un período restringido de
tiempo (por ejemplo).
Figura 2.2
En la figura 2.2 ambas curvas (recta y Gompertz) ajustan bien pero las
proyecciones divergen enormemente a largo plazo.
Tabla 2.1: Nuevas unidades habitacionales comenzadas en los Estados Unidos del
tercer trimestre de 1964 al segundo trimestre de 1972 (en miles de unidades).
Sea t cada uno de los 32 trimestres que van de 1964 a 1972, o sea que t = 1 para
el tercer trimestre de 1964, t = 2 para el cuarto trimestre, y así sucesivamente. Así
que el dominio de definición de t es el conjunto de los enteros de 1 a 32
inclusive. Sea T(t) las iniciaciones de viviendas trimestralmente. Los valores
de t y T(t) se dan en la tabla 2.2. Para calcular los valores de a y de b en la recta
de tendencia
T(t) = a + bt
Figura 2.3
Lo que hacemos es usar una expresión lineal que transforma la serie X(t) en una
serie suavizada Z(t): Z(t) = F(X(t)), t = 1,...,n
X(t) Z(t)
de tal modo que F(X(t)) = T(t). La función F se denomina Filtro Lineal. El filtro lineal
más usado es el promedio móvil.
Promedios Móviles
Promedio móvil simple. Se usa para estimar el promedio de una serie de tiempo de
demanda y para suprimir los efectos de las fluctuaciones al azar. Este método
resulta más útil cuando la demanda no tiene tendencias pronunciadas ni
fluctuaciones estaciónales. Implica simplemente calcular la demanda promedio para
la n periodos más recientes con el fin de utilizarla como pronostico del periodo
siguiente. Para el pronóstico siguiente una vez conocida la demanda, la demanda
más antigua incluida en el promedio anterior se sustituye por la demanda más
reciente y luego se vuelve a calcular el promedio.
Es decir:
F T+1 = Suma de las n ultimas demandas / n = D T + D T-1…… Donde:
D T =Demanda real del periodo t
n = numero real de periodos incluidos en el promedio
F T+1 =Pronostico para el periodo T+1
EJERCISIO:
a) Tomando los datos de la fábrica de pasta dental elabore un pronóstico móvil de
5 semanas para estimar cuantas cajas de pasta dental se necesitarán para la
semana 11.
Tenemos que F11 = (60 + 55 + 61 + 58 + 66)/ 5 = 60 cajas
Si la demanda real en la semana 11 fue 55 cajas obtener el pronóstico móvil de 5
semanas para la semana 12 .
M12 = (55 + 60 + 55 + 61 + 58 ) / 5 = El pronóstico es de 57.8 cajas
Cual será el pronostico para la semana 13 en este momento? = 57.8 cajas
PRONOSTICO DE LA DEMANDA EJEMPLO:
CCC desea pronosticar el número de llamadas entrantes que esto recibe en un día
de los clientes de uno de sus clientes, BMI. CCC programa el número apropiado de
telefonistas basados en volúmenes de llamada proyectados. CCC cree que los 12
días más recientes de volúmenes de llamada (mostrado sobre la siguiente
diapositiva) son representativos de los volúmenes de llamada de futuro próximo.
Datos Históricos
DIA LLAMADA S
DIA LLAMADA S
1 159 7 203
2 217 8 195
3 186 9 188
4 161 10 168
5 173 11 198
6 157 12 159
Use el promedio móvil simple con n=3 para pronosticar el número de llamadas para
el día 13.
F13 = (159 + 198 + 168)/3 = 175.0 llamadas
PRONOSTICO DE LA DEMANDA
2.4.1.3 Suavización Exponencial
Es un método de promedio móvil ponderado muy refinado que permite calcular el
promedio de una serie de tiempo, asignando a las demandas mayor ponderación
que a las demandas anteriores. Es el método de pronóstico formal que se usa más
a menudo, por su simplicidad y por la reducida cantidad de datos que requiere. A
diferencia del método de promedio móvil ponderado, que requiere n periodos de
demanda pasada y n ponderaciones, la suavización exponencial requiere
solamente tres tipos de datos: el pronóstico del último periodo, la demanda de ese
periodo y un parámetro suavizador, alfa α, cuyo valor fluctúa entre 0 y 1.0. Para
elaborar un pronóstico con suavización exponencial, será suficiente que calculemos
un promedio ponderado de la demanda más reciente y el pronóstico calculado para
el último periodo. La ecuación correspondiente a este pronóstico es:
F T+1 = α(Demanda para este periodo) + (1 – α) (Pronostico calculado para el último
periodo)= αDt +(1-α)Ft
Por lo tanto el pronóstico para el periodo siguiente es igual al pronóstico del periodo
actual más una proporción del error del pronóstico correspondiente al mismo
periodo actual.
1. La constante α toma valores entre 0 y 1
2. La constante α cercana a uno da una alta velocidad de respuesta
3. La constante α cercana a cero da una baja velocidad de respuesta
Ejemplo:
Utilizando el ejemplo de CCC con promedio móvil de n=3 calcule el pronostico para
la semana 13 con suavizamiento exponencial y α= .10El pronostico para el dia 13
era de 175 llamadas y la demanda real fue de 170 llamadas F T+1 = αDt +(1α)Ft
F13 = .1(170) + (.9) 175= 174.5 llamadas
De igual manera la suavización exponencial es otra técnica que se usa para alisar
una serie de tiempo y proporcionar una visualización global de los movimientos a
largo plazo de los datos. Además, se puede usar el método de suavización
PRONOSTICO DE LA DEMANDA exponencial para obtener pronósticos a corto
plazo (un periodo futuro) para series de tiempo.
El método de suavización exponencial obtiene su nombre del hecho de que
proporciona un promedio móvil con ponderación exponencial a través de la serie de
tiempo. En toda la serie, cada cálculo de suavización o pronóstico depende de todos
los valores observados anteriores.
Con la suavización exponencial, los pesos asignados a los valores observados
decrecen en el tiempo, de manera que al hacer un cálculo, el valor observado más
reciente recibe el peso más alto, el valor observado anterior tiene el siguiente peso
más alto, y así sucesivamente, por lo que el valor observado inicial tiene la menor
ponderación. Así, para alisar una serie en cualquier periodo i , se tiene la siguiente
expresión.
Obtención de un valor que tiene suavización exponencial en el periodo i
donde
Ei = valor de la serie suavizada exponencialmente que se calcula en el periodo i
Ei – 1 = valor de la serie suavizada exponencialmente que se calcula en el periodo
i–1
Yi = valor observado de la serie de tiempo en el periodo i
W = peso subjetivo asignado o coeficiente de suavización (donde 0 < W < 1)
Ei = Y1
La elección del coeficiente de suavización o peso que se asigna a la serie de tiempo
es crítica porque afectará en forma directa los resultados. Es desafortunado que
esta selección sea subjetiva. Si se desea sólo suavizar una serie con la eliminación
de la variación cíclica y la irregular, debe elegirse un valor pequeño para W (cercano
a 0). Por otro lado, si la meta es pronosticar, debe elegirse un valor grande para W
(más cercano a 1). En el primer caso, se podrán observar las tendencias globales a
largo plazo de la serie; en el último caso, es posible predecir direcciones futuras a
corto plazo de manera más adecuada.
PRONOSTICO DE LA DEMANDA Este proceso continúa hasta obtener los valores
de la suavización exponencial para los 24 años en la serie de las ventas anuales de
la fábrica (General Motors), como se muestra en la tabla