Professional Documents
Culture Documents
Pronósticos
1
PRONÓSTICOS
Que es y para qué se usan:
Es necesario para:
• Determinar que recursos se necesitan.
• Programar los recursos existentes.
• Adquirir recursos adicionales.
3
¿En qué se basan ?
Generalmente, los pronósticos son respaldados por consejeros
económicos, estadísticos, políticos y técnicos, y se basa en
información sobre los aspectos tales como:
Niveles de producción industrial, tanto nacionales como internacionales.
Gasto público.
Disponibilidad de mano de obra.
Cambios posibles en la estructura de precios.
Variaciones en los niveles de vida.
Competencia, tanto nacional como internacional.
Nuevos productos posibles.
Mercados potenciales.
Cambios tecnológicos.
Recursos e historial de la empresa.
Objetivos, políticas y planes de la empresa a largo plazo.
.
4
¿Qué se pronostica?
Principalmente la DEMANDA... pero también:
Precios de materiales
Costo de mano de obra
Tasas de interés
Ingresos
Gastos
5
Tipos de Métodos de
Pronósticos
Métodos de
Pronóstico
Previsiones Predicciones
Se emplean cuando la situación es Se emplean cuando la situación
Métodos basados en
“estable” y existen datos no es clara y existen pocos
Cuantitativos opinionesCualitativos
o estimados
“históricos”: Productos existentes, datos: Productos nuevos,
subjetivos o de juicio.
Tecnología actual. Nueva tecnología.
Estadístico quede
depende, Opinión Ejecutiva
Dependencia de datos históricos
Series de Analogía Histórica
Causal fundamentalmente,
variables independientes: de los
Tiempo Delphi
datos históricos de la
Campaña de promociones
demanda. Investigación de Mercado
Condiciones económicas
Actividades de los competidores
Proyección de tendencias
Proyección de
Suavización ajustadas por influencias
tendencias
estacionales 13
PRONÓSTICOS
Demanda
Suelen variar considerablemente tanto para bienes y servicios.
Tiempo
(a) Horizontal: Cúmulos de datos en torno a una
línea horizontal.
15
Patrones de Demanda
Cantidad
Tiempo
(b) De tendencia: Los datos aumentan o disminuyen de manera
consistente a través del tiempo.
16
Patrones de Demanda
Cantidad
Año 1
Año 2
| | | | | | | | | | | |
J F M A M J J A S O ND
Meses
(c) Estacional: Los datos muestran crestas y valles de manera
consistentes.
18
Patrones de Demanda
Cantidad
| | | | | |
1 2 3 4 5 6
Años
(d) Cíclico: Los datos revelan incrementos y decrementos
graduales en el curso de largos períodos de
tiempo.
20
Variaciones aleatorias
Son “saltos” en los datos causados por el azar y
situaciones inusuales.
Son debidas a variaciones aleatorias o a situaciones
imprevistas:
Huelga.
Terremoto.
Inundaciones.
Son de corta duración y no se repiten.
21
PRONÓSTICOS
22
PRONÓSTICOS
Factores que Afectan la Demanda
Factores externos
Se encuentran fuera del control de la gerencia.
23
PRONÓSTICOS
Factores internos
Las decisiones internas en su conjunto, provocan cambios en el
volumen de la demanda como es:
• Diseño de envases.
25
PRONÓSTICOS
Diseño del sistema de Pronóstico
Gerencia frente a un pronóstico debe tomar tres decisiones
Que va a pronosticar.
Que tipo de técnica va a aplicar.
Tipo de hardware o software o ambos que utilizará.
I. Que va a pronosticar
1. Nivel de acumulación
Es agrupar varios productos o servicios similares, con lo cual las
compañías pueden realizar pronósticos más asertivos y derivar
por productos o servicios.
Esta forma con lleva a un error generalmente es 5%.
Al pronosticar por artículo el error es >> 5%.
27
PRONÓSTICOS
Que va a pronosticar (continuación)
Sistema a dos niveles.
1er pronóstico: Familias bienes o servicios con similares características
en:
– Requisitos de demanda
– Procesamiento
– Trabajo y Materiales.
2do pronóstico: de las cifras generales se deriva el pronóstico por
elemento individual.
2. Unidades de medición
De mayor utilidad son las unidades de productos o servicios y no de
dinero.
Ej. Unidades de radios, paquetes por entregar, número de clientes, etc.
28
PRONÓSTICOS
Enfoques del Pronóstico
Métodos cualitativos Métodos cuantitativos
Se emplean cuando la situación no Se emplean cuando la situación
es clara y existen pocos datos: es “estable” y existen datos
Productos nuevos. “históricos”:
Nueva tecnología. Productos existentes.
Tecnología actual.
Requieren intuición y experiencia:
Por ejemplo, el pronóstico Requieren técnicas
de las ventas a través de matemáticas:
Internet. Por ejemplo, el pronóstico
de las ventas de
televisiones en color.
29
PRONÓSTICOS
Decisión del tipo de técnica de pronóstico (continuación)
Cualitativos
Método de juicio: cuando no se dispone de datos históricos
• Opinión de Gerentes y Expertos
• Encuestas de consumidores
• Estimaciones entregadas por área de ventas
Cuantitativos
Métodos Causales: Dependencia de datos históricos de
variables independientes:
• Campaña de promociones
• Condiciones económicas
• Actividades de los competidores
Análisis de Serie de Tiempo estadístico que depende,
fundamentalmente, de los datos históricos de la demanda.
31
Factores que Afectan la Demanda
Horizonte de tiempo
Utilizado cuando:
• No existen datos históricos.
• Cambio de tecnología.
• Modificación de pronósticos cuantitativos (resultados extraños)
Se confía en la experiencia y el buen juicio
Existen cuatro formas:
1.- Estimación de la fuerza de ventas
Personas cerca de los clientes
Ventajas
•Mayor probabilidad de conocer que productos o servicios
comprarán los clientes.
•Información útil para administrar inventario, distribución,
formación de equipos de venta.
•Combinar todas las opiniones para obtener una sola por ejemplo
para una región.
39
Análisis de Métodos
Método de Juicio (continuación)
Desventajas
• Algunos muy optimistas otros muy cautelosos.
• No diferencian entre lo que el cliente desea y lo que realmente
necesita.
• Vendedores subestiman el pronóstico, para que su rendimiento
parezca bueno, cuando supera la proyección o esforzarse solamente
para alcanzar meta.
2.- Opinión Ejecutiva
Uso
•Modificar un pronostico de venta actual, debido a un evento
inesperado.
•Elaborar pronósticos tecnológicos.
Desventajas
•Puede ser costosa.
•Puede quedar fuera de control (sin la aprobación colectiva).
40
Análisis de Métodos
Método de Juicio (continuación)
3.- Investigación de Mercado
Creación y puesta en marcha de diferentes hipótesis por medio de una encuesta,
para determinar el grado de interés del consumidor.
La investigación incluye:
•Diseño de un cuestionario, para obtener información económica, demográfica e
interés(es) de cada persona.
•Aplicación: - Teléfono ó Correo ó Entrevista
•Selección de la muestra representativa.
•Análisis de la información. Interpretación con criterio estadístico.
Uso, pronosticar la demanda con precisión:
•Excelente a corto plazo.
•Buena a mediano plazo.
•Regular a largo plazo.
Desventajas
•Costosas, errores en la formulación e interpretación de las respuestas.
•Limitaciones (Ej. Respuestas por correo).
41
Análisis de Métodos
Método de Juicio (continuación)
4.- Método Delphi
Obtener consenso dentro de un grupo de expertos, pero en anonimato,
sin experiencia en el tema.
El panel de expertos pueden dedicarse a distintos rubros como, política,
negocios, científico, ambientalistas, etc.
Uso
•Pronosticar a largo plazo.
•Proyección de venta de un producto nuevo.
Desventajas
•Puede alargarse por mucho tiempo (más de un año).
•Probabilidad de respuestas menos significativas que si ellos no asumen
el problema.
•Pocas evidencias de alto grado de precisión.
•Los cuestionarios mal planteados conducen a errores.
42
Visión Global de los Métodos
Cuantitativos
Método
Regresión lineal
causal
43
Método Causal
Regresión Lineal
Se dispone de datos históricos, se puede relacionar lo que se intenta
pronosticar con otros factores externos o internos.
Ventajas
• Posee instrumentos más refinados de pronósticos.
• Excelente para prever puntos de inflexión de la demanda.
• Útil para pronósticos de mediano o largo plazo.
Regresión lineal consiste en que una variable dependiente se relaciona
con una o más variables independiente por medio de una expresión
algebraica.
Ejemplo:
Variable dependiente: se quiere pronosticar la demanda de barniz para
puertas.
Variable independiente: gasto de publicidad o inicio de la construcción
de nuevas viviendas.
Valor
actual
de Y
Valor de X empleado
para calcular Y
X
Variable Independiente
45
Método Causal
Regresión Lineal
Y Desviación Ecuación de
o error regresión:
Estimación de
Y = a + bX
Y a partir de
la ecuación
Variable Dependiente
de regresión
{ Valor
actual
de Y
Valor de X empleado
para calcular Y
X
Variable Independiente
46
Método Causal Regresión Lineal
Objetivo del análisis de regresión lineal Encontrara los valores de a y b
que minimicen la suma de las desviaciones (errores) al cuadrado de
los puntos reales de la gráfica.
Formas de evaluar la precisión del pronóstico (existen 2)
47
Método Causal Regresión Lineal
2. Coeficiente de determinación de la muestra ( r 2)
48
Método Causal Regresión Lineal
Ejercicio práctico:
La persona a cargo de programar la producción de la compañía,
tiene que elaborar un pronósticos de la demanda de un
producto, a fin de plantear las cantidades de producción más
apropiadas.
Durante un almuerzo de negocios, el gerente de Marketing
aporta información sobre el presupuesto de publicidad destinado
a una bisagra de bronce para puertas.
Se presenta a continuación los datos sobre ventas y publicidad
correspondiente a los últimos cinco meses.
La gerencia de Marketing afirma que la compañía gastará el mes
entrante US$1.750 en publicidad para el producto. Aplique la
regresión lineal para desarrollar una ecuación y un pronóstico
para ese producto.
49
Método Causal Regresión Lineal
50
Método Causal Regresión Lineal
Error Típico(Sxy)=
51
Método Causal Regresión Lineal
300 —
Ventas (miles de unidades)
200 — a = - 8.136
b = 109.229
r = 0.98
150 — r2 = 0.96
syx = 15.61
100 —
Y = - 8.136 + 109.229X
50 | | | |
• Pronóstico
1.0 1.5de r es2.0
El valor 2.5 a 1,00 significa que existe una
muy próximo
Pronósticopara
paraMesMes66
fuerte relación
Publicidad (miles deentre ventas y publicidad, la selección es buena.
dólares)
XX==$1750,
$1.750,Y Y==- 8.136 + 109.229(1.75)
183.015 unidades
• R2 significa que el 96% de la variación observada en las 52
ventas, se atribuye a los gasto involucrados de publicidad.
Método Causal Regresión Lineal
300 —
Ventas (miles de unidades)
250 —
Ventas Publicidad
Mes (000 unidades) (000 $)
200 — a = - 8.136
1 264 2.5 b = 109.229
2—
150 116 1.3 r = 0.98
3 165 1.4 r2 = 0.96
4—
100 101 1.0 syx = 15.61
5 209 2.0
Y = - 8.136 + 109.229X
50 |
El ingeniero a| cargo de
| producción
| puede utilizar este
1.0
pronóstico 1.5 saber
para 2.0las bisagras
2.5 que necesitará en el mes 6.
Publicidad
Si suponemos(miles
quede
sedólares)
tiene en inventario 62.500 unidades,
¿Cuánto deberá planificar como producción?.
53
Método Causal Regresión Lineal
300 —
Ventas (miles de unidades)
250 —
Ventas Publicidad
Mes (000 unidades) (000 $)
200 — a = - 8.136
1 264 2.5 b = 109.229
2—
150 116 1.3 r = 0.98
3 165 1.4 r2 = 0.96
4—
100 101 1.0 syx = 15.61
5 209 2.0
Y = - 8.136 + 109.229X
50 | | | |
Se 1.0
tiene en1.5
inventario
2.0 = 62,500
2.5 unidades,
Publicidad
Producción (miles de dólares)
= 183,015 - 62,500 = 120,015 unidades
54
Método Causal Regresión Lineal
55
Método Series de Tiempo
56
Método Series de Tiempo
Modelo de Pronóstico Empírico
57
Método Series de Tiempo
58
Método Series de Tiempo
Ventajas del pronóstico empírico
• Simplicidad
• Bajo costo
• Funciona bien cuando las demanda son estables (variaciones al
azar pequeñas)
59
Método Series de Tiempo
60
Método Series de Tiempo
Ejemplo :
Clínica: llegada de pacientes en las
Llegadas de pacientes
últimas 28 semanas.
Patrón de demanda: llegada de
pacientes no es de tendencia ni
estacional ni cíclico.
Serie de tiempo: muestra un patrón
Horizontal y Aleatorio.
Llegadas reales
Errores aleatorios: nadie los puede
de pacientes
prever, no quedamos tranquilos al
estimar solo promedios.
Semana
61
Método Series de Tiempo
Técnicas estadísticas útiles para el pronóstico de series de tiempo:
• Promedio móviles simples.
• Promedio móviles ponderados.
• Suavización exponencial.
Método de Promedio Móviles Simples (MA)
Uso: estima el promedio de una serie de tiempos de demanda y
suprime de esta forma las fluctuaciones al azar.
Útil: cuando la demanda no tiene tendencias pronunciadas ni
influencias estaciónales.
Cálculo: para “n” períodos más recientes, con el fin de usarlos
como pronósticos para el siguiente período.
Pronóstico al período t + 1
62
Método de Promedio Móviles Simples (MA)
D t + D t – 1 + D t – 2 ...........D t – n + 1
F t + 1 = At =
n
At = Promedio de la demanda real de “n” periodos anteriores
Dt = demanda real del período t
n = Número total de períodos incluidos en el promedio.
F t + 1 = pronóstico para el período t + 1
F t+1 = At ó Ft = At-1
Puede incluirse todos los períodos pasados de demanda que se
desee.
La estabilidad de una serie correspondiente a la demanda
determina cuantos períodos serán necesarios incluir o sea “n”.
Serie de demanda estable son aquellas para los cuales el
promedio cambia solamente en forma infrecuente.
63
Cálculo del Promedio Móvil, At
Elabore un pronóstico de promedio móvil de tres semanas para
estimar la llegada de pacientes a la clínica médica durante la
cuarta semana. Los datos correspondientes a la llegada de
pacientes durante las últimas tres semanas fueron las siguientes:
Semana Llegada de pacientes
1 400
2 380
3 411
64
Cálculo del Promedio Móvil, At
D1 =400
D2 =380
415
D3 = 411 411
410
Llegada de pacientes
405
A3 =397
400 400
At =( Dt + Dt - 1 +395Dt - 2 ) / 3
A3 =( D +A
Ft3 = D2t -+
390D ) / 3
1 1
A3 =( 411F+=380 A + 400 ) / 3
385
4 3
380 380
F4 = 397
375
0 1 2 3 4 5Semana 6
65
Cálculo del Promedio Móvil, At
D1 =400
D2 =380
420
D3 = 411
415 415
D4 = 415 411
Llegada de pacientes
410
405
A4 =402 400 400
At =( Dt + Dt - 1 + D
395 t - 2
)/3
A4 =( D +A
Ft4 = D3t -+
1 D2 ) / 3
390
A3 =( 415F+ 411 385
5 = A 4
+ 380 ) / 3
F5 = 402380 380
375
0 1 2 3 4 5 6
Semana
66
Método Series de Tiempo
Promedios Móviles Simples
450 —
Llegadas de pacientes
430 —
410 —
390 —
370 —
| | | | | |
0 5 10 15 20 25 30
Semana
67
Método Series de Tiempo
Promedios Móviles Simples
450 —
Llegadas de pacientes
430 —
410 —
390 —
| | | | | |
0 5 10 15 20 25 30
Semana
68
Método Series de Tiempo
Promedios Móviles Simples
450 —
Llegadas de pacientes
430 —
410 —
390 —
370 — Llegadas de
pacientes reales
| | | | | |
0 5 10 15 20 25 30
Semana
69
Método Series de Tiempo
Promedios Móviles Simples
Pronóstico MA
450 — Pronóstico MA
6-semanas
Llegadas de pacientes
3-semana
430 —
410 —
390 —
370 — Llegadas de
pacientes reales
| | | | | |
0 5 10 15 20 25 30
Semana
70
Promedio Móvil Ponderado, AWt
72
Promedio Móvil Ponderado, AWt
Ventaja
Permite hacer énfasis en la demanda reciente.
Responde mejor que el pronóstico de promedio móvil simple.
Desventaja
Sigue retrasándose con respecto a la demanda porque sólo
calcula promedios de la demanda en el pasado.
Se observa mucho mejor el retraso cuando existe una tendencia,
ya que el promedio de serie de tiempos va en incremento o
disminución en forma sistemática.
73
Promedio Móvil Ponderado, AWt
74
Promedio Móvil Ponderado, AWt
N
D1 =400 W1 = 0,1 AWt D t j1 Wt j1
j1
D2 =380 W2 = 0,2
415
D3 = 411 W3 = 0,7 411
410
Llegada de pacientes
405
A3 = W3*D3 + 400
W2*D2 + W1*D
4001
A3 = 0,7*411 + 0,2*380
395
+ 0,1*400
A3 = 403,7
390
=404
385
Ft =
380 A t-1 380
F4 =
375 A3
F4 = 404
0 1 2 3 4 5Semana 6
75
Promedio Móvil Ponderado, AWt
450 —
Llegadas de pacientes
| | | | | |
0 5 10 15 20 25 30
Semana
76
Promedio Móvil Ponderado, AWt
450 — Llegada de
Semana pacientes
Llegadas de pacientes
430 — 1 400
2 380
410 — 3 411
4 415
390 —
| | | | | |
0 5 10 15 20 25 30
Semana
77
Promedio Móvil Ponderado, AWt
450 — Llegada de
Semana pacientes
Llegadas de pacientes
430 — 1 400
2 380
410 — 3 411
4 415
390 —
| | | | | |
0 5 10 15 20 25 30
Semana
78
79
Suavizamiento Exponencial Simple
Dt = + et
El modelo refleja un error aleatorio alrededor de una tendencia central
estable. Donde et se distribuye normalmente con media cero.
At = Dt + ( 1 - ) A t - 1
80
Suavizamiento Exponencial Simple
At = D t + ( 1 - ) A t - 1
A t -1 refleja la historia
Si se cree en la última demanda
=1
Si se cree en la historia
=0
81
Suavizamiento Exponencial Simple
At = Dt + ( 1 - ) A t – 1 ó At = A t - 1 + ( Dt - At-1 )
Ft+1 = A t ó Ft+1 = Dt + ( 1 - ) F t
et = Dt – Ft
82
Suavizamiento Exponencial Simple
83
Suavizamiento Exponencial Simple
F t+1 = D t + (1 - ) F t equivalente a:
84
Suavizamiento Exponencial Simple
Formas de Uso
Se requiere de las demandas históricas (Dt) y del pronóstico más
reciente (Ao = F1)
A1 = D1 + (1 - ) A0 ó F2 = D1 + ( 1 - ) F1
A2 = D2 + (1 - ) A1 ó F3 = D2 + ( 1 - ) F2
Se va calibrando
t 1
Ft (1 ) k Dt k (1 ) t F1
k 0
Ft 1 * Dt (1 ) * Ft
85
Suavizamiento Exponencial Simple
Ejemplo:
Suponiendo alfa = 0.20 , el pronóstico para el periodo t+1 es:
86
Suavizamiento Exponencial Simple
87
Suavizamiento Exponencial Simple
88
Suavizamiento Exponencial Simple
D1 =400
D2 =380
D3 = 411
415
410 411
Llegada de pacientes
405
Pronóstico Inicial
400 400
F3 = (D1 + D2)/2
395
F3 = (400 + 380)/2 = 390
390
Para = 0.1 385
Ft+1 = 0.1*Dt + (1 380
- 0.1)*Ft 380
F4 = 0.1*D3 + (1 - 0.1)*F3
375
F4 = 0.1*411 + (1 - 0.1)*390
0 1 2 3 4 5Semana 6
F4 = 392,1
89
Suavizamiento Exponencial Simple
D1 =400
D2 =380
420
D3 = 411
415 415
D4 = 415 411
Llegada de pacientes
410
405
400 400
395
Si la demanda real390
D4 = 415
F5 = 0.1*415 + 0.9*392.1 = 394.1
385
380 380
375
0 1 2 3 4 5 6
Semana
90
Suavizamiento Exponencial Simple
450 —
Llegadas de pacientes
430 —
410 —
390 —
370 —
| | | | | |
0 5 10 15 20 25 30
Semana
92
Suavizamiento Exponencial Simple
450 —
Llegadas de pacientes
430 —
410 —
390 —
370 — Suavización
Exponencial
= 0.10
| | | | | |
0 5 10 15 20 25 30
Semana
93
Suavizamiento Exponencial Simple
Pronóstico MA Pronóstico MA
450 —
3-semanas 6-semanas
Llegadas de pacientes
430 —
410 —
390 —
370 — Suavización
Exponencial
= 0.10
| | | | | |
0 5 10 15 20 25 30
Semana
94
Inclusión de una Tendencia
Tendencia
• Incrementos o decrementos sistemáticos de los promedios de la
serie a través del tiempo.
• Suavización exponencial será modificado ya que los resultados
estará por arriba o debajo de la demanda real.
Ejemplo
Demanda aumenta a razón de 10 unidades en cada período, al
considerar = 0,3 se tiene:
Período Demanda Pronóstico para t Resultado
real
1 10 F1 = 10
2 20 F2 = 0,3(10) + 0,7(10) = 10
3 30 F3 = 0,3(20) + 0,7(10) = 13
4 40 F4 = 0,3(30) + 0,7(13) = 18,1
95
Método de suavización Exponencial
Ajustada a la Tendencia
Serán suavizadas
• Las estimaciones para el Promedio
• La Tendencia
Promedio (At)
Demanda en Promedio + Estimación de
At= + (1 - )
este período la Tendencia (en el último
período)
A t = D t + (1 - ) (A t -1+ T t–1 )
Tendencia (T t)
Estimación de la Tendencia
T t = Promedio de - Promedio del + (1 - )
este período último período en el último período
T t = (A t - A t – 1 ) + (1 - ) T t–1
96
Método de suavización Exponencial
ajustada a la Tendencia
F t+1= A t + T t
At -1 y T t – 1 : Promedio y Tendencia del último período, lo
que se puede obtener por medio de:
Datos del pasado.
Estimaciones aproximadas al no existir
históricos.
y : Se encuentran ajustando hasta obtener errores de
pronósticos lo más bajo posible, el valor para ambos
entre 0 y 1.
F t + 1 : Pronóstico para el período t + 1
97
Método de suavización Exponencial
ajustada a la Tendencia
Médica SA, ofrece servicios de laboratorio clínicoRecopilación
a los pacientes dedel Antecedentes
Hospital Providencia, una agrupación de 10 médicos familiares asociados
que brindan un nuevo programa de mantenimiento de la salud. Los
gerentes están interesados en pronosticar el número de
A0 pacientes que van
= 28 pacientes
a requerir análisis de sangre cada semana. Es preciso comprar suministros
y tomar una decisión acerca del número de muestras T0 =sanguíneas
3 pacientesque
serán enviadas a otro laboratorio, para compensar las limitaciones de la
capacidad del laboratorio principal. D = 27 pacientes
1
= 0.20
Las informaciones recientes acerca de los efectos nocivos y = el
que provoca 0.20
colesterol en el corazón han generado un incremento en las solicitudes de
análisis ordinarios de sangre en todo el país. En promedio el laboratorio
realizó 28 análisis de sangre cada semana durante las 4 últimas semanas.
La tendencia durante en ese periodo fue de tres pacientes adicionales por
semana.
98
Método de suavización Exponencial
ajustada a la Tendencia
A0 = 28 pacientes
T0 = 3 pacientes
D = 27 pacientes
80 —1
= 0.20 y = 0.20 AA
1A=
t1==0,2
0,2 D*27+
tD+1 (1 -–)*(
+(1(1 –0,2)*(
0,2)*(
A t -1
28A+0+T+3)
tT
- 1=
0)) 30,2
70 — T1 T=1t0,2(30,2
= 0,2(A(A –– 28) (1-)
t -1 A A0))++(1- 0,2)
0,2)*3
T t-1T0= 2,8
Llegada de pacientes
t-1
60 — FF
2F=t+1230,2
= A1t++2,8
T1t = 33
50 —
40 —
30 —
| | | | | | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
99
Semana
Método de suavización Exponencial
ajustada a la Tendencia
A1 = 30,2 pacientes
T1 = 2,8 pacientes
Si laDdemanda real del periodo 2 es de 44
2 = 44 pacientes
80 —
análisis de sangre
= 0.20 y = 0.20 A2 = 0,2 *44+ (1–0,2)*( 30,2+2,8) = 35,2
70 — será el pronóstico para el T
2 = 0,2 (35,2 – 30,2) + (1- 0,2)*2,8 = 3,2
¿Cuál periodo 3?
Llegada de pacientes
50 —
40 —
30 —
| | | | | | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
100
Semana
Método de suavización Exponencial
ajustada a la Tendencia
80 —
Llegada de pacientes
70 —
60 —
50 —
Número real
40 — de análisis
de sangre
30 —
| | | | | | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Semana
101
Método de suavización Exponencial
ajustada a la Tendencia
80 — Pronóstico
ajustado a la
Tendencia
Llegada de pacientes
70 —
60 —
50 —
Número real
40 — de análisis
de sangre
30 —
| | | | | | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Semana
102
Patrones Estaciónales
• Son movimientos ascendentes o descendentes de la demanda,
• Son repetitivos
• Se limitan en general a períodos menores de un año, como
horas, días, meses, trimestres, etc.
• A cada período de tiempo se le denomina estaciones.
103
Método Series de Tiempo
Método Estacional Multiplicativo
Este es uno de los métodos de pronósticos, el más usual.
Metodología: promedios simples de la demanda pretérita.
Ejemplo: Patrón estacional: un año, estación: un mes
105
Método Series de Tiempo
Método Estacional Multiplicativo
Ejercicio
El gerente de la compañía San-limp, perteneciente al rubro de
limpieza de alfombras, necesita un pronóstico trimestral del
número esperado de clientes para el año siguiente. El negocio de
la limpieza de alfombras es estacional, con un punto máximo en el
tercer trimestre y un uno mínimo en el primer trimestre. Se
presenta a continuación los datos de la demanda trimestral
registrada en los cuatros años más recientes.
106
Método Series de Tiempo
Método Estacional Multiplicativo
107
Método Series de Tiempo
Método Estacional Multiplicativo
Demanda Actual
Índice estacional =
Promedio Demanda
108
Método Series de Tiempo
Método Estacional Multiplicativo
45
Índice estacional = = 0.18
250
109
Método Series de Tiempo
Método Estacional Multiplicativo
45
Índice estacional = = 0.18
250
110
Método Series de Tiempo
Método Estacional Multiplicativo
112
Método Series de Tiempo
Método Estacional Multiplicativo
113
Método Series de Tiempo
Método Estacional Multiplicativo
114
Método Series de Tiempo
Método Estacional Multiplicativo
115
Método Series de Tiempo
Método Estacional Multiplicativo
Promedio
TRIM.00 Año 1 Año 2 Año 3 Año 4 PROMEDIO INDICE AÑO 5 PRONÓSTICO
1 45 70 100 100
2 335 370 585 725
3 520 590 830 1160
4 100 170 285 215
Total 1000 1200 1800 2200 2600 2600
Promedio 250 300 450 550
Método Series de Tiempo
Método Estacional Multiplicativo
Promedio
TRIM. Año 1 Año 2 Año 3 Año 4 PROMEDIO INDICE AÑO 5 PRONÓSTICO
1 45 70 100 100 79 0,20 650 132
2 335 370 585 725 504 1,30 650 845
3 520 590 830 1160 775 2,00 650 1300
4 100 170 285 215 193 0,50 650 323
Total 1000 1200 1800 2200 2600 2600
Promedio 250 300 450 550 388
Selección de un Método
con series de Tiempo
Error de Pronóstico
• Los pronósticos siempre contienen errores.
• Los errores se clasifican en:
Errores de Sesgo.
Errores Aleatorios
Errores de Sesgo
Resultado de equivocaciones sistemáticas que el pronóstico
siempre sea muy alto o muy bajo.
¿por qué?
Son resultados de ignorar o no estimar correctamente ciertos
patrones de demanda como ejemplo de tendencia, estaciónales o
cíclicos.
Errores Aleatorios
Resultado de factores imprevisibles El pronóstico se ve obligado
a desviarse de la demanda real.
119
Selección de un Método
Error de Pronóstico
120
Selección de un Método
Error de Pronóstico
Suma Acumulativa de errores de Pronósticos (CFE)
Mide el error total de un pronóstico
121
Selección de un Método
Error de Pronóstico
n-1
122
Selección de un Método
Error de Pronóstico
123
Selección de un Método
Error de Pronóstico
Error Porcentual Absoluto
APE = [ |E | / D ] (100)
t t
MAPE =
[ |E | (100) ] /D
t t
n
124
Selección de un Método
Error de Pronóstico
125
Selección de un Método
Error de Pronóstico
Error
Cuadrado Error porcentual
Mes, Demanda, Pronóstico, Error, del Error, Absoluto, absoluto,
t Dt Ft Et Et 2 |Et| (|Et|/Dt)(100)
1 200 225 -25 625 25 12.5%
2 240 220 20 400 20 8.3
3 300 285 15 225 15 5.0
4 270 290 -20 400 20 7.4
5 230 250 -20 400 20 8.7
6 260 240 20 400 20 7.7
7 210 250 -40 1600 40 19.0
8 275 240 35 1225 35 12.7
Total -15 5275 195 81.3%
126
Selección de un Método
Error de Pronóstico
127
Selección de un Método
Error de Pronóstico
128
Selección de un Método
Error de Pronóstico
129
Selección de un Método
Error de Pronóstico
130
Selección de un Método
Error de Pronóstico
131
Selección de un Método
Error de Pronóstico
81.3%
MAPE = = 10.2%
8 134
Selección de un Método
Señales de rastreo
Es una medida que nos dice si el método de pronóstico utilizado esta
previendo con precisión los cambios reales de la demanda.
CFE
Señal de rastreo =
MAD
CFE y MAD en cada período son actualizados para observar el error
actual y compararlo con señales determinadas anteriormente.
Posibilidades de cálculo para MAD |Et |
1. Promedio simple de todos los errores absolutos MAD = n
2. Promedio ponderado mediante el
método de suavización exponencial
MAD = Et + (1 - )MAD t - 1
Ventajas de 2.
•No es necesario tantos datos históricos
• no tiene porque ser igual al valor utilizado en el modelo de pronóstico.
• Frecuentemente se usa 0,1 para suavizar los efectos de los
errores recientes en al pasado. 135
Selección de un Método
Señales de rastreo
CFE
Señal de rastreo =
MAD
+2.0 —
Límite de control
+1.5 —
+1.0 —
Señal de rastreo
+0.5 —
0—
- 0.5 —
- 1.0 —
Límite de control
- 1.5 —
| | | | |
0 5 10 15 20 25
Número de observaciones 136
Selección de un Método
Señales de rastreo
CFE
Señal de rastreo = MAD
Fuera de control
+2.0 —
Límite de control
+1.5 —
+1.0 —
Señal de rastreo
+0.5 —
0—
- 0.5 —
- 1.0 —
Límite de control
- 1.5 —
| | | | |
0 5 10 15 20 25
Número de observaciones 137
Criterios para la Selección de
Métodos con Series de Tiempo
Cuantificar errores de pronóstico entrega la información vital, cuando
se debe seleccionar un método de pronóstico tanto para manufactura
como servicio.
Es una guía para seleccionar el valor del parámetro más adecuado
en el método elegido, como:
n para pronóstico simple
ponderaciones para promedio móvil ponderado y
y Beta para suavización exponencial.
Criterios para escoger un método de pronóstico y seleccionar el
parámetro:
1. Minimizar los sesgos (CFE y E promedio).
2. Minimizar la dispersión (MAD y MSE)
En 1 y 2 se basan en el rendimiento histórico.
138
Criterio Estadístico
Consideramos nuevamente el ejemplo de la clínica médica con 28
períodos que entrega el siguiente cuadro.
Suma acumulativa Desviación media
Método de errores (CFE) absoluta (MAD)
Promedio móvil simple
Tres semanas (n = 3) 23,1 17,1
Seis semanas (n = 6) 69,8 15,5
Promedio móvil ponderado
0,7 ; 0,2 ; 0,1 14,0 18,4
Suavización exponencial
= 0,1 65,6 14,8
= 0,2 41,0 15,3
139
Criterio Estadístico
Consideramos nuevamente el ejemplo de la clínica médica con 28
períodos que entrega el siguiente cuadro.
Suma acumulativa Desviación media
Método de errores (CFE) absoluta (MAD)
Promedio móvil simple
Tres semanas (n = 3) 23,1 17,1
Seis semanas (n = 6) 69,8 15,5
Promedio móvil ponderado
0,7 ; 0,2 ; 0,1 14,0 18,4
Suavización exponencial
= 0,1 65,6 14,8
= 0,2 41,0 15,3
Promedio móvil simple: Ideal sin sesgos y sin MAD, valores MAD muy
parecidos, CFE distintos pero al ser positivos indicarían que los
pronósticos son muy bajos, n = 3 sería el mejor.
Suavización exponencial: MAD muy parecidos, CFE distintos = 0,2
se prefiere.
140
Suma acumulativa Desviación media
Método de errores (CFE) absoluta (MAD)
Promedio móvil simple
Tres semanas (n = 3) 23,1 17,1
Seis semanas (n = 6) 69,8 15,5
Promedio móvil ponderado
0,7 ; 0,2 ; 0,1 14,0 18,4
Suavización exponencial
= 0,1 65,6 14,8
= 0,2 41,0 15,3
De los tres métodos con n = 3 y = 0,2 NO se asigna una mayor
ponderación a los niveles de demanda más recientes.
Note que Promedio móvil ponderado con ponderación 0,7 para la
demanda más reciente entrega un Sesgo (CFE) más bajo y MAD
levemente superior.
En consecuencia “Promedio Ponderado” sería el método elegido.
141
Criterio Expectativas de Gerencia
142
Criterio Expectativas de Gerencia
143
Fin Capitulo de Pronósticos
144
Problema
Las ventas realizadas en los últimos 12 meses por
Dalwoorth Compañía son las que se muestran.
a) Utilice un promedio móvil ponderado de tres
meses para pronosticar las ventas en los
Ventas meses transcurridos entre abril y diciembre.
Mes
Millon. US$ Use ponderaciones de 3/6 , 2/6 y 1/6,
Enero 20 asignando ponderación mayor a los datos más
Febrero 24 recientes.
Marzo 27
31 b) Use la suavización exponencial con = 0,6
Abril
para pronosticar las ventas en los meses
Mayo 37
comprendidos entre abril y diciembre. Suponga
Junio 47
que el pronóstico inicial para enero haya sido
Julio 53 de US$22 millones.
Agosto 62
Septiembre 54 c) Compare el rendimiento de los dos métodos
Octubre 36 usando Desviación media absoluta (MAD),
Noviembre 32 Error porcentual medio absoluto (MAPE) y
Diciembre 29 Cuadrado del error medio (MSE) como criterios
de rendimientos. En cada caso ¿Cuál de esos
métodos recomendaría usted?
145
Mes Venta real Cada tres meses Error Error % Error
(000s) Pronóstico medio Ponderado absoluto absoluto cuadrado
Ener. 20
Febr. 24
Mar. 27
Solución Abr. 31 [(3x27)+(2x24)+(lx20)]/6 = 24.83 6.17 19.90 38.07
May 37 [(3x31)+(2x27)+(lx24)]/6 = 28.50 8.50 22.97 72.25
Junio 47 [(3x37)+(2x31)+(lx27)]/6 = 33.33 13.67 29.09 186.87
Julio 53 [(3x47)+2x37)+(lx31)]/6 = 41.00 12.00 22.64 144.00
Agosto 62 [(3x53)+(2x47)+(lx37)]/6 = 48.33 13.67 22.05 186.87
Sept. 54 [(3x62)+(2x53)+(lx47)]/6 = 56.50 2.50 4.63 6.25
Oct. 36 [(3x54)+(2x62)+(lx53)]/6 = 56.50 20.50 56.94 420.25
Nov. 32 [(3x36)+(2x54)+(lx62)]/6 = 46.33 14.33 44.78 205.35
Dic. 29 [(3x32)+(2x36)+(lx54)]/6 = 37.00 8.00 27.59 64.00
Total 99.34 250.59 1,323.91
Prom. 11.04 27.84 147.09
Mes Dt Ft Ft+1 = Ft + (Dt-Ft) Error Error % Error
(t) (millones) Absoluto Absolutocuadrado
Ener. 20 22.00 20.80
Febr. 24 20.80 22.72
Mar. 27 22.72 25.29
Abr. 31 25.29 28.72 5.71 18.41 32.60
May 37 28.72 33.69 8.28 22.38 68.56
Junio 47 33.69 41.67 13.31 28.32 177.16
Julio 53 41.67 48.47 11.33 21.38 128.37
Agost. 62 48.47 56.59 13.53 21.82 183.06
Sept. 54 56.59 55.04 2.59 4.80 6.71
Oct. 36 55.04 43.62 19.04 52.88 362.52
Nov. 32 43.61 36.64 11.61 36.28 134.79
Dic. 29 36.65 32.06 7.65 26.38 58.52
Total 93.05 232.65 1,152.29
Promedio 10.34 25.85 128.03
PMP Exponencial Recomendación
c.MAD 11.04 10.34 Suavización Exponencial
d.MAPE 27.84 25.85 Suavización Exponencial
e.MSE 147.10 128.03 Suavización Exponencial
146
Integración y Tipos de Pronósticos
Los sistemas de pronósticos consideran la utilización de 3
tipos de pronósticos:
Pronósticos Tipo 1: Pronósticos a detalle de corto plazo para
la planeación operativa de artículos.
Pronósticos Tipo 2: Pronósticos agregados de mediano y
largo plazo para la planeación estratégica, financiera, de
mercado y operativa.
Pronósticos Tipo 3: Pronósticos agregados de largo plazo
para análisis estratégico y toma de decisiones que integra el
corto y largo plazo.
Los pronósticos operativos de corto plazo deben hacerse
en semanas o meses.
Los pronósticos para planeación de largo plazo deben
hacerse en trimestres o años.
147
El patrón o comportamiento está formado
por cuatro componentes
Desplazamiento gradual de
Horizontal Cúmulos de datos
la serie de tiempo.
Activa
en torno a una
Tendencia
Volumen
Volumen
Influyenlínea factores
horizontal a largo plazo
Volumen
Volumen
Cíclico como modificaciones de
Cualquier secuencia
larecurrente
población,
Verano sus
de puntos
Movimiento encima
de una serie de
Estacional características
ytiempo
abajo dequela línea de en el
ocurre
Factor residual o “todo lo que sobra” de
Aleatoria demográficas,
Tiempotendencia quede
período dure
un la
más
año. de un
Tiempo
Tiempo
una serie, toma en consideración las
Tiempo
tecnología año
y la
desviaciones de lospreferencia
valores reales de la
Tendencia Tendencia lineal
del
serieconsumidor
de tiempo en comparación Sinlos
con tendencia
no linealesperados. Estádeclinante
causado por factores a
corto plazo no previstos.
148
Problema
Y = 42,475 + 2,45X
150
Problema
152