ADO2 Pronosticos

ADMINISTRACIN Y PRONSTICO
DE LA DEMANDA
Lic. Jorge E. Rojas Nina
F. Administracin UNSA
Administracindelademanda
El propsito es coordinar y controlar todas las fuentes de la
demanda, para usar con eficiencia el sistema productivo y
entregar el producto a tiempo.
Fuentes de la demanda
a) Demanda dependiente, es la demanda de un producto
provocada por la demanda de otros productos.
Ejemplo: si una empresa vende 1000 triciclos, entonces se
van a necesitar 1000 ruedas delanteras y 2000 traseras.
Este tipo de demanda interna no necesita un pronstico, sino

slo una tabulacin.
b) Demanda independiente, es la demanda que no se deriva
directamente de la demanda de otros productos.
Ejemplo: la cantidad 1000 triciclos que la empresa podra
vender
Pronsticosdelademandaentodala
organizacin
Finanzas utiliza los pronsticos de largo plazo para estimar los
flujos de efectivo y necesidades futuras de capital
Contabilidad necesita pronsticos para la elaboracin de
presupuestos y estimacin de costos
Recursos humanos utiliza pronsticos para prever las
necesidades futuras de mano de obra.
Sistemas de informacin, disea e implementa los sistemas de
informacin que generan los pronsticos
Marketing, utiliza pronsticos para los programas de
comercializacin, fijacin de precios, introduccin de nuevos
productos, etc.
Operaciones, para determinar niveles de produccin, fuerza
trabajo, inventarios, capacidad a L/P, etc.
Usodelospronsticos
enlasdecisionesdeorganizacin
Formular y ejecutar
Planes de negocios
Los planes anuales
Presupuestos
Queeselpronstico
Arte y ciencia de predecir eventos futuros.
Cundo, dnde, cuanto?
Puede implicar uso de datos histricos
Mtodos cuantitativos, cualitativos y/o mixtos
Los pronsticos rara vez son acertados
Los pronsticos agregados (por familias de productos, por
lugares geogrficos, etc.) son ms precisos que los
pronsticos individuales.
La calidad de los pronsticos disminuye en la medida en
que el horizonte de tiempo aumenta
Tipos de horizontestemporales del

pronstico
Pronsticos a corto plazo:
Cobertura de hasta un ao, generalmente inferior a los tres
meses.
Programacin de compras, trabajos, asignacin de tareas.
Pronsticos a medio plazo:
Entre tres meses y tres aos.
Planificacin de las ventas, de la produccin y del
presupuesto.
Pronsticos a largo plazo:
Periodos superiores a tres aos.
Planificacin de nuevos productos, localizacin de las
instalaciones, desembolso de capital, I&D.
Tipos de Pronsticos
Pronsticoseconmicos:
Dirigidasalcicloeconmico,porejemplo,lastasasde
inflacin,lamasamonetaria,elPIB,etc.
Pronsticostecnolgicos:
Predicenelprogresotecnolgico.
Predicenelnacimiento denuevasventas.
Ejemplo:motoresdehidrgeno,energasolar
Pronsticosdedemanda:
Predicenlasventasdeproductosyaexistentes.
Etapasdel proceso de Pronstico

1. Determinarelobjetivodelpronstico.
2. Seleccionarlosartculossobrelosquesevaarealizar
elpronstico.
3. Determinarelhorizontetemporaldelpronstico.
4. Seleccionarel(los)modelo(s)depronstico.
5. Recoleccindedatos.
6. Realizarelpronstico.
7. Validareimplementarlosresultados.
EnfoquesdePronsticos
Cualitativos
Decarctersubjetivo
Basadoenestimacionesyopiniones.
Programacindetrabajos,asignacindetareas.
Anlisisdeseriesdetiempo
Utilizacindedatosrelacionadosdeperiodos
anteriores
Componentes:tendencia,estacionalidadyciclos
Relacionescausales
Suponedemandarelacionadaconunaomascausas
RegresinlinealyRegresinMultilineal
Simulacin
Modeloscomplejossimuladosencomputador
ModelosDinmicos
Enfoquescualitativos
Pronstico que utiliza estimaciones y opiniones de
personas relevantes como:
Vendedores
Consumidores
Expertos
Altos ejecutivos
til cuando faltan datos o cuando los datos anteriores
no son buenos indicadores del futuro
Enfoquescualitativos
Ventajas
Tomanencuentalosfactores
intangibles
tilescuandoexistepoca
informacin:
Nuevoproductoonuevo
mercado
Empresarecinpuestaen
marcha
Desventajas
Duracindelprocesode
consultacin
Riesgodeobtenerun
pronsticotergiversadoo
parcializado
Costoselevadosdealgunos
mtodos
Engeneral,pocoprecisos
Mtodoscualitativos:
Entrelosmtodoscualitativosdepronstico
msusadostenemos:
Juradodeopininejecutiva
Proposicindelpersonalcomercial
MtodoDelphi
InvestigacindeMercado
Juradodeopininejecutiva
Requiere un pequeo grupo de directivos:
El grupo establece una estimacin conjunta de la
demanda.
Combina la experiencia directiva con modelos
estadsticos.
Es bastante rpido.
Desventaja del "pensamiento en grupo".
Proposicindepersonalcomercial
Cada vendedor estima las ventas
que har.
Se revisan las previsiones para definir
si se pueden llevar a cabo.
Se combinan con los pronsticos a
niveles de distritos y con las
nacionales.
El representante de ventas conoce las
necesidades de los consumidores.
Tiende a ser bastante optimista.
Mtodo Delphi
Proceso de grupo interactivo.
3 tipos de participantes:
Los que toman decisiones.
El personal de plantilla.
Los que responden.
Reduce el "pensamiento en
grupo".
Coteja opiniones para llegar a un
consenso en varias iteraciones de
opinionesrespuestas
Estudio de mercado
Preguntaralosconsumidores
sobresusfuturosplanesde
compra.
Loquedicenlosconsumidores
yloqueluegosuelediferir.
Avecesesdifcilcontestara
laspreguntasdelestudio.
Estilparamejorareldiseo
deunproductoyplanificar
nuevosproductos
Enfoquescuantitativos
Pronstico que se basa en datos histricos o
dependencias entre las variables del entorno.
Suposicin bsica: los datos anteriores y los patrones de
los mismos son predictores fiables del futuro.
Ejemplosdevariables:
Ventasmensualesrealizadasalolargo
delosltimosaos
ndicesburstilesyeconmicos
Comprasdeproductoscomplementarios
Enfoquescuantitativos
Ventajas
Rpidosautilizarunavezel
modelodesarrollado.
Latomadedatosno
implica,engeneral,gastos
adicionales
Almacenadosenel
sistemadeinformacin
(ej.ventasdelosmeses
pasados)
Fcilmenteaccesibles
(ej.ndices
econmicos).
Desventajas
Noconsideranlosfactores
nuevosoinesperados
Requierenunhistricodela
demanda y/ootrasvariables
pertinentes
Mtodoscuantitativos
Modelos de series de tiempo :
Una serie de tiempo es una secuencia
de
observaciones cronolgicamente clasificadas que se
toman a intervalos regulares para una variable en
particular.
Anlisis detallado de los patrones de la demanda
histrica
Proyeccin de dichos patrones hacia el futuro
Modelos Causales:
Modelo de causa y efecto entre la demanda y otras
variables
Mtodoscuantitativos
Modelosdeseriesdetiempo:
Pronsticoingenuo
Promediosmviles
Suavizacin
exponencial
Proyeccin
ModelosCausales:
Regresinlineal
Regresinmltiple
Modeloeconomtrico
Modelodesimulacin
Componentesdelasseriesdetiempo
Tendencia
Cclico
Estacional
Aleatorio
Descomposicin deunaseriedetiempos
Tendencia (T) eselmovimientogradual,ascendenteo
descendente,delosdatosatravsdeltiempo.
Estacionalidad (S) eselpatrndedatosqueserepite
asimismodespusdeunperiododedas,semanas,
meses,trimestres,estaciones,etc.perodentrodel
ao.
Ciclos (C) sonpatronesqueocurrenenlosdatoscada
variosaos.
Variacinalazar (R) sonvariacionesaleatoriasqueno
obedecenaningncomportamiento.
Descomposicin deunaseriede
tiempos
Componente
aleatorio
Tendencia
Patrn de
estacionalidad
Componente
cclico
Modelosdeseriedetiempo
ModeloMultiplicativodeunaseriedetiempo:
Dt =Tt *St *Ct *Rt
ModeloAditivodeunaseriedetiempo:
Dt =Tt +St +Ct +Rt
Donde:
Dt=Demandarealenelperodot
Tt=Componentedetendenciaparaelperodot.
St=Componentedetemporadaparaelperodot.
Ct=Componentedecicloparaelperodot.
Rt=Componentealeatoriaoerrorparaelperodot.
Errordepronstico
Es importante medir la exactitud de los pronsticos.
Se debe intentan minimizar los errores seleccionando
los modelos de pronsticos adecuados
Eliminar todas las formas de error es imposible.
El error de pronstico para un periodo dado t es:
=error individualdepronsticoparaelperiodot
=demandarealparaelperiodot
=pronsticoparaelperiodot
Medicindeerrores
Lasumaacumuladadeerroresdepronstico(SAE)
Mideelerrordepronsticototal(errordesesgo)
Elerrordepronsticopromedio( )
Algunasvecesllamadosesgomedio
Medicindeerrores
Elerrormediocuadrtico(EMC)
Ladesviacinabsolutamedia(DAM)
Ladesviacinestndardeloserrores( )
Midenladispersindeloserroresdepronsticoatribuidosalosefectos
detendencia,estacionalidadyaleatoriedad
Medicindeerrores
Elerrorporcentualabsolutomedio(EPAM)
Relaciona el error de pronstico con el nivel de demanda y
es til para tener una perspectiva adecuada del desempeo
del pronstico.
100
Sealopatrndeseguimiento
Mideelgradodeprecisindelpronsticoparapredecirlos
valoresreales.
Debedeestardentrodeloslimitesdecontrolsuperioreinferior
Medicindeerrores
Sealopatrndeseguimiento
Debedeestardentrodeloslimitesdecontrolsuperioreinferior
Calculodelasmedidasdelerrordepronstico
Conlasiguienteinformacincalcular:SAE, ,ECM,,
DAM,EPAMyTS
Mes, Demanda
t
1
2
3
4
5
6
7
8
200
240
300
270
230
260
210
275
Pronostico
225
220
285
290
250
240
250
240
Preparandonuestrainformacinsegnlasformulas
Mes, Demanda
t
1
2
3
4
5
6
7
8
200
240
300
270
230
260
210
275
Pronostico
Error
225
220
285
290
250
240
250
240
25
200
Errorabsoluto
225
Erroralcuadrado Error%absoluto
| |/
100
25
Determinandovalores
Mes, Demanda
t
1
2
3
4
5
6
7
8
Total
Promedio
200
240
300
270
230
260
210
275
1985
Pronostico
Error
Errorabsoluto
Erroralcuadrado
Error%absoluto
| |/
100
225
220
285
290
250
240
250
240
2000
25
20
15
20
20
20
40
35
15
1.875
25
20
15
20
20
20
40
35
195
24.375
DAM
625
400
225
400
400
400
1,600
1,225
5,275
659.375
EMC
12.5%
8.3%
5.0%
7.4%
8.7%
7.7%
19.0%
12.7%
81.40%
10.18%
EPAM
Elerrordepronsticopromedio( )
15
8
1.875
Total 1985 20 15 195 5,275 81.40%

Promedio 1.875 24.375 659.375 10. 8%
DAM EMC EPAM
Mes, Demanda
t
Total
Promedio
1985
Pronostico
Error
Errorabsoluto
Erroralcuadrado
Error%absoluto
| |/
100
2000
15
1.875
195
24.375
DAM
5,275
659.375
EMC
81.40%
10.18%
EPAM
Ladesviacinabsolutamedia(DAM)
195
8
24.375
Elerrormediocuadrtico(EMC)
5,275
8
659.375
Elerrorporcentualabsolutomedio(EPAM)
100
81.40
8
10.18 %
Mes, Demanda
t
Total
Promedio
1985
Pronostico
Error
Errorabsoluto
Erroralcuadrado
Error%absoluto
| |/
100
2000
15
1.875
195
24.375
DAM
5,275
659.375
EMC
29.65
0.62
81.40%
10.18%
EPAM
TS
La desviacin estndar de los errores ( )
5275
8 2
29.65
Sealopatrndeseguimiento(TS)
15
24.375
0.62
Mtodosdeanlisisdeseriesdetiempo
Pronsticoingenuo
Promediosmviles
Simple
Ponderado
Suavizacinexponencial
Proyeccindetendencias
Suavizacinexponencialcontendencia
Mnimoscuadrados
Casointegralparapronsticos
La pequea empresa manufacturera Umbrella SRL, produce Paraguas
de tela sinttica para el mercado local. La compaa fue fundada el
ao 2010, tiene 2 lneas de produccin: Lnea Estndar y Lnea
Compacta
CASOINTEGRALPARAPRONOSTICOS
Umbrella SRL, desea establecer su demanda para el siguiente
periodo as como ajustar los anteriores en la lnea estndar,
teniendo como base los datos histricos. (ver cuadro).
Para tomar una decisin deber evaluar los mtodos de
pronsticos y elegir el que le convenga.
Datos adicionales
Para Lnea Estndar
Para Lnea Compacta
n=3
= 0.5
= 0.4
n=2
= 0.7
= 0.6
200
0.50
0.30
0.20
3,200
120
0.65
0.35
CASOINTEGRALPARAPRONOSTICOS
Demanda Histrica
LneasProduccin
Periodos
Estndar
Compacta
Enero
4,200
3,200
Febrero
5,200
3,800
Marzo
5,400
5,300
Abril
6,500
4,200
Mayo
5,100
4,800
Junio
6,400
3,800
Pronsticoingenuo
El pronstico de un periodo es igual a la demanda del
periodo anterior
F D
t
t 1
Donde:
Se puede utilizar el valor de la demanda del periodo

precedente equivalente en trminos de estacionalidad
La demanda de Enero del ao anterior fue de 4,200 el
pronstico de Febrero de este ao ser 4,200.
Mes, DemandaR. Pronostico Error Errorabsoluto Erroralcuadra do Error%a bsoluto

t
| |/ 100
Enero
4200
Febrero
5200 4200 1000
1000
1000000
19.23
Marzo
5400 5200 200
200
40000
3.70
Abril
6500 5400 1100
1100
1210000
16.92
Mayo
5100 6500 1400
1400
1960000
27.45
Junio
6400 5100 1300
1300
1690000
20.31
Total
32800
2200
5000
5900000
87.6
Promedio
440
1000
1180000
17.52
Julio
6400
DAM
EMC
EPAM
Pronsticoingenuo:Ilustracin
Mes, DemandaR. Pronostico
t
Enero
4200
Febrero
5200
Marzo
5400
Abril
6500
Mayo
5100
Junio
6400
Total
32800
Promedio
Julio
Error
Errorabsoluto
Erroralcuadrado
Error%absoluto
| |/
100
4200
Mes, DemandaR. Pronostico Error Errorabsoluto Erroralcuadra do Error%a bsoluto

t
| |/ 100
Enero
4200
Febrero
5200 4200 1000
1000
1000000
19.23
Marzo
5400 5200 200
200
40000
3.70
Abril
6500 5400 1100
1100
1210000
16.92
Mayo
5100 6500 1400
1400
1960000
27.45
Junio
6400 5100 1300
1300
1690000
20.31
Total
32800
2200
5000
5900000
87.6
Promedio
440
1000
1180000
17.52
Julio
6400
DAM
EMC
EPAM
Pronsticoingenuo:Ilustracin
Mes, DemandaR. Pronostico
t
Enero
4200
Febrero
5200
4200
Marzo
5400
5200
Abril
6500
5400
Mayo
5100
6500
Junio
6400
5100
Total
32800
Promedio
Julio
6400
Error
Errorabsoluto
1000.0
200.0
1100.0
1400.0
1300.0
2200.0
440.0
Erroralcuadrado
1000.0
200.0
1100.0
1400.0
1300.0
5000.0
1000.0
DAM
Error%absoluto
| |/
100
1000000.0
40000.0
1210000.0
1960000.0
1690000.0
5900000.0
1180000.0
EMC
1402.38
2.20
TS
19.23%
3.70%
16.92%
27.45%
20.31%
87.62%
17.52%
EPAM
n=5
2200
5
440
5000
5
5900000
5
2200
1000
1000
1180000
100
87.62
5
17.52 %
2.2
5900000
5 2
1402.38
Pronsticoingenuo:Grafica
Promediosmviles:Cmoescogern?
Si n es pequeo : los pronsticos reaccionarn
rpidamente a cambios reales, pero podran tambin
reaccionar a cambios aleatorios (ruido)
Si n es grande : los pronsticos reaccionan lentamente a
los cambios reales de la demanda.
Una manera de hacer que el promedio mvil responda con
mayor rapidez a los cambios de la demanda es colocar
relativamente ms peso en las demandas recientes.
PromedioMvilSimplePMS
Hiptesis :
La demanda no presenta tendencia, ni estacionalidad, ni
ciclos.
Todos los periodos tiene el mismo peso
D t 1 D t 2 D t 3 ... D t n
Ft
n
Ft =Pronsticoparaelperiodo
n=Nmerodeperiodosparapromediar
D t1 =Demandarealdelperiodoanterior
4200
5200
5400
F
49.3
4 3
n=3
PromedioMvilSimple:ilustracin
Mes, DemandaR.
t
Enero
Febrero
Marzo
Abril
Mayo
Junio
Total
Promedio
Julio
4200
5200
5400
6500
5100
6400
32800
Pronostico
Errorabsoluto
Erroralcuadrado
Error%absoluto
| |/ 100
4933.3
4200
Error
5200
3
5400
4933.3
4200
5200
5400
F
49.3
4 3
PromedioMvilSimple:ilustracin
n=3
Mes, DemandaR.
t
Enero
Febrero
Marzo
Abril
Mayo
Junio
Total
Promedio
Julio
4200
5200
5400
6500
5100
6400
32800
Pronostico
Error
4933.3
5700.0
5666.7
1566.7
600.0
733.3
1700.0
566.67
6000
Errorabsoluto
1566.7
600.0
733.3
2900.0
966.67
DAM
TS
Erroralcuadrado
Error%absoluto
| |/ 100
2454444.4
360000.0
537777.8
3352222.22
1117407.41
EMC
1830.91
1.76
24.10%
11.76%
11.46%
47.33%
15.78%
EPAM
n=3
100
2
PromedioMvilSimple:Grafica
PromedioMvilPonderadoPMP
Hiptesis :
La demanda no presenta tendencia, ni estacionalidad, ni
ciclos.
Permite dar a cada periodo anterior un peso diferente en la
elaboracin del pronstico (generalmente ms peso a los
ms recientes). Asignacin es subjetiva.
La frmula del promedio mvil ponderado es:
Ft = w 1D t -1 + w 2 D t -2 + w 3 D t -3 + ... + w N D t -n

1
n=3
M Mes,es, DemandaR. Pronostico
t
Enero1
Febrero2
Marzo3
Abril 4
Mayo5
Junio6
Tota l
Promedio
7
4200
5200
5400
6500
5100
6400
32800
5100.0
5910.0
5580.0
6030
Error
1400.0
810.0
820.0
1410.0
470
Errorabsoluto Erroralcuadra do Error%a bsoluto

| |/ 100
1400.0
810.0
820.0
3030.0
1010
DAM
1960000.0
656100.0
672400.0
3288500.0
1096166.7
EMC
21.54
15.88
12.81
50.23
16.74
EPAM
PromedioMvilPonderado:ilustracin
n=3
Mes, DemandaR.
t
Enero
Febrero
Marzo
Abril
Mayo
Junio
Total
Promedio
Julio
4200
5200
5400
6500
5100
6400
32800
Pronostico
Errorabsoluto
Erroralcuadrado
Error%absoluto
| |/ 100
5100.0
0.5 5400
Error
0.3 5200
0.2 4200
5100
n=3
M Mes,es, DemandaR. Pronostico
t
Enero1
Febrero2
Marzo3
Abril 4
Mayo5
Junio6
Tota l
Promedio
7
4200
5200
5400
6500
5100
6400
32800
5100.0
5910.0
5580.0
6030
Error
1400.0
810.0
820.0
1410.0
470
Errorabsoluto Erroralcuadra do Error%a bsoluto

| |/ 100
1400.0
810.0
820.0
3030.0
1010
DAM
1960000.0
656100.0
672400.0
3288500.0
1096166.7
EMC
21.54
15.88
12.81
50.23
16.74
EPAM
n=3
PromedioMvilPonderado:ilustracin
Mes, DemandaR.
t
Enero
Febrero
Marzo
Abril
Mayo
Junio
Total
Promedio
Julio
4200
5200
5400
6500
5100
6400
32800
Pronostico
Error
5100.0
5910.0
5580.0
1400.0
810.0
820.0
1410.0
470.00
6030
Errorabsoluto
1400.0
810.0
820.0
3030.0
1010.00
DAM
TS
Erroralcuadrado
Error%absoluto
| |/ 100
1960000.0
656100.0
672400.0
3288500.0
1096166.67
EMC
1813.42
1.40
21.54%
15.88%
12.81%
50.23%
16.74%
EPAM
n=3
100
2
PromedioMvilPonderado:Grafico
Premisas:
Es posible calcular un nuevo pronstico a partir de
otro antiguo y la demanda observada ms reciente.
Los datos recientes deben tener ms peso
No hay tendencia, ni ciclos, ni estacionalidad
Clculo del pronstico:
Ft Ft 1 Dt 1 Ft 1
Ft = Pronstico para el periodo
Ft-1 = Pronstico del periodo anterior
D t-1 = Demanda real en el periodo anterior
= Parmetro de suavizamiento alfa entre 0 < > 1

Suavizacinexponencial:Cmoescoger?
El valor del parmetro de suavizacin () determina qu
tanto se suaviza la variacin aleatoria. Su valor debe estar
entre cero (0) y uno (1).
Si es pequeo: los pronsticos sern lentos a reaccionar
a cambios en la demanda. Da ms ponderacin a los datos
histricos
Si es grande : los pronsticos reaccionarn rpidamente
a cambios en la demanda, pero tambin al ruido. Refleja
un ajuste total a la demanda reciente
Como escoger el buen ?, subjetivamente probar con
varios valores y elegir el que mejore el pronstico
Latcnicadepronsticomsutilizada:
Sorprendentementeprecisa
Relativamentesimple
Serequierenpocosclculos
Pidepocoespaciodememoria
Losclculosdeerrorseefectanfcilmente
F
F
D
F
t1
t1
t1
t1
Suavizacinexponencial:ilustracin
= 0.5
Mes, DemandaR.
Pronostico
Error
Errorabsoluto
Erroralcuadrado
t
Enero
Febrero
Marzo
Abril
Mayo
Junio
Total
Promedio
Julio
Error%absoluto
| |/ 100
4200
5200
5400
6500
5100
6400
32800
Ft Ft 1 Dt 1 Ft 1
4200
0.5 4200
4200
4200
4200
0.5 5200
4200
4700
F
F
D
F
t1
t1
t1
t1
Suavizacinexponencial:ilustracin
= 0.5
Mes, DemandaR.
Pronostico
Error
Errorabsoluto
Erroralcuadrado
t
Enero
Febrero
Marzo
Abril
Mayo
Junio
Total
Promedio
Julio
4200
5200
5400
6500
5100
6400
32800
4200
4200
4700
5050
5775
5438
0.0
1000.0
700.0
1450.0
675.0
962.5
3437.5
687.50
5918.75
0.0
1000.0
700.0
1450.0
675.0
962.5
4787.5
957.50
DAM
TS
Error%absoluto
| |/ 100
0.0
1000000.0
490000.0
2102500.0
455625.0
926406.3
4974531.3
994906.25
EMC
1115.18
3.59
0.00%
19.23%
12.96%
22.31%
13.24%
15.04%
82.78%
16.56%
EPAM
n=5
100
2
Suavizacinexponencial:Grafico
Proyeccindelatendencia
Las tcnicas de promedios mviles y suavizacin
exponencial que hemos visto no tienen en cuenta la
tendencia.
Periodo Demanda Forecast
1
1000
1000
2
2000
1000
3
3000
1400
4
4000
2040
5
5000
2824
TOTALS
15000
AVERAGE
3000
Nextperiodforecast
3694.4
Suavizamiento exponencialconajustede
tendencia)
Es un modelo de suavizamiento exponencial ms
complejo, que hace ajustes de tendencia.
Primero se
calcula un promedio suavizado
exponencialmente de los datos y despus ajustar el
retraso positivo o negativo encontrado en la tendencia. La
nueva frmula es:
Pronstico suavizado exponencialmente + tendencia suavizada exponencialmente
tendencia)
1
1
Donde:
Pronstico incluido tendencia del periodo
FIT
F
Pronstico suavizado exponencialmente del periodo
Tendencia suavizado exponencialmente del periodo
T
D
Demanda real del periodo anterior
Pronstico del periodo anterior
F
Tendencia del periodo anterior
T
Constante de suavizamiento para el promedio 0
Constante de suavizamiento para la tendencia 0
1
1
=0.5
0.4
T=200
Mes, DemandaR. Pronostico Tendencia Pronost ico T Err or Erro rabso luto Erro ralcuadrado Err or%abso luto
| |/ 100
t
Enero
Febre ro
Marzo
Abril
Mayo
Junio
Total
Pro medio
7
4200
5200
5400
6500
5100
6400
32800
4200.0
4300.0
4830.0
5269.0
6064.7
5849.6
200.0
160.0
308.0
360.4
534.5
234.7
6242.1
297.8 6539.96
4400. 0 200.0
4460. 0 740.0
5138. 0 262.0
5629. 4 870.6
6599. 2 1499.2
6084. 3 315.7
489.1
81.5
200.0
740.0
262.0
870.6
1499. 2
315.7
3887. 5
647.9
DAM
40000.0
547600.0
68644.0
757944.4
2247660.6
9 675.3
3761524.3
626920.7
EMC
4.76
14.23
4.85
13.39
29.40
4.93
71.6
1 .93
EPAM
Suavizamiento exponencialconajustedetendencia
= 0.5
Mes, DemandaR.
0.4
Pronostico
Tendencia
T=200
PronosticoT
t
Enero
Febrero
Marzo
Abril
Mayo
Junio
Total
Promedio
Julio
0.5
0.5 4200
4200
5200
5400
6500
5100
6400
32800
4200
1
1
0.5 4200
200
0.4 4300
4300
4200
0.4 200
160
4300
200
4460
160
=0.5
0.4
T=200
Mes, DemandaR. Pronostico Tendencia Pronost ico T Err or Erro rabso luto Erro ralcuadrado Err or%abso luto
| |/ 100
t
Enero
Febre ro
Marzo
Abril
Mayo
Junio
Total
Pro medio
7
4200
5200
5400
6500
5100
6400
32800
4200.0
4300.0
4830.0
5269.0
6064.7
5849.6
200.0
160.0
308.0
360.4
534.5
234.7
6242.1
297.8 6539.96
4400. 0 200.0
4460. 0 740.0
5138. 0 262.0
5629. 4 870.6
6599. 2 1499.2
6084. 3 315.7
489.1
81.5
200.0
740.0
262.0
870.6
1499. 2
315.7
3887. 5
647.9
DAM
40000.0
547600.0
68644.0
757944.4
2247660.6
9 675.3
3761524.3
626920.7
EMC
4.76
14.23
4.85
13.39
29.40
4.93
71.6
1 .93
EPAM
= 0.5
Mes, DemandaR.
0.4
Pronostico
Tendencia
T=200
PronosticoT
t
Enero
Febrero
Marzo
Abril
Mayo
Junio
Total
Promedio
Julio
4200
5200
5400
6500
5100
6400
32800
4200.0
4300.0
4830.0
5269.0
6064.7
5849.6
200.0
160.0
308.0
360.4
534.5
234.7
4400.0
4460.0
5138.0
5629.4
6599.2
6084.3
6242.1
297.8
6539.96
= 0.5
Mes, DemandaR.
0.4
Pronostico Tendencia
T=200
PronosticoT
Error
t
Enero
Febrero
Marzo
Abril
Mayo
Junio
Total
4200
5200
5400
6500
5100
6400
32800
4200.0
4300.0
4830.0
5269.0
6064.7
5849.6
200.0
160.0
308.0
360.4
534.5
234.7
Errorabsoluto
| |/ 100
4400.0
4460.0
5138.0
5629.4
6599.2
6084.3
Para determinar el error la formula se modifica de la siguiente manera
Et Dt FITt
Ejemplo para el segundo periodo
E2 5,200 4,460
E2 740
= 0.5
Mes, DemandaR.
0.4
Pronostico Tendencia
T=200
PronosticoT
Error
Errorabsoluto
t
Enero
Febrero
Marzo
Abril
Mayo
Junio
Total
Promedio
Julio
4200
5200
5400
6500
5100
6400
32800
4200.0
4300.0
4830.0
5269.0
6064.7
5849.6
200.0
160.0
308.0
360.4
534.5
234.7
4400.0
4460.0
5138.0
5629.4
6599.2
6084.3
6242.1
297.8
6539.96
200.0
740.0
262.0
870.6
1499.2
315.7
489.1
81.52
| |/ 100
200.0
740.0
262.0
870.6
1499.2
315.7
3887.5
647.92
DAM
40000.0
547600.0
68644.0
757944.4
2247660.6
99675.3
3761524.30
626920.72
EMC
969.73
0.75
TS
4.76%
14.23%
4.85%
13.39%
29.40%
4.93%
71.57%
11.93%
EPAM
n=6
100
2
tendencia:Grafico
Anlisisderegresinlineal
En el mtodo de proyeccin de la tendencia se elabora una
ecuacin que describe de manera apropiada la serie de
datos. La ecuacin puede ser lineal o no. Esta ecuacin se
usa para pronosticar los datos futuros.
Mtodo lineal: se estiman a y b con el mtodo de mnimos
cuadrados.
. .
MODELOSAnlisisderegresinlineal
CAUSALES
Coeficiente de Correlacin (r)
Se dice que existe correlacin entre dos variables, cuando al
variar una de ellas varia tambin la otra variable.
Para que la proyeccin sea mas acertada es necesario que el
numero de observaciones (n) sea mas amplio
VALORDELCOEFICIENTEINTERPRETACIN
r1relacinlinealdirectayfuerte.
r1relacinlinealinversayfuerte
r0relacinlinealdirectaoinversadbil.
r= 0noexisterelacinlineal..
CAUSALES
Coeficiente de Determinacin(
Mide la bondad del ajuste realizado y permite decidir si el ajuste

lineal es suficiente o se deben buscar modelos alternativos
CAUSALES
Error Estndar
Para determinar la desviacin de la variable independiente y valor
especifico definimos la desviacin estndar de la regresin
.
2
Mtododelosmnimoscuadrados:ilustracin
Preparamos la informacin segn las formulas
Mes
Enero
Febrero
Marzo
Abril
Mayo
Junio
Total
DemandaR.
.
1
2
3
4
5
6
4200
5200
5400
6500
5100
6400
N
Mes
Enero
Febrero
Marzo
Abril
Mayo
Junio
Total
.
DemandaR.
1
2
3
4
5
6
21
. .
4200
5200
5400
6500
5100
6400
32800
1
4
9
16
25
36
91
32800 91
6 91
21 120700
21
6 120700
6 91
21 32800
21
4286.67
4200
10400
16200
26000
25500
38400
120700
337.14 1
17640000
27040000
29160000
42250000
26010000
40960000
183060000
450100
105
35400
105
4,286.67
337.14
4,623.8
N
Mes
Enero
Febrero
Marzo
Abril
Mayo
Junio
Total
DemandaR.
1
2
3
4
5
6
21
Promedio
7
Julio
Pronostico
4200
5200
5400
6500
5100
6400
32800
4623.8
4961.0
5298.1
5635.2
5972.4
6309.5
Error
Errorabsoluto
423.8
239.0
101.9
864.8
872.4
90.5
0.0
0.0
6646.67
E1 D1 F1
Erroralcuadrado
423.8
239.0
101.9
864.8
872.4
90.5
2592.4
432.1
DAM
Error%absoluto
| |/ 100
179614.5
57143.8
10384.6
747813.2
761048.5
8185.9
1764190.5
294031.7
EMC
664.11
0.00
TS
10.09%
4.60%
1.89%
13.30%
17.11%
1.41%
48.40%
8.07%
EPAM
E1 4,200 4,623.8 423.8
n=6
100
Mtododelosmnimoscuadrados:Grafico
ComparandoMtodosquenotomanen
cuentalatendencia
Metodo
PronsticoIngenuo
PromedioMovilSimple
PromedioMovilPonderado
SuavizacinExponencialSimple
ErrorMedio Desv.Abs.Media ErrorCua.Medio Error%Ab.Medio Desv.Estandar SealSeguimto

DAM
EMC
EPAM
TS
440.00
1000.00
1180000.00
17.52%
1,402.4
2.20
566.67
966.67
1117407.41
15.78%
1,830.9
1.76
470.00
1010.00
1096166.67
16.74%
1,813.4
1.40
687.50
957.50
994906.25
16.56%
1,115.2
3.59
ComparandoMtodosquetomanen
cuentalatendencia
Metodo
SuavizacinExponencialconTendencia
MinimosCuadrados
ErrorMedio Desv.Abs.Media ErrorCua.Medio Error%Ab.Medio Desv.Estandar SealSeguimto

DAM
EMC
EPAM
TS
81.52
647.92
626920.72
11.93%
969.73
0.75
0.00
432.06
294031.75
8.07%
664.11
0.0
Variacionesestacionalesenlosdatos
Son movimientos regulares ascendentes o descendentes
localizados en las series de tiempo asociadas con eventos
recurrentes.
La estacionalidad puede aplicarse en forma horaria, diaria,
semanal, mensual o en otros patrones recurrentes.
La presencia de estacionalidad hace necesario ajustar los
pronsticos con una recta de tendencia.
Mtodoscausales
Desarrollan un modelo de causa y efecto entre la
demanda y otras variables.
Ejemplo: Qu variables podran explicar las variaciones
de la demanda de electricidad de una ciudad?
Seriesdetiempovs.mtodoscausales
Las series de tiempo utilizan como nico input la demanda
pasada. El tiempo es siempre la variable independiente
(variable X).
Los modelos causales comparan la demanda con otra
variable (o variables) asociada. Por ejemplo, el tamao de
la poblacin est asociada (causa) a la demanda de
vivienda.
Factoresquetienenunainfluenciasobrela
demanda
Internos :
Precio de los productos.
Promocin y publicidad.
Cambios aportados a los productos.
Introduccin de nuevos productos relacionados
(sustitutos o complementarios).
Apertura de nuevos puntos de venta.
Factoresquetienenunainfluenciasobrela
demanda
Externos:
Contexto econmico (inflacin, tasas de inters, tasa
de desempleo, etc.)
Estacionalidad.
Acciones de los competidores.
Ciclo de vida de los productos.
Preferencias de los clientes.
Reglamentaciones (impuestos, normas de seguridad,
etc.)
Mtodoscausales
Modelolinealdeunasolavariable:
Modelolinealderegresinmltiple
Otrasformasdemtodoscausales:
Modeloseconomtricos
Modelosdeentradasalida(Inputoutput)
Modelosdesimulacin
Mtodocausal:ejercicio
MESES
ENERO
FEBRERO
MARZO
ABRIL
MAYO
JUNIO
DEMANDA
TEMPERATURA
INGRESO
Y
4200
5200
5400
6500
5100
6400
X1
22
24
18
17
20
15
X2
1200
1500
1500
1700
1300
1600
Mtodocausal:ejerciciousandoPOM
2258.11

19
2258.11
90.85
3.39
1300
90.85 19
3.39 1300
4939
Seleccindeunmtododepronstico
Necesidades
Recursos disponibles
Propiedades de cada tcnica de pronstico

Costo
Plazo de obtencin de la informacin
Precisin y fiabilidad de pronsticos
generados.
Factoresaconsiderar:
Necesidadesasatisfacer:
Horizontedetiempo
Precisin
Niveldedetalle:Cantidaddeartculosa
incluir
Recursosdisponibles
Disponibilidadycalidaddelosdatos
Tiempo
Experienciaycapacidaddelosusuarios
Presupuesto,recursostecnolgicos,etc.
Comparacindemtodosdepronstico
Mtodo
Cualitativo
Delfos
Encuestas
Analogas
Juicios
Cuantitativo
Seriesdetiempo
Mtodoscausales
Horizonte
Complejidad Costorelativo
Largo
Medio
Medio
Medio
Alta
Alta
Media
Baja
Corto
Medio
Bajaamedia Bajoamedio
Medio
Medio
Alto
Muyalto
Bajoamedio
Bajo
Mtodosyusosdelospronsticos
Decisin
Horizonte
Precisin
Nmero de
pronsticos
Mtodo
Diseodel
proceso
Largo
Media
nicoounos
pocos
Cualitativoy
causal
Capacidadde
instalaciones
Largo
Media
nicoounos
pocos
Cualitativoy
causal
Planeacin
agregada
Medio
Alta
Unospocos
Causalyseries
detiempo
Gestindel
inventario
Corto
Muyalta
Muchos
Seriesde
tiempo
Nuevos
productos
Medio
Media
nico
Cualitativoy
causal

ADO2 Pronosticos

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

ADO2 Pronosticos

Uploaded by

Copyright:

Available Formats

ADMINISTRACIN Y PRONSTICO

Lic. Jorge E. Rojas Nina

Este tipo de demanda interna no necesita un pronstico, sino

Lic. Jorge E. Rojas Nina

Tipos de horizontestemporales del

Lic. Jorge E. Rojas Nina

Lic. Jorge E. Rojas Nina

Etapasdel proceso de Pronstico

Lic. Jorge E. Rojas Nina

Lic. Jorge E. Rojas Nina

Lic. Jorge E. Rojas Nina

Lic. Jorge E. Rojas Nina

Lic. Jorge E. Rojas Nina

Lic. Jorge E. Rojas Nina

Lic. Jorge E. Rojas Nina

Lic. Jorge E. Rojas Nina

Lic. Jorge E. Rojas Nina

Lic. Jorge E. Rojas Nina

Lic. Jorge E. Rojas Nina

Lic. Jorge E. Rojas Nina

Lic. Jorge E. Rojas Nina

Lic. Jorge E. Rojas Nina

Lic. Jorge E. Rojas Nina

Lic. Jorge E. Rojas Nina

Lic. Jorge E. Rojas Nina

Total 1985 20 15 195 5,275 81.40%

Lic. Jorge E. Rojas Nina

La desviacin estndar de los errores ( )

Lic. Jorge E. Rojas Nina

Lic. Jorge E. Rojas Nina

Para Lnea Compacta

Lic. Jorge E. Rojas Nina

Lic. Jorge E. Rojas Nina

Se puede utilizar el valor de la demanda del periodo

Lic. Jorge E. Rojas Nina

Mes, DemandaR. Pronostico Error Errorabsoluto Erroralcuadra do Error%a bsoluto

Lic. Jorge E. Rojas Nina

Mes, DemandaR. Pronostico Error Errorabsoluto Erroralcuadra do Error%a bsoluto

Lic. Jorge E. Rojas Nina

Lic. Jorge E. Rojas Nina

Lic. Jorge E. Rojas Nina

Lic. Jorge E. Rojas Nina

Lic. Jorge E. Rojas Nina

Lic. Jorge E. Rojas Nina

Lic. Jorge E. Rojas Nina

Lic. Jorge E. Rojas Nina

Errorabsoluto Erroralcuadra do Error%a bsoluto

Lic. Jorge E. Rojas Nina

Errorabsoluto Erroralcuadra do Error%a bsoluto

Lic. Jorge E. Rojas Nina

Lic. Jorge E. Rojas Nina

= Parmetro de suavizamiento alfa entre 0 < > 1

Lic. Jorge E. Rojas Nina

Lic. Jorge E. Rojas Nina

Lic. Jorge E. Rojas Nina

Lic. Jorge E. Rojas Nina

Lic. Jorge E. Rojas Nina

Lic. Jorge E. Rojas Nina

Lic. Jorge E. Rojas Nina

Lic. Jorge E. Rojas Nina

Para determinar el error la formula se modifica de la siguiente manera

Lic. Jorge E. Rojas Nina

Lic. Jorge E. Rojas Nina