Orga II 2012 - Pronósticos

Orga II - Pronsticos 1
P R O N S T I C O S
PRONSTICOS - INTRODUCCIN
Un Pronstico es una herramienta bsica en
la toma de decisiones de la administracin.
Pronosticar es utilizar mtodos especficos
para predecir eventos futuros.
Hay cinco mtodos bsicos de pronsticos
que pueden incluir diversos modelos cada
uno de ellos.
LOS MTODOS O TCNICAS PUEDEN CLASIFICARSE EN:

CUALITATIVAS SUBJETIVAS:
1) Delphi: Opinin de grupos de expertos.
2) Investigacin de mercado y otras

CUANTITATIVAS:
3) Causales: intentan relacionar la variable que
quiero pronosticar con otras variables.
(Ejemplo: mediante anlisis de regresin).
4) Series de tiempo: usan el pasado para tratar
de determinar el futuro.
5) Simulacin
PRONSTICOS - MTODOS
LAS TCNICAS CUANTITATIVAS A SU VEZ EN:

Extrnsecas o Causales : relacionan
la demanda de un artculo con datos
referentes a otros artculos o bien a
factores externos. (econmicos,
competencia, etc.)
Intrnsecas: son las tcnicas de
anlisis de series de tiempo
PRONSTICOS - MTODOS
APICS:(American Production and Inventory Control Society)

Considera que un pronstico es un
procedimiento objetivo, en el que se utiliza
informacin recabada en un espacio de tiempo.
Un pronstico considera que las tendencias
actuales continuarn en el futuro.
PRONSTICOS SEGN APICS
Para APICS el trmino prediccin se utiliza
para describir cualquier actividad que implique
una evaluacin subjetiva.

Uno de los objetivos del Plan Maestro, es
que las reas de produccin y comercializacin,
coincidan en que se debe producir. Se busca
evitar exceso o escasez en el inventario por
carecer de metas y objetivos comunes.
PRONSTICOS SEGN APICS
El pronstico es necesario?:

Su propsito es brindar informacin que
permita mejorar las decisiones.
Se debe tener claro que decisin debe
tomarse? y evaluar si sta se ver afectada
por el pronstico que se quiere obtener.

La decisin es por nica vez o recurrente?:
PRONSTICOS - PROPSITO
La clave para entender los problemas de
pronstico es comprender el proceso, ej.
qu crea la demanda de un artculo?

Las principales caractersticas de un
problema de pronsticos son:
o el marco de tiempo
o el nivel de detalle y el nmero de
aspectos a pronosticar
o la exactitud requerida

PRONSTICOS EL PROBLEMA
En los procesos de produccin, casi siempre el inters
se centra en pronosticar la demanda para el producto o
servicio, con el fin de decidir cunto producir.

Las decisiones de largo plazo (ej. Inversiones en
nuevas plantas o ampliaciones de capacidad) se basan
en la tendencia de los pronsticos para varios aos
sucesivos, (por lo general de 3 a 10) y no requieren de
gran exactitud.
PRONSTICOS LA DEMANDA
Tipo de pronstico requerido segn plazo de la decisin:
TCNICA QU PRONOSTICAR EXACTITUD PLAZO
MIXTOS
INCLUYE
CUALITATIVOS
CAPACIDAD GLOBAL
APROXIMADOS
Se busca
tendencia
LARGO
SERIES DE
TIEMPO Y
CAUSALES
POCOS ARTICULOS Y
AGRUPADOS
AJUSTADOS MEDIANO
SERIES DE
TIEMPO
TODOS LOS
PRODUCTOS
MUY
AJUSTADOS
CORTO
PRONSTICOS TIPOS Y PLAZOS
Para la aplicacin de mtodos cualitativos no
se requiere la recoleccin de datos (si de
opiniones).
En los cuantitativos (causales o series de
tiempo) debe asegurarse la validez de los
datos disponibles.
El empleo de dgitos de control evitan buena
parte de los errores que se producen durante
su ingreso.
PRONSTICOS LOS DATOS
Los factores que afectan los datos se clasifican en:

Externos (fuera de nuestro control) como por
ejemplo la situacin econmica, acciones de la
competencia, productos complementarios, etc.
Los de origen econmico pueden ser de
naturaleza macro o micro. Otras pueden tener sus
fuentes en aspectos legales o sociales.

Internos tales como la calidad, precio, tiempo de
entrega, publicidad, descuentos y grado de
adecuacin a los gustos del consumidor.
PRONSTICOS FACTORES
Los datos deben analizarse para detectar si existen
factores causales es decir, algo que influye en la
variable que queremos estimar (demanda) de una
manera conocida. En caso de existir deben ser
considerados ya que afectarn cualquier proyeccin que
no los tenga en cuenta.

Los datos pueden graficarse:
en relacin al tiempo (serie de tiempo)
o contra la variable causal.
PRONSTICOS ANLISIS DE DATOS
Una serie de tiempos puede presentar cuatro
factores o componentes fundamentales:

Ciclos.
Tendencia.
Estacionalidad (caso particular de ciclo).
Azar (siempre presente).
PRONSTICOS PROCESOS
Los ciclos pueden ser de largo o corto plazo
(recesin mundial, ciclos solares, mensuales,
semanales u horarios dentro del da).

Un proceso esencial puede ser constante o tener
tendencia,
Puede adems presentar o no estacionalidad

Estar en todos los casos afectado de una
componente aleatoria o ruido que no se puede
controlar.
PRONSTICOS PROCESOS
Por ejemplo:

La venta de indumentaria en supermercados
o grandes tiendas puede presentar picos de
fin de semana y/o concentracin horaria,
seguir tendencia creciente con relacin al ao
anterior, presentar picos estacionales por
cambios de temporada y todo esto siempre
afectado de los ruidos aleatorios.
PRONSTICOS PROCESOS
El ruido sigue una distribucin de probabilidad
simtrica de media cero y variancia que
puede suponerse como una distribucin
normal.

En un proceso esencial la componente de
ruido debe tener una media de cero.
PRONSTICOS RUIDOS
La demanda de artculos maduros que se usan
con regularidad sigue un proceso constante.

En el ciclo de vida de un producto hay
tpicamente tendencias crecientes (durante la
introduccin), decreciente (decadencia) y
constante (madurez).

Hay procesos cuyo patrn parece repetirse
durante ciclos de tiempo. Con frecuencia la
causa es el clima (estacional), en otras la hora
del da donde aparecen picos y valles
(cclicos).
PRONSTICOS CICLOS DE TIEMPO
Cuando la tendencia y la estacionalidad
estn presentes, los datos deben
descomponerse para ver los efectos de
cada una.

Los datos disparados deben eliminarse
antes del anlisis. Son eventos fuera de lo
comn y por lo general con causas
asignables.

Un buen sistema de pronsticos debe
reaccionar ante los cambios reales e
ignorar las variaciones al azar.
PRONSTICOS CAUSAS Y AZAR
Empleando las tcnicas cualitativas no resulta sencillo
establecer modelos.

Los modelos causales en general tienen la forma:

d
t
= f ( x
t k
) + c
t

donde:

d
t
representa la variable dependiente (ej. demanda)
x
t k
la variable independiente o factor causal
c
t
la componente del ruido en el tiempo t
PRONSTICOS CAUSALES
La variable dependiente en el tiempo t, (d
t
), es
idealmente una funcin de la variable independiente
en el tiempo t k , con k > 1.

La relacin funcional ( representada por f ) entre d
y x puede ser lineal, cuadrtica u cualquier otra
relacin matemtica.

Puede por lo general haber ms de un factor causal.
PRONSTICOS CAUSALES
PRONSTICOS SERIES DE TIEMPO
Para pronsticos de corto plazo, se usan
mucho los mtodos de series de tiempo.

Una serie de tiempos es una lista cronolgica
de datos histricos, para la cual la suposicin
esencial es que la historia predice el futuro de
manera razonable.

El modelo y mtodo a elegir depende de los
datos y la comprensin que se tenga, de la
naturaleza del proceso fundamental.
Para series de tiempo los modelos ms
comunes son a) constantes, b) de tendencia
lineal y c) estacional, o bien d) combinaciones
de estos.

d
t
= a + c
t
(constante)

d
t
= a + b t + c
t
(tendencia lineal)

d
t
= a c
t
+ c
t
(estacional)

d
t
= a c
t
+ b t + c
t
(estacional con tendencia)

donde:
a representa la parte constante
b la tendencia
c
t
el factor estacional para el periodo t
c
t
la componente aleatoria o de ruido

Los modelos deben ser tan sencillos como sea
posible para captar la esencia del problema.

Una funcin muy ajustada a los datos puede
ocultar las relaciones importantes.
Los modelos bsicos de series de tiempo son
entonces el constante, el de tendencia y para
ambos las variantes con o sin estacionalidad.

Para cada modelo, se cuenta con varios
mtodos de pronstico, que incluyen
promedios, promedios mviles, mviles
ponderados, suavizamiento exponencial y
otros adems de combinaciones de estos.
En los modelos de series de tiempo los
parmetros reales (coeficientes a, b y c)
deben estimarse, en general se busca
minimizar la diferencia entre el
pronstico y el valor real para un
conjunto de datos histricos.

Si se tiene un modelo causal, el mtodo
para resolverlo ser regresin (se vern
en detalle en otra asignatura).
PRONSTICOS CAUSALES
En general, se desea pronosticar una variable
dependiente cuyo valor est relacionado a un
valor observable de una o ms variables
independientes.

Se llama proceso de pronstico causal,
porque el valor de la variable dependiente
est causada, o al menos tiene una
correlacin alta con el valor de la(s)
variable(s) independiente(s).
PRONSTICOS CAUSALES
Ejemplo: Venta de accesorios sanitarios
con los permisos de construccin
solicitados un periodo antes
PRONSTICOS CAUSALES
PERMISOS DE
CONSTRUCCIN
VENTA DE
ACCESORIOS
a
b

d
t
= a + b h
t-1
+ c
t

d
t
= n accesorios vendidos periodo t
h
t-1
= permisos emitidos en t 1
c = error aleatorio del modelo
a = ordenada al origen
b = pendiente de la recta
n = nmero de periodos de datos disponibles
PRONSTICOS CAUSALES

Para estimar a y b, con una recta que ajuste a
los datos lo mejor posible ( a
^
y b
^
) se
minimiza la suma de los cuadrados de las
diferencias entre las ventas reales y las
indicadas segn el modelo. Esta diferencia es
el error del pronstico.

Un b
^
positivo indica que la variable
dependiente aumenta conforme la
independiente aumenta (correlacin positiva).

Un b
^
negativo implica lo opuesto.
PRONSTICOS CORRELACIN
REGRESIN LINEAL
Cuando entre dos variables aleatorias hay un
grado de asociacin, pero no existe entre ellas
una relacin funcional, no se espera determinar
con exactitud que valor asume una, en funcin
de lo que ocurre con la otra.
Pero s se desea hallar un valor esperado
(modelo del grado de asociacin).
Para identificar la mejor recta ajustada se puede
usar por ejemplo el mtodo de mnimos
cuadrados.
Investigacin de mercado:

Encuestas.
Grupos motivacionales.

Delphi (el orculo de Delfos segn la
mitologa griega predijo eventos futuros):

Opinin de expertos.
Consenso de panel.
PRONSTICOS MTODOS CUALITATIVOS
El consenso de panel usa cuestionarios
que en cada ronda reflejan los resultados
de la anterior.
Genera y evala un nmero grande de
ideas.
El pronstico subjetivo obliga y
compromete a los responsables.

Estimacin de la administracin:
Combina adivinacin e intuicin.
PRONSTICOS CUALITATIVOS
SERIES DE TIEMPO - PROCESO CONSTANTE
Cuando los datos permiten especular que el
proceso es constante con algunas desviaciones
aleatorias la variable (por ejemplo la demanda)
en el perodo t se representa por:

d
t
= a + c
t

donde a representa la constante fundamental
del proceso y c
t
el ruido aleatorio, que se
supone sigue una distribucin normal con media
cero y variancia
Modelos para nivel constante:
1) Procedimiento del ltimo valor
El ltimo valor se repite.
2) Procedimiento por promedio
De todos los valores observados.
3) Promedios mviles Promedia los datos de
los ltimos n perodos. Se actualiza cada
perodo agregando la ltima observacin y
descartando la primera (la ms vieja).
4) Promedios mviles ponderados.
5) Por suavizamiento exponencial (tambin
llamado exponencial aminorado).
Los mtodos de pronstico de ltimo dato y
del promedio se pueden considerar mtodos
extremos.
El ltimo dato ignora todo menos el ltimo
punto. Tiene la mejor reaccin a cambios del
proceso fundamental pero tambin
reaccionar ante fluctuaciones aleatorias.
El promedio trata a los datos muy antiguos
igual que a los ms recientes. En un proceso
verdaderamente constante tiende a moderar
las fluctuaciones aleatorias.
Promedios mviles:
Es un compromiso entre los mtodos del
ltimo dato y del promedio. En lugar de
promediar todos los datos, elige hacerlo slo
con los ms recientes.
Responde ms rpido ante cambios en el
proceso cuanto ms pequeo sea el nmero
N de perodos considerado. En cambio el
ruido lo afecta ms.
Elegir N es un trueque entre respuesta
rpida e ignorar la fluctuacin aleatoria.
Promedios mviles ponderados:
Es una tcnica en general aplicada cuando se
desea dar mayor peso a los datos ms
recientes.

La ponderacin surge de una evaluacin
subjetiva.

Ej.: con 3 datos (N=3) y ponderacin
0,6 (t-1), 0,3 (t-2) y 0,1 (t-3).

d
t
= d
t-1
x 0.6 + d
t-2
x 0.3 + d
t-3
x 0.1
60
70
80
90
100
110
120
VENTAS 2010 - 2011
FACTOR DE TENDENCIA
El proceso generador de una serie de tiempo con
tendencia, se puede representar por una
tendencia lineal superpuesta con fluctuaciones
aleatorias. El modelo se representa por:

X
t
= A + B t + e
t

donde:
A = cte..
B = factor de tendencia.
e
t
= error aleatorio cuyo valor esperado es
cero y tiene una variancia constante.
EFECTOS ESTACIONALES
El proceso generador se puede representar
por un nivel constante superpuesto con
efectos estacionales y fluctuaciones aleatorias:

x
t
= A l*
t
+ e
t

donde: l*
t
es el ndice o factor estacional

Tambin se puede considerar un modelo que
tenga tanto una tendencia lineal, como efectos
estacionales:
x
t
= A l*
t
+ B t + e
t
EFECTOS ESTACIONALES
E
N
E

M
A
R

M
A
Y

J
U
L

S
E
P

N
O
V

E
N
E

M
A
R

M
A
Y

J
U
L

S
E
P

N
O
V
C1
0
50
100
150
200
250
300
350
MILES
MESES
VENTAS 2010-2011
Serie1
EFECTOS ESTACIONALES Y TENDENCIA
VENTAS 2010-2011
0
200
400
600
0 5 10 15 20 25 30
MESES
M
I
L
E
S

SERIES DE TIEMPO PROCESOS QUE
NO SON CONSTANTES
En estos casos recurrimos siempre al mtodo de
descomposicin.
Se debe analizar la existencia de tendencia, calcularla
y eliminar su efecto para seguir con el anlisis. Se debe
obtener la serie libre de tendencia.
Buscar la presencia de estacionalidad y estimarla.
Utilizar siempre que sea posible todos los datos
disponibles.
La tendencia hallada y la estacionalidad nos permiten
proyectar hacia el futuro
El procedimiento de pronsticos se
retroalimenta comparando el valor
pronosticado con lo realmente ocurrido.

Se dice que el procedimiento est bajo
control si la calidad del resultado obtenido
es aceptable.

Pronsticos equivocados pueden originar
faltantes o excesos.

ERROR DE PRONSTICO
ERROR DE PRONSTICO
Es la diferencia entre el valor observado de la
serie de tiempo en el periodo t y el pronstico
para dicho perodo:
E
t
= X
t
- F
t

Al error de pronstico tambin se lo conoce como
residual (lo que no fue explicado por el modelo).

Suele usarse la desviacin media absoluta (MAD),
o sea el promedio de los valores absolutos de las
desviaciones. La MAD es un estimador del ruido.
La media de los errores al cuadrado (MSE),
permite determinar que tcnica de pronstico
produce los resultados ms deseables.

Asigna mayor ponderacin a los errores ms
grandes.

La seal de rastreo (TS) ayuda a conservar el
pronstico sin desviacin (cuanto ms pequeo
es este valor mejor). Se calcula como cociente
entre la suma aritmtica de los errores y la MAD.
ERROR DE PRONSTICO
ERROR DE PRONSTICO
Si los errores de pronstico estn distribuidos
normalmente, (lo usual), su desvo estndar , se
relaciona con la MAD
suele aproximarse,
MAD = 2 o t
MAD 25 1 o . =
o 8 0. = MAD
ERROR DE PRONSTICO
n
F X
n
E
MAD
t t
n
t
t
n
t
| | | |
= =

= =
1 1
(MAD) = desviacin media absoluta (DMA)
(MSE) = media de los errores al cuadrado (EMC)
n
F X
n
E
MSE
n
t
t t
n
t
t

=

=
= =
1
2
1
2
) ( ) (
ERROR DE PRONSTICO
(TS) = seal de rastreo
MAD
F X
MAD
E
TS
t
n
t
t
n
t
t

=

=
= =
1 1
La seal de rastreo (TS) seala el nmero de MAD
en que el pronstico est por arriba o por debajo
de los hechos.
Por ejemplo una TS = -2 indica que los pronsticos
estn bastante por arriba que la media de los
hechos.

Orga II 2012 - Pronósticos

Uploaded by

Document Information

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

Orga II 2012 - Pronósticos

Uploaded by

Copyright:

Available Formats

Orga II - Pronsticos 1

You might also like