ECONOMA

PRONOSTICOS
6TO SEMESTRE; GRUPO 1

INTRODUCCIN

Muchas de las tcnicas de pronostico que se utilizan actualmente se desarrollaron en el siglo XIX; un ejemplo de ello son los anlisis de regresin. Con el desarrollo de tcnicas de pronstico ms complejas, junto con el advenimiento de las computadoras, los pronsticos recibieron ms atencin durante los aos recientes. Este desarrollo es en especial cierto desde la proliferacin de la pequea computadora personal.

INTRODUCCIN

Ahora todos los administradores posen la capacidad de utilizar tcnicas de anlisis de datos muy complejas para fines de pronstico, y una comprensin de dichas tcnicas es esencial hoy en da para los Administradores de Empresas.

INTRODUCCIN

Al crecer la preocupacin de los Administradores por el proceso de pronstico, se continan desarrollando nuevas tcnicas de pronstico. Esta atencin se enfoca de manera particular en los errores, que son parte inherente de cualquier procedimiento de pronstico. Es raro que los pronsticos coincidan al pie de la letra con el futuro, una vez llegado este, quienes pronostican solo pueden intentar que los inevitables errores sean tan pequeos como sea posible

PRONSTICOS

Cada vez ms empresas estn redefiniendo y formalizando el proceso de elaboracin de pronsticos para llevar a cabo una mejor planeacin de ventas y operacin y, por lo tanto, un mejor desempeo financiero. No es nuevo para nadie que el reto es lograr disponibilidad en cantidad necesaria y cuando lo requiere el mercado.
Para entregar un mejor nivel de servicio de manera rentable las empresas requieren desarrollar una cultura de prediccin y planeacin. Cuando se elabora un mal pronstico, la planeacin se viene abajo y todas las reas de la empresa se vuelven ineficientes.

PRONSTICOS

El tema de pronosticar es extenso y requiere de tcnicas ad hoc para cada situacin. Por ejemplo, pronosticar productos de alta rotacin requiere diferentes tcnicas que pronosticar productos de bajo movimiento o de demanda intermitente. Pronosticar la demanda de productos nuevos requiere consideraciones diferentes. Por otro lado, en ciertas ocasiones es conveniente pronosticar agrupando productos similares y en ciertas ocasiones por canal de venta o por marca. Un buen comienzo para mejorar la exactitud de los pronsticos es entender los factores que influyen en el comportamiento de la demanda y tener mejor idea de qu ofrecen las diferentes tcnicas de pronsticos.

QU SON LOS PRONSTICOS?

El pronstico no es una prediccin de lo que irremediablemente pasar en el futuro. Un pronstico es informacin con cierto grado de probabilidad de lo que pudiera pasar.
La probabilidad de xito del plan financiero est en funcin directa de la elaboracin de los pronsticos. Dicho de otra forma, el resultado de la planeacin y operacin de la empresa est directamente ligada a la certeza de los pronsticos.

CUAL ES EL COSTO DE MALOS PRONSTICOS?

Tenemos garanta que los pronsticos no van a ser 100% exactos y que adems la desviacin de los pronsticos tiene un costo implcito, ya sea que los pronsticos fueron altos o fueron bajos respecto a la realidad.

CUAL ES EL COSTO DE MALOS PRONSTICOS?

La elaboracin de los pronsticos requiere informacin de la planeacin. Quien elabora los pronsticos debe considerar las actividades planeadas como promociones, cambios de precios o, incluso, si hubo algn evento extraordinario en la historia reciente que pueda desviar fuertemente las estimaciones. Actualmente las empresas estn implantando alguna forma de documentar la historia para medir los impactos de los eventos y considerarlos o no como parte del pronstico si se realizaran nuevamente.

CUAL ES EL COSTO DE MALOS PRONSTICOS?

La conclusin de un estudio llevado a cabo el pasado ao por el Institute of Business Forecasting (IBF) titulado Why Forecasting? (www.ibf.org) sugiere que hoy en da es ineludible un proceso ms formal de elaborar los pronsticos sin importa en qu tipo de negocio y/o industria se localice la empresa o qu funcin realiza. Siempre hay una necesidad de estimar el futuro sobre la cual construir un plan.
Finalmente, el estudio concluye que aunque es difcil cuantificar los beneficios del pronstico de negocios, en la cadena de suministro hay ciertos componentes que pueden ser cuantificados, mostrando las ventajas de ste. Una forma para medir estos beneficios es considerar cul hubiera sido la prdida si el pronstico no fuera exacto. Otra manera de medirlos es cuestionando cunto habra sido la ganancia (o ahorro) con pronsticos mejorados.

CMO PRONOSTICAR?

Antes de pensar en una herramienta o software de pronsticos estadsticos es conveniente entender aspectos relativos al proceso de los pronsticos:
a)

b)
c) d)

e)

Cmo funcionan las tcnicas estadsticas. Cuntos datos se requieren. Cmo se puede medir el impacto de la desviacin de los pronsticos. Cmo pronosticar cientos de productos de manera rpida y ms exacta. Cul es el perfil sugerido de quien elabora los pronsticos, etc.

CMO PRONOSTICAR?

Esto le permitir evaluar si tiene oportunidad de mejorar su proceso mediante el uso de alguna herramienta o capacitacin. Hoy en da las compaas tienen la posibilidad de romper paradigmas culturales acera de la realizacin de los pronsticos. Hacer buenos pronsticos de demanda es un proceso que agrega valor ya que est ntimamente relacionado con la toma de decisiones que impactan en el rendimiento financiero de la empresa.

CMO PRONOSTICAR?

La aceptacin de que las tcnicas de pronsticos funcionan sobre datos generados en sucesos histricos pasados conduce a la identificacin de cuatro pasos en el proceso de pronstico: 1. Recopilacin de datos 2. Reduccin o condensacin de datos 3. Construccin del modelo 4. Extrapolacin del modelo

METDOS DE PRONOSTICO
1.
2. 3. 4.

Regresin lineal (Mnimos cuadrados) Ecuacin de 2do grado (parabola) Suavizamiento exponencial Pronostico mvil simple y compuesto

COMPONENTES DE UNA SERIE DE TIEMPO

El patrn o comportamiento de los datos en una serie de tiempo tiene diversos componentes. El supuesto usual es que se usan cuatro componentes:
Tendencia 2. Ciclica 3. Estacional 4. Irregular
1.

COMPONENTE TENDENCIA

Las series de tiempo presentan fluctuaciones aleatorias, esta serie tambin puede mostrar movimientos graduales hacia una cierta pendiente a lo largo de un lapso de tiempo. A este desplazamiento global de la serie de tiempo se llama tendencia

TENDENCIA VENTAS ANUALES (UNIDADES) 26 000

22 000

18 000

1991 1996 TIEMP (AOS)

2001

COMPONENTE CCLICO

Aunque una serie de valores puede presentar una tendencia no todos sus valores caen sobre esta recta . De hecho, con frecuencia estas series temporales presentan secuencias alternas de puntos arriba y debajo de la lnea de tendencia que llegan a durar mas de una Ao

VENTAS ANUALES (UNIDADES)

COMPONENTE CICLICO

26 000

22 000

18 000

1991 1996 TIEMP (AOS)

2001

COMPONENTE ESTACIONAL E IRREGULAR

COMPONENTE ESTACIONAL: hay muchas series que presentan un patrn regular dentro de un periodo de un ao, mas aun en ciertas epocas del ao e aqu su nombre por las mismas, ya que es una variabilidad en los datos, debido a influencias de las estaciones COMPONENTE IRREGULAR: es la mas acercada a la realidad, sino es que es la realidad misma, ya que esta componente es impredecible y siempre se ajustara a la realidad que solamente nosotros nos podremos aproximar

REGRESIN LINEAL

Se basa en la siguiente expresin matemtica, que relaciona dos variables, sea Y, la variable dependiente y X, la variable independiente, de la siguiente manera:

Y BX A

DONDE: A= Variable ordenada Y B= Pendiente de la curva Y = Media de los valores dependientes X = Media de los valores independientes

REGRESIN LINEAL

Para predecir los valores de las variables, previamente se debe calcular los valores de "A" y "B" y posteriormente reemplazar esos valores en la ecuacin general. Esta relacin se resuelve a travs de la solucin de las siguientes ecuaciones normales, donde la incgnitas son la "A" y "B".

REGRESIN LINEAL

Los valores numricos de "A" y "B" se pueden hallar con las siguientes formulas:

A Y BX

XY n X Y B ( X ) n X
2

REGRESIN LINEAL

Con base a las formulas anteriores podemos pronosticar sea cual sea el tipo de tendencia que siga el conjunto de datos siempre consideran la variable X como el tiempo

REGRESIN POTENCIAL

Obedece a la ec.
Al linealizarla Ecuaciones normales

Y AX B
Log Y Log A B Log X

REGRESIN EXPONENCIAL

Obedece a la ec.
Al linealizarla

Y Ae

BX

Ln Y ln A B X

Ecuaciones normales

Ln Y n ln A ln Bln X ln Y lnX ln Aln X ln Bln X

RECORDANDO

ln X= Log X= X ln Y= Log Y= Y ln B= Log B= B

EJEMPLOS

Con los siguientes datos Histricos, Proyectar la Demanda mediante Regresin potencial

EJEMPLOS

Por el mtodo no lineal de Regresin potencial se tiene las siguientes relaciones y construimos la siguiente tabla:

EJEMPLOS

Aplicando la formula de Regresin lineal (mnimos cuadrados):

Reemplazando los valores de "A" y "B" en la ecuacin general se tiene:

Log Y = 4.3355 + 0.5485 (Log X)

EJEMPLOS

Recordemos que los valores Histricos de "X", corresponden a los valores del logaritmo de "X", por lo tanto para efectuar estimaciones, lo primero que se debe hacer es expresar en trminos logartmicos el valor del ao de 1999 ( cumpliendo as una exigencia de la ecuacin lineal logartmica ), valor que corresponde al periodo 7. entonces: Log 7 = 0.8451 y as se procede para Proyectar los posteriores aos.
LogY = 4.3355 + 0.5485 (Log 7) = 4.7985

Por ultimo, para cuantificar la Demanda del ao 1999, se encuentra el antilogaritmo de 4,7985, cuyo resultado final es:
Y = Anti log (4,7985) Y = 62.878 unidades

EJEMPLOS

La directora de salubridad de Chapel Hill est interesada en saber loa relacin que existe entre la antigedad de un camin de basura y los gastos anuales de reparacin. Con este fin la directora a reunido la informacin de cuatro camiones:

Camin 101 102 103 104

Antigedad (Aos) 5 3 3 1

Gastos de rep. durante el ultimo ao en cientos de dlares 7 7 6 4

EJEMPLOS
Camin
101 102 103

Aos (X)
5 3 3

Gastos (Y)
7 7 6

X*Y
35 21 18

X*X
25 9 9

104 Totales

1 12

4 24

4 78

1 44

12 X 3 4

24 ;Y 6 4

EJEMPLOS
XY n X Y B ( X ) n X
2 2

78 (4 * 3 * 6) 0.75 2 44 4 * 3

A 6 (0.75 * 3) 3.75
Ec. A BX 3.75 0.75X
f ( x 4) 3.75 0.75(4) 6.75 $675 * dlares

ECUACIN DE 2DO GRADO (PARABOLA)

Muchas series de tiempo se describen mejor por curvas que por rectas. En estos casos, el modelo lineal no es suficiente, para vencer este problema, a menudo utilizamos una curva parablica, que se describe como una ecuacin de segundo grado. La forma general de la ecuacin de segundo grado estimada es:
Donde:

Y= Estimacin de la variable dependiente A;B;C= constantes numrica X= valores codificados de la variable tiempo

Curva parablica

ECUACIN DE 2DO GRADO (PARABOLA)

Para calcular las constantes numricas se utilizan las siguientes formulas desglosadas del mtodo de mnimos cuadrados:
1.

2.

Donde las ecuaciones 1 y 2 se deben resolver simultneamente para obtener los valores de A y C

3.

EJEMPLOS

La venta de relojes electrnicos de cuarzo ha aumentado con una rapidez significativa, la siguiente tabla muestra las ventas de este articulo, determina las cantidad de relojes vendidos en el ao 2000 si estos datos tienen una tendencia parablica:
AO
Ventas (millones)

1991 1992 1993 1994

13 24 39 65

1995
106

2000
??

EJEMPLOS
VENTAS 13
24 39 65 106 247 XMEDIA=

AO (X) 1991
1992 1993 1994 1995 9965 9965/5=

X-XMEDIA -2
-1 0 1 2 1993

X*X 4
1 0 1 4 10

X*X*X*X 16
1 0 1 16 34

X*Y -26
-24 0 65 212 227

X*X*Y 52
24 0 65 424 565

PRONSTICO DE SUAVIZAMIENTO EXPONENCIAL

Mtodo utilizado para generar cantidades suavizadas o ajustes a la recta de tendencia, esta pretende disminuir fluctuaciones que presenta la diferencia entre el valor real y el valor pronosticado. Este metdo se auxilia de una constante de suavizamiento que va desde 0 a 1, siempre utilizando las mas cercanas a cero cuando existe una gran fluctuacin en la demanda.

PRONSTICO DE SUAVIZAMIENTO EXPONENCIAL

Queda definida en la siguiente expresin:

Pt 1 *Vr (1 )Vp

Donde:

Pt+1= Pronostico de la serie de tiempo t+1 Vr= Valor real de la serie de tiempo t VP= Valor o pronostico de la serie de tiempo t = Constante de suavizamiento

EJEMPLOS

Se tiene la siguiente informacin de una gasolinera y sus ventas de 12 semanas (CONSIDERA LA CONSTANTE COMO 0.2)

SEM.
1 2 3

GALONES VENDIDOS 17 000

21 000 19 000

SEM.
7 8 9

GALONES VENDIDOS 20 000

18 000 22 000

4 5 6

23 000 18 000 16 000

10 11 12

20 000 15 000 22 000

EJEMPLOS
SEM. 1 2 3 4 5 6 7 8 9 10 11 GALONES VENDIDOS 17 000 21 000 19 000 23 000 18 000 16 000 20 000 18 000 22 000 20 000 15 000 P= (21*0.2)+((1-0.2)*17) P= (19*0.2)+((1-0.2)*17.8) P= (23*0.2)+((1-0.2)*18.04) P= (18*0.2)+((1-0.2)*19.03) P= (16*0.2)+((1-0.2)*18.83) P= (20*0.2)+((1-0.2)*18.26) P= (18*0.2)+((1-0.2)*18.61) P= (22*0.2)+((1-0.2)*18.49) P= (20*0.2)+((1-0.2)*19.19) 17 17.8 18.04 19.03 18.83 18.26 18.61 18.49 19.19 19.35 1.20 4.96 -1.03 -2.83 1.74 -0.61 3.51 0.81 -4.35 OPERACION PRONOSTICO ERROR DEL PRONOSTICO

12

22 000

P= (15*0.2)+((1-0.2)*19.35)

18.48

3.52

EJEMPLOS

Determinar el pronostico de suavizamiento exponencial para un producto, que tiene una constante de suavizamiento de 0.7
DEMANDA PRONOSTICO MES HISTORICA HISTORICO JUL AGO DEMANDA PRONOSTICO HISTORICA HISTORICO 450 560 720 650

MES ENE FEB

MAR
ABR MAY JUN

570
510 520 490

490
380 490 670

SEP
OCT NOV DIC

570
500 430 55

520
650 550 320

EJEMPLOS
MES. MAR ABR MAY JUN JUL DEMANDA HISTORICA PRONOSTICO HISTORICO OPERACION P=(570*0.7)+((1-.07)*490) P=(510*0.7)+((1-.07)*380) P=(520*0.7)+((1-.07)*490) P=(4900*0.7)+((1-.07)*670) P=(450*0.7)+((1-.07)*7200) PRONOSTICO 546 471 511 544 531

570 510 520 490 450

490 380 490 670 720

AGO
SEP OCT NOV

560
570 500 430

650
520 650 550

P=(560*0.7)+((1-.07)*650)
P=(570*0.7)+((1-.07)*520) P=(500*0.7)+((1-.07)*650) P=(430*0.7)+((1-.07)*550)

587
555 545 466

DIC

550

320

P=(550*0.7)+((1-.07)*320)

481

PRONSTICO MVIL SIMPLE

Mtodo empleado generalmente para productos con poca historia y que tiene demanda confirmada. Este pronstico genera cantidades con incertidumbre, es un pronostico conservador, puesto que relaciona la poca informacin histrica y la desfasa en el tiempo de datos histricos entre n. Su representacin matemtica es:

Pmovil

n * periodos
n

histori cos

EJEMPLOS

Determina el pronostico mvil para la siguiente demanda, donde la empresa tiene pedidos confirmados hasta el mes de abril MES ENE FEB DEMANDA HISTORICA 450 600 MES JUL AGO DEMANDA HISTORICA 6250 6000

MAR
ABR MAY JUN

1000
1503 2870 5100

SEP
OCT NOV DIC

5700
3200 1200 720

EJEMPLOS
MES ENE DEMANDA HISTORICA 450 OPERACION PRONSTICO

FEB
MAR

600
1000

ABR
MAY JUN JUL AGO

1503
2870 5100 6250 6000 P=(450+600+1000+1503)/4 P=(600+1000+1503+2870)/4 P=(1000+1503+2870+5100)/4 P=(1503+2870+5100+6250)/4 888.25 1493.25 2618.25 3930.75

SEP
OCT

5700
3200

P=(2870+5100+6250+6000)/4
P=(5100+6250+6000+5700)/4

5055
3762.5

NOV
DIC

1200
720

P=(6250+6000+5700+3200)/4
P=(6000+5700+3200+1200)/4

3287.5
4025