Professional Documents
Culture Documents
UNIVERSIDAD NACIONAL DE
SAN AGUSTN
FACULTAD DE PRODUCCIN Y
SERVICIOS
ESCUELA PROFESIONAL DE INGENIERA
INDUSTRIAL
2015
TEMA:
Metodos de
Pronosticos de la
Huayata Ticona , Jos Alvaro
Demanda
100%
100%
100%
100%
INTEGRANTES:
CONTENIDO
CAPITULO I - INTRODUCCIN
1.1 Pronsticos
1.2 reas de Toma de Decisiones
1.3 Base para los pronsticos
1.4 Aplicaciones de los Pronsticos de Demanda
1.5 Pronsticos para la Planeacin
Enfoques para Pronsticos
1.6 Modelos Cualitativos
1.7 Mtodos Cuantitativos
CAPITULO II - METODOLOGA DE LOS PRONSTICOS
2.1. BREVE RESEA HISTRICA
2.2. CLASIFICACIN DE LOS ENFOQUES PARA PRONSTICOS
2.2.1.MTODOS DISCRECIONALES O CUALITATIVOS
2.2.2.MTODOS CUANTITATIVOS
2.2.3.MTODOS TECNOLGICOS
2.3. TIPOS DE MODELOS
2.4. TIPO DE PATRONES EN LOS DATOS
2.5. MEDICIN DEL ERROR EN EL PRONSTICO
2.5.1.DESVIACIN ABSOLUTA DE LA MEDIDA (MAD)
2.5.2.ERROR MEDIO CUADRADO (EMC)
2.5.3.PORCENTAJE DE ERROR MEDIO ABSOLUTO (PEMA)
2.5.4.PORCENTAJE DE ERROR MEDIO
2.6. ETAPAS DE LA SOLUCIN DE PROBLEMAS RELACIONADOS CON LOS
PRONSTICOS
CAPITULO III MODELOS DE PREDICCIN CUANTITATIVOS: MTODOS DE
SUAVIZAMIENTO Y DESCOMPOSICIN
3.1 ANLISIS EXPLORATORIO DE LAS SERIES DE TIEMPO.
3.2 MODELO DE PREDICCIN CUANTITATIVO: MTODOS DE SUAVIZAMIENTO
3.2.1 MODELOS NO FORMALES:
3.2.2 MTODOS DE PROMEDIO
3.2.3 MODELOS DE SUAVIZAMIENTO EXPONENCIAL NICOS.
3.2.4 MODELOS DE SUAVIZAMIENTO EXPONENCIAL LINEAL (SUAVIZAMIENTO
EXPONENCIAL DOBLE DE HOLT)
3.2.5 MODELOS DE SUAVIZAMIENTO EXPONENCIAL DE WINTER
3.3 MTODOS DE DESCOMPOSICIN PARA PRONSTICOS DE SERIES DE
TIEMPO.
INTRODUCCIN
CAPITULO I
Un Inicio
Las predicciones son usualmente difciles, especialmente, las que
son acerca del futuro.
Yogi Barrera, Catcher
Yankees Nueva York
http://core.ecu.edu/econ/rothmanp/bci_forecasts.htm
1.1 PRONSTICOS
El Pronstico de la Demanda en el Futuro es esencial para el manejo
adecuado de la Cadena de Suministro.
Este manejo adecuado incluye la toma de decisiones y el proceso de
planeacin.
El proceso de pronstico debe ser consistente con la filosofa de
produccin que la empresa maneje (push/pull).
PULL
PUSH
(Procesos anticipados a la
Demanda de los Clientes)
Nivel de produccin
La Gran Pregunta
Cul ser la demanda del cliente por determinado producto en el
futuro?
En qu parte del proceso est el Inventario?
http://www.psychicguild.com/forecasting/
Patrones de demanda
Existen diferentes patrones de demanda.
El Patrn de Demanda relaciona cantidades demandadas con
respecto al tiempo.
Patrn de Demanda por Temporada: los datos muestran
consistentemente picos y valles.
Patrn de Demanda Cclico: se observan incrementos y decrementos
sobre diferentes perodos.
http://www.monografias.com/trabajos61/gestion-compras-manejo-inventarios/gestioncompras-manejo-inventarios2.shtml
Antecedentes
4
http://wiki.biensimple.com/pages/viewpage.action?pageId=7407270
Planeacin de la produccin
Control de Inventarios
Algunas Planeacin
decisiones
importantes
Agregada
Promociones
Introduccin de Nuevos Productos
pronstico son:
Finanzas
Inversin de Planta/ Equipo
Planeacin de Capital
Personal
5
http://www.monografias.com/trabajos53/tasa-libor/tasa-libor2.shtml
http://elauladenfrente.blogspot.com/2008_08_01_archive.html
Ning
n
Existen ocasiones en que
una forma
pron
stico
en otras ocasiones puede no serlo.
dar
el
result
ado
correc
6
to de
lo que
suced
er en
de pronosticar es la adecuada y
Primeras Conclusiones
Pronosticar es el primer paso para fallar
Pronsticos de largo plazo son menos precisos que los pronsticos a
mediano-corto plazo.
Pronsticos agregados son ms precisos que los pronsticos
desagregados.
Aspectos a Considerar
Aspectos claves:
o El pronstico deber mostrar una tendencia.
o El tomador de decisiones deber tener un criterio para el
seguimiento de los pronsticos.
o La empresa deber tener la capacidad de responder a la
variacin del pronstico con respecto a la realidad.
Los pronsticos tienen un lmite de aplicabilidad, son costosos y
requieren una gran cantidad de tiempo.
Horizontes de Tiempo en Pronsticos
Los pronsticos se clasifican en el horizonte de tiempo que
afectan:
o Pronstico a corto plazo
Se manejan lapsos de tres meses hasta un ao.
Compras, programacin de planta, niveles de fuerza
laboral, asignaciones de trabajo y niveles de produccin.
o Pronstico a mediano plazo
Maneja un rango de entre tres meses y tres aos
Planeacin de produccin y presupuestos, planeacin de
ventas, flujo de efectivo y el anlisis de planes.
o Pronstico a largo plazo
Maneja lapsos de tres aos o ms.
Planeacin y manejo de nuevos productos, desembolsos
de capital, localizacin o expansin de instalaciones y la
investigacin y desarrollo.
HORIZONTE DE TIEMPO
Mediano Plazo
Largo Plazo
(3 meses- 2 aos)
(ms de 2 aos)
7
NIVEL DE
PRONSTI
CO
REA DE
DECISIN
TCNICA
DE
PRONSTI
CO
Productos y
servicios
Individuales
Manejo de
Inventarios
Programa
de
ensamble
Final
Programa
de fuerza
de trabajo
MPS
Series de
tiempo/Registro
Lineal/Pronstico
cualitativo
Ventas Totales/
Familias de
Productos y
Servicios
Planeacin de
puestos
directivos
Planeacin de
la produccin
MPS
Procuracin
Distribucin
Regresin
Lineal/Pronstico
Cualitativo
Ventas Totales
Localizacin
de
Infraestructura
Planeacin de
la capacidad
Gerencia de
Procesos
Regresin Lineal/
Pronstico
Cualitativo
competencia
Gustos del
Consumidor
Ciclo de vida de
los productos
Estacin del
ao
Planes de los
clientes
PANORAMA ECONMICO
Situacin del ciclo de
los negocios
Indicadores Lderes
o Precios de las
acciones
o Rendimiento de
los bonos
o Precios de
materiales
o Oferta de
dinero
o Cierre de
Negocios
o Desempleo
OTROS FACTORES
Legales
Polticos
Sociales
Culturales
ESTRATEGIA EMPRESARIAL
PLAN DE
MERCADOTECNIA
Publicidad
Fuerza de ventas
Precio
Ventas histricas
Canales de
Comercializacin
PLAN DE PRODUCCIN
Nivel y gestin de la
calidad en el proceso
de produccin
Servicio al cliente
Capacidad
Costos
PLAN FINANCIERO
Polticas de
crdito
Polticas de
facturacin
Manejo
Financiero de
recursos
http://blogs.creamoselfuturo.com/industria-y-servicios/2007/04/24/creacion-de-empresase-innovacion-a-traves-del-ciclo-de-vida/print/
10
Pronsticos
Cuantitativos
Pronsticos Cualitativos
Modelos Matemticos
Aspectos subjetivos
Datos Histricos
Mtodo Delphi
o Proceso grupal iterativo
o Tres tipos de participantes
Los tomadores de decisin (5-10 expertos que harn el
pronstico real).
Personal asesor (Preparan, distribuyen, recolectan y resumen
cuestionarios y encuestas).
Encuestados (Grupo de personas cuyos juicios son evaluados).
Analoga Histrica
11
o
o
Estudio de Mercado
o La base para comprobar las hiptesis sobre los mercados reales y su
comportamiento son los cuestionarios por correo, las entrevistas
telefnicas o las entrevistas de campo.
o Los resultados del estudio de mercado se extrapolan de un sector de
mercado a la totalidad de ste.
o Preferidos para productos nuevos o para productos existentes que se
quieren desarrollar en otros segmentos.
MODELOS DE
SERIES DE TIEMPO
MODELO CAUSAL
12
Se incorporan al
modelo las variables o
factores que pueden
influenciar la cantidad
que se pronostica.
http://www.scielo.org.co/scielo.php?pid=S0121-47722008000100007&script=sci_arttext
SERIE DE TIEMPO
http://www.uiah.fi/projects/metodi/290.htm
MODELO CAUSAL
13
MARCO TERICO
CAPITULO II
METODOLOGA DE LOS PRONSTICOS
Varios factores han estimulado el inters en los pronsticos en todo tipo de
organizaciones, sin embargo desde principios de la dcada de 1970 ha
aumentado su uso. Los pronsticos se han convertido en una herramienta de gran
utilidad en la planificacin del entorno empresarial, por lo que este trabajo se
centra en su estudio, en principio se presenta una visin general de los mtodos
de pronstico, y sus caractersticas principales.
Se presentan, el impacto de los errores de prediccin y las limitaciones de los
mtodos para pronosticar, as como las situaciones en las que se aplican cada
uno de estos con nfasis en el mtodo cuantitativo, se identifican patrones, con
base en las expectativas pasadas y el descubrimiento de relaciones entre factores
claves o variables.
El conocer y entender tales limitaciones ayudan a desarrollar expectativas
realistas con respecto a la situacin de la decisin, y pueden ayudar a los que
buscan mejores soluciones y tcnicas mejoradas a utilizar adecuadamente los
resultados predictivos. Se presenta a continuacin como se desarrolla el captulo.
3.1 Breve
resea
histrica
3.2
Clasificaci
n de los
enfoques
para
pronstic
os
2.1
3.4 Tipo
de
patrones
en los
datos
3.5
Medicin
del error
en los
pronstic
os
3.3 Tipos
de
modelos
3.6 Etapas de
la solucin de
problemas
relacionados
con los
pronsticos
una mayor difusin. El ms prominente de esto fue Shiskin (1957,1961), que fue
el creador del paquete Census II y que a pesar de una escasa fundamentacin
estadstica, presentaban una atraccin intuitiva de significacin para los
profesionales del rea.
Con el avance tecnolgico y los precios accesibles de los sistemas de cmputo los
mtodos de pronsticos se fueron perfeccionando, aparecieron tcnicas como
regresin mltiple y modelos economtricos. A principios de 1980 los pronsticos
basados en econometra representaban ya un gran mercado para los
profesionales.
Un enfoque que incorporaba muchos de los elementos de una teora semejante
se hizo realidad con la aportacin de Box y Jenkins (1976), cuya metodologa
consiste en un procedimiento sistemtico para el anlisis de las series de tiempo
que fue suficientemente general para manejar todas las estructuras de datos en
series de tiempo observados empricamente.
A mediados de la dcada de 1970 comenzaron a surgir las variedades del mtodo
del promedio mvil autorregresivo, integral y de media mvil (ARIMA)
desarrollado por Box Jenkins y desde ah se han estudiado modificaciones
corrigiendo algunos problemas asociados con la metodologa tomando nombres
tales como ARARMA, filtros de Kalman, modelos de vectores autorregresivos, etc.
Los mtodos existentes funcionan bien cuando se da un nivel significativo de
constancia, pero no cuando cambian los patrones o relaciones establecidas. Por
lo tanto, es importante fijarse en las alternativas de prediccin cuando cambian
los patrones o relaciones y medir el alcance de la incertidumbre implicada.
Puesto que dicho tema no se considera en la literatura sobre pronsticos, a lo
largo de este trabajo se expondr detalladamente.
2.2
2
16
Ilustracin 2 Tcnica
cualitativa
Adems, deben utilizarse cuando los datos del pasado no resulten confiables
como indicadores de las condiciones del futuro. Tambin debe utilizarse el
pronstico cualitativo para la introduccin de nuevos productos cuando no se
dispone de una base de los datos histricos.
Los mtodos cualitativos casi siempre se utilizan para pronsticos a mediano y
largo plazo que involucren situaciones como diseo del proceso o capacidad de
las instalaciones. En el caso de estas decisiones, los datos del pasado casi nunca
estn disponibles o, cuando as es, pueden indicar un patrn poco estable. 3
2.2.2 MTODOS CUANTITATIVOS
La segunda categora mtodos cuantitativos - es el
tipo en el que se han centrado la mayora de las
publicaciones sobre pronsticos y en especial el tema
de inters de este trabajo. Existen tres subcategoras
de estos mtodos.
Los mtodos de series de tiempo buscan identificar
patrones histricos (empleando el tiempo como
referencia) para pronosticar,
Mtodo cuantitativo
utilizando una
extrapolacin de estos
patrones. Los mtodos explicativos tratan de identificar las relaciones que
conducen a resultados observados (causados) en el pasado y luego pronosticar
mediante la aplicacin de tales relaciones al futuro.
Los mtodos de monitoreo, que todava no alcanzan un uso muy extendido,
buscan identificar cambios en los patrones y relaciones. Bsicamente se utilizan
para indicar cundo no es apropiada la extrapolacin de patrones o relaciones
pasadas. Algunas de las aplicaciones de los mtodos cuantitativos, se muestran
en la Tabla 1, as como el campo de aplicacin donde fue desarrollada la
metodologa.
La mayora de estos mtodos son estudiados posteriormente, el enfoque de
monitoreo y el de econometra son mencionados ms no son de inters en este
trabajo, pues nicamente se cuenta con datos de una misma variable medida a
travs del tiempo y estos mtodos requieren de un nmero significativo de
variables que puedan explicar y en donde los patrones y relaciones cambian y la
extrapolacin de patrones o relaciones pasadas no es apropiada.
3
17
2.3
TIPOS DE MODELOS
18
Para la prediccin se puede emplear una amplia gama de modelos, pero para el
caso de los mtodos cuantitativos hay dos categora aceptablemente bien
definidas.
Estadsticas
Determinstic
as
19
2.4
Componen
te
Descripcin
Tendencia
Cclico
Estacional
Aleatorio
Existe un patrn estacional cuando una serie flucta de acuerdo con un factor
estacional. El componente estacional se refiere a un patrn de cambio que se
repite a si mismo periodo tras periodo.
21
22
2.5
Y^ 1 Y^ 2 Y^ 3
F1 F2
X4
Xt-2
Xt-1
Pr
es
en t+
te
t-2
Y^ 4
Y^ t2
t-1
Y^ t1
Y^ t
F3
F4
Ft-2
Ft-1
Ft
Valores del e1 e2 e3
error
e4
et-2
et-1
et
Y^ t +1
t+ t+
2
3
.
^
^
Y t +2 Y t +3
.
Ft-1
t+
m
Y^ t +m
http://books.google.es/books?
id=1J3ZlgSTZ9gC&pg=PA926&lpg=PA926&dq=patron+horizontal+en+series+de+tiempo&source=web&ots=BC
YQW9hCtZ&sig=BSn2nEUXyOhptb1jZ9V9JNbS7xg&hl=es&sa=X&oi=book_result&resnum=4&ct=result#PPA924,
M1
e i=x iY^ i
|e i|
MAD= i=1
n
e2i
EMC= i =1
n
|PEi|
PEMA= i=1
PEi
PME= i=1
(1)
(2)
Pasajero
s
(3)
(4)
(5)
(6)
(7)
Pronsti
co
Error
Error
Absolut
o
Erros
porcentual
absoluto
Error
cuadrtico
medio
Xi
Fi
Xi-Fi
|Xi-Fi|
Enero
6,341
|(Xi-Fi)/Xi|
*100
-
Febrero
5,693
6,341
-648
648
11,4%
419,904
Marzo
6,508
5,693
815
815
12,5%
664,225
Abril
6,171
6,508
-337
337
5,5%
113,569
Mayo
6,562
6,171
391
391
6,0%
152,881
Junio
6,168
6,562
-394
394
6,4%
155,236
Julio
6,176
6,168
0,1%
64
Agosto
5,755
6,176
-421
421
7,3%
177,241
Septiemb
re
Octubre
6,207
5,755
452
452
7,3%
204,304
10
6,477
6,207
270
270
4,2%
72,900
11
6,360
6,477
-117
117
1,8%
13,689
12
6,263
6,360
-97
97
1,5%
9,409
-78
3,950
64,0%
1,983,422
MAD
PEMA
EMC
359
6%
180,311
Noviembr
e
Diciembr
e
Suma
74,683
Media
-7
(Xi-Fi)
http://www.gestiopolis.com/recursos/documentos/fulldocs/ger1/serietiempo.htm
2.6 ETAPAS
DE
LA
SOLUCIN
DE
RELACIONADOS CON LOS PRONSTICOS
PROBLEMAS
para los pronsticos a corto plazo, pero en algunas situaciones, tambin son tiles
los mtodos causales y los cuantitativos.
3.- Datos.- Examinar los datos, cuando se tienen pueden proporcionar una gran
visin. Los datos pueden venir de los registros de la empresa o fuentes
comerciales o gubernamentales. Si no existen datos, se deben recolectar o se
puede usar un enfoque de pronsticos que no los requiera. Si no se dispone de
datos o recolectarlos es demasiado costoso, se elige un enfoque cualitativo.
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 de analizarlos.
4.- Seleccin del mtodo de pronstico.- Existen varios factores a considerar
en la seleccin de un mtodo de pronstico. Se debe contemplar el nivel de
detalle. Se requiere de un pronstico de detalles especficos?, Se precisa el
pronstico de algn punto en el futuro cercano (un pronstico a mediano plazo), o
para un punto en el futuro distante (un pronstico a largo plazo)? Y, hasta qu
grado son apropiados los mtodos cualitativos (de juicio) y cuantitativos (de
manipulacin de datos)?.
El mtodo elegido deber producir un pronstico que sea preciso y comprensible
para los administradores, de modo que pueda ayudar a producir mejores
decisiones. Adems, la utilizacin del proceso de pronstico debe producir un
beneficio que exceda al costo asociado con su uso.
5.- Desarrollo de un modelo.- Una vez identificados los procesos, stos
determinan la forma del modelo. Los pronsticos cualitativos no usan modelos
sencillos de establecer. Los modelos causales dependen de la situacin particular
pero en general tienen la forma.
Y = f (Xt-k) + e
Donde:
Y, representa la variable dependiente, como la demanda,
X, la variable independiente ( o factor causal ) y
e, la componente del ruido del tiempo t.
La variable dependiente en el tiempo t es idealmente una funcin de la variable
independiente en el tiempo t k, k> 1.
El lapso del periodo k permite conocer el valor de la variable independiente antes
de hacer el pronstico de la variable dependiente; si no hay este lapso, deber
pronosticarse la variable independiente antes de obtener un pronstico para la
variable dependiente.
La relacin funcional entre Y y X se representa por f y puede ser lineal, cuadrtica
o alguna otra relacin matemtica. Puede haber ms de un factor causal.
6.- Solucin Del Modelo.- El primer paso para resolver el modelo es elegir un
mtodo. Si se tiene un modelo causal, el mtodo ser regresin. Para modelos de
series de tiempo, existen varios mtodos disponibles.
28
Ilustracin 9 Metodologa para encontrar
un modelo que permita predecir.
La interpretacin de la solucin es la
tarea ms importante al operar un
sistema de pronsticos. Conforme se
obtienen los nuevos datos, se actualiza el
pronstico. Adems, se compara el
pronstico anterior con lo que realmente
ocurri para obtener retroalimentacin
sobre la calidad del procedimiento de
pronsticos. Si la calidad es aceptable, se
dice que el procedimiento est bajo
control.
Si el procedimiento esta fuera de control,
es necesario regresar a la etapa de
diseo; se requiere volver a estimar los
parmetros del modelo actual, o bien,
cambiar el modelo. Si el sistema de
pronsticos est bajo control, se hace un
pronstico para un periodo futuro.
RESUMEN: Se determin que un punto
de partida til y necesario es entender
las diferencias conceptuales entre los dos
tipos importantes de modelos el de series
de tiempo y los modelos explicativos al
realizar una estimacin de valores futuros
(predicciones).
La clasificacin de los modelos de pronsticos as como la identificacin de
patrones (horizontal, tendencia, ciclo, estacionalidad) presentes en una serie de
datos, ha sido tambin contenida en este captulo, informacin importante para
poder aplicar el mtodo apropiado as como encontrar un modelo de prediccin
aceptable.
Los diferentes tipos de error sern de ayuda para identificar la bondad del mtodo
de prediccin seleccionado, por lo que se han introducido las medidas y tcnicas
que se podrn utilizar para determinar las capacidades y limitaciones de los
mtodos cuantitativos de prediccin.
La aplicacin de etapas en bsqueda de un modelo de prediccin sea cual fuere
su naturaleza fue expuesto paso a paso, cada una de estas son las que el analista
debe recorrer para encontrar un modelo predictivo satisfactorio.
An est presente la pregunta sobre qu mtodo de prediccin debo aplicar a los
datos. De este tema se encargan los siguientes captulos, empezando por los ms
sencillos los mtodos de suavizamiento y el mtodo de descomposicin que se
presentan a continuacin.
29
CAPITULO III
MODELOS DE PREDICCIN CUANTITATIVOS:
MTODOS DE SUAVIZAMIENTO Y
DESCOMPOSICIN
En el captulo anterior se explic ampliamente la clasificacin general de los
mtodos de prediccin y los errores para su evaluacin, esta seccin abarcar el
primer tipo de modelo de prediccin cuantitativo, y quizs el ms comn, el
modelo de series de tiempo, que son modelos matemticos basados nicamente
en datos histricos, bajo el supuesto de que son relevantes para el futuro. En un
modelo de series de tiempo son importantes dos factores: la serie de datos que
se va a pronosticar y el periodo de tiempo a utilizar. Un modelo de series de
tiempo supone siempre que algn patrn o combinacin de patrones es
recurrente a travs del tiempo. De esta manera, al identificar y extrapolar dicho
patrn, se pueden desarrollar pronsticos para periodos subsecuentes.
El anlisis de series de tiempo que se realiza est basado inicialmente en el
estudio de algunos mtodos de fcil comprensin como los mtodos de
suavizamiento y el mtodo de descomposicin, estos mtodos analizan algunos
de los patrones estudiados en el captulo anterior, y presentan alternativas para
cada uno de los patrones presentes en la serie.
Como el objetivo es determinar el mejor modelo que ajuste a los datos y brinden
unos pronsticos confiables de la variable demanda, para la aplicacin de cada
modelo se realiza el clculo y la comparacin de la suma de cuadrados de los
residuos obtenidos para cada caso.
El esquema a continuacin muestra la clasificacin de los modelos de series de
tiempo que se analizarn este captulo.
30
4.1 Anlisis
Exploratorio
de la Serie
4.2Mtodos
de
suavizamient
o.
Mtodos
Mtodos de
de
promedio
promedio
Mtodos
Mtodos de
de
suavizamiento
suavizamiento
31
4.3 Mtodos
de
Descomposici
n.
33
34
Yt
Yt+1
et
1
2
3
42
52
54
42
52
10
2
65
54
11
Estas tcnicas suponen que los periodos recientes son los mejores para
pronosticar el futuro. El mtodo ms sencillo es el mtodo del ltimo valor, a
este pronstico se le llama mtodo ingenuo.
Pronstico = ltimo valor
(1)
(2)
(3)
(4)
(5)
Perodo
Demanda
Observada
Promedio
mvil
trimestral
Promedio mvil
pentamensual
ENERO
6,341,394
FEBRERO
5,693,328
MARZO
6,508,453
ABRIL
6,170,858
2007
Mes
35
(6,341,394+5,693,328+6,50
6,181,058
MAYO
6,561,537
6,124,213
JUNIO
6,168,216
6,413,616
6,255,114
JULIO
6,176,497
6,300,204
6,220,478
AGOSTO
5,754,596
6,302,083
6,317,112
SEPTIEMBRE
6,207,238
6,033,103
6,166,341
OCTUBRE
10
6,477,329
6,046,110
6,173,617
NOVIEMBRE
11
6,360,097
6,146,388
6,156,775
DICIEMBRE
12
6,348,221
6,195,151
380,513
160,337
Diferencias
36
6,800,000
6,600,000
Datos reales
6,400,000
6,200,000
Prediccin con promedios mviles trimestral
6,000,000
5,800,000
Prediccin con promedios mviles pentamensual
OV
IE
M
BR
E
N
SE
PT
IE
M
BR
E
LI
O
JU
M
AY
O
O
M
AR
Z
EN
ER
O
5,600,000
En donde
Ft +1 = Pronstico para el tiempo t+1
S t = valor suavizado en el tiempo t
X i = valor actual en el tiempo i
I = periodo de tiempo
N = nmero de valores incluidos en el promedio.
37
(a)
PROMEDIO MVIL
TRIMESTRAL
Deman
da
Observ
ada
6,341
5,693
6,508
6,171
6,181
6,562
6,124
6,168
6,414
6,176
6,300
5,755
6,302
6,207
6,033
10
6,477
6,046
11
6,360
6,146
Per
odo
12
Demand
a
Pronosti
cada
er
ro
r
error
absol
uto
error
al
cuadra
do
10
43
7
24
5
12
4
54
7
17
4
43
1
21
4
10
104,047
437
191,252
,281
245
124
547
60,221,
160
15,303,
339
299,742
,380
PROMEDIO MVIL
PENTAMENSUAL
Demand
a
pronosti
cada
er
ro
r
error
absol
uto
6,255
87
87
6,220
44
44
6,317
56
3
563
-41
41
1,672,5
81
304
92,241,
100
203
41,339,
754
174
30,322,
998
6,166
431
185,949
,538
6,174
214
45,671,
679
6,157
6,348
30
4
20
3
error al
cuadra
do
7,551,2
62
1,934,3
64
316,424
,475
6,195
suma
33
0
2,183
828,567
,423
14
5
1,241
461,163
,537
media
-41
273
103,570
,928
18
155
57,645,
442
Ft =St =
X t 1 + X t2 + + X t N
N
(b)
Esto significa que una vez que se tiene el pronstico para el perodo t (es
decir, F), se puede obtener el pronstico del periodo t+1 al sumar X t /N y
restar X t N / N .
38
Ft +1=
X t X t N
+Ft
N
N
(c)
Ft +1=
Xt Ft
+ Ft
N N
(d)
39
Ft +1=
1
1
X t + 1
F
N
N t
(e)
Ft +1= X t + (1 ) F t
(f)
Ft +1=F t +( X tF t )
Ft +1=F t +(e t )
(g)
(h)
40
Ilustracin 12 Clculo del modelo de prediccin con el mtodo simple con SPSS
Serie
Pasajeros_1
Rango del
modelo
1
Alpha
(Nivel)
.00000
.10000
.20000
.30000
.40000
41
.50000
.60000
.70000
.80000
10
.90000
0
6122248837379.3000
0
6292367209369.6700
0
6444663320070.6100
0
6600432002495.7300
0
6777085518538.4200
0
Alpha
Sumas de los errores
(Nivel)
cuadrticos
gl error
.00000
4856087254199.12000
1857
A continuacin, se muestran los parmetros con las sumas menores de errores cuadrticos.
Estos parmetros se utilizan para pronosticar.
Serie
Pasajeros_1
Ft +1=F t +(e t )
(i)
Vemos que el trmino del error se anula, esto nos indica que siempre el
valor del pronstico se convertir en una constante lo que se ratifica en la
Ilustracin 29. La lnea proyectada verde inmediata al perodo de validacin
es el pronstico realizado con este mtodo.
Tanto la tcnica de Suavizamiento simple como los promedios mviles o el
Suavizamiento exponencial pueden utilizarse efectiva y econmicamente
cuando el patrn histrico de los datos se puede considerar como
horizontal. Sin embargo estas tcnicas pueden no ser efectivas al manejar
tendencias o patrones estacionales, como es el caso de la demanda bajo
estudio, necesitndose desarrollar otras formas de Suavizamiento para
trabajar en tales situaciones, con el propsito de reducir considerablemente
el error.
42
43
t= ( S tSt 1 ) +(1)T t 1
T
(j)
S t = X t + ( 1 ) ( St 1 +T t1 )
(k)
Ft +m =S t +T t m
(l)
Donde:
MOD_4
Pasajeros Corregido
Modelo de Holt
Tendencia
Lineal
Estacionalidad
Ninguno
Nivel
Tendencia
Pasajeros_1
67657.9109
6
44.17808
44
Serie
Pasajeros_1
Rango del
modelo
1
2
Alpha
(Nivel)
.10000
.20000
Gamma
(Tendencia)
.00000
.00000
.10000
.20000
4011466788585.11100
.30000
.00000
4167556892296.53200
.10000
.40000
4319389211935.85000
.40000
.00000
4350890080592.53700
.20000
.20000
4369386411192.39700
.50000
.00000
4499296398596.58600
.60000
.00000
4619126559500.59000
10
.10000
.60000
4621629497052.09000
Serie
Pasajeros_1
Alpha
(Nivel)
.10000
Gamma
(Tendencia)
.00000
gl error
1459
A continuacin, se muestran los parmetros con las sumas menores de errores cuadrticos.
Estos parmetros se utilizan para pronosticar.
La primera tabla resume los datos del modelo ejecutado en donde explica
que la tendencia aplicada es la lineal y que no hay presencia de
estacionalidad.
La tabla de sumas menores de los errores cuadrticos son resultado de las
10 iteraciones que realiza el paquete en bsqueda de la menor suma de
cuadrados de los errores.
Vemos de la tabla de parmetros del suavizado que an el error sigue
siendo alto para los parmetros ptimos encontrados por el SPSS, en donde
debemos tomar en cuenta que el paquete renombra como parmetro de
nivel a alpha y en el caso de la tendencia que utilizamos para el desarrollo
terico beta a gamma.
Con respecto a la ecuacin (k) la nica diferencia entre sta y la forma
anterior con respecto al suavizamiento exponencial nico ecuacin (f), es el
trmino adicional T t 1 que se suma a S t1 para ajustar los valores
suavizados del patrn tendencial en la serie de datos.
Se observa que el valor S se actualiza primero, y luego se actualiza la
tendencia T y para obtener un pronstico se deben sumar el componente
tendencial al valor suavizado bsico para el nmero de periodos
adelantados que se va a pronosticar, como se indica en la ecuacin (l). La
ilustracin 32 muestra el clculo para la prediccin en la serie de pasajeros
transportados. Observe que la prediccin presenta un crecimiento lineal con
tendencia, sin embargo el comportamiento de los datos histricos nos hace
45
S t =
Xt
I t L
+ ( 1 ) (St 1+ T t 1)
T t = (St St 1 )+ ( 1 ) T t 1
I t =
Xt
+ ( 1 ) I t L
St
(m)
(n)
(o)
En donde:
S= valor suavizado de la serie desestacionalizada.
T= Valor suavizado de la tendencia.
I=Valor suavizado del facto estacional.
L= Duracin de la estacionalidad (v. gr. nmero de meses o trimestres en un
ao.)
La prediccin basada en el mtodo de Winters se calcula como
46
t+
T
(
t m )I t L+m
F t+m =
(p)
47
Modelo
multiplicativo de
Estacionalidad
Winters
Longitud del periodo estacional
Multiplicativo
7
ndices
estacionales
1
2
Pasajeros_1
112.35042
114.06417
77.49747
58.61673
113.39978
111.67424
112.39719
139940.154
24
38.11920
Nivel
Tendencia
48
Serie
Pasajeros_1
Rango del
modelo
1
2
Alpha
(Nivel)
.20000
.10000
Gamma
(Tendencia)
.00000
.00000
Delta
(Estacin)
.00000
.00000
.30000
.00000
.00000
902246594634.86400
.40000
.00000
.00000
915381180572.09400
.50000
.00000
.00000
934050977934.68200
.60000
.00000
.00000
958771236312.90200
.70000
.00000
.00000
990903134087.82000
.10000
.00000
.20000
993497993259.23800
.20000
.00000
.20000
.30000
.00000
.20000
999016245426.67000
1009551908171.3540
0
10
Alpha
Gamma
Delta
Sumas de los errores
(Nivel)
(Tendencia)
(Estacin)
cuadrticos
gl error
.20000
.00000
.00000
895306251962.63400
1453
A continuacin, se muestran los parmetros con las sumas menores de errores cuadrticos.
Estos parmetros se utilizan para pronosticar.
Serie
Pasajeros_1
La tabla 8 muestra los resultados del Mtodo de Winters con SPSS, en donde
se destaca un resumen del modelo indicando la existencia de tendencia y
tambin de estacionalidad 7. La tabla estado de suavizado inicial muestra
los ndices de estacionalidad para los 7 das, en donde 1 es para jueves
pues recordamos que la serie inicia el 01/01/04 que es jueves. El ndice
estacional ms bajo es el 4 que corresponde al da domingo.
Con estos valores se puede calcular una serie sin estacionalidad con el
simple hecho de dividir el valor de la serie original para su ndice de
estacionalidad.
La tabla anterior muestra, sumas menores de los errores cuadrticos,
muestra los 10 mejores modelos obtenidos por iteracin del SPSS en el que
ubicamos el que menor suma cuadrada de los errores genere. Este
resultado plasma la ltima tabla, parmetros del suavizado.
La ilustracin 35 muestra a la serie de pasajeros y la serie obtenida de la
aplicacin del modelo de suavizamiento exponencial de Winters,
observamos que en el perodo de validacin existe altas diferencias con los
datos reales , parece ser que an el modelo puede ser mejorado de tal
manera que permita asegurar que la prediccin obtenida vaya a reflejar
menor incertidumbre del futuro, sin embargo de ello, ya al menos el modelo
toma en cuenta la periodicidad que se ha venido hablando hasta ahora.
Esto nos obliga a seguir en la bsqueda de un modelo que mejore las
predicciones, por lo que a continuacin estudiaremos un modelo que toma
en cuenta por separados los patrones que se encuentran en la serie de
49
pasajeros y nos brinda una estimacin del futuro, se deber por tanto de
igual manera encontrar mediante la suma de los errores cuadrticos si el
modelo que obtengamos va mejorando.
La suma de los errores cuadrticos an es alto sin embargo mejor
considerablemente con esta tcnica de prediccin el modelo y disminuy el
error. La ilustracin 36 muestra con claridad este hecho, el mtodo de
Winter hasta ahora da mejores resultados.
4%
Promedio
33%
Exponencial nico
Holt
Winter
23%
21%
3.3 MTODOS
DE
DESCOMPOSICIN
PRONSTICOS DE SERIES DE TIEMPO.
PARA
50
e 2i
EM C= i=1
n
Ingenuo
7%
Promedio
31%
Exponencial nico
Holt
Winter
22%
Descomposicin estacional
20%
Estos mtodos fueron el inicio del anlisis de las series de tiempo, sin
embargo, las tcnicas han ido mejorando, crendose as metodologas ms
avanzadas, el captulo siguiente se encarga de este estudio, donde se
51
52
53
54
55
3.4
56
3.5
METODO NAIVE
57
58
59
intenciones expresadas.
Pruebas de mercado
En las pruebas de mercado, una empresa vende un nuevo producto en una
rea geogrfica limitada, mide las ventas y luego a partir de esa muestra,
proyecta las ventas en una zona ms amplia. Es una tcnica que sirve para
determinar si existe suficiente demanda para un nuevo producto. Tambin
sirve de criterio para evaluar sus caractersticas y otras estrategias de
marketing.
Anlisis de ventas anteriores y de tendencias
Un mtodo muy comn de pronstico, se basa enteramente en las ventas
anteriores. Lo utilizan los detallistas cuya finalidad principal es superar las
cifras del ao pasado. En el anlisis de ventas anteriores, el pronstico de
la demanda no es ms que un simple incremento porcentual aplicado al
volmen obtenido en el ao anterior o al volumen promedio de algunos
aos precedentes.
Es una tcnica simple, barata y fcil de aplicar. Las ventas anteriores
pueden emplearse para predecir el volmen de ventas en el caso de una
empresa que opere en un mercado estable, donde su participacin ha
permanecido constante durante varios aos. Sin embargo, pocas son las
compaas que trabajan en ambientes inalterados, lo cul hace que ste
mtodo sea poco confiable.
Un anlisis de tendencias tambin se funda en datos referentes a las ventas
anteriores, pero es una tcnica de pronstico ms complicada. Un tipo es la
proyeccin de ventas a largo plazo, generalmenta calculado por una tcnica
estadstica denominada regresin. La complejidad estadstica del anlisis de
tendencias a largo plazo no compensa la debilidad intrnseca de
fundamentar las estimaciones futuras exclusivamente en la actividad
pasada de ventas.
Un segundo tipo del anlisis requiere una proyeccin a corto plazo, que
utiliza un ndice estacional de ventas. El anlisis de tendencias a corto plazo
ser aceptable, si las ventas siguen un patrn estacional confiable.
Participacin de la fuerza de ventas
Este mtodo de abajo a arriba sirve para pronosticar las ventas o estimar el
potencial del mercado. En el pronstico de ventas, la participacin de la
fuerza de ventas consiste en recabar las estimaciones de todos los
vendedores referentes a los territorios en el periodo futuro en cuestin. La
suma de sus estimaciones contituye el pronstico de ventas de la empresa.
Este mtodo genera pronsticos precisos si los vendedores son personas
competentes y bien informadas. As, ser ms adecuado aplicarlo a las
ventas de grandes generadores elctricos, que a los vendedores de
pequeos motores de uso general. Es un mtodo que aprovecha el
conocimiento especializado de los vendedores acerca de su mercado. Este
mtodo puede tener como limitaciones el tiempo de los vendedores y las
60
61
62