Professional Documents
Culture Documents
Previsión
Producción y Operaciones II
Ing. Rubén Acevedo
Ingeniería - URL
1
Algunas premisas….
Directivos, toman decisiones sin saber lo
que ocurrirá en el futuro…
Hacen pedidos sin conocer las ventas que
tendrán….
Compran nuevos equipos sin saber los
beneficios que obtendrán…
El principal objetivo de la previsión
consiste en hacer buenas estimaciones!
Una buenas previsiones son parte esencial
de unas operaciones eficientes en
fabricación y servicios.
2
¿Qué es la previsión?
♦Arte y ciencia
de predecir
acontecimientos
futuros . ¡Venderá 200
millones de
♦Base de todas dólares!
las decisiones
empresariales :
♦Producción .
♦Inventario .
♦Personal .
♦Instalacio
nes .
3
¿Qué es la previsión?
♦Pocos negocios
pueden permitirse
evitar el proceso
de previsión y
limitarse a ¡Venderá 200
millones de
esperar a ver lo dólares!
que ocurre para
tomar decisiones
♦Una planificación
eficaz , tanto a
corto como a largo
plazo , se basa en
la previsión de la
demanda de los
productos de la
empresa .
4
Tipos de horizontes
temporales de la previsión
Previsión a corto plazo:
◦ Cobertura de hasta un año, generalmente
inferior a los tres meses.
◦ Programación de trabajos, asignación de tareas.
Previsión a medio plazo:
◦ Entre tres meses y tres años.
◦ Planificación de las ventas, de la producción y
del presupuesto.
Previsiones a largo plazo:
◦ Periodos superiores a tres años.
◦ Planificación de nuevos productos, localización
de las instalaciones.
5
Previsiones a corto plazo
frente a previsiones a
largo plazo
Las previsiones a medio y largo plazo
tratan de asuntos más extensos, y
apoyan las decisiones de gestión que
conciernen a la planificación y los
productos, las plantas y los procesos.
Las previsiones a corto plazo
normalmente emplean metodologías
diferentes a las utilizadas en las
previsiones a largo plazo.
Las previsiones a corto plazo tienden a
ser más exactas que las realizadas a
largo plazo.
6
La influencia del ciclo de vida
del producto
Las etapas de introducción y crecimiento
necesitan previsiones más largas que las
de madurez y declive.
Las previsiones son útiles para proyectar
7
Estrategia y conceptos
durante el ciclo de vida del
producto Introducción Crecimiento Madurez Declive
Mejor periodo para Buen momento Mal momento para Es vital
Estrategia de la compañía /
competitivos son
Fortalecer el ahora muy
segmento del importantes .
mercado . Faxes Discos
Defender la posición
CD - ROM en el mercado . blandos
Restaurantes 3 1/2”
Ventas para comer en
el coche .
cuestiones
Internet Furgonet
Internet a
Impresoras de
color
DVD
9
La importancia estratégica
dela previsión
Recursos humanos:
◦ Personal capacitado disponible
Contratación, formación y despido
Si no se tiene cuidado la calidad disminuye
Capacidad
◦ Capacidad insuficiente
Perdida de ventas
Perdida de mercado
Perdida de clientes
◦ Capacidad excesiva
Dinero dormido
◦ Cadena de suministros
Disponibilidad de materiales y bajos costos
◦ 10
Siete etapas en el sistema de
previsión
Determinar la utilización de la
previsión.
Seleccionar los artículos en los que se
va a realizar la previsión.
Determinar el horizonte temporal de la
previsión.
Seleccionar el(los) modelo(s) de
previsión.
Recogida de datos.
Realizar la previsión.
Validar e implementar los resultados.
11
Realidades sobre la
previsión
Raras veces las previsiones son
perfectas.
La mayoría de las técnicas de previsión
asumen que existe cierta estabilidad
sostenida al sistema.
Tanto las predicciones de familias de
productos como las predicciones en
conjunto son más precisas que las
previsiones de productos individuales.
12
Enfoques de la previsión
Existen dos enfoques generales de las
previsiones.
De la misma forma que existen dos
formas de abordar todas las decisiones.
Uno es el análisis cuantitativo y otro el
análisis cualitativo.
13
Enfoques de la previsión
Métodos Métodos
cualitativos
♦Se emplean cuantitativos
♦Se emplean
cuando la cuando la
situación no es situación es
clara y hay “ estable ” y
pocos datos : existen datos
♦Productos “ históricos ”:
nuevos . ♦Productos
♦Nueva existentes .
tecnología . ♦Tecnología
♦Requieren actual .
intuición y ♦Requieren
experiencia : técnicas
♦Por ejemplo , la matemáticas :
previsión de ♦Por ejemplo , la 14
Visión global de los métodos
cualitativos
Jurado de opinión ejecutiva:
◦ Se agrupan las opiniones de un grupo de
expertos de alto nivel o de directivos, a
menudo en combinación con modelos
estadísiticos.
Proposición de personal comercial:
◦ Las estimación de las ventas esperadas por
los vendedores se revisan para ver si se
pueden llevar a cabo y luego se obtiene
una previsión global.
Método Delphi:
◦ Proceso de grupo que permite a los
expertos realizar las previsiones.
Estudio de mercado del consumidor:
◦ Requiere información de los clientes.
15
Jurado de opinión
ejecutiva
♦Requiere un pequeño grupo de
directivos :
♦Elgrupo establece una
estimación conjunta de la
demanda .
♦Combina la experiencia directiva
con modelos estadísticos .
♦Es bastante rápido .
♦Desventaja del
“ pensamiento en
grupo ”.
♦ 16
© 1995 Corel Corp.
Proposición de personal
comercial
♦Cada vendedor estima
las ventas que
hará . Ventas
♦Se combinan con las
previsiones a
niveles de
distritos y con las
nacionales .
♦El representante de
ventas conoce las
necesidades de los
consumidores . © 1995 Corel Corp.
♦Tiende a ser
bastante optimista . 17
Método Delphi
Proceso de grupo
iterativo. Los que toman
3 tipos de decisiones
participantes: Personal de (¿Ventas
? ) 50
◦ Los que toman plantilla ( Habrá
decisiones. ventas )
( ¿ Qué
◦ El personal de ventas
plantilla. habrá?
◦ Los que cuestionari
responden. os )
Reduce el Los que responden
“pensamiento ( Habrá 45 , 50 , 55
ventas )
en grupo”.
18
Estudio de mercado
♦Preguntar a
los
consumidores
¿Cuántas horas utilizará Internet la próxima s
sobre sus
futuros
planes de
compra .
♦Lo que dicen
los
consumidores
y lo que
luego hacen © 1995 Corel
suele Corp.
diferir . 19
Visión global de los
métodos cuantitativos
Enfoque simple
Medias móviles Modelos de
Alisado exponencial series
temporales
Proyección de
tendencia
Modelos
asociativ
Regresión lineal os
20
Métodos de previsión
cuantitativos
(no simples)
Previsión
cuantitativa
21
¿Qué son las series
temporales?
Es una secuencia de datos uniformemente
espaciada:
◦ Se obtiene observando las variables en
periodos de tiempo regulares.
Se trata de una previsión basada en los
datos pasados:
◦ Supone que los factores que han influido
en el pasado lo sigan haciendo en el
futuro.
Ejemplo:
Año: 1993 1994 1995 1996
1997
Ventas: 78,7 63,5 89,7 93,2
92,1 22
Descomposición de una serie
temporal
Tendencia Ciclos
Estacionalidad Variaciones
aleatorias
23
Demanda de un producto
representada en un periodo de
4 años con tendencia de
Demanda del producto o servicio
crecimiento y estacionalidad
Picos estacionales Componente de tendencia
Línea de
demanda
actual
Demanda
media en
Variac cuatro años
ión
aleato
Primer ria
Segundo Tercer Cuarto
año año año año
24
Tendencia
Es el movimiento gradual de ascenso o
descenso de los datos a lo largo del
tiempo.
Los cambios en la población, ingresos,
etc. influyen en la tendencia.
Varios años de duración.
Respuest
a
Mes , trimestre , 25
Estacionalidad
Muestra de datos de ascenso o
descenso que se repite.
Se puede ver afectada por la
climatología, las costumbres, etc.
Se produce dentro de un periodo anual.
Verano
Respuesta
Mes ,
trimestre 26
Ciclos
Movimientos de ascenso o descenso que
se repiten.
Se pueden ver afectados por
interacciones de factores que influyen
en la economía.
Suelen durar de 2 a 10 años.
Ciclo
Respuesta
Mes, trimestre, año
27
Ciclos
Perido Duración Número de estaciones
Del patronde la “estación”en el patron
Semana Dia 7
Mes Semana 4 -4 . 5
Mes Dia 28-31
Año Trimestre 4
Año Mes 12
Año Semana
52
28
Variaciones aleatorias
Son “saltos” en los datos causados por el
azar y situaciones inusuales.
Son debidas a variaciones aleatorias o a
situaciones imprevistas:
Huelga.
Tornado.
Son de corta duración
y no se repiten.
29
Demanda de un producto
representada en un periodo de
4 años con tendencia de
Demanda del producto o servicio
crecimiento y estacionalidad
Picos estacionales Componente de tendencia
Línea de
demanda
actual
Demanda
media en
Variac cuatro años
ión
aleato
Primer ria
Segundo Tercer Cuarto
año año año año
30
MÉTODOS
CUANTITATIVOS
MODELOS DE SERIES
TEMPORALES
MÉTODO 1
¡Venderá 200
millones de MÉTODO SIMPLE
dólares!
31
Método 1- Método simple
♦Suponer que la
demanda en el
próximo periodo
será igual a la
demanda del
periodo más
reciente :
♦Por ejemplo , si en
mayo hubo 48
ventas , en junio
habrá 48 ventas .
♦Es el modelo con la © 1995 Corel Corp.
mejor relación
eficacia - coste y 32
MÉTODOS
CUANTITATIVOS
MODELOS DE SERIES
TEMPORALES
MÉTODO 2
¡Venderá 200
millones de MEDIAS MÓVILES
dólares!
33
Método 2 - Medias móviles
Utiliza un grupo de valores recientes de los
datos para realizar una previsión
Las medias móviles son una serie de
operaciones aritméticas.
Se utilizan si no hay tendencia o si ésta es
escasa.
Se suelen utilizar para el alisado:
◦ Proporciona una impresión general de los datos
a lo largo del tiempo.
Ecuación:
MM=
∑ demanda de n periodos previos
n
34
Método 2 - Medias móviles
Ejemplo
En la siguiente diapositiva se muestran las
ventas del producto “Cabañas para
almacenar” en la empresa Garden Supply
de Donna. Utilizando la media móvil para
tres meses pronostique las ventas para
enero del siguiente año.
35
Método 2 - Medias móviles
Ejemplo
36
Método 2 - Medias móviles
Ejemplo
37
Método 2 - Medias móviles
Ponderadas
Cuando existe una tendencia o patrón
detectable se pueden utilizar
ponderaciones o pesos para resaltar los
valores recientes.
Esto hace que esta técnica sea más sensible a
los cambios, pues los periodos recientes se
ponderan con mayor peso.
No existe regla para asignar las ponderaciones
Se debe hacer mucho en base a la experiencia
Si la último periodo se le da demasiada
ponderación, la previsión puede reflejar
demasiado rápido una gran variación en la
demanda o del padrón de ventas. 38
Método 2 - Medias móviles
Ponderadas
La media móvil ponderada se puede expresar
matemáticamente como:
edia móvil
Σ ( ponderación para el periodo n ) ( demanda en el pe
onderada =
Σ ponderaciones
39
Método 2 - Medias móviles
Ponderadas
Ejemplo
Usando los mismos datos del ejemplo anterior,
40
Método 2 - Medias móviles
Ponderadas
Ejemplo Ponderación Periodo
3 Ultimo mes
2 Hace dos meses
1 Hace tres meses
6 Suma de ponderaciones
Ventas reales Media móvil
Mes de cabañas ponderada de tres meses
Enero 10
Febrero 12
Marzo 13
Abril 16 [(3 x 13) + (2 x 12) + (10)]/6 =
Mayo
12 1/
6 19 [(3 x 16) + (2 x 13) + (12)]/6 =
Junio
14 1 /3 23
Julio 26 [(3 x 19) + (2 x 16) + (13)]/6 =
17
[(3 x 23) + (2 x 19) + (16)]/6 =
201/2
41
MétodoPonderación
2 - Medias móviles
Periodo
3Ponderadas
Ultimo mes
2 Hace dos meses
Ejemplo 1 Hace tres meses
6 Suma de ponderaciones
42
Método 2 - Medias móviles
Tanto la media móvil simple como la
ponderada son eficaces en alisado de
fluctuaciones repentinas en los patrones
de demanda para proporcionar
estimaciones estables.
Las medias móviles presentan los siguientes
problemas
43
Método 2 - Medias móviles
PROBLEMA 1 – Si se aumenta el número de n
(el número de periodos) se tiene un mejor
promedio de las fluctuaciones, pero hace
que el método sea menos sensible a
cambios reales de datos.
PROBLEMA 2 – Las medias móviles no son
buenas a la hora de captar tendencias.
Esto es debido a que son medias y, por
ellos, siempre seguirán el ritmo de niveles
pasados y, por tanto, no podrán predecir
cambios hacia niveles superiores o
inferiores. Es decir se rezagan con
respecto a los valores reales.
PROBLEMA 3 – Requieren un gran número de 44
Demanda actual, media
móvil y media móvil
ponderada
35
Media móvil ponderada
30
Demanda de ventas
25 Ventas reales
20
15
10
5
0
Media móvil
Ene. Feb. Mar. Abr. May. Jun. Jul. Ago. Sep. Oct. Nov. Dic
Mes
MÉTODOS
CUANTITATIVOS
MODELOS DE SERIES
TEMPORALES
MÉTODO 3
¡Venderá 200
millones de ALISADO EXPONENCIAL
dólares!
46
Método 3 – Alisado
Exponencial
Es un sofisticado método de previsión de
medias móviles ponderadas que aún
sigue siendo relativamente fácil de
aplicar.
Necesita un reducido número de datos.
La formula base del alisado es la
siguiente:
Ft = Ft – 1 + α (At – 1 - Ft – 1 )
nueva
previsión
previa
previsión
constante
de alisado (o ponderación)
(0 ≤ α ≥ 1)
Α t–1 = δ ε µ αν δ α ρ ε αλ δ ε λ π ε ρ ι
48
Método 3 – Alisado
Exponencial
La estimación de la demanda para un
49
Método 3 – Alisado
Exponencial
Ejemplo
En enero , un concesionario de automóviles
predijo para febrero una demanda de 142
Ford Mustang. La demanda real fue de
153 vehículos.
Utilizando una constante de alisado
50
Método 3 – Alisado
Exponencial
Habitualmente la constante de alisado ∝
para las aplicaciones empresariales está
en el intervalo comprendido entre 0.05 y
0.50.
Puede cambiarse para dar mayor
51
Método 3 – Alisado
Exponencial
Cuando ∝ alcanza el valor extremo de 1.0
en la ecuación anterior Ft = α At – 1
Desaparecen todos los valores antiguos, y
la previsión es idéntica a la del modelo
simple que se mencionó al principio.
Es decir, la previsión para el próximo
periodo es idéntica a la demanda en el
periodo actual.
52
Método 3 – Alisado
Exponencial
La elección de la constante de alisado….
53
MÉTODOS
CUANTITATIVOS
MODELOS DE SERIES
TEMPORALES
MÉTODO 4
¡Venderá 200
millones de ALISADO EXPONENCIAL
dólares! (CONTINUACIÓN)
54
Método 4 – Alisado
Exponencial
con ajuste de
tendencia
Como hemos visto ninguna de las técnicas
(media móvil, alisado exponencial simple)
no consigue anticipar tendencias.
Hay otras técnicas de previsión que pueden
reflejar tendencias.
Esta es la razón por la cual vamos a
analizar el alisado exponencial con ajuste
de tendencia.
55
Método 4 – Alisado
Exponencial
con ajuste de
tendencia
Veamos lo siguiente, supongamos que la
demanda de nuestro producto o servicio
ha aumentado en 100 unidades al mes, y
que se está utilizando un previsión con ∝
0.40 en un modelo de alisado exponencial.
La siguiente tabla muestra el “Retraso”
considerable en al respuesta a la variación
de la demanda en el segundo, tercero,
cuarto y quinto mes, aunque así haya sido
perfecta la estimación para el primer mes.
56
Método 4 – Alisado
Exponencial
con ajuste de
tendencia
Mes Demanda Previsión para el mes t = (Ft)
Real
1 100 F1 = 100 (Valor dado)
58
Método 4 – Alisado
Exponencial
con ajuste de
tendencia
Con el alisado exponencial con ajuste de
tendencia, las estimaciones, tanto para la
media como para la tendencia están
alisadas.
Esto requiere 2 constantes de alisado
∝ para la media
β para la tendencia
59
Método 4 – Alisado
Exponencial
con ajuste de
tendencia
Entonces se calcula la media y la tendencia
para cada periodo como sigue:
F t = ( demanda real de ultimo periodo )
+ ( 1 - )( previsión del último periodo + tendenc
estimada del
último periodo )
o F = (A ) + ( 1 - )( F
t t-1 t-1
+ T t-1 )
T t = ( previsión de este periodo - previsión
del último periodo )
+ ( 1 - )( tendencia estimada del
último periodo )
o
T t = (F t - F t-1 ) + ( 1 - ) T t-1
60
Método 4 – Alisado
Exponencial
con ajuste de
tendencia
Donde:
(0≤ ≤1)
= constante de alisado para la tendencia.
(0≤ ≤1)
61
Exponencial
con ajuste de
tendencia
Ejemplo
Un gran fabricante utiliza el alisado exponencial
par realizar la previsión de demanda de una
pieza de un equipo de control de comunicación.
Parece que está una tendencia al alza.
Utilize el método de alisado exponencial con
ajuste de tendencia para hacer la prevision del
10° mes teniendo el valor de α = 0.2 y β =
0.4.
62
Exponencial
con ajuste de
tendencia
Ejemplo Pronostico
Demanda Previsión Tendencia Incluyendo la
(t) Real (At) Alisada, Ft Alisada, Tt Tendencia, FITt
1 12 11 2 13.00
2 17
3 20
4 19
5 24
6 21
7 31
8 28
9 36
10
63
Exponencial
con ajuste de
tendencia
Ejemplo Pronostico
Demanda Previsión Tendencia
Incluyendo la
(t) Real (At) Alisada, Ft Alisada, Tt
Tendencia, FITt
1 12 11 2 13.00
2 17
3 20
4 19
5 24
6 21 Paso 1: Pronóstico para mes 2
7 31
8 28 F2 = α A1 + (1 - α )(F1 + T1)
9 36
10 F2 = (.2)(12) + (1 - .2)(11 + 2)
= 2.4 + 10.4 = 12.8 unidades
64
Exponencial
con ajuste de
tendencia
Ejemplo Pronostico
Demanda Previsión Tendencia Incluyendo la
(t) Real (At) Alisada, Ft Alisada, Tt
Tendencia, FITt
1 12 11 2 13.00
2 17 12.8
3 20
4 19
5 24
6 21 Paso 2: Tendencia alisada para mes 2
7 31
8 28 T2 = β (F2 - F1) + (1 - β )T1
9 36
10 T2 = (.4)(12.8 - 11) + (1 - .4)(2)
= .72 + 1.2 = 1.92 unidades
65
Exponencial
con ajuste de
tendencia
Ejemplo Pronostico
Demanda Previsión Tendencia Incluyendo la
(t) Real (At) Alisada, Ft Alisada, Tt
Tendencia, FITt
1 12 11 2 13.00
2 17 12.8 1.92
3 20
4 19
5 24
6 21 Paso 3: Calcule FIT para mes 2
7 31
8 28 FIT2 = F2 + T1
9 36
10 FIT2 = 12.8 + 1.92
= 14.72 unidades
66
Exponencial
con ajuste de
tendencia
Ejemplo Pronostico
Demanda Previsión Tendencia Incluyendo la
(t) Real (At) Alisada, Ft Alisada, Tt Tendencia, FITt
1 12 11 2 13.00
2 17 12.8 1.92 14.72
3 20
4 19 15.18 2.10 17.28
5 24 17.82 2.32 20.14
6 21 19.91 2.23 22.14
7 31 22.51 2.38 24.89
8 28 24.11 2.07 26.18
9 36 27.14 2.45 29.59
10 29.28 2.32 31.60
32.48 2.68 35.16
67
Exponencial
con ajuste de
tendencia
Ejemplo
35 –
30 –
Demanda real (At)
25 –
Demanda del producto
20 –
15 –
10 –
5 –
Previsión inlcuyendo la tendencia (FITt)
0 –
| | | | | | | | |
1 2 3 4 5 6 7 8 9
Tiempo (mes)
68
Método 4 – Alisado
Exponencial
con ajuste de
tendencia
Elvalor de la constante de alisado con tendencia,
β , se asemeja a la constante α por que un
valor elevado de β es más sensible a los
cambios recientes de la tendencia. Una β baja
da una menor ponderación a las tendencias más
próximas, y tiende a alisar la tendencia actual.
Los valores de β se pueden calcular por el
método de prueba y error, mediante software,
utilizando DAM como medida de comparación.
69
MÉTODOS
CUANTITATIVOS
MODELOS DE SERIES
TEMPORALES
MÉTODO 5
¡Venderá 200
millones de PROYECCIÓN DE TENDENCIA
dólares!
70
Método 5 – Proyección de
tendencia
Esta técnica ajusta una línea de tendencia a una
serie de datos históricos, y después proyecta la
línea hacia el futuro para realizar previsiones a
medio o largo plazo.
Se podrían desarrollar diferentes ecuaciones,
matemáticas de tendencia
Lineal, cuadrática, exponencial
En este curso veremos solo la lineal
71
Método 5 – Proyección de
tendencia
Para desarrollar la tendencia de una línea recta
usaremos el método de los mínimos cuadrados.
Esto nos proveerá una línea recta que minimiza
la suma de los cuadrados, de las distancias
verticales o desviaciones de la recta a cada una
de las observaciones reales.
72
Método de mínimos
cuadrados
Valores de la variable dependiente
Observac Desviación
ión real
Desviación Desviación
Desviación
Desviación
Punto en
la línea
de
Desviación
Desviación tendenci
a
Yˆ = a + bx
Periodo de tiempo
Método 5 – Proyección de
tendencia
La recta de mínimos cuadrados queda definida
por el punto de corte con el eje de la y (la altura
a la que corta al eje vertical) y por su pendiente
(el ángulo de la recta).
74
Método 5 – Proyección de
tendencia
Sise calcula el corte con y y la pendiente, la
recta se puede expresar con la siguiente
ecuación:
y^ = a + bx
^
Donde y = valor calculado de la variable a
predecir (llamada variable
dependiente)
a = corte al eje y
b = pendiente de la recta de
regresión (o la velocidad de
variación de y con respecto a
variaciones dadas de x)
x = variable independiente (en este
caso es el tiempo) 75
Método 5 – Proyección de
tendencia
Ecuaciones para calcular los valores de a y b
para cualquier recta de regresión
Σ xy - nxy
b =Σ x2 – nx 2
a = y - bx
76
Método 5 – Proyección de
tendencia
Ejemplo
Enla siguiente tabla se muestra la demanda de
energía eléctrica en la ciudad de Guatemala
durante el periodo 1999 – 2005 en megavatios.
Se pide que se efectúe la previsión de la
demanda del año 2006 ajustando una línea recta
de tendencia a estos datos.
77
Método 5 – Proyección de
tendencia
Ejemplo
Periodo Demanda de
Año Tiempo (x)energia eléctrica (y) x2 xy
1999 1 74 1 74
2000 2 79 4 158
2001 3 80 9 240
2002 4 90 16 360
2003 5 105 25 525
2004 6 142 36 852
2005 7 122 49 854
∑x = 28 ∑y = 692 ∑x2 = 140 ∑xy = 3,063
x = 4 y = 98.86
^ 56.70 + 10.54x
y =
150 –
140 –
130 –
120 –
110 –
100 –
90 –
80 –
70 –
60 –
50 –
| | | | | | | | |
1999 2000 2001 2002 2003 2004 2005 2006 2007
Año
80
Método 5 – Proyección de
tendencia
Ejemplo
Periodo Demanda de
Año Tiempo (x)energia eléctrica (y) x2 xy
La ecuación de la tendencia es:
1999 1 74 1 74
2000 2^
= 56.70 +79 4 158
2001 y
3 80 10 .54x 9 240
2002 4 90 16 360
2003Demanda5 en 2006 105 25 525
2004 6 142 36 852
2005 7 122 49 854
∑x y
= =
28 56.70∑y += 10
692.54(8∑x
) 2 = 140 ∑xy = 3,063
x = 4 y = 98.86
y = 141.02 (o 141 )megavatios
∑xy - nxy 3,063 - (7)(4)(98.86)
∑x2 =- nx2 140 - (7)(42)
83
Método 5 – Proyección de
tendencia
Notaspara el uso del método de los mínimos
cuadrados
No se hacen pronósticos para periodos de
tiempo mucho más allá de los
correspondientes a nuestros datos.
84
MÉTODOS
CUANTITATIVOS
MODELOS DE SERIES
TEMPORALES
MÉTODO 6 (ADICIONAL)
¡Venderá 200
millones de VARIACIONES ESTACIONALES EN
85
Método 6 – Variaciones
estacionales
(Adicional) en los datos
Las variaciones estacionales en los datos son
movimientos regulares ascendentes o
descendentes en una serie temporal, vinculados
a eventos periódicos, tales como la meteorología
o las variaciones.
Paraguas, bebidas (frias y calientes),
azúcar, artículos escolares, juguetes,
bancos, etc.
La estacionalidad puede aparecer cada hora,
diariamente, semanalmente, mensualmente o
con cualquier periodicidad.
86
Método 6 – Variaciones
estacionales
(Adicional) en los datos
Los restaurantes de comida rápida experimentan
diariamente oleadas de gente a mediodía y a
partir de las 7 de la noche.
Las salas de cine tienen más demanda las tardes
de los viernes y de los sábados
Por estas razones y otras más, es importante
tener en cuenta las variaciones estacionales
para la planificación de la capacidad en
organizaciones cuya demanda presenta picos.
87
Método 6 – Variaciones
estacionales
(Adicional) en los datos
La previsión de series temporales como la vista
en el último ejemplo (Energía Eléctrica), incluye
examinar la tendencia de los datos a lo largo de
una serie de tiempo.
La presencia de estacionalidad hace que sean
necesarios ajustes en la línea de tendencia de la
previsión.
La estacionalidad se expresa en términos de la
cantidad en la que difieren los valores reales de
los valores medios de la serie temporal.
88
Método 6 – Variaciones
estacionales
(Adicional) en los datos
Normalmente, el análisis de los datos en
términos mensuales o trimestrales facilita al
estadístico el reconocimiento de patrones
estacionales.
Los índices de estacionalidad se pueden obtener
por diferentes métodos.
El método que ocuparemos para el análisis
estacional será el modelo estacional
multiplicativo.
89
Método 6 – Variaciones
estacionales
(Adicional) en los datos
En el modelo estacional multiplicativo, los
factores estacionales se “multiplican” por una
“estimación de la demanda media” para producir
una previsión estacional.
90
Método 6 – Variaciones
estacionales
(Adicional) en los datos
Los pasos para aplicarlo son:
1.Calcular la demanda histórica media de
cada estación
2.Calcular la demanda media de todos los
meses
3.Calcular el índice de estacionalidad
próximo
91
Método 6 – Variaciones
estacionales
(Adicional) en los datos
Los pasos para aplicarlo son:
5.Dividir esta estimación de la demanda
92
Método 6 – Variaciones
estacionales
(Adicional) en los datos
Ejemplo
En la siguiente tabla se muestran las ventas
mensuales de portátiles de IBM en un único
distribuidor durante el periodo 2003 – 2005,
efectué la previsión mensual para el año 2006
93
Método 6 – Variaciones
estacionales
(Adicional) en los datos
Ejemplo
Mes
Demanda
2003 2004 2005
Promedio
2003-2005
Promedio Indice de
Mensual estacionalidad
Ene 80 85 105 90 94
Feb 70 85 85 80 94
Mar 80 93 82 85 94
Abr 90 95 115 100 94
May 113 125 131 123 94
Jun 110 115 120 115 94
Jul 100 102 113 105 94
Ago 88 102 110 100 94
Sep 85 90 95 90 94
Oct 77 78 85 80 94
Nov 75 72 83 80 94
Dic 82 78 80 80 94
94
Método 6 – Variaciones
estacionales
(Adicional) en los datos
Ejemplo
Mes
Demanda
2003 2004 2005
Promedio
2003-2005
Promedio Indice de
Mensual estacionalidad
Ene 80 85 105 90 94
Feb 70 85 85 80 94
Mar 80 93 82 85 94
Abr 90 95 115 100 94
Paso 1
May 113 125 131 123 94
Calcular la
Jun 110 115 120 115 94
demanda histórica
Jul 100 102 113 105 94
media de cada
Ago 88 102 110 100 94estación.
Sep 85 90 95 90 94
Oct 77 78 85 80 94
Nov 75 72 83 80 94
Dic 82 78 80 80 94
95
Método 6 – Variaciones
estacionales
(Adicional) en los datos
Ejemplo
Mes
Demanda
2003 2004 2005
Promedio
2003-2005
Promedio Indice de
Mensual estacionalidad
Paso 2
Calcular
Ene 80 85 105 90 94
la
Feb 70 85 85 80 94 demanda
Mar 80 93 82 85 94 media
Abr 90 95 115 100 94 de
May 113 125 131 123 94 todos
Jun 110 115 120 115 94 los
Jul 100 102 113 105 94 meses
Ago 88 102 110 100 94
Sep 85 90 95 90 94 1128 / 12
Oct 77 78 85 80 94 = 94
Nov 75 72 83 80 94
Dic 82 78 80 80 94
Total = 1,128
96
Método 6 – Variaciones
estacionales
(Adicional) en los datos
Ejemplo
Mes
Demanda
2003 2004 2005
Promedio
2003-2005
Promedio Índice de
Mensual estacionalidad
Jan 80 85 105 90 94 0.957
Feb 70 85 85 80 94
MarPaso 3 calcule
80 93 82 85 94
Aprel índice
90 de 95 115 100 94
Mayestacionalidad
113 125 131 123 94
Jun 110 115 120 115 94
JulÍndice 100 102 Promedio
113 2003 -2005
105 demanda mensual
94
estacional = Promedio mensual
Aug 88 102 110 100 94
Sept 85 =9090/9495= .957 90 94
Oct 77 78 85 80 94
Nov 75 72 83 80 94
Dec 82 78 80 80 94
97
Método 6 – Variaciones
estacionales
(Adicional) en los datos
Ejemplo
Mes
Demanda
2003 2004 2005
Promedio
2003-2005
Promedio Índice de
Mensual estacionalidad
Ene 80 85 105 90 94 0.957
Feb 70 85 85 80 94 0.851
Mar 80 93 82 85 94 0.904
Abr 90 95 115 100 94 1.064
May 113 125 131 123 94 1.309
Jun 110 115 120 115 94 1.223
Jul 100 102 113 105 94 1.117
Ago 88 102 110 100 94 1.064
Sep 85 90 95 90 94 0.957
Oct 77 78 85 80 94 0.851
Nov 75 72 83 80 94 0.851
Dic 82 78 80 80 94 0.851
98
Método 6 – Variaciones
estacionales
(Adicional) en los datos
Ejemplo
Mes
Demanda
2003 2004 2005
Promedio
2003-2005
Promedio Índice de
Mensual estacionalidad
Ene 80 85 105 90 94 0.957
Feb 70 85 85 80 94 0.851
Mar 80Paso93 5 –82Determinar
85 la demanda
94 0.904
Abr 90total
95 del
115 100 94 1.064
May 113 125 131 próximo
123 año94 1.309
Jun 110 115 120Usando un
115 método de
94 1.223
Jul 100proyección
102 113 105 94 1.117
Ago 88 102 110 100 94 1.064
de tendencia se
Sep 85 90 95 90 94 0.957
Oct 77
estima
78
que
85
la 80 94 0.851
Nov 75 72 83 demanda
80 será
94 0.851
Dic 821,200
78 unidades
80 . 80 94 0.851
99
Método 6 – Variaciones
estacionales
(Adicional) en los datos
Ejemplo
Mes
Demanda
2003 2004 2005
Promedio
2003-2005
Promedio Índice de
Mensual estacionalidad
Ene 80 85 105 90 94 0.957
Feb 70 85 85 80 94 0.851
Mar 80Paso93 6 –82 Calcule 85 la previsión
94 0.904
Abr 90de cada
95 mes o
115 100 94 1.064
May 113 125 131 123ciclo según
94 sea 1.309
Jun 110el 115
caso 120 115 94 1.223
Jul 100 102 113 105 94 1.117
Ago 88 102 110 1,200100 94 1.064
Sep 85 Ene 95
90 x .957 = 94
12 90 96 0.957
Oct 77 78 85 80 94 0.851
Nov 75 72 83 1,20080 94 0.851
Dic 82 78Feb 80 12 80x .851 = 9485 0.851
100
Método 6 – Variaciones
estacionales
(Adicional) en los datos
Ejemplo 2006 Previsión
140 – 2005 Demanda
130 – 2004 Demanda
120 –
2003 Demanda
110 –
100 –
Demanda
90 –
80 –
70 –
| | | | | | | | | | | |
E F M A M J J A S O N D
Tiempo
101
Método 6 – Variaciones
estacionales
(Adicional) en los datos
Ejemplo
El hospital de San diego utilizó 66 meses sobre
días de paciente hospitalizado para formular la
siguiente ecuación
^ 8.090 + 21.5x
y =
A partir de este modelo se proyecta los
siguientes 12 meses (67 – 78) así:
102
Método 6 – Variaciones
estacionales
(Adicional) en los datos
Ejemplo Linea de tendencia
10,200 –
10,000 –
Días de hospitalización
9,800 –
9,600 – 9745
9702
9616 9659
9,400 – 9530 9573 9766
9680 9723
9594 9637
9,200 – 9551
9,000 –
| | | | | | | | | | | |
Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic
67 68 69 70 71 72 73 74 75 76 77 78
Mes
103
Método 6 – Variaciones
estacionales
(Adicional) en los datos
Ejemplo
Se calcularon los índices de tendencias basados
en los últimos 66 meses los resultados fueron:
104
Método 6 – Variaciones
estacionales
(Adicional) en los datos
Ejemplo Indices estacionales
Indice de Días de hospitalización
1.06 –
1.04 – 1.04 1.04
1.03
1.02 – 1.02
1.00 – 1.01
1.00
0.98 – 0.99
0.96 – 0.98
0.99
0.94 –
0.97 0.97
0.92 –
0.96
| | | | | | | | | | | |
Ene Feb Mar Abr May Jun Jul Aug Sep Oct Nov Dic
67 68 69 70 71 72 73 74 75 76 77 78
Mes
105
Método 6 – Variaciones
estacionales
(Adicional) en los datos
Ejemplo
Nilos datos de la tendencia ni los datos
estacionales proporcionan, por sí solos, una
previsión razonable para el hospital.
Solo se obtienen buenas previsiones cuando se
multiplican los datos ajustados a la tendencia
por los índices adecuados entonces el resultado
es esta previsión.
106
Método 6 – Variaciones
estacionales
(Adicional) en los datos
Ejemplo
Previsión con combinación de tendencia y estacional
10,200 –
10,000 – 10068
Dias de hospitalización
9949
9,800 – 9911
9764 9724
9,600 – 9691
9,400 – 9572
9,200 – 9520 9542
9,000 – 9411
9265 9355
| | | | | | | | | | | |
Ene Feb Mar Abr May Jun Jul Aug Sep Oct Nov Dic
67 68 69 70 71 72 73 74 75 76 77 78
Mes
107
MÉTODOS
CUANTITATIVOS
MODELOS DE SERIES
TEMPORALES
MÉTODO 7 (ADICIONAL)
¡Venderá 200
millones de Variaciones cíclicas
108
Método 7 – Variaciones
ciclicas
(Adicional) en los datos
Los ciclos son como las variaciones
estacionales de los datos, pero que se producen
cada varios años (no semanas, meses o
trimestres).
Es difícil preverlas a partir de una serie temporal
de datos.
El mejor camino para predecir los ciclos
económicos es encontrar una variable líder es
decir una variable con la cual los datos tienen
correlación.
109
Método 7 – Variaciones
ciclicas
(Adicional) en los datos
Ejemplos:
Tasa de natalidad – Matriculas de
universidad (a largo plazo)
Licencias de construcción – Matriculas en
las escuelas cercanas.
110
Visión global de los
métodos cuantitativos
Enfoque simple
Medias móviles Modelos de
Alisado exponencial series
temporales
Proyección de
tendencia
Modelos
asociativ
Regresión lineal os
111
MÉTODOS
CUANTITATIVOS
MODELOS ASOCIATIVOS
MÉTODO 8
Regresión lineal
¡Venderá 200
millones de
dólares!
112
Método 8 – Análisis de
regresión lineal
Los m ét odos asociat ivos t ienen variables
que est án relacionadas con la cant idad
que se va a producir.
Una vez que se han ident ificado est as
variables relacionadas ent re sí, se
const ruye un m odelo est adíst ico que se
ut ilizará para hacer la previsión de la
variable que nos int eresa.
Est e enfoque es m ás pot ent e que las series
t em porales, que únicam ent e ut iliza los
valores hist óricos de la variable a predecir.
113
Método 8 – Análisis de
regresión lineal
Ejem plo
Vent as de PC de Dell
Relacionadas con presupuest o
de publicidad, precios de la
em presa, precios de
com pet idores y est rat egias de
prom oción, incluso econom ía
nacional y la t asa de
desem pleo.
Las vent as son las variables
dependient e
Las ot ras son variables 114
Método 8 – Análisis de
regresión lineal
Ejem plo
Vent as de PC de Dell
El t rabajo consist irá en
desarrollar la m ejor relación
est adíst ica ent re las vent as de
PC y las variables
dependient es.
El m odelo cuant it at ivo de previsión
asociat iva m ás com ún es el análisis de
regresión lineal.
115
Método 8 – Análisis de
regresión lineal
Ejem plo
Vent as de PC de Dell
El t rabajo consist irá en
desarrollar la m ejor relación
est adíst ica ent re las vent as de
PC y las variables
dependient es.
El m odelo cuant it at ivo de previsión
asociat iva m ás com ún es el análisis de
regresión lineal.
116
Método 8 – Análisis de
regresión lineal
Para llevar a cabo un análisis de regresión
lineal puede ut ilizase el m ism o m odelo de
m at em át ico em pleado de los m ínim os
cuadrados de proyección de t endencia.
La variable dependient e que se quiere
prever cont inuará siendo ^y. Pero ahora la
variable independient e, x, no tiene que seguir
siendo el tiempo.
117
Método 8 – Análisis de
regresión lineal
Se ut ilizará la ecuación.
y^ = a + bx
118
Método 8 – Análisis de
regresión
Ejemplo Lineal
Una com pañía const ruct ora reacondiciona
casas ant iguas en un est ado de USA.
La com pañía a descubiert o que el volum en
de obras de rehabilit ación depende de los
salarios del área.
La siguient e t abla m uest ra el list ado de
ingresos de la const ruct ora y la cant idad
de dinero que cobran los em pleados
durant e los seis años pasados.
119
Método 8 – Análisis de
regresión
Ejemplo Lineal
Ventas en cientos Nomina local
de miles de $, yen cientos de millones de $, x
2.0 1
3.0 3
2.5 4 4.0 –
2.0 2
2.0 1 3.0 –
3.5 7
Ventas 2.0 –
1.0 –
| | | | | | |
0 1 2 3 4 5 6 7
Nomina local
120
Método 8 – Análisis de
regresión
Ejemplo Lineal
A part ir del gráfico se puede ver una
relación de caráct er posit ivo.
Pude ent onces hallarse una ecuación
m at em át ica ut ilizando la regresión de
m ínim os cuadrados.
121
Método 8 – Análisis de
regresión
Ejemplo Lineal
Ventas, y Nomina, x x2 xy
2.0 1 1 2.0
3.0 3 9 9.0
2.5 4 16 10.0
2.0 2 4 4.0
2.0 1 1 2.0
3.5 7 49 24.5
∑y = 15.0 ∑x = 18 ∑x2 = 80 ∑xy = 51.5
123
Método 8 – Análisis de
regresión lineal
Elejem plo ant erior m uest ra una debilidad
básica de los m ét odos de previsión
asociat iva.
Aunque se haya calculado una ecuación de
regresión es necesario sum inist rar una
previsión de la variable independient e x
(en este caso salarios), antes de estimar el valor
de la variable dependiente y para el próximo
periodo.
124
Método 8 – Análisis de
regresión lineal
ERROR ESTÁNDAR DE LA ESTIMACIÓN
La previsión de vent as de US$
325,000 dólares para el ejem plo
ant erior se denom ina est im ación
punt ual de y.
Realm ent e, la est im ación punt ual de
y es la m edia, o valor espera de una
dist ribución de posibles valores de
vent as.
125
Método 8 – Análisis de
regresión lineal
ERROR ESTÁNDAR DE LA ESTIMACIÓN
4.0 –
3.0 –
3.25
Ventas
2.0 –
1.0 –
| | | | | | |
0 1 2 3 4 5 6 7
Nómina
126
Método 8 – Análisis de
regresión lineal
ERROR ESTÁNDAR DE LA ESTIMACIÓN
Para m edir la exact it ud de las
est im aciones de regresión, es
necesario calcular el Error Est ándar
de est im ación.
Est e error se conoce com o la
desviación estándar de la regresión.
Mide el error desde la variable
dependiente, y, hasta la línea de
regresión, en lugar de hasta la media.
127
Método 8 – Análisis de
regresión lineal
ERROR ESTÁNDAR DE LA ESTIMACIÓN
La expresión para calcular el error es:
∑(y - yc)2
Syx
, = n - 2
129
Método 8 – Análisis de
regresión
Ejemplo Lineal
Siguiendo con el m ism o ejem plo,
calculem os el error est ándar de la
est im ación.
El único valor que no disponem os es ∑y2
= 39.5 entonces:
130
Método 8 – Análisis de
regresión
Ejemplo Lineal
∑y2 - a∑y - b∑xy 39.5 - 1.75(15) - .25(51.5)
=
n - 2 6 - 2
4.0 –
Syx
, = .306
3.0 –
3.25
Ventas
2.0 –
El error 1.0
estandar de la –
estimación es
por tanto $30,600
en ventas | | | | | | |
0 1 2 3 4 5 6 7
Nómina
131
Método 8 – Análisis de
regresión lineal
COEFICIENTES DE CORRELACIÓN PARA LAS
RECTAS DE REGRESIÓN
La rect as de regresión es una form a
de expresar la nat uraleza de la
relación ent re dos variables.
La ecuación de regresión m uest ra
com o est á relacionada una variable
con los valores y cam bios de ot ra
variable.
Ot ra form a de calcular la relación
ent re dos variables es calcular el
coeficiente de correlación. 132
Método 8 – Análisis de
regresión lineal
COEFICIENTES DE CORRELACIÓN PARA LAS
RECTAS DE REGRESIÓN
El coeficiente de correlación es una
medida que muestra que expresa el grado
o intensidad de la relación lineal.
Es identificado normalmente como r.
El coeficiente de correlación puede ser
cualquier número entre +1 y -1.
133
Diferentes
y tipos de
y valores
de r
(a) x (b) x
Correlación Correlación
positiva positiva:
perfecta: 0 < r < 1
r = +1
y y
x (d) Correlaciónx
(c) Sin
correlación: negativa
r = 0 perfecta:
r = -1
Método 8 – Análisis de
regresión lineal
COEFICIENTES DE CORRELACIÓN PARA LAS
RECTAS DE REGRESIÓN
Para calcular r se utilizan muchos de los
datos requeridos anteriormente para el
calculo de a y b en la recta de regresión.
La formula a utilizar para calcular r es:
n∑xy - ∑x∑y
r = [n∑x2 - (∑x)2][n∑y2 - (∑y)2]
135
Método 8 – Análisis de
regresión lineal
COEFICIENTES DE CORRELACIÓN PARA LAS
RECTAS DE REGRESIÓN
Aunque el coeficiente de correlación es la
medida más comúnmente utilizada para
describir la relación entre dos variables,
existe otra media.
Es el llamado coeficiente de
determinación.
Es sencillamente el cuadrado del
coeficiente de correlación r2
136
Método 8 – Análisis de
regresión lineal
COEFICIENTES DE CORRELACIÓN PARA LAS
RECTAS DE REGRESIÓN
El valor de r2 siempre será un número
positivo dentro del intervalo 0≤ r2 ≤1.
El coeficiente de determinación es el
porcentaje de variación de la variable
dependiente (y), que se explica mediante
la ecuación de regresión.
137
Método 8 – Análisis de
regresión lineal
COEFICIENTES DE CORRELACIÓN PARA LAS
RECTAS DE REGRESIÓN
En el caso del ejemplo de la constructora
el coeficiente de correlación y
determinación son los siguientes:
r = .901
r2 = .81
138
MÉTODOS
CUANTITATIVOS
MODELOS DE SERIES
TEMPORALES
MEDICIÓN DE ERROR DE
¡Venderá 200
millones de PREVISIÓN
dólares!
139
Medición del error de
precisión
La exactitud global de cualquier método de
previsión – media movil, alisado
exponencial u otro – puede determinarse
comparando los valores previstos de
periodos del pasado, con la demanda real
u observada para estos periodos.
Sea F la previsión en el periodo t y A la
t t
demanda real en el periodo t ; El error de
precisión (o desviación) se define entonces
como:
Error de previsión = Demanda real – Previsión
= A t - Ft
140
Medición del error de
precisión
En la práctica, se utilizan diferentes
medidas para calcular el error total de
previsión.
Las tres medidas más habituales son:
141
Medición del error de
precisión
DAM – Desviación absoluta media
∑ |Real - Previsto|
DAM =
n
ECM – Error cuadrado medio
∑ (forecast errors)2
ECM = n
142
Medición del error de
precisión
Un inconveniente del ECM es que tiende a
acentuar las grandes desviaciones debido
al termino al cuadrado.
El DAM y el ECM tiene el problema de que
143
Medición del error de
precisión
EPAM – Error porcentual
n absoluto medio
100 i∑
= 1 |Reali - Previstoi|/Reali
EPAM = n
144
Medición del error de
precisión
EJEMPLO
Durante los ocho últimos trimestres, en el
146
M e d ición d e l e r r or d e
p r e cisión
EJEM PLO ∑ |desviaciones|
DAMToneladas
= Previsión
n
Redondeada
Desviación
absoluta
Previsión
Redondeada
Desviación
absoluta
realmente utilizando con utilizando con
Trimestre Descargadas α = .10 α = .10 α = .50 α = .50
Para α = .10
1 180 175 5 175 5
2
3
168
=
159
84 /8 176
=
175
10 .50 8
16
178
173
10
14
3 159 175
4 175 173 2 166 9
Para
5 α =
190 .50 173 17 170 20
6 205 175 30 180 25
7 =
180 100/8178= 12.50 2 193 13
8 182 178 4 186 4
84 100
147
M e d ición d e l e r r or d e
p r e cisión
EJEM ∑ (PLO
errores de previsión)2
ECM =Toneladas Previsión
n
Redondeada
Desviación
absoluta
Previsión
Redondeada
Desviación
absoluta
realmente utilizando con utilizando con
Trimestre Descargadas α = .10 α = .10 α = .50 α = .50
Para α = .10
1 180 175 5 175 5
2
3
= 1
168
159
, 558 / 8 176
=
175
194 . 75 8
16
178
173
10
14
3 159 175 16
4 175 173 2 166 9
Para
5 α 190
= .50 173 17 170 20
6 205 175 30 180 25
7 1,612/8
= 180 =
178 201.50 2 193 13
8 182 178 4 186 4
84 100
DAM 10.50 12.50
148
M e d ición d e l e r r or d e
p r e cisión n
100 ∑
i = |Desviación i|/Reali
EJEM PLO 1
EPAM =
Toneladas
Previsión
Redondeada n Desviación
absoluta
Previsión
Redondeada
Desviación
absoluta
realmente utilizando con utilizando con
Trimestre Descargadas α = .10 α = .10 α = .50 α = .50
Para α = .10
1 180 175 5 175 5
2 168 = 45.62
176/8 = 5.70
8 % 178 10
3
3 159159 175 16
175 16 173 14
4 175 173 2 166 9
5Para α190 = .50 173 17 170 20
6 205 175 30 180 25
7 180 = 54.8178
/8 = 6.852% 193 13
8 182 178 4 186 4
84 100
DAM 10.50 12.50
ECM 194.75 201.50
149
Medición del error de precisión
EJEMPLO
Previsión Desviación Previsión Desviación
Toneladas Redondeada absoluta Redondeada absoluta
realmente utilizando con utilizando con
Trimestre Descargadas α = .10 α = .10 α = .50 α = .50
150