Escolar Documentos
Profissional Documentos
Cultura Documentos
No es posible planear el
futuro con base en el pasado,
pero tampoco existe otra
forma de jjuzgar
g el futuro si
no es con el pasado. El
pronstico
reduce
el
desconocimiento
del
porvenir,
minimiza
la
incertidumbre. Debe asegurar
el xito de la cadena de valor.
PRONSTICOS
Prof JJ. Rau
Prof.
Criterios de eleccin
Proceso de demanda
para operaciones
Planeacin del sistema
Diseo del producto
Diseo del proceso
Inversin y reemplazo de
equipo
Programacin del
sistema
Planeacin agregada
de la produccin
Programacin de las
operaciones
Planeacin de la capacidad
Produccin de bienes
y servicios
Patrones de Demanda
Caractersticas de la demanda en el Tiempo
Patrones de demanda:
Las observaciones repetidas de la
demanda de un producto o servicio,
t
tomando
d como base
b
ell orden
d en que se
realizan, forman un patrn que se conoce
como serie de tiempo.
Ejemplo:
Asistir a una Discoteca, la demanda crece
los das viernes y sbado.
TIPOS DE PRONSTICOS
CICLO
DEMANDA
ESTACIONAL
TENDENCIA
HORIZONTAL
ALEATORIO
TIEMPO
TCNICAS DE PRONSTICOS
Existen dos tipos de TCNICAS DE PRONSTICOS:
a) Tcnicas Cualitativas:
Incorporan importantes factores tales como la intuicin
d l que toma
del
t
decisiones,
d ii
emociones,
i
experiencia
i i personall
y sistema de valores.
B) Tcnicas Cuantitativas:
Emplean diferentes modelos matemticos, que utilizan
datos histricos, variables causales para determinar el
pronstico.
Tcnicas Cualitativas
PRONOSTICOS
Mtodos Cuantitativos
Modelos de Series de Tiempo (basados en datos histricos)
Simplista o empricos
Promedios Mviles
Suavizacin exponencial
Promedio
Tendencia (*)
Estacionalidad (*)
P
Proyeccin
i con tendencia
t d i
Variaciones de informaciones estacionales
Tendencia
Estacionalidad
Mtodo de descomposicin clsico
Modelos causales (suponen demanda relacionada a algn factor(es) )
Regresin lineal con dos variables
Otras regresiones (mltiple, exponencial)
PRONOSTICOS DE DEMANDA
Aplicaciones segn horizonte de tiempo
APLICACIO N
CO RTO
(0 3 meses)
FOCO
Productos o
servicios
individuales
AREA DE
DECISION
Gestin de
inventarios
Secuenciamiento
de produccin
Asignacin de
trabajo
Programa maestro
TECNICAS DE
PRONOSTICOS
Series de tiempo
Causales
Cualitativas
M EDIANO
(3 meses 2
aos)
Terminologa:
LAR GO
(ms de 2 aos)
Ventas totales
Grupos de
productos o
servicios
Planeamiento de
personal
Planeamiento de
produccin
Compras
Distribucin
Ventas totales
Causales
Cualitativas
Causales
Cualitativas
Localizacin de
instalaciones
Planeamiento de
capacidad
Administracin
del proceso
Terminologas:
2. Regresin vs. Correlacin:
OBJETIVOS
Tcnicas de Pronsticos
cuantitativos
Periodo del
Modelo
Semana
Mes
Mes
Ao
Ao
Ao
Duracin de la
Estacin
Da
Semana
Da
Trimestre
Mes
Semana
Nmero de Estaciones
en el Modelo
7
4-41/2
28-31
4
12
52
PROMEDIO MVIL
Se usa para estimar el promedio de una serie de tiempo de
demanda y, por lo tanto para suprimir los efectos de
fluctuaciones al azar. ste mtodo resulta ms til cuando la
demanda no tiene tendencias pronunciadas ni influencias
estacionales La aplicacin de este modelo calcula la
estacionales.
demanda promedio para los n periodos ms recientes, con
el fin de pronosticar el siguiente periodo.
Ft+1=
Dt Dt 1 Dt 2 ...... Dt n 1
n
10
12
13
16
19
23
26
30
28
18
16
14
(10+12+13)/3= 11.666
(12+13+16)/3=13.666
(13+16+19)/3= 16
(16+19+23)/3= 19.333
(19+23+26)/3= 22.666
(23+26+30)/3= 26.333
(26+30+28)/3= 28
(30+28+18)/3= 25.333
(28+18+16)/3= 20.666
(18+16+14)/3= 16
Mes
Enero
Febrero
Marzo
Abril
Mayo
Junio
J li
Julio
Agosto
Setiembre
Octubre
Noviembre
Diciembre
Enero (Pronstico)
10
12
13
16
19
23
26
30
28
18
16
14
(1x10+2x12+3x13)/6= 12.166
(1x12+2x13+3x16)/6=14.333
(1x13+2x16+3x19)/6= 17
(1 16+2 19+3 23)/6 20.5
(1x16+2x19+3x23)/6=
20 5
(1x19+2x23+3x26)/6= 23.833
(1x23+2x26+3x30)/6= 27.5
(1x26+2x30+3x28)/6= 28.33
(1x30+2x28+3x18)/6= 23.33
(1x28+2x18+3x16)/6= 18.666
(1x18+2x16+3x14)/6= 15.33
ERROR DE PRONSTICO:
et = Dt - Ft
Errores de Pronsticos
Mes
Ventas
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre
Enero (Pronstico)
11,7
13 7
13,7
16,0
19,3
22,7
26,3
28,0
25,3
20,7
15,5
18,2
21,2
23,7
24,0
23,5
16
22
4,3
53
5,3
7,0
6,7
7,3
1,7
-10,0
-9,3
-6,7
10,5
11,8
6,8
-5,7
-8,0
-9,5
AE
1
N
e
i 1
Errores de Pronsticos
DESVIACIN ABSOLUTA
Errores de Pronsticos
MAD
1
N
Si ell pronstico
ti ffunciona
i
adecuadamente,
d
d
t llos errores dde
prediccin se distribuyen normalmente. As, la desviacin
media absoluta puede usarse para calcular la desviacin
estndar.
e 1.25MAD
O tambin:
MAD 0.8
Ejemplo:
Errores de Pronsticos
Mes
t
1
2
3
4
5
6
7
8
demanda
Dt
200
240
300
270
230
260
210
275
Pronstico
Ft
225
220
285
290
250
240
250
240
Total
CFE 15
CFE
AE
1.875
8
5,275
MSE
659.4
8
Error
Et
25
20
15
20
20
20
40
35
15
MSE et2
ERROR CUADRTICO MEDIO
N
2
(et et )
MSE
n 1
ERROR MEDIO ABSOLUTO PORCENTUAL
e
1
MAPE t 100
N
dt
Se pueden definir los Intervalos de confianza
Ft 1 t 1 66 %
Ft 1 2 t 1 95 . 5 %
Ft 1 3 t 1 99 %
SUAVIZADO EXPONENCIAL
ErrorCuadr Errorabsolut Error%abs
Et2
|Et|
(|Et|/Dt)100
625
25
12.5%
400
20
8.3%
225
15
5.0%
400
20
7.4%
400
20
8.7%
400
20
7.7%
1600
40
19.0%
1225
35
12.7%
5275
195
81.4%
( Et (1.875)) 2
27.4
7
MAD
195
24.4
8
81.4%
MAPE
10.2%
8
Ejemplo: suavizado
exponencial
Trimestre
1
2
3
4
5
6
7
8
9
Trim
Tns Desc.
Prono
=0.1
Dabs
=0.1
1
2
3
4
5
6
7
8
180
175
168
176
159
175
175
173
190
173
205
175
180
178
182
178
Suma de las desv. Absolutas
desviaciones
MAD=
n
5
8
16
2
17
30
2
4
84
10.5
Prono
=0.5
175
178
173
166
170
180
193
186
Dabs
=0.5
5
10
14
9
20
25
13
4
100
Tns Descargadas
Realmente
Previsin
=0.1
180
168
159
175
190
205
180
182
?
Previsin
=0.5
175
176=175+0.1(180-175)
175 175 5+0 1(168 175 5)
175=175.5+0.1(168-175.5)
173=174.75+0.1(159-174.75)
173=173.18+0.1(175-173.18)
175=173.36+0.1(190-173.36)
178=175.02+0.1(205-175.02)
178=178.02+0.1(180-178.02)
179=178.22+0.1(182-178.22)
175
178
173
166
170
180
193
186
184
Demanda real
10
20
30
40
12.5
10
Demanda
12
17
20
19
24
Mes
6
7
8
9
Demanda
26
31
32
36
PROYECCIN DE TENDENCIA
Esta tcnica ajusta una lnea de tendencia a la serie de datos
histricos, y entonces proyecta la lnea hacia el futuro para realizar
pronsticos a medio o largo plazo.
Se podrn desarrollar diferentes ecuaciones matemticas tendenciales
por ejemplo, exponencial y cuadrtica.
Se aborda
S
b d ell enfoque
f
dde regresin
i para ell anlisis
li i del
d l pronostico
ti del
d l
crecimiento, la ecuacin ms general que se usa es el polinomio de la
forma bsica:
Y (t ) a bt ct 2 ... gt n 1 ht n
Donde: Y (t ) Es el valor estimado del valor de los datos verdaderos
Y(t) en un periodo t, y a,b,c,..g,h coeficientes ajustados
del polinomio.
11
Modelo Constante
Y (t ) a
PROYECCIN DE TENDENCIA
Cuando se usa el procedimiento de mnimos cuadrados de
regresin en el ajuste de datos, los valores Y (t ), se
comparan con los verdaderos valores de Y(t).
e(t ) Y (t ) Y (t )
Estos errores se elevan al cuadrado para eliminar los
problemas de signo, en que se neutralizan valores de signo
contrario. Luego en el proceso de regresin se encuentran los
coeficientes de ajuste que minimizan la suma de los errores
N
cuadrados
2
min{ Y (t ) Y (t ) }
t 1
t 1
N tY (t ) Y (t ) t
N t t
2
t 1
2
N
e 2 (t ) Y (t ) a bt
t 1
t 1
Y (t )
Y (t ) a bt ct 2
N
2
e 2 (t ) Y (t ) a
t 1
Y (t ) a bt
N
(1)
a Y (t ) bt
e
t 1
2
N
(t ) Y (t ) a bt t 2
t 1
* *
* 2
12
Modelo Cuadrtico
Donde:
(t 2 ) 2 nt 4
tY (t ) NtY (t )
t Y (t ) Nt Y (t )
2
t t 2 N t 3
(t ) 2 Nt 2
Luego: calculo de c
Finalmente el valor de a:
b *
Y (t )
t
t 2
b c
N
N
N
Problemas de la regresin
como herramienta para
pronosticar
Modelo Exponencial
Generalmente se piensa que la regresin es aplicable solamente a
modelos polinmicos. En realidad, si con un modelo se pueden
tomar derivadas del criterio de error con respecto a los parmetros
de ajuste, entonces ese modelo es factible para la optimizacin por
medio de la regresin de mnimos cuadrados.
C id
Considrese
ell siguiente
i i t modelo
d l exponencial:
i l Y ( t )
ae bt
ln[Y (t )] ln(a ) bt
El resultado es un modelo lineal con intercepto igual a ln(a). Se
pueden utilizar las ecuaciones del modelo lineal luego de tomar
logaritmos naturales a los datos originales que se estn ajustando.
Demanda de Energa
Elctrica
74
79
80
90.
Ao
2010
2011
2012
Demanda de Energa
Elctrica
105
142
122
13
4
n
7
y 692
Y
98.86
n
7
xy nx y 3063 7 * 4 * 98.86
b 2
10.54
x nx 2
140 7 * 4 2
a y bx 98.86 10.54 * 4 56.70
Por lo tanto la ecuacin ser:
y 56.7 10.54 x
Ejemplo de Estacionalidad
Caso 1: usando el modelo constante
Las ventas mensuales de computadores porttiles de la compaa Compaq en Reva
Computerland son la abajo mostradas para 2011 - 2012
Ventas Demanda
Dem.Media Dem Media
ndice
Mes
2011
2012
2011 - 2012
Mensual
Estacional
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Setiem
Octubre
Noviem
Diciem
80
100
75
85
80
90
90
110
115
131
110
120
100
110
90
110
85
95
75
85
75
85
80
80
Demanda media total:
90
80
85
100
123
115
105
100
90
80
80
80
1128
94
94
94
94
94
94
94
94
94
94
94
94
0.957
0.851
0.904
1.064
1.309
1.223
1.117
1.064
0.957
0.851
0.851
0.851
Demanda
Enero
1200 x 0.957= 96
12
Febrero 1200 x 0.851= 85
12
Marzo 1200 x 0.904= 90
12
14
Mes
Demanda
Mtodo Estacional
Multiplicativo
Abril
Ao 1
45
335
520
100
1000
Ao 2
70
370
590
170
1200
Ao 3
100
585
830
285
1800
Ao 1:
Ao 2
Ao 3
Ao 4
1000/4=
1200/4 =
1800/4 =
2200/4 =
250
300
450
550
Ao1
45/2500 0.18
335/250= 1.34
520/250= 2.08
100/250= 0.4
Ao2
70/300= 0.23
370/300= 1.23
590/300= 1.97
170/300= 0.57
Ao3
100/450= 0.22
585/450= 1.3
830/450= 1.84
285/450= 0.63
Ao4
100/550= 0.18
725/550= 1.32
1160/550= 2.11
215/550= 0.39
15
650*0.2=
650*1.30=
650*2=
650*0.50=
Pronstico
130
845
1300
325
Clientes
Clientes
Clientes
Clientes
16