Pronósticos (metodos)

Métodos de Pronósticos

¿Qué son los pronósticos? “Arte y ciencia” de predecir acontecimientos

futuros.

Base de todas las decisiones empresariales: Producción. Inventario. Personal. Instalaciones.

“Pronosticar es como manejar con los ojos cerrados siguiendo las instrucciones de alguien que va sentado

mirando por el vidrio de atrás”

Pronósticos y Planificación Empresarial

INSUMOSCondiciones del mercadoPanorama económicoOtros factores

Métodos o modelos de pronóstico

RESULTADOSDemanda estimada para cada producto en cada período de tiempo

PRONÓSTICO DE VENTASPronóstico de la demanda para cada producto en cada período de tiempo

ESTRATEGIA EMPRESARIAMarketingProducciónFinanzas

Largo PlazoCapacidad fabricasCapital InstalacionesOtros

Mediano PlazoTrabajadoresMaterialesInventariosOtros

Corto PlazoMano de obraCapacidad maquinasEfectivoOtros

Pronóstico de Recursos de la Producción

Equipo de Administración

Errores de pronósticos / retroalimentación

Etapas en el sistema de pronósticos

Determinar la utilización del pronóstico.Seleccionar los “artículos” en los que se va a realizar el pronóstico.Determinar el horizonte temporal del pronóstico.Seleccionar el (los) modelo (s) de pronóstico.Recogida de datos.Realizar el pronóstico.Validar e implementar los resultados.

Realidades sobre los pronósticos

Raras veces los pronósticos son perfectos.La mayoría de las técnicas de pronóstico asumen que existe cierta estabilidad sostenida en el sistema.Tanto las predicciones de familias de productos como las predicciones en conjunto son más precisas que los pronósticos de productos individuales. Siempre que se pueda, es útil relacionar el pronóstico con alguna variable macroeconómica

Demanda de un producto representada en un periodo de 4 años con tendencia de crecimiento y estacionalidad

Primeraño

Segundoaño

Terceraño

Cuartoaño

Picks estacionales Componente de tendencia

Línea de demanda actual

Demanda media en cuatro años

Variación aleatoria

Tipos de pronósticos

Se utilizan cuando la situación es “estable” y existen datos “históricos”:

Productos existentes. Tecnología actual.

Requieren técnicas matemáticas: Por ejemplo, el pronóstico de

las ventas de vacunas antigripales.

Medias móviles, Alisado exponencial, Proyección de tendencia, Regresión lineal, ARIMA.

Métodos cuantitativosSe emplean cuando la situación no es clara y existen pocos datos

Productos nuevos. Nueva tecnología.

Requieren intuición y experiencia: Por ejemplo, pronóstico de

ventas a través de Internet.

Opinión de expertos, Propuestas Personal Comercial, Método Delphi, Estudios de mercado.

Métodos cualitativos

Métodos Cualitativos

Requiere un pequeño grupo de directivos:El grupo establece una estimación conjunta de la demanda.

Combina la experiencia directiva con modelos estadísticos. Es bastante rápido. Desventaja del “pensamiento en grupo” o individual si se realiza

“opinión del gerente”.

Opinión de Expertos

Propuestas Personal Comercial Cada vendedor estima las ventas que hará. Se combinan con los pronósticos a niveles de zonas y regiones con

los nacionales. El representante de ventas conoce las necesidades de los

consumidores. Tiende a ser bastante optimista o pesimista

Método Delphi Proceso de grupo iterativo. Tres tipos de participantes:

Los que toman decisiones. El personal de plantilla. Los que responden.

Reduce el “pensamiento en grupo”.

Estudios de mercado Preguntar a los consumidores sobre sus futuros planes de

compra. Lo que dicen los consumidores y lo que hacen suele diferir. A veces es difícil contestar a las preguntas del estudio.

Métodos cuantitativos

Es una secuencia de datos uniformemente espaciada

– Se obtiene observando las variables en periodos de tiempo regulares.

Se trata de un pronóstico basado en los datos pasados

– Supone que los factores que han influido en el pasado lo sigan haciendo en el futuro.

Ejemplo:Año: 19931994 19951996 1997Ventas: 78,763,5 89,793,2 92,1

¿Qué son las series temporales?

TendenciaTendencia

EstacionalidadEstacionalidad Variaciones Variaciones aleatoriasaleatorias

Descomposición de una serie temporal

• 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.

Mes, trimestre, año

Respuesta

Tendencia

• 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.

RespuestaVerano

Estacionalidad

• 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.

Respuesta Ciclo

Ciclos

• 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.

Variaciones aleatorias

Cualquier valor que aparezca en una serie temporal es la multiplicación (o suma) de los componentes de la serie temporal.

Modelo multiplicativo:

Yi = Ti x Si x Ci x Ri (si los datos son mensuales o trimestrales).

Modelo aditivo:

Yi = Ti + Si + Ci + Ri (si los datos son mensuales o trimestrales).

Modelos de series temporales

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:

MMMM nnnn

demanda de demanda de periodos previosperiodos previos

Medias móviles

Usted es el director de una tienda de un museo que vende réplicas. Quiere predecir las ventas del año 2000 mediante una media móvil de 3 años.

1995 41996 61997 51998 31999 7

Ejemplo de media móvil

Solución de la media móvil

Año Respuesta Yi

Media móvil total

Media móvil (n=3)

1995 4 ND ND 1996 6 ND ND 1997 5 ND ND 1998 3 4+6+5=15 15/3 = 5 1999 7 2000 ND

Año RespuestaYi

Mediamóvil total

Media móvil(n=3)

1995 4 ND ND1996 6 ND ND1997 5 ND ND1998 3 4+6+5=15 15/3 = 51999 7 6+5+3=14 14/3=4 2/32000 ND

Año RespuestaYi

Mediamóvil total

Media móvil(n=3)

1995 4 ND ND1996 6 ND ND1997 5 ND ND1998 3 4+6+5=15 15/3=5,01999 7 6+5+3=14 14/3=4,72000 ND 5+3+7=15 15/3=5,0

Se utiliza cuando se presenta una tendencia: Los datos anteriores suelen carecer de importancia.

Las ponderaciones se basan en la intuición: Suelen estar entre 0 y 1 y a la suma de 1,0.

Ecuación:

Media móvil ponderada

Σ (ponderación para el periodo n) (demanda en el periodo n)

Σ ponderaciones

Método de la media móvil ponderada

Demanda actual, media móvil y media móvil ponderada

Ene. Feb. Mar. Abr. May. Jun. Jul. Ago. Sep. Oct. Nov. Dic

as Ventas reales

Media móvil

Media móvil ponderada

Problemas de los métodos de media móvil

• Al aumentar n, las previsiones son menos sensibles a los cambios.

• No es posible predecir bien la tendencia.• Se necesitan muchos datos históricos.

Es una técnica de pronóstico de media móvil ponderada: Las ponderaciones disminuyen exponencialmente. Se ponderan más los datos más recientes.

Se necesita una constante de alisado (): Toma valores entre 0 y 1. Se escoge de forma subjetiva.

Necesita una cantidad reducida de datos históricos.

Alisado exponencial

Ft = At - 1 + (1- )At - 2 + (1- )2·At - 3 + (1- )3At - 4 + ... + (1- )t-1·A0

Ft = Valor del pronóstico At = Valor real = Constante de alisado

Ft = Ft-1 + (At-1 - Ft-1) Se utiliza para calcular el pronóstico.

Usted está organizando una reunión de su circulo profesional. Desea predecir el número de personas que asistirán en el año 2006 mediante el alisado exponencial ( = 0,10). El pronóstico para 2001 fue de 175.

2001 1802002 1682003 1592004 1752005 190

Ejemplo de alisado exponencial

Ft = Ft-1 + ·(At-1 - Ft-1)

AñoAño Real pronóstico, F t

(αα = = 0,100,10))

20012001 180 175,00 (Dado)20022002 16816820032003 15915920042004 17517520052005 19019020062006 NDND

175,00 +175,00 +

Solución del alisado exponencial

Ft = Ft-1 + ·(At-1 - Ft-1)

AñoAño Real pronóstico, F t

(αα = = 0,100,10))

180180 175,00 (Dado)175,00 (Dado)168168 175,00 + 175,00 + 0,100,10((159159175175190190NDND

200120012002200220032003200420042005200520062006

Ft = Ft-1 + ·(At-1 - Ft-1)

AñoAño RealReal pronóstico, pronóstico, FFtt

((αα = = 0,100,10))

180180 175,00 (Dado)175,00 (Dado)168168 175,00 + 175,00 + 0,100,10(180(180 - -159159175175190190NDND

200120012002200220032003200420042005200520062006

Ft = Ft-1 + ·(At-1 - Ft-1)

Año Real pronóstico, Ft

(αα = = 0,100,10))

180180 175,00 (Dado)175,00 (Dado)168168 175,00 + 175,00 + 0,100,10(180(180 - 175,00 - 175,00))159159175175190190NDND

200120012002200220032003200420042005200520062006

Ft = Ft-1 + ·(At-1 - Ft-1)

AñoAño RealReal pronóstico, pronóstico, FFtt

((αα = = 0,100,10))

180180 175,00 (Dado)175,00 (Dado)168168 175,00 +175,00 + 0,10 0,10 (180 (180 - 175,00- 175,00)) = 175,50 = 175,50159159175175190190NDND

200120012002200220032003200420042005200520062006

Ft = Ft-1 + ·(At-1 - Ft-1)

Año Real pronóstico, F t

(αα = = 0,100,10))

180 175,00 (Dado)168168 175,00 + 0,10(180 - 175,00) = 175,50175,00 + 0,10(180 - 175,00) = 175,50159159 175,50175,50 ++ 0,100,10(168 -(168 - 175,50175,50)) = 174,75= 174,75175175190190NDND

200120012002200220032003200420042005200520062006

Ft = Ft-1 + ·(At-1 - Ft-1)

(α = 0,10)

180180 175,00 (Dado)175,00 (Dado)168 175,00 + 0,10(180 - 175,00) = 175,50159159 175,50 + 0,10(168 - 175,50) = 174,75175,50 + 0,10(168 - 175,50) = 174,75175175190190NDND

174,75174,75 ++ 0,100,10(159(159 - - 174,75174,75))= 173,18= 173,18

200120012002200220032003200420042005200520062006

Ft = Ft-1 + ·(At-1 - Ft-1)

(α = 0,10)

180 175,00 (Dado)168168 175,00 + 0,10(180 - 175,00) = 175,50175,00 + 0,10(180 - 175,00) = 175,50159159 175,50 + 0,10(168 - 175,50) = 174,75175,50 + 0,10(168 - 175,50) = 174,75175175 174,75 + 0,10(159 - 174,75) = 173,18174,75 + 0,10(159 - 174,75) = 173,18190190 173,18 + 173,18 + 0,100,10(175(175 - 173,18- 173,18)) = 173,36= 173,36NDND

200120012002200220032003200420042005200520062006

Ft = Ft-1 + ·(At-1 - Ft-1)

(α = 0,10)

180180 175,00 (Dado)175,00 (Dado)168168 175,00 + 0,10(180 - 175,00) = 175,50175,00 + 0,10(180 - 175,00) = 175,50159159 175,50 + 0,10(168 - 175,50) = 174,75175,50 + 0,10(168 - 175,50) = 174,75175175 174,75 + 0,10(159 - 174,75) = 173,18174,75 + 0,10(159 - 174,75) = 173,18190190 173,18 + 0,10(175 - 173,18) = 173,36173,18 + 0,10(175 - 173,18) = 173,36NDND 173,36173,36 + + 0,100,10(190(190 - 173,36- 173,36) = 175,02) = 175,02

200120012002200220032003200420042005200520062006

Ft = At - 1 + (1- )At - 2 + (1- )2At - 3 + ...

Efectos en el pronóstico de la constante de alisado

PonderacionesPeriodo anterior

Hace 2 periodos

(1 - )

Hace 3 periodos

(1 - )2

= 0,10

= 0,90

Ft = At - 1 + (1- ) At - 2 + (1- )2At - 3 + ...

Periodo anterior

Hace 2 periodos

(1 - )

Hace 3 periodos

(1 - )2

= 0,10

= 0,90

10% 9%

Ponderaciones

Ft = At - 1 + (1- )At - 2 + (1- )2At - 3 + ...

Hace 2 periodos

(1 - )

Hace 3 periodos

(1 - )2

= 0,10

= 0,90

10% 9% 8,1%

Ft = At - 1 + (1- )At - 2 + (1- )2At - 3 + ...

Hace 2 periodos

(1 - )

Hace 3 periodos

(1 - )2

= 0,10

= 0,90

10% 9% 8,1%

Ft = At - 1 + (1- ) At - 2 + (1- )2At - 3 + ...

Hace 2 periodos

(1 - )

Hace 3 periodos

(1 - )2

= 0,10

= 0,90

10% 9% 8,1%

90% 9%

Ft = At - 1 + (1- ) At - 2 + (1- )2At - 3 + ...

Hace 2 periodos

(1 - )

Hace 3 periodos

(1 - )2

= 0,10

= 0,90

10% 9% 8,1%

90% 9% 0,9%

Si se selecciona

Trate de minimizar la desviación absoluta media (DAM)

Si: Error de pronóstico = demanda - pronóstico

Entonces:

nerrores de pronósticoDAM

Alisado exponencial con ajuste de tendencia

Pronóstico incluyendo la tendencia (PITt) = pronóstico alisado exponencialmente (Ft) + tendencia alisada exponencialmente (Tt)

Ft = (demanda real del último periodo) + (1- )(pronóstico del último periodo + tendencia estimada del último periodo)o

Ft = (At-1) + (1- )(Ft-1 + Tt-1)

Tt = (pronóstico de este periodo - pronóstico del último periodo) + (1-)(tendencia estimada del último periodo)o

Tt = (Ft - Ft-1) + (1- )Tt-1

Comparación de pronósticos

10152025303540

Ene. Feb. Mar. Abr. May. Jun. Jul. Ago. Sep.

o Demanda real

Alisado exponencial

Alisado exponencial con ajuste de Tendencia

Método de mínimos cuadrados

Desviación

Periodo de tiempo

bxaY ˆ

Observación real

Punto en la línea de tendencia

Demanda real y línea de tendencia

020406080

100120140160180

0 2 4 6 8 10

Período de tiempo

Demanda real

Y = 56,70+ 10,54X

Se usa para prever la línea de tendencia lineal.

Supone una relación entre la variable de respuesta, Y, y el periodo de tiempo, X, que es una función lineal:

Se calcula mediante el método de los mínimos cuadrados: Minimiza la suma de errores cuadráticos.

Análisis de regresión lineal

Y a bXi i b > 0

Tiempo, X

Modelo del análisis de regresión lineal

Periodo de tiempo

Ventas

92 93 94 95 96

Ventas frente a tiempo

Diagrama de dispersión

• Pendiente (b):– El cálculo de Y varía en b cada unidad extra en X.

• Si b = 2, entonces las ventas (Y) aumentarán en 2 por cada unidad extra en publicidad (X).

• Corte con el eje Y (a):– Valor medio de Y cuando X = 0.

• Si a = 4, entonces las ventas medias (Y) serán de 4 cuando la publicidad (X) sea 0.

Interpretación de los coeficientes

Ecuaciones de mínimos cuadrados

Ecuación: ii bxaY

Pendiente:22

yxnyxb

Corte con el eje Y: xbya

X i Y i X i2 Y i

2 X iY i

X 1 Y 1 X 12 Y 1

2 X 1Y 1

X 2 Y 2 X 22 Y 2

2 X 2Y 2

: : : : :X n Y n X n

2 Y n2 X nY n

ΣX i ΣY i ΣX i2 ΣY i

2 ΣX iY i

Tabla de cálculo

Ejemplo de análisis de regresión lineal

Usted es el analista de marketing de Hasbro Toys. Recoge los siguientes datos: Año Ventas (miles de unidades)

1995 11996 11997 21998 21999 4

¿Cuál es la ecuación de la tendencia?

Modelo de previsión del análisis de regresión lineal

Usted está realizando el análisis de marketing de Hasbro Toys. Al utilizar años codificados, halla que Yi = -0,1 + 0,7Xi.

Año Ventas (Miles de Unidades)1995 11996 11997 21998 21999 4

La previsión de ventas es de 2000 unidades.

Modelo estacional multiplicativo

Encontrar la demanda histórica media para cada “estación” sumando la demanda de esa estación cada año y dividiéndola entre el número de años de datos disponibles.

Calcular la demanda media a lo largo de todas las estaciones dividiendo la demanda media total anual entre el número de estaciones.

Calcular un índice estacional dividiendo la demanda histórica real de esa estación (calculado en la etapa 1) entre la demanda media a lo largo de todas las estaciones.

Estimar la demanda anual de todo el año próximo. Dividir esta estimación de la demanda anual total entre el número de

estaciones y entonces multiplicarla por el índice estacional de esa estación. Esto proporciona la previsión estacional .

Y Xi i= a b

• Muestra la relación lineal entre las variables dependientes e independientes.– Ejemplo: ventas y publicidad (sin tiempo)

Variable dependiente Variable independiente

PendienteCorte con el eje Y

Modelo de regresión lineal

• Variación del Y real a partir del Y estimado.• Se mide mediante el error estándar de la estimación:

– Muestra los errores de la desviación estándar.– SY,X

• Afecta a varios factores:– Significado del parámetro.– Precisión de la predicción.

Variación de los errores aleatorios

Supuestos de los mínimos cuadrados

Se supone que la relación es lineal. Primero trace los datos, si existe la curva, utilice el análisis curvilineal.

Se supone que la relación sólo se sustenta dentro o justo fuera del campo de datos. No trate de predecir periodos de tiempo lejanos al campo de la base de datos.

Se supone que las desviaciones que rodean a la línea de los mínimos cuadrados son aleatorias.

Error estándar de la desviación

yxbyay

Correlación

• Respuestas: ‘¿qué intensidad tiene la relación lineal entre las variables?’

• El coeficiente de correlación se identifica normalmente como r .– Los valores varían entre -1 y +1 .– Mide el grado de asociación.

• Se usa principalmente para comprender.

yynxxn

yxyxnr

-1,0 +1,00

Correlación positiva perfecta

Aumento de la correlación negativa

-0,5 +0,5

Correlación negativa perfecta

Sin correlación

Aumento de la correlación positiva

Valores del coeficiente de correlación

r = 1 r = -1

r = 0,89 r = 0

XYi = a + b X i^

XYi = a + b X i^ Yi = a + b X i

Yi = a - b X i^

Coeficiente de correlación y modelo de regresión

• Usted quiere conseguir:– Ninguna conducta o dirección del error de previsión.

• Error = (Yi - Yi) = (Real - Previsión).

• Se observa en las representaciones de los errores a lo largo del tiempo.

– Un error de previsión más pequeño:• Error cuadrado medio (ECM).

• Desviación absoluta media (DAM).

Guía para elegir el modelo de previsión

Tiempo (años)

Conducta deseada

Tiempo (años)

Tendencia no totalmente justificada

Conducta del error de previsión

• Error cuadrado medio (ECM):

• Desviación absoluta media (DAM):

Ecuaciones del error de previsión

2errores de previsión

)y(yECM

n|errores de previsión|

|yy|DAM

Usted es el analista de marketing de Hasbro Toys. Ha previsto las ventas con un modelo lineal y alisado exponencial. ¿Qué modelo usará?

VentasPrevisión del Previsión del alisado

Año reales modelo lineal exponencial (0,9)

1995 1 0,6 1,01996 1 1,3 1,01997 2 2,0 1,91998 2 2,7 2,01999 4 3,4 3,8

Ejemplo de selección del modelo de previsión

Año ^Y i Y i^

1992 1 0,6 0,4 0,16 0,41993 1 1,3 -0,3 0,09 0,31994 2 2,0 0,0 0,00 0,01995 2 2,7 -0,7 0,49 0,71996 4 3,4 0,6 0,36 0,6Total 0,0 1,10 2,0

ECM = Σ Error2 / n = 1,10 / 5 = 0,220

DAM = Σ |Error| / n = 2,0 / 5 = 0,400

Error Error2 |Error|

Evaluación del modelo lineal

Year Y i Y i

1995 1 1,0 0,0 0,00 0,01996 1 1,0 0,0 0,00 0,01997 2 1,9 0,1 0,01 0,11998 2 2,0 0,0 0,00 0,01999 4 3,8 0,2 0,04 0,2Total 0,3 0,05 0,3

ECM = Σ Error2 / n = 0,05 / 5 = 0,01

DAM = Σ |Error| / n = 0,3 / 5 = 0,06

Error Error2 |Error|

Evaluación del modelo de alisado exponencial

Modelo lineal:

ECM = Σ Error2 / n = 1,10 / 5 = 0,220DAM = Σ |Error| / n = 2,0 / 5 = 0,400

Modelo de alisado exponencial:

ECM = Σ Error2 / n = 0,05 / 5 = 0,01DAM = Σ |Error| / n = 0,3 / 5 = 0,06

• Mide el grado de precisión de la previsión para predecir valores reales.

• Suma actual de los errores de previsión (SAEP) dividida entre la desviación absoluta media (DAM):

Una buena señal de rastreo tiene valores bajos.

• Debe estar dentro de los límites de control superiores e inferiores.

Señal de rastreo

Ecuación de la señal de rastreo

DAMSAEPSeñal de rastreo

errores de previsión

DemandaDemanda ErrorError SAEPSAEP ErrorError DAMDAM SRSR

11 100100 909022 100100 959533 100100 11511544 100100 10010055 100100 12512566 100100 140140

Cálculo de la señal de rastreo

previstaprevista

DemandaDemanda

realreal absolutoabsoluto|Error||Error|acumuladoacumulado

Trim.Trim.

11 100100 909022 100100 959533 100100 11511544 100100 10010055 100100 12512566 100100 140140

-10-10

Error = Real - Previsión = 90 - 100 = -10

DemandaDemanda ErrorError SAEPSAEP ErrorError DAMDAM SRSRprevistaprevista

DemandaDemanda

realreal absolutoabsoluto acumuladoacumulado

Trim.Trim. |Error||Error|

11 100100 909022 100100 959533 100100 11511544 100100 10010055 100100 1251256 100 140

-10-10 -10-10

SAEP = Errores = ND + (-10) = -10

Trim.Trim. DemandaDemanda ErrorError SAEPSAEP ErrorError DAMDAM SRSRprevistaprevista

DemandaDemanda

realreal absolutoabsoluto

|Error||Error|acumuladoacumulado

11 100100 909022 100100 959533 100100 11511544 100100 10010055 100100 12512566 100100 140140

-10-10 -10-10 1010

Error absoluto = |Error| = |-10| = 10

DemandaDemanda

11 100100 909022 100100 959533 100100 11511544 100100 10010055 100100 12512566 100100 140140

-10-10 -10-10 1010 1010

|Error| acumulado = |Errores| = NA + 10 = 10

DemandaDemanda

11 100100 909022 100100 959533 100100 11511544 100100 10010055 100100 12512566 100100 140140

-10-10 -10-10 1010 1010 10,010,0

DAM = |Errores|/n = 10/1 = 10

DemandaDemanda

11 100100 909022 100100 959533 100100 11511544 100100 10010055 100100 12512566 100100 140140

-10-10 -10-10 1010 1010 10,010,0 -1-1

SR = SAEP/DAM = -10/10 = -1

DemandaDemanda

11 100100 909022 100100 959533 100100 11511544 100100 10010055 100100 12512566 100100 140140

-10-10 -10-10 1010 1010 10,010,0 -1-1-5-5

Error = Real - Previsión = 95 - 100 = -5

DemandaDemanda

realreal absolutoabsoluto acumuladoacumulado|Error||Error|Trim.Trim.

11 100100 909022 100100 959533 100100 11511544 100100 10010055 100100 12512566 100100 140140

-10-10 -10-10 1010 1010 10,010,0 -1-1-5-5 -15-15

SAEP = Errores = (-10) + (-5) = -15

DemandaDemanda

realreal absolutoabsoluto acumuladoacumulado|Error||Error|Trim.Trim.

11 100100 9090

22 100100 9595

33 100100 115115

44 100100 100100

55 100100 125125

66 100100 140140

-10-10 -10-10 1010 1010 10,010,0 -1-1

-5-5 -15-15 55

Error absoluto = |Error| = |-5| = 5

DemandaDemanda

11 100100 909022 100100 959533 100100 11511544 100100 10010055 100100 12512566 100100 140140

-10-10 -10-10 1010 1010 10,010,0 -1-1-5-5 -15-15 55 1515

Error acumulado = |Errores| = 10 + 5 = 15

DemandaDemanda

|Error||Error|Trim.Trim.

11 100100 909022 100100 959533 100100 11511544 100100 10010055 100100 12512566 100100 140140

-10-10 -10-10 1010 1010 10,010,0 -1-1-5-5 -15-15 55 1515 7,57,5

DAM = |Errores|/n = 15/2 = 7,5

DemandaDemanda

11 100100 909022 100100 959533 100100 11511544 100100 10010055 100100 12512566 100100 140140

-10-10 -10-10 1010 1010 10,010,0 -1-1-5-5 -15-15 55 1515 7,57,5 -2-2

SR = SAEP/DAM = -15/7,5 = -2

DemandaDemanda

|Error||Error|Trim.Trim.

Representación de una señal de rastreo

Tiempo

Límite de control inferior

Límite de control superior

Señal que supera el límite

Señal de rastreo

Intervalo aceptableDAM

Señales de rastreo

020406080

100120140160

0 1 2 3 4 5 6 7

Tiempo

Señal de rastreo

Previsión

Demanda real

Pronóstico en el sector servicios

Presenta algunas complicaciones:Especial necesidad de datos a corto plazo.Las necesidades varían mucho en función de la industria y del producto.Vacaciones y calendario.Eventos poco comunes.

+11-12 +1-2 +3-4 +5-6 +7-8 +9-1011-12 12-1 1-2 2-3 3-4 4-5 5-6 6-7 7-8 8-9 9-10 10-11

Ventas por Hora en un fast food

Modelos Avanzados de Análisis de Series

AR(p) modelos Auto RegresivosMA(q) modelos de medias móvilesARMA (pq) modelos auto regresivos de medias móvilesModelo de Winter ARIMA (p,d,q) modelos auto regresivos integrado de medias móvilesVARMA modelos multivariadosARMAX modelos con variable explicativaARCH modelos auto regresivos condicionales heteroscedásticos GARCH modelos ARCH generalizados

p número de parámetros auto regresivosq largo de la media móvild número de diferenciacionesRuido blanco término no correlacionado con el pasado, esperanza cero.

ARIMA Auto Regresive Integrated Moved Average

Promedio Móvil Integrado Auto regresivoTambién se lo conoce como método de Box-JenkinsEs un método muy complejo para resolver manualmente, pero existen una serie de aplicaciones para trabajar con elEs muy útil para resolver problemas con fuertes variaciones estacionalesSu aplicación requiere de al menos 50 periodos históricos

Suavizamiento Exponencial para las salidas nacionales en el Aeropuerto Merino Benítez

Consumo de gas licuado envasado, Reg Metrop

50000E

: Consumo Gas Licuado en la R..Metropolitana 1987-2000.

Pronósticos (metodos)

Documents

Transcript of Pronósticos (metodos)

Pronósticos Electorales_Bmas_09082010

Software Para Pronósticos

Pronósticos de Ventas

Pronósticos em02

Factores pronósticos y predictivos

Pronósticos Financieros III Parcial

Clase Pronósticos

Regresión Lineal Múltiple, pronósticos

Ejercicios de Pronósticos Completos

Pronósticos total 2013

Pronósticos 1. Pronósticos de Series de Tiempo 2.

PRONÓSTICOS CUANTITATIVOS

Métodos pronósticos

5 Indices Pronósticos

Pronósticos de demanda

13- Pronósticos (Presentación)

Inventarios y Pronósticos

Pronósticos e Inventarios

Pronósticos de producción

PCO - Pronósticos(2)