PCP I 2013 Pronosticos Cuantitativos 25 Junio

5/23/2018 PCP I 2013 Pronosticos Cuantitativos 25 Junio

1/261

UNIVERSIDAD PERUANA LOS ANDES

Ingeniera Industrial

PCP I

Estimacin de lademanda y Pronsticos

cuantitativos


2/262

Qu es pronosticar?

Pronosticar es el arte y la ciencia de predecir los eventos

futuros.

Puede implicar el empleo de datos histricos y su proyeccin

hacia el futuro mediante algn tipo de modelo matemtico.

Puede ser una prediccin subjetiva o intuitiva; o puede ser

una combinacin de stas es decir, un modelo matemtico

ajustado mediante el buen juicio del administrador.


3/26

3

Horizontes de tiempo del pronsticoPor lo general, un pronstico se clasifica por el horizonte de tiempo

futuro que cubre. El horizonte de tiempo se clasifica en tres categoras: 1. Pronstico a corto plazo: Este pronstico tiene una extensin de

tiempo de hasta 1 ao, pero casi siempre es menor a 3 meses. Se usa

para planear las compras, programar el trabajo, determinar niveles de

mano de obra, asignar el trabajo, y decidir los niveles de produccin.

2. Pronstico a mediano plazo: Por lo general, un pronstico a

mediano plazo, o a plazo intermedio, tiene una extensin de entre 3

meses y 3 aos. Se utiliza para planear las ventas, la produccin, el

presupuesto y el flujo de efectivo, as como para analizar diferentes

planes operativos.

3. Pronstico a largoplazo. Casi siempre su extensin es de 3 aos o

ms. Los pronsticos a largo plazo se emplean para planear la

fabricacin de nuevos productos, gastos de capital, ubicacin o

expansin de las instalaciones, y para investigacin y desarrollo.


4/26

4

La influencia del ciclo de vida del

producto

Otro factor que debe considerarse cuando se desarrollan

pronsticos de ventas, en especial los largos, es el ciclo de

vida del producto. Los productos, e incluso los servicios, no

se venden a un nivel constante a lo largo de su vida. Los

productos ms exitosos pasan por cuatro etapas: (1)

introduccin; (2) crecimiento; (3) madurez, y (4)declinacin.


5/26

5

Enfoques de Pronsticos

Hay dos enfoques generales para pronosticar, de la misma

forma que existen dos maneras de abordar todos los modelosde decisin. Un enfoque es el anlisis cuantitativo; el otro es el

enfoque cualitativo.

Los pronsticos cuantitativos utilizan una variedad de modelos

matemticos que se apoyan en datos histricos y/o en variables

causales para pronosticar la demanda.

Los pronsticos cualitativos o subjetivos incorporan factores

como la intuicin, las emociones, las experiencias personales yel sistema de valores de quien toma las decisiones para llegar a

un pronstico. Algunas empresas emplean un enfoque y otras el

otro. En la prctica, la combinacin de ambos resulta ms

efectiva en la mayora de los casos.


6/26

6

Panorama de los mtodos cuantitativos

En este captulo se describen cinco mtodos de pronsticoscuantitativos que emplean datos histricos.

Los mtodos caen en dos categoras:


7/26

7

Modelos de series de tiempo

Los modelos de series de tiempo predicen bajo el

supuesto de que el futuro es una funcin del pasado.

En otras palabras, observan lo que ha ocurrido duranteun periodo y usan una serie de datos histricos para

hacer un pronstico. Si estamos pronosticando las ventas

semanales de cortadoras de csped, utilizamos datos de

las ventas pasadas de cortadoras de csped para hacer el

pronstico.


8/26

8

Modelos asociativos

Los modelos asociativos, como la regresin lineal,

incorporan las variables o los factores que pueden influir

en la cantidad por pronosticar. Por ejemplo, un modelo

asociativo sobre las ventas de cortadoras de cspedincluye factores como la construccin de nuevas

viviendas, el presupuesto de publicidad y los precios de

los competidores.


9/26

9

Pronsticos de series de tiempo

Una serie de tiempo se basa en una secuencia de datospuntuales igualmente espaciados (semanales, mensuales,

trimestrales, etc.). Los ejemplos incluyen las ventas

semanales de Nike Air Jordans, los informes de ingresos

trimestrales en Microsoft, los embarques diarios de cerveza

Coors, y los ndices anuales de precios al consumidor.

Los datos para pronsticos de series de tiempo implican

que los valores futuros se predicen solamente a partir de

los valores pasados y que se pueden ignorar otras variables,

sin importar qu tan potencialmente valiosas sean.


10/26

10

Descomposicin de una serie de

tiempo Analizar una serie de tiempo significa desglosar los datos

histricos en componentes y despus proyectarlos al

futuro. Una serie de tiempo tiene cuatro componentes:

1. La tendencia es el movimiento gradual, hacia arriba o

hacia abajo, de los datos en el tiempo. Los cambios en elingreso, la poblacin, la distribucin de edades o los

puntos de vista culturales pueden ser causantes del

movimiento en una tendencia.

2. La estacionalidades un patrn de datos que se repitedespus de un periodo de das, semanas, meses o

trimestres. Los restaurantes, discotecas, por ejemplo,

experimentan estaciones semanales, donde los sbados

son el pico del negocio.


11/26

11

Descomposicin de una serie de tiempo

3. Los ciclos son patrones, detectados en los datos, queocurren cada cierta cantidad de aos.

Usualmente estn sujetos al ciclo comercial y son de gran

importancia para el anlisis y la planeacin del negocio a

corto plazo. La prediccin de los ciclos de negocio es difcilporque stos pueden verse afectados por los

acontecimientos polticos o la turbulencia internacional.

4. Las variaciones aleatorias son seales generadas en

los datos por casualidad o por situaciones inusuales. Nosiguen ningn patrn discernible y, por lo tanto, no se

pueden predecir.

f


12/26

12

1.Enfoque intuitivo

La forma ms simple de pronosticar es suponer que la demanda

del siguiente periodo ser igual a la demanda del periodo ms

reciente.

Grfica de la demanda de un producto durante cuatro aos, la cual indica una

tendencia creciente y una estacionalidad


13/26

13

2.1Promedios mviles - simple

El pronstico de promedios mviles usa un nmero de

valores de datos histricos reales para generar un

pronstico. Los promedios mviles son tiles si podemos

suponer que la demanda del mercado permanecer

relativamente estable en el tiempo.

Un promedio mvil de 4 meses se encuentra simplemente al

sumar la demanda medida durante los ltimos 4 meses y

dividindola entre cuatro. Al concluir cada mes, los datos del

mes ms reciente se agregan a la suma de los 3 meses

previos y se elimina el dato del mes ms antiguo. Esta

prctica tiende a suavizar las irregularidades del corto plazo

en las series de datos.


14/26

14

Promedio mvil

Matemticamente, el promedio mvil simple (que sirve

como estimacin de la demanda del siguiente periodo)

se expresa como:

Donde n es el nmero de periodos incluidos

en el promedio mvil

Ejemplo 1


15/26

15


16/26

16

Tarea 1


17/26

17

2.2.Promedio mvil ponderado Cuando se presenta una tendencia o un patrn localizable, pueden

utilizarse ponderaciones para dar ms nfasis a los valores

recientes. Esta prctica permite que las tcnicas de pronsticorespondan ms rpido a los cambios, puesto que puede darse

mayor peso a los periodos ms recientes.

La eleccin de las ponderaciones es un tanto arbitraria porque no

existe una frmula establecida para determinarlas. Por lo tanto, decidir qu ponderaciones emplear requiere cierta

experiencia. Por ejemplo, si el ltimo mes o periodo se pondera

demasiado alto, el pronstico puede reflejar un cambio grande

inusual, demasiado rpido en el patrn de demanda o de ventas. Se expresa como:


18/26

18

Ejemplo 2


19/26

19


20/26

20

Tarea 2


21/26

21

Retrazo de los modelosTanto los promedios mviles simples como los ponderados son

efectivos para suavizar las fluctuaciones repentinas en el patrn de

la demanda con el fin de obtener estimaciones estables. Sin

embargo, los promedios mviles presentan tres problemas:

1. Aumentar el tamao de n (el nmero de periodos

promediados) suaviza de mejor manera las fluctuaciones, pero

resta sensibilidad al mtodo ante cambios reales en los datos.

2. Los promedios mviles no reflejan muy bien las tendencias.

Porque son promedios, siempre se quedarn en niveles pasados,

no predicen los cambios hacia niveles ms altos ni ms bajos. Es

decir, retrasan los valores reales.

3. Los promedios mviles requieren amplios registros de datos

histricos.


22/26

22

3.1 Suavizamiento exponencial

El suavizamiento exponencial es un sofisticado mtodo depronstico de promedios mviles ponderado

que sigue siendo bastante fcil de usar. Implica mantener

muypocos registros de datos histricos.

La frmula bsica para el suavizamiento exponencial seexpresa como sigue:

Nuevo pronstico = Pronstico del periodo anterior

+ (Demanda real del mes anteriorPronstico del periodo anterior)

Donde es la ponderacin, o constante de suavizamiento, elegida por

quien pronostica, que tiene un valor de entre 0 y 1


23/26

23

Suavizamiento exponencial

Tambin puede escribirse matemticamente como:

El concepto no es complicado. La ltima estimacin de la

demanda es igual a la estimacin anterior ajustada por una

fraccin de la diferencia entre la demanda real del ltimo

periodo y la estimacin anterior.

La constante de suavizamiento, ,se encuentra generalmente en un intervalo de

.05 a .50 para aplicaciones de negocios. Puede cambiarse para dar ms peso a

datos recientes (cuando es alta) o ms peso a datos anteriores (si es baja).


24/26

24


25/26

25

Seleccin de la constante de

suavizamiento

El enfoque de suavizamiento exponencial es fcil de usar y

se ha aplicado con xito en prcticamente todo tipo de

negocios. Sin embargo, el valor apropiado de la constante

de suavizamiento, , puede hacer la diferencia entre un

pronstico preciso y uno impreciso. Se eligen valores altos

de cuando el promedio subyacente tiene probabilidades

de cambiar. Se emplean valores bajos de cuando el

promedio en que se basa es bastante estable.

Al elegir los valores de la constante de suavizamiento, el

objetivo es obtener el pronstico ms preciso.


26/26

26

Para este periodo bibliografa bsica

En dos CD

PCP I 2013 Pronosticos Cuantitativos 25 Junio

Documents

Transcript of PCP I 2013 Pronosticos Cuantitativos 25 Junio