Semestre 2011 i - proyecto - semana nº 05

  • 139 views
Uploaded on

 

  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Be the first to comment
    Be the first to like this
No Downloads

Views

Total Views
139
On Slideshare
0
From Embeds
0
Number of Embeds
0

Actions

Shares
Downloads
6
Comments
0
Likes
0

Embeds 0

No embeds

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
    No notes for slide

Transcript

  • 1. Tema Nº 05: ESTUDIO DE MERCADO YDISPONIBILIDAD DE MATERIA PRIMA IIIng. José Manuel García Pantigozocalidadtotal@hotmail.com2011 - IELABORACION Y EVALUACIONDE PROYECTOS
  • 2. OBJETIVO DEL APRENDIZAJELAS ORGANIZACIONES QUE AVANZAN Y SEDESARROLLAN SE HACEN LAS SIGUIENTESPREGUNTAS:¿CÓMO PODREMOS SATISFACER PORCOMPLETO A NUESTROS CLIENTES?¿CÓMO PODREMOS BRINDAR MAYORSATISFACCION A NUESTROS CLIENTES,FRENTE A LA QUE DA LA COMPETENCIA? LEJOS DE ABORDARSE FILOSOFICAMENTE, SEDEBE CONSIDERAR COMO PRIORIDAD Nº 1¿PORQUE LA COMPETENCIA NO DESCANSA? YES EL AREA DE OPERACIONES EL CORAZONDONDE PUEDE ESTAR EL GOLPE MORTAL SI NOSE ESTA ATENTA A LOS CAMBIOS QUE SE DAN.2
  • 3. OBJETIVO DE APRENDIZAJE• Para diseñar y ejecutar un sistema de operación quesatisfaga a los clientes, una empresa debe reconocercuánta demanda tiene que satisfacer, lo cuál lo induce atres interrogantes importantes:– ¿Como saber que producir?– ¿Como saber cuanto producir?– ¿Como saber cuando producir?• La predicción y administración de la demanda ayuda aresponder estas preguntas.• La administración de la demanda incluye identificar todaslas fuentes potenciales de la demanda,así como influir enlos niveles y la duración de la demanda.Los intentos demedir la demanda inicial y los efectos de administrarla sedenominan predicciones.
  • 4. ORIENTACION GERENCIAL• Una organización de respuesta sensiblerápida (ORSP) contra sus esfuerzos deplaneación estratégica en responder dospreguntas:• ¿Cómo satisfacer totalmente a losclientes?• ¿Cómo hacerlo mejor que lacompetencia?• Una parte integral de la planeaciónestratégica de una empresa incluye laidentificación y el análisis de las fuentesactuales y potenciales de demanda desus bienes y servicios. La firma debedeterminar cuáles fuentes de demandacultivar y cómo satisfacer la demandaanticipada.
  • 5. ORIENTACIONGERENCIAL• DEFINICION: La Administraciónde la demanda implica reconocerfuentes de demanda para losbienes y servicios de unaEmpresa, predecir la demanda ydeterminar la manera cómo laempresa satisfará esa demanda.
  • 6. ¿QUÉ ES PRONOSTICAR?• Es el arte y la ciencia de predecir loseventos futuros . Puede involucrar elmanejo de datos históricos paraproyectarlos al futuro, mediante algúntipo de modelo matemático.• Puede ser una predicción subjetiva ointuitiva. O bien una combinación deambas,es decir un modelomatemático ajustado por el buenjuicio de un administrador deoperaciones.¿Cuantovenderé?
  • 7. 7PRONÓSTICOS PARTE INTEGRALDEL PLANEAMIENTO DE NEGOCIOSMétodos dePronósticoEstimaciónde lademandaPronósticode VentasEquipo deAdministraciónIngreso:Mercado,Economía,OtrosEstrategiade NegociosPronóstico deRecursos de Producción
  • 8. 8EJEMPLOS DE PRONÓSTICOS DERECURSOS DE PRODUCCIÓNRangoAltoRangoMedioRangoCortoAñoMesesSemanasLínea de Products,Capacidad de PlantaHorizontePronósticoTiempoComienzodel PronósticoUnidad deMedidaGrupos de ProductosCapacidad de Dptos.Productos EspecificosCapacidad de Maq.Dolares,LibrasDolares,LibrasProd. Units,Unidades
  • 9. – Proporciona informaciónrelacionada con el mercadoy las predicciones de lademanda.– Administra la demandamediante políticas defijación de precio ypromociones p.e. losdescuentos de temporadanivelan la demanda por unproducto o servicio.MARKETING OPERACIONES– Se encarga de asegurarque los bienes y serviciosde la Empresa seproporcionen cuando senecesiten.
  • 10. 10• Pronóstico a corto plazo t– Hasta 3 meses.– Asignación de trabajos• Pronóstico a mediano plazo– Entre 3 meses y 3 años.– Planeación de Producción y venta.• Pronóstico a largo plazo– Mas de 3 años– Planeación de un nuevo producto.TIPOS DE PRONOSTICO PORHORIZONTE DE TIEMPO
  • 11. 11TIPOS DE PRONÓSTICOS• Económicos• Tecnológicos• De demanda
  • 12. PRONOSTICOS ECONOMICOS• Sirven para pronosticar lo queserán las condicionesgenerales de los negociosdentro de algunos meses oaños.• Lo hacen los gobiernos, losbancos y los servicios depredicción econométrica.
  • 13. PRONOSTICOS TECNOLOGICOS• Pronostican la probabilidad yel significado de posiblesdesarrollos futuros.Indican ladirección de los cambiostecnológicos y la tasa decambios esperada.
  • 14. PRONOSTICOS DE LA DEMANDA• Las predicciones dedemanda pronostican lacantidad y la duraciónde la demanda de losbienes y servicios deuna empresa.
  • 15. 15ENFOQUES PARA PRONOSTICAR• Pronósticos Cualitativos• PronósticosCuantitativos
  • 16. ENFOQUES CUALITATIVOS PARAPRONOSTICAR LA DEMANDA• Las técnicas cualitativas de predicción dependen deconjetura adquiridas con base en la institución lastécnicas cualitativas mas comunes son:– Jurado de opinión ejecutiva– Método Delphi.– Fuerza de ventas– Encuestas a los clientes.
  • 17. 17JURADO DE OPINIÓN EJECUTIVA• Permite la fusión de las opiniones de una sección deexpertos interfuncionales.– Involucra pequeño grupo de alto nivel losadministradores.• Grupo estimaciones de la demanda de trabajo conjunto.• Combina la experiencia de gestión con modelosestadísticos.• Esta técnica es relativamente económica y mas utilizadaa mediano y largo plazo.• Relativamente rápida• La desventaja es que se crea “el grupo que piensa”.
  • 18. METODO DELPHI• Este método involucra a un grupo de expertos quecomparten información y eventualmente llegan a unconsenso en una predicción a largo plazo con respecto a lastecnología del futuro o a las ventas futuras de un nuevoproducto.• Esta conformado por tres tipos de personas:• Los decisores (Decision Makers).• Facilitadores (Staff).• Los encuestados (Respondents).
  • 19. 19FUERZA DE VENTAS• En muchas compañías la fuerza de ventas entraen contacto directo con los clientes lo cualconstituye una buena fuente de información queconsidera las intenciones de los clientes a corto ya mediano plazos:– Cada vendedor proyecta sus ventas.– Se combina niveles distritales y nacionales.– La fuerza de ventas conoce a los clientes.– Tienden a ser demasiado optimistasSales
  • 20. ENCUESTA A LOS CLIENTES• Una empresa también puede basarsus predicciones en los planesestablecidos de compras futuras desus clientes actuales y potencialesmediante una encuesta a sus clientes.• Esta información puede obtenersedirectamente por medio de encuestaspersonales, por teléfono, correo o fax.• Se pregunta a los clientes sobreplanes de adquisiciones.• ¿Qué dicen los consumidores, y loque realmente hacen a menudo esdiferente?• A veces difícil de responder¿Cuantas horasusará Ud. Internetla próximasemana?© 1995 CorelCorp.
  • 21. • Estos métodos cuantitativos emplean los modelosmatemáticos y los datos históricos para pronosticarla demanda. Así, el pasado se utiliza para predecirel futuro.• Hay dos tipos generales de métodos cuantitativos:- Modelos de Series de tiempo- Modelos CausalesENFOQUES CUANTITATIVOS PARAPRONOSTICAR LA DEMANDA
  • 22. MODELOS DE SERIES DE TIEMPO• Incluye elaborar gráficas de los datos dedemanda sobre una escala de tiempo y estudiarlas gráficas para descubrir los modelos y lasfiguras o los patrones consistentes. Luego, estospatrones se proyectan hacia el futuro.• DEFINICION: Una serie de tiempo es unasecuencia de observaciones cronológicamenteclasificadas que se toman a intervalos regularespara una variable en particular.
  • 23. 23TendenciaEstacionalCíclicaAleatorioCOMPONENTES DE LAS SERIES DETIEMPO
  • 24. 24MétodoCuantitativoRegresiónLinealModelosCausalesSuavizadoExponencialPromedioMóvilModelosSerie deTiemposProyecciónTendenciaMETODOS CUANTITATIVOS
  • 25. 25DESCOMPOSICION DE UNASERIE DE TIEMPOS• Tedencia (T) es el movimiento gradual,ascendente o descendente, de los datos a travesdel tiempo.• Estacionalidad (S) es el patron de datos que serepite a si mismo despues de un periodo de dias,semanas, meses, trimestres, estaciones, etc.pero dentrol año..• Ciclos (C) son patrones que ocurren enlos datoscada varios años.• Variación al azar (R) son variaciones aleatoriasque no obedecen a ningun comportamiento.
  • 26. TENDENCIAS• Las tendencias reflejan los cambios enla tecnología, los estándares de vida,los índices de población ,etc..• DEFINICION: Una tendencia es elmovimiento gradual hacia arriba ohacia debajo de los datos en el tiempo.• Las tendencias son monótonas , perono siempre lineales;pueden serlogarítmica o exponenciales.
  • 27. TENDENCIAS• Las tendencias reflejan los cambios en la tecnología, losestándares de vida, los índices de población ,etc..• DEFINICION: Una tendencia es el movimiento gradualhacia arriba o hacia debajo de los datos en el tiempo.• Las tendencias son monótonas, pero no siempre lineales;pueden ser logarítmica o exponenciales.Mo., Qtr., Yr.Response
  • 28. ESTACIONALIDAD• Las variaciones de temporadapueden corresponder a lasestaciones del año, a los díasfestivos o a diferentes momentosdel día o la semana.• DEFINICION: La temporada es lavariación que se repite a intervalosfijos. Pueden durar un año o solounas pocas horas.
  • 29. ESTACIONALIDAD• Las variaciones de temporada puedencorresponder a las estaciones del año, a los díasfestivos o a diferentes momentos del día o lasemana.• DEFINICION: La temporada es la variación quese repite a intervalos fijos. Pueden durar un año osolo unas pocas horas.Mo., Qtr.ResponseSummer
  • 30. 30ESTACIONALIDADPeriódo de tiempo Número dedel Patrón donde Longitud de la Estaciones enes repetido Estación el PatrónAño Trimestre 4Año Mes 12Año Semana 52Mes Semana 4Mes Dia 28-31Semana Dia 7
  • 31. VARIACIONES CICLICAS• Las alzas y las bajas de laeconomía o de una industriaespecificas se representan envariaciones cíclicas . El ciclo denegocios que se repite de cinco adiez años es un ejemplo.• DEFINICION: La variación cíclicatiene una duración de por lomenos un año; la variación variade un ciclo a otro.
  • 32. VARIACIONES CICLICAS• Las alzas y las bajas de la economía o de una industriaespecificas se representan en variaciones cíclicas . Elciclo de negocios que se repite de cinco a diez años esun ejemplo.• DEFINICION: La variación cíclica tiene una duración de porlo menos un año; la variación varia de un ciclo a otro.Mo., Qtr., Yr.ResponseCycle
  • 33. VARIACIONES ALEATORIAS• Las variaciones aleatorias son variacionesen la demanda que no pueden explicarsemediante tendencias , variaciones detemporada o variaciones cíclicas. Un sucesoimpredecible, como una guerra, una huelga,un terremoto o partes de legislación, puedecausar grandes variaciones aleatorias. Adiferencia de las otras tendencias , lavariación aleatoria siempre esta presente.
  • 34. VARIACIONES ALEATORIAS• Las variaciones aleatoriasson variaciones en lademanda que no puedenexplicarse mediante tendencias, variaciones de temporada ovariaciones cíclicas. Un sucesoimpredecible, como unaguerra, una huelga, unterremoto o partes delegislación, puede causargrandes variaciones aleatorias.A diferencia de las otrastendencias , la variaciónaleatoria siempre estapresente.
  • 35. 35DEMANDA DE PRODUCTO PARA 4 AÑOSCON TENDENCIA Y ESTACIONALIDADAño1Año2Año3Año4Picos Estacionales Componente TendenciaLínea deactualdemandaDemanda promediopara 4 añosDemandadeproductooservicioVariaciónaleatoria
  • 36. 36MODELOS DESERIE DE TIEMPOS
  • 37. MODELOS DE SERIE DE TIEMPOModelo Multiplicativo de una serie de tiempo:At = Tt * St * Ct * EtModelo Aditivo de una serie de tiempo:At = Tt + St + C + EtDonde :At=Demanda real en el período tTt= Componente de tendencia para el período t.St= Componente de temporada para el período t.Ct= Componente de ciclo para el período t.Et= Componente aleatoria o error para el período t.
  • 38. PROMEDIO MOVIL SIMPLE• Se utiliza para calcular la demanda promedio delos últimos n períodos y como predicción para elsiguiente período.• Promedio móvil simple:Ft= (At + A t-1 + A t-2 +....+A t-n +1 )nDonde :Ft = predicción para el período t+1At = demanda real para el períodon = número de períodos por promediar
  • 39. 39Usted es gerente de una tienda de museohistórico que vende réplicas. ¿Quieresprevisión de ventas (000) para el año 2009utilizando un período de 3 de media móvil.2004 42005 62006 52007 32008 7EJEMPLO DE PROMEDIO MOVIL SIMPLE
  • 40. 40TimeResponseYiMoving Total(n = 3)MovingAvg. (n = 3)2004 42005 62006 5NA NANA NANA NA2007 32008 72009 NA4 + 6 + 5 = 15SOLUCION DEL PROMEDIO MOVILSIMPLE
  • 41. 41TimeResponseYiMoving Total(n = 3)MovingAvg. (n = 3)2004 4 NA NA2005 6 NA NA2006 5 NA NA2007 3 4 + 6 + 5 = 15 15/3 = 5.02008 72009 NA6 + 5 + 3 = 14SOLUCION DEL PROMEDIO MOVIL SIMPLE
  • 42. 42AñoRespuestaYiMovil Total(n = 3)MovilProm.(n = 3)2004 4 NA NA2005 6 NA NA2006 5 NA NA2007 3 4 + 6 + 5 = 15 15/3 = 5.02008 7 6 + 5 + 3 = 14 14/3 = 4.72009 NA 5 + 3 + 7 = 15 15/3 = 5.0SOLUCION DEL PROMEDIO MOVIL SIMPLE
  • 43. 43AñoVentas0246804 05 06 07 08 09ActualPronósticoGRAFICO DEL PROMEDIO MOVIL SIMPLE
  • 44. 44PROMEDIO SIMPLECON WINQSB 2
  • 45. 48PROMEDIO MOVIL SIMPLECON WINQSB 2
  • 46. PROMEDIO MOVIL PONDERADO• Se utiliza cuando existe una tendencia o patrón,los pesos pueden ser utilizados para poner mayorenfásis en datos recientes.• Promedio de móvil ponderado:Ft= (Peso para el periodo n)(Demanda periodo n)Σ pesosDonde :Ft = predicción para el período nn = número de períodos por promediar
  • 47. 54DEMANDA ACTUAL, PROMEDIOMOVIL, PROMEDIO MOVILPONDERADO05101520253035Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov DecMesesDEMANDADEVENTASVentas actualesPromedio móvilPromedio móvilponderado
  • 48. 55• Al incrementar n pronósticos, hace aeste sensitivo a los cambios.• No pronostica tendencias.• Requiere muchos datos históricosDESVENTAJAS DEL PROMEDIO MOVIL
  • 49. 56PROMEDIO MOVILPONDERADOCON WINQSB 2
  • 50. © 2006 Prentice Hall, Inc. 4 – 473030 –2525 –2020 –1515 –1010 –55 –SalesdemandSalesdemand| | | | | | | | | | | |JJ FF MM AA MM JJ JJ AA SS OO NN DDActualActualsalessalesMovingMovingaverageaverageWeightedWeightedmovingmovingaverageaverageFigure 4.2Figure 4.262GRAFICO DEL PROMEDIO MOVIL SIMPLE YPROMEDIO MOVIL PONDERADO
  • 51. 63MODELOS DE SUAVIZADOEXPONENCIAL
  • 52. MODELOS DE SUAVIZADO• Los modelos de suavización, como el promedio dedesplazamiento simple y la suavización exponencial,pueden proporcionar predicciones razonables acorto plazo con rapidez y a bajo costo.• Suavización exponencial:Ft= Ft-1 + α(A t-1 - F t - 1)Donde :F t = predicción para el período tF t - 1 = predicción para el período t - 1At –1 = Demanda real para el período t - 1α = constante de suavización (0<= 1<=1)
  • 53. 65Se esta organizando una reunión en Kwanza.Se espera pronosticar la atención del año2009( = .10). En 2004 el pronóstico fué 175.2004 1802005 1682006 1592007 1752008 190EJEMPLO DE SUAVIZADO EXPONENCIAL
  • 54. 66Ft = Ft-1 + a· (At-1 - Ft-1)Año ActualPronósticoFt(a = .10)2004 180 175.00 (Base)2005 1682006 1592007 1752008 1902009 NA175.00 +EJEMPLO DE SUAVIZADO EXPONENCIAL
  • 55. 67Ft = Ft-1 + a· (At-1 - Ft-1)Año ActualFt(a = .10)2004 1802005 168 175.00 + .10(2006 1592007 1752008 1902009 NAEJEMPLO DE SUAVIZADO EXPONENCIALPronóstico175.00 (Base)
  • 56. 68Ft = Ft-1 + a· (At-1 - Ft-1)Año ActualFt(a = .10)2004 1802005 168 175.00 + .10(180 -2006 1592007 1752008 1902009 NAEJEMPLO DE SUAVIZADO EXPONENCIALPronóstico175.00 (Base)
  • 57. 69Ft = Ft-1 + a· (At-1 - Ft-1)Año ActualFt(a = .10)2004 1802005 168 175.00 + .10(180 - 175.00)2006 1592007 1752008 1902009 NAEJEMPLO DE SUAVIZADO EXPONENCIALPronóstico175.00 (Base)
  • 58. 70Ft = Ft-1 + a· (At-1 - Ft-1)Año ActualFt( = .10)2004 1802005 168 175.00 + .10(180 - 175.00) = 175.502006 1592007 1752008 1902009 NAEJEMPLO DE SUAVIZADO EXPONENCIALPronóstico175.00 (Base)
  • 59. 71Ft = Ft-1 + a· (At-1 - Ft-1)Año ActualFt(a = .10)2004 1802005 168 175.00 + .10(180 - 175.00) = 175.502006 159 175.50 + .10(168 - 175.50) = 174.752007 1752008 1902009 NAEJEMPLO DE SUAVIZADO EXPONENCIALPronóstico175.00 (Base)
  • 60. 72Ft = Ft-1 + a· (At-1 - Ft-1)Año ActualFt(a = .10)2004 1802005 168 175.00 + .10(180 - 175.00) = 175.502006 159 175.50 + .10(168 - 175.50) = 174.752007 1752008 1902009 NA174.75 + .10(159 - 174.75) = 173.18EJEMPLO DE SUAVIZADO EXPONENCIALPronóstico175.00 (Base)
  • 61. 73Ft = Ft-1 + a· (At-1 - Ft-1)Año ActualFt(a = .10)2004 1802005 168 175.00 + .10(180 - 175.00) = 175.502006 159 175.50 + .10(168 - 175.50) = 174.752007 175 174.75 + .10(159 - 174.75) = 173.182008 190 173.18 + .10(175 - 173.18) = 173.362009 NAEJEMPLO DE SUAVIZADO EXPONENCIALPronóstico175.00 (Base)
  • 62. 74Ft = Ft-1 + a· (At-1 - Ft-1)Año ActualFt(a = .10)2004 1802005 168 175.00 + .10(180 - 175.00) = 175.502006 159 175.50 + .10(168 - 175.50) = 174.752007 175 174.75 + .10(159 - 174.75) = 173.182008 190 173.18 + .10(175 - 173.18) = 173.362009 NA 173.36 + .10(190 - 173.36) = 175.02EJEMPLO DE SUAVIZADO EXPONENCIALPronóstico175.00 (Base)
  • 63. 75AñoVentas14015016017018019004 05 06 07 08 09ActualPronósticoGRAFICO DE SUAVIZADO EXPONENCIAL
  • 64. 76Ft = At - 1 + (1- )At - 2 + (1- )2At - 3 + ...EFECTO EN EL PRONOSTICO DE LACONSTANTE DE SUAVIZADOPesosPrior Period 2 periods ago(1 - )3 periods ago(1 - )2== 0.10= 0.9010%
  • 65. 77Ft = At - 1 + (1- ) At - 2 + (1- )2At - 3 + ...PesosPrior Period 2 periods ago(1 - )3 periods ago(1 - )2== 0.10= 0.9010% 9%EFECTO EN EL PRONOSTICO DE LACONSTANTE DE SUAVIZADO
  • 66. 78Ft = At - 1 + (1- )At - 2 + (1- )2At - 3 + ...PesosPrior Period 2 periods ago(1 - )3 periods ago(1 - )2== 0.10= 0.9010% 9% 8.1%EFECTO EN EL PRONOSTICO DE LACONSTANTE DE SUAVIZADO
  • 67. 79Ft = At - 1 + (1- )At - 2 + (1- )2At - 3 + ...PesosPrior Period 2 periods ago(1 - )3 periods ago(1 - )2== 0.10= 0.9010% 9% 8.1%90%EFECTO EN EL PRONOSTICO DE LACONSTANTE DE SUAVIZADO
  • 68. 80Ft = At - 1 + (1- ) At - 2 + (1- )2At - 3 + ...PesosPrior Period 2 periods ago(1 - )3 periods ago(1 - )2== 0.10= 0.9010% 9% 8.1%90% 9%EFECTO EN EL PRONOSTICO DE LACONSTANTE DE SUAVIZADO
  • 69. 81Ft = At - 1 + (1- ) At - 2 + (1- )2At - 3 + ...PesosPrior Period 2 periods ago(1 - )3 periods ago(1 - )2== 0.10= 0.9010% 9% 8.1%90% 9% 0.9%EFECTO EN EL PRONOSTICO DE LACONSTANTE DE SUAVIZADO
  • 70. 82IMPACTO DE0501001502002501 2 3 4 5 6 7 8 9QuarterActualTonageActualForecast (0.1)Forecast (0.5)
  • 71. SUAVIZADO EXPONENCIAL CONTENDENCIA• La suavización exponencial simple falla al responder a lastendencias. Para suavizar nuestras correcciones portendencias se calcula un promedio de suavizaciónexponencial simple como el anterior, y se ajusta pararetrasos positivos y negativos. La ecuación de la tendenciaemplea una constante de suavización Beta, de la mismamanera que el modelo simple utiliza Alfa.• Ejemplo: Estimar las ventas para el año siete tomando encuenta una tendencia inicial de 22.73, un α = 0.3, una β =0.50, y un pronóstico inicial de 340. Además, establezca elMAD.Año 1 2 3 4 5 6Ventas 400 470 500 530 560 595
  • 72. • Las tendencias pueden ser o no lineales. Sin embargo, lastendencias lineales son imparciales y la mayoría de laspersonas encuentra fácil trabajar con ellas.• Linea de tendencia lineal:Ft = a+btb = (Σxy-nxy) a = y - bx(Σx2 – nx2)Donde:t = número de períodos siguientes al período base.Ft = demanda estimada para el período ta = demanda para el periodo base.b = pendiente de la línea de tendencia.PROYECCIONES DE TENDENCIA
  • 73. PROYECCIONES DE TEMPORADA• Las proyecciones de temporada se dan para unperíodo dado:• IBM al igual que muchas empresas, experimenta lademanda de temporada, como puede observarse enel ejemplo 6 de la pagina 61.• Pronóstico=Indice Estacional *Pronostico de latendenciaEstacional
  • 74. 91MODELOS DE SUAVIZADOEXPONENCIAL CON WINQSB2
  • 75. SERIES DE TIEMPO CON WINQSB2 La opción Nuevo Problema (New Problem) generauna plantilla en el cual se introducirán lascaracterísticas de nuestro problema de pronósticos:
  • 76. SERIES DE TIEMPO CON WINQSB2 A continuación se describirá la ventana deEspecificaciones del problema (ProblemSpecification):Pronóstico de Series de Tiempos (Time SeriesForecasting): Título del problema (Problem Title): Nombrecon el cual se identificará el problema. Unidad de Tiempo (Time Unit): Se especifica launidad de tiempo de la serie. Numero de unidades de tiempo (Number ofTime Units - Periodos): Datos disponibles.
  • 77. SERIES DE TIEMPO CON WINQSB2Regresion lineal (Linear Regression)
  • 78. SERIES DE TIEMPO CON WINQSB2• Título del problema (Problem Title): Nombrecon el cual se identificará el problema.• Número de variables (Number of Factors -Variables): Cantidad de variables utilizadasen el modelo.• Numero de observaciones (Number ofObservations): Datos disponibles.
  • 79. Ejemplo 1: Informaciónsuministrado por elDepartamento deEstadísticas de laciudad, el número decarros que transitaronen los últimos 7 añosfueron: Pronosticar lacantidad de vehículospara los años 2005 y2006.AÑO CANTIDAD1998 12000001999 15000002000 18500002001 19150002002 24000002003 27500002004 2920000
  • 80. SERIES DE TIEMPO CON WINQSB2INTRODUCIENDO LOS DATOS• Procederemos a llenar los campos de la ventana, endonde la unidad de tiempo esta dado en años y elnúmero de datos disponibles son 7.
  • 81. SERIES DE TIEMPO CON WINQSB2• Luego introducimos los datos de los vehículos enestricto orden:
  • 82. SERIES DE TIEMPO CON WINQSB2• En el caso de quequeramos eliminar oagregar nuevos datos,tenemos las opcionesAgregar unaobservación (Add anObservation) y Eliminaruna observación(Delete an Observation)en el menú Editar(Edit).
  • 83. SERIES DE TIEMPO CON WINQSB2• En el menú Resolver y analizar (Solve andAnalyze) elegimos la única opción disponible:•La nueva ventana permitirá distinguir entre diferentesmétodos de solución para series de tiempo:• La nueva ventana permitirá distinguir entre diferentesmétodos de solución para seres de tiempo:
  • 84. SERIES DE TIEMPO CON WINQSB2• La nueva ventana permitirá distinguir entre diferentesmétodos de solución para seres de tiempo:
  • 85. SERIES DE TIEMPO CON WINQSB2• Seleccionaremos la opción Suavizado exponencialsimple (Single Exponential Smoothing) e indicaremosinformación adicional para resolver el problema con estemétodo:
  • 86. SERIES DE TIEMPO CON WINQSB2• La primera opción (permanente en todos losmétodos) corresponde al número de periodos apronosticar (para nuestro ejemplo problema son dosaños).• Recordemos que α (alpha) es una constante entre 0y 1.• Existe también la opción de mantener el resultado deun método para poder compararlo con otrosdistintos.
  • 87. SERIES DE TIEMPO CON WINQSB2• Promedio simple (Simple Average)• Promedio móvil (Moving Average)• Promedio móvil ponderado (Weighted Moving Average)• Promedio móvil con tendencia lineal (Moving Average with Linear Trend)• Suavizado exponencial simple (Single Exponential Smoothing)• Suavizado exponencial simple con tendencia lineal (Single• Exponential Smoothing with Linear Trend)• Suavizado exponencial doble (Double Exponential Smoothing)• Suavizado exponencial doble con tendencia lineal (Double ExponentialSmoothing with Linear Trend)• Suavizado exponencial adaptado (Adaptive Exponential Smoothing)• Regresión lineal con tiempos (Linear Regression with Time)• Algoritmo suma Holt-Winters (Holt-Winters Additive Algorithm)• Algoritmo multiplicativo Holt-Winters (Holt-Winters MultiplicativeAlgorithm).
  • 88. SERIES DE TIEMPO CON WINQSB2Al pulsar OK tenemos:
  • 89. SERIES DE TIEMPO CON WINQSB2• ANALIZANDO LOS RESULTADOS• El pronóstico para los dos años se puede observaren la columna Pronóstico por SES (Forecast forSES) en las filas correspondiente a los valores 8y 9.
  • 90. 108MEDIDAS PARA CALCULAR ELERROR GLOBAL DEL PRONÓSTICO
  • 91. MEDIDAS PARA CALCULAR EL ERRORGLOBAL DEL PRONÓSTICO• Error del pronóstico acumulado (Cumulative Forecast Error - CFE)• Desviación media absoluta (Mean Absolute Deviation - MAD)• Error medio cuadrático (Mean Square Error - MSE)• Error medio porcentual absoluto (Mean Absolute Percent Error – MAPE)• Señal de senda (Tracking Signal): Equivale a la división entre CFE y MAD.• R al cuadrado (R-Square): Coeficiente de determinación.
  • 92. Al dato Ai se le resta el pronostico FiERROR DE PRONOSTICOForecast Error = (Actual Data - Pronóstico)
  • 93. 112• Los grandes errores positivos se compensan conlos grandes errores negativos en la CFE de unamedición.• Sin embargo el CFE resulta útil para evaluar elsesgo de un pronóstico.• Por ejemplo, si un pronóstico resulta mas bajoque la demanda real, el valor del CFE sera cadavez más grande.Et=CFEn1=iERROR DE PRONOSTICO ACUMULADO(CFE)
  • 94. Sumatoria de los errores depronostico.ERROR DE PRONOSTICO ACUMULADO(CFE)CFE = Σ (Forecast Error )
  • 95. DESVIACION MEDIAABSOLUTA (MAD)nSuma de Desviación absoluta para n periodos=MADnDemanda pronosticada-Demanda actual=MADn1=i• Desviación Absoluta Media (MAD): Su valor se calculasumando los valores absolutos de los errores individuales delpronóstico y dividiendo entre el número de periodos de datos(n)Veamos un ejemplo
  • 96. 116• Muestra la magnitud del errorglobal.• No penaliza los errores extremos.• No anula los errores.• No da idea de la dirección del error.• En unidades originales.DESVIACION MEDIAABSOLUTA (MAD)
  • 97. Ejemplo: Durante los últimos 8 trimestres, el puerto delCallao ha descargado de los barcos grandes cantidades degrano. El Jefe de Operaciones del puerto quiere probar eluso de suavizamiento exponencial para ver que tan bienfunciona la técnica para predecir el tonelaje descargado.Supone que el pronóstico de grano descargado durante elprimer trimestre fue 175 toneladas. Se examinan dos valoresde α .α = 0,10 y α = 0,50.La siguiente tabla muestra los cálculos detallados sólo paraα = 0,10DESVIACION MEDIAABSOLUTA (MAD)
  • 98. DESVIACION MEDIAABSOLUTA (MAD)TrimestreToneladasrealesdescargadasPronósticoRedondeado conα = 0,10PronósticoRedondeado conα = 0,50123456789180168159175190205180182?175= 175 + 0,10 ( 180 – 175)Pronóstico del periodoanteriorDemandareal enperiodoanteriorPronóstico delperiodo anterior176175 = 175,50+0,10 (168 – 175,50)173 = 174,75+0,10 (159-174,75)173 = 173,18+0,10 (175+173,18)175 = 173,36+0,10(190-173,36)178= 175,02+0,10(205-175,02)178 = 178,02 + 0,10 (180-178,02)179 = 178,22 + 0,10 (182-178,22)175178173166170180193186184Para evaluar la precisión de ambas constantes de suavizado,calculamos los errores de pronóstico en términos dedesviaciones absolutas y MAD.
  • 99. DESVIACION MEDIAABSOLUTA (MAD)TrimestreToneladasrealesDescargadasPronósticoRedondeadocon α=0,10DesviaciónAbsoluta Paraα=0,10PronósticoRedondeadocon α=0,50DesviaciónAbsoluta Paraα=0,5012345678180168159175190205180182175176175173173175178178581621730241751781731661701801931865101492025134Suma de desviaciones absolutas 84 100MAD = desviacionesn10,50 12,50Con base en este análisis, una constante de suavizado de α=0,10 es preferible a α = 0,50 por que su MAD es más pequeña.Se debe encontrar la constante de suavizado con el menor error
  • 100. © 2006 Prentice Hall, Inc. 4 – 54225225 –200200 –175175 –150150 – | | | | | | | | |11 22 33 44 55 66 77 88 99QuarterQuarterDemandDemand= .1= .1ActualActualdemanddemand= .5= .5DESVIACION MEDIAABSOLUTA (MAD)
  • 101. ERROR CUADRATICO MEDIO (MSE)Error Cuadrático Medio (MSE): Es una segunda forma demedir el error global del pronóstico. El MSE es el promedio delos cuadrados de las diferencias entre los valorespronosticados y observados. Su fórmula es:MSE = (errores de pronóstico)nSigamos con el ejemplo del puerto del Callao paradeterminar el MSE
  • 102. ERROR CUADRATICO MEDIO (MSE)TrimestreToneladasrealesDescargadasPronósticoRedondeadocon α=0,1012345678180168159175190205180182175176175173173175178178(Error)252= 25(-8)2= 64(-16) = 256(2) = 417 = 28930 = 9002 = 44 = 16222222Suma de los cuadrados de los errores 1.558MSE = (errores de pronóstico)n2= 1.558 / 8 = 194,75Usando un α= 0,50 se obtendría un MSE de 201,5. Por lo tanto elα= 0,10 es una mejor elección por que se minimiza el MSE.
  • 103. ERROR PORCENTUAL ABSOLUTO MEDIO(MAPE)Error Porcentual Absoluto (MAPE): Este se calcula como elpromedio de las diferencias absolutas entre los valorespronosticados y los reales y se expresa como porcentaje delos valores reales. Es decir, si hemos pronosticado n periodosy los valores reales corresponden a n periodos, MAPE, secalcula como:Sigamos con el ejemplo del puerto del Callao paradeterminar el MAPE= real i - pronóstico i /real i100ni = 1MAPEn
  • 104. ERROR PORCENTUAL ABSOLUTO MEDIO(MAPE)TrimestreToneladasrealesDescargadasPronósticoRedondeadocon α=0,1012345678180168159175190205180182175176175173173175178178Suma de errores porcentuales =45,62%Error porcentualAbsoluto100 ( error / real)100(5/180) = 2,77%100(8/168) = 4,76%100(16/159) = 10,06%100(2/175) = 1,14%100(17/190) = 8,95%100(30/205) = 14,63%100(2/180) = 1,11%100(4/182) = 2,20%MAPE = errores porcentuales absolutos =n 8= 5,70%45,62%
  • 105. TRACKING SIGNAL (SEÑAL DESEGUIMIENTO)Tracking Signal: medias que se hacen en el pronostico parapredecir los valores actuales. El Tracking signal se calculaasí:MADDemanda pronosticada-Demanda actual=n1=i
  • 106. MODELOS DESERIE DE REGRESION LINEAL
  • 107. MODELO CAUSAL• A diferencia de los modelos de serie, losmodelos causales identifican y midendirectamente los efectos de las fuerzasespecificas que influyen en la demanda.Por tanto, son mas apropiados parapredecir y evaluar los efectos de lasdecisiones que toma la empresa (p.e.cambios en la publicidad o en los precios) que las técnicas de series de tiempos.• Dentro de los modelos causales tenemosa la regresión lineal.
  • 108. 128ANALISIS DE REGRESION LINEAL• La relación entre una variableindependiente, X, y una variabledependiente, Y.• Asumido para ser lineal (una línea recta)• Ecuación: Y = a + bX Y = variable dependiente X = variable independente a = intercepta al eje y b = pendiente de la regresión
  • 109. 130TiempoVentas0123404 05 06 07 08Ventas Vs TiempoGRAFICO DE REGRESION LINEAL
  • 110. 131Equación: ii bxaYˆConstante:xnxyxnyxbiniiiniY-Intercepta: xbyaANALISIS DE REGRESION LINEAL
  • 111. ECUACION DE REGRESIÓN Variable Dependiente (Y): La variable que queremosestimar o predecir. Variable Independiente (X): La variable que se usa parahacer la predicción o estimación. Determinar la Ecuación de la Linea de Regresión; Y = a + bX Usada para predecir el valor de la Variable Dependiente(Y) basado en los valores de la Variable Independiente (X).bn XY X Yn X XaYnbXn( ) ( )( )( ) ( )2 2
  • 112. 133Xi Yi Xi2Yi2XiYiX1 Y1 X12Y12X1Y1X2 Y2 X22Y22X2Y2: : : : :Xn Yn Xn2Yn2XnYnXi Yi Xi2Yi2XiYiTABLA DE REGRESION LINEAL
  • 113. 134David Castillo es dueño de una compañía constructora enLos Ángeles. El se ha percatado que el volumen de ventases dependiente de la nomina en el área de Los Ángeles. Lasiguiente tabla de datos enumera los ingresos y la nominade los trabajadores en Los Ángeles durante el 2003 y 2008.Años Ventas de David Castillo Nómina Local(US$ 000 000),y (US$ 000 000000),x2003 2.0 12004 3.0 32005 2.5 42006 2.0 22007 2.0 12008 3.5 7¿Cuál es la tendencia de la ecuación?EJEMPLO DE REGRESION LINEAL
  • 114. EJEMPLO DE REGRESION LINEALVentas,y Nómina,x x2xy2,00 1 1 2,03,00 3 9 9.02,50 4 16 10.02,00 2 4 4.02,00 1 1 2.03,50 7 49 24.515.0 18 80 51.5
  • 115. Substituya la siguiente formula para encontrar b.25.0)9(680)5.2)(3(65.51b22XnXYXnXYb75.1)3(25.05.2aSubstituya la siguiente formula para encontrar a.XbYa
  • 116. bxaYSubstituya la siguiente formula para encontrar Y.xY 25.075.1Reemplazamos valores si los ingresos son:US$ 6000,0000,000.00)6(25.075.1YDando como resultados ventas por el montode US$ 325,000.00
  • 117. ERROR ESTÁNDAR DE ESTIMACION• El Error Estándar del Estimación mide ladispersión o variabilidad de los datos alrededor dela linea de regresión. Las fórmulas usadas paracalcular el Error Estándar son:SY YnY a Y b XYnY X( )( ) ( )2222
  • 118. ERROR ESTÁNDAR DE ESTIMACION• Calcular el error estandar de la estimacion paralos datos de Castillo en el ejemplo anterior. Parafacilitar el tenemos que ΣY2 = 39.539.5 -1.75(15.0) –0.25(51.5)6 - 2S y.x =S y.x = 0.306 (en ciento de miles de US$)El error estándar de estimación es US$
  • 119. COEFICIENTE DE CORRELACION• Calculamos el coeficiente de correlacion para losdatos de Castillo en el ejemplo anterior. Parafacilitar el tenemos que ΣY2 = 39.59492.0)5.2(65.39)5.2(6)5.51(25.0)0.15(75.12r2222YnYYnXYbYar901.0r
  • 120. MODELOS DE SERIE DEREGRESION LINEAL CONWINQSB2EJEMPLO 02
  • 121. EJEMPLO DE REGRESIÓN LINEALPredecir el valor de Y para un X de 40 si se tienen lossiguiente datos:
  • 122. EJEMPLO DE REGRESIÓN LINEALEn la ventana Especificaciones del problema (ProblemSpecification), seleccionamos Regresión lineal (LinearRegression) y digitamos la siguiente información:
  • 123. EJEMPLO DE REGRESIÓN LINEALIngresamos los datos del problema como se muestra acontinuación (factor 1 equivale a X):
  • 124. EJEMPLO DE REGRESIÓN LINEALEn el menú Resolver y analizar (Solve and Analyze)elegimos la opción disponible:
  • 125. EJEMPLO DE REGRESIÓN LINEALEn la siguiente ventana se especifica cual es la variabledependiente, para lo cual, se deberá marcar el factor 2 (quepara nuestro caso es Y) y luego pulsar el botón OK.
  • 126. EJEMPLO DE REGRESIÓN LINEALLos resultados de la regresión se muestran de la siguienteforma:
  • 127. Las medias de las variables aparecen en la columna llamadaMeanX = 1515,833 y Y = 22,5Las desviaciones correspondientes están en la columnaStandard Deviation (9,35 para X y 403,34 para Y). Losvalores de a y b de la ecuación de la línea recta están en lacolumna Regression Coefficient:Y = 553,4762 + 42,7714XLa correlación al cuadrado es de 0,9839438.EJEMPLO DE REGRESIÓN LINEAL
  • 128. LA ECUACIÓN DE LA RECTA EN MODO GRÁFICOPara observar el mapa de dispersión y la línea de tendenciasimplemente accederemos al menú Resultados (Results) yseleccionamos Mostrar regresión lineal (Show Regression Line).EJEMPLO DE REGRESIÓN LINEAL
  • 129. ESTIMANDO YPara estimar el valor de Y para un X de 40 deberemos cerrarlas ventanas de resultado y en el menú Resolver y analizar(Solve and Analyze) pulsamos sobre la última opción:EJEMPLO DE REGRESIÓN LINEAL
  • 130. ESTIMANDO YPara estimar el valor de Y para un X de 40 deberemos cerrarlas ventanas de resultado y en el menú Resolver y analizar(Solve and Analyze) pulsamos sobre la última opción:EJEMPLO DE REGRESIÓN LINEAL
  • 131. ESTIMANDO YPulsamos sobre el botón Entrar valor de la variableindependiente (Enter Value for Independent Variable) eingresamos 40::EJEMPLO DE REGRESIÓN LINEAL
  • 132. ESTIMANDO YPulsamos el botón OK en ambas ventanas.EJEMPLO DE REGRESIÓN LINEAL
  • 133. MODELOS DE SERIE DEREGRESION LINEAL CONWINQSB2EJEMPLO 03
  • 134. EJEMPLO DE REGRESIÓN LINEALPredecir el valor de Y para un X de 40 si se tienen lossiguiente datos:
  • 135. EJEMPLO DE REGRESIÓN LINEALEn la ventana Especificaciones del problema (ProblemSpecification), seleccionamos Regresión lineal (LinearRegression) y digitamos la siguiente información:
  • 136. EJEMPLO DE REGRESIÓN LINEALIngresamos los datos del problema como se muestra acontinuación (factor 1 equivale a X):
  • 137. EJEMPLO DE REGRESIÓN LINEALEn el menú Resolver y analizar (Solve and Analyze)elegimos la opción disponible:
  • 138. EJEMPLO DE REGRESIÓN LINEALEn la siguiente ventana se especifica cual es la variabledependiente, para lo cual, se deberá marcar el factor 1 (quepara nuestro caso es Y) y luego pulsar el botón OK.
  • 139. EJEMPLO DE REGRESIÓN LINEALLos resultados de la regresión se muestran de la siguienteforma:
  • 140. Las medias de las variables aparecen en la columna llamadaMeanX = 3.0000 y Y = 2.5000Las desviaciones correspondientes están en la columnaStandard Deviation (2.2804 para X y 0.6325 para Y). Losvalores de a y b de la ecuación de la línea recta están en lacolumna Regression Coefficient:Y = 1.7500 + 0.2500XLa correlación al cuadrado es de 0,98125EJEMPLO DE REGRESIÓN LINEAL
  • 141. LA ECUACIÓN DE LA RECTA EN MODO GRÁFICOPara observar el mapa de dispersión y la línea de tendenciasimplemente accederemos al menú Resultados (Results) yseleccionamos Mostrar regresión lineal (Show Regression Line).EJEMPLO DE REGRESIÓN LINEAL
  • 142. ESTIMANDO YPara estimar el valor de Y para un X de 6 deberemos cerrarlas ventanas de resultado y en el menú Resolver y analizar(Solve and Analyze) pulsamos sobre la última opción:EJEMPLO DE REGRESIÓN LINEAL
  • 143. ESTIMANDO YPara estimar el valor de Y para un X de 60 deberemos cerrarlas ventanas de resultado y en el menú Resolver y analizar(Solve and Analyze) pulsamos sobre la última opción:EJEMPLO DE REGRESIÓN LINEAL
  • 144. ESTIMANDO YPulsamos sobre el botón Entrar valor de la variableindependiente (Enter Value for Independent Variable) eingresamos 6 :EJEMPLO DE REGRESIÓN LINEAL
  • 145. ESTIMANDO YPulsamos el botón OK en ambas ventanas.EJEMPLO DE REGRESIÓN LINEAL