Академический Документы
Профессиональный Документы
Культура Документы
25/06/2013
Definicin General
Arte y ciencia de
Definiciones
Pronstico: Estimacin de un acontecimiento futuro, con datos del pasado (usados de manera sistemtica). Prediccin: Estimacin de un suceso futuro basndose en consideraciones subjetivas.
25/06/2013 Todos los derechos reservados
25/06/2013
Tiempo
25/06/2013 Todos los derechos reservados 5
Rango: (mayor o igual a 3 aos) Uso: Planear la fabricacin de nuevos productos, gastos de capital, ubicacin o expansin de las instalaciones, y para investigacin y desarrollo.
25/06/2013
Comportamiento De La Demanda
25/06/2013 Todos los derechos reservados 8
2.
Por su Oportunidad
Saturada Insaturada
25/06/2013
10
25/06/2013
Efectiva o real Potencial (se puede volver real) Aparente (no existe certeza)
Todos los derechos reservados 12
25/06/2013
Mercado
Mercado
Posibles Compradores Lo que puedo tener
Mi Producto
25/06/2013
14
Demanda y Oferta
25/06/2013
15
Criterios de Segmentacin
25/06/2013
16
Declinacin critical
Cost control
25/06/2013
Estrategia de la compaia
18
Demanda en produccion
25/06/2013 Todos los derechos reservados 19
B(4)
C(2)
D(2)
E(1)
D(3)
F(2)
25/06/2013
20
Ciclo econmico
25/06/2013
22
Variable econmicas
25/06/2013 Todos los derechos reservados 23
Situaciones Polticas
25/06/2013
24
Metodos de Pronostico
25/06/2013 Todos los derechos reservados 25
Mtodos de Pronstico
Existen dos tipos:
Mtodos Cualitativos: son aquellos que dependen de juicios. Mtodos Cuantitativos: son aquellos que poseen un modelo subyacente.
Los datos y patrones de datos se utilizan como indicadores confiables para predecir el futuro. Incluyen Series de Tiempo y Modelos Causales.
Todos los derechos reservados
25/06/2013
26
Mtodos de pronsticos
Cuantitativos (objetivos)
2.
25/06/2013
25/06/2013
28
1. El horizonte de tiempo que se va a pronosticar. (t) 2. La disponibilidad de los datos. (DATA) 3. La precisin requerida. (Error de pronstico) 4. El tamao del presupuesto de pronstico. ($) 5. La disponibilidad de personal calificado. (C)
25/06/2013 Todos los derechos reservados 30
25/06/2013
32
25/06/2013
Mtodos Cualitativos
25/06/2013 Todos los derechos reservados 35
Mtodos de pronsticos
Cuantitativos (objetivos)
2.
25/06/2013
Mtodos Cualitativos
Caractersticas Generales:
Se posee poca informacin. Existe alta incertidumbre. Se tiene escaso control del proceso. Horizonte de mediano o largo plazo.
25/06/2013
37
Mtodos cualitativos
Usos:
Desarrollo de nuevos productos Desarrollo de nuevas tecnologas Intuicin Experiencia Emociones Sistema de tradiciones
38
Aplican:
Recomendaciones
Utilizar un lenguaje sencillo. Claridad en las preguntas. Emplear los trminos adecuados. Facilitar la memoria con preguntas del pasado ms inmediato. Evitar la realizacin de clculos. Evitar preguntas que puedan implicar respuestas condicionadas. Preguntas lo ms cortas posibles. Evitar preguntas implcitas en otras (salvo preguntas de control). El orden de las preguntas no debe condicionar las respuestas. Emplear un orden lgico en las preguntas
Todos los derechos reservados 39
25/06/2013
Tipos de preguntas
Abiertas. Cerradas. Semicerradas o semiabiertas. Introductivas. Seleccin mltiple. Seleccin nica. De valoracin. De recuerdo o memoria. De control De relajacin Otras
Todos los derechos reservados 40
25/06/2013
Cualitativo
25/06/2013
41
Fase 1: formulacin del problema. Fase 2: eleccin de ejecutivos expertos. Fase 3: diseo, elaboracin y prueba de los del cuestionario. Fase 4: aplicacin de cuestionarios. Fase 5: recoleccin, tabulacin, anlisis de la informacin. Fase 6: Presentacin de la informacin.
Todos los derechos reservados 43
25/06/2013
Cualitativo
Tcnica: Mtodo Delphi
25/06/2013
44
25/06/2013
45
Fase 1: formulacin del problema. Fase 2: eleccin de expertos. Fase 3: diseo, elaboracin y prueba de los de los cuestionarios. Fase 4: aplicacin de cuestionarios. Fase 5: recoleccin, tabulacin, anlisis de la informacin. Fase 6: Presentacin de la informacin.
25/06/2013 Todos los derechos reservados 47
Fases
Cualitativo
25/06/2013
49
Se puede hacer trimestral el anlisis (puede preguntar otras cosas: ejm, porqu estn disminuyendo las ventas)
25/06/2013 Todos los derechos reservados 50
Cualitativo
25/06/2013
51
Cualitativo
Tcnica: Analoga a los Ciclos de Vida
25/06/2013
54
25/06/2013
55
Cualitativo
Tcnica: Otros
25/06/2013
58
Otras tcnicas
Mtodos de los escenarios o planeacin por escenarios. .
25/06/2013
59
Mtodos Cuantitativos
25/06/2013 Todos los derechos reservados 60
Mtodos de pronsticos
Cuantitativos (objetivos)
2.
25/06/2013
Mtodos cuantitativos
Usos:
Demanda de productos existente. Compra de tecnologas. Tcnicas matemticas. Tcnicas estadsticas.
Aplica:
Pronsticos cuantitativos
Pronsticos que emplean uno o ms modelos matemticos basados en datos histricos y/o en variables causales para pronosticar la demanda.
Modelos de Series de tiempo Modelos Causales o asociativos
25/06/2013
64
Cuantitativo
Modelos de Series de tiempo
25/06/2013
65
Series de tiempo
Tcnica de pronstico que usa una serie de datos puntuales del pasado para realizar un pronstico. Predicen bajo supuestos del pasado
25/06/2013
66
Ciclos (Cyclical)
Estacionalidad (Seasonal)
25/06/2013 Todos los derechos reservados
25/06/2013
Tiempo (Aos)
Serie de tiempo
1. Tendencia: es el movimiento gradual, hacia arriba, constante o hacia abajo. (se observa mediante la graficacin de una lnea recta o una curva suave). Afectado por cambios en:
25/06/2013
Decreciente
Sostenido
Creciente
69
Serie de tiempo
2. Estacionalidad: Es un patrn de datos que se repite despus de un periodo de das, semanas, meses o trimestres (fluctuaciones o cambios peridicos en un ao) Afectado por:
25/06/2013
70
Serie de tiempo
3. Ciclos: Son patrones, detectados en los datos, que ocurren cada cierta cantidad de aos (Largo Plazo). Usualmente estn sujetos al ciclo econmico de un pas y son de gran importancia para el anlisis y la planeacin. Afectado por ciclos:
25/06/2013
Serie de tiempo
3. Variaciones aleatorias: Son seales generadas en los datos por casualidad o por situaciones inusuales. No siguen ningn patrn discernible y, por lo tanto, no se pueden predecir. Afectaciones posibles:
Azar. Acumulacin de emociones.
Las Series de tiempo tiene 4 Componentes
Cuantitativo
25/06/2013
74
25/06/2013
75
Cuantitativo
Modelos de Series de tiempo Promedios mviles simple
25/06/2013
76
25/06/2013
77
Ventas reales 10 12 13 16 19 23 26
(10 + 12 + 13)/3 = 11 2/3 (12 + 13 + 16)/3 = 13 2/3 (13 + 16 + 19)/3 = 16 (16 + 19 + 23)/3 = 19 1/3
Todos los derechos reservados
25/06/2013
| E
| F
| M
| A
| M
| J
| J
| A
| S
| O
| N
| D
79
Cuantitativo
Modelos de Series de tiempo Promedio mvil ponderado
25/06/2013
80
25/06/2013
81
Ponderacin aplicada 3 2 1 6
Periodo ltimo mes Hace dos meses Hace tres meses Suma de ponderaciones
10 12 13 16 19 23 26
[(3 x 13) + (2 x 12) + (10)]/6 = 121/6 [(3 x 16) + (2 x 13) + (12)]/6 = 141/3 [(3 x 19) + (2 x 16) + (13)]/6 = 17 [(3 x 23) + (2 x 19) + (16)]/6 = 201/2
Todos los derechos reservados 82
Otra forma
Ft = w1A t-1 + w 2 A t-2 + w 3A t-3 +...+w n A t-n
w
i=1
=1
F4 = 0.5(720)+0.3(678)+0.2(650)=693.4
25/06/2013 Todos los derechos reservados 83
| F
| M
| A
| M
| J
| J
| A
| S
| O
| N
| D
85
Cuantitativo
Modelos de Series de tiempo Suavizamiento exponencial
25/06/2013
86
Suavizamiento exponencial
Tcnica de pronstico de promedios mviles ponderados donde los datos se ponderan mediante una funcin exponencial . Uso: planeacin y control de inventarios. (se incorpora mucho en los software de Pronsticos) Ventaja: Se requieren pocos datos histricos. Premisa:
Los datos ms recientes pueden predecir mejor el futuro. La importancia de los datos disminuye conforme el pasado se vuelve ms distante. Nuevo pronstico = Pronstico del periodo anterior + (Demanda real del mes anterior Pronstico del periodo anterior)
25/06/2013 Todos los derechos reservados 87
Suavizamiento exponencial
Las tcnicas de suavizacin exponencial se han aceptado en forma generalizada por seis razones principales: 1. Los modelos exponenciales son sorprendentemente precisos. 2. Formular un modelo exponencial es relativamente fcil. 3. El usuario puede entender cmo funciona el modelo. 4. Se requieren muy pocos clculos para utilizar el modelo. 5. Los requerimientos de almacenamiento en la computadora son bajos debido al uso limitado de datos histricos. 6. Es fcil calcular las pruebas de precisin relacionadas con el desempeo del modelo.
25/06/2013 Todos los derechos reservados 88
Suavizamiento exponencial
Nuevo pronstico = Pronstico del periodo anterior + (Demanda real del mes anterior Pronstico del periodo anterior)
Ft = Ft 1 + (At 1 - Ft 1)
donde Ft = Ft 1 = = At 1 = nuevo pronstico pronstico del periodo anterior constante de suavizamiento (o ponderacin) (0 1) demanda real en el periodo anterior
25/06/2013
89
Suavizamiento exponencial
Pronstico del periodo anterior = 142 carros Demanda real en el periodo anterior = 153 Constante de Suavizacin = 0.20 Nuevo pronstico = 142 + 0.2(153 142) = 144.2 144 carros Ft = Ft 1 + (At 1 - Ft 1)
25/06/2013 Todos los derechos reservados 90
Suavizamiento exponencial
Constante de Suavizacin
Se encuentra generalmente entre 0.05 a 0.50 para aplicaciones en negocios. Puede cambiarse para dar ms peso a datos recientes (cuando es alta) o ms
Con =
25/06/2013
Con = 0.1 (mnimo), el pronstico pone poco peso en la demanda reciente y toma en cuenta los valores histricos de muchos periodos (casi 19).
Cuando = 0.5 (medio), el nuevo pronstico se basa casi por completo en la demanda de los ltimos tres o cuatro periodos.
91
= .1 = .5
0.1 0.5
25/06/2013
92
25/06/2013
93
= Mayor, cuando es probable que cambie la demanda y menor cuando es menos probable.
175
= .1
150 | 1
25/06/2013
| 2
| 3
| 4
| 5 mes
| 6
| 7
| 8
| 9
95
25/06/2013
96
Cuantitativo
Modelos de Series de tiempo Suavizamiento exponencial con ajuste de tendencia
25/06/2013
98
No Ajusta a la tendencia
25/06/2013
100
FITt = Ft + Tt
25/06/2013 Todos los derechos reservados 101
Este procedimiento requiere dos constantes de suavizamiento: Para el promedio (alfa). y para la tendencia (beta).
25/06/2013 Todos los derechos reservados 102
Ft = (At - 1) + (1 - )(Ft - 1 + Tt - 1)
At-1 = demanda real en el periodo t = constante de suavizamiento para el promedio (0 1)
25/06/2013 Todos los derechos reservados 103
Tt = (Ft - Ft - 1) + (1 - )Tt - 1
= constante de suavizamiento para la tendencia (0 1)
25/06/2013 Todos los derechos reservados 104
Demanda Real(At) 12 17 20 19 24 21 31 28 36
Pronstico suavizado, Ft 11
Tendencia suavizada, Tt 2
= .2 y = .4
106
Demanda Real(At) 12 17 20 19 24 21 31 28 36
Pronstico suavizado, Ft 11
Tendencia suavizada, Tt 2
Paso 1: Pronostique para el mes 2: F2 F2 = A1 + (1 - )(F1 + T1) = (.2)(12) + (1 - .2)(11 + 2) = 2.4 + 10.4 = 12.8 unidades
107
Demanda Real(At) 12 17 20 19 24 21 31 28 36
Tendencia suavizada, Tt 2
Paso 2: Calcule la tendencia en el periodo 2 T2 T2 = (F2 - F1) + (1 - )T1 = (.4)(12.8 - 11) + (1 - .4)(2) = .72 + 1.2 = 1.92 unidades
108
Demanda Real(At) 12 17 20 19 24 21 31 28 36
Paso 3: Calcule el pronstico incluyendo la tendencia (FITt) FIT2 FIT2 = F2 + T2 = 12.8 + 1.92 = 14.72 unidades
109
Demanda Real(At) 12 17 20 19 24 21 31 28 36
Pronstico suavizado, Ft 11 12.80 15.18 17.82 19.91 22.51 24.11 27.14 29.28 32.48
Tendencia suavizada, Tt 2 1.92 2.10 2.32 2.23 2.38 2.07 2.45 2.32 2.68
Pronstico incluyendo la tendencia, FITt 13.00 14.72 17.28 20.14 22.14 24.89 26.18 29.59 31.60 35.16
110
25/06/2013
111
Cuantitativo
Modelos de Series de tiempo Proyecciones de tendencia
25/06/2013
113
Proyecciones de tendencia
Ajusta una recta de tendencia a una serie de datos histricos y despus proyecta la recta al futuro (pronsticos). Se pueden desarrollar varias ecuaciones matemticas (por ejemplo, exponencial, log, cuadrtica,) La ecuacin de la recta se halla mediante el mtodo estadstico de mnimos cuadrados.
25/06/2013 Todos los derechos reservados 114
PASOS
Proyecciones de tendencia
Grafica todos los pares de datos (x,y). Observar la dispersin y determinar con que grafica (lnea o curva) de tendencia se ajusta mejor (obtiene el mnimo de dispersin). Hallar ecuacin mediante el mtodo estadstico de los mnimos cuadrados Extrapolar los valores para realizar el pronstico
25/06/2013
115
Proyecciones de tendencia
Observacin real (Valor de y)
Y = Demanda
Desviacin5 Desviacin7 Desviacin6
Desviacin3 Desviacin4
Desviacin1 (error)
Desviacin2
^ = a + bx Lnea de tendencia, y
25/06/2013
X = Periodo
116
Proyecciones de tendencia
Comportamiento real Extrapolacin
Desviacin5
Y = Demanda
Pendiente
Desviacin3
Desviacin4
Desviacin1 (error)
Desviacin2
25/06/2013
Perodo observado
Perodo pronosticado
117
Proyecciones de tendencia
Las ecuaciones para calcular las variables de regresin
Pronstico: valor a predecirse Pendiente: Unidades que aumenta Y por cada incremento en X. O tasa de cambio Punto donde la recta corta al eje Y
25/06/2013
y = a + bx
b=
xy - nxy x2 - nx2
a = y - bx
Todos los derechos reservados 118
Proyecciones de tendencia
Ao
2006 2007 2008 2009 2010 2011 2012
Periodo (x)
x2
1 4 9 16 25 36 49 x2 = 140
xy
74 158 240 360 525 852 854 xy = 3,063
1 2 3 4 5 6 7 x = 28 Promedio x = 4 b=
Promedio
xy - nxy x2 - nx2
= 10.54
Proyecciones de tendencia
Ao
2006 2007 2008 2009 2010 2011 2012
Periodo (x)
1 2 3 4 5 6 7 x = 28 x=4 b=
x2
xy
74 1 74 79 4 158 La ecuacin de la lnea de 80 9 240 tendencia es: 90 16 360 105 25 525 142y = 56.70 + 36 852 10.54x 122 49 854 xy = 3,063 y = 692 x2 = 140 y = 98.86 = 3,063 - (7)(4)(98.86) 140 - (7)(42) = 10.54
xy - nxy x2 - nx2
Proyecciones de tendencia
160 150 140 130 120 110 100 90 80 70 60 50 | 2006 Lnea de tendencia, ^ = 56.70 + 10.54x y Demandad de Energa
| 2007
| 2008
25/06/2013
| 2009
| 2012
| 2013
Extrapolacin | 2014
121
Proyecciones de tendencia
El mtodo de mnimos cuadrados implica que se han cumplido tres requisitos: 1. Se debe graficar antes los datos, para identificar si es una relacin lineal o curvilnea. 2. No se recomienda predecir muchos periodos (20 meses histricos, slo podemos pronosticar 3 o 4 meses). No podemos tener 10 aos para pronosticar 3 o 5 aos 3. Se supone que las desviaciones calculadas alrededor de la recta o curva de mnimos cuadrados son aleatorias (Por lo general, es una distribucin normal). La mayora de puntos estn cerca a la recta y solo unos pocos se alejan.
25/06/2013 Todos los derechos reservados 122
Proyecciones de tendencia
Curva de ajuste exponencial
=
y
= = = ( = 2,7182818 ) =
ln = ln + B()
Proyecciones de tendencia
Curva de ajuste potencial
= = =
log = l + B. log()
Proyecciones de tendencia
Curva de ajuste logartmico
= = =
= + .ln(X)
y
= + .ln(X)
Cuantitativo
Modelos de Series de tiempo Variaciones estacionales
25/06/2013
126
1. 2. 3. 4. 5.
Encontrar demanda histrica promedio para cada estacin. Calcular la demanda promedio durante todo el ao. Calcular el ndice de estacionalidad para cada estacin. Estimar la demanda total del siguiente ao. Dividir esta estimacin de la demanda total anual entre el nmero de estaciones, despus multiplicarla por el ndice estacional para ese mes. Esto proporciona el pronstico estacional.
Todos los derechos reservados 128
25/06/2013
Demanda 2007 2008 2009 80 70 80 90 113 110 100 88 85 77 75 82 85 85 93 95 125 115 102 102 90 78 82 78 105 85 82 115 131 120 113 110 95 85 83 80
Promedio 2007-2009 90 80 85 100 123 115 105 100 90 80 80 80 Suma 1128 Todos los derechos reservados
Promedio Mensual 94 94 94 94 94 94 94 94 94 94 94 94
ndice estacional
129
25/06/2013
130
Promedio Mensual 94 94 94 94 94 94 94 94 94 94 94 94
ndice estacional 0.957 0.851 0.904 1.064 1.309 1.223 1.117 1.064 0.957 0.851 0.851 0.851
25/06/2013
131
25/06/2013
132
25/06/2013
133
| F
| M
| A
| M
| | J J Tiempo
| A
| S
| O
| N
| D
134
Cuantitativo
Modelos de Series de tiempo Variaciones cclicas
25/06/2013
135
Cuantitativo
Modelos asociativos
25/06/2013
137
Modelos asociativos
Incorporan variables o factores que pueden influir en la cantidad por pronosticar (causalidad). Ejemplo, Las ventas de cortadoras de csped es afectado por la construccin de nuevas viviendas, el presupuesto de publicidad y los precios de los competidores.
25/06/2013 Todos los derechos reservados 138
Cuantitativo
25/06/2013
139
25/06/2013
140
Grafica el par de datos (x,y). Observar la dispersin y determinar con que grafica (lnea o curva) se ajusta ms (obtiene el mnimo de errores). Hallar relacin que ajusta los puntos mediante relacin grafica o recta de ajuste ptimo (mnimos cuadrados: disminuye al mnimo la suma de las desviaciones cuadrticas). Hallar ecuacin Extrapolar los valores para realizar el pronstico Analizar correlacin
25/06/2013 Todos los derechos reservados 141
25/06/2013
142
25/06/2013
144
y = a + bx
Donde ^ y = valor de la variable dependiente (en nuestro ejemplo, ventas) a = interseccin con el eje y b = pendiente de la recta de regresin x = variable independiente
25/06/2013
145
| 1
| | | 2 3 4 Ingresos
| 5
| 6
146
| 7
b=
xy - nxy = x2 - nx2
= .25
148
3.25 3.0 Ventas 2.0 1.0 0 | 1 Recta de regresin, y = 1.75 + .25x | 2 | | 3 4 Ingresos | 5 | 6 | 7
25/06/2013
149
Utilizamos el error estndar para establecer los intervalos de prediccin en torno a la estimacin puntual
25/06/2013 Todos los derechos reservados 150
25/06/2013
151
25/06/2013
152
25/06/2013
153
Relacin directa
(a)
(b)
Relacin inversa
(c) 25/06/2013
(d)
Coeficiente de Correlacin
Desviacin estndar de la regresin
Sx = Sy = r=
25/06/2013
(x)2 n (y)2 n
(X)2
(y)2
r=
b.Sx
Sy
Otra formula
155
25/06/2013
156
Cuantitativo
25/06/2013
157
25/06/2013
159
Cuantitativo
25/06/2013
161
Modelos Economtricos
Sistema de ecuaciones de regresin interdependientes para describir un proceso complejo. Caractersticas:
25/06/2013
Complejidad alta. Costo alto. Son de largo plazo. Buenos para identificar puntos de cambio.
Todos los derechos reservados 162
25/06/2013
163
Modelos Economtricos
= 0 1 +
25/06/2013
Modelos Economtricos
POBLACIN Total 9.670 11.646 Cabecera 2.329 2.923 n = 12
12
0 = 9.670
= ?
0 = poblacin inicial (ao base, es conocida) n = nmero de aos transcurridos entre el ao base (0) y el que se va a calcular (n) = tasa de crecimiento de la poblacin
= poblacin para el ao n
= 0 1 +
25/06/2013
= 0,0152
(1 )12
Modelos Economtricos
= 0 1 +
= 0,0156
6
0 = poblacin inicial (ao base, es conocida) n = nmero de aos transcurridos entre el ao base (0) y el que se va a calcular (n) = tasa de crecimiento de la poblacin
= poblacin para el ao n
= 0 1 +
2012 = 12.779
25/06/2013
Cuantitativo
25/06/2013
167
Modelos Economtricos
25/06/2013
Modelos Economtricos
= 0 1 +
= demanda para el ao n
25/06/2013
Modelos Economtricos
= p + El.g = 0,0867
25/06/2013
= 0,014 + 2,2343(0,03)
Modelos Economtricos
= demanda para el ao n
Cuantitativo
Modelos Economtricos Modelos de Insumo (Leontieff)
25/06/2013
172
25/06/2013
173
25/06/2013
174
Cuantitativo
Modelos Causales o Asociativos Simulacin
25/06/2013
175
Simulacin
Caractersticas:
La simulacin de sistemas es complejo. Cara de implementar. Horizonte de corto a mediano plazo. Puede identificar puntos de cambio.
25/06/2013
176
Simulacin
Ejemplo: Distribucin en cadena, para ver demanda de distintos elementos. Planos de produccin, para conocer la demanda por insumos. Transporte urbano, para ver equilbrio veicular.
25/06/2013 Todos los derechos reservados 177
Cuantitativo
Otros mtodos Suavizamiento adaptable
25/06/2013
178
Suavizamiento adaptable
Es posible utilizar la computadora para monitorear continuamente error de prediccin y ajuste los valores de los coeficientes y se utilizan en suavizacin exponencial para minimizar continuamente error de prediccin Esta tcnica se denomina suavizado adaptativo
25/06/2013 Todos los derechos reservados 179
Cuantitativo
Otros mtodos Pronstico enfocado
25/06/2013
180
Pronstico enfocado
Pronstico que prueba una variedad de modelos computarizados y selecciona el mejor para una aplicacin en particular. El pronstico enfocado se basa en dos principios:
1. Los modelos de pronstico sofisticados no siempre son mejores que los sencillos. 2. No existe una tcnica nica que deba emplearse para todos los productos o servicios.
Todos los derechos reservados 181
25/06/2013
Cuantitativo
Otros mtodos Pronstico en los servicios
25/06/2013
182
15% 10% 5%
11-12
12-1 (Almuerzo)
1-2
2-3
3-4
25/06/2013
4-5
5-6
7-8
8-9
9-10
10-11
183
6 8 A.M.
10
12
Hora del da
6 8 P.M.
10
12
184
Mtodos de pronsticos
Cuantitativos (objetivos)
2.
25/06/2013
MSE (mean squared error; error cuadrtico medio). MAPE (mean absolute percent error; error porcentual absoluto medio)
25/06/2013 Todos los derechos reservados 188
Trimestre
1 2 3 4 5 6 7 8
25/06/2013
MAD =
|deviaciones| n
MSE =
25/06/2013
192
Promedio de las diferencias absolutas encontradas entre los valores pronosticados y los reales, expresado como un porcentaje de los valores reales.
MAPE =
i =1
25/06/2013
196
MAPE =
100|desviacini|/reali
i=1
1 2 3 4 5 6 7 8
25/06/2013
5.00 7.50 15.75 1.82 16.64 29.98 1.98 3.78 82.45 MAD 10.31 MSE 190.82 MAPE 5.59% Todos los derechos reservados
5.00 9.50 13.75 9.12 19.56 24.78 12.61 4.30 98.62 12.33 195.24 6.76%
198
Mtodos de pronsticos
Cuantitativos (objetivos)
2.
25/06/2013
Equivocaciones en pronsticos
Pronsticos famosos que de alguna forma carecieron de exactitud:
Pienso que tal vez haya un mercado mundial para cinco computadoras. Thomas Watson, director de IBM, 1943 640,000 bytes de memoria deben ser suficientes para cualquiera. Bill Gates, 1981 Internet colapsar de manera catastrfica en 1996. Robert Metcalfe, inventor de internet
25/06/2013
201
Esta medida evala qu tan bien predicen los pronsticos los valores Reales. Cada vez que se obtiene informacin se evala la exactitud. Proporcin de errores de pronstico acumulativos de la desviacin media absoluta (MAD) Buena seal de seguimiento tiene valores bajos Si los pronsticos son constantemente altas o bajas, el pronstico tiene un error de sesgo
25/06/2013 Todos los derechos reservados 202
3.000
Pronstico = 2.400
2.000
1.000
0 25/06/2013
10
11 12 Aos 203
25/06/2013
204
25/06/2013
205
25/06/2013
206
La RSFE (running sum of the forecast errors; suma continua de errores del pronstico) dividida entre La MAD (mean absolute deviation; desviacin absoluta media):
Seal de La RSFE suma continua de errores del pronstico control = MAD desviacin absoluta media
25/06/2013
207
25/06/2013
211
25/06/2013
212
1 2 3 4 5 6
10 5 15 10 15 30
10 15 30 40 55 85
25/06/2013
214
1 2 3 4 5 6
-10/10 90= -1 100 -15/7.5 95 = -2 100 0/10 =0 115 100 -10/10 = -1 100 110 +5/11 = +0.5 125 110 +35/14.2 140 = +2.5 110
10 5 15 10 15 30
10 15 30 40 55 85