Академический Документы
Профессиональный Документы
Культура Документы
VENTAS
SERIES DE TIEMPO
08/09/2013
SERIES TEMPORALES
Modelos matemticos para analizar el modelo de
la demanda:
Mtodo grfico
Promedio simple
Promedio mvil y mvil ponderado
Suavizamiento exponencial
Ft 1 Ft (x t - Ft )
Ing Odar Florin Castillo.
2
2
MODELOS CAUSALES
Modelos matemticos para analizar la historia de la
demanda incluyendo factores externos:
Anlisis de regresin
Modelos economtricos
y 0 1x1 2 x 2 ...
Ing Odar Florin Castillo.
3
3
EVALUACION DE LOS
PRONOSTICOS
Exactitud de los pronsticos:
Error medio o sesgo o tendencia
Error cuadrado medio
Desviacin media absoluta
Desviacin estndar
Seal de seguimiento o de rastreo
errores
Seal de Seguimient o
DMA
4
4
Tendencia
Cclica
Estacional
Aleatorio
5
5
DESCOMPOSICION DE SERIES
DE TIEMPO
Tedencia (T) es el movimiento gradual,
ascendente o descendente, de los datos a travs
del tiempo.
Estacionalidad (S) es el patrn de datos que se
repite a si mismo despus de un perodo de dias,
semanas, meses, trimestres, estaciones, etc. pero
dentro del ao..
Ciclos (C) son patrones que ocurren en los datos
cada varios aos.
Variacin al azar (R) son variaciones aleatorias
que no obedecen a ningun comportamiento.
Ing Odar Florin Castillo.
6
6
TENDENCIA
DEFINICION: Una tendencia es el movimiento
gradual hacia arriba o hacia debajo de los datos
en el tiempo.
Las tendencias son montonas , pero no siempre
lineales; pueden ser logartmica o exponenciales.
Las tendencias reflejan los cambios en la
tecnologa, los estndares de vida, los ndices de
poblacin ,etc..
7
7
ESTACIONALIDAD
DEFINICION: La temporada es la
variacin que se repite a intervalos
fijos. Pueden durar un ao o solo
unas pocas horas.
Las variaciones de temporada
pueden
corresponder
a
las
estaciones del ao, a los das
festivos o a diferentes momentos del
da o la semana.
VARIACIONES ESTACIONALES
Perodo de tiempo
del Patrn donde
es repetido
Ao
Ao
Ao
Mes
Mes
Semana
Nmero de
Longitud de la Estaciones en
Estacin
Trimestre
Mes
Semana
Semana
Dia
Dia
el Patrn
4
12
52
4
28-31
7
9
9
VARIACIONES CICLICAS
10
10
VARIACIONES ALEATORIAS
11
11
MODELOS DE SERIES DE
TIEMPO
Modelo Multiplicativo de una serie de tiempo:
At = Tt * St * Ct * Et
Modelo Aditivo de una serie de tiempo:
At = Tt + St + C + Et
Donde :
At=Demanda real en el perodo t
Tt= Componente de tendencia para el perodo t.
St= Componente de temporada para el perodo t.
Ct= Componente de ciclo para el perodo t.
Et= Componente aleatoria o error para el perodo t.
Ing Odar Florin Castillo.
12
12
n
Donde :
Ft = prediccin para el perodo t+1
At = demanda real para el perodo
n = nmero de perodos por promediar
13
13
Ao
Ventas
Yi
Total
(n = 3)
Promedio
Para. (n = 3)
2005 4
NA
NA
2006 6
2007 5
NA
NA
NA
NA
2008 3
4 + 6 + 5 = 15
2009 7
2010 NA
Ing Odar Florin Castillo.
14
Ao
Ventas
Yi
Total
(n = 3)
Promedio
Para. n = 3)
2005 4
NA
NA
2006 6
2007 5
NA
NA
NA
NA
2008 3
4 + 6 + 5 = 15 15/3 = 5.0
2009 7
2010 NA
6 + 5 + 3 = 14
15
Ao
Ventas
Yi
Total
(n = 3)
Promedio
Para. n = 3)
2005 4
NA
NA
2006 6
2007 5
NA
NA
NA
NA
2008 3
4 + 6 + 5 = 15 15/3 = 5.0
2009 7
2010 NA
6 + 5 + 3 = 14 14/3 = 4.7
5 + 3 + 7 = 15 15/3 = 5.0
Ing Odar Florin Castillo.
16
17
MODELOS DE SUAVIZADO
EXPONENCIAL
Los modelos de suavizado, como el promedio de
desplazamiento simple y la suavizado exponencial,
pueden proporcionar predicciones razonables a corto
plazo con rapidez y a bajo costo.
Suavizacin exponencial:
Ft= Ft-1 + (A t-1 - F t - 1)
Donde :
Ft
= prediccin para el perodo t
18
EJEMPLO DE SUAVIZADO
EXPONENCIAL
Se tiene los siguientes datos de ventas de un
producto. Se espera pronosticar la atencin
del ao 2013 usando el suavizado
exponencial.
Considere: ( = .10).
En 2008 el pronstico fu 175.
2008 180
2009 168
2010 159
2011 175
2012
190
Ing Odar Florin Castillo.
19
EJEMPLO DE SUAVIZADO
EXPONENCIAL
Ao Actual
2008
180
2009
168
2010
159
2011
175
2012
190
2013
NA
175.00 (Base)
175.00 +
20
EJEMPLO DE SUAVIZADO
EXPONENCIAL
Actual
2008
180
2009
168
2010
159
2011
175
2012
190
2013
NA
Pronstico F t
(a = .10)
175.00 (Base)
175.00 + .10(
21
EJEMPLO DE SUAVIZADO
EXPONENCIAL
180
2009
168
2010
159
2011
175
2012
190
2013
NA
Pronstico F t
(a = .10)
175.00 (Base)
175.00 + .10(180 -
22
EJEMPLO DE SUAVIZADO
EXPONENCIAL
Actual
2008
180
2009
168
2010
159
2011
175
2012
190
2013
NA
Pronstico F t
(a = .10)
175.00 (Base)
175.00 + .10(180 - 175.00)
23
EJEMPLO DE SUAVIZADO
EXPONENCIAL
180
2009
168
2010
159
2011
175
2012
190
2013
NA
Pronstico Ft
( = .10)
175.00 (Base)
175.00 + .10(180 - 175.00) = 175.50
24
EJEMPLO DE SUAVIZADO
EXPONENCIAL
Actual
Pronstico F t
(a = .10)
175.00 (Base)
2008
180
2009
168
2010
159
2011
175
2012
190
2013
NA
Ing Odar Florin Castillo.
25
EJEMPLO DE SUAVIZADO
EXPONENCIAL
Actual
Pronstico F t
(a = .10)
2008
180
175.00 (Base)
2009
168
2010
159
2011
175
2012
190
2013
NA
Ing Odar Florin Castillo.
26
EJEMPLO DE SUAVIZADO
EXPONENCIAL
Actual
Pronstico F t
(a = .10)
175.00 (Base)
2008
180
2009
168
2010
159
2011
175
2012
190
2013
NA
Ing Odar Florin Castillo.
27
EJEMPLO DE SUAVIZADO
EXPONENCIAL
Actual
Pronstico F t
(a = .10)
175.00 (Base)
2008
180
2009
168
2010
159
2011
175
2012
190
2013
NA
MAD =
MAD =
Demanda actual
- Demanda pronosticada
i =1
29
METACOGNICION
o Qu aprendimos Hoy ?
o Como aplicaran este conocimiento al
desarrollo de su profesin ?
30
30
Muchas gracias
31
31