Академический Документы
Профессиональный Документы
Культура Документы
Pronósticos
Producción II - Pronósticos 1
PRONÓSTICOS
Que es y para qué se usan:
Es necesario para:
• Determinar que recursos se necesitan.
• Programar los recursos existentes.
• Adquirir recursos adicionales.
Producción II - Pronósticos 2
PRONÓSTICOS
Son estimaciones de la ocurrencia, la cronología o la
magnitud de futuros eventos inciertos.
Producción II - Pronósticos 3
PRONÓSTICOS
¿En qué se basan ?
Generalmente, los pronósticos son respaldados por consejeros económicos,
estadísticos, políticos y técnicos, y se basa en información sobre los aspectos tales
como:
Niveles de producción industrial, tanto nacionales como internacionales.
Gasto público.
Disponibilidad de mano de obra.
Cambios posibles en la estructura de precios.
Variaciones en los niveles de vida.
Competencia, tanto nacional como internacional.
Nuevos productos posibles.
Mercados potenciales.
Cambios tecnológicos.
Recursos e historial de la empresa.
Objetivos, políticas y planes de la empresa a largo plazo.
Producción II - Pronósticos 4
PRONÓSTICOS
¿Qué se pronostica?
Precios de materiales
Costo de mano de obra
Tasas de interés
Ingresos
Gastos
Producción II - Pronósticos 5
El Rol de los Pronósticos en la Administración
Operativa
Son imprescindibles para la toma de decisiones efectiva.
Son necesarios para reducir el nivel de incertidumbre o riesgo acerca del futuro.
Producción II - Pronósticos 6
Jerarquía de Metas, Decisiones y Funciones
Producción II - Pronósticos 7
Fundamentos de Pronósticos
Producción II - Pronósticos 8
Pronóstico de Demandas
Producción II - Pronósticos 9
Sistema Operativo de Pronósticos
Producción II - Pronósticos 10
Integración de Base de Datos de Demanda
Producción II - Pronósticos 11
Integración de Base de Datos de
Demanda
La demanda es la cantidad de artículos pedida, nó la prometida.
Capturar la cantidad requerida por el cliente antes de informar sobre la no
disponibilidad de artículos.
La falta de un artículo puede causar la pérdida de ventas de otros
complementarios.
La falta de un artículo puede distorsionar la historia de demanda de los
artículos complementarios.
Algunas empresas no capturan como demanda las ventas perdidas.
Se recomienda utilizar un sistema de captura de datos perpetuo o continuo.
La efectividad de los pronósticos requiere de bases de datos de demanda
precisas.
Una base de datos de demanda precisa es un recurso estratégico.
Producción II - Pronósticos 12
Integración y Tipos de Pronósticos
Producción II - Pronósticos 13
Tipos de Métodos de Pronósticos
Métodos de
Pronóstico
Previsiones Predicciones
Se emplean cuando la situación es Se emplean cuando la situación
Métodos basados en
“estable” y existen datos no es clara y existen pocos
Cuantitativos opinionesCualitativos
o estimados
“históricos”: Productos existentes, datos: Productos nuevos,
subjetivos o de juicio.
Tecnología actual. Nueva tecnología.
Estadístico quede
depende, Opinión Ejecutiva
Dependencia de datos históricos
Series de Analogía Histórica
Causal fundamentalmente,
variables independientes: de los
Tiempo Delphi
datos históricos de la
Campaña de promociones
demanda. Investigación de Mercado
Condiciones económicas
Actividades de los competidores
Proyección de tendencias
Proyección de
Suavización ajustadas por influencias
tendencias
estacionales
14
PRONÓSTICOS
Demanda
Suelen variar considerablemente tanto para bienes y servicios.
Producción II - Pronósticos 15
Patrones de Demanda
Cantidad
Tiempo
Producción II - Pronósticos 16
Patrones de Demanda
Cantidad
Tiempo
Producción II - Pronósticos 17
Patrones de Demanda
Tendencia
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 periodos de duración.
Respuesta
Año 1
Año 2
| | | | | | | | | | | |
J F M A M J J A S O N D
Meses
(c) Estacional: Los datos muestran crestas y valles de manera
consistentes.
19
Patrones de Demanda
Estacionalidad
Muestra de datos de ascenso o descenso que se repiten.
Se puede ver afectada por la climatología, las costumbres,
etc.
Se produce dentro de un periodo anual.
Verano
Respuesta
Mes, trimestre
Producción II - Pronósticos
20
Patrones de Demanda
Cantidad
| | | | | |
1 2 3 4 5 6
Años
(d) Cíclico: Los datos revelan incrementos y decrementos
graduales en el curso de largos períodos de
tiempo.
21
Patrones de Demanda
Variaciones aleatorias
Son “saltos” en los datos causados por el azar y
situaciones inusuales.
Son debidas a variaciones aleatorias o a situaciones
imprevistas:
Huelga.
Terremoto.
Son de corta duración y no se repiten.
Producción II - Pronósticos 22
Patrones de Demanda
Producción II - Pronósticos 23
PRONÓSTICOS
Factores que Afectan la Demanda
Factores externos
Se encuentran fuera del control de la gerencia.
Producción II - Pronósticos 24
PRONÓSTICOS
Factores externos (continuación)
Indicadores Tempranos: representan factores externos cuyos puntos de
inflexión anteceden a crestas y valles del ciclo general de los negocios.
Ej. Incremento en ventas de residencias en verde
Indicadores Coincidentes: los puntos de inflexión coinciden con el ciclo
general de los negocios
Ej. Cifras de desempleos, temporeras
Indicadores retrasados: se presentan a continuación de los puntos de
inflexión con demora de varias semanas o meses.
Ej. Préstamo comercial para expandir la empresa
Otros factores: - Gustos cambiantes (ropa)
- Imagen del artículo (cigarros vs. cáncer)
- Actividad de la competencia (publicidad)
Producción II - Pronósticos 25
PRONÓSTICOS
Factores internos
Las decisiones internas en su conjunto, provocan cambios en el volumen
de la demanda como es:
• Diseño de envases.
Producción II - Pronósticos 26
PRONÓSTICOS
Factores internos
Producción II - Pronósticos 27
PRONÓSTICOS
Diseño del sistema de Pronóstico
Gerencia frente a un pronóstico debe tomar tres decisiones
Que va a pronosticar.
Que tipo de técnica va a aplicar
Tipo de hardware o software o ambos que utilizará
I. Que va a pronosticar
1. Nivel de acumulación
Es agrupar varios productos o servicios similares, con lo cual las
compañías pueden realizar pronósticos más asertivos y derivar por
productos o servicios
Esta forma con lleva a un error generalmente es 5%.
Al pronosticar por artículo el error es >> 5%
Producción II - Pronósticos 28
PRONÓSTICOS
Que va a pronosticar (continuación)
Sistema a dos niveles.
1er pronóstico: Familias bienes o servicios con similares características en:
-- Requisitos de demanda
– Procesamiento
– Trabajo y Materiales.
2do pronóstico: de las cifras generales se deriva el pronóstico por elemento
individual.
2. Unidades de medición
De mayor utilidad son las unidades de productos o servicios y no de dinero.
Ej. Unidades de radios, paquetes por entregar, número de clientes, etc.
Producción II - Pronósticos 29
PRONÓSTICOS
Enfoques del Pronóstico
Métodos cualitativos Métodos cuantitativos
Se emplean cuando la situación no es Se emplean cuando la situación es
clara y existen pocos datos: “estable” y existen datos
Productos nuevos. “históricos”:
Nueva tecnología. Productos existentes.
Tecnología actual.
Requieren intuición y experiencia: Requieren técnicas matemáticas:
Por ejemplo, el pronóstico Por ejemplo, el pronóstico de
de las ventas a través de las ventas de televisiones en
Internet. color.
Producción II - Pronósticos 30
PRONÓSTICOS
II. Decisión del tipo de técnica de pronóstico
La precisión de pronóstico depende de la selección de una técnica
apropiada y de los costos que esto puede acarrear, para este último:
• Comprar un software.
• Tiempo requerido para hacerlo
• Capacitación del personal
Técnicas
Cualitativa:
Método de juicio
Cuantitativa:
Métodos Causales
Análisis de serie de tiempo
Producción II - Pronósticos 31
PRONÓSTICOS
Decisión del tipo de técnica de pronóstico (continuación)
Cualitativos
Método de juicio: cuando no se dispone de datos históricos
• Opinión de Gerentes y Expertos
• Encuestas de consumidores
• Estimaciones entregadas por área de ventas
Cuantitativos
Métodos Causales: Dependencia de datos históricos de variables
independientes:
• Campaña de promociones
• Condiciones económicas
• Actividades de los competidores
Análisis de Serie de Tiempo estadístico que depende,
fundamentalmente, de los datos históricos de la demanda.
Producción II - Pronósticos 32
PRONÓSTICOS
Decisión del tipo de técnica de pronóstico (continuación)
Técnicas
Análisis de serie de tiempo es de mayor utilización, es económico.
Métodos Causales menos ocupado, más costoso, mayor tiempo de
procesamiento que el anterior pero más preciso.
Método de juicio cuando no se dispone de datos históricos, más
costoso que el primero.
Un factor clave en la selección del pronóstico más adecuado es el
HORIZONTE DE TIEMPO: corto, mediano y largo plazo.
Producción II - Pronósticos 33
Factores que Afectan la Demanda
Horizonte de tiempo
Mediano plazo Largo plazo
Corto plazo (3 Meses - (más de
Aplicaciones (0-3 Meses) 2 Años) 2 Años)
Cantidad pronosticada Productos o
servicios
Individuales
Producción II - Pronósticos
34
PRONÓSTICOS
Horizonte de tiempo (continuación)
Técnicas
Métodos Causales eficaz para estimar puntos de inflexión, crecimientos
lentos de ventas, útil para gerentes de producción.
Método de juicio también estima puntos de inflexión, usado cuando no
existen antecedentes históricos.
¡Cuidado! Análisis de serie de tiempo no sirve, ya que los patrones
considerados no tiene porque seguir existiendo en el futuro.
Producción II - Pronósticos 35
Factores que Afectan la Demanda
Horizonte de tiempo
Producción II - Pronósticos 36
PRONÓSTICOS
Horizonte de tiempo (continuación)
Largo plazo ( más de dos años)
Sus pronósticos se elaboran en torno a la demanda total de ventas en
términos de dinero u otras como: kilogramos, barriles, HP etc.
• Son difíciles de realizar.
• Son excesivamente detalladas.
Técnicas
Métodos Causales aunque es un análisis matemático, igual deben
ser revisados por la experiencia y el buen juicio.
Método de juicio
Producción II - Pronósticos 37
Factores que Afectan la Demanda
Horizonte de tiempo
Producción II - Pronósticos
38
III. Pronóstico por medio de Computadoras
Producción II - Pronósticos
39
Análisis de Métodos
Método de Juicio
Utilizado cuando:
• No existen datos históricos.
• Cambio de tecnología.
• Modificación de pronósticos cuantitativos (resultados extraños)
Se confía en la experiencia y el buen juicio
Existen cuatro formas:
1.- Estimación de la fuerza de ventas
Personas cerca de los clientes
Ventajas
•Mayor probabilidad de conocer que productos o servicios comprarán los
clientes.
•Información útil para administrar inventario, distribución, formación de equipos
de venta.
•Combinar todas las opiniones para obtener una sola por ejemplo para una
región.
Producción II - Pronósticos 40
Análisis de Métodos
Método de Juicio (continuación)
Desventajas
• Algunos muy optimistas otros muy cautelosos
• No diferencian entre lo que el cliente desea y lo que realmente necesita.
• Vendedores subestiman el pronóstico, para que su rendimiento parezca
bueno, cuando supera la proyección o esforzarse solamente para alcanzar
meta.
2.- Opinión Ejecutiva
Uso
•Modificar un pronostico de venta actual, debido a un evento inesperado.
•Elaborar pronósticos tecnológicos.
Desventajas
•Puede ser costosa.
•Puede quedar fuera de control.(sin la aprobación colectiva)
Producción II - Pronósticos 41
Análisis de Métodos
Método de Juicio (continuación)
Desventajas
•Costosas, errores en la formulación e interpretación de las respuestas.
•Limitaciones (Ej. Respuestas por correo)
Producción II - Pronósticos 42
Análisis de Métodos
Método de Juicio (continuación)
4.- Método Delphi
Obtener consenso dentro de un grupo de expertos, pero en anonimato, sin
experiencia en el tema.
El panel de expertos pueden dedicarse a distintos rubros como, política,
negocios, científico, ambientalistas, etc.
Uso
•Pronosticar a largo plazo.
•Proyección de venta de un producto nuevo.
Desventajas
•Puede alargarse por mucho tiempo (más de un año).
•Probabilidad de respuestas menos significativas que si ellos no asumen el
problema.
•Pocas evidencias de alto grado de precisión.
•Los cuestionarios mal planteados conducen a errores.
Producción II - Pronósticos 43
Visión Global de los Métodos Cuantitativos
Método
Regresión lineal
causal
Producción II - Pronósticos 44
Método Causal
Regresión Lineal
Se dispone de datos históricos, se puede relacionar lo que se intenta pronosticar
con otros factores externos o internos.
Ventajas
• Posee instrumentos más refinados de pronósticos.
• Excelente para prever puntos de inflexión de la demanda.
• Útil para pronósticos de mediano o largo plazo.
Regresión lineal consiste en que una variable dependiente se relaciona con una
o más variables independiente por medio de una expresión algebraica.
Ejemplo:
Variable dependiente: se quiere pronosticar la demanda de barniz para
puertas.
Variable independiente: gasto de publicidad o inicio de la construcción
de nuevas viviendas.
Producción II - Pronósticos 45
Método Causal
Regresión Lineal
Y Ecuación de
Estimación de
Variable Dependiente
Y a partir de
regresión:
la ecuación Y = a + bX
de regresión
Valor
actual
de Y
Valor de X empleado
para calcular Y
X
Variable Independiente
46
Método Causal
Regresión Lineal
Desviación
Y o error
Ecuación de
Variable Dependiente
Estimación de regresión:
Y a partir de
la ecuación
Y = a + bX
de regresión
{ Valor
actual
de Y
Valor de X empleado
para calcular Y
X
Variable Independiente
47
Método Causal
Regresión Lineal
Producción II - Pronósticos 48
Método Causal
Regresión Lineal
Producción II - Pronósticos 49
Método Causal
Regresión Lineal
Ejercicio práctico:
La persona a cargo de programar la producción de la compañía, tiene
que elaborar un pronósticos de la demanda de un producto, a fin
de plantear las cantidades de producción más apropiadas
Durante un almuerzo de negocios, el gerente de Marketing aporta
información sobre el presupuesto de publicidad destinado a una
bisagra de bronce para puertas.
Se presenta a continuación los datos sobre ventas y publicidad
correspondiente a los últimos cinco meses.
La gerencia de Marketing afirma que la compañía gastará el mes
entrante US$1.750 en publicidad para el producto. Aplique la regresión
lineal para desarrollar una ecuación y un pronóstico para ese producto.
Producción II - Pronósticos 50
Método Causal
Regresión Lineal
Ejemplo 01
Producción II - Pronósticos 51
Método Causal
Regresión Lineal
300 —
Ventas (miles de unidades)
200 — a = - 8.136
b = 109.229
150 —
r = 0.98
100 — r2 = 0.96
Y = - 8.136 + 109.229X syx = 15.61
50 | | | |
• El valor
1.0 1.5de r es2.0 2.5 a 1,00 significa que existe una
muy próximo
Pronóstico
Pronóstico
fuerte
Publicidad relación
(miles de
para
para
entre Mes
Mes
ventas
dólares)
66
y publicidad, la selección es buena.
2 =significa
Ejemplo 01
•X
RX =$1750,
$1.750,queYel Y=96%
=- 8.136
183.015 + 109.229(1.75)
unidades
de la variación observada en las
ventas, se atribuye aIIlos
Producción gasto involucrados de publicidad.
- Pronósticos 52
Método Causal
Regresión Lineal
300 —
Ventas (miles de unidades)
250 —
Ventas Publicidad
Mes (000 unidades) (000 $)
200 —
1 264 2.5 a = - 8.136
2—
150 116 1.3 b = 109.229
3 165 1.4 r = 0.98
4—
100 101 1.0 r2 = 0.96
5 209
Y = - 8.136 +2.0
109.229X syx = 15.61
50 |
El ingeniero a| cargo de
| producción
| puede utilizar este
1.0
pronóstico 1.5 saber
para 2.0las bisagras
2.5 que necesitará en el mes 6.
Publicidad
Si suponemos(miles
quede
sedólares)
tiene en inventario 62.500 unidades,
¿Cuánto deberá planificar como producción?.
Ejemplo 01
Producción II - Pronósticos 53
Método Causal
Regresión Lineal
300 —
Ventas (miles de unidades)
250 —
Ventas Publicidad
Mes (000 unidades) (000 $)
200 —
1 264 2.5 a = - 8.136
2—
150 116 1.3 b = 109.229
3 165 1.4 r = 0.98
4—
100 101 1.0 r2 = 0.96
5 209
Y = - 8.136 +2.0
109.229X syx = 15.61
50 | | | |
Se1.0
tiene1.5
en inventario
2.0 2.5 = 62,500 unidades,
Publicidad (miles de dólares)
Producción = 183,015 - 62,500 = 120,015 unidades
Ejemplo 01
Producción II - Pronósticos 54
Método Causal
Regresión Lineal
El análisis de regresión es una buena guía para decisiones importantes
como:
• Administración de inventarios.
• Planificación de capacidades.
• Administración de procesos.
Producción II - Pronósticos 55
Método Causal
Regresión Lineal
Ventas Publicidad
Mes (000 unidades) (000 $)
1 264 2.5 a = ?
2 116 1.3 b = ?
3 165 1.4 r = ?
4 101 1.0 r2 = ?
5 209 2.0
Ejemplo 01
Producción II - Pronósticos 56
Método Causal
Regresión Lineal
Ventas Publicidad
Mes (000 unidades) (000 $)
1 264 2.5
2 116 1.3
3 165 1.4
4 101 1.0
5 209 2.0
XY - nXY
a = Y - bX b=
X 2 - nX 2
Ejemplo 01
Producción II - Pronósticos 57
Método Causal
Regresión Lineal
Ventas, Y Publicidad, X
Mes (000 unidades) (000 $) XY X2 Y2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
XY - nXY
a = Y - bX b=
X 2 - nX 2
Ejemplo 01
Producción II - Pronósticos 58
Método Causal
Regresión Lineal
Ventas, Y Publicidad, X
Mes (000 unidades) (000 $) XY X2 Y2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
XY - nXY
a = Y - bX b=
X 2 - nX 2
Ejemplo 01
Producción II - Pronósticos 59
Método Causal
Regresión Lineal
Ventas, Y Publicidad, X
Mes (000 unidades) (000 $) XY X2 Y2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
1560.8 - 5(1.64)(171)
a = Y - bX b=
14.90 - 5(1.64)2
Ejemplo 01
Producción II - Pronósticos 60
Método Causal
Regresión Lineal
Ventas, Y Publicidad, X
Mes (000 unidades) (000 $) XY X2 Y2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
a = Y - bX b = 109.229
Ejemplo 01
Producción II - Pronósticos 61
Método Causal
Regresión Lineal
Ventas, Y Publicidad, X
Mes (000 unidades) (000 $) XY X2 Y2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
Ejemplo 01
Producción II - Pronósticos 62
Método Causal
Regresión Lineal
Ventas, Y Publicidad, X
Mes (000 unidades) (000 $) XY X2 Y2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
a = - 8.136 b = 109.229
Ejemplo 01
Producción II - Pronósticos 63
Método Causal
Regresión Lineal
Ventas, Y Publicidad, X
Mes (000 unidades) (000 $) XY X2 Y2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
a = - 8.136 b = 109.229
Y = - 8.136 + 109.229(X)
Ejemplo 01
Producción II - Pronósticos 64
Método Causal
Regresión
300 — Lineal
Ventas (miles de unidades)
250 — Y Publicidad, X
Ventas,
Mes (000 unidades) (000 $) XY X2 Y2
1 —
200264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 150165
— 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
100 —
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
50 | | | |
1.0 1.5 2.0 2.5
a = - 8.136 = 109.229
Publicidad b(miles de dólares)
Y = - 8.136 + 109.229(X)
Ejemplo 01
Producción II - Pronósticos 65
Método Causal
Regresión Lineal
Ventas, Y Publicidad, X
Mes (000 unidades) (000 $) XY X2 Y2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
Ejemplo 01
Producción II - Pronósticos 66
Método Causal
Regresión Lineal
Ventas, Y Publicidad, X
Mes (000 unidades) (000 $) XY X2 Y2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
Coeficiente de
nXY - X Y
r= correlación de
[nX 2 -(X) 2][nY 2 - (Y) 2] la muestra
Ejemplo 01
Producción II - Pronósticos 67
Método Causal
Regresión Lineal
Ventas, Y Publicidad, X
Mes (000 unidades) (000 $) XY X2 Y2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
r = 0.98
Ejemplo 01
Producción II - Pronósticos 68
Método Causal
Regresión Lineal
Ventas, Y Publicidad, X
Mes (000 unidades) (000 $) XY X2 Y2
1 264 2.5 660.0 6.25 69,696
2 116 1.3 150.8 1.69 13,456
3 165 1.4 231.0 1.96 27,225
4 101 1.0 101.0 1.00 10,201
5 209 2.0 418.0 4.00 43,681
Total 855 8.2 1560.8 14.90 164,259
Y = 171 X = 1.64
Ejemplo 01
Producción II - Pronósticos 70
Problema
La demanda de cambios de aceite registrada en el Taller ha sido la siguiente
Producción II - Pronósticos 71
Solución
Y = 42,475 + 2,45X
Producción II - Pronósticos 72
Método Series de Tiempo
Producción II - Pronósticos 73
Método Series de Tiempo
Modelo de Pronóstico Empírico
Producción II - Pronósticos 74
Método Series de Tiempo
Producción II - Pronósticos 75
Método Series de Tiempo
Producción II - Pronósticos 76
Método Series de Tiempo
Producción II - Pronósticos 77
Método Series de Tiempo
Ejemplo
Clínica: llegada de pacientes en las
Llegadas de pacientes
últimas 28 semanas.
Patrón de demanda: llegada de
pacientes no es de tendencia ni
estacional ni cíclico.
Serie de tiempo: muestra un patrón
Horizontal y Aleatorio.
Errores aleatorios: nadie los puede Llegadas reales
prever, no quedamos tranquilos al de pacientes
estimar solo promedios.
Semana
Producción II - Pronósticos 78
Método Series de Tiempo
Técnicas estadísticas útiles para el pronóstico de series de tiempo:
• Promedio móviles simples.
• Promedio móviles ponderados.
• Suavización exponencial.
Producción II - Pronósticos 79
Método de Promedio Móviles Simples (MA)
D t + D t – 1 + D t – 2 ...........D t – n + 1
F t + 1 = At =
n
At = Promedio de la demanda real de “n” periodos anteriores
Dt = demanda real del período t
n = Número total de períodos incluidos en el promedio.
Producción II - Pronósticos 80
Cálculo del Promedio Móvil, At
Elabore un pronóstico de promedio móvil de tres semanas para estimar la
llegada de pacientes a la clínica médica durante la cuarta semana. Los datos
correspondientes a la llegada de pacientes durante las últimas tres semanas
fueron las siguientes:
Semana Llegada de pacientes
1 400
2 380
3 411
Producción II - Pronósticos 81
Cálculo del Promedio Móvil, At
D1 =400
D2 =380
415
D3 = 411 411
410
Llegada de pacientes
405
400 400
A3 =397
At =( Dt + Dt - 1 + 395Dt - 2 ) / 3
A3 =( D +A
Ft3 = D2t -+
390D ) / 3
1 1
A3 =( 400F+ 380385
4 = A 3
+ 411 ) / 3
380 380
F4 = 397
375
0 1 2 3 4 5Semana 6
Producción II - Pronósticos 82
Cálculo del Promedio Móvil, At
D1 =400
D2 =380
420
D3 = 411
415 415
D4 = 415 411
Llegada de pacientes
410
405
A4 =402 400 400
At =( Dt + Dt - 1 + D
395 t - 2
)/3
A4 =( D +A
Ft4 = D3t -+
1 D2 ) / 3
390
A3 =( 415F+ 411 385
5 = A 4
+ 380 ) / 3
F5 = 402380 380
375
0 1 2 3 4 5 6
Semana
Producción II - Pronósticos 83
Método Series de Tiempo
Promedios Móviles Simples
450 —
Llegadas de pacientes
430 —
410 —
390 —
370 —
| | | | | |
0 5 10 15 20 25 30
Semana
Ejemplo 02 Producción II - Pronósticos 84
Método Series de Tiempo
Promedios Móviles Simples
450 —
Llegadas de pacientes
430 —
410 —
390 —
| | | | | |
0 5 10 15 20 25 30
Semana
Ejemplo 02 Producción II - Pronósticos 85
Método Series de Tiempo
Promedios Móviles Simples
450 —
Llegadas de pacientes
430 —
410 —
390 —
370 — Llegadas de
pacientes reales
| | | | | |
0 5 10 15 20 25 30
Semana
Ejemplo 02 Producción II - Pronósticos 86
Método Series de Tiempo
Promedios Móviles Simples
Pronóstico MA
450 — Pronóstico MA
6-semanas
Llegadas de pacientes
3-semana
430 —
410 —
390 —
370 — Llegadas de
pacientes reales
| | | | | |
0 5 10 15 20 25 30
Semana
Producción II - Pronósticos 87
Problema
Cálculo del Promedio Móvil, At
La dueña de una tienda de computadores arrienda impresoras a algunos
de sus mejores clientes. Ahora le interesa elaborar un pronóstico de sus
operaciones de arriendo para poder comprar la cantidad apropiada de
suministros para sus impresoras. A continuación se entregan los datos
correspondiente a las 10 últimas semanas.
Producción II - Pronósticos 88
Semana Arriendo Semana Arriendo
1 23 6 28 Solución
2 24 7 32
3 32 8 35
4 26 9 26
5 31 10 24
Producción II - Pronósticos 89
Método Series de Tiempo
Promedios Móviles Ponderados
Producción II - Pronósticos 90
Promedio Móvil Ponderado, AWt
Ventaja
Permite hacer énfasis en la demanda reciente.
Responde mejor que el pronóstico de promedio móvil simple.
Desventaja
Sigue retrasándose con respecto a la demanda porque sólo calcula
promedios de la demanda en el pasado.
Se observa mucho mejor el retrazo cuando existe una tendencia, ya que
el promedio de serie de tiempos va en incremento o disminución en
forma sistemática.
Producción II - Pronósticos 91
Promedio Móvil Ponderado, AWt
Producción II - Pronósticos 92
Promedio Móvil Ponderado, AWt
N
D1 =400 W1 = 0,1 AWt D t j1 Wt j1
j1
D2 =380 W2 = 0,2
415
D3 = 411 W3 = 0,7 411
410
Llegada de pacientes
405
A3 = W3*D3 + 400
W2*D2 + W1*D
4001
A3 = 0,7*411 + 0,2*380
395
+ 0,1*400
A3 = 403,7
390
=404
385
Ft =
380 A t-1 380
F4 =
375 A3
F4 = 404
0 1 2 3 4 5Semana 6
Producción II - Pronósticos 93
Promedio Móvil Ponderado, AWt
450 —
Llegadas de pacientes
| | | | | |
0 5 10 15 20 25 30
Semana
Ejemplo 03 Producción II - Pronósticos 94
Promedio Móvil Ponderado, AWt
450 — Llegada de
Semana pacientes
Llegadas de pacientes
430 — 1 400
2 380
410 — 3 411
4 415
390 —
| | | | | |
0 5 10 15 20 25 30
Semana
Ejemplo 03 Producción II - Pronósticos 95
Promedio Móvil Ponderado, AWt
450 — Llegada de
Semana pacientes
Llegadas de pacientes
430 — 1 400
2 380
410 — 3 411
4 415
390 —
| | | | | |
0 5 10 15 20 25 30
Semana
Ejemplo 03 Producción II - Pronósticos 96
Problema
Las ventas realizadas en los últimos doce meses por la minera
“El Indio” aparecen a continuación.
Mes Ventas
(US$ millones) Utilice un promedio móvil ponderado de tres
Enero 20 meses para pronosticar las ventas en los
Febrero 24 meses transcurridos entre abril y diciembre.
Marzo 27
Use ponderaciones de 3/6 , 2/6 y 1/6,
asignando una ponderación mayor a los
Abril 31
datos más recientes.
Mayo 37
Junio 47
Julio 53
Agosto 62
Septiembre 54
Octubre 36
Noviembre 32
Diciembre 29
Producción II - Pronósticos 97
Promedio móvil ponderado minera “El Indio”
Producción II - Pronósticos 98
Producción II - Pronósticos 99
Suavizamiento Exponencial Simple
Dt = + et
El modelo refleja un error aleatorio alrededor de una tendencia central estable.
Donde et se distribuye normalmente con media cero.
At = Dt + ( 1 - ) A t - 1
At = Dt + ( 1 - ) A t - 1
A t -1 refleja la historia
Si se cree en la última demanda
=1
Si se cree en la historia
=0
At = Dt + ( 1 - ) A t – 1 ó At = A t - 1 + ( Dt - At-1 )
Ft+1 = A t ó Ft+1 = Dt + ( 1 - ) F t
et = Dt – Ft
F t+1 = D t + (1 - ) F t equivalente a:
Formas de Uso
Se requiere de las demandas históricas (Dt) y del pronóstico más reciente
(Ao = F1)
A1 = D1 + (1 - ) A0 ó F2 = D1 + ( 1 - ) F1
A2 = D2 + (1 - ) A1 ó F3 = D2 + ( 1 - ) F2
Se va calibrando
t 1
Ft (1 ) k Dt k (1 ) t F1
k 0
Ft 1 * Dt (1 ) * Ft
Ejemplo:
Suponiendo alfa = 0.20 , el pronóstico para el periodo t+1 es:
D1 =400
D2 =380
D3 = 411
415
410 411
Llegada de pacientes
405
Pronóstico Inicial
400 400
F3 = (D1 + D2)/2
395
F3 = (400 + 380)/2 = 390
390
Para = 0.1 385
Ft+1 = 0.1*Dt + (1 380
- 0.1)*Ft 380
F4 = 0.1*D3 + (1 - 0.1)*F3
375
F4 = 0.1*411 + (1 - 0.1)*390
0 1 2 3 4 5Semana 6
F4 = 392,1
D1 =400
D2 =380
420
D3 = 411
415 415
D4 = 415 411
Llegada de pacientes
410
405
400 400
395
Si la demanda real390
D4 = 415
F5 = 0.1*415 + 0.9*392.1 = 394.1
385
380 380
375
0 1 2 3 4 5 6
Semana
450 —
Llegadas de pacientes
430 —
410 —
390 —
370 —
| | | | | |
0 5 10 15 20 25 30
Semana
Ejemplo 04 Producción II - Pronósticos 111
Suavizamiento Exponencial Simple
450 —
Llegadas de pacientes
430 —
410 —
390 —
370 — Suavización
Exponencial
= 0.10
| | | | | |
0 5 10 15 20 25 30
Semana
Ejemplo 04 Producción II - Pronósticos 112
Método Series de Tiempo
Suavización Exponencial
Pronóstico MA Pronóstico MA
450 —
3-semanas 6-semanas
Llegadas de pacientes
430 —
410 —
390 —
370 — Suavización
Exponencial
= 0.10
| | | | | |
0 5 10 15 20 25 30
Semana
Ejemplo 04 Producción II - Pronósticos 113
Suavizamiento Exponencial Simple Problema
Tendencia (T t)
T t = Promedio de Promedio del + (1 - ) Estimación de la Tendencia
este período
- último período en el último período
T t = (A t - A t – 1 ) + (1 - ) T t–1
Médica SA, ofrece servicios de laboratorio clínico a los pacientes del Hospital Providencia, una
A0 = 28
agrupación de 10 médicos familiares asociados que brindan pacientes
un nuevo programa de
mantenimiento de la salud. Los gerentes están interesados en pronosticar el número de
T0 = 3Espacientes
pacientes que van a requerir análisis de sangre cada semana. preciso comprar suministros y
tomar una decisión acerca del número de muestras sanguíneas que serán enviadas a otro
D1 = del
laboratorio, para compensar las limitaciones de la capacidad 27laboratorio
pacientes principal.
= 0.20 y = 0.20
Las informaciones recientes acerca de los efectos nocivos que provoca el colesterol en el
corazón han generado un incremento en las solicitudes de análisis ordinarios de sangre en todo
el país. En promedio el laboratorio realizó 28 análisis de sangre cada semana durante las 4
últimas semanas. La tendencia durante ese periodo fue de tres pacientes adicionales por
semana.
Tendencia
T0 = 3 pacientes
D = 27 pacientes
80 —1
AA1At =
1=
0,2
= 0,2D*27+
+1(1
tD )*(
+(1-(1– –0,2)*(
A t -128
0,2)*( +0+T+3)
A tT =)
0 30,2
= 0.20 y = 0.20 -1
70 — = 0,2 –– 28)
t -1A t-10) + (1- ) T t-10
T1TT=1t =
0,2 (30,2
(A(A A ) + (1- 0,2)*3
0,2) T = 2,8
Llegada de pacientes
60 — FF2 F
=230,2
t+1
== AA1t+++2,8
TT1 t = 33
50 —
40 —
30 —
| | | | | | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Semana
Producción II - Pronósticos 120
Suavización exponencial ajustada a la
A = 30,2 pacientes Tendencia
1
T1 = 2,8 pacientes
Si laDdemanda real del periodo 2 es de 44
2 = 44 pacientes
80 —
análisis de sangre
= 0.20 y = 0.20 A2 = 0,2 *44+ (1–0,2)*( 30,2+2,8) = 35,2
70 — será el pronóstico para el T
2 = 0,2 (35,2 – 30,2) + (1- 0,2)*2,8 = 3,1
¿Cuál periodo 3?
Llegada de pacientes
50 —
40 —
30 —
| | | | | | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Semana 121
Método Series de Tiempo Suavización
exponencial ajustada a la Tendencia
80 —
Llegada de pacientes
70 —
60 —
50 —
Número real
40 — de análisis
de sangre
30 —
| | | | | | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Semana
Ejemplo 05 Producción II - Pronósticos 122
Método Series de Tiempo Suavización
exponencial ajustada a la Tendencia
80 — Pronóstico
ajustado a la
Tendencia
Llegada de pacientes
70 —
60 —
50 —
Número real
40 — de análisis
de sangre
30 —
| | | | | | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Semana
Ejemplo 05 Producción II - Pronósticos 123
Problema
Semana ventas
Aplique la suavización exponencial ajustada a la
1 46
tendencia, con = 0,2 y = 0,2, para pronosticar
2 49 las ventas correspondiente a las semanas 2 a 6.
Suponga que el promedio de la serie de tiempo fue
3 43
de 45 unidades y que la tendencia promedio fue de
4 50 +2 unidades por semana, inmediatamente antes de
5 53
la semana 1
1. Para cada año se obtiene la demanda promedio por estación, esto es dividiendo la
demanda anual por el número de estaciones perteneciente al año.
Ejemplo: demanda total en un año 6000 y estación mes 6000/12 = 500 unid.
2. Genere un índice estacional para cada estación del año, su valor es el nivel de
demanda en relación con la demanda promedio.
Cálculo: para cada año, divida la demanda real de una estación entre la demanda
promedio por estación.
Ejercicio
El gerente de la compañía San-limp, perteneciente al rubro de limpieza
de alfombras, necesita un pronóstico trimestral del número esperado de
clientes para el año siguiente. El negocio de la limpieza de alfombras es
estacional, con un punto máximo en el tercer trimestre y un uno mínimo
en el primer trimestre. Se presenta a continuación los datos de la
demanda trimestral registrada en los cuatros años más recientes.
Patrón Estacional =
Año
Estación =
Trimestre
Demanda Actual
Índice estacional =
Promedio Demanda
Ejemplo 07
Producción II - Pronósticos 131
Método Series de Tiempo
Método Estacional Multiplicativo
45
Índice estacional = = 0.18
250
Ejemplo 07
Producción II - Pronósticos 132
Método Series de Tiempo
Método Estacional Multiplicativo
45
Índice estacional = = 0.18
250
Ejemplo 07
Producción II - Pronósticos 133
Método Series de Tiempo
Método Estacional Multiplicativo
Ejemplo 07
Producción II - Pronósticos 134
Método Series de Tiempo
Método Estacional Multiplicativo
Ejemplo 07
Producción II - Pronósticos 135
Método Series de Tiempo
Método Estacional Multiplicativo
Ejemplo 07
Producción II - Pronósticos 136
Método Series de Tiempo
Método Estacional Multiplicativo
Ejemplo 07
Producción II - Pronósticos 137
Método Series de Tiempo
Método Estacional Multiplicativo
Ejemplo 07
Producción II - Pronósticos 138
Método Series de Tiempo
Método Estacional Multiplicativo
Total 4 4 4 4 4
Error de pronóstico
Es de carácter puntual
Et = Dt - Ft
E t = error de pronóstico para el período t
D t = demanda real para el período t
F t = pronóstico para el período t
Pero la tendencia es medir el error para a lo largo período,
lo que da origen a:
Ejemplo 04
Producción II - Pronósticos 148
Selección de un Método
Error de Pronóstico
Error
Cuadrado Error porcentual
Mes, Demanda, Pronóstico, Error, del Error, Absoluto, absoluto,
t Dt Ft Et Et 2 |Et| (|Et|/Dt)(100)
1 200 225 -25 625 25 12.5%
2 240 220 20 400 20 8.3
3 300 285 15 225 15 5.0
4 270 290 -20 400 20 7.4
5 230 250 -20 400 20 8.7
6 260 240 20 400 20 7.7
7 210 250 -40 1600 40 19.0
8 275 240 35 1225 35 12.7
Total -15 5275 195 81.3%
Ejemplo 04
Producción II - Pronósticos 149
Selección de un Método
Error de Pronóstico
Ejemplo 04
Producción II - Pronósticos 150
Selección de un Método
Error de Pronóstico
Ejemplo 04
Producción II - Pronósticos 151
Selección de un Método
Error de Pronóstico
Ejemplo 04
Producción II - Pronósticos 152
Selección de un Método
Error de Pronóstico
Ejemplo 04
Producción II - Pronósticos 153
Selección de un Método
Error de Pronóstico
Ejemplo 04
Producción II - Pronósticos 154
Selección de un Método
Error de Pronóstico
81.3%
MAPE = = 10.2%
8 Ejemplo 04
157
Problema
Ventajas de 2.
•No es necesario tantos datos históricos
• no tiene porque ser igual al valor utilizado en el modelo de pronóstico.
• Frecuentemente se usa 0,1 para suavizar los efectos de los errores
recientes en al pasado.
+0.5 —
0—
- 0.5 —
- 1.0 —
Límite de control
- 1.5 —
| | | | |
0 5 10 15 20 25
Número de observaciones
Ejemplo 5
Producción II - Pronósticos 163
Selección de un Método
Señales de rastreo
CFE
Señal de rastreo =
MAD
Fuera de control
+2.0 —
Límite de control
+1.5 —
+1.0 —
Señal de rastreo
+0.5 —
0—
- 0.5 —
- 1.0 —
Límite de control
- 1.5 —
| | | | |
0 5 10 15 20 25
Número de observaciones
Ejemplo 5
164
Criterios para la Selección de Métodos
con Series de Tiempo
Cuantificar errores de pronóstico entrega la información vital, cuando se debe
seleccionar un método de pronóstico tanto para manufactura como servicio.
Es una guía para seleccionar el valor del parámetro más adecuado en el
método elegido, como:
n para pronóstico simple
ponderaciones para promedio móvil ponderado y
y Beta para suavización exponencial.
Criterios para escoger un método de pronóstico y seleccionar el parámetro:
1. Minimizar los sesgos (CFE y E promedio).
2. Minimizar la dispersión (MAD y MSE)
En 1 y 2 se basan en el rendimiento histórico.
Promedio móvil simple: Ideal sin sesgos y sin MAD, valores MAD muy
parecidos, CFE distintos pero al ser positivos indicarían que los
pronósticos son muy bajos, n = 3 sería el mejor.
Suavización exponencial: MAD muy parecidos, CFE distintos = 0,2
se prefiere.
167
Suma acumulativa Desviación media
Método de errores (CFE) absoluta (MAD)
Promedio móvil simple
Tres semanas (n = 3) 23,1 17,1
Seis semanas (n = 6) 69,8 15,5
Promedio móvil ponderado
0,7 ; 0,2 ; 0,1 14,0 18,4
Suavización exponencial
= 0,1 65,6 14,8
= 0,2 41,0 15,3
Proceso
de Pedidos
Pronóstico Usado por Intervalo Horizonte
Pronóstico Tipo 1. Por artículo,
de Demanda Sistema Semanal Tiempo de respuesta
y centro de DRP o Diario de producción.
distribución.
Proceso
de Pedidos
Pronóstico Usado por Intervalo Horizonte
Sistema
Pronóstico Tipo 1. Por artículo, Semanal Tiempo de respuesta
Admón.
de Demanda y distribuidor. o Mensual de producción.
Inventarios
Compras
• Los pronósticos de Tipo 3 son el resultado de conciliar los del Tipo 2 y 1 en el corto
plazo.
• La conciliación se realiza a través de un proceso de ponderación y aplicación de
criterio de la administración.
El proceso de conciliación de
pronósticos se puede
conceptualizar como piramidal,
con una primera etapa de roll-
up, y una segunda de force-
down.
El proceso de conciliación de
pronósticos se puede
conceptualizar como piramidal,
con una primera etapa de roll-
up, y una segunda de force-
down.
Actual, Y Propuesto, X
3,0 3,1
3,1 3,9
3,0 3,4 a) Aplique la regresión lineal para
3,6 4,0 encontrar una relación que permita
3,8 3,6 pronosticar Y, es decir, el parámetro de
calidad correspondiente al
2,7 3,6 procedimiento actual, utilizando los
2,7 3,6 valores obtenidos con el procedimiento
3,1 3,1 propuesto, X.
2,7 2,9
3,3 3,6 b) ¿Existe una relación fuerte entre los
parámetros Y y X? Explique su
3,2 4,1 respuesta
2,1 2,6
3,0 3,1
2,6 2,8
Cálculo de
Advance
Producción
Producción
II - Pronósticos
II - Pronósticos 186
Método Series de Tiempo Suavización
exponencial ajustada a la Tendencia
80 — Pronóstico
ajustado a la
Llegada de pacientes
70 — Tendencia
| | | | | | | | | | | | | | |
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Semana
Ejemplo 05 Advance
Producción
Producción
II - Pronósticos
II - Pronósticos 187
Método Series de Tiempo Suavización
exponencial ajustada a la Tendencia
80 — Promedio Promedio
Semana Llegadas suavizadoTrend-adjusted
Tendencia Pronóstico Error
Pronóstico
Llegada de pacientes
80 — Promedio Promedio
Semana Llegadas suavizadoTrend-adjusted
Tendencia Pronóstico Error
Pronóstico
Llegada de pacientes
80 — Promedio Promedio
Semana Llegadas suavizadoTrend-adjusted
Tendencia Pronóstico Error
Pronóstico
Llegada de pacientes
70 — 0 28 28.00
Pronóstico semana 6
3.00 0.00 0.00
1 27 30.20 2.84 31.00 –4.00
2 F6 44 (4) + 35,2
= 3,2 35.23= 48 análisis
3.27 33.04 10.96
60 — 3 37 38.20 3.21 38.51 –1.51
4 35 40.14 2.96 41.42 –6.42
50 — 5 53 45.08 3.35 43.10 9.89
6 38 46.35 2.93 48.43 –10.43
Actual blood
7 57 50.83 3.24 49.29 7.71
40 — 8 61 55.46 3.52 54.08
test requests
6.92
9 39 54.99 2.72 58.98 –19.98
30 — 10 55 57.17 2.61 57.71 –2.71
11 54 58.63 2.38 59.78 –5.78
12
| | | 52 | | 59.21
| | | 2.02
| | | 61.01
| | –9.01
| |
13 60 60.99 1.97 61.23 –1.23
0 14 1 2 3 60 4 5 62.376 7 8 1.85 9 10 1162.96
12 13 –2.96
14 15
15 75 66.38 Semana
2.28 64.22 10.77
Ejemplo 05 Advance
Producción
Producción
II - Pronósticos
II - Pronósticos 190
El patrón o comportamiento está formado por
cuatro componentes
Desplazamiento gradual de
Horizontal Cúmulos de datos
la serie de tiempo.
Activa
en torno a una
Tendencia
Volumen
Volumen
Influyenlínea factores
horizontal a largo plazo
Volumen
Volumen
Cíclico como modificaciones de
Cualquier secuencia
larecurrente
población,
Verano sus
de puntos
Movimiento encima
de una serie de
Estacional características
ytiempo
abajo dequela línea de en el
ocurre
Factor residual o “todo lo que sobra” de
Aleatoria demográficas,
Tiempotendencia quede
período dure
un la
más
año. de un
Tiempo
Tiempo
una serie, toma en consideración las
Tiempo
tecnología año
y la
desviaciones de lospreferencia
valores reales de la
Tendencia
del
serieconsumidor Tendencia lineal
de tiempo en comparación Sinlos
con tendencia
no linealesperados. Estádeclinante
causado por factores a
corto plazo no previstos.