Академический Документы
Профессиональный Документы
Культура Документы
PRODUCCIÓN
Parte II
1
PREVISIÓN DE LA
DEMANDA
2
¿Qué es la previsión?
• Arte y ciencia de
predecir
¡Venderá 200
acontecimientos millones de
dólares!
futuros.
• Base de todas las
decisiones
empresariales:
– Producción.
– Inventario.
– Personal.
– Instalaciones. 3
Tipos de horizontes
temporales de la previsión
• Previsión a corto plazo:
– Cobertura de hasta un año, generalmente inferior
a los tres meses.
– Programación de trabajos, asignación de tareas.
• Previsión a medio plazo:
– Entre tres meses y tres años.
– Planificación de las ventas, de la producción y del
presupuesto.
• Previsiones a largo plazo:
– Periodos superiores a tres años.
– Planificación de nuevos productos, localización4
de las instalaciones.
Previsiones a corto plazo frente a
previsiones a largo plazo
• Las previsiones a medio y largo plazo
tratan de asuntos más extensos, y
apoyan las decisiones de gestión que
conciernen a la planificación y los
productos, las plantas y los procesos.
• Las previsiones a corto plazo
normalmente emplean metodologías
diferentes a las utilizadas en las
previsiones a largo plazo.
• Las previsiones a corto plazo tienden a 5
ser más exactas que las realizadas a
La influencia del ciclo de vida
del producto
• Las etapas de introducción y crecimiento
necesitan previsiones más largas que las de
madurez y declive.
• Las previsiones son útiles para proyectar
– los diferentes niveles de personal
– los diferentes niveles de inventarios
– los diferentes niveles de capacidad de producción
mientras el producto pasa de la primera a la
última etapa.
6
Estrategia durante el ciclo de
vida de un producto
Introducción Crecimiento Madurez Declive
Mejor periodo para Buen momento para Mal momento para cambiar la Es vital controlar el
aumentar la cuota de cambiar el precio o la imagen, el precio o la calidad coste
mercado imagen de calidad
Los costes competitivos son
Estrategias de la compañía
7
Tipos de previsiones
• Previsiónes económicas:
– Dirigidas al ciclo empresarial, por
ejemplo, las tasas de inflación, la masa
monetaria, etc.
• Previsiónes tecnológicas:
– Predicen el progreso tecnológico.
– Predicen el nacimiento de nuevas ventas.
• Previsiones de demanda:
– Predicen las ventas ya existentes.
8
Siete etapas en el sistema de
previsión
• Determinar la utilización de la previsión.
• Seleccionar los artículos en los que se
va a realizar la previsión.
• Determinar el horizonte temporal de la
previsión.
• Seleccionar el(los) modelo(s) de
previsión.
• Recogida de datos.
• Realizar la previsión.
• Validar e implementar los resultados. 9
Recopilación de datos
Selección de datos
Selección de variables
Exploración
del patron de datos
No Precisión
aceptable ?
Si
Extrapolación del
modelo
Análisis de varianza
Gráfico de control
No Precisión
aceptable ?
Si
Pronóstico de juicio
10
Pronóstico consolidado
Realidades sobre la previsión
• Raras veces las previsiones son
perfectas.
• La mayoría de las técnicas de previsión
asumen que existe cierta estabilidad
sostenida al sistema.
• Tanto las predicciones de familias de
productos como las predicciones en
conjunto son más precisas que las
previsiones de productos individuales.
11
PROCESO DE PRONOSTICO
Recopilación de datos
Selección de datos
• Preguntar a los
consumidores sobre ¿Cuántas horas
sus futuros planes de utilizará Internet la
próxima semana?
compra.
• Lo que dicen los
consumidores y lo que
luego hacen suele
diferir.
• A veces es difícil
contestar a las © 1995 Corel
Corp.
22
¿Qué son las series temporales?
• Es una secuencia de datos uniformemente
espaciada:
– Se obtiene observando las variables en
periodos de tiempo regulares.
• Se trata de una previsión basada en los datos
pasados:
– Supone que los factores que han influido en el
pasado lo sigan haciendo en el futuro.
• Ejemplo:
Año: 1993 1994 1995 1996 1997
Ventas: 78,7 63,5 89,7 93,2 92,1 23
Demanda de un producto representada
en un periodo de 4 años con tendencia
de crecimiento y estacionalidad
Picos estacionales Componente de tendencia
Demanda del producto o servicio
Línea de
demanda
actual
Demanda media
en cuatro años
Variación
aleatoria
Primer Segundo Tercer Cuarto
año año año año
24
Descomposición de una serie
temporal
25
Descomposición de una serie
temporal
Tendencia Ciclos
Estacionalidad Variaciones
aleatorias
26
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 años de duración.
Respuesta
27
Mes, trimestre, año © 1984-1994 T/Maker Co.
Tendencia
Estacionalidad
• Muestra de datos de ascenso o
descenso que se repite.
• Se puede ver afectada por la
climatología, las costumbres, etc.
• Se produce dentro de un periodo anual.
Verano
Respuesta
© 1984-1994 T/Maker Co.
Mes, trimestre 29
Estacionalidad
Ciclos
• Movimientos de ascenso o descenso que
se repiten.
• Se pueden ver afectados por
interacciones de factores que influyen en
la economía.
• Suelen durar de 2Ciclo
a 10 años.
Respuesta
Mes, trimestre, año
31
Ciclos
Variaciones aleatorias
• Son “saltos” en los datos causados por
el azar y situaciones inusuales.
• Son debidas a variaciones aleatorias o
© 1984-1994 T/Maker Co.
a situaciones imprevistas:
– Huelga.
– Tornado.
• Son de corta duración
y no se repiten.
33
Variaciones aleatorias
Modelos de series temporales
• Cualquier valor que aparezca en una serie
temporal es la multiplicación (o suma) de los
componentes de la serie temporal.
• Modelo multiplicativo:
– Yi = Ti x Si x Ci x Ri (si los datos son mensuales o
trimestrales).
• Modelo aditivo:
– Yi = Ti + Si + Ci + Ri (si los datos son mensuales
o trimestrales).
35
36
Demanda real frente a los
métodos de media móvil y media
móvil ponderada
35 Media móvil ponderada
30
Ventas reales
Demanda de ventas
25
20
15
10
Media móvil
5
0
Ene. Feb. Mar. Abr. May. Jun. Jul. Ago. Sep. Oct. Nov. Dic.
Mes
37
Enfoque simple
• Suponer que la
demanda en el próximo
periodo será igual a la
demanda del periodo
más reciente:
– Por ejemplo, si en mayo
hubo 48 ventas, en junio
habrá 48 ventas.
• Es el modelo con la
mejor relación eficacia- © 1995 Corel Corp.
coste y eficiencia. 38
Medias móviles
• Las medias móviles son una serie de
operaciones aritméticas.
• Se utilizan si no hay tendencia o si ésta es
escasa.
• Se suelen utilizar para el alisado:
– Proporciona una impresión general de los
datos a lo largo del tiempo.
• Ecuación:
MM demanda de n periodos previos
n 39
Ejemplo de media móvil
Usted es el director de una tienda de
un museo que vende réplicas. Quiere
predecir las ventas (000) del año 1998
mediante una media móvil de 3 meses.
1993 4
1994 6
1995 5
1996 3
1997 7
40
© 1995 Corel Corp.
Solución de la media móvil
Año Respuesta Media Media móvil
Yi móvil total (n=3)
(n=3)
1995 4 ND ND
1996 6 ND ND
1997 5 ND ND
1998 3 4+6+5=15 15/3 = 5
1999 7
2000 ND
41
Solución de la media móvil
ponderada
Año Respuesta Media Media móvil
Yi móvil total (n=3)
(n=3)
1995 4 ND ND
1996 6 ND ND
1997 5 ND ND
1998 3 4+6+5=15 15/3 = 5
1999 7 6+5+3=14 14/3=4 2/3
2000 ND
42
Solución de la media móvil
ponderada
Año Respuesta Media Media móvil
Yi móvil total (n=3)
(n=3)
1995 4 ND ND
1996 6 ND ND
1997 5 ND ND
1998 3 4+6+5=15 15/3=5,0
1999 7 6+5+3=14 14/3=4,7
2000 ND 5+3+7=15 15/3=5,0
43
Gráfico de la media móvil
Ventas
8 Real
6
Previsión
4
2
95 96 97 98 99 00
Año
44
Método de la media móvil ponderada
• Se utiliza cuando se presenta una tendencia:
– Los datos anteriores suelen carecer de
importancia.
• Las ponderaciones se basan en la intuición:
– Suelen estar entre 0 y 1, y a la suma de 1,0.
• Ecuación:
45
Demanda actual, media móvil y
media móvil ponderada
35 Media móvil ponderada
30
Ventas reales
Demanda de ventas
25
20
15
10
Media móvil
5
0
Ene. Feb. Mar. Abr. May. Jun. Jul. Ago. Sep. Oct. Nov. Dic
Mes
46
Inconvenientes de los
métodos de media móvil
47
Alisado exponencial
• Es una técnica de previsión de media móvil
ponderada:
– Las ponderaciones disminuyen
exponencialmente.
– Se ponderan más los datos más recientes.
• Se necesita una constante de alisado ():
– Toma valores entre 0 y 1.
– Se escoge de forma subjetiva.
• Necesita una cantidad reducida de datos
históricos.
48
Ecuaciones del alisado
exponencial
• Ft = At - 1 + (1-)At - 2 + (1- )2·At - 3
+ (1- )3At - 4 + ... + (1- )t-1·A0
– Ft = Valor de la previsión
– At = Valor real
= Constante de alisado
• Ft = Ft-1 + (At-1 - Ft-1)
– Se utiliza para calcular la previsión.
49
Ejemplo de alisado
exponencial
Usted está organizando una reunión
Kwanza. Desea predecir el número de
personas que asistirán en el año 2000
mediante el alisado exponencial ( =
0,10). La previsión para 1995 fue de
175.
1995 180
1996 168
1997 159
1996 175
© 1995 Corel Corp.
1999 190 50
Solución del alisado exponencial
Ft = Ft-1 + · (At-1 - Ft-1)
Previsión, F t
Año Real
( α = 0,10)
1995 180 175,00 (Dado)
1996 168 175,00 +
1997 159
1998 175
1999 190
2000 ND
51
Solución del alisado exponencial
Ft = Ft-1 + · (At-1 - Ft-1)
Previsión, F t
Año Real
( α = 0,10)
1995 180 175,00 (Dado)
1996 168 175,00 + 0,10(
1997 159
1998 175
1999 190
2000 ND
52
Solución del alisado exponencial
Ft = Ft-1 + · (At-1 - Ft-1)
Previsión, Ft
Año Real
(α = 0,10)
1995 180 175,00 (Dado)
1996 168 175,00 + 0,10(180 -
1997 159
1998 175
1999 190
2000 ND
53
Solución del alisado exponencial
Ft = Ft-1 + · (At-1 - Ft-1)
Previsión,Ft
Año Real
(α = 0,10)
1995 180 175,00 (Dado)
1996 168 175,00 + 0,10(180 - 175,00)
1997 159
1998 175
1999 190
2000 ND
54
Solución del alisado exponencial
Ft = Ft-1 + · (At-1 - Ft-1)
Previsión,Ft
Año Real
(α = 0,10)
1995 180 175,00 (Dado)
1996 168 175,00 + 0,10(180 - 175,00) = 175,50
1997 159
1998 175
1999 190
2000 ND
55
Solución del alisado exponencial
Ft = Ft-1 + · (At-1 - Ft-1)
Previsión, F t
Año Real
( α = 0,10)
1995 180 175,00 (Dado)
1994 168 175,00 + 0,10(180 - 175,00) = 175,50
1995 159 175,50 + 0,10(168 - 175,50) = 174,75
1996 175
1997 190
1998 ND
56
Solución del alisado exponencial
Ft = Ft-1 + · (At-1 - Ft-1)
Previsión, F t
Año Real
( α = 0,10)
1995 180 175,00 (Dado)
1996 168 175,00 + 0,10(180 - 175,00) = 175,50
1997 159 175,50 + 0,10(168 - 175,50) = 174,75
1998 175 174,75 + 0,10(159 - 174,75)= 173,18
1999 190
2000 ND
57
Solución del alisado exponencial
Ft = Ft-1 + · (At-1 - Ft-1)
Previsión, F t
Año Real
( α = 0,10)
1995 180 175,00 (Dado)
1996 168 175,00 + 0,10(180 - 175,00) = 175,50
1997 159 175,50 + 0,10(168 - 175,50) = 174,75
1998 175 174,75 + 0,10(159 - 174,75) = 173,18
1999 190 173,18 + 0,10(175 - 173,18) = 173,36
2000 ND
58
Solución del alisado exponencial
Ft = Ft-1 + · (At-1 - Ft-1)
Previsión, F t
Año Real
( α = 0,10)
1995 180 175,00 (Dado)
1996 168 175,00 + 0,10(180 - 175,00) = 175,50
1997 159 175,50 + 0,10(168 - 175,50) = 174,75
1998 175 174,75 + 0,10(159 - 174,75) = 173,18
1999 190 173,18 + 0,10(175 - 173,18) = 173,36
2000 ND 173,36 + 0,10(190 - 173,36) = 175,02
59
Gráfico del alisado
exponencial
Ventas
190 Real
180
170 Previsión
160
150
140
93 94 95 96 97 98
Año
60
Efectos de la previsión de la
constante de alisado
Ft = At - 1 + (1- )At - 2 + (1- )2At - 3 + ...
Ponderaciones
= Periodo anterior Hace 2 periodos Hace 3 periodos
(1 - ) (1 - )2
= 0,10 10%
= 0,90
61
Efectos de la previsión de la
constante de alisado
Ft = At - 1 + (1- ) At - 2 + (1- )2At - 3 + ...
Ponderaciones
= Periodo anterior Hace 2 periodos Hace 3 periodos
(1 - ) (1 - )2
= 0,10 10% 9%
= 0,90
62
Efectos de la previsión de la
constante de alisado
Ft = At - 1 + (1- )At - 2 + (1- )2At - 3 + ...
Ponderaciones
= Periodo anterior Hace 2 periodos Hace 3 periodos
(1 - ) (1 - )2
63
Efectos de la previsión de la
constante de alisado
Ft = At - 1 + (1- )At - 2 + (1- )2At - 3 + ...
Ponderaciones
= Periodo anterior Hace 2 periodos Hace 3 periodos
(1 - ) (1 - )2
64
Efectos de la previsión de la
constante de alisado
Ft = At - 1 + (1- ) At - 2 + (1- )2At - 3 + ...
Ponderaciones
= Periodo anterior Hace 2 periodos Hace 3 periodos
(1 - ) (1 - )2
65
Efectos de la previsión de la
constante de alisado
Ft = At - 1 + (1- ) At - 2 + (1- )2At - 3 + ...
Ponderaciones
= Periodo anterior Hace 2 periodos Hace 3 periodos
(1 - ) (1 - )2
66
Si se selecciona
Trate de minimizar la desviación absoluta media (DAM)
errores de previsión
Entonces: DAM
n
67
Alisado exponencial con
ajuste de tendencia
68
Alisado exponencial con
ajuste de tendencia
Ft = (demanda real de este periodo)
+ (1- )(previsión del último periodo + tendencia estimada del
último periodo)
o
Ft = (At) + (1- )Ft-1 + Tt-1
69
Alisado exponencial con
ajuste de tendencia
• Ft = previsión alisada exponencialmente
de la serie de datos en el periodo t.
• Tt = tendencia alisada
exponencialmente en el periodo t.
• At = demanda real en el periodo t.
• = constante de alisado para la media.
• = constante de alisado para la
tendencia.
70
Comparación de previsiones
Alisado exponencial +
40 Tendencia
35 Demanda real
Demanda del producto
30
25
20
15
Alisado exponencial
10
5
0
Ene. Feb. Mar. Abr. May. Jun. Jul. Ago. Sep.
Mes
71
Box - Jenkins
Box y Jenkins han desarrollado modelos
estadísticos que tienen en cuenta la
dependencia existente entre los datos.
Cada observación en un momento dado es
modelada en función de los valores
anteriores.
Se modela a través de ARIMA
(Autorregresive Integrate Moving Average).
METODOLOGIA DE BOX-
JENKINS
Tiene solamente en cuenta la pauta de serie
serie de tiempo en el pasado.
Ignora la información de variables causales.
Procedimiento técnicamente sofisticado de
predicción de una variable.
Utiliza la observación más reciente como
valor inicial.
Permite examinar el modelo más adecuado
METODOLOGIA DE
BOX-JENKINS
Analiza errores recientes de pronósticos para
seleccionar el ajuste apropiado para periodos
futuros.
Box-Jenkins es más apropiado para
predicciones a largo plazo que para corto
plazo.
Extrae mucha información de la serie de
tiempo, más que cualquier otro método.
Elección del modelo
Existen tres tipos básicos de modelos a ser
examinados
Modelos autorregresivos (AR).
Modelos de medias móviles (MA)
Modelos mixtos autorregresivos-medias
móviles (ARIMA)
Modelos autorregresivos AR(p).
Describe una clase particular de proceso en
que las observaciones en un momento dado
son predecibles a partir de las
observaciones previas del proceso mas un
termino de error.,el caso mas simple ARIMA
(1,0,0) o AR(1).
Yt = Ф1 Yt-1 + at
Modelos de medias móviles MA(q)
También describe una serie de tiempo
estacionaria.En este modelo el valor actual
puede predecirse a partir de las
componentes aleatorias de este momento y,
en menor medida los impulsos aleatorios
anteriores. ARIMA (0,0,1) o MA (1)
Yt = at - V1 at-1
ARIMA
La autocorrelación muestra la
asociación entre valores de la
misma variable en diferentes
periodos de tiempo(no aleatoria).
Grafico
DEMANDA
1.0
.5
0.0
-.5
Confidence Limits
ACF
-1.0 Coefficient
1 2 3 4 5 6 7 8 9 10 11 12 13
Lag Number
Autocorrelacion Parcial (PACF)
La autocorrelación parcial
identifica la relación entre los
valores actuales y los valores
anteriores de la serie cronológica
original.
Grafico
DEMANDA
1.0
.5
0.0
-.5
Partial ACF
Confidence Limits
-1.0 Coefficient
1 2 3 4 5 6 7 8 9 10 11 12 13
No se rechaza la hipótesis de RAIZ UNITARIA Se rechaza la hipótesis de RAIZ UNITARIA al 10% Se rechaza la hipótesis de RAIZ UNITARIA
SERIE ORIGINAL PRIMERA DIFERENCIA D1 D12
Construcción Modelo ARIMA
7,500.0
7,000.0
6,500.0
6,000.0
5,500.0
5,000.0
Ene-04 Feb-04 Mar-04 Abr-04 May-04 Jun-04
7,500.0
7,000.0
6,500.0
6,000.0
5,500.0
5,000.0
Ene-04 Feb-04 Mar-04 Abr-04 May-04 Jun-04
8,000.0
7,500.0
7,000.0
6,500.0
6,000.0
5,500.0
5,000.0
Ene-04 Feb-04 Mar-04 Abr-04 May-04 Jun-04
7,500.0
7,000.0
6,500.0
6,000.0
5,500.0
5,000.0
Ene-04 Feb-04 Mar-04 Abr-04 May-04 Jun-04
Desviación
real
Desviación Desviación
Desviación
Desviación Punto en la
línea de
Desviación tendencia
Desviación
Yˆ a bx
Periodo de tiempo
107
Demanda real y línea de
tendencia
180
160
Y = 56,70+ 10,54X
140
120
Demanda
100
80
60 Demanda real
40
20
0
0 2 4 6 8 10
Periodo de tiempo
108
Análisis de regresión lineal
• Se usa para prever la línea de
tendencia lineal.
• Supone una relación entre la variable
de respuesta, Y, y el periodo de
tiempo, X, que es una función lineal:
Y$i a bX i
Ventas
Ventas frente a tiempo
4
3
2
1
0
92 93 94 95 96
Periodo de tiempo
111
Ecuaciones de mínimos
cuadrados
Ecuación: Ŷi a bx i
n
x i y i nx y
Pendiente: b i n
x i nx
i
112
Tabla de cálculo
2 2
Xi Yi Xi Yi X iY i
2 2
X1 Y1 X1 Y1 X 1Y 1
2 2
X2 Y2 X2 Y2 X 2Y 2
: : : : :
2 2
Xn Yn Xn Yn X nY n
2 2
ΣXi ΣYi ΣXi ΣYi Σ X iY i
113
Ejemplo de análisis de
regresión lineal
Usted es el analista de marketing de
Hasbro Toys. Recoge los siguientes
datos:
Año Ventas (unidades)
1995 1
1996 1
1997 2
1998 2
1999 4
¿Cuál es la ecuación de la tendencia?
114
Modelo de previsión del
análisis de regresión lineal
Usted está realizando el análisis de marketing
^ codificados,
de Hasbro Toys. Al utilizar años
halla que Yi = -0,1 + 0,7Xi.
Año Ventas (Unidades)
1995 1
1996 1
1997 2
1998 2
1999 4
La previsión es de 2000 ventas. 115
Modelo estacional multiplicativo
• Encontrar la demanda histórica media para cada “estación”
sumando la demanda de esa estación cada año y dividiéndola
entre el número de años de datos disponibles.
• Calcular la demanda media a lo largo de todas las estaciones
dividiendo la demanda media total anual entre el número de
estaciones.
• Calcular un índice estacional dividiendo la demanda histórica
real de esa estación (calculado en la etapa 1) entre la
demanda media a lo largo de todas las estaciones.
• Estimar la demanda anual de todo el año próximo.
• Dividir esta estimación de la demanda anual total entre el
número de estaciones y entonces multiplicarla por el índice
estacional de esa estación. Esto proporciona la previsión
estacional .
116
Modelo de regresión lineal
• Muestra la relación lineal entre las
variables dependientes e independientes.
– Ejemplo: ventas y publicidad (sin tiempo)
^
Yi = a b Xi
117
Ecuaciones de regresión
lineal
Ecuación: Ŷi a bx i
n
x i y i nx y
Pendiente: b i n
x i nx
i
119
Tabla de cálculo
2 2
Xi Yi Xi Yi X iY i
2 2
X1 Y1 X1 Y1 X 1Y 1
2 2
X2 Y2 X2 Y2 X 2Y 2
: : : : :
2 2
Xn Yn Xn Yn X nY n
2 2
ΣXi ΣYi ΣXi ΣYi Σ X iY i
120
Interpretación de los
coeficientes
• Pendiente (b):
– El cálculo de Y varía en b cada unidad
extra en X.
• Si b = 2, entonces las ventas (Y) aumentarán
en 2 por cada unidad extra en publicidad (X).
• Corte con el eje Y (a):
– Valor medio de Y cuando X = 0.
• Si a = 4, entonces las ventas medias (Y) serán
de 4 cuando la publicidad (X) sea 0.
121
Variación de los errores
aleatorios
• Variación del Y real a partir del Y predecido.
• Se mide mediante el error estándar de la
estimación:
– Muestra los errores de la desviación estándar.
– SY,X
• Afecta a varios factores:
– Significado del parámetro.
– Precisión de la predicción.
122
Suposiciones de los mínimos
cuadrados
• Se supone que la relación es lineal.
Primero trace los datos, si existe la curva,
utilice el análisis curvilineal.
• Se supone que la relación sólo se sustenta
dentro o justo fuera del campo de datos.
No trate de predecir periodos de tiempo
lejanos al campo de la base de datos.
• Se supone que las desviaciones que
rodean a la línea de los mínimos
cuadrados son aleatorias. 123
Error estándar de la
desviación
n
yi ŷi El libro utiliza el
S y, x i
n símbolo Yc
n n n
yi a yi b x i yi
i i i
n
124
Correlación
125
Fómula del coeficiente de
correlación
n n n
n x i yi x i yi
r i i i
n n n n
n x i x i n yi yi
i i i i
126
Coeficiente de correlación y
modelo de regresión
Y r=1 Y r = -1
Y^i = a + b X i
Y^i = a + b X i
X X
Y r = 0,89 Y r=0
Y^i = a + b X i Y^i = a + b X i
X X
128
Guía para elegir el modelo de
previsión
• Usted quiere conseguir:
– Ninguna conducta o dirección del error de
previsión. ^
• Error = (Yi - Yi) = (Real - Previsión).
• Se observa en las representaciones de los
errores a lo largo del tiempo.
– Un error de previsión más pequeño:
• Error cuadrado medio (ECM).
• Desviación absoluta media (DAM).
129
Conducta del error de
previsión
Tendencia no totalmente
justificada Conducta deseada
Error Error
0 0
130
Ecuaciones del error de
previsión
• Error cuadrado medio (ECM):
n
(y i ˆy i ) 2 2
i 1 errores de previsión
ECM
n n
131
Ejemplo de selección del
modelo de previsión
Usted es el analista de marketing de Hasbro Toys. Ha
previsto las ventas con un modelo lineal y alisado exponencial.
¿Qué modelo usará?
Modelo lineal:
y i y
ˆi
n
i
DAM
errores de previsión
DAM
137
Cálculo de la señal de rastreo
Trim. Demanda Demanda Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado
1 100 90
2 100 95
3 100 115
4 100 100
5 100 125
6 100 140
138
Cálculo de la señal de rastreo
Trim. Demanda Demanda Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado
1 100 90 -10
2 100 95
3 100 115 Error = Real - Previsión
= 90 - 100 = -10
4 100 100
5 100 125
6 100 140
139
Cálculo de la señal de rastreo
Trim. Demanda Demanda Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado
140
Cálculo de la señal de rastreo
Trim. Demanda Demanda Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado
141
Cálculo de la señal de rastreo
Trim. Demanda Demanda Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado
142
Cálculo de la señal de rastreo
Trim. Demanda Demanda Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado
144
Cálculo de la señal de rastreo
Trim. Demanda Demanda Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado
145
Cálculo de la señal de rastreo
Trim. Demanda Demanda Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado
146
Cálculo de la señal de rastreo
Trim. Demanda Demanda Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado
147
Cálculo de la señal de rastreo
Trim. Demanda Demanda
Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado
148
Cálculo de la señal de rastreo
Trim. Demanda Demanda
Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado
149
Cálculo de la señal de rastreo
Trim. Demanda Demanda
Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado
150
Representación de una señal
de rastreo
Señal que supera el límite
Señal de rastreo
Límite de control superior
+
0 Intervalo aceptable
-
Límite de control inferior
Tiempo
151
Señales de rastreo
160 3
140 Previsión
2
Señal de rastreo
120
Demanda real
100 1
80 0
60 Demanda real
-1
40 Señal de rastreo
20 -2
0 -3
0 1 2 3 4 5 6 7
Tiempo
152
Previsión en el sector
servicios
• Presenta algunos retos poco comunes:
– Especial necesidad de datos a corto
plazo.
– Las necesidades varían mucho en función
de la industria y del producto.
– Vacaciones y calendario.
– Eventos poco comunes.
153
Previsión de ventas por hora
en un restaurante de comida
20
rápida
15
10
0
+11-12 +1-2 +3-4 +5-6 +7-8 +9-10
11-12 12-1 1-2 2-3 3-4 4-5 5-6 6-7 7-8 8-9 9-10 10-11
154
Control de Pronóstico
155
Pronóstico: Análisis de Varianza
Modelos
156
n m m n
SCM m ( M ij M ) 2
SCP n ( M ij M ) 2
SCT (Y ij M )2
j 1 i 1 i 1 j 1
157
Control de pronóstico:
Tabla ANOVA
Fuente de Grados de Suma de Cuadrados F
variación Libertad Cuadrados Medios calculado
158
Ejemplo
Periodo Modelo 1 Modelo 2 Modelo 3 Modelo 4
1 51 47 57 50
2 47 50 48 61
3 56 58 52 57
4 52 61 60 65
5 57 51 61 58
6 59 48 57 53
7 58 59 51 61
8 60 50 46 59
159
Periodo Modelo 1 Modelo 2 Modelo 3 Modelo 4
1 51 47 57 50
2 47 50 48 61
3 56 58 52 57
4 52 61 60 65
5 57 51 61 58
6 59 48 57 53
7 58 59 51 61
8 60 50 46 59
Media de
Suma 440 424 432 464 Medias
Promedio 55 53 54 58 55
160
Modelo Modelo Modelo Modelo
Periodo 1 2 3 4
1 16 64 4 25
2 64 25 49 36
3 1 9 9 4
4 9 36 25 100
5 4 16 36 9
6 16 49 4 4
7 9 16 16 36
8 25 25 81 16
Suma Total 144 240 224 230 838 SST
Suma Variable 0 4 1 9 112 SSA
726 SSE
161
Tabla de Análisis de Varianza
Suma de Grados de Cuadrados
Variación cuadrados Libertad Medios Relacion F
Explicada
por modelo 112 3 37,33 1,44
Total 838 31
162
F de tablas para un nivel de significación
numerador: modelos -1
Denominador: (datos-1)*modelo
Fc < Ft se acepta Ho
u1 = u2 = u3
163
¿PREGUNTAS?