E.A.P.

DE INGENIERIA QUIMICA

ADMINISTRACION DE LA PRODUCCION Y CALIDAD

Tema N 04: ADMINISTRACION DE LA DEMANDA I
Ing. Jos Manuel Garca Pantigozo

calidadtotal@hotmail.com 2012- II

OBJETIVO DEL APRENDIZAJE

LAS ORGANIZACIONES QUE AVANZAN Y SE DESARROLLAN SE HACEN LAS SIGUIENTES PREGUNTAS: CMO PODREMOS SATISFACER POR COMPLETO A NUESTROS CLIENTES? CMO PODREMOS BRINDAR MAYOR SATISFACCION A NUESTROS CLIENTES, FRENTE A LA QUE DA LA COMPETENCIA? LEJOS DE ABORDARSE FILOSOFICAMENTE, SE DEBE CONSIDERAR COMO PRIORIDAD N 1 PORQUE LA COMPETENCIA NO DESCANSA? Y ES EL AREA DE OPERACIONES EL CORAZON DONDE PUEDE ESTAR EL GOLPE MORTAL SI NO SE ESTA ATENTA A LOS CAMBIOS QUE SE DAN.

OBJETIVO DE APRENDIZAJE
Para disear y ejecutar un sistema de operacin que satisfaga a los clientes, una empresa debe reconocer cunta demanda tiene que satisfacer, lo cul lo induce a tres interrogantes importantes: Como saber que producir? Como saber cuanto producir? Como saber cuando producir? La prediccin y administracin de la demanda ayuda a responder estas preguntas. La administracin de la demanda incluye identificar todas las fuentes potenciales de la demanda,as como influir en los niveles y la duracin de la demanda.Los intentos de medir la demanda inicial y los efectos de administrarla se denominan predicciones.

ORIENTACION GERENCIAL
Una organizacin empresarial dentro de su planeacin estratgica trata de responder estas dos preguntas: Cmo satisfacer totalmente a los clientes? Cmo hacerlo mejor que la competencia? Una parte integral de la planeacin estratgica de una empresa incluye la identificacin y el anlisis de las fuentes actuales y potenciales de demanda de sus bienes y servicios. La firma debe determinar cules fuentes de demanda cultivar y cmo satisfacer la demanda anticipada.

ORIENTACION GERENCIAL

DEFINICION: La Administracin de la demanda implica reconocer fuentes de demanda para los bienes y servicios de una Empresa, predecir la demanda y determinar la manera cmo la empresa satisfar esa demanda.

QU ES PRONOSTICAR?
Es el arte y la ciencia de predecir los eventos futuros . Puede involucrar el manejo de datos histricos para proyectarlos al futuro, mediante algn tipo de modelo matemtico. Puede ser una prediccin subjetiva o intuitiva. O bien una combinacin de ambas,es decir un modelo matemtico ajustado por el buen juicio de un administrador de operaciones. Cuanto vender?

PRONSTICOS PARTE INTEGRAL DEL PLANEAMIENTO DE NEGOCIOS

Ingreso: Mercado, Economa, Otros
Mtodos de Pronstico

Estimacin de la demanda

Pronstico de Ventas

Equipo de Administracin

Estrategia de Negocios

Pronstico de Recursos de Produccin

EJEMPLOS DE PRONSTICOS DE RECURSOS DE PRODUCCIN

Horizonte Pronstico

Tiempo

Comienzo del Pronstico Lnea de Products, Capacidad de Planta Grupos de Productos Capacidad de Dptos.

Unidad de Medida Dolares, Libras Dolares, Libras Prod. Units, Unidades

8

Rango Alto Rango Medio Rango Corto

Ao

Meses

Productos Especificos Semanas Capacidad de Maq.

MARKETING

OPERACIONES

Proporciona informacin relacionada con el mercado Se encarga de asegurar que los bienes y servicios y las predicciones de la demanda. de la Empresa se proporcionen cuando se Administra la demanda mediante polticas de necesiten. fijacin de precio y promociones p.e. los descuentos de temporada nivelan la demanda por un producto o servicio.

TIPOS DE PRONOSTICO POR HORIZONTE DE TIEMPO

Pronstico a corto plazo t Hasta 3 meses. Asignacin de trabajos Pronstico a mediano plazo Entre 3 meses y 3 aos. Planeacin de Produccin y venta. Pronstico a largo plazo Mas de 3 aos Planeacin de un nuevo producto.

10

TIPOS DE PRONSTICOS

Econmicos Tecnolgicos De demanda

11

PRONOSTICOS ECONOMICOS
Sirven para pronosticar lo que sern las condiciones generales de los negocios dentro de algunos meses o aos. Lo hacen los gobiernos, los bancos y los servicios de prediccin economtrica.

PRONOSTICOS TECNOLOGICOS
Pronostican la probabilidad y el significado de posibles desarrollos futuros.Indican la direccin de los cambios tecnolgicos y la tasa de cambios esperada.

PRONOSTICOS DE LA DEMANDA
Las predicciones de demanda pronostican la cantidad y la duracin de la demanda de los bienes y servicios de una empresa.

ENFOQUES PARA PRONOSTICAR

Pronsticos Cualitativos Pronsticos Cuantitativos

15

ENFOQUES CUALITATIVOS PARA PRONOSTICAR LA DEMANDA

Las tcnicas cualitativas de prediccin dependen de conjetura adquiridas con base en la institucin las tcnicas cualitativas mas comunes son: Jurado de opinin ejecutiva Mtodo Delphi. Fuerza de ventas Encuestas a los clientes.

JURADO DE OPININ EJECUTIVA

Permite la fusin de las opiniones de una seccin de expertos interfuncionales. Involucra pequeo grupo de alto nivel los administradores. Grupo estimaciones de la demanda de trabajo conjunto. Combina la experiencia de gestin con modelos estadsticos. Esta tcnica es relativamente econmica y mas utilizada a mediano y largo plazo. Relativamente rpida La desventaja es que se crea el grupo que piensa.

17

METODO DELPHI
Este mtodo involucra a un grupo de expertos que comparten informacin y eventualmente llegan a un consenso en una prediccin a largo plazo con respecto a las tecnologa del futuro o a las ventas futuras de un nuevo producto. Esta conformado por tres tipos de personas: Los decisores (Decision Makers). Facilitadores (Staff). Los encuestados (Respondents).

FUERZA DE VENTAS
En muchas compaas la fuerza de ventas entra en contacto directo con los clientes lo cual constituye una buena fuente de informacin que considera las intenciones de los clientes a corto y a 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 optimistas

Sales

19

ENCUESTA A LOS CLIENTES

Una empresa tambin puede basar sus predicciones en los planes establecidos de compras futuras de sus clientes actuales y potenciales mediante una encuesta a sus clientes. Esta informacin puede obtenerse directamente por medio de encuestas personales, por telfono, correo o fax. Se pregunta a los clientes sobre planes de adquisiciones. Qu dicen los consumidores, y lo que realmente hacen a menudo es diferente? A veces difcil de responder Cuantas horas usar Ud. Internet la prxima semana?

1995 Corel Corp.

ENFOQUES CUANTITATIVOS PARA PRONOSTICAR LA DEMANDA

Estos mtodos cuantitativos emplean los modelos matemticos y los datos histricos para pronosticar la demanda. As, el pasado se utiliza para predecir el futuro. Hay dos tipos generales de mtodos cuantitativos: - Modelos de Series de tiempo - Modelos Causales

MODELOS DE SERIES DE TIEMPO

Incluye elaborar grficas de los datos de demanda sobre una escala de tiempo y estudiar las grficas para descubrir los modelos y las figuras o los patrones consistentes. Luego, estos patrones se proyectan hacia el futuro.

DEFINICION: Una serie de tiempo es una secuencia de observaciones cronolgicamente clasificadas que se toman a intervalos regulares para una variable en particular.

COMPONENTES DE LAS SERIES DE TIEMPO

Tendencia

Cclica

Estacional

Aleatorio

23

METODOS CUANTITATIVOS

Mtodo Cuantitativo Modelos Serie de Tiempos Modelos Causales

Promedio Mvil

Suavizado Exponencial

Proyeccin Tendencia

Regresin Lineal
24

DESCOMPOSICION DE UNA SERIE DE TIEMPOS

Tedencia (T) es el movimiento gradual, ascendente o descendente, de los datos a traves del tiempo. Estacionalidad (S) es el patron de datos que se repite a si mismo despues de un periodo de dias, semanas, meses, trimestres, estaciones, etc. pero dentrol ao.. Ciclos (C) son patrones que ocurren enlos datos cada varios aos. Variacin al azar (R) son variaciones aleatorias que no obedecen a ningun comportamiento.
25

TENDENCIAS
Las tendencias reflejan los cambios en la tecnologa, los estndares de vida, los ndices de poblacin ,etc.. 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.

Response

Mo., Qtr., Yr.

ESTACIONALIDAD
Las variaciones de temporada pueden corresponder a las estaciones del ao, a los das festivos o a diferentes momentos del da o la semana. DEFINICION: La temporada es la variacin que se repite a intervalos fijos. Pueden durar un ao o solo unas pocas horas.
Summer Response

Mo., Qtr.

ESTACIONALIDAD
Perido de tiempo del Patrn donde es repetido Nmero de Estaciones en el Patrn

Longitud de la Estacin

Ao Ao Ao Mes Mes Semana

Trimestre Mes Semana Semana Dia Dia

4 12 52 4 28-31 7

28

VARIACIONES CICLICAS
Las alzas y las bajas de la economa o de una industria especificas se representan en variaciones cclicas . El ciclo de negocios que se repite de cinco a diez aos es un ejemplo. DEFINICION: La variacin cclica tiene una duracin de por lo menos un ao; la variacin varia de un ciclo a otro.
Cycle Response

Mo., Qtr., Yr.

VARIACIONES ALEATORIAS
Las variaciones aleatorias son variaciones en la demanda que no pueden explicarse mediante tendencias , variaciones de temporada o variaciones cclicas. Un suceso impredecible, como una guerra, una huelga, un terremoto o partes de legislacin, puede causar grandes variaciones aleatorias. A diferencia de las otras tendencias , la variacin aleatoria siempre esta presente.

DEMANDA DE PRODUCTO PARA 4 AOS CON TENDENCIA Y ESTACIONALIDAD

Demanda de producto o servicio Picos Estacionales Componente Tendencia

Lnea de actual demanda Variacin aleatoria

Ao 1 Ao 2

Demanda promedio para 4 aos

Ao 3

Ao 4
31

CRITERIOS PARA SELECCIONAR UN MODELO DE PRONOSTICO

1. El horizonte de tiempo para realizar la proyeccin. 2. La disponibilidad de los datos. 3. La exactitud requerida. 4. El tamao del presupuesto de proyeccin. 5. La disponibilidad de personal calificado.

MODELOS DE SERIE DE TIEMPOS

33

MODELOS DE SERIE 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.

PROMEDIO MOVIL SIMPLE

Se utiliza para calcular la demanda promedio de los ltimos n perodos y como prediccin para el siguiente perodo. Promedio mvil simple:

Ft= (At + A t-1 + A t-2 +....+A t-n +1 ) n

Donde : Ft = prediccin para el perodo t+1 At = demanda real para el perodo n = nmero de perodos por promediar

EJEMPLO DE PROMEDIO MOVIL SIMPLE

Usted es gerente de una tienda de museo histrico que vende rplicas. Quieres previsin de ventas (000) para el ao 2013 utilizando un perodo de 3 de media mvil.
2008 2009 2010 2011 2012 4 6 5 3 7
36

SOLUCION DEL PROMEDIO MOVIL SIMPLE

Respuesta Mvil Total Tiempo Y (n = 3) ei 2008 4 2009 6 2010 5 2011 3 2012 7 2013 NA
37

Mvil Prom(n = 3) NA NA NA

NA NA NA 4 + 6 + 5 = 15

SOLUCION DEL PROMEDIO MOVIL SIMPLE

Respuesta Mvil Total Tiempo Y (n = 3) ei 2008 4 2009 6 2010 5 2011 3 2012 7 2013 NA
38

Mvil Prom(n = 3) NA NA NA

NA NA NA 6 + 5 + 3 = 14

4 + 6 + 5 = 15 15/3 = 5.0

SOLUCION DEL PROMEDIO MOVIL SIMPLE

Respuesta Mvil Total Tiempo Y (n = 3) ei 2008 4 2009 6 2010 5 2011 3 2012 7 2013 NA NA NA NA Mvil Prom(n = 3) NA NA NA

4 + 6 + 5 = 15 15/3 = 5.0 6 + 5 + 3 = 14 14/3 = 4.7 5 + 3 + 7 = 15 15/3 = 5.0

39

SOLUCION DEL PROMEDIO MOVIL SIMPLE

Ventas 8 6 4 2 0 08 09

Actual
Pronstico

10 11 Ao

12

13
40

PROMEDIO SIMPLE CON WINQSB 2

41

PROMEDIO MOVIL SIMPLE CON WINQSB 2

45

PROMEDIO MOVIL PONDERADO

Se utiliza cuando existe una tendencia o patrn, los pesos pueden ser utilizados para poner mayor enfasis en datos recientes. Promedio de mvil ponderado:

Ft= (Peso para el periodo n)(Demanda periodo n) pesos Donde : Ft = prediccin para el perodo n n = nmero de perodos por promediar

DEMANDA ACTUAL, PROMEDIO MOVIL, PROMEDIO MOVIL PONDERADO

35
DEMANDA DE VENTAS

30 25 20 15 10 5 0

Ventas actuales

Promedio mvil ponderado

Promedio mvil
Jan Feb Mar Apr May Jun Jul Aug Sep Oct Nov Dec Meses
51

DESVENTAJAS DEL PROMEDIO MOVIL

Al incrementar n pronsticos, hace a este sensitivo a los cambios. No pronostica tendencias. Requiere muchos datos histricos

52

PROMEDIO MOVIL PONDERADO CON WINQSB 2

53

GRAFICO DEL PROMEDIO MOVIL SIMPLE Y PROMEDIO MOVIL PONDERADO

Weighted moving average

30

Sales demand

25 20 15 10 5 | | F | M | A | M | J | J | A | S | O | N | D
59
4 47

Actual sales Moving average

Figure 4.2
2006 Prentice Hall, Inc.

MODELOS DE SUAVIZADO EXPONENCIAL

60

MODELOS DE SUAVIZADO
Los modelos de suavizacin, como el promedio de desplazamiento simple y la suavizacin 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 F t - 1 = prediccin para el perodo t - 1 At 1 = Demanda real para el perodo t - 1

= constante de suavizacin (0<= 1<=1)

EJEMPLO DE SUAVIZADO EXPONENCIAL

Se esta organizando una reunin en Kwanza. Se espera pronosticar la atencin del ao 2013 ( = .10). En 2008 el pronstico fue 175. 2008 180 2009 168 2010 159 2011 175 2012 190

62

EJEMPLO DE SUAVIZADO EXPONENCIAL

Ft = Ft-1 + a (At-1 - Ft-1)

Ao Actual 2008 2009 2010 2011 180 168 159 175 Pronstico Ft (a = .10) 175.00 (Base)

175.00 +

2012
2013

190
NA
63

EJEMPLO DE SUAVIZADO EXPONENCIAL

Ft = Ft-1 + a (At-1 - Ft-1)

Ao

Actual 180 168 159 175

Pronstico Ft (a = .10) 175.00 (Base) 175.00 + .10(

2008 2009 2010 2011

2012
2013

190
NA
64

EJEMPLO DE SUAVIZADO EXPONENCIAL

Ft = Ft-1 + a (At-1 - Ft-1)

Ao Actual 2008 2009 2010 2011 180 168 159 175 175.00 + .10(180 Pronstico Ft (a = .10) 175.00 (Base)

2012
2013

190
NA
65

EJEMPLO DE SUAVIZADO EXPONENCIAL

Ft = Ft-1 + a (At-1 - Ft-1)

Ao 2008 2009 2010 2011 Actual 180 168 159 175 Pronstico Ft (a = .10) 175.00 (Base) 175.00 + .10(180 - 175.00)

2012
2013

190
NA
66

EJEMPLO DE SUAVIZADO EXPONENCIAL

Ft = Ft-1 + a (At-1 - Ft-1)

Ao Actual 2008 2009 2010 2011 180 168 159 175 Pronstico Ft (= .10) 175.00 (Base) 175.00 + .10(180 - 175.00) = 175.50

2012
2013

190
NA
67

EJEMPLO DE SUAVIZADO EXPONENCIAL

Ft = Ft-1 + a (At-1 - Ft-1)

Ao 2008 2009 2010 2011 Actual 180 168 159 175 Pronstico Ft (a = .10) 175.00 (Base) 175.00 + .10(180 - 175.00) = 175.50 175.50 + .10(168 - 175.50) = 174.75

2012
2013

190
NA
68

EJEMPLO DE SUAVIZADO EXPONENCIAL

Ft = Ft-1 + a (At-1 - Ft-1)

Ao 2008 2009 2010 2011 Actual 180 168 159 175 Pronstico Ft (a = .10) 175.00 (Base) 175.00 + .10(180 - 175.00) = 175.50 175.50 + .10(168 - 175.50) = 174.75 174.75 + .10(159 - 174.75) = 173.18

2012
2013

190
NA
69

EJEMPLO DE SUAVIZADO EXPONENCIAL

Ft = Ft-1 + a (At-1 - Ft-1)

Ao 2008 2009 2010 2011 Actual 180 168 159 175 Pronstico Ft (a = .10) 175.00 (Base) 175.00 + .10(180 - 175.00) = 175.50 175.50 + .10(168 - 175.50) = 174.75 174.75 + .10(159 - 174.75) = 173.18

2012
2013

190
NA

173.18 + .10(175 - 173.18) = 173.36

70

EJEMPLO DE SUAVIZADO EXPONENCIAL

Ft = Ft-1 + a (At-1 - Ft-1)

Ao 2008 2009 2010 2011 Actual 180 168 159 175 Pronstico Ft (a = .10) 175.00 (Base) 175.00 + .10(180 - 175.00) = 175.50 175.50 + .10(168 - 175.50) = 174.75 174.75 + .10(159 - 174.75) = 173.18

2012
2013

190
NA

173.18 + .10(175 - 173.18) = 173.36

173.36 + .10(190 - 173.36) = 175.02
71

GRAFICO DE SUAVIZADO EXPONENCIAL

Ventas 190 180 170 160 150 140 08 09

Actual

Pronstico

10 11 Ao

12

13
72

EFECTO EN EL PRONOSTICO DE LA CONSTANTE DE SUAVIZADO

Ft = At - 1 + (1- )At - 2 + (1- )2At - 3 + ...

Pesos
=
= 0.10 = 0.90
73

Prior Period

2 periods ago 3 periods ago (1 - ) (1 - )2

10%

EFECTO EN EL PRONOSTICO DE LA CONSTANTE DE SUAVIZADO

Ft = At - 1 + (1- ) At - 2 + (1- )2At - 3 + ...

Pesos
=
= 0.10 = 0.90
74

Prior Period

2 periods ago 3 periods ago (1 - ) (1 - )2

10%

9%

EFECTO EN EL PRONOSTICO DE LA CONSTANTE DE SUAVIZADO

Ft = At - 1 + (1- )At - 2 + (1- )2At - 3 + ...

Pesos
=
= 0.10 = 0.90
75

Prior Period

2 periods ago 3 periods ago (1 - ) (1 - )2

10%

9%

8.1%

EFECTO EN EL PRONOSTICO DE LA CONSTANTE DE SUAVIZADO

Ft = At - 1 + (1- )At - 2 + (1- )2At - 3 + ...

Pesos
=
= 0.10 = 0.90 Prior Period 2 periods ago 3 periods ago (1 - ) (1 - )2

10% 90%

9%

8.1%

76

EFECTO EN EL PRONOSTICO DE LA CONSTANTE DE SUAVIZADO

Ft = At - 1 + (1- ) At - 2 + (1- )2At - 3 + ...

Pesos
=
= 0.10 = 0.90 Prior Period 2 periods ago 3 periods ago (1 - ) (1 - )2

10% 90%

9%
9%

8.1%

77

EFECTO EN EL PRONOSTICO DE LA CONSTANTE DE SUAVIZADO

Ft = At - 1 + (1- ) At - 2 + (1- )2At - 3 + ...

Pesos
=
Prior Period = 0.10 = 0.90 2 periods ago 3 periods ago (1 - ) (1 - )2

10% 90%

9%
9%

8.1%
0.9%
78

IMPACTO DE
250 200
Actual Tonage

Forecast (0.5) Actual Forecast (0.1)

150 100 50 0 1 2

5 Quarter

9
79

 La suavizacin exponencial simple falla al responder a las tendencias. Para suavizar nuestras correcciones por tendencias se calcula un promedio de suavizacin exponencial simple como el anterior, y se ajusta para retrasos positivos y negativos. La ecuacin de la tendencia emplea una constante de suavizacin Beta, de la misma manera que el modelo simple utiliza Alfa. Ejemplo: Estimar las ventas para el ao siete tomando en cuenta una tendencia inicial de 22.73, un = 0.3, una = 0.50, y un pronstico inicial de 340. Adems, establezca el MAD.

SUAVIZADO EXPONENCIAL CON TENDENCIA

Ao 1 Ventas 400

2 470

3 500

4 530

5 560

6 595

 Ejemplo: La demanda de energa elctrica de Lima entre 2005 y 2011 es la que se muestra en megawatts en la tabla a continuacin. Ajustar con una lnea recta y pronosticar la demanda del 2012 y 2013.
AO DEMANDA 2005 74 2006 79 2007 80 2008 90 2009 105 2010 142 2011 122

SUAVIZADO EXPONENCIAL CON TENDENCIA

Ordenamos de la siguiente forma, para poder hacer los calculos correspondientes.

Ao
2005 2006 2007

Periodo
1 2 3

Demanda
74 79 80

x2
1 4 9

xy
74 158 240

2008
2009 2010 2011

4
5 6 7

90
105 142 122

16
25 36 49

360
525 852 854

Sumatoria

28

692

3063

SUAVIZADO EXPONENCIAL CON TENDENCIA

Realizamos los siguientes calculos: X = x/n = 28/7 = 4 Y = y/n = 692/7 = 98.86 Determinar la Ecuacin de la Tendencia de Minimos Cuadrados: Y = a + bX Reemplazamos valores en la ecuacion siguiente

n ( XY ) ( X )( Y ) b n( X 2 ) ( X ) 2 Y X a b n n
Y tenemos que: b = 10.54 y a = 56.70 Entonces: (demanda 2012) = 56.70 + 10.54 (8) = 141 megawatts (demanda 2013) = 56.70 + 10.54 (9) = 152 megawatts

SUAVIZADO EXPONENCIAL CON TENDENCIA

160 140 120 100 80 60 40 20 0 0 1 2 3 4 5 6 7 8

PROYECCIONES DE TEMPORADA
Las proyecciones de temporada se dan para un perodo dado: IBM al igual que muchas empresas, experimenta la demanda de temporada, 1. Pronstico=Indice Estacional *Pronostico de la tendencia Estacional

PROYECCIONES DE TEMPORADA
Ejemplo: A continuacion se muestra las ventas mensuales de computadoras laptop IBM en Hardwareland para 2010 y 2011.
MES ENERO FEBRERO MARZO ABRIL MAYO
DEMANDA DE VENTAS

2010 80 75 80 90 115

2011 100 85 90 110 131

DEMANDA PROMEDIO 2010 - 2011 90 80 85 100 123

DEMANDA MENSUAL PROMEDIO (I) 94 94 94 94 94

INDICE ESTACIONAL PROMEDIO (II) 0.957 0.851 0.904 1.064 1.309

JUNIO
JULIO AGOSTO SETIEMBRE OCTUBRE NOVIEMBRE DICIEMBRE

110
100 90 85 75 75 80

120
110 110 95 85 85 80

115
105 100 90 80 80 80 1128

94
94 94 94 94 94 94

1.223
1.117 1.064 0.957 0.851 0.851 0.851

(I): Demanda mensual promedio = 1128/12 = 94 (II): Indice estacional = (Demanda promedio 2010-2011)/Demanda mensual promedio

PROYECCIONES DE TEMPORADA
Utilizando estos indices estacionales, si se espera que la demanda anual para 2012 de computadoras sea 1200 unidades, la demanda mensual se pronosticara de la siguiente forma: MES DEMANDA MES DEMANDA

ENERO
FEBRERO MARZO ABRIL MAYO JUNIO

(1200/12)*0.957 = 96 JULIO
(1200/12)*0.851 = 85 AGOSTO (1200/12)*0.904 = 90 SETIEMBRE (1200/12)*1.064 = 106 OCTUBRE

(1200/12)*1.117 = 112
(1200/12)*1.064 = 106 (1200/12)*0.957 = 96 (1200/12)*0.851 = 85

(1200/12)*1.309 = 131 NOVIEMBRE (1200/12)*0.851 = 85 (1200/12)*1.223 = 122 DICIEMBRE (1200/12)*0.851 = 85

MODELOS DE SUAVIZADO EXPONENCIAL CON WINQSB2

92

SERIES DE TIEMPO CON WINQSB2

La opcin Nuevo Problema (New Problem) genera una plantilla en el cual se introducirn las caractersticas de nuestro problema de pronsticos:

SERIES DE TIEMPO CON WINQSB2

A continuacin se describir la ventana de Especificaciones del problema (Problem Specification): Pronstico de Series de Tiempos (Time Series Forecasting): Ttulo del problema (Problem Title): Nombre con el cual se identificar el problema. Unidad de Tiempo (Time Unit): Se especifica la unidad de tiempo de la serie. Numero de unidades de tiempo (Number of Time Units - Periodos): Datos disponibles.

SERIES DE TIEMPO CON WINQSB2

Regresion lineal (Linear Regression)

SERIES DE TIEMPO CON WINQSB2

Ttulo del problema (Problem Title): Nombre con el cual se identificar el problema. Nmero de variables (Number of Factors Variables): Cantidad de variables utilizadas en el modelo. Numero de observaciones (Number of Observations): Datos disponibles.

Ejemplo 1:
Informacin suministrado por el Departamento de Estadsticas de la ciudad, el nmero de carros que transitaron en los ltimos 7 aos fueron:

Pronosticar la cantidad de vehculos para los aos 2005 y 2006.

AO 1998 1999 2000 2001 2002 2003 2004

CANTIDAD 1200000 1500000 1850000 1915000 2400000 2750000 2920000

SERIES DE TIEMPO CON WINQSB2

INTRODUCIENDO LOS DATOS Procederemos a llenar los campos de la ventana, en donde la unidad de tiempo esta dado en aos y el nmero de datos disponibles son 7.

SERIES DE TIEMPO CON WINQSB2

Luego introducimos los datos de los vehculos en estricto orden:

SERIES DE TIEMPO CON WINQSB2

En el caso de que queramos eliminar o agregar nuevos datos, tenemos las opciones Agregar una observacin (Add an Observation) y Eliminar una observacin (Delete an Observation) en el men Editar (Edit).

SERIES DE TIEMPO CON WINQSB2

En el men Resolver y analizar (Solve and Analyze) elegimos la nica opcin disponible:
La nueva ventana permitir distinguir entre diferentes mtodos de solucin para series de tiempo:

La nueva ventana permitir distinguir entre diferentes mtodos de solucin para seres de tiempo:

SERIES DE TIEMPO CON WINQSB2

La nueva ventana permitir distinguir entre diferentes mtodos de solucin para seres de tiempo:

SERIES DE TIEMPO CON WINQSB2

Seleccionaremos la opcin Suavizado exponencial simple (Single Exponential Smoothing) e indicaremos informacin adicional para resolver el problema con este mtodo:

SERIES DE TIEMPO CON WINQSB2

La primera opcin (permanente en todos los mtodos) corresponde al nmero de periodos a pronosticar (para nuestro ejemplo problema son dos aos). Recordemos que (alpha) es una constante entre 0 y 1. Existe tambin la opcin de mantener el resultado de un mtodo para poder compararlo con otros distintos.

SERIES DE TIEMPO CON WINQSB2

Promedio simple (Simple Average) Promedio mvil (Moving Average) Promedio mvil ponderado (Weighted Moving Average) Promedio mvil 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 Exponential Smoothing with Linear Trend) Suavizado exponencial adaptado (Adaptive Exponential Smoothing) Regresin lineal con tiempos (Linear Regression with Time) Algoritmo suma Holt-Winters (Holt-Winters Additive Algorithm) Algoritmo multiplicativo Holt-Winters (Holt-Winters Multiplicative Algorithm).

SERIES DE TIEMPO CON WINQSB2

Al pulsar OK tenemos:

SERIES DE TIEMPO CON WINQSB2

ANALIZANDO LOS RESULTADOS El pronstico para los dos aos se puede observar en la columna Pronstico por SES (Forecast for SES) en las filas correspondiente a los valores 8 y 9.

MEDIDAS PARA CALCULAR EL ERROR GLOBAL DEL PRONSTICO

109

MEDIDAS PARA CALCULAR EL ERROR GLOBAL DEL PRONSTICO

Error del pronstico acumulado (Cumulative Forecast Error - CFE)

Desviacin media absoluta (Mean Absolute Deviation - MAD)

Error medio cuadrtico (Mean Square Error - MSE) Error medio porcentual absoluto (Mean Absolute Percent Error MAPE) Seal de senda (Tracking Signal): Equivale a la divisin entre CFE y MAD. R al cuadrado (R-Square): Coeficiente de determinacin.

ERROR DE PRONOSTICO

Al dato Ai se le resta el pronostico Fi

Forecast Error = (Actual Data - Pronstico)

ERROR DE PRONOSTICO ACUMULADO (CFE)

Los grandes errores positivos se compensan con los grandes errores negativos en la CFE de una medicin. Sin embargo el CFE resulta til para evaluar el sesgo de un pronstico. Por ejemplo, si un pronstico resulta mas bajo que la demanda real, el valor del CFE sera cada vez ms grande.

CFE

= Et
i= 1
113

ERROR DE PRONOSTICO ACUMULADO (CFE)

Sumatoria pronostico.

de

los

errores

de

CFE = (Forecast Error )

DESVIACION MEDIA ABSOLUTA (MAD)

Desviacin Absoluta Media (MAD): Su valor se calcula sumando los valores absolutos de los errores individuales del pronstico y dividiendo entre el nmero de periodos de datos (n) Suma de Desviacin absoluta para n periodos

MAD =
n

MAD =

Demanda actual-Demanda pronosticada

i =1

Veamos un ejemplo

DESVIACION MEDIA ABSOLUTA (MAD)

Muestra la magnitud del error global. No penaliza los errores extremos. No anula los errores. No da idea de la direccin del error. En unidades originales.

117

DESVIACION MEDIA ABSOLUTA (MAD)

Ejemplo: Durante los ltimos 8 trimestres, el puerto del Callao ha descargado de los barcos grandes cantidades de grano. El Jefe de Operaciones del puerto quiere probar el uso de suavizamiento exponencial para ver que tan bien funciona la tcnica para predecir el tonelaje descargado. Supone que el pronstico de grano descargado durante el primer trimestre fue 175 toneladas. Se examinan dos valores de . = 0,10 y = 0,50. La siguiente tabla muestra los clculos detallados slo para = 0,10

DESVIACION MEDIA ABSOLUTA (MAD)

Pronstico Pronstico Redondeado con = 0,50
Pronstico del periodo anterior

Trimestre 1 2 3 4 5 6 7 8 9

Toneladas reales descargadas

180 168 159 175 190 205 180 182 ?

Redondeado con = 0,10 175

Pronstico del periodo anterior

175

176 = 175 + 0,10 ( 180 175) 175 = 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)

Demanda real en periodo anterior

178
173 166 170 180 193 186 184

Para evaluar la precisin de ambas constantes de suavizado, calculamos los errores de pronstico en trminos de desviaciones absolutas y MAD.

DESVIACION MEDIA ABSOLUTA (MAD)

Toneladas reales Trimestre 1 Descargadas 180 Pronstico Redondeado con =0,10 175 Desviacin Absoluta Para =0,10 5 Pronstico Redondeado con =0,50 175 Desviacin Absoluta Para =0,50 5

2
3 4 5 6 7 8

168
159 175 190 205 180 182

176
175 173 173 175 178 178

8
16 2 17 30 2 4

178
173 166 170 180 193 186

10
14 9 20 25 13 4

Suma de desviaciones absolutas

84

100 12,50

MAD =

desviaciones n

=10,50

Con base en este anlisis, una constante de suavizado de =0,10 es preferible a = 0,50 por que su MAD es ms pequea. Se debe encontrar la constante de suavizado con el menor error de pronstico.

DESVIACION MEDIA ABSOLUTA (MAD)

225

Demand

200

Actual demand

= .5

175

= .1
150 | 1 | 2 | 3 | 4 | 5 Quarter
2006 Prentice Hall, Inc. 4 54

| 6

| 7

| 8

| 9

ERROR CUADRATICO MEDIO (MSE)

Error Cuadrtico Medio (MSE): Es una segunda forma de medir el error global del pronstico. El MSE es el promedio de los cuadrados de las diferencias entre los valores pronosticados y observados. Su frmula es:

MSE =

(errores de pronstico) n

Sigamos con el ejemplo del puerto del Callao para determinar el MSE

ERROR CUADRATICO MEDIO (MSE)

Toneladas reales Trimestre Descargadas Pronstico Redondeado con =0,10 175 176 175 173 173 175
2

(Error)
2

1 2 3 4 5 6

180 168 159 175 190 205

5 = 25
2
2

(-8) = 64 (-16) = 256 (2)2 = 4 17 30

2 2 2 2

= 289 = 900

7
8

180
182

178
178

2
4

=4
= 16 1.558

Suma de los cuadrados de los errores MSE = (errores de pronstico) n

2

= 1.558 / 8 = 194,75

Usando un = 0,50 se obtendra un MSE de 201,5. Por lo tanto el = 0,10 es una mejor eleccin por que se minimiza el MSE.

ERROR PORCENTUAL ABSOLUTO MEDIO (MAPE)

Error Porcentual Absoluto (MAPE): Este se calcula como el promedio de las diferencias absolutas entre los valores pronosticados y los reales y se expresa como porcentaje de los valores reales. Es decir, si hemos pronosticado n periodos y los valores reales corresponden a n periodos, MAPE, se calcula como:
n

MAPE = 10 real i 0

real i - pronstico i /
i=1

Sigamos con el ejemplo del puerto del Callao para determinar el MAPE

ERROR PORCENTUAL ABSOLUTO MEDIO (MAPE)

Toneladas reales Trimestre Descargadas Pronstico Redondeado con =0,10 175 176 175 173 173 175 178 178 Error porcentual Absoluto 100 ( error / real)

1 2 3 4 5 6 7 8

180 168 159 175 190 205 180 182

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% =

Suma de errores porcentuales 45,62%

MAPE =

45,62% = 5,70% errores porcentuales absolutos = n 8

TRACKING SIGNAL (SEAL DE SEGUIMIENTO)

Tracking Signal: medias que se hacen en el pronostico para predecir los valores actuales. El Tracking signal se calcula as:

Demanda actual-Demanda pronosticada

i =1

MAD