SEMESTRE: III

2017 - I

CURSO: ADMINISTRACIN DE OPERACIONES I

PRONSTICO: MODELOS CUANTITATIVOS

Instructor: Ing. Juan Miguel DIAZ Mendo1

 PRONSTICO

ENFOQUE DE LOS PRONSTICOS

1. Jurado de opinin ejecutiva:

2. Mtodo Delphi:
PRONSTICO CUALITATIVOS
3. Composicin de la fuerza de ventas:

Panorama de los mtodos 4. Encuesta en el mercado de consumo:

1. Enfoque intuitivo

2. Promedios mviles
modelos de series de
PRONSTICO CUANTITATIVOS tiempo
3. Suavizamiento exponencial

4. Proyeccin de tendencias

5. Regresin lineal modelo asociativo modelos asociativo

2
 MODELOS ASOCIATIVOS

Los modelos asociativos, como la regresin lineal, incorporan

las variables o los factores que pueden influir en la cantidad por
pronosticar.

Por ejemplo, un modelo asociativo sobre las ventas de

cortadoras de csped incluye factores como la construccin de
nuevas viviendas, el presupuesto de publicidad y los precios de
los competidores.

3
 MODELOS DE SERIE DE TIEMPO

Los modelos de series de tiempo predicen bajo el supuesto de

que el futuro es una funcin del pasado.

En otras palabras, observan lo que ha ocurrido durante un

periodo y usan una serie de datos histricos para hacer un
pronstico.

Si estamos pronosticando las ventas semanales de leche

evaporada, utilizamos datos de las ventas pasadas de leche
evaporada para hacer el pronstico.

4
 MODELOS DE SERIE DE TIEMPO

Una serie de tiempo se basa en una secuencia de datos puntuales

igualmente espaciados (semanales, mensuales, trimestrales, etc.).
Ejemplos:
Ventas semanales de Nike Air Jordans,
Informes de ingresos trimestrales en Microsoft,
Embarques diarios de cerveza Coors,
ndices anuales de precios al consumidor.

Los datos para pronsticos de series de tiempo implican que los

valores futuros se predicen solamente a partir de los valores
pasados y que se pueden ignorar otras variables, sin importar qu
tan potencialmente valiosas sean.

5
 MODELOS DE SERIE DE TIEMPO

Descomposicin de una serie de tiempo:

Analizar una serie de tiempo significa desglosar los datos histricos en componentes y despus
proyectarlos al futuro. Una serie de tiempo tiene cuatro componentes:

Componente Descripcin
Tendencia Movimiento gradual, ascendente o descendente de
(T) los datos del tiempo
Estacional Patrn de datos que se repite a si mismo despus de
(E) un periodo de das, semanas, meses o trimestres.
Ciclos Patrones que ocurren en los datos varios aos.
(C)
Variaciones al azar Seales en datos por oportunidades y situaciones
(R) inusuales.

6
 MODELOS DE SERIE DE TIEMPO

Descomposicin de una serie de tiempo:

Analizar una serie de tiempo significa desglosar los datos histricos en componentes y despus
proyectarlos al futuro. Una serie de tiempo tiene cuatro componentes:

1. La tendencia es el movimiento gradual, hacia arriba o hacia abajo, de los datos en

el tiempo.

Los cambios en el ingreso, la poblacin, la distribucin de edades o los puntos de

vista culturales pueden ser causantes del movimiento en una tendencia.

7
 MODELOS DE SERIE DE TIEMPO

Descomposicin de una serie de tiempo:

Analizar una serie de tiempo significa desglosar los datos histricos en componentes y despus
proyectarlos al futuro. Una serie de tiempo tiene cuatro componentes:

2. La estacionalidad es un patrn de datos que se repite despus de un periodo de

das, semanas, meses o trimestres. Existen seis patrones comunes de
estacionalidad:

Longitud de la Nmero de estaciones en

Periodo del patrn estacin el patrn
Semana Da 7
Mes Semana 4 - 4
Mes Da 28 - 31
Ao Trimestre 4
Ao Mes 12
Ao Semana 52

8
 MODELOS DE SERIE DE TIEMPO

Descomposicin de una serie de tiempo:

Analizar una serie de tiempo significa desglosar los datos histricos en componentes y despus
proyectarlos al futuro. Una serie de tiempo tiene cuatro componentes:

3. Los ciclos son patrones, detectados en los datos, que ocurren cada cierta cantidad
de aos. Usualmente estn sujetos al ciclo comercial y son de gran importancia
para el anlisis y la planeacin del negocio a corto plazo.
La prediccin de los ciclos de negocio es difcil porque stos pueden verse
afectados por los acontecimientos polticos o la turbulencia internacional.

4. Las variaciones aleatorias son seales generadas en los datos por casualidad o
por situaciones inusuales. No siguen ningn patrn discernible y, por lo tanto, no
se pueden predecir.

9
 MODELOS DE SERIE DE TIEMPO

MODELO SIMPLISTA: ENFOQUE INTUITIVO

La forma ms simple de pronosticar es suponer que la demanda del
siguiente periodo ser igual a la demanda del periodo ms reciente.
En otras palabras, si las ventas de un producto digamos, telfonos
celulares Nokia fueron de 68 unidades en enero, podemos
pronosticar que en febrero las ventas tambin sern de 68 telfonos.
sta tcnica suponen que los periodos recientes son los mejores para
pronosticar el futuro.

Pronstico = ltimo valor

10
 MODELOS DE SERIE DE TIEMPO

MODELO SIMPLISTA: ENFOQUE INTUITIVO

Tiempo: t Yt Yt+1 et
1 42
2 52 42 10
3 54 52 2
4 65 54 11
5 51 65 -14
6 64 51 13

Tiene esto algn sentido? Resulta que para algunas lneas de productos, este
enfoque intuitivo es el modelo de pronstico ms efectivo en costos y ms
eficiente con respecto al objetivo.
Al menos ofrece un punto de partida contra el cual comparar otros modelos
ms sofisticados que se utilicen despus.
11
 MODELOS DE SERIE DE TIEMPO

PROMEDIO MVIL
No considera la media de todos los datos, sino slo los ms recientes.
Se puede calcular un promedio mvil de n periodos.
El promedio mvil es la media aritmtica de los n periodos ms
recientes.

Demanda en n periodos previos

Promedio mvil = ---------------------------------------------------
n

12
 MODELOS DE SERIE DE TIEMPO

PROMEDIO MVIL

promedio mvil
t Yt n=3 n=4
1 42
2 52
3 54
4 65 49.33
5 51 57.00 53.25
6 64 56.67 55.5

13
 MODELOS DE SERIE DE TIEMPO

PROMEDIO MVIL PONDERADO

Cuando existe una tendencia o patrn el peso puede ser utilizado para
darle mas nfasis a los valores recientes.
Tcnica ms sensible a los cambios recientes.
Eleccin de los pesos es arbitraria.

(peso periodo n ) (demanda en periodo n)

Promedio mvil ponderado = ---------------------------------------------------------
pesos

14
 MODELOS DE SERIE DE TIEMPO

PROMEDIO MVIL PONDERADO

Mes Ventas
Enero 10 Hallar el promedio mvil ponderado a partir del
Febrero 12 cuarto periodo, si los factores de ponderacin
Marzo 13
son: 1, 2 y 3 para los tres ltimos meses, desde
Abril 16
Mayo 19
el ms antiguo al mas reciente.
Junio 23
Julio 26
Agosto 30 ( ( 10 * 1 ) + ( 12 * 2 ) + ( 13 * 3) )
Septiembre 28 ---------------------------------------------- = 12.167
Octubre 18 (1+2+3)
Noviembre 16
Diciembre 14

15
 MODELOS DE SERIE DE TIEMPO

SUAVIZACIN EXPONENCIAL
Se puede dar una ponderacin mayor a las observaciones recientes.
Las ponderaciones se asignan mediante la constante alfa ():
0 < < 1.
El modelo se expresa como:
Pronstico = (ltimo valor) + ( 1 - ) ( ltimo pronstico)

Promedio de ventas en unidades en el

perodo t
Pronstico de ventas en unidades del
perodo t -1
Ventas reales en unidades en el perodo t -
1
Coeficiente de suavizacin (entre 0,0 y
16 1,0)
 MODELOS DE SERIE DE TIEMPO

SUAVIZACIN EXPONENCIAL

En enero, un agente de viajes que se especializa en cruceros

pronostica una demanda en febrero para 142 cruceros de una
semana. La demanda real de febrero fue de 153 cruceros.
Utilizando una constante de suavizacin de = 0.20, podemos
pronosticar la demanda de marzo usando el modelo de suavizacin
exponencial.

Pronstico para marzo = 142 + 0.20 ( 153 142 )

Pronstico para marzo = 144.20

Podemos as determinar que el pronstico de ventas para el perodo 3

correspondiente a Marzo es equivalente a 144 cruceros.
17
 MODELOS DE SERIE DE TIEMPO

SUAVIZACIN EXPONENCIAL
promedio mvil
t Yt = 0.1 = 0.5
1 42
2 52 42.00 42.00
3 54 43.00 47.00
4 65 44.10 50.50
5 51 46.19 57.75
6 64 46.67 54.38

Para t1 ( 0.1 * 52 ) + ( 1 - 0.1 ) * ( 42.00 ) = 43.00

Para t2 ( 0.1 * 54 ) + ( 1 - 0.1 ) * ( 43.00 ) = 44.10
Para t3 ( 0.1 * 65 ) + ( 1 - 0.1 ) * ( 44.10 ) = 46.19

18
 MODELOS DE SERIE DE TIEMPO

PROYECCIN CON TENDENCIA: MNIMOS CUADRADOS

Mtodo ms empleado para describir una tendencia lineal es el
mnimos cuadrados, para encontrar una lnea de mejor ajuste
para un conjunto de puntos

y = a + bx

y = valor pronosticado en un periodo X (llamada variable dependiente)

a= interseccin con el eje y (valor cuando x = 0)
b= pendiente de la recta de la tendencia
x= periodo (variable independiente)

19
 MODELOS DE SERIE DE TIEMPO

PROYECCIN CON TENDENCIA: MNIMOS CUADRADOS

Clculo de la pendiente

donde b = pendiente de la recta de regresin

= signo de sumatoria
x = valores conocidos de la variable independiente
y = valores conocidos de la variable dependiente
x = promedio de los valores de x
y = promedio de los valores de y
n = nmero de puntos de datos u observaciones
La interseccin con el eje y, a, puede calcularse como sigue:

20
 MODELOS DE SERIE DE TIEMPO

PROYECCIN CON TENDENCIA LINEAL

Se puede calcular el coeficiente de determinacin, a fin de evaluar
qu tan correcta es la estimacin de la recta de regresin.
El coeficiente de determinacin r2 se calcula como:

21
 MODELOS DE SERIE DE TIEMPO

PROYECCIN CON TENDENCIA LINEAL

t Yt Yt et
X Y XY X2
1 35
2 42
3 48
4 51
5 54
6 60
7 71
8 75
9

22
 MODELOS DE SERIE DE TIEMPO

PROYECCIN CON TENDENCIA: MNIMOS CUADRADOS

28 692
Ao Periodo Demanda X X*Y = = 4.00 = = 98.86
2
7 7
1987 1 74 1 74
1988 2 79 4 158 xy - n xy 3063 - 7 * 4 * 98.86
b= =
1989 3 80 9 240 x2 - n x2 140 - (7)*(4)2
1990 4 90 16 360
1991 5 105 25 525
295
b= = 10.54
1992 6 142 36 852 28
1993 7 122 49 854
28 692 140 3063
a = - b = 98.86 - (10.54)* (4) = 56.71
X Y X2 X * Y

n=7 Y = a + b X = 56.71 + 10.54 * 8 141

23
 MODELOS DE SERIE DE TIEMPO

PROMEDIO MVIL
MES VENTAS REALES (2009)
Enero 80
Ejemplo de aplicacin de un pronstico de Febrero 90
Promedio Mvil Marzo 85
Una compaa presenta en el siguiente tabulado el reporte de ventas
Abril 70
correspondiente al ao 2009.
Teniendo en cuenta los datos anteriores, se debe calcular un pronstico Mayo 80
mediante la tcnica de Promedio Mvil utilizando: Junio 105
Un perodo de 3 meses (a partir de abril de 2009)
Julio 100
Un perodo de 6 meses (a partir de julio de 2009)
Agosto 105
El objetivo consiste en identificar con cul de los dos perodos del pronstico
se obtiene mayor precisin al compararse con las ventas reales del reporte. Septiembre 100
Octubre 105
Noviembre 100
Diciembre 150

24
 MODELOS DE SERIE DE TIEMPO

PROMEDIO MVIL PONDERADO

Un almacn ha determinado que el mejor pronstico se encuentra determinado con
4 datos y utilizando los siguientes factores de ponderacin (40%, 30%, 20% y 10%).
Determinar el pronstico para el perodo 5.

Perodo Ventas (unidades) Ponderacin

Mes 1 100000 10%
Mes 2 90000 20%
Mes 3 105000 30%
Mes 4 95000 40%

25
 https://www.ingenieriaindustrialonline.com/herramientas-para-el-ingeniero-industrial/pron%C3%B3stico-de
-ventas/promedio-simple
/

https://www.ingenieriaindustrialonline.com/herramientas-para-el-ingeniero-industrial/pron%C3%B3stico-
de-ventas/promedio-m%C3%B3vil
/

http://slideplayer.es/slide/5516920/

27