Beruflich Dokumente
Kultur Dokumente
Definicin: Es un proceso que permite estimar un evento futuro analizando para ello datos del pasado.
Los datos del pasado se combinan sistemticamente en una forma predeterminada para obtener el estimativo del futuro. Un pronstico es una prediccin de eventos futuros que se utiliza con propsitos de planificacin. Estimacin anticipada del valor de una variable, por ejemplo: la demanda de un producto. Pronosticar es el arte y la ciencia de predecir los eventos futuros. Puede involucrar el manejo de datos histricos para proyectarlos en el futuro, mediante algn tipo de modelo matemtico. Generalmente los pronsticos son tanto intuitivos como subjetivos, esto es debido a que la toma de decisiones se lleva a cabo con un buen modelo matemtico y el buen juicio del administrador. La elaboracin de pronsticos es el proceso de proyeccin de los valores de una o ms variables en el futuro.
Predecir: Es un proceso que permite estimar un evento futuro basndose para ello en los datos del
pasado y en consideraciones subjetivas, estas no necesitan combinarse de una forma predeterminada. Desde el punto de vista conceptual, algunos autores [Tawfik & Chauvel, 1992; Adam & Ebert, 1991; Kalenatic & Blanco, 1993] expresan la importancia de diferenciar entre los trminos prediccin y pronstico, ya que de acuerdo a su criterio, las predicciones se basan meramente en la consideracin de aspectos subjetivos dentro del proceso de estimacin de eventos futuros, mientras que los pronsticos, se desarrollan a travs de procedimientos cientficos, basados en datos histricos, que son procesados mediante mtodos cuantitativos.
La elaboracin de pronsticos por lo general est incluida en una cadena de valor general y en los sistemas de software de planeacin de la demanda. Estos sistemas integran marketing, inventarios, ventas, planeacin de operaciones y datos financieros. Por ejemplo, el mdulo de planeacin de la demanda permite a las empresas integrar la informacin de planeacin de diferentes departamentos u organizaciones en un solo plan de demanda. Algunos proveedores de software comienzan a utilizar las palabras planeacin de la demanda o cadena de la demanda en lugar de la cadena de suministro. Este cambio de nombre resalta el hecho de que los deseos y necesidades de los clientes definen el paquete de beneficios para el cliente y que la demanda de clientes obtiene productos y servicios a travs de la cadena de suministro. En el captulo 9 se analizan las ideas y los mtodos para tomar los productos y servicios a lo largo de la cadena de valor. La planeacin de la demanda ofrece las siguientes capacidades clave: o Planeacin de niveles mltiples. La planeacin de la demanda permite a una empresa ver, pronosticar y planear productos en cualquier nivel y dimensin. La planeacin se puede basar en el producto, la geografa o el tiempo y se puede iniciar en forma descendente o en forma ascendente. o Anlisis de datos. Los gerentes pueden analizar con facilidad los datos de planeacin en tablas y en forma de grficas y las caractersticas de navegacin intuitiva les permiten moverse a travs de diversos niveles de datos. o Elaboracin de pronsticos estadsticos. La planeacin de la demanda respalda una gama completa de mtodos de elaboracin de pronsticos de amplio espectro, que utiliza las ventas pasadas para identificar el nivel, la tendencia o los patrones estacionales y las herramientas de regresin para
Pronsticos y Planeacin de la Demanda 2 Docente Ing. J. Paredes C.
Causal
Economtrico
Box-Jenkins
Cuantitativo Multiplicativo
Auto proyeccin
Exponencial
Encuestas
Pronstico
Delphi
Cualitativo
Analoga histrica
Pruebas de mercadotecnia
Mtodo Delphi: El mtodo Delphi consiste en la elaboracin de pronsticos por opinin de expertos al recabar valoraciones y opiniones de personal clave con base en su experiencia y conocimiento de la situacin. Un grupo especial de expertos se conoce como Delphi. La corporacin RAND desarrollo el mtodo Delphi como una tcnica para que un grupo pronosticara la demanda de productos o servicios nuevos o en un proyecto. El mtodo empieza pidindole a cada miembro que proporcione por escrito su pronstico individual acompaado de cualquier argumento o suposiciones en que se apoye. Estos pronsticos se presentan al investigador Delphi, quien edita, clarifica y resume los datos. Estos datos se les comunican a los miembros, a modo de retroalimentacin, junto con una segunda ronda de preguntas. El procedimiento se repite normalmente alrededor de cuatro rondas, momento en que con frecuencia los miembros del grupo llegan a un consenso en algunos de los temas.
Pronsticos y Planeacin de la Demanda 5 Docente Ing. J. Paredes C.
Anlisis del ciclo de vida: Otro recurso cualitativo que se utiliza con frecuencia como ayuda para el
pronstico se conoce como anlisis del ciclo de vida. Los administradores experimentados que han lanzado muchos productos nuevos generalmente pueden estimar cunto tiempo permanece un producto en cada una de las fases de su ciclo de vida. Este pronstico del ciclo de vida, aunado a otra informacin del mercado, produce estimados razonablemente precisos de la demanda a mediano y largo plazo.
Previsin imaginativa: Tambin conocida como juicio informado: por medio de ella el pronstico se
basa en experiencias, intuiciones y juicios personales y de ser posible, en hechos relacionados con los diversos panoramas del futuro. Se caracteriza por una labor de adivinacin subjetiva y de imaginacin; en general, los mtodos empleados no son cientficos.
Consenso de grupo: Se basa en el supuesto de que varios expertos pueden obtener una previsin
mejor que una sola persona. No existe secreto, se estimula la comunicacin. Las previsiones resultan a veces, influidas por factores sociales y no obedecen a un verdadero consenso.
Anlisis de impacto: ste consiste en evaluar sistemticamente el posible impacto de cada uno de los
eventos sobre todo los otros. Se obtienen estimados para cada uno de los eventos, su importancia relativa y probabilidad de ocurrencia.
TECNICAS CUANTITATIVAS: Estas tcnicas se utilizan para hacer anlisis detallados de los
patrones de demanda en el pasado, a lo largo del tiempo y para proyectar estos patrones hacia el futuro. Una caracterstica de estos mtodos es que la demanda puede dividirse en componentes como nivel promedio, tendencia, estacionalidad, ciclos y error.
Pronsticos y Planeacin de la Demanda 6 Docente Ing. J. Paredes C.
Datos Necesarios
Cada punto de un promedio en movimiento de una serie temporal es el promedio aritmtico o ponderado de varios puntos consecutivos de la serie, donde el nmero de puntos de referencia es seleccionado para eliminar las variaciones estacionales o irregularidades, o ambas.
Suavizacin Exponencial
Box-Jenkins
X-11
Esta tcnica es un promedio, ponderado en movimiento, excepto que se da ms peso a los puntos de referencia ms recientes., descriptivamente el nuevo pronstico es igual al antiguo ms una cierta proporcin de error del pronstico anterior. Existe otro tipo de pronosticacin en la que tambin se tiene en cuenta factores estacionales y de tendencia. Dependiendo de esto en la exponencial algunas son ms verstiles que otras, algunas son ms difciles de computar, y algunas requieren ms tiempo de computador. La suavizacin exponencial es un caso especial de la tcnica Box-Jenkins. La serie cronolgica es adecuada mediante un modelo matemtico que resulta ptimo en el sentido que asigna menores errores a la historia que cualquier otro modelo de esta clase. El tipo debe ser definido por los parmetros identificados. Esta es aparentemente la rutina estadstica ms exacta disponible en la actualidad, pero tambin una de las ms costosas. Desarrollada por Julius Shiskin, de la oficina de Censura, esta tcnica descompone una serie cronolgica en variaciones estacionales, ciclos de tendencia y elementos irregulares. Se utiliza principalmente para el anlisis detallado de la serie cronolgica (incluyendo el estimado de variaciones estacionales); nosotros hemos ampliado sus usos para la pronosticacin, seguimiento y como indicador
Pobre a buena
Muy pobre
Pobre
Un mnimo de dos aos de la historia de ventas, si existen variaciones estacionales en su defecto, menos datos (por supuesto, cuanta ms historia mejor). Debe especificarse el promedio en movimiento. Igual que para un promedio en movimiento
Muy a excelente
Pobre a buena
Muy pobre
Regular
Control de produccin e inventario para artculos de volumen grande, pronsticos de los balances de efectivo
Como mnimo 3 aos de historia para comenzar. Sin embargo, ms historia resulta ventajosa. En la identificacin del modelo y en la identificacin del parmetro. Como mnimo 3 aos de historia para comenzar.
Bueno
Muy pobre
Muy buena
Seguimiento e indicadores; pronosticacin de las ventas de la compaa, divisin o departamento; establecimiento y crtica de los presupuestos.
Proyecciones de tendencia
Muy bueno
Pobre bueno
Pobre bueno
Pobre
Modelo de regresin
La curva original de aprendizaje que se obtiene por primera vez durante la fabricacin de aviones se orienta principalmente sobre la mayor eficacia y menores costos de fabricacin, lo que ocurri conforme se acumul el volumen del producto. La repeticin de esta mejora de la eficiencia permiti a los encargados del planeamiento produccin predecir con bastante exactitud los costos futuros. La curva de la experiencia es una generalizacin de la familiar curva de aprendizaje. El grupo consultor de Boston la ha ampliado para incluir otros factores, como costo de volumen y todos los componentes de los costos unitarios del producto final entregado al cliente (por ejemplo: costos de manufactura, costos de venta y distribucin, desarrollo del producto y costos administrativos). Relaciona funcionalmente las ventas con otras variables macroeconmicas, de la competencia o de la ndole interna y estima una ecuacin con base en la tcnica de los mnimos cuadrados. Las relaciones se analizan, fundamentalmente, por medio de mtodos estadsticos, aunque toda ecuacin tiene que pasar una prueba de seleccin desde el punto de vista del sentido comn.
Regular
Regular a bueno
Regular a bueno
Regular
Pronosticacin de costos a un largo plazo para productos establecidos y nuevos, pronosticacin de requerimientos de mano de obra y de capital, programacin, compras, determinacin de precios, etc.
Vara de acuerdo con la tcnica usada. Sin embargo, un buen mtodo emprico es utilizar un mnimo de 5 aos de datos anuales para empezar. Varios aos de historia de uno o ms productos.
Regular a buena
Muy buena
Modelo InputOutput
Estas encuestas al pblico en general determinan las intenciones de comprar ciertos productos, o deducen un ndice que deduce el sentir general sobre el presente y el futuro y que estima cmo este sentir afecta los hbitos de compra. Estos mtodos son ms tiles para seguimiento y alerta que para realizar previsiones. El problema fundamental estriba en que pueden situar errneamente un punto de cambio de tendencia (que quiz no se dar nunca). Mtodo de anlisis del flujo de bienes y servicios entre sectores o departamentos, en lo que respecta con la economa de un pas o las relaciones entre una empresa y sus mercados. Muestra que flujo de entradas (Inputs) tiene que existir para que se produzca determinado flujo de salidas (Output). Hay que desarrollar un esfuerzo considerable para utilizar estos modelos adecuadamente y son necesarios detalles adicionales, y que no suelen
Mala buena
Mala buena
Muy mala
Buena
Para obtener relaciones significativas se necesitan datos mensuales o trimestrales de varios aos. Es preciso, por condicionamiento matemtico, tener dos observaciones ms que el nmero de variables independientes. Suelen hacer falta datos de varios aos, para relacionar estos ndices con las ventas de la empresa.
No es aplicable
Regular
De 10 a 15 aos de datos histricos. Cantidades considerables de informacin sobre los flujos de productos y servicios dentro de la empresa(o de la economa del pas), para cada ao en que se desee
de
Muy mala
Buena
Previsiones de ventas por clases de productos. Previsiones de ventas por clases de productos
Muy mala
Buena
Mala
Mala buena
Mala buena
Mala a buena
Los mismos que para las encuestas sobre intenciones de compra. Los mismos que para una encuesta sobre intenciones de compra, ms 5 a 10 aos de datos histricos. Como mnimo, las ventas anuales del producto estudiado u otro similar. Suele ser necesario hacer encuestas de mercado.
Ajuste exponencial: Esta tcnica es similar a la de un promedio mvil, con la diferencia de que los
datos de fecha ms recientes son ms ponderados. La nueva previsin es igual a la anterior ms cierta proporcin de error que hubo en la previsin anterior. Se toman en cuenta las variaciones estacionales. Hay muchos tipos de ajuste exponencial, algunos son ms flexibles, otros son ms complicados en el clculo. Adecuado para usarse en computadores y cuando es necesario hacer una proyeccin acerca de un gran nmero de productos.
Box-Jenkins: Es un mtodo estadstico en donde las variables aleatorias de la serie temporal forman
parte de un proceso estadstico que es analizado mediante una ecuacin de diferencia cuya situacin es ajustada mediante algoritmos estadsticos. Hay que identificar el tipo de modelo y estimar los parmetros. Es uno de los procedimientos estadstico de ms precisin que existe actualmente, pero tambin es uno de los ms costosos. Es muy complicada pero aparentemente es la tcnica estadstica ms exacta que existe. Se refiere a una clase de modelos estadsticos para los datos y ajusta el modelo a las series de tiempos mediante la utilizacin de las distribuciones posteriores bayesianas.
X-11: Esta tcnica desglosa una serie temporal en variaciones estacionales, tendencias cclicas y
elementos irregulares. Se us principalmente para el anlisis detallado de series de tiempo, pero tambin puede usarse para la realizacin de previsiones, seguimiento y alerta, si se le incorporan otros mtodos analsticos. Si se le conoce en profundidad, quizs sea la tcnica ms eficaz para previsiones a mediano plazo (entre tres meses y un ao), pues permite proyectar los puntos de cambio de tendencia y situar en el tiempo ciertos acontecimientos especiales.
Proyecciones de tendencia: Esta tcnica ajusta una lnea de tendencia a una ecuacin matemtica y
a continuacin la proyecta en el futuro con esta ecuacin. Existen diversos tipos de proyecciones: de la pendiente caracterstica, segn su tipo logartmico, potencial, exponencial, logstica, etc.
METODOS CAUSALES
Estos mtodos desarrollan un modelo de causa y efecto entre la demanda y otras variables. Son los tipos ms elaborados de los instrumentos de previsin. Expresan matemticamente las relaciones causales significativas, y pueden contemplar las caractersticas internas del flujo de materiales en el proceso productivo y la informacin procedente de investigacin de mercado.
Pronsticos y Planeacin de la Demanda 9 Docente Ing. J. Paredes C.
Modelo de regresin: Relaciona funcionalmente las ventas con otras variables macroeconmicas, de
la competencia o de ndole interna, y estima una ecuacin con base en la tcnica de los mnimos cuadrados de los errores. Las relaciones se analizan, fundamentalmente, por medio de mtodos estadsticos aunque toda ecuacin tiene que pasar una prueba de seleccin desde el punto de vista del sentido comn.
Modelo Input-Output: Mtodo de anlisis del flujo de bienes y servicios entre sectores o
departamentos, en lo que respecta a la economa de un pas o a las relaciones entre una empresa y sus mercados. Muestra qu flujo de entradas (inputs) tiene que existir para que se produzca determinado flujo de salidas (outputs).
Modelo Input-Output Economtrico: Es una combinacin de los modelos input-output que suelen
combinar, a veces, para efectos de realizar previsiones. El modelo input-output se emplea para introducir las tendencias a largo plazo en el modelo de regresin; tambin contribuye a estabilizar el modelo economtrico.
ndice anticipador: Se trata de considerar una serie temporal relativa a cierta actividad econmica,
cuyo movimiento en una direccin dada precede al movimiento en esa misma direccin de otra serie temporal.
Anlisis del ciclo de vida: Anlisis y previsin de las tasas de crecimiento de un producto. Son de
capital importancia las fases de aceptacin del producto por los diversos grupos: innovadores, seguidores tempranos, mayora temprana, mayora tarda y rezagada. El ciclo de vida del producto es una excelente referencia para escoger la tcnica y la inversin de recursos (costo) que desean involucrarse.
Patrones de demanda
Las observaciones repetidas de la demanda, tomando como base el orden en que se realizan, forman un patrn que se conoce como serie de tiempo. Una tendencia es el patrn subyacente de crecimiento o declinacin de una serie de tiempo. Los cinco patrones bsicos de la mayora de las series de tiempo aplicables a la demanda son: 1. Horizontal: O sea, la fluctuacin de los datos en torno de una media constante. 2. De tendencia: Es decir, el incremento o decremento sistemtico de la media de la serie a travs del tiempo. 3. Estacional: Los patrones estacionales se caracterizan por periodos repetibles de altas y bajas a lo largo de los periodos cortos. Son patrones repetible de incrementos o decrementos de la demanda, dependiendo de la hora del da, la semana, el mes o la temporada. Ejemplos: la demanda de bebidas fras es baja durante el invierno, comienza aumentar durante la primavera y tiene un mximo durante el verano y comienza a declinar en el otoo; demanda de abrigos, etc. 4. Cclico: Los patrones cclicos son patrones regulares en una serie de datos que suceden durante largos periodos. O sea, una pauta de incremento o decremento graduales y menos previsibles de la demanda, los cuales se presentan en el curso de periodos de tiempo ms largos (aos o decenios); y 5. Aleatorio: Una variacin aleatoria (a veces llamada ruido) es la desviacin inexplicable de una serie de tiempo de un patrn predecible, como una tendencia estacional o patrn cclico.
Pronsticos y Planeacin de la Demanda 10 Docente Ing. J. Paredes C.
Cuatro de los patrones de demanda (horizontal, de tendencia, estacional y cclico) se combinan en diversos grados para definir el patrn fundamental de tiempo de demanda que corresponde a un producto o servicio. El quinto patrn, la variacin aleatoria, es resultado de causas fortuitas y, por lo tanto, no puede ser previsto. La variacin aleatoria representa un aspecto de la demanda por lo que todos los pronsticos resultan equivocados. La figura siguiente muestra los cuatro primeros patrones de una serie de tiempo de la demanda, todos los cuales contienen variacin aleatoria. Una serie de tiempo puede contener cualquier combinacin de estos patrones.
A corto plazo: En el corto plazo (que abarca en este caso entre cero y tres meses futuros), los gerentes
suelen interesarse en obtener pronsticos de demanda para determinados productos o servicios individuales. En el caso de pronsticos de demanda, se dispone de poco tiempo para reaccionar frente a posibles errores, por lo cual es necesario que dichos pronsticos alcancen la mayor precisin posible para fines de planificacin. El anlisis de series de tiempo es el mtodo que se emplea ms frecuentemente para elaborar pronsticos a corto plazo. Es una forma relativamente econmica y precisa de generar el gran nmero de pronsticos requeridos. Por ltimo, los gerentes usan mtodos de juicio para elaborar pronsticos a corto plazo cuando no disponen de datos histricos sobre un elemento especfico, como en el caso de nuevos productos.
A mediano plazo: El horizonte de tiempo que caracteriza al mediano plazo abarca entre tres meses y
dos aos futuros. La necesidad de contar con pronsticos a mediano plazo est relacionada con la planificacin de la capacidad. El nivel de detalle requerido en el pronstico no es tan grande como en el caso del corto plazo. Tpicamente, los gerentes pronostican la demanda total de ventas, expresada en dinero o en el nmero de unidades de un grupo (o familia) de productos o servicios similares. Por lo comn, los modelos causales se utilizan en los pronsticos a mediano plazo. Tambin son tiles algunos mtodos de pronsticos basados en el a juicio. En general, el anlisis de series de tiempo no produce resultados precisos a mediano o largo plazo, principalmente porque en l se supone que los patrones existentes van a continuar en el futuro.
A largo plazo: Cuando los horizontes de tiempo abarcan ms de dos aos, los pronsticos se elaboran
de ordinario en torno a la demanda total de ventas, ya sea en trminos de dinero o de alguna otra unidad de medicin comn (por ej. Barriles, kg, kilowatts). Los pronsticos precisos de la demanda a largo plazo para productos o servicios individuales no slo son muy difciles de realizar, sino tambin excesivamente detallados para los propsitos de planificacin de largo alcance. Tres tipos de decisiones (sobre la localizacin de las instalaciones, la planificacin de la capacidad y la seleccin de procesos) requieren estimaciones de la demanda de mercado para un periodo futuro prolongado. Los modelos causales y los mtodos de juicio son las principales tcnicas que se emplean para elaborar pronsticos a largo plazo. A pesar de todo, hasta los pronsticos basados en modelos causales, obtenidos por mtodos matemticos, tienen que ser matizados a travs de la experiencia y el buen criterio administrativo, tomando en cuenta el buen criterio administrativo, tomando en cuenta el horizonte de tiempo en cada caso y las posibles consecuencias de las decisiones basadas en ellos. Otros factores a considerar: o El contexto del pronstico o La relevancia y disponibilidad de datos histricos o El grado de exactitud deseado o El periodo de tiempo que se va a pronosticar o El anlisis de costo-beneficio del pronstico o El punto del ciclo de vida en que se encuentra el producto.
Donde Dt = Demanda real en el periodo t N = nmero total de periodos incluidos en el promedio Ft + 1 = Pronostico para el periodo t + 1 Con el mtodo de promedio mvil, el pronstico de la demanda en el periodo siguiente ser igual al promedio calculado al final de este periodo Elabore un pronstico de promedio mvil de tres semanas para estimar la llegada de pacientes a un hospital. Los nmeros correspondientes a las llegadas de pacientes fueron los siguientes:
14
Solucin El pronstico promedio mvil al final de la semana 3 es: F4 = = 1066.67 As, el pronstico correspondiente a la semana 4 es de 1068 pacientes aproximadamente. Para elaborar el pronstico correspondiente a la semana 5, es necesario conocer las llegadas reales durante las semanas 2 a 4, es decir, los datos de las tres semanas ms recientes.
SUAVIZACIN EXPONENCIAL
Suavizamiento exponencial simple (SES) es una tcnica para la elaboracin de pronsticos que utiliza un promedio ponderado de los valores pasados de la serie de tiempo para pronosticar el valor de sta en el siguiente periodo.
15
El mtodo de suavizacin exponencial es un mtodo de promedio mvil ponderado muy refinado que permite calcular el promedio de una serie de tiempo, asignando a las demandas recientes mayor ponderacin a las demandas anteriores. Es un mtodo de pronstico formal que se usa ms a menudo, por su simplicidad y por la reducida cantidad de datos que requiere. A diferencia del mtodo de promedio mvil ponderado, que requiere n periodos de demanda pretrita y n ponderaciones, la suavizacin exponencial requiere solamente tres tipos de datos: el pronstico del ltimo periodo, la demanda de ese periodo y un parmetro suavizador, alfa , cuyo valor fluctua entre 0 y 1.0. Para elaborar un pronstico con suavizacin exponencial, ser suficiente que calculemos un promedio ponderado de la demanda ms reciente y el pronstico calculado para el ltimo periodo. La ecuacin correspondiente a este pronstico es: Ft + 1 = (Demanda para este periodo) + (1 Ft + 1 = o Ft + 1 = (Demanda real actual) + (1 ) (Pronstico de la demanda previa) Dt + (1 - ) Ft ) (Pronstico calculado para el ltimo periodo)
Donde se llama constante de suavizamiento (0 1). Para utilizar este modelo, establezca el pronstico del periodo 1, F1, igual a la observacin real del periodo 1, D 1: Ntese que F2 tambin tendr el mismo valor. Esta forma de la ecuacin muestra que el pronstico para el periodo siguiente es igual al pronstico del periodo actual ms una proporcin del error del pronstico correspondiente al mismo periodo actual. El nfasis que se hace en los niveles de demanda ms recientes puede ajustarse modificando el parmetro de suavizacin. Los valores ms grandes de hacen nfasis en los niveles recientes de la demanda y dan lugar a pronsticos que responden mejor a los cambios en el promedio fundamental. Con valores ms pequeos, se considera ms uniformemente la demanda pretrita y se producen pronsticos ms estables. Este enfoque es similar al ajuste del valor de n en los mtodos de promedio mvil, salvo que en estos ltimos los valores menores de n ponen nfasis en la demanda reciente y los
Pronsticos y Planeacin de la Demanda 16 Docente Ing. J. Paredes C.
1100,0000 1090,0000 1131,0000 1167,9000 1181,1100 1242,9990 1288,6991 1289,8292 1330,8463 1367,7616 1380,9855 1472,8869 1555,5982
17 Docente Ing. J. Paredes C.
2500 2000 Semanas 1500 1000 500 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 La suavizacin exponencial tiene las ventajas de ser sencilla y requerir un mnimo de datos. Su utilizacin es econmica y, por tanto, muy atractiva para las empresas que realizan miles de pronsticos para cada periodo de tiempo. Sin embargo, su sencillez se convierte en una desventaja cuando el promedio fundamental se modifica, como en el caso de las series de demanda que muestran una tendencia. Igual que con cualquier mtodo enfocado nicamente en el supuesto de un promedio estable, los resultados de la suavizacin exponencial se retrasan con respecto a los cambios registrados en el promedio fundamental de la demanda. Los valores ms altos pueden ayudar a reducir los errores de pronstico cuando se produce un cambio en el promedio de las series de tiempo; sin embargo, seguir habiendo retrasos si el promedio cambia sistemticamente. De ordinario, si se requieren valores grandes de (por ej. 0.50) para la aplicacin de una suavizacin exponencial, es muy probable que se requiera un modelo ms refinado a causa de la presencia de una tendencia o una influencia estacional significativa en las series de demanda. Demanda Suavizacion Exponencial
Tt = (Promedio de este periodo promedio del ultimo periodo) + (1 ) (Estimacin de la tendencia en el ltimo periodo) Tt = (Lt Lt-1) + (1 ) Tt-1 Ft+1 = Lt + Tt Dnde: Lt: Promedio exponencialmente suavizado de la serie en el periodo t Tt: Promedio exponencialmente suavizado de la tendencia en el periodo t =Parmetro de suavizacin para el promedio, con un valor entre 0 y 1 = Parmetro de suavizacin para la tendencia, con un valor entre 0 y 1 Ft+1 = Pronostico para el periodo t + 1 Las estimaciones del promedio y la tendencia correspondientes al ltimo periodo, que se requieren en el primer pronstico, pueden obtenerse a partir de datos del pasado o basarse en una estimacin aproximada si no existen datos histricos. Para encontrar los valores de hasta que obtenga los errores del pronstico ms bajos posibles. Este proceso se puede llevar a cabo en un ambiente experimental, usando el modelo para pronosticar las cifras histricas de demanda.
Pronsticos y Planeacin de la Demanda 18 Docente Ing. J. Paredes C.
19
Modelos Avanzados para la Elaboracin de Pronsticos Diversos otros mtodos se utilizan con frecuencia cuando existen factores de tendencia o estacionales. Estos son: o Promedio mvil doble: Se utiliza para series de tiempo con tendencia lineal. o Suavizamiento exponencial doble: Se utiliza para las series de tiempo con tendencia lineal. o Aditivo estacional: Se utiliza para las series de tiempo con estacionalidad, que es ms o menos estable al paso del tiempo. o Multiplicativa estacional: Se utiliza para las series de tiempo con estacionalidad que aumenta o disminuye en magnitud con el paso del tiempo. o Aditiva Holt-Winters: Se utiliza para series de tiempo con una tendencia lineal y estacionalidad, que es ms o menos estable al paso del tiempo. o Multiplicativa Holt-Winters: Se utiliza para series de tiempo con tendencia lineal y estacionalidad que aumenta o disminuye en magnitud al paso del tiempo.
Aunque son de apariencia muy similar, estas dos variables miden efectos extremadamente diferentes al pronosticar. Puesto que el DAM suma tan solo los valores absolutos de los errores, tanto los valores positivos como los negativos se agregan a la suma para as determinar el tamao promedio del error. Esto da al administrador una idea de la precisin del modelo de pronstico. Un administrador podra aprovechar este conocimiento y decir: Estos pronsticos normalmente son precisos slo dentro del 10%; es mejor mantener un abastecimiento adicional de alrededor del 10 por ciento como proteccin contra este posible error. Por otro lado, el sesgo indica si el pronstico est usualmente muy bajo o muy alto y qu tanto. Un administrador que lo sepa puede decir En promedio, se est pronosticando un 10 por ciento muy alto; sin peligro se puede hacer de 5 a 10 por ciento menos, para protegerse contra este error potencial. O sea que la DAM indica tan solo el tamao promedio del error, mientras que el sesgo seala el promedio total del error y su direccin. Como se mencion anteriormente, los mejores mtodos para pronosticar mostrarn las medidas de menor error. Suponga que dos mtodos para pronosticar se prueban comparndolos con los datos de la demanda por un periodo de cuatro meses. El mtodo A dio pronsticos de enero a abril de 102, 107, 106 y 113 respectivamente; el mtodo B dio 104, 105, 107, 110 y las demandas reales fueron 103, 106, 106 y 111. La DAM para el mtodo A seria: DAM = Y el sesgo sera: Sesgo = = 0.50 Para el mtodo B, la DAM es tambin 1, pero el sesgo es 0; por lo tanto el mtodo B es mejor. Bien puede suceder que un mtodo tenga una DAM menor, pero un sesgo mayor, o viceversa. En tales casos hay que considerar las circunstancias de la situacin, para determinar si la medida ms importante es la DAM o el sesgo. CUADRADO DEL ERROR MEDIO (MSE del ingls mean squared error) Es el promedio de las diferencias al cuadrado, entre el pronstico y los valores observados. MSE =
Pronsticos y Planeacin de la Demanda 21 Docente Ing. J. Paredes C.
=1
MAPE (Mean Absolute Porcentual Error Error Porcentual Medio Absoluto): Es la media absoluta entre el pronstico y los valores observados expresados como porcentaje de los valores observados. DAM =
DESVIACION ESTANDAR O ERROR ESTANDAR DE LA REGRESION La desviacin estndar es la medida de la dispersin de los valores pronosticados con respecto de la demanda real. La estimacin se hace ms precisa conforme el grado de dispersin alrededor del plano de regresin se hace ms pequeo. Para medirla se utiliza la frmula: =
= 1.25 DAM
o utilizar la siguiente ecuacin, que es equivalente : S = Y: Valores observados en la muestra : Valores estimados a partir a partir de la ecuacin de regresin n : Nmero de datos m : Nmero de variables independientes Ejemplo 4: La tabla siguiente muestra las ventas reales de sillas tapizadas que realiz un fabricante de muebles y los pronsticos correspondientes a cada uno de los ltimos ocho meses. Calcule usted el DAM, El sesgo, MSE y la desviacin estndar Mes t 1 2 3 4 5 6 7 8 Total Demanda Dt 200 240 300 270 230 260 210 275 Pronostico Ft 225 220 285 290 250 240 250 240 Error Et -25 20 15 -20 -20 20 -40 35 -15 Cuadrado del error Error absoluto Et2 ( 625 25 12.5% 400 20 8.3 225 15 5.0 400 20 7.4 400 20 8.7 400 20 7.7 1600 40 19.0 1225 35 12.7 5275 195 81.3 Promedio 10.1625%
Solucin: Usando las formulas correspondientes a cada una de las mediciones, tenemos: Desviacin absoluta media DAM = 195/8 = 24.4 Sesgo = -15/8 = -1.875 Cuadrado del error medio MSE = 5275/8 = 659.4 Porcentaje absoluto medio = 81.3/8 = 10.1625% Desviacin estndar = = 27.45
METODOS CAUSALES
Los mtodos causales se emplean cuando se dispone de datos histricos y la relacin entre el factor que se intenta pronosticar y otros factores externos o internos (por ej. Las actividades del gobierno o promociones publicitarias) puede identificarse. Las relaciones de este tipo se expresan en trminos matemticos y suelen ser muy complejas. Los mtodos causales proveen instrumentos de pronsticos ms refinados y son excelentes para los puntos de flexin de la demanda y para la elaboracin de pronsticos a largo plazo. Existen muchos mtodos causales a saber: - Regresin lineal - Regresin exponencial - Regresin cuadrtica
Pronsticos y Planeacin de la Demanda 22 Docente Ing. J. Paredes C.
REGRESION LINEAL SIMPLE (O RECTA DE MINIMOS CUADRADOS) COMO METODO PARA LA ELABORACION DE PRONOSTICOS Un anlisis de regresin es un mtodo para construir un modelo estadstico que define una relacin entre una sola variable dependiente y una o ms variables independientes, todas las cuales son numricas. Llamamos modelos lineales a aquellas situaciones que despus de haber sido analizadas matemticamente, se representan por medio de una funcin lineal. En algunos casos nuestro modelo coincide precisamente con una recta; en otros casos, a pesar de que las variables que nos interesan no pertenecen todas a la misma lnea, es posible encontrar una funcin lineal que mejor se aproxime a nuestro problema, ayudndonos a obtener informacin valiosa. Nuestro modelo lineal se puede determinar de manera grfica o bien, por medio de una ecuacin. Existen ocasiones en que a una de nuestras variables le pedimos que cumpla varias condiciones a la vez, entonces surge un conjunto de ecuaciones donde el punto de interseccin de dichas ecuaciones representa la solucin de nuestro problema Sirve para determinar la relacin funcional entre 2 variables de tal manera que se pueda estimar el valor de una variable (dependiente) en funcin de una variable independiente. Este anlisis permite conocer los valores de la ecuacin que vincula a dos variables. En la regresin lineal, una variable, conocida como variable dependiente, est relacionada con una o ms variables independientes por medio de una ecuacin lineal. La variable dependiente, como la demanda de perillas para puertas, es la que el gerente o administrador quiere pronosticar. Se supone que las variables independientes, como los gastos de publicidad o el inicio de construccin de nuevas viviendas, influyen en la variable dependiente y, por ende, son la causa de los resultados observados en el pasado La Regresin y la correlacin son dos tcnicas estadsticas que se pueden utilizar para solucionar problemas comunes en los negocios. Muchos estudios se basan en la creencia de que es posible identificar y cuantificar alguna Relacin Funcional entre dos o ms variables, donde una variable depende de la otra variable. Se puede decir que Y depende de X, en donde Y y X son dos variables cualquiera en un modelo de Regresin Simple. "Y es una funcin de X" Y = f(X) Como Y depende de X, Y es la variable dependiente, y X es la variable independiente. En el Modelo de Regresin es muy importante identificar cul es la variable dependiente y cul es la variable independiente. En el Modelo de Regresin Simple se establece que Y es una funcin de slo una variable independiente, razn por la cual se le denomina tambin Regresin Divariada porque slo hay dos variables, una dependiente y otra independiente y se representa as: Y = f (X) "Y est regresando por X" La variable dependiente es la variable que se desea explicar, predecir. Tambin se le llama REGRESANDO o VARIABLE DE RESPUESTA. La variable Independiente X se le denomina VARIABLE EXPLICATIVA REGRESOR y se le utiliza para EXPLICAR Y. La figura siguiente muestra la relacin entre una regresin lineal y los datos. En trminos tcnicos, la lnea de regresin minimiza las desviaciones al cuadrado de los datos reales. En los modelos de regresin lineal ms sencillos, la variable dependiente es funcin de una sola variable independiente y, por tanto la relacin terica es una lnea recta: Y = a +bX Donde
b=
a=
-b
Ejemplo 5: Volumen de pasajeros por ao y datos de mnimos cuadrados para el sistema de transporte masivo. Datos para la lnea de regresin simple Ao X Y XY X2 Y2 (Y- )2 ( Y - )2
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 n= B= A= s= 1 2 3 4 5 6 7 8 9 10 55 10 5,0364 0,600 4,1565 10 12 15 18 25 30 33 35 45 60 283 10 24 45 72 125 180 231 280 405 600 1972 = 1 4 9 16 25 36 49 64 81 100 385 28,3 100 144 225 324 625 900 1089 1225 2025 3600 10257 5,636 10,673 15,709 20,745 25,782 30,818 35,855 40,891 45,927 50,964 19,041 1,762 0,503 7,538 0,611 0,669 8,148 34,703 0,860 81,656 155,491 334,890 265,690 176,890 106,090 10,890 2,890 22,090 44,890 278,890 1004,890 2248,100
24
Calculo de b = Calculo de a =
= 5.0364 = 0.60
-b
r=
25
26
r=
= 0.9648
Existe una alta correlacin entre la variable independiente X y la variable dependiente Y Calculo del coeficiente de correlacin empleando el otro mtodo
r2 =
r = 0.9648
= 0.9308
Error tpico de estimacin (o error estndar para la estimacin de Y o error tpico XY)
Es una medida de la cuanta de error en el pronstico del valor de Y para un valor individual de X. El error en los pronsticos es la diferencia numrica entre la demanda pronosticada y la demanda real.
s= s=
Calculo del error tpico de estimacin, empleando la formula siguiente:
s=
= 4.1565
Ejemplo 6: La persona a cargo de programar la produccin de una compaa tiene que elaborar pronsticos de la demanda de un producto, a fin de planear las cantidades de produccin ms apropiadas. Durante un almuerzo de negocios, la gerente de marketing aporta informacin sobre el
Pronsticos y Planeacin de la Demanda 27 Docente Ing. J. Paredes C.
b=
= 109.229
a= r = 0.98
- 109.229*
La ecuacin de regresin es: Y = -8.135 + 109.229X Sin el mes entrante se gastara $ 1750 en publicidad (X = 1.75), entonces se esperan las ventas en Y = -8.135 + 109.229(1.75) = 183.016 miles de unidades Es acertado seleccionar los gastos de publicidad para realizar un pronstico de ventas? Observe que el coeficiente de correlacin de la muestra, r, es 0.98. Puesto que el valor de r es muy prximo a 1.00, concluimos que existe una fuerte relacin positiva entre las ventas y los gastos de publicidad, y que la seleccin fue acertada. a y b, tambin se obtiene resolviendo las siguientes ecuaciones normales:
REGRESION EXPONENCIAL Llamamos modelos exponenciales a aquellas situaciones que, despus de haber sido examinadas matemticamente, se representan por medio de una funcin exponencial. Un modelo exponencial se puede determinar a travs de una ecuacin o bien, por medio de una grfica que mejor aproxime los datos de nuestro problema, aunque es preferible el primer mtodo, ya que el tipo de informacin que obtenemos es ms preciso. En algunos casos puede ocurrir que nuestro modelo coincida precisamente con una exponencial, mientras que habr otras ocasiones en las que no todos los datos pertenecen a la misma curva. En dicha situacin trataremos de encontrar aquella exponencial que mejor represente al modelo que estamos analizando. Los modelos exponenciales son muy frecuentes en el estudio de ventas de productos, crecimientos poblacionales, en el clculo de intereses bancarios, as como tambin diversos fenmenos fsicos.
Pronsticos y Planeacin de la Demanda 28 Docente Ing. J. Paredes C.
29
Paso 4: Estime la recta de regresin de mnimos cuadrados para los datos transformados. Si Bo (A) es la ordenada al origen de la recta de mnimos cuadrados (para los datos transformados), B 1 (B) es la pendiente de la recta de mnimos cuadrados (para los datos transformados) y Se es el error estndar de la estimacin de la regresin, entonces lea la relacin estimada en la columna final de la tabla anterior. Por lo tanto, si la parte (c) fuera relevante, estimara que (A + BX) nuestros ejemplos lo consideramos = e A continuacin se dan algunas linealizaciones: para
Cambiando variables y aplicando logaritmos a ambos lados de las ecuaciones tenemos: X Y = AB (1) Log Y = Log A + X*Log B (De donde Y = Log Y; a = Log A; b = Log B) Por lo tanto: Y = a + b*X = AXB (2)
Log Y = Log A + B*Log X (De donde Y = Log Y; a = Log A; x = Log X) Por lo tanto: Y = a + B*x
Pronsticos y Planeacin de la Demanda 30 Docente Ing. J. Paredes C.
Log Y = Log A + B*X (De donde Y = Log Y; a = Log A) Por lo tanto: Y = a + B*X Nosotros vemos que estas ecuaciones son una lnea recta. Y = (5)
Y = a + b*X Ejemplo para el modelo 1: Tome el logaritmo de todas las Y, entonces tendr los siguientes valores: Datos para la lnea de regresin exponencial Ao X Y Y' = Log(Y) XY' X2 Y'2 (Y - )2
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 n= b= a= s= 1 2 3 4 5 6 7 8 9 10 55 10 0,08321 0,930 2,36061 10 12 15 18 25 30 33 35 45 60 283 1,0000 1,0792 1,1761 1,2553 1,3979 1,4771 1,5185 1,5441 1,6532 1,7782 13,8796 1,000 2,158 3,528 5,021 6,990 8,863 10,630 12,353 14,879 17,782 83,203 1 4 9 16 25 36 49 64 81 100 385 1,0000 1,1646 1,3832 1,5757 1,9542 2,1819 2,3059 2,3841 2,7331 3,1618 19,8446 1,2112 8,5114 10,309 12,486 15,123 18,317 22,186 26,872 32,547 39,421 47,747 57,831 0,095 0,236 0,015 0,101 7,918 9,786 0,205 19,545 7,545 4,705 50,152 28,3
( Y - )2
334,890 265,690 176,890 106,090 10,890 2,890 22,090 44,890 278,890 1004,890 2248,100
B = AntiLog(0,08321) = A = AntiLog(0,930) =
Y=
b=
= 0.08321
Calculo de a = =
- 0.08321*
= 0.930
Por lo tanto tenemos: Y = 0.930 + 0.08321X Por otra parte: A = AntiLog (a) = AntiLog(0.930295) = 8.5114 B = AntiLog(b) = AntiLog(0.08321) = 1.2112 Y = AntiLog(Y) Y = 8.5114*1.2112X Coeficiente de Correlacin: r2 = (2248.10 50.152)/2248.10 = 0.9777 Donde r = 0.9888 Error tpico de estimacin = s = = = 2.36061
31
MODELO DE REGRESIN GEOMTRICA ( Y = AXB ) Linealizndolo tenemos: Log Y = Log A + B*Log X (De donde y = Log Y; a = Log A; x = Log X) Por lo tanto: y = a + b*x MODELO DE REGRESION GEOMETRICA Ao
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010 Total
X
1 2 3 4 5 6 7 8 9 10 55 b B
Y
10 12 15 18 25 30 33 35 45 60 283
Log Y = y'
1.0000 1.0792 1.1761 1.2553 1.3979 1.4771 1.5185 1.5441 1.6532 1.7782 13.8796
Log X = x'
0.0000 0.3010 0.4771 0.6021 0.6990 0.7782 0.8451 0.9031 0.9542 1.0000 6.5598 0.8866 7.7019
x'y'
0.0000 0.3249 0.5611 0.7557 0.9771 1.1494 1.2833 1.3944 1.5776 1.7782 9.8017
x'2
0.0000 0.0906 0.2276 0.3625 0.4886 0.6055 0.7142 0.8156 0.9106 1.0000 5.2152
xy'
1.0000 2.1584 3.5283 5.0211 6.9897 8.8627 10.6296 12.3525 14.8789 17.7815 83.2027 28.3 7.7019 13.0816 17.8336 22.2189 26.3503 30.2901 34.0772 37.7385 41.2931 44.7557
(Y - )2
5.2813 1.1698 8.0290 17.7990 1.8234 0.0841 1.1604 7.4994 13.7408 232.3894 288.9766
( - )2
424.2817 231.6004 109.5465 36.9799 3.8013 3.9603 33.3764 89.0853 168.8218 270.7893 1372.2428
(Y- )2
334.8900 265.6900 176.8900 106.0900 10.8900 2.8900 22.0900 44.8900 278.8900 1004.8900 2248.1000
0.7643 a 0.7643 A
Por lo tanto tenemos: y = 0.8866 + 0.7643x Por otra parte: A = AntiLog (a) = AntiLog(0.8866) = 7.7019 B = b = 0.7643 Y = AntiLog(y)
32
s=
= 5.6664
r=
= 0.7813
Ejemplo: Para ejemplificar la idea, suponga que queremos predecir las ventas de televisores pantalla plana, en una tienda de enseres electrodomsticos. Las ventas de los ltimos 24 meses, se proporcionan en la tabla siguiente y tambin se grafican. Usaremos X = nmero del mes como variable independiente. En la grfica realizada se observa una relacin en forma de S entre X = nmero del mes y Y = ventas durante el mes (como la parte (i) de las figuras exponenciales. De modo que, segn la (A + B/X) tabla de conversin: Y = e Al recorrer la tercera columna de la tabla de conversiones, estimamos la recta de regresin de mnimos Cuadrados para los puntos (1/1, In 23), (1/2, In 156), , (1/24, In 3495). Encontramos que A = 8.387 y B = -5.788 De modo que la ecuacin es: Y
= e(8,38678863-5,78799615/X)
Para ilustrar el uso de esta frmula en la prediccin de ventas, supongamos que queremos pronosticar las ventas de televisores de pantalla plana durante el mes 26. Para X = 26, podramos pronosticar que se vendran Y = e(8,38678863-5,78799615/26) = 3512.91 televisores pantalla plana
33
Unidades (Y)
23 156 330 482 1209 1756 2000 2512 2366 2942 2872 2937 3136 3241 3149 3524 3542 3312 3547 3376 3375 3403 3697 3495 60382
XY
23 312 990 1928 6045 10536 14000 20096 21294 29420 31592 35244 40768 45374 47235 56384 60214 59616 67393 67520 70875 74866 85031 83880 930636
Y' = Log(Y)
3,1355 5,0499 5,7991 6,1779 7,0975 7,4708 7,6009 7,8288 7,7690 7,9868 7,9628 7,9851 8,0507 8,0836 8,0548 8,1674 8,1724 8,1053 8,1739 8,1244 8,1242 8,1324 8,2153 8,1591 179,4277
X' = 1/X
1,0000 0,5000 0,3333 0,2500 0,2000 0,1667 0,1429 0,1250 0,1111 0,1000 0,0909 0,0833 0,0769 0,0714 0,0667 0,0625 0,0588 0,0556 0,0526 0,0500 0,0476 0,0455 0,0435 0,0417
X'Y'
3,1355 2,5249 1,9330 1,5445 1,4195 1,2451 1,0858 0,9786 0,8632 0,7987 0,7239 0,6654 0,6193 0,5774 0,5370 0,5105 0,4807 0,4503 0,4302 0,4062 0,3869 0,3697 0,3572 0,3400
X'
(Y 13,4475 242,9342 637,4377 1032,5529 1379,1042 1672,5800 1919,7150 2128,7476 2306,9416 2460,1781 2593,0943 2709,3272 2811,7382 2902,5947 2983,7084 3056,5401 3122,2784 3181,8984 3236,2070 3285,8769 3331,4728 3373,4725 3412,2822 3448,2500
1 4 9 16 25 36 49 64 81 100 121 144 169 196 225 256 289 324 361 400 441 484 529 576 4900
757,3067 910,2293 1063,1519 1216,0745 1368,9971 1521,9197 1674,8423 1827,7649 1980,6875 2133,6101 2286,5328 2439,4554 2592,3780 2745,3006 2898,2232 3051,1458 3204,0684 3356,9910 3509,9136 3662,8362 3815,7588 3968,6814 4121,6041 4274,5267
539206,2807 568861,7998 537511,6851 538865,3609 25599,0725 54793,5821 105727,5176 468177,6344 148465,6947 653494,1578 342771,8966 247550,6665 295524,9104 245717,9153 62889,0092 223591,0972 114197,7624 2024,1914 1375,3993 82275,0239 194268,3555 319995,5021 180288,6060 607661,8240
1,0000 0,2500 0,1111 0,0625 0,0400 0,0278 0,0204 0,0156 0,0123 0,0100 0,0083 0,0069 0,0059 0,0051 0,0044 0,0039 0,0035 0,0031 0,0028 0,0025 0,0023 0,0021 0,0019 0,0017 1,6041
91,2504 7557,5523 94517,9529 303108,5356 28935,4219 6958,9014 6445,6747 146882,3904 3487,8937 232152,3654 77788,3749 51834,9033 105145,6975 114518,1594 27321,3280 218518,7528 176166,2275 16926,4183 96592,2691 8122,1810 1894,6176 871,8757 81064,2056 2185,5661 1809088,5155
529 24336 108900 232324 1461681 3083536 4000000 6310144 5597956 8655364 8248384 8625969 9834496 10504081 9916201 12418576 12545764 10969344 12581209 11397376 11390625 11580409 13667809 12215025 185370038
3,7760 22,3835
Y = e(8,38678863-5,78799615/X)
34
4000
3500 3000 Mes (X) Unidades (Y) 757,3067 2500 2000 1500 1000 500 0 1 4 7 10 13 16 19 22 Mes (X) Unidades (Y) 13,4475
REGRESIN CUADRTICA Decimos que el modelo es cuadrtico si lo podemos expresar por medio de una funcin cuadrtica. Un modelo cuadrtico se puede determinar a travs de una ecuacin o bien, por medio de una grfica que mejor aproxime los datos. En algunos casos puede ocurrir que nuestro modelo coincida precisamente con una parbola, mientras que habr otras ocasiones en las que no todos los datos pertenecen a la misma curva. En dicha situacin trataremos de encontrar aquella parbola que mejor represente el modelo que estamos analizando. La regresin cuadrtica es el proceso por el cual encontramos los parmetros de una parbola que mejor se ajusten a una serie de datos que poseemos, ya sean mediciones hechas o de otro tipo. La regresin cuadrtica es la parbola de mnimos cuadrados, de la forma:
Una funcin cuadrtica o de segundo grado se puede representar de manera genrica como: Y = A + BX + CX2 Entonces lo que nos interesa es encontrar los valores de A, B y C que hacen que el valor de y calculado sea lo ms cercano posible al medido. Se tiene que resolver el siguiente sistema de ecuaciones:
= An + B =A =A
+C +B +B
+C +C
35
Con los datos del mismo ejemplo inicial tenemos: MODELO DE REGRESION CUADRATICA Y XY X2 X3 X4
10 10 12 24 15 45 18 72 25 125 30 180 33 231 35 280 45 405 60 600 283 1972 0.4205 b 1 1 4 8 9 27 16 64 25 125 36 216 49 343 64 512 81 729 100 1000 385 3025 0.4114 a 1 16 81 256 625 1296 2401 4096 6561 10000 25333 9.8500
Ao
X2Y
10 48 135 288 625 1080 1617 2240 3645 6000 15688
2001 1 2002 2 2003 3 2004 4 2005 5 2006 6 2007 7 2008 8 2009 9 2010 10 Total 55 c
Tambin los coeficientes A, B y C, lo podemos encontrar, mediante las ecuaciones siguientes: Coeficiente del trmino de segundo grado (C) C=
A=
Leyenda: : Es la demanda estimada con la ecuacin de regresin : Es l Y promedio, en este caso es = , es decir = 28.3 Una vez se haya reemplazado el valor de n, y de las sumatorias, slo habr que solucionar el sistema de ecuaciones por su mtodo preferido, Eliminacin Gaussiana, Krammer, etc. Despus de que ha solucionado el sistema de ecuaciones entonces tendr el valor de los parmetros: A, B, C. Reemplazando por sus valores en la primera ecuacin tenemos: 283 = 10A + 55B + 385C 1972 = 55A + 385B + 3025C 15688 = 385A + 3025B + 25333C Resolviendo el sistema de 3 ecuaciones con 3 variables: A, B y C Por cualquier mtodo que conozca tenemos: A = 9.85, B = 0.4114, C = 0.4205 La parbola de mejor ajuste es entonces: Y = 9.85 + 0.4114X + 0.4205X2
Pronsticos y Planeacin de la Demanda 36 Docente Ing. J. Paredes C.
s=
= 3.50
Coeficiente de correlacin:
r=
= 0.9175
Tambin los coeficientes A, B y C, lo podemos encontrar, mediante las ecuaciones siguientes: Coeficiente del trmino de segundo grado (C) C=
B=
A=
Toma de decisiones para seleccionar la mejor curva de ajuste para nuestros pronsticos
Tipo regresin Error tpico estimacin Coeficiente de correlacin Ecuaciones
Lnea de regresin simple 4,1565 Regresin exponencial 2,3615 Regresin geomtrica 5.6664 Parbola de mnimos cuadrados 3,5
Como observamos la curva de regresin exponencial es la que tiene menos error tpico de estimacin y su coeficiente de correlacin es ms cercano al 1, por tanto debemos elegir a esta curva para proyectar nuestra demanda futura de los pacientes en estudio de la clnica.
38
= An + B =A =A
+C +B +B +C +C
Se presentara primero el anlisis de regresin mltiple al desarrollar y explicar el uso de la ecuacin de regresin mltiple, as como el error estndar mltiple de estimacin. Despus se medir la fuerza de la relacin entre las variables independientes, utilizando los coeficientes mltiples de determinacin. En el cuadro siguiente X1 representa el ingreso per cpita (en miles de soles anuales) y X 2 representa la publicidad (en miles de soles anuales), realizar la regresin lineal mltiple respectiva. Ao
2001 2002 2003 2004 2005 2006 2007 2008 2009 2010
Y
10 12 15 18 25 30 33 35 45 60
X1
20 23 27 30 31 35 35 37 39 40
X2
80 83 85 86 90 92 95 98 101 105
X1Y
200 276 405 540 775 1050 1155 1295 1755 2400
X2Y
800 996 1275 1548 2250 2760 3135 3430 4545 6300
X12
400 529 729 900 961 1225 1225 1369 1521 1600
X1X2
1600 1909 2295 2580 2790 3220 3325 3626 3939 4200 29484
X22
6400 6889 7225 7396 8100 8464 9025 9604 10201 11025 84329 8,4575 13,6706 15,7308 16,0533 25,1269 27,1871 34,5230 40,4437 46,3644 55,4380
(Y - )2
2,3793 2,7909 0,5341 3,7896 0,0161 7,9124 2,3195 29,6339 1,8616 20,8118 72,0493
)2
393,7248 214,0193 157,9848 149,9817 10,0686 1,2385 38,7257 147,4694 326,3225 736,4710 2176,0065
(Y - )2
334,8900 265,6900 176,8900 106,0900 10,8900 2,8900 22,0900 44,8900 278,8900 1004,8900 2248,1000
Total 283 317 915 9851 27039 10459 Datos para una Curva de Regresin Lineal Mltiple
Leyenda: : Es la demanda estimada con la ecuacin de regresin : Es l Y promedio, en este caso es = , es decir = 28.3 Reemplazando por sus valores: 283 = 10A +317B + 915C 9851 = 317A + 10459B + 29484C
Pronsticos y Planeacin de la Demanda 39 Docente Ing. J. Paredes C.
= 2.8189
= 0.9369
Resumiendo se tiene un bajo error de estimacin y un coeficiente de correlacin cercano al 1 Por lo que dicha ecuacin se aproxima bastante a la realidad y nos servira para nuestras proyecciones futuras.
Y
10,08 12,03 11,38 18,81 20,53 28,50 31,38 38,40 48,39 60,60 66,66 82,61 91,37 105,44 122,53 137,77 152,74 172,65 188,84 207,77
40 Docente Ing. J. Paredes C.
10 10,5 11 11,5
Ahora, teniendo en cuenta la matriz que dedujimos anteriormente, sabemos que tenemos que encontrar los valores de la suma de X, la suma de X2, de X3, X4, de Y, XY, X2*Y y n=24. X
0 0,5 1 1,5 2 2,5 3 3,5 4 4,5 5 5,5 6 6,5 7 7,5 8 8,5 9 9,5 10 10,5 11 11,5 Total 138
Y
10,08 12,03 11,38 18,81 20,53 28,50 31,38 38,40 48,39 60,60 66,66 82,61 91,37 105,44 122,53 137,77 152,74 172,65 188,84 207,77 230,94 251,35 274,07 295,95 2660,78166
X2
0,00 0,25 1,00 2,25 4,00 6,25 9,00 12,25 16,00 20,25 25,00 30,25 36,00 42,25 49,00 56,25 64,00 72,25 81,00 90,25 100,00 110,25 121,00 132,25 1081
X3
0,00 0,13 1,00 3,38 8,00 15,63 27,00 42,88 64,00 91,13 125,00 166,38 216,00 274,63 343,00 421,88 512,00 614,13 729,00 857,38 1000,00 1157,63 1331,00 1520,88 9522
X4
0,00 0,06 1,00 5,06 16,00 39,06 81,00 150,06 256,00 410,06 625,00 915,06 1296,00 1785,06 2401,00 3164,06 4096,00 5220,06 6561,00 8145,06 10000,00 12155,06 14641,00 17490,06 89452,75
XY
0,00 6,01 11,38 28,21 41,06 71,24 94,14 134,39 193,56 272,68 333,31 454,37 548,23 685,39 857,74 1033,24 1221,90 1467,54 1699,55 1973,80 2309,40 2639,18 3014,81 3403,37 22494,51
X2Y
0,00 3,01 11,38 42,31 82,13 178,11 282,41 470,36 774,26 1227,08 1666,55 2499,02 3289,38 4455,05 6004,20 7749,32 9775,23 12474,08 15295,92 18751,13 23093,97 27711,38 33162,86 39138,76 208137,88
1 0 0
5,75 287,5
45,04
110,86
1 0 0
0 1 0
41
-21,08 11,5
-33,04 25,02
3306,25 7195,4
2741,08 5544,03
Docente Ing. J. Paredes C.
Por lo tanto: A=9.6 B=1.76 C=2.02 La parbola de mejor ajuste es entonces: Y = 9.6 + 1.76X + 2.02X2 METODOS DE PRONOSTICO CON SERIES DE FOURIER
Grafica de la demanda de un producto durante cuatro aos que seala una tendencia de crecimiento y estacionalidad.
Modelo de pronstico de mnimos cuadrados con series de Fourier. El fundamento matemtico de este mtodo lo estableci Joseph Fourier, fsico y matemtico francs, en 1882. Fourier demostr que cualquier funcin peridica (es decir estacional) que sea finita, de un solo valor, y continua en un periodo (estacin), se puede representar por medio de una serie matemtica consistente en un trmino constante, ms la suma de trminos armnicamente relacionados de senos y cosenos. La ecuacin de la serie de Fourier es:
d= Ft = A + Bt + U*Cos
+ VSen
Dnde: Ft = Demanda pronosticada A = Interseccin B = Pendiente T = Periodo de tiempo N = Nmero de periodos por ciclo U, V = Constantes o parmetros Las constantes A, B, U y V son parmetros, los cuales deben ser determinados por la regresin y los procedimientos para encontrar estos parmetros se ha reducido a la solucin de la siguiente determinante:
=
N = Nmero de periodos usados en la regresin
Pronsticos y Planeacin de la Demanda 42 Docente Ing. J. Paredes C.
Ahora procedemos a realizar las siguientes operaciones: -12*(Fila 1) + Fila 2; -78*Fila1 + Fila 3
43
Ahora procedemos a realizar las siguientes operaciones: -1(Col 3) + Col 2; -207(Col 3 ) + Col 1
Eliminando la fila 3 y columna 3 tenemos: Continuamos realizando la siguiente operaciones: -3517(Col 3) + Col 1; 3.7333 (Col 3) + Col 2. -
3583811.4 498841.2t + 498841.2*Cos - 1862340.4*Sen - 6724.4796d + 1391967.2*Cos + 2365*Sen - 3294944.4 + 506914.53t 506914.53 * Cos + 1892480.9*Sen + 6084d 1259388*Cos - 2139.7428*Sen Simplificando tenemos: 288867 + 8073.33t + 124505.9*Cos - 640.4796d Finalmente la ecuacin de regresin con series de Fourier es: d = Ft = 451.0167 + 12.605t + 194.3947Cos + 47.42*Sen
+ 47.42*Sen
= 63.52
Coeficiente de correlacin r =
= 0.9379
RESUMEN DE PRONOSTICOS - Un aspecto crucial en los pronsticos es la fiabilidad de los datos, es de gran importancia disear un mecanismo de recoleccin de datos fiel. - Es mejor un mal pronstico que ninguno - Pronosticar es tratar de visualizar el comportamiento futuro de diferentes actividades: la demanda(ventas), las operaciones(produccin), la tecnologa(activos), la logstica(materiales), los recursos humanos(personas) y los recursos financieros(capital de trabajo) - Un buen pronstico es el resultado de combinar tcnicas cualitativas, cuantitativas y causales, y adems un poco de adivinanza y suerte. - Cinco tcnicas cualitativas: Mtodo Delphi, Investigacin de mercados, consenso de grupo, previsin imaginativa y analoga histrica. - Cinco tcnicas cuantitativas o series de tiempo: promedios mviles, ajuste exponencial, BoxJenkins, X-11 y proyecciones de tendencia. - Existen siete tcnicas causales: modelo de regresin, encuestas de anticipacin y de intencin de compra, modelo input-output economtrico, ndice de difusin, ndice anticipador y anlisis del ciclo de vida. - Una buena secuencia, si se tienen datos, es comenzar con una proyeccin matemtica cuantitativa; luego, ajustarla con aspectos cualitativos. - El coeficiente de correlacin de dichos datos es fundamental para decidir si se usan o no. Una buena correlacin esta entr un r mayor que 0.7 hasta 1 o menor que -0.6 hasta -1. - Para pronosticar hay que decidir: El tipo de pronstico, el horizonte de tiempo, la base de datos disponibles, la metodologa a usarse, la correlacin de los datos y el costo del mismo. - Se comienza con el pronstico de la demanda, se sigue con los recursos productivos y logsticos, y se termina con el presupuesto, fuentes y uso de fondos.
46