AOPI MODELOS DE

PREVISIN
Dr. Ing. Aldo Cea Ramrez

Qu es la Prediccin?

Arte y ciencia de predecir acontecimientos futuros.

Base de todas las decisiones empresariales:

Produccin.
Inventario.
Personal.
Instalaciones.
Mantenimiento.

Predecir es como manejar con los ojos cerrados siguiendo

las instrucciones de alguien que va sentado mirando por el
vidrio de atrs

Pronsticos y Planificacin Empresarial

INSUMOS
Condiciones del mercado
Panorama econmico
Otros factores

Errores de
pronsticos /
retroalimentacin

Mtodos o
modelos
de pronstico

PRONSTICO DE VENTAS
Pronstico de la demanda para
cada producto en cada perodo
de tiempo

RESULTADOS
Demanda estimada para
cada producto en cada
perodo de tiempo

Equipo de
Administracin

Pronstico de Recursos de la Produccin

ESTRATEGIA EMPRESARIAL

Marketing
Produccin
Finanzas

Largo Plazo
Capacidad
fabricas
Capital
Instalaciones
Otros

Mediano Plazo
Trabajadores
Materiales
Inventarios
Otros

Corto Plazo
Mano de obra
Capacidad
maquinas
Efectivo
Otros

Pronsticos versus Horizonte Temporal

Los pronsticos a medio y largo plazo tratan de asuntos

ms extensos, y apoyan las decisiones de gestin que
conciernen a la planificacin y los productos, las plantas
y los procesos.

Los pronsticos a corto plazo normalmente emplean

metodologas diferentes a las utilizadas en los
pronsticos a largo plazo.

Los pronsticos a corto plazo tienden a ser ms exactos

que los realizados a largo plazo.

Etapas en un sistema de pronsticos

Determinar la utilizacin del pronstico.

Seleccionar los artculos en los que se va a realizar el
pronstico.
Determinar el horizonte temporal del pronstico.
Seleccionar el (los) modelo(s) de pronstico.

Recogida de datos.
Realizar el pronstico.
Validar e implementar los resultados.

Realidades sobre los pronsticos

Raras veces los pronsticos son perfectos.

La mayora de las tcnicas de pronstico asumen que

existe cierta estabilidad sostenida en el sistema.
Tanto las predicciones de familias de productos como
las predicciones en conjunto son ms precisas que
los pronsticos de productos individuales.
Siempre que se pueda, es til relacionar el pronstico
con alguna variable macroeconmica

Demanda del producto o servicio

Demanda de un producto representada en un periodo de 4

aos con tendencia de crecimiento y estacionalidad

Picks estacionales

Componente de tendencia

Lnea de
demanda
actual
Demanda media en
cuatro aos
Variacin
aleatoria

Primer
ao

Segundo
ao

Tercer
ao

Cuarto
ao

Tipos de pronsticos

Mtodos cualitativos
Se emplean cuando la situacin no
es clara y existen pocos datos

Productos nuevos.
Nueva tecnologa.

Mtodos cuantitativos
Se utilizan cuando la situacin es
estable y existen datos
histricos:

Productos existentes.
Tecnologa actual.

Requieren intuicin y experiencia:

Por ejemplo, pronstico de

ventas a travs de Internet.

Opinin de expertos, Propuestas

Personal Comercial, Mtodo
Delphi, Estudios de mercado.

Requieren tcnicas matemticas:

Por ejemplo, el pronstico de las

ventas de vacunas antigripales.

Medias mviles, Alisado

exponencial, Proyeccin de
tendencia, Regresin lineal, ARIMA.

Mtodos Cualitativos
Opinin de Expertos

Requiere un pequeo grupo de directivos:

El grupo establece una estimacin conjunta de la demanda.

Combina la experiencia directiva con modelos estadsticos.

Es bastante rpido.

Desventaja del pensamiento en grupo o individual si se realiza

opinin del gerente.

Propuestas Personal Comercial

Cada vendedor estima las ventas que har.

Se combinan con los pronsticos a niveles de zonas y regiones con

los nacionales.

El representante de ventas conoce las necesidades de los

consumidores.

Tiende a ser bastante optimista o pesimista

Mtodo Delphi
Proceso de grupo iterativo.
Tres tipos de participantes:
Los que toman decisiones.
El personal de plantilla.
Los que responden.

Reduce el pensamiento en grupo.

Estudios de mercado

Preguntar a los consumidores sobre sus futuros planes de

compra.

Lo que dicen los consumidores y lo que hacen suele diferir.

A veces es difcil contestar a las preguntas del estudio.

Mtodos Cuantitativos
Pronstico
cuantitativo

Modelos
asociativos

Modelos de series
temporales

Media
mvil

Alisado
exponencial

Proyeccin
de tendencia

Regresin
lineal

Medidas de Error (1)

Desviacin Absoluta Media

Mean Absolute Deviation (MAD)

MAD =

|actual - forecast|
n

Error Cuadrtico Medio

Mean Squared Error (MSE)

MSE =

(forecast errors)2

Medidas de Error (2)

Error Porcentual Absoluto Medio

Mean Absolute Percent Error (MAPE)

n

100 |actuali - forecasti|/actuali

MAPE =

i=1

Definicin de Seal de Rastreo

RSFE
Tracking
=
signal
MAD

Tracking
signal

Suma continua de los errores de

previsin dividido por
Desviacin Absoluta Media

(actual demand in period i forecast demand in period i)

=

(|actual - forecast|/n)

Grficamente
15

Signal exceeding limit

Tracking signal
+

Upper control limit

Acceptable
range

0 MADs

Lower control limit

Time

Ejemplo Seal de Rastreo (1)

16

Qtr

1
2
3
4
5
6

Actual
Demand

90
95
115
100
125
140

Forecast
Demand

Error

RSFE

100
100
100
110
110
110

-10
-5
+15
-10
+15
+30

-10
-15
0
-10
+5
+35

Absolute
Forecast
Error

10
5
15
10
15
30

Cumulative
Absolute
Forecast
Error

10
15
30
40
55
85

MAD

10.0
7.5
10.0
10.0
11.0
14.2

Ejemplo Seal de Rastreo (2)

17

Qtr

1
2
3
4
5
6

Tracking
Actual Signal
Forecast
(RSFE/MAD)
Demand
Demand

Error

RSFE

90 -10/10
100
= -1
95 -15/7.5
100
= -2
115 0/10100
=0
100 -10/10
110
= -1
125+5/11 110
= +0.5
140
+35/14.2
110
= +2.5

-10
-5
+15
-10
+15
+30

-10
-15
0
-10
+5
+35

Absolute
Forecast
Error

10
5
15
10
15
30

Cumulative
Absolute
Forecast
Error

10
15
30
40
55
85

The variation of the tracking signal between -2.0 and +2.5 is

within acceptable limits

MAD

10.0
7.5
10.0
10.0
11.0
14.2

Modelos Medias Mviles

Las medias mviles son una serie de operaciones aritmticas.

Se utilizan si no hay tendencia o si sta es escasa.

Se suelen utilizar para el alisado:

Proporciona una impresin general de los datos a lo largo del tiempo.

Ecuacin:

MM

demanda de n

periodos previos

Ejemplo de media mvil

Usted es el director de una tienda de un museo que vende rplicas. Quiere
predecir las ventas del ao 2013 mediante una media mvil de 3 aos.
2008
4
2009
6
2010
5
2011
3
2012
7

Solucin Media Mvil

Ao
2008
2009
2010
2011
2012
2013

Respuesta
Yi
4
6
5
3
7
ND

Media
Media mvil
mvil total
(n=3)
(n=3)
ND
ND
ND
ND
ND
ND
4+6+5=15
15/3 = 5

Solucin Media Mvil

Ao
2008
2009
2010
2011
2012
2013

Respuesta
Yi
4
6
5
3
7
ND

Media
Media mvil
mvil total
(n=3)
(n=3)
ND
ND
ND
ND
ND
ND
4+6+5=15
15/3 = 5
6+5+3=14 14/3=4 2/3

Solucin Media Mvil

Ao
2008
2009
2010
2011
2012
2013

Respuesta
Yi
4
6
5
3
7
ND

Media
Media mvil
mvil total
(n=3)
(n=3)
ND
ND
ND
ND
ND
ND
4+6+5=15 15/3=5,0
6+5+3=14 14/3=4,7
5+3+7=15 15/3=5,0

Ejemplo: Media Mvil

Medias mviles
Meses

Ordenes

3-mo

5-mo

Jan

120

Feb

90

Mar

100

Apr

75

103.3

May

110

88.3

June

50

95.0

91.0

July

75

78.3

85.0

Aug

130

78.3

82.0

Sept

110

85.0

88.0

Oct

90

105.0

95.0

Nov

110.0

91.0

MA

D
i 1

3
100 90 120

103.3
3
5

MA

D
i 1

5
90 110 130 75 50

91
5

Medias Mviles

Media Mvil Ponderada

24

Se utiliza cuando se presenta una

tendencia:

Los datos anteriores suelen carecer de

importancia.

Las ponderaciones suelen basarse en la

intuicin:
Se

puede utilizar escala 0 a 1, y a la

suma de 1,0.

Ecuacin:
Media
mvil (ponderacin para el periodo n) (demanda en el periodo n)
ponderada =
ponderaciones

25

Ejemplo: Media Mvil

Ponderada

Month

January
February
March
April
May
June
July

Actual
Shed Sales

10
12
13
16
19
23
26

3-Month Weighted
Moving Average

[(3 x 13) + (2 x 12) + (10)]/6 = 121/6

[(3 x 16) + (2 x 13) + (12)]/6 = 141/3
[(3 x 19) + (2 x 16) + (13)]/6 = 17
[(3 x 23) + (2 x 19) + (16)]/6 = 201/2

Solucin Grfica
26

Weighted
moving
average

Sales demand

30
25
20

Actual
sales

15
Moving
average

10
5
|
J

|
F

|
M

|
A

|
M

|
J

|
J

|
A

|
S

|
O

|
N

|
D

Alisado Exponencial (1)

27

Es una tcnica de previsin de media mvil

ponderada:
Las

ponderaciones disminuyen
exponencialmente.
Se ponderan ms los datos ms recientes.

Se necesita una constante de alisado ():

Toma

valores entre 0 y 1.
Se escoge de forma subjetiva.

Necesita una cantidad reducida de datos

histricos.

Alisando Exponencial (2)

28

New forecast = last periods forecast

+ (last periods actual demand
last periods forecast)
Ft = Ft 1 + (At 1 - Ft 1)
where

Ft =
Ft 1 =
=

new forecast
previous forecast
smoothing (or weighting)
constant (0 1)

29

Ecuaciones de Alisado
Exponencial

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

+ (1- )3At - 4 + ... + (1- )t-1A0
Ft = Valor de la previsin
At = Valor real
= Constante de alisado

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

Se utiliza para calcular la previsin.

Ejemplo: Alisado Exponencial

30

Ao Real

Previsin,Ft
( = 0,10)

180

175,00 (Dado)

168

175,00 + 0,10(180 - 175,00) = 175,50

159

175,50 + 0,10(168 - 175,50) = 174,75

175

174,75 + 0,10(159 - 174,75) = 173,18

190

173,18 + 0,10(175 - 173,18) = 173,36

ND

173,36 + 0,10(190 - 173,36) = 175,02

Grficamente
31

Ventas
190
180
170
160
150
140

Real

Previsin

3
Ao

Comparando el Error

Quarter

Actual
Tonnage
Unloaded

Rounded
Forecast
with
= .10

1
2
3
4
5
6
7
8

180
168
159
175
190
205
180
182

175
176
175
173
173
175
178
178
MAD
MSE
MAPE

Absolute
Deviation
for
= .10

5
8
16
2
17
30
2
4
84
10.50
194.75
5.70%

Rounded
Forecast
with
= .50

175
178
173
166
170
180
193
186

Absolute
Deviation
for
= .50

5
10
14
9
20
25
13
4
100
12.50
201.50
6.85%

Calculando los ndices de

error:
Desviacin Absoluta Media
MAD =

Error Porcentual Absoluto Medio

n

|deviations|

100 |deviationi|/actuali

MAPE =

For = .10
= 84/8 = 10.50

For = .50
= 100/8 = 12.50

MSE =

i= 1

For = .10
= 45.62/8 = 5.70%
For = .50
= 54.8/8 = 6.85%

(forecast errors)2
n

For = .10
= 1,558/8 = 194.75

For = .50
= 1,612/8 = 201.50

Error Cuadrado Medio

Valores de la variable dependiente

Mtodo de mnimos cuadrados (MMC)

Observacin
real

Desviacin

Desviacin
Desviacin
Desviacin

Desviacin

Desviacin

Y a bx
Periodo de tiempo

Desviacin

Punto en
la lnea
de
tendencia

Demanda real y lnea de tendencia

Demanda

180
160
140

Y = 56,70+ 10,54X

120
100
80
60
40
20
0

Demanda real

Perodo de tiempo

10

Anlisis de Regresin Lineal Simple (RLS)

Se usa para prever la lnea de tendencia lineal.

Supone una relacin entre la variable de respuesta, Y, y el

periodo de tiempo, X, que es una funcin lineal:

Se calcula mediante el mtodo de los mnimos cuadrados:

Minimiza la suma de errores cuadrticos.

Y$i a bXi

a y bx

xi yi nx y

i 1
n

xi2 nx 2

i 1

Variacin de los errores aleatorios

Variacin del Y real a partir del Y

proyectado.

Se mide mediante el error estndar de la

estimacin:

Muestra los errores de la desviacin estndar.

SY,X

Afecta a varios factores:

Significado del parmetro.

Precisin de la prediccin.

(yi y i

S y,x i

yi

yi b x i yi

Suposiciones de los mnimos cuadrados

Se supone que la relacin es lineal. Primero trace los datos, si existe

la curva, utilice el anlisis de curva.

Se supone que la relacin slo se sustenta dentro o justo fuera del

campo de datos. No trate de predecir periodos de tiempo lejanos al
campo de la base de datos.

Se supone que las desviaciones que rodean a la lnea de los mnimos

cuadrados son aleatorias.

Correlacin entre variables

Respuestas: Qu intensidad tiene la relacin lineal entre las

variables?

El coeficiente de correlacin se identifica normalmente como r .

Los valores varan entre -1 y +1 .
Mide el grado de asociacin.

Se usa principalmente para comprender.

n x i yi x i yi
n n n n
n x i x i n yi yi
i i
i
i

Grficamente
y

40

(a) Perfect positive

correlation:
r = +1

(b) Positive
correlation:
0<r<1

y
y

(c) No correlation:
r=0

(d) Perfect negative

correlation:
r = -1

Ejemplo Modelo de RLS

x
1
2
3
4
5
6
7
8
9
10
11
12
78

y
37
40
41
37
45
50
43
47
56
52
55
54
557

xy
37
80
123
148
225
300
301
376
504
520
605
648
3867

x2
1
4
9
16
25
36
49
64
81
100
121
144
650

78
6.5
12
557
y
46.42
12
xy nx y 3,867 (12)(6.5)(46.42)

1.72
2
2
2
650 12(6.5)
x nx
x

a y bx 46.42 (1.72)(6.5) 35.2

y 35.2 1.72 x
y13 35.2 1.72(13) 57.56

Grfico Modelo RLS

ING. CIVIL INDUSTRIAL

Pronstico en el sector servicios

Presenta algunas complicaciones:
Especial necesidad de datos a corto plazo.
Las necesidades varan mucho en funcin de la industria y del producto.

Vacaciones y calendario.
Eventos poco comunes.
20
Ventas por Hora
en un Fast Food

15

10

0
+11-12
11-12 12-1 +1-2
1-2

2-3

+3-4
3-4

4-5

+5-6
5-6

6-7

+7-8
7-8

8-9+9-10
9-10 10-11

AOPI MODELOS DE
PREVISIN
Dr. Ing. Aldo Cea Ramrez