1 / 28

UNIVERSIDAD DE SONORA UNIDAD REGIONAL NORTE

UNIVERSIDAD DE SONORA UNIDAD REGIONAL NORTE. PROGRAMA DE ING.INDUSTRIAL Y DE SISTEMAS  PLANEACION Y CONTROL DE LA PRODUCCION PRONOSTICOS CUANTITATIVOS (SERIES DE TIEMPO ) CAMACHO MORENO JESUS f. YARA MARLENE YON MAZON RAMON G. RODRIGUEZ GONZALEZ . - promedio simple

bracha
Download Presentation

UNIVERSIDAD DE SONORA UNIDAD REGIONAL NORTE

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. UNIVERSIDAD DE SONORA UNIDAD REGIONAL NORTE PROGRAMA DE ING.INDUSTRIAL Y DE SISTEMAS  PLANEACION Y CONTROL DE LA PRODUCCION PRONOSTICOS CUANTITATIVOS (SERIES DE TIEMPO ) CAMACHO MORENO JESUS f. YARA MARLENE YON MAZON RAMON G. RODRIGUEZ GONZALEZ.

  2. - promedio simple • - promedio móvil simple • promedio ponderado simple • Suavización exponencial • Box-Jenkins • Proyección de tendencias En el lenguaje de empresarial, se suele entender como pronóstico la estimación anticipada del valor de una variable. * SERIE DE TIEMPO PRONÓSTICOS CUANTITATIVOS • Regresión simple • Regresión Múltiple • Indicadores principales • Modelos econométricos * CAUSALES

  3. Pronóstico cuantitativo de series de tiempo . " Este hace una extrapolación del pasado o se utiliza cuando se cuenta con suficientes datos estadísticos y confiables para especificar las relaciones existentes entre variables fundamentales." Extrapolación : Aplicar una cosa conocida a otro dominio para obtener consecuencias o hipótesis

  4. SELECCIÓN DE UNA TÉCNICA PARA ESTABLECER UN PRONÓSTICO Factores a considerar: • * PATRÓN LOS DATOS • * DISPONIBILIDAD DE LA INFORMACIÓN • * PERÍODO • presencia de tendencia, ciclo, • variación estacional, o alguna • combinación de ellos • Datos históricos--¿de cuántos períodos? • ¿con qué frecuencia? • variables disponibles exactitud de los datos • (confiabilidad) • puntualidad de los datos (relevancia) • inmediato (< 1 mes) • corto plazo (1-3 meses) • medio plazo (>3 meses y < 2 años) • largo plazo (≥2 años) • * EXACTITUD DESEADA • * COSTO DEL PRONÓSTICO • costo de desarrollar el modelo complejidad • costo de conseguir los datos necesarios • costo de la operación real de la técnica • tipo de software requerido • ¿Es aceptable un error de 20%? • ¿10%? • ¿5%? • 1%?

  5. PROMEDIO SIMPLE Un promedio simple (PS) es un promedio de los datos del pasado en el cuál las demandas de todos los períodos anteriores tienen el mismo peso relativo. Sé calcula de la siguiente forma: Donde : D1 = demanda del periodo más reciente D2 = demanda que ocurrió hace dos periodos Dk = demanda que ocurrió hace k periodos Cuando se usa un promedio simple para crear un pronóstico, las demandas de todos los periodos anteriores tienen la misma influencia para determinar el promedio.

  6. EJEMPLO : - promedio simple En Welds Supplies la demanda total para un nuevo electrodo ha sido de 50,60, y 40 docenas en cada uno de los últimos trimestres. La demanda promedio ha sido: 50 UNID. CON ESTO PODEMOS CONCLUIR QUE NUESTRO PEDIDO PARA EL PROXIMO TRIMESTRE ES DE 50 UNIDADES.

  7. 1. Promedio Móvil Simple (PMS) Esta técnica sirve para calcular el pronóstico de ventas para el siguiente periodo exclusivamente, como su nombre lo indica es un promedio que se obtiene n datos; para definir en forma práctica cuál será el mejor resultado, se deberá tomar en cuenta el de menor error al cuadrado < (D-P)2..

  8. Promedio Móvil Simple (PMS) Ejemplo: La empresa Tanasi S.A. de C.V. desea elaborar el pronóstico de ventas (o de la demanda ) para uno de sus productos de mayor demanda en el mercado se le conoce como “Colchón Cielo “, este pronóstico de la demanda se requiere, para el mes de agosto para lo cual se debe considerar que n= 2, 3, 4. sabiendo el comportamiento de las ventas de enero a julio del presente año.

  9. Pronósticos de Ventas. Promedio Móvil Simple (PMS) cuando n=2

  10. 1. Promedio Móvil Simple (PMS) cuando n=3

  11. 1. Promedio Móvil Simple (PMS) cuando n=4 En base a esta técnica podemos decir en conclusión que el mejor pronóstico es de 45 unidades porque (D-P)2 es menor con respecto a los otros datos.

  12. Media móvil ponderada Algunas veces quien hace los pronósticos desea utilizar una media móvil pero no quiere que todos los n periodos tengan el mismo peso. Una medida móvil ponderada (MMP) es un modelo de media móvil que incorpora algún peso de la demanda anterior distinto a un peso igual para todos los periodos anteriores bajo consideración, la representación de este modelo es el siguiente: Demanda de cada periodo por un peso MMP = determinado, sumada a los largo de todos los Periodos en la media móvil * Donde

  13. Ejemplo Media móvil ponderada Para LG, un pronóstico de la demanda para julio usando un modelo de tres periodos en donde la demanda del periodo más reciente tenga un peso del doble de los dos periodos anteriores, tendrá la siguiente forma MMP = 525 Este es un modelo que permite un peso desigual de la demanda. Si son tres n periodos, es posible dar peso al periodo más reciente del doble de los otros periodos, al hacer C1 =.25, C2 = .25 y C3 = .50

  14. Suavización exponencial • Es similar al promedio móvil y da un mayor peso exponencial a los datos mas recientes. Bien adaptado para usarse en computadoras y cuando es necesario pronosticar un gran numero de artículos. F t = F t-1 + α (A t-1 - F t-1) Donde: F t = nuevo pronóstico F t-1 = pronóstico anterior A t-1 = demanda real en el periodo anterior

  15. Ejemplo En Enero, un distribuidor de automóviles predijo que la demanda para Febrero sería de 142 camionetas Ford. La demanda real de febrero fue de 153 autos. Si empleamos la constante de suavizado que eligió la administración , α = 0.20, podemos pronosticar la demanda de marzo mediante el modelo de suavizamiento exponencial. Sustituyendo los datos del ejemplo en la fórmula, obtenemos: Nuevo pronóstico (para la demanda de marzo) F t = F t-1 + α (A t-1 - F t-1) F t = 142 + 0.20 (153 – 142) F t = 142 + 2.2 F t = 144.2 α siempre será dada. Se encuentra en un intervalo entre 0,05 y 0,50. Si α es alta, o sea 0,5 el pronóstico se basa en los datos más recientes. Si α es baja, o sea 0,1el pronóstico da poca importancia a la demanda reciente y toma en cuenta los valores históricos de muchos períodos.

  16. Box-Jenkins • Box-Jenkins consiste en proponer un conjunto de procedimientos para escoger entre varios modelos, agrupados en tres clases distintas, que se ajusten a los datos de una serie de tiempo observada para después pronosticar valores futuros de la misma. Estos modelos estan basados en funciones lineales de las observaciones. • El objetivo es encontrar el modelo mas simple que proporcione la mejor descripción de los datos de la serie y calcular el pronostico.

  17. Metodología Box-Jenkins 1. Identificación tentativa del modelo 2. Estimación de los parámetros del modelo • Evaluación de diagnósticos para comprobar si el modelo es adecuado; • mejorar el modelo si es necesario. 4. Generación de Pronósticos

  18. Proyección de tendencias • Método de pronostico de series de tiempo que ajusta una recta de tendencia a una serie de datos históricos y después proyecta la recta al futuro para pronosticar. • Si calculamos la pendiente y la ordenada, expresamos la recta con la siguiente ecuación: • ŷ = a + bx • Donde • ŷ= valor calculado de la variable que debe predecirse(variable dependiente) • a= ordenada • b= pendiente de la recta de regresion (o la tasa de cambio en y para los cambios dados en x) • x= variable independiente (ej. Tiempo)

  19. Los profesionales de estadísticas han desarrollado ecuaciones que se utilizan para encontrar los valores de a y b para cualquier recta de regresión. La pendiente b se encuentra mediante: Donde: b = pendiente de la recta de regresión. x = valores conocidos de la variable independiente. y = valores conocidos de la variable dependiente. x = promedio del valor de las x. ȳ = promedio del valor de las y. n = número de datos puntuales u observaciones. Ʃ= signo de suma

  20. Calculamos la ordenada a: • Para calcular x y yutilizamos las siguientes formulas: Veamos un ejemplo para aplicar estos conceptos:

  21. Ejemplo • A continuación se muestra la demanda de energía eléctrica en la ciudad de Puerto Montt, durante el año 1997 al 2003, en kilowatt. El Jefe de Operaciones de la empresa SAESA , debe pronosticar la demanda para el 2004 ajustando una recta de tendencia a estos datos.

  22. Para simplificar, transformamos los valores de x (tiempo) en números mas sencillos, como 1,2,3,4,…

  23. Así, la ecuación de mínimos cuadrados para la tendencia es y = 56.70 + 10.54 x . Para proyectar la demanda en el 2004, primero denotamos el año 2004 en el nuevo sistema de códigos como x = 8. Demanda en el 2004 = 56.70 + 10.54 (8) = 141.02 o 141 Kilowatt.

  24. Para estimar la demanda del año 2005 agregamos x=9 en la misma ecuación. • Demanda en el 2005 = 56,70 + 10,54 (9) = 151.56 o 152 Kilowatt.

  25. Para comprobar la validez del modelo, graficamos la demanda histórica y la recta de tendencia. En este caso debemos tener cuidado y tratar de comprender el cambio en la demanda de 2002 a 2003. 

  26. - CONCLUSION - " Si nosotros contamos con una buena base de información confiable podemos anteponernos a futuros cambios en nuestros procesos reducción a un máximo nivel la incertidumbre y nuestro margen de error esto gracias a realizar un buen pronostico"

  27. GRACIAS!.....

  28. * BIBLIOGRAFIA * http://sunwc.cepade.es/~jrivera/org_temas/metodos/prospectiva/pronostic_method.htm http://sistemas.itlp.edu.mx/tutoriales/procesoadmvo/tema2_9.htm http://www.monografias.com/trabajos13/placo/placo.shtml

More Related