Elaboracion y Evaluacion de Proyectos

ELABORACION Y EVALUACION DE PROYECTOS
Tema N 05: ESTUDIO DE MERCADO Y DISPONIBILIDAD DE MATERIA PRIMA II

Ing. Jos Manuel Garca Pantigozo
calidadtotal@hotmail.com
2012 - I
1
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.
3
ORIENTACION GERENCIAL
Una organizacin de respuesta sensible rpida (ORSP) contra sus esfuerzos de planeacin estratgica en responder 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.
12
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.
13
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.
14
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.
16
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).
18
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.
20
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
21
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.
22
COMPONENTES DE LAS SERIES DE TIEMPO
Tendencia
Cclica
Estacional
Aleatori o
23
METODOS CUANTITATIVOS
Mtodo Cuantitativo Modelos Serie de Tiempos Modelos Causales
Promedio Mvil
Suavizado Exponencial
Proyecci n 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.
26
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.
27
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
29
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.
30
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
MODELOS DE SERIE DE TIEMPOS

32
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.
33
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
34
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 2009 utilizando un perodo de 3 de media mvil.
2004 2005 2006 2007 2008 4 6 5 3 7
35
SOLUCION DEL PROMEDIO MOVIL SIMPLE

Response Moving Total Moving Time Yi (n = 3) Avg. (n = 3) 2004 4 2005 6 2006 5 2007 3 2008 7 2009 NA
36
NA NA NA 4 + 6 + 5 = 15
NA NA NA
Response Moving Total Moving Time Yi (n = 3) Avg. (n = 3) 2004 4 2005 6 2006 5 2007 3 2008 7 2009 NA
37
NA NA NA 6 + 5 + 3 = 14
NA NA NA
4 + 6 + 5 = 15 15/3 = 5.0
Ao
Respuesta Movil Total Movil Yi (n = 3) Prom.( = 3) n NA NA NA NA NA NA
2004 4 2005 6 2006 5 2007 3 2008 7 2009 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

38
GRAFICO DEL PROMEDIO MOVIL SIMPLE
Ventas 8 6 4 2 0 04 05
Actual
Pronstic o
06 07 Ao
08
09
39
PROMEDIO SIMPLE CON WINQSB 2
40
41
42
43
PROMEDIO MOVIL SIMPLE CON WINQSB 2
44
45
46
47
48
PROMEDIO MOVIL PONDERADO

Se utiliza cuando existe una tendencia o patrn, los pesos pueden ser utilizados para poner mayor enfsis 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
49
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
50
DESVENTAJAS DEL PROMEDIO MOVIL

Al incrementar n pronsticos, hace a este sensitivo a los cambios. No pronostica tendencias. Requiere muchos datos histricos
51
PROMEDIO MOVIL PONDERADO CON WINQSB 2
52
53
54
55
56
57
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
58
4 47
Actual sales Moving average
Figure 4.2
2006 Prentice Hall, Inc.
MODELOS DE SUAVIZADO EXPONENCIAL

59
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)

60
EJEMPLO DE SUAVIZADO EXPONENCIAL

Se esta organizando una reunin en Kwanza. Se espera pronosticar la atencin del ao 2009 ( = .10). En 2004 el pronstico fu 175. 2004 180 2005 168 2006 159 2007 175 2008 190
61
Ft = Ft-1 + a (At-1 - Ft-1)

Ao Actual 2004 2005 2006 2007 180 168 159 175 PronsticoFt (a = .10) 175.00 (Base)
175.00 +
2008
2009
190
NA
62
Ft = Ft-1 + a (At-1 - Ft-1)

Ao
Actual 180 168 159 175
Pronstico Ft (a = .10) 175.00 (Base) 175.00 + .10(
2004 2005 2006 2007
2008
2009
190
NA
63
Ft = Ft-1 + a (At-1 - Ft-1)

Ao Actual 2004 2005 2006 2007 180 168 159 175 175.00 + .10(180 Pronstico Ft (a = .10) 175.00 (Base)
2008
2009
190
NA
64
Ft = Ft-1 + a (At-1 - Ft-1)

Ao 2004 2005 2006 2007 Actual 180 168 159 175 Pronstico Ft (a = .10) 175.00 (Base) 175.00 + .10(180 - 175.00)
2008
2009
190
NA
65
Ft = Ft-1 + a (At-1 - Ft-1)

Ao Actual 2004 2005 2006 2007 180 168 159 175 Pronstico Ft ( = .10) 175.00 (Base) 175.00 + .10(180 - 175.00) = 175.50
2008
2009
190
NA
66
Ft = Ft-1 + a (At-1 - Ft-1)

Ao 2004 2005 2006 2007 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
2008
2009
190
NA
67
Ft = Ft-1 + a (At-1 - Ft-1)

Ao 2004 2005 2006 2007 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
2008
2009
190
NA
68
Ft = Ft-1 + a (At-1 - Ft-1)

2008
2009
190
NA
173.18 + .10(175 - 173.18) = 173.36

69
Ft = Ft-1 + a (At-1 - Ft-1)

2008
2009
190
NA
173.18 + .10(175 - 173.18) = 173.36

173.36 + .10(190 - 173.36) = 175.02
70
GRAFICO DE SUAVIZADO EXPONENCIAL
Ventas 190 180 170 160 150 140 04 05
Actual
Pronstico
06 07 Ao
08
09
71
EFECTO EN EL PRONOSTICO DE LA CONSTANTE DE SUAVIZADO
Ft = At - 1 + (1- )At - 2 + (1- )2At - 3 + ...

Pesos
=
= 0.10 = 0.90
72
Prior Period
2 periods ago 3 periods ago (1 ) (1 )2
10%
Ft = At - 1 + (1- ) At - 2 + (1- )2At - 3 + ...

Pesos
=
= 0.10 = 0.90
73
Prior Period
10%
9%
Ft = At - 1 + (1- )At - 2 + (1- )2At - 3 + ...

Pesos
=
= 0.10 = 0.90
74
Prior Period
10%
9%
8.1%
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%
75
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%
76
Ft = At - 1 + (1- ) At - 2 + (1- )2At - 3 + ...

Pesos
=
Prior Period 2 periods ago 3 periods ago (1 = 0.10 = 0.90 ) (1 )2
10% 90%
9%
9%
8.1%
0.9%
77
IMPACTO DE
250 200
Actual Tonage
Forecast (0.5) Actual Forecast (0.1)
150 100 50 0 1 2
5 Quarter
9
78
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 Venta s 400
2 470
3 500
4 530
5 560
6 595
79
80
81
82
83
84
PROYECCIONES DE TENDENCIA
Las tendencias pueden ser o no lineales. Sin embargo, las tendencias lineales son imparciales y la mayora de las personas encuentra fcil trabajar con ellas. Linea de tendencia lineal: Ft = a+bt
b = (xy-nxy) (x2 nx2)
a = y - bx
Donde: t = nmero de perodos siguientes al perodo base. Ft = demanda estimada para el perodo t a = demanda para el periodo base. b = pendiente de la lnea de tendencia.
85
PROYECCIONES DE TEMPORADA
Las proyecciones de temporada se dan para un perodo dado: IBM al igual que muchas empresas, experimenta la demanda de temporada, como puede observarse en el ejemplo 6 de la pagina 61. Pronstico=Indice Estacional *Pronostico de la tendencia Estacional
86
MODELOS DE SUAVIZADO EXPONENCIAL CON WINQSB2

87
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:
88

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.
89

Regresion lineal (Linear Regression)
90

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.
91
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

92

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.
93

Luego introducimos los datos de los vehculos en estricto orden:
94

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).
95

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:
96

La nueva ventana permitir distinguir entre diferentes mtodos de solucin para seres de tiempo:
97

Seleccionaremos la opcin Suavizado exponencial simple (Single Exponential Smoothing) e indicaremos informacin adicional para resolver el problema con este mtodo:
98

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.
99

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).
100

Al pulsar OK tenemos:
101

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.
102
103
MEDIDAS PARA CALCULAR EL ERROR GLOBAL DEL PRONSTICO

104
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.
105
ERROR DE PRONOSTICO Al dato Ai se le resta el pronostico Fi
Forecast Error = (Actual Data - Pronstico)
106
107
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
=
i= 1
Et
108
ERROR DE PRONOSTICO ACUMULADO (CFE)
Sumatoria pronostico.
de
los
errores
de
CFE = (Forecast Error )

109
110
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
n
i =1
MAD =
Demanda actual-Demanda pronosticada
n
111
Veamos un ejemplo
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.
112

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
113

Pronstico Toneladas reales descargadas 180 168 159 175 190 205 180 182 ? Redondeado con = 0,10 175
Pronstico del periodo anterior Pronstico del periodo anterior
Pronstico Redondeado con = 0,50 175
Trimestre 1 2 3 4 5 6 7 8 9
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. 114

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 10,50
100 12,50
MAD =
desviaciones n
Con base en este anlisis, una constante de suavizado de =0,10 es preferible a = 0,50 por que su MAD es ms pequea. 115 Se debe encontrar la constante de suavizado con el menor error
225
Demand
200
Actual demand
= .5
175
= .1
150 | 1 | 2 | 3 | 4 | 5 Quarter
116
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 117
ERROR CUADRATICO MEDIO (MSE)

Toneladas reales Trimestre Descargadas Pronstico Redondeado con =0,10 175 176 175 173 173 175 178 178
2
(Error)
2
1 2 3 4 5 6 7 8
180 168 159 175 190 205 180 182
5 = 25
2
2
(-8) = 64 (-16) = 256 (2)2 = 4 17 30 2 4

2 2 2 2
= 289 = 900 =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.118
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 119
ERROR PORCENTUAL ABSOLUTO MEDIO (MAPE)

Toneladas reales Trimestre Descargadas Pronstico Redondeado Error porcentual Absoluto 100 ( error / real)
con =0,10
175 176 175 173 173 175 178 178
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 120 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:
i =1
Demanda actual-Demanda pronosticada

MAD
121
MODELOS DE SERIE DE REGRESION LINEAL

122
MODELO CAUSAL
A diferencia de los modelos de serie, los modelos causales identifican y miden directamente los efectos de las fuerzas especificas que influyen en la demanda. Por tanto, son mas apropiados para predecir y evaluar los efectos de las decisiones que toma la empresa (p.e. cambios en la publicidad o en los precios ) que las tcnicas de series de tiempos. Dentro de los modelos causales tenemos a la regresin lineal.
123
ANALISIS DE REGRESION LINEAL
La relacin entre una variable independiente, X, y una variable dependiente, Y. Asumido para ser lineal (una lnea recta)
Ecuacin:
Y = a + bX
Y = variable dependiente X = variable independente a = intercepta al eje y b = pendiente de la regresin
124
GRAFICO DE REGRESION LINEAL

Ventas 4 3 2 1 0 04
Ventas Vs Tiempo
05
06
07
08
Tiempo
126
ANALISIS DE REGRESION LINEAL

Equacin:
Yi a bx i
n
Constante:
b in
i
x i y i nx y xi nx
Y-Intercepta: a y bx
127
ECUACION DE REGRESIN
Determinar la Ecuacin de la Linea de Regresin; Y = a + bX Usada para predecir el valor de la Variable Dependiente (Y) basado en los valores de la Variable Independiente (X).
b a
n( XY ) ( X )( Y ) n( X 2 ) ( X ) 2 Y X b n n
Variable Dependiente (Y): La variable que queremos estimar o predecir.

Variable Independiente (X): La variable que se usa para 128 hacer la prediccin o estimacin.
TABLA DE REGRESION LINEAL
Xi
X1
Yi
Y1
X2 :
Xn
Y2 :
Yn
2 Xi 2 X1 2 X2
2 Yi 2 Y1 2 Y2
XiYi
X1Y1
X2Y2 :
XnYn
:
2 Xn 2 Xi
:
2 Yn 2 Yi
Xi
Yi
XiYi
129
EJEMPLO DE REGRESION LINEAL

David Castillo es dueo de una compaa constructora en Los ngeles. El se ha percatado que el volumen de ventas es dependiente de la nomina en el rea de Los ngeles. La siguiente tabla de datos enumera los ingresos y la nomina de los trabajadores en Los ngeles durante el 2003 y 2008.
Aos Ventas de David Castillo (US$ 000 000),y 000),x
Nmina Local (US$ 000 000
2003 2.0 2004 3.0 2005 2.5 2006 2.0 2007 2.0 2008 3.5 Cul es la tendencia de la ecuacin?
1 3 4 2 1 7
130
EJEMPLO DE REGRESION LINEAL

Ventas,y 2,00 3,00 2,50 2,00 2,00 Nmina,x 1 3 4 2 1 x2 1 9 16 4 1 xy 2,0 9.0 10.0 4.0 2.0
3,50
15.0
7
18
49
80
24.5
51.5
131
Substituya la siguiente formula para encontrar b.
XY X
2
nXY nX
2
51.5 6(3)(2.5) 80 6(9)
0.25
Substituya la siguiente formula para encontrar a.
a
a
bX
132
2.5 0.25(3) 1.75
Substituya la siguiente formula para encontrar Y.
Y
Y
a bx
1.75 0.25 x
Reemplazamos valores si los ingresos son: US$ 6000,0000,000.00
1.75 0.25(6)
Dando como resultados ventas por el monto 133 de US$ 325,000.00
ERROR ESTNDAR DE ESTIMACION

El Error Estndar del Estimacin mide la dispersin o variabilidad de los datos alrededor de la linea de regresin. Las frmulas usadas para calcular el Error Estndar son:
SY X
(Y Y ') n 2 Y
2
a ( Y ) b( XY ) n 2
134
ERROR ESTNDAR DE ESTIMACION

Calcular el error estandar de la estimacion para los datos de Castillo en el ejemplo anterior. Para facilitar el tenemos que Y2 = 39.5
S y.x =
39.5 -1.75(15.0) 0.25(51.5) 6-2
S y.x = 0.306 (en ciento de miles de US$)

El error estndar de estimacin es US$
135
COEFICIENTE DE CORRELACION
Calculamos el coeficiente de correlacion para los datos de Castillo en el ejemplo anterior. Para facilitar el tenemos que Y2 = 39.5
r
2
b Y
2
XY nY
2
nY
1.75(15.0) 0.25(51.5) 6(2.5) 39.5 6(2.5)

r 0.901
0.9492
136
MODELOS DE SERIE DE REGRESION LINEAL CON WINQSB2 EJEMPLO 02
137
EJEMPLO DE REGRESIN LINEAL

Predecir el valor de Y para un X de 40 si se tienen los siguiente datos:
138

En la ventana Especificaciones del problema (Problem Specification), seleccionamos Regresin lineal (Linear Regression) y digitamos la siguiente informacin:
139

Ingresamos los datos del problema como se muestra a continuacin (factor 1 equivale a X):
140

En el men Resolver y analizar (Solve and Analyze) elegimos la opcin disponible:
141

En la siguiente ventana se especifica cual es la variable dependiente, para lo cual, se deber marcar el factor 2 (que para nuestro caso es Y) y luego pulsar el botn OK.
142

Los resultados de la regresin se muestran de la siguiente forma:
143

Las medias de las variables aparecen en la columna llamada Mean X = 1515,833 y Y = 22,5 Las desviaciones correspondientes estn en la columna Standard Deviation (9,35 para X y 403,34 para Y). Los valores de a y b de la ecuacin de la lnea recta estn en la columna Regression Coefficient: Y = 553,4762 + 42,7714X La correlacin al cuadrado es de 0,9839438.
144

LA ECUACIN DE LA RECTA EN MODO GRFICO Para observar el mapa de dispersin y la lnea de tendencia simplemente accederemos al men Resultados (Results) y seleccionamos Mostrar regresin lineal (Show Regression Line).
145
146

ESTIMANDO Y
Para estimar el valor de Y para un X de 40 deberemos cerrar las ventanas de resultado y en el men Resolver y analizar (Solve and Analyze) pulsamos sobre la ltima opcin:
147

ESTIMANDO Y Para estimar el valor de Y para un X de 40 deberemos cerrar las ventanas de resultado y en el men Resolver y analizar (Solve and Analyze) pulsamos sobre la ltima opcin:
148

ESTIMANDO Y Pulsamos sobre el botn Entrar valor de la variable independiente (Enter Value for Independent Variable) e ingresamos 40::
149

ESTIMANDO Y Pulsamos el botn OK en ambas ventanas.
150
MODELOS DE SERIE DE REGRESION LINEAL CON WINQSB2 EJEMPLO 03
151

Predecir el valor de Y para un X de 40 si se tienen los siguiente datos:
152

En la ventana Especificaciones del problema (Problem Specification), seleccionamos Regresin lineal (Linear Regression) y digitamos la siguiente informacin:
153

Ingresamos los datos del problema como se muestra a continuacin (factor 1 equivale a X):
154

En el men Resolver y analizar (Solve and Analyze) elegimos la opcin disponible:
155

En la siguiente ventana se especifica cual es la variable dependiente, para lo cual, se deber marcar el factor 1 (que para nuestro caso es Y) y luego pulsar el botn OK.
156

Los resultados de la regresin se muestran de la siguiente forma:
157

Las medias de las variables aparecen en la columna llamada Mean X = 3.0000 y Y = 2.5000 Las desviaciones correspondientes estn en la columna Standard Deviation (2.2804 para X y 0.6325 para Y). Los valores de a y b de la ecuacin de la lnea recta estn en la columna Regression Coefficient: Y = 1.7500 + 0.2500X La correlacin al cuadrado es de 0,98125
158

LA ECUACIN DE LA RECTA EN MODO GRFICO Para observar el mapa de dispersin y la lnea de tendencia simplemente accederemos al men Resultados (Results) y seleccionamos Mostrar regresin lineal (Show Regression Line).
159
160

ESTIMANDO Y
Para estimar el valor de Y para un X de 6 deberemos cerrar las ventanas de resultado y en el men Resolver y analizar (Solve and Analyze) pulsamos sobre la ltima opcin:
161

ESTIMANDO Y Para estimar el valor de Y para un X de 60 deberemos cerrar las ventanas de resultado y en el men Resolver y analizar (Solve and Analyze) pulsamos sobre la ltima opcin:
162

ESTIMANDO Y Pulsamos sobre el botn Entrar valor de la variable independiente (Enter Value for Independent Variable) e ingresamos 6 :
163

ESTIMANDO Y Pulsamos el botn OK en ambas ventanas.
164

Elaboracion y Evaluacion de Proyectos - Clase #05

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Elaboracion y Evaluacion de Proyectos - Clase #05

Încărcat de

Drepturi de autor:

Formate disponibile

Tema N 05: ESTUDIO DE MERCADO Y DISPONIBILIDAD DE MATERIA PRIMA II

OBJETIVO DEL APRENDIZAJE

PRONSTICOS PARTE INTEGRAL DEL PLANEAMIENTO DE NEGOCIOS

Pronstico de Recursos de Produccin

EJEMPLOS DE PRONSTICOS DE RECURSOS DE PRODUCCIN

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

Rango Alto Rango Medio Rango Corto

Productos Especificos Semanas Capacidad de Maq.

TIPOS DE PRONOSTICO POR HORIZONTE DE TIEMPO

TIPOS DE PRONSTICOS Econmicos Tecnolgicos De demanda

ENFOQUES PARA PRONOSTICAR

Pronsticos Cualitativos Pronsticos Cuantitativos

ENFOQUES CUALITATIVOS PARA PRONOSTICAR LA DEMANDA

JURADO DE OPININ EJECUTIVA

ENCUESTA A LOS CLIENTES

1995 Corel Corp.

ENFOQUES CUANTITATIVOS PARA PRONOSTICAR LA DEMANDA

MODELOS DE SERIES DE TIEMPO

COMPONENTES DE LAS SERIES DE TIEMPO

Mtodo Cuantitativo Modelos Serie de Tiempos Modelos Causales

DESCOMPOSICION DE UNA SERIE DE TIEMPOS

Ao Ao Ao Mes Mes Semana

Trimestre Mes Semana Semana Dia Dia

Mo., Qtr., Yr.

DEMANDA DE PRODUCTO PARA 4 AOS CON TENDENCIA Y ESTACIONALIDAD

Lnea de actual demanda Variacin aleatoria

Demanda promedio para 4 aos

MODELOS DE SERIE DE TIEMPOS

MODELOS DE SERIE DE TIEMPO

PROMEDIO MOVIL SIMPLE

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

EJEMPLO DE PROMEDIO MOVIL SIMPLE

SOLUCION DEL PROMEDIO MOVIL SIMPLE

SOLUCION DEL PROMEDIO MOVIL SIMPLE

SOLUCION DEL PROMEDIO MOVIL SIMPLE

Respuesta Movil Total Movil Yi (n = 3) Prom.( = 3) n NA NA NA NA NA NA

2004 4 2005 6 2006 5 2007 3 2008 7 2009 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

GRAFICO DEL PROMEDIO MOVIL SIMPLE

PROMEDIO SIMPLE CON WINQSB 2

PROMEDIO MOVIL SIMPLE CON WINQSB 2

PROMEDIO MOVIL PONDERADO

DEMANDA ACTUAL, PROMEDIO MOVIL, PROMEDIO MOVIL PONDERADO

Promedio mvil ponderado

DESVENTAJAS DEL PROMEDIO MOVIL

PROMEDIO MOVIL PONDERADO CON WINQSB 2

GRAFICO DEL PROMEDIO MOVIL SIMPLE Y PROMEDIO MOVIL PONDERADO

Actual sales Moving average

MODELOS DE SUAVIZADO EXPONENCIAL

Ft= Ft-1 + (A t-1 - F t - 1)

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

EJEMPLO DE SUAVIZADO EXPONENCIAL

EJEMPLO DE SUAVIZADO EXPONENCIAL

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

EJEMPLO DE SUAVIZADO EXPONENCIAL

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

Actual 180 168 159 175

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

2004 2005 2006 2007

EJEMPLO DE SUAVIZADO EXPONENCIAL

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

EJEMPLO DE SUAVIZADO EXPONENCIAL