miércoles, 13 de febrero de 2008

Metodos de pronosticos de demanda

TAREA 2

Regresión lineal simple

El modela de regresión lineal simple (un factor) se refiere a la relacion que puede existir entre una variable independiente y una variable de respuesta. El modelo y la interpretación de sus componentes se muestran a continuación:
Y = βo + β1x + ε

-Y = variable dependiente a modelar (respuesta)
-X = variable independiente
-ε = componente de error (medición + variación natural) variable aleatoria
- βo = intersección, si los datos incluyen cero, representa la media de la distribución de y cuando x = 0. no tiene significado particular si los datos no incluyen cero
- β1 = pendiente. Es el cambio en la medida de y por cada cambio unitario de.

Series de tiempo estacionalizados

Una serie de tiempo esta dado por un conjunto de observaciones que están ordenadas en el tiempo, y que estas pueden representar el cambio de una variable ya sea de tipo económica, física, química, biológica, etc, a lo largo esa historia.
El objetivo del análisis de una serie de tiempo es el conocimiento de su patrón de comportamiento, para así poder prever su evolución en el futuro cercano, suponiendo por supuesto que las condiciones no variarán significativamente.
Los pronosticos que se puedan realizar en base al análisis de este tipo de datos serviran para el desarrollo de nuevos planes para inversiones en agricultura por ejemplo, elaboración de nuevos productos por parete de las empresas, prevención de desastres por cambios en el clima, o captar turistas para la ciudad, etc.

Series de Tiempo
1) Una serie temporal o cronologica es un conjunto e observaciones de una variable, ordenadas segu transcurre el tiempo.
En una serie de tiempo las observaciones no se deben ordenar de mayor a menor debidoa que se perderia el grueso de la informacion debido a que nos intersea detectar como se mueve la variable en el tiempo es muy importante respetar la secuencia temporal de las observaciones.




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 media 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. Este

MMP=Demanda de cada periodo por un peso determinado, sumada a lo largo de todos los periodos en la media móvil
………….n
MMP = ∑ Ct Dt
………….T=1

Donde
0≤ C1≤1.0
.n
∑ C1 =1.0
T=1

Este modelo permite un peso desigual de l demanda. Si son tres n periodos, como por ejemplo, es posible darle un peso al periodo mas resiente del doble de los otros periodos, al hacer: C1= 0.25, C2 =0.25, y C3 =0.50

Ejemplo:
Para Frigerware, un pronostico de la demanda para julio usando u modelo de tres periodos es donde la demanda del periodo mas reciente tenga un peso del doble de los dos periodos anteriores, tendrá la siguiente forma

………….3
MMP = ∑ Ct Dt = 0.25 (400) + 0.25(500) + 0.50(600)
………….T=1

MMP=525


SUAVIZADO EXPONENCIAL
Son conocidos y se usan a menudo en la administración de operaciones. Son populares por dos razones: se encuentran disponibles en los paquetes normales de software para computadoras, y los modelos requieren relativamente poco almacenamiento de datos y unas cuantas operaciones, lo que es importante cuando hay que hacer pronosticos para cada uno de muchos elementos individuales.
El suavizado exponencial se distingue por la manera tan especial de dar pesos a cada una de las demandas anteriores al calcular el promedio.
El modelos de los pesos es de forma exponencial. La demanda de los periodos mas recientes recibe un peso mayor; los pesos de los periodos sucesivamente anteriores decaen de una manera exponencial. En otras palabras, los pesos decrecen en su magnitud a medida que reaplican a datos anteriores, siendo el decremento no lineal.

Suavizado exponencial de primer orden. Para empezar, examinemos el aspecto computacional del suavizado exponencial de primer orden. La ecuación para crear un pronóstico nuevo o actualizado utiliza dos fuentes de información: la demanda real para el periodo más reciente y el pronóstico más reciente. A medida que termina cada periodo se realiza un nuevo pronóstico.

Pronostico de la demanda del periodo siguiente = ᾳ (demanda mas reciente) + (1- ᾳ) *(pronostico mas reciente)
Ft = ᾳ Dt-1 + (1- ᾳ) Ft-1
Donde:
0≤ ᾳ ≤ 1-0, y t es el periodo

Después de que termina el periodo t – 1 se conoce la demanda actual ( Dt-1). Al inicio del periodo t -1 se hizo un pronostico (Ft-1) de la demanda durante t – 1. por lo tanto al final de t – 1 se tienen de dos informaciones que se necesitan para calcular el pronostico de la demanda paras el próximo periodo, Ft.

Bibliografía:
Administración de la producción de operaciones
Everett E. Adam, Jr
Cuarta edición

http://www.monografias.com/trabajos30/series-de-tiempo/series-de-tiempo.shtml

Seis Sigma metodología y técnicas
Edgardo J. Escalante Vázquez
Editorial limusa

1 comentario:

ItexBuap dijo...

Bien, por favor prepara la informacion para presentarla en clase... Saludos.