GP2-1_(ARIMA)_2015

26-‐08-‐15

1

Ges,ón de la Demanda y Pronós,co

Descomposición serie de ,empo

José Rodríguez L. Docente Gestión de la Producción

•  Recomendación para los alumnos. •  Reforzar con capítulo 7, “Pronós,co”. •  Dirección y Administración de las Producción y de las Operaciones.

•  Chase Aquilano. •  Sexta edición-‐ •  658.5 •  Ch987 •  6a ed,

26-‐08-‐15

2

Objetivos

•  Series de tiempo

GESTIÓN DE LA DEMANDA

•  DESCOMPOSICIÓN DE UNA SERIE TEMPORAL

•  Puede definirse una serie temporal como datos ordenados en forma cronológica que pueden contener uno o más componentes de la demanda: tendencia, estacional, cíclico, autocorrelación o aleatorio.

26-‐08-‐15

3



•  La descomposición de una serie temporal significa iden,ficar y separar los datos de la serie temporal en estos componentes.

•  En la prác,ca, es rela,vamente fácil iden,ficar la tendencia (incluso sin un análisis matemá,co, casi siempre es sencillo trazar y ver la dirección del movimiento) y el componente estacional (comparando el mismo periodo año tras año).



•  Es mucho más di_cil iden,ficar los componentes de los ciclos (pueden durar varios meses o años), la autocorrelación y el aleatorio. (Por lo regular, el encargado de realizar el pronós,co considera aleatorio cualquier elemento que sobre y que no sea posible iden,ficar como otro componente.)

26-‐08-‐15

4



•  Cuando la demanda con,ene efectos estacionales y de tendencia al mismo ,empo, la pregunta es cómo se relacionan entre sí. En esta descripción, se analizan dos ,pos de variación estacional: adi$va y mul$plica$va.



•  Variación estacional adi/va La variación estacional adi,va simplemente supone que la can,dad estacional es una constante sin importar cuál es la tendencia o la can,dad promedio.

•  Pronós,co que incluye tendencia y estacional = Tendencia + Estacional.

26-‐08-‐15

5



•  Variación estacional mul/plica/va En la variación estacional mul,plica,va, la tendencia se mul,plica por los factores estacionales.

•  Pronós,co que incluye tendencia y estacional = Tendencia × Factor estacional



26-‐08-‐15

6



•  Un factor estacional es la can,dad de corrección necesaria en una serie temporal para ajustarse a la estación del año. Por lo general, se relaciona estacional con un periodo del año caracterizado por alguna ac,vidad en par,cular.

•  Se usa la palabra cíclico para indicar que no se trata de los periodos anuales recurrentes de ac,vidad repe,,va.



•  Los siguientes ejemplos muestran cómo se determinan y u,lizan los índices estacionales para pronos,car:

1.  Un cálculo sencillo basado en datos estacionales pasados, y

2.  La tendencia y el índice estacional de una recta de la regresión ajustada a mano.

•  A con,nuación se da un procedimiento más formal para la descomposición y el pronós,co de los datos u,lizando la regresión de los cuadrados mínimos.

26-‐08-‐15

7





26-‐08-‐15

8





26-‐08-‐15

9





26-‐08-‐15

10



•  El cálculo del pronós,co para 2008 incluyendo los factores de tendencia y estacional (FITS en inglés, forecast including trend and seasonal factors) es como sigue:



•  Descomposición con regresión por mínimos cuadrados La descomposición de una serie de ,empo significa encontrar los componentes básicos de la serie de tendencia, estacional y cíclico.

26-‐08-‐15

11



•  Los índices se calculan por estaciones y ciclos. El procedimiento del pronós,co después invierte el proceso con el pronós,co de la tendencia y su ajuste mediante los índices estacionales y cíclicos, determinados en el proceso de descomposición. En términos formales, el proceso:



1. Descomponer las series de ,empo en sus componentes. a) Encontrar el componente estacional. b) Descontar las variaciones de temporada de la demanda. c) Encontrar el componente de la tendencia. 2. Pronos,car valores futuros de cada componente. a) Pronos,car el componente de la tendencia en el futuro. b) Mul,plicar el componente de la tendencia por el componente estacional.

26-‐08-‐15

12



•  Observe que en esta lista no se incluye el componente aleatorio. Implícitamente, se elimina el componente aleatorio de la serie de ,empo cuando se promedia, como en el paso

•  No ,ene caso intentar una proyección del componente aleatorio del paso 2 a menos que se tenga información sobre algún evento inusual, como un conflicto laboral grave, que pudiera influir en la demanda del producto (y esto no sería al azar).



•  En la ilustración 15.15 se muestra la descomposición de una serie de ,empo con el uso de una regresión de cuadrados mínimos y los mismos datos básicos u,lizados en ejemplos anteriores.

•  Cada dato corresponde al uso de un solo trimestre del periodo de 3 años (12 trimestres).

•  El obje,vo es pronos,car la demanda de los cuatro trimestres del cuarto año.

26-‐08-‐15

13





26-‐08-‐15

14





26-‐08-‐15

15





•  Ya está completo el pronós,co. Normalmente, el procedimiento es igual al realizado en el ejemplo anterior que se ajustó a mano. Pero en este ejemplo se sigue un procedimiento más formal y también se calcula la recta de la regresión de cuadrados mínimos.

26-‐08-‐15

16



26-‐08-‐15

17


•  Pronós,co de relaciones causales.

•  Para que un pronós,co sea de valor, cualquier variable independiente debe ser un indicador guía.

•  Por ejemplo, es de esperar que un periodo de lluvias más prolongado aumente la venta de paraguas y gabardinas. La lluvia provoca la venta de arkculos personales para este clima. Se trata de una relación causal en la que una ocurrencia causa otra.

•  Si se sabe del elemento de causa con mucha an,cipación, se puede usar como base para el pronós,co.


•  Pronós,co de relaciones causales. •  El primer paso del pronós,co de una relación causal es

encontrar las ocurrencias que realmente sean la causa. •  Muchas veces los indicadores guía no son relaciones

causales sino que indican, de cierta forma indirecta, que podrían ocurrir otras cosas.

•  Otras relaciones no causales simplemente parecen exis,r como una coincidencia. Hace unos años se demostró en un estudio que la can,dad de alcohol vendido en Suecia era directamente proporcional al salario de los maestros. Se cree que era una relación espuria (falsa). El siguiente es un ejemplo de un pronós,co con el uso de una relación causal.

26-‐08-‐15

18

GESTIÓN DE LA DEMANDA •  Pronós,co de relaciones causales.

•  El siguiente es un ejemplo de un pronós,co con el uso de una relación causal.


26-‐08-‐15

19



26-‐08-‐15

20



26-‐08-‐15

21



26-‐08-‐15

22



26-‐08-‐15

23



26-‐08-‐15

24



26-‐08-‐15

25

GESTIÓN DE LA DEMANDA •  Conclusiones:

•  No es fácil desarrollar un sistema de pronós,co. Sin embargo, debe hacerse, porque pronos,car es fundamental en cualquier esfuerzo de planeación.

•  En el corto plazo, se necesita un pronós,co para predecir las necesidades de materiales, productos, servicios u otros recursos para responder a los cambios de la demanda.

•  Los pronós,cos permiten ajustar los calendarios y variar la mano de obra y los materiales. A la larga, se requiere pronos,car como base para los cambios estratégicos, como el desarrollo de mercados nuevos, creación de nuevos productos o servicios y ampliar o construir nuevas instalaciones.

GESTIÓN DE LA DEMANDA •  Conclusiones: •  En el caso de los pronós,cos de largo plazo en los que se

incurra en grandes compromisos económicos, debe tenerse mucho cuidado al derivarlos.

•  Deben usarse varios métodos. Son provechosos los méto-‐ dos causales, como el análisis de regresión simple o múl,ple, pues dan una base para realizar estudios.

•  Los factores económicos, tendencias de productos, factores de crecimiento y competencia, así como una mirada de otras posibles variables ,enen que considerarse y el pronós,co debe ajustarse para que refleje la influencia de cada uno.

26-‐08-‐15

26

FIN

José Rodríguez L.

GP2-1_(ARIMA)_2015

Documents

Transcript of GP2-1_(ARIMA)_2015