CLASE 5 y 6

CLASIFICACIN:

LIC. RAYSALUZ FIGUEROA FLORES (13454) 1

PRONOSTICAR

Modelo Cualitativo

Jurado de Opinin Ejecutiva

Mtodo Delphi

Fuerza de Ventas

Encuesta a los clientes

Modelo Cuantitativo

Modelos de serie de tiempo

Modelos causales


Ellos ven lo que ha pasado en un perodo de tiempo y usan una serie de datos pasados para hacer el

pronstico.


Mtodo Simplista

PM Ponderado Suavizacin exponencial

Promedio Mvil


Mtodo Simplista

La manera ms fcil de pronosticar es asumir que la demanda del siguiente perodo es exactamente igual a la demanda del perodo inmediatamente anterior.


Ejemplo:

Los celulares vendidos fueron de 150 unidades en el mes de

julio, podemos pronosticar que las ventas de agosto sern

tambin de 150 unidades.


Promedio Mvil

Los promedios mviles son tiles si se asume que las demandas del mercado sern ms o menos constantes durante un perodo de tiempo.




Ejemplo:

Las ventas de Licuadoras en una tienda de electrodomsticos en la

ciudad de Iquitos, se muestran en la siguiente tabla. Calcular el

promedio mvil segn los 3 ltimos meses:


Promedio Mvil Ponderado

Utilizacin de pesos, esto hace que las tcnicas sean ms sensibles a los cambios, ya que los perodos resientes pueden tener mayor peso.


Modelos de serie de tiempo Ejemplo:

Las ventas de Licuadoras en una tienda de electrodomsticos en la

ciudad de Iquitos, se muestran en la siguiente tabla. Calcular el

promedio mvil segn los 3 ltimos meses:


Modelos de serie de tiempo La suavizacin exponencial

Es un mtodo de pronstico fcil de usar y se maneja en forma eficiente por medio de las computadoras; involucra poco respaldo de informacin pasada.



Ejemplo:

En Delfin, el ADO pronostic una demanda en Julio para 200 viajes por mes. La demanda real de Julio fue de 180 viajes.

Utilizando una constante de suavizacin de a = 0.25, podemos pronosticar la demanda de Agosto usando el mdulo de suavizacin exponencial, al sustituir en la frmula se obtiene:


Modelos de serie de tiempo *_* Seleccin de la constante de suavizacin:

El valor adecuado de la constante de suavizacin

har la diferencia entre el pronstico exacto y el

inexacto.


Modelos Causales Los modelos de pronstico causal generalmente consideran algunas variables que estn relacionadas con la variable que se predice. Una vez que estas variables relativas se han encontrado, se construye y utiliza un modelo estadstico para pronosticar la variable de inters. Este intento es ms poderoso que los mtodos de serie de tiempo que nicamente

utilizan los datos histricos para pronosticar la variable.


Modelos Causales

Se pueden considerar muchos factores en un anlisis causal. Por ejemplo, las ventas de un producto pueden estar relacionadas con el presupuesto de publicidad de la empresa, los precios de competidores y las estrategias promocinales, o aun las tasas econmicas y de desempleo. En este caso, las ventas seran llamadas variable dependiente y otras variables seran llamadas variables independientes.


Modelos Causales


Donde:

y = valor de la variable dependiente

a = interseccin en el eje y

b = pendiente de la lnea de regresin

x = la variable independiente

Carvajal suministra tiles de oficina en el territorio mexicano.

Al paso del tiempo, la compaa se ha percatado que el

volumen en pesos de sus ventas es dependiente de la nmina

de sus clientes en Mxico (gasto) . La siguiente tabla enumera

ingresos y la cantidad de dinero ganada por cada oficina en el

pas de Mxico en el ao 2.004-2005:

Modelos Causales


A partir de los seis puntos de datos se puede apreciar que existe una ligera relacin positiva entre la variable independiente, la nmina y la variable dependiente: las ventas. Mientras la nmina se incrementa, las ventas de Carvajal tienden a ser mayores.

Modelos Causales


Documents

CLASE 5 y 6