Clase no 6 pronosticos analisis secundario ascendente descendente by Mariana Pereira

PRONร STICOS Clase No. 6 Anรกlisis Secundario Demanda Ascendente - Descendente Inga. Mariana Pereira

¿Cómo influimos en los demás?

 Éticamente

 No

éticamente

Definición 

Es observable gráficamente una tendencia Ascendente – Descendente, ya que se la información crece y decrece en el tiempo.

ANÁLISIS SECUNDARIO APLICANDO MÉTODOS DE DEMANDA ASCENDENTE DESCENDENTE 1. 2. 3. 4. 5.

Método de Línea Recta Método Geométrico Método Semilogarítmico Exponencial Método Logaritmo Inverso Método Hiperbólico

Cálculos básicos para métodos

TOTAL

MES

2013 2014

X 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 210

Y 530 570 560 530 510 560 610 560 580 610 650 700 660 640 810 790 820 650 710 700 12750

Columna Columna Columna Columna Columna 3 4 5 6 7 X*Y 530 1140 1680 2120 2550 3360 4270 4480 5220 6100 7150 8400 8580 8960 12150 12640 13940 11700 13490 14000 142460

X² 1 4 9 16 25 36 49 64 81 100 121 144 169 196 225 256 289 324 361 400 2870

1/Y 0.001887 0.001754 0.001786 0.001887 0.001961 0.001786 0.001639 0.001786 0.001724 0.001639 0.001538 0.001429 0.001515 0.001563 0.001235 0.001266 0.001220 0.001538 0.001408 0.001429 0.031989

Columna 8

Columna 9

Columna 10

Columna 11

Columna Columna Columna 12 13 14 (1/X) * ln X(1/Y) ln (X) ln (Y) ln(X) * ln(Y) (ln(X))² X * ln(Y) 1/X (Y) (1/X)² 0.001887 0.000000 6.272877 0.000000 0.000000 6.272877 1.000000 6.272877 1.000000 0.003509 0.693147 6.345636 4.398460 0.480453 12.691273 0.500000 3.172818 0.250000 0.005357 1.098612 6.327937 6.951949 1.206949 18.983810 0.333333 2.109312 0.111111 0.007547 1.386294 6.272877 8.696054 1.921812 25.091508 0.250000 1.568219 0.062500 0.009804 1.609438 6.234411 10.033897 2.590290 31.172054 0.200000 1.246882 0.040000 0.010714 1.791759 6.327937 11.338141 3.210402 37.967621 0.166667 1.054656 0.027778 0.011475 1.945910 6.413459 12.480015 3.786566 44.894213 0.142857 0.916208 0.020408 0.014286 2.079442 6.327937 13.158575 4.324077 50.623494 0.125000 0.790992 0.015625 0.015517 2.197225 6.363028 13.981002 4.827796 57.267253 0.111111 0.707003 0.012346 0.016393 2.302585 6.413459 14.767535 5.301898 64.134590 0.100000 0.641346 0.010000 0.016923 2.397895 6.476972 15.531101 5.749902 71.246696 0.090909 0.588816 0.008264 0.017143 2.484907 6.551080 16.278823 6.174761 78.612964 0.083333 0.545923 0.006944 0.019697 2.564949 6.492240 16.652266 6.578965 84.399118 0.076923 0.499403 0.005917 0.021875 2.639057 6.461468 17.052185 6.964624 90.460554 0.071429 0.461533 0.005102 0.018519 2.708050 6.697034 18.135905 7.333536 100.455514 0.066667 0.446469 0.004444 0.020253 2.772589 6.672033 18.498803 7.687248 106.752527 0.062500 0.417002 0.003906 0.020732 2.833213 6.709304 19.008891 8.027098 114.058174 0.058824 0.394665 0.003460 0.027692 2.890372 6.476972 18.720858 8.354249 116.585503 0.055556 0.359832 0.003086 0.026761 2.944439 6.565265 19.331022 8.669721 124.740034 0.052632 0.345540 0.002770 0.028571 2.995732 6.551080 19.625283 8.974412 131.021607 0.050000 0.327554 0.002500 0.314655 42.335616 128.953007 274.640764 102.164759 1367.43138 3.597740 22.867052 1.596163

1. Método de Línea Recta

Yi  a  bX i  y  x    x  xy  a N  x    x  2

b

N  xy    x  y  N

(12750 * 2870)  (210 *142460) (20 * 2870)  210 2 6675900 a  501.9  502 13300

a

b

(20 *142460)  (210 *12750)  12.91  13 2 (20 * 2870)  210

 x    x  2

Y21  502  13(21)  775 Y22  502  13(22)  788 Y23  502  13(23)  801 Y24  502  13(24)  814

1. Método de Línea Recta Yi  a  bX i

Y21  502  13(21)  775 Y22  502  13(22)  788 Y23  502  13(23)  801 Y24  502  13(24)  814

Periodo (X)

Venta Real

Pronóstico

Error

Error Acumulado

670

775

-105

105

690

788

-98

203

730

801

-71

274

850

814

310

2. Método Geométrico

Yi  aX

b i

Ln a 

 Ln y

 Ln x     Ln x  Ln x * Ln y  2

N Ln a 

 ( Ln x)    Ln x 

N  Ln x * Ln y    Ln x  Ln y  N

 ( Ln x)    Ln x  2

(128.95 *102.16)  (42.335 * 274.64)  6.16504 2 (20 *102.16)  42.335

a  e 6.16504  475.81  476

b

(20 * 274.64)  (42.335 *128.95) b (20 *102.17)  42.3352 b  0.1335  0.134

2. Método Geométrico

Yi  aX

b i

Y21  476 x 210.134  716 Y22  476 x 220.134  720 Y23  476 x 230.134  725 Y24  476 x 240.134  729

Periodo (X)

Venta Real

Pronóstico

Error

Error Acumulado

670

716

-46

690

720

-30

730

725

850

729

121

202

3. Método Semilogarítmico Exponencial

Yi  ab Ln a 

 Ln y

 x    x  x * Ln y  N  x   x  2

(128.95 * 2870 2 )  (210 *1367.43) Ln a  (20 * 2870)  210 2 82934.63 Ln a   6.2356 13300 a  e 6.2356  510.65

Ln b 

N  x * Ln y    x  Ln y N  x   x  2

(20 *1367.431)  (210 *128.953) (20 * 2870)  210 2 268.4879 Ln b   0.02019 13300 b  e 0.02019  1.021 Ln b 

3. Método Semilogarítmico Exponencial

Yi  ab

Y21  510.65 x1.0204 21  780 Y22  510.65 x1.0204 22  796 Y23  510.65 x1.0204 23  812 Y24  510.65 x1.0204 24  829

Periodo (X)

Venta Real

Pronóstico

Error

Error Acumulado

670

780

-110

110

690

796

-106

216

730

812

-82

298

850

829

319

4. Método Logaritmo Inverso

Ln Yi  a 

 Ln y   1x     1x  ( 1x xLny) 2

b xi

a

1 2 1 2      x  x 

(128.953 *1.596)  (3.597 * 22867) (20 *1.596)  3.597 2 a  6.5104

a

b

1 1    ( xLny )   x  x   Ln y

       1 2 x

1 x

(20 * 22.867)  (3.597 *128.953) (20 *1.596)  3.597 2 b  0.3476

b

4. Método Logaritmo Inverso

Ln Yi  a 

b xi

Y21  e ( 6.51( 0.3476 / 21)  683 Y22  e ( 6.51( 0.3476 / 22)  683 Y23  e ( 6.51( 0.3476 / 23)  683 Y24  e ( 6.51( 0.3476 / 24)  682

Periodo (X)

Venta Real

Pronóstico

Error

Error Acumulado

670

683

-13

690

683

730

683

850

682

168

235

5. Método Hiperbólico

Yi 

1 a

 bX i

  x   a N x 1 y

b

2 2

x 

  x  2

 x y

(0.0319 * 2870)  (210 * 0.315) (20 * 2870)  210 2 a  0.001934

a

)  (210 * 0.0319)      x    b  (20 *(020.315 * 2870)  210 N  x   x  b  0.0000319 x y

1 y

5. Método Hiperbólico

Yi 

1 a

 bX i

Y21  (1 / 0.001934)  (0.0000319) * 21  517 Y22  (1 / 0.001934)  (0.0000319) * 22  517 Y23  (1 / 0.001934)  (0.0000319) * 23  517 Y24  (1 / 0.001934)  (0.0000319) * 24  517

Periodo (X)

Venta Real

Pronóstico

Error

Error Acumulado

670

517

153

690

517

173

326

730

517

213

539

850

517

333

872

Análisis Secundario 

Conclusión: el mejor método de evaluación fue el método geométrico, pues tuvo el menor error acumulado. Por lo que se procederá a realizar el pronóstico de riesgo.

Pronóstico de Riesgo 1.

2. 3.

Realizar la tabla completa con base al total de ventas históricas. Obtener la sumatoria de todas las columnas de la tabla. Con los resultados, se debe utilizar la fórmula del pronóstico y aplicarlos para el ciclaje establecido. Los resultados, serán las proyecciones para los períodos sientes establecidos, los cuales no tendrán comparación. * Considerarlo como lo más cercano a la realidad.

Pronóstico de Riesgo - Método Geométrico

Yi  aX

b i

Ln a 

 Ln y

 Ln x     Ln x  Ln x * Ln y  2

N Ln a 

 ( Ln x)    Ln x 

N  Ln x * Ln y    Ln x  Ln y  N

 ( Ln x)    Ln x  2

(155.335 *140.919)  (54.784 * 356.767)  6.1581 2 (24 *140.919)  54.785

a  e 6.1581  472.137

b

(24 * 356.767)  (54.874 *155.335) b (24 *140.919)  54.7852 b  0.1376

Pronóstico de Riesgo - Método Geométrico

Yi  aX

b i

Y25  472.137  25

0.1376

Y26  472.137  26

0.1376

Y27  472.137  27

0.1376

Y28  472.137  28

0.1376

Y29  472.137  29

0.1376

Y30  472.137  30

0.1376

Periodo (X)

Pronóstico

735

 743

739

 747

743

 750

747

 754

750

754

 735  739