You are on page 1of 126

1

Objetivos de aprendizaje
•  Identificar o definir:
–  Pronóstico
–  Tipos de pronóstico
–  Horizontes temporales
–  Enfoques del pronóstico

•  Describir o explicar:
–  Medias móviles
–  Alisado exponencial
–  Proyecciones de tendencia
–  Análisis de regresión y correlación
–  Medidas de precisión del pronóstico
2

ü  El punto de inicio de prácticamente todos los
sistemas de planificación se da a partir de la
demanda real o esperada de los clientes.

ü  En casi todos los casos el tiempo necesario para
generar y entregar el producto o servicio excederá la
expectativa del cliente.

ü  Para evitar que esto suceda, la producción tendrá
que dar principio antes de que se conozca la
demanda real del consumidor.

ü  La producción deberá iniciar a partir de la demanda
esperada, es decir, de un pronóstico de la
demanda.
3

§  Personal. 4 . §  Inventario. millones de pesos! Ø  Base de todas las decisiones empresariales: §  Producción. ¿Qué es el pronóstico? Ø  Arte y ciencia de predecir acontecimientos ¡Venderá 200 futuros. §  Instalaciones.

•  Pronósticos a largo plazo: –  Periodos superiores a tres años. de la producción y del presupuesto. Tipos de horizontes temporales del pronóstico •  Pronóstico a corto plazo: –  Cobertura de hasta un año. generalmente inferior a los tres meses. –  Planificación de nuevos productos. –  Planificación de las ventas. 5 . –  Programación de trabajos. asignación de tareas. localización de las instalaciones. •  Pronóstico a medio plazo: –  Entre tres meses y tres años.

las plantas y los procesos. •  Los pronósticos a corto plazo tienden a ser más exactos que los realizados a largo plazo. 6 . •  Los pronósticos a corto plazo normalmente emplean metodologías diferentes a las utilizadas en los pronósticos a largo plazo. y apoyan las decisiones de gestión que conciernen a la planificación y los productos. Pronósticos a corto plazo frente a pronósticos a largo plazo •  Los pronósticos a medio y largo plazo tratan de asuntos más extensos.

•  Las pronósticos son útiles para proyectar –  los diferentes niveles de personal –  los diferentes niveles de inventarios –  los diferentes niveles de capacidad de producción mientras el producto pasa de la primera a la última etapa. La influencia del ciclo de vida del producto •  Las etapas de introducción y crecimiento necesitan pronósticos más largos que los de madurez y declive. 7 .

más cambios Estrategias de la Cambios frecuentes en Fiabilidad del producto y Minimización de costos proceso minuciosos planificación del producto y Capacidad óptima Sobrecapacidad en la proceso Posibilidades y mejoras del DO producto competitivas industria Lotes de producción pequeños Estabilidad creciente del Aumento de la capacidad proceso de producción Eliminación de productos Altos costos de producción que no proporcionan un Cambio de tendencia para Grandes lotes de producción Número de modelos limitado centrarse en el producto margen aceptable Mejora del producto y Atención a la calidad Atención a la distribución reducción de costos Reducción de capacidad 8 . el precio o la calidad costo Es vital planear la I + D calidad Los costos competitivos son Fortalecer el segmento de ahora muy importantes Estrategias de la mercado Defender la posición en el compañía mercado Fax Disquetes Restaurantes para de 3 1/2” CD-ROM comer en el coche Ventas Impresoras a Internet Furgoneta s color HDTV La planificación y desarrollo del EL pronóstico es muy Estandarización Poca diferenciación del producto son vitales importante Cambios de producto menos producto rápidos. Estrategia durante el ciclo de vida de un producto Introducción Crecimiento Madurez Declive Mejor periodo para aumentar Buen momento para cambiar Mal momento para cambiar la Es vital controlar el la cuota de mercado el precio o la imagen de imagen.

la masa monetaria. etc. las tasas de inflación. •  Pronósticos de demanda: –  Predicen las ventas ya existentes. por ejemplo. Tipos de pronósticos •  Pronósticos económicos: –  Dirigidos al ciclo empresarial. •  Pronósticos tecnológicos: –  Predicen el progreso tecnológico. 9 . –  Predicen el nacimiento de nuevas ventas.

•  Determinar el horizonte temporal del pronóstico. •  S e l e c c i o n a r e l ( l o s ) m o d e l o ( s ) d e pronóstico. 10 . •  Seleccionar los artículos en los que se va a realizar el pronóstico. •  Recogida de datos. •  Realizar el pronóstico. Siete etapas en el sistema de pronóstico •  Determinar la utilización del pronóstico. •  Validar e implementar los resultados.

Demanda de un producto representada en un periodo de 4 años con tendencia de crecimiento y estacionalidad Demanda del producto o servicio Picos estacionales Componente de tendencia Línea de demanda actual Demanda media en Variación cuatro años aleatoria Primer Segundo Tercer Cuarto año año año año 11 .

Mar.Feb. May. Demanda real frente a los métodos de media móvil y media móvil ponderada 35 Media móvil ponderada Demanda de ventas 30 Ventas reales 25 20 15 10 Media móvil 5 0 Ene. Dic.Sep. Jun. Oct. Mes 12 . Nov. Abr. Ago. Jul.

•  Tanto las predicciones de familias de productos como las predicciones en conjunto son más precisas que los pronósticos de productos individuales. •  La mayoría de las técnicas de pronóstico asumen que existe cierta estabilidad sostenida al sistema. Realidades sobre el pronóstico •  Raras veces los pronósticos son perfectos. 13 .

Enfoques del pronóstico Métodos cualitativos Métodos cuantitativos Ø  Se emplean cuando Ø  Se emplean cuando la situación no es la situación es clara y hay pocos “estable” y existen datos: datos “históricos”: o  Productos nuevos. 14 . o  Tecnología actual. o  Productos existentes. o  Nueva tecnología. Internet. Ø  Requieren intuición Ø  Requieren ténicas y experiencia: matemáticas: §  Por ejemplo. el pronóstico de las pronóstico de las ventas ventas a través de de televisiones en color. el §  Por ejemplo.

•  Proposición de personal comercial: –  Las estimación de las ventas esperadas por los vendedores se revisan para ver si se pueden llevar a cabo y luego se obtiene un pronóstico global. 15 . Visión global de los métodos cualitativos •  Jurado de opinión ejecutiva: –  Se agrupan las opiniones de un grupo de expertos de alto nivel o de directivos. a menudo en combinación con modelos estadísiticos. •  Estudio de mercado del consumidor: –  Requiere información de los clientes. •  Método Delphi: –  Proceso de grupo que permite a los expertos realizar los pronósticos.

Ø  Desventaja del “pensamiento en grupo”. Ø  Combina la experiencia directiva con modelos estadísticos. 16 © 1995 Corel Corp. Ø  Es bastante rápido. . Jurado de opinión ejecutiva Ø  Requiere un pequeño grupo de directivos: §  El grupo establece una estimación conjunta de la demanda.

Ø  Se combinan con los pronósticos a niveles de Ventas comuna y con los nacionales. 17 . Ø  Tiende a ser bastante optimista. Ø  El representante de ventas conoce las necesidades de los consumidores. Proposición de personal comercial Ø  Cada vendedor estima las ventas que hará. © 1995 Corel Corp.

(¿Qué ventas –  El personal de habrá? plantilla. Método Delphi •  Proceso de grupo iterativo. 50. 55 ventas) grupo”. Los que toman •  3 tipos de participantes: decisiones Personal de (¿Ventas?) –  Los que toman plantilla (Habrá 50 ventas) decisiones. 18 . •  Reduce el Los que responden “pensamiento en (Habrá 45. cuestionarios) –  Los que responden.

19 . v  Lo que dicen los consumidores y lo que luego hacen suele diferir. Estudio de mercado v  Preguntar a los consumidores sobre ¿Cuántas horas utilizará Internet la próxima semana? sus futuros planes de compra. preguntas del estudio. v  A veces es difícil © 1995 Corel contestar a las Corp.

Visión global de los métodos cuantitativos ² Enfoque simple Modelos de series ² Medias móviles temporales ² Alisado exponencial ² Proyección de tendencia Modelos ² Regresión lineal asociativos 20 .

Métodos de pronóstico cuantitativos (no simples) Pronóstico cuantitativo Modelos de series Modelos temporales asociativos Media Alisado Proyección Regresión móvil exponencial de tendencia lineal 21 .

¿Qué son las series temporales? Ø  Es una secuencia de datos uniformemente espaciada: §  Se obtiene observando las variables en periodos de tiempo regulares. Ø  Ejemplo: Año: 1993 1994 1995 1996 1997 Ventas: 78.7 93. Ø  Se trata de una pronóstico basado en los datos pasados: §  Supone que los factores que han influido en el pasado lo sigan haciendo en el futuro.1 22 .5 89.7 63.2 92.

Descomposición de una serie temporal Tendencia Ciclos Estacionalidad Variaciones aleatorias 23 .

etc. Respuesta 24 Mes. influyen en la tendencia. v  Los cambios en la población. v  Varios años de duración. año © 1984-1994 T/Maker Co. Tendencia v  Es el movimiento gradual de ascenso o descenso de los datos a lo largo del tiempo. . trimestre. ingresos.

­  Se produce dentro de un periodo anual. Estacionalidad ­  Muestra de datos de ascenso o descenso que se repite. Verano Respuesta © 1984-1994 T/Maker Co. Mes. ­  Se puede ver afectada por la climatología. las costumbres. etc. trimestre 25 .

Ciclos ü  Movimientos de ascenso o descenso que se repiten. trimestre. ü  Se pueden ver afectados por interacciones de factores que influyen en la economía. Ciclo Respuesta Β Mes. ü  Suelen durar de 2 a 10 años. año 26 .

ª Son de corta duración y no se repiten. •  Huelga. •  Maremoto. ª Son debidas a variaciones aleatorias o a situaciones imprevistas: © 1984-1994 T/Maker Co. 27 . Variaciones aleatorias ª Son “saltos” en los datos causados por el azar y situaciones inusuales.

C: ciclos. Ø Modelo multiplicativo: ü Yi = Ti x Si x Ci x Ri (si los datos son mensuales o trimestrales). 28 . Modelos de series temporales Ø Cualquier valor que aparezca en una serie temporal es la multiplicación (o suma) de los componentes de la serie temporal. S: estacionalidad. R: variaciones aleatorias Ø Modelo aditivo: ü Yi = Ti + Si + Ci + Ri (si los datos son mensuales o trimestrales). T: tendencia.

© 1995 Corel Corp. en junio habrá 48 ventas. ♦  Es el modelo con la mejor relación eficacia-costo y eficiencia. 29 . Enfoque simple ♦  Suponer que la demanda en el próximo periodo será igual a la demanda del periodo más reciente: ♦  Por ejemplo. si en mayo hubo 48 ventas.

Ø Ecuación: MM = ∑ demanda de n periodos previos n At−n + At−n+1 +!+ At−1 MM = 30 n . Ø Se suelen utilizar para el alisado: •  Proporciona una impresión general de los datos a lo largo del tiempo. Ø Se utilizan si no hay tendencia o si ésta es escasa. Medias móviles Ø Las medias móviles son una serie de operaciones aritméticas.

1995 4 1996 6 1997 5 1998 3 1999 7 © 1995 Corel Corp. Quiere predecir las ventas (000) del año 2000 mediante una media móvil de 3 años. Ejemplo de media móvil Usted es el director de una tienda de un museo que vende réplicas. 31 .

Solución de la media móvil Año Respuesta Media Media móvil Yi móvil total (n=3) (n=3) 1995 4 ND ND 1996 6 ND ND 1997 5 ND ND 1998 3 4+6+5=15 15/3 = 5 1999 7 2000 ND 32 .

Solución de la media móvil Año Respuesta SUMA Media móvil Yi móvil total (n=3) (n=3) 1995 4 ND ND 1996 6 ND ND 1997 5 ND ND 1998 3 4+6+5=15 15/3 = 5 1999 7 6+5+3=14 14/3=4 2/3 2000 ND 33 .

0 34 .7 2000 ND 5+3+7=15 15/3=5.0 1999 7 6+5+3=14 14/3=4. Solución de la media móvil Año Respuesta Media Media móvil Yi móvil total (n=3) (n=3) 1995 4 ND ND 1996 6 ND ND 1997 5 ND ND 1998 3 4+6+5=15 15/3=5.

Gráfico de la media móvil Gráfico Media Móvil 8 7 Ventas reales 6 5 Ventas Pronóstico 4 3 2 1 0 1995 1996 1997 1998 1999 2000 35 .

7 13 25. el resultado será más suave.0 15 7 26 25.3 25 20 Demanda 6 31 22. Mientras más periodos se utilicen para el cálculo. El pronóstico siempre quedará rezagado en relación con toda demanda real. 36 .0 móvil de tres 0 periodos 10 24 24.7 La línea de pronóstico es más suave que la línea de la demanda.3 Promedio 5 9 29 25.0 30 Unidades 5 19 24.0 10 8 18 25. Para la demanda de los doce periodos presentados en la siguiente tabla determinar el pronóstico de promedio móvil de tres periodos Pronós8co de promedio Periodo Demanda móvil de tres periodos 1 24 2 26 Promedio móvil de tres periodos 3 22 35 4 25 24.3 1 2 3 4 5 6 7 8 9 10 11 12 13 11 30 23.7 Periodo 12 23 27.

0 Periodo 12 51.3 30 Demanda 7 36 26. 37 .0 0 1 2 3 4 5 6 7 8 9 10 11 12 10 52 40.3 10 9 45 36.7 20 Pronóstico 8 41 31.3 El pronóstico está rezagado de manera constante respecto de la tendencia de la información. El modelo de promedios móviles simples no es adecuado para pronosticar la demanda cuando está sigue una tendencia o patrón cíclico regular.3 Unidades 40 5 27 18.3 6 31 22.7 11 57 46. Para la demanda de los once periodos presentados en la siguiente tabla determinar el pronóstico de promedio móvil de tres periodos Pronós8co de promedio Periodo Demanda móvil de tres periodos 1 13 Promedio móvil de una tendencia 2 15 60 3 18 50 4 22 15.

pero su suma total debe ser 38 equivalente a 1. Método de la media móvil ponderada Ø Se utiliza cuando se presenta una tendencia: •  Los datos anteriores suelen carecer de importancia.0. . Ø Las ponderaciones se basan en la intuición: •  Suelen estar entre 0 y 1. Ø Ecuación: Media móvil Σ (ponderación para el periodo n) (demanda en el periodo n) ponderada = Σ ponderaciones n Ft = W1 At−1 + W2 At−2 +!+ Wn At−n donde ∑W = 1i i=1 Cada uno de los pesos (W) es menor a uno. y a la suma de 1.

Demanda actual. e. r. Di Ju Ma Oc Ab No Ma Ag En Fe Ju Se Mes 39 . p. y. b. r. v. t. l. media móvil y media móvil ponderada 35 Media móvil ponderada 30 Ventas reales Demanda de ventas 25 20 15 10 5 Media móvil 0 c o. n.

y también está rezagado respecto de los cambios reales de la demanda.5 aplicado a la información de la demanda más reciente) Pronós8co de promedio móvil Periodo Demanda ponderado de tres periodos 1 24 2 26 Promedio ponderado de tres periodos 3 22 35 4 25 23.0 13 25.2 (con el peso 0.3 25 6 31 21.6 30 5 19 24. 0.4 Unidades 20 Demanda 7 26 26.3 El pronóstico se encuentra suavizado.2 15 8 18 26. con pesos de 0. aplicando un promedio móvil ponderado.1 10 Promedio ponderado de 9 29 23. Ejemplo: Tomando los mismos puntos de datos que en el primer ejemplo (los puntos de datos de promedios móviles de tres periodos). 40 .3 Periodos 12 23 28.0 5 tres periodos 10 24 25.3 y 0.1 0 1 2 3 4 5 6 7 8 9 10 11 12 13 11 30 24.5.

Demanda real frente a métodos media móvil y media móvil ponderada 35 30 25 Unidades 20 15 10 5 0 1 2 3 4 5 6 7 8 9 10 11 12 13 Periodos Demanda Promedio móvil de tres periodos Promedio ponderado de tres periodos 41 .

Ø  No es posible predecir bien la tendencia. las previsiones son menos sensibles a los cambios. 42 . © 1984-1994 T/Maker Co. Inconvenientes de los métodos de media móvil Ø  Al aumentar n veces. Ø  Se necesitan muchos datos históricos.

Alisado exponencial Ø Es una técnica de pronóstico de media móvil ponderada: ü Las ponderaciones disminuyen exponencialmente. §  Se escoge de forma subjetiva. ü Se ponderan más los datos más recientes. 43 . Ø Necesita una cantidad reducida de datos históricos. Ø Se necesita una constante de alisado (α): §  Toma valores entre 0 y 1.

1 + α(1-α)At ..α)3At . 44 .. + α(1. Ecuaciones del alisado exponencial Ø Ft = Ft-1 + α(At-1 .4 + .α)2·At .Ft-1) Ø  Ft = Valor del pronóstico Ø  Ft-1 = Pronóstico previo Ø  At = Demanda real Ø  At-1 = Demanda real de periodo previo Ø  α = Constante de alisado (0 ≤ α ≤ 1) Ø Ft = αAt .3 + α(1.2 + α(1.α)t-1·A0 Ø  Se utiliza para calcular el pronóstico.

Ejemplo de alisado exponencial Usted está organizando una reunión. El pronóstico para 1995 fue de 175. Desea predecir el número de personas que asistirán en el año 2000 mediante el alisado exponencial (α = 0.10). 1995 180 1996 168 1997 159 1998 175 1999 190 45 .

00 + 1997 159 1998 175 1999 190 2000 ND 46 . Ft Año Real (α = 0.10) 1995 180 175.00 (Dado) 1996 168 175. Solución del alisado exponencial Ft = Ft-1 + α· (At-1 .Ft-1) Pronóstico.

10( 1997 159 1998 175 1999 190 2000 ND 47 .00 (Dado) 1996 168 175. Solución del alisado exponencial Ft = Ft-1 + α· (At-1 . Ft Año Real (α = 0.Ft-1) Pronóstico.00 + 0.10) 1995 180 175.

10(180 - 1997 159 1998 175 1999 190 2000 ND 48 .10) 1995 180 175. Solución del alisado exponencial Ft = Ft-1 + α· (At-1 .00 (Dado) 1996 168 175.00 + 0. Ft Año Real (α = 0.Ft-1) Pronóstico.

10) 1995 180 175. Solución del alisado exponencial Ft = Ft-1 + α· (At-1 .175. Ft Año Real (α = 0.00 (Dado) 1996 168 175.00 + 0.00) 1997 159 1998 175 1999 190 2000 ND 49 .Ft-1) Pronóstico.10(180 .

175.Ft-1) Pronóstico.10) 1995 180 175.50 1997 159 1998 175 1999 190 2000 ND 50 . Solución del alisado exponencial Ft = Ft-1 + α· (At-1 . Ft Año Real (α = 0.10(180 .00 + 0.00 (Dado) 1996 168 175.00) = 175.

00) = 175.175.00 (Dado) 1996 168 175.00 + 0.10) 1995 180 175. Ft Año Real (α = 0.50) = 174.10(168 .175.10(180 .50 + 0.Ft-1) Pronóstico. Solución del alisado exponencial Ft = Ft-1 + α· (At-1 .50 1997 159 175.75 1998 175 1999 190 2000 ND 51 .

175. Solución del alisado exponencial Ft = Ft-1 + α· (At-1 . Ft Año Real (α = 0.50) = 174.10(180 .00 (Dado) 1996 168 175.175.50 + 0.00) = 175.18 1999 190 2000 ND 52 .10(168 .10(159 .75 + 0.50 1997 159 175.Ft-1) Pronóstico.00 + 0.10) 1995 180 175.75)= 173.75 1998 175 174.174.

50 + 0. Ft Año Real (α = 0.175. Solución del alisado exponencial Ft = Ft-1 + α· (At-1 .10(168 .75 1998 175 174.10) 1995 180 175.18) = 173.10(159 .18 + 0.10(175 .36 2000 ND 53 .174.00) = 175.18 1999 190 173.50 1997 159 175.Ft-1) Pronóstico.10(180 .175.50) = 174.00 (Dado) 1996 168 175.173.75) = 173.00 + 0.75 + 0.

10(180 .10(168 .00 + 0.173.18 1999 190 173.02 54 .173. Ft Año Real (α = 0.Ft-1) Pronóstico.10(175 .75) = 173.175.18) = 173.75 1998 175 174.10(159 .18 + 0.00) = 175.10) 1995 180 175.36 + 0.50) = 174.36 2000 ND 173.10(190 .75 + 0.36) = 175. Solución del alisado exponencial Ft = Ft-1 + α· (At-1 .175.174.00 (Dado) 1996 168 175.50 1997 159 175.50 + 0.

Gráfico del alisado exponencial Gráfico alisado exponencial 195 190 185 180 175 Ventas 170 165 160 155 150 145 140 1995 1996 1997 1998 1999 2000 Año Real Pronótico 55 .

4 5 7 26 24. la media del periodo 1 y 2.4 20 5 19 24.2 56 .2 1 24 Suavisado exponencial 2 26 25 35 30 Unidades 3 22 25 4 25 24.5 15 10 6 31 23.1 1 2 3 4 5 6 7 8 9 10 11 12 13 9 29 23. determine la demanda para el periodo 13.5 y 0.7 Periodo 10 24 24.6 Demanda Suavizado exponencial α = 0. Ejemplo de alisado exponencial Para la siguiente demanda del producto “XX”. Suavizado exponencial α = 0.8 11 30 24. 0. Considere el pronóstico para el periodo 3.2 Suavizado exponencial Periodo Demanda α = 0.2 12 23 25.7 13 25. considerando el alisado exponencial con α = 0.2.8.9 0 8 18 25.

5 Suavizado Periodo Demanda exponencial α = 0.1 0 1 2 3 4 5 6 7 8 9 10 11 12 13 10 24 25.2 57 .5 25 5 19 24.8 Periodo 12 23 27. Ejemplo de alisado exponencial Suavizado exponencial α = 0.6 15 7 26 26.2 5 9 29 22.4 Demanda Suavizado exponencial α = 0.5 1 24 Suavisado exponencial 2 26 25 35 3 22 30 Unidades 4 25 23.5 11 30 24.5 13 25.3 10 8 18 26.3 20 6 31 21.

8 Suavizado Periodo Demanda exponencial α = 0.9 Demanda Suavizado exponencial α = 0. Ejemplo de alisado exponencial Suavizado exponencial α = 0.6 Periodo 12 23 28.2 58 .6 25 5 19 24.1 15 7 26 28.7 0 10 24 27.8 13 24.1 1 2 3 4 5 6 7 8 9 10 11 12 13 11 30 24.6 5 9 29 19.5 20 6 31 20.8 1 24 Suavisado exponencial 2 26 25 35 3 22 30 Unidades 4 25 22.8 10 8 18 26.

2 Suavizado exponencial α = 0.5 Suavizado exponencial α = 0.8 59 . Ejemplo de alisado exponencial Suavizado exponencial 35 30 25 Unidades 20 15 10 5 0 1 2 3 4 5 6 7 8 9 10 11 12 13 Periodo Demanda Suavizado exponencial α = 0.

90 60 .α) α(1 ..10 10% α= 0.. Ponderaciones α= Periodo anterior Hace 2 periodos Hace 3 periodos α α(1 .α)2 α= 0.α)2At .1 + α(1.2 + α(1. Efectos del pronóstico de la constante de alisado α Ft = α At .3 + .α)At .

α)2At .α) α(1 .1 + α(1. Efectos del pronóstico de la constante de alisado α Ft = α At . Ponderaciones α= Periodo anterior Hace 2 periodos Hace 3 periodos α α(1 ..3 + .α) At .α)2 α= 0.90 61 .10 10% 9% α= 0.2 + α(1..

α)2At ..3 + .α) α(1 .10 10% 9% 8.2 + α(1. Ponderaciones Ponderaciones α= Periodo anterior Hace 2 periodos Hace 3 periodos α α(1 ..1 + α(1.α)2 α= 0.90 62 . Efectos del pronóstico de la constante de alisado α Ft = α At .1% α= 0.α)At .

α) α(1 .α)At .1 + α(1.α)2At .. Efectos del pronóstico de la constante de alisado α Ft = α At .3 + .α)2 α= 0.90 90% 63 .1% α= 0..10 10% 9% 8.2 + α(1. Ponderaciones α= Periodo anterior Hace 2 periodos Hace 3 periodos α α(1 .

1 + α(1.2 + α(1.3 + .90 90% 9% 64 ...10 10% 9% 8.α)2At .α) α(1 .α) At . Efectos del pronóstico de la constante de alisado α Ft = α At . Ponderaciones α= Periodo anterior Hace 2 periodos Hace 3 periodos α α(1 .1% α= 0.α)2 α= 0.

1% α= 0.α)2 α= 0.9% 65 .α) α(1 .10 10% 9% 8.α) 2 α(1 ... Ponderaciones α= Periodo anterior Hace 2 periodos Hace Hace33periodos periodos α α(1 .90 90% 9% 0. Efectos del pronóstico de la constante de alisado α Ft = α At .α)2At .α) At .1 + α(1.2 + α(1.3 + .

Si se selecciona α Trate de minimizar la desviación absoluta media (DAM) Si: Error de pronóstico = demanda .pronóstico Entonces: ∑ errores de pronóstico DAM = n 66 .

Alisado exponencial con ajuste de tendencia pronóstico incluyendo la tendencia (PITt) = pronóstico alisada exponencialmente (Ft) + tendencia alisada exponencialmente (Tt) PITt = Ft + Tt 67 .

Ft-1) + (1.β)(tendencia estimada del último periodo) o Tt = β(Ft .β)Tt-1 68 .α)(Ft-1 + Tt-1) Tt = β(pronóstico del periodo actual .pronóstico del último periodo) + (1. Alisado exponencial con ajuste de tendencia Ft = α (demanda real del último periodo) + (1.α)(pronóstico del último periodo + tendencia estimada del último periodo) o Ft = α(At-1) + (1.

ª Tt = tendencia alisada exponencialmente en el periodo t. 69 . ª α = constante de alisado para la media. ª At = demanda real en el periodo t. ª β = constante de alisado para la tendencia. Alisado exponencial con ajuste de tendencia ª Ft = pronóstico alisada exponencialmente de la serie de datos en el periodo t.

Demanda real Mes (t) At Ene 12 Feb 17 Mar 20 Abr 19 May 24 Jun 21 Jul 31 Ago 28 Sep 36 Oct A las constantes de alisado se les asignan valores de α = 0. Parece que está presente una tendencia al alza.4. y la tendencia en este periodo fue de 2 unidades. 70 . Ejemplo de alisado exponencial con ajuste de tendencia Un gran fabricante utiliza el alisado exponencial para realizar un pronóstico de demanda de una pieza de un equipo de control de contaminación.2 y β = 0. Se supone que el pronóstico inicial para el mes 1 fue de 11 unidades.

16 Pronóstico con Tendencia 40 35 Demanda del producto 30 25 20 15 10 5 0 Ene Feb Mar Abr May Jun Jul Ago Sep Oct Tiempo (mes) Demanda real At Pronóstico PITt 71 .38 24.91 2.89 Jul 31 24.92 14.51 2. Demanda PronósOco Tendencia PronósOco Mes (t) real At alisado Ft alisada.32 31.82 2.32 20.72 Mar 20 15.48 2.60 Oct 32.10 17.18 2.28 Abr 19 17.14 2.68 35.80 1.11 2. Tt PITt Ene 12 11 2 Feb 17 12.14 May 24 19.07 26.18 Ago 28 27.59 Sep 36 29.14 Jun 21 22.45 29.28 2.23 22.

Comparación de pronósticos Pronóstico con Tendencia 40 35 Demanda del producto 30 25 20 15 10 5 0 Ene Feb Mar Abr May Jun Jul Ago Sep Oct Tiempo (mes) Demanda real At Pronóstico PITt Alisado exponencial 72 .

o bien solamente tendencias líneales (línea recta). Ø  El resultado de este enfoque es una línea recta que minimiza la suma de los cuadrados de las distancias verticales o desviaciones de la recta a cada una de las observaciones reales. Ø  Se desarrollan ecuaciones matemáticas de tendencia (ej. Exponencial y cuadratica). y proyecta la línea hacia el futuro para realizar pronósticos a medio o largo plazo. Proyecciones de Tendencias Ø  Está técnica ajusta una línea de tendencia a una serie de datos históricos. Ø  Para desarrollar una recta de tendencia líneal. 73 . se puede aplicar el Método de los Mínimos Cuadrados.

Valores de la variable dependiente Método de mínimos cuadrados Observación Desviación real (valor y) Desviación Desviación (valores y) Desviación Desviación Punto en la línea Desviación de Desviación tendencia (error) ⌢ y = a + bx Periodo de tiempo 74 .

x. y el periodo de tiempo. que es una función lineal: y!i = a + bx i •  Se calcula mediante el método de los mínimos cuadrados: –  Minimiza la suma de errores cuadrados. y. •  Supone una relación entre la variable de respuesta. Análisis de regresión lineal •  Se usa para prever la línea de tendencia lineal. 75 .

Ecuaciones de mínimos cuadrados Ecuación: ŷi = a + bxi n ∑ x i y i − nx y Pendiente: b = i =1n ∑ x i2 − nx 2 i =1 Corte con el eje Y: a = y − bx ŷ = Valor calculado de la variable a predecir (variable dependiente) a = Corte en el eje y b = Pendiente de la recta de regresión x = Variable dependiente 76 .

Tabla de cálculo 2 2 Xi Yi Xi Yi X iY i 2 2 X1 Y1 X1 Y1 X 1Y 1 2 2 X2 Y2 X2 Y2 X 2Y 2 : : : : : 2 2 Xn Yn Xn Yn X nY n 2 2 ΣX i ΣYi ΣXi ΣY i Σ X iY i 77 .

Modelo del análisis de regresión lineal

Y!i = a + bX i

b>0
a

b<0

a

Modelo de pronóstico del análisis de
regresión lineal
La demanda de energía eléctrica a lo largo del periodo
2008 – 2014 se muestra en la siguiente tabla, en
megavatios. Realizar un pronóstico de la demanda del año
2015, ajustando los datos a una tendencia de línea recta.
Año Demanda de energía
eléctrica
2008 74
2009 79
2010 80
2011 90
2012 105
2013 142
2014 122
2015
79

Con serie de datos a lo largo del tiempo, se transforma los valores de x
(tiempo), designando a 2008 como año 1, a 2009 como año 2, y así
sucesivamente

Periodo)de) Demanda)de)
Año tiempo)(x) energía)eléctrica)(y) x2 xy
2008 1 74 1 74
2009 2 79 4 158
2010 3 80 9 240
2011 4 90 16 360
2012 5 105 25 525
2013 6 142 36 852
2014 7 122 49 854
Σx)=) 28 Σy)=) 692 Σx )=)140
2
Σxy)=) 3.063

∑ x 28 ∑ y 692
x= = =4 y = = = 98,86
n 7 n 7
∑ xy − nxy 3.063− (7)(4)(98,86) 295
b= 2 2
= 2
= = 10, 54
∑ x − nx 140 − (7)(4 ) 28

a = y − bx = 98,86 −10, 54(4) = 56, 70
80

56 ó 152 megavatios .70 + 10. La ecuación de los mínimos cuadrados es: ŷ = 56.54(8) = 141. considerando este año como x=8 es: Demanda en 2015 = 56. 70 +10.02 ó 142 megavatios La demanda proyectada para 2016.70 + 10.54(9) = 151. considerando este año como x=9 es: Demanda en 2016 = 56.54x La demanda proyectada para 2015.

Tendencia demanada de energía 160 140 Demanda de energía 120 100 80 60 40 20 0 2008 2009 2010 2011 2012 2013 2014 2015 2016 Año Demanda Energía Tendencia de Energía .

Modelo estacional multiplicativo Ø  Encontrar la demanda histórica media para cada “estación” sumando la demanda de esa estación cada año y dividiéndola entre el número de años de datos disponibles. Ø  Calcular un índice estacional dividiendo la demanda histórica real de esa estación (calculado en la etapa 1) entre la demanda media a lo largo de todas las estaciones. Esto proporciona el pronóstico estacional . Ø  Estimar la demanda anual de todo el año próximo. Ø  Calcular la demanda media a lo largo de todas las estaciones dividiendo la demanda media total anual entre el número de estaciones. 83 . Ø  Dividir esta estimación de la demanda anual total entre el número de estaciones y entonces multiplicarla por el índice estacional de esa estación.

117 Agosto 88 102 110 100 94 1.851 1.851 Diciembre 82 78 80 80 94 0.2002 Índice estacional = demanda media mensual .309 Junio 110 115 120 115 94 1.904 Abril 90 95 115 100 94 1.957 Octubre 77 78 85 80 94 0.064 Septiembre 85 90 95 90 94 0. Determine los índices de estacionalidad.128 Demanda media mensual = = 94 12meses demanda media mensual 2000 .128 Demanda media total = 1.957 Febrero 70 85 85 80 94 0. se dan en la tabla siguiente.851 Marzo 80 93 82 85 94 0.223 Julio 100 102 113 105 94 1. si se espera que la demanda anual del producto para el año 2003 sea de 1200 unidades. Demanda Demanda Demanda de ventas media media Índice Mes 2000 2001 2002 2000 - 2002 mensual estacional Enero 80 85 105 90 94 0.Las ventas mensuales de un producto “YY” en un distribuidor durante el periodo 2000 – 2002.064 Mayo 113 125 131 123 94 1.851 Noviembre 75 82 83 80 94 0.

957 = 98 Octubre 1200/12 x 0.064 = 106 Mayo 1200/12 x 1.223 = 122 Julio 1200/12 x 1.851 = 85 .851 = 85 Diciembre 1200/12 x 0.957 = 96 Febrero 1200/12 x 0.Considerando los índices de estacionalidad y esperando una demanda anual del producto “YY” para el año 2003 de 1200 unidades.309 = 131 Junio 1200/12 x 1.064 = 106 Septiembre 1200/12 x 0.851 = 85 Marzo 1200/12 x 0.117 = 118 Agosto 1200/12 x 1.904 = 90 Abril 1200/12 x 1.851 = 85 Noviembre 1200/12 x 0. la demanda mensual será: Mes Demanda Enero 1200/12 x 0.

–  Los valores varían entre -1 y +1 . Correlación •  El coeficiente de correlación se identifica normalmente como r . •  Se usa principalmente para comprender. 86 . –  Mide el grado de asociación.

Modelo de regresión lineal •  Muestra la relación lineal entre las variables dependientes e independientes. –  Ejemplo: ventas y publicidad (sin tiempo) Corte con el eje Y Pendiente ^ Yi = a + b X i Variable dependiente Variable independiente 87 .

Modelo de regresión lineal Y Yi = a + b X i + Error Error Línea de tendencia Y^i = a + b X i X Valor observado .

Interpretación de los coeficientes •  Pendiente (b): –  El cálculo de Y varía en b cada unidad extra en X. entonces las ventas (Y) aumentarán en 2 por cada unidad extra en publicidad (X). 89 . entonces las ventas medias (Y) serán de 4 cuando la publicidad (X) sea 0. •  Corte con el eje Y (a): –  Valor medio de Y cuando X = 0. •  Si b = 2. •  Si a = 4.

–  Precisión de la predicción. •  Se mide mediante el error estándar de la estimación: –  Muestra los errores de la desviación estándar. 90 . –  SY.X •  Afecta a varios factores: –  Significado del parámetro. Variación de los errores aleatorios •  Variación del Y real a partir del Y pronosticado.

x = i =1 n−2 n 2 n n ∑ yi −a ∑ yi − b ∑ x i yi = i =1 i =1 i =1 n−2 91 . Error estándar de la desviación n ∑ (yi − ŷi )2 S y.

utilice el análisis curvilineal. si existe la curva. •  Se supone que las desviaciones que rodean a la línea de los mínimos 92 cuadrados son aleatorias. No trate de predecir periodos de tiempo lejanos al campo de la base de datos. Primero trace los datos. •  Se supone que la relación sólo se sustenta dentro o justo fuera del campo de datos. . Suposiciones de los mínimos cuadrados •  Se supone que la relación es lineal.

Fómula del coeficiente de correlación n n n n ∑ x i yi − ∑ x i ∑ yi r= i =1 i =1 i =1 ⎡ n 2 ⎛ n ⎞2 ⎤⎡ n 2 ⎛ n ⎞2 ⎤ ⎢n ∑ x i − ⎜ ∑ x i ⎟ ⎥ ⎢n ∑ yi − ⎜ ∑ yi ⎟ ⎥ ⎣ i =1 ⎝ i =1 ⎠ ⎦ ⎣ i =1 ⎝ i =1 ⎠ ⎦ 93 .

0 -0.5 +1.0 Aumento de la Aumento de la correlación negativa correlación positiva .5 0 +0. Valores del coeficiente de correlación Correlación Correlación negativa Sin positiva perfecta correlación perfecta -1.

89 Y r=0 ^ Yi = a + b Xi ^ Yi = a + b Xi X X 95 . Coeficiente de correlación y modelo de regresión Y r=1 Y r = -1 ^ = a +b X Yi i ^ = a +b X Yi i X X Y r = 0.

–  Un error de pronóstico más pequeño: •  Error cuadrado medio (ECM). •  Desviación media absoluta (DAM). •  Se observa en las representaciones de los errores a lo largo del tiempo. ^ •  Error = (Yi .Yi) = (Real . Guía para elegir el modelo de pronóstico •  Usted quiere conseguir: –  Ninguna conducta o dirección del error de pronóstico.pronóstico). 96 .

Diagrama de dispersión Ventas Ventas frente a tiempo 4 3 2 1 0 92 93 94 95 96 Periodo de tiempo 97 .

Conducta del error de pronóstico Tendencia no totalmente Conducta deseada justificada Error Error 0 0 Tiempo (años) Tiempo (años) 98 .

yˆ i | |errores de pronóstico | DAM = i =1 = ∑ n n 99 .ˆy i ) 2 2 i =1 ∑ errores de pronóstico ECM = = n n •  Desviación absoluta media (DAM): n ∑ | y i . Ecuaciones del error de pronóstico •  Error cuadrado medio (ECM): n ∑ (y i .

0 1. Ejemplo de selección del modelo de pronóstico Usted es el analista de marketing. Ha previsto las ventas con un modelo lineal y alisado exponencial.7 2.0 1996 1 1.8 10 0 .0 1999 4 3.4 3.9) 1995 1 0.6 1.0 1997 2 2.9 1998 2 2.3 1. ¿Qué modelo usará? Pronóstico del Pronóstico alisado Ventas del modelo exponencial Año reales lineal (0.

7 1996 4 3.00 0.0 1995 2 2.0 1.6 0.10 / 5 = 0.3 -0.49 0.7 -0.4 1993 1 1.0 0.6 Total 0.0 ECM = Σ Error2 / n = 1. Evaluación del modelo lineal ^ Año Yi Yi Error Error2 |Error| 1992 1 0.400 10 1 .3 0.6 0.16 0.09 0.0 / 5 = 0.7 0.4 0.4 0.10 2.0 0.220 DAM = Σ |Error| / n = 2.36 0.3 1994 2 2.

3 0.06 102 .2 0.01 0.05 / 5 = 0.0 0.01 DAM = Σ |Error| / n = 0.04 0.0 0.0 1997 2 1.05 0.0 1996 1 1.3 / 5 = 0.8 0.0 0.3 ECM = Σ Error2 / n = 0.0 1999 4 3.00 0.1 0.9 0.0 0. Evaluación del modelo de alisado exponencial ^ Año Yi Yi Error Error2 |Error| 1995 1 1.0 0.00 0.0 0.2 Total 0.00 0.1 1998 2 2.

Evaluación del modelo de alisado exponencial Modelo de alisado exponencial: ECM = Σ Error2 / n = 0.06 Modelo lineal: ECM = Σ Error2 / n = 1.220 DAM = Σ |Error| / n = 2.10 / 5 = 0.05 / 5 = 0.3 / 5 = 0.0 / 5 = 0.400 103 .01 DAM = Σ |Error| / n = 0.

Señal de rastreo •  Mide el grado de precisión del pronóstico para predecir valores reales. •  Suma actual de los errores de pronóstico (SAEP) dividida entre la desviación media absoluta (DAM): –  Una buena señal de rastreo tiene valores bajos. 104 . •  Debe estar dentro de los límites de control superiores e inferiores.

Ecuación de la señal de rastreo SAEP Señal de rastreo = DAM n ∑ (y i .yˆ i ) = i =1 DAM = ∑ errores de pronóstico DAM 105 .

Cálculo de la señal de rastreo

Trim. Demanda Demanda Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90
2 100 95
3 100 115
4 100 100
5 100 125
6 100 140

106

Cálculo de la señal de rastreo

Trim. Demanda Demanda Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10
2 100 95
3 100 115 Error = Real - pronóstico
= 90 - 100 = -10
4 100 100
5 100 125
6 100 140

107

Cálculo de la señal de rastreo

Trim. Demanda Demanda Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10 -10
2 100 95
3 100 115 SAEP = Σ Errores
= ND + (-10) = -10
4 100 100
5 100 125
6 100 140

108

Cálculo de la señal de rastreo Trim. Demanda Demanda Error SAEP Error |Error| DAM SR prevista real absoluto acumulado 1 100 90 -10 -10 10 2 100 95 3 100 115 Error absoluto = |Error| = |-10| = 10 4 100 100 5 100 125 6 100 140 109 .

Demanda Demanda Error SAEP Error |Error| DAM SR prevista real absoluto acumulado 1 100 90 -10 -10 10 10 2 100 95 3 100 115 |Error| acumulado = Σ |Errores| = NA + 10 = 10 4 100 100 5 100 125 6 100 140 110 . Cálculo de la señal de rastreo Trim.

Cálculo de la señal de rastreo Trim.0 2 100 95 3 100 115 DAM = Σ |Errores|/n = 10/1 = 10 4 100 100 5 100 125 6 100 140 111 . Demanda Demanda Error SAEP Error |Error| DAM SR prevista real absoluto acumulado 1 100 90 -10 -10 10 10 10.

Demanda Demanda Error SAEP Error |Error| DAM SR prevista real absoluto acumulado 1 100 90 -10 -10 10 10 10. Cálculo de la señal de rastreo Trim.0 -1 2 100 95 3 100 115 SR = SAEP/DAM = -10/10 = -1 4 100 100 5 100 125 6 100 140 112 .

pronóstico = 95 .100 = -5 5 100 125 6 100 140 113 . Cálculo de la señal de rastreo Trim.0 -1 2 100 95 -5 3 100 115 4 100 100 Error = Real . Demanda Demanda Error SAEP Error |Error| DAM SR prevista real absoluto acumulado 1 100 90 -10 -10 10 10 10.

0 -1 2 100 95 -5 -15 3 100 115 4 100 100 SAEP = Σ Errores = (-10) + (-5) = -15 5 100 125 6 100 140 114 . Demanda Demanda Error SAEP Error |Error| DAM SR prevista real absoluto acumulado 1 100 90 -10 -10 10 10 10. Cálculo de la señal de rastreo Trim.

Cálculo de la señal de rastreo

Trim. Demanda Demanda Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10 -10 10 10 10,0 -1
2 100 95 -5 -15 5
3 100 115
4 100 100 Error absoluto = |Error|
= |-5| = 5
5 100 125
6 100 140

115

Cálculo de la señal de rastreo

Trim. Demanda Demanda
Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10 -10 10 10 10,0 -1
2 100 95 -5 -15 5 15
3 100 115
4 100 100 Error acumulado = Σ |Errores|
= 10 + 5 = 15
5 100 125
6 100 140

116

Cálculo de la señal de rastreo

Trim. Demanda Demanda
Error SAEP Error |Error| DAM SR
prevista real absoluto acumulado

1 100 90 -10 -10 10 10 10,0 -1
2 100 95 -5 -15 5 15 7,5
3 100 115
4 100 100 DAM = Σ |Errores|/n
= 15/2 = 7,5
5 100 125
6 100 140

117

0 -1 2 100 95 -5 -15 5 15 7. Cálculo de la señal de rastreo Trim. Demanda Demanda Error SAEP Error |Error| DAM SR prevista real absoluto acumulado 1 100 90 -10 -10 10 10 10.5 -2 3 100 115 4 100 100 SR = SAEP/DAM = -15/7.5 = -2 5 100 125 6 100 140 118 .

Representación de una señal de rastreo Señal que supera el límite Señal de rastreo Límite de control + superior DAM 0 Intervalo aceptable - Límite de control inferior Tiempo 119 .

Señales de rastreo 160 3 140 pronóstico 2 Señal de rastreo 120 Demanda real 100 1 80 0 Demanda real 60 -1 Señal de rastreo 40 20 -2 0 -3 0 2 4 6 8 Tiempo 120 .

•  Eventos poco comunes. •  Las necesidades varían mucho en función de la industria y del producto. 121 . Pronóstico en el sector servicios •  Presenta algunos retos poco comunes: •  Especial necesidad de datos a corto plazo. •  Vacaciones y calendario.

Pronóstico de ventas por hora en un restaurante de comida rápida 20 según hora del día % Porcentaje de venta 15 10 5 0 +11-12 +1-2 +3-4 +5-6 +7-8 +9-10 11-12 12-1 1-2 2-3 3-4 4-5 5-6 6-7 7-8 8-9 9-10 10-11 (Hora de almuerzo) (Hora de la cena) Hora del día 122 .

3 y 0. Calcule el DAM para cada método. 123. promedio móvil ponderado de 3 meses con pesos de 0. a fin de determinar el método que sería preferible de acuerdo con las circunstancias. que fue de 115 unidades.3. 0. Problema de aplicación El plan de demanda de 10 periodos para cierto producto se presenta como 127.113. 121. y explique su significado. 123 . suavización exponencial con una constante de suavización de 0. 109.5. 115. si existe.2. Pronostique la demanda para el periodo 11. También calcule el sesgo en la información. Considere que el valor de pronostico inicial de suavización exponencial corresponde a la demanda real del periodo anterior. 127y 118 unidades. 131. y regresión lineal. 117. utilizando cada uno de los siguientes métodos: promedio móvil de 3 meses. para los cuatro métodos.

5 b= 0.1 a= 120 124 . Problema de aplicación Periodo Demanda x2 y2 xy 1 127 1 16129 127 2 113 4 12769 226 3 121 9 14641 363 4 123 16 15129 492 5 117 25 13689 585 6 109 36 11881 654 7 131 49 17161 917 8 115 64 13225 920 9 127 81 16129 1143 10 118 100 13924 1180 Suma= 55 1201 385 144677 6607 5.018181818 120.

Regresión 1 127 115 120.6 120.3 119.1 5 117 119.1 6 109 120.8 118.8 120.6 120.0 3 121 116.2 115.2 10 118 124. Problema de aplicación Periodo Demanda PM 3 Meses PMP 3 Meses Suav.3 120.2 11 120.1 4 123 120.6 118.0 2 113 118.8 120.1 7 131 116.1 9 127 118.1 120.3 124.0 120.1 8 115 119.2 125 .3 120.9 120.3 119. Exp.3 114.6 120.0 121.2 121.6 118.1 120.4 119.0 120.9 120.3 118.4 120.

2 8.1 120.6 -6.2 121.3 6.2 Suma= 2.0 2.1 7 131 116.1 -11.6 120.9 8 115 119.4 -3.8 16.1 10.0 121.6 -10.4 118.2 11 120.8 -9.4 119.7 118.1 6 109 120.7 1.6 120.1 4.8 10 118 124.3 -11.8 120.6 2.6 6.4 8.0 4.0 2 113 118.0 7.1 120.3 11.2 6.9 4.9 1.1 5.0 120.2 7.2 Suma/n= 0.3 124.7 14.6 10.1 0.8 115.3 3.6 120.1 Promedio móvil ponderado de 3 meses 7.1 15.7 119.2 -6.0 Regresión lineal 6.2 16.6 -2.3 7.4 120.4 5.0 -0.1 9 127 118.2 118.9 120.2 6.0 120.3 120.2 2.3 49.3 -6.8 6.0 Método MAD Promedio móvil de 3 meses 7.7 114.4 -5.7 2.3 119.3 14.3 -3.2 7.7 8. Exp.6 118.8 8.6 55.1 11.9 10.1 -3.9 Suavización exponencial 7.2 -2.9 42.1 49. Error ABS Regresión Error ABS 1 127 115 120.3 8.6 8.9 15. Problema de aplicación Periodo Demanda PM 3 Meses Error ABS PMP 3 Meses Error ABS Suav.1 4 123 120.3 2.2 3.1 -5.2 120.0 126 .0 -4.3 120.1 3.8 9.9 5 117 119.1 6.4 3.9 120.8 3.1 2.9 2.0 3 121 116.3 -0.0 -2.