02 Pronóstico de Ventas

Organización de
sistemas productivos
Unidad 3: Planificación de la capacidad
Temáticas:
Planeación de Ventas y operaciones
(pronóstico de ventas)
Ing. Pablo A. Pérez Gosende, MSc.

pperezg@ups.edu.ec
Pronóstico:
Proceso de estimación de un acontecimiento futuro

proyectando hacia el futuro datos del pasado.
Predicción:
Proceso de estimación de un suceso futuro
basándose en consideraciones subjetivas diferentes a
los simples datos provenientes del pasado.
2
Influencia de los pronósticos en otras
áreas de la Dirección de
Operaciones
• Diseño de plantas
• Diseño de productos
• Planificación de la producción
• Gestión de la capacidad
• Gestión de inventarios
3
PREVISIÓN DE LA DEMANDA
Son de tipo subjetivo, basados en las opiniones

Modelos de gerentes y expertos, los resultados de las
encuestas de consumidores y las estimaciones
cualitativos del personal de ventas. Cuando no se dispone de
información histórica al respecto son los únicos
métodos utilizables.
Modelos Parten de la información histórica recogida sobre

las variables que tienen influencia en el proceso,
cuantitativos mediante técnicas de tipo estadístico.
Modelos cualitativos
MÉTODO DELPHI
Entre los diversos métodos para tomar decisiones no
estructuradas sobre un conjunto de ideas, el método Delphi se
considera útil y pertinente basado en las razones siguientes:
• El número de ideas que es considerado por un grupo es mayor
que el que podría ser tenido en cuenta por una sola persona.
Cada experto podrá aportar a la discusión general la idea que
tiene sobre el tema debatido desde su área de conocimiento.
• Imposibilidad de reunir a todos los expertos en el mismo lugar
y en el mismo instante.
• La condicional profesional de evitar criterios unipersonales o
subjetividad individual que pudieran restar credibilidad y
fiabilidad a la investigación.
8
MÉTODO DELPHI
• Para la conformación del listado de ideas de pronóstico se le solicita a
cada experto considerado en el estudio su apreciación sobre el
comportamiento de las ventas de la empresa en un período futuro (mes o
año). Cada experto hará su estimación de las ventas (un valor numérico)
para el período en estudio con base a su experiencia y a su vez justificarán
las razones en las cuales sustenta su predicción.
• Luego de recopilar esta información se elabora un listado con las
predicciones anónimas de todos los expertos y las razones justificantes de
estos valores. Dicho listado se les presenta a los expertos en la primera
ronda del método, con el objetivo de que decidan si son suficientes, o si es
necesario adicionar o modificar alguna idea. En este momento se
adicionarán aquellas ideas no previstas con antelación.
• En la segunda ronda se procede a listar y presentar a los expertos las
predicciones resultantes de la ronda anterior, con vista a que realicen la
votación según los procedimientos establecidos; o sea, marcar con “1”
aquellos aspectos con los que estén de acuerdo y con “0” aquellos con los
que no. Generalmente participan de siete a quince expertos. 9
MÉTODO DELPHI
En este paso se calcula el coeficiente de concordancia a cada una
de las variables analizadas, mediante la siguiente expresión:
Cc = Vp / Vt
donde:
• Cc: Coeficiente de concordancia
• Vp: Cantidad de votos positivos
• Vt: Cantidad total de votos
• Se seleccionarán aquellas variables que cumplan como
condición que su coeficiente de concordancia sea mayor que
0,7.
10
Formato del MÉTODO DELPHI
E E E E E E E E Cc Selección de
Ideas (Proyectos potenciales)
1 2 3 4 5 6 7 8 Vp ideas
11
Ejemplo de aplicación:
Una empresa dedicada al ensamble de artículos electrodomésticos
decide hacer una predicción de la demanda basado en el criterio
subjetivo de ciertos expertos para lo cual se determinó aplicar el
método Delphi.
Después de la primera ronda del método se llegó a un listado con
las predicciones hechas por cada experto con sus correspondientes
justificantes, el cual fue sometido a votación por parte de los
expertos para que determinaran el ordenamiento de las ideas en
orden de importancia considerando que el valor 1 indica la idea
más significativa.
Se requiere que usted colabore con la aplicación del método para
determinar la previsión de la demanda basado en el listado que se
presenta a continuación.
12
Listado de previsiones
No. Previsiones
13500 unidades. Se prevé que el competidor más importante reduzca su producción por
1 incumplimiento de regulaciones ambientales por lo cual podríamos absorber parte de su
cuota de mercado
11600 unidades. Se prevé que al adicionarle nuevos atributos al producto se estimule las
2
ventas del mismo.
10000 unidades. Las ventas de seguro tendrán el mismo comportamiento del año anterior,
3
no habrá incrementos
11000 unidades. Habrá un pequeño incremento debido a la imagen que se está creando
4
sobre nuestra marca en la mente del cliente
11500 unidades. Se prevé esta cifra si se realiza una campaña publicitaria de impacto que
5 refuerce el posicionamiento de la marca
11200 unidades. Se prevé este nivel de ventas si se capacita al personal de ventas para que
6 mejoren su desempeño y estimulen las ventas
14000 unidades. Se prevé este nivel de ventas si se aplica en el próximo año una estrategia
7 de reducción temporal de precios para estimular a la compra.
11800 unidades. Se venderá esta cantidad si se aumenta los períodos de garantía de los
8 equipos a dos años sin costo por parte del cliente. Esto puede generar confianza del cliente
respecto a nuestro producto y pudiera estimular el incremento de las ventas.
9500 unidades. Se prevé un decremento de la producción en un 5% respecto al año anterior
9 porque es necesario parar la fábrica durante una semana para realizar mantenimientos.
10500 unidades. No se esperan incrementos de la demanda respecto al año anterior pero
10 por experiencia es aconsejable producir un 5% más de lo que se vendió para evitar fortuitas
rupturas de stock. 13
Valoraciones de los expertos:
Ideas
E1 E2 E3 E4 E5 E6 E7 E8 Vp Cc Selección
(Previsiones)
1 1 1 1 1 1 1 1 0 7 0,875 SI
2 0 1 0 0 0 0 1 0 2 0,25 NO
3 1 1 1 1 1 1 0 0 6 0,75 SI
4 0 0 1 0 1 0 0 1 3 0,375 NO
5 1 0 1 1 1 0 1 1 6 0,75 SI
6 0 0 0 0 1 0 1 0 2 0,25 NO
7 0 1 0 1 1 0 0 0 3 0,375 NO
8 1 1 0 1 1 1 0 0 5 0,625 NO
9 0 0 1 0 0 0 0 0 1 0,125 NO
10 1 1 1 1 1 1 1 0 7 0,875 SI
14
Consulta a la fuerza de ventas
Consiste en solicitar las opiniones de los
vendedores o agentes comerciales, sobre lo que
ocurrirá en su área o región. Pueden presentarse
los siguientes problemas: suelen existir
perjuicios y tendencias según intereses
particulares, pueden ser afectadas por el
carácter excesivamente optimista o pesimista y
hay que hacer intervenir a muchas personas, lo
cual resulta costoso por el tiempo que requiere
contestar los cuestionarios.
15
Grupos de consenso
Se basa en el intercambio libre en juntas o
reuniones entre un pequeño grupo de personas.
La idea es que la discusión en grupo produzca
mejores pronósticos que cualquier individuo por
sí solo. Los participantes pueden ser ejecutivos,
vendedores o consumidores.
16
Analogías históricas
Si dos cosas tienen, cuando menos, una
característica común, aparece una analogía.
El interés de este método de previsión
tecnológica está en investigar si ambas cosas
presentan también otras características
similares.
Permite el análisis comparativo de nuevos
productos con otros ya existentes y similares en
el mercado.
17
Investigación de mercados
Se establece para recopilar datos de varias
formas (encuestas, entrevistas, etc.) con el fin de
comprobar hipótesis acerca del mercado. Por lo
general, se usa para pronosticar ventas a largo
plazo y de nuevos productos.
18
Modelos cuantitativos
Modelos cuantitativos
Modelos Modelos
de series causales
de tiempo
20
ANÁLISIS DE SERIES DE TIEMPO
Es un método estadístico que depende en alto
grado de datos históricos de la demanda, con los
que proyecta la magnitud futura de la misma y
reconoce las tendencias y patrones estacionales.
Métodos
• Pronóstico empírico
• Promedio móvil simple
• Promedio móvil ponderado
• Suavizamiento exponencial simple
• Suavizamiento exponencial doble
• Regresión lineal simple
21
Patrones de la demanda
Las observaciones repetidas de la demanda de un producto o servicio
en el orden que se realizan forman un patrón que se conoce como
serie de tiempo. Los cinco patrones básicos de la mayoría de las series
de tiempo aplicables a la demanda son:
• HORIZONTAL
• TENDENCIA
• ESTACIONAL
• CÍCLICO
• ALEATORIO
Una serie de tiempo puede contener cualquier combinación de estos

patrones.
22
Componente horizontal: los datos fluctúan en torno de
una línea horizontal (una media constante)
23
Tendencia: los datos aumentan o disminuyen
sistemáticamente a través del tiempo
24
Componente estacional: los datos muestran incrementos y
decrementos de manera consistente, o sea, se repiten
dependiendo de la hora del día, la semana, mes o año.
25
Componente cíclico: los datos revelan incrementos y
decrementos graduales y menos previsibles de la demanda,
en el transcurso de períodos largos (años, decenios).
26
Componente aleatorio: Indica una variación imprevisible de
la demanda.
Es resultado de causas fortuitas y no puede pronosticarse.

Es la razón principal por la que todos los pronósticos de
ventas resultan equivocados.
27
Errores de pronóstico
Los pronósticos casi siempre contienen errores. Estos se clasifican en
dos formas: ya sea como errores de sesgo o como errores aleatorios.
• Los errores de sesgo son el resultado de equivocaciones
sistemáticas, por lo cual se observa que el pronóstico siempre es
demasiado alto o demasiado bajo. Con frecuencia, esos errores son
el resultado de pasar por alto o no estimar correctamente los
patrones de la demanda, como los de tendencia, los estacionales o
los cíclicos.
• El error aleatorio es el resultado de factores imprevisibles que
provocan que el pronóstico se desvíe de la demanda real.
Los analistas de pronósticos intentan minimizar los efectos de los
errores de sesgo y los errores aleatorios, seleccionando los modelos de
pronóstico apropiados, pero es imposible suprimir los errores en todas
sus formas.
28
Error de pronóstico
En cualquier método de pronóstico, es
importante medir su precisión. El error de
pronóstico es simplemente la diferencia que se
obtiene al restar el pronóstico de la demanda
real en cualquier período determinado:
Et=Dt-Ft
Et: Error de pronóstico en el período t
Dt: Demanda real en el período t
Ft: Pronóstico para el período t
29
• RSFE: Suma acumulada de errores de pronóstico (del inglés
Running sum of forecast errors). Es una medida del error total
de pronóstico, que evalúa el sesgo en un pronóstico.
RSFE=∑Et
• BIAS: Es el error de pronóstico promedio y también es una

medida del sesgo :
𝐑𝐒𝐅𝐄
𝐁𝐈𝐀𝐒 =
𝐧
30
Los siguientes errores miden la dispersión del pronóstico:
• MSE: Error cuadrático medio (Mean Squared Error)
σ 𝑬𝒕 𝟐
𝑴𝑺𝑬 =
𝒏
• MAD: Desviación absoluta media (Mean Absolute Deviation)
σ 𝑬𝒕
MAD=
𝒏
σ(𝑬𝒕 −𝑩𝑰𝑨𝑺)𝟐
• σ: Desviación estándar. 𝝈=
𝒏−𝟏
31
• MAPE: Error porcentual medio absoluto (Mean Absolute
percent error). Mide el porcentaje promedio que representa
el error absoluto del pronóstico respecto a la demanda real de
cada período considerado. Es la mejor medida de error que
puede usarse para hacer comparaciones entre series de
tiempo para diferentes productos.
𝑬𝒕
σ ∙ 𝟏𝟎𝟎
𝑫𝒕
𝑴𝑨𝑷𝑬 =
𝒏
32
Pronóstico empírico:
Método de series de tiempo en el cual el
pronóstico de la demanda para el siguiente
período es igual a la demanda observada en el
período actual, es decir:
Ft+1= Dt
Donde:
Ft+1: Pronóstico
Dt: Demanda del período actual
33
Ejemplo:
Pronostique la demanda anual de cierto
equipo electrodoméstico. Calcule el MAD
y el BIAS del pronóstico realizado.
Demanda real Pronóstico Error
Años.
(Dt) (Ft) (Et)
2014 845
2015 920
2016 988
2017 1172
2018 1145
2019 1174
2020 1475
2021
34
Solución: No conocemos los datos de
demanda real del año 2014
Demanda real Pronóstico Error por lo cual es imposible
Años. (Et)
hacer un pronóstico para el
2014 basado en el modelo
(Dt) (Ft) empírico, por tal motivo el
modelo corre desde el año
2014 845 2015.
2015 920 845 75

2016 988 920 68
2017 1172 988 184
2018 1145 1172 -27 Como aún no ha pasado el
año 2021 no conocemos la
2019 1174 1145 29 cantidad real de productos

que demandaron nuestros
clientes. Por tal motivo no
2020 1475 1174 301 podemos determinar la
desviación absoluta del
2021 1475 pronóstico respecto a los
valores reales
𝑅𝑆𝐹𝐸 = σ 𝐸𝑡 = 630
RSFE 630
BIAS = = = 105 σ 𝐸𝑡 =
Con los datos históricos con
n 6 684 los que se cuenta, las
desviaciones absolutas bajo
este modelo se han podido
n
 Et
684
determinar para 6 períodos
(años). Por tal motivo
MAD = t =1
= = 114 consideramos n=6
n 6 35
Promedio móvil simple:
El pronóstico se realiza promediando la
demanda de los n períodos más recientes
(generalmente un número impar), o sea:
𝐷𝑡 + 𝐷𝑡−1 + 𝐷𝑡−2 + ⋯ +𝐷𝑡−𝑛+1

𝐹𝑡+1 =
𝑛
36
El valor de t indica que
el modelo utilizará el
promedio de las
Ejemplo: demandas reales

correspondientes a los
tres años anteriores al
año que se pronostica, o
Pronostique la demanda anual de cierto sea un trienio.
equipo electrodoméstico (utilizando t=3). Calcule el

MAD y el BIAS del pronóstico realizado.
Años.
(Dt) (Ft) (Et)
2014 845
2015 920
2016 988
2017 1172
2018 1145
2019 1174
2020 1475
2021
37
Solución:
No conocemos los datos de
Demanda real Pronóstico Error demanda real de años

anteriores al 2014, por tanto
Años. (Et)
el modelo de pronóstico en
(Dt) (Ft) este caso (promedio móvil
de los tres períodos
2014 845 anteriores) solo puede

correrse a partir de 2017.
2015 920
2016 988
2017 1172 917,67 254,33
2018 1145 1026,67 118,33 Como aún no ha pasado el
año 2021 no conocemos la
2019 1174 1101,67 72,33 cantidad real de productos
que demandaron nuestros
2020 1475 1163,67 311,33 clientes. Por tal motivo no

podemos determinar la
desviación absoluta del
2021 1264,67 pronóstico respecto a los
valores reales
𝑅𝑆𝐹𝐸 = σ 𝐸𝑡 = 756,32
RSFE 756,33
BIAS = = = 189,08 σ 𝐸𝑡 = 756,32
n 4 Con los datos históricos con
los que se cuenta, las
n desviaciones absolutas bajo
 Et
756,33
MAD = t =1
= = 189,08 (años). Por tal motivo
n 4 consideramos n=4 38
Promedio móvil ponderado:
Cada una de las demandas históricas que
intervienen en el promedio pueden tener su
propia ponderación. La suma de tales
ponderaciones es igual a 1.
𝐹𝑡+1 = 𝑤1 𝐷𝑡 + 𝑤2 𝐷𝑡−1 +∙∙∙ +𝑤𝑛 𝐷𝑡−𝑛+1
39
Ejemplo:
Pronostique la demanda anual de cierto
equipo electrodoméstico(considere t =3 y ponderaciones de 0,5;
0,25 y 0,25).Calcule el MAD y el BIAS del pronóstico realizado.

Años.
(Dt) (Ft) (Et)
2014 845
2015 920
2016 988
2017 1172
2018 1145
2019 1174
2020 1475
2021
40
Solución: No conocemos los datos de
demanda real de años
Demanda real Pronóstico Error anteriores al 2014, por tanto
Años. (Et)
el modelo de pronóstico en
este caso (promedio móvil
(Dt) (Ft) ponderado de los tres
períodos anteriores) solo
2014 845 puede correrse a partir de
2017.
2015 920
2016 988
2017 1172 935,25 236,75
2018 1145 1063,00 82
2019 1174 1112,50 61,50
2020 1475 1166,25 308,75
2021 1317,25
𝑅𝑆𝐹𝐸 = σ 𝐸𝑡 = 689
RSFE 689
BIAS = = = 172.25 σ 𝐸𝑡 = 689
n 4 Con los datos históricos con
los que se cuenta, las
n desviaciones absolutas bajo
 Et
689
MAD = t =1
= = 172.25 (años). Por tal motivo
n 4 consideramos n=4 41
Suavizamiento exponencial simple:
Es un método de promedio móvil ponderado que
permite calcular el promedio de una serie de
tiempo, asignando a las demandas recientes mayor
ponderación que a las demandas anteriores.
𝐹𝑡+1 = 𝐹𝑡 +∝ (𝐷𝑡 − 𝐹𝑡 )
Donde:
α: parámetro de suavización
42
Ejemplo:
Pronostique la demanda anual de cierto equipo
electrodoméstico(considere  = 0.2). Calcule el MAD y
el BIAS del pronóstico realizado.
Años.
(Dt) (Ft) (Et)
2014 845
2015 920
2016 988
2017 1172
2018 1145
2019 1174
2020 1475
2021
43
Solución: Para correr el modelo requerimos de
pronósticos anteriores a 2014. Como
el ejercicio no nos brinda esos datos,
asumimos un pronóstico empírico
Demanda real Pronóstico Error para 2015 tomando como referencia
Años. (Et)
la demanda del año anterior. De tal
(Dt) (Ft) forma, F2015=845 y como

consecuencia:
𝐹2016 = 𝐹2015 + 0,2(𝐷2015 − 𝐹2015 )
2014 845 𝐹2016 = 845 + 0,2(920-845)
𝐹2016 = 860
2015 920 845,00 75,00
2016 988 860,00 128,00
2017 1172 885,60 286,40
2018 1145 942,88 202,12
2019 1174 983,30 190,70
2020 1475 1021,44 453,56
2021 1112,15
𝑅𝑆𝐹𝐸 = σ 𝐸𝑡 = 1335,77 Con los datos históricos con
RSFE 1335.77 los que se cuenta, las
BIAS = = = 222.63 σ 𝐸𝑡 = 1335,77 desviaciones absolutas bajo
n 6 este modelo se han podido
n

(años). Por tal motivo
Et consideramos n=6
1335.77
MAD = t =1
= = 222.63
n 6
Pronósticos suavizados (exponenciales) versus demanda real de
un producto a través del tiempo
Cuando el producto tiene una demanda estable es recomendable utilizar un valor de 𝛼

pequeño (0,05 ó 0,1)
Si la demanda experimenta un crecimiento sería mejor considerar un valor de 𝛼 más
alto (quizás de 0,15 o 0,30). Mientras más rápido sea el crecimiento, más alto deberá
ser el valor de 𝛼. 45
Suavizamiento exponencial doble:
(También llamado suavizamiento exponencial ajustado a la tendencia)
Una tendencia hacia arriba o hacia abajo en los datos recopilados durante una
secuencia de períodos hace que el pronóstico exponencial siempre se quede por
debajo o atrás de la ocurrencia real.
Los pronósticos suavizados exponencialmente se pueden corregir agregando un
ajuste a las tendencias, para lo cual se emplean dos constantes de suavización.
Además de α, la ecuación de la tendencia utiliza una constante de suavización β, la
cual reduce el impacto del error que ocurre entre la realidad y el pronóstico.
………………………………… 𝐹𝐼𝑇𝑡 = 𝐹𝑡 + 𝑇𝑡
𝐹𝑡+1 = 𝐹𝐼𝑇𝑡 +∝ (𝐷𝑡 − 𝐹𝐼𝑇𝑡 )
𝑇𝑡+1 = 𝑇𝑡 + 𝛽(𝐹𝑡+1 − 𝐹𝐼𝑇𝑡 )
Donde:
α y β: constantes de suavización
FITt :Pronóstico incluída la tendencia para el período t
Ft+1: Pronóstico suavizado exponencialmente para el período t+1
Tt+1: Tendencia suavizada exponencialmente para el período t+1
46
Dt: Demanda real para el período t.
Ejemplo: 𝑭𝑰𝑻𝒕 = 𝑭𝒕 + 𝑻𝒕
Pronostique la demanda anual de cierto equipo 𝑭𝒕+𝟏 = 𝑭𝑰𝑻𝒕 +∝ (𝑫𝒕 − 𝑭𝑰𝑻𝒕 )
electrodoméstico. Suponga un pronóstico suavizado 𝑻𝒕+𝟏 = 𝑻𝒕 + 𝜷(𝑭𝒕+𝟏 − 𝑭𝑰𝑻𝒕 )
inicial de 840 unidades, una tendencia de 10 ( = 0.3 y

β=0,8). Calcule el MAD y el BIAS del pronóstico realizado.
Pronóstico
Demanda Pronóstico Tendencia
incluída la Error
Años. real suavizado suavizada
tendencia (E =D -FIT )
(Dt) (Ft) (Tt) t
(FITt)
t t
2014 845
2015 920
2016 988
2017 1172
2018 1145
2019 1174
2020 1475
2021
47
Solución:
Pronóstico
Demanda Pronóstico Tendencia
incluída la Error
Años. real suavizado suavizada
tendencia (Et)
(Dt) (Ft) (Tt) (FITt)
2014 845 840 10 850 -5
2015 920 848,50 8,80 857,30 62,70
2016 988 876,11 23,85 899,96 88,04
2017 1172 926,37 44,98 971,35 200,65
2018 1145 1031,54 93,13 1124,68 20,32
2019 1174 1130,77 98,01 1228,79 -54,79
2020 1475 1212,35 84,86 1297,21 177,79
2021 1350,55 127,53 1478,08
𝑅𝑆𝐹𝐸 = σ 𝐸𝑡 = 489,71
RSFE 489.71
BIAS =
n
=
7
= 69,96 σ 𝐸𝑡 = 609,29
n
 Et
609.29
MAD = t =1
= = 87,04
n 7 48
Método de regresión lineal:
Método causal en el que una variable (conocida como variable
dependiente), está relacionada con una variable independiente
por medio de una ecuación lineal de la forma:
𝑌 = 𝑎 + 𝑏𝑥
Cuando la variable independiente son los períodos de tiempo, se
le considera un método de serie de tiempo, en cualquier otro
caso se considera un método causal.
Donde:
Y: variable dependiente
X: variable independiente
a: intersección de la recta con el eje Y
b: pendiente de la recta 49
El objetivo es encontrar los valores de a y b
que minimicen la suma de las desviaciones
cuadráticas de los puntos de datos reales que
están representados en la serie de tiempo
50
Método de regresión lineal:
ഥ − 𝒃ഥ
𝒂=𝒚 𝒙
𝒏 σ 𝑿𝒀 − (σ 𝒙)(σ 𝒀)
Intersección de la recta con el eje Y 𝒃=
𝒏 σ 𝒙𝟐 − (σ 𝑿)𝟐
51
Ejemplo:
Pronostique la demanda anual de cierto equipo
electrodoméstico. Calcule el MAD y el BIAS del
pronóstico realizado.
Años.
(Dt) (Ft) (Et)
2014 845
2015 920
2016 988
2017 1172
2018 1145
2019 1174
2020 1475
2021
52
Primeramente debe obtenerse la ecuación de regresión lineal
𝒀 = 𝒂 + 𝒃𝒙
Esta ecuación, nos permitirá determinar el pronóstico de la
demanda Y cuando la variable independiente X (el número de
año, mes u otra variable causal) tome valores en el dominio para
el cual esté definida.
Para determinar la ecuación debemos encontrar los parámetros

a y b a través de las fórmulas matemáticas que siguen:
𝒏 σ 𝑿𝒀 − (σ 𝒙)(σ 𝒀)
𝒃= ഥ − 𝒃ഥ
𝒂=𝒚 𝒙
𝒏 σ 𝒙𝟐 − (𝑿)𝟐
Para realizar estos cálculos es conveniente auxiliarse de una

tabla como la que se presenta a continuación:
53
En este caso la variable
independiente X es el
número del período (año)
pero trabajar con los
Solución 1:
números 2014…2020 resulta
en cálculos engorrosos. Por Años. X Demanda (Y) XY X2
eso se le asignan
convenientemente valores 2014 -3 845 -2535 9
más pequeños que
simplifiquen el cálculo 2015 -2 920 -1840 4
2016 -1 988 -988 1
2017 0 1172 0 0
2018 1 1145 1145 1
Sustituimos las
sumatorias de la tabla 2019 2 1174 2348 4
en las fórmulas y
obtenemos a y b
2020 3 1475 4425 9
SUMA 0 7719 2555 28
Luego sustituimos los valores de
= 91,25 a y b en la ecuación Y=a + bx y
obtenemos la Ecuación de regresión
lineal
= 1102,71 Y = 1102,71+ 91,25X

54
Una vez obtenida la ecuación
de regresión lineal podemos
Solución 1: obtener los pronósticos para

los distintos meses dándole
a X el valor de cada período.
De tal manera, para el año
Demanda real Pronóstico Error 2014 el pronóstico de
Años. (Et)
acuerdo a la ecuación de
(Dt) (Ft) regresión sería:
Y=a+b·X
2014 845 828,96 16,04 F2014= 1102,71+ 91,25·(-3)
F2014= 828,96
2015 920 920,21 -0,21
2016 988 1011,46 -23,46
2017 1172 1102,71 69,29
2018 1145 1193,96 -48,96
2019 1174 1285,21 -111,21
2020 1475 1376,46 98,54
2021 1467,71
𝑅𝑆𝐹𝐸 = σ 𝐸𝑡 = 0,03
BIAS =
RSFE
=
0.03
= 0.004
σ 𝐸𝑡 = 367,71
n 7
n
 Et
367.71
MAD = t =1
= = 52.53
n 7 55
Si hubiésemos asignado
otros valores a X no hay
alteraciones en los
pronósticos (siempre que
Solución 2:
tales valores sean
consecutivos), por ejemplo:
en este caso al año 2014 se
le ha asignado un valor de
Años. X Demanda (Y) XY X2
X=0, a 2015 X=1 y así
sucesivamente.
2014 0 845 0 0
Como puede observarse ha
cambiado la ecuación de
2015 1 920 920 1
regresión, pero el pronóstico
para cada año permanece
2016 2 988 1976 4
inalterable. 2017 3 1172 3516 9
2018 4 1145 4580 16
2019 5 1174 5870 25
2020 6 1475 8850 36
SUMA 21 7719 25712 91
= 91,25 = 828,96
Ecuación de
Y = 828,96+ 91,25X regresión lineal
56
Solución 2:
Años. (Et)
(Dt) (Ft)
2014 845 828,96 16,04
2015 920 920,21 -0,21
2016 988 1011,46 -23,46
2017 1172 1102,71 69,29
2018 1145 1193,96 -48,96
2019 1174 1285,21 -111,21
2020 1475 1376,46 98,54
2021 1467,71
𝑅𝑆𝐹𝐸 = σ 𝐸𝑡 = 0,03
RSFE 0.03
BIAS =
n
=
7
= 0.004 σ 𝐸𝑡 = 367,71
El BIAS y el MAD
n
E t
también permanecen
367 .71
MAD = t =1
= = 52.53 inalterables
n 7 57
Solución 3:
Años. X Demanda (Y) XY X2
2014 2014 845 1695915 4028049
2015 2015 920 1847360 4032064
2016 2016 988 1984892 4036081
2017 2017 1172 2355720 4040100
2018 2018 1145 2302595 4044121
2019 2019 1174 2362088 4048144
2020 2020 1475 2969175 4052169
SUMA 14119 7719 15571778 28478051
= 91,25 = -182948,536
Ecuación de
Y = -182948,536+ 91,25X regresión lineal
58
Solución 3:
Años. (Et)
(Dt) (Ft)
2014 845 828,96 16,04
2015 920 920,21 -0,21
2016 988 1011,46 -23,46
2017 1172 1102,71 69,29
2018 1145 1193,96 -48,96
2019 1174 1285,21 -111,21
2020 1475 1376,46 98,54
2021 1467,71
𝑅𝑆𝐹𝐸 = σ 𝐸𝑡 = 0,03
RSFE 0.03
BIAS =
n
=
7
= 0.004 σ 𝐸𝑡 = 367,71
n
E t
367 .71
MAD = t =1
= = 52.53
n 7 59
CONCLUSIÓN:
Al analizar las medidas de error para cada pronóstico podemos
concluir que el método de regresión lineal provee el MAD y el
BIAS más cercano a cero, por lo cual podemos considerar que
este método para el caso práctico objeto de estudio, es el más
confiable para realizar los pronósticos de la demanda de acuerdo
al comportamiento de las series históricas.
Método de Pronóstico 𝑴𝑨𝑫 BIAS

Empírico 114 105
Promedio móvil 190 189,08
Promedio móvil ponderado 173 172,25
Suavizamiento exp. simple 223 222,63
Suavizamiento exp. doble 69,96 87,04
Regresión lineal simple 53 0,004 60
Guía para la selección de un método
de pronóstico adecuado
CHASE, JACOBS, AQUILANO. Administración

de operaciones. Mc Graw Hill. México, 2009. 61
Ejercicio:
La tabla siguiente muestra las ventas reales de sillones tapizados
que realizó un fabricante de muebles y los pronósticos corres-
pondientes a cada uno de los últimos ocho meses.
Calcule el RSFE, MSE, σ, MAD y MAPE para este producto.
Mes Demanda Pronóstico
(t) (Dt) (Ft)
1 200 225
2 240 220
3 300 285
4 270 290
5 230 250
6 260 240
7 210 250
8 275 240
62
Solución:
Error Error Error
Mes Demanda Pronóstico Error porcentual
cuadrático absoluto
(t) (Dt) (Ft) (Et) absoluto
(Et2) |Et|
(|Et|/Dt)*100
1 200 225 -25 625 25 12,50%

2 240 220 20 400 20 8,3
3 300 285 15 225 15 5
4 270 290 -20 400 20 7,4
5 230 250 -20 400 20 8,7
6 260 240 20 400 20 7,7
7 210 250 -40 1600 40 19
8 275 240 35 1225 35 12,7
TOTAL -15 5275 195 81,3%
63
Conclusiones:
Error de pronóstico acumulado (sesgo) RSFE=∑Et=-15
Error de pronóstico promedio (sesgo 𝑹𝑺𝑭𝑬
BIAS= = −1,875
𝟖
promedio)
σ 𝑬𝒕 𝟐 𝟓𝟐𝟕𝟓
Error cuadrático medio 𝑴𝑺𝑬 = = = 𝟔𝟓𝟗, 𝟒
𝒏 𝟖
σ[𝑬𝒕 − (−𝟏, 𝟖𝟕𝟓)]𝟐
Desviación estándar 𝝈= = 𝟐𝟕, 𝟒
𝟕
σ 𝑬𝒕 𝟏𝟗𝟓
Desviación media absoluta MAD= = = 𝟐𝟒, 𝟒
𝒏 𝟖
𝑬𝒕
σ ∙ 𝟏𝟎𝟎 𝟖𝟏, 𝟑%
Error porcentual medio absoluto 𝑫𝒕
𝑴𝑨𝑷𝑬 = = = 𝟏𝟎, 𝟐%
𝒏 𝟖
Una RSFE de -15 indica que el pronóstico tiene una ligera tendencia a sobrestimar la demanda. Las
estadísticas del MSE, σ y MAD proporcionan medidas de la variabilidad del error de pronóstico.
Una MAD de 24,4 significa que el error de pronóstico promedio fue de 24,4 unidades en valor
absoluto. El valor de σ=27,4, indica que la distribución de los errores de pronóstico dentro de la
muestra tiene una desviación estándar de 27,4 unidades. Un MAPE de 10,2% implica que, en
promedio, el error de pronóstico fue de más o menos 10% de la demanda real observada. Estas
medidas se vuelven más confiables a medida que aumenta el número de períodos de datos. 64
Ejercicio propuesto:
2. Las ventas realizadas por Dalworth Company en el último año han sido:
a) Pronostique las ventas para los meses entre mayo y Demanda
diciembre mediante el método del promedio móvil a Mes
(millones USD)
cuatro meses. Ene. 20
b) Aplique un promedio móvil ponderado de tres meses
para pronosticar las ventas entre abril y diciembre (use Feb. 24
ponderaciones de 3/6, 2/6 y 1/6). Mar. 27
c) Use el suavizamiento exponencial con α=0,6 para
Abr. 31
pronosticar las ventas de los meses comprendidos entre
abril y diciembre. Suponga que el pronóstico inicial para
May. 37
enero fue de 22 millones. Jun. 47
d) Compare el desempeño de los tres métodos utilizando el Jul. 53
MAD como criterio de desempeño. ¿Cuál método Ago. 62
recomendaría? Sep. 54
e) Compare el desempeño de los tres métodos utilizando el Oct. 36
MAPE como criterio de desempeño. ¿Cuál método Nov. 32
recomendaría? Dic. 29
f) Compare el desempeño de los tres métodos utilizando el
MSE como criterio de desempeño. ¿Cuál método 65
recomendaría?
b) Prom. Móvil c) Suavizado
a) Prom. Móvil
ponderado exponencial
Mes Dt Ft Et Ft Et Ft Et
Ene. 20 22 -2
Feb. 24 20,8 3,2
Mar. 27 22,72 4,28
Abr. 31 24,83 6,17 25,29 5,71
May. 37 25,5 11,5 28,50 8,50 28,72 8,28
Jun. 47 29,75 17,25 33,33 13,67 33,69 13,31
Jul. 53 35,5 17,5 41,00 12,00 41,67 11,33
Ago. 62 42 20 48,33 13,67 48,47 13,53
Sep. 54 49,75 4,25 56,50 -2,50 56,59 -2,59
Oct. 36 54 -18 56,50 -20,50 55,04 -19,04
Nov. 32 51,25 -19,25 46,33 -14,33 43,61 -11,61
Dic. 29 46 -17 37,00 -8,00 36,65 -7,65
MAD 15,59 11,04 9,13
MSE 267,21 147,09 98,73
MAPE 38,71 27,84 22,65
66
SEÑAL DE RASTREO
Es una medida que indica si un método de pronóstico
está previendo con precisión los cambios reales de la
demanda.
𝑹𝑺𝑭𝑬
𝑺𝑹 =
𝑴𝑨𝑫
En cada período la RSFE y la MAD se actualizan para

que reflejen el error actual y se compara la señal de
rastreo con ciertos límites predeterminados.
67
SEÑAL DE RASTREO
68
Ejercicio propuesto:
1. La demanda mensual de unidades manufacturadas por ACME Rocket Company
ha sido la siguiente:
Mes Demanda Mes Demanda
May. 110 Sep. 80
Jun. 105 Oct. 84
Jul. 95 Nov. 78
Ago. 125 Dic. 106
a) Aplique el método suavizamiento exponencial para pronosticar el número

de unidades de junio a enero. El pronóstico inicial de mayo fue de 105
unidades; α=0,2.
b) Calcule y represente en un diagrama la señal de rastreo para cada período
(utilice límites de control de ±1,5). ¿Qué puede decir acerca del desempeño
de su método de pronóstico?
69
Dt Ft Et |Et| RSFE MAD SR
May 110 105 5 5,00 5 5 1,00
Jun 105 106 -1 1,0 4 3,00 1,33
Jul 95 105,8 -10,8 10,8 -6,8 5,60 -1,21
Ago 125 103,64 21,36 21,4 14,56 9,54 1,53
Sep 80 107,91 -27,9 27,9 -13,4 13,21 -1,01
Oct 84 102,33 -18,3 18,3 -31,7 14,07 -2,25
Nov 78 98,66 -20,7 20,7 -52,3 15,01 -3,49
Dic 106 94,53 11,47 11,5 -40,9 14,57 -2,81
Señal de rastreo
3,000
2,000
1,000
,000
May Jun Jul Ago Sep Oct Nov Dic
-1,000
-2,000
-3,000
-4,000
70
Modelos Causales
Modelos causales:
Son un tipo de método cuantitativo que utiliza
datos históricos de variables independientes,
como campañas de promoción, condiciones
económicas y actividades de los competidores
para pronosticar la demanda.
Modelo de regresión simple

• Modelo de regresión
Modelo de regresión múltiple
74
Modelos causales: Regresión lineal
Ejemplo 1:
Los siguientes datos relacionan las cifras de ventas de un bar de un
pequeño Hotel, con el número de huéspedes mayores a 18 años
registrados durante el último mes:
semana Huéspedes Ventas del bar
1 16 $330
2 12 270
3 18 380
4 14 300
El gerente de comercialización conoce por experiencia, que el nivel de

ventas diarias del bar está fuertemente relacionado con la cantidad de
huéspedes alojados en el hotel. Si para la próxima semana ya han
confirmado su reservación un total de 20 huéspedes adultos ¿De cuánto
se espera que sean las ventas?
75
2
Ventas, y Huéspedes,x x xy
330 16 256 5.280

270 12 144 3.240
380 18 324 6.840
300 14 196 4.200
y = 1.280 X = 60 2
x = 920 xy =19.560
X = 60 y = 1.280 = 320
X= = 15 y=
n 4 n 4
xy - n x y
b = = 19.560 – (4) (15) (320) = 360 = 18
x - nx
2 2 2
920- (4) ( 15 ) 20
a = y - b x = 320 – 18(15) = 50
La ecuación de regresión estimada es, por lo tanto,
y = 50 + 18 x ó Ventas = 50 + 18 * Cant. de huéspedes 76

Si el pronóstico es de 20 huéspedes la semana siguiente ¿de
cuánto se esperan que sean las ventas?
y = 50 + 18 x
Ventas = 50 + 18 (20)
= 410
Recta de regresión lineal

Simple
Ventas del bar
400
350
300 Demanda histórica
250
200
150
100
50
4 8 12 16 20 Huéspedes
77
Coeficiente de correlación ( r )
¿Qué tan buena es la relación de los datos históricos de la variable
independiente con respecto al comportamiento de la variable
dependiente?
En estos casos se suele solucionar la incógnita mediante la
determinación del coeficiente de correlación, que no es más que un
índice que mide la dirección y fuerza de la relación entre la variable
independiente y la variable dependiente.
n xy- x y
r=
2 2
2 2
n x - x n y - y
El valor de r varía entre 1 y -1

78
El valor del índice de correlación varía en el intervalo [-1,1]:
• Si r se acerca a 1, entonces hay una amplia relación directa de los datos, en otras
palabras que una gran parte del comportamiento de la variable dependiente son
explicados por el comportamiento de la variable independiente (Si r = 1, existe una
correlación positiva perfecta)
• Si r se acerca a -1, se presenta una relación inversa (los decrementos de la variable

independiente irán acompañados de incrementos de la variable dependiente y
viceversa).
• Si el r se acerca a cero por ambos lados, podemos concluir que no existe relación
lineal. Pero esto no necesariamente implica que las variables son independientes:
puede existir algún tipo de relación no lineal entre las variables.
• Cuanto más se aproxime r a ±1, tanto más adecuado será el ajuste de la línea de
regresión con respecto a los puntos del gráfico.
79
r r
r r r
80
Coeficiente de determinación ( r² )
Es igual al cuadrado del coeficiente de correlación y
toma valores en el intervalo [0;1]
Mide la cantidad de variación que presenta la variable
dependiente con respecto a su valor medio, que se
explica por la línea de regresión.
Es deseable que r2 se aproxime a 1, lo cual significa que
las variaciones de la variable dependiente y del
pronóstico generado por la ecuación de regresión están
estrechamente relacionadas.
81
Siguiendo con el ejemplo del hotel, calcular el coeficiente de
correlación:
2 2
Ventas (y) Huéspedes (x) x xy y
330 16 256 5.280 108.900
270 12 144 3.240 72.900
380 18 324 6.840 144.400
300 14 196 4.200 90.000
y = 1.280 x = 60 2 2
x = 920 xy =19.560 y = 416.200
(4) (19.560) - (60) (1.280)

r=
2 2
(4) (920)- (60) (4) (416.200)- (1.280)
= 1.440 1.440
= = 0,993619798
2.112.000 1453,27217
Correlación positiva r= 0< r <1
82
Ejemplo 2:
Un gerente de operaciones necesita determinar el pronóstico de las ventas
de un tipo de bisagra de bronce para puertas. Para ello solicita al
departamento de Marketing información sobre el presupuesto de
publicidad para este producto durante los cinco meses anteriores.
Conociendo que en junio se gastarán 1750$ en publicidad para este
producto:
a) Aplique la regresión lineal para desarrollar un pronóstico de ventas
para junio.
b) ¿Cree usted que es acertado seleccionar los gastos de publicidad como
variable causal de la demanda?
Ventas Publicidad
Mes
(Miles de unidades) (miles de USD)
Ene. 264 2,5
Feb. 116 1,3
Mar. 165 1,4
Abr. 101 1,0
May. 209 2,0
83
Solución:
La ecuación de regresión es: Y= - 8,135 + 109,229X r=0,98
r2=0,96
Puesto que el valor del coeficiente de correlación se aproxima mucho a 1 (r=0,98), se
concluye que existe una fuerte relación positiva entre las ventas y los gastos de publicidad,
y que la elección fue acertada.
Un valor de r2=0,96 implica que el 96% de la variación observada en las ventas se explica
por los gastos de publicidad. En la práctica, la mayoría de las relaciones entre publicidad y
ventas no son tan fuertes porque con frecuencia otras variables, como la situación
económica en general y las estrategias de los competidores se combinan para afectar las
ventas.
Como el gasto de publicidad será de $1750, el pronóstico para junio es:
Y= - 8,135 + 109,229*(1,75)
Y= 183,016 unidades
Software download OM explorer: Excel plug-in
http://wps.pearsoned.co.uk/ema_ge_krajewski_opsmgmt_9/140/35881/9185615.cw/i
ndex.html
84
Ejemplo 3:
Chicken Palace ofrece periódicamente comidas que incluyen
cinco presas de pollo para llevar a casa, a precios especiales. Con
base a las observaciones históricas y los cálculos que se
representan en la siguiente tabla, determine la ecuación de
regresión, el coeficiente de correlación y el coeficiente de
determinación. ¿Cuántas comidas piensa Chicken Palace que
logrará vender a $3.00 cada una?
Comidas
Observación Precio
vendidas
1 $2,70 760
2 $3,50 510
3 $2,00 980
4 $4,20 250
5 $3,10 320
6 $4,05 480
85
Solución:
La ecuación de regresión es: Y= 1454,60 – 277,63 X
r = - 0,84
r2 = 0,71
El coeficiente de correlación muestra una correlación negativa

entre las variables. El coeficiente de determinación es
relativamente pequeño, lo que indica que otras variables
(además del precio) afectan perceptiblemente las ventas.
Si el gerente considera satisfactoria la ecuación de regresión,
las ventas estimadas a un precio de $3,00 por comida serían:
Y= 1454,60 – 277,63 (3,00)
Y= 621,71≈ 622 comidas

86
Ejemplo 4:
Ohio Milk Products fabrica y distribuye helados en Ohio, Kentucky y West Virginia. La
compañía desea expandir sus operaciones abriendo otra planta en el norte de Ohio.
El tamaño de la nueva planta se calculará en función de la demanda esperada de
helado en el área atendida por dicha planta. Actualmente se está realizando un
estudio de mercado para determinar cuál será esa demanda.
Ohio Swiss desea estimar la relación entre el costo de fabricación por galón y el
número de galones vendidos en un año para determinar la demanda de helado y por
consiguiente, el tamaño de la nueva planta. Se han recopilado los siguientes datos:
a) Desarrolle una ecuación de regresión para Costo por millar Miles de galones
Planta
decidir el tamaño de la planta, en función del de galones vendidos
costo por galón para cualquier localización. 1 1015 416,9
b) Calcule el coeficiente de correlación y el 2 973 472,5
coeficiente de determinación. Comente sobre su 3 1046 250
ecuación de regresión a la luz de estas medidas. 4 1006 372,1
c) Suponga que el estudio financiero estimó un 5 1058 238,1
costo de $1005 por cada mil galones de helado 6 1068 258,6
producido en la nueva planta. Bajo este criterio 7 967 597
¿Cuánto debería producir anualmente la nueva 8 997 414
planta? 9 1044 263,2
10 1008 372 87
Solución:
La ecuación de regresión es: Y= 3573 – 3,15 X
r = - 0,94
r2 = 0,89
El coeficiente de correlación muestra una fuerte correlación
negativa entre las variables.
El coeficiente de determinación indica que el 89 % de la
variación de la demanda se explica por el costo total de
producción, aunque al parecer dicha variación depende en
menor medida de otras variables no identificadas en el estudio.
Según la recta de regresión, la planta debería producir 407 000
galones de helado a un costo de $1,005 por galón.
Y= 3573 – 3,15 (1005)
Y= 407,02 ≈ 407 mil galones 88

Ejemplo 5:
Determine el pronóstico para 2008 basado en el método de regresión lineal. Considere que para este
año fueron concedidas 25 licencias de construcción.
89
Patrones estacionales de la demanda
Muchas empresas tienen una demanda estacional de sus bienes

o servicios. Los patrones estacionales están formados por
movimientos ascendentes o descendentes de la demanda, que se
repiten con regularidad, medidos en períodos de menos de un
año (horas, días, semanas, meses o trimestres). En este contexto
dichos períodos se llaman estaciones.
90
91
92
93
Patrones estacionales de la demanda
Una manera sencilla de tomar en cuenta los efectos estacionales

es usar una de las técnicas ya descritas, pero limitando los datos
de la serie de tiempo a períodos de la misma estación.
94
Método estacional multiplicativo
Consiste en calcular índices estacionales de demanda que luego se
multiplican por una estimación de la demanda promedio para obtener
un pronóstico estacional.
Procedimiento:
1. Determinar el pronóstico total del ciclo estacional futuro.
2. Determinar el pronóstico medio para cada estación.
3. Determinar los índices estacionales (IE) para cada estación de los
ciclos estacionales pasados.
4. Promediar los IEs de cada estación.
5. Estimar el pronóstico para cada estación del ciclo estacional futuro,
multiplicando el IE promedio de cada estación por el pronóstico
medio calculado en el paso 2.
95
EJEMPLO RESUELTO
1. En el volumen diario de la correspondencia que recibe cada
semana una oficina de correos se registra un patrón estacional.
Los siguientes datos corresponden a dos semanas representa-
tivas y están expresados en miles de piezas postales:
a) Calcule el índice estacional para
Día Semana 1 Semana 2 cada día de la semana.
Dom. 5 8 b) Si el administrador de correos
Lun. 20 15 estima que tendrá que clasificar
Mar. 30 32 230000 piezas de correo durante la
Miér. 35 30 semana próxima, pronostique cuál
Jue. 49 45 será el volumen correspondiente a
Vie. 70 70 cada día de la semana.
Sáb. 15 10
96
Solución:
Pronóstico para la próxima semana = 230 000
Promedio diario= 230 000 /7 = 32 857
Pronóstico
Día Sem. 1 IE1 Sem. 2 IE2 IE promedio
estacional
Dom. 5 8
Lun. 20 15
Mar. 30 32
Miér. 35 30
Jue. 49 45
Vie. 70 70
Sáb. 15 10
TOTAL
Promedio
97
EJERCICIOS PROPUESTOS:
2. El gerente de la compañía Stanley Steemer, que se dedica a lavar alfombras,
necesita un pronóstico trimestral del número esperado de clientes para el año
siguiente. El negocio de la limpieza de alfombras es estacional, con un punto
máximo en el tercer trimestre y uno mínimo en el primer trimestre.
A continuación se presentan los datos de la demanda trimestral registrada en los
cuatro últimos años.
El gerente desea pronosticar la demanda de clientes en cada trimestre del año 5,
basándose en una estimación de que la demanda total durante el año 5 será de
2600 clientes.
Trimestre Año 1 Año 2 Año 3 Año 4
1 45 70 100 100
2 335 370 585 725
3 520 590 830 1160
4 100 170 285 215
99
3. Forrest y Dan fabrican cajas de chocolates cuya demanda es
incierta. A continuación se presenta la demanda trimestral
registrada en los últimos tres años (expresada en cajas de
chocolate):
Trimestre Año 1 Año 2 Año 3
1 3000 3300 3502
2 1700 2100 2448
3 900 1500 1768
4 4400 5100 5882
Si las ventas esperadas de los chocolates son de 14800 cajas en el
año 4, utilice el método estacional multiplicativo y prepare un
pronóstico para cada trimestre del año.
100
4. La gerente de Snyder Garden Center debe elaborar sus planes anuales de
compras de rastrillos, guantes y otros artículos de jardinería. Uno de los
artículos que tienen en inventario es Fast-Grow, un fertilizante líquido. Las
ventas de dicho artículo son estacionales, con puntos máximos en los meses de
primavera, verano y otoño. A continuación se presenta la demanda trimestral
(en cajas) registrada durante los últimos años:
Trimestre Año 1 Año 2

1 40 60
2 350 440
3 290 320
4 210 280
Si las ventas esperadas de Fast-Grow son de 1150 cajas para el año 3, use el
método estacional multiplicativo y prepare un pronóstico para cada trimestre
del año. 101
5. El gerente de una compañía distribuidora y comercializadora de energía
eléctrica del estado de Texas (E.U.A), necesita elaborar pronósticos trimestrales
de las cargas de energía eléctrica que deberá suministrar el año entrante. Las
cargas de energía son estacionales, y los datos sobre las cargas trimestrales, en
megawatts (MW), en los últimos cuatro años, son los siguientes:
Trimestre Año 1 Año 2 Año 3 Año 4

1 103,5 94,7 118,6 109,3
2 126,1 116 141,2 131,6
3 144,5 137,1 159 149,5
4 166,1 152,5 178,2 169
El gerente ha estimado la demanda total para el año próximo en 600MW.

Pronostique la demanda de energía para cada trimestre.
102
BIBLIOGRAFÍA:
1. KRAJEWSKI LEE, RITZMAN LARRY “Administración
de Operaciones”, 5a Edición, Prentice-Hall, México.
2000. Pg 528. Link: https://db.tt/hv34kmnT
2. CHASE, JACOBS, AQUILANO. Administración de
operaciones. Mc Graw Hill. México, 2009. Pg 473
Link: https://db.tt/bXf6qBpI
103
Ejercicio propuesto
104
Ejercicios de autoestudio:
105
106
Ejercicios de autoestudio: pg 157s
107
108
109
110
111
112
113
114
115
116
BIBLIOGRAFÍA
• TEXTO GUÍA
o HEYZER, HAY; RENDER, BARRY Dirección de la
Producción, decisiones tácticas” 8va. edición, Prentice-
Hall. Madrid,2008. http://bit.do/Heizer
o CHASE; JACOBS; AQUILANO. Administración de
operaciones. Producción y cadena de suministros.
Mcgraw-hill / Interamericana editores. México, 13ra.
edición. 2014. http://bit.do/Chase2014
• TEXTOS DE CONSULTA
◦ KRAJEWSKI LEE, RITZMAN LARRY
“Administración de Operaciones”, 8va
Edición, Prentice-Hall, México,. 2008
http://bit.do/Krajewski

02 Pronóstico de Ventas

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

02 Pronóstico de Ventas

Uploaded by

Copyright:

Available Formats

Organización de

Ing. Pablo A. Pérez Gosende, MSc.

Son de tipo subjetivo, basados en las opiniones

Modelos Parten de la información histórica recogida sobre

Una serie de tiempo puede contener cualquier combinación de estos

Es resultado de causas fortuitas y no puede pronosticarse.

• BIAS: Es el error de pronóstico promedio y también es una

• MSE: Error cuadrático medio (Mean Squared Error)

• MAD: Desviación absoluta media (Mean Absolute Deviation)

2015 920 845 75

2019 1174 1145 29 cantidad real de productos

𝐷𝑡 + 𝐷𝑡−1 + 𝐷𝑡−2 + ⋯ +𝐷𝑡−𝑛+1

Ejemplo: demandas reales

Pronostique la demanda anual de cierto sea un trienio.

equipo electrodoméstico (utilizando t=3). Calcule el

Demanda real Pronóstico Error demanda real de años

2014 845 anteriores) solo puede

2020 1475 1163,67 311,33 clientes. Por tal motivo no

𝐹𝑡+1 = 𝑤1 𝐷𝑡 + 𝑤2 𝐷𝑡−1 +∙∙∙ +𝑤𝑛 𝐷𝑡−𝑛+1

Demanda real Pronóstico Error

(Dt) (Ft) forma, F2015=845 y como

Cuando el producto tiene una demanda estable es recomendable utilizar un valor de 𝛼

electrodoméstico. Suponga un pronóstico suavizado 𝑻𝒕+𝟏 = 𝑻𝒕 + 𝜷(𝑭𝒕+𝟏 − 𝑭𝑰𝑻𝒕 )

inicial de 840 unidades, una tendencia de 10 ( = 0.3 y

Para determinar la ecuación debemos encontrar los parámetros

Para realizar estos cálculos es conveniente auxiliarse de una

= 1102,71 Y = 1102,71+ 91,25X

Solución 1: obtener los pronósticos para

Método de Pronóstico 𝑴𝑨𝑫 BIAS

CHASE, JACOBS, AQUILANO. Administración

1 200 225 -25 625 25 12,50%

En cada período la RSFE y la MAD se actualizan para

a) Aplique el método suavizamiento exponencial para pronosticar el número

Modelo de regresión simple

El gerente de comercialización conoce por experiencia, que el nivel de

330 16 256 5.280

y = 50 + 18 x ó Ventas = 50 + 18 * Cant. de huéspedes 76

Recta de regresión lineal

El valor de r varía entre 1 y -1

• Si r se acerca a -1, se presenta una relación inversa (los decrementos de la variable

330 16 256 5.280 108.900

270 12 144 3.240 72.900

380 18 324 6.840 144.400

300 14 196 4.200 90.000

(4) (19.560) - (60) (1.280)

Como el gasto de publicidad será de $1750, el pronóstico para junio es:

El coeficiente de correlación muestra una correlación negativa

Y= 1454,60 – 277,63 (3,00)

Y= 621,71≈ 622 comidas

Y= 3573 – 3,15 (1005)

Y= 407,02 ≈ 407 mil galones 88

Muchas empresas tienen una demanda estacional de sus bienes

Una manera sencilla de tomar en cuenta los efectos estacionales

Trimestre Año 1 Año 2

Trimestre Año 1 Año 2 Año 3 Año 4

El gerente ha estimado la demanda total para el año próximo en 600MW.

You might also like